Enquête sur les associations entre l'actualisation des retards et la structure cérébrale, la mémoire de travail et la mémoire épisodique, partie 2

Relation entre les prédicteurs structurels et DD

Nous avons testé les associations entre les variables d'intérêt (volumes sous-corticaux, composants de matière grise et de matière blanche, EM, WM) et DD avec des modèles linéaires et des tests de permutation non paramétriques tels qu'implémentés dans la version 1.11 du logiciel PALM de FSL (Winkler et al. 2014 ; Winkler, Webster, et al. 2016b) fonctionnant sur MATLABR2017b.

Ces dernières années, avec l'amélioration du niveau de vie des gens et le vieillissement, les problèmes de mémoire ont attiré de plus en plus d'attention. Cependant, certaines personnes ont exercé activement leur cerveau mais sont toujours perturbées par des problèmes de mémoire. À l’heure actuelle, nous pouvons envisager d’utiliser des arrangements non paramétriques pour améliorer la mémoire.

Alors, qu’est-ce qu’une permutation non paramétrique ? L'arrangement non paramétrique est une méthode statistique qui organise un ensemble de données selon certaines règles sans comparaison numérique. Par rapport à la permutation paramétrique, la permutation non paramétrique a une gamme d'applications plus large et ne fait pas trop d'hypothèses sur la distribution et la discrétion des données.

Et comment utiliser l’arrangement non paramétrique pour améliorer la mémoire ? Tout d'abord, nous savons que le cerveau humain peut analyser, mémoriser et rappeler diverses informations telles que des images, de l'audio, du texte, etc., nous pouvons donc utiliser des arrangements non paramétriques pour améliorer les capacités de traitement et de mémoire de différentes informations de notre cerveau.

Grâce à certains exercices, tels que la pratique de la mémoire et du rappel de couleurs, de chiffres, de mots et d'autres informations, puis l'agencement non paramétrique de différentes informations, une structure plus régulière se forme dans le cerveau, améliorant ainsi la capacité de mémoire du cerveau.

De plus, des permutations non paramétriques peuvent être utilisées pour améliorer la flexibilité mentale et réduire l’anxiété et le stress, entre autres problèmes. En exerçant le cerveau, celui-ci peut travailler de manière plus flexible et plus saine, réduisant ainsi la dépression, l'anxiété et d'autres émotions négatives inutiles, et faisant face à la vie et au travail de manière plus positive.

En bref, l’arrangement non paramétrique constitue une méthode réalisable et efficace pour améliorer la mémoire cérébrale et la flexibilité de la pensée. Grâce à des exercices et à une pratique continus, la mémoire et les capacités de traitement du cerveau peuvent être améliorées efficacement, nous aidant ainsi à affronter la vie et à travailler de manière plus saine et positive. On voit que nous devons améliorer notre mémoire. Cistanche deserticola peut améliorer considérablement la mémoire, car Cistanche deserticola peut également réguler l'équilibre des neurotransmetteurs, comme en augmentant les niveaux d'acétylcholine et de facteurs de croissance. Ces substances sont très importantes pour la mémoire et l'apprentissage. En outre, la viande peut également améliorer la circulation sanguine et favoriser l'apport d'oxygène, ce qui peut garantir que le cerveau reçoive suffisamment de nutriments et d'énergie, améliorant ainsi sa vitalité et son endurance.

Cliquez sur connaître les moyens d'améliorer la fonction cérébrale

Nous avons utilisé 10 000 permutations, modélisant la queue de la distribution de permutation des valeurs P avec une distribution de Pareto (Winkler, Ridgway et al. 2016a) et un contrôle du taux d'erreur par famille (FWER) pour plusieurs tests utilisant la distribution de la statistique maximale (Westfalland Young 1993). L'ensemble de données HCP contient des sujets qui ont été échantillonnés avec leurs frères et sœurs (principalement leurs jumeaux), ce qui signifie que les mesures ne peuvent pas être considérées comme indépendantes.

Pour tester les associations entre les variables d'intérêt tout en tenant compte de la structure familiale dans l'ensemble de données, nous avons utilisé des tests de permutation de blocs à plusieurs niveaux (Winkler et al. 2015). Ces associations ont été corrigées pour les termes linéaires et quadratiques, le sexe, l'éducation, le revenu et le score composite des fonctions cognitives de la NIH Toolbox ("CogTotalComp_Unadj"), une mesure de l'intelligence générale. Nous avons rapporté des valeurs P 2-queues pour les associations testées.

Analyses par sommets et voxels

À titre de comparaison, nous avons également effectué des analyses univariées distinctes au niveau du sommet (épaisseur corticale, surface) et au niveau du voxel (GMV, FA, MD) pour tester les associations avec DD. Ces analyses ont été effectuées à l'aide de tests de permutation non paramétriques tels qu'implémentés dans le logiciel PALM de FSL, avec 2,000 permutations et une amélioration de cluster sans seuil (Smith et Nichols 2009). Comme dans les analyses précédentes, nous avons modélisé la queue de la distribution de permutation des valeurs P avec une distribution de Pareto, appliqué le contrôle FWER pour plusieurs tests en utilisant la distribution de la statistique maximale et pris en compte la structure familiale avec des tests de permutation de blocs à plusieurs niveaux. Comme ci-dessus, ces analyses ont été contrôlées pour les termes linéaires et quadratiques, le sexe, l'éducation, le revenu et l'intelligence générale.

Résultats

Nous avons exclu les sujets ayant des réponses incomplètes aux tâches DD (3), qui ont choisi soit des réponses toujours immédiates, soit des réponses différées (9), ou pour lesquels la probabilité a posteriori que la statistique pseudo-R2 (Camerer et Ho 1999) soit supérieure à zéro était inférieure à {{5} },95, c'est-à-dire les sujets pour lesquels le modèle a mieux ajusté les réponses qu'un modèle aléatoire (166). Ces critères ont conduit à l'exclusion de 178 sujets de l'échantillon HCP. Le tableau 1 présente des informations démographiques sur les échantillons et le nombre d'observations valides pour les différentes tâches cognitives et modalités d'imagerie qui ont été analysées à propos de DD. La valeur subjective des récompenses était en moyenne de 79 % de leur valeur nominale au bout d'un mois et de 23 % au bout d'un an. Les différences entre les sexes en DD n'étaient pas significatives (homme (n=473) > femme (n=545) : t=0,27, P=0,80).

Relation entre DD et matière grise

Après correction des termes d'âge linéaires et quadratiques, du sexe et du volume intracrânien total, le taux d'actualisation n'était pas associé au volume cortical total ou au volume de l'une des structures sous-corticales étudiées. Le tableau 2 présente les statistiques de ces associations.

Les cartes d'épaisseur corticale, de surface et de GMV ont été décomposées conjointement avec l'ICA liée en 5 0 composants, chacun d'eux définissant une carte spatiale reflétant les régions où la structure de la matière grise variait fortement entre les participants et les scores individuels indiquant l'ampleur de la contribution du composant. . Les scores de l'un des composants de la matière grise étaient significativement associés négativement à DD (Fig. 2A, r =−0,172, Pcorr < 1e−4, corrigé pour les 50 composants testés, n=946).

Sur les 3 modalités de matière grise, cette composante pesait le plus lourdement (62 %) sur le GMV (Fig. 2B), et ses charges les plus importantes se situaient dans le pôle temporal et le précuneus (Fig. 2C et D). Parce que l'ICA souffre d'une indétermination des signes, les scores d'un composant doivent être interprétés en fonction de ses charges (dont la distribution anatomique est représentée par la carte spatiale correspondante), c'est-à-dire qu'une association négative avec les scores d'un composant reflète une corrélation (partielle) négative avec les mesures de la structure de la matière grise. dans les zones où les valeurs de ses chargements sont positives. Ces associations ont été corrigées en fonction des termes d'âge linéaires et quadratiques, du sexe, de l'éducation et du revenu.

Lors de la décomposition des données en 100 composants, de la même manière, un seul composant était associé de manière significative à DD, montrant un modèle très similaire à celui récupéré avec la décomposition des composants 50- (Fig. 2E – G, r {{3 }} −0,158,Pcorr=5e−4, corrigé des 100 composants testés,n=946). L'analyse univariée par voxel a également révélé une association significative négative entre GMV et DD dans les régions temporelles bilatérales de la matière grise après contrôle des termes d'âge linéaires et quadratiques, du sexe, de l'éducation et du revenu (Fig. 2 supplémentaire).

Ces régions correspondaient étroitement au modèle spatial du composant de matière grise identifié (Fig. 2C et G). Il n'y avait aucune région corticale dans laquelle l'association entre DD et l'épaisseur ou la surface corticale était significative après correction FWER pour plusieurs tests dans l'analyse par sommet basée sur la surface pour ces mesures.

Pour garantir que l'association avec les scores de matière grise était spécifique à DD et ne reflétait pas simplement la fonction cognitive générale, nous avons répété ces analyses en ajoutant une mesure de l'intelligence générale à l'ensemble des covariables sans intérêt. Le même composant était toujours le seul qui était significativement associé à DD ({{0}}décomposition des composants : r=−0.145, Pcorr=0.001 ; { {6}}décomposition des composants : r=−0,138, Pcorr=0,123), et le résultat de l'analyse univariée par voxel est resté en grande partie inchangé (Fig. 2 supplémentaire).

Relation entre DD et substance blanche

Nous avons décomposé les données FA et MD conjointement en 50 composants. Aucune des composantes n'était associée au taux d'actualisation après contrôle de plusieurs tests et covariations pour les termes d'âge linéaires et quadratiques, le sexe, l'éducation et le revenu. L'utilisation de 100 composants ou le contrôle supplémentaire de l'intelligence générale ont donné des résultats similaires. De manière correspondante, il n'y avait aucune région où l'association entre DD et FA ou MD était significative après correction FWER pour plusieurs tests dans l'analyse voxel.

Discussion

Après avoir examiné les données comportementales et de neuroimagerie d'un large échantillon d'adultes en bonne santé, nos résultats montrent qu'une plus grande DD était prédite par un GMV temporal antérieur plus petit. La taille de l'échantillon de données HCP, plus grande que celle de la plupart des études précédentes reliant la DD et la structure cérébrale, nous a donné le pouvoir de capturer de manière fiable des effets de petite ampleur. Cependant, contrairement aux rapports précédents, nous n'avons trouvé aucune preuve d'une association fiable entre le DD et le volume cortical, les volumes sous-corticaux, l'organisation microstructurale de la substance blanche et les scores dans les tâches WM ou EM.

Une plus grande remise était associée à des GMV plus petits dans les régions temporales antérieures. Ce résultat était robuste à la modification du nombre de composants ICA liés et au contrôle d'une mesure de l'intelligence générale. Owenset et al. (2017) ont analysé le volume cortical à partir d'analyses pondérées T1- dans l'ensemble de données HCP et ont signalé des associations entre le volume cortical et le DD dans les régions temporelles correspondant aux zones de la composante de matière grise identifiées par notre analyse.

L'association avec la matière grise antérotemporale est attendue (car nous avons utilisé le même ensemble de données), mais notre étude étend la précédente en examinant également l'épaisseur et la surface corticales et le GMV pour les régions sous-corticales, ainsi que les mesures de la structure de la matière blanche. Au-delà du fait que nous avons inclus un ensemble plus approfondi de mesures structurelles, nous avons respecté la structure familiale des données dans le calcul des associations entre les mesures de la structure cérébrale et la DD afin d'éviter les estimations biaisées qui peuvent résulter d'une hypothèse erronée d'indépendance des observations (Winkleret al. 2015).

Nous avons également effectué une sélection plus stricte de sujets, excluant ceux qui performaient sur chance, et décomposé les données en réseaux de covariance structurelle (Pehlivanova et al. 2018), une méthode qui offre une plus grande sensibilité pour détecter les associations avec DD en faisant la moyenne ensemble (dans un cadre pondéré). manière) les valeurs des images structurelles dans les régions du cerveau et en combinant plusieurs modalités pour produire des estimations plus robustes. En effet, un avantage important de l'utilisation de l'ICA pour décomposer les données d'imagerie dans des réseaux de covariance par rapport à une approche voxel pour l'analyse des données structurelles est qu'elle produit des scores qui devraient être moins bruités que les valeurs basées sur les voxels, car ils sont obtenus sous forme de moyenne pondérée du signal dans tous les voxels du cerveau, mettant en œuvre une réduction de dimensionnalité qui peut diminuer le risque d'erreurs de type II, bien qu'au détriment d'une délimitation anatomique vague.

délimitation anatomique. Contrairement à l’étude d’Owens et al. (2017), dans notre analyse, la relation entre le volume cortical et le DD n'a pas atteint une signification significative. Cette divergence est probablement le produit de nos choix d'analyse plus stricts (suppression des sujets répondant au hasard, tests non paramétriques prenant en compte la structure de la famille des données, contrôle plus strict des confusions) et indique que l'association précédemment rapportée entre le volume cortical et le DD correspond peut-être à une fausse plutôt qu'à une erreur. une découverte solide. Il semble plausible qu'une association de DD avec une mesure du volume cortical global soit médiatisée par des variables qui reflètent des aspects plus généraux de la cognition que DD.

Malgré la grande taille de l'échantillon de l'ensemble de données HCP, nous n'avons trouvé aucune preuve d'une association significative entre la structure de la substance blanche et la DD. Des études antérieures montrant des reconstructions tractographiques dans des échantillons plus petits ont signalé des associations négatives entre la DD et les mesures de force de connectivité structurelle (par exemple, le nombre de lignes de courant) dans des zones spécifiques de substance blanche par rapport au PFC (van den Bos et al. 2015 ; Hänggi et al. 2016 ; Hamptonet al. 2017). .

Contrairement aux études portant sur la force de connectivité, nous avons analysé les cartes FA traitées avec TBSS, une technique qui permet une analyse approfondie des régions de la substance blanche et qui convient mieux à l'analyse exploratoire d'ensembles de données à grande échelle, en raison des coûts de calcul et de main-d'œuvre associés. réaliser une cartographie tractographique complète sur un grand nombre de sujets. À notre connaissance, l'échantillon de notre analyse est considérablement plus grand que celui des études précédentes liant la substance blanche à l'actualisation. Nous notons cependant qu'une étude récente employant le TBSS sur 302 sujets âgés sans démence (Han et al. 2018) (âge moyen=81,38 ans, ET=7,57 ans, 75,5 % de femmes) a fait état d'une associations négatives entre l'actualisation temporelle et l'AF dans les voies bilatérales frontales, frontostriatales et temporopariétales. Le désaccord avec nos résultats peut répondre à des différences démographiques dans les échantillons.

Compte tenu de la nature étendue de leurs associations, leurs résultats pourraient refléter des mécanismes dégénératifs liés au vieillissement, par opposition au schéma plus restreint auquel on pourrait s'attendre pour une mesure spécifique telle que la DD. Par ailleurs, Han et al. n'a pas pris en compte le niveau de revenu. En effet, en ajustant uniquement le fourrage et le sexe dans notre analyse, nous avons identifié d'autres composants de la substance grise et blanche dont les scores étaient significativement corrélés aux taux d'actualisation (voir Matériel supplémentaire). Même si de grands échantillons sont capables de détecter des effets plus petits, il existe également un risque plus élevé de détecter des associations simplement produites par des variables confondantes, ce qui rend essentiel l'ajustement des covariables appropriées.

Des travaux récents (Marek et al. 2022) ont souligné l'importance d'utiliser de grands échantillons dans les études d'association cerveau-comportement à l'échelle du cerveau et ont montré que les tailles d'échantillon typiques pour ces études devraient conduire à des effets irréproductibles et à des tailles d'effet gonflées. En supposant que l'effet réel est d'environ 0,15 (comparable à la taille de l'effet pour la composante de matière grise que nous avons identifiée et compatible avec les résultats de Marek et al. 2022), plus de 250 sujets seraient nécessaires pour atteindre une puissance de 80 %. La plupart des études précédentes dans le domaine de la DD ont donc été sous-alimentées, ce qui explique les incohérences de la littérature mentionnées dans la section 1. Veuillez noter que cette conclusion s'applique uniquement aux associations cerveau-comportement et aux études de cartographie cérébrale pas trop fonctionnelles sur la DD, qui devraient nécessiter des échantillons plus petits pour détecter les effets réels. , et par conséquent, il n'y a aucune contradiction entre nos résultats et les conclusions de ces études.

Nous n'avons trouvé aucune association entre une préférence pour des récompenses immédiates et l'un des tests WM (LSWMT et 2-back). De même, il n'y avait aucune association entre DD et EM verbale ou non verbale dans les données HCP. Ces résultats sont en ligne avec une étude récente (Yeh et al. 2021), que nous complétons en incluant la tâche 2-back et un traitement statistique plus strict, pour l'analyse des données structurelles du cerveau. Bien que Shamosh et al. (2008) ont rapporté un lien entre une MW inférieure et une préférence pour des récompenses immédiates. Cette corrélation n'était pas spécifique à la MW, car dans leurs données, cette capacité n'expliquait pas la variance de la DD au-delà de celle expliquée par l'intelligence générale. Lors de la correction des associations pour l'âge et le sexe uniquement, DD était significativement corrélé négativement avec les scores LSWMT, 2- du dos et EM verbal (voir Matériel supplémentaire), mais cette corrélation n'était plus significative lors de l'ajustement des variables de statut socio-économique (qui devraient déjà tenir compte en partie de fonction cognitive générale). Ainsi, nos considérations ci-dessus concernant les associations parasites dues à des variables gênantes et à des résultats irréproductibles lors de l'utilisation de petits échantillons s'appliquent également à ces analyses.

Une limite de notre étude est que nos analyses n'étaient pas préenregistrées et, par conséquent, les associations rapportées ne peuvent pas être considérées comme confirmatives. Néanmoins, nous pensons qu'une contribution importante de ces résultats réside dans la fourniture d'estimations plus précises de l'ampleur de l'effet pour les relations entre les mesures cognitives, l'imagerie structurelle et les choix intertemporels, en raison de la taille d'échantillon considérablement plus grande des études précédentes. Une autre limite réside dans la faible fiabilité des taux d’actualisation. Les paramètres de tâche ont été critiqués pour leur faible fiabilité test-retest (Enkavi et al. 2019) et, dans le domaine connexe des préférences en matière de risque, pour leur manque de cohérence entre les paradigmes expérimentaux (Pedroni et al. 2017). Ces raisons peuvent expliquer en partie le manque d'associations avec la structure cérébrale que nous avons trouvées et la faible reproductibilité des résultats d'une étude à l'autre. Une voie future cruciale devrait alors être de concevoir de nouveaux paradigmes pour mesurer la DD avec une fiabilité améliorée. Une solution possible pourrait consister à obtenir des scores récapitulatifs combinant plusieurs paramètres de tâche pour obtenir une plus grande fiabilité et à utiliser des méthodes multivariées pour augmenter les chances de trouver des associations cerveau-comportement (Moutouss et al. 2021).

Compte tenu de l’importance du DD dans l’étude de la psychopathologie, il est fondamental de déterminer de manière robuste son échafaudage neurobiologique sous-jacent. En exploitant un vaste ensemble de données de neuroimagerie, la présente étude aide à concilier les disparités dans la littérature sur les corrélats de matière grise et blanche de DD. Ce trait comportemental était associé négativement au GMV dans les régions temporales antérieures et, surtout, l'effet structurel identifié était faible, de sorte qu'il serait peu probable qu'il soit détecté dans des échantillons d'une taille comparable à celle trouvée dans de nombreuses études connexes. Dans l’ensemble, les associations avec les capacités cognitives et la structure cérébrale pourraient être plus faibles que ne le suggèrent les rapports précédents. Nos résultats nécessitent le développement de mesures plus robustes de DD et la mise en œuvre d'études de neuroimagerie sur des échantillons de plus grande taille que ce qui est courant dans le domaine, ainsi qu'un contrôle approprié des éventuels facteurs de confusion.

Remerciements

Nous remercions Mats Erikson et Kajsa Burström pour la collecte des données. Nous sommes reconnaissants pour l'ensemble de données en libre accès fourni par le projet Human Connectome, WU-MinnConsortium (chercheurs principaux : David Van Essen et Kamil Ugurbil ; 1U54MH091657).

Matériel complémentaire

Du matériel supplémentaire est disponible sur Cerebral Cortexonline.

Financement

Ce travail a été soutenu par le Conseil suédois de la recherche (numéro de subvention VR 521-2013-2589 à MG-M), un prix de recherche Alexander von Humboldt (LB) et le don de la Fondation AF Jochnick (LB).

Déclaration de conflit d'intérêts : le Dr Zeb Kurth-Nelson est employé par DeepMind. Les autres auteurs ne déclarent aucun conflit d'intérêts.

Les références

1. Addis DR, Wong AT, Schacter DL. Se souvenir du passé et imaginer le futur : substrats neuronaux communs et distincts lors de la construction et de l'élaboration des événements. Neuropsychologie. 2007 : 45 : 1363-1377.

2. Ahn WY, Rass O, Fridberg DJ, Bishara AJ, Forsyth JK, Breier A, Busemeyer JR, Hetrick WP, Bolbecker AR, O'Donnell BF. Réduction temporelle des récompenses chez les patients atteints de trouble bipolaire et de schizophrénie. J Abnorm Psychol. 2011 : 120 : 911-921.

3. Amlung M, Vedelago L, Acker J, Balodis I, MacKillop J. Réduction des retards abrupts et comportement addictif : une méta-analyse des associations continues. Dépendance. 2017 : 112 : 51-62.

4. Ashburner J, Friston KJ. Morphométrie basée sur les voxels : les méthodes.NeuroImage. 2000 : 821 : 805-821.

5.Barch DM, Burgess GC, Harms MP, Petersen SE, Schlaggar BL, Corbetta M, Glasser MF, Curtiss S, Dixit S, Feldt C et al. Fonction dans le connectome humain : tâche-IRMf et différences individuelles de comportement. NeuroImage. 2013 : 80 : 169-189.

For more information:1950477648nn@gmail.com