પરિચય

"અમે સ્વીકાર્યું કે આપણે આપણા વ્યસનથી શક્તિહીન છીએ - કે આપણું જીવન અવ્યવસ્થિત બની ગયું હતું", નાર્કોટિક્સ અનામિક એક્સએનયુએમએક્સ-પગલાના કાર્યક્રમનો પ્રથમ મુદત દર્શાવે છે. [1]. ડ્રગ્સ લેવાનું એ એક ખોટું માર્ગ છે તે જાણ્યા હોવા છતાં ડ્રગ્સનો પ્રતિકાર કરવાની વાત આવે ત્યારે શક્તિવિહીન વ્યસની પોતાને કેવી શોધે છે તે આના પર ધ્યાન આપે છે. [2]-[4]. હકીકતમાં, વ્યસનની લાક્ષણિકતા સ્પષ્ટ પ્રતિકૂળ પરિણામોના ભોગે પણ ડ્રગની શોધ કરવી ફરજિયાત છે [5]. આવા રોગવિજ્ologicalાનવિષયક વર્તણૂકનો હસ્તાક્ષર નિયંત્રિત પ્રયોગોમાં સ્પષ્ટ થાય છે જ્યાં વ્યસની એક લાક્ષણિકતા "સ્વયં વર્ણવેલ ભૂલ" દર્શાવે છે: ડ્રગ સાથે સંકળાયેલ પસંદગીઓ પ્રત્યેની સકારાત્મક વર્તણૂકીય પ્રતિક્રિયા અને પ્રમાણમાં નીચા વ્યક્તિલક્ષી મૂલ્ય વચ્ચેની અસંગતતા કે જે ડ્રગ માટે વ્યસની જણાવે છે [4], [6], [7]. જ્યારે વર્તણૂક પર અવરોધક જ્ognાનાત્મક નિયંત્રણની ખોટ સાથે જોડાયેલી હોય, ત્યારે ડ્રગ્સના લાંબા સંપર્કમાં આવ્યા પછી, જ્ognાનાત્મક યોજનાઓ અને એકીકૃત ટેવો વચ્ચેના આ ભિન્નતાને કારણે અનૂકુળ ડ્રગ લેવાની વર્તણૂકમાંથી પરચુરણ સંક્રમણ થઈ શકે છે. [8].

જ્ cાનાત્મક નિયંત્રણની ખોટ અને સ્વ-વર્ણવેલ ભૂલથી અત્યાર સુધીમાં વ્યસનના modelsપચારિક મ modelsડેલો દ્વારા સિધ્ધાંતિક સમજૂતી દૂર કરવામાં આવી છે [9]-[13]. ડ્રગ વ્યસનની અગાઉની ગણતરીના સિદ્ધાંતો, મોટે ભાગે મજબૂતીકરણ શીખવાની માળખામાં ઉભી કરવામાં આવે છે, વ્યસનને આદત શિક્ષણ (ઉત્તેજના-પ્રતિક્રિયા) સિસ્ટમના રોગવિજ્ologicalાનવિષયક રાજ્ય તરીકે જુએ છે. [9]-[13]. તે બધા મોડેલોની પાછળની કેન્દ્રિય પૂર્વધારણા એ છે કે ડોપામાઇન સિગ્નલિંગ પર દવાઓનો ફાર્માકોલોજીકલ પ્રભાવ, માનવામાં આવે છે કે તે ઉત્તેજના-પ્રતિસાદ શિક્ષણ સંકેત ધરાવે છે, પરિણામે આવા સંગઠનોને ધીમે ધીમે વધારે મજબૂતીકરણ કરવામાં આવે છે. આ અસર બદલામાં ડ્રગ લેવાની ફરજિયાત ટેવ તરફ દોરી જાય છે. વ્યસન પ્રત્યેના આ ઘટાડેલા દૃષ્ટિકોણથી ઘટનાના કેટલાક પાસાં કબજે થયા છે, વ્યસન સાહિત્યમાં વધતી સહમતી સૂચવે છે કે બહુવિધ શિક્ષણ પ્રણાલી પેથોલોજીમાં સામેલ છે. ફક્ત આવા જટિલ ચિત્ર કે જેમાં મગજની જ્ognાનાત્મક, તેમજ નીચા-સ્તરની રીualો પ્રક્રિયાઓ શામેલ છે, વ્યસન જેવા વિવિધ વર્તણૂકોની વિવિધતા સમજાવી શકે છે. [8], [14].

આ કાગળમાં, અમે વંશવેલો મજબૂતીકરણ શીખવાની અભિગમ અપનાવીએ છીએ [15] જ્યાં જ્ decisionsાનાત્મક-થી-મોટર વંશવેલોમાં, નિર્ણય જુદા જુદા સ્તરે રજૂ કરવામાં આવે છે. અમે માની લઈએ છીએ કે ડોપામાઇન આધારિત આધારીત શિક્ષણ સંકેતોનું કાસ્કેડ વંશવેલોના સ્તરને એક સાથે જોડે છે [16]. અમે આગળ ધારીએ છીએ કે દુરુપયોગની દવાઓ ફાર્માકોલોજિકલી એબ્સ્ટ્રેક્શનના સ્તર વચ્ચેના સંચાર પદ્ધતિને હાઇજેક કરે છે. આ ધારણાઓના આધારે, અમે બતાવીએ છીએ કે વ્યસનકારક લોકોની જાણ કરાયેલ જ્ognાનાત્મક વિસંગતતા, જ્યારે હાયરાર્કિકલ રિઇન્ફોર્સમેન્ટ લર્નિંગ ફ્રેમવર્કની અંદર ઉદ્ભવે છે, જ્યારે ક્રોનિક ડ્રગ-એક્સપોઝર નિર્ણયના વંશક્ષેત્રમાં મૂલ્ય-શિક્ષણને વિક્ષેપિત કરે છે. આ વિક્ષેપ નીચલા-સ્તરની રી levelો પ્રક્રિયાઓ પર ડ્રગ પસંદગીઓના પેથોલોજીકલ ઓવર-વેલ્યુએશનમાં પરિણમે છે અને તેથી તે ડ્રગ લેવાની રી habitો વ્યવહાર ચલાવે છે. તે પછી અમે તે બતાવીએ છીએ કે "અણગમો" પરંતુ અનિવાર્ય ડ્રગની શોધને ડ્રગ હાઈજેક કરેલા નીચા-સ્તરની રીualો પ્રક્રિયાઓ પર વર્ચસ વર્ચસ્વ હોઇ શકે છે, જ્યારે ઉચ્ચ પ્રતિનિધિત્વ સ્તર પર તંદુરસ્ત જ્ognાનાત્મક સિસ્ટમો વર્તણૂક પરનું નિયંત્રણ ગુમાવે છે. તદુપરાંત, અમે દર્શાવીએ છીએ કે સૂચિત મ vsડલ, વેન્ટ્રલ વિ ડોર્સલ સ્ટ્રાઇટમમાં અનુક્રમે, ડ્રગ ક્યુ-એલિસિટેડ ડોપામાઇન ફ્લ .ક્સના વિરુદ્ધ વિલંબિત વિકાસના તાજેતરના પુરાવા માટે જવાબદાર છે, તેમજ ડોપામાઇન સર્પિલિંગ સર્કિટરી પર આ પેટર્નની અવલંબન.

સામગ્રી અને પદ્ધતિઓ

પ્રારંભિક

સમૃદ્ધ જ્ognાનાત્મક મનોવિજ્ .ાન સાહિત્ય સાથે સંવાદિતામાં, આપણું વંશવેલો મજબૂતીકરણ શિક્ષણ [15], [18] ફ્રેમવર્ક ધારે છે કે "ઉકાળવાની ચા" જેવી અમૂર્ત જ્ cાનાત્મક યોજનાને નીચલા સ્તરની ક્રિયાઓના ક્રમમાં તોડી શકાય છે: ઉકળતા પાણી, વાસણમાં ચા મૂકવી, વગેરે. જેમ કે વિઘટન નીચલા સ્તરે કોંક્રિટ મોટર-સ્તરના જવાબો સુધી આગળ વધે છે વંશવેલો (આકૃતિ 1A). ન્યુરોબાયોલોજિકલી, જ્ognાનાત્મકથી મોટર લેવલ સુધીના નિર્ણય સ્તરના વિવિધ સ્તરો કોર્ટીકો-બેસલ ગેંગલિયા (બીજી) સર્કિટના રોસ્ટ્રો-ક caડલ અક્ષ સાથે રજૂ થાય છે. [19]-[21]. આ સર્કિટ ફ્રન્ટલ કોર્ટેક્સ અને બેસલ ગેંગલિયા વચ્ચેના કેટલાક સમાંતર બંધ આંટીઓથી બનેલું છે [22], [23] (આકૃતિ 1B). જ્યારે અગ્રવર્તી લૂપ્સ ક્રિયાઓની વધુ અમૂર્ત રજૂઆત કરે છે, સંવેદનાત્મક-મોટર કોર્ટેક્સ અને ડોર્સોટલ્રલ સ્ટ્રાઇટમ ધરાવતાં પુચ્છ લૂપ્સ, નીચા-સ્તરની ટેવોને એન્કોડ કરે છે [19]-[21].

ડાઉનલોડ કરો:

• પીપીટી

  પાવરપોઈન્ટ સ્લાઇડ

• PNG

  મોટી છબી (1.06MB)

• TIFF

  મૂળ છબી (1.56MB)

આકૃતિ 1. વર્તનનું વંશવેલો સંગઠન અને કોર્ટીકો-બીજી સર્કિટ.

A, બે વૈકલ્પિક પસંદગીઓ માટેના નિર્ણય પદાનુક્રમનું ઉદાહરણ: ડ્રગ વિ. ફૂડ. ક્રિયાના દરેક કોર્સને જુદા જુદા અદભૂત સ્તરે રજૂ કરવામાં આવે છે, માનવામાં આવે છે કે વિવિધ કોર્ટીકો-બીજી આંટીઓ પર એન્કોડ થયેલ છે. પ્રત્યેક બે પ્રકારના ઇનામની શોધમાં 16 ની તીવ્રતાની સજા થઈ શકે છે. B, જુદા જુદા પ્રિફન્ટલ વિસ્તારોથી ગ્લુટામેટરગીક કનેક્શન્સ સ્ટ્રેટલ પેટાવિભાગો માટે પ્રોજેક્ટ કરે છે અને ત્યારબાદ પૅલિડમ અને થૅલામસ દ્વારા પીએફસી તરફ પાછા પ્રોજેક્ટ કરે છે, જે અનેક સમાંતર લૂપ્સ બનાવે છે. સ્ટ્રાઇટો-નિગ્રો-સ્ટ્રિએટલ ડોપામાઇન નેટવર્ક દ્વારા, સ્ટ્રાઇટમના વેન્ટ્રલ પ્રદેશો વધુ ડોર્સલ પ્રદેશોને પ્રભાવિત કરે છે. વીએમપીએફસી, વેન્ટ્રલ મેડિયલ પ્રિફ્રન્ટલ કોર્ટેક્સ; ઓએફસી, ઓર્બિટલ ફ્રન્ટલ કોર્ટેક્સ; ડીએસીસી, ડોર્સલ અગ્રવર્તી સિંગ્યુલેટ કોર્ટેક્સ; એસએમસી, સંવેદનાત્મક-મોટર કોર્ટેક્સ; વીટીએ, વેન્ટ્રલ ટેગમેન્ટલ ક્ષેત્ર; એસ.એન.સી., સબસ્ટન્ટિયા નિગ્રા પાર્સ કોમ્પેક્ટા. આકૃતિ 1B રેફ 21 થી સંશોધિત.

ડોઇ: 10.1371 / journal.pone.0061489.g001

આ સર્કિટરીની અંદર, સ્ટ્રાઇટમને પ્રસ્તુત કરતા મિડબ્રેઇન ડોપામાઇન (ડીએ) ન્યુરોન્સની ફાસિક પ્રવૃત્તિ, આગાહી કરેલા અને પ્રાપ્ત થયેલા ઇનામ વચ્ચેની ભૂલને સંકેત આપે છે, ત્યાં ઉત્તેજના-પ્રતિસાદને લગતી માહિતી વહન કરે છે. [24]. આ ડીઅર્જિક અંદાજો કહેવાતા i સ્પિરિલિંગ ″ કનેક્શન્સ દ્વારા સ્ટ્રેટમના વધુ વેન્ટ્રલ પ્રદેશોને ક્રમિક રીતે વધુ ડોરસલ પ્રદેશો સાથે જોડતા કાસ્કેડીંગ સીરીયલ કનેક્ટિવિટી બનાવે છે. [25]-[27] (આકૃતિ 1B). વિધેયાત્મક રીતે, આવા ફીડ-ફોરવર્ડ સંગઠન રોસ્ટ્રલને કudડલ કોર્ટીકો-બીજી લૂપ્સથી જોડે છે, જેમાં બરછટથી દંડ રજૂઆતો માટે નિર્દેશિત કપલિંગને મંજૂરી આપે છે. તદનુસાર, વંશવેલોના ઉચ્ચ સ્તર (વર્તણૂક વિકલ્પોના મૂલ્ય વિશેના અમૂર્ત જ્ knowledgeાનને એન્કોડિંગ) દ્વારા ઇનામની આગાહીની ભૂલના પ્રગતિશીલ ટ્યુનિંગ માટે ન્યુરોબાયોલોજીકલ સબસ્ટ્રેટ પ્રદાન કરવા માટે ડી.એ. સર્પલ્સને પૂર્વધારણા આપવામાં આવી છે. આ ભૂલ પછી વધુ વિગતવાર સ્તરે ક્રિયા-મૂલ્યોને અપડેટ કરવા માટે વપરાય છે [16]. બીજા શબ્દોમાં કહીએ તો, ડી.એ. સર્પર્સ મૂલ્યાંકનના અમૂર્ત જ્ognાનાત્મક સ્તરોને વધુ વિગતવાર ક્રિયા-મૂલ્યાંકન પ્રક્રિયાઓમાં શિક્ષણને માર્ગદર્શન આપવા માટે પરવાનગી આપે છે.

થિયરી સ્કેચ

મજબૂતીકરણ શિક્ષણના ગણતરીના સિદ્ધાંતની દ્રષ્ટિએ [28] (આરએલ), એજન્ટ (અમારા કિસ્સામાં કોઈ વ્યક્તિ અથવા પ્રાણી) તેના અગાઉના અંદાજિત મૂલ્યને અપડેટ કરીને જાણકાર ક્રિયા-પસંદગીઓ કરવાનું શીખે છે, , દરેક રાજ્ય-ક્રિયા જોડી માટે, , જ્યારે ઇનામ એજન્ટ દ્વારા સમયસર પ્રાપ્ત થાય છે ક્રિયા કરવાના પરિણામે સંદર્ભિત સ્થિતિમાં (ઉત્તેજના) . મૂલ્ય ઇનામની આગાહી ભૂલ સિગ્નલની ગણતરી કરીને અપડેટ થયેલ છે. આ સંકેત ફક્ત ત્વરિત પ્રાપ્ત થયેલા વળતર પર આધારિત નથી (), પણ નવા રાજ્યના મૂલ્ય પર પણ એજન્ટ અંત થાય છે, તે પછી ક્રિયા કરવામાં આવે છે. દ્વારા સૂચિત , આ અસ્થાયી ધોરણે-અદ્યતન મૂલ્ય-કાર્ય એ પ્રાણીને પરિણામી અવસ્થામાંથી પ્રાપ્ત થવાની અપેક્ષા ભવિષ્યના પુરસ્કારોની રકમનું પ્રતિનિધિત્વ કરે છે. , આગળ. આગાહી ભૂલ નીચેના સમીકરણો દ્વારા ગણી શકાય:

(1)

સાહજિક રીતે, આગાહી ભૂલ સિગ્નલ, અપેક્ષિત અને ક્રિયાના મૂલ્યવાન લાભદાયી મૂલ્ય વચ્ચેના તફાવતની ગણતરી કરે છે. વંશવેલો નિર્ણય માળખામાં, તેમ છતાં, શીખવાની જગ્યાએ સ્વતંત્ર સ્તરે વિવિધ સ્તર પર મૂલ્યાંકન કરે છે, વધુ અમૂર્ત સ્તર નીચા સ્તર પર ગણાયેલી શિક્ષણ સિગ્નલને ટ્યુન કરી શકે છે. વંશવેલોના ઉચ્ચ સ્તરો પર્યાવરણીય આકસ્મિકતાઓના વધુ અમૂર્ત રજૂઆતનું પ્રતિનિધિત્વ કરે છે, તેથી તે સ્તરોમાં શિક્ષણ વધુ ઝડપી બને છે. આ વર્તનની અમૂર્ત રજૂઆતની સંબંધિત ઓછી પરિમાણીયતાને કારણે છે: ઍક્શન પ્લાનને હાયરાર્કીના ઉચ્ચ સ્તર પર એક પગલા (એક પરિમાણ) તરીકે રજૂ કરી શકાય છે અને નિમ્ન સ્તરે બહુવિધ વિગતવાર ક્રિયાઓ (બહુવિધ પરિમાણો) તરીકે પદાનુક્રમની. વિગતવાર પગલાઓની સરખામણીમાં આ ક્રિયા-યોજનાનું ટોચનું સ્તર મૂલ્ય ઝડપથી શીખી શકાય છે જ્યાં પુરસ્કાર ભૂલોને વિગતવાર પગલાં-પગલાઓનો પ્રચાર કરવાની જરૂર પડશે. આમ, ઉચ્ચ સ્તરથી મૂલ્ય માહિતી દ્વારા નીચલા સ્તરનાં મૂલ્યોને ટ્યુનિંગ કરવાથી આ મૂલ્યોની સંમિશ્રણ ઝડપમાં આવી શકે છે. આમ કરવાની એક આંકડાકીય રીતે કાર્યક્ષમ રીત એ છે કે અનુમાનિત ભૂલ સંકેતની ગણતરી કરવા માટે અમૂર્તતા સ્તર છે, , અસ્થાયી રૂપે અદ્યતન મૂલ્ય કાર્ય, , એક ઉચ્ચ સ્તરના અમૂર્તતામાંથી આવે છે, [16]:

(2)

શ્રેષ્ઠતા જાળવવા માટે, સમીકરણ 2 નો ઉપયોગ પૂર્વાનુમાન ભૂલની ગણતરી માટે જ કરી શકાય છે જ્યારે અમૂર્ત વિકલ્પની છેલ્લી ઘટક આદિમ ક્રિયા કરવામાં આવે છે (આકૃતિ S1 માં જુઓ ફાઇલ S1). અન્ય કિસ્સાઓમાં, વિવિધ સ્તરે મૂલ્ય-અધ્યયન સ્વતંત્ર રીતે થાય છે, જેમ કે સમીકરણ 1. બંને કિસ્સાઓમાં, શિક્ષણ સિગ્નલનો ઉપયોગ અગાઉનાં મૂલ્યોને સંબંધિત સ્તર પર અપડેટ કરવા માટે કરવામાં આવે છે.

(3)
જ્યાં શીખવાની દર છે. ઇન્ટર-લેવલ માહિતી-વહેંચણીનું આ સ્વરૂપ બાયોલોજિકલ રૂપે અનુકૂળ છે કારણ કે તે ડી.એચ. સર્કિટ્રીની સર્પાકાર માળખું દર્શાવે છે, જે વેન્ટ્રો-ડોર્સલ દિશામાં પદાનુક્રમની માહિતીને વહન કરે છે. તે જ સમયે, વધુ અમૂર્ત સ્તર દ્વારા માર્ગદર્શન આપવું એ નોંધપાત્ર સ્તરને વેગ આપે છે, વિગતવાર સ્તરે મૂલ્ય શીખવાની ઉચ્ચ પરિમાણતાને દૂર કરે છે [16].

આ પેપરમાં આપણે બતાવીએ છીએ કે મોડેલના સુધારેલા સંસ્કરણ વચ્ચેની ક્રિયાપ્રતિક્રિયા [16] અને ડોપામિનેર્જિક સિસ્ટમ પર દુરુપયોગની દવાઓની ચોક્કસ ફાર્માકોલોજિકલ અસરો વિશ્લેષણ-સંબંધિત ડેટા વિશ્લેષણના ભિન્ન ભિન્ન ભિન્ન સ્તરો પર કબજે કરી શકે છે: વર્તણૂક અને સર્કિટ-સ્તરના ન્યુરોબાયોલોજીકલ. પ્રથમ, નવો મોડેલ દવાઓના વ્યસન સાથે સંકળાયેલા કેટલાક રસપ્રદ વર્તણૂંક પાસાંઓ માટે સંભવિત કોજન્ટ સમજૂતી લાવે છે (દા.ત. સ્વ-વર્ણવેલ ભૂલ [4], [6], [7]). બીજું, અમે ડ્રગ-વિકસિત ડોપામાઇનના પ્રકાશનની ગતિશીલતાને લગતા પુરાવાઓની વિશાળ શ્રેણી માટે જવાબદાર હોઈ શકીએ છીએ [17].

અમે પ્રસ્તુત મોડેલ સંશોધિત કરીએ છીએ [16] નીચે પ્રમાણે. અમે મોડલને બદલીને કાર્યરત મેમરી ક્ષમતાના સંદર્ભમાં વધુ કાર્યક્ષમ બનાવીએ છીએ સાથે , સમીકરણ 2 માં, કારણ કે બે મૂલ્યો એક જ સ્થિર સ્તરે ભેગા થાય છે (આકૃતિ S2 માં જુઓ ફાઇલ S1, ગણતરી અને ન્યુરોબાયોલોજીકલ ધોરણે):

(4)

અહીં, પ્રમાણમાં અમૂર્ત વિકલ્પ છે અને વર્તણૂંક અનુક્રમમાં છેલ્લી આદિમ ક્રિયા છે જે આ વિકલ્પને પૂર્ણ કરે છે. એ જ રીતે, એ લાભદાયી મૂલ્ય છે જેમાં સમાવેશ થાય છે (ના પુરસ્કાર મૂલ્ય ).

ક્રૂર રીતે, માનવીઓ દ્વારા દુરુપયોગ કરવામાં આવતી વિવિધ દવાઓ સ્ટ્રેટમની અંદર ફાર્માકોલોજિકલ રીતે વધી રહેલા ડોપામાઇન સાંદ્રતાના મૂળભૂત ગુણધર્મને શેર કરે છે. [29]. તદનુસાર, અમે હકારાત્મક પૂર્વગ્રહ ઉમેરીને ડ્રગની આ ફાર્માકોલોજિકલ અસરને સમાવીએ છીએ, , (આ પણ જુઓ [9]-[12]) ડોપામાઇન ચેતાકોષ દ્વારા કરવામાં આવેલ પૂર્વાનુમાન ભૂલ સંકેત (આકૃતિ S3 માં જુઓ ફાઇલ S1, ગણતરી અને ન્યુરોબાયોલોજીકલ ધોરણે):

(5)

અહીં ડીએ સિસ્ટમ પર ડ્રગની સીધી ફાર્માકોલોજિકલ અસર મેળવે છે, અને યુફોર્જેનિક અસરોને કારણે તેની મજબુત કિંમત છે (જુઓ ફાઇલ S1 પૂરક માહિતી માટે).

જ્યારે 3 અને 5 સમીકરણો એકસાથે અમારા મોડેલમાં મૂલ્યોને અપડેટ કરવા માટે ગણતરીત્મક પદ્ધતિને વ્યાખ્યાયિત કરે છે, ત્યારે આપણે એ પણ પૂર્વધારણા કરીએ છીએ કે અનિશ્ચિતતા આધારિત સ્પર્ધા પદ્ધતિ એ વર્તનને નિયંત્રિત કરતી અમૂર્તતાના સ્તરને નિર્ધારિત કરે છે. આ પ્રસ્તાવિત પ્રણાલી દ્વારા પ્રેરિત છે [29] આદત અને ધ્યેય નિર્દેશિત સિસ્ટમ્સ વચ્ચે આર્બિટ્રેશન માટે. આ સંદર્ભમાં, દરેક નિર્ણાયક મુદ્દા પર, પસંદગીના મૂલ્યના અંદાજને ધ્યાનમાં રાખીને ઉચ્ચતમ નિશ્ચિતતા સાથે ફક્ત અવકાશીકરણનું સ્તર વર્તન નિયંત્રિત કરે છે. એકવાર આ સ્તરએ કાર્ય કરવાનો નિર્ણય લીધો છે, ત્યારે વંશવેલોના બધા નીચલા સ્તરો આ પ્રભાવશાળી સ્તર દ્વારા સ્થાનાંતરિત મોટર પ્રત્યુત્તરોના અનુક્રમ તરીકે પસંદ કરેલ ક્રિયાને અમલમાં મૂકશે. ફાઇલ S1 પૂરક માહિતી માટે; આકૃતિ S4 માં ફાઇલ S1; આકૃતિ S5 માં ફાઇલ S1). પર્યાવરણમાંથી પુરસ્કાર પ્રતિસાદ પ્રાપ્ત કર્યા પછી, તમામ સ્તરે મૂલ્યોને અપડેટ કરવામાં આવે છે. આ અનિશ્ચિતતા આધારિત આર્બિટ્રેશન મિકેનિઝમ આગાહી કરે છે કે અમૂર્ત પ્રક્રિયાઓ વધુ લવચીક હોવાથી, તેમની પાસે શીખવાની પ્રારંભિક તબક્કાઓમાં બહેતર મૂલ્ય-અંદાજ ક્ષમતા છે અને આમ, આ તબક્કે વર્તનને નિયંત્રિત કરે છે. જો કે, અમૂર્ત સ્તરો પર્યાવરણની એકદમ રજૂઆતનો ઉપયોગ કરે છે (દા.ત. પ્રમાણમાં નાની સંખ્યાના આધાર કાર્યોને સમાવવાને કારણે), તેમનું અંતિમ મૂલ્ય અંદાજ ક્ષમતા વિગતવાર સ્તરો જેટલી ચોક્કસ નથી. બીજા શબ્દોમાં, વ્યાપક તાલીમ પછી અંદાજિત મૂલ્યો સાથે સંકળાયેલ નિશ્ચિતતા ઉચ્ચતમ સ્તરની તુલનામાં વંશવેલોના નીચલા સ્તર માટે ઓછી છે. આમ, પ્રગતિશીલ શીખવાની સાથે, વંશવેલોના નીચલા સ્તરો ક્રિયા પસંદગી ઉપર નિયંત્રણ મેળવે છે, કારણ કે તેમની અનિશ્ચિતતા ધીમે ધીમે ઘટતી જાય છે. આ અનેક પુરાવાઓ સાથે સંમત છે જેમાં ડ્રગ-શોધ (તેમજ પ્રાકૃતિક પારિતોષિકો મેળવવા માટે) પરના નિયંત્રણમાં વેન્ટ્રલ સ્ટ્રાઇટમ પર ડોર્સલનો પ્રગતિશીલ પ્રભુત્વ દર્શાવે છે. [8], [30], [31].

પરિણામો

હાયરાર્કી મૂલ્યાંકન અસંગતતા ડ્રગ હેઠળ ઉદ્ભવે છે પરંતુ પ્રાકૃતિક પુરસ્કારો નથી

વ્યસનના અગાઉના મજબૂતીકરણ લર્નિંગ-આધારિત કોમ્પ્યુટેશનલ મોડલ્સથી વિપરીત [9]-[13] જે એક-નિર્ણય-સિસ્ટમ અભિગમ પર આધારિત છે, અમારું ખાતું મલ્ટિપલ-ઇન્ટરેક્ટિંગ-સિસ્ટમ્સ ફ્રેમવર્ક પર બનાવવામાં આવે છે. પરિણામે, જોકે અમારા મોડેલમાં આગાહી ભૂલ સિગ્નલ પર મોડેલિંગ ડ્રગની અસરનું સ્વરૂપ પાછલા રાશિઓ જેવું જ છે [9]-[12], તે મૂળભૂત રીતે અલગ પરિણામો પરિણમે છે. ડ્રગ પ્રેરિત ક્ષણિક ડોપામાઇનના વધારામાં પદાનુક્રમના દરેક સ્તરે તાત્કાલિક પૂર્વાનુમાન ભૂલને વેગ મળે છે અને તેના પરિણામે, પૂર્વગ્રહને મૂકે છે, , પદાનુક્રમની કઠોર-થી-દંડ દિશા સાથે, જ્ઞાનના સ્થાનાંતરણના એક સ્તરથી આગળના સ્તર સુધી. આ પૂર્વાધિકાર, આપવામાં આવેલા સ્તર પર ડ્રગ-શોધની અસમપ્રમાણતા મૂલ્યનું કારણ બને છે એક વધુ અમૂર્ત સ્તર કરતાં વધુ એકમો (આકૃતિ 2B). રોસ્ટો-કૌડલ અક્ષ સાથેની આ વિસંગતતાઓનું સંચય ક્રમશઃ વંશવેલોની ઉપર અને નીચેની ટોચની વચ્ચે ડ્રગ-શોધવાની વર્તણૂકના મૂલ્યમાં મહત્વપૂર્ણ તફાવતને પ્રેરિત કરે છે. આમ, જ્યારે મજબૂત સજાની અનુસરવામાં આવે ત્યારે પણ, ડ્રગ-સંબંધિત વર્તનનું મૂલ્ય નીચા-સ્તરનાં મોટર લૂપ્સ પર હકારાત્મક રહે છે, જ્યારે તે જ્ઞાનાત્મક સ્તર પર નકારાત્મક બને છે. બીજા શબ્દોમાં કહીએ તો, મોડેલ આગાહી કરે છે કે ડીએ સ્પેપલ્સ પર ડ્રગ ઇફેક્ટનું સંચય, મોટર-લેવલ ટેવો પર એટલા ઊંચા પ્રમાણમાં ડ્રગ-શોધવાની કિંમતને વધે છે કે મજબૂત કુદરતી સજા પણ પૂરતા પ્રમાણમાં ઘટાડવામાં સક્ષમ રહેશે નહીં. અમે સૂચવે છે કે આ વ્યસનીઓમાં ડ્રગ-સંબંધિત વર્તણૂકના જ્ઞાનાત્મક અને નીચલા સ્તરના મૂલ્યાંકન વચ્ચેની અસંગતતા સમજાવે છે. બીજા શબ્દોમાં કહીએ તો, અમે સૂચવે છે કે ફરજિયાત ડ્રગની માંગ અને સંકળાયેલ ખર્ચમાં નોંધપાત્ર રીતે ઓછી સ્થિતિસ્થાપકતા દવાના ફાર્માકોલોજિકલ અસરથી બને છે, જે ડોપામાઇન-આશ્રિત મિકેનિઝમને હાઇજેક કરે છે જે નિર્ણાયક સ્તરના સ્તરની માહિતીને સ્થાનાંતરિત કરે છે.

ડાઉનલોડ કરો:

• પીપીટી

  પાવરપોઈન્ટ સ્લાઇડ

• PNG

  મોટી છબી (289KB)

• TIFF

  મૂળ છબી (471KB)

આકૃતિ 2. ખોરાક વિ દવા માટે અમૂર્ત સ્તરો (સિમ્યુલેશન પરિણામો) પર પ્રેરણા.

પ્રથમ 150 ટ્રાયલ્સમાં જ્યાં કોઈ સજા પુરસ્કારને અનુસરતી નથી, બધા સ્તરે કુદરતી પુરસ્કારો મેળવવાની કિંમત 10 (A). ડ્રગના કિસ્સામાં, જોકે, દવાઓની સીધી ફાર્માકોલોજિકલ અસર (, સુયોજિત કરો) દરેક સ્તર પર એસિમ્પ્ટોટિક મૂલ્યમાં પરિણમે છે એક ઉચ્ચ સ્તરના અવકાશીકરણ કરતા વધારે એકમો (B). આમ, જ્યારે સજા દ્વારા અનુસરવામાં આવે છે, જ્યારે જ્ઞાનાત્મક લૂપ્સ યોગ્ય રીતે ડ્રગ-શોધની પસંદગીને નકારાત્મક મૂલ્ય સોંપી દે છે, મોટર-લેવલ લૂપ્સ ડ્રગ-શોધ ઇચ્છનીય (સકારાત્મક મૂલ્ય) શોધે છે. આ આકૃતિમાંના વળાંક બતાવે છે કે "એક" સિમ્યુલેટેડ પ્રાણીમાં મૂલ્યોનો વિકાસ થયો છે અને આ રીતે કોઈ આંકડાકીય વિશ્લેષણ લાગુ પડ્યું નથી.

ડોઇ: 10.1371 / journal.pone.0061489.g002

જ્યારે દવાઓ, આપણા મોડેલમાં, પરિબળોમાં અસંતુલિત મૂલ્યાંકન પરિણમે છે, ડીએ સિગ્નલિંગ મિકેનિઝમ પર ડાયરેક્ટ ફાર્માકોલોજિકલ અસરની અભાવને કારણે, કુદરતી પુરસ્કારોનું મૂલ્ય તમામ સ્તરે સમાન મૂલ્યમાં ફેરવાય છે.). પરિણામે, કુદરતી સ્તરના કિસ્સામાં વિગતવાર સ્તર પર અસંતુલન અથવા ઓવરવોલ્યુશન જોવા મળશે નહીં.આકૃતિ 2A). પદાનુક્રમના નીચલા સ્તરે ડ્રગ-શોધવાની પ્રતિક્રિયાઓનું મૂલ્યાંકન પરિણામ કુદરતી ઉપભોક્તાઓ ઉપર ડ્રગ્સની અસાધારણ પ્રાથમિકતા અને ડ્રગ સંબંધિત પ્રવૃત્તિઓમાં વધુ સંલગ્નતા પરિણમે છે.

ડિફરન્ટલ ડોપામાઇન વેન્ટ્રલ વિરુદ્ધ ડોર્સલ સ્ટ્રાઇટમમાં ડ્રગ-સંબંધિત સંકેતોમાં પ્રતિક્રિયા આપે છે

ન્યુરોબાયલોજિકલ, ડ્રગ-શોધવાની વર્તણૂકના સંપાદન અને અભિવ્યક્તિમાં સ્ટ્રાઇટલ પેટાવિભાગોની ભિન્ન ભૂમિકાઓએ વ્યસન સંશોધનમાં કેન્દ્ર સ્થાને લીધો છે. સંશોધનના જુદા જુદા રેખાઓમાંથી મળતા પુરાવાઓને સમજાવવું સૂચવે છે કે મનોરંજનથી લઈને ફરજિયાત ડ્રગના ઉપયોગની વર્તણૂક સંક્રમણ વેન્ટ્રલથી ડોર્સોલેટર સ્ટ્રાઇટમ તરફ મૂલ્યાંકનની ન્યુરોબાયોલોજીકલ પાળીને પ્રતિબિંબિત કરે છે. [8], [33], [34], અમારા મોડેલમાં સંજ્ઞાનાત્મક સ્તરે વિગતવાર સ્તરની પાળીને અનુરૂપ છે. અમારા મોડેલ સાથે સુસંગત, ડીએ (AA) સર્પિંગ નેટવર્ક, વેન્ટ્રલને ધીમે ધીમે સ્ટ્રાઇટમના વધુ ડોર્સલ પ્રદેશો સાથે જોડે છે, તે આ સંક્રમણમાં એક મહત્વની ભૂમિકા ભજવે છે. [25].

તાજેતરના એક અભ્યાસમાં વિલુન એટ અલ. [17] કોકેઈનના ત્રણ અઠવાડિયા દરમિયાન ઉંદરોના વેન્ટ્રલ અને ડોર્સોલેટર સ્ટ્રાઇટમમાં ડ્રગ-સંબંધિત સંકેતોના પ્રતિભાવમાં ડોપામાઇનના પ્રકાશનની પેટર્નનું મૂલ્યાંકન કર્યું. ફાસ્ટ-સ્કેન સાયક્લિક વોલ્ટેમૅમેટ્રીનો ઉપયોગ કરીને, આલોચનાત્મક અવલોકન એ હતું કે વેન્ટ્રલ સ્ટ્રાઇટમમાં ક્યુ-પ્રેરિત ડીએ ઇફ્લુક્સ ખૂબ મર્યાદિત તાલીમ પછી પણ ઉભરી આવે છે. તેનાથી વિપરીત, ડોર્સોલેટર સ્ટ્રાઇટમએ વ્યાપક પ્રશિક્ષણ પછી માત્ર ડીએફ ઇફ્લુક્સને દર્શાવ્યું હતું, અને આ પ્રકાશન પેટર્નનો વિકાસ અદૃશ્ય થઈ ગયો હતો જ્યારે વેન્ટ્રલ સ્ટ્રેટમ ઇપ્સિલેરલ ગોળાર્ધમાં ઘવાયો હતો.

ઝડપી-સ્કેન વોલ્ટેમૅમેટ્રીના અસ્થાયી રિઝોલ્યુશનને સાંદ્રતામાં ઉપસેકંડના વધઘટને કેપ્ચર કરે છે, તેથી ડીએ ઇફ્લુક્સનું નિરિક્ષણ કરેલ પેટર્ન "ફાસીક" ડીએ સિગ્નલિંગને આભારી હોવા જોઈએ અને આમ, ડોપામાઇનના આરએલ થિયરી મુજબ આગાહી ભૂલ સંકેત [24]. આરએલ થિયરી અનુસાર, અનપેક્ષિત ઉત્તેજનાને અવલોકન કરવા પર આગાહી ભૂલ સંકેત એ ઉત્તેજક મૂલ્ય જેટલું છે જે ઉત્તેજનાની આગાહી કરે છે. તેથી, ક્યૂ-પ્રેરિત ડીએ રીલીઝ એ કયૂ દ્વારા અનુમાનિત મૂલ્યની સમકક્ષ છે.

આ સંદર્ભમાં, અમારા હાયરાર્કીકલ ફ્રેમવર્કમાં વેન્ટ્રલ વિરુદ્ધ ડોર્સલ સ્ટ્રાઇટલ ડીએ ઇફ્લુક્સના વિભેદક પેટર્ન માટે ઔપચારિક સમજૂતી આપવામાં આવી છે. [17]. માપદંડના અમૂર્ત જ્ઞાનાત્મક સ્તર પર ડ્રગ-સંબંધિત કયૂ દ્વારા આગાહી કરેલ મૂલ્ય તાલીમના પ્રારંભિક તબક્કામાં ઝડપથી વધે છે (આકૃતિ 2B), અમૂર્તતાના ઉચ્ચ સ્તરે શીખવાની સમસ્યાની નીચી પરિમાણતાને કારણે. પરિણામે, અમારા મોડેલ બતાવે છે કે મર્યાદિત તાલીમ પછી પણ વેન્ટ્રલ સ્ટ્રાઇટમમાં ક્યુ-પ્રેરિત ડીએફ ઇલક્સક્સ જોવા જોઈએ.આકૃતિ 3). રજૂઆતના વધુ વિગતવાર સ્તરે, જો કે, શીખવાની પ્રક્રિયા ધીમું છે (આકૃતિ 2B), સમસ્યા અવકાશની ઉચ્ચ પરિમાણીયતા, તેમજ ડીએ સર્પલ્સ દ્વારા વધુ અમૂર્ત સ્તરો પર શીખવાની અવલંબનને કારણે. પરિણામે, ડોર્સોલેટર સ્ટ્રાઇટમમાં ક્યુ-પ્રેરિત ડીએ ઇફ્લુક્સ ધીમે ધીમે વિકસિત થવું જોઈએ અને વ્યાપક પ્રશિક્ષણ પછી જ અવલોકનક્ષમ બનવું જોઈએ (આકૃતિ 3).

ડાઉનલોડ કરો:

• પીપીટી

  પાવરપોઈન્ટ સ્લાઇડ

• PNG

  મોટી છબી (447KB)

• TIFF

  મૂળ છબી (896KB)

આકૃતિ 3. ડ્રગ-સંબંધિત સંકેતો (સિમ્યુલેશન પરિણામો) ની પ્રતિક્રિયામાં વિવિધ સ્ટ્રાatal પેટાવિભાગો પર ડોપામાઇન ઇફ્લુક્સ.

પ્રાયોગિક ડેટાની સાથે [17], મોડેલ શો (ડાબે કૉલમ) કે ડ્રગ સંબંધિત સંકળાયેલા સંકેતોમાં, મર્યાદિત અને વિસ્તૃત તાલીમ પછી વેન્ટ્રલ સ્ટ્રાઇટમમાં ડોપામાઇન ઇફ્લુક્સ હશે. વધુ ડોર્સપાર્ટલ પેટાવિભાગોમાં, જોકે, ક્યૂ-ઇલેક્ટેડ ડીએ ઇફ્લુક્સ શિક્ષણ દરમિયાન ધીમે ધીમે વિકાસ કરશે. મોડેલ આગાહી કરે છે (જમણી બાજુથી બીજી કૉલમ) કે ડોર્સલ સ્ટ્રાઇટમમાં ક્યુ-ઇલેક્ટેડ ડીએ ઇફ્લુક્સમાં આ વિલંબિત વિકાસ એ ડીએ-આશ્રિત સીરીયલ કનેક્ટિવિટી પર આધારિત છે જે વેન્ટ્રલને ડોર્સલ સ્ટ્રાઇટમ સાથે જોડે છે. એટલે કે, ડીએ સ્પેપલ્સને ડિસ્કનેક્ટ થવાને પરિણામે, જ્યારે વેન્ટ્રલ સ્ટ્રાઇટમમાં ક્યુ-ઇલેક્ટેડ ડીએ પ્રતિભાવ સ્થિર રહે છે, તે ડોર્સોલેટર સ્ટ્રાઇટમમાં નોંધપાત્ર રીતે ઘટાડો કરે છે. તદુપરાંત, મોડેલ આગાહી કરે છે (જમણેથી ત્રીજી કૉલમ) કર્ક-પ્રેરિત ડીએફ ઇફ્લુક્સ માટે ઘર્ષણવાળા વેન્ટ્રલ સ્ટ્રાઇટમના કિસ્સામાં ડોર્સોલેટર સ્ટ્રાઇટમમાં સમાન પરિણામો. છેવટે, જો અચોક્કસ પ્રાણીઓમાં વ્યાપક ડ્રગ-ક્યુ જોડાયા પછી, સજા ડ્રગને અનુસરે છે, મોડેલ આગાહી કરે છે (જમણે કૉલમ) કે ડ્રગ-સંબંધિત કય પરિણામે મર્યાદિત તાલીમ પછી પણ ડીએ સ્પેપલ્સના વેન્ટ્રલ લેગમાં અવરોધ પેદા કરે છે. વધુ ડોર્સલ પ્રદેશોમાં, જોકે, ડીએફ ઇફ્લુક્સ શિક્ષણ દરમિયાન ધીરે ધીરે ઘટાડો કરે છે, પરંતુ વ્યાપક ડ્રગ-સજ્જ જોડી બનાવવા પછી પણ હકારાત્મક રહેશે. આ આંકડોમાં રજૂ કરાયેલ ડેટા "એક" સિમ્યુલેટેડ પશુ પાસેથી મેળવવામાં આવે છે અને આ રીતે કોઈ આંકડાકીય વિશ્લેષણ લાગુ પડતું નથી.

ડોઇ: 10.1371 / journal.pone.0061489.g003

વધુમાં, અમારા મોડેલમાં પુરાવા સમજાવે છે [17] ડોર્સોલેટર સ્ટ્રાઇટમમાં ક્યુ-ઇલેક્ટેડ ડીએ ઇફ્લુક્સનો આવા વિલંબિત વિકાસ વેન્ટ્રલ સ્ટ્રાઇટમ પર આધારિત છે (આકૃતિ 3). આપણા મોડેલમાં, વેન્ટ્રલ સ્ટ્રાઇટમ (મોડેલમાં અમૂર્ત મૂલ્યાંકન સ્તર) નું અનુરૂપ એકપક્ષીય ઘૃણા નોંધપાત્ર રીતે ipsilateral ગોળાર્ધમાં વિગતવાર સ્તર પર ડ્રગ ક્યુ-આગાહી મૂલ્ય ઘટાડે છે અને આમ, સંકેત-પ્રેરિત ડીએ ઇફ્લુક્સનું સ્તર નોંધપાત્ર રીતે ઘટાડે છે. વેન્ટ્રલ સ્ટ્રાઇટમના ઇજાને મોડલ કરવા માટે, અમે ફક્ત તમામ ઉત્તેજનાના મૂલ્યને ઉચ્ચતમ સ્તરની શ્રેણીમાં શૂન્ય સુધી ઠીક કરીએ છીએ.

એ જ રીતે, અમારા મોડેલ આગાહી કરે છે કે ડાર્સોપ્લેટરી સ્ટ્રાઇટમમાં ફેસીક ડીએ સંકેત આપવાની પ્રક્રિયા ડીએ સર્પિંગ સર્કિટની અખંડિતતા પર આધારિત છે (આકૃતિ 3). હકીકતમાં, અમારા મોડેલમાં ડીએ સર્પિંગ સર્કિટમાં જોડાણને અવ્યવસ્થાના સ્તરોમાં સંચારમાં કાપવામાં આવે છે, જે બદલામાં, નિર્ણય પદાનુક્રમના સ્તરો સાથે મજબૂતીકરણ સંકેત પર ડ્રગ પ્રેરિત પૂર્વગ્રહને સંચયિત કરે છે. ડોર્સલ સ્ટ્રાઇટમથી વેન્ટ્રલની ડીએ-આશ્રિત સીરીયલ સર્કિટ્રીમાં ડિસ્કનેક્શન મોડલ કરવા માટે, અમે સ્થાનિક સ્તરે અસ્થાયી ધોરણે અદ્યતન રાજ્યના મૂલ્યને પ્રાપ્ત કર્યા વગર, સ્થાનિક રીતે (સમીકરણ 3 માં) સ્થાનિક રીતે પૂર્વાનુમાન ભૂલ સંકેતની ગણતરી કરવા માટે દરેક સ્તરના અવકાશીકરણને બંધ કરીએ છીએ અમૂર્ત સ્તર.

વધુમાં, આ મોડેલ આગાહી કરે છે કે ઉપરના પ્રયોગમાં, કોકેઈન અને કોકેઈન સંબંધિત સંકેતો સાથેની વ્યાપક તાલીમ પછી, ક્યુએન-ઇલેક્ટેડ ડીએ ઇફ્લુક્સની પેટર્ન બદલાઈ જશે, એક મજબૂત દંડ સાથે કોકેઈન ડિલિવરી જોડી બનાવશે. અમે આગાહી કરીએ છીએ કે કોકેઈન-સંબંધિત કયૂના જવાબમાં ડીએ ઇફ્લુક્સ વેન્ટ્રલ સ્ટ્રાઇટમમાં બેઝલાઇન નીચે ઝડપથી ઘટાડો કરવો જોઈએ. ડોર્સોલેટર સ્ટ્રાઇટમમાં, જોકે, ક્યૂ-પ્રેરિત ડીએ રીલીઝ બેઝલાઇન ઉપર રહેવી જોઈએ (આકૃતિ 3) શક્ય વિલંબિત આંશિક ઘટાડો સાથે. આ સંજ્ઞાનાત્મક સ્તરે નકારાત્મક (નીચે બેઝલાઇન) મૂલ્યો હોવા છતાં, વિગતવાર સ્તર પર ડ્રગ ઉત્તેજનાને હકારાત્મક વ્યક્તિત્મક મૂલ્ય અસાઇન કરવાનું સૂચવે છે. તે નોંધપાત્ર છે કે આ આગાહી મગજ દ્વારા સજાને નકારાત્મક વળતર તરીકે માનવામાં આવે છે તે ધારણા પર આધારિત છે. આ માન્યતા કંઈક અંશે વિવાદાસ્પદ છે: તે પ્રાયોગિક અભ્યાસ દ્વારા સ્પષ્ટપણે સમર્થિત છે [35], અન્ય લોકો દ્વારા અન્યથા ચર્ચા પણ કરી [14], [36]. આ આગાહી સિવાય, મોડેલના અન્ય પાસાઓ ડોપામાઇન દ્વારા અથવા અન્ય સિગ્નલિંગ સિસ્ટમ દ્વારા સજા એન્કોડ કરવામાં આવે છે કે કેમ તે પર આધારિત નથી.

વિલુન એટ અલ દ્વારા ઉપયોગમાં લેવાતી તાલીમ પદ્ધતિ. [34] ડ્રગ-સંબંધિત વર્તણૂંકને નિર્દોષતા દ્વારા વર્ણવવામાં આવતી ફરજિયાત ડ્રગ-શોધવાની વર્તણૂક ઉત્પન્ન કરવા માટે પૂરતું વિસ્તૃત નથી [37], [38]. આમ, જવાબ આપવા માટેનું એક મહત્ત્વનું પ્રશ્ન એ છે કે ડીએલએસમાં ક્યુ-પ્રેરિત ડીએ પ્રતિભાવની વિલંબિત વિકાસ અને ફરજિયાત પ્રતિસાદના અંતમાં વિકાસ વચ્ચેનો સંબંધ શું છે. અમારા મોડલ મુજબ, ફરજિયાત વર્તણૂંકને માત્ર પદાનુક્રમના નીચા સ્તરે નશીલા પસંદગીના મૂલ્યાંકનની જરૂર છે, પણ અમૂર્ત જ્ઞાનાત્મકથી નીચા સ્તરની આચરણ પ્રક્રિયાઓ પર વર્તન પર નિયંત્રણની સ્થાનાંતરણની જરૂર છે. આ બે પ્રક્રિયાઓનો સમય સ્કેલ ફક્ત આંશિક રીતે એકબીજા પર આધારિત છે: ઓવર-વેલ્યુએશન પ્રક્રિયા આગાહી ભૂલ સંકેત પર આધારિત છે, જ્યારે વર્તણૂક નિયંત્રણનું સ્થાનાંતરણ મૂલ્ય-અનુમાનમાં સંબંધિત અનિશ્ચિતતાઓ પર પણ નિર્ભર છે. તેથી, વંશવેલોના નીચા સ્તર પર ડ્રગ-સંબંધિત સંકેતોનું મૂલ્યાંકન, વંશવેલોના ઉપરથી નીચેના વર્તણૂંક ઉપર નિયંત્રણની પાળીને આગળ લઈ શકે છે. બે પ્રક્રિયાઓનો ચોક્કસ સમય સ્કેલ અનુક્રમે વિવિધ સ્તરે શીખવાની દર અને અવાજ પર આધારિત છે (જુઓ ફાઇલ S1 પૂરક માહિતી માટે). બીજા શબ્દોમાં કહીએ તો, સંભવિત છે કે ડી.એલ.એસ. માં ક્યુ-પ્રેરિત ડોપામાઇન ઇફ્લુક્સ બાધક દવાઓની શોધ વર્તણૂકીય રીતે પ્રગટ થાય તે પહેલાં નોંધપાત્ર રીતે વિકાસ પામી શકે છે.

ડ્રગ્સ માટે કુદરતી પુરસ્કાર વિરુદ્ધ વિસંગત મૂલ્યાંકનની વર્તણૂકલક્ષી અસરો

વર્તણૂકીય રીતે, આપણા મોડેલમાં, જો સ્વૈચ્છિક ડ્રગના ઉપયોગના પ્રારંભિક તબક્કામાં દંડ સાથે દંડ કરવામાં આવે છે, તો ડ્રગની શોધની અમૂર્ત કિંમત ઝડપથી નકારાત્મક બની જાય છે. આ પ્રારંભિક તબક્કામાં ડ્રગ-શોધ અમૂર્ત સ્તરો દ્વારા નિયંત્રિત કરવામાં આવે છે તેવું માનવું, ડ્રગની પસંદગીના નકારાત્મક અમૂર્ત મૂલ્યાંકન વિષયને તે ક્રિયાના લાંબા સમય સુધી અનુભવવા માટે અનિચ્છનીય બનાવે છે. આનાથી સમય જતાં દવાઓની તરફ મજબૂત નીચા સ્તરની પસંદગીઓને એકીકૃત કરવામાં આવશે. આમ, મોડેલ ડ્રગના વપરાશના પ્રારંભિક તબક્કામાં દવાઓની પસંદગીઓની સ્થિતિસ્થાપકતાને સમજાવે છે, પરંતુ ક્રોનિક ઉપયોગ પછી નહીં. સતતપણે, વ્યસનના પ્રાણી મોડેલ્સ દર્શાવે છે કે ડ્રગ સાથે સંકળાયેલા હાનિકારક પરિણામો માટે ડ્રગ શોધવાની પ્રતિક્રિયાઓ લાંબા સમયથી ડ્રગ સ્વ-વહીવટ પછી વિકસિત થાય છે, પરંતુ ડ્રગનો ઉપયોગ મર્યાદિત નથી [37], [38]. આપણા થિયરીથી વિપરીત, વ્યસનના પહેલાના કોમ્પ્યુટશનલ મોડેલ્સ [9], [10] આ પુરાવાના શરીર સાથે સીધી વિરોધાભાસ છે, કારણ કે તેઓ આગાહી કરે છે કે પ્રતિકૂળ વર્તણૂકના પરિણામો જે તાત્કાલિક ડ્રગના ઉપયોગને અનુસરે છે, તે ડ્રગ્સનો અનુભવ કરવાના પ્રારંભિક તબક્કે પણ પ્રેરણાદાયક અસર ધરાવતા નથી (જુઓ ફાઇલ S1 પૂરક માહિતી માટે).

અમારા મોડેલમાં ડ્રગ પરિણામો માટે અવરોધિત અસરની ઘટના માટે વધુ જવાબદાર છે [39]. અવરોધક એ એક કન્ડીશનીંગ ઘટના છે જ્યાં ઉત્તેજનાની અગાઉની જોડણી એ પરિણામ સાથે બીજો ઉત્તેજના બી વચ્ચે સંલગ્નતાને અવરોધિત કરે છે, તે પછીના તાલીમ તબક્કામાં પરિણામ સાથે, જ્યાં એ અને બી બંને પરિણામોના વિતરણ પહેલાં રજૂ થાય છે. [40]. અમારા મોડેલને પાવલોવિઅન પ્રાયોગિક ડિઝાઇનમાં જોવાનું પરિણામ (જુઓ ફાઇલ S1 મોડેલના પાવલોવિઅન સંસ્કરણ પર પૂરક માહિતી માટે) દર્શાવે છે કે પ્રાકૃતિક પુરસ્કારો અને દવાઓના બંને કિસ્સાઓમાં, જ્યારે વંશવેલોના ચોક્કસ સ્તરે અંદાજિત મૂલ્ય તેની સ્થાયી સ્થિતિમાં પહોંચે છે (તેના બદલે અવિભાજ્ય વૃદ્ધિ કરતા), ત્યાં આગળ કોઈ શીખવાની જરૂર નથી સ્તર, કારણ કે અનુમાન ભૂલ સંકેત શૂન્યમાં ઘટાડો થયો છે (આકૃતિ 4). આમ, પહેલેથી-અનુમાનિત ઇનામ સાથે નવા ઉત્તેજનાને જોડવું અવરોધિત કરવામાં આવશે. વર્તણૂકલક્ષી પુરાવા, ડ્રગ અને કુદરતી રીઇનફોર્સર્સ બંને સાથે સંકળાયેલ અવરોધક અસર દર્શાવે છે [39] વ્યસનના અગાઉ સૂચિત ડોપામાઇન-આધારિત કોમ્પ્યુટેશનલ મોડેલની ટીકા કરવા માટે એક મુખ્ય દલીલ તરીકે ઉપયોગ કરવામાં આવ્યો છે [9]. અહીં આપણે દર્શાવ્યું છે કે રજૂઆતની અધિકૃતતા અને ડોર્સલ-વેન્ટ્રલ સર્પિંગ ડોપામાઇન લૂપ સંસ્થા પર ધ્યાન કેન્દ્રિત કરવું વાસ્તવમાં અવરોધિત ડેટા માટે જવાબદાર હોઈ શકે છે, આથી આ ટીકાને અવરોધે છે (જુઓ ફાઇલ S1 પૂરક માહિતી માટે).

ડાઉનલોડ કરો:

• પીપીટી

  પાવરપોઈન્ટ સ્લાઇડ

• PNG

  મોટી છબી (360KB)

• TIFF

  મૂળ છબી (615KB)

આકૃતિ 4. કુદરતી વિરુદ્ધ દવા પુરસ્કારો માટે અવરોધિત અસર.

મોડેલ આગાહી કરે છે કે અવરોધ કુદરતી પ્રાપ્તિ માટે થાય છે (A) અને દવાઓ (B), ફક્ત પ્રારંભિક તાલીમ અવધિ "વ્યાપક" હોય તો, પ્રથમ ઉત્તેજના પરિણામની મૂલ્યની પૂર્ણ આગાહી કરે છે. "મધ્યમ" તાલીમ પછી, જ્ઞાનાત્મક સ્તર જે વધુ લવચીક હોય છે તે મૂલ્યોની સંપૂર્ણપણે આગાહી કરે છે અને આમ, વધુ શીખવાની અવરોધિત કરે છે. જો કે, બીજા તાલીમ તબક્કામાં (ઉત્તેજના બંને સાથે મળીને પ્રસ્તુતિ) શરૂ થાય ત્યારે, અધ્યયન ઓછી-સ્તરની પ્રક્રિયાઓમાં સક્રિય છે. આમ, અમારા મોડેલ આગાહી કરે છે કે કુદરતી પુરસ્કારો સાથે અવરોધિત પ્રયોગમાં મધ્યમ પ્રારંભિક તાલીમથી જ્ઞાનાત્મક / વર્તણૂકીય અસંગતતા પણ પરિણમશે. આ આંકડોમાં રજૂ કરાયેલ ડેટા "એક" સિમ્યુલેટેડ પશુ પાસેથી મેળવવામાં આવે છે અને આ રીતે કોઈ આંકડાકીય વિશ્લેષણ લાગુ પડતું નથી.

ડોઇ: 10.1371 / journal.pone.0061489.g004

અગાઉ ઉલ્લેખ કર્યો છે તેમ, પુરાવાઓની કેટલીક પંક્તિઓ શીખવાની દરમિયાન વર્તન ઉપરના નિયંત્રણમાં વેન્ટ્રલ સ્ટ્રાઇટમ ઉપર ડોર્સલનો પ્રગતિશીલ પ્રભુત્વ બતાવે છે. [8], [31], [32]. તે પુરાવાઓની પૃષ્ઠભૂમિ પર અર્થઘટન થતું હોવાથી, વંશવેલો તરફની અસંતુલિત ડ્રગની શોધના મૂલ્યાંકન, ડ્રગ સાથે લાંબા ગાળાના અનુભવ પછી ડ્રગના ઉપયોગમાં ઘટાડો કરવાના વ્યસનીના નિષ્ફળ પ્રયત્નોને પણ સમજાવે છે, જ્યારે ડ્રગને લગતી પસંદગીઓ પરનું નિયંત્રણ જ્ognાનાત્મકથી નીચામાં સ્થાનાંતરિત થઈ ગયું છે. સ્તરની રીualો પ્રક્રિયાઓ. ડ્રગથી પ્રભાવિત પ્રક્રિયાઓની આ સર્વોપરિતા કુદરતી રીતે ડ્રગથી સંબંધિત ખર્ચ (અનિવાર્ય ડ્રગ લેવી) પ્રત્યેની વર્તણૂકની અસ્થિરતા તરફ દોરી જાય છે, સંભવત self સ્વ-વર્ણવેલ ભૂલ સાથે. પ્રાકૃતિક પુરસ્કારના કિસ્સામાં, તેમ છતાં, અમારા મોડેલની આગાહી છે કે ભણતરના અવધિમાં વર્તણૂકની અસ્પષ્ટતા વધતી હોવા છતાં, મૂલ્યાંકન-વિસંગતતાને વંશવેલોના સ્તરોમાં વિકાસ થતો નથી, તેમ છતાં, પુરસ્કાર સાથે સંકળાયેલી સજાઓ આખરે ઈનામ-શોધને અટકાવે છે.

અમારું મોડેલ "સંભવિત રીતે આપેલ" નિર્ણય શ્રેણીમાં ક્રિયાઓનું મૂલ્યાંકન કરવા પર ધ્યાન કેન્દ્રિત કરે છે, અને અમૂર્ત વિકલ્પો અને તેના અનુરૂપ નીચા-સ્તરના સબરાઉટિન્સ પ્રારંભમાં વિકાસ દરમિયાન કેવી રીતે શોધવામાં આવે છે તેનાથી દૂર રહે છે. નિર્ણય પદાનુક્રમની શોધ કરવી એ તળિયેની પ્રક્રિયા હોવાનો પ્રસ્તાવ છે, જે નીચા સ્તરની ક્રિયાઓના સિક્વન્સ અને વધુ અમૂર્ત વિકલ્પોનું નિર્માણ કરીને પરિપૂર્ણ થાય છે. [41]. આ પ્રક્રિયા, માનવામાં આવે છે કે ડોર્સલથી લઈને વેન્ટ્રલ સ્ટ્રાઇટમ તરફ સ્થળાંતર કરવામાં આવે છે, તે વર્તન ઉપર નિયંત્રણ લેવા માટે અહીં પ્રસ્તાવિત સ્પર્ધા મિકેનિઝમની વિરુદ્ધ દિશામાં છે.

ચર્ચા

વ્યસનમાં જુદા જુદા સ્ટ્રેટલ પેટાવિભાગોની જુદી જુદી ભૂમિકાના પુરાવાઓનો વિકાસ કરવો સામાન્ય રીતે આદિવાસી વિરુદ્ધ ધ્યેય નિર્દેશિત ડિકોટોમીના માળખામાં અર્થઘટન કરવામાં આવે છે. [8], [14], [34]. અમે અહીં ઉપયોગમાં લેવાયેલી હાયરાર્કીકલ નિર્ણય લેવાની રીત આવા ડ્યુઅલ-સિસ્ટમ એકાઉન્ટ્સ પૂરક છે. જ્યારે ડ્યુઅલ-પ્રોસેસ અભિગમ વિવિધ એલ્ગોરિધમ્સ (મોડેલ-ફ્રી વિ મોડેલ-બેઝ) સાથે વહેવાર કરે છે [30]) એક સમસ્યાને ઉકેલવા માટે, હાયરાર્કીકલ આરએલ ફ્રેમવર્ક કામચલાઉ અમૂર્તતાના વિવિધ સ્તરો પર સમાન સમસ્યાના જુદા જુદા રજૂઆતો પર ધ્યાન કેન્દ્રિત કરે છે. સિદ્ધાંતમાં, ક્યાં તો એક આદત અથવા લક્ષ્ય-નિર્દેશિત અલ્ગોરિધમ સમસ્યાના આ પ્રત્યેક અલગ રજૂઆતોને હલ કરી શકે છે. અમારા મોડેલમાં, ડીએ સર્પલ્સ પર ડ્રગ-પ્રેરિત પૂર્વગ્રહોનું સંચય એક સેટિંગમાં થાય છે જ્યાં મૂલ્ય-અંદાજ એલ્ગોરિધમ મોડેલ-ફ્રી (આદત શીખવાની) છે. જો કે, વંશવેલોના ટોચના સ્તર પર કામ કરતા મોડેલ-આધારિત સિસ્ટમ્સના અસ્તિત્વને નકારી કાઢતું નથી. લક્ષ્ય નિર્દેશિત સિસ્ટમ દ્વારા અમૂર્તતાના ઉચ્ચતમ સ્તરો પરની ક્રિયાઓનું મૂલ્યાંકન કરવામાં આવે છે તે દ્વારા મોડેલમાં PFC- આધારિત લક્ષ્ય નિર્દેશિત મૂલ્યાંકન અને નિર્ણય પ્રણાલીનો સમાવેશ કરી શકાય છે. આ પ્રકારની ગૂંચવણમાં આ હસ્તપ્રતમાં પ્રસ્તુત પરિણામોની પ્રકૃતિમાં ફેરફાર થતો નથી, પણ વ્યસનના અન્ય પાસાઓને સમજાવવા માટે તેની આગામી વધારાની લવચીકતા ભવિષ્યના અભ્યાસોમાં જ બાકી છે. વાસ્તવમાં, આપણા મોડેલમાં લક્ષ્ય-સીધી સિસ્ટમ અસ્તિત્વમાં છે કે નહીં તે ધ્યાનમાં લીધા વગર, શ્રેણીબદ્ધ બે અતિશયોક્તિઓ વચ્ચે ડ્રગ શોધવાની અસંતોષીય કિંમતમાં વિસંગતતા "આદિવાસી" પ્રક્રિયા દ્વારા સંચાલિત નિર્ણાયક સ્તરની સંખ્યા સાથે વધે છે. .

આપણા થિયરીના પ્રકાશમાં, સંવેદનાત્મક સ્તરોના પ્રભુત્વના સમયગાળા પછી, નિષ્ક્રિય મોટર-સ્તરની મેલાડેપ્ટીવ ટેવોને પુનર્જીવન તરીકે ફરીથી જોઇ શકાય છે. હકીકતમાં, કોઈ કલ્પના કરી શકે છે કે જ્ઞાનાત્મક ઉપચાર (માનવીય વ્યસનીઓમાં) અથવા બળજબરીથી લુપ્તતા (પશુના મોડેલ્સમાં) ના પરિણામે, પદાનુક્રમના વિગતવાર સ્તર પર ડ્રગ-શોધની ઉચ્ચ કિંમતને કાઢી નાખવામાં આવતી નથી, પરંતુ નિષ્ક્રિય થઈ જાય છે નિયંત્રણના પાળીને જ્ઞાનાત્મક સ્તરોમાં ફેરવવા. કારણ કે ડ્રગ-સંબંધિત વર્તન અમૂર્ત સ્તરો પર પ્રતિકૂળ પરિણામો પ્રત્યે સંવેદનશીલ છે, તેથી ઉચ્ચ-સ્તરની જ્ઞાનાત્મક પ્રક્રિયાઓ વર્તનના નિયંત્રણ પર પ્રભુત્વ લે ત્યાં સુધી દવા શોધવી ટાળી શકાય છે. કોઈ પણ એવી ધારણા કરી શકે છે કે લોકપ્રિય 12 પગલું પ્રોગ્રામ્સ (દા.ત. આલ્કોહોલિક્સ અનામિક, નાર્કોટિક્સ અનામિક, વગેરે) ભાગરૂપે સહભાગીઓને તેમની ડ્રગ સંબંધિત જીવનશૈલીની અસંગતતાને સ્વીકારવાની આવશ્યક્તા દ્વારા ભાગરૂપે કામ કરે છે, જેનાથી અસ્પષ્ટ જ્ઞાનાત્મક સ્તરોને તેમના પર સ્પષ્ટ નિયંત્રણ લાગુ કરવા માટે સશક્તિકરણ કરવામાં આવે છે. વર્તન. તાણયુક્ત પરિસ્થિતિઓ અથવા ડ્રગ (પ્રાથમિકતા) ના ફરીથી સંપર્કમાં લેવાના જોખમોને જોખમ પરિબળો માનવામાં આવે છે જે વર્તન પર અમૂર્ત સ્તરના પ્રભુત્વને નબળી પાડે છે, જે પરિણામ સ્વરૂપે દવા માંગવાની પ્રતિક્રિયાઓના ઉદભવને પરિણમી શકે છે (ગુપ્ત ઉચ્ચ બિન જ્ઞાનાત્મક મૂલ્યોને કારણે ).

સારાંશમાં, અમે ડ્રગના વ્યસનની લાક્ષણિકતા વિવિધ, દેખીતી રીતે વિપરીત ઘટનાઓ માટે સુસંગત એકાઉન્ટની દરખાસ્ત કરીએ છીએ. અમારું મોડેલ ડ્રગની શોધમાં લેવાયેલી પ્રાપ્તિ અને ટેવની કામગીરીમાં વેન્ટ્રલ વિ ડોર્સલ સ્ટ્રિએટલ સર્કિટ્સની વિભિન્ન ભૂમિકાઓ, તેમજ દવા વિરુદ્ધ કુદરતી મજબૂતીકરણકર્તાઓના પ્રભાવ માટે ફીડ-ફોરવર્ડ ડી.એ. કનેક્ટિવિટીની પસંદગીની ભૂમિકાના ડેટા માટે આદર્શ એકાઉન્ટ આપે છે. સૌથી અગત્યનું, અમે બતાવીએ છીએ કે કેવી રીતે વેન્ટ્રલ-ટુ-ડોર્સલ ડીએમાં ડ્રગ-પ્રેરિત રોગવિજ્ .ાન, જ્ognાનાત્મક રજૂઆત પદાનુક્રમ નીચે પ્રેરણાત્મક માહિતીને ટ્રિક કરતી સંકેતોને લીધે ડ્રગની શોધ પ્રત્યે વ્યસનીના અમૂર્ત વલણ અને તેઓ ખરેખર શું કરે છે તે વચ્ચે વિસંગત થઈ શકે છે. સ્વાભાવિક છે કે, અમારું મોડેલ ડ્રગના વ્યસનનો સંપૂર્ણ હિસાબ આપતો નથી અને નથી. વ્યસનના અન્ય અસ્પષ્ટ પાસાઓને સમજાવવા માટે ઘણી અન્ય મગજ પ્રણાલીનો સમાવેશ કરવો જરૂરી છે જે દુરૂપયોગની દવાઓથી પ્રભાવિત હોવાનું દર્શાવવામાં આવે છે. [42]. ઔપચારિક ગણતરી નેટવર્કમાં આવી સિસ્ટમ્સ કેવી રીતે સમાવી શકાય તે વધુ તપાસ માટે એક વિષય છે.

સહાયક માહિતી

ફાઇલ S1.

આકૃતિ S1,અમૂર્તતાના પાંચ સ્તરો સાથેનું નમૂનાનું વંશવેલો. આકૃતિ S2, ત્રણ ચર્ચા મૂલ્ય લર્નિંગ એલ્ગોરિધમ્સ માટે અનુરૂપ ન્યુરલ સર્કિટ એક શ્રેણીબદ્ધ નિર્ણય માળખું છે. A, સરળ ટીડી-લર્નિંગ એલ્ગોરિધમ (સમીકરણ S7) નો ઉપયોગ કરીને, દરેક સ્તરના ઍબ્સ્ટ્રેક્શનની પૂર્વાનુમાન ભૂલ સંકેત સ્વતંત્ર રીતે બીજા સ્તરથી ગણવામાં આવે છે. B, હરુનો અને કાવોટો (4) (સમીકરણ S8) દ્વારા પ્રસ્તાવિત મોડેલમાં, અસ્થાયી રૂપે અદ્યતન રાજ્યનું મૂલ્ય એક ઉચ્ચ સ્તરના અવકાશીકરણથી આવે છે. C, અમારા મોડેલ (સમીકરણ S9) માં અસ્થાયી ધોરણે અદ્યતન રાજ્યનું મૂલ્ય ઇનામના સંયોજન અને ઉચ્ચ સ્તરના અવકાશીકરણ પર કરવામાં આવેલી ક્રિયાના ક્યૂ-મૂલ્ય સાથે બદલવામાં આવે છે. આકૃતિ S3, અમારું મોડેલ ઇનામ-લર્નિંગ સર્કિટ પર ડ્રગ્સની ક્રિયાઓની વિવિધ સાઇટ્સની આગાહી કરે છે: 1 થી 3 સુધીની સાઇટ્સ. 4 થી 6 સુધીની સાઇટ્સને અસર કરતી દવાઓ, તેનાથી વિપરીત, ડ્રગ્સ માટેના મોડેલના સિમ્યુલેશન દ્વારા ઉત્પાદિત વર્તન અને ન્યુરોબાયોલોજિકલ પેટર્નમાં પરિણમશે નહીં, પરંતુ કુદરતી પુરસ્કારોના પરિણામો જેવી જ પરિણામ આપશે. આકૃતિ S4, વર્તણૂંક ઉપર અંકુશ મેળવવા માટે પદાનુક્રમના સ્તરો વચ્ચે અનિશ્ચિતતા આધારિત સ્પર્ધા મિકેનિઝમનું અનુકરણ કરવા માટેનો કાર્ય. આકૃતિ S5, સિમ્યુલેશન પરિણામ, વંશવેલોના ઉચ્ચથી નીચલા સ્તરોથી વર્તન પર નિયંત્રણની ધીમે ધીમે પાળી દર્શાવે છે. ક્યૂ (ઓ, એ) અને યૂુએસએ) અનુક્રમે રાજ્ય-ક્રિયા જોડીઓના અનુમાનિત મૂલ્ય અને અનિશ્ચિતતા દર્શાવો.

ડોઇ: 10.1371 / journal.pone.0061489.s001

(પીડીએફ)