ဦးနှောက် Res Bull ။ 2009 သြဂုတ် 14;79(6):388-95. doi: 10.1016/j.brainresbull.2009.05.016.
Stoeckel LE1, ကင်မ်ဂျေ, Weller RE, ကော့ je, ကွတ် EW 3rd, Horwitz B ကို.
ြဒပ်မဲ့သော
အဝလွန်အမျိုးသမီးတွေအတွက်အစားအသောက်တွေကိုမှပုံကြီးချဲ့ reactivity ကိုနျူကလီးယပ် accumbens, amygdala နှင့် orbitofrontal cortex ပါဝငျသော hyperactive ဆုလာဘ်စနစ်ဖြင့်အစိတ်အပိုင်းအတွက်ကမကထပြုခဲ့ခံရဖို့ပုံရသည်။ ပစ္စုပ္ပန်လေ့လာမှုအစားအစာပုံရိပ်တွေတုံ့ပြန်ဆုလာဘ်-related ဦးနှောက်ကို Activation အတွက် 12 အဝလွန်နှင့် 12 ပုံမှန်-အလေးချိန်အမျိုးသမီးတွေအကြားကွဲပြားခြားနားမှု key ကိုဆုလာဘ်ကွန်ယက်ကိုတိုင်းဒေသကြီးများအကြားအလုပ်လုပ်တဲ့ interaction ကပြောင်းလဲမှုများအားဖြင့်ရှင်းပြနိုင်သည်ရှိမရှိစုံစမ်းစစ်ဆေးရန်အလုပ်လုပ်တဲ့သံလိုက်ပဲ့တင်ရိုက်ခတ်မှုပုံရိပ် (fMRI) ကိုအသုံးပြုခဲ့သည်။
တစ်ဦးက Two-ခြေလှမ်းလမ်းကြောင်းကိုဆန်းစစ် / အထွေထွေ Linear မော်ဒယ်ချဉ်းကပ် high- တုံ့ပြန်နျူကလိယ accumbens, amygdala နှင့် orbitofrontal cortex အကြားကွန်ယက်ကိုဆက်သွယ်မှုအုပ်စုကွဲပြားမှုများနှင့်အနိမ့်ကယ်လိုရီအစားအစာပုံရိပ်တွေရှိခဲ့ရှိမရှိစမ်းသပ်ဖို့အသုံးပြုခဲ့သည်။ high- နှင့်ပုံမှန်-အလေးချိန်ထိန်းချုပ်မှုနှင့်နှိုင်းယှဉ်လျှင်အနိမ့်ကယ်လိုရီအစားအစာတွေကိုနှစ်ဦးစလုံးမှတုံ့ပြန်မှုအတွက်အဝလွန်အုပ်စုတွင်ပုံမှန်မဟုတ်သောဆက်သွယ်မှုရှိခဲ့သည်။
ထိန်းချုပ်မှုနှင့်နှိုင်းယှဉ်လျှင်အဝလွန်အုပ်စုသည် orbitofrontal cortex နှင့်နျူကလိယ accumbens နှစ်မျိုးလုံးတွင် amygdala ၏သက်ဝင်လှုပ်ရှားမှုမော်ဂျူလာတွင်ဆွေမျိုးချို့တဲ့မှုရှိသော်လည်းနျူကလိယ orbitofrontal cortex ၏သက်ဝင်လှုပ်ရှားမှု၏အလွန်သြဇာလွှမ်းမိုးမှု။ နျူကလိယမှ orbitofrontal cortex တိုးမြှင့်ဆက်သွယ်မှု accumbens ဆက်သွယ်မှု accumbens နျူကလိယမှတိုးမြှင့် orbitofrontal cortex ဆက်သွယ်မှု accumbens နျူကလိယမှတိုးမြှင့် orbitofrontal cortex ဆက်သွယ်မှု accumbens သော်လည်း, amygdala ထံမှချို့တဲ့စီမံချက်များ suboptimal မော်ဂျူ, အစားအစာရဲ့တုံ့ပြန်မှုအတွက်စားရန်ပိုမိုမြင့်မားမောင်းနှင်မှုအထောက်အကူပြုလိမ့်မယ် ခွင့်ပြုချက်
ထို့ကြောင့်ကဆုလာဘ်စနစ်၏မသာ သာ. ကြီးမြတ် activation ကြောင့်ဖြစ်နိုင်ပေမယ့်လည်းဒီကွန်ရက်ကိုအတွက်တိုင်းဒေသကြီးများ၏အပြန်အလှန်အတွက်ကွဲပြားခြားနားမှုအဝလွန်တစ်ဦးချင်းစီအတွက်အစားအစာများ၏အတော်လေးတိုးမြှင့်စိတ်ခွန်အားနိုးတနျဖိုးကိုအထောက်အကူဖြစ်စေလိမ့်မည်။
အဝလွန်ခြင်း၏ etiology [အထူးသဖြင့်မြင့်မားသောဆီဥ, စွမ်းအင်သိပ်သည်းအစားအစာများ (ဥပမာရန်, အစားအသောက်များနှင့်ဆက်စပ်တွေကိုမှပုံကြီးချဲ့ reactivity ကိုအသုံးပြုပုံတစ်စိတ်တစ်ဒေသအတွက်ရှင်းပြပုံ12]) ။ အဝလွန်တစ်ဦးချင်းစီတွင်ဤလှုံ့ဆော်မှုများ၏ကြီးထွားစိတ်ခွန်အားနိုး salience များအတွက်ယန္တရားအတွက်နျူကလိယ / ventral striatum (NAc), amygdala (AMYG), နှင့် orbitofrontal cortex (OFC) accumbens ပါဝင်သောတစ် hyperactive ဆုလာဘ်စနစ်, ဖြစ်နိုင်ပါသည်။ တစ်ဦးကယခင်အလုပ်လုပ်တဲ့သံလိုက်ပဲ့တင်ရိုက်ခတ်မှုပုံရိပ် (fMRI) လေ့လာမှု (ပုံမှန်-အလေးချိန်တစ်ဦးချင်းစီနှင့်နှိုင်းယှဉ်ပါအဝလွန်အတွက်မြင့်မားသောကယ်လိုရီအစားအစာပုံရိပ်တွေတုံ့ပြန်တွင်ဤဒေသတိုးချဲ့ activation တွေ့ရှိခဲ့ [77]; သဖန်းသီး။ 1) ။ အစားအစာလှုံ့ဆော်မှုမှအဝလွန်တစ်ဦးချင်းစီသို့မဟုတ်ပိုမိုမြင့်မားနေသည်ဟု BMI ရဲ့ရှိသူများဖော်ထုတ်သည်အခြားလေ့လာမှုများလည်း (ဤဒေသများအတွက် activation ၏ပုံမှန်မဟုတ်သောပုံစံများကိုတွေ့ရှိခဲ့ [22], [23], [28], [43], [68]) အဖြစ်အခြားသူတွေ ([40], [68]) ။ High-ကယ်လိုရီအစားအစာများနှင့်ဆက်စပ်လှုံ့ဆော်မှု [အစားအစာများ (ဤအမျိုးအစားသည် non-homeostatic စားဘို့အလွန်အကျွံလှုံ့ဆော်မှုဖြစ်ပေါ်စေခြင်းငှါ10], [11], [53]) ။ အစားအစာများကိုစားသုံးရန်ဤအလွန်အကျွံ Non-homeostatic အလိုဆန္ဒမက်လုံးပေး salience သို့မဟုတ် "လို" နှင့်အကြီးအကျယ် NAc ပါဝင်သည်သော mesocorticolimbic dopamine စနစ်, ကနေတဆင့်စည်းမျဉ်းသတ်မှတ်ခံရဖို့ပေါ်လာသည်, AMYG နှင့် OFC (ဥပမာ [ချေါထားပြီး6]) ။
အများစုကလူ့ fMRI လေ့လာမှုများကွဲပြားခြားနားသော macroscopic ဦးနှောက်တိုင်းဒေသကြီးများ၏အလုပ်လုပ်တဲ့ဝိသေသလက္ခဏာများပိုင်းခြားတစ်ဦးအစုလိုက်အပြုံလိုက် univariate စာရင်းအင်းခွဲခြမ်းစိတ်ဖြာချဉ်းကပ်နည်းကိုအသုံးပြုပါ။ စုံစမ်းစစ်ဆေးမကြာခဏကဤဒေသများပေးထားသော function ကိုဖျော်ဖြေဖို့အပြန်အလှန်စေခြင်းငှါ, ဘယ်လိုရှင်းပြဖို့ဒေသများအုပ်စုတစ်စု၏အလုပ်လုပ်တဲ့အထူးပြုအကြောင်းသတင်းအချက်အလက်ပေါင်းစပ်။ သို့သော်ထိုကဲ့သို့သောဆန်းစစ်ခြင်းများပြုလုပ်ထားခြင်းကနေရေးဆွဲနိုင်သည့်တစ်ခုတည်းသောတရားဝင်မျက်မြင်လက်တွေ့အခြေပြုကောက်ချက်ပေးထားသောဦးနှောက်ဒေသအစုံမဟုတ်ဘဲပုံကိုဤအဒေသများ function interactive အတွက် activation များ၏ပြင်းအားနှင့်အတိုင်းအတာအထိဆက်စပ်။ ဆက်သွယ်မှု [စုံစမ်းဦးနှောက်ဒေသကွန်ရက်များသိမြင်မှုနှင့်အပြုအမူဆိုင်ရာလုပ်ငန်းဆောင်တာ (ဥပမာဖျော်ဖြေဖို့အပြန်အလှန်ဘယ်လိုလေ့လာခွင့်ပြုလေ့လာဆန်းစစ်34]) ။ ဒါဟာအစဉ်အလာကို Activation လေ့လာမှုများကနေအခြတိုက်ရိုက်ဆက်သွယ်မှုလေ့လာမှုများမှလွှဲပြောင်းမသတိပြုပါရန်အရေးကြီးပါသည်။ ဆိုလိုသည်မှာယင်းအတွက်ကွဲပြားခြားနားမှုရှိပါတယ်တိုင်းတာစေခြင်းငှါဖြစ်ပါသည် ပြင်းအား အုပျစု, ဒါပေမယ့်မအုပျစုကွဲပြားမှုများအကြားဦးနှောက်ကို Activation ၏ ဆက်သွယ်မှုနှင့်အပြန်အလှန် (ဥပမာ [52]) ။
Path ကိုခွဲခြမ်းစိတ်ဖြာ, အခြေခံအဆောက်အဦးညီမျှခြင်းမော်ဒယ်အမျိုးအစားတစ်ခု multivariate ဖြစ်ပါသည်, အယူအဆ-based ချဉ်းကပ်မှု [ချိတ်ဆက်ဦးနှောက်ဒေသများ (များ၏ပေးထားသောအစုံအကြား directional ဆက်ဆံရေးစုံစမ်းစစ်ဆေးရန်အလုပ်လုပ်တဲ့ neuroimaging ဖို့လျှောက်ထား51]) ။ ဤသည်အခြားဒေသတွင်း၌ activation ပြောင်းလဲမှုများထံမှထွက်ပေါ်လာသောတဦးတည်းကဦးနှောက်ဒေသ၏ activation ပြောင်းလဲမှုများအဓိပ္ပာယ်ဤကိစ္စတွင်အတွက်ထိရောက်သောဆက်သွယ်မှု၏ခွဲခြမ်းစိတ်ဖြာဘို့တနည်းလမ်းဖြစ်ပါတယ်။ Path ကိုမော်ဒယ်များအပေါ်အခြေခံပြီးတိုးတက်ဖွံ့ဖြိုးလျက်ရှိသည် တစ်ဦး ယူဆချက်နှင့် A → B ကိုဒေသတစ်ဦးကပြောင်းလဲမှုများမှတွေးဆကြသည်ကိုဆိုလိုသည်တဲ့ကြောင်းကျိုးဆက်စပ်ဖွဲ့စည်းပုံ, ယူဆ အကွောငျး ဒေသခပြောင်းလဲမှုများ (ဥပမာ [69]) ။ [မျိုးစိတ် (ဥပမာအကြားဦးနှောက်ဒေသများတွင် homology ယူဆ, ကွန်ယက်မော်ဒယ်အတွက်ဦးနှောက်ဒေသများပုံမှန်အားဖြင့်ယခင်အလုပ်လုပ်တဲ့ neuroimaging လေ့လာမှုများအပေါ်အခြေခံပြီးရွေးချယ်ထားသည့်နေကြသည်, ထိုဒေသများအကြားဆက်သွယ်မှုများကိုများသောအားဖြင့်လူသိများ neuroanatomical ဆက်သွယ်မှုအပေါ်အခြေခံပြီးသတ်မှတ်ကြပါတယ်, အများအားဖြင့်တိရိစ္ဆာန်စာပေမှသည်69]) ။ လမ်းကြောင်းကိုဆန်းစစ် အသုံးပြု. တွက်ချက်ခန့်မှန်း parameter သည်တန်ဖိုးများမော်ဒယ်အတွက်ဒေသများအကြား directional လမ်းကြောင်း၏အရေအတွက်ကိုယ်စားပြုသည်။ ဤရွေ့ကားလမ်းကြောင်းကိန်းပြီးတော့အလုပ်တစ်ခုကိုအခြေအနေများအတွက်သို့မဟုတ်အထွေထွေ Linear မော်ဒယ် (GLM) မူဘောင် (ဥပမာ [အတွင်းဘာသာရပ်များနှင့်အုပ်စုများအကြားအပြောင်းအလဲများကိုတုံ့ပြန်ဘာသာရပ်များအတွင်းဆက်သွယ်မှုများအကြားနှိုင်းယှဉ်စေရန်သုံးနိုငျ44], [64]) ။
အတူတကွ NAc, AMYG နှင့် OFC function ကိုအကျိုးကိုစနစ်၏အစိတ်အပိုင်းတစ်ရပ်အဖြစ်။ ဤအဒေသများအကြားခိုင်မာတဲ့ခန္ဓာဗေဒဆက်သွယ်မှုရှိပါတယ် (ကြည့်ရှု သဖန်းသီး။ 2; AMYG → OFC: [7], [16], [30], [38], [60], [65], [71] AMYG → NAc: [30], [38], [71] နှင့် OFC → NAc: [7], [16], [17], [30], [38], [56], [60], [65], [71]) ။ အစားအစာပုံများ, အထူးသဖြင့်မြင့်မားသောကယ်လိုရီအစားအစာပုံရိပ်တွေ (ကြည့်ရှုသောအခါ NAc, AMYG နှင့် OFC ပိုပြီးပြင်းပြင်းထန်ထန်ပုံမှန်-အလေးချိန်ထိန်းချုပ်မှုနှင့်နှိုင်းယှဉ်ပါအဝလွန်အတွက် activated ဖြစ်ကြောင်းရှင်းရှင်းလင်းလင်းဖြစ်သော်လည်း [77]), က / ကဤဒေသများတွင် activation အကျိုးကိုချဉ်းကပ်ခြင်းနှင့်လောင်အချို့ဘုံနောက်ခံဆုလာဘ်ဖြစ်စဉ်ကို (ဥပမာမက်လုံးပေး salience သို့မဟုတ်လှုံ့ဆျောမှုမှပြောပြတယ်ရှိမရှိမသေချာမရေရာဖြစ်ပါသည်) သို့မဟုတ်ကွဲပြားခြားနားသောလုပ်ငန်းစဉ်များ (ဥပမာ, hedonics သို့မဟုတ်ဆုလာဘ်များအပျော်အပါးအစိတ်အပိုင်းရှိပါတယ်ရှိမရှိနှင့် ဒီ activation ပုံစံများအတွက်အကောင့်ကြောင်းသို့မဟုတ်သင်ယူမှု () ကိုကြည့်ပါ [8] သည်ဤကွဲပြားခြားနားသောဆုလာဘ်ဖြစ်စဉ်များတစ်ဆွေးနွေးမှုများအတွက်) ။ အဆိုပါ NAc, AMYG နှင့် OFC တစ်ခုချင်းစီကိုမြောက်မြားစွာအလုပ်လုပ်တဲ့ဂုဏ်သတ္တိများရှိသည်။ တစ်ဦးဆုလာဘ်-related အပြောင်းအလဲနဲ့အကြား Interface ကို, homeostatic ယန္တရားများနှင့်မော်တာ output ကို (ဥပမာ [အဖြစ် NAc / ventral striatum ရဲ့လုပ်ဆောင်ချက်တွေကို41]), ဒါပေမယ့်လည်း [(ဆုလာဘ်တန်ဖိုး code စေခြင်းငှါ57]) ။ အဆိုပါ OFC (အစားအသောက်နှင့်အစားအသောက်တွေကို multimode အာရုံခံကိုယ်စားပြုဝှက်ဖြစ်နိုင်သည် [10], [11]) ။ အစားအစာ-related လှုံ့ဆော်မှုမက်လုံးပေး salience သို့မဟုတ်အခြားစိတ်ခွန်အားနိုးဂုဏ်သတ္တိများ (ဥပမာဆည်းပူးခွအတူတူ, AMYG နှင့် OFC [The Associated ဖြစ်စဉ်များဖျန်ဖြေစေခြင်းငှါ6], [31]), ဒါပေမယ့် hedonic တန်ဖိုးကိုလည်းကုဒ်နှစ်ဦးစလုံး, အထက်မှအောက်သို့ဖြစ်စဉ်များမှတဆင့် Bottom-Up နှင့် OFC မှတဆင့် AMYG ([7]) ။
ဒီလေ့လာမှုမှာကျနော်တို့ Stoeckel et al ၏ fMRI ဒေတာကိုအသုံးပြုခဲ့သည်။ [77] နှင့် Two-ဇာတ်စင်လမ်းကြောင်းကိုဆန်းစစ်ပေါင်း GLM ချဉ်းကပ်နည်းသည်ဤဖွဲ့စည်းပုံ high- နှင့်အနိမ့်ကယ်လိုရီအစားအစာများ၏ရုပ်ပုံများကိုတုန့်ပြန်အတူတကွအလုပ်လုပ်ခြင်းရှိမရှိဆုံးဖြတ်ရန်ရိုးရှင်းတဲ့ကွန်ယက် key ကိုဆုလာဘ်အဆောက်အဦများ (NAc, AMYG နှင့် OFC) ၏ interaction ကစုံစမ်းစစ်ဆေးရန် ကွဲပြားခြားနားအဝလွန်နှင့်ပုံမှန်-အလေးချိန်တစ်ဦးချင်းစီ၌တည်၏။ ကျနော်တို့ high- တုံ့ပြန်ပုံမှန်-အလေးချိန်ထိန်းချုပ်မှု၌အကြှနျုပျတို့၏မော်ဒယ်အတွက်သတ်မှတ်ထားသောနှင့်အနိမ့်ကယ်လိုရီအစားအစာပုံရိပ်တွေအဖြစ်ဦးနှောက်ဒေသများအကြားထိရောက်သောဆက်သွယ်မှုကိုရှာဖွေမျှော်မှန်းထားသည်။ ထို့အပြင်ကျနော်တို့အစားအစာများကဤတစ်ဦးချင်းစီအဘို့စိတ်ခွန်အားနိုးအာနိသင်တိုးလာကြပါပြီရှင်းပြကူညီစေခြင်းငှါ, ကျွန်တော်တို့ရဲ့အဝလွန်အုပ်စုတွင်ပြောင်းလဲထိရောက်သောဆက်သွယ်မှုတစ်ခုအရေအတွက်ကိုရှာတွေ့မယ်လို့မျှော်လင့်ရပါတယ်။
ကုန်ကြမ်းနှင့်နည်းစနစ်များ
လမ်းကြောင်းကိုဆန်းစစ်အတှကျအသုံးပွုအဆိုပါဒေတာ Stoeckel et al အစီရင်ခံတူညီတဲ့ data တွေကိုခဲ့ကြသည်။ [77] ။ အပိုင်း၏ချွင်းချက်လမ်းကြောင်းကိုဆန်းစစ်၏နည်းလမ်းများဆွေးနွေးခြင်းနှင့်အတူအောက်ပါအချက်အလက်များကို Stoeckel et al အတွက် သာ. ကြီးမြတ်အသေးစိတ်အတွက်ထောက်ပံ့ပေးလျက်ရှိသည်။ [77].
သင်တန်းသားများကို
တက်ရောက်သူများမှာဘာမင်ဂမ် (Alabama) တက္ကသိုလ်မှဘာမင်ဂမ် (UAB) အသိုင်းအဝိုင်းတွင်အ ၀ လွန်သူ ၁၂ ဦး (ခန္ဓာကိုယ်အလေးချိန်ညွှန်းကိန်း၊ BMI = ၃၀.၈ - ၄၁.၂) နှင့်ပုံမှန်အလေးချိန် (BMI = ၁၉.၇ - ၂၄.၅) ၁၂ ယောက်ရှိတယ်။ ပျှမ်းမျှအသက် (အဝလွန်မှု ၂၇.၈၊ SD = ၆.၂; ထိန်းချုပ်မှု ၂၈၊ SD = ၄.၄)၊ လူမျိုးစု (အဝလွန်မှု - ၇ ခု၊ အာဖရိကန် - အမေရိကန်၊ ၅ ကော့ကေးဆပ်၊ ထိန်းချုပ်မှု - ၆ - အာဖရိကန် - ၆၊ ကော့ကေးဆပ်)၊ (အဝလွန်ခြင်း - ၁၆.၇ နှစ်၊ SD = ၂.၂; ထိန်းချုပ်မှု - ၁၇.၂၊ SD = ၂.၈) သို့မဟုတ်ရာသီလာခြင်းစက်ဝိုင်း၏ပျမ်းမျှနေ့ (အဝလွန်မှု - ၆.၈ နှစ်၊ SD = ၃.၁ - ထိန်းချုပ်မှု - နေ့ ၅.၇၊ SD = ၃.၃ - အားလုံးသည် follicular အဆင့်တွင်) ) ။ သင်တန်းသားများကို UAB သတင်းစာတွင်ဖော်ပြထားသောကြော်ငြာများနှင့် UAB ကျောင်းဝင်းရှိနေရာအများစုတွင်ထားရှိသည့်ကြော်ငြာများဖြင့်စုဆောင်းခဲ့သည်။ လေ့လာမှု၏ရည်ရွယ်ချက်မှာ BMI မတူသောပါဝင်သူများ၏ ဦး နှောက်လှုပ်ရှားမှုပုံစံများကိုကြည့်ခြင်းအားဖြင့်အစားအစာနှင့်ထိန်းချုပ်ပုံများကဲ့သို့အရာဝတ္ထုအမျိုးမျိုး၏ရုပ်ပုံများကိုတုန့်ပြန်ရန်ဖြစ်သည်ဟုသူတို့ကအသိပေးခဲ့သည်။ အပြုသဘောဆောင်သောအစားအစာရောဂါသမိုင်း၊ တက်ကြွစွာအစားအသောက်စားခြင်း၊ ကိုယ်အလေးချိန်လျှော့ချခြင်းအစီအစဉ်တွင်ပါ ၀ င်ခြင်း၊ ကိုယ်အလေးချိန် ၆၄ လက်မ (၁၆၃ စင်တီမီတာ) နှင့်အတူအလေးချိန်> ၃၀၅ ပေါင် (၁၃၈ ကီလိုဂရမ်) အပါအ ၀ င်ကျန်းမာရေးနှင့်သက်ဆိုင်သောစံနှုန်းများအရလူများကိုဖယ်ထုတ်ခဲ့သည်။ စကင်နာကန့်သတ်မှုကြောင့်။ ပါ ၀ င်သူများအားလုံးသည်လေ့လာမှုလုပ်ထုံးလုပ်နည်းများနှင့်ပါ ၀ င်နိုင်သည့်အန္တရာယ်များကိုရှင်းပြပြီးသည့်နောက်တွင်အသိပေးအကြောင်းကြားစာကိုရေးသားခဲ့သည် UAB ရှိလူ့အခွင့်အရေးဆိုင်ရာအဖွဲ့အစည်းဆိုင်ရာပြန်လည်ဆန်းစစ်ခြင်းဘုတ်အဖွဲ့မှလုပ်ထုံးလုပ်နည်းများအားလုံးကိုပြန်လည်သုံးသပ်ပြီးအတည်ပြုခဲ့သည်။
လှုံ့ဆော်မှု
အဆိုပါပုံရိပ် session တစ်ခုစဉ်အတွင်းအသုံးပြုအဆိုပါလှုံ့ဆော်မှု [252 အရောင်ပုံတသမတ်တည်းအရွယ်အစား, resolution နဲ့တောက်ပ (အပေါငျးတို့သပါဝင်သည်77]) ။ အဆိုပါ 168 အစားအစာပုံရိပ်တွေတစ်ခုချင်းစီ 84 ထူးခြားတဲ့ပုံရိပ်တွေကိုပါဝင်သည်ဟု low-ကယ်လိုရီများနှင့်မြင့်မားသောကယ်လိုရီအမျိုးအစားများခွဲခြားခဲ့ကြသည်။ low-ကယ်လိုရီအစားအစာပုံရိပ်တွေပေါင်းဟင်းသီးဟင်းရွက်နှင့် broiled ငါးကဲ့သို့သောအနိမ့်အဆီပစ္စည်းများပါဝင်သည်။ high-ကယ်လိုရီအစားအစာများထိုကဲ့သို့သော cheesecake သို့မဟုတ်ပီဇာအဖြစ်အဆီမြင့်မားအဓိကအားပစ္စည်းများဖြစ်ကြသည်။ ထိန်းချုပ်ရေးလှုံ့ဆော်မှုလုပ်အတွက်ကျယ်ပြန့်ကွဲပြားသည့်ကားများပုံများ,, မော်ဒယ်, အသက်နှင့်အရောင်များ၏ပါဝင်သည်။ အဆိုပါကားကိုပုံရိပ်များအဖြစ်အတန်အသင့် Stoeckel et al ကနေရလဒ်တွေကိုအပေါ်အခြေခံပြီးသာယာသောအပေါ်အနိမ့်ကယ်လိုရီပုံရိပ်တွေကိုက်ညီကြောင်းစိတ်ဝင်စားဖို့ထိန်းချုပ်မှုလှုံ့ဆော်မှုရည်ရွယ်ခဲ့သည်။ [77] ပိုမိုမြင့်မား rated high-ကယ်လိုရီအစားအစာများကိုအတူ။
လုပ်ထုံးလုပ်နည်း
BMI သိမ်းနိုင်နှင့်အခြားလေ့လာမှုစံနှုန်းများကိုအတည်ပြုရန်နှံ့နှံ့စပ်စပ်စိစစ်ပြီးနောက်သင်တန်းသားများ fMRI session များအတွက်စီစဉ်ထားခဲ့သည်။ သူတို့ဟာ 7-8 လေးအကြားပုံမှန်နံနက်စာစားရန်ညွှန်ကြားခဲ့သည်ပေမယ့်နေ့လည်စာစား skip ဖို့နဲ့သူတို့ပုဂ္ဂလဒိဋ္ငတ်မွတ်ခေါင်းပါးမှု ratings မအုပျစုကွဲပြားမှုရှိခဲ့သည် 8-9 pm တွင်အကြား imaged မခံရမီခန့်မှန်းခြေအားဖြင့် 3-5 ဇအဘို့အစာရှောင်ခဲ့သောဒါကြောင့်ရေကိုသာစားသုံးကြသည်။
သင်တန်းသားများကိုသံလိုက်ရှိကြ၏နေစဉ်, အမြင်အာရုံလှုံ့ဆော်မှုခြောက်လ 3 စုစုပေါင်းနှင့်အတူတစ်ဘလောက်ဒီဇိုင်းပုံစံတင်ပြခဲ့ကြသည်: 09 မိပုံရိပ် session တစ်ခုနှုန်းနဲ့ပြေး။ တစ်ခုချင်းစီကိုပြေးနှစ်ခု 21 s ကိုယုဂ်၏ pseudorandomly သင်တန်းသားများတင်ပြကားများ (C), အနိမ့်ကယ်လိုရီအစားအစာများ (LC), နှင့်မြင့်မားသောကယ်လိုရီအစားအစာများ (HC) ၏တစ်ဦးချင်းစီပါဝင်သည်။ အစားအစာသို့မဟုတ်ကားတစ်စီးပုံရိပ်တွေတစ်ခုချင်းစီ 21 s ကိုယုဂ်အတွင်းခုနစ်ပါးသောတစ်ဦးချင်းစီပုံရိပ်တွေတစ်ခုချင်းစီ 2.5 s အတွက်တင်ပြခဲ့ကြသည်။ တစ်ဦးက 0.5 s ကိုကွာဟမှုရုပ်တုဆင်းတုများကိုရွေးချယ်ခွဲ ထား. နှင့် 9 s ကိုကွာဟမှုဟာယုဂ်ကွဲကွာ။ အားလုံးကွာဟချက်တစ် fixation လက်ဝါးကပ်တိုင်နဲ့မီးခိုးရောင်အလွတ်မျက်နှာပြင်၏ပါဝင်သည်။ တစ်ခုချင်းစီကိုပြေး 63 volumes ကိုကား, အနိမ့်ကယ်လိုရီအစားအစာ, high-ကယ်လိုရီအစားအစာထိတွေ့မှု၏အသီးအသီးကာလအတွင်းဝယ်ယူခဲ့ကြရာခြောက်ပြေး, ဖြတ်ပြီး 378 volumes ကိုတစ်ဦးစုစုပေါင်း 84 volumes ကိုပါဝင်သည်။ အဆိုပါအမြင်အာရုံပုံရိပ်တွေ [VPM software ကို (run နေတဲ့လက်တော့ကွန်ပျူတာအားဖြင့်တင်ဆက်ခဲ့ကြ18]) ။ ပုံတွေကိုပါဝင်သူရဲ့ဦးခေါင်းကိုနောက်ကွယ်မှမျက်နှာပြင်ပေါ်သို့စီမံကိန်းနှင့်ခေါင်းကိုကွိုင်မှပူးတွဲပါ Single-မျက်နှာပြင်နောက်ဘက်-ထုတ်လုပ်တဲ့မှန်°တစ် 45 ကနေတဆင့်ကြည့်ရှုအားပေးခဲ့ကြသည်။ သင်တန်းသားများကိုငွေရေးကြေးရေးအ၎င်းတို့၏ပါဝင်မှုများအတွက်လျော်ကြေးငွေပေးခဲ့သည်။ အားလုံးလုပျထုံးလုပျနညျးလူ့အသုံးပြုမှုများအတွက်ပြန်လည်သုံးသပ် UAB ရဲ့ Institutional ကိုပြန်လည်ဆန်းစစ်ခြင်းဘုတ်အဖွဲ့ကအတည်ပြုပေးခဲ့သည်။
MRI ဝယ်ယူခြင်းနှင့်အပြောင်းအလဲနဲ့
functional MRI ဒေတာတစ်ဦး sensitivity ကို encoding က (သဘောဖွငျ့) ဦးခေါင်းကွိုင်တပ်ဆင်ထားတစ် Philips က Intera 3T Ultra-တိုတောင်းထွင်းဖေါက်သံလိုက်သုံးပြီးဝယ်ယူခဲ့ကြသည်။ ပုံရိပ်တွေဟာ Single-shot T2 * -weighted gradient ကို-ပဲ့တင်သံ EPI သွေးခုန်နှုန်း sequence ကိုသုံးပြီးစုဆောင်းခဲ့ကြသည်။ ကျနော်တို့ TE = 30 msec, TR = 3 စက္ကနှင့်တစ်ဦး 85 30 × 4 1 မှပြန်မဆောက်နေတဲ့ 80 မီလီမီတာ interslice ကွာဟမှု, 79 × 128 တစ်စကင်ကို Resolution, အတူအထူမီလီမီတာနှင့် 128 နှင့်အတူ 230 axial ချပ်များအတွက်လှန်ထောင့်°ကိုအသုံးပြု × 149 230 မီလီမီတာ FOV ×။ ပထမလေး Scan ဖတ်ယင်းသံလိုက်တည်ငြိမ်-ပြည်နယ်သံလိုက်အောင်မြင်ရန်ခွင့်ပြုစွန့်ပစ်ခဲ့ကြသည်။
SPM2 software package (Wellcome Dept. Imaging Neuroscience, London, UK) ကို အသုံးပြု၍ အချက်အလက်များကို (SPM6 EPI template ကို အသုံးပြု၍ MNI ကိုသြဒိနိတ်စနစ်နှင့်ရွေ့လျားမှုကိုတည့်မတ်ခြင်း၊ ပုံမှန်စံပြုခြင်းနှင့် ၆ မီလီမီတာ FWHM Gaussian filter နှင့်အတူချောချောမွေ့မွေ့) data များကိုအဆင့်မြှင့်ထားသည်။ ဒေတာအစုတစ်စုံသည်လှုပ်ရှားမှုတွင်ပါ ၀ င်သည့်စံနှုန်းများနှင့်မကိုက်ညီပါ77]) ။
ဒေတာကိုခွဲခြမ်းစိတ်ဖြာ
fMRI ဒေတာ
SPM2 အကောင်အထည်ဖော်အဖြစ် block-ဒီဇိုင်းအသွေးတော်အောက်စီဂျင်အဆင့်ကိုမှီခို (BOLD) တုံ့ပြန်မှု voxel အခြေခံအားဖြင့်တစ်ဦး voxel အပေါ်အထွေထွေ Linear Model ရဲ့အခြေအနေတွင်အတွင်းဆန်းစစ်ခဲ့ကြသည် ([27]) ။ ဦးနှောက်ကို Activation ၏အချိန်သင်တန်းကို Canon hemodynamic တုံ့ပြန်မှု function ကို (HRF) နှင့်တစ်ဦးခေတ္တယာယီဆင်းသက်လာတဲ့ function တွေနဲ့ convolved တစ်ဦးရထားတှဲ function ကိုအတူလုပ်ပါတယ်ခဲ့သည်။ အဆိုပါဒေတာကိုအနိမ့်အကြိမ်ရေပျံ့ဖယ်ရှားပစ်ရန် filtered High-pass (1 / 128 Hz) တို့ဖြစ်သည်။ တစ်ဦးကပထမဦးဆုံးမိန့် autoregressive မော်ဒယ်ကိုလည်း fMRI မော်ဒယ်များ၏အမှားသက်တမ်းအတွက် autocorrelations ဘို့ပြင်ပေးဖို့အကောင်အထည်ဖော်ခဲ့သည်။
တစ်ဦးက Two-ဇာတ်စင်ကျပန်းဆိုးကျိုးများလုပ်ထုံးလုပ်နည်းဘာသာရပ်-အတွင်းနှင့်အကြား-ဘာသာရပ်အမျိုးမျိုးပြောင်းလဲနှစ်မျိုးစလုံးအတွက်အကောင့်ရန်စာရင်းအင်းခွဲခြမ်းစိတ်ဖြာအတွက်အသုံးပြုခဲ့သည်။ ပထမဦးစွာတစ်ဦးချင်းစီတဦးချင်းပါဝင်သူထံမှ fMRI ဒေတာ high-ကယ်လိုရီမှသက်ဆိုင်ရာအချိန်အချက်များနှင့်အနိမ့်ကယ်လိုရီအစားအစာများအကြားခြားနားချက်များကိုစမ်းသပ်နိုင်ရန်အတွက် parameter သည်ခန့်မှန်းခြေ၏စာရင်းအင်းထူးခွားသညျ့ထုတ်လုပ်ဖို့အသုံးပြုခဲ့ကြသည်။ ယခင်လေ့လာမှု (များ၏ရလဒ်များ [77]) ရလဒ်များအရအဝလွန်အုပ်စုသည်ကယ်လိုရီမြင့်မားသောအစားအစာများနှင့်ပိုမိုနိမ့်သောကယ်လိုရီအစားအစာများကိုထိန်းချုပ်မှုများပိုမိုမြင့်မားသောတက်ကြွမှုနှင့်အတူဆုလာဘ် -related activation ပုံစံများအတွက်အုပ်စုတစ်စုကွဲပြားမှုတွေ့ရှိခဲ့ပါတယ်။ အစားအစာ> ထိန်းချုပ်မှုလှုံ့ဆော်မှုဆန့်ကျင်ဘက်ထို့နောက်နှစ်နိုင်ငံ NAc, AMYG နှင့်အလယ်အလတ် OFC (p ကို) အကျိုးစီးပွားကျွန်တော်တို့ရဲ့ဒေသများ (ROI) အတွက်အုပ်စု maxima နေရာချထားအတွင်း - အုပ်စုတစ်စုနှိုင်းယှဉ်များအတွက်ဒုတိယအဆင့်တ - နမူနာ t- စမ်းသပ်မှုခွဲခြမ်းစိတ်ဖြာသို့ထဲသို့ဝင်ခဲ့သည်။ <.05, တညျ့။ )
AMYG နှင့် OFC အတွက် ROI ကို WFU Pickatlas နှင့် AAL နှင့် Talairach Daemon Atlases သုံးပြီးသတ်မှတ်ပါတယ်။47], [49], [79]) ။ NAc ကဤစာကြည့်တိုက်အတွက်လက်လှမ်းမမှီပါခဲ့သောကြောင့်, ကျနော်တို့ [သည့် WFU Pickatlas နှင့်အတူအချင်းဝက်တစ်နယ်ပယ် 6 မီလီမီတာသက်ဆိုင်ရာ fMRI လေ့လာမှုများ (ထံမှ voxel တည်နေရာအတိုင်းအတာပျမ်းမျှအားဖြင့်ဆုံးဖြတ်သည်တစ် voxel တည်နေရာမှာဗဟိုပြုဆွဲငင်1], [54], [58]) ။ activated voxels ၏ဒေသဆိုင်ရာတည်နေရာများ၏ခွဲခြား [လူသားတစ်ဦးဦးနှောက် Atlas (သုံးပြီး WFU Pickatlas နှင့်အချက်အလက်များ၏အမြင်အာရုံစစ်ဆေးခြင်း အသုံးပြု. မှန်ကန်ကြောင်းအတည်ပြုခဲ့ပါတယ်48]) ။
path ကိုခွဲခြမ်းစိတ်ဖြာ
Path ကိုခွဲခြမ်းစိတ်ဖြာလေ့လာ variable တွေကို (ROIs) အကြားဆက်ဆံရေး (ထိရောက်သောဆက်သွယ်မှု) ၏အစှမျးသတ်တိနှငျ့လမျးညှနျခဆုံးဖြတ်ရန်အသုံးပြုခဲ့သည်, အများဆုံးဖြစ်နိုင်ခြေကိုခန့်မှန်းမှတဆင့်တစ်ပြိုင်နက်ဆုတ်ယုတ်ညီမျှခြင်းသုံးပြီးခန့်မှန်းပါတယ်။ ဒါက [(ထိရောက်သောဆက်သွယ်မှုကိုလေ့လာဖို့အသုံးပြုအသုံးအများဆုံးမော်ဒယ်ချဉ်းကပ်မှုတစ်ခုဖြစ်တယ်69]) ။ ကျနော်တို့ကင်မ် et al ကဲ့သို့သောအလားတူနည်းလမ်းအောက်ပါတစ် Two-ခြေလှမ်းလမ်းကြောင်းကိုဆန်းစစ် / GLM ချဉ်းကပ်ကိုအသုံးပြုခဲ့သည်။ [44] ။ တစ်ဦးချင်းစီပါဝင်သူ for: (1) ROIs (2) ကိုအချိန်စီးရီးဒေတာနှစ်ခုတာဝန်အခြေအနေများ (high- နှင့်အနိမ့်ကယ်လိုရီအစားအစာများ) အတွက် volumes ကိုနဲ့ဆက်စပ်အုပ်စုနှစ်စုသို့ partitioned ခဲ့ကြသည်, ထိုမော်ဒယ်အတွက်ထည့်သွင်းရန်ရွေးချယ်ထားသည့်ခဲ့ကြသည်, (3) အကျဉ်းချုပ် ဒေတာတစ်ခုချင်းစီကိုရွယ်များအတွက်တစ်ဦးချင်းစီအခွအေနေအဘို့ထုတ်ယူခဲ့ကြ, (4) စံပြပု ROIs များ၏ interaction ကသတ်မှတ်ထားသောကြောင့်သတ်မှတ်ထားသောခဲ့ပါတယ်, (5) ကကှဲလှဲ-covariance (ROIs ၏စကင် volumes ကို X ကိုအရေအတွက်နံပါတ်) တစ်ဦးချင်းစီအခွအေနေအဘို့အ matrix ကိုတွက်ချက်ခဲ့ပါတယ်နှင့် (6) ကမော်ဒယ်တွေအတွက် ROIs အကြားဆက်သွယ်မှုများအတွက်လမ်းကြောင်းကိန်းအများဆုံးဖြစ်နိုင်ခြေကိုခန့်မှန်းနေတစ်ဆင့်ခန့်မှန်းခဲ့ကြသည်။ ထပ်ခါတစ်လဲလဲ-အစီအမံ ANOVA ထို့နောက် (ဆိုလိုသည်မှာအခွအေနေ) အတွင်း-အုပ်စုတစ်စုကိုဆုံးဖြတ်ရန်အသုံးပြုသောနှင့်အကြား-အုပ်စုတစ်စုချင်းစီတဦးချင်းများအတွက်မော်ဒယ်ကနေလမ်းကြောင်းကိုကိန်းသုံးပြီးမော်ဒယ်ဆက်သွယ်မှုအတွက်ကွဲပြားခြားနားမှုခဲ့သည်။
မော်ဒယ်သတ်မှတ်ချက်
အဆိုပါဒေသများတွင်စံပြ (OFC, AMYG နှင့် NAc) [ကို "ရည်ရွယ်ချက်က circuit ကို" (ချေါထားပြီးအရာကိုအစိတ်အပိုင်းများဖြစ်ကြသည်တွင်ထည့်သွင်း63]), (ပု mesocorticolimbic dopamine သည့်စနစ်ပါဝင်သော [6], [36], [39], [45], [63], [66], [73], [80], [83]) ။ မော်ဒယ်အတွက်ဆက်သွယ်မှုတစ်စိတ်တစ်ပိုင်းဤကွန်ယက်အတွက်အဆောက်အဦများ၏လူသိများခန္ဓာဗေဒဆက်သွယ်မှုအပေါ်အခြေခံပြီးသတ်မှတ်ပေမယ့်လည်းအတိုင်းအတာများသတ် (ဥပမာ fMRI ၏ယာယီ resolution နဲ့ဖွဲ့စည်းတည်ဆောက်ပုံဆိုင်ရာညီမျှခြင်းမော်ဒယ်သုံးပြီး Non-တဲ့ request မော်ဒယ်များနှင့်အတူမှတ်ပုံတင်များ၏ပြဿနာကိုစဉ်းစားကြသည် ဟူ. ၎င်း, [7], [30], [38], [60], [65], [71]; သဖန်းသီး။ 2) ။ ယုံကြည်စိတ်ချရသောလမ်းကြောင်းကိုကိန်းတန်ဖိုးများကိုခန့်မှန်းနိုင်ဖို့အတွက်ပုံစံ (ဆိုလိုသည်မှာမရှိအပြန်အလှန်လမ်းကြောင်းပုံစံတွင်ထည့်သွင်းခဲ့သည်) တဲ့ request ကိုဖြစ်သတ်ခံခဲ့ရသည်။
ဘာသာရပ်တစ်ခုစီအတွက်တူညီသောလမ်းကြောင်းပုံစံကိုတည်ဆောက်ခဲ့သည်။ ဘာသာရပ်များအကြားပြောင်းလဲနိုင်မှုကိုခွင့်ပြုရန်ကျွန်ုပ်တို့သည်အစားအစာများ> ကားများနှင့်ဆန့်ကျင်ဘက်ဖြစ်သောရလဒ်များအရအုပ်စုတစ်ခုချင်းစီ၏နယ်နိမိတ်တစ်ခုစီ၏တိကျသောကိုသြဒီနိတ်များကိုသတ်မှတ်ထားသောအုပ်စုတစ်ခုချင်းစီ၏စုစုပေါင်းစာရင်းအင်းမြေပုံအမြင့်ဆုံးမှ ၁၂ မီလီမီတာအတွင်းသတ်မှတ်ထားသည်။ p <.12, တညျ့;52]) ။ အဆိုပါ MNI left NAc, (x, y, z) ခဲ့ကြသည့်ဒေသကိုသြဒိနိတ်: -6, 10, -10 [ထိန်းချုပ်မှု] နှင့် -10, 14, -6 [အဝလွန်]; NAc ညာဘက်, (x, y, z): 6, 10, -10 [ထိန်းချုပ်မှု] နှင့် 6, 12, -10 [အဝလွန်]; (x, y, z) left AMYG: -26, -2, -20 [ထိန်းချုပ်မှု] နှင့် -20, 0, -24 [အဝလွန်]; AMYG, လက်ျာ (x, y, z): 22, 0, -20 [ထိန်းချုပ်မှု] နှင့် 24, 2, -24 [အဝလွန်]; (x, y, z) left OFC: -22, 36, -10 [ထိန်းချုပ်မှု] နှင့် -22, 30, -14 [အဝလွန်]; OFC, လက်ျာ (x, y, z): 26, 36, -14 [ထိန်းချုပ်မှု] နှင့် 26, 30, -4 [အဝလွန်] ။ တစ်ခုချင်းစီကိုဒေသအတွက်အချိန်စီးရီးရဲ့ကျောင်းအုပ်ကြီး eigenvariate ဘာသာရပ်-တိကျတဲ့ဒေသခံအများဆုံးမှာဗဟိုပြုတဲ့ 4-မီလီမီတာနယ်ပယ်များမှထုတ်ယူခဲ့သည်။ ကျောင်းအုပ်ကြီး (ဆိုလိုသည်မှာ 1st) eigenvariate အချင်းဝက်အတွင်းနယ်ပယ် 4 မီလီမီတာအတွင်းထည့်သွင်းအပေါငျးတို့သ voxels ၏ကှဲလှဲအပေါ်အခြေခံပြီးဘေးထွက်မသိချင်ယောင်အဆောင်မှတစ်ဦးချိန်အတောအတွင်းကြံ့ခိုင်ဆင်တူတဲ့အကျဉ်းချုပ်အတိုင်းအတာ, ဖြစ်ပါတယ်။
(1) high-ကယ်လိုရီအစားအစာများနှင့် (2) အနိမ့်ကယ်လိုရီအစားအစာများနှင့်ဆက်စပ်အချိန်မှတ်: အဆိုပါဒေသဆိုင်ရာအချိန်စီးရီးဒေတာ (ကျောင်းအုပ်ကြီး eigenvariate တန်ဖိုးများ) ထို့နောက်နှစ်ခုဒေတာအစုံသို့ကွဲကွာခဲ့သည်။ အဆိုပါ hemodynamic သုံးနေပြီများအတွက်အကောင့်မှကျွန်တော်တို့ရဲ့အခြေအနေနှစ်ခုစတင်ခြင်းနှင့် offset အကြားတစ်ဦး 6 s ကို (2 TR) ဇီဝကမ္မနှောင့်နှေးယူဆနဲ့ကျနော်တို့ (အညီဖြည် data တွေကိုချိန်ညှိ [32]) ။ ဒါဟာတစ်ဦးချင်းစီပါဝင်သူအဘို့အသီးအသီးအခွအေနေအဘို့အအချက်အလက်များ၏နှစ်ခု 84 (စကင် volumes ကို၏နံပါတ်) X ကို 6 (ROIs ၏နံပါတ်) မက်တရစ် (high- နှင့်အနိမ့်ကယ်လိုရီအစားအစာများ) တွင်ရလဒ်။
Path ကို parameter သည်ခန့်မှန်း
ပါဝင်သူတစ် ဦး ချင်းစီအတွက်အဆင့်မြင့်ကယ်လိုရီနှင့်ကယ်လိုရီနိမ့်ကျသောအစားအစာများအတွက်လမ်းကြောင်းပုံစံသည်အချက်အလက်များနှင့်ကိုက်ညီသည်။ အခမဲ့လမ်းကြောင်းကိန်း fMRI ဒေတာမှလေ့လာတွေ့ရှိသည့်ဆက်စပ်မှု matrix နှင့် LISREL ဆော့ဖ်ဝဲ (ဗားရှင်း 8, SSI သိပ္ပံဆော့ဝဲလ်) ကိုအသုံးပြု။ မော်ဒယ်အားဖြင့်ဟောကိန်းထုတ်ဆက်စပ်မှု matrix ကိုအကြားကွာဟမှုကိုလျှော့ချခြင်းဖြင့်ခန့်မှန်းခဲ့ကြသည်။ မော်ဒယ်နှစ်ခုလုံး (ဘယ်ဘက်နှင့်ဘယ်ဘက်) ရှိ hemisphere တစ်ခုချင်းစီ၏ဘယ်ဘက် (ညာနှင့်ဘယ်ဘက်) အကြားရှိ standardized parameter ခန့်မှန်းမှု (ဆုတ်ယုတ်မှုရှိβနှင့်ဆင်တူ) သို့မဟုတ်လမ်းကြောင်းကိန်း (connection AMYG → OFC, OFC → NAc နှင့် AMYG → NAc) တစ်ခုစီအတွက်လမ်းကြောင်း (က) နှင့်အနိမ့် ပါဝင်သူတစ် ဦး ချင်းစီအတွက်ကယ်လိုရီအစားအစာများကိုနောက်ဆက်တွဲဆန်းစစ်ခြင်းများပြုလုပ်ရန် SPSS သို့တင်သွင်းသည်။ ဆက်သွယ်မှုသုံးမျိုးချင်းစီအတွက်နမူနာပုံစံ - ANOVA ကိုအုပ်စုလိုက် (အဝလွန်ခြင်းနှင့်ထိန်းချုပ်ခြင်း)၊ အစားအစာအမျိုးအစား (အမြင့် - နှိုင်းယှဉ်ခြင်းနိမ့်ကျခြင်းနှင့် hemisphere) တို့ပါဝင်သည်။ ဒီလေ့လာမှုလေ့လာမှုတစ်ခုအနေနှင့်ကျွန်ုပ်တို့ omnibus မော်ဒယ်များသည်အနည်းဆုံးသိသာထင်ရှားသောသက်ရောက်မှုများ (p <0.10) ကိုပြသခဲ့သဖြင့်တိကျသောလမ်းကြောင်းကိန်း၏အရေးပါမှုကိုကျွန်ုပ်တို့စမ်းသပ်ခဲ့သည်။ အုပ်စုတစ်ခုစီအတွက်နမူနာ t-tests ကို high- နှင့် low-calorie အစားအစာမော်ဒယ်များရှိလမ်းကြောင်းကိန်းများသည်သုညနှင့်သိသိသာသာကွဲပြားမှုရှိမရှိစမ်းသပ်ရန်အသုံးပြုသည်။ Pairwise နှိုင်းယှဉ်ချက်များသည်အုပ်စုအတွင်းရှိ (high-calorie vs. low-calorie အစားအစာများ) နှင့်အုပ်စုအကြားနှိုင်းယှဉ်ခြင်း (အဝလွန်ခြင်းနှင့် high- ကယ်လိုရီအနိမ့်အဘို့အနိမ့်အဘို့အ hemisphere တစ်ခုချင်းစီ (ဘယ်ဘက်နှင့်ညာ) အတွက်လမ်းကြောင်းကိန်းအတွက်ကွဲပြားခြားနားမှုကိုစမ်းသပ်ရန်အသုံးပြုခဲ့ကြသည် -alorie အစားအစာများ, လွတ်လပ်စွာ) ။ တွဲဖက်သော t-tests များကိုအုပ်စုအတွင်းရှိနှိုင်းယှဉ်မှုများအတွက်အသုံးပြုခဲ့သည်။ လွတ်လပ်သောနမူနာများကို t-test များအကြား - အုပ်စုနှိုင်းယှဉ်မှုများအတွက်အသုံးပြုသည်။
ရလဒ်များ
ခန့်မှန်းလမ်းကြောင်းကိန်းအားလုံးအဝလွန်အုပ်စုအတွက်သုညကနေသိသိသာသာကွဲပြားခြားနားသောနှင့် high- နှင့်အနိမ့်ကယ်လိုရီအစားအစာမော်ဒယ်များအတွက်နှစ် ဦး စလုံး hemisphere များအတွက်ထိန်းချုပ်မှု, သတ်မှတ်ထားသောဆက်သွယ်မှုမော်ဒယ် (p တန်ဖိုးများ <0.001; စားပွဲတင် 1).
အကြား-အုပ်စုကိုနှိုင်းယှဉ်
OFC → NAc
OFC → NAc ဆက်သွယ်မှုအတွက်အုပ်စု၏အဓိကအကျိုးသက်ရောက်မှုမရှိပါ။ သို့သော်လမ်းကြောင်းတစ်ခုရှိခဲ့သည် (F [1,22] = 3.70, p = 0.067), အဝလွန်အုပ်စုအတွက် (0.53 ± 0.06) သည်ထိန်းချုပ်မှုများနှင့်နှိုင်းယှဉ်လျှင်ပိုမိုများပြားသောဆက်သွယ်မှုကိုပြသည်။ (0.41 ± 0.06) ။ အုပ်စုတစ်စုက X နှစ် ဦး နှစ်ဖက်အပြန်အလှန် (p = 0.059) ဆီသို့ ဦး တည်နေတဲ့လမ်းကြောင်းသစ်ရှိခဲ့သည်ပေမယ့်အဘယ်သူမျှမသိသာအုပ်စုတစ်စု X အမျိုးအစားသို့မဟုတ်အုပ်စုတစ်စု X အမျိုးအစား X ကိုနှစ် ဦး နှစ်ဖက် interaction ကရှိခဲ့သည်။ OFC → NAc မှဘယ်ဘက်အခြမ်းလမ်းကြောင်းကိန်းများသည် high- နှင့် low-calorie အစားအစာများအတွက်အဝလွန်အုပ်စုတွင်သိသိသာသာမြင့်မားခဲ့သည် (p တန်ဖိုး <.03; သဖန်းသီး။ 3).
AMYG → OFC
ထိုကဲ့သို့သောအုပ်စု၏အဓိကအကျိုးသက်ရောက်မှုရှိခဲ့သည်မှာ AMYG → OFC မှဆက်သွယ်မှုသည်အဝလွန်သူများအတွက် (0.64 ± 0.07) ထိန်းချုပ်မှုများ (0.84 ± 0.07) နှင့်နှိုင်းယှဉ်လျှင်ဤအဆောက်အ ဦ များအကြား ဦး နှောက်ကိုသက်ရောက်စေသည့် ဦး တည်ချက်အကြားဆက်နွယ်မှုကိုပိုမိုအားကောင်းစေခြင်းဖြစ်သည်။ ထိန်းချုပ်မှုအတွက်အစားအစာများ (F [1,22] = 4.46, p = 0.046) ။ အမျိုးအစား X ကိုနှစ် ဦး နှစ်ဖက်အပြန်အလှန်အားဖြင့်အုပ်စုတစ်စုဆီသို့လမ်းကြောင်း (p = 0.066) ရှိခဲ့သည်ပေမယ့်နှစ် ဦး နှစ်ဖက် interaction ကအားဖြင့်အမျိုးအစားသို့မဟုတ်အုပ်စုအားဖြင့်အဘယ်သူမျှမသိသိသာသာအုပ်စုရှိခဲ့သည်။ နောက်ဆက်တွဲဆန်းစစ်ချက်များအရလမ်းကြောင်းကိန်းသည်နှစ်ဆမြင့်မားသောကယ်လိုရီများသောအစားအစာများနှင့်အနိမ့်ကယ်လိုရီအစားအစာများအတွက်မှန်ကန်သော AMYG →လက်ျာ OFC မှသိသိသာသာသာလွန်ကြောင်းပြခဲ့သည် (p တန်ဖိုး <.05; သဖန်းသီး။ 3).
AMYG → NAc
ယုတ်သော AMYG → NAc ဆက်သွယ်မှုအတွက်အုပ်စု၏အဓိကအကျိုးသက်ရောက်မှုမှာအ ၀ လွန်အုပ်စု (0.35 ± 0.05) အတွက်အနိမ့်ဆုံးဆက်သွယ်မှုရှိခဲ့သည်။ ထိန်းချုပ်သူများနှင့်နှိုင်းယှဉ်လျှင် (၀.၄၉ - ၀.၅၅; F [0.49] = 0.05, p = 1,22) ) ။ အုပ်စုတစ်စု X နှစ် ဦး နှစ်ဖက်အပြန်အလှန် (p = 6.00) ဆီသို့ ဦး တည်လမ်းကြောင်းသစ်ရှိခဲ့သည်ပေမယ့်အဘယ်သူမျှမသိသာအုပ်စုတစ်စု X အမျိုးအစားသို့မဟုတ်အုပ်စုတစ်စု X အမျိုးအစား X ကိုနှစ် ဦး နှစ်ဖက် interaction ကရှိခဲ့သည်။ Pairwise နှိုင်းယှဉ်ချက်များအရဘယ်ဘက်ခြမ်းရှိကိန်းများသည် high- နှင့် low-calorie အစားအစာများအတွက်ထိန်းချုပ်မှုများအတွက်သိသိသာသာသာလွန်ကြောင်း (p တန်ဖိုး <.0.023; သဖန်းသီး။ 3).
high- vs. နိမ့်ကယ်လိုရီအစားအစာအခြေအနေအတွင်းမှာပဲ-အုပ်စုကိုနှိုင်းယှဉ်
p = 0.007, ညာ:; တွေ့မြင် p = 0.002 AMYG → OFC ကနေလမ်းကြောင်းကိုကိန်းမြန်မာနိုင်ငံသထိန်းချုပ်မှုအတွက်မြင့်မားသောကယ်လိုရီအစားအစာများအမျိုးအစားနှင့်နှိုင်းယှဉ်လျှင် (လက်ဝဲဘို့သိသိသာသာ သာ. ကြီးမြတ်ခဲ့ကြ သဖန်းသီး။ 4) ။ လမ်းကြောင်းကိန်းများအဘယ်သူမျှအဝလွန်အုပ်စုတစ်စုအတွင်း high- နှင့်အနိမ့်ကယ်လိုရီအစားအစာအခြေအနေများအကြားသိသိသာသာကွဲပြားပါတယ်။
ဆွေးနွေးမှု
[ယခင်သုတေသန, High-ကယ်လိုရီအစားအစာများနှင့်အတူဆက်စပ်အထူးသဖြင့်သူများ, NAc, AMYG အပါအဝင်ဦးနှောက်ဒေသများတွင်ခလုတ် hyperactivity ကြောင်းအစားအသောက်တွေကိုပြသထားပါတယ်, နှင့် OFC ပြေလည်အောင်ဆောင်ရွက်ပေးရန်ထင်သို့မဟုတ်အဝလွန်တစ်ဦးချင်းစီ (ဥပမာအတွက်စိတ်ခွန်အားနိုးနှင့်စိတ်ပိုင်းဆိုင်ရာဖြစ်စဉ်များအနည်းဆုံးကုဒ်68], [77]) ။ ပစ္စုပ္ပန်လေ့လာမှုတှငျကြှနျုပျတို့အဝလွန်နှင့်ပုံမှန်-အလေးချိန်အုပ်စုများအတွင်းနှင့်အကြား high- တုံ့ပြန် NAc, AMYG နှင့် OFC အကြားကွန်ယက်ကိုဆက်သွယ်မှုအတွက်ကွဲပြားခြားနားမှုများနှင့်အနိမ့်ကယ်လိုရီအစားအစာပုံရိပ်တွေရှိခဲ့ခြင်းရှိမရှိစမ်းသပ်စစ်ဆေးပါတယ်။ ဒီအကျိုးကိုကွန်ယက်တွင်ဦးနှောက်ကိုတိုင်းဒေသကြီးများ၏အပြန်အလှန်တိုင်းတာရန်အလုပ်လုပ်တဲ့ neuroimaging အသုံးပြု. ပထမဆုံးလူသားဆက်သွယ်မှုလေ့လာမှုကြောင်းသတိပြုပါရန်အရေးကြီးပါသည်။ ကျနော်တို့ပုံမှန်-အလေးချိန်ထိန်းချုပ်မှုနှင့်နှိုင်းယှဉ်လျှင်နှစ်ဦးစလုံး high- နှင့်အနိမ့်ကယ်လိုရီအစားအစာတွေကိုတုံ့ပြန်အတွက်အဝလွန်အုပ်စုငေါ့ဆက်သွယ်မှုတွေ့ရှိခဲ့ပါတယ်။ အထူးသကအဝလွန်အုပ်စုတစ်စု AMYG-modulated OFC နှင့် NAc နှစ်ဦးစလုံး၏ activation, ဒါပေမယ့် NAc ၏ activation ၏ OFC ရဲ့မော်ဂျူအလွန်အကျွံသြဇာလွှမ်းမိုးမှုဆီသို့တဲ့သဘောထားကိုတစ်ဦးဆွေမျိုးချို့တဲ့ရှိကြောင်းပေါ်လာသည်။ ထို့ကြောင့်မသာဖြစ်နိုင် သာ. ကြီး အကျိုးကိုစနစ်၏ activation, ဒါပေမယ့်လည်းများတွင်ကွဲပြားမှု အပြန်အလှန်ပြုမူမှု ဤကွန်ယက်အတွက်ဒေသအဝလွန်တစ်ဦးချင်းစီအတွက်အစားအစာများ၏အတော်လေးတိုးမြှင့်စိတ်ခွန်အားနိုးတနျဖိုးကိုအထောက်အကူဖြစ်စေလိမ့်မည်။
အကျိုးကိုမော်ဒယ်
NAc, AMYG နှင့် OFC အကြားအားလုံးလမ်းကြောင်းကိုဆက်သွယ်မှု, ထိုအဝလွန်အုပ်စုတစ်စုနှင့်ပုံမှန်-အလေးချိန်ထိန်းချုပ်မှုနှစ်ဦးစလုံးအတွက် high- နှင့်အနိမ့်ကယ်လိုရီအစားအစာမော်ဒယ်များနှစ်ဦးစလုံးအတွက်ဤဒေသများအကြားလူသိများခန္ဓာဗေဒဆက်သွယ်မှုနှင့်အတူတသမတ်တည်းသိသိသာသာခဲ့ကြသည် ([7], [16], [17], [30], [38], [56], [60], [65], [71]) ။ ဤကွန်ယက် motivationally အဓိကဖြစ်ရပ်များ (တုံ့ပြန်၌ဤတိုက်နယ်မှ dopamine ဖြန့်ချိသော ventral tegmental ဧရိယာ [ခြင်းဖြင့် innervated ဖြစ်ပါတယ်9], [39], [71]) ။ သို့သော် NAc, AMYG နှင့် OFC အကြားစီမံကိန်းများတွင်ရုပ်ပြအဖြစ် သဖန်းသီး။ 2 [glutamatergic (များမှာ39], [71]) ။
ဤသည် NAc, AMYG နှင့် OFC ဆုလာဘ်ကွန်ယက်ကို motivationally-သက်ဆိုင်ရာလှုံ့ဆော်မှုအပေါ်တုံ့ပြန်သည့်သက်ဝင်စေဖို့ထင်ပိုကြီးတဲ့ "ရည်ရွယ်ချက်က circuit ကို" နှင့်တိုက်ရိုက်အပြုအမူတစ်ခု subcircuit ဖြစ်ပါတယ် ([39], [63]) ။ အဆိုပါ NAc, AMYG နှင့် OFC, အထူးသဖြင့်, ဖွယ်ရှိယေဘုယျနှင့်အစားအစာ-တိကျတဲ့နှစ်ဦးစလုံးမှအထောက်အကူဖြစ်စေကြောင်းအရေးကြီးသောဆုလာဘ်-related လုပ်ဆောင်ချက်များကိုရှိစိတ်ခွန်အားနိုးဖြစ်စဉ်များ ([6], [10], [11], [36], [39], [45], [63], [66], [73], [80], [83]) ။ အဆိုပါ NAc / ventral striatum [ကို 'limbic-မော်တာ' 'အင်တာဖေ့စ (အဖြစ် conceptualized ထားပြီး55]) နှင့် Pavlovian အေးစက်, မက်လုံးပေး salience နှင့်ဆုလာဘ်ရရှိနိုင်မှု, တန်ဖိုးနှင့်စကားစပ် (ဆက်စပ်သောအပြောင်းအလဲနဲ့တွင်ပါဝင်ပတ်သက်ခံရဖို့ပေါ်လာတဲ့ [13], [15], [21]) ။ ဤဒေသတွင်, opioid-mediated ယန္တရားများမှတဆင့် ventral pallidum နှင့် တွဲဖက်. လည်း [(hedonic တန်ဖိုး code စေခြင်းငှါ9], [10], [11], [74], [75]) ။ အဆိုပါ NAc / ventral striatum လည်း [အထွေထွေစိတ်ခွန်အားနိုး milieu (ဥပမာအဘို့အ code ပုံ14]), ဝင်လာသောဆုလာဘ်-related အချက်ပြမှုများ၏ hierarchical အဖွဲ့အစည်းအတွက်ခွင့်ပြုပါလိမ့်မယ်အရာ။ အစားအစာဆုလာဘ်အဘို့, NAc / ventral striatum (အစားအစာစားသုံးမှုနှိုင်းယှဉ်) အစားအစာများနှင့်ဆက်စပ်တွေကိုကုဒ်ထည့်သွင်းသည့်အတွက်ဦးစားပေးပါဝင်ပတ်သက်မှုကိုပြသပုံပေါ်နှင့်စိတ်ခွန်အားနိုးပြည်နယ် modulate မှ homeostatic နှင့် Non-homeostatic အချက်ပြမှုများကိုပေါင်းစည်းစေခြင်းငှါ ([42], [76]) ။ ဤဒေသတွင်လည်း (ရရှိနိုင်အစားအစာလှုံ့ဆော်မှုများ၏ဆွေမျိုးဆုလာဘ်တန်ဖိုး code လိမ့်မယ် [57]) ။ အဆိုပါ AMYG [motivationally-သက်ဆိုင်ရာဝန်ထမ်းတွေရဲ့လုပ်ငန်းစဉ်များ (ပါဝင်ပတ်သက်ခြင်းကိုခံရပုံပေါ်61], [62]) ။ ပိုပြီးယေဘုယျထိခိုက်စေခြင်းနှင့်စိတ်ခွန်အားနိုးဂုဏ်သတ္တိများများအတွက် coding အပြင်, AMYG လှုပ်ရှားမှု (အစားအစာ-related လှုံ့ဆော်မှုများ၏တိကျသောဂုဏ်သတ္တိများဆက်စပ်ဖြစ်နိုင်သည် [2]) ။ အဆိုပါ OFC [hedonic အတွေ့အကြုံကို (သို့ဆုလာဘ်တန်ဖိုးကိုဘာသာပြန်ဆိုများအတွက် key ကိုဒေသဖြစ်ပေါ်လာသော46]), ဆုလာဘ် (များ၏ယာယီနှင့်ဧကန်အမှန်ဝိသေသလက္ခဏာများ processing [14]), နှင့် AMYG နှင့် တွဲဖက်. (များတွင်လှုံ့ဆော်မှု-related သင်ယူမှုလုပ်ငန်းစဉ်များတွင်ပါဝင်ပတ်သက်နေသည် [24], [59]) ။ အဆိုပါ OFC (အစားအသောက်တွေကိုမှ multimode တုံ့ပြန်မှုပြသထားတယ် [67]) နှင့်နောက်ကျနေခဲ့သည် cortex (ထဲမှာ gustatory အပြောင်းအလဲနဲ့အောက်ပါသည် '' တတိယအဆင့်အရသာဧရိယာ '' အဖြစ်ရည်ညွှန်းထားပြီး [10], [11]) ။
ဆက်သွယ်မှုအုပ်စုကွဲပြားမှု၏အရေးပါမှု
OFC → NAc
ထိန်းချုပ်မှု high- နှင့်အနိမ့်ကယ်လိုရီအစားအစာများကိုနှစ်ဦးစလုံးအဘို့ပြုထက်အဝလွန်အမျိုးသမီးတွေ OFC → NAc ဆက်သွယ်မှု သာ. ကြီးမြတ်လက်ဝဲ hemisphere ပြသခဲ့သည်။ ဒီလမ်းကြောင်းအစားအစာဓါတ်ပုံတွေကိုတိုး OFC activation ၏ပေါင်းစပ်အားဖြင့်အဝလွန်အုပ်စုတွင်ခိုင်ခံ့စေ၏ဤလူတစ်ဦးချင်းစီအတွက် NAc အတွင်း dopamine (DA) function ကိုခြီးမွှောကျခဲ့ကြပေမည်။ Horvitz [33] DA OFC ထံမှ NAc မှတံခါးဝ glutamatergic ဆုလာဘ်သွင်းအားစုမှပြုမူကြောင်းအဆိုပြုထားခဲ့ပါသည်။ ထိုကြောင့် Gates ၏, NAc အတွင်းမြင့်မားတဲ့ DA function ကို၏ရှေ့တော်၌, OFC အတွင်းလှုပ်ရှားမှုမြင့်မားနောက်ထပ် NAc လှုပ်ရှားမှုတိုးမြှင့်အတွက်ပိုပြီးထိရောက်ဖြစ်လာသည်။ အဝလွန်ခြင်းအတွက် DA ၏အခန်းကဏ္ဍကိုအငြင်းပွားဖွယ်ဖြစ်သော်လည်း ([20], [29], [81]), သွယ်ဝိုက်သက်သေအထောက်အထားမှပျော့အတန်အသင့်အဝလွန်တစ်ဦးချင်းစီ (ဥပမာ၏ဆုလာဘ်သည့်စနစ်အတွင်းမြင့်မားသော DA function ကိုအကြံပြု [20]), ထိုကဲ့သို့သောကျွန်တော်တို့ရဲ့နမူနာသူများအတွက်အဖြစ်။ ကျနော်တို့ [သည့် OFC → NAc လမ်းကြောင်းတစ်အစားအစာ cue reactivity ကိုတို့တွင်အဆိုပြုထားအပြုသဘောဆက်ဆံရေးမှသော့ သာ. ကြီးမြတ်စားသုံးမှုနှင့်မြင့်မားသော BMI (ဖြစ်မည်အကြောင်းထင်ကြေး25], [78]) ကြောင့် NAc နေဖြင့်ဝင်ရောက် output ကိုလမ်းကြောင်းအတူ OFC ကကမကထပြုခဲ့အစားအသောက်တွေကိုပုံကြီးချဲ့ပုဂ္ဂလဒိဋ္ဆုလာဘ်တန်ဖိုးခိုင်မာတဲ့နားချင်းဆက်မှီ၏။ နောက်ဆုံးအနေနဲ့ဘာဖြစ်လို့လဲဆိုတော့အဝလွန်ခြင်းနှင့်မူးယစ်ဆေးဝါးစွဲအကြားအကြံပြုမျဉ်းပြိုင်များ (ဥပမာ, [82]), က) စွဲစုံစမ်းစစ်ဆေး OFC အပါအဝင် (PFC dysregulated ကြောင်းအဆိုပြုထားကြပြီမှတ်သားဖွယ်ဖြစ်ပါတယ် NAc Synaptic အချိုမှုဂီယာ→မူးယစ်ဆေး-related တွေကိုတုန့်ပြန် (အတွင်းမူးယစ်ဆေးဝါးများများအတွက်တိုးချဲ့လှုံ့ဆျောမှုကရှင်းပြသည် [37], [39]) ။
AMYG → OFC နှင့် AMYG → NAc
ထိန်းချုပ်မှုနှင့်နှိုင်းယှဉ်လျှင်ထိုအဝလွန်သင်တန်းသားများအတွက်ကျနော်တို့ AMYG ထံမှ OFC နှင့် NAc နှစ်ဦးစလုံးမှလျှော့ချလမ်းကြောင်းကိုကိန်းတွေ့ရှိခဲ့ပါတယ်။ ဤရွေ့ကားကွဲပြားခြားနားမှုမြန်မာနိုင်ငံသ High-ကယ်လိုရီအစားအစာများနှင့်အနိမ့်ကယ်လိုရီအစားအစာများအဘို့အညာဘက်ကိုကမ္ဘာ၏အနောက်ဘက်ခြမ်း AMYG → OFC အဘို့အသိသာရှိကြ၏။ AMYG → NAc ဆက်သွယ်မှု High-ကယ်လိုရီနှင့်အနိမ့်ကယ်လိုရီအစားအစာများကိုနှစ်ဦးစလုံးအတှကျအလက်ဝဲ hemisphere အတွက်အဝလွန်အုပ်စုတွင်အနိမ့်ခဲ့သည်။ အဝလွန်ခြင်းအတွက်ဤအုပ်စုသည်ကွဲပြားခြားနားမှုများ၏ဆက်စပ်မှုရှင်းရှင်းလင်းလင်းမသိရပါဘူးဖြစ်သော်လည်းဤအဆောက်အဦများဖို့ AMYG ကနေလျှော့ဆက်သွယ်မှုဆုလာဘ်တန်ဖိုးမွမ်းမံအတွက်ပြောင်းလွယ်ပြင်လွယ်အယှက်စေခြင်းငှါဖြစ်နိုင်သည်။ မူလတန်းဆုလာဘ်နဲ့ဆက်စပ်လှုံ့ဆော်မှုစိတ်ခွန်အားနိုးတန်ဖိုး AMYG အတွက်ပေါ်ပေါက်စေခြင်းငှါဆည်းပူးခွအခြေခံပညာသင်ယူမှု ([5]) ။ အဆိုပါ AMYG → OFC Project (ပုဂ္ဂလဒိဋ္တန်ဖိုးကိုဆုံးဖြတ်ရန်နှင့်နောက်ဆက်တွဲဆာပရွေးချယ်မှုအပြုအမူကိုသြဇာလွှမ်းမိုးဖို့ AMYG မှသတင်းအချက်အလက်များကိုအသုံးပြုရသော OFC, အခြေခံ motivationally သက်ဆိုင်ရာဝန်ထမ်းတွေရဲ့သတင်းအချက်အလက်လွှဲပြောင်းဖြစ်နိုင်သည် [15]) ။ ဆုလာဘ်တန်ဖိုး Baxter နှင့်လုပ်ဖော်ကိုင်ဘက်များပြင်ဆင်ခြင်းအဘို့ဤလမ်းကြောင်း၏အရေးပါမှု၏ဥပမာတစ်ခုအဖြစ် [3] AMYG နှင့် OFC အကြားဆက်သွယ်မှုပြတ်တောက်ပြီးနောက်စမ်းသပ်တာမျိုးမျောက်များအကျိုးကိုတန်ဖိုးတာဝန်စဉ်အတွင်းသူတို့၏အပြုအမူကိုပြောင်းလဲရန်ပျက်ကွက်ကြောင်းတွေ့ရှိခဲ့ရသည်။ တစ်ဦး cue-ရလဒ်ကိုသင်ယူခြင်းပါရာဒိုင်း, Schoenbaum နှင့်လုပ်ဖော်ကိုင်ဖက်များအတွက် [70] ကိုတွေ့ရှိရပါသည်မှတဆင့် AMYG → OFC လမ်းကြောင်းမတည်ငြိမ်ဖြစ်အောင် cue အသင်းဂုဏ်သတ္တိများဆန့်ကျင်အဖြစ်အာရုံခံတုန့်ပြန်ပစ်ခတ်ပိုပြီး cue-ရွေးချယ် OFC အာရုံခံဆဲလျအတွက်ရလဒ်ကိုတွေ့ရှိခဲ့ပါတယ်။ အပြုအမူ ingestive ပတ်သက်. နှင့်တကွ, အဝလွန်ပါဝင်သူတစ်ဦးလစ်လပ် AMYG → OFC ကွန်နက်ရှင်အစားအစာများနှင့်အစားအစာစားသုံးမှုအမူအကျင့်ထဲမှာပြောင်းလွယ်ပြင်လွယ်လွယ်ကူချောမွေ့ဤတွေကို၏ပုဂ္ဂလဒိဋ္ဆုလာဘ်တန်ဖိုးကိုကို update များအတွက်အရေးကြီးသောစားနပ်ရိက္ခာတွေကိုနှင့် ပတ်သက်. အခြေခံကိုထိခိုက် / စိတ်ပိုင်းဆိုင်ရာတန်ဖိုး suboptimal လွှဲပြောင်းညွှန်ပြလိမ့်မည်။ ပုံမှန်-အလေးချိန်တစ်ဦးချင်းစီနှင့်နှိုင်းယှဉ်လျှင်အစားအစာနှင့်အစားအစာတွေကိုအကျိုးကိုတန်ဖိုးကိုပိုပြီးပြင်းပြင်းထန်ထန်အဝလွန်တစ်ဦးချင်းစီများအတွက်အစားအစာနှင့်အစားအစာတွေကို၏အာရုံခံဂုဏ်သတ္တိများအားဖြင့်မောင်းနှင်နိုင်ပါသည်။ ထို့အပြင်အစားအစာများနှင့်အစားအစာတွေကို၏အာရုံခံ-မောင်းနှင်ဆုလာဘ်တန်ဖိုးကိုဆုလာဘ်ပေါ်ဖြစ်ပေါ်ပြောင်းလဲနေတဲ့၏မျက်နှာကိုအတွက်လျော့နည်းပျော့ဖြစ်နိုင်သည်။
အဆိုပါ AMYG → OFC ကွန်နက်ရှင်ဆင်တူ, AMYG → NAc ကနေအဝလွန်အတွက်လစ်လပ်ကွန်နက်ရှင်အစားအစာများသို့မဟုတ်အစားအသောက်တွေကို (AMYG) ၏ဆုလာဘ်တန်ဖိုးကို modulate မှတာဝန်ထမ်းဆောင်သောအခြေခံ hedonic signal ကိုညွှန်ပြစေခြင်းငှါ, သင့်လျော်စွာစိတ်ခွန်အားနိုးသည်အခြားအချက်ပြမှုများ (ဥပမာအတူမာန်တင်းမထားဘူး , homeostatic) သင့်လျော်သောစားသုံးမိအပြုအမူဆုံးဖြတ်သည်မီ ([84]) ။
ကန့်သတ်ခြင်းနှင့်အသိပေးချက်
- တိုင်းဒေသကြီးများအကြားဆက်သွယ်မှုများ၏အရေအတွက်နှင့်ပေါင်းစပ်တိုင်းအပိုဆောင်းဒေသနှင့်အတူသိသိသာသာမြင့်မားတဲ့အတွက် fMRI အတွက်လမ်းကြောင်းကိုဆန်းစစ်သုံးပြီးမော်ဒယ်သတ်မှတ်ခြင်းစိန်ခေါ်မှုတစ်ရပ်ဖြစ်နိုင်ပါသည်ယုံကြည်စိတ်ချရသောဤသူလမ်းကြောင်းကိုကိန်းခန့်မှန်းပြီးပိုခက်ခဲတွေ့ရှိချက်များကိုအနက်အဓိပ္ပာယ်ဖွစေသည်ရသောမော်ဒယ်တွင်ထည့်သွင်း။ ဥပမာ, hemisphere နှုန်း 3 ဒေသများနှင့်အတူဤလေ့လာမှု (6 ဒေသများစုစုပေါင်း) အတွက်ရှိပါတယ် ဋ = N ကို(N ဒေတာအစုနှုန်းလွတ်လပ်ခွင့် + 1) / 2 = 21 ဒီဂရီ (k = စမ်းသပ်ပြီးနှစ်ခုမော်ဒယ်များများအတွက်လွတ်လပ်မှု 42 ဒီဂရီ) စိတ်ဝင်စားမှုများ၏အကျိုးသက်ရောက်မှုများခန့်မှန်းရန်ချထားပေး။ လွတ်လပ်မှုကိုဆယ်နှစ်ဒီဂရီနှစ်ဦးစလုံးမော်ဒယ်များ (6 မော်ဒယ်များ×မော်ဒယ်နှုန်း 2 ဒေသများ) တွင်တစ်ဦးချင်းစီဒေသနှင့်ဆက်စပ်နေသည့်ကှဲလှဲခန့်မှန်းရန်အသုံးပြုကြသည်။ နှင့် အနည်းဆုံး (ယုံကြည်စိတ်ချရသောပုံစံအတွက်တစ်ဦးချင်းစီလမ်းကြောင်းကိုများအတွက် parameter သည်တန်ဖိုးများကိုခန့်မှန်းရန်လိုအပ်သော 5 data တွေကိုမှတ်၏ [4]), ဒီ) မော်ဒယ်တစ်ဦးလျှင်တစ်ဦးချင်းစီ (30 ခန့်မှန်းလမ်းကြောင်း 6 ဒေသများနှင့်အတူနှစ်ဦးကိုမော်ဒယ်များများအတွက် 15 ခန့်မှန်းလမ်းကြောင်း၏အများဆုံးအရွက်။ ဒီလမ်းကြောင်းခွဲခြမ်းစိတ်ဖြာသုံးပြီးစုံစမ်းစေနိုငျသောပုံစံ၏ရှုပ်ထွေးကန့်သတ်ခြင်းနှင့်ကျွန်ုပ်တို့မော်ဒယ်များအတွက် interhemispheric ဆက်သွယ်မှုထည့်သွင်းရန်ကိုရွေးတော်မတဦးတည်းအကြောင်းပြချက်ဖြစ်ပါတယ်။
- ကျနော်တို့တိုက်ရိုက်ယူဆချက်မော်ဒယ်အတွက်ဆက်သွယ်မှုအကြားအုပ်စုတစ်စုကွဲပြားမှုအဘို့စမ်းသပ်နိုင်ရန်အတွက် Two-ဇာတ်စင် SEM / GLM ချဉ်းကပ် ရွေးချယ်. နှုန်း se အုပ်စုများအကြားမော်ဒယ်၏မထိုက်မတန်နှိုင်းယှဉ်ထဲမှာရှိသကဲ့သို့စိတ်ဝင်စားကြဘူး။ ဤသည်ချဉ်းကပ်မှုအစဉ်အလာ fMRI ထံမှကွဲပြားခြားနားသည်နှင့်လမ်းကြောင်းခွဲခြမ်းစိတ်ဖြာနည်းစနစ် [တာဝန်များကိုသို့မဟုတ်အုပ်စုများ (အကြားမော်ဒယ်မထိုက်မတန်နှိုင်းယှဉ်သည် "stacked မော်ဒယ်ချဉ်းကပ်မှု" ဟုချေါ50]) ။ သို့သော် Protzner နှင့် McIntosh [64] မကြာသေးမီကအကြွင်းမဲ့အာဏာမော်ဒယ်မထိုက်မတန်သတင်းအချက်အလက်လမ်းကြောင်းခွဲခြမ်းစိတ်ဖြာသုံးပြီးယုံကြည်စိတ်ချရသော parameter သည်ခန့်မှန်းခြေ generate နိုင်ရန်အတွက်မလိုအပ်ကြောင်းသတင်းထုတ်ပြန်ခဲ့သည်။
- ဤလေ့လာမှု၏နောက်ထပ်န့်အသတ်များကြောင့်အုပ်စုတစ်ခုချင်းစီအတွက်အသုံးပြုငယ်လေးနမူနာအရွယ်အစား, ငါတို့၏မော်ဒယ်များအတွက်ခန့်မှန်းလမ်းကြောင်းကိန်းများအကြားခြားနားချက်များ detect လုပ်ဖို့ပါဝါမှပြောပြတယ်။ ပိုကြီးတဲ့အုပ်စုတစုကိုအရွယ်အစားနှင့်အတူ, ကျွန်တော်တို့ရဲ့လမ်းကြောင်းသစ်အဆင့်တွေ့ရှိချက်ဖွယ်ရှိစာရင်းအင်းအရေးပါမှုကိုရောက်ရှိပါလိမ့်မည်။
- ကျနော်တို့ကို (mesocorticolimbic circuit ကိုအတွင်း dopamine ၏အရင်းအမြစ်ဆုလာဘ်နဲ့သက်ဆိုင်တဲ့လုပ်ငန်းစဉ်များအများအပြားပြေလည်အောင်ဆောင်ရွက်ပေးရန်အဆိုပြုထားသည် ventral tegmental ဧရိယာ (VTA) မပါဝင်ခဲ့ပါ [26], [35], [72]), ခက်ခဲ VTA တူသော brainstem ဒေသများ (ထဲမှာ activation ဖော်ထုတ်မယ်စေ BOLD fMRI နှင့်ဆက်စပ်သောအတိုင်းအတာများကန့်သတ်မှုကြောင့်ကျွန်တော်တို့ရဲ့မော်ဒယ်အတွက် [19]) ။
သုံးသပ်ချက်နှင့်အကျဉ်းချုပ်
အချုပ်အားကျွန်ုပ်တို့၏ neuroimaging လေ့လာမှု AMYG ထံမှ OFC နှင့် NAc မှလျှော့ဆက်သွယ်မှုနှင့်ဤသင်တန်းသားများအတွက် OFC → NAc အတွက်တိုးမြှင့်ဆက်သွယ်မှုနှင့်အတူထိန်းချုပ်မှုနှင့်နှိုင်းယှဉ်ပါအဝလွန်တစ်ဦးချင်းစီအတွက်ထစ်အငေါ့ဆုလာဘ်ကွန်ယက်ကိုဆက်သွယ်မှုတွေ့ရှိခဲ့ပါတယ်။ ဤရလဒ်သည်အစားအစာများကိုတုန့်ပြန်မှသာပုံကြီးချဲ့ဆုလာဘ် system ကို activation မရှိကြောင်းဖေါ်ပြခြင်းအတွက်ယခင်အစီရင်ခံစာများအဖို့ add, ဒါပေမယ့်လည်းအဝလွန်တစ်ဦးချင်းစီ၌ဤကွန်ယက်ဒေသများအကြားတစ်ဦးပုံမှန်မဟုတ်သောအပြန်အလှန်။ OFC → NAc ဆက်သွယ်မှုအစားအစာများကိုစားသုံးဖို့ကြီးထွား drive ကိုအထောက်အကူပြုစေခြင်းငှါ, နှင့် AMYG ထံမှ (1) လစ်လပ်ဆက်သွယ်မှုစိတ်ခံစားမှု / ဘေးဒဏ်သင့်၏ suboptimal မော်ဂျူဖြစ်ပေါ်စေခြင်းငှါ, တိုးမြှင့ (2): အထူးသဖြင့်ကျနော်တို့အဝလွန်တစ်ဦးချင်းစီအတွက် overeating နှစ်ခုယန္တရားများကလွှမ်းမိုးစေခြင်းငှါထင် တစ်အစားအစာသို့မဟုတ်အစားအသောက်တွေကိုဆုလာဘ်တန်ဖိုးရှုထောင့်။ အစားအစာစားသုံးမှုသည်အောက်ပါအစားအစာများသို့မဟုတ်အစားအသောက်တွေကိုတန်ဖိုးချခြင်းကိုအချက်ပြမှသင့်လျော်သောအကျိုးသက်ရောက်စေ / စိတ်ခံစားမှုသတင်းအချက်အလက်မပါဘဲ, ကြီးထွား drive ကို hyperphagia နှင့်တိုးချဲ့ကိုယ်အလေးချိန်မှဦးဆောင် homeostatic ယန္တရားများကိုလွှမ်းမိုးလိမ့်မည်။ ဝန်ခံရမည်ကျနော်တို့ဟာရိုးရိုးဆုလာဘ်ကွန်ယက်ကိုစုံစမ်း။ နောက်ထပ်လေ့လာမှုများအကျိုးကိုစနစ်ဆက်သွယ်မှုစုံစမ်းစစ်ဆေးရန်နှင့်ဤဒေသများအတွက် prefrontal cortex အတွက် hypothalamus နှင့် brainstem အတွက် homeostatic ယန္တရားများအဖြစ်အစားအစာစားသုံးမှုကိုထိန်းချုပ်၏သိမြင်မှုယန္တရားများနှင့်အတူအပြန်အလှန်မယ်ဘယ်လိုလိုအပ်သောဖြစ်ကြသည်။ ဒါဟာအစပိုကောင်းဆုလာဘ်ယန္တရားများကိုစားသုံးမိအပြုအမူကိုသြဇာလွှမ်းမိုးပုံကိုနားလည်ရန်အလို့ငှာ၌ဤဆုလာဘ်ကွန်ယက်ကို modulate ဘယ်လိုတစ်ဦးချင်းစီကွဲပြားခြားနားမှုများနှင့် interoceptive နှင့် exteroceptive အချက်များဆုံးဖြတ်ရန်စိတ်ဝင်စားဖို့ဖြစ်လိမ့်မည်။
ကျေးဇူးတင်လွှာ
အဆိုပါ NIH-NIDCD Intramural သုတေသနအစီအစဉ်ကထောက်ခံသည် GCRC သုတေသနအရင်းအမြစ်များ, အ Procter နှင့် Gamble Co. , နှင့် Functional Imaging ၏ဖွံ့ဖြိုးရေး UAB ရဲ့စင်တာ (CDFI) ၏အရင်းအမြစ်များကိုများအတွက်အမျိုးသားစင်တာမှ M01 RR-00032 ပေးရန်။
အောက်ခြေမှတ်ချက်များ
ထုတ်ဝေသူ၏ရှင်းလင်းချက် - ဒါကထုတ်ဝေမှုအတွက်လက်ခံလိုက်ပါသည်တစ်ခုတည်းဖြတ်ခြင်းမရှိဘဲလက်ရေးမူများမှာတွေ့နိုင်ပါတယ်တဲ့ PDF ဖိုင်ဖြစ်ပါသည်။ ကျွန်တော်တို့ရဲ့ဖောက်သည်ဝန်ဆောင်မှုအဖြစ်ကျနော်တို့ကလက်ရေးမူများမှာတွေ့နိုင်ပါတယ်၏ဤအစောပိုင်းဗားရှင်းပေးနေကြသည်။ ဒါကြောင့်သူ့ရဲ့နောက်ဆုံး citable form မှာထုတ်ဝေမီလက်ရေးမူများမှာတွေ့နိုင်ပါတယ် copyediting, လုပ်ခြင်း, စာစီ, နှင့်ရရှိလာတဲ့သက်သေ၏သုံးသပ်ချက်ကိုခံယူပါလိမ့်မယ်။ ထုတ်လုပ်မှုလုပ်ငန်းစဉ်အတွင်းအမှားအယွင်းများအကြောင်းအရာကိုထိခိုက်နိုင်သည့်ရှာဖွေတွေ့ရှိစေခြင်းငှါ, ထိုဂျာနယ်လျှောက်ထားသောသူအပေါင်းတို့သည်ဥပဒေရေးရာအကြောင်းသတိပြုစရာများစပ်ဆိုင်သောအကြောင်းသတိပြုပါ။
အကျိုးစီးပွား၏ပဋိပက္ခ
အဆိုပါစာရေးဆရာသူတို့အဘယ်သူမျှမယှဉ်ပြိုင်ဘဏ္ဍာရေးအကျိုးစီးပွားများကြေညာလိုက်ပါသည်။
ကိုးကား
;
