비만 여성 (2009)의 보상 네트워크의 효과적인 연결성

fMRI 데이터

블록 설계 혈액 산소 수준 의존성 (BOLD) 응답은 SPM2에서 구현 된 보셀 (voxel) 기반 보셀의 일반 선형 모델 (General Linear Model)27]). 뇌 활성화의 시간 경과는 표준 혈역학 반응 함수 (HRF)와 시간 함수 함수와 결합 된 boxcar 함수로 모델링되었습니다. 데이터는 하이 패스 필터링 (1 / 128 Hz)되어 저주파 편차가 제거되었습니다. 1 차 자동 회귀 모델도 fMRI 모델의 오차항에서 자기 상관을 보정하기 위해 구현되었습니다.

2 단계 무작위 효과 절차는 통계 분석을 위해 피험자 내 및 피험자 간 변동성 모두를 설명하기 위해 사용되었습니다. 첫째, 각 개인 참가자의 fMRI 데이터는 고 칼로리 및 저 칼로리 식품에 해당하는 시점 간의 차이를 테스트하기 위해 매개 변수 추정치의 통계적 대조를 생성하는 데 사용되었습니다. 이전 연구 ([77]) 비만 그룹은 고 칼로리 식품에 대해 더 큰 활성화를 나타내고 저칼로리 식품에 대한 통제를 나타내면서 보상 관련 활성화 패턴에서 그룹 차이를 발견했습니다. 그런 다음 식품> 대조군 자극 대비를 그룹 내 비교를위한 05 단계 XNUMX- 샘플 t- 검정 분석에 입력하여 관심 영역 (ROI) : 양측 NAc, AMYG 및 중간 OFC (p <.XNUMX, 수정되지 않음).

AMYG 및 OFC의 ROI는 WFU Pickatlas와 AAL 및 Talairach Daemon atlases ([47], [49], [79]). NAc는 이러한 라이브러리에서 사용할 수 없었기 때문에 관련 fMRI 연구에서 보셀 위치 크기를 평균화하여 결정된 보셀 위치에 중심을 둔 WFU Pickatlas를 사용하여 반지름 6 mm의 구를 그렸습니다.1], [54], [58]). 활성화 된 보셀의 지역적 위치의 분류는 WFU Pickatlas를 사용하고 인간 두뇌 아틀라스 ([48]).

모델 사양

모델 (OFC, AMYG 및 NAc)에 포함 된 영역은 "동기 회로"([63]), mesocorticolimbic dopamine system ([6], [36], [39], [45], [63], [66], [73], [80], [83]). 모델의 연결은이 네트워크에서 구조의 알려진 해부학 적 연결성을 기반으로 부분적으로 정의되었지만 방법 론적 제약 (예 : fMRI의 시간 해상도 및 구조 방정식 모델링을 사용하는 비 재귀 모델의 식별 문제,7], [30], [38], [60], [65], [71]; Fig. 2). 신뢰할 수있는 경로 계수 값을 추정하기 위해 모델은 재귀 적으로 제한되었습니다 (즉, 모델에 상호 경로가 포함되어 있지 않음).

각 주제에 대해 동일한 경로 모델이 구성되었습니다. 개체 간 변동성을 허용하기 위해 식품> 자동차 대비 (동일한 해부학 적 영역 내)의 그룹 최대 값 (동일한 해부학 적 영역 내)의 12mm 이내에서 각 참가자의 통계 맵의 로컬 최대 값에서 각 반구에 대한 각 영역의 정확한 좌표를 정의했습니다. p <.05, 수정되지 않음; [52]). 영역의 MNI 좌표는 NAc, 왼쪽 (x, y, z) : -6, 10, -10 [controls] 및 -10, 14, -6 [obese]; NAc 오른쪽, (x, y, z) : 6, 10, -10 [controls] 및 6, 12, -10 [비만]; AMYG, left (x, y, z) : -26, -2, -20 [controls] 및 -20, 0, -24 [obese]; AMYG, right (x, y, z) : 22, 0, -20 [controls] 및 24, 2, -24 [obese]; OFC, left (x, y, z) : -22, 36, -10 [controls] 및 -22, 30, -14 [obese]; OFC, right (x, y, z) : 26, 36, -14 [controls] 및 26, 30, -4 [obese]. 각 지역에 대해 시계열의 주요 고유 변수는 해당 특정 최대 로컬을 중심으로하는 4-mm 구에서 추출되었습니다. 교장 (즉, 1^st) eigenvariate는 반지름 4 mm의 구 내에 포함 된 모든 보셀의 분산을 기반으로 아웃 라이어에 강인한 가중 평균과 유사한 요약 측정입니다.

지역 시계열 데이터 (주요 고유 변수 값)는 두 개의 데이터 세트로 나뉘어진다 : 높은 칼로리 식품 (1)과 저칼로리 식품 (2)과 연관된 시간 포인트. 혈류 역학적 지연을 설명하기 위해 우리는 두 조건의 발현과 상쇄 사이의 6 s (2 TR) 생리적 지연을 가정하고 이에 따라 추출한 데이터를 조정했다.32]). 이로 인해 각 참가자의 각 조건 (고 칼로리 및 저 칼로리 식품)에 대한 데이터의 84 (스캔 볼륨 수) × 6 (ROI 수) 매트릭스가 생성되었습니다.

경로 매개 변수 추정치

경로 모델은 각 참가자에 대해 독립적으로 고 칼로리 및 저칼로리 식품 모두에 대한 데이터 매트릭스에 적합했습니다. 자유 경로 계수는 fMRI 데이터에서 관찰 된 상관 행렬과 LISREL 소프트웨어 (버전 8, SSI Scientific Software)를 사용하여 모델에서 예측 한 상관 행렬 간의 불일치를 최소화하여 추정되었습니다. 표준화 된 모수 추정치 (회귀의 β와 유사) 또는 경로 계수 (AMYG → OFC, OFC → NAc 및 AMYG → NAc) 두 모델 (높음 및 낮음)의 각 반구 내 칼로리 음식) 각 참가자에 대한 후속 분석을 위해 SPSS로 가져 왔습니다. 요인은 그룹 (비만 대 대조군), 식품 범주 (고 칼로리 대 저칼로리) 및 반구 인 세 가지 연결 각각에 대해 혼합 모델 ANOVA를 수행했습니다. 이것은 탐색 적 연구 였기 때문에 옴니버스 모델이 최소한 거의 유의 한 효과 (p <0.10)를 나타내는 한 특정 경로 계수의 중요성을 테스트했습니다. 각 그룹에 대해 하나의 샘플 t- 테스트를 사용하여 고 칼로리 및 저칼로리 식품 모델의 경로 계수가 XNUMX과 크게 다른지 여부를 테스트하여 지정된 연결성을 나타냅니다. 쌍별 비교를 사용하여 그룹 내 (고 칼로리 대 저칼로리 식품) 및 그룹 간 비교 (고 칼로리 및 저칼로리에 대한 비만 대 대조군)에 대한 각 반구 (왼쪽 및 오른쪽)에 대한 경로 계수의 차이를 테스트했습니다. -칼로리 식품, 독립적으로). 그룹 내 비교에는 쌍체 t- 검정이 사용되었으며 그룹 간 비교에는 독립 샘플 t- 검정이 사용되었습니다.

OFC → NAc

OFC → NAc 연결에 대한 그룹의 주 효과는 없었지만, 추세 (F [1,22] = 3.70, p = 0.067)가있어 대조군에 비해 비만 그룹 (0.53 ± 0.06)이 더 큰 연결성을 나타냅니다. (0.41 ± 0.06). 그룹 X 편측성 상호 작용에 대한 경향이 있었지만 유의 한 그룹 X 범주 또는 그룹 X 범주 X 편측성 상호 작용이 없었습니다 (p = 0.059). OFC → NAc의 좌측 경로 계수는 고 칼로리 식품과 저칼로리 식품 모두 비만 그룹에서 유의하게 높았습니다 (p 값 <.03; Fig. 3).

 

Fig. 3

(A) 고 칼로리 식품 및 (B) 저 칼로리 식품의 경로 계수와 관련된 그룹 비교 (비만 대 대조군). 두꺼운 화살표는 유의 수준 또는 추세 수준 차이를 나타냅니다. OB = 비만, CTRL = 통제. 언급 된 다른 모든 규칙 ...

AMYG → OFC

AMYG → OFC의 평균 연결성이 대조군 (0.64 ± 0.07)에 비해 비만 참여자 (0.84 ± 0.07)에서 적다는 그룹의 주된 효과가 있었으며, 이는 다음에 대한 반응으로 이러한 구조 간의 뇌 활성화에서 상대적으로 강한 방향 관계를 나타냅니다. 대조군 식품 (F [1,22] = 4.46, p = 0.046). 범주 X 편측성 상호 작용에 의해 그룹에 대한 경향 (p = 0.066)이 있었지만, 범주 별 또는 편측성 상호 작용 별 그룹 별 유의 한 그룹은 없었습니다. 후속 분석은 경로 계수가 고 칼로리 식품에 대한 대조군에서 양측으로 그리고 저칼로리 식품의 경우 오른쪽 AMYG → 오른쪽 OFC에서 상당히 더 컸음을 보여주었습니다 (p 값 <.05; Fig. 3).

AMYG → NAc

평균 AMYG → NAc 연결에 대한 그룹의 주 효과가있어 대조군 참가자 (0.35 ± 0.05; F [0.49] = 0.05, p = 1,22)에 비해 비만 그룹 (6.00 ± 0.023)의 연결성이 약했습니다. ). 그룹 X 편측성 상호 작용에 대한 경향이 있었지만 유의 한 그룹 X 범주 또는 그룹 X 범주 X 편측성 상호 작용이 없었습니다 (p = 0.09). 쌍별 비교는 고 칼로리 식품과 저칼로리 식품 모두에 대한 대조군에서 좌측 경로 계수가 유의하게 더 컸음을 나타냅니다 (p 값 <.05; Fig. 3).

OFC → NAc

비만 여성은 고칼로리 음식과 저 칼로리 음식 모두 대조군보다 OFC → NAc 연결성이 더 큰 좌반구를 보였다. 이 경로는 음식 그림에 의한 증가 된 OFC 활성화와 이들 개인의 NAc 내 도파민 (DA) 기능의 증가로 인해 비만 집단에서 강화되었을 수 있습니다. Horvitz [33]는 DA가 OFC에서 NAc 로의 글루 탐 메이터릭 보상 입력을 처리 할 것을 제안했다. 이 게이팅 때문에 NAc 내 높은 DA 기능이있는 상태에서 OFC 내 높은 수준의 활동은 NAc 활동을 더욱 증가시키는 데 더 효과적입니다. 비만에서 DA의 역할은 논란의 여지가 있지만 ([20], [29], [81]), 간접적 인 증거는 경증 내지 중등도의 비만인 (예 :20]), 예를 들어 우리의 샘플. 우리는 OFC → NAc 경로가 음식 큐 반응성, 섭취량 증가 및 높은 BMI 사이에 제안 된 긍정적 인 관계의 열쇠 일 수 있다고 추측한다 [25], [78]) NAC가 액세스하는 출력 경로와 함께 OFC가 중재하는 음식 신호의 과장된 주관 보상 가치의 강한 결합 때문입니다. 마지막으로, 비만과 약물 중독 (예 :82]), 중독 연구자가 조절 불능화 된 PFC (OFC 포함) → NAc 시냅스 글루타메이트 전달이 약물 관련 단서에 반응하여 약물에 대한 증가 된 동기를 설명한다고 제안한 바있다 ([37], [39]).

AMYG → OFC 및 AMYG → NAc

비만 참가자에서 대조군과 비교하여 AMYG에서 OFC와 NAc 모두로 감소 된 경로 계수를 발견했습니다. 이러한 차이는 고 칼로리 식품 및 저칼로리 식품의 오른쪽 반구에서 양 측면에서 AMYG → OFC에 중요했습니다. AMYG → NAc 연결성은 고칼로리 음식과 저칼로리 음식 모두를위한 왼쪽 반구의 비만 그룹에서 낮았다. 비만에 대한 이러한 그룹 차이의 관련성은 명확하지 않지만, AMYG에서 이러한 구조로의 연결성이 감소하면 보상 값을 업데이트 할 때 유연성이 저하 될 수 있습니다. 기본 보상과 관련된 자극이 동기 가치를 얻는 기본 학습이 AMYG에서 발생할 수 있습니다 ([5]). AMYG → OFC 투영은 기본 동기 부여 관련 연관 정보를 OFC로 전송할 수 있으며 OFC는 AMYG의 정보를 사용하여 주관적인 가치를 결정하고 후속 기기 선택 행위에 영향을 미친다 ([15]). 보상 가치를 수정하기위한이 경로의 중요성을 보여주는 예로 Baxter와 동료 [3]은 히말라야 원숭이가 AMYG와 OFC 사이의 연결이 붕괴 된 후에 보상 평가 절하 업무 중 행동을 바꾸지 못했다는 사실을 발견했습니다. 큐 - 결과 학습 패러다임에서 Schoenbaum과 동료들은 [70]는 lesioning을 통한 AMYG → OFC 경로의 방해가 큐의 연관성에 반대되는 감각에 반응하여보다 선택적으로 OFC 뉴런 발화를 유도한다는 것을 발견했다. 섭식 행동과 관련하여, 비만 참가자의 AMYG → OFC 연결이 부족하면 음식 섭취 행동의 유연성을 촉진하기 위해 이러한 신호의 주관적인 보상 가치를 업데이트하는 데 중요한 음식 및 음식 단서에 대한 기본 정서 / 감정적 가치의 차선적인 전달을 나타낼 수 있습니다. 정상 체중 개인과 비교할 때, 음식 및 음식 단서의 보상 가치는 비만 한 개인의 음식 및 음식 단서의 감각적 속성에 의해 더욱 강력하게 유도 될 수 있습니다. 또한, 음식과 음식 단서의 감각 중심의 보상 가치는 보상 우발 사건의 변화에도 불구하고 적응력이 떨어질 수 있습니다.

AMYG → OFC 연결과 마찬가지로, AMYG → NAc에서 비만 한 결핍은 음식이나 음식 단서 (AMYG)의 보상 가치를 조절하는 기본 쾌락 신호가 다른 신호 (예 : 동기 부여 , 항상성) 적절한 섭식 행동이 결정되기 전에 ([84]).

제한 사항 및주의 사항

1. fMRI에서 경로 분석을 사용하여 모델을 지정하는 것은 모델에 포함 된 모든 추가 영역에 따라 영역 간의 연결 수와 연결 수가 크게 증가하므로 이러한 경로 계수를 안정적으로 추정하고 결과를 해석하기가 더 어려워 지므로 어려움이 될 수 있습니다. 예를 들어, 반 구체 (3 영역 합계) 당 6 영역이있는 이번 연구에서 k = N(N + 1) / 2 = 데이터 세트 당 21 자유도 (k = 테스트 된 두 모델에 대한 42 자유도)를 할당하여 관심의 영향을 평가했습니다. 12 자유도는 두 모델 (모델 당 6 영역 × 2 모델)의 각 영역과 관련된 분산을 추정하는 데 사용됩니다. 와 최저한의 모델의 각 경로에 대한 매개 변수 값을 안정적으로 추정하는 데 필요한 5 데이터 요소 수 ([4]), 이는 30 영역이있는 두 모델 (모델 당 6 추정 경로)에 대해 최대 15 추정 경로를 남겨 둡니다. 이는 경로 분석을 사용하여 테스트 할 수있는 모델의 복잡성을 제한하며 우리 모델에서 대뇌 반구 연결을 포함하지 않기로 한 이유 중 하나입니다.
2. 우리는 가정 된 모델에서 연결 간의 그룹 차이를 직접 테스트하기 위해 2 단계 SEM / GLM 접근 방식을 선택했으며 그룹 간 모델 적합성을 비교하는 데 관심이 없었다. 이 접근법은 기존의 fMRI 및 경로 분석 방법론과는 달리 태스크 또는 그룹 간 모델 적합성을 비교하는 "스택 모델 접근법"50]). 그러나 Protzner와 McIntosh [64]는 경로 분석을 사용하여 신뢰할 수있는 매개 변수 추정을 생성하기 위해 절대적 모델 적합 정보가 필요하지 않다고 최근에보고했습니다.
3. 이 연구의 또 다른 한계는 각 그룹에 사용 된 작은 표본 크기로 인해 우리 모델에서 추정 된 경로 계수 간의 차이를 탐지 할 수있는 능력과 관련이 있습니다. 그룹 크기가 클수록 우리의 경향 수준 결과는 통계적으로 유의미한 수준에 도달했을 것입니다.
4. 우리는 보상과 관련된 많은 과정을 중재하기 위해 제안 된 중피 톨릴 회로 (mesocorticolimbic circuit) 내의 도파민 (dopamine)의 공급원 인 VTA (ventral tegmental area)26], [35], [72]), BOLD fMRI와 관련된 방법 론적 한계로 인해 우리 모델에서 VTA와 같은 뇌간 영역에서의 활성화를 탐지하기 어렵다.19]).