Gehirnres Bull. 2009 August 14;79(6):388-95. doi: 10.1016/j.brainresbull.2009.05.016.
Stöckel LE1, Kim J, Weller RE, Cox JE, Kochen Sie EW 3rd, Horwitz B.
Abstrakt
Übertriebene Reaktivität gegenüber Nahrungsmitteln bei adipösen Frauen scheint zum Teil durch ein hyperaktives Belohnungssystem vermittelt zu werden, das den Nucleus Accumbens, die Amygdala und den Orbitofrontalkortex umfasst. In der vorliegenden Studie wurde die funktionelle Magnetresonanztomographie (fMRI) verwendet, um zu untersuchen, ob Unterschiede zwischen 12-Fettleibigen und 12-Normalgewichtlerinnen bei der belohnungsabhängigen Gehirnaktivierung als Reaktion auf Nahrungsmittelbilder durch Änderungen in den funktionellen Interaktionen zwischen wichtigen Belohnungsnetzwerkbereichen erklärt werden können.
Mit einem zweistufigen Pfadanalyse-Ansatz / General Linear Model-Ansatz wurde getestet, ob Gruppenunterschiede in den Netzwerkverbindungen zwischen Nucleus accumbens, Amygdala und dem orbitofrontalen Kortex in Reaktion auf Bilder mit hohem und kalorienarmem Essen bestehen. Im Vergleich zu Kontrollen mit normalem Gewicht bestand in der adipösen Gruppe eine anormale Konnektivität in Abhängigkeit von kalorienarmen und kalorienarmen Nahrungsmitteln.
Im Vergleich zu Kontrollen hatte die adipöse Gruppe einen relativen Mangel an der Aktivierungsmodulation der Amygdala sowohl im orbitofrontalen Kortex als auch im Nucleus accumbens, aber einen übermäßigen Einfluss der Aktivierungsmodulation des orbitofrontalen Cortex im Nucleus accumbens. Die mangelhaften Projektionen aus der Amygdala könnten sich auf eine suboptimale Modulation der affektiven / emotionalen Aspekte des Belohnungswerts eines Lebensmittels oder des Motivationsschwerpunkts eines zugehörigen Hinweises beziehen, während eine erhöhte Konnektivität des orbitofrontalen Kortex mit dem Nucleus accumbens zu einem erhöhten Drang zum Essen als Reaktion auf ein Lebensmittel beitragen könnte Stichwort.
Daher ist es möglich, dass nicht nur eine stärkere Aktivierung des Belohnungssystems, sondern auch Unterschiede in der Interaktion der Regionen in diesem Netzwerk zu einem relativ erhöhten Motivationswert von Nahrungsmitteln bei adipösen Personen beitragen.
Die Ätiologie der Fettleibigkeit scheint zum Teil durch eine übertriebene Reaktivität auf Hinweise in Verbindung mit Nahrungsmitteln, insbesondere auf fettreiche, energiedichte Nahrungsmittel (z. B. [12]). Der Mechanismus für die erhöhte Motivation dieser Reize bei übergewichtigen Individuen kann ein hyperaktives Belohnungssystem sein, das den Nucleus Accumbens / ventrales Striatum (NAc), die Amygdala (AMYG) und den Orbitofrontalkortex (OFC) umfasst. In einer früheren Studie zur funktionellen Magnetresonanztomographie (fMRI) wurde eine erhöhte Aktivierung dieser Regionen als Reaktion auf Bilder mit hohem Kaloriengehalt bei Adipositas im Vergleich zu normalgewichtigen Personen festgestellt ([77]; Abb.. 1). Andere Studien, bei denen fettleibige Personen oder Personen mit höherem BMI Ernährungsstimuli ausgesetzt wurden, fanden ebenfalls abnormale Aktivierungsmuster in diesen Regionen ([22], [23], [28], [43], [68]) sowie andere ([40], [68]). Mit kalorienreichen Lebensmitteln verbundene Reize können eine übermäßige Motivation für das nicht homöostatische Essen dieser Arten von Lebensmitteln auslösen ([10], [11], [53]). Dieses übermäßige nicht-homöostatische Verlangen nach Nahrungsmitteln wurde als Anreiz-Salience oder „Wollust“ bezeichnet und scheint weitgehend durch das mesocorticolimbische Dopaminsystem reguliert zu werden, das NAc, AMYG und OFC umfasst (z. B. [6]).
Die meisten menschlichen fMRI-Studien verwenden einen univariaten statistischen Massenanalyse-Ansatz, um die funktionellen Merkmale verschiedener makroskopischer Hirnregionen zu erkennen. Die Ermittler integrieren häufig Informationen über die funktionale Spezialisierung einer Gruppe von Regionen, um zu erklären, wie diese Regionen interagieren können, um eine bestimmte Funktion auszuführen. Die einzigen gültigen empirisch fundierten Schlussfolgerungen, die aus solchen Analysen gezogen werden können, beziehen sich jedoch auf die Stärke und das Ausmaß der Aktivierung in einer bestimmten Gruppe von Gehirnregionen, nicht auf die funktionelle Interaktion dieser Regionen. Mithilfe von Konnektivitätsanalysen können Forscher untersuchen, wie Netzwerke von Gehirnregionen interagieren, um kognitive und Verhaltensfunktionen auszuführen (z. B. [34]). Es ist wichtig zu beachten, dass Folgerungen aus traditionellen Aktivierungsstudien nicht direkt auf Konnektivitätsstudien übertragen werden. Das heißt, es können messbare Unterschiede in der sein Größenordnung Gehirnaktivierung zwischen Gruppen, aber keine Gruppenunterschiede in Konnektivitätund umgekehrt (zB [52]).
Die Pfadanalyse, eine Art der Strukturgleichungsmodellierung, ist ein multivariater, auf Hypothesen basierender Ansatz, der auf funktionelles Neuroimaging angewendet wird, um Richtungsbeziehungen zwischen einem gegebenen Satz zusammenhängender Gehirnregionen zu untersuchen ([51]). Dies ist eine Methode zur Analyse der effektiven Konnektivität, in diesem Fall bedeutet dies Aktivierungsänderungen einer Gehirnregion, die sich aus Aktivierungsänderungen in einer anderen Region ergeben. Pfadmodelle werden auf Basis von entwickelt a priori Hypothesen und nehmen eine kausale Struktur an, wobei A → B bedeutet, dass Änderungen in der Region A angenommen werden Ursache Änderungen in Region B (z. B. [69]). Gehirnregionen in einem Netzwerkmodell werden typischerweise auf der Grundlage früherer funktioneller Neuroimaging-Studien ausgewählt, und Verbindungen zwischen diesen Regionen werden normalerweise auf der Grundlage der bekannten neuroanatomischen Verbindungen definiert, meist aus der Tierliteratur, wobei Homologie in Gehirnregionen zwischen Spezies angenommen wird (z. B. [69]). Die mithilfe der Pfadanalyse berechneten geschätzten Parameterwerte repräsentieren die Quantifizierung der Richtungspfade zwischen den Regionen im Modell. Diese Pfadkoeffizienten können dann verwendet werden, um Vergleiche zwischen Verbindungen innerhalb von Subjekten als Reaktion auf Änderungen der Aufgabenbedingungen oder zwischen Subjekten und Gruppen innerhalb des GLM-Rahmens (General Linear Model) (z. B. [44], [64]).
NAc, AMYG und OFC fungieren als Teil des Belohnungssystems. Zwischen diesen Regionen bestehen starke anatomische Verbindungen (siehe Abb.. 2; AMYG → OFC: [7], [16], [30], [38], [60], [65], [71], AMYG → NAc: [30], [38], [71] und OFC → NAc: [7], [16], [17], [30], [38], [56], [60], [65], [71]). Es ist zwar klar, dass NAc, AMYG und OFC bei Adipositas im Vergleich zu normalgewichtigen Kontrollen bei der Betrachtung von Lebensmittelbildern stärker aktiviert werden, insbesondere bei Bildern mit hohem Kaloriengehalt ([77]), ist es nicht sicher, ob die Aktivierung in diesen Regionen auf einem gemeinsamen zugrundeliegenden Belohnungsprozess beruht (z. B. Anreize oder Motivation, eine Belohnung anzunehmen und zu konsumieren) oder ob es unterschiedliche Prozesse gibt (z. B. Hedonik oder die Genusskomponente von Belohnung und / oder oder Lernen), das dieses Aktivierungsmuster berücksichtigt (siehe [8] für eine Diskussion dieser verschiedenen Belohnungsprozesse). Der NAc, der AMYG und der OFC haben jeweils zahlreiche funktionelle Eigenschaften. Das NAc / ventral-Striatum fungiert als Schnittstelle zwischen belohnungsbezogener Verarbeitung, homöostatischen Mechanismen und motorischer Leistung (z. B. [41]), kann jedoch auch als Belohnungswert ([57]). Die OFC kann multimodale sensorische Darstellungen von Nahrungsmitteln und Nahrungsmitteln codieren ([10], [11]). AMYG und OFC können zusammen die assoziativen Prozesse vermitteln, durch die ernährungsbedingte Reize Anreiz oder andere motivierende Eigenschaften erhalten (z. B. [6], [31]), aber auch Code für hedonische Werte, AMYG über Bottom-Up und OFC über Top-Down-Prozesse ([7]).
In dieser Studie haben wir die fMRI-Daten von Stoeckel et al. [77] und eine zweistufige Pfadanalyse plus GLM-Ansatz, um die Wechselwirkungen der wichtigsten Belohnungsstrukturen (NAc, AMYG und OFC) in einem einfachen Netzwerk zu untersuchen, um zu bestimmen, ob diese Strukturen als Reaktion auf Bilder von Nahrungsmitteln mit hohem und niedrigem Kaloriengehalt funktionieren bei adipösen und normalgewichtigen Personen unterschiedlich. Wir erwarteten, effektive Verbindungen zwischen den Gehirnregionen zu finden, wie sie in unserem Modell bei Kontrollen mit normalem Gewicht als Reaktion auf Bilder mit hohem und kalorienarmem Essen angegeben wurden. Darüber hinaus erwarteten wir in unserer Gruppe der Adipositas eine Reihe veränderter wirksamer Verbindungen, die erklären könnten, warum Nahrungsmittel die Motivation für diese Personen erhöht haben.
Material und Methoden
Die für die Pfadanalyse verwendeten Daten waren die gleichen Daten, die in Stoeckel et al. [77]. Mit Ausnahme des Abschnitts, in dem die Methoden der Pfadanalyse erörtert werden, werden die folgenden Informationen detaillierter in Stoeckel et al. [77].
Teilnehmer
Die Teilnehmer waren 12 übergewichtige (Body Mass Index, BMI = 30.8 - 41.2) und 12 rechtshändige Frauen mit normalem Gewicht (BMI = 19.7 - 24.5), die von der Universität der Universität von Alabama in Birmingham (UAB) rekrutiert wurden. Es gab keine Gruppenunterschiede hinsichtlich des Durchschnittsalters (Fettleibigkeit: 27.8, SD = 6.2; Kontrolle: 28, SD = 4.4), der ethnischen Zugehörigkeit (Fettleibigkeit: 7 Afroamerikaner, 5 Kaukasier; Kontrolle: 6 Afroamerikaner, 6 Kaukasier) und der Bildung (fettleibig: 16.7 Jahre, SD = 2.2; Kontrolle: 17.2, SD = 2.8) oder mittlerer Tag des Menstruationszyklus (fettleibig: Tag 6.8, SD = 3.1, Kontrolle: Tag 5.7, SD = 3.3, alle in der Follikelphase ). Die Teilnehmer wurden mit Anzeigen in der UAB-Zeitung und Flugblättern an verschiedenen Orten auf dem UAB-Campus rekrutiert. Sie wurden darüber informiert, dass der Zweck der Studie darin bestand, Muster der Gehirnaktivität bei „hungrigen“ Teilnehmern verschiedener BMI als Reaktion auf visuelle Bilder verschiedener Objekte wie Lebensmittel und Kontrollbilder zu untersuchen. Einzelpersonen wurden aufgrund mehrerer gesundheitsbezogener Kriterien ausgeschlossen, einschließlich einer positiven Essstörung in der Vorgeschichte, einer aktiven Diät oder der Teilnahme an einem Gewichtsverlustprogramm oder eines Gewichts von> 305 kg (138 kg) mit einem Umfang von> 64 cm (163 Zoll), letzteres aufgrund von Scannereinschränkungen. Alle Teilnehmer unterzeichneten eine schriftliche Einverständniserklärung, nachdem die Studienverfahren und die damit verbundenen Risiken erläutert worden waren. Alle Verfahren wurden vom Institutional Review Board for Human Use der UAB überprüft und genehmigt.
Stimuli
Die während der Bildgebungssitzung verwendeten Stimuli bestanden aus 252-Farbbildern, die alle eine einheitliche Größe, Auflösung und Luminanz ([77]). Die 168-Lebensmittelbilder wurden in kalorienarme und kalorienreiche Kategorien unterteilt, die jeweils aus 84-einzigartigen Bildern bestehen. Kalorienarme Nahrungsmittelbilder bestanden aus fettarmen Gegenständen wie gedämpftem Gemüse und gegrilltem Fisch. Bei kalorienreichen Lebensmitteln handelte es sich hauptsächlich um fettreiche Produkte wie Käsekuchen oder Pizza. Kontrollstimuli bestanden aus Bildern von Autos, die sich in Marke, Modell, Alter und Farbe stark unterschieden. Die Autobilder waren als mäßig interessante Kontrollreize gedacht, die auf der Grundlage der Ergebnisse von Stoeckel et al. [77], wobei die kalorienreichen Lebensmittel höher bewertet werden.
Verfahren
Nach einem gründlichen Screening zur Validierung des BMI und zur Überprüfung anderer Studienkriterien wurden die Teilnehmer für die fMRI-Sitzung eingeplant. Sie wurden angewiesen, zwischen 7 – 8 AM ein normales Frühstück zu sich zu nehmen, das Mittagessen jedoch zu überspringen und nur Wasser zu trinken, sodass sie ungefähr 8 – 9 h fastedeten, bevor sie zwischen 3 – 5 PM aufgenommen wurden. Es gab keine Unterschiede bei den subjektiven Hungerwerten.
Während sich die Teilnehmer im Magneten befanden, wurden visuelle Stimuli in einem Blockdesign-Format präsentiert, mit insgesamt sechs 3: 09-Min-Läufen pro Bildgebungssitzung. Jeder Durchlauf bestand aus zwei 21-Epochen, in denen jeweils Autos (C), kalorienarme Nahrungsmittel (LC) und kalorienreiche Nahrungsmittel (HC) den Teilnehmern pseudo-zufällig präsentiert wurden. In jeder 21-Epoche von Lebensmittel- oder Fahrzeugbildern wurden jeweils sieben Einzelbilder für 2.5s präsentiert. Eine 0.5-Lücke trennte die Bilder und eine 9-Lücke trennte die Epochen. Alle Lücken bestanden aus einem grauen leeren Bildschirm mit einem Fixierungskreuz. Jeder Durchlauf bestand aus 63-Volumina für insgesamt 378-Volumina in sechs Läufen, von denen 84-Volumina während jeder Fahrzeug-, kalorienarmen und kalorienreichen Lebensmittelexposition erworben wurden. Die visuellen Bilder wurden von einem Laptop mit VPM-Software ([18]). Die Bilder wurden auf einen Bildschirm hinter dem Kopf des Teilnehmers projiziert und über einen 45-Spiegel mit Einzelflächen-Rückspiegel, der an der Kopfspule befestigt war, betrachtet. Die Teilnehmer wurden für ihre Teilnahme finanziell entschädigt. Alle Verfahren wurden vom Institutional Review Board (UAB) für Humaneinsatz überprüft und genehmigt.
MRI-Erfassung und -Verarbeitung
Funktionelle MRI-Daten wurden mit einem ultrakurzen Magneten von Philips Intera 3T aufgenommen, der mit einer Sensorkodierung (SENSE) ausgestattet ist. Die Bilder wurden unter Verwendung einer T2 * -gewichteten EPI-Impulssequenz mit Einzelschuss aufgenommen. Wir verwendeten TE = 30 ms, TR = 3 sec und einen 85 ° Flipwinkel für 30-Axialscheiben 4 mm mit einem 1-mm-Zwischenscheibenabstand, einer Scanauflösung von 80 × 79, rekonstruiert zu 128 × 128 und mit einem 230 × 149 × 230 mm FOV. Die ersten vier Scans wurden verworfen, damit der Magnet stationäre Magnetisierung erreichen kann.
Die Daten wurden unter Verwendung des SPM2-Softwarepakets (Wellcome Dept. Imaging Neuroscience, London, UK) vorverarbeitet (Bewegungskorrektur, Normalisierung auf das MNI-Koordinatensystem unter Verwendung der SPM6-EPI-Vorlage und Glättung mit einem 2-mm-FWHM-Gauß-Filter). Keine Datensätze erfüllten nicht die Einschlusskriterien für die Bewegung, dh die Bewegung vor der Korrektur betrug <2 mm bei der Translationsbewegung und <2 ° bei der Rotationsbewegung (Details in [77]).
Datenanalyse
fMRI-Daten
Die blutsauerstoffabhängigen (BOLD) Antworten des Blockdesigns wurden im Rahmen des Allgemeinen linearen Modells auf Voxel-by-Voxel-Basis analysiert, wie in SPM2 implementiert ([27]). Der Zeitverlauf der Gehirnaktivierung wurde mit einer Boxcar-Funktion modelliert, die mit der kanonischen hämodynamischen Reaktionsfunktion (HRF) und einer zeitlichen Ableitungsfunktion gefaltet wurde. Die Daten wurden hochpassgefiltert (1 / 128 Hz), um niederfrequente Drifts zu entfernen. Ein autoregressives Modell erster Ordnung wurde ebenfalls implementiert, um Autokorrelationen im Fehlerterm des fMRI-Modells zu korrigieren.
Für die statistische Analyse wurde ein zweistufiges Zufallseffektverfahren verwendet, um sowohl die Variabilität innerhalb als auch zwischen den Subjekten zu berücksichtigen. Erstens wurden die fMRI-Daten von jedem einzelnen Teilnehmer verwendet, um statistische Kontraste der Parameterschätzungen zu erzeugen, um die Unterschiede zwischen den Zeitpunkten zu testen, die den kalorienreichen und kalorienarmen Nahrungsmitteln entsprechen. Ergebnisse einer früheren Studie ([77]) fanden Gruppenunterschiede in den Mustern der belohnungsbezogenen Aktivierung, wobei die fettleibige Gruppe eine stärkere Aktivierung für kalorienreiche Lebensmittel und Kontrollen für kalorienarme Lebensmittel zeigte. Der Kontrast der Lebensmittel-> Kontrollstimuli wurde dann in t-Test-Analysen mit einer Stichprobe der zweiten Ebene für die gruppeninternen Vergleiche eingegeben, um die Gruppenmaxima für unsere interessierenden Regionen (ROI) zu lokalisieren: bilaterale NAc, AMYG und mittlere OFC (p <05, nicht korrigiert).
Die ROIs für AMYG und OFC wurden unter Verwendung des WFU-Pickatlas und der AAL- und Talairach-Daemon-Atlanten definiert ([47], [49], [79]). Da NAc in diesen Bibliotheken nicht verfügbar war, zeichneten wir eine Kugel 6 mit einem Radius von XNUMX, wobei der WFU Pickatlas an einem Voxelort zentriert war, der durch Mittelung der Voxelstandortdimensionen aus relevanten fMRI-Studien bestimmt wurde ([1], [54], [58]). Die Klassifizierung des regionalen Standorts der aktivierten Voxel wurde unter Verwendung des WFU Pickatlas und der visuellen Überprüfung der Daten unter Verwendung eines menschlichen Gehirnatlas überprüft ([48]).
Pfad Analyse
Die Pfadanalyse wurde verwendet, um die Stärke und Richtung der Beziehungen (effektiven Verbindungen) zwischen beobachteten Variablen (ROIs) zu bestimmen, die unter Verwendung simultaner Regressionsgleichungen über die Schätzung der maximalen Wahrscheinlichkeit geschätzt wurden. Dies ist einer der gebräuchlichsten Modellierungsansätze zur Untersuchung der effektiven Konnektivität ([69]). Wir verwendeten einen zweistufigen Pfadanalyse / GLM-Ansatz nach einer ähnlichen Methode wie Kim et al. [44]. Für jeden Teilnehmer: (1) ROIs wurden ausgewählt, um in das Modell aufgenommen zu werden. (2) Die Zeitreihendaten wurden in zwei Gruppen aufgeteilt, die den Volumina für die beiden Taskzustände (kalorienreiche und kalorienarme Lebensmittel) (3) zugeordnet sind Für jede Bedingung wurden Daten für jede ROI extrahiert, (4) ein Modell festgelegt, das die Wechselwirkungen der ROIs spezifizierte, (5) die Varianz-Kovarianz-Matrix (Anzahl der Scan-Volumina X Anzahl der ROIs) für jede Bedingung berechnet wurde, und (6) Die Pfadkoeffizienten für die Verbindungen zwischen den ROIs in den Modellen wurden mithilfe der Maximum-Likelihood-Schätzung geschätzt. ANOVA mit wiederholten Messungen wurde dann verwendet, um die Unterschiede zwischen den Gruppen (dh den Zustand) und die Unterschiede zwischen den Gruppen in den Modellverbindungen unter Verwendung der Pfadkoeffizienten aus den Modellen für jedes Individuum zu bestimmen.
Modellspezifikation
Die im Modell enthaltenen Regionen (OFC, AMYG und NAc) sind Bestandteile der sogenannten "Motivschaltung" ([63]) unter Beteiligung des mesocorticolimbic Dopaminsystems ([6], [36], [39], [45], [63], [66], [73], [80], [83]). Die Verbindungen im Modell wurden zum Teil basierend auf der bekannten anatomischen Konnektivität der Strukturen in diesem Netzwerk definiert, aber auch unter Berücksichtigung methodischer Einschränkungen (z. B. der zeitlichen Auflösung von fMRI und dem Problem der Identifizierung mit nichtrekursiven Modellen unter Verwendung der Strukturgleichungsmodellierung;7], [30], [38], [60], [65], [71]; Abb.. 2). Um verlässliche Pfadkoeffizientenwerte zu schätzen, wurde das Modell auf rekursiv beschränkt (dh es wurden keine reziproken Pfade in das Modell aufgenommen).
Für jedes Subjekt wurde das gleiche Pfadmodell konstruiert. Um eine Variabilität zwischen den Subjekten zu ermöglichen, haben wir die genauen Koordinaten jeder Region für jede Hemisphäre aus dem lokalen Maximum der statistischen Karte jedes Teilnehmers innerhalb von 12 mm vom Gruppenmaximum (innerhalb derselben anatomischen Region) definiert, das sich aus dem Kontrast von Lebensmitteln> Autos ergibt ( p <05, unkorrigiert; [52]). Die MNI-Koordinaten der Regionen waren NAc, links (x, y, z): -6, 10, -10 [Kontrollen] und -10, 14, -6 [fettleibig]; NAc rechts, (x, y, z): 6, 10, -10 [Kontrollen] und 6, 12, -10 [fettleibig]; AMYG, links (x, y, z): -26, -2, -20 [Kontrollen] und -20, 0, -24 [fettleibig]; AMYG, rechts (x, y, z): 22, 0, -20 [Kontrollen] und 24, 2, -24 [fettleibig]; OFC, links (x, y, z): -22, 36, -10 [Kontrollen] und -22, 30, -14 [fettleibig]; OFC, rechts (x, y, z): 26, 36, -14 [Kontrollen] und 26, 30, -4 [fettleibig]. Für jede Region wurde die Haupteigenvariante der Zeitreihe aus einer 4-mm-Kugel extrahiert, die um das themenspezifische lokale Maximum zentriert war. Der Principal (dh 1)st) Eigenvariante ist ein zusammenfassendes Maß, ähnlich einem gewichteten Mittelwert, der für Ausreißer robust ist, basierend auf der Varianz aller Voxel, die innerhalb des Bereichs 4 mm im Radius liegen.
Die regionalen Zeitreihendaten (Haupteigenvariablenwerte) wurden dann in zwei Datensätze aufgeteilt: Zeitpunkte, die mit (1) den Nahrungsmitteln mit hohem Kaloriengehalt und (2) mit den Nahrungsmitteln mit niedrigem Kaloriengehalt verbunden sind. Um der hämodynamischen Verzögerung Rechnung zu tragen, haben wir eine physiologische Verzögerung von 6 (2 TR) zwischen dem Beginn und dem Versatz unserer beiden Bedingungen angenommen und die von uns extrahierten Daten entsprechend angepasst ([32]). Dies führte zu zwei 84 (Anzahl der Scanvolumen) X 6 (Anzahl der ROIs) für jede Bedingung (hoch- und kalorienarme Lebensmittel) für jeden Teilnehmer.
Pfadparameterschätzungen
Ein Pfadmodell wurde unabhängig für jeden Teilnehmer an die Datenmatrix sowohl für kalorienreiche als auch für kalorienarme Lebensmittel angepasst. Die Koeffizienten für den freien Pfad wurden geschätzt, indem die Diskrepanz zwischen einer aus den fMRI-Daten beobachteten Korrelationsmatrix und einer vom Modell unter Verwendung der LISREL-Software (Version 8, SSI Scientific Software) vorhergesagten Korrelationsmatrix minimiert wurde. Die standardisierten Parameterschätzungen (ähnlich wie bei β in der Regression) oder Pfadkoeffizienten für jede Verbindung (AMYG → OFC, OFC → NAc und AMYG → NAc) innerhalb jeder Hemisphäre (links und rechts) aus beiden Modellen (hoch- und niedrig-) Kaloriennahrungsmittel) für jeden Teilnehmer wurden für nachfolgende Analysen in SPSS importiert. Für jede der drei Verbindungen wurde eine ANOVA mit gemischtem Modell durchgeführt, bei der die Faktoren Gruppe (Fettleibigkeit versus Kontrolle), Lebensmittelkategorie (hoch versus kalorienarm) und Hemisphäre waren. Da es sich um eine explorative Studie handelte, haben wir die Signifikanz spezifischer Pfadkoeffizienten getestet, solange die Omnibusmodelle zumindest nahezu signifikante Effekte zeigten (p <0.10). Für jede Gruppe wurden t-Tests mit einer Probe verwendet, um zu testen, ob die Pfadkoeffizienten in den kalorienreichen und kalorienarmen Lebensmittelmodellen signifikant von Null abweichen, was auf die angegebene Konnektivität hinweist. Paarweise Vergleiche wurden verwendet, um die Unterschiede in den Pfadkoeffizienten für jede Hemisphäre (links und rechts) für gruppeninterne (kalorienreiche vs. kalorienarme Lebensmittel) und gruppenübergreifende Vergleiche (fettleibig vs. Kontrollen für kalorienreiche und niedrige) zu testen -kalorische Lebensmittel, unabhängig). Für gruppeninterne Vergleiche wurden gepaarte t-Tests verwendet, und für gruppeninterne Vergleiche wurden unabhängige Stichproben-t-Tests verwendet.
Die Ergebnisse
Alle geschätzten Pfadkoeffizienten unterschieden sich signifikant von Null für die adipöse Gruppe und die Kontrollen für beide Hemisphären sowohl im kalorienreichen als auch im kalorienarmen Lebensmittelmodell, was mit dem angegebenen Konnektivitätsmodell übereinstimmt (p-Werte <0.001; Tabelle 1).
Vergleiche zwischen Gruppen
OFC → NAc
Es gab keinen Haupteffekt der Gruppe für die OFC → NAc-Verbindung, obwohl es einen Trend gab (F [1,22] = 3.70, p = 0.067), der auf eine größere Konnektivität für die adipöse Gruppe (0.53 ± 0.06) im Vergleich zu den Kontrollen hinweist (0.41 ± 0.06). Es gab keine signifikanten Lateralitätswechselwirkungen der Gruppe X oder X der Gruppe X, obwohl ein Trend zu einer Lateralitätswechselwirkung der Gruppe X bestand (p = 0.059). Die linken Pfadkoeffizienten von OFC → NAc waren in der adipösen Gruppe sowohl für kalorienreiche als auch für kalorienarme Lebensmittel signifikant höher (p-Werte <03; Abb.. 3).
AMYG → OFC
Es gab einen Haupteffekt der Gruppe, so dass die mittlere Konnektivität von AMYG → OFC bei adipösen Teilnehmern (0.64 ± 0.07) im Vergleich zu Kontrollen (0.84 ± 0.07) geringer war, was auf eine relativ stärkere Richtungsbeziehung bei der Gehirnaktivierung zwischen diesen Strukturen als Reaktion auf hinweist Lebensmittel in Kontrollen (F [1,22] = 4.46, p = 0.046). Es gab keine signifikante Gruppe nach Kategorie oder Gruppe nach Lateralitätsinteraktionen, obwohl es einen Trend (p = 0.066) zu einer Gruppe nach Kategorie X Lateralitätsinteraktion gab. Nachfolgende Analysen zeigten, dass die Pfadkoeffizienten bei Kontrollen für kalorienreiche Lebensmittel bilateral und von rechts AMYG → rechts OFC für kalorienarme Lebensmittel signifikant höher waren (p-Werte <05; Abb.. 3).
AMYG → NAc
Es gab einen Haupteffekt der Gruppe für die mittlere AMYG → NAc-Verbindung, so dass die Konnektivität für die adipöse Gruppe (0.35 ± 0.05) im Vergleich zu den Kontrollteilnehmern (0.49 ± 0.05; F [1,22] = 6.00, p = 0.023) schwächer war ). Es gab keine signifikanten Lateralitätswechselwirkungen der Kategorie X oder X der Gruppe X, obwohl ein Trend zu einer Lateralitätswechselwirkung der Gruppe X bestand (p = 0.09). Paarweise Vergleiche zeigten, dass die linken Pfadkoeffizienten für Kontrollen sowohl für kalorienreiche als auch für kalorienarme Lebensmittel signifikant höher waren (p-Werte <05; Abb.. 3).
Vergleiche von Nahrungsmitteln mit hohem bzw. niedrigem Kaloriengehalt innerhalb der Gruppe
Die Pfadkoeffizienten von AMYG → OFC waren bilateral signifikant höher für den Vergleich der Kategorien mit kalorienreichen Lebensmitteln in den Kontrollen (links: p = 0.007, rechts: p = 0.002; siehe Abb.. 4). Keiner der Pfadkoeffizienten unterschied sich signifikant zwischen den Nahrungsbedingungen mit hohem und niedrigem Kaloriengehalt innerhalb der adipösen Gruppe.
Diskussion
Frühere Forschungen haben gezeigt, dass Lebensmittelindikatoren, insbesondere solche, die mit kalorienreichen Lebensmitteln assoziiert sind, Hyperaktivität in Hirnregionen auslösen, einschließlich NAc, AMYG und OFC, von denen angenommen wird, dass sie motivierende und emotionale Prozesse bei übergewichtigen Personen vermitteln oder zumindest kodieren (z.68], [77]). In der vorliegenden Studie haben wir getestet, ob es Unterschiede in den Netzwerkverbindungen zwischen NAc, AMYG und OFC als Reaktion auf Bilder mit hohem und kalorienarmem Essen innerhalb und zwischen adipösen und normalgewichtigen Gruppen gab. Es ist wichtig anzumerken, dass dies die erste Konnektivitätsstudie ist, bei der die Interaktion von Gehirnregionen in einem Belohnungsnetzwerk mithilfe von funktionellem Neuroimaging gemessen wird. Im Vergleich zu Kontrollen mit normalem Gewicht fanden wir in der adipösen Gruppe eine anomale Konnektivität als Reaktion auf kalorienarme und kalorienarme Lebensmittel. Insbesondere scheint es, dass die fettleibige Gruppe einen relativen Mangel bei der AMYG-modulierten Aktivierung von OFC und NAc aufweist, jedoch eine Tendenz zu einem übermäßigen Einfluss der OFC-Modulation der Aktivierung von NAc. Somit ist es möglich, dass nicht nur mehr Aktivierung des Belohnungssystems, aber auch Unterschiede im Interaktion von Regionen in diesem Netzwerk können zu einem relativ erhöhten Motivationswert von Nahrungsmitteln bei adipösen Personen beitragen.
Das Belohnungsmodell
Alle Pfadverbindungen zwischen NAc, AMYG und OFC waren sowohl für fett- als auch kalorienarme Nahrungsmittelmodelle sowohl in der Fettleibigkeitsgruppe als auch bei normalgewichtigen Kontrollen von Bedeutung, im Einklang mit den bekannten anatomischen Verbindungen zwischen diesen Regionen ([7], [16], [17], [30], [38], [56], [60], [65], [71]). Dieses Netzwerk wird durch den ventralen Segmentabschnitt innerviert, der Dopamin als Reaktion auf motivational hervorstechende Ereignisse in diesen Kreislauf freisetzt ([9], [39], [71]). Die Projektionen zwischen NAc, AMYG und OFC sind jedoch in dargestellt Abb.. 2 sind glutamatergisch ([39], [71]).
Dieses NAc-, AMYG- und OFC-Belohnungsnetzwerk ist eine Teilschaltung eines größeren „Motivkreises“, von dem angenommen wird, dass sie Verhalten als Reaktion auf motivationsrelevante Reize aktiviert und steuert ([39], [63]). Insbesondere der NAc, der AMYG und der OFC haben wichtige Funktionen, die mit Belohnungen zusammenhängen und wahrscheinlich sowohl zu allgemeinen als auch zu lebensmittelspezifischen Motivationsprozessen beitragen ([6], [10], [11], [36], [39], [45], [63], [66], [73], [80], [83]). Das NAc / ventral-striatum wurde als "limbisch-motorische" Schnittstelle konzipiert ([55]) und scheint in die Verarbeitung involviert zu sein, die mit der Konditionierung von Pavlov, der Anreize und der Verfügbarkeit, dem Wert und dem Kontext von Belohnungen ([13], [15], [21]). Diese Region kann in Verbindung mit ventralem Pallidum über Opioid-vermittelte Mechanismen auch für den hedonischen Wert kodieren ([9], [10], [11], [74], [75]). Das NAc / ventral-striatum scheint auch für das allgemeine Motivationsmilieu zu kodieren (zB [14]), die die hierarchische Organisation eingehender belohnungsbezogener Signale ermöglichen würde. Für die Belohnung von Nahrungsmitteln scheint das NAc / ventral-striatum eine bevorzugte Beteiligung an der Kodierung von mit Lebensmitteln assoziierten Queues zu haben (im Vergleich zum Verzehr von Nahrungsmitteln) und kann homöostatische und nicht-homöostatische Signale integrieren, um den Motivationszustand zu modulieren ([42], [76]). Diese Region kann auch für den relativen Belohnungswert verfügbarer Nahrungsreize ([57]). Das AMYG scheint an motivationalen Assoziationsprozessen beteiligt zu sein ([61], [62]). Neben der Kodierung allgemeiner affektiver und motivationaler Eigenschaften kann sich die AMYG-Aktivität auch auf die spezifischen Eigenschaften von Lebensmittelreizen beziehen ([2]). Die OFC scheint eine Schlüsselregion für die Umsetzung des Belohnungswerts in hedonische Erfahrung zu sein ([46]), Verarbeitung der zeitlichen und sicheren Merkmale der Belohnung ([14]) und beteiligt sich an motivationsbezogenen Lernprozessen in Verbindung mit AMYG ([24], [59]). Die OFC zeigt multimodale Reaktionen auf Nahrungsmittelhinweise ([67]) und wurde im Anschluss an die Geschmacksverarbeitung in der insularen Kortikalis als „tertiärer Geschmacksbereich“ bezeichnet ([10], [11]).
Bedeutung der Gruppenunterschiede in der Konnektivität
OFC → NAc
Fettleibige Frauen wiesen eine stärkere OFC → NAc-Konnektivität auf der linken Hemisphäre auf als Kontrollpersonen für kalorienarme und kalorienarme Nahrungsmittel. Dieser Weg könnte in der fettleibigen Gruppe durch die Kombination einer erhöhten OFC-Aktivierung durch Nahrungsmittelbilder und einer erhöhten Dopamin (DA) -Funktion innerhalb der NAc bei diesen Personen verstärkt worden sein. Horvitz [33] hat vorgeschlagen, dass DA agiert, um glutamatergische Belohnungen von OFC auf NAc zu beschränken. Aufgrund dieses Gates werden in Gegenwart von hoher DA-Funktion innerhalb von NAc hohe Aktivitätsniveaus in OFC wirksamer, um die NAc-Aktivität weiter zu erhöhen. Obwohl die Rolle von DA bei Adipositas umstritten ist ([20], [29], [81]), deuten indirekte Beweise auf eine erhöhte DA-Funktion innerhalb des Belohnungssystems von leicht bis mäßig fettleibigen Individuen hin (z. B. [20]), wie in unserer Stichprobe. Wir spekulieren, dass der OFC → NAc-Pfad ein Schlüssel für die vorgeschlagenen positiven Beziehungen zwischen der Reaktivität von Nahrungsmitteln, einer größeren Aufnahme und einem hohen BMI sein kann ([25], [78]) wegen starker Kopplung von übertriebenem subjektivem Belohnungswert von durch die OFC vermittelten Nahrungsmitteln mit Ausgabepfaden, auf die die NAc zurückgreift. Schließlich wegen der vorgeschlagenen Parallelen zwischen Fettleibigkeit und Drogensucht (z. B. [82]), ist es bemerkenswert, dass Suchtforscher vorgeschlagen haben, dass dysregulierte PFC (einschließlich OFC) → NAc-synaptische Glutamat-Transmission die erhöhte Motivation von Medikamenten als Reaktion auf drogenbedingte Anzeichen erklärt ([37], [39]).
AMYG → OFC und AMYG → NAc
Bei den übergewichtigen Teilnehmern im Vergleich zu den Kontrollen fanden wir reduzierte Pfadkoeffizienten von AMYG zu OFC und NAc. Diese Unterschiede waren für AMYG → OFC für kalorienreiche Nahrungsmittel bilateral und für kalorienarme Lebensmittel in der rechten Hemisphäre signifikant. Die AMYG → NAc-Konnektivität war in der fettleibigen Gruppe in der linken Hemisphäre sowohl für kalorienreiche als auch für kalorienarme Nahrungsmittel niedriger. Obwohl die Relevanz dieser Gruppenunterschiede für Fettleibigkeit nicht klar ist, ist es möglich, dass eine reduzierte Konnektivität vom AMYG zu diesen Strukturen die Flexibilität bei der Aktualisierung des Belohnungswerts beeinträchtigen kann. Grundlegendes Lernen, durch das Reize, die mit primären Belohnungen verbunden sind, motivationalen Wert erhalten, kann im AMYG ([5]). Die Projektion AMYG → OFC kann grundlegende motivational relevante assoziative Informationen an die OFC übertragen, die Informationen aus dem AMYG verwendet, um den subjektiven Wert zu bestimmen und das spätere instrumentelle Entscheidungsverhalten zu beeinflussen ([15]). Als ein Beispiel für die Bedeutung dieses Pfads für die Änderung des Belohnungswerts betrachten Baxter und seine Kollegen [3] fanden heraus, dass Rhesus-Makaken ihr Verhalten während einer Abwertungsaufgabe nicht geändert haben, nachdem die Verbindung zwischen AMYG und OFC unterbrochen wurde. In einem Lernparadigma zum Thema Ergebnis werden Schönbaum und seine Kollegen [70] fanden heraus, dass die Unterbrechung des AMYG → OFC-Signalwegs durch Läsion zu einer stärker auf Cue-selektiven OFC-Neuronen abfeuernden Reaktion als Reaktion auf die sensorischen statt auf assoziative Eigenschaften des Cues führte. Im Hinblick auf das Aufnahmeverhalten kann eine unzureichende AMYG → OFC-Verbindung bei den übergewichtigen Teilnehmern eine suboptimale Übertragung des grundlegenden affektiven / emotionalen Werts in Bezug auf Lebensmittel und Lebensmittelmerkmale anzeigen, die für die Aktualisierung des subjektiven Belohnungswerts dieser Signale wichtig sind, um die Flexibilität des Nahrungsaufnahmeverhaltens zu erleichtern. Verglichen mit normalgewichtigen Individuen kann der Belohnungswert von Nahrungsmitteln und Nahrungsmittelhinweisen stärker durch die sensorischen Eigenschaften der Nahrungsmittel und Lebensmittelindizes für adipöse Personen bestimmt werden. Darüber hinaus kann der sensorische Belohnungswert der Lebensmittel und Nahrungsmittelsignale angesichts sich ändernder Belohnungskontingente weniger formbar sein.
Ähnlich wie bei der AMYG → OFC-Verbindung könnte eine fehlerhafte Verbindung bei der Fettleibigkeit von AMYG → NAc darauf hindeuten, dass das grundlegende hedonische Signal, das zur Modulation des Belohnungswerts von Lebensmitteln oder Lebensmittel-Queues (AMYG) dient, nicht mit anderen Signalen (z. B. motivational) gewichtet wird homöostatisch), bevor das geeignete Aufnahmeverhalten bestimmt wird ([84]).
Einschränkungen und Vorbehalte
- Die Angabe eines Modells mithilfe der Pfadanalyse in fMRI kann eine Herausforderung darstellen, da die Anzahl und Kombination von Verbindungen zwischen Regionen mit jeder zusätzlichen Region, die in dem Modell enthalten ist, erheblich zunimmt. Dies macht das zuverlässige Schätzen dieser Pfadkoeffizienten und die Interpretation der Ergebnisse schwieriger. Zum Beispiel gibt es in dieser Studie 3-Regionen pro Halbkugel (6-Regionen insgesamt) k = N(N + 1) / 2 = 21 Freiheitsgrade pro Datensatz (k = 42-Freiheitsgrade für die beiden getesteten Modelle), die zur Abschätzung der Auswirkungen von Interesse vorgesehen sind. Zwölf Freiheitsgrade werden verwendet, um die mit jeder Region verbundenen Varianzen in beiden Modellen zu schätzen (6-Regionen pro Modell × 2-Modelle). Mit einer Minimum von 5-Datenpunkten, die erforderlich sind, um die Parameterwerte für jeden Pfad im Modell zuverlässig zu schätzen ([4]), lassen sich maximal zwei 30-Pfade für zwei Modelle mit jeweils 6-Regionen (15-Pfade pro Modell). Dies begrenzt die Komplexität des Modells, das mithilfe der Pfadanalyse getestet werden kann. Dies ist ein Grund, weshalb wir uns entschieden haben, interhemisphärische Verbindungen nicht in unsere Modelle aufzunehmen.
- Wir haben uns für den zweistufigen SEM / GLM-Ansatz entschieden, um Gruppenunterschiede zwischen Verbindungen in einem hypothetischen Modell direkt zu testen, und waren nicht so interessiert, die Übereinstimmung des Modells zwischen Gruppen per se zu vergleichen. Dieser Ansatz unterscheidet sich von der herkömmlichen Methode der fMRI- und Pfadanalyse, die als „Stacked-Model-Ansatz“ bezeichnet wird und die Modellanpassung zwischen Aufgaben oder Gruppen vergleicht ([50]). Protzner und McIntosh [64] berichteten kürzlich, dass Informationen zur absoluten Modellanpassung nicht erforderlich sind, um mithilfe der Pfadanalyse verlässliche Parameterschätzungen zu erstellen.
- Eine weitere Einschränkung dieser Studie bezieht sich auf die Fähigkeit, Unterschiede zwischen den in unseren Modellen geschätzten Pfadkoeffizienten aufgrund der kleinen Stichprobengrößen zu erkennen, die für jede Gruppe verwendet werden. Bei größeren Gruppen hätten unsere Ergebnisse auf Trendniveau wahrscheinlich statistische Signifikanz erreicht.
- Das ventrale tegmentale Gebiet (VTA), die Dopaminquelle, wurde nicht in den mesocorticolimbischen Kreislauf eingeschlossen, um viele der mit Belohnung verbundenen Prozesse zu vermitteln ([26], [35], [72]), in unserem Modell aufgrund methodischer Einschränkungen im Zusammenhang mit der BOLD-fMRT, die den Nachweis der Aktivierung in Hirnstammregionen wie der VTA schwierig machen ([19]).
Schlussfolgerungen und Zusammenfassung
Zusammenfassend ergab unsere Neuroimaging-Studie eine abweichende Belohnungsnetzwerk-Konnektivität bei übergewichtigen Personen im Vergleich zu Kontrollen, wobei die Konnektivität von AMYG zu OFC und NAc und die Konnektivität bei OFC → NAc bei diesen Teilnehmern geringer war. Diese Ergebnisse tragen zu früheren Berichten bei und zeigen, dass es nicht nur eine übertriebene Aktivierung des Belohnungssystems als Reaktion auf Nahrungsmittel gibt, sondern auch eine abnormale Interaktion zwischen Regionen in diesem Netzwerk bei adipösen Personen. Wir denken insbesondere, dass Überessen bei adipösen Individuen durch zwei Mechanismen beeinflusst werden kann: (1) Eine erhöhte OFC → NAc-Konnektivität könnte zu einem gesteigerten Konsum von Nahrungsmitteln beitragen, und (2) -Mangelhaftigkeit durch AMYG könnte zu einer suboptimalen Modulation der affektiven / emotionalen Wirkung führen Aspekte eines Lebensmittels oder eines Lebensmittel-Queues belohnen den Wert. Ohne die entsprechenden affektiven / emotionalen Informationen, die auf die Abwertung von Lebensmitteln oder Lebensmittelhinweisen nach der Nahrungsaufnahme hinweisen, kann ein erhöhter Antrieb homöostatische Mechanismen überwinden, die zu Hyperphagie und erhöhter Gewichtszunahme führen. Wir haben zwar ein einfaches Belohnungsnetzwerk getestet. Weitere Studien sind notwendig, um die Konnektivität im Belohnungssystem zu untersuchen und wie diese Regionen mit homöostatischen Mechanismen im Hypothalamus und Hirnstamm sowie den kognitiven Mechanismen der Nahrungsaufnahme im präfrontalen Kortex interagieren können. Es wird auch interessant sein zu bestimmen, wie individuelle Unterschiede und interozeptive und exterozeptive Faktoren dieses Belohnungsnetzwerk modulieren, um besser zu verstehen, wie Belohnungsmechanismen das Aufnahmeverhalten beeinflussen.
Anerkennungen
Unterstützt durch das NIH-NIDCD Intramural Research Program, gewährt das GCRC M01 RR-00032 vom National Center for Research Resources, der Procter and Gamble Co. sowie Ressourcen des UAB-Zentrums für die Entwicklung funktionaler Bildgebung (CDFI).
Fußnoten
Haftungsausschluss des Herausgebers: Dies ist eine PDF-Datei eines unbearbeiteten Manuskripts, das zur Veröffentlichung angenommen wurde. Als Service für unsere Kunden stellen wir diese frühe Version des Manuskripts zur Verfügung. Das Manuskript wird vor der Veröffentlichung in seiner endgültigen zitierfähigen Form einer Vervielfältigung, einem Satz und einer Überprüfung unterzogen. Bitte beachten Sie, dass während des Produktionsprozesses Fehler entdeckt werden können, die sich auf den Inhalt auswirken können, und alle rechtlichen Disclaimer, die für das Journal gelten.
Conflict of Interest
Die Autoren erklären, dass sie keine konkurrierenden finanziellen Interessen haben.
Bibliographie
;