Parte 2: Conectividad funcional entre la memoria y los centros de recompensa a través de tareas y seguimiento de descanso Sensibilidad de la memoria a la recompensa

para más información:ali.ma@wecistanche.com

Por favor haga clic aquí para la parte 1

por favor haga clic aquí para la Parte 3

Análisis de diferencia Acercarse

Para probar si los patrones de conectividad relacionados conmemoriasensibilidad a la recompensa y si esta relación es estable a lo largo de las etapas de la tarea, los valores de conectividad se sometieron a dos ANOVA de medidas repetidas. El primer ANOVA solo incluía datos de reposo (precodificación, poscodificación), similar al trabajo anterior sobre conectividad en estado de reposo (Gruber et al., 2016). El segundo ANOVA incluyó las tres etapas de la tarea (descanso previo a la codificación, tarea de codificación, descanso posterior a la codificación), con series temporales de descanso filtradas de paso bajo para compararlas con series temporales de tareas. Además de la etapa de la tarea como factor dentro del sujeto, ambos ANOVA también incluyeronmemoriaestructura (hipocampo, PHC) y estructura de recompensa (ACC, mesencéfalo, MPFC, OFC, VS) como factores dentro del sujeto y el estado del modulador (modulador, no modulador) como un factor entre sujetos.

Haga clic paraCistanche NZ para la memoria

Los siguientes efectos fueron relevantes para nuestras preguntas de interés: (1) el efecto principal y las interacciones del estado del modulador, probando si los patrones de conectividad se relacionaban con las diferencias individuales enmemoriasensibilidad a la recompensa; (2) el efecto principal y las interacciones del factor etapa de la tarea, probando la idea de que los patrones de conectividad pueden ser relativamente estables a lo largo de la tarea y el descanso, así como rastrear las diferencias individuales enmemoriasensibilidad a la recompensa; (3) las interacciones del factor de la región de recompensa con el estado del modulador, probando si todas las regiones de recompensa contribuyen de manera similar o diferente. Cabe destacar que el efecto principal de la región de recompensa y el efecto principal dememoriaregión no era de interés ya que el valor general de conectividad funcional puede depender de la distancia física entre las regiones y el tamaño de una región, y puede no ser fácilmente interpretable (Honey et al., 2009; Salvador et al., 2005). Cuando se encontró una interacción, hicimos un seguimiento con una investigación del lugar de la interacción. Si bien el informe se centra en los efectos de interés, los resultados completos de ANOVA se informan en tablas. Se usaron correcciones de Greenhouse Geisser cuando fue apropiado, informadas en las tablas como "GG". Para validar que nuestros hallazgos no fueron impulsados ​​por el tratamientomemoriasensibilidad a la recompensa como una variable binaria, volvimos a probar los efectos significativos de interés de ambos ANOVA utilizando ANCOVA, con la medida continua de la modulación de la recompensa conductual como covariable.

Funcional relaciones entre conexiones

La observación de efectos moduladores comparables o diferenciales en múltiples ROI de recompensa en los ANOVA proporciona una indicación de las contribuciones únicas o uniformes de las regiones de recompensa para recompensar la modulación dememoria. Para probar más directamente si las regiones de recompensa son parte de la misma red funcional, también examinamos su estructura de correlación cruzada. Realizamos dos análisis de componentes principales: uno sobre los valores de conectividad de solo descanso (sin filtro de paso bajo para mantener la información sobre las fluctuaciones de alta frecuencia) y otro que incluía todos los valores de conectividad entre la tarea y el descanso (usando tiempo filtrado de paso bajo). serie para el preprocesamiento de tareas y descansos comparables). Los componentes se consideraron para un análisis posterior cuando explicaron al menos el 10 por ciento de la varianza. Para cada componente considerado, probamos además la probabilidad de obtener dicho componente por casualidad, usando una comparación con una distribución nula de componentes. Para obtener la distribución nula, realizamos 10,000 análisis de componentes principales simulados en los datos obtenidos al mezclar aleatoriamente los valores de conectividad entre los participantes, por separado para cada conexión. El porcentaje de varianza explicado por cada componente (el primero más informativo, el segundo más informativo, etc.) se comparó luego con el porcentaje explicado de la distribución nula. Los mismos resultados se obtendrían probando valores propios.

Las cargas en cada componente se compararon para los cinco ROI de recompensa mediante ANOVA unidireccional, y luego se relacionaron las puntuaciones de los componentes con la modulación de la recompensa conductual mediante regresión múltiple. El uso de la reducción de la dimensionalidad antes de la regresión múltiple nos permitió probar cómo los componentes subyacentes, o las posibles redes de regiones, contribuyeron a la relación conectividad-comportamiento al tiempo que se tuvo en cuenta la colinealidad entre los valores de conectividad y se limitó de manera basada en datos el número de predictores considerados. .

Conectividad patrón clasificación

Mientras que las pruebas de inferencia tradicionales, como el análisis de varianza, prueban la probabilidad de que las diferencias observadas entre los grupos surgieran solo por casualidad, los enfoques de clasificación de aprendizaje automático nos permiten cuantificar más directamente qué tan bien se pueden distinguir los participantes entre sí en función de su patrón de conectividad. Utilizamos la clasificación de vectores de soporte (SVC) para probar el grado en que los participantes pueden clasificarse como moduladores o no moduladores en función de su patrón de conectividad a través de las diez conexiones de ROI (2memoriaROI × 5 ROI de recompensa).

SVC se implementó utilizando el paquete de análisis estadístico "e1071" (Meyer, Dimitriadou, Hornik, Weingessel y Leisch, 2017) y se realizó por separado dentro de cada etapa de la tarea. Se utilizaron los parámetros predeterminados para la clasificación nu (C=1, ε= 0.1,=0.1, sin ajuste) con un kernel de función de base radial. Utilizamos un enfoque de validación cruzada de dejar un sujeto fuera, entrenando el modelo en N -1 sujetos y luego aplicando el clasificador entrenado para predecir el estado del modulador del sujeto retenido. El proceso se repitió a medida que cada sujeto a su vez se retiraba del conjunto de entrenamiento y se usaba para probar el modelo. La precisión del modelo se registró como el porcentaje de clasificaciones correctas. Se usó una prueba de permutación para probar la significación. Llevamos a cabo 5,000 simulaciones, cada vez que barajamos aleatoriamente las etiquetas de estado del modulador entre los participantes y luego calculamos la misma precisión de clasificación validada cruzada de dejar un sujeto fuera que con los datos reales. La verdadera precisión del clasificador se comparó con la distribución de las precisiones de clasificación simuladas para derivar la probabilidad de obtener dicha precisión solo por casualidad. Precisión que ocurrió con una probabilidad menor quep= 0.017 se consideró significativo, lo que refleja la corrección de Bonferroni en tres etapas de la tarea para un alfa general=0.05.

Para verificar que los resultados no fueron impulsados ​​por el enfoque de división media, se utilizó la regresión de vector de soporte (SVR) para predecir las medidas continuas de modulación de recompensa conductual (puntuación BRM) para cada participante a partir de la conectividad medida en cada etapa de la tarea. El mismo paquete estadístico, parámetros predeterminados y validación cruzada de exclusión de un sujeto

el enfoque se usó para SVR como se usó para SVC. Los valores de BRM pronosticados para cada sujeto se correlacionaron luego con los valores de BRM observados para evaluar si el individuo

Las diferencias en los patrones de conectividad contienen información sobre las diferencias individuales en la modulación de recompensa conductual dememoria. Empleamos correcciones de Bonferroni para las tres correlaciones (alfa=0.05/3=0.017).

Complementario conectividad analiza

Además de las principales preguntas de interés, el estudio actual proporciona datos adecuados para abordar preguntas de estudios anteriores sobre la modulación de la recompensa dememoria. Realizamos dos conjuntos de análisis exploratorios que mantienen el enfoque en la conectividad y pueden ser informativos para los lectores, aunque no abordan directamente los objetivos principales del estudio.

Correlaciones Entre conectividad cambios y comportamiento-ANOVA, ACP,

y los enfoques de aprendizaje automático son adecuados para probar el papel de un amplio conjunto de regiones de recompensa y la hipótesis de la huella dactilar de la conectividad, especialmente para el conjunto más amplio de conexiones relacionadas consideradas aquí. Por el contrario, estudios previos sobre la modulación de la recompensa dememoriaPor lo general, se han centrado en conexiones únicas y efectos relacionados con el aprendizaje, informando correlaciones de primer orden que relacionan los aumentos de conectividad de codificación previa a posterior. Si bien un modulador significativo por la interacción de la etapa de la tarea en nuestro ANOVA podría indicar un papel desproporcionado del descanso posterior a la codificación, también queríamos generar datos directamente comparables con estudios anteriores. Por lo tanto, también calculamos los cambios de conectividad anteriores a posteriores para cada conexión y los correlacionamos con BRM. Debido a que una mayor disponibilidad de dopamina en el lóbulo temporal medial puede mejorar la codificación en general (Duncan et al., 2014; Lisman et al., 2011), también correlacionamos los valores de conectividad con las tasas generales de recuerdo de cada participante.

Anterior y posterior diferencias dentro delahipocampo-El trabajo anterior sugiere

existen diferencias funcionales entre las porciones anterior y posterior del hipocampo (Brunec et al., 2018; McKenzie et al., 2014; Poppenk, Evensmoen, Moscovitch, & Nadel, 2013). Sin embargo, en el contexto del aprendizaje motivado por la recompensa, faltan o son contradictorias las pruebas de contribuciones diferenciales del hipocampo anterior y posterior (Murty et al., 2017; Wolosin et al., 2013). Hemos realizado análisis exploratorios de los patrones de conectividad del hipocampo anterior/posterior para probar si sus patrones de conectividad o los cambios de conectividad están relacionados diferencialmente con el comportamiento en nuestro paradigma.

El corte medio del ROI del hipocampo de cada participante se utilizó como límite para las divisiones anterior y posterior. Para los participantes que tenían un número impar de cortes en el ROI del hipocampo, el corte del medio se asignó a la parte posterior. Luego, los ROI se usaron para extraer la serie temporal durante cada exploración de descanso y tarea. La conectividad entre el hipocampo anterior y posterior con cada región de recompensa se midió utilizando los procedimientos descritos anteriormente. Las diferencias funcionales entre el hipocampo anterior y posterior se probaron mediante ANOVA de medidas repetidas con ROI del hipocampo (anterior, posterior) × etapa de la tarea (precodificación, codificación, postcodificación) × recompensa ROI (ACC, mesencéfalo, MPFC, OFC, VS) como factores dentro del sujeto y el estado del modulador como un factor entre sujetos. De principal interés fue la interacción entre el ROI del hipocampo y el estado del modulador, probando si el hipocampo anterior y posterior se relacionaron diferencialmente con

modulación de la recompensa dememoria.

Resultados

conductual resultados

El rendimiento promedio general de recuperación con claves fue 0.48 (Dakota del Sur= 0.19). Un ANOVA de medidas repetidas de 2 (forma visual de la señal de recompensa) × 3 (valor de la señal de recompensa) reveló un efecto marginalmente significativo del valor de la recompensa (F(1.18,27.03) = 3.86, p= 0.054, η2p= 0.14, GG), con una cuadrática significativa (F(1,23) = 9.93, p= 0.004, η2p= 0.30) en lugar de un efecto lineal (F(1,23) = 1.97, p= 0.174). Las comparaciones por pares de seguimiento revelaron que el efecto cuadrático fue impulsado por un mayor recuerdo en las pruebas con dólares (M= 0.53, Dakota del Sur= 0.20; t(23) = 2.41, p= 0.024), e inesperadamente, pruebas de centavo (M= 0.47, Dakota del Sur= 0.22; t(23) = 2.45, p= 0.022) en comparación con las pruebas de diez centavos (M= 0.44, Dakota del Sur= 0.22). La diferencia entre las pruebas de dólar y centavo no alcanzó significación (t(23) = 1.40, p= 0.174). No hubo efecto principal de forma visual (F(1,23) = 0.04, p= 0.840, η2p= 0.002) ni una interacción entre forma y valor (F(2,46) = 1.66, p= 0.202, η2p= 0.07). Por lo tanto, las precisiones se colapsaron en forma visual y se usaron para todos los análisis posteriores. Las tasas de recuperación con claves para cada valor de recompensa y condición de formulario se presentan en la Fig. 3a.

Una muestra de comportamiento separada (n=20) reveló un efecto principal significativo de valor (F(1.23, 27.6) = 14.1, p= 0.001, GG), similarmente descrito como lineal (F(1,19) = 15.5, p= 0.001) o cuadrático (F(1,19) = 10.8, p= 0.004). De manera similar a la muestra de fMRI, la precisión del recuerdo con claves fue mayor para las pruebas de dólar (M= 0.61, Dakota del Sur= 0.19) que para pruebas de diez centavos (M= 0.44, Dakota del Sur= 0.21; t(19) = 3.83, p= 0.001). A diferencia de la muestra de resonancia magnética funcional, la muestra de comportamiento mostró unamemoriaventaja de las pruebas en dólares en comparación con las pruebas en centavos (M= 0.44, Dakota del Sur= 0.19; t(19)=3.94, p=0.001) y sin diferencias entre ensayos de centavos y centavos (t(19)=0.17, p=0.87 ).

Si bien el patrón en forma de U de las precisiones de recuerdo en la muestra de fMRI fue inesperado y no se replicó en la muestra de comportamiento separada, los efectos de recompensa no lineales son plausibles (Elliott, Newman, Longe y Deakin, 2003). Por ejemplo, las pruebas de centavo pueden haber sido percibidas como una pérdida en relación con las pruebas de diez centavos (neutrales), lo que las hace más destacadas para la codificación (Bartra, McGuire y Kable, 2013; Seymour y McClure, 2008; Shigemune, Tsukiura, Kambara y Kawashima, 2014; Tversky y Kahneman, 1981). Debido a que la diferencia entre las pruebas de dólar y centavo no fue significativa y debido a que tanto el centavo como el dólar pueden haber aumentado la prominencia para las personas sensibles a la recompensa, en su lugar utilizamos elmemoriaventaja de un dólar sobre los ensayos de diez centavos (replicados en muestras de comportamiento y fMRI) como una medida de las diferencias individuales enmemoriasensitivity to reward. The raw dollar minus dime difference scores ranged from −0.25 to 0.75 (median of 0.07) and were not significantly correlated with the overall accuracy (Fig. 3b), suggesting that reward modulation of memory affected which events are preferentially remembered rather than providing an overall memory advantage. Because the raw difference scores were skewed by an outlier (>3 SD de la media), utilizamos un orden de rango de estas puntuaciones en todos los análisis posteriores al correlacionarmemoriasensibilidad a la recompensa con medidas de conectividad. Nos referimos al puntaje de diferencia dólar-dime como un puntaje de modulación de recompensa conductual (BRM sin procesar) y la medida de orden de rango utilizada para todos los análisis posteriores como un puntaje de modulación de recompensa conductual (BRM).

Con fines de visualización y análisis, también construimos una medida dicotómica de la modulación de la recompensa dememoriausando una división mediana de puntajes BRM. Este enfoque creó dos grupos de participantes a los que nos referimos como moduladores (sensibles a la recompensa) y no moduladores (insensibles a la recompensa). Realizamos análisis confirmatorios para validar que la división mediana de los participantes produjo agrupaciones sensibles. La Figura 3c muestra la precisión de recuperación con claves por valor, por separado para cada grupo. No hubo efecto del valor de la recompensa en los no moduladores (ANOVA de una víaF(1.15,12.7) = 1.36, p= 0.273, GG), con puntajes BRM brutos (diferencia dólar-dime) no diferentes de cero (M= −0.02, t(11) = −0.98, p= 0.348), confirmando quememoriael rendimiento en este grupo no se vio significativamente afectado por el valor de la recompensa. Por el contrario, los moduladores mostraron un efecto del valor de la recompensa (ANOVA unidireccionalF(1.18,13.01) = 8.69, p= 0.009, η2p= 0.44, GG), con mayor precisión para pruebas de dólares que para pruebas de diez centavos (es decir, puntajes BRM brutos significativos;M= 0.21; t(11) = 3.59, p= 0.004), y una mayor precisión para las pruebas en dólares que para las pruebas en centavos (t(11) = 2.43, p= 0.033). Así, la división mediana generó dos grupos sensibles de participantes que difieren en susmemoriasensibilidad a la recompensa.

ANOVA resultados

solo descanso ANOVA—En primer lugar, abordamos la relación entre la conectividad del descanso y lamemoriasensibilidad a la recompensa en un ANOVA de medidas repetidas con período de descanso (precodificación, poscodificación),memoriaROI (hipocampo, PHC) y recompensa ROI (ACC, mesencéfalo, MPFC, OFC, VS) como factores dentro de los sujetos y el estado del modulador como un factor entre sujetos. Las series de tiempo de descanso no se filtraron en paso bajo para este análisis, ya que dicho paso de preprocesamiento normalmente no se aplica durante los análisis de series de tiempo de descanso, ya que puede eliminar fluctuaciones significativas de alta frecuencia. Todas las conexiones se representan en la Fig. 4a, y los resultados completos de ANOVA se informan en la Tabla 1.

El estado del modulador fue marginalmente significativo (p= 0.051), con moduladores (M= 0.36, Dakota del Sur= 0.10), demostrando una conectividad de red de recompensa hipocampo/PHC numéricamente mayor que los no moduladores (M= 0.29, Dakota del Sur= 0.06). El estado del modulador interactuó significativamente con la estructura de recompensas. Esta interacción fue impulsada por una mayor conectividad hipocampo/PHC con ACC, OFC y VS en moduladores que en no moduladores (todost>2.15, todop< 0.045),="" with="" no="" effect="" ofmodulator="" status="" in="" hippocampus/phc-midbrain="" and="" hippocampus/phc-mpfc="" connectivity="" (both="">t< 1.4,="">p>0.18). Cuando recompensa la modulación dememoriase trató como una medida continua usando ANCOVA, los resultados fueron similares pero más débiles. El principal efecto de BRM (r(22) = 0.35; F(1,22) = 3.12, p= 0.091, η2P= 0.12) siguió siendo marginalmente significativo, pero la interacción entre la estructura de recompensas y BRM no (F(2.83,62.22) = 1.99, p= 0.128, GG).

El ANOVA también reveló un efecto principal del período de descanso, con un aumento de la conectividad desde la precodificación (M= 0.30, Dakota del Sur= 0.10) al escaneo de reposo posterior a la codificación (M= 0.36, Dakota del Sur= 0.11). El período de descanso no interactuó con el estado del modulador (p>0.6) o BRM en el ANCOVA (p>0.3), lo que indica que aunque la conectividad general aumentó desde la codificación previa a la codificación posterior, su relación con el comportamiento no cambió significativamente.