Mönster av hjärnstrukturell anslutning skiljer normal vikt från överviktiga ämnen (2015)

Bakgrund

Förändringar i den hedoniska komponenten av intagsbeteenden har implicerats som en möjlig riskfaktor i patofysiologin hos överviktiga och feta individer. Neurobildande bevis från individer med ökande kroppsmassaindex tyder på strukturella, funktionella och neurokemiska förändringar i det utökade belöningsnätverket och associerade nätverk.

Syfte

Att tillämpa en multivariat mönsteranalys för att särskilja normalviktiga och överviktiga ämnen baserat på mätningar av grå och vit substans.

Metoder

Strukturella bilder (N = 120, överviktig N = 63) och diffusionstensorbilder (DTI) (N = 60, överviktig N = 30) erhölls från friska kontrollpersoner. För det totala urvalet var medelåldern för den överviktiga gruppen (kvinnor = 32, män = 31) 28.77 år (SD = 9.76) och för normalviktsgruppen (kvinnor = 32, män = 25) 27.13 år (SD = 9.62) ). Regional segmentering och parcellering av hjärnbilderna utfördes med hjälp av Freesurfer. Deterministisk traktografi utfördes för att mäta den normaliserade fiberdensiteten mellan regioner. En multivariat mönsteranalysmetod användes för att undersöka om hjärnmått kan skilja överviktiga från normalviktiga individer.

Resultat

1. Klassificering av vit substans: Klassificeringsalgoritmen, baserad på 2 signaturer med 17 regionala kopplingar, uppnådde 97 % noggrannhet i att skilja överviktiga individer från normalviktiga individer. För båda hjärnsignaturerna observerades större anslutningsmöjligheter, indexerad av ökad fibertäthet, vid övervikt jämfört med normalvikt mellan belöningsnätverksregionerna och regionerna i den verkställande kontrollen, emotionell upphetsning och somatosensoriska nätverk. Däremot hittades det motsatta mönstret (minskad fiberdensitet) mellan ventromediala prefrontala cortex och främre insula, och mellan thalamus och exekutiva kontrollnätverksregioner. 2. Klassificering av grå substans: Klassificeringsalgoritmen, baserad på 2 signaturer med 42 morfologiska egenskaper, uppnådde 69 % noggrannhet i att skilja mellan övervikt och normalvikt. I båda hjärnsignaturregionerna förknippades belönings-, framträdande, verkställande kontroll och känslomässig upphetsningsnätverk med lägre morfologiska värden hos överviktiga individer jämfört med normalviktiga individer, medan det motsatta mönstret sågs för regioner i det somatosensoriska nätverket.

Slutsatser

1. Ett ökat BMI (dvs överviktiga personer) är associerat med tydliga förändringar i hjärnans grå substans och fibertäthet. 2. Klassificeringsalgoritmer baserade på vit materia-anslutning som involverar regioner i belöningen och associerade nätverk kan identifiera specifika mål för mekanistiska studier och framtida läkemedelsutveckling som syftar till onormalt intagsbeteende och vid övervikt/fetma.

2.3.1. Strukturell (grå substans) MRT

Ämnen (N = 120, högt BMI N = 63) skannades på en 3.0 Tesla Siemens TRIO efter att en sagittal scout användes för att placera huvudet. Strukturella skanningar erhölls från 4 olika inhämtningssekvenser med ett högupplöst 3-dimensionellt T1-viktat, sagittal magnetiseringsförberedt snabbt gradienteko (MP-RAGE) protokoll och skanningsdetaljerna är: 1. Upprepningstid (TR) = 2200 ms, ekotid (TE) = 3.26 ms, vändvinkel (FA) = 9, 1 mm³ voxelstorlek. 2. TR = 2200 ms, TE = 3.26 ms, FA = 20, 1 mm³ voxelstorlek. 3. TR = 20 ms, TE = 3 ms, FA = 25, 1 mm³ voxelstorlek. 4. TR = 2300 ms, TE = 2.85 ms, FA = 9, 1 mm³ voxelstorlek. Inverkan av förvärvsprotokoll på skillnader i total gråsubstansvolym (TGMV) bedömdes. Specifikt användes den allmänna linjära modellen (GLM) för att bestämma protokollets inverkan på TGMV-kontroll för ålder. Resultaten visade att alla protokoll inte liknade varandra (F(3) = 6.333, p = .053).

2.3.2. Anatomisk anslutning (vit substans) MRT

En delmängd av det ursprungliga provet (N = 60, högt BMI N = 30) genomgick diffusionsvägd MRI (DWI) enligt två jämförbara förvärvsprotokoll. Specifikt förvärvades DWIs i antingen 61 eller 64 icke-kollinjära riktningar med b = 1000 s/mm², med 8 eller 1 b = 0 s/mm² bilder, respektive. Båda protokollen hade en TR = 9400 ms, TE = 83 ms och synfält (FOV) = 256 mm med en insamlingsmatris på 128 × 128 och en skivtjocklek på 2 mm för att producera 2 × 2 × 2 mm³ isotropa voxlar.

2.4.1. Strukturell (grå substans) segmentering och parcellering

T1-bildsegmentering och regional paketering utfördes med FreeSurfer (Dale et al., 1999; Fischl et al., 1999, 2002) enligt nomenklaturen som beskrivs i Destrieux et al. (2010). För varje hjärnhalva märktes en uppsättning av 74 bilaterala kortikala strukturer utöver 7 subkortikala strukturer och cerebellum. Segmenteringsresultat från ett provämne visas i Fig 2S. En ytterligare mittlinjestruktur (hjärnstammen som inkluderar delar av mellanhjärnan såsom det ventrala tegmentala området [VTA] och substantia nigra) inkluderades också, för en komplett uppsättning av 165 parcelleringar för hela hjärnan. Fyra representativa morfologiska mått beräknades för varje kortikal parcellation: grå substansvolym (GMV), ytarea (SA), kortikal tjocklek (CT) och medelkurvatur (MC). Arbetsflöden för databearbetning designades och implementerades vid Pipeline Laboratory of Neuroimaging (LONI) (http://pipeline.loni.usc.edu).

 

figur 2

A. Resultat av strukturell segmentering och parcellering och B. resultat av vita fibrer associerade med strukturella parcelleringar från ett provobjekt. S: Strukturell segmentering. B: Segmentering av vit substans.

2.4.2. Anatomisk anslutning (vit materia)

Diffusionsviktade bilder (DWI) korrigerades för rörelse och användes för att beräkna diffusionstensorer som var roterande omorienterade vid varje voxel. Diffusionstensorbilderna justerades om baserat på trilinjär interpolation av log-transformerade tensorer som beskrivs i Chiang et al. (Chiang et al., 2011) och omsamplades till en isotrop voxelupplösning (2 × 2 × 2 mm³). Arbetsflöden för databearbetning skapades med hjälp av LONI-pipeline.

Vit substans anslutning för varje individ uppskattades mellan de 165 hjärnregionerna identifierade på strukturella bilder (Fig. 2B) med användning av DTI-fibertraktografi. Traktografi utfördes via algoritmen Fiber Assignment by Continuous Tracking (FACT) (Mori et al., 1999) med TrackVis (http://trackvis.org) (Irimia et al., 2012). Den slutliga uppskattningen av anslutning av vit substans mellan var och en av hjärnregionerna bestämdes baserat på antalet fiberområden som skär varje region, normaliserat med det totala antalet fiberområden i hela hjärnan. Denna information användes sedan för efterföljande klassificering.

2.5.1. Utveckling av den prediktiva modellen

Antalet hjärnsignaturer för varje analys fastställdes till två (Lê Cao et al., 2008b). en stabilitetsanalys användes för att bestämma det optimala antalet hjärnregioner för varje hjärnsignatur (Lê Cao et al., 2011). Först tillämpas sPLS-DA över en rad variabler, 5–200, som ska väljas för var och en av de två hjärnsignaturerna. För varje specifikation av antalet variabler som ska väljas utförs 10-faldig korsvalidering som upprepas 100 gånger. Denna korsvalideringsprocedur delar in träningsdata i 10 gånger eller delprov av data (n = 12 testset). Ett enstaka delprov läggs åt sidan som testdata och de återstående delproverna används för att träna modellen. Variablernas stabilitet bestäms genom att beräkna antalet gånger en specifik variabel väljs över alla korsvalideringskörningar. Endast hjärnvariabler med en stabilitet på mer än 80 % användes för att utveckla den slutliga modellen.

2.6.1. Gles partiella minsta kvadrater — diskriminera analys (sPLS-DA)

sPLS-DA utfördes med R-paketet mixOmics (http://www.R-project.org). Vi undersökte den prediktiva kraften hos hjärnmorfometri och DTI anatomisk anslutning separat. Förutom regional hjärnmorfometri eller regional anatomisk anslutning inkluderades ålder och total GMV som möjliga prediktorer. För erhållna morfologiska data ingick mått på GMV, SA, CT och MC i modellen. För DTI anatomiska anslutningsdata som erhölls, transformerades ämnesspecifika matriser som indexerade relativ fiberdensitet mellan de 165 regionerna till 1-dimensionella matriser innehållande 13,530 369 unika anslutningar (övre triangeln från den initiala matrisen). Dessa matriser sammanfogades sedan över försökspersoner och fördes in i sPLS-DA. Som ett initialt datareduktionssteg togs variansprediktorer nära noll bort och detta resulterade i XNUMX återstående anslutningar. Hjärnsignaturerna sammanfattades med hjälp av variabla belastningar på de individuella dimensionerna och VIP-koefficienterna. Vi använder också grafiska displayer för att illustrera algoritmernas diskriminerande förmåga (Lê Cao et al., 2011). Den prediktiva förmågan hos de slutliga modellerna bedömdes med hjälp av korsvalidering med utelämnande. Vi beräknade också binära klassificeringsmått: sensitivitet, specificitet, positivt prediktivt värde (PPV) och negativt prediktivt värde (NPV). Här indexerar känsligheten klassificeringsalgoritmens förmåga att korrekt identifiera överviktiga individer. Specificitet återspeglar klassificeringsalgoritmens förmåga att korrekt identifiera normalviktiga individer. PPV återspeglar andelen av provet som visar den specifika överviktiga hjärnsignaturen från klassificeringsalgoritmen och som faktiskt är överviktiga (true positive). Å andra sidan är NPV sannolikheten att om testresultatet är negativt, dvs att deltagaren inte har den överviktsspecifika hjärnsignaturen (true negativ).

2.6.2. Provegenskaper

Statistiska analyser utfördes med programvaran Statistical Package for the Social Sciences (SPSS) (version 19). Gruppskillnader i beteendemåttpoäng utvärderades genom att tillämpa variansanalys (ANOVA). Betydelse ansågs kl p < 05 okorrigerad.

3.2.1. Anatomisk anslutning (vit materia) baserad klassificering

Vi undersökte om hjärnans anatomiska anslutningsvita substans kunde användas för att skilja överviktiga individer från normalviktiga individer. Fig 3A skildrar individerna från provet representerade i förhållande till de två hjärnsignaturerna och skildrar de diskriminerande förmågorna hos klassificeraren av vit substans. Binära klassificeringsmått beräknades och indikerade en sensitivitet på 97 %, specificitet på 87 %, PPV på 88 % och NPV på 96 %. Tabell 2 innehåller listan över de stabila vita substansanslutningarna som omfattar varje diskriminerande hjärnsignatur tillsammans med variabla laddningar och VIP-koefficienter.

 

figur 3

A. Klassificerare baserad på fiberdensitet (vit substans). B. Klassificerare baserad på gråmateriamorfologi. S: Visar de särskiljande egenskaperna hos klassificeraren för fiberdensitet (vit materia). B: Visar gråmateriaklassificerarens diskriminerande förmågor. .

 

bord 2

Lista över anatomiska kopplingar som omfattar varje diskriminerande hjärnsignatur.

3.2.2. Anatomisk anslutningsbaserad hjärnsignatur 1

Den första hjärnsignaturen står för 63 % av variansen. Som indikeras av VIP-koefficienterna inkluderade variablerna i lösningen som förklarar den största variansen 1) kopplingar mellan regioner i belöningsnätverket (putamen, pallidum, hjärnstammen [inklusive mellanhjärnans regioner såsom VTA och substantia nigra]) med regioner i ledningen kontroll (precuneus som är en del av den bakre parietal cortex), salience (främre insula), emotionell upphetsning (ventromedial prefrontal cortex) och somatosensoriska (postcentrala gyrus) nätverk; 2) regioner av det känslomässiga upphetsningsnätverket (främre mittcingulära cortex, ventromediala prefrontala cortex) med regioner av salience (främre insula) och somatosensoriska (paracentral lobule inklusive kompletterande motorisk cortex) nätverk; och 3) thalamus med den mellersta occipitala gyrusen och thalamus med en exekutiv kontrollnätverksregion (dorsal lateral prefrontal cortex).

Jämfört med normalviktsgruppen visade den överviktiga gruppen större anslutning från regioner i belöningsnätverket (putamen, pallidum, hjärnstammen) till det verkställande kontrollnätverket (posterior parietal cortex) och från putamen till en hämmande del av det känslomässiga upphetsningsnätverket ( ventromediala prefrontala cortex) och till regioner av det somatosensoriska nätverket (postcentral gyrus och posterior insula). Lägre anslutningsmöjligheter observerades i den överviktiga gruppen i regioner från det känslomässiga upphetsningsnätverket (ventromediala prefrontala cortex) till saliencenätverket (anterior insula), men större anslutningsbarhet i den överviktiga gruppen från regioner från det känslomässiga upphetsningsnätverket (ventromediala prefrontala cortex) till somatosensoriskt nätverk (posterior insula). Lägre konnektivitet observerades också i den överviktiga gruppen i anslutningarna från den somatosensoriska (paracentral lobulen) till den främre mittcingulära cortexen men högre konnektivitet från den paracentrala lobulen till den subparietala sulcus (del av det somatosensoriska nätverket). När man tittar på talamuskopplingar observerades lägre anslutningsmöjligheter från talamus till den dorsala laterala prefrontala cortex (exekutiv kontrollnätverk) och till den mellersta occipitala gyrusen hos överviktiga individer jämfört med normalviktiga individer.

3.2.3. Anatomisk anslutningsbaserad hjärnsignatur 2

Den andra identifierade anatomiska hjärnsignaturen stod för ytterligare 12 % av variansen i data. Variablerna som bidrog mest till gruppdiskrimineringen som indikeras av VIP-koefficienten inkluderade kopplingar i belöningsregionerna (putamen, orbital sulci som är en del av orbital frontal gyrus och hjärnstammen) och emotionell upphetsning (gyrus rectus som är den mediala del av den ventromediala prefrontala cortex) nätverken.

Hos överviktiga individer jämfört med normalviktiga individer observerades större anslutning mellan belöningsnätverksregionerna (hjärnstammen och putamen) till både den verkställande kontrollen (dorsal lateral prefrontal cortex) och den hämmande delen av den emotionella upphetsningen (ventromedial prefrontal cortex). Däremot var anslutningen mellan occipital orbital frontal gyrus (belöningsnätverk) lägre hos överviktiga individer jämfört med normalviktiga individer.

3.2.4. Morfometrisk gråsubstansbaserad klassificering

Vi undersökte om hjärnmorfometri (volym av grå substans, ytarea, kortikal tjocklek och medelkrökning) kunde användas för att skilja överviktiga individer från normalviktiga individer. Fig 3B avbildar individerna från provet representerade i förhållande till de två hjärnsignaturerna och skildrar de särskiljande förmågorna hos den morfometriska klassificeraren. Binära klassificeringsmått beräknades och indikerade en sensitivitet på 69 %, specificitet på 63 %, PPV på 66 % och NPV på 66 %. Tabell 3 innehåller listan över morfometriska mått som omfattar varje särskiljande tillsammans med variabla belastningar och VIP-koefficienter.

 

bord 3

Regional morfometri som omfattar varje hjärnsignatur.

3.2.5. Morfologiskt baserad hjärnsignatur 1

Den första hjärnsignaturen förklarade 23% av variationen i de morfometriska fenotypdata. Som framgår av VIP-koefficienterna inkluderade variabler som bidrog mest varians till signaturen regioner av belöningen (subregioner av den orbitala frontala gyrusen), salience (främre insula), exekutiv kontroll (dorsal lateral prefrontal cortex), emotionell upphetsning (ventromedial prefrontal cortex). ) och somatosensoriska (precentral sulcus, supramarginal gyrus, subcentral sulcus, superior frontal sulcus) nätverk. Höga VIP-koefficienter observerades också för den övre frontala gyrusen och sulcusen, den övre temporala gyrusen, den transversella frontopolära gyrien och den främre transversella temporala gyrusen. Regioner av belöning, framträdande, verkställande kontroll och emotionell upphetsning nätverk var förknippade med lägre värden hos överviktiga individer jämfört med normalviktiga individer. Dessutom hade överviktiga individer jämfört med normalviktiga individer större värden i regioner av det somatosensoriska nätverket. Morfometri av frontala och temporala regioner (superior temporal gyrus och främre transversella temporal gyrus) var också associerade med lägre värden hos överviktiga individer jämfört med normalviktiga individer.

3.2.6. Morfologiskt baserad hjärnsignatur 2

Den andra morfologiska hjärnsignaturen förklarade 32 % av variansen. Variabler med de högsta VIP-koefficienterna liknade de VIP-koefficienter som observerades i hjärnsignatur 1 genom att de inkluderade regioner av belöningen (caudat), salience (anterior insula), exekutiva kontroll (delar av den bakre parietala cortex), emotionell upphetsning (parahippocampal) gyrus, subgenual främre cingulate cortex och främre cingulate cortex) och somatosensoriska (posterior insula och paracentral lobule) nätverk. Men hjärnsignatur 2 jämfört med hjärnsignatur 1 hade bara en anslutning från belöningsnätverket och fler anslutningar från regioner av framträdande och emotionell upphetsningsnätverk.

Hos överviktiga individer jämfört med normalviktiga individer, lägre värden för morfometri i nätverken belöning, framträdande, verkställande kontroll och emotionell upphetsning, men högre värden i det somatosensoriska nätverket indikerades.

4.1.1. Anatomisk anslutningsbaserad hjärnsignatur 1

Den första hjärnsignaturen bestod till stor del av kopplingar inom och mellan belöning, framträdande, verkställande kontroll, emotionell upphetsning och sensoriska nätverk. Det fanns också thalamiska kopplingar till regioner i det verkställande kontrollnätverket och till occipitalregionen. Motsvarande vårt fynd av minskade anslutningar från den ventromediala prefrontala cortex till främre isolationen observerade i gruppen med övervikt jämfört med normalviktsgruppen, minskad integritet av vita substanser (reducerad fraktionerad anisotropi) i den externa kapseln (som innehåller fibrer som binder samman kortikala områden till andra kortikala områden via korta associationsfibrer) har rapporterats hos överviktiga jämfört med kontroller (Shott et al., 2014). Dessutom, hos feta jämfört med kontroller var den skenbara diffusionskoefficienten (vattendiffusion som reflekterar cellskada) större i det sagittala skiktet (som är känt för att överföra information från parietal, occipital, cingulate och temporal regioner till thalamus), och kan vara konsekvent med våra observationer av lägre anslutning mellan höger thalamus och höger mellersta occipitala gyrus för överviktiga individer jämfört med normalviktiga individer (Shott et al., 2014). Shott och kollegor (Shott et al., 2014) identifierade också större skenbara diffusionskoefficienter (som återspeglar möjlig cellskada) i den överviktiga gruppen i corona radiata, vilket tycks komplettera våra fynd av lägre relativ fiberdensitet mellan djupa gråa strukturer (som thalamus) och kortikala områden (dorsal) lateral prefrontal cortex) hos överviktiga individer jämfört med normalviktiga individer. Förändrad talamusanslutning kan störa talamus roll för att underlätta förmedlingen av perifer sensorisk information till cortex (Jang et al., 2014).

En separat studie som jämförde okomplicerad ungdom med fetma med normalviktiga individer fann också minskad fraktionerad anisotropi hos feta ungdomar i regioner som den yttre kapseln, inre kapseln (som mestadels bär uppåtgående och nedåtgående kortikospinala kanaler), såväl som vissa temporala fibrer och optisk strålning (Yau et al., 2014). En nyligen genomförd studie observerade också förlust av nervfibrers förbindelser med DTI mellan hjärnstammen och hypotalamus hos en individ med hjärnstammens kavernom som, efter att ha genomgått kirurgisk dränering, hade en dramatisk viktökning, vilket kan tyda på att dessa nervfibrer är involverade i regleringen av både matintag och vikt (Purnell et al., 2014). Vi identifierade dock inte anslutningsskillnader med hypotalamus, vilket delvis kan bero på parcellationsbegränsningar baserat på de särskilda atlaserna som används i den aktuella studien.

4.1.2. Anatomisk anslutningsbaserad hjärnsignatur 2

En andra ortogonal signatur bestod av endast tre anatomiska anslutningar inom nätverken för belöning och känslomässig upphetsning. Identifieringen av ändrade förbindelser inom regioner som utgör belöningsnätverket och med regioner i nätverken det interagerar med i den aktuella studien har inte tidigare rapporterats. Dessa förändringar kan dock förutses baserat på nya morfologiska studier som har observerat förändringar av grå substans inom regioner i det utökade belöningsnätverket (Kenny, 2011; Kurth et al., 2013; Raji et al., 2010; Volkow et al., 2008). Tillsammans tycks våra resultat visa omfattande förändringar i anslutningsmöjligheter för vit materia för regioner som utgör belöningsnätverket och dess associerade nätverk.

Medan andra studier har funnit minskad fiberintegritet mätt med minskad fraktionerad anisotropi i regioner av corpus callosum och fornix (som är en del av cingulatet och transporterar information från hippocampus till hypotalamus) med ökande BMI (Stanek et al., 2011; Xu et al., 2013); den aktuella studien identifierade inte signifikanta förändringar i interhemisfärisk anslutning inom de två hjärnsignaturerna med anatomisk anslutning. Undantaget var att det fanns ett samband mellan den vänstra paracentrala lobulen och den högra subparietala sulcus i hjärnsignatur 1, och en koppling mellan den högra putamen och den vänstra gyrus rectus i hjärnsignatur 2. Vi antar att effekten som observerats i dessa tidigare studier kan bero på systemisk nedbrytning av vit substans istället för förändringar i kopplingar mellan specifika hjärnregioner, liknande förändringar som sker under normalt åldrande (Sullivan et al., 2010). Medan författarna till dessa tidigare studier antog att skillnader i fraktionerad anisotropi i den externa kapseln hos personer med högt BMI kan korreleras med anslutningar från hippocampus och amygdala, observerade vi inte signifikanta förändringar i anslutningen inom dessa strukturer. En mer detaljerad analys och finare fördelning av dessa hjärnregioner krävs för att bekräfta dessa observationer.

4.2.1. Morfologiskt baserad hjärnsignatur 1

I vår studie visade den första hjärnsignaturen lägre värden för olika morfometriska mått (inklusive subregioner av den orbitala frontala gyrusen, främre insula) i regioner av belönings-, framträdande- och exekutiva kontrollnätverk i överviktsgruppen jämfört med normalviktsgruppen. Dessutom observerades lägre värden morfometriska värden för de hämmande regionerna (dorsal lateral och ventromedial prefrontal cortex) relaterade till det emotionella upphetsningsnätverket, men högre morfometri för somatosensoriskt nätverk (precentral sulcus, supramarginal gyrus, subcentral sulcus och superior frontal sulcus) inklusive den temporala sulcusen. regioner hos överviktiga individer jämfört med normalviktiga individer. I denna studie fann vi signifikanta minskningar av morfologiska mätningar (volym av grå substans och kortikal tjocklek) av den orbitala frontala gyrusen. Orbital frontal gyrus är en viktig region inom belöningsnätverket som spelar en roll i utvärderande bearbetning och i vägledningen av framtida beteende och beslut baserat på kodning av förväntan relaterad till belöning (Kahnt et al., 2010). En nyligen genomförd studie som analyserade strukturen av grå och vit substans fann att överviktiga individer hade reducerade värden för olika regioner inom belöningsnätverket, inklusive den orbitala frontala gyrusen (Shott et al., 2014).

4.2.2. Morfologiskt baserad hjärnsignatur 2

Jämfört med hjärnsignatur 1 förklarade morfologiska mätningar som observerats i områden av framträdande och emotionell upphetsningsnätverk en majoritet av variansen, medan regionerna i belöningsnätverket inte var inflytelserika. Reducerade gråsubstansmätningar observerades i områden med framträdande, verkställande kontroll och emotionell upphetsning. Dessa regioner (anterior insula, parietal posterior cortex, parahippocampal gyrus, subregions of the anterior cingulate cortex) är ofta associerade med ökad framkallad hjärnaktivitet under exponering för födoämnen (Brooks et al., 2013; Greenberg et al., 2006; Rothemund et al., 2007; Shott et al., 2014; Stoeckel et al., 2008), och graden av personlig framträdande stimuli (Critchley et al., 2011; Seeley et al., 2007a). I den aktuella studien sågs minskningar av grå substans också i nyckelregioner av det somatosensoriska nätverket (posterior insula, paracentral lobule). Även om den exakta rollen för detta nätverk i övervikt och fetma inte är känd, har det visat sig vara involverat i medvetenhet om kroppssensationer, och en nyligen genomförd studie antydde att förhöjd somatosensorisk nätverksaktivitet som svar på matindikationer hos överviktiga individer kan leda till överäter (Stice et al., 2011). Denna studie fokuserade specifikt på morfologiska mätningar och anatomiska kopplingar mellan hjärnregioner i det utökade belöningsnätverket och somatosensoriska nätverket, och antyder att dessa hjärnstrukturella mätvärden kan påverka neural bearbetning i samband med resultaten från funktionella studier som finns i litteraturen. Korrelationer med beteende- och miljöfaktorer ger också ytterligare insikt i sambandet mellan strukturella och funktionella fynd, vilket kommer att behöva testas i framtida studier.