遅延割引と脳の構造、作業記憶、エピソード記憶との関連性の調査パート 2
Nov 20, 2023
構造予測因子とDDの関係
我々は、FSL の PALM ソフトウェア バージョン 1.11 で実装されている線形モデルとノンパラメトリック順列テストを使用して、対象の変数 (皮質下ボリューム、灰白質成分、白質成分、EM、WM) と DD の間の関連性をテストしました (Winkler et al. 2014;Winkler, Webster, et) al. 2016b) MATLABR2017b 上で実行されます。
近年、人々の生活水準の向上と高齢化に伴い、記憶力の問題がますます注目を集めています。 しかし、脳を積極的に鍛えているにもかかわらず、依然として記憶力の問題に悩まされている人もいます。 現時点では、記憶力を向上させるためにノンパラメトリックな配置を使用することを検討できます。
では、ノンパラメトリック順列とは何でしょうか? ノンパラメトリック配置とは、数値比較を行わずに、一定のルールに従ってデータの集合を配置する統計手法です。 パラメトリック順列と比較して、ノンパラメトリック順列は応用範囲が広く、データの分布と離散性についてあまり多くの仮定を置きません。
そして、ノンパラメトリック配置を使用して記憶力を向上させるにはどうすればよいでしょうか? まず第一に、人間の脳は画像、音声、テキストなどのさまざまな情報を分析、記憶、および思い出すことができることがわかっているため、ノンパラメトリックな配置を使用して、さまざまな情報の脳の処理能力と記憶能力を向上させることができます。
色、数字、単語、その他の情報の記憶と想起を練習したり、さまざまな情報をノンパラメトリックに配置したりするなどのいくつかの練習を通じて、より規則的な構造が脳内に形成され、それによって脳の記憶能力が向上します。
さらに、ノンパラメトリック順列は、とりわけ、精神的な柔軟性を向上させ、不安やストレスを軽減するために使用できます。 脳を鍛えることで、脳はより柔軟かつ健康的に働くことができるようになり、不必要な憂鬱や不安、その他のネガティブな感情が軽減され、人生や仕事にもっと前向きに取り組むことができます。
つまり、ノンパラメトリック配置は、脳の記憶力と思考の柔軟性を向上させる実現可能かつ効果的な方法です。 継続的な運動と練習を通じて、脳の記憶力と処理能力が効果的に向上し、人生に向き合い、より健康的かつ前向きに働くことができます。 記憶力を向上させる必要があることがわかります。 カンクサにはアセチルコリンや成長因子のレベルを高めるなど、神経伝達物質のバランスも調節できるため、記憶力を大幅に向上させることができます。 これらの物質は記憶と学習にとって非常に重要です。 さらに、肉は血流を改善し、酸素の供給を促進するため、脳に十分な栄養素とエネルギーが確実に供給され、脳の活力と持久力が向上します。
10、000 の順列を使用し、パレート分布 (Winkler, Ridgway, et al. 2016a) で P 値の順列分布の尾部をモデル化し、最大統計 (Westfalland Young 1993)。 HCP データセットには、兄弟 (ほとんどの場合は双子) と一緒にサンプリングされた被験者が含まれています。これは、測定値が独立していると見なすことができないことを意味します。
データセット内の家族構造を考慮しながら、対象の変数間の関連性をテストするために、マルチレベルブロック順列テストを使用しました (Winkler et al. 2015)。 これらの関連性は、一次項および二次項、性別、教育、収入、および一般知能の尺度である NIH ツールボックスの認知機能複合スコア (「CogTotalComp_Unadj」) について補正されました。 テストされた関連性のテール付き P 値を報告しました。{{2}
頂点およびボクセルごとの分析
比較のために、DDとの関連性をテストするために、頂点ごと（皮質の厚さ、表面積）およびボクセルごと（GMV、FA、MD）の個別の単変量解析も実行しました。 これらの分析は、FSL の PALM ソフトウェアに実装されているノンパラメトリック順列テストを使用し、2、000 順列およびしきい値なしのクラスター強化を使用して実行されました (Smith and Nichols 2009)。 以前の分析と同様に、パレート分布を使用して P 値の順列分布の裾をモデル化し、最大統計量の分布を使用して複数のテストに FWER 制御を適用し、マルチレベルのブロック順列テストで家族構造を説明しました。 上記と同様に、これらの分析は、線形項と二次項、性別、教育、収入、および一般的な知能について制御されました。
結果
DD タスクで不完全な応答を示した被験者 (3)、常に即時応答または遅延応答を選択した被験者 (9)、または擬似 R2 統計量 (Camerer and Ho 1999) の事後確率がゼロより大きい被験者を除外しました。{{5} ｝.95、すなわち、モデルが偶然モデル (166) よりもよく応答に適合した被験者。これらの基準により、HCP サンプルから 178 人の被験者が除外されました。 表 1 は、サンプルに関する人口統計情報と、DD について分析されたさまざまな認知タスクと画像モダリティに関する有効な観察の数を示しています。 報酬の主観的価値は、平均して 1 か月後に名目価値の 79%、1 年後には 23% でした。 DD における性差は有意ではありませんでした (男性 (n=473) > 女性 (n=545):t=0.27、P=0.80)。
DDと灰白質の関係
一次および二次の年齢項、性別、および頭蓋内総体積を補正した後、割引率は皮質総体積または調査された皮質下構造の体積とは関連していませんでした。 表 2 に、これらの関連付けの統計を示します。
皮質の厚さ、表面積、およびGMVマップは、linked-ICAと共同で5つの0コンポーネントに分解され、各コンポーネントは灰白質構造が参加者間で強く共変動する領域を反映する空間マップと、コンポーネントの寄与の大きさを示す個々のスコアを定義しました。 。 灰白質成分の 1 つのスコアは、DD と有意に負の相関がありました (図 2A、r =−0.172、Pcorr < 1e−4、テストした 50 個の成分について補正、n=946)。
3 つの灰白質モダリティのうち、このコンポーネントは GMV に最も重く (62%) 重み付けされ (図 2B)、その最大の負荷は側頭極と楔前部にありました (図 2C および D)。 ICAは符号不確定性があるため、コンポーネントのスコアはその負荷(その解剖学的分布は対応する空間マップによって表される)に関して解釈する必要があります。つまり、1つのコンポーネントのスコアとの負の相関は、灰白質構造の測定値との(部分的な)負の相関を反映しています。荷重の値が正の領域。 これらの関連性は、一次および二次の年齢項、性別、教育、収入に関して補正されました。
データを 100 成分で分解すると、同様に 1 つの成分だけが DD と有意に関連し、50- 成分分解で取得したパターンと非常によく似たパターンを示しました (図 2E–G、r {{3 }} −0.158,Pcorr=5e−4、テストした 100 個のコンポーネントについて補正、n=946)。 単変量ボクセルごとの分析では、線形および二次の年齢項、性別、教育、収入を制御した後の両側側頭灰白質領域におけるGMVとDDの間の負の有意な関連も明らかになりました（補足図2）。
これらの領域は、特定された灰白質成分の空間パターンと厳密に一致しました (図 2C および G)。 これらの測定のための表面ベースの頂点方向の分析における複数のテストの FWER 補正後、DD と皮質の厚さまたは面積との関連が有意な皮質領域はありませんでした。
灰白質スコアとの関連が単に一般的な認知機能を反映するものではなく、DD に特有のものであることを確認するために、関心のない共変量のセットに一般的な知能の尺度を追加してこれらの分析を繰り返しました。 同じコンポーネントは依然として DD と有意に関連する唯一のコンポーネントでした ({{0}コンポーネント分解: r=−0.145, Pcorr=0.001; { {6}}コンポーネント分解: r=-0.138、Pcorr=0.123)、単変量ボクセルごとの分析の結果はほとんど変化しませんでした（補足図2）。
DDと白質の関係
FA と MD のデータを合わせて 50 のコンポーネントに分解しました。 複数のテストを調整し、線形および二次の年齢項、性別、学歴、収入の共変動を調整した後は、どの構成要素も割引率と関連していませんでした。 100 個のコンポーネントを使用するか、一般的なインテリジェンスを追加で制御すると、同様の結果が得られました。 同様に、ボクセルごとの分析における複数のテストの FWER 補正後に、DD と FA または MD との関連が有意である領域はありませんでした。
議論
健康な成人の大規模なサンプルからの行動および神経画像データを調べた結果、より大きなDDはより小さな前側頭GMVによって予測されることが判明した。 HCP データセットのサンプルのサイズは、DD と脳の構造を結び付けるこれまでの研究のほとんどよりも大きかったため、小さな規模の影響を確実に捉えることができました。 しかし、以前の報告と矛盾して、DDと皮質容積、皮質下容積、白質の微細構造組織、およびWMまたはEMタスクのスコアとの間に信頼できる関連性の証拠は見つかりませんでした。
より大きな割引は、前側頭領域の GMV が小さいことに関連していました。 この結果は、リンクされた ICA コンポーネントの数を変更し、一般的な知能の尺度を制御した場合でも堅牢でした。 オーウェンセット・アル。 (2017) HCP データセットの T1- 加重スキャンから皮質体積を分析し、分析によって特定された灰白質成分の領域に対応する側頭領域における皮質体積と DD の間の関連性を報告しました。
前側頭灰白質との関連は（同じデータセットを使用したため）予想されますが、私たちの研究は、皮質の厚さと表面積、皮質下領域のGMV、および白質構造の尺度も調べることにより、以前の研究を拡張します。 より徹底的な一連の構造測定を含めたという事実を超えて、観察の独立性を誤って仮定することから生じる可能性のある偏った推定を避けるために、脳構造測定とDDの間の関連性を計算する際にデータの家族構造を尊重しました（Winkleet al. 2015）。
また、チャンスでパフォーマンスをしていた被験者を除外して被験者のより厳密な選択を実行し、データを構造共分散ネットワーク (Pehlivanova et al. 2018) で分解しました。この方法は、重み付けされた値を一緒に平均することで DD との関連性を検出する感度が高くなります。方法）脳領域全体の構造画像の値を取得し、いくつかのモダリティを組み合わせて、よりロバストな推定値を生成します。 実際、ICA を使用して構造データの解析にボクセル単位のアプローチを介して共分散ネットワーク内のイメージング データを分解する重要な利点は、スコアがボクセルベースの値よりもノイズの少ないスコアを生成することです。スコアは、信号の加重平均として取得されるためです。脳全体のすべてのボクセルを対象とし、曖昧な解剖学的描写を犠牲にしてでも、タイプ II エラーのリスクを軽減する可能性のある次元削減を実装します。
Owensらによる研究とは対照的に、解剖学的描写。 (2017)、私たちの分析では、皮質容積とDDの間の関係は有意に達しませんでした。 この乖離は、我々のより厳格な分析選択（ランダムに反応する被験者の除去、データファミリー構造を考慮したノンパラメトリックテスト、交絡因子のより厳密な制御）の結果である可能性が高く、以前に報告された皮質体積とDDの間の関連性が、おそらく偽の関連性ではなく、偽りの関連性であることを示しています。かなりの発見。 DD と全体的な皮質体積の測定との関連は、DD よりも認知のより一般的な側面を反映する変数によって媒介されるはずであると考えられます。
HCP データセットのサンプルサイズが大きいにもかかわらず、白質構造と DD の間に有意な関連があるという証拠は見つかりませんでした。 より小さなサンプルでのトラクトグラフィック再構成を示す以前の研究では、PFCに対する特定の白質路におけるDDと構造接続強度測定値（例：流線の数）との間に負の関連性が報告されている（van den Bos et al. 2015; Hänggi et al. 2016; Hamptonet al. 2017）。 。
接続強度を調査するこれらの研究とは対照的に、私たちは TBSS で処理された FA マップを分析しました。TBSS は白質領域の広範囲の分析を可能にし、計算コストと人件費がかかるため、大規模なデータセットの探索的分析により適しています。多数の被験者に対して包括的なトラクトグラフィー マッピングを実行します。 私たちの知る限り、分析のサンプルは、白質と割引を関連付けたこれまでの研究よりも大幅に大きいです。 しかしながら、認知症のない高齢者302名を対象としたTBSSを用いた最近の研究(Han et al. 2018)(平均年齢= 81.38歳、標準偏差= 7.57歳、75.5%が女性)では、広範な効果が報告されているとWenoteは述べています。両側前頭路、前頭線条体、および側頭頭頂路における側頭割引とFAの間の負の関連性。 私たちの結果との不一致は、サンプル内の人口統計の違いに対応している可能性があります。
それらの関連性の広範な性質を考慮すると、DD などの特定の尺度で予想されるより限定的なパターンとは対照的に、研究結果は老化に関連した変性メカニズムを反映している可能性があります。 さらに、ハンら。 所得水準を管理しなかった。 実際、分析で飼料と性別のみを調整した場合、割引率と有意に相関するスコアを持つ灰白質成分をさらに特定しました（補足資料を参照）。 大きなサンプルはより小さな効果を検出できますが、変数を交絡させることによって単に生成された関連性を検出するリスクも高いため、適切な共変量を調整することが重要になります。
最近の研究 (Marek et al. 2022) では、脳全体にわたる脳と行動の関連研究において大規模なサンプルを使用することの重要性が強調され、これらの研究の典型的なサンプルサイズでは再現不可能な効果や効果サイズの膨張が生じるはずであることが示されています。 真の効果が約 0.15 であると仮定すると (灰白質成分の効果サイズに相当し、Marek et al. 2022 の結果と一致することが確認されました)、80% の検出力を達成するには 250 人を超える被験者が必要になります。 したがって、DD の分野におけるこれまでの研究のほとんどは力不足であり、これがセクション 1 で述べた文献の矛盾を説明しています。この結論は脳と行動の関連にのみ適用され、DD に関するあまり機能的な脳マッピング研究には適用されないことに注意してください。真の効果を検出するにはサンプル サイズが小さくなるはずです。したがって、私たちの結果とそれらの研究の結果との間に矛盾はありません。
即時報酬に対する好みと WM テスト (LSWMT および 2-back) との間に関連性は見つかりませんでした。 同様に、HCP データでは、DD と言語的または非言語的 EM との関連性はありませんでした。 これらの結果は最近の研究(Yeh et al. 2021)と一致しており、脳の構造データの分析に2-のバックタスクとより厳密な統計的処理を含めることでこの研究を補完しています。 Shamosh et al. (2008) は、WM の低下と即時報酬への選好との間の関連性を報告しましたが、彼らのデータでは、この能力は一般知性によって説明される以上の DD の分散を説明しなかったため、この相関関係は WM に特有のものではありませんでした。 年齢と性別のみの関連性を補正した場合、DD は LSWMT、2-back、および言語 EM スコアと有意な負の相関関係がありました (補足資料を参照) が、社会経済的状況変数 (すでに部分的に説明されているはず) を調整すると、この相関関係は有意ではなくなりました。一般的な認知機能）。 したがって、小さなサンプルを使用した場合の迷惑変数と再現不可能な結果による偽の関連性に関する上記の考察は、これらの分析にも当てはまります。
私たちの研究の限界は、私たちの分析が事前に登録されていないため、報告された関連性は確認的であると見なすことができないことです。 それにもかかわらず、我々は、これらの結果の重要な貢献は、以前の研究のサンプルサイズがかなり大きかったため、認知尺度、構造イメージング、および異時点間の選択の間の関係についての効果量のより正確な推定値を提供することにあると信じています。 もう 1 つの制限は、割引率の信頼性が低いことです。 タスクパラメータは、テストと再テストの信頼性が低いことで批判されており(Enkavi et al. 2019)、リスク選好の関連領域では実験パラダイム全体で一貫性が欠けていると批判されています(Pedroni et al.2017)。 これらの理由は、私たちが発見した脳構造との関連性の不足と、研究全体での発見の再現性の低さを部分的に説明している可能性があります。 したがって、将来の重要な手段は、信頼性を向上させて DD を測定するための新しいパラダイムを設計することであるはずです。 可能性のある前進は、より高い信頼性を達成するためにいくつかのタスクパラメータを組み合わせた要約スコアを導出し、脳と行動の関連性を発見する可能性を高めるために多変量手法を使用することにあるかもしれない(Moutoussis et al.2021)。
精神病理学の研究における DD の重要性を考慮すると、その根底にある神経生物学的足場を確実に決定することが基本です。 大規模な神経画像データセットを活用することにより、本研究は、DD の灰白質と白質の相関関係に関する文献の差異を調整するのに役立ちます。 この行動特性は、前側頭領域の GMV と負の相関があり、重要なことに、特定された構造的効果は小さく、多くの関連研究で見つかったものと同等のサイズのサンプルでは検出される可能性は低いことが重要です。 全体として、認知能力や脳の構造との関連性は、これまでの報告が示唆しているよりも弱い可能性があります。 私たちの結果は、DD のより堅牢な尺度の開発と、この分野で一般的であったものよりも大きなサンプルサイズの神経画像研究の実施、および考えられる交絡因子の適切な制御を必要とします。
謝辞
データを収集してくれた Mats Erikson と Kajsa Burstrom に感謝します。 ヒューマン コネクトーム プロジェクト、WU-MinnConsortium (主任研究者: David Van Essen と Kamil Ugurbil; 1U54MH091657) によって提供されたオープンアクセス データセットに感謝します。
補足資料
補足資料は Cerebral Cortexonline で入手できます。
資金調達
この研究は、Swedish ResearchCouncil (MG-M への助成金番号 VR521-2013-2589)、Alexander von Humboldt Research Award (LB)、および AF Jochnick Foundation (LB) からの寄付によって支援されました。
利益相反に関する声明: Zeb Kurth-Nelson 博士は DeepMind に雇用されています。 残りの著者は利益相反を宣言していません。
参考文献
1. アディス DR、ウォン AT、シャクター DL。 過去を思い出し、未来を想像する：イベントの構築と精緻化における共通かつ個別の神経基盤。 神経心理学。 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。 双極性障害および統合失調症患者における報酬の一時的な割引。 J・アブノーム・サイコル。 2011:120:911–921。
3. Amlung M、Vedelago L、Acker J、Balodis I、MacKillop J. 急激な遅延割引と依存性行動: 連続連想のメタ分析。 依存症。 2017:112:51–62。
4. アッシュバーナー J、フリストン KJ。 ボクセルベースの形態計測 - Methods.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、他。 ヒトコネクトームの機能: タスク fMRI と行動の個人差。 ニューロイメージ。 2013:80:169–189。
For more information:1950477648nn@gmail.com
