Cerveau Res Bull. 2009 août 14;79(6):388-95. doi: 10.1016/j.brainresbull.2009.05.016.
Stoeckel LE1, Kim J, Weller RE, Cox JE, Cuire EW 3rd, Horwitz B.
Abstract
La réactivité exagérée vis-à-vis des signaux alimentaires chez les femmes obèses semble être influencée en partie par un système de récompense hyperactif comprenant le noyau accumbens, l'amygdale et le cortex orbitofrontal. La présente étude a utilisé l'imagerie par résonance magnétique fonctionnelle (IRMf) pour déterminer si les différences entre les femmes obèses de poids normal 12 et 12 dans l'activation cérébrale liée à la récompense en réponse à des images d'aliments peuvent être expliquées par des changements dans les interactions fonctionnelles entre les régions clés du réseau de récompense.
Une approche d'analyse en deux étapes / modèle linéaire général a été utilisée pour vérifier s'il existait des différences de groupe dans les connexions réseau entre le noyau accumbens, l'amygdale et le cortex orbitofrontal en réponse à des images d'aliments riches en calories et hypocaloriques. La connectivité était anormale dans le groupe obèse en réponse à des signaux alimentaires hypercaloriques et hypocaloriques par rapport aux témoins de poids normal.
Par rapport aux témoins, le groupe obèse présentait un déficit relatif dans la modulation de l'activation de l'amygdale dans le cortex orbitofrontal et le noyau accumbens, mais une influence excessive de la modulation d'activation du cortex orbitofrontal dans le noyau accumbens. Les projections déficientes de l'amygdale pourraient être liées à une modulation sous-optimale des aspects affectifs / émotionnels de la valeur de récompense d'un aliment ou de la saillance motivationnelle d'un signal associé, alors qu'une connectivité accrue du cortex orbitofrontal au noyau accumbens pourrait contribuer à une envie accrue de manger en réponse à un aliment. signal.
Ainsi, il est possible que non seulement une plus grande activation du système de récompense, mais également des différences dans l'interaction des régions de ce réseau puissent contribuer à la valeur de motivation relativement accrue des aliments chez les individus obèses.
L’étiologie de l’obésité semble s’expliquer, en partie, par une réactivité exagérée aux signaux associés aux aliments, en particulier aux aliments riches en graisses et riches en énergie (par exemple,12]). Le mécanisme de la motivation accrue de ces stimuli chez les individus obèses peut être un système de récompense hyperactif, qui comprend le noyau accumbens / striatum ventral (NAc), l’amygdale (AMYG) et le cortex orbitofrontal (OFC). Une étude antérieure sur l'imagerie par résonance magnétique fonctionnelle (IRMf) a révélé une activation accrue de ces régions en réponse à des images d'aliments riches en calories chez les personnes obèses par rapport aux individus de poids normal ([77]; Fig. 1). D'autres études exposant des individus obèses ou ayant un IMC élevé à des stimuli alimentaires ont également révélé des modèles d'activation anormaux dans ces régions ([22], [23], [28], [43], [68]), ainsi que d’autres ([40], [68]). Les stimuli associés aux aliments riches en calories peuvent entraîner une motivation excessive à la consommation non homéostatique de ces types d’aliments ([10], [11], [53]). Ce désir excessif non homéostatique de consommer des aliments a été qualifié de «saillance incitative» et semble être en grande partie régulé par le système dopaminergique mésocorticolimbique, qui comprend NAc, AMYG et OFC (par exemple,6]).
La plupart des études IRMf humaines utilisent une approche d'analyse statistique univariée de masse pour discerner les caractéristiques fonctionnelles de différentes régions du cerveau macroscopiques. Les enquêteurs intègrent souvent des informations sur la spécialisation fonctionnelle d'un groupe de régions afin d'expliquer comment ces régions pourraient interagir pour exécuter une fonction donnée. Cependant, les seules conclusions valables empiriquement pouvant être tirées de telles analyses concernent l'ampleur et l'étendue de l'activation dans un ensemble donné de régions du cerveau, et non sur la manière dont ces régions interagissent fonctionnellement. Les analyses de connectivité permettent aux chercheurs d’étudier l’interaction des réseaux de régions cérébrales pour réaliser des fonctions cognitives et comportementales (par exemple, [34]). Il est important de noter que les conclusions des études d'activation traditionnelles ne sont pas directement transférées aux études de connectivité. Autrement dit, il peut y avoir des différences mesurées dans la ampleur d'activation du cerveau entre les groupes, mais pas de différences de groupe dans connectivitéet vice versa (par exemple, [52]).
L’analyse de trajectoire, un type de modélisation d’équations structurelles, est une approche multivariée, basée sur des hypothèses, appliquée à la neuroimagerie fonctionnelle pour étudier les relations directionnelles entre un ensemble donné de régions cérébrales connectées ([51]). Il s’agit d’une méthode d’analyse de la connectivité effective, qui signifie dans ce cas des modifications de l’activation d’une région du cerveau résultant de modifications de l’activation dans une autre région. Les modèles de trajectoire sont développés sur la base de a priori hypothèses et supposer une structure de causalité, où A → B signifie que les changements dans la région A sont supposés causer changements dans la région B (par exemple, [69]). Les régions cérébrales d'un modèle de réseau sont généralement sélectionnées sur la base d'études de neuroimagerie fonctionnelle antérieures, et les connexions entre ces régions sont généralement définies sur la base des connexions neuroanatomiques connues, principalement issues de la littérature animale, en supposant une homologie des régions cérébrales entre les espèces (par exemple,69]). Les valeurs de paramètre estimées calculées à l'aide de l'analyse de chemin représentent la quantification des chemins directionnels entre les régions du modèle. Ces coefficients de chemin peuvent ensuite être utilisés pour établir des comparaisons entre des connexions au sein de sujets en réponse à des modifications des conditions de tâche ou entre des sujets et des groupes dans le cadre du modèle linéaire général (GLM) (par exemple, [44], [64]).
NAc, AMYG et OFC fonctionnent ensemble dans le cadre du système de récompense. Il existe de fortes connexions anatomiques entre ces régions (voir Fig. 2; AMYG → OFC: [7], [16], [30], [38], [60], [65], [71], AMYG → NAc: [30], [38], [71] et OFC → NAc: [7], [16], [17], [30], [38], [56], [60], [65], [71]). Bien qu'il soit clair que NAc, AMYG et OFC sont plus activés chez les personnes obèses que les témoins de poids normal lors de la visualisation d'images d'aliments, notamment d'images d'aliments riches en calories ([77]), il est difficile de savoir si l’activation dans ces régions est liée à un processus de récompense sous-jacent commun (par exemple, une motivation incitative ou la motivation d’approcher et de consommer une récompense) ou s’il existe différents processus (par exemple, l’hédonisme ou la composante plaisir de la récompense et / ou ou d’apprentissage) qui explique ce schéma d’activation (voir [8] pour une discussion de ces différents processus de récompense). NAc, AMYG et OFC ont chacun de nombreuses propriétés fonctionnelles. Le striatum NAc / ventral fonctionne comme une interface entre le traitement lié à la récompense, les mécanismes homéostatiques et la sortie motrice (par exemple, [41]), mais peut aussi coder comme valeur de récompense ([57]). L’OFC peut encoder des représentations multimodales sensorielles d’aliments et de signaux alimentaires ([10], [11]). Ensemble, AMYG et OFC peuvent jouer un rôle médiateur dans les processus associatifs par lesquels les stimuli liés à l'alimentation acquièrent une importance incitative ou d'autres propriétés de motivation (par exemple, [6], [31]), mais tous deux codent également pour la valeur hédonique, AMYG via un processus ascendant et OFC via des processus descendants ([7]).
Dans cette étude, nous avons utilisé les données IRMf de Stoeckel et al. [77] et une analyse de chemin en deux étapes plus une approche GLM pour étudier les interactions des structures de récompense clés (NAc, AMYG et OFC) dans un réseau simple afin de déterminer si ces structures fonctionnent ensemble en réponse à des images d'aliments riches en calories et hypocaloriques différemment chez les individus obèses et de poids normal. Nous nous attendions à trouver des connexions efficaces entre les régions du cerveau, comme spécifié dans notre modèle, dans les contrôles de poids normal en réponse à des images d'aliments riches en calories et faibles en calories. En outre, nous nous attendions à trouver un certain nombre de relations efficaces modifiées dans notre groupe des obèses qui pourraient aider à expliquer pourquoi les aliments ont un potentiel de motivation accru pour ces personnes.
Matériels et méthodes
Les données utilisées pour l’analyse de trajectoire étaient les mêmes que celles rapportées dans Stoeckel et al. [77]. À l'exception de la section traitant des méthodes d'analyse de chemin, les informations ci-dessous sont fournies de manière plus détaillée dans Stoeckel et al. [77].
Participants
Les participants étaient 12 femmes obèses (indice de masse corporelle, IMC = 30.8 - 41.2) et 12 femmes droitières de poids normal (IMC = 19.7 - 24.5) recrutées dans la communauté de l'Université de l'Alabama à Birmingham (UAB). Il n'y avait pas de différences entre les groupes sur l'âge moyen (obèse: 27.8, écart-type = 6.2; contrôle: 28, écart-type = 4.4), l'origine ethnique (obèse: 7 afro-américains, 5 caucasiens; contrôle: 6 afro-américains, 6 caucasiens), l'éducation (obèse: 16.7 ans, SD = 2.2; contrôle: 17.2, SD = 2.8), ou jour moyen du cycle menstruel (obèse: jour 6.8, SD = 3.1, contrôle: jour 5.7, SD = 3.3, le tout en phase folliculaire ). Les participants ont été recrutés avec des publicités placées dans le journal UAB et des dépliants placés à divers endroits sur le campus de l'UAB. Ils ont été informés que le but de l'étude était d'examiner les schémas d'activité cérébrale chez les participants «affamés» de différents IMC en réponse à des images visuelles de divers objets tels que des aliments et des images de contrôle. Les personnes ont été exclues sur la base de plusieurs critères liés à la santé, y compris des antécédents positifs de trouble de l'alimentation, un régime actif ou la participation à un programme de perte de poids, ou un poids> 305 livres (138 kg) avec une circonférence> 64 pouces (163 cm), ce dernier en raison des limitations du scanner. Tous les participants ont signé un consentement éclairé écrit après avoir expliqué les procédures de l'étude et les risques encourus. Toutes les procédures ont été examinées et approuvées par le Comité d'examen institutionnel à usage humain de l'UAB.
Stimuli
Les stimuli utilisés pendant la session d’imagerie consistaient en des images couleur 252, toutes de taille, résolution et luminance cohérentes ([77]). Les images d'aliments 168 ont été subdivisées en catégories de calories faibles et élevées, chacune consistant en images uniques 84. Les images d'aliments à faible teneur en calories se composent d'éléments tels que des légumes cuits à la vapeur et du poisson grillé. Les aliments riches en calories étaient principalement des aliments riches en matières grasses tels que le gâteau au fromage ou la pizza. Les stimuli de contrôle consistaient en des images de voitures dont la marque, le modèle, l’âge et la couleur variaient considérablement. Les images de la voiture étaient conçues comme des stimuli de contrôle moyennement intéressants correspondant aux images peu caloriques et agréables basées sur les résultats de Stoeckel et al. [77], avec les aliments riches en calories classés plus haut.
Procédure
Après un dépistage approfondi pour valider l'IMC et vérifier d'autres critères de l'étude, les participants ont été programmés pour la session d'IRMf. Ils ont reçu pour instruction de prendre un petit-déjeuner normal entre 7 – 8 AM, mais de ne pas déjeuner et de ne consommer que de l'eau de façon à avoir jeûné pendant environ 8 – 9 h avant d'être pris en photo entre 3 – 5 PM.
Alors que les participants étaient dans l’aimant, les stimuli visuels ont été présentés dans un format de bloc, avec un total de six cycles 3: 09 au minimum par session d’imagerie. Chaque cycle consistait en deux époques 21, chacune composée de voitures (C), d’aliments hypocaloriques (LC) et d’aliments hypercaloriques (HC), présentés de manière pseudo-aléatoire aux participants. Chaque image de la nourriture ou de la voiture de chaque époque de 21, sept images individuelles ont été présentées pour chaque 2.5. Un espace 0.5 sépare les images et un 9 sépare les époques. Toutes les lacunes consistaient en un écran blanc gris avec une croix de fixation. Chaque série consistait en volumes 63 pour un total de volumes 378 répartis sur six séries, dont des volumes 84 ont été acquis au cours de chaque exposition en voiture, aliments à faible teneur en calories et aliments à haute teneur en calories. Les images visuelles ont été présentées par un ordinateur portable exécutant le logiciel VPM ([18]). Les images ont été projetées sur un écran derrière la tête du participant et visualisées via un miroir arrière 45 ° à surface unique fixé à la bobine de la tête. Les participants ont été rémunérés financièrement pour leur participation. Toutes les procédures ont été examinées et approuvées par le Comité d'examen institutionnel pour utilisation humaine de l'UAB.
Acquisition et traitement par IRM
Les données d'IRM fonctionnelles ont été acquises à l'aide d'un aimant ultra-méthane Philips Intera 3T équipé d'une bobine de tête à codage de sensibilité (SENSE). Les images ont été recueillies à l'aide d'une séquence d'impulsions EPI à écho de gradient pondérée T2 * à une seule prise. Nous avons utilisé TE = 30 msec, TR = 3 sec et un angle de renversement 85 ° pour les coupes axiales 30 d'épaisseur 4 mm d'épaisseur avec un intervalle 1 mm d'épaisseur, une résolution de numérisation de 80 × 79, reconstruite en 128 × 128, et avec un 230 × 149 × 230 mm FOV. Les quatre premiers balayages ont été écartés pour permettre à l'aimant de réaliser une aimantation en régime permanent.
Les données ont été prétraitées (correction de mouvement, normalisation au système de coordonnées MNI à l'aide du modèle SPM2 EPI et lissage avec un filtre gaussien FWHM de 6 mm) à l'aide du progiciel SPM2 (Wellcome Dept.Imaging Neuroscience, Londres, Royaume-Uni). Aucun ensemble de données ne répondait aux critères d'inclusion du mouvement, à savoir que le mouvement avant correction était <2 mm en mouvement de translation et <2 ° en mouvement de rotation (détails dans [77]).
L'analyse des données
données IRMf
Les réponses dépendantes du taux d'oxygène dans le sang (BOLD) dans la conception du bloc ont été analysées dans le contexte du modèle linéaire général sur une base voxel par voxel telle que mise en œuvre dans SPM2 ([27]). L'évolution temporelle de l'activation cérébrale a été modélisée avec une fonction boxcar convolue avec la fonction de réponse hémodynamique canonique (HRF) et une fonction dérivée temporelle. Les données ont été filtrées par passe-haut (1 / 128 Hz) afin d’éliminer les dérives de basse fréquence. Un modèle autorégressif de premier ordre a également été mis en œuvre pour corriger les autocorrélations dans le terme d'erreur du modèle IRMf.
Une procédure à effets aléatoires en deux étapes a été utilisée pour l'analyse statistique afin de prendre en compte la variabilité intra-sujet et inter-sujet. Premièrement, les données IRMf de chaque participant ont été utilisées pour générer des contrastes statistiques des estimations de paramètres afin de tester les différences entre les points temporels correspondant aux aliments riches en calories et faibles en calories. Résultats d'une étude précédente ([77]) ont trouvé des différences entre les groupes dans les schémas d'activation liée aux récompenses, le groupe obèse présentant une plus grande activation des aliments riches en calories et les témoins des aliments hypocaloriques. Le contraste des stimuli aliments> contrôle a ensuite été entré dans des analyses de test t de deuxième niveau à un échantillon pour les comparaisons intra-groupe afin de localiser les maxima de groupe pour nos régions d'intérêt (ROI): NAc bilatéral, AMYG et OFC moyen (p <05, non corrigé).
Les ROI pour AMYG et OFC ont été définis à l'aide des atlas WFU Pickatlas et AAL et Talairach Daemon ([47], [49], [79]). Comme NAc n’était pas disponible dans ces bibliothèques, nous avons dessiné une sphère de rayon 6 en millimètres avec la WFU Pickatlas centrée sur un emplacement de voxel déterminé en faisant la moyenne des dimensions d’emplacement de voxel à partir d’études IRMf pertinentes ([1], [54], [58]). La classification de la localisation régionale des voxels activés a été vérifiée à l’aide de la WFU Pickatlas et à l’inspection visuelle des données à l’aide d’un atlas du cerveau humain ([48]).
Analyse de chemin
L'analyse de trajectoire a été utilisée pour déterminer la force et la direction des relations (connexions effectives) entre les variables observées (ROI), estimées à l'aide d'équations de régression simultanées via une estimation du maximum de vraisemblance. C’est l’une des méthodes de modélisation les plus couramment utilisées pour étudier la connectivité effective ([69]). Nous avons utilisé une approche d'analyse en deux étapes / GLM, en suivant une méthode similaire à celle de Kim et al. [44]. Pour chaque participant: (1), des ROI ont été sélectionnés pour inclure dans le modèle, (2), les données de série chronologique ont été divisées en deux groupes associés à des volumes pour les deux conditions de tâche (aliments à haute et basse calories), (3). Résumé les données ont été extraites pour chaque condition pour chaque ROI, (4) un modèle spécifiant les interactions des ROI, (5), la matrice de variance-covariance (nombre de volumes de balayage X nombre de ROI) pour chaque condition a été calculée, et (6), les coefficients de chemin pour les connexions entre les ROI dans les modèles ont été estimés via une estimation du maximum de vraisemblance. Une ANOVA à mesures répétées a ensuite été utilisée pour déterminer les différences entre les groupes au sein du modèle (c.-à-d. La condition) et entre les groupes en utilisant les coefficients de chemin des modèles pour chaque individu.
Modèle Spécification
Les régions incluses dans le modèle (OFC, AMYG et NAc) sont des composants de ce que l’on a appelé le «circuit moteur» ([63]), impliquant le système dopaminergique mésocorticolimbique ([6], [36], [39], [45], [63], [66], [73], [80], [83]). Les connexions dans le modèle ont été définies en partie sur la base de la connectivité anatomique connue des structures de ce réseau, mais également en tenant compte des contraintes méthodologiques (par exemple, la résolution temporelle de l'IRMf et le problème de l'identification avec des modèles non récursifs utilisant la modélisation par équation structurelle; [7], [30], [38], [60], [65], [71]; Fig. 2). Afin d'estimer des valeurs de coefficient de chemin fiables, le modèle a été contraint d'être récursif (c'est-à-dire qu'aucun chemin réciproque n'a été inclus dans le modèle).
Le même modèle de parcours a été construit pour chaque sujet. Pour tenir compte de la variabilité inter-sujets, nous avons défini les coordonnées exactes de chaque région pour chaque hémisphère à partir du maximum local de la carte statistique de chaque participant à moins de 12 mm du maximum du groupe (dans la même région anatomique) résultant du contraste aliments> voitures ( p <05, non corrigé; [52]). Les coordonnées MNI des régions étaient: NAc, à gauche (x, y, z): −6, 10, −10 [contrôles] et −10, 14, −6 [obese]; NAc à droite, (x, y, z): 6, 10, −10 [contrôles] et 6, 12, −10 [obèse]; AMYG, gauche (x, y, z): −26, −2, −20 [contrôles] et −20, 0, −24 [obèse]; AMYG, droite (x, y, z): 22, 0, −20 [contrôles] et 24, 2, −24 [obèse]; OFC, gauche (x, y, z): −22, 36, −10 [contrôles] et −22, 30, −14 [obese]; OFC, droite (x, y, z): 26, 36, −14 [contrôles] et 26, 30, −4 [obèse]. Pour chaque région, la variable propre principale de la série temporelle a été extraite d'une sphère 4-mm centrée sur le maximum local spécifique du sujet. Le principal (c.-à-d. 1st) La variabilité propre est une mesure récapitulative, semblable à une moyenne pondérée robuste aux valeurs aberrantes, basée sur la variance de tous les voxels inclus dans la sphère 4 en rayon.
Les données régionales sur les séries temporelles (valeurs propres principales) ont ensuite été séparées en deux ensembles de données: les points temporels associés à (1) les aliments riches en calories et (2) aux aliments faibles en calories. Pour prendre en compte le décalage hémodynamique, nous avons supposé un délai physiologique 6 (2 TR) entre le début et le décalage de nos deux conditions et ajusté les données que nous avons extraites en conséquence ([32]). Cela a abouti à deux matrices de données 84 (nombre de volumes d'analyse) X 6 (nombre de ROI) pour chaque condition (aliments riches en calories et faibles en calories) pour chaque participant.
Estimation du paramètre de chemin
Un modèle de chemin a été adapté à la matrice de données pour les aliments riches en calories et faibles en calories indépendamment pour chaque participant. Les coefficients de libre parcours ont été estimés en minimisant l'écart entre une matrice de corrélation observée à partir des données IRMf et une matrice de corrélation prédite par le modèle à l'aide du logiciel LISREL (Version 8, SSI Scientific Software). Les estimations des paramètres standardisés (similaires aux β dans la régression), ou les coefficients de chemin, pour chaque connexion (AMYG → OFC, OFC → NAc et AMYG → NAc) dans chaque hémisphère (gauche et droit) des deux modèles (haut et bas) calories) pour chaque participant ont été importés dans SPSS pour des analyses ultérieures. Une ANOVA à modèle mixte a été menée pour chacune des trois connexions, dans laquelle les facteurs étaient le groupe (obèse par rapport au contrôle), la catégorie d'aliments (riche ou faible en calories) et l'hémisphère. Comme il s'agissait d'une étude exploratoire, nous avons testé la signification de coefficients de chemin spécifiques tant que les modèles omnibus montraient des effets au moins presque significatifs (p <0.10). Pour chaque groupe, un échantillon de tests t a été utilisé pour tester si les coefficients de chemin dans les modèles d'aliments riches et faibles en calories étaient significativement différents de zéro, indiquant la connectivité telle que spécifiée. Des comparaisons par paires ont été utilisées pour tester les différences de coefficients de trajectoire pour chaque hémisphère (gauche et droit) pour les comparaisons intra-groupe (aliments riches en calories vs faibles en calories) et entre les groupes (obèses vs témoins pour les aliments riches en calories et faibles en calories). -aliments caloriques, indépendamment). Des tests t appariés ont été utilisés pour les comparaisons intra-groupe et des tests t d'échantillons indépendants ont été utilisés pour les comparaisons inter-groupes.
Résultats
Tous les coefficients de chemin estimés étaient significativement différents de zéro pour le groupe obèse et les témoins pour les deux hémisphères dans les modèles d'aliments riches et faibles en calories, conformément au modèle de connectivité spécifié (valeurs p <0.001; Tableau 1).
Comparaisons entre groupes
OFC → NAc
Il n'y avait pas d'effet principal du groupe pour la connexion OFC → NAc, bien qu'il y ait eu une tendance (F [1,22] = 3.70, p = 0.067), indiquant une plus grande connectivité pour le groupe obèse (0.53 ± 0.06) par rapport aux témoins (0.41 ± 0.06). Il n'y avait pas d'interactions significatives de latéralité de groupe X ou de groupe X de catégorie X, bien qu'il y ait eu une tendance vers une interaction de latéralité de groupe X (p = 0.059). Les coefficients de chemin du côté gauche de OFC → NAc étaient significativement plus élevés dans le groupe obèse pour les aliments riches et faibles en calories (valeurs p <03; Fig. 3).
AMYG → OFC
Il y avait un effet principal du groupe tel que la connectivité moyenne de AMYG → OFC était moindre pour les participants obèses (0.64 ± 0.07) par rapport aux témoins (0.84 ± 0.07), indiquant une relation directionnelle relativement plus forte dans l'activation cérébrale entre ces structures en réponse à aliments dans les témoins (F [1,22] = 4.46, p = 0.046). Il n'y avait pas d'interactions significatives groupe par catégorie ou groupe par latéralité, bien qu'il y ait eu une tendance (p = 0.066) vers une interaction groupe par catégorie X latéralité. Des analyses ultérieures ont montré que les coefficients de chemin étaient significativement plus élevés dans les contrôles pour les aliments riches en calories bilatéralement et de droite AMYG → droit OFC pour les aliments faibles en calories (valeurs p <05; Fig. 3).
AMYG → NAc
Il y avait un effet principal du groupe pour la connexion moyenne AMYG → NAc tel qu'il y avait une connectivité plus faible pour le groupe obèse (0.35 ± 0.05) par rapport aux participants témoins (0.49 ± 0.05; F [1,22] = 6.00, p = 0.023 ). Il n'y avait pas d'interactions significatives de latéralité de groupe X ou de groupe X de catégorie X, bien qu'il y ait eu une tendance vers une interaction de latéralité de groupe X (p = 0.09). Des comparaisons par paires ont indiqué que les coefficients du chemin du côté gauche étaient significativement plus élevés pour les témoins pour les aliments riches et faibles en calories (valeurs p <05; Fig. 3).
Comparaisons intra-groupe des conditions alimentaires riches en calories et basses calories
Les coefficients de cheminement AMYG → OFC bilatéralement étaient significativement plus élevés pour la comparaison des catégories d'aliments riches en calories chez les témoins (à gauche: p = 0.007, à droite: p = 0.002; voir Fig. 4). Aucun des coefficients de trajectoire ne différait de manière significative entre les conditions d'alimentation hypercalorique et hypocalorique au sein du groupe obèse.
a lieu
Des recherches antérieures ont montré que les signaux alimentaires, en particulier ceux associés aux aliments hypercaloriques, déclenchent l'hyperactivité dans les régions du cerveau, y compris l'ANc, l'AMYG et l'OFC, censés servir de médiateur ou au moins de code pour les processus motivationnels et émotionnels chez les personnes obèses (par exemple,68], [77]). Dans la présente étude, nous avons vérifié s’il existait des différences dans les connexions de réseau entre NAc, AMYG et OFC en réponse à des images d’aliments hypercaloriques et hypercaloriques dans et entre les groupes obèses et de poids normal. Il est important de noter qu'il s'agit de la première étude de connectivité humaine utilisant la neuroimagerie fonctionnelle pour mesurer l'interaction des régions du cerveau dans un réseau de récompense. Nous avons constaté une connectivité aberrante dans le groupe des obèses en réponse aux signaux alimentaires riches en calories et hypocaloriques par rapport aux témoins de poids normal. Plus précisément, il semble que le groupe obèse présente un déficit relatif d'activation à la fois d'OFC et de NAc modulé par AMYG, mais une tendance à une influence excessive de la modulation d'activation de NAc par l'OFC. Ainsi, il est possible que non seulement plus grand l’activation du système de récompense, mais aussi les différences de l'interaction des régions de ce réseau peut contribuer à la valeur de motivation relativement plus élevée des aliments chez les personnes obèses.
Le modèle de récompense
Tous les liens de cheminement entre NAc, AMYG et OFC étaient significatifs pour les modèles d’aliments hypercaloriques et hypocaloriques du groupe obèse et des témoins de poids normal, ce qui concorde avec les connexions anatomiques connues entre ces régions ([7], [16], [17], [30], [38], [56], [60], [65], [71]). Ce réseau est innervé par la région tegmentale ventrale, qui libère de la dopamine dans ce circuit en réponse à des événements de motivation déterminants ([9], [39], [71]). Cependant, les projections entre NAc, AMYG et OFC, illustrées dans Fig. 2 sont glutamatergic ([39], [71]).
Ce réseau de récompenses NAc, AMYG et OFC est un sous-circuit d’un «circuit moteur» plus vaste, pensé pour activer et orienter le comportement en réponse à des stimuli pertinents pour la motivation ([39], [63]). La NAc, l'AMYG et l'OFC, en particulier, ont d'importantes fonctions liées aux récompenses qui contribuent probablement aux processus de motivation généraux et spécifiques à l'alimentation ([6], [10], [11], [36], [39], [45], [63], [66], [73], [80], [83]). Le striatum NAc / ventral a été conçu comme l’interface «moteur-limbique» ([55]) et semble être impliqué dans le traitement lié au conditionnement de Pavlovian, à la saillance incitative et à la disponibilité, la valeur et le contexte des récompenses ([13], [15], [21]). Cette région, associée au pallidum ventral via des mécanismes à médiation opioïde, peut également coder pour une valeur hédonique ([9], [10], [11], [74], [75]). Le striatum NAc / ventral semble également coder pour le milieu motivationnel général (par exemple, [14]), ce qui permettrait l’organisation hiérarchique des signaux entrants liés aux récompenses. Pour récompenser les aliments, le striatum NAc / ventral semble montrer une implication préférentielle dans l’encodage des signaux associés aux aliments (par rapport à la consommation alimentaire) et peut intégrer des signaux homéostatiques et non homéostatiques pour moduler l’état de motivation ([42], [76]). Cette région pourrait également coder pour la valeur de récompense relative des stimuli alimentaires disponibles ([57]). L’AMYG semble participer à des processus associatifs pertinents sur le plan de la motivation ([61], [62]). En plus de coder pour des propriétés affectives et motivationnelles plus générales, l'activité d'AMYG peut être liée aux propriétés spécifiques des stimuli liés à l'alimentation ([2]). L’OFC semble être une région clé pour traduire la valeur de la récompense en expérience hédonique ([46]), traitement des caractéristiques temporelles et de certitude de la récompense ([14]), et participe aux processus d’apprentissage liés à la motivation en collaboration avec AMYG ([24], [59]). L’OFC montre des réponses multimodales aux signaux alimentaires ([67]) et a été désignée sous le nom de «zone gustative tertiaire» après traitement gustatif dans le cortex insulaire ([10], [11]).
Importance des différences de connectivité entre les groupes
OFC → NAc
Les femmes obèses présentaient une connectivité OFC → NAc supérieure à l'hémisphère gauche par rapport aux témoins pour les aliments riches en calories et ceux riches en calories. Ce chemin pourrait avoir été renforcé dans le groupe obèse par la combinaison d’une activation accrue de l’OFC par des images d’aliments et d’une fonction accrue de la dopamine (DA) au sein de la NAc chez ces individus. Horvitz [33] a proposé que DA agisse pour que les entrées de récompenses glutamatergiques d’OFC à NAc. En raison de cette limitation, en présence d'une fonction de DA élevée dans NAc, des niveaux d'activité élevés dans OFC deviennent plus efficaces pour augmenter davantage l'activité de NAc. Bien que le rôle de la DA dans l’obésité soit controversé ([20], [29], [81]), des preuves indirectes suggèrent une augmentation de la fonction de DA dans le système de récompense des individus légers à moyennement obèses (par exemple, [20]), tels que ceux de notre échantillon. Nous supposons que le chemin OFC → NAc pourrait être un élément clé des relations positives proposées entre la réactivité des signaux alimentaires, une consommation accrue et un IMC élevé ([25], [78]) en raison du fort couplage de la valeur de récompense subjective exagérée des signaux alimentaires véhiculés par l’OFC avec les voies de sortie suivies par l’ACN. Enfin, en raison du parallèle suggéré entre obésité et toxicomanie (par exemple, [82]), il convient de noter que les chercheurs en toxicomanie ont proposé que la transmission synaptique du glutamate synaptique par les PFC (y compris les COF) → NAc explique la motivation accrue pour les médicaments en réponse aux signaux liés à la drogue ([37], [39]).
AMYG → OFC et AMYG → NAc
Chez les participants obèses comparés aux témoins, nous avons trouvé des coefficients de cheminement réduits de AMYG à la fois OFC et NAc. Ces différences étaient significatives pour AMYG → OFC bilatéralement pour les aliments riches en calories et dans l'hémisphère droit pour les aliments faibles en calories. La connectivité AMYG → NAc était plus faible dans le groupe des obèses de l'hémisphère gauche pour les aliments riches en calories et faibles en calories. Bien que la pertinence de ces différences de groupe pour l'obésité ne soit pas claire, il est possible qu'une connectivité réduite entre l'AMYG et ces structures puisse nuire à la flexibilité dans l'actualisation de la valeur de la récompense. L’apprentissage de base par lequel les stimuli associés aux récompenses primaires acquièrent une valeur motivationnelle peut se produire dans l’AMYG ([5]). La projection AMYG → OFC peut transférer des informations associatives de base pertinentes sur le plan de la motivation à l'OFC, qui utilise les informations d'AMYG pour déterminer la valeur subjective et influencer le comportement ultérieur en matière de choix instrumental ([15]). À titre d'exemple de l'importance de cette voie pour modifier la valeur de la récompense, Baxter et ses collègues [3] ont constaté que les macaques rhésus n’avaient pas changé de comportement lors d’une tâche de dévaluation de récompense après la rupture de la connexion entre AMYG et OFC. Schoenbaum et ses collègues [dans un paradigme d’apprentissage de résultats de réflexion]70] ont découvert que la perturbation de la voie AMYG → OFC via une lésion entraînait un déclenchement de neurones OFC sélectif en fonction du signal en réponse au sensitif par opposition aux propriétés associatives du signal. En ce qui concerne le comportement ingéré, une connexion AMYG → OFC déficiente chez les participants obèses peut indiquer un transfert sous-optimal de la valeur affective / émotionnelle de base concernant les aliments et les signaux alimentaires importants pour actualiser la valeur de récompense subjective de ces signaux afin de faciliter la flexibilité du comportement alimentaire. Par rapport aux individus de poids normal, la valeur de récompense des aliments et des signaux alimentaires peut être davantage déterminée par les propriétés sensorielles des aliments et les signaux alimentaires pour les individus obèses. En outre, la valeur de récompense des aliments et des indices de nourriture dictée par le sensoriel peut être moins malléable face aux aléas de récompense changeants.
Semblable à la connexion AMYG → OFC, une connexion déficiente chez les personnes obèses d'AMYG → NAc pourrait indiquer le signal hédonique de base servant à moduler la valeur de récompense des aliments ou des signaux alimentaires (AMYG) n'est pas pondéré de manière appropriée avec d'autres signaux , homéostatique) avant de déterminer le comportement d'ingestion approprié ([84]).
Limitations et mises en garde
- Spécifier un modèle à l'aide de l'analyse de chemin dans IRMf peut être un défi, car le nombre et la combinaison de connexions entre régions augmentent considérablement avec chaque région supplémentaire incluse dans le modèle, ce qui rend l'estimation de ces coefficients de chemin fiable et l'interprétation des résultats plus difficile. Par exemple, dans cette étude avec les régions 3 par hémisphère (total des régions 6), il existe k = N(N + 1) / 2 = 21 degrés de liberté par jeu de données (k = Degrés de liberté 42 pour les deux modèles testés) alloués pour estimer les effets d’intérêt. Douze degrés de liberté sont utilisés pour estimer les variances associées à chaque région dans les deux modèles (régions 6 par modèle × modèles 2). Avec un minimum de points de données 5 nécessaires pour estimer de manière fiable les valeurs de paramètre de chaque chemin du modèle ([4]), cela laisse un maximum de chemins estimables 30 pour deux modèles avec des régions 6 chacune (chemins estimables 15 par modèle). Cela limite la complexité du modèle qui peut être testé à l'aide de l'analyse de chemin. C'est l'une des raisons pour lesquelles nous avons choisi de ne pas inclure les connexions interhémisphériques dans nos modèles.
- Nous avons choisi l’approche SEM / GLM en deux étapes afin de tester directement les différences de groupe entre les connexions dans un modèle hypothétisé et ne sommes pas aussi intéressés par la comparaison de l’ajustement du modèle entre les groupes en soi. Cette approche est différente de la méthodologie traditionnelle d’IRMf et d’analyse de trajectoire appelée «approche de modèle empilé», qui consiste à comparer l’ajustement du modèle entre des tâches ou des groupes ([50]). Cependant, Protzner et McIntosh [64] a récemment signalé que des informations absolues sur l'ajustement de modèle n'étaient pas nécessaires pour générer des estimations de paramètres fiables à l'aide d'une analyse de chemin.
- Une autre limite de cette étude concerne le pouvoir de détecter les différences entre les coefficients de chemin estimés dans nos modèles en raison de la petite taille des échantillons utilisés pour chaque groupe. Avec des groupes plus nombreux, les résultats de nos tendances auraient probablement atteint une signification statistique.
- Nous n’incluions pas la zone tegmentale ventrale (VTA), la source de dopamine dans le circuit mésocortico-limbique proposé pour la médiation de nombreux processus associés à la récompense ([26], [35], [72]), dans notre modèle, en raison de limitations méthodologiques liées à l'IRMf BOLD qui rendent difficile la détection de l'activation dans des régions du tronc cérébral telles que la VTA ([19]).
Conclusions et résumé
En résumé, notre étude de neuroimagerie a révélé une connectivité au réseau de récompenses aberrante chez les individus obèses par rapport aux témoins, avec une connectivité réduite d'AMYG à OFC et NAc et une connectivité accrue dans OFC → NAc chez ces participants. Ces résultats s'ajoutent aux rapports précédents pour montrer qu'il y a non seulement une activation exagérée du système de récompense en réponse aux aliments, mais également une interaction anormale entre les régions de ce réseau chez les personnes obèses. En particulier, nous pensons que la suralimentation des individus obèses pourrait être influencée par deux mécanismes: (1) une connectivité accrue OFC → NAc pourrait contribuer à une incitation accrue à consommer des aliments et une connectivité déficiente (2) de AMYG pourrait entraîner une modulation sous-optimale de la les aspects d'un aliment ou d'un indice de récompense de la nourriture. Sans les informations affectives / émotionnelles appropriées pour signaler la dévaluation des aliments ou des signaux alimentaires après la prise de nourriture, une motivation accrue peut submerger les mécanismes homéostatiques conduisant à l'hyperphagie et à une prise de poids accrue. Certes, nous avons testé un réseau de récompense simple. Des études supplémentaires sont nécessaires pour étudier la connectivité dans le système de récompense et la manière dont ces régions pourraient interagir avec les mécanismes homéostatiques de l'hypothalamus et du tronc cérébral, ainsi que les mécanismes cognitifs du contrôle de la prise alimentaire dans le cortex préfrontal. Il sera également intéressant de déterminer comment les différences individuelles et les facteurs interoceptifs et exteroceptifs modulent ce réseau de récompense afin de mieux comprendre comment les mécanismes de récompense influencent le comportement ingéré.
Remerciements
Soutenu par le programme de recherche intra-muros NIH-NIDCD, le CRCG octroie une subvention à M01 RR-00032 du Centre national pour les ressources de recherche de la société Procter and Gamble Co., ainsi que des ressources du Centre pour le développement de l'imagerie fonctionnelle (CDFI) de l'UAB.
Notes
Avis de non-responsabilité de l'éditeur: Ceci est un fichier PDF d’un manuscrit non édité qui a été accepté pour publication. En tant que service à nos clients, nous fournissons cette première version du manuscrit. Le manuscrit subira une révision, une composition et une révision de la preuve résultante avant sa publication dans sa forme définitive. Veuillez noter que des erreurs pouvant affecter le contenu peuvent être découvertes au cours du processus de production, de même que tous les dénis de responsabilité qui s'appliquent à la revue.
Conflit d'intérêts
Les auteurs déclarent qu'ils n'ont aucun intérêt financier en concurrence.
Bibliographie