بخش 2: اتصال عملکردی بین مراکز حافظه و پاداش در سراسر وظیفه و مسیر استراحت حساسیت حافظه به پاداش

برای اطلاعات بیشتر:ali.ma@wecistanche.com

لطفا برای قسمت 1 اینجا را کلیک کنید

لطفا برای قسمت 3 اینجا را کلیک کنید

تحلیل و بررسی از واریانس رویکرد

برای آزمایش اینکه آیا الگوهای اتصال مربوط بهحافظهحساسیت به پاداش و اینکه آیا این رابطه در سراسر مراحل کار پایدار است، مقادیر اتصال به دو ANOVA با اندازه‌گیری مکرر ارسال شد. اولین ANOVA فقط شامل داده های استراحت (پیش رمزگذاری، پس کدگذاری)، شبیه به کار قبلی در مورد اتصال حالت استراحت (گروبر و همکاران، 2016) بود. دومین ANOVA شامل هر سه مرحله وظیفه (استراحت پیش از رمزگذاری، کار رمزگذاری، استراحت پس از رمزگذاری)، با سری های زمانی استراحت فیلتر شده پایین گذر برای مقایسه با سری های زمانی وظیفه بود. علاوه بر مرحله کار به عنوان یک عامل درون موضوعی، هر دو ANOVA نیز شامل می‌شوندحافظهساختار (هیپوکامپ، PHC) و ساختار پاداش (ACC، مغز میانی، MPFC، OFC، VS) به عنوان عوامل درون آزمودنی و وضعیت تعدیل کننده (مدولاتور، غیر تعدیل کننده) به عنوان یک عامل بین آزمودنی ها.

کلیک کنید تاCistanche NZ برای حافظه

اثرات زیر به سؤالات مورد علاقه ما مرتبط بود: (1) تأثیر اصلی و تعاملات وضعیت تعدیل کننده، آزمایش اینکه آیا الگوهای اتصال به تفاوت های فردی مرتبط هستند یا خیرحافظهحساسیت به پاداش؛ (2) تأثیر اصلی و تعاملات عامل مرحله وظیفه، آزمایش این ایده که الگوهای اتصال ممکن است در سراسر کار و استراحت نسبتاً پایدار باشند و همچنین تفاوت‌های فردی را درحافظهحساسیت به پاداش؛ (3) فعل و انفعالات عامل منطقه پاداش با وضعیت تعدیل کننده، آزمایش اینکه آیا همه مناطق پاداش به طور مشابه یا متفاوت کمک می کنند. قابل توجه، اثر اصلی منطقه پاداش و اثر اصلیحافظهمنطقه مورد توجه نبود زیرا ارزش کلی اتصال عملکردی ممکن است به فاصله فیزیکی بین مناطق و اندازه یک منطقه بستگی داشته باشد و ممکن است به راحتی قابل تفسیر نباشد (هانی و همکاران، 2009؛ سالوادور و همکاران، 2005). هنگامی که یک تعامل پیدا شد، ما تحقیقاتی را در مورد منبع تعامل دنبال کردیم. در حالی که گزارش بر اثرات مورد علاقه تمرکز دارد، نتایج ANOVA کامل در جداول گزارش شده است. تصحیحات گایزر گلخانه ای در صورت لزوم استفاده شد که در جداول به عنوان "GG" گزارش شده است. برای تأیید اینکه یافته‌های ما بر اساس درمان نبوده استحافظهحساسیت به پاداش به عنوان یک متغیر باینری، ما اثرات قابل توجه علاقه از هر دو ANOVA را با استفاده از ANCOVA، با اندازه گیری پیوسته مدولاسیون پاداش رفتاری به عنوان یک متغیر کمکی، دوباره آزمایش کردیم.

عملکردی روابط در میان اتصالات

مشاهده اثرات تعدیل کننده قابل مقایسه یا افتراقی در بین ROIهای پاداش چندگانه در ANOVAها یک نشانه برای مشارکت منحصر به فرد یا یکنواخت مناطق پاداش در تعدیل پاداش ارائه می دهد.حافظه. برای آزمایش مستقیم‌تر اینکه آیا مناطق پاداش بخشی از یک شبکه عملکردی هستند، ساختار همبستگی متقابل آنها را نیز بررسی کردیم. ما دو تجزیه و تحلیل جزء اصلی را انجام دادیم: یکی بر روی مقادیر اتصال فقط استراحت (بدون فیلتر پایین گذر برای حفظ اطلاعات در مورد نوسانات فرکانس بالا)، و دیگری که شامل تمام مقادیر اتصال در سراسر کار و استراحت (با استفاده از زمان فیلتر پایین گذر است) سری برای کار قابل مقایسه و پیش پردازش بقیه). هنگامی که مولفه ها حداقل 10 درصد از واریانس را توضیح دادند، برای تجزیه و تحلیل بیشتر در نظر گرفته شدند. برای هر مؤلفه در نظر گرفته شده، احتمال به دست آوردن چنین مؤلفه ای را به طور تصادفی با استفاده از مقایسه با توزیع صفر مؤلفه ها آزمایش کردیم. برای به دست آوردن توزیع صفر، ما 10 تجزیه و تحلیل مولفه اصلی را بر روی داده‌های به‌دست‌آمده از به‌هم زدن تصادفی مقادیر اتصال بین شرکت‌کنندگان، به‌طور جداگانه برای هر اتصال، انجام دادیم. درصد واریانس توضیح داده شده توسط هر مؤلفه (اولین آموزنده ترین، دومین آموزنده ترین، و غیره) سپس با درصد توزیع صفر توضیح داده شد. نتایج مشابهی با آزمایش مقادیر ویژه به دست می آید.

بارگذاری روی هر مؤلفه برای پنج ROI پاداش با استفاده از ANOVA یک طرفه مقایسه شد و سپس نمرات مؤلفه با مدولاسیون پاداش رفتاری با استفاده از رگرسیون چندگانه مرتبط شد. استفاده از کاهش ابعاد قبل از رگرسیون چندگانه به ما این امکان را می‌دهد تا بررسی کنیم که چگونه مؤلفه‌های اساسی، یا شبکه‌های بالقوه مناطق، به رابطه اتصال-رفتار کمک می‌کنند، در حالی که همخطی بین مقادیر اتصال را در نظر می‌گیریم و تعداد پیش‌بینی‌کننده‌های در نظر گرفته شده را به شیوه‌ای مبتنی بر داده محدود می‌کنیم. .

قابلیت اتصال الگو طبقه بندی

در حالی که آزمون‌های استنباط سنتی، مانند تحلیل واریانس، این احتمال را آزمایش می‌کنند که تفاوت‌های مشاهده شده بین گروه‌ها تنها به‌صورت تصادفی به وجود آمده است، رویکردهای طبقه‌بندی یادگیری ماشین به ما اجازه می‌دهند تا به طور مستقیم‌تری کمیت کنیم که شرکت‌کنندگان تا چه حد می‌توانند بر اساس الگوی اتصالشان از یکدیگر متمایز شوند. ما از طبقه‌بندی بردار پشتیبان (SVC) برای آزمایش میزان طبقه‌بندی شرکت‌کنندگان به عنوان تعدیل‌کننده یا غیر تعدیل‌کننده بر اساس الگوی اتصال آن‌ها در ده اتصال ROI استفاده کردیم (2).حافظهROI × 5 ROI پاداش).

SVC با استفاده از بسته تحلیل آماری "e1071" (Meyer, Dimitriadou, Hornik, Weingessel, & Leisch, 2017) پیاده سازی شد و به طور جداگانه در هر مرحله کار انجام شد. پارامترهای پیش‌فرض برای طبقه‌بندی nu (C=1، ε= 0.1،=0.1، بدون تنظیم) با هسته تابع پایه شعاعی استفاده شد. ما از یک رویکرد اعتبارسنجی متقابل ترک یک موضوع استفاده کردیم، مدل را روی N{12}} موضوع آموزش دادیم و سپس از طبقه‌بندی‌کننده آموزش‌دیده برای پیش‌بینی وضعیت تعدیل‌کننده موضوع پنهان‌شده استفاده کردیم. این فرآیند تکرار شد زیرا هر موضوع به نوبه خود از مجموعه آموزشی خودداری شد و برای آزمایش مدل استفاده شد. دقت مدل به عنوان درصد طبقه بندی صحیح ثبت شد. برای آزمون معناداری از آزمون جایگشت استفاده شد. ما 5،{14}} شبیه‌سازی را انجام دادیم که هر بار به‌طور تصادفی برچسب‌های وضعیت تعدیل‌کننده را در بین شرکت‌کنندگان به هم می‌زدیم و سپس همان دقت طبقه‌بندی تأییدشده ترک یک موضوع را مانند داده‌های واقعی محاسبه می‌کردیم. دقت طبقه‌بندی‌کننده واقعی با توزیع دقت‌های طبقه‌بندی شبیه‌سازی‌شده مقایسه شد تا احتمال به دست آوردن چنین دقتی به تنهایی به دست آید. دقتی که با احتمال کمتر ازp= 0.017 قابل توجه در نظر گرفته شد که منعکس کننده اصلاح بونفرونی در سه مرحله کار برای آلفای کلی=0.05 است.

برای تأیید اینکه نتایج توسط رویکرد تقسیم میانه هدایت نمی‌شوند، از رگرسیون بردار پشتیبان (SVR) برای پیش‌بینی معیارهای مستمر مدولاسیون پاداش رفتاری (نمره BRM) برای هر شرکت‌کننده از اتصال اندازه‌گیری شده در هر مرحله کار استفاده شد. همان بسته آماری، پارامترهای پیش‌فرض و اعتبارسنجی متقابل ترک یک موضوع

این رویکرد برای SVR همانطور که برای SVC استفاده شد استفاده شد. سپس مقادیر BRM پیش‌بینی‌شده برای هر آزمودنی با مقادیر BRM مشاهده‌شده مرتبط شد تا ارزیابی شود که آیا فرد

تفاوت در الگوهای اتصال حاوی اطلاعاتی در مورد تفاوت های فردی در مدولاسیون پاداش رفتاری استحافظه. ما از اصلاحات بونفرونی برای سه همبستگی (آلفا=0.05/{2}}.017) استفاده کردیم.

مکمل اتصال تجزیه و تحلیل می کند

علاوه بر سؤالات اصلی مورد علاقه، مطالعه حاضر داده های مناسبی برای پاسخگویی به سؤالات مطالعات قبلی در مورد تعدیل پاداش ارائه می دهدحافظه. ما دو مجموعه از تحلیل‌های اکتشافی را انجام دادیم که تمرکز بر اتصال را حفظ می‌کنند و ممکن است برای خوانندگان آموزنده باشند، حتی اگر مستقیماً به اهداف اصلی مطالعه نپردازند.

همبستگی ها بین اتصال تغییر می کند و رفتار - اخلاق-ANOVA، PCA،

و رویکردهای یادگیری ماشینی برای آزمایش نقش مجموعه گسترده ای از مناطق پاداش و فرضیه اثر انگشت اتصال، به ویژه برای مجموعه بزرگتر اتصالات مرتبط که در اینجا در نظر گرفته شده است، مناسب هستند. در مقابل، مطالعات قبلی در مورد تعدیل پاداش ازحافظهمعمولاً بر روی اتصالات منفرد و تأثیرات مرتبط با یادگیری تمرکز کرده‌اند، و همبستگی‌های مرتبه اول مربوط به افزایش اتصال کدگذاری پیش به پست را گزارش می‌دهند. در حالی که نقش نامتناسب استراحت پس از رمزگذاری را می توان توسط یک تعدیل کننده قابل توجه با تعامل مرحله کار در ANOVA نشان داد، ما همچنین می خواستیم داده هایی را به طور مستقیم با مطالعات قبلی مقایسه کنیم. بنابراین ما تغییرات اتصال از قبل به پست را برای هر اتصال محاسبه کرده و آنها را با BRM مرتبط کردیم. از آنجا که افزایش در دسترس بودن دوپامین در لوب گیجگاهی داخلی ممکن است رمزگذاری را به طور کلی افزایش دهد (دانکن و همکاران، 2014؛ لیزمن و همکاران، 2011)، ما همچنین مقادیر اتصال را با نرخ های فراخوان کلی برای هر شرکت کننده مرتبط کردیم.

قدامی و خلفی تفاوت در داخلراهیپوکامپ -کارهای قبلی نشان می دهد

تفاوت‌های عملکردی بین بخش‌های قدامی و خلفی هیپوکامپ وجود دارد (برونک و همکاران، 2018؛ مک‌کنزی و همکاران، 2014؛ پاپنک، اونسموئن، موسکویچ، و نادل، 2013). با این حال، در زمینه یادگیری با انگیزه پاداش، شواهدی برای مشارکت های متفاوت هیپوکامپ قدامی و خلفی وجود ندارد یا متناقض است (Murty et al., 2017; Wolosin et al., 2013). ما تحلیل‌های اکتشافی الگوهای اتصال هیپوکامپ قدامی/خلفی را انجام داده‌ایم تا آزمایش کنیم که آیا الگوهای اتصال یا تغییرات اتصال آنها به طور متفاوتی با رفتار در الگوی ما مرتبط هستند.

برش میانی ROI هیپوکامپ هر شرکت کننده به عنوان مرزی برای تقسیمات قدامی و خلفی استفاده شد. برای شرکت‌کنندگانی که تعداد برش‌های فرد در ROI هیپوکامپ خود داشتند، برش میانی به قسمت خلفی اختصاص داده شد. سپس از ROI برای استخراج سری های زمانی در طول هر استراحت و اسکن وظیفه استفاده شد. اتصال بین هیپوکامپ قدامی و خلفی با هر ناحیه پاداش با استفاده از روش های ذکر شده در بالا اندازه گیری شد. تفاوت های عملکردی بین هیپوکامپ قدامی و خلفی با استفاده از ANOVA با اندازه گیری های مکرر با ROI هیپوکامپ (قدامی، خلفی) × مرحله وظیفه (پیش رمزگذاری، رمزگذاری، پس از رمزگذاری) × ROI پاداش (ACC، مغز میانی، MPFC، OFC، VS) آزمایش شد. به عنوان عوامل درون موضوعی و وضعیت تعدیل کننده به عنوان یک عامل بین آزمودنی ها. مورد علاقه اصلی، تعامل بین ROI هیپوکامپ و وضعیت تعدیل کننده بود، آزمایش اینکه آیا هیپوکامپ قدامی و خلفی به طور متفاوتی مرتبط هستند.

مدولاسیون پاداش ازحافظه.

نتایج

رفتاری نتایج

میانگین کلی عملکرد یادآوری نشانه ای 0.48 (SD= 0.19). یک 2 (شکل بصری نشانه پاداش) × 3 (مقدار نشانه پاداش) اندازه گیری های مکرر ANOVA یک اثر حاشیه ای معنی دار ارزش پاداش را نشان داد (F(1.18,27.03) = 3.86, p= 0.054, η2p= 0.14، GG)، با درجه دوم قابل توجه (F(1,23) = 9.93, p= 0.004, η2p= 0.30) به جای یک اثر خطی (F(1,23) = 1.97, p= 0.174). مقایسه‌های زوجی پیگیری نشان داد که اثر درجه دوم ناشی از یادآوری بیشتر در آزمایش‌های دلاری است.M= 0.53, SD= 0.20; t(23) = 2.41, p= 0.024)، و به طور غیرمنتظره، آزمایشات پنی (M= 0.47, SD= 0.22; t(23) = 2.45, p= 0.022) در مقایسه با آزمایش‌های سکه (M= 0.44, SD= 0.22). تفاوت بین آزمایش‌های دلار و پنی معنی‌دار نشد (t(23) = 1.40, p= 0.174). هیچ اثر اصلی فرم بصری وجود نداشت (F(1,23) = 0.04, p= 0.840, η2p= 0.002) و نه تعامل بین شکل و مقدار (F(2,46) = 1.66, p= 0.202, η2p= 0.07). بنابراین، دقت در فرم بصری کاهش یافت و برای تمام تحلیل‌های بعدی استفاده شد. نرخ های فراخوانی برای هر مقدار پاداش و شرایط شکل در شکل 3a ارائه شده است.

یک نمونه رفتاری جداگانه (n=20) یک اثر اصلی مهم ارزش را نشان داد (F(1.23, 27.6) = 14.1, p= 0.001، GG)، که در مقایسه با خطی توصیف شده است (F(1,19) = 15.5, p= 0.001) یا درجه دوم (F(1,19) = 10.8, p= 0.004). مشابه نمونه fMRI، دقت یادآوری نشانه‌ای برای آزمایش‌های دلاری بیشتر بود (M= 0.61, SD= 0.19) نسبت به آزمایشات سکه ای (M= 0.44, SD= 0.21; t(19) = 3.83, p= 0.001). بر خلاف نمونه fMRI، نمونه رفتاری نشان دادحافظهمزیت آزمایش های دلاری در مقایسه با آزمایش های پنی (M= 0.44, SD= 0.19; t(19)=3.94, p=0.001) و هیچ تفاوتی بین آزمایشات پنی و سکه وجود ندارد (t(19)=0.17, p=0.87 ).

در حالی که الگوی U شکل دقت یادآوری در نمونه fMRI غیرمنتظره بود و در نمونه رفتاری جداگانه تکرار نشد، اثرات پاداش غیرخطی قابل قبول است (الیوت، نیومن، لانگ، و دیکین، 2003). به عنوان مثال، آزمایش‌های پنی ممکن است به عنوان ضرر نسبت به آزمایش‌های سکه (خنثی) تلقی شده باشد، که آنها را برای رمزگذاری برجسته‌تر می‌کند (بارترا، مک گوایر، و کیبل، 2013؛ سیمور و مک کلور، 2008؛ شیگمون، تسوکیورا، کامبارا، و کاواشیما، 2014؛ تورسکی و کانمن، 1981). از آنجایی که تفاوت بین آزمایش‌های دلار و پنی قابل توجه نبود و از آنجایی که هم پنی و هم دلار ممکن است برجستگی افراد حساس به پاداش را افزایش دهند، ما در عوض ازحافظهمزیت یک دلار نسبت به آزمایش‌های سکه (که در نمونه‌های رفتاری و fMRI تکرار می‌شود) به عنوان معیاری برای تفاوت‌های فردی درحافظهsensitivity 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 از میانگین)، ما از ترتیب رتبه ای از این نمرات در تمام تحلیل های بعدی هنگام همبستگی استفاده کردیم.حافظهحساسیت به پاداش با معیارهای اتصال. ما به امتیاز تفاوت دلار-دیم به عنوان امتیاز مدولاسیون پاداش رفتاری خام (BRM) و معیار رتبه رتبه ای که برای همه تحلیل های بعدی به عنوان امتیاز مدولاسیون پاداش رفتاری (BRM) استفاده می شود، اشاره می کنیم.

برای اهداف تجسم و تجزیه و تحلیل، ما همچنین یک اندازه گیری دوگانه از مدولاسیون پاداش ایجاد کردیمحافظهبا استفاده از تقسیم میانگین نمرات BRM. این رویکرد دو گروه از شرکت کنندگان را ایجاد کرد که ما از آنها به عنوان تعدیل کننده (حساس به پاداش) و غیر تعدیل کننده (غیر حساس به پاداش) یاد می کنیم. ما تجزیه و تحلیل‌های تاییدی را انجام دادیم تا تأیید کنیم که تقسیم متوسط ​​شرکت‌کنندگان گروه‌بندی معقولی را به همراه داشت. شکل 3c دقت یادآوری نشانه‌ای را در هر مقدار، به‌طور جداگانه برای هر گروه نشان می‌دهد. هیچ اثری از ارزش پاداش در غیر تعدیل کننده ها (ANOVA یک طرفه) وجود نداشتF(1.15,12.7) = 1.36, p= 0.273، GG)، با امتیازات خام BRM (تفاوت دلار-دیم) با صفر تفاوتی ندارد (M= −0.02, t(11) = −0.98, p= 0.348)، تأیید می کندحافظهعملکرد در این گروه به طور قابل توجهی تحت تأثیر ارزش پاداش قرار نگرفت. در مقابل، تعدیل‌کننده‌ها اثر ارزش پاداش (ANOVA یک طرفه) را نشان دادندF(1.18,13.01) = 8.69, p= 0.009, η2p= 0.44، GG)، با دقت بیشتری برای آزمایش‌های دلاری نسبت به آزمایش‌های سکه (یعنی امتیازات خام BRM قابل توجه.M= 0.21; t(11) = 3.59, p= 0.004)، و دقت بیشتر برای آزمایش‌های دلاری نسبت به آزمایش‌های پنی (t(11) = 2.43, p= 0.033). بنابراین، تقسیم میانه دو گروه معقول از شرکت کنندگان را ایجاد کرد که در آنها متفاوت استحافظهحساسیت به پاداش

ANOVA نتایج

فقط برای استراحت ANOVA-ما ابتدا به رابطه بین اتصال استراحت وحافظهحساسیت به پاداش در یک ANOVA با اندازه گیری های مکرر با دوره استراحت (پیش رمزگذاری، پس از رمزگذاری)،حافظهROI (هیپوکامپ، PHC) و ROI پاداش (ACC، مغز میانی، MPFC، OFC، VS) به عنوان عوامل درون آزمودنی و وضعیت تعدیل کننده به عنوان یک عامل بین آزمودنی ها. سری‌های زمانی استراحت برای این تحلیل فیلتر پایین‌گذر نبودند، زیرا چنین مرحله پیش‌پردازشی معمولاً در طول تجزیه و تحلیل سری‌های زمانی استراحت اعمال نمی‌شود زیرا ممکن است نوسانات با فرکانس بالا معنی‌دار را حذف کند. تمام اتصالات در شکل 4a نشان داده شده است و نتایج ANOVA کامل در جدول 1 گزارش شده است.

وضعیت تعدیل کننده تا حدی معنی دار بود (p= 0.051)، با تعدیل کننده (M= 0.36, SD(M= 0.29, SD= 0.06). وضعیت تعدیل کننده به طور قابل توجهی با ساختار پاداش تعامل داشت. این تعامل به دلیل اتصال بیشتر هیپوکامپ/PHC با ACC، OFC و VS در تعدیل‌کننده‌ها نسبت به غیر تعدیل‌کننده‌ها (همهt>2.15، همهp< 0.045),="" with="" no="" effect="" ofmodulator="" status="" in="" hippocampus/phc-midbrain="" and="" hippocampus/phc-mpfc="" connectivity="" (both="">t< 1.4,="">p>0.18). هنگامی که مدولاسیون پاداش ازحافظهبه عنوان یک اندازه گیری مداوم با استفاده از ANCOVA در نظر گرفته شد، نتایج مشابه اما ضعیف تر بود. اثر اصلی BRM (r(22) = 0.35; F(1,22) = 3.12, p= 0.091, η2P= 0.12) تا حدی قابل توجه باقی ماند، اما تعامل بین ساختار پاداش و BRM وجود نداشت (F(2.83,62.22) = 1.99, p= 0.128، GG).

ANOVA علاوه بر این، اثر اصلی دوره استراحت را با افزایش اتصال از پیش رمزگذاری نشان داد (M= 0.30, SD= 0.10) به اسکن استراحت پس از رمزگذاری (M= 0.36, SD= 0.11). دوره استراحت با وضعیت مدولاتور ارتباطی نداشت (p>0.6) یا BRM در ANCOVA (p>0.3)، نشان می‌دهد که اگرچه اتصال کلی از پیش رمزگذاری به پسارکدگذاری افزایش یافته است، اما رابطه آن با رفتار تغییر قابل توجهی نداشته است.