Megszakadt agyi funkcionális hálózat az internet-függőség rendellenességében: pihenőállapotú funkcionális mágneses rezonancia képalkotó vizsgálat (2014)

Absztrakt

Az internetes függőségi rendellenességet (IAD) egyre inkább mentális egészségügyi rendellenességnek tekintik, különösen a serdülők körében. Az IAD-val kapcsolatos patogenezis azonban továbbra sem tisztázott. Ebben a tanulmányban arra törekszünk, hogy a funkcionális mágneses rezonancia képalkotó adatok segítségével feltérképezzük az IAD serdülők encephalic funkcionális tulajdonságait. Grafikon-elméleti megközelítést alkalmaztunk a funkcionális összeköttetések esetleges zavarainak feltárására a hálózati tulajdonságok szempontjából, ideértve a kicsi világosságot, a hatékonyságot és a csomópontosságot az 17 serdülőknél, IAD és 16 szociodemográfiailag illesztett egészséges kontrollokkal. A csoportszintű hálózati topológiai különbségek statisztikai szignifikanciájának értékeléséhez hamis felfedezési arányokkal korrigált paraméteres teszteket végeztünk. Ezen túlmenően korrelációs elemzést végeztek a funkcionális összekapcsolhatóság és az IAD csoport klinikai mérései közötti kapcsolat felmérésére. Eredményeink azt mutatják, hogy az IAD-s betegek funkcionális összekötődésében jelentős zavarok mutatkoznak, különös tekintettel a frontális, az okklitális és a parietális lebenyek régióira. Az érintett kapcsolatok nagy hatótávolságú és félgömbök közötti kapcsolatok. Noha a regionális csomópontok metrikájában jelentős változások figyelhetők meg, a globális hálózati topológiában nincs különbség az IAD és az egészséges csoportok között. Ezenkívül a korrelációs elemzés azt mutatja, hogy a megfigyelt regionális rendellenességek összefüggenek az IAD súlyosságának és a viselkedés klinikai értékelésével. Megállapításaink, amelyek viszonylag konzisztensek az anatómiai és a funkcionálisan meghatározott atlaszok között, arra utalnak, hogy az IAD megzavarja a funkcionális összekapcsolódást, és ami még fontos, hogy ezek a zavarások kapcsolódhatnak a viselkedés károsodásához.

Idézet: Wee CY, Zhao Z, Yap PT, Wu G, Shi F és mtsai. (2014) Sérült agyi funkcionális hálózat az internetes függőségi rendellenességekben: nyugalmi állapotú funkcionális mágneses rezonancia képalkotó vizsgálat. PLOS ONE 9 (9): e107306. doi: 10.1371 / journal.pone.0107306

Szerkesztő: Satoru Hayasaka, Wake Forest Orvostudományi Iskola, Amerikai Egyesült Államok

kapott: Január 20, 2014; Elfogadott: Augusztus 11, 2014; Megjelent: 16. szeptember 2014.

Copyright: © 2014 Wee et al. Ez egy nyílt hozzáférésű cikk, amelyet a Creative Commons Attribution licenc, amely lehetővé teszi a korlátlan felhasználást, terjesztést és reprodukciót bármilyen médiumban, feltéve, hogy az eredeti szerzőt és forrást jóváírják.

finanszírozás: Ezt a munkát részben a Nemzeti Egészségügyi Intézetek (NIH), az EB006733, EB008374, EB009634, AG041721 és CA140413 támogatások, valamint a Kínai Nemzeti Természettudományi Alapítvány (81171325) és a Nemzeti Kulcsfontosságú Technológiai K + F Program 2007BAI17B03 támogatta. A finanszírozóknak nem volt szerepük a tanulmányok tervezésében, adatgyűjtésben és elemzésben, a közzétételre vonatkozó döntésben vagy a kézirat elkészítésében.

Versenyképes érdekek: A szerzők kijelentették, hogy nincsenek versengő érdekek.

Bevezetés

Úgy tűnik, hogy az internet túlzott használata megváltozott társadalmi-viselkedési tulajdonságokhoz vezethet, amelyek hasonlóak az anyagfüggőséghez és a kóros szerencsejátékhoz [1], [2]. Az internethasználók számának növekedése miatt az elmúlt évtizedekben ezt a problémát egyre inkább súlyos közegészségügyi kérdésnek tekintik [3]. Az internetes és általában a számítógépes függőségek széles körben elterjedt jelenségnek tűnnek, és milliókat érintenek az Egyesült Államokban és külföldön, a legmagasabb előfordulási arány az ázsiai fejlődő régiók serdüléseiben és főiskolai hallgatókban fordul elő. [3]-[7]. Az internet túlzott expozíciójának hatása a fiatal felnőttkorban különösen klinikai és társadalmi jelentőséggel bír, mivel a serdülőkor a neurobiológiában a döntéshozatalhoz kapcsolódó jelentős változások periódusa. [8] és ezáltal nagyobb érzékenységet mutat az érzelmi rendellenességekre és a függőségre [9]-[11]. Mivel Young dolgozott [2], az internetfüggőség jelentős figyelmet fordított a szociológusok, pszichológusok, pszichiáterek és oktatók körében.

Az internethasználathoz kapcsolódó viselkedési problémák klinikai jellemzőit különféle diagnosztikai kritériumok, például az internet-függőség rendellenessége (IAD) alapján ismertetik. [12], kóros internethasználat [13], valamint a problémás internethasználat [14]. Az IAD-t impulzus-szabályozó rendellenességnek minősítették, mivel magában foglalja a rosszindulatú internethasználatot bármilyen mérgezőszer nélkül, hasonlóan a kóros szerencsejátékhoz. Az IAD a többi függőség hasonló tulajdonságait fejezi ki, ideértve az addiktív viselkedés, valamint a személyes és családi kapcsolatok kialakításával és fenntartásával kapcsolatos problémák eredményeként kialakult akadémiai, pénzügyi és foglalkozási nehézségeket. Az IAD-ban szenvedők több időt töltenek el a magányban, ami viszont befolyásolja normális társadalmi működésüket. A legrosszabb esetekben a betegek fizikai kellemetlenségeket vagy egészségügyi problémákat tapasztalhatnak, mint például a carpalis alagút szindróma, száraz szem, hátfájás, súlyos fejfájás, étkezési rendellenességek és zavart alvás. [15], [16]. Sőt, a betegek gyakran rezisztensek az IAD kezelésére és magas a visszaesés arányuk [17], és sokuk más szenvedélybetegségeket is szenved, például drogfüggőség, alkohol, szerencsejáték vagy szex [18].

Bár az IAD-t még nem tekintik függőségnek vagy mentális rendellenességnek a DSM-5-ben [19], bőségesen tanulmányok készülnek, elsősorban az önkéntes pszichológiai kérdőíveken alapulva, amelyek negatív következményeket mutatnak a napi életben a viselkedéskomponensek, pszichoszociális tényezők, a tünetkezelés, a pszichiátriai komorbiditás, a klinikai diagnózis és a kezelés eredményei szempontjából [6], [20]-[23]. Ezen viselkedésen alapuló elemzések mellett a közelmúltban neuroimaging technikákat is alkalmaztak annak feltárására, hogy a nagy internethasználat milyen hatással van az emberi agy szerkezeti és funkcionális tulajdonságaira. [7], [24]-[29]. Nyugalmi állapotú mágneses rezonancia képalkotás (R-fMRI), hatékony in vivo az agy neuronális aktivitásának vizsgálatára szolgáló eszköz, amelyet korábban alkalmaztak az IAD encephalic funkcionális tulajdonságainak lehetséges zavarainak azonosítására. [24], [26], [27], [30]. -ban [27], a regionális homogenitási (ReHo) elemzés, amely a regionális alacsony frekvenciájú ingadozások (LFF) konzisztenciáját méri az agyi hálózatokon belül, fokozottabb szinkronizációt mutatott az agyi régiók között, amelyek a jutalmazási útvonalakhoz kapcsolódnak az IAD betegekben. Az online játékfüggőséggel (OGA) szenvedő személyek hasonló tanulmánya javasolta a megnövekedett amplitúdójú LFF alkalmazását a bal oldali medialis orbitofrontalis kéregben, amelynek anatómiai kapcsolatai vannak a célirányos döntéshozatalhoz kapcsolódó több régióval, mint a betegség biomarkere. [30]. Hong és mtsai. a hálózati alapú statisztikát (NBS) felhasználta az IAD és a kontrollcsoportok közötti régiók közötti funkcionális kapcsolatok csoportbeli különbségeinek elemzésére, és az IAD csoportban megfigyelték a funkcionális összeköttetések széles körű csökkenését, nevezetesen, hogy az általános hálózati topológia nem zavarja meg az egészet [26]. Egy másik funkcionális kapcsolaton alapuló vizsgálatban az alapértelmezett hálózati kapcsolat változásait vizsgálták a posterior cingulate cortex (PCC) mint magterület felhasználásával [24]. Az eredmények azt mutatták, hogy megnövekedett funkcionális összeköttethetőség van a kétoldalú kisagy hátulsó lebenyének és a középső temporális gyrus között, valamint csökkent a kapcsolat a kétoldali alacsonyabb parietális görcs és a jobb oldali alacsonyabb ideiglenes gyrus között.

A jelen tanulmányban gráf-elméleti megközelítést alkalmazunk az IAD elemzésére R-fMRI adatok alapján. Először a funkcionális összeköttetési zavar jelentőségét értékeljük a következő segítségével: parametrikus tesztek többszörös összehasonlítási korrekcióval. Ez lehetővé teszi számunkra, hogy teljesen felfedezzük a az agy teljes funkcionális kapcsolatának mintája és a a nagyszabású hálózatok közötti kapcsolódási minták [31]. Másodszor, az IAD-vel kapcsolatos lehetséges csatlakozási zavarokat vizsgáljuk globális hálózat tulajdonságai, beleértve a kisvilági tulajdonságokat (azaz a klaszterezési együtthatót és a jellemző úthosszat) és a hálózati hatékonyságot (azaz a globális és a helyi hatékonyságot) egy kisvilágú rendszerben. Harmadszor, ugyanazon hálózati ritkasági tartomány mellett felmérjük a hálózat funkcionális fontosságát, figyelembe véve a régió és a teljes funkcionális összeköttetés kapcsolatát [32] az egyes ROI központosítási mutatói alapján. Motiváltak vagyunk arra, hogy a hálózati központosítást felhasználjuk jobb lokalizáció a zavart régiók helyi szinten. Végül felfedezzük kapcsolat a hálózati mutatók, valamint a viselkedési és a klinikai pontszámok között a résztvevők száma. A hálózati tulajdonságok és a klinikai eredmény közötti kapcsolat vizsgálata növeli ismereteinket a függőség patológiájáról, és alapvető betekintést nyújt a megbízhatóbb IAD-diagnosztikai technikák kifejlesztéséhez.

Anyagok és módszerek

A résztvevők

Harminchárom jobbkezes résztvevő, köztük 17 serdülők IAD-vel (15 férfiak és 2 nők) és 16 nem, életkor és oktatás szempontjából megfelelő egészséges kontroll (HC) alanyok (14 férfiak és 2 nők), részt vett ebben a tanulmányban. . A betegeket a sanghaji Jiao Tong Egyetem Orvostudományi Iskolájának Sanghaji Mentális Egészségügyi Központ Gyermekkori és serdülőkori pszichiátriai Tanszékéből vették fel. A kontroll alanyokat a helyi közösségből reklámozás útján toborozták. A tanulmányt a sanghaji mentálhigiénés központ orvosi kutatási etikai bizottsága és intézményi felülvizsgálati testülete hagyta jóvá a Helsinki nyilatkozattal összhangban, és teljes írásbeli, megalapozott hozzájárulást szereztek az egyes résztvevők szüleitől / gyámjaitól.

Az IAD időtartamát retrospektív diagnózis segítségével becsülték meg. Valamennyi személyt felkérték, hogy idézze fel életmódját, amikor kezdetben rabja volt az internetnek. Internetes függőségük igazolása érdekében a betegeket Beard és Wolf módosított Young's Diagnostic Questionnaire (YDQ) internetes függőségi kritériumok alapján tesztelték újra. [33], és az önjelentéses IAD megbízhatóságát a szüleikkel folytatott interjú során megerősítették. Az IAD-betegek legalább töltöttek - napi órák interneten vagy online játékokon, és - hetente. A betegek szobatársaitól és osztálytársaitól megerősítettük ezt az információt, miszerint gyakran ragaszkodtak ahhoz, hogy késő este internetezzenek, megzavarva mások életét a következmények ellenére. Ne feledje, hogy az összes páciens legalább két éven át internetfüggő volt. Az internetes függőségi kritériumok módosított YDQ-jának részleteit a Fájl S1.

Az IAD korábbi kutatásait követve [34], csak azok a HC-k, akik kevesebbet töltöttek 2 órát (töltött óra = ) naponta az interneten bekerült a jelen tanulmányba. A HC csoport költött hetente az interneten. A HC-kat a módosított YDQ kritériumokkal is tesztelték annak biztosítására, hogy ne szenvedjenek IAD-ban. Minden felvett résztvevő kínai anyanyelvű volt, és soha nem használt illegális anyagokat. Vegye figyelembe, hogy a módosított YDQ kínai nyelvre lett lefordítva a résztvevők kényelme érdekében. A diagnózis eredményeinek további igazolására egy másik IAD diagnosztikai intézkedés, a Young internetes függőségi skálája (YIAS) [35], minden résztvevő számára. A YIAS egy Dr. Kimberly Young által kidolgozott 20 elem kérdőív az internetes függőség mértékének felmérésére. Az internethasználókat három súlyossági fokozatba sorolja egy 100-pontrendszer alapján: enyhe online felhasználó ( pont), mérsékelt online felhasználó ( pont) és súlyos online felhasználó ( pontok).

Az IAD diagnosztizálása mellett a módosított YDQ és YIAS módszerrel az IAD betegek viselkedési állapotát számos viselkedéshez kapcsolódó kérdőív felhasználásával is felmérték: Barratt Impulzivitási skála-11 (BIS-11) [36], Időkezelési elrendezési skála (TMDS) [37], Erősségek és nehézségek kérdőív (SDQ) [38], és a McMaster Family Assessment Device (FAD) [39]. Az SDQ mind a gyermek, mind a szülő változatát egyaránt használtuk a vizsgálatban. E kérdőívek részleteit a Fájl S1.

A kórtörténet megkérdezése előtt minden résztvevőnek egyszerű fizikai vizsgálaton (vérnyomás- és pulzusvizsgálaton) kellett részt venniük a mozgással, emésztőrendszeri, idegrendszeri, légzési, keringési, endokrin, húgyúti és reproduktív rendszerekkel kapcsolatos fizikai rendellenességek kizárása érdekében. A kizárási kritériumok a következőket tartalmazták: 1) anamnézisében komorbid pszichiátriai és nem pszichiátriai rendellenességek, például szorongásos rendellenesség, depresszió, kompultivitás, skizofrénia, autizmus vagy bipoláris rendellenesség; 2) korábbi kábítószer-függőség vagy függőség; 3) a mozgásszervi, emésztőrendszeri, idegrendszeri, légzőszervi, keringési, endokrin, húgyúti és reproduktív rendszerekkel kapcsolatos fizikai rendellenességek; és 4) terhesség vagy menstruáció nőkben a szkennelés napján. Ez a kizárási eljárás fontos annak biztosítása érdekében, hogy a vizsgálat résztvevőit ne befolyásolják más fizikai, neurológiai vagy neuropszichiátriai rendellenességek, és ezáltal csökkenti a kapott eredmények torzulását. A részletes demográfiai információkat és a klinikai pontszámokat a Táblázat 1.

Letöltés:  

• PPT

  PowerPoint dia

• PNG

  nagyobb kép (70KB)

• TIFF

  eredeti kép (305KB)

1 táblázat. A tanulmányban résztvevők demográfiai adatai.

doi: 10.1371 / journal.pone.0107306.t001

Adatgyűjtés és előfeldolgozás

Az adatgyűjtést 3.0 Tesla szkennerrel (Philips Achieva) végeztük. Az egyes résztvevők nyugalmi állapotú képeit visszhangos idővel (TE) = 30 ms és ismétlési idővel (TR) = 2000 ms kaptuk. A mérési mátrix 64 × 64 volt, téglalap alakú FOV értéke 230 × 230 mm², és a voxel felbontása 3.59 × 3.59 × 4 mm³. A vizsgálat minden résztvevő 220 köteteit tartalmazza. Az adatgyűjtés során a résztvevőket felkérték, hogy csukott szemmel csendben feküdjenek a szkennerben. Bár nem használtunk semmilyen extra technikát vagy eszközt annak mérésére, hogy az alanyok valóban bezárták-e a szemüket, a vizsgálati alanyok megerősítették, hogy tisztában voltak és csukott szemmel tartották a letapogatás során.

Az adatok előfeldolgozását szabványos csővezeték segítségével hajtottuk végre két R-fMRI feldolgozó eszközkészletben, a DPARSF [40] és pihenni [41]. Bármely előfeldolgozás előtt az egyes alanyok első 10 R-fMRI térfogatait eldobták a mágnesezési egyensúly elérése érdekében. Az R-fMRI térfogatokat az MNI térre normalizáltuk 3 × 3 × 3 mm felbontással³. A zavaró jelek regresszióját végeztük, beleértve a kamrát, a fehér anyagot és a globális jeleket. Egyik résztvevő sem volt kizárva az 3 mm-nél nagyobb elmozdulás vagy az 3 fokot meghaladó szögforgás bármely kritérium alapján. A fejmozgás hatásainak további minimalizálása érdekében Friston 24-paraméter-korrekciót, valamint voxel-specifikus keretirányú elmozdulást (FD) használtunk. [42] 0.5 FD küszöbértékkel. A funkcionális összekapcsolhatóság becslése előtt az egyes ROI-k átlagos R-fMRI idősorát sávszűrőn szűrtük ( Hz).

Hálózatépítés és egyéni kapcsolatok elemzése

A gráfelméleti elemzést ebben a tanulmányban alkalmazták az IAD által az agyi összeköttetés funkcionális változásainak vizsgálatára a kínai serdülők egy csoportja között. A funkcionális agyhálózatokat egy olyan makroskálán alakítottuk ki, ahol a csomópontok az előre meghatározott agyrégiókat, az élek pedig a régiók közötti nyugalmi állapotú funkcionális kapcsolatot (RSFC) képviselik. A hálózati csomópontok meghatározásához az agyt elemeztük érdekes régiók (ROI-k) az fMRI képeket az automata anatómiai címkézés (AAL) atlaszába vonásával [43]. Az AAL atlaszon alapuló régiókat az S1 Fájl S1. Az egyes ROI reprezentatív idősorozatokat ezután úgy kaptuk meg, hogy a regresszált idősorozatokat átlagoljuk az egyes ROI összes voxelére vonatkoztatva. A régiók közötti RSFC mérésére kiszámoltuk a páros Pearson-korrelációt az összes lehetséges (() = 4005) A ROI párokat készített és szimmetrikus összeköttetési mátrixot készített ezeknek a kapcsolatoknak a bemutatására. Elemeztük az egyes ROI-párok közötti csoportszintű különbségeket a kapcsolat erősségének szempontjából. Az egyes funkcionális kapcsolatok szignifikáns különbségeit tömeg egyváltozós (kétirányú) módszerrel értékeltem. - a küszöbértékű tesztek és a téves felfedezési arány (FDR) javítása.

Hálózati metrikák és jellemzők elemzése

A Pearson-féle összefüggésen alapuló funkcionális kapcsolódási mátrix sűrűn kapcsolódik, sok hamis, kis szilárdságú elemmel. Az emberi agyhálózatok jobb modellezéséhez, amelyek kicsi világ tulajdonságait mutatják, az egyes egyének funkcionális kapcsolódási mátrixát tovább dolgozták fel, hogy a ritkaság tartománya a kicsi világ rendszerébe esik () [44]-[48]. Ez a rendszer biztosítja az 90 ROI-k agyhálózatainak viszonylag állandó kisvilág-jellemzőit [44]. Pontosabban, minden alany Pearson-korrelációs mátrixát binarizált szomszédsági mátrixokká konvertáltuk, , az előre meghatározott szóródás szerint, ahol minden kezdetben egyre állítják, majd a legalacsonyabb korrelációs értékeknek megfelelő elemeket ismételten nullára állítják, amíg el nem érik a szóródás bizonyos szintjét. E hálózatok alapján globális és regionális hálózati mutatókat is felhasználtunk az agyhálózatok általános architektúrájának és regionális csomópontos központi elemzéséhez csoportszintű összehasonlítás céljából. Az alkalmazott globális mutatók tartalmazták a kisvilág paramétereit, nevezetesen a klaszter-együtthatót () és a jellemző út hossz () [49], [50], valamint a globális hálózat hatékonysága () és a helyi hálózat hatékonysága (). Ezen felül véletlenszerű hálózatok segítségével kiszámoltuk ezen intézkedések normalizált változatát (és ) a felépített agyhálózatok kis világbeli tulajdonságainak biztosítása érdekében. Kis hálózatként definiáljuk a hálózatot, ha az megfelel a következő három kritériumnak: , , és a kis világ aránya, . Három csomópontos központi mutató - fok (), hatékonyság () és a közti () - az egyes agyi régiókból kiszámítottuk a funkcionális hálózat helyi jellemzőinek vizsgálatát [44], [46].

A csoportok közötti különbségek statisztikai vizsgálatához kétirányú, két mintát végeztünk - a küszöbértékű tesztek (FDR-korrekcióval) minden hálózati metrikán (globális és regionális) a kicsi világbeli rendszerből felépített minden egyes hálózati metrika görbe alatti területe (AUC) alapján [48]. Az AUC összefoglalja az agyhálózatok topológiai tulajdonságait a teljes kisvilági rendszerben, ahelyett, hogy a topológiát egyetlen szórási küszöbön vesszük figyelembe [44], [51]. Pontosabban, az egyes hálózati mutatókhoz először kiszámoltuk az egyes alanyok AUC értékét a különféle szórási szintekkel rendelkező hálózatokban, majd elvégeztünk két mintát - az IAD és az egészséges csoportok közötti csoportszintű különbség statisztikai mennyiségi meghatározása. Figyelemre méltó, hogy a statisztikai tesztek előtt több lineáris regressziót alkalmaztunk az életkor, a nem és az iskola végzettségének, valamint azok kölcsönhatásainak a eltávolítására. [31], [52]-[54].

Megbízhatóság és ismételhetőség a funkcionális atlasz segítségével

A jelen tanulmányban a funkcionális összeköttetési hálózatokat regionális szinten építették ki úgy, hogy az egész agyat 90 ROI-kba sorolják az AAL atlasz alapján. Ugyanakkor arról is beszámoltak, hogy a különböző parcellázási sémákból származó vagy eltérő térbeli skálákat használó agyi hálózatok különálló topológiai architektúrákat mutathatnak [55]-[57]. Eredményeink megbízhatóságának és megismételhetőségének értékeléséhez megismételtük a kísérleteket a Dosenbach funkcionális atlasza segítségével [58], amely felosztja az emberi agyat 160 ROI-kba, ideértve a kisajt. Ebben az atlaszban az egyes ROI-k 10 mm átmérőjű négyzetként vannak meghatározva, amely körülveszi a kiválasztott vetőpontot, és az összes ROI-központ közötti távolság legalább 10 mm, térbeli átfedés nélkül, vagyis egyes agyi területeket nem fedezi a ROI-k halmaza.

A hálózati mutatók és a viselkedési pontok közötti kapcsolatok

Azokban a régiókban (az AAL atlasz alapján), amelyek jelentős csoportszintű különbségeket mutatnak a regionális csomópont-központosságban, Pearson-korrelációt alkalmaztunk (, FDR javítva) az egyes régiók hálózati tulajdonságai és az egyén viselkedési pontszámai közötti kapcsolatok elemzéséhez. Pontosabban, a korrelációs elemzés során a hálózati mutatókat függő változókként, míg a viselkedési pontszámokat, azaz a BIS-11, TMDS, SDQ és FAD független változóként kezeltük. Az érintett agyrégiók és a betegség súlyossága közötti kapcsolat további megértése érdekében kiszámítottuk a Pearson-korrelációs együtthatót a hálózati jellemzők és a YIAS-pontszámok között.

Eredmények

Demográfiai és klinikai jellemzők

Nincs szignifikáns különbség az életkor, a nem és az iskolai végzettség szempontjából (mind a ) az IAD és a HC csoportok között. Jelentős különbségek vannak az internethasználat szempontjából a heti napok tekintetében () és napi órák (). Míg a BIS-11 és a TMDS pontszámok között nincs szignifikáns különbség a csoportok között (mindegyik a ), az SDQ-P (), SDQ-C () és a FAD () pontszámok szignifikánsan magasabbak az IAD csoportban, amint azt a Táblázat 1 és a ábra 1. Nevezetesen, a YIAS (), az IAD osztályozásához használt klinikai mérőszám, a legszignifikánsabb csoportszintű különbséget mutatja.

Letöltés:  

• PPT

  PowerPoint dia

• PNG

  nagyobb kép (35KB)

• TIFF

  eredeti kép (246KB)

1 ábra. A csoportok közötti különbségek a klinikai és viselkedésbeli intézkedések szempontjából.

(YIAS = Young internetes függőségi skálája, BIS-11 = Barratt impulzivitási skála-11, TMDS = időgazdálkodási diszpozíció skála, SDQ-P = erősségek és nehézségek kérdőív szülő verziója, SDQ-C = erősségek és nehézségek kérdőív gyermek verzió, FAD = McMaster Családértékelő eszköz).

doi: 10.1371 / journal.pone.0107306.g001

Egyéni funkcionális kapcsolat

A HC csoporthoz képest csak három funkcionális kapcsolat alakult ki jelentős változást az FDR korrekció után. Két félgömb közötti összeköttetés, az egyik a bal szögletes gyrus (parietális lebeny) és a jobb középső orbitofrontalis kéreg (elülső lebeny), a másik a bal fusiform gyrus (okkipitalis lebeny) és a jobb szögletes gyrus (parietális lebeny) között, fokozott kapcsolódási erőt mutat IAD betegek. Az egyik féltekén belüli kapcsolat a jobb caudate (subkortikális cortex) és a jobb supramarginális gyrus (parietális lebeny) között csökkentett kapcsolatot mutat a betegségcsoportban. Ezeket a jelentősen megváltozott funkcionális kapcsolatokat a következők mutatják be ábra 2. A vörös és a kék színű kapcsolatok a megnövekedett és a csökkent funkcionális összeköttetéseket jelölik az IAD csoportban. Vegye figyelembe, hogy a legtöbb érintett funkcionális kapcsolat a jobb féltekén és a parietális lebenyben található régiókra vonatkozik.

Letöltés:  

• PPT

  PowerPoint dia

• PNG

  nagyobb kép (1.7MB)

• TIFF

  eredeti kép (1.82MB)

2 ábra. Jelentősen megváltozott funkcionális kapcsolatok IAD-betegekben (FDR-korrekcióval).

Piros: fokozott funkcionális kapcsolat, kék: csökkent funkcionális kapcsolat. (FRO: Frontális, INS: Insula, TEM: Időbeli, PAR: Parietal, OCC: Occipital, LIM: Limbic, SBC: Subcortical). Ezt a megjelenítést a BrainNet Viewer csomag használatával hozták létre (http://www.nitrc.org/projects/bnv) és a Circos (http://circos.ca/).

doi: 10.1371 / journal.pone.0107306.g002

A funkcionális hálózatok globális jellemzői

Megvizsgáltuk a belső funkcionális agyi hálózatok topológiai tulajdonságait, összehasonlítva kisvilágbeli viselkedésüket összehasonlítható véletlenszerű hálózatokkal több hálózati szórásszinten, . Különösen a kisvilág paramétereit vizsgáltuk (pl. Klaszter-együttható, jellemző út hossz és kis világ-arány, ), valamint a globális és helyi hatékonyságot. A tanulmányban alkalmazott véletlenszerű hálózatok megőrizték a csomópontok és élek számát, valamint a valódi agyi hálózatok fokbeli eloszlását a kérdéses újravezetési technikán keresztül. [59]. Statisztikai elemzések két mintával -tesztek, Az FDR javítva) az AUC-értékeknél a kisvilági rendszerben nem mutatott szignifikáns különbséget az IAD és a HC csoportok között a globális hálózat tulajdonságai szempontjából.

A funkcionális hálózatok regionális csomópontjellemzői

A közös kicsi világ topológiája ellenére jelentős csoportszintű különbségek voltak megfigyelhetők a regionális csomópont-központosításban. Ebben a tanulmányban úgy gondoljuk, hogy az agyrégió jelentősen megváltozott az IAD csoportban, ha a három regionális csomópontmérőjének legalább egyikének van -érték kisebb, mint az 0.05 (FDR-vel javítva), az AUC-értékek alapján. Táblázat 2 összefoglalja azokat a régiókat, amelyek jelentősen megváltoztak az IAD betegekben. A HC csoporthoz viszonyítva az IAD betegekben főként a bal alsóbb parietális lobuleban (IPL), a bal thalamusban (THA) és más régiókban, például a limbikus rendszerben, elsősorban a jobb első elülső cingulate gyrusban (ACG) és a jobb oldalon helyezkedtek el a csomópont centrális változásai. középső cingulate gyrus (MCG). Nevezetesen, az IPL és az ACG az alapértelmezett módú hálózat (DMN) alkotóelemei, amelyeket korábban a megváltozott összekapcsolhatósághoz kapcsoltak az anyagfüggőséghez [60]-[62].

Letöltés:  

• PPT

  PowerPoint dia

• PNG

  nagyobb kép (38KB)

• TIFF

  eredeti kép (169KB)

2 táblázat. Azok a régiók, amelyekben az IAD betegekben rendellenes csomópontosság figyelhető meg, összehasonlítva az egészséges kontrollokkal (HC) az AAL atlasz alapján.

doi: 10.1371 / journal.pone.0107306.t002

Megbízhatóság és ismételhetőség a funkcionális atlasz segítségével

Amikor a Dosenbach atlaszát használják a ROI meghatározására, jelentős csoportkülönbségek figyelhetők meg elsősorban a cerebellemmel való frontális és parietális kapcsolatokban. Ezeket a megállapításokat a Táblázat 3. Bár ezek a kapcsolatok különböznek az AAL atlasz alapján azonosítottól, a legtöbb zavart kapcsolat ugyanazon agyi lebenyen történik, kivéve a kisagy régiókat. A globális hálózati mutatók tekintetében nem találtunk különbséget az IAD és a HC csoportok között, hasonlóan az AAL atlaszon alapuló eredményekhez. A helyi hálózati mutatóknál azt találtuk, hogy az azonosított régiók egy része az AAL atlasz alapján azonosított régiókhoz közel helyezkedik el, például az ACG és a THA, amint azt az Táblázat 4.

Letöltés:  

• PPT

  PowerPoint dia

• PNG

  nagyobb kép (119KB)

• TIFF

  eredeti kép (370KB)

3 táblázat. Funkcionális kapcsolatok az IAD egyénekben, akik jelentős változásokat tapasztaltak a Dosenbach-atlasz alapján.

doi: 10.1371 / journal.pone.0107306.t003

Letöltés:  

• PPT

  PowerPoint dia

• PNG

  nagyobb kép (37KB)

• TIFF

  eredeti kép (167KB)

4. táblázat: A kóros centrális centrumokat mutató régiók az IAD betegeknél az egészséges kontrollokkal (HC) összehasonlítva a Dosenbach-atlasz alapján.

doi: 10.1371 / journal.pone.0107306.t004

A hálózati metrikák és a viselkedési intézkedések közötti kapcsolatok

Nincs jelentős (, Az FDR-vel javítva) a globális hálózati mutatók (, , és ) és viselkedési és klinikai pontszámokat. Több régió regionális csomópont-mutatói azonban jelentősen eltérnek (, FDR korrekcióval) összefüggésben volt a viselkedési és klinikai pontszámokkal. A jobb ACG pozitív korrelációban van a YIAS pontszámmal. A jobb MCG pozitív korrelációban van a YIAS pontszámmal. A bal oldali THA pozitív korrelációban van a YIAS és az SDQ-P pontszámokkal. A bal oldali IPL azonban nincs szignifikáns korrelációban semmilyen viselkedési vagy klinikai pontszámmal. Az agyrégiók, amelyek szignifikánsan korrelálnak a viselkedési és klinikai pontszámokkal, a ábra 3.

Letöltés:  

• PPT

  PowerPoint dia

• PNG

  nagyobb kép (1.23MB)

• TIFF

  eredeti kép (1.36MB)

3 ábra. Az agyrégiók, amelyek szignifikánsan korrelálnak az IAD csoport viselkedési és klinikai pontszámaival (FDR-korrekcióval).

Ez az ábra a BrainNet Viewer csomag használatával készült (http://www.nitrc.org/projects/bnv). (YIAS = Young internetes függőségi mutatója, BIS-11 = Barratt impulzivitási skála-11, TMDS = időgazdálkodási diszpozíciós skála, SDQ-P = erősségek és nehézségek kérdőív szülő verziója, SDQ-C = erősségek és nehézségek kérdőíves gyerekváltozata.).

doi: 10.1371 / journal.pone.0107306.g003

Megbeszélés

Az egyéni funkcionális kapcsolat változásai

Az emberi agy fejlődésének mechanizmusába való betekintés fontos a gyermekeket és serdülőket érintő rendellenességek kóros hátterének jobb megértéséhez, ami a korai kezeléshez vezethet. Az R-fMRI adatok grafikonelméleti elemzése alapján felvetették, hogy az emberi agy funkcionális szervezete érlelődik és fejlődik gyermekkortól serdülőkortól felnőttkorig egy egyedi trend - nagyobb funkcionális szegregáció gyermekeknél és nagyobb funkcionális integráció felnőtteknél - követésével. az egész agy szintje [63]-[66]. Különösen a funkcionális agyi hálózatok szervezése vált át a helyi kapcsolatokról egy szélesebb körű architektúrára a fejlesztés során [63], [66], ahol a felnőttek általában gyengébb rövid hatótávolságú funkcionális kapcsolattal és erősebb nagy hatótávolságú funkcionális kapcsolattal rendelkeznek, mint a gyerekek [65].

Megállapításaink azt mutatják, hogy az IAD-ban megfigyelt zavart kapcsolatok, bár csak kevés az FDR korrekció után, nagy távolságú és félgömbök közötti funkcionális kapcsolatok, amelyek fontosak az emberi agy távolsági kommunikációjában. A távolsági és a félgömbök közötti kapcsolat megszakadása sok viselkedési rendellenesség, köztük az autizmus általános tünete. [67]-[70], skizofrénia [71], opioid-függőség [72], [73]és a kokainfüggőség [74]. A nagy távolságú kapcsolatok romlása az integráció folyamatának kudarcának tekinthető az emberi agy elosztott funkcionális hálózatán belül [63], [64], [75], eltérés a normál idegrendszeri fejlődési pályától. Ezért feltételezzük, hogy a távolsági és félgömbök közötti összefüggések abnormális kialakulása az IAD serdülőknél, amelyet ebben a tanulmányban megfigyeltünk, az addiktív viselkedés egyik lehetséges oka.

A globális hálózati tulajdonságok változásai

Az emberi agyat összetett és nagymértékben összekapcsolt, dinamikus rendszernek tekintik, amelynek különféle fontos topológiai tulajdonságai vannak, mint például a kisvilágosság, a nagy hatékonyság alacsony kábelezési költségek mellett és a szorosan összekapcsolt hubok. [46], [76]-[79]. Egy kicsi világbeli hálózatban a csomópontok lokálisan csoportosulnak a moduláris információfeldolgozás javára, és távolról vannak összekötve néhány nagy távolságú kapcsolattal a hatékony átvitel érdekében. [50]. Az IAD és a HC csoport egyaránt mutatott kisvilági tulajdonságokat, azaz magas klaszter-együtthatókat () és hasonló jellegzetes úthosszok () összehasonlítható véletlenszerű hálózatokkal összehasonlítva. Ugyanakkor a korábbi R-fMRI vizsgálatokkal összhangban következetesen nagyobb normalizált klaszterezési együtthatókat és hasonló normalizált jellemzõ úthosszokat figyeltünk meg az IAD csoportban, mint a HC csoporttal a kapcsolati sûrûségnél. [26]. A nagyobb klaszterezési együttható a távoli régiók közötti zavart idegintegrációt tükrözi, amelyek viszonylag ritkán mutatnak hosszú, távoli és viszonylag sűrű rövid-távoli funkcionális kapcsolatot IAD és HC csoportokban. A klinikai stádiumok enyhétől súlyosig tartó előrehaladása a hosszú távú kapcsolatok további károsodását vagy megszakadását okozhatja, és ezáltal ösztönözheti a távoli kapcsolatok létesítését a klaszterben, mint alternatív utat a két távoli régió közötti információátvitel megőrzése érdekében. A rövid távolságú kapcsolatok létrehozása azonban rendellenes klasztereket hozhat létre, ami növeli annak kockázatát, hogy a teljes hálózaton keresztül ellenőrizetlen vagy véletlenszerű információáramlás alakuljon ki. Másrészről, az összes agyi hálózat hasonló párhuzamos információfeldolgozást mutatott a globális és a helyi hatékonyságról, összehasonlítható véletlenszerű hálózattal összehasonlítva [80]. Ezek az eredmények alátámasztják az emberi agy kis világmodelljének koncepcióját, amely a helyi specializáció és a globális integráció kiegyensúlyozott kombinációját biztosítja [81]. Ha megfigyeltük, hogy az IAD és a HC csoportok között nincs szignifikáns különbség a globális hálózati tulajdonságok szempontjából, azt vonhatjuk maga után, hogy az IAD funkcionális hálózati struktúrájának változása finom. Következésképpen a térspecifikus IAD biomarkerekkel kapcsolatos további kutatások jelentős információkat fedezhetnek fel a betegség patológiájáról és általában a függőségről.

A funkcionális hálózatok regionális csomópontjellemzői

A csomópontosság IAD-hoz kapcsolódó változásai elsősorban a limbikus rendszer komponenseiben fordulnak elő, beleértve az ACG-t és az MCG-t, az IPL-t és a THA-t. Ezeknek a régióknak a zavarai, valamint a hozzájuk kapcsolódó kapcsolódási útvonalak úgy értelmezhetők, hogy tükrözzék az információfeldolgozási hatékonyság csökkenését, valószínűleg tükrözve az IAD funkcionális zavarait.

A cingulate gyrus (CG), a limbikus rendszer szerves része, részt vesz az érzelmek kialakításában és feldolgozásában, a tanulásban és az emlékezetben, a végrehajtó funkcióban és a légzés kontrolljában. [82]. A THA-tól és a neocortex-től érkezik bemenetek, és a cingulumon keresztül jut az entorginális kéregbe. Ez az út érzelmileg jelentős eseményekre összpontosít és szabályozza az agresszív viselkedést [29]. A CG-vel kapcsolatos funkciók megzavarása ronthatja az egyén azon képességét, hogy figyelemmel kísérje és irányítsa viselkedését, különösen az érzelmekkel kapcsolatos viselkedéseket [83]. A legtöbb anyag- és viselkedésfüggőség-elemzés jelentős változásokat mutatott a CG elülső és hátsó részében (ACG és PCG), beleértve az alkoholfüggést [84], kóros szerencsejáték [85], és IAD [27], [29]. A kokainhasználók esetében hasonló változásokról is beszámoltak az MCG-ben [86]. A korábbi fMRI-vizsgálatokban azt is kimutatták, hogy az elülső, a középső és a hátsó CG mind jutalmazási, mind büntetési körülmények között érintett. [87]. Az MCG szerepének köszönhetően a pozitív és negatív érzelmek feldolgozásában nem meglepő, hogy a régió jelentős kapcsolatzavarokat mutat az IAD betegekben.

A THA az agy információ kapcsolótáblája, és számos agyi funkcióban részt vesz, beleértve a jutalom feldolgozását is [88], a célorientált viselkedés, valamint a kognitív és motoros funkciók [89]. Szenzoros és motoros jeleket továbbít a szubkortikális régiókból az agykéregbe [90]. A THA-n keresztül az orbitofrontalis kéreg közvetlen és közvetett vetületeket kap más, a gyógyszer megerősítésével járó limbikus agyi régiókról, például amygdala, CG és hippokampusz [91], a jutalomhoz és a büntetéshez kapcsolódó viselkedés ellenőrzésére és kijavítására [92]. Az online játékfüggők körében szokatlan thalamo-corticalis áramkörök találhatók [93] utalhat a THA működésének károsodására a rossz alvásminőség krónikus mintázata miatt [94] és túl nagy figyelmet fordít a számítógépre. Ezen felül a THA funkcionálisan kapcsolódik a hippokampuszhoz [95] a kiterjesztett hippokampusz rendszer részeként, amely elengedhetetlen a kognitív funkciókhoz, mint például a térbeli navigációhoz és az információk konszolidációjához a rövid távú memóriából a hosszú távú memóriába [96], [97].

Megfigyeltük a csomópontosság jelentős változásait az IPL-ben, összhangban a legutóbbi R-fMRI-alapú IAD-tanulmányok eredményeivel [24], [93]. A THA-hoz hasonlóan az IPL is nagymértékben kapcsolódik a halló-, vizuális és szomatoszenzoros kéreghez, és képes különféle ingerek egyidejű feldolgozására. Mivel az emberi agy fejlődésének során az utóbbi időben kifejlesztett struktúrájaként az IPL érzékenyebb lehet a halló- és vizuális ingerek túlzott kitettségére, különösen gyermekkorban. Az internetes túlhasználat által kiváltott IPL-károsodás csökkentheti az egyén azon képességét, hogy megfelelően közvetítse a reakció gátlását az impulzusszabályozásban [98], [99], károsítja képességüket, hogy ellenálljanak a dákó által kiváltott internetes vágyaknak, ami tovább ronthatja az IPL-t. Az ilyen kör alakú mintákat gyakran látják a drogfüggők és a viselkedésfüggők.

A DMN régiói általában aktívabbak nyugalomban, mint cél-célú feladatok végrehajtásában [62]. Ezek a régiók ismert módon részt vesznek az érzelmi modulációban és az önreferenciális tevékenységekben, ideértve a belső és külső útmutatások láthatóságának felmérését, a múlt emlékezését és a jövő tervezését [60], [62], amelyek az IAD diagnózisának fontos kritériumai. Korábban azt javasolták, hogy a megváltozott kapcsolat, amely magában foglalja a DMN régiókat, hozzájárul a betegségek különböző tüneti viselkedéséhez [100], beleértve a függőségeket is [101], [102] és viselkedési függőségek [24], [103]. A funkcionális kapcsolat változásának a DMN több régióját érintő megfigyelései részben összhangban állnak a korábbi megfigyelésekkel, amelyek azt sugallják, hogy a DMN biomarkerként szolgálhat az IAD betegek azonosításához.

Megbízhatóság és ismételhetőség a funkcionális atlasz segítségével

Az AAL-atlasz alapján azonosított rendellenes agyrégiók egy részét a funkcionális atlasz segítségével is azonosítottuk, megerősítve az eredmények megbízhatóságát és megismételhetőségét. A kissé eltérő eredmények egyik lehetséges oka a ebben a tanulmányban. Az 90 ROI-k AAL atlaszja alapján felépített összeköttetési hálózatok kisvilág-jellemzői ebben a tartományban a legkonzisztensebbek [44]. Ez a szórási tartomány azonban nem optimális az eltérő számú ROI-val rendelkező atlaszok esetében. Ezenkívül a Dosenbach-atlaszból nyert ROI-k funkcionálisan vannak meghatározva, és nem fedik le az egész agyat [58]. Ebben az atlaszban először az összes 160 ROI központját azonosítják, és mindegyik központból 5 mm sugárú gömböt növesztnek, és így 10 mm gömb alakú ROI-t kapnak. Az egyes ROI középpontjait szintén úgy kell beállítani, hogy legalább 10 mm-re legyenek a többi ROI középpontjától, és ez térben nem átfedő atlaszhoz vezet. Másrészről, az AAL atlasz lefedi az egész agy szürke anyag szövetet. A ROI meghatározásának és a teljes lefedett területnek ezek a különbségek hozzájárulhatnak az eredmények változatosságához. Ezért további kutatásokra van szükség egy nagyobb kohort felhasználásával annak meghatározásához, hogy az agyparcellációs séma kiválasztása milyen mértékben befolyásolja a hálózati topológia jellemzését.

Összefüggés a hálózati metrikák és a viselkedési intézkedések között

Ebben a tanulmányban nem figyeltünk meg semmiféle összefüggést a globális hálózati mutatók és a viselkedési intézkedések között, ami arra utal, hogy a teljes agyi hálózat topológiájában nem történt változás. Ez a megállapítás azt is sugallhatja, hogy az agyhálózat variációi az emberi agy plasztikusságának (neuroplaszticitás) miatt finomok [104], [105] napi funkcióinak nagy részének helyreállítása alternatív utakon (idegi áramkörök) keresztül. Az agy plaszticitása magában foglalja az idegsejtek vagy idegsejtek közötti kapcsolatok újraszervezését, és számtalan tényező befolyásolhatja [106]-[108]. Korral összefüggő módon fordul elő, és gyermekkorban és serdülőkorban gyakoribb, mint felnőttkorban, ami arra utal, hogy a károsodott idegrendszeri kapcsolatok jobb helyreállítása történhet az IAD serdülőknél. Ezenkívül kimutatták, hogy a viselkedés különböző körülményei, kezdve a függőségtől a neurológiai és pszichiátriai rendellenességekig, korrelálnak az idegi áramlatok lokalizált változásaival [106]. Nem meglepő tehát, hogy a durva szintű globális hálózat mérései, például az átlagos klaszter-együttható, a jellemző út hossz és a hálózati hatékonyság kevésbé érzékenyek az IAD csoport agyi áramkörében bekövetkező változások észlelésére.

Több agyi régió regionális csomóponti mutatói azonban korrelálnak néhány viselkedési intézkedéssel. Különösen az SDQ szülő verziója (SDQ-P), amely méri mind az egyénnek az impulzivitás megfelelő kezelésére való képességét, mind az érzelmek és a prosocialis viselkedés problémáinak súlyosságát a vizsgált serdülők szülei által szolgáltatott információk alapján, pozitív. összefüggésben van az IAD-ben található funkcionálisan érintett agyrégiókkal. Az impulzív viselkedés és érzelmek ellenőrzésének képtelensége az egyik fő viselkedési tünet. Általános, hogy a betegek nem ismerik érzelmeik és viselkedésük változásait, bár ezek a változások viszonylag nyilvánvalóak az őket körülvevő emberek számára. Ez lehet a fő oka annak, hogy egyik hálózati intézkedés sem korrelál az SDQ gyermekek verziójával (SDQ-C) az önértékelési jellege miatt. Másrészt nincs szignifikáns kapcsolat a regionális hálózati intézkedések és más viselkedési intézkedések között, ideértve a BIS-11-t, a FAD-t és a TMDS-t. Ezt a megállapítást támasztják alá a nagyok is - ezeknek az intézkedéseknek az IAD és az egészséges csoportok közötti értékei (Táblázat 1). Ezek az eredmények azt sugallhatják, hogy ezen viselkedési intézkedések némelyike ​​hasznos az érintett régiók meghatározásában, és így segíti az IAD diagnosztizálását, bár még mindig jelentős munkára van szükség ahhoz, hogy jobban megértsük ezen intézkedések szerepét a viselkedésfüggőségben vagy rendellenességekben.

Módszertani kérdések / korlátozások

Számos korlátozást kell kiemelni ebben a tanulmányban. Először, az IAD diagnosztizálása elsősorban az önként jelentett kérdőívek eredményein alapult, amelyek befolyásolhatják a diagnózisok megbízhatóságát. A jövőben szabványosított diagnosztikai eszközöket kell kidolgozni az IAD azonosításához, hogy javítsák az IAD diagnózisok megbízhatóságát és érvényességét. Másodszor, tanulmányunkat korlátozza a résztvevők kis mintája és a nemek közötti egyensúlyhiány (31 férfiak és 4 nők), ami csökkentheti a megállapítások statisztikai erejét és általánosíthatóságát, bár ezeket a tényezőket az elemzés során ellenőrizték. A nemeknek az IAD prevalenciára gyakorolt ​​hatása továbbra is vitatott kérdés. Young megállapításai alapján [35], a nők nagy száma internetfüggőséggel rendelkezik. Ezzel szemben egy közelmúltbeli tanulmány szerint a férfiak nagyobb kockázatot jelentenek az IAD viselkedésében [109]. Ugyanakkor arról is beszámoltak, hogy a nem és az IAD között nincs kapcsolat [110], [111]. A nemek közötti egyenlőség és az IAD-érzékenység közötti kapcsolat jobb kiértékeléséhez jövőbeli kísérletekre van szükség egy nagyobb, kiegyensúlyozottabb nemi arányú kohort felhasználásával.

segítő információ

Fájl S1.

Kiegészítő anyagok.

doi: 10.1371 / journal.pone.0107306.s001

(PDF)

Köszönetnyilvánítás

Ezt a munkát részben a Nemzeti Egészségügyi Intézetek (NIH), az EB006733, EB008374, EB009634, AG041721 és CA140413 támogatások, valamint a Kínai Nemzeti Természettudományi Alapítvány (81171325) és a Nemzeti Kulcsfontosságú Technológiai K + F Program 2007BAI17B03 támogatta.

Szerzői hozzájárulások

A kísérletek megtervezése és megtervezése: CYW ZZ PTY GW FS TP YD JX YZ DS. Kísérleteket hajtott végre: CYW ZZ YD JX YZ DS. Az adatok elemzése: CYW PTY DS. Hozzáadott reagensek / anyagok / elemző eszközök: ZZ YD JX YZ. Írta a papírt: CYW PTY TP DS.