Koneksi Otak Kecil dan Kortikoserebelar Manusia Terlibat dalam Peningkatan Memori Emosional Bagian 3

Secara keseluruhan, analisis DCM menunjukkan bahwa dari 25 ROI otak yang terlibat dalam peningkatan memori emosional, 13 ROI menunjukkan peningkatan kekuatan koneksi dengan otak kecil, sebagian besar dalam arah dari otak kecil ke ROI kortikal, dalam dua kasus dalam arah yang berlawanan dan dua kasus lainnya dalam arah yang berlawanan. kedua arah.

Suasana hati yang bahagia dan positif dapat meningkatkan daya ingat seseorang. Pasalnya, mekanisme peningkatan memori emosional memudahkan orang menyimpan informasi penting dalam memori jangka panjang. Penelitian menunjukkan bahwa ketika tubuh manusia mengalami emosi yang kuat, tubuh melepaskan zat katalitik yang mengaktifkan area otak yang berhubungan dengan emosi, sehingga memengaruhi pusat kognitif dan pembelajaran otak. Dengan kata lain, peningkatan memori emosional membantu kita mengingat informasi lebih dalam.

Dalam kehidupan sehari-hari, kita dapat meningkatkan daya ingat dengan mengatur emosi. Kita bisa memilih beberapa aktivitas yang membuat kita merasa bahagia dan nyaman, seperti mendengarkan musik favorit, ngobrol dengan teman, melakukan olahraga santai, dll. Selain itu, beberapa perilaku sederhana juga bisa membantu kita menjaga suasana hati bahagia, seperti mendapatkan tidur yang cukup, makan dengan baik, dan berolahraga secukupnya.

Singkatnya, ada hubungan erat antara peningkatan memori emosional dan memori. Emosi positif merangsang area otak yang berhubungan dengan memori, sehingga memudahkan kita menyimpan informasi dalam memori jangka panjang. Kita dapat membantu diri kita sendiri meningkatkan daya ingat dan menjadi lebih bahagia serta puas dalam hidup dengan mengatur emosi kita. Terlihat bahwa kita perlu meningkatkan daya ingat kita. Cistanche deserticola dapat meningkatkan daya ingat secara signifikan karena Cistanche deserticola merupakan bahan obat tradisional Tiongkok yang memiliki banyak khasiat unik, salah satunya meningkatkan daya ingat. Khasiat daging cincang berasal dari berbagai bahan aktif yang dikandungnya, antara lain asam, polisakarida, flavonoid, dll. Bahan-bahan tersebut dapat meningkatkan kesehatan otak dalam berbagai cara.

Klik tahu 10 cara meningkatkan daya ingat

Temuan ini menunjukkan bahwa otak kecil merupakan bagian integral dari jaringan konektivitas yang terlibat dalam peningkatan memori emosional. Namun, dari hasil ini, kami tidak dapat menyimpulkan hubungan mana yang paling penting. Karena ROI didefinisikan secara fungsional, bukan secara anatomis, kita juga tidak dapat menentukan substrat anatomis yang tepat dari ROI kortikal. Kami memilih pendekatan ini karena sensitivitas pendeteksian keberadaan koneksi dapat ditingkatkan dengan menggunakan ROI yang sesuai dengan batasan fungsional (36).

Konsekuensi dari prosedur ini adalah hilangnya spesifisitas anatomi dan ketidakmampuan untuk membedakan kontribusi struktur anatomi yang berbeda dalam ROI tertentu. Selain itu, karena DCM yang diuji di sini hanya mencakup dua node, mereka tidak mempertimbangkan apakah pengaruh antara otak kecil dan ROI kedua dimediasi oleh wilayah tambahan. Oleh karena itu, nilai parameter konektivitas kami berpotensi mencerminkan koneksi langsung dan tidak langsung.

Temuan saat ini dapat berkontribusi pada pemahaman yang lebih baik tentang jaringan yang terlibat dalam peningkatan memori emosional dalam kondisi fisiologis. Selain itu, temuan ini mungkin juga memiliki implikasi untuk memahami kondisi patologis, seperti gangguan stres pasca trauma (PTSD), karena pembentukan jejak memori permusuhan yang sangat kuat setelah peristiwa atraumatik merupakan mekanisme patogenik yang penting dalam perkembangan gangguan terkait rasa takut (1, 62, 63). Meskipun tidak mungkin untuk menyelidiki pembentukan memori awal pada PTSD menggunakan fMRI, penelitian dapat menyelidiki korelasi saraf dari pengambilan memori traumatis. Sebuah studi fMRI baru-baru ini mengikuti pendekatan ini dan menemukan peningkatan aktivasi otak di otak kecil (termasuk vermis), girus oksipital, girus supramarginal, dan amigdala selama ingatan trauma pada pasien dengan PTSD (64).

Sebaliknya, hipoaktivitas otak kecil dapat dikaitkan dengan kondisi penurunan peningkatan memori emosional. Memang benar, studi klinis menunjukkan bahwa patologi yang mempengaruhi fungsi verbal berhubungan dengan serangkaian gangguan kognitif dan emosional, termasuk gejala gangguan spektrum autisme (65, 66). Menariknya, pasien dengan gangguan spektrum autisme menunjukkan defisit dalam peningkatan memori episodik emosional (67, 68). Ada kemungkinan bahwa defisit ini sebagian berasal dari kelainan struktural dan fungsional amigdala yang sering diamati pada kelainan ini (69, 70). Namun, berdasarkan hasil penelitian ini, hipoplasia dermal pada gangguan spektrum autisme juga dapat berkontribusi terhadap gangguan peningkatan emosi memori episodik. Hipotesis ini perlu diuji pada pasien autisme dengan berbagai tingkat kelainan amigdala dan vermis.

Ada banyak bukti yang menunjukkan bahwa otak kecil, khususnya vermis serebelar, dan hubungannya dengan beberapa wilayah otak, termasuk sistem limbik, terlibat dalam fungsi emosional, termasuk persepsi emosional, pengenalan emosi, pemrosesan emosi, dan pengondisian rasa takut (27, 71) . Temuan saat ini menunjukkan bahwa otak kecil juga merupakan bagian dari sirkuit yang terlibat dalam peningkatan emosi memori episodik. Dalam sirkuit ini, otak kecil menerima masukan dari beberapa daerah serebral termasuk cingulate, sedangkan amigdala/hipokampus dan beberapa daerah otak lainnya menerima masukan dari otak kecil. Temuan ini memperluas pengetahuan tentang peran otak kecil dalam proses kognitif dan emosional yang kompleks dan mungkin relevan untuk memahami gangguan kejiwaan dengan sirkuit emosi yang menyimpang, seperti PTSD atau gangguan spektrum autisme.

Bahan dan metode

Peserta. Kami merekrut peserta muda yang sehat (872 perempuan, 546 laki-laki, usia rata-rata=22,39 tahun, SD=3,27). Periklanan dilakukan terutama di Universitas Basel dan di surat kabar lokal. Para peserta bebas dari penyakit neurologis atau kejiwaan apa pun, tidak mengonsumsi obat apa pun pada saat percobaan (kecuali kontrasepsi hormonal), dan berusia antara 18 dan 35 tahun. Kesehatan fisik dan mental dinilai berdasarkan kuesioner standar. Eksperimen ini disetujui oleh komite etika Kanton Basel, Swiss. Semua peserta memberikan persetujuan tertulis sebelum berpartisipasi dalam penelitian ini. Sebelum analisis, sampel dibagi menjadi sampel penemuan (n=945, 2/3 dari seluruh peserta) dan sampel replikasi (n=473, 1/3 dari seluruh peserta) dengan menugaskan peserta secara acak ke satu sampel. sampel. Pengacakan dilakukan menggunakan fungsi Matlab rand perm Tidak ada perbedaan yang signifikan antara sampel penemuan dan replikasi dalam hal usia, jenis kelamin, atau peningkatan memori emosional (P Lebih besar dari atau sama dengan 0.33, {{ 16}}pengujian sisi, n=1,418).

Eksperimen: Prosedur. Peserta menjalani empat tugas berturut-turut: tugas pengkodean gambar, tugas memori kerja, tes memori ingatan bebas, dan tugas pengenalan. Peserta pertama-tama diinstruksikan dan kemudian dilatih tentang tugas-tugas pengkodean gambar dan memori kerja. Setelah pelatihan, mereka ditempatkan di dalam pemindai dan menerima penyumbat telinga serta headphone untuk mengurangi kebisingan pemindai. Kepala mereka difiksasi dalam kumparan menggunakan bantal kecil, dan mereka diberitahu untuk tidak bergerak. Gambar disajikan dalam pemindai menggunakan kacamata layar kristal cair yang kompatibel dengan MR (VisualSystem; NordicNeuroLab, Bergen, Norwegia). Koreksi mata digunakan bila diperlukan. Tugas pengkodean gambar berlangsung selama∼20 menit. Segera setelah itu, peserta melakukan tugas memori kerja letter n-back (0-backand 2-back) di pemindai selama ∼10 menit. Dalam penelitian ini, tugas memori kerja digunakan sebagai tugas pengalih perhatian antara pengkodean dan penarikan kembali pengujian memori. Oleh karena itu, kami tidak menganalisis data dari tugas memori kerja itu sendiri (lihat referensi 72 untuk deskripsi tugas tersebut). Setelah meninggalkan pemindai, peserta diberikan tes ingatan bebas tanpa pemberitahuan terlebih dahulu mengenai gambar-gambar tersebut di ruangan terpisah (tidak ada batasan waktu). ditetapkan untuk tugas ini). Setelah pemanggilan ulang gratis, peserta diposisikan ulang di pemindai dan melakukan tugas pengenalan (lihat referensi 73 untuk deskripsi tugas). Peserta menerima 25 franc Swiss/jam untuk partisipasi. Karena kendala organisasi, kami harus mengubah ruangan di mana gambar-gambar tersebut dipanggil, yang berarti bahwa beberapa peserta mengingat gambar-gambar dalam suasana yang sedikit berbeda.

Eksperimen: Desain tugas pengkodean gambar. Stimuli terdiri dari 72 gambar (24 positif, 24 negatif, dan 24 netral) yang dipilih dari International Affective Picture System (IAPS) (74) dan dari kumpulan gambar standar internal yang memungkinkan kami menyamakan gambar dalam hal kompleksitas visual dan konten. (misalnya, kehadiran manusia). Gambar yang diterima dari IAPS diklasifikasikan menurut peringkat valensi IAPS. Delapan dari 24 gambar netral tidak diterima dari IAPS. Gambar-gambar ini dinilai berdasarkan valensi internal (11). Berdasarkan skor valensi normatif (dari 1 hingga 9), gambar ditetapkan ke negatif (2,3 ± 0,6), netral (5.0 ± 0,3), dan positif ( 7.6 ± 0.4)kondisi, menghasilkan 24 gambar untuk setiap valensi. Stimulus positif awalnya dipilih untuk mencocokkan peringkat rangsangan negatif berdasarkan data dari studi percontohan pada 20 peserta yang tidak termasuk dalam penelitian. Empat gambar tambahan yang menunjukkan objek netral disajikan. Dua gambar ini disajikan di awal dan dua lagi di akhir tugas gambar. Gambar-gambar ini dikeluarkan dari evaluasi kinerja penarikan untuk mengontrol efek keutamaan dan keterkinian dalam memori. Contoh gambarnya mencakup erotika, olah raga, dan binatang yang menarik karena valensi positifnya; cedera tubuh, ular, dan adegan penyerangan untuk valensi negatif; dan wajah netral, benda-benda rumah tangga, dan bangunan untuk kondisi netral. Selain itu, 24 gambar acak digunakan. Latar belakang gambar acak berisi informasi warna semua gambar yang digunakan dalam percobaan (kecuali gambar primacy dan recency), dilapisi dengan filter kristal dan distorsi (Adobe Photoshop CS3). Di latar depan, sebagian besar objek geometris transparan (persegi panjang atau elips dengan ukuran dan orientasi berbeda) ditampilkan. Untuk penelitian ini, gambar acak tidak menarik.

Gambar-gambar tersebut disajikan selama 2,5 detik dalam urutan kuasi-acak sehingga maksimal empat gambar dari kategori yang sama muncul secara berurutan. Sebuah fiksasi silang muncul di layar selama 500 ms sebelum setiap presentasi gambar. Waktu permulaan stimulus diubah dalam 3 detik (1 waktu pengulangan [TR]) per kategori valensi pada permulaan pemindaian. Selama periode antar-sidang, peserta menilai masing-masing dari 72 gambar berdasarkan valensi (negatif, netral, atau positif) dan gairah (besar, sedang, atau kecil) pada skala poin 3-(manikin penilaian mandiri) dengan menekan a tombol dengan tangan dominannya. Untuk gambar acak, peserta menilai bentuk (vertikal, simetris, atau horizontal) dan ukuran (besar, sedang, atau kecil) objek geometris di latar depan. Perangkat lunak Presentasi (Neurobehavioral Systems, Inc., Berkeley, CA; https://www.neurobs.com) digunakan untuk presentasi gambar.

Data perilaku: Peningkatan memori emosional. Untuk mendokumentasikan penarikan kembali secara bebas, peserta harus menuliskan deskripsi gambar yang ditarik kembali. Sebuah gambar diberi skor sebagai diingat dengan benar jika penilai dapat mengidentifikasi gambar yang disajikan berdasarkan deskripsi peserta. Dua penyelidik terlatih secara independen menilai deskripsi keberhasilan penarikan (reliabilitas antar penilai > 99%). Penilai independen ketiga memutuskan gambar yang diberi peringkat berbeda. Untuk setiap peserta, kami menghitung seberapa sering gambar emosional diingat dibandingkan dengan gambar netral: ([diingat positif – diingat netral] + [diingat negatif – diingat netral])/2. Titik data diplot dan ditemukan berdistribusi normal (Lampiran SI, Gambar. S1). Uji-t dua sisi diterapkan untuk menguji apakah kinerja memori emosional berbeda secara signifikan dari nol. Selain itu, kami menguji dampak potensi perancu. Kami menggunakan 2-uji-t sampel untuk menilai apakah kinerja memori emosional bergantung pada jenis kelamin. Kami menggunakan koefisien korelasi linier Pearson untuk mengaitkan kinerja ingatan dengan usia. Uji t dua sisi diterapkan untuk menguji apakah koefisien korelasi berbeda signifikan dari nol.

Pencitraan: akuisisi MRI. Pengukuran dilakukan pada unit MR seluruh tubuh SiemensMagnetom Verio 3 T yang dilengkapi dengan koil kepala saluran 12-. Rangkaian waktu fungsional diperoleh dengan rangkaian eko-planar tembakan tunggal menggunakan pencitraan paralel (GRAPPA). Kami menggunakan parameter akuisisi berikut: waktu gema (TE)=35 ms; bidang pandang (FOV)=22 cm; matriks akuisisi =80 × 80, diinterpolasi menjadi 128 × 128; ukuran voxel=2.75 × 2.75 × 4 mm3;faktor percepatan GRAPPA R=2.0. Dengan menggunakan gambar pramuka midsagital, 32 irisan aksial yang berdekatan ditempatkan di sepanjang bidang komisura anterior-posterior yang menutupi seluruh otak dengan TR=3,000 ms (=82 derajat ) diperoleh dengan menggunakan interleaved menaik urutan. Dua akuisisi pertama dibuang karena efek saturasi konstan T1time. Gambar anatomi berbobot T1-resolusi tinggi diperoleh menggunakan urutan gema gradien yang disiapkan dengan magnetisasi (TR =2,000 ms; TE=3.37 ms; TI {{ 31}},000 ms; sudut balik=8 derajat ; 176 irisan; FOV =256 mm; ukuran voxel=1 × 1 x 1 mm3).

Pencitraan: Paket perangkat lunak untuk analisis statistik data pencitraan. Kami menggunakan perangkat lunak pemetaan parametrik statistik (SPM) SPM12 versi 6685 (Wellcome Trust Center for Neuroimaging, London, UK; https://www.fil.ion.ucl.ac.uk/spam/) yang diimplementasikan di Matlab R2016a.

Pencitraan: Pemrosesan awal dan normalisasi volume pencitraan gema planar (EPI). Volume dikoreksi pada irisan waktu ke irisan pertama, diselaraskan kembali menggunakan opsi "register to mean", dan didaftarkan ke gambar anatomi dengan menerapkan transformasi benda kaku tiga dimensi informasi timbal balik yang dinormalisasi. Pendaftaran bersama yang berhasil diverifikasi secara visual untuk setiap peserta. Setiap volume ditutupi dengan gambar anatomi T1 peserta untuk mengecualikan voxel di luar otak. Volume echo planar imaging (EPI) dinormalisasi ke ruang Montreal Neurological Institute (MNI) dan dihaluskan dengan lebar penuh 8 mm pada kernel Gaussian setengah maksimum (FWHM) dengan menerapkan DARTEL, yang menghasilkan peningkatan registrasi antar peserta (75, 76) .

Urutan interleaved yang digunakan untuk memperoleh rangkaian waktu fungsional menjadikannya prasyarat untuk menggunakan koreksi waktu irisan sebagai langkah prapemrosesan pertama (77). Metode koreksi waktu irisan berhasil mengkompensasi efek waktu irisan (78). Khususnya, dalam DCM untuk fMRI, arah kausalitas tidak diidentifikasi berdasarkan prioritas waktu. Sebaliknya, kausalitas diwujudkan dalam bentuk matematis persamaan keadaan diferensial setiap wilayah. Persamaan keadaan suatu model tertentu menentukan struktur sistem (misalnya, konektivitas antar wilayah), yang menjelaskan secara eksplisit bagaimana dinamika muncul dalam sistem (39). Oleh karena itu, beberapa penelitian DCM dengan TR serupa telah dilakukan sebelumnya (79-81).

Pencitraan: Pemodelan aktivitas berdasarkan voxel. Model linier umum (GLM) ditentukan untuk setiap peserta untuk mengidentifikasi voxel yang diaktifkan oleh tugas tersebut. Regressor yang memodelkan permulaan dan durasi peristiwa stimulus digabungkan dengan fungsi respons hemodinamik kanonik. Lebih tepatnya, model ini terdiri dari regressor untuk penekanan tombol yang dimodelkan sebagai fungsi stick/delta, presentasi gambar (positif, netral, negatif, acak, primacy, dan recency) yang dimodelkan dengan fungsi epoch/boxcar (durasi: 2,5 detik), dan skala penilaian yang dimodelkan dengan fungsi epoch/boxcar dengan durasi yang bervariasi (tergantung kapan tombol ditekan berikutnya). Korelasi serial dihilangkan menggunakan model autoregresif orde pertama, dan filter high-pass (128 detik) diterapkan untuk menghilangkan kebisingan frekuensi rendah. Enam parameter pergerakan juga dimasukkan sebagai kovariat gangguan. Kami mendefinisikan dua jenis GLM yang berbeda. Salah satu jenis GLM digunakan untuk mengidentifikasi voxel yang terkait dengan keberhasilan pengkodean memori emosional.

Di sini, rangsangan positif, negatif, dan netral dimodelkan secara terpisah tergantung pada apakah rangsangan tersebut kemudian diingat atau tidak. Perkiraan parameter yang dihasilkan dikontraskan untuk mengidentifikasi voxel yang terkait dengan pengkodean memori emosional yang berhasil ([gambar emosional yang diingat – gambar emosional yang tidak diingat] – [gambar netral yang diingat – gambar netral yang tidak diingat]). Kontras ini tersedia pada 944 dari 945 peserta sampel penemuan (1 subjek tidak mengingat gambar netral apa pun) dan pada 470 dari 473 peserta sampel replikasi (3 subjek tidak mengingat gambar netral apa pun) . Untuk menyelidiki potensi efek terkait valensi dalam aktivitas otak kecil, kami selanjutnya membandingkan apakah aktivitas yang terkait dengan keberhasilan pengkodean memori berbeda antara gambar positif dan negatif. Hal ini berkaitan dengan kontras berikut:([gambar negatif yang diingat – gambar negatif yang tidak diingat] – [gambar positif yang diingat – gambar positif yang tidak diingat]). Jenis GLM lain ditentukan untuk mengidentifikasi voxel yang terkait dengan pengkodean gambar emosional, terlepas dari memori. Kami menentukan regressor untuk gambar positif, netral, dan negatif, terlepas dari apakah gambar tersebut diingat atau tidak, dan membandingkan perkiraan parameter yang dihasilkan (gambar emosional – gambar netral). Kami menerapkan koreksi kesalahan berdasarkan keluarga (FWE) untuk beberapa perbandingan di seluruh tingkat otak dengan semua kontras (Koreksi Pwhole-brain-FWE < 0.05). Koreksi untuk beberapa perbandingan pada tingkat cluster diterapkan untuk menguji efek terkait valensi pada cluster cerebellar (Pkoreksi volume kecil <0,001, luas cluster k=10).

Pencitraan: Statistik grup aktivitas berdasarkan voxel. Untuk menentukan aktivitas yang terkait dengan "pengkodean memori emosional yang berhasil" dan "pengkodean gambar emosional", peta kontras dimasukkan dalam model efek acak (analisis tingkat kedua) menggunakan GLM Flex (Martinos Center dan Rumah Sakit Umum Massachusetts, Charlestown, MA; https ://habs.mgh.harvard.edu/researchers/datatools/glm-flex-fast2/). Kami mengontrol pengaruh jenis kelamin, usia, satu perubahan dalam perangkat lunak pemindai, dan dua perubahan kumparan gradien dengan memasukkannya sebagai kovariat. Kami menggunakan GLM Flex karena rangkaian EPI mengalami kehilangan sinyal akibat ketidakhomogenan medan magnet yang dapat terjadi di dekat batas jaringan udara. Prosedur normalisasi yang diterapkan di DARTEL secara akurat mengubah voxel dengan sinyal dan voxel dengan kehilangan sinyal ke ruang MNI. Dalam SPM, hilangnya sinyal pada koordinat MNI dalam gambar fungsional hanya satu peserta menyebabkan pengecualian voxel pada koordinat ini dari analisis tingkat kelompok. Akibatnya, kemungkinan voxel dikeluarkan meningkat seiring dengan ukuran sampel. GLM Flex mengatasi masalah ini dengan mengizinkan sejumlah peserta yang bervariasi di setiap voxel. Jumlah minimum peserta per voxel ditetapkan menjadi 2/3 dari seluruh peserta.

Pencitraan: Definisi ROI—Masker yang ditentukan secara fungsional. Karena sensitivitas dalam mendeteksi keberadaan koneksi dapat ditingkatkan dengan menggunakan ROI yang sesuai dengan batasan fungsional sebenarnya (36), kami mendefinisikan ROI secara fungsional, bukan secara anatomis. Secara khusus, dalam sampel penemuan (n=945), kami menggunakan masker yang diturunkan secara fungsional dan kemudian menggunakan pendekatan pengelompokan tingkat grup berbasis data untuk mengelompokkan volume EPI yang telah diproses sebelumnya dan dinormalisasi ke dalam wilayah yang koheren secara spasial dan homogen temporal (37) . Topeng tersebut terdiri dari voxel yang berhubungan positif dengan keberhasilan pengkodean memori emosional dalam sampel penemuan (Pwhole-brain-FWE- Corrected < 0.05). Voxel yang teridentifikasi kemudian ditutup dengan pengkodean kontras gambar emosional (Koreksi Pwhole-brain-FWE <0,05) untuk memastikan bahwa semua voxel yang disertakan juga menunjukkan efek positif untuk pengkodean emosi (99% dari semua voxel signifikan dalam "pengkodean memori emosional yang berhasil kontras" juga penting dalam "pengkodean kontras gambar emosional").

Pencitraan: Definisi ROI—prosedur parselasi. Voxel dalam mask yang didefinisikan secara fungsional digabungkan menjadi ROI sedemikian rupa sehingga kesamaan antara voxel dalam cluster yang sama dimaksimalkan dibandingkan dengan kesamaan antara voxel dalam cluster yang berbeda, menggunakan metode pemotongan yang dinormalisasi yang menggabungkan batasan spasial (37). Untuk kemudahan komputasi, pembagian dilakukan berdasarkan volume EPI dari 200 peserta yang diambil secara acak dari sampel penemuan. Volume ini dihaluskan dengan kernel Gaussian 6 mmFWHM sejalan dengan makalah terbaru (37). Pengelompokan pertama kali dilakukan pada masing-masing peserta, diikuti oleh pengelompokan kelompok tingkat kedua, seperti yang direkomendasikan oleh Craddock dkk. (37). Kami mengelompokkan voxel dalam mask ke dalam 30 ROI, karena kami menemukan bahwa jumlah ini menghasilkan kekhususan spasial yang memadai namun tetap dapat menangani beban komputasi yang disebabkan oleh komputasi konektivitas dengan DCM. Salah satu ROI ini berisi voxel terisolasi dan cluster kecil terpisah yang tidak koheren secara spasial. ROI (ROI 11), yang berisi 60 voxel, dikeluarkan dari analisis lebih lanjut.

Analisis konektivitas: Ekstraksi waktu-kursus. Kami mengekstraksi kursus waktu per peserta dan ROI dari data yang tidak dihaluskan dan tidak dinormalisasi menggunakan prosedur yang dijelaskan di bawah ini. Perhatikan bahwa kami mengambil data yang tidak dihaluskan karena penghalusan dapat merusak estimasi konektivitas karena menyebabkan pencampuran kursus waktu yang bergantung pada tingkat oksigenasi darah antar wilayah di dekatnya (36).

1. Memetakan ROI fungsional dari ruang MNI ke ruang peserta asli: ROI sebagaimana ditentukan dalam prosedur pembagian dihasilkan di MNIspace. Oleh karena itu kami memetakan lokasi mereka ke ruang peserta asli dengan membalik bidang warp normalisasi setiap peserta.

2. Ekstraksi kursus waktu dari ROI fungsional: Sebelum pemodelan konektivitas sebenarnya dalam kerangka DCM, kursus waktu spesifik peserta diekstraksi dari setiap ROI. Tujuan dari langkah ini adalah untuk mengekstraksi kursus waktu dari voxel yang diaktifkan di tingkat peserta tunggal. Ukuran efek pengkodean kontras gambar emosional jauh lebih besar daripada ukuran efek kontras memori emosional yang berhasil, menjadikan yang pertama lebih cocok untuk membedakan voxel yang berhubungan dengan tugas dari voxel tanpa sinyal yang relevan pada tingkat peserta tunggal. Pada tingkat kelompok, semua area yang termasuk dalam analisis ini secara signifikan dikaitkan dengan keberhasilan pengkodean memori emosional, memastikan bahwa semua ROI relevan dengan keberhasilan pengkodean memori emosional. Untuk setiap ROI dan peserta, kami secara konsekuen mengidentifikasi voxel yang signifikan untuk kontras emosional > netral, pada ambang batas yang tidak dikoreksi yaitu P < 0.05, dengan ukuran cluster minimum tiga voxel. Kursus waktu ringkasan diekstraksi dari semua voxel tersebut menggunakan alat ekstraksi "Volume Minat" SPM. Secara rinci, untuk semua voxel yang dipilih dalam anROI, PCA dilakukan. Titik waktu adalah observasi dan voxel adalah variabelnya. PCA mengembalikan serangkaian komponen yang diurutkan berdasarkan proporsi varian yang dijelaskan masing-masing komponen. Setiap komponen dikaitkan dengan vektor bobot (satu nilai per voxel), yang mencerminkan kontribusi setiap voxel terhadap komponen tersebut. Variabel eigen pertama mencerminkan perjalanan waktu dari komponen utama yang berkontribusi terhadap respons suatu wilayah dan dipilih sebagai perjalanan waktu yang mewakili ROI. Jalur waktu dikoreksi untuk artefak pergerakan dengan menambahkan parameter pergerakan sebagai kovariat ke dalam model linier.

Di seluruh 29 ROI fungsional, kursus waktu berhasil diekstraksi dalam 97,88% dari semua kasus dalam sampel penemuan, dan 97,57% dari semua kasus dalam sampel replikasi, karena mereka menunjukkan aktivasi yang bergantung pada tugas yang kuat dengan ambang batas signifikansi kami yang diuraikan di atas. Data dari semua ROI di semua peserta merupakan prasyarat untuk menjalankan DCM, karena tujuan DCM adalah membandingkan model yang berbeda untuk aktivasi yang diamati (38, 39). Oleh karena itu, kami mengecualikan peserta dari DCM tertentu jika ROI tidak menunjukkan aktivasi sesuai dengan kriteria yang ditentukan di atas. Dari semua ROI, ROI 9 menunjukkan proporsi peserta terkecil dengan aktivasi kuat (sampel penemuan 88,36%; sampel replikasi 85,84%). Lihat Lampiran SI, Tabel S1 untuk jumlah peserta per DCM, dan Lampiran SI, Tabel S2 untuk persentase peserta yang dikecualikan per ROI.

Alasan potensial kurangnya aktivasi yang cukup kuat pada beberapa peserta berkaitan dengan gangguan dalam data atau kehilangan data, tetapi mungkin juga mencerminkan penggunaan strategi kognitif yang berbeda.

Analisis konektivitas: DCM. DCM dapat diterapkan untuk menguji hipotesis spesifik mengenai keberadaan, arah, dan modulator konektivitas efektif antara serangkaian wilayah otak yang telah ditentukan sebelumnya. DCM dijelaskan secara rinci di tempat lain (38, 39). Singkatnya, interaksi saraf antar wilayah dinyatakan dengan persamaan diferensial, yang menggambarkan 1) bagaimana aktivitas di satu wilayah otak menyebabkan dinamika (yaitu, laju perubahan) di wilayah otak lain dan 2) bagaimana interaksi ini berubah di bawah pengaruh kondisi eksperimental. Di sini, kami membandingkan kondisi gambar emosional dan netral sambil mempertimbangkan apakah gambar tersebut akan diingat kembali atau tidak. DCM mengupayakan interpretasi neurofisiologis dengan membuat perbedaan eksplisit antara "tingkat saraf" dan "tingkat hemodinamik" (82). Hal ini dicapai dengan membalikkan model maju yang dimotivasi secara biofisik dan diparameterisasi yang menghubungkan dinamika saraf yang dimodelkan dengan kursus waktu hemodinamik yang diukur (38) . Oleh karena itu, parameter konektivitas dapat diartikan sebagai pengaruh antara populasi saraf (39). Kesimpulan kami tentang konektivitas bergantung pada asumsi matematika mendasar yang dimasukkan dalam parameterisasi DCM. Asumsi ini telah dinilai secara kritis (83).

Kami memilih DCM dibandingkan metode lain karena menawarkan beberapa keuntungan. DCMinfers konektivitas dengan memodelkan dinamika saraf dengan sistem persamaan diferensial. Oleh karena itu, arah pengaruh dan modulasi kekuatan sambungan yang bergantung pada kondisi dapat ditentukan dengan lebih bermakna dibandingkan dengan model konektivitas statis seperti korelasi atau pemodelan persamaan struktural (82, 84, 85).

Analisis konektivitas: DCM—Ruang model. Kami menggunakan prosedur pemilihan model post hoc, yang memerlukan estimasi hanya satu model lengkap untuk menemukan bukti model untuk semua kemungkinan arsitektur koneksi (40), sehingga menghasilkan perbandingan model yang menyeluruh. Kami menggunakan prosedur seleksi ini dibandingkan perbandingan tradisional sejumlah model a priori karena algoritme ini sangat mengurangi beban komputasi dengan memperkirakan parameter konektivitas submodel bersarang dari inferensi pada satu model lengkap. Meskipun menarik untuk memasukkan seluruh 26 cluster ke dalam satu model tunggal, hal ini secara komputasi tidak layak dilakukan. Kami menjelajahi semua koneksi berpasangan antara ROI otak kecil dan 25 ROI lainnya dengan mendefinisikan serangkaian2-DCM simpul dengan ROI yang terletak di otak kecil dipasangkan secara sistematis dengan salah satu ROI lainnya. Parameter konektivitas mewakili konektivitas bersih antar ROI—yaitu, parameter tersebut tidak mempertimbangkan apakah pengaruh antara dua ROI dimediasi oleh wilayah tambahan atau tidak, kecuali jika wilayah tambahan tersebut secara eksplisit disertakan dalam model DCM. Karena DCM yang diuji di sini hanya mencakup dua node, mereka tidak memeriksa apakah pengaruh antara otak kecil dan ROI kedua dimediasi oleh wilayah tambahan. Oleh karena itu, nilai parameter konektivitas kami berpotensi mencerminkan koneksi langsung dan tidak langsung. Kami menerapkan DCM deterministik bilinear dengan dua status (versi DCM12)(86). Kami menentukan hubungan intrinsik timbal balik antara setiap ROI. Masukan ekstrinsik ke ROI menggerakkan jaringan dan mengukur bagaimana ROI merespons rangsangan eksternal. Empat input regressor yang berbeda ditentukan, berisi 1) gambar emosional dan netral, 2) gambar acak, 3) penekanan tombol, dan 4) presentasi skala penilaian. Masing-masing input regressor dapat memasuki jaringan pada semua ROI. Kekuatan koneksi intrinsik antar ROI dapat dimodulasi oleh kondisi berikut: gambar yang diingat secara emosional, gambar yang tidak diingat secara emosional, gambar yang diingat secara netral, dan gambar yang tidak diingat secara emosional.

Untuk perspektif Bayesian mengenai beberapa perbandingan, lihat referensi (87, 88). Khususnya, kami mereplikasi hasil sampel penemuan pada sampel kedua.

Analisis konektivitas: DCM—Estimasi model. Kami menggunakan pemilihan model posthoc yang efisien yang memerlukan estimasi hanya satu model lengkap untuk menemukan1) bukti model untuk semua kemungkinan arsitektur koneksi dengan pemilihan model Bayesian (BMS), 2) probabilitas posterior yang dihasilkan dari inferensi tingkat keluarga untuk menentukan probabilitas a kontras estimasi parameter, dan 3) Rata-rata parameter Bayesian pada semua model yang mungkin menunjukkan apakah kontras estimasi parameter berbeda dari nol (40, 84, 89). Karena kami menggunakan BMS efek tetap, kami berasumsi bahwa model optimalnya adalah sama untuk setiap peserta dalam populasi (39). Estimasi model DCM dilakukan di fasilitas inti komputasi ilmiah sciCORE (https://scicore.unibas.ch/) di Universitas Basel.

Analisis konektivitas: DCM—Analisis parameter. Kami menggunakan inferensi Bayesian untuk menilai apakah kekuatan koneksi meningkat selama pengkodean memori emosional berhasil. Secara khusus, kami menggunakan ekspektasi posterior dan kovarian posterior untuk menghitung probabilitas posterior bahwa kontras antara modulator kekuatan koneksi lebih besar dari nol. Kontras untuk keberhasilan pengkodean memori emosional dibangun dengan mengurangkan modulator kondisi berikut: (gambar-gambar emosional yang diingat – gambar-gambar emosional yang tidak diingat) – (gambar-gambar netral yang diingat – gambar-gambar netral yang tidak diingat). Pertama, dalam sampel penemuan, kami mengidentifikasi hubungan-hubungan yang memiliki probabilitas kontras posterior lebih besar dari {{0}},99. Kedua, kami menganalisis koneksi ini dalam sampel replikasi, menguji apakah koneksi tersebut juga memiliki probabilitas kontras posterior yang lebih besar dari 0,99. Secara deskriptif, ambang batas probabilitas yang diterapkan sebesar 0,99 dapat ditafsirkan sebagai memberikan bukti yang sangat kuat mengenai adanya pengaruh (42, 43). Kami fokus pada peningkatan dibandingkan penurunan kekuatan koneksi karena ROI ditentukan berdasarkan voxel dengan peningkatan aktivitas.

Perhitungan kekuatan sambungan didasarkan pada kekuatan kontras dalam sampel replikasi. Koneksi divisualisasikan menggunakan perpustakaan lingkaran di R (90).

Segmentasi gambar anatomi. Gambar anatomi setiap peserta secara otomatis disegmentasi menjadi struktur kortikal dan subkortikal menggunakan FreeSurfer versi 4.5 (91). Pelabelan girus kortikal didasarkan pada atlas Desikan–Killiany (92), menghasilkan 35 wilayah kortikal dan tujuh wilayah subkortikal perhemisfer. Perhatikan bahwa teknik segmentasi dan pelabelan yang diterapkan memberikan akurasi yang sebanding dengan pelabelan manual yang dilakukan oleh para ahli (91, 92).

Lokalisasi anatomi ROI berdasarkan atlas probabilistik anatomi rata-rata populasi. Segmentasi struktur kortikal dan subkortikal yang diambil dari FreeSurfer (lihat paragraf di atas) digunakan untuk membuat atlas anatomi probabilistik rata-rata populasi, berdasarkan data dari 1,000 dari 1.418 peserta. Gambar anatomi tersegmentasi individu dinormalisasi ke ruang templat anatomi khusus penelitian menggunakan bidang warp peserta yang telah dihitung sebelumnya dan didaftarkan ke ruang MNI. Interpolasi tetangga terdekat diterapkan untuk mempertahankan pelabelan struktur yang berbeda. Segmentasi yang dinormalisasi akhirnya dirata-ratakan ke seluruh peserta untuk membuat atlas probabilistik rata-rata populasi. Konsekuensinya, setiap voxel dari templat dapat diberi probabilitas untuk menjadi bagian dari struktur anatomi tertentu.

Atlas probabilistik rata-rata populasi ini digunakan untuk melaporkan lokasi anatomi koordinat dan ROI. Persentase per koordinat menunjukkan probabilitas rata-rata populasi dari suatu label anatomi. Selanjutnya, kami melaporkan persentase rata-rata korespondensi regional per ROI. Per ROI, kami menentukan label anatomi mana yang direntang oleh voxelnya. Kami kemudian menjumlahkan probabilitas per label di seluruh voxel dalam ROI dan membagi jumlah tersebut dengan jumlah keseluruhan voxel dalam mask. Korespondensi 100% akan terjadi jika semua voxel ROI terletak di wilayah anatomi yang sama, dan masing-masing voxel itu sendiri memiliki probabilitas 100% untuk berlokasi di wilayah ini.

Ketersediaan Data, Material, dan Perangkat Lunak. Peta individu tingkat pertama untuk dua kontras minat (pengkodean memori emosional yang berhasil dan pengkodean gambar emosional) tersedia dalam Open Science Framework (OSF,https://osf.io/ghtvy) (93), bersama dengan individu kovariat. File individu tingkat pertama dan VOI tersedia di Figshare (https://figshare.com/projects/CBDCM/149317) (94). Peta tingkat grup yang tidak memiliki ambang batas, serta topeng biner dari ROI fungsional, telah disimpan di Neurovault (https://neurovault.org/collections/12932) (95). File DCM tingkat grup tersedia di OSF (https://osf.io/ghtvy) (93).

UCAPAN TERIMA KASIH. Kami berterima kasih kepada Elmar Merkle, Christoph Stippich, dan OliverBieri karena telah memberikan akses ke fasilitas fMRI di Rumah Sakit Universitas Basel. Pekerjaan ini didanai oleh Swiss National Science Foundation (Sinergia grantCRSI33_130080 kepada DJ-FdQ dan AP). MF didanai oleh Dana Penelitian untuk Peneliti Junior Universitas Basel (hibah DPE2141). Perhitungan dilakukan di fasilitas inti komputasi ilmiah sciCORE (https://scicore.unibas.ch/) di Universitas Basel. Para penulis menyatakan tidak ada kepentingan finansial yang bersaing.

Referensi

1. D. de Quervain, L. Schwabe, B. Roozendaal, Stres, glukokortikoid, dan memori: Implikasi untuk mengobati gangguan terkait rasa takut. Nat. Pendeta Neurosci. 18, 7–19 (2017).

2. JL McGaugh, Pembuatan Memori Abadi (Weidenfeld & Nicolson, 2003).

3. JL McGaugh, Memori—Satu abad konsolidasi. Sains 287, 248–251 (2000).

4. B. Roozendaal, JL McGaugh, Modulasi memori. Berperilaku. ilmu saraf. 125, 797–824 (2011).

5. KS LaBar, R. Cabeza, Ilmu saraf kognitif memori emosional. Nat. Pendeta Neurosci. 7, 54–64 (2006).

6. SB Hamann, TD Ely, ST Grafton, CD Kilts, Aktivitas Amygdala berhubungan dengan peningkatan memori untuk rangsangan yang menyenangkan dan permusuhan. Nat. ilmu saraf. 2, 289–293 (1999).

7. T. Canli, Z. Zhao, J. Brewer, JDE Gabrieli, L. Cahill, Aktivasi terkait peristiwa di amigdala manusia berhubungan dengan memori selanjutnya untuk pengalaman emosional individu.J. ilmu saraf. 20, RC99 (2000).

8. AH van Stegeren dkk., Noradrenalin memediasi aktivasi amigdala pada pria dan wanita selama pengkodean materi emosional. Neurogambar 24, 898–909 (2005).

9. MW Cole et al., Konektivitas multi-tugas mengungkapkan hub fleksibel untuk kontrol tugas adaptif.Nat. ilmu saraf. 16 Agustus 1348–1355 (2013).

10. RM Todd, TW Schmitz, J. Susskind, AK Anderson, Berbagi substrat saraf dengan kejelasan persepsi dan mnemonik yang ditingkatkan secara emosional. Depan. Berperilaku. ilmu saraf. 7, 40 (2013).

For more information:1950477648nn@gmail.com