In vivo důkazy neurofyziologického dozrávání dospělého striatum dospívajících (2015)

Dev Cogn Neurosci. 2015 Apr; 12: 74-85. doi: 10.1016 / j.dcn.2014.12.003. Epub 2014 Dec 30.

Larsen B1, Luna B2.

Informace o autorovi

  • 1Katedra psychologie, University of Pittsburgh, Pittsburgh, PA 15213, USA; Centrum pro neurální základy poznávání, Pittsburgh, PA 15213, USA. Elektronická adresa: [chráněno e-mailem].
  • 2Katedra psychologie, University of Pittsburgh, Pittsburgh, PA 15213, USA; Centrum pro neurální základy poznávání, Pittsburgh, PA 15213, USA; Western Psychiatric Institute and Clinic, University of Pittsburgh Medical Center, Pittsburgh, PA 15213, USA.

Abstraktní

Předpokládalo se, že maturace striata hraje primární roli v pozorovaných nárůstech při vyhledávání adolescentních pocitů. Důkazy neurofyziologického zrání v lidském adolescentním striatu jsou však omezené. Použili jsme zobrazování s váhou T2 *, které odráží indexy koncentrace tkáň-železo, abychom poskytli přímý důkaz in vivo o neurofyziologickém vývoji lidského adolescentního striatu.

Multivariační vzorová analýza (MVPA) striatálních signálů s váženým signálem T2 * generovala věkové předpovědi, které představovaly více než 60% rozptylu vzorku ve věku 10-25, a to jak s využitím úkolů, tak s klidovým stavem fMRI.

Dorsální a ventrální striatum vykazovalo vzestup a pokles striatální neurofyziologie, což naznačuje kvalitativní rozdíly ve zrání limbických a výkonných striatálních systémů. Zejména bylo zjištěno, že ventrální striatum vykazuje největší vývojové rozdíly a nejvíce přispívá k vícerozměrnému prediktoru věku. Je diskutován vztah signálu váženého T2 * k striatálnímu dopaminovému systému. Výsledky společně dokládají protrahovanou maturaci striata prostřednictvím dospívání.

KEYWORDS:

Dospívání; Rozvoj; Analýza více proměnných; Neurofyziologie; Striatum; T2 *


1. Úvod

Chování adolescentů je charakterizováno zvýšením vyhledávání pocitů, které může vést k maladaptivnímu riskování, což vede ke zvýšené pravděpodobnosti úmrtí nebo vážného zranění (Eaton a kol., 2006). Existuje tedy podnět k pochopení neurodevelopmentálních změn v motivačním systému, které mohou přispívat k tomuto profilu chování. Striatum je v tomto kontextu obzvláště zajímavé, protože se podílí na zpracování motivace a odměn, učení, řízení motorů a poznávání. (Haber a Knutson, 2010, McClure a kol., 2003, Middleton a Strick, 2000 a Vo et al., 2011).

Modely hlodavců a nehumánních primátů poskytují důkazy svědčící o pokračující striatální synaptogenezi v časné adolescenci, maximách exprese receptoru dopaminu a projekcích dopaminu od striata do prefrontální kůry a synaptické prořezávání v pozdní adolescenci (Crews a kol., 2007, Kalsbeek a kol., 1988, Rosenberg a Lewis, 1995, Tarazi a kol., 1998 a Teicher a kol., 1995). Tato linie důkazů vedla k hypotéze, že k podobným neurofyziologickým změnám dochází u dospívajících lidí (Casey a kol., 2008 a Spear, 2000). Počáteční studie zobrazování funkční magnetické rezonance (fMRI) našli přesvědčivé důkazy naznačující maximální citlivost adolescentního striata k odměňování podnětů ve vztahu k dospělým a dětem (Ernst a kol., 2005, Galvan a kol., 2006, Galvan a kol., 2007, Geier a kol., 2010, Leijenhorst a kol., 2010 a Padmanabhan a kol., 2011), i když toto zjištění nebylo konzistentní (Bjork a kol., 2004 a Eshel a kol., 2007) a pravděpodobně závisí na vyšetřovaném kontextu odměňování (Crone a Dahl, 2012). Nedávná práce například naznačila, že striatální reaktivita k očekávání odměny se zvyšuje do dospělosti, zatímco reaktivita k odměňování se snižuje (Hoogendam a kol., 2013). V současné době chybí opatření in vivo, pomocí kterých by bylo možné posoudit rozdíly související s věkem v lidské striatální neurofyziologii, což omezuje naši schopnost porozumět nervovým mechanismům, které jsou základem rozdílů v adolescentní striatální funkci. Porozumění vývoji striatální neurofyziologie má zvláštní význam vzhledem k tomu, že abnormální striatální neurofyziologie a funkce jsou zapojeny do řady neuropsychologických poruch, které se objevují během dětství a adolescence (Bradshaw a Sheppard, 2000 a Chambers a kol., 2003). Lepší pochopení normativního neurofyziologického zrání striata tak může informovat modely normálního a abnormálního chování adolescentů.

Koncentrace tkáně – železa ve striatu převládá (Haacke a kol., 2005 a Schenck, 2003) a bylo zjištěno, že podporuje hustoty receptoru dopaminu D2 a dopaminového transportéru (DAT) ve studiích nedostatku železa, ADHD a syndromu neklidných nohou, které souvisejí s abnormalitami při zpracování DA, (Adisetiyo a kol., 2014, Connor a kol., 2009, Erikson a kol., 2000 a Wiesinger a kol., 2007), jakož i funkce a regulace dopaminových neuronů (Vousy, 2003 a Jellen a kol., 2013). Rozdíly v koncentraci železa ve striatálních tkáních, které lze měřit pomocí MRI, mohou tedy sloužit jako indikátor dopaminergních rozdílů v dospívání. Tkáň - železo je paramagnetické, a tak silně ovlivňuje signál MRI s váhou T2 * (Langkammer a kol., 2010, Langkammer a kol., 2012 a Schenck, 2003), které lze neinvazivně shromažďovat in vivo po celou dobu životnosti (Aquino a kol., 2009, Haacke a kol., 2005 a Wang a kol., 2012). Vliv železa na signál T2 * byl použit pro kvantifikaci železa v různých měřeních MR, včetně citlivosti váženého zobrazování (SWI) (Haacke a kol., 2004), R2 * (Haacke a kol., 2010) a R2 ′ (Sedlacik a kol., 2014). V této studii využíváme rozsáhlý datový soubor echo-planárních zobrazení (EPI) s váhou T2 *, který se nejvíce podobá SWI. Počáteční studie použily podobná data ve spojení s analýzou více proměnných k prozkoumání striatálních procesů, které jsou základem učení (Vo et al., 2011).

Zde používáme EPI (T2 *) s váhou T2 * (T2 *), abychom charakterizovali věkově související rozdíly v neurofyziologii lidského adolescentního striatu in vivo pomocí přístupu s více proměnnými vzory. Konkrétně používáme prostorové vzorce striatálního T2 * ke generování vysoce významných věkových předpovědí z akvizic EPI (fMRI) vázaných na úkol i v klidovém stavu TXNUMX *, což demonstruje silný a robustní vztah mezi tímto opatřením a vývojem. Dále identifikujeme ventrální striatum, centrální centrum dopaminových odměnových drah, které jsou hypotézou pro podstupování rizika dospívajících (Blum a kol., 2000, Casey a kol., 2008 a Spear, 2000), jako kritická součást dospívání striatálního zrání. Tato práce upozorňuje na dynamický charakter normativního vývoje striatálního adolescenta, informuje modely dozrávání motivačních systémů během dospívání.

2. Materiály a metody

2.1. Vzorek

Této studie se zúčastnilo sto šedesát adolescentů a mladých dospělých (ve věku 10 – 25, M = 16.56, SD = 3.62). Osmnáct účastníků bylo vyloučeno kvůli nadměrnému pohybu hlavy (popsáno níže), čímž se získal konečný vzorek 142 (ve věku 10–25 let, M = 16.41, SD = 3.71, 71 mužů). Podskupina z nich byla také zahrnuta do replikační analýzy pomocí údajů o klidovém stavu (popsáno níže). Všechny subjekty měly anamnézu, která neodhalila žádné neurologické onemocnění, poranění mozku a žádnou anamnézu osobního nebo prvního příbuzného s významným psychiatrickým onemocněním. Všechny experimentální postupy v této studii byly v souladu s Etickým kodexem Světové lékařské asociace (Helsinská deklarace z roku 1964) a Institutional Review Board na University of Pittsburgh. Účastníkům byla za účast na studii zaplacena. Tato data byla původně shromážděna pro projekt vyšetřující zpracování odměn a funkční konektivitu v klidovém stavu a podmnožiny této datové sady byly zahrnuty do dříve publikovaných studií vývoje sítě v klidovém stavu ( Hwang a kol., 2013) a motivační zpracování ( Paulsen a kol., 2014).

2.2. Zobrazovací postup

Zobrazovací data byla shromážděna pomocí skeneru 3.0 Tesla Trio (Siemens) v Magnetic Resonance Research Center (MRRC), Presbyterian University Hospital, Pittsburgh, PA. Parametry akvizice byly: TR = 1.5 s; TE = 25 ms; úhel otočení = 70 °; jediný výstřel; úplný k-prostor; 64 × 64 akviziční matice s FOV = 20 cm × 20 cm. Bylo shromážděno dvacet devět 4 mm silných axiálních řezů bez mezery zarovnaných k přední a zadní komisuře (linie AC – PC), generující voxely 3.125 mm × 3.125 mm × 4 mm, které pokrývaly celou kůru a většinu mozečku . Shromáždili jsme čtyři běhy 302 TR během úkolu antisaccade (4 × 302 = 1208) a jeden běh 200 TR během skenování v klidovém stavu. K získání strukturních obrazů v sagitální rovině byla použita trojrozměrná objemová magnetizace připravená pulzní sekvence rychlého akvizičního gradientu echo (MPRAGE) se 192 řezy (tloušťka řezu 1 mm).

Data vážená T2 * byla sbírána jako součást samostatné studie zkoumající zpracování odměn. Stručně řečeno, subjekty se účastnily odměny modulovaného antisakádového úkolu, ve kterém byly instruovány, aby vytvořily saccady do zrcadlových umístění periferně prezentovaných podnětů. Na začátku každé studie byly subjektům předloženy odměny, ztráty nebo neutrální narážky, které naznačovaly možnost odměny v závislosti na výkonu. Výkon byl hodnocen pomocí sledování očí a účastníci obdrželi zvukovou zpětnou vazbu pro správné a nesprávné pokusy.

2.3. Datový soubor v klidovém stavu

Sto jedinců se také zúčastnilo skenování v klidovém stavu. Jedenáct bylo vyloučeno kvůli pohybovým artefaktům, a proto byli do této analýzy zahrnuti subjekty 89 (věk 10 – 25, M = 16.2, SD = 3.77; 43 mužů). Shromáždili jsme 5minutové (200 svazků) skenování v klidovém stavu pro každý subjekt pomocí stejných parametrů skenování uvedených výše. Během skenování v klidovém stavu byli účastníci požádáni, aby zavřeli oči, uvolnili se, ale nezaspali.

2.4. Předběžné zpracování dat vážených T2 *

Veškeré předzpracování bylo provedeno pomocí softwarové knihovny FMRIB (FSL; Smith a kol., 2004) a softwarový balíček Analysis of Functional Neuro Images (AFNI) (Cox, 1996). Počáteční kroky předzpracování jsou podobné těm, které se používají v konvenčním fMRI. Data vážená na T2 * byla zpočátku zbavena špiček a čas řezu byl opraven tak, aby zohledňoval postupné získávání. K řešení pohybu jsme použili odhady rotačního a translačního pohybu hlavy k výpočtu míry pohybu odmocniny (RMS) a účastníci s relativním RMS vyšším než přísná prahová hodnota 0.3 mm pro více než 15% objemů v běhu byli vyloučeni z dalšího analýza. U zbývajících subjektů jsme použili korekci pohybu zarovnáním každého svazku v časové řadě s objemem získaným uprostřed akvizice. Data každého účastníka T2 * byla lineárně zaregistrována do MPRAGE pomocí nástroje FLLT od FSL a poté byl obraz MPRAGE nelineárně zaregistrován do prostoru MNI (Montreal Neurological Institute) pomocí nástroje FLIR od FSL. Zřetězení lineární registrace z EPI do MPRAGE a nelineární registrace z MPRAGE do MNI prostoru bylo poté aplikováno na všechny EPI obrazy pro každého účastníka. Objemy byly filtrovány horní propustí při 008 Hz. Data nebyla vyhlazena, aby nedošlo k narušení voxel-wise vzorů pro následnou analýzu MVPA. Vyhlazení může potenciálně zkreslit výkon vektorových strojů s lineární podporou (Misaki a kol., 2013). Data v klidovém stavu a data týkající se úkolů byla zpracována odděleně pomocí stejných postupů.

2.4.1. Normalizace a průměrování

Obecně jsou data EPI vážená T2 * analyzována v čase a kvantifikují malé fluktuace signálu váženého T2 * v závislosti na odpovědi na hladině krevní kyslík (BOLD). Chtěli bychom zdůraznit, že v této studii nás nezajímají tyto malé kolísání BOLD. Spíše se zajímáme o vlastnosti signálu s váhou T2 *, které se časem nemění a odrážejí přetrvávající neurofyziologické vlastnosti mozkové tkáně. Proud předzpracování se tedy v tomto bodě liší od proudu konvenční analýzy BOLD. Postupy pro zpracování našich obrázků s váhou T2 * byly přísně dodržovány Vo et al. (2011). Každý svazek byl nejprve normalizován na svůj vlastní průměr a normalizovaný signál byl poté zprůměrován, voxel-moudrý, ve všech čtyřech bězích (1208 svazků) získání úlohy. Tento proces vyústil v jeden normalizovaný obraz vážený T2 * pro každého účastníka. Údaje o klidovém stavu byly analyzovány samostatně a byly zprůměrovány na všech 200 objemech z 5minutové akvizice. Normalizační krok je nezbytný, protože samotný signál vážený T2 * je citlivý na potenciální rozdíly mezi MRI skeny - ať už u subjektů v čase nebo mezi subjekty - které mohou vést k posunům v intenzitě signálu váženého T2 *. Normalizace tak umožňuje srovnání hodnot T2 * mezi účastníky. Přestože signál T2 * lze vypočítat z jediného objemu, zprůměrovali jsme průměrné objemy, abychom zlepšili poměr signálu k šumu.

2.5. Identifikace striatálních regionů

Anatomicky jsme identifikovali putamen, caudate a nucleus accumbens podle atlasů mozku obsažených v softwarovém balíčku AFNI. Regionální masky byly konzervativnější odstraněním všech voxelů, které pravděpodobně obsahují mozkomíšní mok (CSF). CSF byl parcelován pomocí FSL FAST segmentace a voxely, které měly průměrnou pravděpodobnost subjektu větší než 0.15 bytí CSF, byly odstraněny z anatomicky definovaných oblastí.

2.6. Univariační analýza

Nejprve jsme použili tradiční univariační analýzu k posouzení průměrných vývojových rozdílů ve striatálním T2 *. Pro každý subjekt jsme vypočítali prostorovou střední intenzitu signálu váženou T2 * přes voxely v anatomicky definované oblasti a analyzovali vztah mezi prostorovými prostředky a chronologickým věkem. Konkrétně jsme snížili věk na střední hodnoty T2 * pomocí jednoduché regrese a vypočítali Pearsonovu korelaci mezi přizpůsobenými hodnotami věku a skutečným věkem subjektů v každé oblasti zájmu.

2.7. Analýza více proměnných

Je dobře prokázáno, že striatum a jeho podoblasti (caudate, putamen) nejsou prostorově homologní ve funkčnosti, konektivitě nebo neurobiologii (Cohen a kol., 2009, Martinez a kol., 2003, Middleton a Strick, 2000 a Postuma a Dagher, 2006). Strukturální vývoj striatu dále pokračuje prostorově nejednotným způsobem (Raznahan a kol., 2014). Vývoj základní striatální neurofyziologie, včetně koncentrace tkáň-železo, je proto pravděpodobně také nejednotný. Předpokládali jsme tedy, že rozdíly související se stárnutím T2 * související s věkem budou lépe zachyceny citlivějším, mnohorozměrnějším přístupem. Pro analýzu vztahu mezi jemnozrnnými vzory intenzity T2 * a věku jsme použili multivariační lineární podporu vektorové strojové regrese (SVR) v MATLABu (The MathWorks, Inc., Natick, Massachusetts, USA) pomocí LIBSVM (Chang a Lin, 2011). Podpora vektorové regrese se stala populárním analytickým nástrojem v neuroimagingových studiích díky své schopnosti zpracovávat vysokorozměrné datové sady a generovat přesné předpovědi (Misaki a kol., 2010). Multivariační přístup umožňuje posoudit změny ve vzorcích voxelů T2 * ve striatu, které se vztahují k věku. Důležité je, že tato analýza má výhody oproti konvenčním průměrným regionům, které jsou předmětem zájmu, univariační analýzy v tom, že je citlivá na potenciální prostorovou heterogenitu vývojových trajektorií T2 * napříč striemem, které nejsou zachyceny hromadným prostorovým průměrem. Zvláštní význam pro tuto studii byl SVR dříve používán Vo et al. (2011) předpovídat úspěch učení z prostorových vzorců striatálního T2 * a podle Dosenbach a kol. (2010) předpovídat věk podle vzorů funkční konektivity v klidovém stavu. Podpůrné vektorové stroje byly podrobně popsány z praktického (Luts a kol., 2010 a Pereira a kol., 2009) a podrobný matematický pohled (Burges Christopher, 1998, Chih-Wei a kol., 2003 a Vapnik, 1999) a budou zde stručně popsány.

Lineární podpůrná vektorová regrese je rozšíření klasifikace podpůrných vektorů, které umožňuje asociaci vzorů funkcí s proměnnou se skutečnou hodnotou, což umožňuje předpovědi se skutečnou hodnotou. Vzorky (datové body) se štítky se skutečnou hodnotou jsou zastoupeny ve vysokorozměrném prostoru, jehož rozměry se rovnají počtu prvků proměnné, o kterou je zájem. SVR definuje regresní čáru skrz prostorový prostor, který optimálně modeluje funkční vztah mezi vlastnostmi proměnné, x (např. hodnoty T2 * voxel-moudrý v oblasti zájmu) a popisky proměnné se skutečnou hodnotou, y (např. věk předmětu). Vzorky jsou penalizovány v poměru k jejich vzdálenosti od regresní linie. Použili jsme epsilon necitlivý SVR, který definuje trubku kolem regresní linie se šířkou řízenou parametrem epsilon, uvnitř kterého vzorky nevykazují žádnou pokutu. Kompromis mezi stupněm, ve kterém jsou vzorky, které spadají mimo zkumavku necitlivou na epsilon, penalizován a rovnost regresní linie je regulována konstantou, C. Jako hodnota C se zvyšuje, regresní linie může být méně plochá, což může zvýšit obecnou použitelnost modelu.

Vyškolili jsme a ověřili náš model SVR napříč subjekty (jedna sada voxel-hodnotných hodnot T2 * a jeden věkový štítek na subjekt) pomocí křížové validace leave-one-subject-out (LOSO). LOSO je iterační proces, při kterém se údaje jednoho subjektu používají k ověření, zatímco údaje druhého n - 1 předměty se používají pro trénink. Predikce věku je generována pro vynechaný vzorek na základě samotných hodnot T2 * podle voxelů a proces se opakuje, dokud nebude pro ověření použit každý předmět. Výsledkem je jedna věková predikce pro každý subjekt a výkonnost modelu SVR lze určit korelací mezi věkem skutečného subjektu a věkem předpovězeným modelem. Parametr C byl optimalizován pro každý záhyb křížové validace LOSO pomocí vnořeného křížového ověření LOSO. Použili jsme výchozí hodnotu epsilon z sady nástrojů LIBSVM 0.001. Analýza SVR byla opakována pro data T2 * v klidovém stavu. Všechno p- hodnoty byly potvrzeny pomocí testů na významnost permutace (1000 iterace). Vybrali jsme LOSO spíše než jiné metody křížové validace, abychom maximalizovali množství údajů o školení použitých v každé iteraci křížové validace; ačkoli naše velikost vzorku je velká, počet subjektů ve vzorku byl často menší než počet funkcí zahrnutých v modelu SVR.

2.7.1. Částečná korekce objemu

Abychom zajistili, že vícerozměrné věkové předpovědi neodrážejí pouze potenciální systematické rozdíly v T2 * vyplývající z částečných objemových efektů, použili jsme nástroj FSL FAST pro segmentaci tkání k vytvoření pravděpodobnostních masek bílé a šedé hmoty z obrazů vážených účastníky T1. Poté jsme regresovali pravděpodobnosti šedé hmoty z měření T2 * napříč subjekty pro každý voxel a opakovali jsme SVR analýzu s použitím opravených dat. Kromě kontroly systematických rozdílů v částečném objemu tento proces ortogonalizoval rozdíly související s věkem v hodnotách T2 * s ohledem na potenciální rozdíly ve striatálním objemu a nelineární prostorovou normalizaci.

2.7.2. Charakterizace vzorku

Abychom charakterizovali prostorové vzorce striatálního T2 * a jejich trajektorii s věkem, odhadli jsme vývojovou trajektorii T2 * regresí věku na signálu T2 * pomocí lineárních, kvadratických a inverzních regresních modelů pro každý striatální voxel použitý v SVR analýze. Abychom kvantifikovali relativní příspěvek složek (voxelů) prostorových vzorů T2 *, vypočítali jsme absolutní hodnotu průměrné hmotnosti prvku pro každý striatální voxel použitý v SVR analýze ve všech záhybech křížové validace LOSO.

2.8. Analýza světlometu

Abychom prozkoumali vztah mezi intenzitou T2 * a věkem za hranicemi našich priori striatálních oblastí, provedli jsme analýzu světelného mozku (Kriegeskorte a kol., 2006). Pro provedení analýzy jsme definovali sférickou šablonu s průměrem 5 voxelů (celkem 81 voxelů), na druhou stranu vystřídali templát na každém mozkovém voxelu a provedli SVR analýzu popsanou výše na 81 voxelech v templátu. Do této analýzy byly zahrnuty pouze voxely obsažené ve spojení mozkové masky. Korelace mezi skutečným a předpokládaným věkem v každém místě šablony byla uložena ve středovém voxelu. Opakováním tohoto procesu pro každý voxel jsme získali masku korelací celého mozku. Umístění klastrů voxelů bylo odhadnuto pomocí atlasů zahrnutých v AFNI.

3. Výsledek

3.1. Univariační analýza

Prostorový průměr T2 * napříč všemi voxely ve striatu nesouvisel významně s věkem (r = 0.02), přičemž model představuje pouze 0.0004% rozptylu ve vzorku. Když jsme rozdělili striatum na caudate, putamen a nucleus accumbens a opakovali jsme analýzu, zjistili jsme, že informace přenášené ve střední hodnotě T2 * jsou dostatečné pro generování významných věkových předpovědí v caudate (r = 0.286, p <0.001) a putamen (r = 0.182, p <0.05) a byla zvláště prediktivní u nucleus accumbens (r = 0.506, p <10-9, Obr. 1A, bílé pruhy). Funkční a neurobiologické členění striatu však existuje v jemnějším měřítku, než je možné zachytit analýzou prostorové střední úrovně ( Cohen a kol., 2009, Martinez a kol., 2003 a Postuma a Dagher, 2006). Proto jsme předpokládali, že vývojové rozdíly ve striatálním T2 * by bylo možné lépe zachytit pomocí citlivějšího, vícerozměrného přístupu.

  • Obrázek v plné velikosti (51 K)
  • Obr. 1.   

    Korelace mezi skutečným věkem a předpokládaným věkem pomocí T2 * z univariačních a multivariačních modelů ve striatálních oblastech zájmu. (A) Sloupcové grafy porovnávající korelace mezi skutečným a předpovězeným věkem za použití tří modelů: univariační analýza (bílé sloupce) a vícerozměrné analýzy vzorů jak úkolů (černé sloupce), tak zbytkových (šedé sloupce). Multivariační analýza poskytuje výrazně větší korelaci než univariační analýza v putamenu, caudátu a celém striatu. Mezi výsledky týkajícími se úkolů a klidového stavu není žádný rozdíl. (*p <0.05, **p <0.01, ***p <0.001 permutačních testů). (B) Pravdivý vs. předpovídaný věk z celého striata pomocí analýzy vícerozměrných vzorců T2 * u 142 dospívajících a mladých dospělých. Předpokládaný věk představuje 63% rozptylu vzorku.

3.2. Analýza více proměnných

Vícerozměrné vzorce signálu T2 * produkovaly velmi významné věkové předpovědi ve všech striatálních oblastech (Obr. 1A, černé pruhy), což ukazuje na silný vztah mezi tímto měřítkem a vývojem adolescentů. Největší korelace mezi předpokládaným věkem a skutečným věkem účastníků byla pozorována v celém striatu (kombinovaný kaudát, putamen a nucleus accumbens), kde vzorce T2 * představovaly 63% rozptylu v věku účastníka (r = 0.79, p <10-30; permutační test: p <0.001, Obr. 1B).

Objem striatální šedé hmoty se liší s věkem během dospívání (Raznahan a kol., 2014 a Sowell a kol., 1999). Aby se zajistilo, že vícerozměrné věkové předpovědi neodrážejí systematické dílčí objemové rozdíly vznikající ze změny striatálního objemu nebo artefaktů prostorové normalizace, opakovali jsme analýzu SVR, která řídila voxelové rozdíly v objemu šedé hmoty. Nezjistili jsme žádný významný rozdíl ve výkonu modelu pomocí objemově řízených dat (doplňkový obrázek 1).

Signál T2 * odráží přetrvávající vlastnosti neurofyziologických tkání (Vo et al., 2011) a měla by být necitlivá na účinky úkolu nebo kontextu. Přesto jsme replikovali analýzu pro subjekty, které se účastnily studie klidového stavu během stejné relace skenování. Nezjistili jsme žádný významný rozdíl v naší schopnosti předpovídat věk podle vzorců T2 * pomocí dat souvisejících s úkoly a klidového stavu (Obr. 1B, šedé pruhy). Dále jsme vypočítali korelaci mezi voxelem mezi prostorovými vzory klidového stavu a T2 * souvisejícím s úkolem ve striatu pro každého účastníka a pozorovali jsme střední Pearsonovu korelaci 0.97, což ukazuje, že vzory jsou konzistentní mezi úkolem a odpočinkem. Tedy dále omezujeme naše zaměření na T2 * data shromážděná během úlohy, která je průměrována na více svazků (1208 vs 200) a má větší velikost vzorku (142 vs 89).

Jak jsme předpovídali, prostorové vzorce předpovídaly věk přesněji pro téměř každou striatální oblast zájmu. Zlepšení bylo obzvláště nápadné v celém striatu, kde se rozsah vysvětleného rozptylu věku účastníků zvýšil z blízkých 0% pomocí prostorových prostředků na 63% pomocí prostorových vzorců. Tento kontrast silně ukazuje, že striatum prochází komplexním vzorcem neurofyziologického vývoje, který se odráží v průběhu striatálních voxelů během dospívání. Abychom lépe objasnili povahu tohoto vývojového vzorce, charakterizovali jsme vývojové trajektorie T2 * napříč striatem.

3.3. Charakterizace vzorku

Klíčovou výhodou SVR je schopnost kvantifikovat funkce, které přispívají k vícerozměrnému prediktoru. Abychom mohli využít tyto kvantitativní informace, extrahovali jsme z funkce SVR váhu funkcí přiřazenou každému voxelu. Hmotnost prvku lze považovat za index důležitosti prvku (voxel) při generování vícerozměrné předpovědi věku. Abychom určili složky prostorového vzoru striatálních intenzit T2 *, které měly největší relativní příspěvek k vícerozměrnému prediktoru, kvantifikovali jsme absolutní rysové hmotnosti, abychom identifikovali striatální voxely s největší relativní hmotností. Nejvlivnější byl shluk voxelů ve ventrálním striatu, na křižovatce caudate, putamen a nucleus accumbens, následovaný shlukem v dorzálním caudate (Obr. 2A). Ventrální striatální klastr měl negativní lineární vztah s věkem (R2 = 0.361, p <10-14; Obr. 2B plná čára) a hřbetní kazudátový shluk měl rostoucí inverzní souvislost s věkem (R2 = 0.078, p <0.001; Obr. 2B přerušovaná čára).

  • Obrázek v plné velikosti (51 K)
  • Obr. 2.   

    Charakterizace vícerozměrných vzorců striatálního zrání. (A) Kvantifikace absolutních váhových charakteristik pro všechny striatální voxely obsažené v multivariačním modelu SVR. Vyšší hmotnosti znamenají vyšší relativní příspěvky k vícerozměrnému prediktoru. Největší váhané voxely byly shlukovány do ventrálního striata a dorzálního caudátu. (B) Průměrné vývojové trajektorie T2 * a 95% intervaly spolehlivosti pro voxely z klastrů píku v (B) vynesené jako funkce věku. Panely C a D ilustrují maturační trajektorie jednotlivých voxelů zahrnutých do vícerozměrné analýzy SVR. (C) Standardizované beta odhady z jednoduchých lineárních regresí věku voxelů na T2 *. Maturační trajektorie klesala podél dorzálně-ventrálního gradientu, přičemž hodnoty voxel T2 * se obecně zvyšovaly s věkem dorzálně a obecně se ventrikálně snižovaly. Tento vztah je symetrický napříč hemisférami. (D) Striatální voxely z (C) barevně kódované podle nejlépe padnoucího modelu (lineární: červená / modrá, inverzní: oranžová / purpurová, kvadratická: zelená / žlutá).

Ačkoli tyto klastry měly největší relativní váhu, je důležité mít na paměti, že věková predikce je funkcí multivariačního vztahu mezi všemi voxely zahrnutými v modelu. Proto jsme odhadli vývojovou trajektorii signálu T2 * pro každý voxel použitý v SVR analýze pomocí jednoduchých lineárních, kvadratických a inverzních regresních modelů, o nichž je známo, že charakterizují vývojovou změnu během tohoto období (Luna a kol., 2004) s cílem komplexně vizualizovat maturační vzorce. Většina voxelů byla lineárně spjata s věkem, přičemž podmnožina nejlépe vyhovovala kvadratickým a inverzním vztahům. Pro ilustraci této distribuce jsme kategorizovali voxely na základě nejlépe padnoucího modelu - pozitivní a negativní lineární, kvadratické a inverzní vztahy - a překryli je na standardní anatomický obraz, čímž jsme vytvořili vývojovou masku strNa T2 * (Obr. 2D).

Popisně, vývojové trajektorie T2 * z velké části padaly podél ventrálního na dorzální gradient, sahající od vysoce negativních vztahů ve ventrálních částech striata, o nichž je známo, že mají převážně limbické kortikální spojení, až po pozitivní vztahy v dorzálních částech, o nichž je známo, že mají převážně výkonné a motorické kortikální spojení (Alexander a kol., 1986 a Cohen a kol., 2009), to bylo symetrické napříč hemisférami (Obr. 2C; vzpomenout na zvýšenou koncentraci železa v tkáni klesá signál T2 *). Negativní kvadratické (obrácené „U“) a rostoucí inverzní vztahy byly pozorovány v dorzálních částech putamenu, caudate a nucleus accumbens, s negativními kvadratickými vztahy (obrácené „U“) seskupeny více na pravé polokouli a rostoucí inverzní vztahy seskupeny více nalevo. Negativní kvadratické vztahy dosáhly průměrných maxim v období dospívání ve věku 18.4 v caudátu a 17.4 v putamenu. Pozitivní kvadratické (ve tvaru „U“) a klesající inverzní vztahy byly pozorovány bilaterálně u ventrálních putamenů, s klesajícími inverzními vztahy vyskytujícími se v rostroventrálních putamenech a pozitivní kvadratické vztahy vyskytující se v kaudoventrálních putamenech dosahujících minim ve věku 20. Pozorovaná heterogenita vývojových trajektorií napříč striatálními voxely pravděpodobně vysvětluje vyšší výkon našeho multivariačního modelu oproti univariačnímu modelu při zachycování rozdílů souvisejících s věkem.

3.4. Analýza celého mozku

Abychom prozkoumali možné souvislosti mezi prostorovými vzory T2 * a vývojem v mozku a potvrdili specifičnost striatálních příspěvků, provedli jsme průzkumnou světelnou analýzu (Kriegeskorte a kol., 2006). Světlomet odhalil, že věk byl nejvýznamněji předpovězen ve striatu a midbrainu, včetně červeného jádra, substantia nigra a dalších částí bazálních ganglií (Obr. 3). Mezi další regiony, které generovaly vysoce významné věkové předpovědi, patří perigenální přední cingulační kůra, Brodmann Area 10, mediální pre-frontální kůra, přední vyšší přední frontální gyrus, insula, pre- a post-centrální gyrus, přední thalamus a dentátové jádro mozečku. Významné korelace byly také pozorovány ve strukturách corpus callosum a fronto-parietálních strukturách bílé hmoty. Mnoho z těchto oblastí (např. Bazální ganglie, midbrain, jádro dentátu, frontální bílá hmota) patří k oblastem mozku nejbohatším na železo (Connor a Menzies, 1996, Drayer a kol., 1986, Haacke a kol., 2005, Haacke a kol., 2007 a Langkammer a kol., 2010) a část mezolimbických / mezokortikálních a nigrostriatálních dopaminových drah (např. midbrain, striatum, prefrontální kůra (Beaulieu a Gainetdinova, 2011, Haber a Knutson, 2010 a Puglisi-Allegra a Ventura, 2012). Největší korelace byly pozorovány ve spoji jádra accumbens, ventromedial putamen a ventromedial caudate (vrchol voxel: MNI −8, 5, −11), což naznačuje, že T2 * má zvláště silný vztah k vývoji adolescentů v této části mozek, který je silně spojen s dopaminergními způsoby odměňování a limbickým systémem (Galvan a kol., 2006, Galvan a kol., 2007, McGinty a kol., 2013 a Puglisi-Allegra a Ventura, 2012).

  • Obrázek v plné velikosti (61 K)
  • Obr. 3.   

    Výsledky hledání celého mozku zvýrazňují regiony se silnými asociacemi mezi T2 * a vývojem adolescentů. Barvy představují korelaci mezi skutečným věkem a předpokládaným věkem z analýzy světlometu SVR zaměřené na tento voxel. Pouze voxely s korelací mezi skutečným a předpokládaným věkem, které jsou významné p <0.001, zobrazí se Bonferroni opravené (tj. 0.001 / počet mozkových voxelů). Vrcholový voxel se nachází ve ventrálním striatu (souřadnice MNI: −8, 5, −11). mPFC: mediální pre-frontální kůra, pgAC: perigenual přední cingulate, CC: corpus callosum, sFG: superior frontální gyrus, CG: centrální gyrus, VS: ventrální striatum (včetně nucleus accumbens), SN: substantia nigra, RN: červené jádro.

Signál vážený T2 *, zejména pokud je shromažďován v rovině jako v EPI, je náchylný k výpadku signálu kvůli artefaktům susceptibility v blízkosti báze mozku (např. Orbitofrontální kůra a inferotemporální kůra), čímž se zvyšuje možnost rozdílů souvisejících s věkem v T2 * může vzniknout z artefaktů citlivosti v těchto oblastech mozku. To by nemělo mít velký účinek, protože hrubá morfometrie mozku je stanovena mladším věkem než naše věková skupina (Caviness et al., 1996). Kromě toho (1) se naše nejvýznamnější věkové účinky vyskytují v oblastech mozku, o kterých je známo, že mají vysokou koncentraci železa (např. Bazální ganglie a midbrain), a vsazené do oblastí s výrazným poklesem signálu a (2), které jsou oblasti mozku nejvíce náchylné k artefaktům náchylnosti (např. oribitofrontální kůra a inferotemporální kůra; doplňkový obrázek 2A a B) nevykazují významné věkové účinky (doplňkový obrázek 2C).

4. Diskuse

V této studii byly použity prostorové vzory striatálních obrazů souvisejících s normalizovanými T2 * váženými úkoly a klidovým stavem k vytvoření vysoce významných věkových předpovědí ve velkém průřezovém vzorku adolescentů a mladých dospělých, což poskytuje in vivo důkaz neurofyziologického vývoje člověka striatum nad dospívání. Prostorové vzorce T2 * předpovídaly věk adolescentů ve striatu jako celku i ve striatálních podoblastech, caudate, putamen a nucleus accumbens od pouhých pěti minut klidového stavu fMRI, což prokazuje silnou asociaci mezi T2 * a vývoj adolescentů v průběhu celého striata.

4.1. Signál T2 *

Pro úplnou interpretaci těchto zjištění je rozhodující porozumění neurofyziologickým složkám, které přispívají k signálu T2 *. T2 * nejvíce souvisí s příčnou (spin-spin) relaxační dobou, magnetickou citlivostí tkáně a homogenitou magnetického pole. Koncentrace tkáň-železo (nehem) a koncentrace myelinu jsou tedy typy tkáně, které nejsilněji přispívají k signálu T2 * (Aquino a kol., 2009, Daugherty a Raz, 2013, Langkammer a kol., 2012 a Schenck, 2003). Jak tkáň železo, tak myelin mají dlouhou dobu příčné relaxace, což způsobuje hypo intenzivní signál T2 * (Aoki a kol., 1989, Chavhan a kol., 2009 a On a Yablonskiy, 2009). Myelin je však diamagnetický a tkáň - železo je paramagnetické, takže tkáň - železo má větší příspěvek k T2 * (větší hypointenzivita) v důsledku jeho magnetické citlivosti a vlivu na nehomogenitu magnetického pole (Langkammer a kol., 2010 a Schenck, 2003). Ačkoli tedy tkáň železo i myelin přispívají k T2 *, signál by měl být nejsilněji ovlivněn koncentrací tkáně železo, zejména ve striatu bohatém na železo (Haacke a kol., 2010 a Langkammer a kol., 2010). Tato představa je podporována analýzou reflektoru (Obr. 3), který ukazuje nejsilnější asociace s T2 * a věkem, které se vyskytují spíše v oblastech mozku bohatých na železo (bazální ganglie, midbrain), spíše než v oblastech s menším množstvím tkáně a železa, např. kůry a zadní části bílé hmoty. Zdá se tedy, že vývojové rozdíly ve striatální neurofyziologii měřené pomocí T2 * jsou primárně poháněny vývojovými rozdíly v koncentraci tkáně-železa během dospívání.

Je důležité si uvědomit, že ačkoli železo je také obsaženo v hemoglobinu, příspěvek hemu-železa k T2 * je zanedbatelný ve srovnání s příspěvkem tkáně-železa (Langkammer a kol., 2010 a Vymazal a kol., 1996). Příspěvek hemoglobinu k magnetické citlivosti se vyskytuje pouze u deoxyhemoglobinu a je největší při nízké saturaci kyslíkem (Pauling, 1977), ale paramagnetismus tkáně-železa je mnohonásobně větší než dokonce úplně deoxygenovaný hemoglobin (Vymazal a kol., 1996). Neočekává se, že tento malý účinek hemu-železa přispěje k vývojovým účinkům pozorovaným v této studii, protože jeho vliv na signál T2 * by se neměl systematicky měnit s věkem v našem vzorku. Vaskulární systém je během dospívání do značné míry stabilní, s pokrytím pialových cév a tvorbou kapilár (Harris a kol., 2011) a celkový objem mozkového toku krve do vnitřní krční tepny (primární přívod krve do striata), který je stanoven již v raném dětství (Schöning a Hartig, 1996).

4.2. Tkáň - železo a mozek

Citlivost T2 * na tkáň-železo je zvláště důležitá v souvislosti s vývojem adolescentů. Železo je transportováno přes hematoencefalickou bariéru přes proteinový transferin a uloženo v buněčných tělech jako feritin (Aquino a kol., 2009 a Daugherty a Raz, 2013, Drayer a kol., 1986). Bazální ganglie a midbrain jsou oblasti mozku s největší koncentrací ferritinu (Haacke a kol., 2005 a Schenck, 2003). Buňky s nejvyšší koncentrací feritinu jsou oligodendrocyty, které se nacházejí v bílé i šedé hmotě (Haacke a kol., 2005). Feritin lze také nalézt v neuronech, zejména v bazálních gangliích (Drayer a kol., 1986 a Moos, 2002). V těchto buňkách železo přispívá k řadě kritických neurofyziologických procesů. V oligodendrocytech je železo nezbytné pro syntézu myelinu a je vyžadováno pro produkci ATP nezbytnou pro udržení vysokého oxidačního metabolismu těchto buněk (Connor a Menzies, 1996, Moos, 2002 a Todorich a kol., 2009). V bazálních gangliích, zvířecí modely nedostatku železa (Erikson a kol., 2000) a modely nemocí syndromu neklidných nohou (Connor a kol., 2009) a ADHD (Adisetiyo a kol., 2014) naznačují, že tkáň-železo je vysoce spojeno s dopaminovým systémem (Beard a Connor, 2003). Zejména striatální tkáň - železo podporuje expresi receptoru D2 (Vousy, 2003 a Jellen a kol., 2013), funkce dopaminového vysílače (Adisetiyo a kol., 2014, Erikson a kol., 2000 a Wiesinger a kol., 2007) a excitabilitu dopaminových neuronů (Jellen a kol., 2013). Jak se ukázalo, že se striatální dopaminový systém vyvíjí během dospívání na zvířecích modelech (Kalsbeek a kol., 1988, Rosenberg a Lewis, 1995 a Teicher a kol., 1995) a byla hypoteticky podložena charakteristickým chováním a funkcí mozku u dospívajícího člověka (Casey a kol., 2008, Padmanabhan a Luna, 2014 a Spear, 2000), signál T2 * má jedinečný význam pro studium adolescentního striatálního vývoje. Dále posmrtný (Hallgren a Sourander, 1958) a MRI (Aquino a kol., 2009 a Wang a kol., 2012) studie zkoumající rozdíly v délce života tkáně a železa ukázaly obecné zvýšení koncentrace železa ve striatu ve středním věku a naznačují, že míra akumulace železa je nejvyšší v prvních dvou desetiletích života, což ukazuje na sníženou rychlost změny akumulace po dospívání.

4.3. T2 * a dospívající mozek

Vývojová trajektorie signálu T2 * se systematicky lišila napříč dorzálními a ventrálními aspekty striata. Ventrální části striata, které mají převážně limbické kortikální spojení (Cohen a kol., 2009), prokázaly silné negativní vztahy s věkem, zatímco dorzální části, které mají převážně exekutivní a motorické kortikální spojení, vykazovaly slabší pozitivní vztahy s věkem, což naznačuje, že limbické a exekutivní striatální systémy mohou v adolescenci a mladé dospělosti mít různé relativní neurofyziologické příspěvky k chování. Výsledky jsou v souladu se zjištěními, že striatum má prostorově heterogenní strukturu vývoje, tj. Striatální jádra se nevyvíjejí globálně jednotným způsobem (Raznahan a kol., 2014). Silné negativní vztahy ve ventrálním striatu ukazují na stálé zvyšování koncentrace tkáně a železa s inverzními záchvaty, což naznačuje, že rychlost nárůstu je největší na počátku adolescence. Vzhledem k asociaci tkáň-železo s funkcí dopaminu a myelinizací mohou tato zvýšení podporovat zrání a proliferaci dopaminového systému a myelinizaci kortikostriálních spojení pozorovaných ve zvířecích modelech vývoje adolescentů (např. Zvýšení projekce dopaminu do prefrontální kůry primátů) ; Rosenberg a Lewis, 1995), podpora zrání motivačních obvodů.

Vývojová trajektorie striatálního T2 * je jedinečná během dospívání v částech caudate a putamen. V těchto oblastech se hodnoty voxelů T2 * měnily nelineárně s věkem, v některých případech vrcholily nad dospíváním mezi věky 17 a 18. Obzvláště zajímavé jsou pozitivní kvadratické vztahy (ve tvaru „U“) ve ventrálních putamenech, které ukazují maximální koncentraci tkáně a železa v této oblasti během dospívání, případně související vrcholy exprese dopaminového D2 receptoru pozorované u hlodavce (Teicher a kol., 1995) a předpokládal, že se vyskytuje u člověka (Casey a kol., 2008). Celkově tyto nelineární vývojové trajektorie naznačují periodu striatální neurofyziologické maturace, která může přispívat k pozorovaným vrcholům v chování při vyhledávání a riskování a citlivosti striatální odměny během této fáze vývoje (Padmanabhan a kol., 2011 a Spear, 2000), zatímco lineární vztahy mohou odrážet neustálý rozvoj motivačního systému prostřednictvím mladé dospělosti (Arnett, 1999 a Hoogendam a kol., 2013). Vzhledem k nálezům na zvířecích modelech naznačujících adolescentní vrcholy v expresi dopaminových receptorů a na studiích lidského fMRI, které naznačují maximální reaktivitu ventrálního striatalu v určitých podnětných kontextech, jsme byli překvapeni pozorováním lineárních nebo inverzních asociací T2 * s věkem v částech striata. Je možné, že zvýšení adolescentní odpovědi BOLD na odměnu může být citlivé na další aspekty funkce DA, se kterými tkáň-železo přímo nesouvisí, jako je množství uvolňování DA nebo pravděpodobnost, které mohou mít různé vývojové trajektorie. Pozorovaný průběh účinků pravděpodobně také odráží nepřímou povahu vztahu mezi hustotou receptoru tkáň-železo a dopamin a funkcí DAT, jakož i jeho roli v mnoha jiných neurofyziologických procesech (např. Myelinace a produkce ATP), které se v dospělosti nesnižují. Spekulativně se může jednat o to, že individuální rozdíly v koncentraci tkáně - železa v bazálních gangliích T2 * a bazálních gangliích se vztahují k individuálním rozdílům v indexech struktury a funkce dopaminového systému. Je zřejmé, že k přímé charakterizaci tohoto vztahu je nezbytný další výzkum, zejména u normativních populací.

Kvantitativní rozdělení voxel-moudrých hmotností z multivariační vektorové regrese podpůrného vektoru ukazuje, že neurofyziologická zrání striata je nejsilněji ovlivněna pokračujícím zráním ventrálního striata, včetně jádrových accumbens a ventromediálních částí caudátu a putamenu, do dospělost. Během dospívání vykazuje ventrální striatum špičkovou funkční reaktivitu k odměňování podnětů za určitých podnětných kontextů a je v tomto období spojeno s rizikovým chováním (Ernst a kol., 2005, Galvan a kol., 2006, Galvan a kol., 2007, Geier a kol., 2010 a Padmanabhan a kol., 2011). Kromě toho je tato oblast vysoce inervovaná dopaminem a je ústřední složkou frontostriatální dráhy odměny dopaminu (Knutson a Cooper, 2005, McGinty a kol., 2013, Puglisi-Allegra a Ventura, 2012) předpokládal, že je základem vyhledávání pocitů a chování podstupujícího riziko (Blum a kol., 2000, Spear, 2000). Spekulativně tedy může zvýšení koncentrace tkáň-železo v této oblasti mechanicky souviset s adolescentním chováním a reaktivitou striatální odměny díky jeho asociaci s expresí dopaminového receptoru, transportní funkcí a excitabilitou (Erikson a kol., 2000, Jellen a kol., 2013 a Wiesinger a kol., 2007) a myelinizace (Connor a Menzies, 1996, Moos, 2002 a Todorich a kol., 2009) v kortiko-ventrálních striatálních drahách.

Průzkumná analýza celého mozku odhalila, že nejsilnější asociace mezi T2 * a věkem se vyskytují v ventromediálních subkortikálních a středních mozkových regionech, o nichž je známo, že jsou mozkovými oblastmi nejvíce bohatými na dopamin a železo (Drayer a kol., 1986, Haacke a kol., 2005 a Langkammer a kol., 2010) s mírou akumulace železa kolísající po celou dobu životnosti (Aquino a kol., 2009, Haacke a kol., 2010 a Hallgren a Sourander, 1958). V kůře byly pozorovány významné asociace v frontálních limbických oblastech, které padají podél mezolimbických a mezokortikálních dopaminových drah, jakož i frontálních výkonných a motorických oblastí. Je třeba poznamenat, že interpretace přesných neurofyziologických vlastností, na nichž je založen signál T2 * mimo striatum bohaté na železo, je poněkud méně přímočará. Například míra, do které kortikální T2 * odráží koncentraci tkáň-železo jako taková, je méně jasná, protože myelinace by měla mít větší relativní příspěvek k signálu v oblastech, které obsahují nižší hladiny tkáň-železo (např. Kůra, bílá hmota). Z tohoto důvodu může být vhodné, aby budoucí vědci zaměřili analýzy T2 * na oblasti mozku, o nichž je známo, že mají vysoké koncentrace tkáň-železo (např. Bazální ganglie a midbrain). Tato sbírka kortikálních a subkortikálních mozkových oblastí je nicméně v souladu s našimi striatálními nálezy v tom, že jsou strukturně a funkčně propojena v dopaminovém systému a ukázalo se, že jsou citlivé na vývoj adolescentů (Casey a kol., 2008, Cohen a kol., 2009, Galvan a kol., 2006, Geier a kol., 2010, Giedd a kol., 1999, Hwang a kol., 2010, Lehéricy a kol., 2004, Martino a kol., 2008 a Sowell a kol., 1999). Tyto výsledky jako takové poskytují důkaz na podporu hypotézy, že k neurofyziologickému vývoji frontostriatálního dopaminového okruhu u lidí dochází během dospívání (Casey a kol., 2008 a Spear, 2000).

4.4. Omezení a budoucí směry

Naše nálezy, společně s těmi Vo et al. (2011), naznačují, že data EPI vážená T2 * mohou být užitečným nástrojem pro vyšetřování striatální neurofyziologie. Výhodou této metody je, že toto opatření lze odvodit z existujících datových sad fMRI, ať už se jedná o stav klidového stavu nebo související s úkoly. Jak je uvedeno výše, doporučujeme zaměřit budoucí analýzy na bazální gangliá a další oblasti mozku, o nichž je známo, že mají relativně vysoké koncentrace tkáně a železa, protože interpretovatelnost neurofyziologických mechanismů přispívajících k T2 * je v těchto oblastech největší. Dále doporučujeme mozkové oblasti, jako je ventrální orbitofrontální kůra a části inferotemporální kůry, které jsou náchylné k artefaktům náchylnosti, je třeba se vyhnout analýzám EPI s váhou T2 *. Chtěli bychom podotknout, že výzkumníci, kteří se zajímají o konkrétní kvantifikaci koncentrací tkáně-železa, mohou také použít kvantitativní MR sekvence, jako je R2 ′ nebo R2 *, u nichž bylo prokázáno, že lineárně souvisí s obsahem tkáně a železa (Sedlacik a kol., 2014 a Yao et al., 2009) pro přesnější posouzení této vlastnosti tkáně. Důležitým směrem pro budoucí práci je přímo charakterizovat souvislost mezi koncentrací tkáně a železa v bazálních gangliích a indexy funkce dopaminového systému v normativních populacích, rozšiřující se o práci prováděnou v populacích RLS, ADHD a deficitem železa a vedoucí k větší funkčnosti interpretovatelnost a význam T2 * a souvisejících opatření. Lepší pochopení tohoto vztahu má samozřejmě silné důsledky pro vývojové studie u člověka, ve kterých nejsou k dispozici invazivnější zobrazovací techniky schopné posoudit neurobiologii dopaminového systému. Ačkoli byla tato studie provedena za použití velkého průřezového souboru údajů, který pokrýval široký věkový rozsah, měla by budoucí práce využívat podélný design, aby bylo možné lépe posoudit věkovou souvislost změny v T2 *, per se.

5. závěr

Naše výsledky poskytují in vivo důkaz o pokračujícím neurofyziologickém zrání striatálních oblastí v celé lidské adolescenci. Naše nálezy a povaha signálu T2 * naznačují, že rozdíly ve věku ve striatální neurofyziologii jsou nejsilněji ovlivněny rozdíly v koncentraci tkáně-železa (Aoki a kol., 1989, Chavhan a kol., 2009, On a Yablonskiy, 2009, Langkammer a kol., 2010 a Schenck, 2003). Vzhledem k příspěvku této tkáňové vlastnosti k funkci mozku, včetně funkce dopaminu, a roli striata při učení, motivaci a zpracování odměn, může prodloužené zrání striatu indexované pomocí T2 * silně přispívat ke známým vývojovým změnám v chování a funkce mozku prostřednictvím dospívání.

Příspěvky autorů

B. Larsen a B. Luna spolupracovali při navrhování a navrhování experimentu. B. Larsen analyzoval data a napsal první návrh příspěvku. B. Luna provedla úpravy původního rukopisu.

Střet zájmů

Žádný nahlásit.

Poděkování

Popsaný projekt byl podpořen číslem grantu 5R01 MH080243 z Národní lékařské knihovny, National Institutes of Health. Za obsah této zprávy odpovídají výhradně autoři a nemusí nutně představovat oficiální názory Národní lékařské knihovny nebo NIH, DHHS.

Dodatek A. Doplňkové údaje

Níže jsou uvedeny doplňkové údaje k tomuto článku.

Reference