감정 기억 강화에 관여하는 인간 소뇌와 피질소뇌 연결 3부

종합하면, DCM 분석에 따르면 정서적 기억 향상과 관련된 25개의 대뇌 ROI 중 13개의 ROI는 주로 소뇌에서 피질 ROI 방향으로 소뇌와의 연결 강도가 증가한 것으로 나타났습니다. 두 경우는 반대 방향이고 또 다른 두 경우는 반대 방향입니다. 양방향.

행복하고 긍정적인 기분은 사람들의 기억력을 향상시킬 수 있습니다. 감정기억 강화 메커니즘을 통해 중요한 정보를 장기기억에 저장하기가 더 쉬워지기 때문이다. 연구에 따르면 인체는 강한 감정을 경험할 때 뇌의 감정 관련 영역을 활성화하는 촉매 물질을 방출하여 뇌의 인지 및 학습 센터에 영향을 미치는 것으로 나타났습니다. 즉, 정서적 기억 강화는 정보를 더 깊이 기억하는 데 도움이 됩니다.

일상생활에서 우리는 감정을 조절함으로써 기억력을 향상시킬 수 있습니다. 우리는 좋아하는 음악 듣기, 친구들과의 대화, 편안한 운동 등과 같이 우리를 행복하고 편안하게 만드는 몇 가지 활동을 선택할 수 있습니다. 충분한 수면, 잘 먹는 것, 적당히 운동하는 것.

즉, 정서적 기억력 향상과 기억력 사이에는 밀접한 관계가 있습니다. 긍정적인 감정은 기억과 관련된 뇌 영역을 자극하여 정보를 장기 기억에 더 쉽게 저장할 수 있게 해줍니다. 우리는 감정을 조절함으로써 기억력을 향상시키고 삶에서 더 행복하고 성취감을 느낄 수 있습니다. 기억력을 향상시켜야 함을 알 수 있습니다. Cistanche Deserticola는 많은 독특한 효과를 지닌 전통 중국 약재이기 때문에 기억력을 크게 향상시킬 수 있습니다. 그 중 하나는 기억력을 향상시키는 것입니다. 다진 고기의 효능은 산, 다당류, 플라보노이드 등 포함된 다양한 활성 성분에서 비롯됩니다. 이러한 성분은 다양한 방식으로 뇌 건강을 증진할 수 있습니다.

기억력을 향상시키는 10가지 방법을 알아보세요

이러한 발견은 소뇌가 정서적 기억 향상과 관련된 연결 네트워크의 필수적인 부분임을 시사합니다. 그러나 이러한 결과로부터 우리는 이들 연결 중 어느 것이 가장 중요한 것인지 추론할 수 없습니다. ROI는 해부학적이라기보다는 기능적으로 정의되었기 때문에 피질 ROI의 정확한 해부학적 기질을 지정할 수도 없습니다. 기능적 경계와 일치하는 ROI를 사용하면 연결 존재 여부를 감지하는 민감도가 높아질 수 있기 때문에 이 접근 방식을 선택했습니다(36).

이 절차의 결과는 해부학적 특이성을 상실하고 특정 ROI 내에서 뚜렷한 해부학적 구조의 기여도를 구별할 수 없게 되는 것입니다. 또한 여기서 테스트한 DCM에는 노드가 두 개만 포함되어 있으므로 소뇌와 두 번째 ROI 사이의 영향이 추가 영역에 의해 매개되는지 여부를 고려하지 않습니다. 따라서 연결 매개변수의 값은 잠재적으로 직접 연결과 간접 연결을 모두 반영합니다.

이번 연구 결과는 생리학적 조건에서 정서적 기억 강화와 관련된 네트워크를 더 잘 이해하는 데 도움이 될 수 있습니다. 또한, 이번 연구 결과는 외상 후 스트레스 장애(PTSD)와 같은 병리학적 상태를 이해하는 데에도 시사점을 줄 수 있는데, 이는 외상성 사건 이후 과도하게 강한 혐오 기억 흔적의 형성이 공포 관련 장애의 발병에 중요한 병원적 메커니즘이기 때문입니다(1, 62, 63). fMRI를 사용하여 PTSD의 초기 기억 형성을 조사하는 것은 불가능하지만, 연구에서는 외상성 기억 회복의 신경 상관 관계를 조사할 수 있습니다. 최근 fMRI 연구에서는 이 접근법을 따랐으며 PTSD 환자의 외상 회상 중 소뇌(충 포함), 후두회, 상변회 및 편도체에서 향상된 뇌 활성화를 발견했습니다(64).

대조적으로, 소뇌의 저활동성은 정서적 기억 향상이 감소된 상태와 관련될 수 있습니다. 실제로, 임상 연구에 따르면 언어 기능에 영향을 미치는 병리는 자폐 스펙트럼 장애 증상을 포함하여 다양한 인지 및 정서 장애와 연관되어 있습니다(65, 66). 흥미롭게도 자폐 스펙트럼 장애 환자는 일화기억의 정서적 향상에 결함이 있음을 보여줍니다(67, 68). 이러한 결손은 이 장애에서 종종 관찰되는 편도체의 구조적 및 기능적 이상에서 부분적으로 유래할 가능성이 있습니다(69, 70). 그러나 현재 결과에 따르면 자폐 스펙트럼 장애의 피부 저형성증은 일화 기억의 정서적 강화 장애에 기여할 수도 있습니다. 이 가설은 다양한 정도의 편도체 및 벌레 이상을 보이는 자폐증 환자를 대상으로 테스트해야 합니다.

소뇌, 특히 소뇌충과 변연계를 포함한 여러 대뇌 영역과의 연결이 정서적 인식, 정서적 인식, 정서적 처리 및 공포 조절을 포함한 비감정 기능과 관련되어 있음을 나타내는 증거가 늘어나고 있습니다(27, 71) . 이번 연구 결과는 이제 소뇌가 일화 기억의 정서적 향상과 관련된 회로의 일부임을 시사합니다. 이 회로 내에서 소뇌는 대상을 포함한 여러 대뇌 영역으로부터 입력을 받는 반면, 편도체/해마 및 기타 여러 뇌 영역은 소뇌로부터 입력을 받습니다. 이러한 발견은 복잡한 인지 및 감정 과정에서 소뇌의 역할에 대한 지식을 확장하고 PTSD 또는 자폐증 스펙트럼 장애와 같은 비정상적인 감정 회로가 있는 정신 장애에 대한 이해와 관련이 있을 수 있습니다.

재료 및 방법

참가자들. 우리는 건강하고 젊은 참가자(여성 872명, 남성 546명, 평균 연령=22.39세, SD=3.27)를 모집했습니다. 광고는 주로 바젤대학교와 지역 신문에서 이루어졌습니다. 참가자들은 신경학적 또는 정신적 질환이 없었고, 실험 당시 어떠한 약물도 복용하지 않았으며(호르몬 피임약 제외), 연령은 18세에서 35세 사이였습니다. 신체적, 정신적 건강은 표준 설문지를 기반으로 평가되었습니다. 이 실험은 스위스 바젤주 윤리위원회의 승인을 받았습니다. 모든 참가자는 연구에 참여하기 전에 서면 동의서를 받았습니다. 분석 전 참가자를 무작위로 하나에 할당하여 샘플을 Discovery 샘플(n=945, 전체 참가자의 2/3)과 복제 샘플(n=473, 전체 참가자의 1/3)으로 나누었습니다. 샘플의 무작위화는 Matlab 함수 rand perm을 사용하여 수행되었습니다. 연령, 성별 또는 정서적 기억 향상 측면에서 발견 샘플과 복제 샘플 사이에는 유의미한 차이가 없었습니다(P가 0보다 크거나 같음.33, {{ 16}}측면 테스트, n=1,418).

실험: 절차. 참가자들은 그림 인코딩 작업, 작업 기억 작업, 자유 회상 메모리 테스트, 인식 작업 등 4가지 연속 작업을 수행했습니다. 참가자들은 먼저 그림 인코딩 및 작업 기억 작업에 대한 교육을 받은 후 훈련을 받았습니다. 훈련 후에는 스캐너에 배치하고 스캐너 소음을 줄이기 위해 귀마개와 헤드폰을 받았습니다. 작은 쿠션을 사용하여 머리를 코일에 고정하고 움직이지 말라고 지시했습니다. MR 호환 액정 디스플레이 고글(VisualSystem; NordicNeuroLab, Bergen, 노르웨이)을 사용하여 스캐너에 사진을 표시했습니다. 필요한 경우 눈 보정을 사용했습니다. 그림 인코딩 작업은 약 20분 동안 지속되었습니다. 그 직후 참가자들은 ~10분 동안 스캐너에서 문자 n-back(0-back 및 2-back 조건) 작업 메모리 작업을 수행했습니다. 현재 연구에서는 작업 기억 작업이 기억 테스트의 인코딩과 회상 사이의 주의를 분산시키는 작업으로 사용되었습니다. 따라서 우리는 작업 메모리 작업 자체의 데이터를 분석하지 않았습니다(작업 설명은 참고 자료 72 참조). 스캐너를 떠난 후 참가자들은 별도의 방에서 예고 없이 사진에 대한 무료 회상 메모리 테스트를 받았습니다(시간 제한 없음). 이 작업을 위해 설정되었습니다). 무료 리콜 후 참가자는 스캐너에 재배치되어 인식 작업을 수행했습니다(작업 설명은 참조 73 참조). 참가자는 참여를 위해 시간당 25 스위스 프랑을 받았습니다. 조직적인 제약으로 인해 사진이 회상되는 방을 변경해야 했고, 이는 일부 참가자가 약간 다른 설정에서 사진을 회상했다는 것을 의미했습니다.

실험: 그림 인코딩 작업 설계. 자극은 IAPS(International Affective Picture System)(74)에서 선택한 72개의 그림(긍정적 그림 24개, 부정적 그림 24개, 중립 그림 24개)과 시각적 복잡성과 내용에 대해 그림을 동일시할 수 있는 사내 표준화된 그림 세트에서 구성되었습니다. (예: 인간의 존재). IAPS에서 받은 사진은 IAPS 원자가 등급에 따라 분류되었습니다. 24개의 중립 사진 중 8개는 IAPS로부터 수신되지 않았습니다. 이 사진은 사내 평가(11)를 기준으로 평가되었습니다. 규범적 원자가 점수(1~9)에 따라 그림은 음수(2.3 ± 0.6), 중립(5.0 ± 0.3) 및 양수( 7.6 ± 0.4) 조건으로 인해 각 원자가에 대해 24개의 그림이 생성됩니다. 긍정적인 자극은 처음에 연구에 포함되지 않은 20명의 참가자를 대상으로 한 예비 연구의 데이터를 기반으로 부정적인 자극의 각성 등급과 일치하도록 선택되었습니다. 중립 물체를 보여주는 4개의 추가 사진이 제시되었습니다. 이 사진 중 두 장은 그림 작업의 시작 부분에 제시되었고 두 장은 그림 작업이 끝날 때 제시되었습니다. 이 사진들은 기억력의 우선성과 최신성 효과를 통제하기 위해 회상 성능 평가에서 제외되었습니다. 사진의 예로는 에로티카, 스포츠, 긍정적인 가치를 지닌 매력적인 동물 등이 있습니다. 신체 부상, 뱀 및 공격 장면에 대한 부정적인 가치; 그리고 중립 조건을 위한 중립면, 가정용품, 건물 등이 있습니다. 또한 24개의 스크램블된 사진이 사용되었습니다. 뒤섞인 사진의 배경에는 실험에 사용된 모든 사진의 색상 정보가 포함되어 있으며(프라이머시 및 최근 사진 제외) 수정 및 왜곡 필터(Adobe Photoshop CS3)가 오버레이되어 있습니다. 전경에는 거의 투명한 기하학적 개체(크기와 방향이 다른 직사각형 또는 타원)가 표시되었습니다. 현재 연구에서 뒤섞인 그림은 관심이 없었습니다.

사진은 준무작위순으로 2.5초 동안 제시되어 동일한 카테고리의 사진이 최대 4장 연속해서 나오도록 하였다. 각 사진이 표시되기 전 500ms 동안 화면에 고정 십자 표시가 나타났습니다. 자극 시작 시간은 스캔 시작에 대한 원자가 범주당 3초(1 반복 시간[TR]) 이내에 지터링되었습니다. 시험 기간 동안 참가자들은 72개의 그림 각각을 원자가(부정적, 중립적 또는 긍정적)와 각성(대형, 중간 또는 소형)에 따라 3-점 척도(자기 평가 마네킹)로 평가했습니다. 주로 사용하는 손으로 버튼을 누르세요. 뒤섞인 사진의 경우 참가자들은 전경에 있는 기하학적 개체의 형태(수직, 대칭 또는 수평)와 크기(대형, 중형 또는 소형)를 평가했습니다. 그림 프리젠테이션에는 소프트웨어 프리젠테이션(Neurobehavioral Systems, Inc., Berkeley, CA, https://www.neurobs.com)이 사용되었습니다.

행동 데이터: 정서적 기억력 향상. 무료 회상을 문서화하기 위해 참가자들은 회상된 사진에 대한 설명을 적어야 했습니다. 평가자가 참가자의 설명을 기반으로 제시된 사진을 식별할 수 있으면 사진이 올바르게 기억된 것으로 점수가 매겨집니다. 두 명의 훈련된 연구자가 회상 성공에 대한 설명을 독립적으로 평가했습니다(평가자 간 신뢰도 > 99%). 세 번째 독립적인 평가자는 다르게 평가된 사진을 결정했습니다. 각 참가자에 대해 우리는 중립적인 사진과 비교하여 감정적인 사진이 얼마나 자주 회상되는지 계산했습니다: ([긍정적 회상 – 중립적 회상] + [부정적 회상 – 중립적 회상])/2. 데이터 포인트가 플롯되었으며 대략적으로 정규 분포를 따르는 것으로 나타났습니다(SI 부록, 그림 S1). 정서적 기억 성능이 0과 크게 다른지 여부를 테스트하기 위해 양면 t- 테스트가 적용되었습니다. 또한 잠재적 혼란 요인의 영향도 테스트했습니다. 감정적 기억 성능이 성별에 따라 달라지는지 여부를 평가하기 위해 2-샘플 t-테스트를 ​​사용했습니다. 우리는 Pearson의 선형 상관 계수를 사용하여 회상 성능을 연령과 연관시켰습니다. 상관 계수가 0과 크게 다른지 여부를 테스트하기 위해 양측 t- 테스트를 적용했습니다.

이미징: MRI 획득. 측정은 12-채널 헤드 코일이 장착된 SiemensMagnetom Verio 3 T 전신 MR 장치에서 수행되었습니다. 기능적 시계열은 병렬 이미징(GRAPA)을 사용하는 단일 샷 에코 평면 시퀀스로 획득되었습니다. 우리는 다음 획득 매개변수를 사용했습니다: 에코 시간(TE)=35 ms; 시야(FOV)=22 cm; 획득 행렬 =80 × 80, 128 × 128로 보간됨; 복셀 크기=2.75 × 2.75 × 4 mm3;GRAPA 가속 계수 R=2.0. 정중시상 스카우트 이미지를 사용하여 TR=3,000 ms(= 82 도)로 전체 뇌를 덮는 전후 교련 평면을 따라 배치된 32개의 연속 축 슬라이스를 오름차순 인터리브를 사용하여 획득했습니다. 순서. 처음 두 개의 획득은 T1time 상수 포화 효과로 인해 폐기되었습니다. 자화 준비 경사 에코 시퀀스(TR =2,000 ms; TE=3.37 ms; TI {{ 31}},000 ms, 뒤집기 각도=8 도, 176 슬라이스, FOV =256 mm, 복셀 크기=1 × 1 x 1 mm3).

이미징: 이미징 데이터의 통계 분석을 위한 소프트웨어 패키지입니다. 우리는 Matlab R2016a에 구현된 SPM(통계 매개변수 매핑) 소프트웨어 SPM12 버전 6685(영국 런던의 Wellcome Trust Center for Neuroimaging, https://www.fil.ion.ucl.ac.uk/spam/)를 사용했습니다.

이미징: EPI(에코 평면 이미징) 볼륨의 전처리 및 정규화. 볼륨은 첫 번째 슬라이스로 슬라이스 시간 수정되고, "의미로 등록" 옵션을 사용하여 다시 정렬되었으며, 정규화된 상호 정보 3차원 강체 변환을 적용하여 해부학적 이미지에 공동 등록되었습니다. 성공적인 공동 등록은 각 참가자에 대해 시각적으로 확인되었습니다. 각 볼륨은 뇌 외부의 복셀을 제외하기 위해 참가자의 T1 해부학적 이미지로 가려졌습니다. EPI(에코 평면 영상) 볼륨은 MNI(Montreal Neurological Institute) 공간으로 정규화되었으며 DARTEL을 적용하여 반최대(FWHM) 가우스 커널에서 8mm 전폭으로 평활화되어 참가자 간의 등록이 향상되었습니다(75, 76). .

기능적 시계열을 획득하는 데 사용되는 인터리브 시퀀스는 첫 번째 전처리 단계(77)로 슬라이스 시간 보정을 사용하는 것을 전제 조건으로 만들었습니다. 슬라이스 타이밍 수정 방법은 슬라이스 타이밍 효과를 성공적으로 보상할 수 있습니다(78). 특히, fMRI용 DCM에서는 인과관계의 방향이 시간적 우선순위에 의해 식별되지 않습니다. 대신 각 영역의 미분상태방정식의 수학적 형태를 통해 인과관계가 구체화된다. 주어진 모델의 상태 방정식은 시스템 구조(예: 영역 간의 연결성)를 정의하여 시스템 내에서 역학이 어떻게 발생하는지 명시적으로 규정합니다(39). 따라서 유사한 TR을 사용한 여러 DCM 연구가 이전에 수행되었습니다(79-81).

이미징: 복셀별 활동 모델링. 작업에 의해 활성화된 복셀을 식별하기 위해 각 참가자에 대해 일반 선형 모델(GLM)이 지정되었습니다. 자극 사건의 시작과 지속 기간을 모델링하는 회귀분석은 표준 혈류역학적 반응 함수로 구성되었습니다. 보다 정확하게는 모델은 스틱/델타 기능으로 모델링된 버튼 누름 회귀 분석기, 신기원/박스카 기능(지속 시간: 2.5초)으로 모델링된 그림 표현(긍정적, 중립적, 부정적, 스크램블됨, 우선성 및 최근성), 그리고 가변 기간의 에포크/박스카 기능(다음 버튼을 누른 시점에 따라 다름) 1차 자기회귀 모델을 이용하여 계열상관을 제거하였고, 저주파 잡음을 제거하기 위해 고역통과필터(128s)를 적용하였다. 6개의 움직임 매개변수도 성가신 공변량으로 입력되었습니다. 우리는 두 가지 유형의 GLM을 정의했습니다. 성공적인 감정 기억 인코딩과 관련된 복셀을 식별하기 위해 한 가지 유형의 GLM이 사용되었습니다.

여기서는 긍정적인 자극, 부정적인 자극, 중립적인 자극이 나중에 기억되는지 여부에 따라 별도로 모델링되었습니다. 성공적인 감정기억 인코딩과 관련된 복셀을 식별하기 위해 결과 매개변수 추정치를 대조했습니다([회상된 감정적 그림 – 회상되지 않은 감정적 그림] – [회상된 중립 그림 – 회상되지 않은 중립 그림]). 이 대조는 발견 표본 참가자 945명 중 944명(1명의 대상은 중립 사진을 기억하지 못함)과 복제 표본 참가자 473명 중 470(3명의 대상은 중립 사진을 기억하지 않음)에서 사용할 수 있었습니다. . 소뇌 활동의 잠재적인 원자가 관련 효과를 조사하기 위해 성공적인 메모리 인코딩과 관련된 활동이 긍정적인 사진과 부정적인 사진 간에 다른지 여부도 비교했습니다. 이는 다음과 같은 대비에 해당합니다:([회상된 부정적인 사진 – 회상되지 않은 부정적인 사진] – [회상된 긍정적인 사진 – 회상되지 않은 긍정적인 사진]). 기억에 관계없이 감정적 그림의 인코딩과 관련된 복셀을 식별하기 위해 또 다른 유형의 GLM이 지정되었습니다. 우리는 사진이 회상되었는지 여부에 관계없이 긍정적, 중립적, 부정적 사진에 대한 회귀자를 지정하고 결과 매개변수 추정값(감정적 사진 - 중립적 사진)을 대조했습니다. 전체 뇌 수준의 다중 비교를 위해 FWE(Family-wise Error) 수정을 모든 대비에 적용했습니다(Pwhole-brain-FWE-수정 < 0.05). 소뇌 클러스터의 원자가 관련 효과를 테스트하기 위해 클러스터 수준의 다중 비교에 대한 수정이 적용되었습니다(P 작은 볼륨 수정 < 0.001, 클러스터 범위 k=10).

이미징: 복셀별 활동의 그룹 통계입니다. "성공적인 감정 기억 인코딩" 및 "감정 그림의 인코딩"과 관련된 활동을 확인하기 위해 GLM Flex(Martinos Center and Massachusetts General Hospital, Charlestown, MA, https를 사용하여 무작위 효과 모델(2차 분석)에 대비 맵을 입력했습니다. //habs.mgh.harvard.edu/researchers/datatools/glm-flex-fast2/). 우리는 성별, 연령, 하나의 변화 스캐너 소프트웨어 및 경사 코일의 두 가지 변화를 공변량으로 포함하여 효과를 제어했습니다. EPI 시퀀스는 공기 조직 경계 근처에서 발생할 수 있는 자기장의 불균일성으로 인해 신호 손실이 발생하기 때문에 GLM Flex를 사용했습니다. DARTEL에 적용된 정규화 절차는 신호가 있는 복셀과 신호 손실이 있는 복셀을 모두 MNI 공간으로 정확하게 변환했습니다. SPM에서는 단 한 참가자의 기능적 이미지에서 MNI 좌표의 신호 손실로 인해 그룹 수준 분석에서 이 좌표의 복셀이 제외되었습니다. 결과적으로 복셀이 제외될 확률은 샘플 크기에 따라 증가합니다. GLM Flex는 각 복셀에 가변적인 수의 참가자를 허용하여 이 문제를 회피했습니다. 복셀당 최소 참가자 수는 전체 참가자의 2/3로 설정되었습니다.

이미징: ROI 정의 - 기능적으로 정의된 마스크. 실제 기능 경계와 일치하는 ROI를 사용하면 연결 존재를 감지하는 감도가 높아질 수 있으므로(36), ROI를 해부학적이 아닌 기능적으로 정의했습니다. 특히, 발견 샘플(n=945) 내에서 기능적으로 파생된 마스크를 사용한 다음 데이터 기반 그룹 수준 클러스터링 접근 방식을 사용하여 전처리 및 정규화된 EPI 볼륨을 공간적으로 일관되고 시간적으로 균일한 영역으로 분류했습니다(37). . 마스크는 발견 샘플 내에서 성공적인 감정 기억 인코딩과 긍정적으로 연관된 복셀로 구성되었습니다(Pwhole-brain-FWE 보정 < 0.05). 그런 다음 식별된 복셀을 추가로 감정 그림 대비(Pwhole-brain-FWE 보정 < 0.05)의 인코딩으로 가려서 포함된 모든 복셀도 감정 인코딩에 긍정적인 효과를 나타내도록 했습니다("성공적인 감정 기억 인코딩에 중요한 모든 복셀의 99%"). 대비'는 '감성그림 대비의 인코딩'에서도 유의미한 것으로 나타났다.

이미징: ROI 정의 - 구획 절차. 기능적으로 정의된 마스크 내의 복셀은 공간 제약을 통합한 정규화된 절단 방법을 사용하여 동일한 클러스터 내의 복셀 간의 유사성이 다른 클러스터의 복셀 간의 유사성과 비교하여 최대화되도록 ROI로 결합되었습니다(37). 계산상의 편의를 위해 발견 샘플에서 무작위로 추출된 200명의 참가자의 EPI 볼륨을 기반으로 구획을 수행했습니다. 이러한 볼륨은 최근 논문(37)에 따라 6mmFWHM 가우스 커널을 사용하여 평활화되었습니다. 클러스터링은 먼저 각 참가자 내에서 수행된 후 Craddock 등이 권장하는 대로 두 번째 수준 그룹 클러스터링이 수행되었습니다. (37). 우리는 마스크 내의 복셀을 30개의 ROI로 분류했습니다. 이 숫자는 DCM과의 연결 계산으로 인해 발생하는 계산 부담을 관리할 수 있으면서도 충분한 공간적 특이성을 제공한다는 것을 알았기 때문입니다. 이러한 ROI 중 하나에는 공간적으로 일관되지 않은 분리된 복셀과 별개의 작은 클러스터가 포함되어 있습니다. 따라서 60개의 복셀을 포함하는 이 ROI(ROI 11)는 추가 분석에서 제거되었습니다.

연결성 분석: 시간 경과 추출. 우리는 아래 설명된 절차를 사용하여 평활화되지 않고 정규화되지 않은 데이터에서 참가자별 시간 코스와 ROI를 추출했습니다. 평활화는 근처 지역 간의 혈액 산소화 수준에 따른 시간 코스의 혼합으로 이어지기 때문에 연결성 추정에 손상을 줄 수 있기 때문에 평활화되지 않은 데이터에서 추출했습니다(36).

1. MNI 공간의 기능적 ROI를 기본 참가자 공간으로 매핑: 구획 절차에서 결정된 ROI는 MNIspace에서 생성되었습니다. 따라서 우리는 각 참가자의 정규화 워프 필드를 반전시켜 해당 위치를 기본 참가자 공간에 매핑했습니다.

2. 기능적 ROI에서 시간 경과 추출: DCM 프레임워크 내에서 실제 연결성을 모델링하기 전에 각 ROI에서 참가자별 시간 경과를 추출했습니다. 이 단계의 목표는 단일 참가자 수준에서 활성화된 복셀에서 시간 경과를 추출하는 것이었습니다. 감정적 그림 대비 인코딩의 효과 크기는 성공적인 감정적 기억 대비의 효과 크기보다 상당히 커서 단일 참가자 수준에서 관련 신호가 없는 복셀과 작업 관련 복셀을 구별하는 데 전자가 더 적합합니다. 그룹 수준에서 이 분석에 포함된 모든 영역은 성공적인 감정 기억 인코딩과 유의미하게 연관되어 있어 모든 ROI가 성공적인 감정 기억 인코딩과 관련이 있음을 보장합니다. 결과적으로 각 ROI 및 참가자에 대해 수정되지 않은 임계값 P < 0.05에서 감정 > 중립 대비에 대한 중요한 복셀을 식별했으며 최소 클러스터 크기는 3개 복셀입니다. SPM의 "관심 볼륨" 추출 도구를 사용하여 모든 복셀에서 요약 시간 과정을 추출했습니다. 구체적으로 ROI 내 선택된 모든 복셀에 대해 PCA를 수행했습니다. 시점은 관찰이었고 복셀은 변수였습니다. PCA는 각 구성 요소가 설명하는 분산 비율에 따라 정렬된 일련의 구성 요소를 반환했습니다. 각 구성 요소는 해당 구성 요소에 대한 각 복셀의 기여도를 반영하는 가중치 벡터(복셀당 하나의 값)와 연결되었습니다. 첫 번째 고유변량은 지역의 반응에 기여하는 주요 구성 요소의 시간 과정을 반영하고 ROI의 대표적인 시간 과정으로 선택되었습니다. 운동 매개변수를 선형 모델에 공변량으로 추가하여 운동 인공물에 대해 시간 경과를 수정했습니다.

29개의 기능적 ROI 전체에서 시간 코스는 발견 샘플의 모든 사례 중 97.88%, 복제 샘플의 모든 사례 중 97.57%에서 성공적으로 추출되었습니다. 이는 위에 설명된 중요도 임계값에 따라 강력한 작업 종속 활성화를 보여주기 때문입니다. DCM의 목적은 관찰된 활성화에 대해 다양한 모델을 비교하는 것이므로 모든 참가자의 모든 ROI 데이터는 DCM을 실행하기 위한 전제 조건이었습니다(38, 39). 따라서 ROI가 위에 정의된 기준에 따라 활성화를 나타내지 않는 경우 특정 DCM에서 참가자를 제외했습니다. 모든 ROI 중에서 ROI 9는 강력한 활성화를 보이는 참가자의 가장 작은 비율을 보여주었습니다(발견 샘플 88.36%, 복제 샘플 85.84%). DCM당 참가자 수는 SI 부록, 표 S1을 참조하고, ROI당 제외된 참가자의 비율은 SI 부록, 표 S2를 참조하세요.

일부 참가자의 충분히 강한 활성화가 부족한 잠재적인 이유는 데이터의 노이즈 또는 데이터 손실과 관련이 있지만 다른 인지 전략의 사용을 반영할 수도 있습니다.

연결성 분석: DCM. DCM은 미리 정의된 뇌 영역 집합 간의 효과적인 연결의 존재, 방향 및 조절기에 관한 특정 가설을 테스트하는 데 적용될 수 있습니다. DCM은 다른 곳에서 자세히 설명됩니다(38, 39). 간단히 말해서, 영역 간의 신경 상호 작용은 1) 한 뇌 영역의 활동이 어떻게 다른 뇌 영역의 역학(즉, 변화율)을 유발하는지, 2) 이러한 상호 작용이 실험 조건의 영향을 받아 어떻게 변화하는지 설명하는 미분 방정식으로 표현됩니다. 여기서는 사진이 나중에 회상되는지 여부를 고려하면서 감성적이고 중립적인 사진의 조건을 비교했습니다. DCM은 "신경 수준"과 "혈류역학 수준"을 명시적으로 구분하여 신경생리학적 해석 가능성을 위해 노력합니다(82). 이는 모델링된 신경 역학을 측정된 혈류역학 시간 과정에 연결하는 생물물리학적으로 동기가 부여되고 매개변수화된 전방 모델을 역전시킴으로써 달성됩니다(38). . 따라서 연결성 매개변수는 신경 집단 사이의 영향으로 해석될 수 있습니다(39). 연결성에 대한 우리의 추론은 DCM의 매개변수화에 통합된 기본 수학적 가정에 따라 달라졌습니다. 이러한 가정은 비판적으로 평가되었습니다(83).

우리는 여러 가지 장점을 제공하기 때문에 다른 방법보다 DCM을 선택했습니다. DCMinfers는 미분 방정식 시스템으로 신경 역학을 모델링하여 연결성을 제공합니다. 따라서 영향의 방향과 연결 강도의 조건에 따른 변조는 상관 관계 또는 구조 방정식 모델링과 같은 정적 연결 모델을 사용하는 것보다 더 의미있게 결정될 수 있습니다(82, 84, 85).

연결 분석: DCM - 모델 공간. 우리는 가능한 모든 연결 아키텍처에 대한 모델 증거를 찾기 위해 단 하나의 전체 모델 추정이 필요한 사후 모델 선택 절차를 사용하여 철저한 모델 비교를 수행했습니다. 우리는 제한된 수의 선험적 모델에 대한 전통적인 비교 대신 이 선택 절차를 사용했습니다. 왜냐하면 이 알고리즘은 하나의 전체 모델에 대한 추론에서 중첩된 하위 모델의 연결 매개 변수를 근사화하여 계산 부담을 크게 줄이기 때문입니다. 26개의 클러스터를 모두 하나의 단일 모델에 포함시키는 것이 흥미로웠지만 계산상으로는 불가능했습니다. 우리는 소뇌에 위치한 ROI가 다른 ROI 중 하나와 체계적으로 쌍을 이루는 일련의 2-노드 DCM을 정의하여 소뇌 ROI와 나머지 25개 ROI 사이의 모든 쌍별 연결을 탐색했습니다. 연결 매개변수는 ROI 간의 순 연결성을 나타냅니다. 즉, 이러한 추가 영역이 DCM 모델에 명시적으로 포함되지 않는 한 두 ROI 간의 영향이 추가 영역에 의해 매개되는지 여부를 고려하지 않습니다. 여기서 테스트한 DCM에는 두 개의 노드만 포함되었기 때문에 소뇌와 두 번째 ROI 사이의 영향이 추가 영역에 의해 중재되는지 여부는 조사되지 않았습니다. 따라서 연결 매개변수의 값은 직접 연결과 간접 연결을 모두 반영할 가능성이 있습니다. 두 가지 상태(버전 DCM12)(86)가 있는 이중선형 결정적 DCM을 적용했습니다. 우리는 각 ROI 간의 상호 본질적 연결을 지정했습니다. ROI에 대한 외부 입력은 네트워크를 구동하고 ROI가 외부 자극에 반응하는 방식을 정량화합니다. 1) 감정적이고 중립적인 그림, 2) 뒤섞인 그림, 3) 버튼 누름, 4) 평가 척도 표현을 포함하는 4개의 서로 다른 입력 회귀자가 정의되었습니다. 각 입력 회귀 변수는 모든 ROI에서 네트워크에 들어갈 수 있습니다. ROI 사이의 본질적인 연결 강도는 감정적으로 회상된 그림, 감정적으로 회상되지 않는 그림, 중립적으로 회상된 그림, 중립적 회상되지 않는 그림 등의 조건에 의해 변조될 수 있습니다.

다중 비교에 대한 베이지안 관점은 참고자료(87, 88)를 참조하십시오. 특히, 두 번째 샘플에서 발견 샘플의 결과를 복제했습니다.

연결성 분석: DCM - 모델 추정. 우리는 베이지안 모델 선택(BMS)을 통해 1) 가능한 모든 연결 아키텍처에 대한 모델 증거, 2) 가족 수준 추론으로 인한 사후 확률을 찾기 위해 단 하나의 전체 모델 추정이 필요한 효율적인 사후 모델 선택을 사용하여 매개변수 추정치의 대비, 3) 매개변수 추정치의 대비가 0과 다른지 여부를 보여주는 가능한 모든 모델에 대한 베이지안 매개변수 평균(40, 84, 89). 우리는 고정 효과 BMS를 사용했기 때문에 최적 모델이 모집단의 각 참가자에 대해 동일하다고 가정했습니다(39). DCM 모델 추정은 바젤 대학의 sciCORE(https://scicore.unibas.ch/) 과학 컴퓨팅 핵심 시설에서 수행되었습니다.

연결 분석: DCM - 매개변수 분석. 우리는 성공적인 감정 기억 인코딩 중에 연결 강도가 증가했는지 여부를 평가하기 위해 베이지안 추론을 사용했습니다. 특히, 우리는 사후 기대치와 사후 공분산을 사용하여 연결 강도의 변조기 간 대비가 0보다 큰 사후 확률을 계산했습니다. 성공적인 감정 기억 인코딩에 대한 대조는 다음 조건의 변조기를 빼는 방식으로 구축되었습니다: (회상된 감정적 그림 – 기억되지 않은 감정적 그림) – (회상된 중립 그림 – 기억되지 않은 중립 그림). 먼저, 발견 샘플 내에서 대비의 사후 확률이 {{0}}.99보다 큰 연결을 식별했습니다. 둘째, 복제 샘플에서 이러한 연결을 분석하여 0.99보다 큰 사후 대비 확률이 있는지 테스트했습니다. 설명적인 측면에서, 적용된 확률 임계값 0.99는 효과에 대한 매우 강력한 증거를 제공하는 것으로 해석될 수 있습니다(42, 43). 활동이 증가한 복셀을 기반으로 ROI가 정의되었으므로 연결 강도의 감소보다는 증가에 중점을 두었습니다.

연결 강도에 대한 계산은 복제 샘플의 대비 강도를 기반으로 했습니다. 연결은 R(90)의 원 라이브러리를 사용하여 시각화되었습니다.

해부학적 이미지의 분할. 각 참가자의 해부학적 이미지는 FreeSurfer 버전 4.5(91)를 사용하여 피질 및 피질하 구조로 자동으로 분할되었습니다. 대뇌 피질 이랑의 라벨링은 Desikan-Killiany 지도(92)를 기반으로 하여 35개의 대뇌 피질 영역과 7개의 대뇌 피질 하 영역을 생성합니다. 적용된 분할 및 라벨링 기술은 전문가가 수동으로 라벨링하는 것과 비슷한 정확도를 제공합니다(91, 92).

인구 평균 해부학적 확률 지도책을 기반으로 한 ROI의 해부학적 위치 파악. FreeSurfer에서 검색된 피질 및 피질하 구조의 분할(위 단락 참조)은 1,418명의 참가자 중 1000의 데이터를 기반으로 인구 평균 확률 해부학적 지도책을 구축하는 데 사용되었습니다. 개별 분할된 해부학적 이미지는 참가자의 이전에 계산된 워프 필드를 사용하여 연구별 해부학적 템플릿 공간으로 정규화되었으며 MNI 공간에 아핀 등록되었습니다. 다양한 구조의 라벨링을 보존하기 위해 가장 가까운 이웃 보간법이 적용되었습니다. 정규화된 분할은 최종적으로 참가자 전체에 걸쳐 평균화되어 인구 평균 확률 지도책을 만들었습니다. 결과적으로 템플릿의 각 복셀에는 주어진 해부학적 구조에 속할 확률이 할당될 수 있습니다.

이 인구 평균 확률 지도책은 좌표와 ROI의 해부학적 위치를 보고하는 데 사용되었습니다. 좌표당 백분율은 해부학적 라벨의 모집단 평균 확률을 나타냅니다. 또한 ROI당 지역 서신의 평균 비율도 보고했습니다. ROI에 따라 우리는 어떤 해부학적 라벨이 복셀에 걸쳐 있는지 결정했습니다. 그런 다음 ROI 내의 모든 복셀에 대한 레이블당 확률을 합산하고 그 합계를 마스크의 전체 복셀 수로 나눕니다. ROI의 모든 복셀이 동일한 해부학적 영역 내에 위치하고 각 복셀 자체가 이 영역에 위치할 확률이 100%인 경우 100% 일치가 발생합니다.

데이터, 자료 및 소프트웨어 가용성. 두 가지 관심 대조(성공적인 감정 기억 인코딩 및 감정 그림 인코딩)에 대한 개별적인 1단계 지도는 Open Science Framework(OSF,https://osf.io/ghtvy)(93)에서 개인과 함께 사용할 수 있습니다. 공변량. 개별 1차 수준 및 VOI 파일은 Figshare(https://figshare.com/projects/CBDCM/149317)(94)에서 사용할 수 있습니다. 해당 임계값이 없는 그룹 수준 맵과 기능적 ROI의 바이너리 마스크가 Neurovault(https://neurovault.org/collections/12932)(95)에 기탁되었습니다. 그룹 수준 DCM 파일은 OSF(https://osf.io/ghtvy)(93)에서 사용할 수 있습니다.

감사의 말씀. 바젤 대학 병원의 fMRI 시설에 대한 액세스 권한을 부여해 주신 Elmar Merkle, Christoph Stippich, OliverBieri에게 감사드립니다. 이 연구는 스위스 국립 과학 재단(DJ-FdQ 및 AP에 대한 Sinergia grantCRSI33_130080)의 자금 지원을 받았습니다. MF는 바젤 대학의 주니어 연구원을 위한 연구 기금(DPE2141 부여)의 지원을 받았습니다. 계산은 바젤 대학의 sciCORE(https://scicore.unibas.ch/) 과학 컴퓨팅 코어 시설에서 수행되었습니다. 저자는 경쟁적인 재정적 이해관계를 선언하지 않습니다.

참조

1. D. de Quervain, L. Schwabe, B. Roozendaal, 스트레스, 글루코코르티코이드 및 기억: 공포 관련 장애 치료에 대한 의미. Nat. Neurosci 목사. 18, 7–19 (2017).

2. JL McGaugh, 지속적인 기억 만들기(Weidenfeld & Nicolson, 2003).

3. JL McGaugh, 기억 - 통합의 세기. 과학 287, 248–251 (2000).

4. B. Roozendaal, JL McGaugh, 메모리 변조. 행동. 신경 과학. 125, 797-824(2011).

5. KS LaBar, R. Cabeza, 감정 기억의 인지 신경과학. Nat. Neurosci 목사. 7, 54–64(2006).

6. SB Hamann, TD Ely, ST Grafton, CD Kilts, 편도체 활동은 즐거운 자극과 혐오 자극에 대한 향상된 기억과 관련됩니다. Nat. 신경 과학. 2, 289-293(1999).

7. T. Canli, Z. Zhao, J. Brewer, JDE Gabrieli, L. Cahill, 인간 편도체의 사건 관련 활성화는 개인의 정서적 경험에 대한 후기 기억과 연관되어 있습니다. J. 신경 과학. 20, RC99(2000).

8. AH van Stegeren et al., Noradrenaline은 감정적 자료를 인코딩하는 동안 남성과 여성의 편도체 활성화를 중재합니다. Neuroimage 24, 898–909 (2005).

9. MW Cole et al., 다중 작업 연결은 적응형 작업 제어를 위한 유연한 허브를 드러냅니다.Nat. 신경 과학. 16, 1348~1355(2013).

10. RM Todd, TW Schmitz, J. Susskind, AK Anderson, 감정적으로 강화된 지각 및 기억의 선명함을 공유하는 신경 기질. 앞쪽. 행동. 신경 과학. 7, 40(2013).

For more information:1950477648nn@gmail.com