Cerebelo humano e conexões corticocerebelares envolvidas no aprimoramento da memória emocional, parte 3

Tomados em conjunto, a análise do DCM mostrou que das 25 ROIs cerebrais envolvidas no aprimoramento da memória emocional,13 as ROIs mostraram maior força de conexão com o cerebelo, principalmente na direção do cerebelo para as ROIs corticais, em dois casos na direção oposta e em outros dois casos na direção oposta. ambas direcoes.

Um humor feliz e positivo pode melhorar a memória das pessoas. Isso ocorre porque o mecanismo de aprimoramento da memória emocional facilita o armazenamento de informações importantes na memória de longo prazo. A pesquisa mostra que quando o corpo humano experimenta emoções fortes, o corpo libera substâncias catalíticas que ativam áreas do cérebro relacionadas às emoções, afetando os centros cognitivos e de aprendizagem do cérebro. Em outras palavras, o aprimoramento da memória emocional nos ajuda a lembrar as informações com mais profundidade.

Na vida diária, podemos melhorar a nossa memória ajustando as nossas emoções. Podemos escolher algumas atividades que nos façam sentir felizes e confortáveis, como ouvir nossas músicas favoritas, conversar com amigos, fazer alguns exercícios relaxantes, etc. dormir o suficiente, comer bem e praticar exercícios moderados.

Em suma, existe uma estreita relação entre o aprimoramento da memória emocional e a memória. As emoções positivas estimulam áreas do cérebro associadas à memória, facilitando o armazenamento de informações na memória de longo prazo. Podemos ajudar-nos a melhorar a nossa memória e a ser mais felizes e realizados na vida, regulando as nossas emoções. Percebe-se que precisamos melhorar nossa memória. Cistanche deserticola pode melhorar significativamente a memória porque Cistanche deserticola é um material medicinal tradicional chinês com muitos efeitos únicos, um dos quais é melhorar a memória. A eficácia da carne picada vem dos vários ingredientes ativos que ela contém, incluindo ácidos, polissacarídeos, flavonóides, etc. Esses ingredientes podem promover a saúde do cérebro de várias maneiras.

Clique em conhecer 10 maneiras de melhorar a memória

Estas descobertas sugerem que o cerebelo é parte integrante de uma rede de conectividade envolvida no aprimoramento da memória emocional. Contudo, a partir destes resultados, não podemos inferir quais destas ligações são as mais importantes. Como as ROIs foram definidas funcionalmente, e não anatomicamente, também não podemos especificar os substratos anatômicos precisos das ROIs corticais. Escolhemos esta abordagem porque a sensibilidade de detectar a presença de conexões pode ser aumentada usando ROIs que correspondam aos limites funcionais (36).

A consequência deste procedimento é a perda de especificidade anatômica e a incapacidade de distinguir entre as contribuições de estruturas anatômicas distintas dentro de uma determinada ROI. Além disso, como os DCM testados aqui incluíram apenas dois nós, eles não consideram se a influência entre o cerebelo e uma segunda ROI é mediada por regiões adicionais. Os valores dos nossos parâmetros de conectividade refletem, portanto, potencialmente conexões diretas e indiretas.

As descobertas atuais podem contribuir para uma melhor compreensão da rede envolvida no aprimoramento da memória emocional em condições fisiológicas. Além disso, os resultados também podem ter implicações para a compreensão de condições patológicas, como o transtorno de estresse pós-traumático (TEPT), uma vez que a formação de um traço de memória aversiva excessivamente forte após um evento traumático é um mecanismo patogênico importante no desenvolvimento de transtornos relacionados ao medo (1, 62, 63). Embora não seja possível investigar a formação inicial da memória no TEPT usando fMRI, estudos podem investigar os correlatos neurais da recuperação da memória traumática. Um estudo recente de fMRI seguiu esta abordagem e encontrou maior ativação cerebral no cerebelo (incluindo o vermis), giros occipitais, giro supramarginal e amígdala durante recordação de trauma em pacientes com TEPT (64).

Em contraste, a hipoatividade cerebelar pode estar relacionada a condições com redução do aprimoramento da memória emocional. Na verdade, estudos clínicos indicam que as patologias que afetam o funcionamento verbal estão associadas a uma série de deficiências cognitivas e emocionais, incluindo sintomas do transtorno do espectro do autismo (65, 66). Curiosamente, os pacientes com transtorno do espectro do autismo apresentam déficits no aprimoramento emocional das memórias episódicas (67, 68). É possível que estes déficits se originem parcialmente de anormalidades estruturais e funcionais da amígdala frequentemente observadas neste distúrbio (69, 70). No entanto, com base nos presentes resultados, a hipoplasia dérmica no transtorno do espectro do autismo também pode contribuir para o comprometimento do aprimoramento emocional da memória episódica. Essa hipótese precisaria ser testada em pacientes com autismo com graus variados de anormalidades na amígdala e no vermis.

Há evidências crescentes indicando que o cerebelo, em particular o vermis cerebelar, e suas conexões com diversas regiões cerebrais, incluindo o sistema límbico, estão envolvidos em funções emocionais, incluindo percepção emocional, reconhecimento emocional, processamento emocional e condicionamento do medo (27, 71) . As presentes descobertas sugerem agora que o cerebelo também faz parte de um circuito envolvido no aprimoramento emocional da memória episódica. Dentro deste circuito, o cerebelo recebe informações de várias regiões cerebrais, incluindo o cingulado, enquanto a amígdala/hipocampo e várias outras regiões do cérebro recebem informações do cerebelo. Esses achados ampliam o conhecimento sobre o papel do cerebelo em processos cognitivos e emocionais complexos e podem ser relevantes para a compreensão de transtornos psiquiátricos com circuitos emocionais aberrantes, como o TEPT ou o transtorno do espectro do autismo.

Materiais e métodos

Participantes. Recrutamos participantes jovens e saudáveis ​​(872 mulheres, 546 homens, idade média=22,39 anos, DP=3,27). A publicidade foi feita principalmente na Universidade de Basileia e em jornais locais. Os participantes não apresentavam nenhuma doença neurológica ou psiquiátrica, não tomavam nenhum medicamento no momento do experimento (exceto anticoncepcionais hormonais) e tinham idades entre 18 e 35 anos. A saúde física e mental foi avaliada com base em questionários padrão. O experimento foi aprovado pelo comitê de ética do Cantão de Basileia, na Suíça. Todos os participantes deram consentimento informado por escrito antes de participar do estudo. Antes da análise, a amostra foi dividida em uma amostra de descoberta (n=945, 2/3 de todos os participantes) e uma amostra de replicação (n=473, 1/3 de todos os participantes), atribuindo aleatoriamente os participantes a um das amostras. A randomização foi realizada usando a função Matlab rand perm. Não houve diferenças significativas entre as amostras de descoberta e replicação em termos de idade, sexo ou aprimoramento da memória emocional (P maior ou igual a 0.33, {{ 16}}teste lateral, n=1,418).

Experimento: Procedimento. Os participantes foram submetidos a quatro tarefas consecutivas: uma tarefa de codificação de imagens, uma tarefa de memória de trabalho, um teste de memória de recordação livre e uma tarefa de reconhecimento. Os participantes foram primeiro instruídos e depois treinados nas tarefas de codificação de imagens e memória de trabalho. Após o treinamento, eles foram posicionados no scanner e receberam protetores auriculares e fones de ouvido para reduzir o ruído do scanner. Suas cabeças foram fixadas na bobina por meio de pequenas almofadas e foram orientados a não se movimentarem. As imagens foram apresentadas no scanner usando óculos de cristal líquido compatíveis com RM (VisualSystem; NordicNeuroLab, Bergen, Noruega). A correção ocular foi usada quando necessário. A tarefa de codificação de imagem durou cerca de 20 min. Imediatamente depois, os participantes realizaram uma tarefa de memória de trabalho de carta n-back (0-backand 2-back) no scanner por aproximadamente 10 min. No presente estudo, a tarefa de memória de trabalho foi utilizada como tarefa de distração entre codificação e evocação de testes de memória. Portanto, não analisamos os dados da tarefa de memória de trabalho em si (ver referência 72 para uma descrição da tarefa). Depois de deixar o scanner, os participantes receberam um teste de memória de recordação livre não anunciado das imagens em uma sala separada (sem limite de tempo). foi definido para esta tarefa). Após a recordação livre, os participantes foram reposicionados no scanner e realizaram uma tarefa de reconhecimento (ver referência 73 para uma descrição da tarefa). Os participantes receberam 25 francos suíços/h pela participação. Devido a restrições organizacionais, tivemos que mudar a sala em que as imagens foram recordadas, o que significou que alguns participantes recordaram as imagens num ambiente ligeiramente diferente.

Experiência: Projeto de tarefa de codificação de imagem. Os estímulos consistiam em 72 imagens (24 positivas, 24 negativas e 24 neutras) que foram selecionadas do International Affective Picture System (IAPS) (74) e de conjuntos de imagens padronizadas internamente que nos permitiram equiparar as imagens em termos de complexidade visual e conteúdo. (por exemplo, presença humana). As fotos recebidas do IAPS foram classificadas de acordo com a classificação de valência do IAPS. Oito das 24 fotos neutras não foram recebidas do IAPS. Estas imagens foram avaliadas com base numa valenceração interna (11). Com base nas pontuações de valência normativa (de 1 a 9), as imagens foram atribuídas a negativas (2,3 ± 0,6), neutras (5,0 ± 0,3) e positivas ( 7,6 ± 0.4)condições, resultando em 24 imagens para cada valência. Estímulos positivos foram inicialmente selecionados para corresponder às classificações de excitação de estímulos negativos com base em dados de um estudo piloto em 20 participantes não incluídos no estudo. Foram apresentadas quatro imagens adicionais mostrando objetos neutros. Duas dessas imagens foram apresentadas no início e duas no final da tarefa de imagens. Essas imagens foram excluídas da avaliação do desempenho de recordação para controlar os efeitos de primazia e atualidade na memória. Exemplos de imagens incluíam erotismo, esportes e animais atraentes para a valência positiva; lesões corporais, cobras e cenas de ataque para a valência negativa; e faces neutras, objetos domésticos e edifícios para a condição neutra. Além disso, foram utilizadas 24 imagens embaralhadas. O fundo das imagens embaralhadas continha as informações de cores de todas as imagens utilizadas no experimento (exceto imagens de primazia e atualidade), sobrepostas com um filtro de cristal e distorção (Adobe Photoshop CS3). Em primeiro plano, foi mostrado um objeto geométrico quase transparente (um retângulo ou elipse de diferentes tamanhos e orientações). Para o presente estudo, as imagens embaralhadas não tiveram interesse.

As imagens foram apresentadas por 2,5 segundos em ordem quase aleatória, de modo que ocorressem consecutivamente no máximo quatro imagens da mesma categoria. Uma cruz de fixação apareceu na tela por 500 ms antes de cada apresentação da imagem. O tempo de início do estímulo foi alterado em 3 s (tempo de 1 repetição [TR]) por categoria de valência em relação ao início da varredura. Durante o período entre ensaios, os participantes avaliaram cada uma das 72 imagens de acordo com a valência (negativa, neutra ou positiva) e a excitação (grande, média ou pequena) em uma escala de 3-pontos (manequim de autoavaliação) pressionando um botão com a mão dominante. Para imagens embaralhadas, os participantes avaliaram a forma (vertical, simétrica ou horizontal) e o tamanho (grande, médio ou pequeno) do objeto geométrico em primeiro plano. O software Presentation (Neurobehavioral Systems, Inc., Berkeley, CA; https://www.neurobs.com) foi utilizado para a apresentação das imagens.

Dados comportamentais: aprimoramento da memória emocional. Para documentar a recordação livre, os participantes tiveram que escrever uma descrição das imagens recordadas. Uma imagem foi pontuada como lembrada corretamente se o avaliador conseguisse identificar a imagem apresentada com base na descrição do participante. Dois investigadores treinados avaliaram independentemente as descrições quanto ao sucesso da recordação (confiabilidade entre avaliadores > 99%). Um terceiro avaliador independente decidiu por imagens que foram avaliadas de forma diferente. Para cada participante, calculamos com que frequência as imagens emocionais foram lembradas em comparação com imagens neutras: ([lembrado positivo – lembrado neutro] + [lembrado negativo – lembrado neutro])/2. Os pontos de dados foram plotados e foram encontrados com distribuição aproximadamente normal (SI Apêndice, Fig. S1). Testes t bilaterais foram aplicados para testar se o desempenho da memória emocional era significativamente diferente de zero. Além disso, testamos os efeitos de potenciais fatores de confusão. Usamos um teste t de 2-amostra para avaliar se o desempenho da memória emocional dependia do sexo. Utilizamos os coeficientes de correlação linear de Pearson para associar o desempenho na recordação com a idade. Testes t bilaterais foram aplicados para testar se o coeficiente de correlação era significativamente diferente de zero.

Imagem: aquisição de ressonância magnética. As medições foram realizadas em uma unidade de ressonância magnética de corpo inteiro SiemensMagnetom Verio 3 T equipada com uma bobina de cabeça de canal 12-. As séries temporais funcionais foram adquiridas com uma sequência ecoplanar de disparo único usando imagens paralelas (GRAPPA). Utilizamos os seguintes parâmetros de aquisição: tempo de eco (TE)=35 ms; campo de visão (FOV)=22 cm; matriz de aquisição =80 × 80, interpolada para 128 × 128; tamanho do voxel=2,75 × 2,75 × 4 mm3; fator de aceleração GRAPPA R=2,0. Usando uma imagem de reconhecimento sagital médio, 32 cortes axiais contíguos colocados ao longo do plano da comissura ântero-posterior cobrindo todo o cérebro com um TR=3,000 ms (= 82 grau) foram adquiridos usando um ascendente intercalado seqüência. As duas primeiras aquisições foram descartadas devido aos efeitos de saturação da constante T1time. Uma imagem anatômica ponderada em T1-de alta resolução foi adquirida usando uma sequência de eco gradiente preparada para magnetização (TR =2,000 ms; TE=3,37 ms; TI {{ 31}},000 ms; ângulo de rotação=8 graus; 176 fatias; FOV =256 mm; tamanho do voxel=1 × 1 x 1 mm3).

Imaging: Pacote de software para análise estatística de dados de imagem. Utilizamos o software de mapeamento estatístico paramétrico (SPM) SPM12 versão 6685 (Wellcome Trust Centre for Neuroimaging, Londres, Reino Unido; https://www.fil.ion.ucl.ac. uk/spam/) implementado no Matlab R2016a.

Imagem: Pré-processamento e normalização de volumes de imagem ecoplanar (EPI). Os volumes foram corrigidos no tempo do corte para o primeiro corte, realinhados usando a opção "registrar para significar" e co-registrados na imagem anatômica aplicando uma transformação tridimensional de corpo rígido de informação mútua normalizada. O co-registro bem-sucedido foi verificado visualmente para cada participante. Cada volume foi mascarado com a imagem anatômica T1 do participante para excluir voxels fora do cérebro. Os volumes de imagem ecoplanar (EPI) foram normalizados para o espaço do Montreal Neurological Institute (MNI) e suavizados com uma largura total de 8 mm no núcleo Gaussiano meio máximo (FWHM) aplicando DARTEL, o que levou a um registro melhorado entre os participantes (75, 76) .

A sequência intercalada usada para adquirir séries temporais funcionais tornou um pré-requisito o uso da correção de tempo de fatia como a primeira etapa de pré-processamento (77). Os métodos de correção do tempo de corte podem compensar com sucesso os efeitos do tempo de corte(78). Notavelmente, no DCM para fMRI, a direção da causalidade não é identificada pela precedência temporal. Em vez disso, a causalidade é incorporada pela forma matemática da equação de estado diferencial de cada região. As equações de estado de um determinado modelo definem a estrutura do sistema (por exemplo, a conectividade entre regiões), prescrevendo explicitamente como a dinâmica surge dentro do sistema (39). Portanto, vários estudos de DCM com TRs semelhantes foram realizados anteriormente (79–81).

Imagem: Modelagem de atividade baseada em voxel. Modelos lineares gerais (GLMs) foram especificados para cada participante para identificar voxels ativados pela tarefa. Os regressores que modelam o início e a duração dos eventos de estímulo foram combinados com uma função de resposta hemodinâmica canônica. Mais precisamente, o modelo compreendia regressores para pressionar botões modelados como funções stick/delta, apresentações de imagens (positiva, neutra, negativa, embaralhada, primazia e recência) modeladas com uma função de época/vagão (duração: 2,5 s) e escalas de classificação modeladas com um Função época/vagão de duração variável (dependendo de quando ocorreu o pressionamento subsequente do botão). Correlações seriais foram removidas usando um modelo autoregressivo de primeira ordem, e um filtro passa-alta (128 s) foi aplicado para remover ruído de baixa frequência. Seis parâmetros de movimento também foram inseridos como covariáveis ​​de incômodo. Definimos dois tipos diferentes de GLMs. Um tipo de GLM foi usado para identificar voxels relacionados à codificação bem-sucedida da memória emocional.

Aqui, estímulos positivos, negativos e neutros foram modelados separadamente, dependendo se foram posteriormente lembrados ou não. As estimativas dos parâmetros resultantes foram contrastadas para identificar voxels associados à codificação de memória emocional bem-sucedida ([imagens emocionais lembradas - imagens emocionais não lembradas] - [imagens neutras lembradas - imagens neutras não lembradas]). Este contraste estava disponível em 944 dos 945 participantes da amostra de descoberta (1 sujeito não se lembrava de nenhuma imagem neutra) e em 470 dos 473 participantes da amostra de replicação (3 sujeitos não se lembrava de nenhuma imagem neutra) . Para investigar potenciais efeitos relacionados à valência na atividade cerebelar, comparamos ainda se a atividade relacionada à codificação bem-sucedida da memória diferia entre imagens positivas e negativas. Isso correspondeu ao seguinte contraste:([imagens negativas lembradas – imagens negativas não lembradas] – [imagens positivas lembradas – imagens positivas não lembradas]). Outro tipo de GLM foi especificado para identificar voxels associados à codificação de imagens emocionais, independentemente da memória. Especificamos regressores para imagens positivas, neutras e negativas, independentemente de as imagens terem sido lembradas ou não, e contrastamos as estimativas dos parâmetros resultantes (imagens emocionais – imagens neutras). Aplicamos correção de erro familiar (FWE) para comparações múltiplas em todo o nível do cérebro para todos os contrastes (P com correção de FWE para o cérebro inteiro < 0 0,05). A correção para múltiplas comparações no nível do cluster foi aplicada para testar os efeitos relacionados à valência no cluster cerebelar (Psmall-volume-corrigido <0,001, extensão do cluster k=10).

Imagem: Estatísticas de grupo de atividade baseada em voxel. Para determinar a atividade relacionada à "codificação de memória emocional bem-sucedida" e à "codificação de imagens emocionais", mapas de contraste foram inseridos em um modelo de efeitos aleatórios (análise de segundo nível) usando GLM Flex (Martinos Center e Massachusetts General Hospital, Charlestown, MA; https ://habs.mgh.harvard.edu/researchers/datatools/glm-flex-fast2/). Controlamos o efeito de sexo, idade, uma alteração no software do scanner e duas alterações nas bobinas de gradiente, incluindo-as como covariáveis. Usamos o GLM Flex porque as sequências EPI sofrem uma perda de sinal na presença de heterogeneidades do campo magnético que podem ocorrer perto dos limites do tecido aéreo. O procedimento de normalização aplicado no DARTEL transformou com precisão tanto os voxels com sinal quanto os voxels com perda de sinal para o espaço MNI. No SPM, a perda de sinal em uma coordenada MNI em uma imagem funcional de apenas um participante levou à exclusão do voxel nesta coordenada da análise em nível de grupo. Consequentemente, a probabilidade de um voxel ser excluído aumentou com o tamanho da amostra. O GLM Flex contornou esse problema permitindo um número variável de participantes em cada voxel. O número mínimo de participantes por voxel foi definido como 2/3 de todos os participantes.

Imagem: Definição de ROIs – Máscara funcionalmente definida. Como a sensibilidade de detectar a presença de conexões pode ser aumentada usando ROIs que correspondam aos limites funcionais reais (36), definimos ROIs funcionalmente, e não anatomicamente. Especificamente, dentro da amostra de descoberta (n=945), usamos uma máscara funcionalmente derivada e, em seguida, usamos uma abordagem de clustering em nível de grupo orientada por dados para parcelar volumes EPI pré-processados ​​e normalizados em regiões espacialmente coerentes e temporalmente homogêneas (37) . A máscara consistia em voxels que foram positivamente associados à codificação bem-sucedida da memória emocional na amostra de descoberta (P-cérebro inteiro corrigido por FWE < 0.05). Os voxels identificados foram então mascarados adicionalmente com a codificação de contraste de imagens emocionais (Pwhole-brain-FWE-corrigido <0,05) para garantir que todos os voxels incluídos também mostrassem um efeito positivo para a codificação de emoções (99% de todos os voxels significativos na "codificação de memória emocional bem-sucedida contraste" também foram significativos na "codificação de contraste de imagens emocionais").

Imagem: Definição de ROIs – Procedimento de parcelamento. Os voxels dentro da máscara funcionalmente definida foram combinados em ROIs de modo que a similaridade entre os voxels dentro do mesmo cluster fosse maximizada em comparação com a similaridade entre os voxels em diferentes clusters, usando um método de corte normalizado incorporando uma restrição espacial (37). Por conveniência computacional, o parcelamento foi realizado com base nos volumes de EPI de 200 participantes sorteados aleatoriamente da amostra de descoberta. Esses volumes foram suavizados com um kernel gaussiano de 6 mmFWHM, de acordo com um artigo recente (37). O agrupamento foi realizado primeiro dentro de cada participante, seguido por um agrupamento de grupo de segundo nível, conforme recomendado por Craddock et al. (37). Parcelamos os voxels dentro da máscara em 30 ROIs, pois descobrimos que esse número leva a especificidade espacial suficiente e ainda é gerenciável quanto à carga computacional induzida pelo cálculo da conectividade com o DCM. Uma dessas ROIs continha voxels isolados e pequenos aglomerados discretos que não eram espacialmente coerentes. Este ROI (ROI 11), que continha 60 voxels, foi assim removido de análises posteriores.

Análise de conectividade: Extração de curso de tempo. Extraímos cursos de tempo por participante e ROIs de dados não suavizados e não normalizados usando o procedimento descrito abaixo. Observe que extraímos dados não suavizados porque a suavização pode ser prejudicial à estimativa de conectividade, pois leva a uma mistura de cursos de tempo dependentes do nível de oxigenação sanguínea entre regiões próximas (36).

1. Mapeamento de ROIs funcionais do espaço MNI para o espaço do participante nativo: Os ROIs determinados no procedimento de parcelamento foram gerados no MNIspace. Portanto, mapeamos sua localização para o espaço do participante nativo, invertendo o campo de distorção de normalização de cada participante.

2. Extração do curso temporal dos ROIs funcionais: Antes da modelagem real da conectividade dentro da estrutura do DCM, os cursos temporais específicos dos participantes foram extraídos de cada ROI. O objetivo desta etapa foi extrair cursos de tempo de voxels ativados no nível de participante único. O tamanho do efeito do contraste de codificação de imagens emocionais foi consideravelmente maior do que o tamanho do efeito do contraste de memória emocional bem-sucedido, tornando o primeiro mais adequado para distinguir voxels relacionados à tarefa de voxels sem sinais relevantes no nível de participante único. No nível do grupo, todas as áreas incluídas nesta análise foram significativamente associadas ao sucesso da codificação da memória emocional, garantindo que todos os ROIs fossem relevantes para o sucesso da codificação da memória emocional. Para cada ROI e participante, consequentemente identificamos voxels significativos para o contraste emocional> neutro, em um limiar não corrigido de P <{6}} 0,05, com um tamanho mínimo de cluster de três voxels. Um curso de tempo resumido foi extraído de todos esses voxels usando a ferramenta de extração "Volume de Interesse" do SPM. Em detalhes, para todos os voxels selecionados dentro do anROI, foi realizado um PCA. Os pontos no tempo foram as observações e os voxels foram as variáveis. O PCA retornou uma série de componentes ordenados pela proporção de variância que cada componente explicou. Cada componente foi associado a um vetor de pesos (um valor por voxel), refletindo a contribuição de cada voxel para aquele componente. A primeira autovariável refletiu o curso temporal do componente principal que contribuiu para a resposta de uma região e foi selecionada como um curso temporal representativo para o ROI. Os intervalos de tempo foram corrigidos para artefatos de movimento adicionando parâmetros de movimento como covariáveis ​​no modelo linear.

Em todos os 29 ROIs funcionais, os cursos de tempo foram extraídos com sucesso em 97,88% de todos os casos na amostra de descoberta e em 97,57% de todos os casos na amostra de replicação, pois mostraram uma ativação robusta dependente da tarefa pelo nosso limite de significância descrito acima. Os dados de todos os ROIs em todos os participantes foram um pré-requisito para executar o DCM, pois o objetivo do DCM é comparar diferentes modelos para uma ativação observada (38, 39). Portanto, excluímos um participante de um determinado DCM se um ROI não mostrasse ativação de acordo com os critérios definidos acima. De todos os ROIs, o ROI 9 apresentou a menor proporção de participantes com ativação robusta (amostra de descoberta 88,36%; amostra de replicação 85,84%). Consulte o Apêndice SI, Tabela S1 para o número de participantes por DCM, e o Apêndice SI, Tabela S2 para porcentagens de participantes excluídos por ROI.

As razões potenciais para a falta de uma ativação suficientemente forte em alguns participantes diziam respeito ao ruído nos dados ou à perda de dados, mas também podem refletir o uso de diferentes estratégias cognitivas.

Análise de conectividade: DCM. O DCM pode ser aplicado para testar hipóteses específicas relativas à presença, direção e moduladores de conectividade efetiva entre um conjunto de regiões cerebrais predefinidas. O DCM é descrito detalhadamente em outro lugar(38, 39). Em resumo, as interações neurais entre regiões são expressas por equações diferenciais, que descrevem 1) como a atividade em uma região do cérebro causa dinâmica (isto é, taxa de mudança) em outra região do cérebro e 2) como essas interações mudam sob a influência de condições experimentais. Aqui, comparamos as condições para imagens emocionais e neutras, considerando se uma imagem foi lembrada posteriormente ou não. O DCM busca a interpretabilidade neurofisiológica fazendo uma distinção explícita entre o "nível neural" e o "nível hemodinâmico" (82). Isso é conseguido invertendo um modelo direto parametrizado e motivado biofisicamente que liga a dinâmica neural modelada aos cursos de tempo hemodinâmicos medidos (38) . Os parâmetros de conectividade podem, portanto, ser interpretados como uma influência entre populações neurais (39). Nossa inferência sobre conectividade dependeu das suposições matemáticas subjacentes incorporadas na parametrização do DCM. Estes pressupostos foram avaliados criticamente (83).

Escolhemos o DCM em detrimento de outros métodos porque oferece diversas vantagens. DCMinfere conectividade modelando dinâmica neural com um sistema de equações diferenciais. Portanto, a direção da influência e a modulação dependente da condição da resistência da conexão podem ser determinadas de forma mais significativa do que com modelos de conectividade estática, como correlação ou modelagem de equações estruturais (82, 84, 85).

Análise de conectividade: DCM — Espaço modelo. Utilizamos um procedimento de seleção de modelo post hoc, que requer a estimativa de apenas um modelo completo para encontrar a evidência do modelo para todas as arquiteturas de conexão possíveis (40), realizando assim uma comparação exaustiva de modelos. Usamos esse procedimento de seleção em vez de uma comparação tradicional de um número limitado de modelos a priori porque esse algoritmo reduz bastante a carga computacional ao aproximar os parâmetros de conectividade de submodelos aninhados a partir da inferência em um modelo completo. Embora tivesse sido interessante incluir todos os 26 clusters em um único modelo, isso não era viável computacionalmente. Exploramos todas as conexões de pares entre o ROI cerebelar e os 25 ROIs restantes, definindo uma série de DCMs de 2-nós onde o ROI localizado no cerebelo foi sistematicamente emparelhado com um dos outros ROIs. Os parâmetros de conectividade representam a conectividade líquida entre as ROIs – ou seja, eles não consideram se a influência entre duas ROIs é ou não mediada por regiões adicionais, a menos que essas regiões adicionais sejam explicitamente incluídas no modelo DCM. Como os DCM testados aqui incluíam apenas dois nós, eles não examinaram se a influência entre o cerebelo e uma segunda ROI era mediada por regiões adicionais. Os valores de nossos parâmetros de conectividade, portanto, refletiam potencialmente conexões diretas e indiretas. Aplicamos DCM bilinear determinístico com dois estados (versão DCM12) (86). Especificamos conexões intrínsecas recíprocas entre cada ROI. Entradas extrínsecas aos ROIs impulsionam a rede e quantificam como os ROIs respondem a estímulos externos. Foram definidos quatro regressores de entrada diferentes, contendo 1) imagens emocionais e neutras, 2) imagens embaralhadas, 3) pressionamentos de botões e 4) apresentação de escala de classificação. Cada um dos regressores de entrada poderia entrar na rede em todas as ROIs. A força das conexões intrínsecas entre as ROIs poderia ser modulada pelas seguintes condições: imagens emocionalmente lembradas, imagens emocionalmente não lembradas, imagens neutras lembradas e imagens neutras não lembradas.

Para uma perspectiva bayesiana sobre comparações múltiplas, consulte as referências (87, 88). Notavelmente, replicamos os resultados da amostra de descoberta em uma segunda amostra.

Análise de conectividade: DCM — Estimativa de modelo. Usamos uma seleção de modelo posthoc eficiente que exigiu a estimativa de apenas um modelo completo para encontrar 1) a evidência do modelo para todas as arquiteturas de conexão possíveis com seleção de modelo bayesiano (BMS), 2) probabilidades posteriores resultantes de inferências em nível de família para determinar a probabilidade de um contraste das estimativas dos parâmetros, e3) médias dos parâmetros bayesianos sobre todos os modelos possíveis mostrando se o contraste das estimativas dos parâmetros diferia de zero (40, 84, 89). Como usamos BMS de efeitos fixos, assumimos que o modelo ideal era o mesmo para cada participante da população (39). A estimativa dos modelos DCM foi realizada no centro de computação científica sciCORE (https://scicore.unibas.ch/) da Universidade de Basel.

Análise de conectividade: DCM — Análise de parâmetros. Usamos a inferência bayesiana para avaliar se a força da conexão aumentou durante a codificação bem-sucedida da memória emocional. Especificamente, utilizamos as expectativas posteriores e as covariâncias posteriores para calcular a probabilidade posterior de que o contraste entre os moduladores da força da conexão fosse maior que zero. O contraste para a codificação bem-sucedida da memória emocional foi construído subtraindo-se os moduladores das seguintes condições: (imagens emocionais lembradas – imagens emocionais não lembradas) – (imagens neutras lembradas – imagens neutras não lembradas). Primeiro, dentro da amostra de descoberta, identificamos aquelas conexões que tinham uma probabilidade posterior de contraste maior que {{0}},99. Segundo, analisamos essas conexões na amostra de replicação, testando se elas também tinham uma probabilidade posterior de contraste maior que 0,99. Em termos descritivos, o limiar de probabilidade aplicado de 0,99 pode ser interpretado como fornecendo evidência muito forte para um efeito(42, 43). Nós nos concentramos em aumentos e não em diminuições na força da conexão, uma vez que os ROIs foram definidos com base em voxels com atividade aumentada.

Os cálculos sobre a força da conexão foram baseados na força do contraste na amostra de replicação. As conexões foram visualizadas usando a biblioteca circular em R (90).

Segmentação de imagem anatômica. A imagem anatômica de cada participante foi segmentada automaticamente em estruturas corticais e subcorticais usando o FreeSurfer versão 4.5 (91). A rotulagem dos giros corticais foi baseada no atlas Desikan-Killiany (92), produzindo 35 regiões corticais e sete regiões subcorticais no perhemisfério. Observe que a técnica de segmentação e rotulagem aplicada fornece uma precisão comparável à rotulagem manual feita por especialistas (91, 92).

Localização anatômica de ROIs com base em um atlas probabilístico anatômico de média populacional. Segmentações de estruturas corticais e subcorticais recuperadas do FreeSurfer (ver parágrafo acima) foram usadas para construir um atlas anatômico probabilístico de média populacional, com base em dados de 1,000 dos 1.418 participantes. Imagens anatômicas segmentadas individuais foram normalizadas para o espaço do modelo anatômico específico do estudo usando o campo de dobra previamente computado dos participantes e foram registradas afimmente no espaço MNI. A interpolação do vizinho mais próximo foi aplicada para preservar a rotulagem das diferentes estruturas. As segmentações normalizadas foram finalmente calculadas entre os participantes para criar um atlas probabilístico da média populacional. A cada voxel do modelo poderia, conseqüentemente, ser atribuída uma probabilidade de pertencer a uma determinada estrutura anatômica.

Este atlas probabilístico de média populacional foi usado para relatar a localização anatômica de coordenadas e ROIs. As porcentagens por coordenada denotavam a probabilidade média populacional de um rótulo anatômico. Além disso, reportamos a porcentagem média de correspondência regional por ROI. Por ROI, determinamos quais rótulos anatômicos foram abrangidos por seus voxels. Em seguida, somamos as probabilidades por rótulo em todos os voxels dentro da ROI e dividimos a soma pelo número total de voxels na máscara. Uma correspondência de 100% ocorreria se todos os voxels de uma ROI estivessem localizados dentro da mesma região anatômica, e cada voxel em si tivesse uma probabilidade de 100% de estar localizado nesta região.

Disponibilidade de dados, materiais e software. Mapas individuais de primeiro nível para os dois contrastes de interesse (codificação de memória emocional bem-sucedida e codificação de imagens emocionais) estão disponíveis no Open Science Framework (OSF, https://osf.io/ghtvy) (93), juntamente com o indivíduo covariáveis. Arquivos individuais de primeiro nível e VOI estão disponíveis no Figshare (https://figshare.com/projects/CBDCM/149317) (94). Os mapas correspondentes em nível de grupo sem limite, bem como a máscara binária dos ROIs funcionais, foram depositados no Neurovault (https://neurovault.org/collections/12932) (95). Os arquivos DCM em nível de grupo estão disponíveis no OSF (https://osf.io/ghtvy) (93).

AGRADECIMENTOS. Agradecemos a Elmar Merkle, Christoph Stippich e OliverBieri por concederem acesso às instalações de fMRI do Hospital Universitário de Basileia. Este trabalho foi financiado pela Swiss National Science Foundation (concessão SinergiaCRSI33_130080 para DJ-FdQ e AP). MF foi financiado pelo Fundo de Pesquisa para Pesquisadores Juniores da Universidade de Basileia (bolsa DPE2141). Os cálculos foram realizados nas instalações de computação científica sciCORE (https://scicore.unibas.ch/) da Universidade de Basel. Os autores declaram não haver interesses financeiros concorrentes.

Referência

1. D. de Quervain, L. Schwabe, B. Roozendaal, Estresse, glicocorticóides e memória: Implicações no tratamento de transtornos relacionados ao medo. Nat. Rev. Neurosci. 18, 7–19 (2017).

2. JL McGaugh, A construção da memória duradoura (Weidenfeld & Nicolson, 2003).

3. JL McGaugh, Memória – Um século de consolidação. Ciência 287, 248–251 (2000).

4. B. Roozendaal, JL McGaugh, Modulação de memória. Comporte-se. Neurosci. 125, 797–824 (2011).

5. KS LaBar, R. Cabeza, Neurociência cognitiva da memória emocional. Nat. Rev. Neurosci. 7, 54–64 (2006).

6. SB Hamann, TD Ely, ST Grafton, CD Kilts, Atividade da amígdala relacionada ao aumento da memória para estímulos agradáveis ​​e aversivos. Nat. Neurosci. 2, 289–293 (1999).

7. T. Canli, Z. Zhao, J. Brewer, JDE Gabrieli, L. Cahill, Ativação relacionada a eventos na amígdala humana associa-se à memória posterior para experiência emocional individual.J. Neurosci. 20, RC99 (2000).

8. AH van Stegeren et al., A noradrenalina medeia a ativação da amígdala em homens e mulheres durante a codificação de material emocional. Neuroimagem 24, 898–909 (2005).

9. MW Cole et al., A conectividade multitarefa revela hubs flexíveis para controle adaptativo de tarefas.Nat. Neurosci. 16, 1348–1355 (2013).

10. RM Todd, TW Schmitz, J. Susskind, AK Anderson, Substratos neurais compartilhados de vivacidade perceptiva e mnemônica emocionalmente aprimorada. Frente. Comporte-se. Neurosci. 7, 40 (2013).

For more information:1950477648nn@gmail.com