Vzory strukturní vazby mozku odliší normální hmotnost od pacientů s nadváhou (2015)

Pozadí

Změny v hedonické složce ingestivního chování byly implikovány jako možný rizikový faktor v patofyziologii obézních a obézních jedinců. Neuroimagingový důkaz od jednotlivců se zvyšujícím se indexem tělesné hmotnosti naznačuje strukturální, funkční a neurochemické změny v rozšířené síti odměn a přidružených sítích.

Cíl

Chcete-li rozlišit normální tělesnou hmotnost a tělesnou hmotnost s nadváhou na základě měření šedé a bílé hmoty, použijte analýzu s více proměnnými.

Metody

Strukturální obrázky (N = 120, nadváha N = 63) a difúzní tenzorové obrazy (DTI) (N = 60, nadváha N = 30) byly získány od zdravých kontrolních subjektů. Pro celkový vzorek byl průměrný věk ve skupině s nadváhou (ženy = 32, muži = 31) 28.77 let (SD = 9.76) a ve skupině s normální hmotností (ženy = 32, muži = 25) 27.13 let (SD = 9.62) ). Regionální segmentace a parcelace obrazů mozku byla provedena pomocí Freesurfer. Byla provedena deterministická traktografie pro měření normalizované hustoty vláken mezi oblastmi. K posouzení, zda mozkové míry mohou rozlišit nadváhu od jedinců s normální hmotností, byl použit přístup k vícerozměrné analýze vzoru.

výsledky

1. Klasifikace bílé hmoty: Klasifikační algoritmus založený na podpisech 2 s regionálním připojením 17 dosáhl přesnosti 97 při rozlišování jedinců s nadváhou od jedinců s normální hmotností. U obou signatur mozku byla pozorována větší konektivita, indexovaná zvýšenou hustotou vláken, s nadváhou ve srovnání s normální hmotností mezi oblastmi odměňovaných sítí a regiony výkonné kontroly, emocionálního vzrušení a somatosenzorických sítí. Na rozdíl od toho byl nalezen opačný vzorec (snížená hustota vláken) mezi ventromediální prefrontální kůrou a předním izolátem a mezi oblastmi thalamu a výkonné řídicí sítě. 2. Klasifikace šedé hmoty: Klasifikační algoritmus založený na podpisech 2 s morfologickými rysy 42 dosáhl přesnosti 69 při rozlišování nadváhy od normální hmotnosti. V obou mozkových podpisech byly spojeny oblasti odměny, výtečnosti, exekutivní kontroly a emocionálního vzrušení nižší morfologické hodnoty u jedinců s nadváhou ve srovnání s jedinci s normální hmotností, zatímco u oblastí somatosenzorické sítě byl pozorován opačný vzorec.

Závěry

1. Zvýšená hodnota BMI (tj. Subjekty s nadváhou) je spojena s výraznými změnami hustoty šedé hmoty a vlákniny v mozku. 2. Klasifikační algoritmy založené na konektivitě bílé hmoty zahrnující oblasti odměny a přidružených sítí mohou identifikovat konkrétní cíle pro mechanistické studie a budoucí vývoj léků zaměřené na abnormální požité chování a nadváhu / obezitu.

2.3.1. Strukturální (šedá hmota) MRI

Předměty (N = 120, vysoké BMI N = 63) byly skenovány na 3.0 Tesla Siemens TRIO poté, co byl k umístění hlavy použit sagitální průzkumník. Strukturální skenování bylo získáno ze 4 různých akvizičních sekvencí pomocí 3rozměrného protokolu T-váženého sagitálního magnetizace připraveného rychlým gradientem echo (MP-RAGE) s vysokým rozlišením a podrobností skenování: 1. Opakovací čas (TR) = 1 ms, čas echa (TE) = 2200 ms, úhel otočení (FA) = 3.26, 9 mm³ velikost voxelu. 2. TR = 2200 ms, TE = 3.26 ms, FA = 20, 1 mm³ velikost voxelu. 3. TR = 20 ms, TE = 3 ms, FA = 25, 1 mm³ velikost voxelu. 4. TR = 2300 ms, TE = 2.85 ms, FA = 9, 1 mm³ velikost voxelu. Byl vyhodnocen vliv akvizičního protokolu na rozdíly v celkovém objemu šedé hmoty (TGMV). Konkrétně byl použit obecný lineární model (GLM) ke stanovení vlivů protokolu na řízení TGMV pro věk. Výsledky naznačily, že všechny protokoly nebyly vzájemně podobné (F(3) = 6.333, p = 053).

2.3.2. Anatomická konektivita (bílá hmota) MRI

Podmnožina původního vzorku (N = 60, vysoké BMI N = 30) podstoupil difúzní vážené MRI (DWI) podle dvou srovnatelných akvizičních protokolů. Konkrétně byly DWI získány buď v 61 nebo 64 nekolineárních směrech s b = 1000 s / mm², s 8 nebo 1 b = 0 s / mm² obrázky. Oba protokoly měly TR = 9400 ms, TE = 83 ms a zorné pole (FOV) = 256 mm s akviziční maticí 128 × 128 a tloušťkou řezu 2 mm, aby vznikly 2 × 2 × 2 mm³ izotropní voxely.

2.4.1. Strukturální (šedá hmota) segmentace a parcellace

Segmentace obrazu T1 a regionální parcellace byly provedeny pomocí FreeSurfer (Dale a kol., 1999; Fischl a kol., 1999, 2002) podle nomenklatury popsané v Destrieux a kol. (2010). Pro každou mozkovou hemisféru byla kromě subkortikálních struktur 74 a mozečku označena sada bilaterálních kortikálních struktur 7. Výsledky segmentace od vzorku jsou uvedeny v Obr. 2A. Jedna úplná středová struktura (mozkový kmen, který zahrnuje části středního mozku, jako je ventrální tegmentální oblast [VTA] a substantia nigra), byla také zahrnuta pro kompletní sadu parcelací 165 pro celý mozek. Pro každou kortikální parcellaci byly vypočteny čtyři reprezentativní morfologické míry: objem šedé hmoty (GMV), povrchová plocha (SA), tloušťka kortikálu (CT) a střední zakřivení (MC). Pracovní toky zpracování dat byly navrženy a implementovány v laboratoři Neuroimaging (LONI) Pipeline (http://pipeline.loni.usc.edu).

 

Obr. 2

A. Výsledky strukturální segmentace a parcellace a výsledky vláken B. bílé hmoty spojené se strukturálními parcelacemi ze vzorku. A: Strukturální segmentace. B: Segmentace bílé hmoty.

2.4.2. Anatomická konektivita (bílá hmota)

Difúzně vážené obrazy (DWI) byly korigovány na pohyb a použity k výpočtu difuzních tenzorů, které byly rotačně re-orientovány na každý voxel. Difuzní tenzorové obrazy byly znovu vyrovnány na základě trilineární interpolace log-transformovaných tenzorů, jak je popsáno v Chiang et al. (Chiang a kol., 2011) a převzorkovány na izotropní rozlišení voxelů (2 × 2 × 2 mm³). Pracovní postupy zpracování dat byly vytvořeny pomocí potrubí LONI.

Konektivita bílé hmoty pro každý subjekt byla odhadnuta mezi oblastmi mozku 165 identifikovanými na strukturálních obrazech (Obr. 2B) za použití DTI vláknové tractografie. Tractografie byla provedena pomocí algoritmu Fiber Assignment by Continuous Tracking (FACT) (Mori a kol., 1999) pomocí TrackVis (http://trackvis.org) (Irimia a kol., 2012). Konečný odhad konektivity bílé hmoty mezi každou z mozkových oblastí byl stanoven na základě počtu vláknových traktů protínajících každou oblast, normalizovaných celkovým počtem vláknových traktů v celém mozku. Tyto informace byly poté použity pro následnou klasifikaci.

2.5.1. Vývoj prediktivního modelu

Počet podpisů mozku pro každou analýzu byl stanoven na dva (Lê Cao a kol., 2008b). analýza stability byl použit k určení optimálního počtu oblastí mozku pro každý podpis mozku (Lê Cao a kol., 2011). Nejprve se sPLS-DA aplikuje na řadu proměnných, 5 – 200, které se vyberou pro každý ze dvou mozkových podpisů. Pro každou specifikaci počtu proměnných, které mají být vybrány, je provedena 10-násobná křížová validace opakovaných 100 krát. Tento postup křížové validace rozděluje tréninková data na 10 záhyby nebo dílčí vzorky dat (n = 12 testovacích sad). Jeden dílčí vzorek je vyčleněn jako testovací data a zbývající dílčí vzorky se používají k trénování modelu. Stabilita proměnných je určena výpočtem počtu případů, kdy je ve všech bězích křížové validace vybrána konkrétní proměnná. K vývoji finálního modelu byly použity pouze mozkové proměnné se stabilitou větší než 80%.

2.6.1. Řídké částečné nejmenší čtverce - diskriminační analýza (sPLS-DA)

sPLS-DA bylo provedeno pomocí balíčku R mix mixOmics (http://www.R-project.org). Zkoumali jsme prediktivní sílu morfometrie mozku a anatomické konektivity DTI samostatně. Kromě regionální mozkové morfometrie nebo regionální anatomické konektivity byly jako možné prediktory zahrnuty věk a celková GMV. Pro získané morfologické údaje byla do modelu zadána měření GMV, SA, CT a MC. Pro získaná data anatomické konektivity DTI byly matice specifické pro jednotlivce indexující relativní hustotu vláken mezi oblastmi 165 transformovány na rozměrové matice 1 obsahující jedinečné konektivity 13,530 (horní trojúhelník z počáteční matice). Tyto matice byly potom zřetězeny napříč subjekty a zadány do sPLS-DA. Jako počáteční krok redukce dat byly vynechány prediktory téměř nulové rozptylu, což mělo za následek zbývající spojení 369. Podpisy mozku byly shrnuty pomocí proměnných zatížení jednotlivých rozměrů a VIP koeficientů. Grafické displeje používáme také k ilustraci diskriminačních schopností algoritmů (Lê Cao a kol., 2011). Prediktivní schopnost konečných modelů byla hodnocena pomocí vynechání křížové validace. Vypočítali jsme také binární klasifikační míry: citlivost, specificitu, pozitivní prediktivní hodnotu (PPV) a negativní prediktivní hodnotu (NPV). Citlivost zde indexuje schopnost klasifikačního algoritmu správně identifikovat osoby s nadváhou. Specifičnost odráží schopnost klasifikačního algoritmu správně identifikovat jednotlivce s normální hmotností. PPV odráží podíl vzorku zobrazující specifický podpis mozku s nadváhou z klasifikačního algoritmu a osoby, které mají skutečně nadváhu (skutečně pozitivní). Na druhou stranu NPV je pravděpodobnost, že pokud je výsledek testu negativní, tj. Účastník nemá podpis mozku s nadváhou (pravdivě negativní).

2.6.2. Charakteristiky vzorku

Statistické analýzy byly prováděny pomocí softwaru Statistický balíček pro sociální vědy (SPSS) (verze 19). Skupinové rozdíly ve skóre míry chování byly vyhodnoceny pomocí analýzy rozptylu (ANOVA). Význam byl zvažován na p <05 neopraveno.

3.2.1. Klasifikace založená na anatomické konektivitě (bílé hmoty)

Zkoumali jsme, zda lze pro anatomickou konektivitu mozkové anatomické konektivity použít k odlišení jednotlivců s nadváhou od jedinců s normální hmotností. Obr. 3A znázorňuje jednotlivce ze vzorku zastoupeného ve vztahu ke dvěma podpisům mozku a zobrazuje diskriminační schopnosti klasifikátoru bílé hmoty. Byly vypočteny binární klasifikační míry a indikovaly citlivost 97%, specificitu 87%, PPV 88% a NPV 96%. Tabulka 2 obsahuje seznam stabilních spojení bílé hmoty zahrnující každý diskriminační podpis mozku spolu s proměnlivým zatížením a VIP koeficienty.

 

Obr. 3

A. Klasifikátor založený na hustotě vláken (bílá hmota). B. Klasifikátor založený na morfologii šedé hmoty. A: Znázorňuje diskriminační schopnosti klasifikátoru hustoty vláken (bílé hmoty). B: Zobrazuje diskriminační schopnosti klasifikátoru šedé hmoty. ...

 

stůl 2

Seznam anatomických spojení zahrnujících každý rozlišující mozkový podpis.

3.2.2. Podpis mozku 1 založený na anatomické konektivitě

První mozkový podpis představuje 63% rozptylu. Jak ukazují VIP koeficienty, proměnné v řešení vysvětlující nejrozmanitější zahrnovaly spojení 1) mezi regiony sítě odměn (putamen, pallidum, brainstem [včetně regionů středních mozků, jako je VTA a substantia nigra]) s regiony výkonné moci kontrolní (precuneus, který je součástí zadní parietální kůry), salience (přední insula), emoční vzrušení (ventromediální prefrontální kůra) a somatosenzorické (postcentrální gyrus) sítě; 2) regiony sítě emoční vzrušení (přední středověká kortikální kůra, ventromediální prefrontální kůra) s oblastmi výběžků (přední insula) a somatosenzorických (paracentrální lobule včetně doplňkové motorické kůry); a 3) thalamus se středním týlním gyrem a thalamus s výkonnou kontrolní sítí (hřbetní laterální prefrontální kůra).

Ve srovnání s normální váhovou skupinou vykazovala skupina s nadváhou větší konektivitu z oblastí sítě odměn (putamen, pallidum, brainstem) s výkonnou kontrolní sítí (zadní parietální kůra) a od putamen do inhibiční části emoční vzrušující sítě ( ventromediální prefrontální kůra) a do oblastí somatosenzorické sítě (postcentrální gyrus a zadní insula). Nižší konektivita byla pozorována ve skupině s nadváhou v regionech od emoční vzrušivé sítě (ventromediální prefrontální kůra) do sítě salience (přední insula), ale větší konektivita ve skupině s nadváhou z regionů od emoční vzrušivé sítě (ventromediální prefrontální kůra) do somatosenzorická síť (zadní insula). Nižší konektivita byla také pozorována ve skupině s nadváhou ve spojeních somatosenzorické (paracentrální lobule) s předním midcendulujícím kortexem, ale vyšší konektivita z paracentrální lobule k subparietálnímu sulcu (část somatosenzorické sítě). Při pohledu na thalamická spojení byla pozorována nižší konektivita od thalamu k dorzální laterální prefrontální kůře (výkonná kontrolní síť) a ke střednímu týlnímu gyru u jedinců s nadváhou ve srovnání s jedinci s normální hmotností.

3.2.3. Podpis mozku 2 založený na anatomické konektivitě

Druhý identifikovaný anatomický mozkový podpis představoval další 12% rozptylu v datech. Proměnné přispívající k nejrozmanitějším skupinové diskriminaci naznačené koeficientem VIP zahrnovaly spojení v oblastech odměny (putamen, orbitální sulci, která je součástí orbitálního frontálního gyru a brainstému) a emoční vzrušení (gyrus rectus, což je mediální součástí ventromediální prefrontální kůry).

U jedinců s nadváhou ve srovnání s jedinci s normální hmotností byla pozorována větší konektivita mezi oblastmi odměnových sítí (brainstem a putamen) s výkonnou kontrolou (dorzální laterální prefrontální kůra) a inhibiční částí emoční vzrušení (ventromediální prefrontální kůra). Propojení mezi okcipitálním orbitálním frontálním gyrem (síť odměn) však bylo u jedinců s nadváhou nižší než u jedinců s normální hmotností.

3.2.4. Morfometrická klasifikace na základě šedé hmoty

Zkoumali jsme, zda lze k rozlišení jedinců s nadváhou od jedinců s normální hmotností použít morfometrii mozku (objem šedé hmoty, povrchovou plochu, kortikální tloušťku a střední zakřivení). Obr. 3B zobrazuje jednotlivce ze vzorku reprezentovaného ve vztahu ke dvěma mozkovým podpisům a zobrazuje diskriminační schopnosti morfometrického klasifikátoru. Byly vypočteny binární klasifikační míry a indikovaly citlivost 69%, specificitu 63%, PPV 66% a NPV 66%. Tabulka 3 obsahuje seznam morfometrických měr obsahujících každou diskriminační spolu s proměnnými zatíženími a VIP koeficienty.

 

stůl 3

Regionální morfometrie zahrnující každý podpis mozku.

3.2.5. Morfologicky založený mozkový podpis 1

První mozkový podpis vysvětlil 23% variability v morfometrických fenotypových datech. Jak je vidět z VIP koeficientů, proměnné přispívající k nejrozmanitějším znakům zahrnovaly oblasti odměny (subregiony orbitálního frontálního gyru), výběžky (přední insula), exekutivní kontrolu (dorzální laterální prefrontální kůru), emoční vzrušení (ventromediální prefrontální kůra) ) a somatosenzorické (precentrální sulcus, supramarginální gyrus, subcentrální sulcus, vynikající frontální sulcus). Vysoké VIP koeficienty byly také pozorovány pro vynikající frontální gyrus a sulcus, vyšší temporální gyrus, příčný frontopolar gyri a přední příčný temporální gyrus. Byly spojeny regiony sítí odměn, výtečnosti, exekutivní kontroly a emocionálního vzrušení nižší hodnoty u jedinců s nadváhou ve srovnání s jedinci s normální hmotností. Také jedinci s nadváhou ve srovnání s jedinci s normální hmotností měli větší hodnoty v regionech somatosenzorické sítě. Morfometrie frontálních a temporálních oblastí (vyšší temporální gyrus a přední transverzní temporální gyrus) byly také spojeny s nižší hodnoty u jedinců s nadváhou ve srovnání s jedinci s normální hmotností.

3.2.6. Morfologicky založený mozkový podpis 2

Druhý morfologický mozkový podpis vysvětlil 32% rozptylu. Proměnné s nejvyššími VIP koeficienty byly podobné VIP koeficientům pozorovaným v podpisu mozku 1 v tom, že zahrnovaly oblasti odměny (caudate), salience (přední insula), exekutivní kontrolu (části zadní mozkové kůry), emoční vzrušení (parahippocampální) gyrus, subgenní přední cingulate kůra a přední cingulate kůra) a somatosenzorické sítě (zadní izolát a paracentrální lalok). Avšak mozkový podpis 2 ve srovnání s mozkovým podpisem 1 měl pouze jedno připojení ze sítě odměn a více spojení z oblastí sítí s výtečnou a emoční vzrušení.

U jedinců s nadváhou ve srovnání s jedinci s normální hmotností nižší hodnoty pro morfometrii v sítích odměn, výtečnosti, exekutivní kontroly a emocionálního vzrušení, ale vyšší byly indikovány hodnoty v somatosenzorické síti.

4.1.1. Podpis mozku 1 založený na anatomické konektivitě

První mozkový podpis byl z velké části tvořen vazbami uvnitř a mezi odměnami, výtečností, výkonnou kontrolou, emocionálním vzrušením a smyslovými sítěmi. Tam byla také thalamická spojení s regiony sítě výkonné kontroly a s týlní oblastí. Odpovídající našemu nálezu snížených spojení z ventromediální prefrontální kůry k přednímu izolátu pozorovanému ve skupině s nadváhou ve srovnání s normální váhovou skupinou, snížená integrita traktů bílé hmoty (snížená frakční anizotropie) ve vnější kapsli (obsahující vlákna, která se spojují) kortikální oblasti do jiných kortikálních oblastí prostřednictvím krátkých asociačních vláken) byly hlášeny u obézních ve srovnání s kontrolami (Shott a kol., 2014). Navíc u obézních ve srovnání s kontrolami byl zjevný difúzní koeficient (difúze vody odrážející poškození buněk) větší ve sagitální vrstvě (která je známá pro přenos informací z parietálních, týlních, cingulačních a časových oblastí do thalamu) a může být konzistentní s naším pozorováním nižší konektivity mezi pravým thalamusem a pravým středním týlním gyrem u jedinců s nadváhou ve srovnání s jedinci s normální hmotností (Shott a kol., 2014). Shott a jeho kolegové (Shott a kol., 2014) také identifikovali větší zjevné difúzní koeficienty (odrážející možné poškození buněk) v obézní skupině v corona radiata, což zřejmě doplňuje naše zjištění o nižší relativní hustotě vláken mezi strukturami hluboké šedé hmoty (jako je thalamus) a kortikálními oblastmi (hřbetní) laterální prefrontální kůra) u jedinců s nadváhou ve srovnání s jedinci s normální hmotností. Změněná thalamová konektivita může interferovat s rolí thalamu při usnadňování přenosu periferních senzorických informací do kůry (Jang a kol., 2014).

Samostatná studie srovnávající nekomplikované adolescentní obézní jedince s normální hmotností také zjistila sníženou frakční anisotropii u obézních adolescentů v oblastech, jako je vnější kapsle, vnitřní kapsle (která většinou nese vzestupné a sestupné kortikospinální trakty), jakož i některá dočasná vlákna a optické záření (Yau a kol., 2014). Nedávná studie také pozorovala ztrátu spojení nervových vláken s DTI mezi mozkovým kmenem a hypotalamem u jedince s kavernomem mozkového kmene, který po chirurgickém odtoku měl dramatický nárůst hmotnosti, což může naznačovat, že tato nervová vlákna jsou zapojena do regulace příjmu potravy i hmotnosti (Purnell a kol., 2014). Nezjistili jsme však rozdíly v konektivitě s hypotalamem, což může být částečně způsobeno omezeními v parcellaci na základě konkrétních atlasů použitých v této studii.

4.1.2. Podpis mozku 2 založený na anatomické konektivitě

Druhý ortogonální podpis byl tvořen pouze třemi anatomickými vazbami uvnitř sítě odměn a emocionálního vzrušení. Identifikace pozměněných spojení v regionech tvořících síť odměn a s regiony v sítích, se kterými interaguje v současné studii, dosud nebyla hlášena. Tyto změny však lze očekávat na základě nedávných morfologických studií, které pozorovaly změny šedé hmoty v regionech rozšířené sítě odměn (Kenny, 2011; Kurth a kol., 2013; Raji a kol., 2010; Volkow a kol., 2008). Společně se zdá, že naše zjištění ukazují rozsáhlé změny v konektivitě pro bílou hmotu v regionech, které tvoří síť odměn a přidružené sítě.

Zatímco jiné studie zjistily sníženou integritu vláken měřenou sníženou frakční anizotropií v oblastech corpus callosum a fornix (které jsou součástí cingulate a přenášejí informace z hippocampu do hypotalamu) se zvyšujícím se BMI (Stanek a kol., 2011; Xu a kol., 2013); současná studie nezjistila významné změny v interhemisferické konektivitě v rámci dvou anatomicko-konektivních mozkových podpisů. Výjimkou bylo, že v mozkovém podpisu 1 existovalo spojení mezi levým paracentrálním lalokem a pravým subparietálním sulkusem a spojení mezi pravým putamenem a levým gyrus rectus v mozkovém podpisu 2. Předpokládáme, že účinek pozorovaný v těchto předchozích studiích může být způsoben systémovou degradací bílé hmoty namísto změn ve spojeních mezi specifickými oblastmi mozku, podobnými změnám, ke kterým dochází během normálního stárnutí (Sullivan a kol., 2010). Zatímco autoři těchto předchozích studií předpokládali, že rozdíly ve frakční anisotropii ve vnější tobolce subjektů s vysokou BMI mohou korelovat s vazbami od hippocampu a amygdaly, nepozorovali jsme významné změny v konektivitě v těchto strukturách. K potvrzení těchto pozorování je nutná podrobnější analýza a jemnější parcellace těchto oblastí mozku.

4.2.1. Morfologicky založený mozkový podpis 1

V naší studii první mozkový podpis vykazoval nižší hodnoty různých morfometrických měřítek (včetně podoblastí orbitálního frontálního gyru, předního insula) v regionech sítí odměn, výčnělků a výkonných kontrolních sítí ve skupině s nadváhou ve srovnání s normální váhovou skupinou. Dále byly pozorovány nižší hodnoty morfometrických hodnot pro inhibiční oblasti (dorzální laterální a ventromediální prefrontální kůra) související s emoční vzrušivovou sítí, ale vyšší morfometrie pro somatosenzorickou síť (precentrální sulcus, supramarginální gyrus, subcentrální sulcus a vynikající frontální sulcus) včetně temporálního oblasti u jedinců s nadváhou ve srovnání s jedinci s normální hmotností. V této studii jsme zjistili významné snížení morfologických měření (objem šedé hmoty a tloušťku kortikálu) orbitálního frontálního gyru. Orbitální frontální gyrus je důležitou oblastí v rámci sítě odměn, která hraje roli v hodnotícím zpracování a při vedení budoucího chování a rozhodnutí založených na očekávání kódování vztahujícím se k odměně (Kahnt a kol., 2010). Nedávná studie analyzující strukturu šedé a bílé hmoty zjistila, že obézní jedinci měli snížené hodnoty pro různé regiony v rámci sítě odměn, včetně orbitálního frontálního gyru (Shott a kol., 2014).

4.2.2. Morfologicky založený mozkový podpis 2

Ve srovnání s mozkovým podpisem 1, morfologická měření pozorovaná v regionech salience a sítí emocionálního vzrušení vysvětlovala většinu rozptylu, zatímco oblasti sítě odměn nebyly vlivné. Snížená měření šedé hmoty byla pozorována v oblastech význačnosti, exekutivního řízení a emoční vzrušení. Tyto oblasti (přední insula, parietální zadní kůra, parahippocampální gyrus, podoblasti přední mozkové kůry) jsou často spojeny se zvýšenou evokovanou mozkovou aktivitou během expozice potravovým podnětům (Brooks a kol., 2013; Greenberg a kol., 2006; Rothemund a kol., 2007; Shott a kol., 2014; Stoeckel a kol., 2008) a stupeň osobního podnětu (Critchley a kol., 2011; Seeley a kol., 2007a). V této studii bylo snížení šedé hmoty pozorováno také v klíčových regionech somatosenzorické sítě (zadní izolát, paracentrální lobule). Přesná role této sítě v nadváhě a obezitě není známa, ale ukázalo se, že je zapojena do povědomí o tělesných pocitech, a nedávná studie naznačila, že zvýšená aktivita somatosenzorické sítě v reakci na stravovací návyky u obézních jedinců může vést k přejídání (Stice a kol., 2011). Tato studie se konkrétně zaměřila na morfologická měření a anatomická spojení mezi oblastmi mozku v rozšířené síti odměňování a somatosenzorické síti a naznačuje, že tyto mozkové strukturální metriky mohou ovlivnit nervové zpracování spojené s výsledky z funkčních studií nalezených v literatuře. Korelace s behaviorálními a environmentálními faktory také nabízejí další vhled do vztahu mezi strukturálními a funkčními nálezy, které budou muset být testovány v budoucích studiích.