Az agy szerkezeti kapcsolatának mintái megkülönböztetik a normál súlyt a túlsúlyos alanyoktól (2015)

Ugrás:

Absztrakt

Háttér

A túlsúlyos és elhízott egyének patofiziológiájának lehetséges kockázati tényezőjeként a lenyűgöző viselkedések hedonikus összetevőjének megváltozását jelentették. A növekvő testtömeg-indexgel rendelkező személyek neuroméziós bizonyítéka strukturális, funkcionális és neurokémiai változásokat javasol a kiterjesztett jutalomhálózatban és a kapcsolódó hálózatokban.

Cél

Többváltozós mintázatelemzés alkalmazása a normál súly és a túlsúlyos tantárgyak megkülönböztetésére a szürke és fehér anyag mérések alapján.

Mód

Strukturális képek (N = 120, túlsúlyos N = 63) és diffúziós tenzor képek (DTI) (N = 60, túlsúlyos N = 30) egészséges kontroll alanyoktól kaptuk. A teljes minta esetében a túlsúlyos csoport (nőstények = 32, férfiak = 31) átlagos életkora 28.77 év volt (SD = 9.76), a normál testsúlyú csoportban (nők = 32, férfiak = 25) 27.13 év (SD = 9.62) ). Az agyképek regionális szegmentálását és parcellázását Freesurfer alkalmazásával hajtottuk végre. Determinisztikus traktográfiát végeztünk a régiók közötti normalizált szálsűrűség mérésére. Többváltozós mintázatelemzési megközelítést alkalmaztak annak megvizsgálására, hogy az agyi intézkedések megkülönböztethetik-e a túlsúlyt a normál testsúlyú egyedektől.

Eredmények

1. Fehér anyag-osztályozás: Az 2 aláírásokon alapuló osztályozási algoritmus 17 regionális kapcsolatokon alapuló 97% pontosságot ért el a normál súlyú egyének túlsúlyos személyeinek megkülönböztetésével. Mindkét agyi aláírás esetében a nagyobb arányú rostos sűrűség által indexelt nagyobb kapcsolatot figyelték meg a túlsúlyban a normál súlyhoz képest a jutalomhálózati régiók és a végrehajtó kontroll, az érzelmi arousal és a szomatoszenzoros hálózatok között. Ezzel ellentétben a ventromedial prefrontális kéreg és az elülső insula, valamint a thalamus és a végrehajtó kontroll hálózat közötti régiók között az ellenkező minta (csökkent rostsűrűség) volt megfigyelhető. 2. Szürke-anyag-besorolás: Az 2 aláírásokon alapuló osztályozási algoritmus 42 morfológiai jellemzők alapján 69% pontosságot ért el a túlsúly normál súlytól való megkülönböztetésével. Mindkét agyi aláírásban a jutalom, a nyugalom, a végrehajtó kontroll és az érzelmi felkelési hálózatok régiói kapcsolódtak alacsonyabb a túlsúlyos egyének morfológiai értékei a normál súlyú egyénekhez viszonyítva, míg a szomatoszenzoros hálózat régióiban az ellenkező minta látható.

Következtetések

1. A megnövekedett BMI-t (azaz a túlsúlyos alanyokat) az agy szürkés és szálsűrűségének változásai köti össze. 2. A jutalom és a kapcsolódó hálózatok régióit tartalmazó fehéráramú kapcsolatokon alapuló osztályozási algoritmusok azonosíthatják a mechanikai vizsgálatok és a jövőbeni gyógyszerfejlesztés célpontjait, amelyek célja a rendellenes lenyelés és a túlsúly / elhízás.

Kulcsszavak: Elhízás, túlsúly, morfológiai szürke-anyag, anatómiai fehéranyag-kapcsolat, Jutalomhálózat, Többváltozós elemzés, Besorolási algoritmus
rövidítések: HC, egészséges kontroll; BMI, testtömeg-index; HAD, kórházi szorongás és depressziós skála; TR, ismétlési idő; TE, visszhang idő; FA, flip szög; GLM, általános lineáris modell; DWI, diffúziós súlyozott MRI-k; FOV, látómező; GMV, szürke anyag mennyisége; SA, felület; CT, kérgi vastagság; MC, átlagos görbület; DTI, diffúziós tenzor képalkotás; FACT, szálfelosztás folyamatos követéssel; SPSS, statisztikai csomag a társadalomtudományok számára; ANOVA, varianciaanalízis; FDR, hamis felfedezési arány; sPLS-DA, ritka részleges legkisebb négyzetek a diszkrimináció elemzéséhez; VIP, változó fontosságú a vetítésben; PPV, pozitív prediktív érték; NPV, negatív prediktív érték; VTA, ventrális tegmentális terület; OFG, orbitofrontális gyrus; PPC, hátsó parietális kéreg; dlPFC, dorsolaterális prefrontális kéreg; vmPFC, ventromedial prefrontális kéreg; aMCC, elülső középső cinguláris kéreg; sgACC, subgenual anterior cinguláris kéreg; ACC, anterior cinguláris kéreg

1.0. Bevezetés

Az Egészségügyi Világszervezet becslése szerint közel félmillió felnőtt elhízott, és több mint kétszer annyi felnőtt van túlsúlyban, ami hozzájárul a betegségek, például a cukorbetegség, a szív-érrendszeri betegségek és a rák növekedéséhez, és legalább 2.8 millió ember halálához vezet. minden évben (Egészségügyi Világszervezet (WHO), 2014). Egyedül Amerikában a 34.9% -ig felnőttek elhízottak, és kétszer annyi felnőtt (65%) túlsúlyos vagy elhízott (Betegségellenőrzési Központ (CDC), 2014). A túlsúly és az elhízás gazdasági és egészségügyi terhei továbbra is az 78.5 milliárd dolláros egészségügyi költségeket emelik (Finkelstein és munkatársai, 2009), és több millió dollárt költenek továbbra is a nem hatékony kezelésekre és beavatkozásokra (Loveman és munkatársai, 2011; Terranova és munkatársai, 2012). Annak ellenére, hogy a túlsúly és az elhízás mögöttes patofiziológiája azonosítható, a jelenlegi megértés nem elégséges.

Mind a környezeti, mind a genetikai tényezők szerepet játszanak a túlsúlyos és elhízott emberek fejlődésében.Calton és Vaisse, 2009; Choquet és Meyre, 2011; Dubois és munkatársai, 2012; El-Sayed Moustafa és Froguel, 2013). A közelmúltban végzett neurométeres vizsgálatok azt mutatták, hogy a magasabb testtömeg-index (BMI) a funkcionális (feladat- és pihenőállapot) változásaihoz kapcsolódik (Connolly és munkatársai, 2013; Garcia-Garcia és munkatársai, 2013; Kilpatrick és munkatársai, 2014; Kullmann és munkatársai, 2012), szürke anyagú morfometria (Kurth és munkatársai, 2013; Raji és munkatársai, 2010) és a fehér anyag tulajdonságai (Shott és munkatársai, 2014; Stanek és munkatársai, 2011), ami arra utal, hogy az agy a túlsúly és az elhízás patofiziológiájában \ tDas, 2010). Ezek a tanulmányok nagyrészt a jutalmazási hálózat régiói (Kenny, 2011; Volkow és munkatársai, 2004; Volkow és munkatársai, 2008; Volkow és munkatársai, 2011), és három, szorosan összekapcsolt hálózatot (Garcia-Garcia és munkatársai, 2013; Morrow és munkatársai, 2011; Seeley és munkatársai, 2007a), végrehajtó ellenőrzés (Seeley és munkatársai, 2007b), és érzelmi arousal (Menon és Uddin, 2010; Zald, 2003) (Ábra 1).

Ábra 1 

A jutalomhálózat és a kapcsolódó hálózatok régiói. 1. Jutalomhálózat: hypothalamus, orbitofrontális kéreg (OFC), magvak, putamen, ventrális tegmentális terület (VTA), érdes nigra, középső agyi régiók (caudate, pallidum, hippocampus). 2. kiugrás ...

A jelenlegi vizsgálat célja annak az általános hipotézisnek a vizsgálata, hogy ezeknek a hálózatoknak a régiói közötti kölcsönhatások különböznek a túlsúlyos egyéneknél, mint a normál súlyú egyéneknél, és a teszteléshez nagyszabású, korszerű neuroképző adatfeldolgozást, vizualizációt és többváltozós mintaelemzést alkalmaztunk ezt a hipotézist. A hatékonyabb és számítástechnikai intenzív adatfeldolgozó csővezetékek és statisztikai algoritmusok rendelkezésre állása lehetővé teszi az agy szélesebb morfológiai és anatómiai jellemzését a megnövekedett BMI-kkel rendelkező egyéneknél, mint a normális testsúlyúak. A többváltozós mintaosztályozási elemzés lehetővé teszi a túlsúlyt megkülönböztető régiók elosztott mintájának vizsgálatát a normál súlyú egyénekhez képest.

Ebben a tanulmányban egy felügyelt tanulási algoritmust alkalmaznak a regionális agyi morfometria és a fehéranyag-rostok sűrűségének mérésére (az egyes agyi régiók közötti kapcsolat mértéke) annak tesztelésére, hogy a túlsúly státusza különféle mintákhoz vagy agyi aláírásokhoz kapcsolódik-e. a jutalom, a megjelenés, a végrehajtó kontroll és az érzelmi felkeltő hálózatok. Az eredmények arra utalnak, hogy a regionális kapcsolatok, és kevésbé az agyi morfometria, felhasználhatók a túlsúly megkülönböztetésére a normál súlyú egyénekhez képest. Az eredmények multimodális agyi képalkotáson alapuló prediktív algoritmust eredményeznek, és konkrét célokat azonosítanak további mechanikai vizsgálatokhoz.

2.0. Mód

2.1. résztvevők

A teljes minta 120 jobboldali egészséges kontroll (HC) önkéntesekből állt, akiket az 2010 és az 2014 között a stressz neurobiológiai központjában vettünk fel. A tárgyakat az UCLA és a Los Angeles-i közösségben közzétett hirdetések útján vették fel. Minden eljárás megfelel a Helsinki Nyilatkozat elveinek, és az UCLA intézményi felülvizsgálati bizottsága (11-000069 és 12-001802 jóváhagyási számok) jóváhagyta. Minden alany írásos tájékoztatást adott. Minden résztvevőt egészséges klinikai vizsgálat után osztályoztunk, amely magában foglalja a módosított Mini-International Neuropsychiatric Interview Plus 5.0 (Sheehan és munkatársai, 1998). A kizárási kritériumok között szerepelt a kábítószer-fogyasztás, a terhesség, a dohányfüggőség, a hasi műtét, az érrendszeri kockázati tényezők, a súlycsökkentő műtétek, a túlzott testmozgás (minden nap több mint 1 óra és a maraton futók) vagy a pszichiátriai betegség. Annak ellenére, hogy gyakran a megnövekedett BMI-vel jár, hipertóniában, cukorbetegségben vagy metabolikus szindrómában szenvedő alanyokat kizárták a populáció heterogenitásának csökkentése érdekében. Ugyanezen okból kizárták az étkezési rendellenességeket, köztük emésztési vagy étkezési rendellenességeket, például anorexiát vagy bulimia nervosát. Annak ellenére, hogy a BMI = 25–29.9 túlsúlyosnak tekinthető, tanulmányunkban a magas BMI-csoportként azonosították. A normál testsúlyú alanyokat 25-es BMI-nél toborozták, és tanulmányunkban a normál BMI-csoportként azonosították őket. Egyetlen alany sem haladta meg a 400 fontot az MRI vizsgálat súlykorlátai miatt.

2.2. Minta jellemzői

Az ellenőrzött kérdőíveket a szkennelés előtt befejezték, és a jelenlegi szorongás és depresszió tünetei (kórházi szorongás és depressziós skála (HAD)) mérésére használták.Zigmond és Snaith, 1983). A HAD-skála egy önértékelő 14-tétel skála, amely a jelenlegi szorongásos és depressziós tüneteket értékeli az alaphelyzetben lévő személyeknél.Zigmond és Snaith, 1983). Ezen túlmenően az alanyok korábban egy strukturált pszichiátriai interjút (Mini International Neuropsychiatric Interview, MINI) tettek át a múltbeli vagy jelenlegi pszichiátriai betegségek mérésére (Sheehan és munkatársai, 1998).

2.3. fMRI megszerzése

2.3.1. Strukturális (szürke-anyag) MRI

Tárgyak (N = 120, magas BMI N = 63) 3.0 Tesla Siemens TRIO készüléken szkennelték, miután egy sagittális felderítőt használtak a fej elhelyezésére. Strukturális pásztázást kaptunk 4 különböző felvételi szekvenciából nagyfelbontású, háromdimenziós T3-súlyozott, szagittális mágnesezéssel előkészített gyors gradiens echo (MP-RAGE) protokoll alkalmazásával, és a letapogatás részletei a következők: 1. Ismétlés ideje (TR) = 1 ms, visszhangidő (TE) = 2200 ms, elfordulási szög (FA) = 3.26, 9 mm3 voxel mérete. 2. TR = 2200 ms, TE = 3.26 ms, FA = 20, 1 mm3 voxel mérete. 3. TR = 20 ms, TE = 3 ms, FA = 25, 1 mm3 voxel mérete. 4. TR = 2300 ms, TE = 2.85 ms, FA = 9, 1 mm3 voxel méret. Megvizsgáltuk a felvételi protokoll hatását a teljes szürkeanyag-térfogat (TGMV) különbségére. Pontosabban az általános lineáris modellt (GLM) alkalmaztuk, hogy meghatározzuk az életkorra vonatkozó TGMV protokollok hatásait. Az eredmények azt mutatták, hogy az összes protokoll nem hasonlított egymáshoz (F(3) = 6.333, p = .053).

2.3.2. Anatómiai kapcsolat (fehér anyag) MRI

Az eredeti minta egy részhalmaza (N = 60, magas BMI N = 30) diffúzióval súlyozott MRI-n (DWI) estek át két összehasonlítható felvételi protokoll szerint. Pontosabban, a DWI-ket 61 vagy 64 nem kollináris irányban szereztük be b = 1000 s / mm2, 8 vagy 1 b = 0 s / mm2 képek, ill. Mindkét protokoll TR = 9400 ms, TE = 83 ms és látómező (FOV) = 256 mm volt, 128 × 128 felvételi mátrixszal, 2 mm vastag szelettel 2 × 2 × 2 mm3 izotróp voxelek.

2.4. fMRI feldolgozás

2.4.1. Strukturális (szürke-anyag) szegmentálás és felosztás

A T1-kép szegmentálását és a regionális lemondást FreeSurfer segítségével végeztük (Dale és munkatársai, 1999; Fischl és munkatársai, 1999, 2002) a. \ t Destrieux és mtsai. (2010). Mindegyik agyi féltekén egy 74 kétoldali kortikális struktúrát soroltak be az 7 szubkortikális struktúrákon és a kisagyon. A mintakörből származó szegmentálási eredményeket a Ábra 2A. Egy további középvonalstruktúrát (az agyszárat, amely magában foglalja a közbülső részeket, mint például a ventrális tegmentális terület [VTA] és a materia nigra) szintén az egész agyra vonatkozó 165 parcellációk teljes készletéhez tartalmazta. Négy reprezentatív morfológiai intézkedést számoltunk ki minden kérgi parcelláció esetében: szürkeanyag térfogat (GMV), felület (SA), kortikális vastagság (CT) és átlag görbület (MC). Az adatfeldolgozási munkafolyamatokat a Neuroimaging (LONI) csővezeték laboratóriumában tervezték és valósították meg.http://pipeline.loni.usc.edu).

Ábra 2 

A. Strukturális szegmentáció és parcellációs eredmények és B. minták alanyaiból származó strukturális parcellációkhoz kapcsolódó fehéráramú rost eredmények. A: Strukturális szegmentáció. B: Fehéranyag-szegmentáció.

2.4.2. Anatómiai kapcsolat (fehér anyag)

A diffúziós súlyozott képeket (DWI) mozgáskor korrigáltuk, és azokat a diffúziós tenzorok kiszámítására használtuk, amelyeket az egyes voxeleknél forgattunk. A diffúziós tenzor-képeket a log-transzformált tenzorok trilináris interpolációjával a Chiang és mtsai. (Chiang és munkatársai, 2011) és izotróp voxel felbontásra (2 × 2 × 2 mm)3). Az adatfeldolgozási munkafolyamatokat a LONI csővezeték segítségével hoztuk létre.

Az egyes tantárgyak fehéranyag-összeköttetését a strukturális képeken azonosított 165 agyrégiók között becsülték meg2B) DTI rosttraktográfiával. A traktográfiát a Fiber Assignment (FACT) algoritmus segítségével végeztük.Mori és munkatársai, 1999) a TrackVis használatával (http://trackvis.org) (Irimia és munkatársai, 2012). Az egyes agyi régiók közötti fehéranyag-összekapcsolhatóság végső becslését az egyes régióban metsző szálkötések száma alapján határoztuk meg, normalizálva az egész agyon belüli szálkötések számával. Ezt az információt ezután a későbbi osztályozáshoz használták fel.

2.5. Ritka részleges legkisebb négyzetek - diszkriminatív elemzés (sPLS-DA)

Annak megállapítása érdekében, hogy az agyjelzőket használhatjuk-e a magas BMI státusz megjóslására (túlsúly vs. normál súly), sPLS-DA-t alkalmaztunk. Az sPLS-DA a ritka PLS regresszió egyik formája, de a válasz változó kategorikus, jelezve a csoporttagságot (Lê Cao, 2008a; Lê Cao és munkatársai, 2009b, 2011). Az sPLS-DA kimutatták, hogy különösen hatékony a nagyszámú előrejelzővel, a kis mintamérettel és a prediktorok nagyfokú lineárisságával (Lê Cao, 2008a; Lê Cao és munkatársai, 2009b, 2011). Az sPLS maximalizálja az agymérések és a csoport különbség kontrasztja közötti minta-kovarianciát. Az sPLS egyidejűleg változó kiválasztást és osztályozást végez a lasszó büntetéssel (Lê Cao és munkatársai, 2009a). Az sPLS-DA egy felügyelt keretrendszerrel működik, amely az osztálytagságon alapuló prediktorok lineáris kombinációit képezi. Az sPLS-DA csökkenti az adatok dimenzióját úgy, hogy olyan ortogonális komponenseket talál, amelyek mindegyike egy bizonyos jellemzőkből vagy változókból áll. Az összetevőket agyi aláírásoknak nevezik. Minden agyi aláírást tartalmazó változónak van egy „betöltése”, ami a változók relatív fontosságának mértéke a két csoportba való diszkrimináció szempontjából (Lê Cao és munkatársai, 2008b). Emellett kiszámítottuk a változó fontosságot a vetítésben (VIP), hogy megbecsülhessük a PLS modellben használt minden változó fontosságát. A VIP pontszám a terhelések súlyozott összege, amely figyelembe veszi az egyes aláírások magyarázott varianciáját. A négyzetes VIP pontszámok átlaga az 1 értékkel egyenlő. A besorolás szempontjából különösen fontosnak tartják azokat a prediktorokat, amelyek egynél nagyobb VIP együtthatókkal rendelkeznek.Lê Cao és munkatársai, 2008b).

2.5.1. A prediktív modell fejlesztése

Az egyes elemzéseknél az agyi aláírások számát két esetben (Lê Cao és munkatársai, 2008b). A stabilitási elemzés az agyterületek optimális számának meghatározására minden egyes agyi aláírásnál (Lê Cao és munkatársai, 2011). Először is, az sPLS-DA-t az 5 – 200 változók széles skáláján alkalmazzuk, amelyet a két agyi aláíráshoz kell kiválasztani. A választandó változók számának minden specifikációjához az 10-szeres keresztellenőrzést ismétlődő 100 idők hajtják végre. Ez a keresztellenőrzési eljárás osztja a képzési adatokat 10-ráncokba vagy adatmintákba (n = 12 tesztkészlet). Egyetlen almintát különítenek el vizsgálati adatokként, a fennmaradó részmintákat pedig a modell képzésére használják. A változók stabilitását úgy határozzuk meg, hogy kiszámoljuk, hányszor választottak ki egy adott változót az összes keresztellenőrzési futtatás során. Csak a 80% -nál nagyobb stabilitású agyi változókat használták fel a végleges modell kidolgozásához.

2.6. statisztikai elemzések

2.6.1. Ritka részleges legkisebb négyzetek - diszkriminatív elemzés (sPLS-DA)

Az sPLS-DA az R csomag mixOmics (http://www.R-project.org). Az agyi morfometria és a DTI anatómiai kapcsolat előrejelző erejét külön-külön vizsgáltuk. A regionális agyi morfometria vagy a regionális anatómiai kapcsolatok mellett az életkor és a teljes GMV is szerepelnek a lehetséges prediktorként. A kapott morfológiai adatok esetében a GMV, az SA, a CT és az MC méréseit bevontuk a modellbe. A kapott DTI anatómiai kapcsolódási adatok esetében az 165 régiók közötti relatív szálsűrűséget indexelő tárgy-specifikus mátrixokat 1 dimenziós mátrixokká alakítottuk, amelyek 13,530 egyedi kapcsolatokat tartalmaztak (felső háromszög a kezdeti mátrixból). Ezeket a mátrixokat ezután összevontuk a tárgyak között, és beléptünk az sPLS-DA-ba. Kezdeti adatcsökkentési lépésként a közel nulla variancia-előrejelzőket leállították, és ez 369 fennmaradó kapcsolatokat eredményezett. Az agyi aláírásokat az egyes dimenziók és a VIP együtthatók változó terhelésével összegeztük. Grafikus kijelzőket is használunk az algoritmusok diszkriminatív képességeinek bemutatására (Lê Cao és munkatársai, 2011). A végső modellek prediktív képességét értékeltük ki, és hagyjuk ki egy kiigazítást. Bináris osztályozási intézkedéseket is kiszámítottunk: érzékenység, specifitás, pozitív prediktív érték (PPV) és negatív prediktív érték (NPV). Itt az érzékenység az osztályozási algoritmus azon képességét adja meg, hogy helyesen azonosítsa a túlsúlyos személyeket. A specificitás tükrözi az osztályozási algoritmus azon képességét, hogy helyesen azonosítsa a normál súlyú személyeket. A PPV azt a minta arányát tükrözi, amely a fajlagos túlsúlyos agyi aláírást mutatja az osztályozási algoritmusból, és akik ténylegesen túlsúlyosak (igaz pozitívak). Másrészt az NPV az a valószínűsége, hogy ha a teszt eredménye negatív, azaz a résztvevő nem rendelkezik a túlsúlyos agyi aláírással (igaz negatív).

2.6.2. Minta jellemzői

A statisztikai elemzéseket a statisztikai csomag segítségével végeztem el a társadalomtudományi (SPSS) szoftverhez (19 verzió). A viselkedési mérési pontszámok csoportbeli különbségeit varianciaanalízissel (ANOVA) értékeltük. A jelentőséget figyelembe vették p <.05 javítatlan.

3.0. Eredmények

3.1. Minta jellemzői

A teljes minta (N = 120) 63 túlsúlyos egyént (nőstények = 32, férfiak = 31), átlagos életkor = 28.77 év, SD = 9.76 és 57 normál testsúlyú egyént (nők = 32, férfiak = 25), átlagéletkor = 27.13 év, SD = 9.62. Bár a túlsúlyos csoportban általában magasabb volt a szorongás és a depresszió, nem voltak szignifikáns csoportbeli különbségek (F = .642, p =, 425; F = .001, p = .980). A minta klinikai jellemzőit a Táblázat 1.

Táblázat 1 

Minta jellemzői.

3.2. Többváltozós mintaelemzés sPLS-DA segítségével

3.2.1. Anatómiai összekapcsolhatóság (fehér anyag) alapú osztályozás

Megvizsgáltuk, hogy az agy anatómiai összekapcsolhatóságának fehéranyagát használhatjuk-e a túlsúlyos egyének normál súlyú egyének megkülönböztetésére. Ábra 3Az A ábrán a két agyi aláírással összefüggésben szereplő mintákat ábrázolják, és a fehéranyag osztályozó diszkriminatív képességeit ábrázolják. A bináris besorolási intézkedéseket kiszámítottuk, és az 97%, az 87% specifitása, az 88% PPV és az 96 NPV érzékenységét jeleztük. Táblázat 2 tartalmazza a stabil fehér-anyag kapcsolatok listáját, amelyek mindegyik diszkriminatív agyi aláírást tartalmazzák a változó terhelések és a VIP együtthatók mellett.

Ábra 3 

A. A szálsűrűségen alapuló osztályozó (fehér anyag). B. Szürke anyag morfológián alapuló osztályozó. V: A szálsűrűség (fehér anyag) osztályozó diszkriminatív képességeit ábrázolja. B: A szürke anyag osztályozó diszkriminatív képességeit ábrázolja. ...
Táblázat 2 

Az anatómiai kapcsolatok listája, amely minden diszkriminatív agyi aláírást tartalmaz.

3.2.2. 1 anatómiai kapcsolat alapú agyi aláírás

Az első agyi aláírás a variancia 63% -át teszi ki. Amint azt a VIP együtthatók jelzik, a megoldásban a változók a leginkább variancia-mellékelt 1-kapcsolatokat magyarázzák a jutalomhálózat régiói között (putamen, pallidum, brainstem [beleértve a közbenső régiókat, mint a VTA és a materia nigra]) a végrehajtó régiókkal. kontroll (precuneus, amely a hátsó parietális kéreg részét képezi), a nyugalom (elülső insula), az érzelmi izgalom (ventromedial prefrontális kéreg) és a szomatoszenzoros (poszt-centrális gyrus) hálózatok; 2) az érzelmi felkiáltóhálózat (anterior midcingulate cortex, ventromedial prefrontal cortex) régiói, ahol a kiemelkedés (anterior insula) és a szomatoszenzoros (paracentrális lobula, beleértve a kiegészítő motoros kéregeket) hálózatok; és 3) thalamus, a középső nyúlvány gyrus és a thalamus egy végrehajtó kontroll hálózatának régiójával (dorzális laterális prefrontális kéreg).

A normál súlycsoporthoz képest a túlsúlyos csoport nagyobb kapcsolatot mutatott ki a jutalomhálózat régiói (putamen, pallidum, brainstem) és a végrehajtó ellenőrző hálózat (posterior parietális kéreg) és a putamen-től az érzelmi felkiáltó hálózat gátló részéhez ( ventromedial prefrontális kéreg) és a szomatoszenzoros hálózat (postentrum gyrus és posterior insula) régiói. Az érzelmi felkiáltó hálózat (ventromedial prefrontal cortex) régiókban a túlsúlyos csoportban alacsonyabb a kapcsolat, míg a túlsúlyos hálózat (anterior insula), de a túlsúlyos csoport nagyobb kapcsolata az érzelmi felkiáltó hálózat (ventromedial prefrontal cortex) régióktól a szomatoszenzoros hálózat (posterior insula). Alacsonyabb összekapcsolhatóságot figyeltek meg a szomatoszenzoros (paracentrális lebeny) és az anterior midcingulate cortex közötti túlsúlyos csoportban is, de a paracentralis lebenytől a szubsztietális szuluszhoz (a szomatoszenzoros hálózat részéhez) nagyobb kapcsolhatóságot. A thalamikus kapcsolatokat tekintve a thalamusról a dorzális laterális prefrontális kéreg (executive control network) és a középsõ orrnyálkahártya között a túlsúlyos egyéneknél alacsonyabb kapcsolatot figyeltek meg a normál súlyú egyénekhez képest.

3.2.3. 2 anatómiai kapcsolat alapú agyi aláírás

Az azonosított második anatómiai agyjelzés az adatok varianciájának további 12% -át képezte. A csoport-diszkriminációhoz leginkább ellentmondó változók a VIP együttható szerint a jutalom (putamen, orbitális szulci, amely az orbitális frontális gyrus része, és az agyszem) és az érzelmi izgalom (gyrus rectus, amely a mediális a ventromedial prefrontális cortex része).

A túlsúlyos egyéneknél a normál testsúlyú egyénekhez képest nagyobb kapcsolatot találtunk a jutalomhálózati régiók (brainstem és putamen) és a végrehajtó kontroll (dorzális laterális prefrontális kéreg) és az érzelmi izgalom (ventromedial prefrontal cortex) gátló része között. Ugyanakkor az orrjáratú frontális gyrus (nyereséghálózat) között az occipital közötti kapcsolat alacsonyabb volt a túlsúlyos egyéneknél, mint a normál súlyú egyéneknél.

3.2.4. Morfometriai szürke-anyag alapú osztályozás

Megvizsgáltuk, hogy az agyi morfometriát (szürkeanyag-térfogat, felszíni terület, kortikális vastagság és átlagos görbület) használhatjuk-e a túlsúlyos egyének normál súlyú egyének megkülönböztetésére. Ábra 3A B ábrán a minta két személyét ábrázoltuk, akik a két agyi aláírással kapcsolatban jelennek meg, és a morfometrikus osztályozó diszkriminatív képességeit ábrázolják. A bináris besorolási intézkedéseket kiszámítottuk, és az 69%, az 63% specifitása, az 66% PPV és az 66 NPV érzékenységét jeleztük. Táblázat 3 tartalmazza az összes megkülönböztető jellegű morfometriai mérések listáját a változó terhelések és a VIP együtthatók mellett.

Táblázat 3 

Regionális morfometria, amely az egyes agyi aláírásokat tartalmazza.

3.2.5. Morfológiai alapú agyi aláírás 1

Az első agyi aláírás a morfometriai fenotípus adatok variabilitásának 23% -át magyarázta. A VIP együtthatók szerint az aláíráshoz leginkább szóró változók a jutalom régiói (az orbitális frontális girusz szubregionái), a nyugalom (elülső insula), a végrehajtó kontroll (dorzális laterális prefrontális kéreg), az érzelmi arousal (ventromedial prefrontal cortex). ) és szomatoszenzoros (precentrális sulcus, supramarginalis gyrus, szubentrális sulcus, superior frontális sulcus) hálózatok. Magas VIP együtthatókat figyeltünk meg a felső frontális gyrus és a sulcus, a felső időbeli gyrus, a keresztirányú frontopoláris gyri és az elülső keresztirányú temporális gyrus esetében is. A jutalom, a nyugalom, a végrehajtó kontroll és az érzelmi felkelési hálózatok régiói kapcsolódtak alacsonyabb a túlsúlyos egyének értékei a normál súlyú egyénekhez képest. Továbbá a túlsúlyos egyének a normál súlyúakhoz képest nagyobb értékek a szomatoszenzoros hálózat régióiban. A frontális és időbeli régiók morfometriája (felső időbeli gyrus, és az elülső keresztirányú temporális gyrus) szintén összefüggésben volt alacsonyabb a túlsúlyos egyének értékei a normál súlyú egyénekhez képest.

3.2.6. Morfológiai alapú agyi aláírás 2

A második morfológiai agyjelzés a variancia 32% -át magyarázta. A legmagasabb VIP együtthatójú változók hasonlítottak az 1 agyi aláírásban megfigyelt VIP együtthatókra, mivel a jutalom (caudate), a kiemelkedés (anterior insula), a végrehajtó kontroll (a hátsó parietális kéreg részei) régiói, az érzelmi arousal (parahippocampal) gyrus, subgenual anterior cingulate cortex és anterior cingulate cortex) és szomatoszenzoros (posterior insula és paracentral lobule) hálózatok. Azonban az 2 agyi aláírással összehasonlítva az 1 agyi aláírásával csak egy kapcsolat volt a jutalomhálózattól és több kapcsolat a régiók és az érzelmi arousal hálózatok régiói között.

Túlsúlyos egyéneknél a normál súlyú egyénekhez képest alacsonyabb értékek a morfometriához a jutalom, a megjelenés, a végrehajtó kontroll és az érzelmi felkeltő hálózatokban, de <p></p> a szomatoszenzoros hálózat értékeit jeleztük.

4.0. Vita

A tanulmány célja annak meghatározása volt, hogy az agyi kapcsolatok morfológiai és anatómiai mintázatai (a specifikus agyrégiók közötti rostsűrűség alapján) megkülönböztethetők-e a túlsúlyos egyének normál súlyú egyénekétől. A főbb megállapítások: 1. Az anatómiai kapcsolatok (a fehér-anyagcsatornák relatív sűrűsége a régiók között) képesek voltak megkülönböztetni a különböző BMI-vel rendelkező személyeket nagy érzékenységgel (97%) és a specificitással (87%). 2. Ezzel szemben a szürke anyag morfológiai változásai az optimális osztályozási pontosságnál kisebbek voltak. 3. A diszkriminatív agyi aláírásokat tartalmazó agyrégiók közül sok a kiterjesztett jutalom, a kiemelkedés, a központi végrehajtó és az érzelmi felkeltő hálózatok közé tartozott, ami arra utal, hogy a megfigyelt funkcionális károsodások e hálózatok közötti rendellenes szervezetből adódtak.

4.1. A BMI-hez kapcsolódó anatómiai-kapcsolati alapú agyi aláírások

Ebben a tanulmányban egy, a régió összekapcsolhatóságának különböző mintáit tükröző két agyi aláírásból álló osztályozási algoritmus szignifikánsan képes megkülönböztetni a túlsúlyos személyeket és a normál súlyú személyeket. A legtöbb DTI-vizsgálat magas BMI-egyedeken (Shott és munkatársai, 2014; Stanek és munkatársai, 2011; Xu és munkatársai, 2013; Yau és munkatársai, 2010, 2014) arra összpontosítottak, hogy megvizsgálják a fehéranyag diffúziós jellemzőinek különbségeit, beleértve a frakcionált anizotrópiát és az átlagos diffúziót (amely a fehéranyag-traktumok integritását méri), ​​vagy a látszólagos diffúziós együtthatókat (amelyek mérik a víz diffúzióját a pályákban, és tükrözik a sejtkárosodást). Mindezek az intézkedések információt szolgáltathatnak a fehéranyag mikrostruktúra lokalizált változásairól. A jelenlegi vizsgálatban a rost traktus sűrűségének DTI-mérésére koncentráltunk, mint az agyrégiók és a hálózatok közötti relatív kapcsolat becslésének mértékét. Tehát, míg más tanulmányok lokalizált változásokat hoztak létre a fehér anyag mikrostruktúrájában, nem azonosították ezeknek a változásoknak az összefüggéseit érintő következményeit.

4.1.1. 1 anatómiai kapcsolat alapú agyi aláírás

Az első agyi aláírást nagyrészt a jutalom, a megjelenés, a végrehajtó irányítás, az érzelmi felkeltés és az érzékszervi hálózatok közötti és azok közötti kapcsolatok alkotják. Találkozási kapcsolatok is voltak a végrehajtó ellenőrző hálózat régiói és az occipital régió között. A ventromedial prefrontális kéreg és a túlsúlyos csoportban tapasztalt, a normál súlycsoporthoz viszonyított elülső inzulusokhoz viszonyított csökkenésünknek megfelelően csökkent a fehéranyag-traktusok integritása (csökkentett frakcionált anizotrópia) a külső kapszulában (amely szálakat tartalmaz, amelyek összekapcsolódnak) a kortikális területeket más, agykérgi területeken, rövid asszociációs rostokon keresztül) jelentették az elhízott \ tShott és munkatársai, 2014). Ezenkívül a kontrollokhoz képest elhízottnál a látszólagos diffúziós koefficiens (a víz diffúzióját tükröző sejtkárosodás) nagyobb volt a sagittális rétegben (ami ismert, hogy információt továbbít a parietális, occipitalis, cinguláris és időbeli régiókról a talamuszra), és következetes lehet a jobb thalamus és a jobb középső nyakszívó közötti alacsonyabb kapcsolatok megfigyelésével a túlsúlyos egyénekhez képest a normál súlyú egyénekhez képest (Shott és munkatársai, 2014). Shott és munkatársai (Shott és munkatársai, 2014) a korona radiata elhízott csoportjában nagyobb (a lehetséges sejtkárosodást tükröző) látszólagos diffúziós együtthatókat is azonosított, ami a mély szürkeállományú struktúrák (például a thalamus) és a kérgi területek (háti laterális prefrontális kéreg) túlsúlyos egyénekben a normál testsúlyú egyénekhez képest. A megváltozott talaminkapcsolat megzavarhatja a thalamus szerepét a perifériás szenzoros információk kéregbe továbbításának elősegítésében (Jang és munkatársai, 2014).

A nem komplikált serdülők elhízott és a normális testsúlyú egyének között végzett külön vizsgálatban az elhízott serdülőkben is csökkent a részleges anizotrópia olyan régiókban, mint a külső kapszula, a belső kapszula (amely többnyire növekvő és csökkenő kortikoszterinális traktusokat hordoz), valamint néhány időbeli szál és optikai sugárzás (Yau és munkatársai, 2014). Egy nemrégiben végzett tanulmány azt is megfigyelte, hogy az agyszövet és a hypothalamus között az agyszövet és a hypothalamus között az idegszálas kapcsolatok elvesztek, akiknél a sebészeti lefolyás után drámai növekedés következett be, ami arra utalhat, hogy ezek az idegszálak részt vesznek a szabályozásban mind az élelmiszer-bevitel, mind a súly (Purnell és munkatársai, 2014). Ugyanakkor nem azonosítottuk a kapcsolódási különbségeket a hipotalamuszmal, ami részben a jelen tanulmányban használt konkrét atlaszokon alapuló parcellációs korlátozásoknak tudható be.

4.1.2. 2 anatómiai kapcsolat alapú agyi aláírás

A második ortogonális aláírást csak három anatómiai kapcsolat képezte a jutalom és az érzelmi arousal hálózatokon belül. A megváltozott kapcsolatok azonosítását a jutalékhálózatot tartalmazó régiókban és a hálózatokban lévő régiókban, amelyeket az aktuális tanulmányban kölcsönhatásba lép, még nem jelentettek be. Ezek a változások azonban nemrégiben morfológiai vizsgálatok alapján várhatóak, amelyek a szürkeárnyalatos változásokat megfigyelték a kiterjesztett jutalmazási hálózat régiói között.Kenny, 2011; Kurth és munkatársai, 2013; Raji és munkatársai, 2010; Volkow és munkatársai, 2008). Találmányunk együttesen széles körű változásokat mutat a fehéráramú kapcsolatokban a jutalomhálózatot és a hozzá kapcsolódó hálózatokat tartalmazó régiókban.

Míg más vizsgálatok szerint a corpus callosum és a fornix régiókban (amelyek a hippocampusból a hipotalamuszba tartozó információk között a csökkentett frakcionált anizotrópiával csökkent) a megnövekedett BMI-vel (pl.Stanek és munkatársai, 2011; Xu és munkatársai, 2013); a jelenlegi vizsgálat nem azonosította a két anatómiai-összekapcsolódási agyi aláírásokon belüli interhemiszférikus kapcsolat jelentős változásait. A kivétel az volt, hogy az 1 agyi aláírás és a jobb alsó rész közötti kapcsolat a bal oldali paracentrális lebeny és a jobb alsó rész között volt, és a jobb oldali putamen és a bal gyrus rectus közötti kapcsolat az 2 agyi aláírásban. Feltételezzük, hogy ezekben a korábbi vizsgálatokban megfigyelt hatás a szisztémás fehéranyag-degradációnak tulajdonítható, a specifikus agyi régiók közötti kapcsolatok helyett, hasonlóan a normál öregedés során bekövetkező változásokhoz (Sullivan és munkatársai, 2010). Miközben a korábbi tanulmányok szerzői azt feltételezték, hogy a magas BMI-vel rendelkező személyek külső kapszulájában a frakcionált anizotrópia különbségei korrelálhatnak a hippocampus és az amygdala közötti kapcsolatokkal, nem figyeltünk meg jelentős változásokat ezekben a szerkezetekben. Ezen megfigyelések megerősítéséhez részletesebb elemzésre és finomabb parcellálásra van szükség ezeknek az agyi régióknak.

4.2. A BMI-hez kapcsolódó morfometriai szürke-agytörzsek

A két különböző profilt alkalmazó szürkeáramú morfometriai analízis képes volt a normál súlyú egyének túlsúlyának helyes azonosítására, az 69% érzékenysége és az 63% specifitása. Ezek az eredmények összhangban vannak a szürkés anyag mennyiségének globális és regionális csökkentésével kapcsolatos korábbi jelentésekkel a jutalomhálózaton és a kapcsolódó hálózatokon belül.Debette és munkatársai, 2010; Kenny, 2011; Kurth és munkatársai, 2013; Pannacciulli és munkatársai, 2006; Raji és munkatársai, 2010). A DTI-alapú osztályozással ellentétben ezek a megállapítások arra utalnak, hogy mérsékelten képesek megkülönböztetni a két BMI csoportot.

4.2.1. Morfológiai alapú agyi aláírás 1

Vizsgálatunkban az első agyi aláírás alacsonyabb értékeket mutatott a különböző morphometriai mérésekben (beleértve az orbitális frontális gyrus szubregionjait, az előlapot is) a jutalom, a megjelenés és a végrehajtó kontroll hálózatok régióiban a túlsúlyos csoportban a normál súlycsoporthoz képest. Ezenkívül alacsonyabb értékeket morfometriai értékeket figyeltünk meg az érzelmi arousal hálózathoz kapcsolódó gátló régiók (dorzális laterális és ventromedial prefrontális cortex) esetében, de magasabb szomatoszenzoros hálózat morfometriája (precentrális sulcus, supramarginalis gyrus, szubentrális sulcus és superior frontális sulcus), beleértve az időbeli túlsúlyos egyénekben a normál súlyú egyénekhez képest. Ebben a vizsgálatban az orbitális frontális gyrus morfológiai méréseinek (szürkeanyag-térfogat és kortikális vastagság) jelentős csökkenését tapasztaltuk. Az orbitális frontális gyrus a jutalomhálózat fontos területe, amely szerepet játszik az értékelő feldolgozásban és a jövőbeni viselkedés irányításában és a jutalmakkal kapcsolatos kódolási előrejelzéseken alapuló döntésekben.Kahnt és mtsai., 2010). Egy közelmúltbeli, a szürke és fehér anyag szerkezetét elemző tanulmány kimutatta, hogy az elhízott egyének csökkentett értékei voltak a jutalomhálózat különböző területein, beleértve az orbitális frontális girust (Shott és munkatársai, 2014).

4.2.2. Morfológiai alapú agyi aláírás 2

Az 1 agyi aláírással összehasonlítva a variáció és az érzelmi ébresztő hálózatok régióiban megfigyelt morfológiai mérések a variancia többségét magyarázzák, míg a jutalomhálózati régiók nem voltak hatással. Csökkentett szürkeáramú méréseket figyeltek meg a kiemelkedés, a végrehajtó kontroll és az érzelmi felkiáltó hálózat területein. Ezek a régiók (az elülső inula, a parietális posterior kéreg, a parahippocampus gyrus, az elülső cinguláris kéreg alrégiói) gyakran összefüggésben vannak a fokozott agyi aktivitással az élelmiszer-jelzések hatására (Brooks és munkatársai, 2013; Greenberg és munkatársai, 2006; Rothemund és munkatársai, 2007; Shott és munkatársai, 2014; Stoeckel és munkatársai, 2008), és az ingerek személyes érdekességének mértéke (Critchley és munkatársai, 2011; Seeley és munkatársai, 2007a). A jelenlegi vizsgálatban a szürke anyagcsökkenést a szomatoszenzoros hálózat kulcsrégióiban is megfigyelték (posterior insula, paracentral lobule). Annak ellenére, hogy ennek a hálózatnak a túlsúlyban és az elhízásban való pontos szerepe nem ismert, kimutatták, hogy részt vesz a testérzékelésben, és egy közelmúltbeli tanulmány azt sugallta, hogy az elhízott egyének táplálékjelére adott válaszként a megnövekedett szomatoszenzoros hálózati aktivitás vezethet túlevés (Stice és munkatársai, 2011). Ez a tanulmány kifejezetten a kiterjesztett jutalomhálózat és a szomatoszenzoros hálózat morfológiai mérésére és az agyi régiók közötti anatómiai kapcsolatokra összpontosított, és azt sugallja, hogy ezek az agyi szerkezeti mérőszámok befolyásolhatják az irodalomban található funkcionális vizsgálatok eredményeihez kapcsolódó neurális feldolgozást. A viselkedési és környezeti tényezőkkel való összefüggések további betekintést nyújtanak a strukturális és funkcionális megállapítások közötti kapcsolatba, amelyeket a jövőbeni vizsgálatok során meg kell vizsgálni.

4.3. A többváltozós mintaelemzések használata sPLS-DA-val a túlsúlyos és a normál súlyú egyének megkülönböztetésére

A kiterjesztett jutalomhálózaton belüli különböző agyhálózatokban a BMI-vel összefüggő változások a szálsűrűség változásaira támasztják alá azt a hipotézist, hogy a BMI növekedése megzavarja az anatómiai összeköttetést az agy bizonyos régióiban. Ezek az anatómiai átalakítások a jutalomhálózat és a kapcsolódó hálózatok kulcsfontosságú régiói közötti hatástalan vagy nem hatékony kommunikációt eredményezhetik. Hasonlóan a közelmúltbeli jelentésekhez, amelyek túlsúlyos és elhízással kapcsolatos változásokat találtak a szürke-anyag térfogatában (Debette és munkatársai, 2010; Kurth és munkatársai, 2013; Pannacciulli és munkatársai, 2006; Raji és munkatársai, 2010) a túlsúly hasonló morfológiai különbségeit is találtuk a normál súlyú egyénekhez képest. A jelenlegi vizsgálatban ezeket a megfigyeléseket kiterjesztettük annak érdekében, hogy megvizsgáljuk az agy túlsúlyos állapota és az anatómiai kapcsolat közötti összefüggést, és az sPLS-DA-t az agy morfometriai adataira alkalmazzuk, hogy megkülönböztessük a túlsúlyos és a normál súlyú alanyokat. Egy nemrégiben bináris logisztikus regressziót alkalmazó keresztmetszeti vizsgálat azt sugallja, hogy az oldalsó orbitális frontális gyrus strukturális változásainak kombinációja, a szürke-anyag térfogatával és a gyulladásos marker (fibrinogén) vérszintjével egy kis \ t 19 normál súlyú és 44 túlsúlyos / elhízott alanyok mintája; nagy érzékenységgel (95.5%), de alacsony specifikussággal (31.6%) (Cazettes és munkatársai, 2011). Tanulmányunk több szempontból is különbözik e jelentéstől, beleértve a nagyobb mintaméretet is; a kereszt-validációs megközelítés alkalmazása a mintaspecifikus megoldás elkerülése, a magas vérnyomású / diabetes mellitusban résztvevők kizárása a lehetséges zavaró eltávolítására, valamint mind a szürke anyag térfogatának, mind a szálak sűrűségének bevonása a túlsúlyos állapot előrejelzéséhez.

4.4. Korlátozások

Annak ellenére, hogy szignifikáns különbségeket találtunk a normál súlyú és a túlsúlyos egyének között a szálsűrűségben, ezekből az anatómiai megállapításokból nem tudjuk extrapolálni a funkcionális (pihenő állapot) kapcsolatok közötti különbségeket. Az ilyen funkcionális kapcsolódási eredmények azt mutatnák, hogy az agyi aktivitás szinkronizálásának különbségeit észleljük olyan területeken, amelyek nem közvetlenül kapcsolódnak a fehéranyag-traktusokhoz. Bár korábban már jelentett eredményeket reprezentáltunk az anatómiai kapcsolatról és a túlsúly / elhízás és a normál BMI közötti morfológiai különbségekről (Kurth és munkatársai, 2013; Raji és munkatársai, 2010), nem sikerült megfigyelni a hypothalamus, az amygdala és a hippocampus fontos szubkortikális régióiban bekövetkezett változásokat. Elképzelhető, hogy ez a hiba a tanulmányban alkalmazott automatikus parcellációs algoritmusok korlátaitól, illetve a túlsúlyos egyénekre és az elhízott egyénekre korlátozott elemzések miatt volt lehetséges. Az elhízott, a túlsúlyos és a normál súlyú egyének összehasonlítása érdekében a jövőbeni vizsgálatoknak nagyobb mintákra lenne szükségük, és a nemi és faji alapú alcsoport elemzések elvégzésére is szükségük lehet. A viszonylag kis mintánk miatt szigorú belső validálási eljárást alkalmaztunk, azonban továbbra is szükség van ennek a besorolásnak a prediktív pontosságának független adatállományban történő tesztelésére.Bray és munkatársai, 2009). A jövőbeni tanulmányoknak foglalkozniuk kell ezeknek a neuromágneses különbségeknek az egyes táplálkozási szokásokkal, étkezési preferenciákkal és táplálkozási információkkal való összefüggéseivel, annak érdekében, hogy értelmezhessük e megállapítások kontextusát és jelentőségét. Mivel az elhízás és a túlsúlyos állapot gyakran társbetegségekkel jár, mint például a magas vérnyomás, a cukorbetegség és a metabolikus szindróma, a jövőbeni elemzéseknek meg kell vizsgálniuk ezeknek a faktoroknak a moderáló és korrelációs hatását az osztályozási algoritmusra.

4.5. Összegzés és következtetések

Összefoglalva, eredményeink alátámasztják azt a hipotézist, hogy a túlsúly a megváltozott kapcsolathoz (szálsűrűség formájában) kapcsolódik az agy bizonyos területeihez, ami e régiók között nem hatékony vagy nem hatékony kommunikációt eredményezhet. Különösen a prefrontális gátló agyi régiók csökkentett összekapcsolhatósága a jutalmi áramkörrel összhangban van a hedonikus mechanizmusok uralkodásával az élelmiszer-bevitel szabályozásában (Gunstad és munkatársai, 2006, 2007, 2008, 2010). Ezeknek a szerkezeti változásoknak a mechanizmusai rosszul érthetőek, de lehetnek neuroinflammatorikus és neuroplasztikus folyamatok is.Cazettes és munkatársai, 2011) a túlsúlyos és elhízott egyéneknél jelentkező alacsony fokú gyulladásos állapothoz kapcsolódó \ tCazettes és munkatársai, 2011; Cox és munkatársai, 2014; Das, 2010; Gregor és Hotamisligil, 2011; Griffin, 2006). Az adatok által vezérelt megközelítések a túlsúly / elhízás szürke- és fehéranyagváltozásainak azonosítására ígéretes eszközök a növekvő BMI központi korrelációinak azonosítására, és potenciálisan azonosítják a neurobiológiai biomarkereket ennek a rendellenességnek.

Szerzői hozzájárulások

Arpana Gupta: Tanulmányi koncepció és az adatok tervezése, elemzése és értelmezése, a kézirat elkészítése és felülvizsgálata.

Emeran Mayer: Tanulmányi koncepció és tervezés, a kézirat kritikus áttekintése, a kézirat végleges változatának jóváhagyása, finanszírozás.

Claudia San Miguel: A kézirat, az adatok értelmezése és kritikai áttekintése.

John Van Horn: Adatok generálása, adatok elemzése.

Connor Fling: Az adatok elemzése.

Aubrey Love: Az adatok elemzése.

Davis Woodworth: Az adatok elemzése.

Benjamin Ellingson: A kézirat áttekintése.

Kirsten Tillisch: A kézirat, a finanszírozás kritikus felülvizsgálata.

Jennifer Labus: Tanulmányi koncepció és tervezés, adatok elemzése és értelmezése, a kézirat elkészítése és felülvizsgálata, a kézirat végleges változatának jóváhagyása, finanszírozás.

Összeférhetetlenség

Nem áll fenn összeférhetetlenség.

A finanszírozás forrása

Ezt a kutatást részben az Országos Egészségügyi Intézet támogatásai támogatták: R01 DK048351 (EAM), P50DK64539 (EAM), R01 AT007137 (KT), P30 DK041301, K08 DK071626 (JSL) és R03 DK084169 (JSL). A kísérleti vizsgálatokat az Ahmanson-Lovelace Brain Mapping Center (UCLA) szolgáltatta.

Referenciák

  • Bray S., Chang C., Hoeft F. Többváltozós mintaosztályozási elemzések alkalmazása az egészséges és klinikai populációk fejlődési idegképzésében. Elülső. Zümmögés. Neurosci. 2009; 3: 32. 19893761 [PubMed]
  • Brooks SJ, Cedernaes J., Schiöth HB Megnövekedett prefrontális és parahippocampális aktiváció csökkent dorsolaterális prefrontális és szigetelt cortex aktiválással az elhízásban az élelmiszer-képekre: az fMRI vizsgálatok meta-elemzése. PLOS ONE. 2013; 8 (4): e60393. 23593210 [PubMed]
  • Calton MA, Vaisse C. A közös változatok szerepének csökkentése az elhízás genetikai hajlamában. Genome Med. 2009, 1 (3): 31. 19341502 [PubMed]
  • Cazettes F., Cohen JI, Yau PL, Talbot H., Convit A. Az elhízás által közvetített gyulladás károsíthatja az agy áramkört, amely szabályozza az ételt. Brain Res. 2011; 1373: 101-109. 21146506 [PubMed]
  • Betegségellenőrzési Központ (CDC) Túlsúly és elhízás. 2014. ÉN.
  • Chiang MC, Barysheva M., Toga AW, Medland SE, Hansell NK, James MR, McMahon KL, de Zubicaray GI, Martin NG, Wright MJ, Thompson PM BDNF gén hatása az agyi áramkörre, amelyet az 455 ikrekben replikáltak. Neuroimage. 2011;55(2):448–454. [PubMed]
  • H. Choquet, Meyre D. Az elhízás genetikája: mit tanultunk? Akt. Genomics. 2011;12(3):169–179. 22043165 [PubMed]
  • Connolly L., Coveleskie K., Kilpatrick LA, Labus JS, Ebrat B., Stains J., Jiang Z., Tillisch K., Raybould HE, Mayer EA Különbségek az agyi válaszok között a sovány és az elhízott nők között egy édesített italhoz. Neurogastroenterol. Motil. 2013;25(7):579-e460. 23566308 [PubMed]
  • Cox AJ, West NP, Cripps AW Elhízás, gyulladás és a bél mikrobiota. Lancet Diabetes Endocrinol. 2014 25066177 [PubMed]
  • Critchley HD, Nagai Y., Grey MA, Mathias CJ Az autonóm kontrollcsoport tengelyeinek szétválasztása az emberekben: betekintés az idegképződésből. Autón. Neurosci. 2011;161(1–2):34–42. 20926356 [PubMed]
  • Dale AM, Fischl B., Sereno MI Kortikális felületi analízis. I. Szegmentáció és felszíni rekonstrukció. Neuroimage. 1999;9(2):179–194. 9931268 [PubMed]
  • Das UN elhízás: gének, agy, bél és környezet. Táplálás. 2010;26(5):459–473. 20022465 [PubMed]
  • Debette S., Beiser A., ​​Hoffmann U., Decarli C., O'Donnell CJ, Massaro JM, Au R., Himali JJ, Wolf PA, Fox CS, Seshadri S. Visceral zsír az alacsonyabb agyi térfogathoz kapcsolódik az egészséges középkorú felnőttek. Ann. Neurol. 2010;68(2):136–144. 20695006 [PubMed]
  • Destrieux C., Fischl B., Dale A., Halgren E. Az emberi kortikális gyri és szulciák automatikus törlése standard anatómiai nómenklatúrával. Neuroimage. 2010;53(1):1–15. 20547229 [PubMed]
  • Dubois L., Ohm Kyvik K., Girard M., Tatone-Tokuda F., Pérusse D., Hjelmborg J., Skytthe A., Rasmussen F., Wright MJ, Lichtenstein P., Martin NG Genetikai és környezeti hozzájárulások a tömeghez , magasság és BMI a születéstől az 19 évig: egy 12,000 ikerpárok nemzetközi tanulmánya. PLOS ONE. 2012; 7 (2): e30153. 22347368 [PubMed]
  • El-Sayed Moustafa JS, Froguel P. Az elhízás genetikájától a személyre szabott elhízáskezelés jövőjéig. Nat. Endocrinol. 2013;9(7):402–413. 23529041 [PubMed]
  • Finkelstein EA, Trogdon JG, Cohen JW, Dietz W. Az elhízáshoz kapcsolódó éves egészségügyi kiadások: a kifizető és a szolgáltatás-specifikus becslések. Egészségügy (Millwood) 2009;28(5):w822–w831. 19635784 [PubMed]
  • Fischl B., Salat DH, Busa E., Albert M., Dieterich M., Haselgrove C., van der Kouwe A., Killiany R., Kennedy D., Klaveness S., Montillo A., Makris N., Rosen B., Dale AM ​​Teljes agyszegmentáció: az emberi agyban a neuroanatómiai struktúrák automatikus jelölése. Idegsejt. 2002;33(3):341–355. 11832223 [PubMed]
  • Fischl B., Sereno MI, Dale AM ​​Kortikális felületi analízis. II: az infláció, az egyengetés és a felületi koordinátarendszer. Neuroimage. 1999;9(2):195–207. 9931269 [PubMed]
  • García-García I., Jurado M., M. Garolera, B. Segura, Sala-Llonch R., Marqués-Iturria I., Pueyo R., Sender-Palacios MJ, Vernet-Vernet M., Narberhaus A., M. Ariza, Junqué C. Az elhízás megjelenési hálózatának változásai: pihenő állapotú fMRI vizsgálat. Zümmögés. Mapp agy. 2013;34(11):2786–2797. 22522963 [PubMed]
  • Greenberg JA, Boozer CN, Geliebter A. Kávé, cukorbetegség és súlykontroll. Am. J. Clin. Nutr. 2006;84(4):682–693. 17023692 [PubMed]
  • Gregor MF, Hotamisligil GS Gyulladásos mechanizmusok az elhízásban. Annu. Immunol. 2011; 29: 415-445. 21219177 [PubMed]
  • Griffin WS Gyulladás és neurodegeneratív betegségek. Am. J. Clin. Nutr. 2006;83(2):470S–474S. 16470015 [PubMed]
  • Gunstad J., Lhotsky A., Wendell CR, Ferrucci L., Zonderman AB Az elhízás és kognitív funkció longitudinális vizsgálata: a Baltimore longitudinális öregedésvizsgálat eredménye. Neuroepidemiology. 2010;34(4):222–229. 20299802 [PubMed]
  • Gunstad J., Paul RH, Cohen RA, Tate DF, Gordon E. Az elhízás a fiatal és középkorú felnőttek memóriahiányával jár. Eszik. Súlyzavar. 2006;11(1):e15–e19. 16801734 [PubMed]
  • Gunstad J., Paul RH, Cohen RA, Tate DF, Spitznagel MB, Gordon E. A megnövekedett testtömeg-index a vezetői diszfunkcióhoz kapcsolódik, egyébként egészséges felnőtteknél. Compr. Pszichiátria. 2007;48(1):57–61. 17145283 [PubMed]
  • Gunstad J., Spitznagel MB, Paul RH, Cohen RA, Kohn M., Luyster FS, Clark R., Williams LM, Gordon E. Testtömeg-index és neuropszichológiai funkció egészséges gyermekeknél és serdülőknél. Étvágy. 2008;50(2–3):246–251. 17761359 [PubMed]
  • Irimia A., Chambers MC, Torgerson CM, Van Horn JD Az emberi kortikális hálózatok körkörös ábrázolása az alany és a populáció szintű összekapcsolódás megjelenítésére. Neuroimage. 2012;60(2):1340–1351. 22305988 [PubMed]
  • Jang SH, Lim HW, Yeo SS Az intralamináris thalamic magok neurális kapcsolata az emberi agyban: diffúziós tenzor traktográfiás vizsgálat. Neurosci. Lett. 2014; 579: 140-144. 25058432 [PubMed]
  • Kahnt T., Heinzle J., Park SQ, Haynes JD Az emberi orbitofrontális kéregben a jutalom előrejelzés neurális kódja. Proc. Nati. Acad. Sci. US A. 2010;107(13):6010–6015. 20231475 [PubMed]
  • Kenny PJ Jutalmazási mechanizmusok az elhízásban: új ismeretek és jövőbeli irányok. Idegsejt. 2011;69(4):664–679. 21338878 [PubMed]
  • Kilpatrick LA, Coveleskie K., Connolly L., Labus JS, Ebrat B., Stains J., Jiang Z., Suyenobu BY, Raybould HE, Tillisch K., Mayer EA A szacharóz lenyelésének hatása az agytörzsi és hipotalamikus belső oszcillációkra sovány és elhízott nők. Gastroenterology. 2014;146(5):1212–1221. 24480616 [PubMed]
  • Kullmann S., Heni M., Veit R., Ketterer C., Schick F., Häring HU, Fritsche A., Preissl H. Az elhízott agy: a testtömegindex és az inzulinérzékenység összefüggése a nyugalmi állapotú hálózati funkcionális kapcsolattal. Zümmögés. Mapp agy. 2012;33(5):1052–1061. 21520345 [PubMed]
  • Kurth F., Levitt JG, Phillips OR, Luders E., Woods RP, Mazziotta JC, Toga AW, Narr KL A szürke anyag, a testtömeg-index és a derékkörméretek közötti kapcsolat egészséges felnőttekben. Zümmögés. Mapp agy. 2013;34(7):1737–1746. 22419507 [PubMed]
  • Lê Cao KA, Boitard S., Besse P. Sparse PLS diszkrimináns elemzés: biológiailag releváns funkciók kiválasztása és grafikus megjelenítés a többosztályú problémákhoz. BMC Bioinformatika. 2011; 12: 253. 21693065 [PubMed]
  • Lê Cao KA, González I., Déjean S. integrOmics: egy R csomag a két omika adatkészlet közötti kapcsolat feloldásához. Biolnformatics. 2009;25(21):2855–2856. 19706745 [PubMed]
  • Lê Cao KA, Martin PG, Robert-Granié C., Besse P. Ritka kanonikus módszerek a biológiai adatok integrálására: alkalmazás a platformok közötti vizsgálathoz. BMC Bioinformatika. 2009; 10: 34. 19171069 [PubMed]
  • Lê Cao KA, Rossouw D., Robert-Granié C., Besse P. Egy ritka PLS a változó szelekcióhoz az omics adatok integrálásakor. Statisztika. Appl. Közönséges petymeg. Mol. Biol. 2008, 7 (1): 35. 19049491 [PubMed]
  • Lê Cao KA, Rossouw D., Robert-Granié C., Besse P. Egy ritka PLS a változó szelekcióhoz az omics adatok integrálásakor. Statisztika. Appl. Közönséges petymeg. Mol. Biol. 2008, 7 (1): 35. 19049491 [PubMed]
  • Loveman E., Frampton GK, Shepherd J., Picot J., Cooper K., Bryant J., Welch K., Clegg A. A felnőttek hosszú távú súlykezelési rendszereinek klinikai hatékonysága és költséghatékonysága: szisztematikus felülvizsgálat . Egészség Technol. Értékeljük. 2011;15(2):1–182. 21247515 [PubMed]
  • Menon V., Uddin LQ Sűrűség, kapcsolás, figyelem és vezérlés: az Insula funkció hálózati modellje. Agy struktúra. Funct. 2010;214(5–6):655–667. 20512370 [PubMed]
  • Mori S., Crain BJ, Chacko VP, van Zijl PC Mágneses rezonancia leképezéssel az agyban az axonális vetülések háromdimenziós nyomon követése. Ann. Neurol. 1999;45(2):265–269. 9989633 [PubMed]
  • Morrow JD, Maren S., Robinson TE Egyéni ingadozás az ösztönző érdeklődésnek az étvágygerjesztő cue-hoz való hozzárendelésének hajlamában azt sugallja, hogy hajlamos a motivációs vonzalmat egy averzív cue-nak tulajdonítani. Behav. Brain Res. 2011;220(1):238–243. 21316397 [PubMed]
  • Pannacciulli N., Del Parigi A., Chen K., Le DS, Reiman EM, Tataranni PA Agyi rendellenességek az emberi elhízásban: egy voxel-alapú morfometriai vizsgálat. Neuroimage. 2006;31(4):1419–1425. 16545583 [PubMed]
  • Purnell JQ, Lahna DL, Samuels MH, Rooney WD, Hoffman WF A pons-to-hypothalamikus fehéranyag sávok elvesztése az agytörzsben. Int J Obes (Lond) 2014; 38: 1573-1577. 24727578 [PubMed]
  • Raji CA, Ho AJ, Parikshak NN, Becker JT, Lopez OL, Kuller LH, Hua X., Leow AD, Toga AW, Thompson PM Brain struktúra és elhízás. Zümmögés. Mapp agy. 2010;31(3):353–364. 19662657 [PubMed]
  • Rothemund Y., Preuschhof C., Bohner G., Bauknecht HC, Klingebiel R., Flor H., Klapp BF A dorsalis striatum differenciált aktiválása magas kalóriatartalmú vizuális étel ingerekkel az elhízott egyénekben. Neuroimage. 2007;37(2):410–421. 17566768 [PubMed]
  • Seeley WW, Menon V., Schatzberg AF, Keller J., Glover GH, Kenna H., Reiss AL, Greicius MD. J. Neurosci. 2007;27(9):2349–2356. 17329432 [PubMed]
  • Seeley WW, Menon V., Schatzberg AF, Keller J., Glover GH, Kenna H., Reiss AL, Greicius MD. J. Neurosci. 2007;27(9):2349–2356. 17329432 [PubMed]
  • Sheehan DV, Lecrubier Y., Sheehan KH, Amorim P., Janavs J., Weiller E., Hergueta T., Baker R., Dunbar GC A Mini-International neuropszichiátriai interjú (MINI): a strukturált diagnosztika kidolgozása és validálása pszichiátriai interjú a DSM-IV és az ICD-10 számára. J. Clin. Pszichiátria. 1998;59(Suppl. 20):22–33. 9881538 [Quiz 34 – 57] [PubMed]
  • Shott ME, Cornier MA, Mittal VA, Pryor TL, Orr JM, Brown MS, Frank GK Orbitofrontális kéreg térfogata és agy jutalmi válasz az elhízásban. Int J Obes (Lond) 2014 25027223 [PMC ingyenes cikk] [PubMed]
  • Stanek KM, Grieve SM, Brickman AM, Korgaonkar MS, Paul RH, Cohen RA, Gunstad JJ Az elhízás az egészséges egészséges felnőttek fehérje integritásának csökkenésével jár. Elhízás (ezüst tavasz) 2011;19(3):500–504. 21183934 [PubMed]
  • E. Stice, Yokum S., Burger KS, Epstein LH, Small DM Az elhízás veszélyével fenyegetett fiatalok a striatális és szomatoszenzoros régiók fokozottabb aktiválódását mutatják az élelmiszerekben. J. Neurosci. 2011;31(12):4360–4366. 21430137 [PubMed]
  • Stoeckel LE, Weller RE, Cook EW, 3rd, Twieg DB, Knowlton RC, Cox JE A magas kalóriatartalmú élelmiszerek képeire válaszul elterjedt jutalom-rendszer aktiválás az elhízott nőkben. Neuroimage. 2008;41(2):636–647. 18413289 [PubMed]
  • Sullivan EV, Rohlfing T., Pfefferbaum A. A normális felnőttkori agyi agyi mikroszerkezet hosszirányú vizsgálata kvantitatív DTI rostkövetéssel. Dev. Neuropsychol. 2010;35(3):233–256. 20446131 [PubMed]
  • Terranova L., Busetto L., Vestri A., Zappa MA Bariatric sebészet: költséghatékonyság és költségvetési hatás. Obes. Surg. 2012;22(4):646–653. 22290621 [PubMed]
  • Volkow ND, Frascella J., Friedman J., Saper CB, Baldo B., Rolls ET, Mennella JA, Dallman MF, Wang GJ, LeFur G. Az elhízás neurobiológiája: kapcsolatok a függőséghez. Neuropsychop. 2004; 29: S29-S30.
  • Volkow ND, Wang GJ, Baler RD Jutalom, dopamin és az élelmiszer bevitelének ellenőrzése: az elhízás következményei. Trendek Cogn. Sci. 2011;15(1):37–46. 21109477 [PubMed]
  • Volkow ND, Wang GJ, Fowler JS, Telang F. Átfedő idegsejtek a függőségben és az elhízásban: a rendszerek patológiájának bizonyítéka. Philos. Trans. R. Soc. Lond., B, Biol. Sci. 2008;363(1507):3191–3200. 18640912 [PubMed]
  • Egészségügyi Világszervezet (WHO) Elhízás. 2014. ÉN.
  • Xu J., Li Y., Lin H., Sinha R., Potenza MN A testtömegindex negatívan korrelál a fehér anyag integritásával a fornix és corpus callosumban: diffúziós tenzor képalkotó vizsgálat. Zümmögés. Mapp agy. 2013;34(5):1044–1052. 22139809 [PubMed]
  • Yau PL, Javier DC, Ryan CM, Tsui WH, Ardekani BA, Ten S., Convit A. Előzetes bizonyíték az 2 típusú diabetes mellitusban szenvedő elhízott serdülők agyi szövődményeire. Diabetologia. 2010;53(11):2298–2306. 20668831 [PubMed]
  • Yau PL, Kang EH, Javier DC, Convit A. Előzetes bizonyíték a kognitív és agyi rendellenességekről a nem komplikált serdülők elhízásában. Elhízás (ezüst tavasz) 2014;22(8):1865–1871. 24891029 [PubMed]
  • Zald DH Az emberi amygdala és az érzelmi ingerek érzelmi értékelése. Brain Res. Brain Res. Fordulat. 2003;41(1):88–123. 12505650 [PubMed]
  • Zigmond AS, Snaith RP A kórházi szorongás és depresszió. Acta Psychiatr. Scand. 1983;67(6):361–370. 6880820 [PubMed]