ในหลักฐานร่างกายของการสุกแก่ neurophysiological ของ striatum วัยรุ่นของมนุษย์ (2015)

Dev Cogn Neurosci 2015 เม.ย. ; 12: 74-85 ดอย: 10.1016 / j.dcn.2014.12.003 Epub 2014 30 ธันวาคม

เสนเสน1, Luna B2.

ข้อมูลที่ผู้เขียน

  • 1ภาควิชาจิตวิทยา, University of Pittsburgh, Pittsburgh, PA 15213, USA; ศูนย์ประสาทขั้นพื้นฐานของความรู้ความเข้าใจ, พิตต์สเบิร์ก, PA 15213, สหรัฐอเมริกา ที่อยู่อิเล็กทรอนิกส์: [ป้องกันอีเมล].
  • 2ภาควิชาจิตวิทยา, University of Pittsburgh, Pittsburgh, PA 15213, USA; ศูนย์ประสาทความรู้พื้นฐาน, พิตต์สเบิร์ก, PA 15213, สหรัฐอเมริกา; สถาบันและคลินิกจิตเวชตะวันตก, ศูนย์การแพทย์มหาวิทยาลัยพิตต์สเบิร์ก, พิตต์สเบิร์ก, PA 15213, สหรัฐอเมริกา

นามธรรม

การครบกำหนดของ striatum ได้รับการวางให้มีบทบาทหลักในการเพิ่มการสังเกตในการแสวงหาความรู้สึกของวัยรุ่น อย่างไรก็ตามหลักฐานของการสุกของระบบประสาทใน striatum วัยรุ่นของมนุษย์มี จำกัด เราใช้การถ่ายภาพแบบถ่วงน้ำหนัก T2 * ซึ่งสะท้อนถึงดัชนีความเข้มข้นของเนื้อเยื่อเหล็กเพื่อแสดงหลักฐานโดยตรงในการพัฒนาระบบประสาทของร่างกายมนุษย์ในเด็กวัยรุ่น striatum

การวิเคราะห์รูปแบบหลายตัวแปร (MVPA) ของสัญญาณ striatal T2 * - ถ่วงน้ำหนักสร้างการทำนายอายุที่มีสัดส่วนมากกว่า 60% ของความแปรปรวนตัวอย่างในเด็กอายุ 10-25 ปีโดยใช้ทั้ง fMRI ที่เกี่ยวข้องกับงานและพักผ่อน

หลังและ ventral striatum แสดงให้เห็นว่าอายุเพิ่มขึ้นและลดลงตามลำดับของสรีรวิทยาของทารกในครรภ์ตามลำดับซึ่งแสดงให้เห็นถึงความแตกต่างเชิงคุณภาพในการเจริญเติบโตของระบบ limbic และผู้บริหารระดับสูง โดยเฉพาะอย่างยิ่ง ventral striatum ถูกพบว่าแสดงความแตกต่างของการพัฒนาที่ยิ่งใหญ่ที่สุดและมีส่วนช่วยอย่างมากในการทำนายอายุหลายตัวแปร ความสัมพันธ์ของสัญญาณน้ำหนักถ่วง T2 * กับระบบโดปามีนที่เกี่ยวกับทารกแรกเกิดจะถูกกล่าวถึง ผลลัพธ์ร่วมกันเป็นหลักฐานสำหรับการครบกำหนดอายุยืดเยื้อของ striatum ผ่านวัยรุ่น

ที่มา:

วัยรุ่น; การพัฒนา; การวิเคราะห์รูปแบบหลายตัวแปร ประสาท; striatum; T2 *

1. บทนำ

พฤติกรรมของวัยรุ่นนั้นโดดเด่นด้วยการแสวงหาความรู้สึกที่เพิ่มขึ้นซึ่งสามารถนำไปสู่การเสี่ยงต่อการปรับตัวที่ไม่เหมาะสมซึ่งส่งผลให้มีโอกาสตายหรือบาดเจ็บสาหัสเพิ่มขึ้น (Eaton และคณะ, 2006) ดังนั้นจึงมีแรงกระตุ้นให้เข้าใจการเปลี่ยนแปลงทางระบบประสาทในระบบแรงจูงใจที่อาจนำไปสู่รายละเอียดพฤติกรรมนี้ striatum มีความสนใจเป็นพิเศษในบริบทนี้เนื่องจากมีส่วนร่วมในการสร้างแรงจูงใจและการให้รางวัลเช่นเดียวกับการเรียนรู้การควบคุมมอเตอร์และความรู้ความเข้าใจ (ฮาเบอร์และ Knutson, 2010, McClure และคณะ, 2003, Middleton และ Strick, 2000 และ  Vo et al., 2011).

แบบจำลองเจ้าคณะที่ไม่ใช่มนุษย์และสัตว์ฟันแทะแสดงหลักฐานที่บ่งชี้ว่ามีการเกิด synaptogenesis ของทารกแรกเกิดอย่างต่อเนื่องในช่วงวัยรุ่นตอนต้นยอดเขาในการแสดงออกของตัวรับโดปามีนและการคาดการณ์โดปามีนจาก striatum ไปยังเยื่อหุ้มสมองส่วนหน้า (ลูกเรือและคณะ 2007, Kalsbeek และคณะ, 1988, Rosenberg และ Lewis, 1995, Tarazi et al., 1998 และ  Teicher และคณะ, 1995) บรรทัดของหลักฐานนี้ได้นำไปสู่สมมติฐานที่ว่ามีการเปลี่ยนแปลง neurophysiological ที่คล้ายกันเกิดขึ้นในมนุษย์วัยรุ่น (Casey et al., 2008 และ  หอก 2000). การศึกษาการถ่ายภาพด้วยคลื่นสนามแม่เหล็กเริ่มต้น (fMRI) พบหลักฐานที่น่าสนใจที่ชี้ให้เห็นถึงความไวสูงสุดของ striatum วัยรุ่นเพื่อให้รางวัลสิ่งเร้าที่สัมพันธ์กับผู้ใหญ่และเด็ก (เอินส์ทและอัล, 2005, Galvan et al., 2006, Galvan et al., 2007, Geier และคณะ 2010, ไลเจนฮอร์สท์ และคณะ 2010 และ  Padmanabhan และคณะ, 2011) แม้ว่าการค้นพบนี้จะไม่สอดคล้องกัน (Bjork และคณะ, 2004 และ  Eshel et al., 2007) and อาจขึ้นอยู่กับบริบทของรางวัลที่ตรวจสอบ (Crone และ Dahl, 2012) ตัวอย่างเช่นงานล่าสุดได้แนะนำว่าปฏิกิริยาการเกิดปฏิกิริยาเพื่อให้รางวัลที่คาดหวังจะเพิ่มขึ้นเป็นผู้ใหญ่ในขณะที่การทำปฏิกิริยาเพื่อลดการรับรางวัล (Hoogendam et al., 2013 โดย) ปัจจุบันยังขาดมาตรการวิฟที่ใช้ในการประเมินความแตกต่างที่เกี่ยวข้องกับอายุในสรีรวิทยาของทารกในครรภ์ซึ่งจำกัดความสามารถของเราในการทำความเข้าใจกลไกของระบบประสาท การทำความเข้าใจเกี่ยวกับการพัฒนาของสรีรวิทยาของทารกในครรภ์มีความสำคัญเป็นพิเศษเนื่องจากความผิดปกติทางสรีรวิทยาของทารกในครรภ์และการทำงานมีส่วนร่วมในความผิดปกติทางประสาทวิทยาที่เกิดขึ้นในช่วงวัยเด็กและวัยรุ่น (Bradshaw และ Sheppard, 2000 และ  Chambers et al., 2003) ความเข้าใจที่ดีขึ้นของการเจริญเติบโตตามปกติ neurophysiological ของ striatum จึงสามารถแจ้งรูปแบบของพฤติกรรมวัยรุ่นปกติและผิดปกติ

ความเข้มข้นของเนื้อเยื่อ - เหล็กเด่นใน striatum (Haacke et al., 2005 โดย และ  เชงค์, 2003) และพบว่ารองรับ dopamine D2 receptor และ dopamine transporter (DAT) ความหนาแน่นในการศึกษาการขาดธาตุเหล็ก, สมาธิสั้น, และโรคขาอยู่ไม่สุขซึ่งเกี่ยวข้องกับความผิดปกติในการประมวลผล DA, (อดิเซติโย et al., 2014, คอนเนอร์และคณะ 2009, Erikson และคณะ, 2000 และ  Wiesinger และคณะ, 2007) รวมถึงฟังก์ชั่นและการควบคุมของเซลล์ประสาทโดปามีน (เครา 2003 และ  Jellen et al., 2013 โดย) เช่นนี้ความแตกต่างของความเข้มข้นของเหล็กเนื้อเยื่อเกี่ยวกับทารกแรกเกิดซึ่งสามารถวัดได้โดยใช้ MRI อาจเป็นตัวบ่งชี้ถึงความแตกต่างของโดปามีนในเด็กวัยรุ่น เนื้อเยื่อ - เหล็กเป็นพาราแมกเนติกส์และมีอิทธิพลอย่างมากต่อสัญญาณ MRI แบบถ่วงน้ำหนัก T2 *Langkammer et al., 2010 โดย, Langkammer et al., 2012 โดย และ  เชงค์, 2003) ซึ่งสามารถรวบรวมแบบไม่รุกรานใน vivo ตลอดอายุการใช้งาน (Aquino และคณะ, 2009, Haacke et al., 2005 โดย และ  วังและคณะ, 2012) อิทธิพลของธาตุเหล็กต่อสัญญาณ T2 * ถูกนำมาใช้เพื่อหาปริมาณเหล็กในมาตรการ MR ต่างๆรวมถึงการถ่ายภาพด้วยความไวแสง (SWI) (Haacke et al., 2004 โดย) R2 * (Haacke et al., 2010 โดย) และ R2 ′(Sedlacik et al., 2014 โดย) ในการศึกษานี้เราใช้ชุดข้อมูล echo-planar imaging (EPI) ขนาดใหญ่ T2 * ที่มีน้ำหนักมากซึ่งส่วนใหญ่คล้ายกับ SWI การศึกษาเบื้องต้นได้ใช้ข้อมูลที่คล้ายกันร่วมกับการวิเคราะห์รูปแบบหลายตัวแปรเพื่อตรวจสอบกระบวนการเกี่ยวกับการเกิดการเรียนรู้พื้นฐาน (Vo et al., 2011).

ที่นี่เราใช้ T2 * ที่มีน้ำหนัก EPI (T2 *) เพื่อแสดงถึงความแตกต่างที่เกี่ยวข้องกับอายุในด้านสรีรวิทยาของ striatum วัยรุ่นของมนุษย์ในร่างกายโดยใช้วิธีการวิเคราะห์รูปแบบหลายตัวแปร โดยเฉพาะเราใช้รูปแบบเชิงพื้นที่ของ striatal T2 * เพื่อสร้างการทำนายอายุที่สำคัญอย่างมากจากทั้งงานที่เกี่ยวข้องกับงานและการพักสถานะ T2 * ที่มีน้ำหนัก EPI (fMRI) ที่ได้มาซึ่งแสดงให้เห็นถึงความสัมพันธ์ที่แข็งแกร่งและแข็งแกร่งระหว่างมาตรการนี้และการพัฒนา นอกจากนี้เรายังระบุ ventral striatum ซึ่งเป็นศูนย์กลางศูนย์กลางของเส้นทางการให้รางวัลโดปามีนซึ่งตั้งสมมติฐานว่ารองรับความเสี่ยงของวัยรุ่น (Blum และคณะ, 2000, Casey et al., 2008 และ  หอก 2000) เป็นองค์ประกอบที่สำคัญของการสุกแก่ของวัยรุ่น งานนี้เน้นธรรมชาติที่มีพลวัตของการพัฒนา striatal วัยรุ่นเชิงบรรทัดฐานโดยบอกถึงรูปแบบของการเติบโตของระบบแรงจูงใจในช่วงวัยรุ่น

2 วัสดุและวิธีการ

2.1 ตัวอย่าง

หนึ่งร้อยหกสิบวัยรุ่นและคนหนุ่มสาวเข้าร่วมในการศึกษานี้ (อายุ 10-25, M = 16.56, SD = 3.62) ผู้เข้าร่วมสิบแปดคนได้รับการยกเว้นเนื่องจากมีการเคลื่อนไหวของศีรษะมากเกินไป (อธิบายด้านล่าง) โดยได้กลุ่มตัวอย่างสุดท้าย 142 คน (อายุ 10-25 ปี M = 16.41, SD = 3.71, 71 ชาย). ชุดย่อยของสิ่งเหล่านี้รวมอยู่ในการวิเคราะห์การจำลองแบบโดยใช้ข้อมูลสภาวะหยุดนิ่ง (อธิบายด้านล่าง) ทุกวิชามีประวัติทางการแพทย์ที่เปิดเผยว่าไม่มีโรคทางระบบประสาทการบาดเจ็บที่สมองและไม่มีประวัติของบุคคลหรือญาติระดับแรกที่มีความเจ็บป่วยทางจิตเวชที่สำคัญ ขั้นตอนการทดลองทั้งหมดในการศึกษานี้เป็นไปตามจรรยาบรรณของสมาคมการแพทย์โลก (คำประกาศของเฮลซิงกิปี 1964) และคณะกรรมการพิจารณาสถาบันที่มหาวิทยาลัยพิตต์สเบิร์ก ผู้เข้าร่วมจะได้รับค่าตอบแทนสำหรับการมีส่วนร่วมในการศึกษา ข้อมูลเหล่านี้ถูกรวบรวมในขั้นต้นสำหรับโครงการที่ตรวจสอบการประมวลผลรางวัลและการหยุดการเชื่อมต่อการทำงานของสถานะและชุดข้อมูลย่อยของชุดข้อมูลนี้รวมอยู่ในการศึกษาการพัฒนาเครือข่ายสถานะพักผ่อนที่เผยแพร่ก่อนหน้านี้ ( ฮวางและคณะ 2013) และการประมวลผลแรงจูงใจ ( Paulsen และคณะ, 2014).

2.2 ขั้นตอนการถ่ายภาพ

ข้อมูลการถ่ายภาพถูกรวบรวมโดยใช้เครื่องสแกน 3.0 Tesla Trio (Siemens) ที่ Magnetic Resonance Research Center (MRRC), Presbyterian University Hospital, Pittsburgh, PA พารามิเตอร์การได้มาคือ: TR = 1.5 s; TE = 25 มิลลิวินาที; มุมพลิก = 70 °; นัดเดียว; เต็ม k- พื้นที่; เมทริกซ์การซื้อ 64 × 64 พร้อม FOV = 20 ซม. × 20 ซม. มีการรวบรวมชิ้นส่วนตามแนวแกนหนา 4 มม. ยี่สิบเก้าชิ้นโดยไม่มีช่องว่างจัดให้อยู่ในแนวเดียวกันกับส่วนเชื่อมด้านหน้าและด้านหลัง (สาย AC – PC) สร้าง voxels ขนาด 3.125 มม. × 3.125 มม. × 4 มม. ซึ่งครอบคลุมเยื่อหุ้มสมองทั้งหมดและส่วนใหญ่ของซีรีเบลลัม . เรารวบรวมการรัน 302 TR สี่ครั้งระหว่างงานป้องกันการรั่วไหล (4 × 302 = 1208) และหนึ่งรัน 200 TRs ระหว่างการสแกนสถานะพัก การทำให้เป็นแม่เหล็กด้วยปริมาตรแบบสามมิติเตรียมลำดับพัลส์การไล่ระดับเสียงสะท้อน (MPRAGE) อย่างรวดเร็วโดยใช้ 192 ชิ้น (ความหนาของชิ้นส่วน 1 มม.) เพื่อให้ได้ภาพโครงสร้างในระนาบทัล

รวบรวมข้อมูลน้ำหนัก * T2 เป็นส่วนหนึ่งของการศึกษาแยกต่างหากเพื่อตรวจสอบการประมวลผลรางวัล สั้น ๆ อาสาสมัครเข้าร่วมในงาน antisaccade ปรับรางวัลซึ่งพวกเขาได้รับคำสั่งให้ saccades ไปยังสถานที่กระจกของสิ่งเร้าที่นำเสนอต่อพ่วง ในช่วงเริ่มต้นของการทดลองแต่ละครั้งผู้เข้าร่วมจะได้รับรางวัลการสูญเสียหรือคิวที่เป็นกลางซึ่งบ่งชี้ถึงความเป็นไปได้ในการให้รางวัลขึ้นอยู่กับประสิทธิภาพ ประเมินประสิทธิภาพโดยใช้การติดตามสายตาและผู้เข้าร่วมได้รับผลตอบรับจากการได้ยินสำหรับการทดลองที่ถูกและผิด

2.3 ชุดข้อมูลพักผ่อน - รัฐ

หนึ่งร้อยคนก็มีส่วนร่วมในการสแกนรัฐพัก ได้รับการยกเว้นสิบเอ็ดเนื่องจากสิ่งประดิษฐ์การเคลื่อนไหวและทำให้รวม 89 วิชาในการวิเคราะห์นี้ (อายุ 10-25 ปี M = 16.2, SD = 3.77; ชาย 43 คน). เรารวบรวมการสแกนสถานะพักผ่อน 5 นาที (200 เล่ม) สำหรับแต่ละเรื่องโดยใช้พารามิเตอร์การสแกนเดียวกันที่ระบุไว้ด้านบน ในระหว่างการสแกนสภาวะพักผ่อนผู้เข้าร่วมถูกขอให้ปิดตาผ่อนคลาย แต่อย่าหลับ

2.4 การประมวลผลข้อมูลน้ำหนักล่วงหน้า T2 * ล่วงหน้า

การประมวลผลล่วงหน้าทั้งหมดเสร็จสิ้นโดยใช้ FMRIB Software Library (FSL; Smith และคณะ, 2004) และการวิเคราะห์แพ็คเกจซอฟต์แวร์ฟังก์ชั่น Neuro Images (AFNI) (Cox, 1996). ขั้นตอนก่อนการประมวลผลเบื้องต้นจะเหมือนกับขั้นตอนที่ใช้ใน fMRI ทั่วไป ข้อมูลที่ถ่วงน้ำหนัก T2 * ในขั้นต้นได้รับการตัดทอนและเวลาในการแบ่งส่วนได้รับการแก้ไขเพื่อพิจารณาการได้มาตามลำดับ ในการจัดการกับการเคลื่อนไหวเราใช้การประมาณค่าการเคลื่อนที่แบบหมุนและการแปลเพื่อคำนวณมาตรการการเคลื่อนที่ของค่าเฉลี่ยกำลังสองรูท (RMS) และผู้เข้าร่วมที่มี RMS สัมพัทธ์มากกว่าเกณฑ์ที่เข้มงวด 0.3 มม. สำหรับไดรฟ์ข้อมูลมากกว่า 15% ในการวิ่งจะถูกแยกออกจากระยะต่อไป การวิเคราะห์. สำหรับตัวแบบที่เหลือเราใช้การแก้ไขการเคลื่อนไหวโดยจัดระดับเสียงแต่ละชุดในอนุกรมเวลาให้ตรงกับระดับเสียงที่ได้รับตรงกลางของการได้มา ข้อมูลที่ถ่วงน้ำหนัก T2 * ของผู้เข้าร่วมแต่ละคนได้รับการลงทะเบียนเชิงเส้นไปยัง MPRAGE โดยใช้ยูทิลิตี้ FLIRT ของ FSL จากนั้นภาพ MPRAGE ได้รับการลงทะเบียนแบบไม่เชิงเส้นในพื้นที่ MNI (Montreal Neurological Institute) โดยใช้ยูทิลิตี้ FNIRT ของ FSL จากนั้นการต่อกันของการลงทะเบียนเชิงเส้นจาก EPI เป็น MPRAGE และการลงทะเบียนแบบไม่เชิงเส้นจาก MPRAGE ไปยังพื้นที่ MNI จะถูกนำไปใช้กับภาพ EPI ทั้งหมดสำหรับผู้เข้าร่วมแต่ละคน โวลุ่มกรองความถี่สูงที่. 008 เฮิรตซ์ ข้อมูลไม่ได้รับการปรับให้เรียบเพื่อไม่ให้รบกวนรูปแบบที่ชาญฉลาดของ voxel สำหรับการวิเคราะห์ MVPA ในภายหลัง การทำให้เรียบอาจทำให้ประสิทธิภาพของเครื่องเวกเตอร์สนับสนุนเชิงเส้นมีอคติ (มิซากิและคณะ 2013) ข้อมูลสถานะพักและงานที่เกี่ยวข้องถูกประมวลผลแยกกันโดยใช้ขั้นตอนที่เหมือนกัน

2.4.1 การทำให้เป็นมาตรฐานและค่าเฉลี่ย

โดยทั่วไปแล้วข้อมูล EPI ที่มีน้ำหนัก T2 จะถูกวิเคราะห์ตลอดเวลาทำให้เกิดความผันผวนเล็กน้อยในสัญญาณที่ถ่วงน้ำหนักขนาด T2 ที่เกี่ยวข้องกับการตอบสนองในระดับออกซิเจน - ออกซิเจน (BOLD) เราต้องการเน้นว่าในการศึกษานี้เราไม่สนใจความผันผวนของ BOLD ขนาดเล็กเหล่านี้ แต่เรามีความสนใจในคุณสมบัติของสัญญาณน้ำหนัก * T2 ซึ่งไม่เปลี่ยนแปลงตามเวลาและสะท้อนคุณสมบัติทางระบบประสาทของเนื้อเยื่อสมอง ดังนั้นการประมวลผลล่วงหน้าของกระแสจะเบี่ยงเบนจากการวิเคราะห์ BOLD แบบเดิม ณ จุดนี้ ขั้นตอนสำหรับการประมวลผลภาพที่มีน้ำหนักถ่วง T2 * ของเรามีการติดตามอย่างใกล้ชิด Vo et al. (2011). แต่ละไดรฟ์ข้อมูลจะถูกทำให้เป็นมาตรฐานเป็นครั้งแรกให้เป็นค่าเฉลี่ยของตัวเองและจากนั้นสัญญาณที่ทำให้เป็นมาตรฐานจะถูกเฉลี่ยโดย voxel-wise ตลอดทั้งสี่รัน (1208 วอลุ่ม) ของการได้มาซึ่งงาน กระบวนการนี้ทำให้ได้ภาพที่มีน้ำหนัก T2 * ที่เป็นมาตรฐานหนึ่งภาพสำหรับผู้เข้าร่วมแต่ละคน ข้อมูลสถานะการพักผ่อนได้รับการวิเคราะห์แยกจากกันและถูกเฉลี่ยจากทั้ง 200 เล่มจากการได้มา 5 นาที ขั้นตอนการทำให้เป็นมาตรฐานเป็นสิ่งที่จำเป็นเนื่องจากสัญญาณที่ถ่วงน้ำหนัก T2 * เพียงอย่างเดียวมีความไวต่อความแตกต่างที่อาจเกิดขึ้นระหว่างการสแกน MRI ไม่ว่าจะภายในวัตถุในช่วงเวลาหรือระหว่างวัตถุซึ่งอาจนำไปสู่การเปลี่ยนแปลงของความเข้มของสัญญาณที่ถ่วงน้ำหนัก T2 * Normalization ทำให้สามารถเปรียบเทียบค่า T2 * ระหว่างผู้เข้าร่วมได้ แม้ว่าสัญญาณ T2 * จะคำนวณได้จากระดับเสียงเดียว แต่เราก็หาค่าเฉลี่ยตามปริมาณเพื่อเพิ่มอัตราส่วนสัญญาณต่อเสียงรบกวน

2.5 บัตรประจำตัวของภูมิภาค striatal

เราระบุทางกายวิภาคของพัตตาเมนหางและนิวเคลียสแอคคัมเบนตามแผนที่สมองที่รวมอยู่ในชุดซอฟต์แวร์ AFNI มาสก์ภาคได้รับการอนุรักษ์มากขึ้นโดยการกำจัด voxels ที่มีแนวโน้มว่าจะมีน้ำไขสันหลัง (CSF) CSF ได้รับการแบ่งส่วนโดยใช้การแบ่งส่วน FAST ของ FSL และ voxels ที่มีความน่าจะเป็นที่ชาญฉลาดโดยเฉลี่ยมากกว่า 0.15 ของการเป็น CSF จะถูกลบออกจากพื้นที่ที่กำหนดทางกายวิภาค

2.6 การวิเคราะห์แบบตัวแปรเดียว

ก่อนอื่นเราใช้การวิเคราะห์แบบไม่แปรตามแบบดั้งเดิมเพื่อประเมินความแตกต่างของการพัฒนาระดับเฉลี่ยใน striatal T2 * สำหรับแต่ละวิชาเราคำนวณความเข้มของสัญญาณเชิงพื้นที่ T2 * - ถ่วงน้ำหนักความเข้มของ voxels ภายในพื้นที่ที่กำหนดทางกายวิภาคและวิเคราะห์ความสัมพันธ์ระหว่างค่าเฉลี่ยเชิงพื้นที่กับอายุตามลำดับเหตุการณ์ โดยเฉพาะเราถดถอยอายุบนค่าเฉลี่ย T2 * โดยใช้การถดถอยอย่างง่ายและคำนวณสหสัมพันธ์เพียร์สันระหว่างค่าอายุที่พอดีกับอายุที่แท้จริงของอาสาสมัครในแต่ละภูมิภาคที่สนใจ

2.7 การวิเคราะห์รูปแบบหลายตัวแปร

เป็นที่ยอมรับกันดีว่า striatum และ subregions (caudate, putamen) ไม่ได้มีลักษณะคล้ายคลึงกันในเชิงพื้นที่ในการทำงานการเชื่อมต่อหรือระบบประสาทชีววิทยา (โคเฮนและคณะ, 2009, Martinez และคณะ, 2003, Middleton และ Strick, 2000 และ  Postuma และ Dagher, 2006) นอกจากนี้การพัฒนาโครงสร้างของ striatum ดำเนินไปในลักษณะที่ไม่สม่ำเสมอเชิงพื้นที่ (ราซนาฮาน และคณะ, 2014) ดังนั้นการพัฒนาของสรีรวิทยาเกี่ยวกับทารกแรกเกิดรวมถึงความเข้มข้นของเนื้อเยื่อและเหล็กจึงมีความไม่สม่ำเสมอ ดังนั้นเราตั้งสมมติฐานว่าความแตกต่างที่เกี่ยวข้องกับอายุในการเกิด striatal T2 * น่าจะถูกจับได้ดีกว่าด้วยวิธีการหลายตัวแปรที่ละเอียดอ่อนกว่า เพื่อวิเคราะห์ความสัมพันธ์ระหว่างรูปแบบที่ละเอียดของความเข้มของ T2 * และอายุเราได้ประยุกต์ใช้การถดถอยเชิงเส้นเวกเตอร์หลายตัวแปรเชิงเส้น (SVR) ใน MATLAB (The MathWorks, Inc. , Natick, Massachusetts, USA) โดยใช้ LIBSVM (ชางแอนด์ลิน, 2011) Support vector regression ได้กลายเป็นเครื่องมือวิเคราะห์ยอดนิยมในการศึกษา neuroimaging เนื่องจากความสามารถในการจัดการชุดข้อมูลมิติสูงและสร้างการทำนายที่แม่นยำ (มิซากิและคณะ 2010) วิธีการหลายตัวแปรช่วยให้สามารถประเมินการเปลี่ยนแปลงในรูปแบบ voxel-wise ของ T2 * ใน striatum ที่สัมพันธ์กับอายุ ที่สำคัญการวิเคราะห์นี้มีข้อได้เปรียบเหนือภูมิภาคที่น่าสนใจโดยทั่วไปการวิเคราะห์แบบ univariate ซึ่งมีความอ่อนไหวต่อความแตกต่างเชิงพื้นที่ที่มีศักยภาพของวิถีการพัฒนา T2 * ทั่วแนว striatum ที่ไม่ถูกจับโดยค่าเฉลี่ยมวลเชิงพื้นที่ ความเกี่ยวข้องโดยเฉพาะอย่างยิ่งกับการศึกษาครั้งนี้เคยใช้ SVR Vo et al. (2011) เพื่อทำนายความสำเร็จในการเรียนรู้จากรูปแบบเชิงพื้นที่ของ Striatal T2 * และโดย Dosenbach และคณะ (2010) เพื่อทำนายอายุจากรูปแบบการเชื่อมต่อการทำงานของสถานะพักผ่อน เครื่องเวกเตอร์สนับสนุนได้รับการอธิบายในรายละเอียดจากทั้งในทางปฏิบัติ (Luts และคณะ, 2010 และ  Pereira et al., 2009) และมุมมองทางคณิตศาสตร์โดยละเอียด (เบอร์เจส คริสโตเฟอร์, 1998, Chih-Wei และคณะ, 2003 และ  วาปนิก, 1999) และจะอธิบายสั้น ๆ ที่นี่

การถดถอยเชิงเส้นสนับสนุนเวกเตอร์เป็นส่วนขยายของการจำแนกเวกเตอร์สนับสนุนที่ช่วยให้การเชื่อมโยงของรูปแบบคุณลักษณะที่มีตัวแปรมูลค่าที่แท้จริงจึงช่วยให้การคาดการณ์มูลค่าที่แท้จริง ตัวอย่าง (จุดข้อมูล) ที่มีป้ายกำกับมูลค่าจริงแสดงอยู่ในพื้นที่มิติสูงที่มีมิติเท่ากับจำนวนคุณลักษณะของตัวแปรที่สนใจ SVR กำหนดบรรทัดการถดถอยผ่านพื้นที่คุณลักษณะมิติสูงที่เหมาะสมที่สุดในการจำลองความสัมพันธ์การทำงานระหว่างคุณสมบัติของตัวแปร x (เช่นค่า voxel-wise T2 * ในภูมิภาคที่สนใจ) และป้ายกำกับมูลค่าที่แท้จริงของตัวแปร y (เช่นอายุของเรื่อง) ตัวอย่างถูกลงโทษตามสัดส่วนของระยะห่างจากเส้นการถดถอย เราใช้ epsilon insensitive SVR ซึ่งกำหนดหลอดรอบเส้นถดถอยพร้อมความกว้างที่ควบคุมโดยพารามิเตอร์ epsilon ภายในตัวอย่างที่ไม่มีการลงโทษ การแลกเปลี่ยนระหว่างระดับที่ตัวอย่างที่อยู่นอกหลอด epsilon insensitive ถูกลงโทษและความเรียบของสายการถดถอยจะถูกควบคุมโดยค่าคงที่ C. ตามคุณค่าของ C เพิ่มขึ้นสายการถดถอยจะได้รับอนุญาตให้แบนน้อยลงซึ่งสามารถเพิ่มความสามารถในการทั่วไปของโมเดล

เราฝึกฝนและตรวจสอบความถูกต้องของโมเดล SVR ของเราในทุกวิชา (ชุดค่า T2 * ของ voxel-wise หนึ่งชุดและป้ายกำกับอายุหนึ่งรายการต่อเรื่อง) โดยใช้การตรวจสอบความถูกต้องข้ามเรื่อง (LOSO) LOSO เป็นกระบวนการวนซ้ำซึ่งข้อมูลของเรื่องหนึ่งถูกใช้เพื่อการตรวจสอบความถูกต้องในขณะที่อีกเรื่องหนึ่ง n - ใช้สำหรับการฝึกอบรม 1 วิชา การคาดคะเนอายุจะถูกสร้างขึ้นสำหรับกลุ่มตัวอย่างด้านซ้ายโดยพิจารณาจากค่า T2 * ของ voxel-wise เพียงอย่างเดียวและกระบวนการนี้จะถูกทำซ้ำจนกว่าทุกเรื่องจะถูกนำมาใช้เพื่อการตรวจสอบความถูกต้อง สิ่งนี้ส่งผลให้เกิดการคาดคะเนอายุหนึ่งครั้งสำหรับแต่ละเรื่องและประสิทธิภาพของแบบจำลอง SVR สามารถพิจารณาได้จากความสัมพันธ์ระหว่างอายุของวัตถุจริงและที่คาดการณ์โดยแบบจำลอง พารามิเตอร์ C ได้รับการปรับให้เหมาะสมกับการตรวจสอบข้าม LOSO แต่ละเท่าโดยใช้การตรวจสอบความถูกต้องข้ามแบบซ้อนของ LOSO เราใช้ค่าเริ่มต้นของ epsilon จากกล่องเครื่องมือ LIBSVM ที่ 0.001 การวิเคราะห์ SVR ซ้ำแล้วซ้ำอีกสำหรับการพักผ่อนข้อมูล T2 * ทั้งหมด p- ค่าได้รับการยืนยันผ่านการทดสอบนัยสำคัญการเปลี่ยนรูปแบบสุ่ม (1000 ซ้ำ) เราเลือก LOSO แทนวิธีการตรวจสอบข้ามวิธีอื่น ๆ เพื่อเพิ่มจำนวนข้อมูลการฝึกอบรมที่ใช้ในการทำซ้ำการตรวจสอบข้ามแต่ละครั้ง แม้ว่าขนาดตัวอย่างของเราจะมีขนาดใหญ่จำนวนอาสาสมัครในกลุ่มตัวอย่างมักจะน้อยกว่าจำนวนของคุณสมบัติที่รวมอยู่ในแบบจำลอง SVR

2.7.1 การแก้ไขปริมาณบางส่วน

เพื่อให้แน่ใจว่าการคาดคะเนอายุหลายตัวแปรไม่เพียง แต่สะท้อนถึงความแตกต่างอย่างเป็นระบบที่อาจเกิดขึ้นใน T2 * ที่เกิดจากเอฟเฟกต์ปริมาตรบางส่วนเราจึงใช้เครื่องมือการแบ่งส่วนเนื้อเยื่อ FAST ของ FSL เพื่อสร้างมาสก์ความน่าจะเป็นของสสารสีขาวและสีเทาจากภาพที่ถ่วงน้ำหนัก T1 ของผู้เข้าร่วม จากนั้นเราจะถดถอยความน่าจะเป็นของสสารสีเทาออกจากการวัด T2 * ในแต่ละเรื่องสำหรับว็อกเซลแต่ละตัวและทำการวิเคราะห์ SVR ซ้ำโดยใช้ข้อมูลที่ได้รับการแก้ไข นอกเหนือจากการควบคุมความแตกต่างอย่างเป็นระบบในการวัดปริมาตรบางส่วนแล้วกระบวนการนี้ยังปรับความแตกต่างที่เกี่ยวข้องกับอายุในค่า T2 * ที่เกี่ยวข้องกับความแตกต่างที่อาจเกิดขึ้นในปริมาตรแบบสไตรค์และการทำให้เป็นมาตรฐานเชิงพื้นที่แบบไม่เชิงเส้น

2.7.2 ลักษณะรูปแบบ

ในการอธิบายลักษณะเชิงพื้นที่ของ striatal T2 * และวิถีวิถีของพวกมันด้วยอายุเราประเมินวิถีการพัฒนาของ T2 * โดยการถดถอยอายุบนสัญญาณ T2 * โดยใช้แบบจำลองการถดถอยเชิงเส้นกำลังสองและผกผันสำหรับแต่ละ voxel ที่ใช้ในการวิเคราะห์ SVR ในการหาปริมาณการมีส่วนร่วมของส่วนประกอบ (voxels) ของรูปแบบเชิงพื้นที่ของ T2 * เราคำนวณค่าสัมบูรณ์ของน้ำหนักคุณลักษณะเฉลี่ยสำหรับแต่ละ voxel striatal ที่ใช้ในการวิเคราะห์ SVR ข้ามการตรวจสอบข้าม LOSO ทั้งหมด

2.8 การวิเคราะห์ไฟฉาย

ในการสำรวจความสัมพันธ์ระหว่างความเข้มของ T2 * และอายุที่เกินกว่าภูมิภาคของเราที่มีความสำคัญเราจึงทำการวิเคราะห์ไฟฉายทั้งสมอง (Kriegeskorte และคณะ, 2006) ในการดำเนินการวิเคราะห์เราได้กำหนดเทมเพลตทรงกลมที่มีเส้นผ่านศูนย์กลาง 5 voxels (รวม 81 voxels) โดยมีศูนย์กลางที่เทมเพลตในแต่ละ voxel ของสมองและทำการวิเคราะห์ SVR ที่อธิบายไว้ข้างต้นบน 81 voxels ในเทมเพลต การวิเคราะห์นี้มีเพียง voxels ที่รวมอยู่ในหน้ากากสมองร่วม ความสัมพันธ์ระหว่างอายุจริงและอายุที่คาดการณ์ไว้ในแต่ละตำแหน่งเทมเพลตจะถูกจัดเก็บไว้ที่กึ่งกลางกลาง ด้วยการทำซ้ำขั้นตอนนี้สำหรับแต่ละ voxel เราได้รับมาส์กทั้งสมองของความสัมพันธ์ ตำแหน่งของกลุ่ม voxel ถูกประมาณโดยใช้ atlases ที่รวมอยู่ใน AFNI

3 ผล

3.1 การวิเคราะห์แบบตัวแปรเดียว

ค่าเฉลี่ยเชิงพื้นที่ของ T2 * สำหรับ voxels ทั้งหมดใน striatum ไม่สัมพันธ์กับอายุอย่างมีนัยสำคัญ (r = 0.02) โดยโมเดลคิดเป็นเพียง 0.0004% ของความแปรปรวนในตัวอย่าง เมื่อเราแบ่งส่วน striatum เป็นส่วนหาง, putamen และนิวเคลียส accumbens และทำการวิเคราะห์ซ้ำแล้วซ้ำอีกเราพบว่าข้อมูลที่มีค่าเฉลี่ย T2 * เพียงพอที่จะสร้างการคาดการณ์อายุที่สำคัญในหางr = 0.286, p <0.001) และ putamen (r = 0.182, p <0.05) และทำนายได้โดยเฉพาะอย่างยิ่งในนิวเคลียส accumbens (r = 0.506, p <10-9, มะเดื่อ. 1A, แถบสีขาว) อย่างไรก็ตามการแบ่งการทำงานและ neurobiological ของ striatum อยู่ในระดับที่ดีกว่าที่จะถูกบันทึกโดยการวิเคราะห์ระดับเฉลี่ยเชิงพื้นที่ ( โคเฮนและคณะ, 2009, Martinez และคณะ, 2003 และ  Postuma และ Dagher, 2006) ดังนั้นเราจึงตั้งสมมติฐานว่าความแตกต่างของพัฒนาการใน striatal T2 * น่าจะถูกจับได้ดีกว่าโดยใช้วิธีการหลายตัวแปรที่ละเอียดอ่อนกว่า

  • ภาพขนาดเต็ม (51 K)
  • มะเดื่อ. 1   

    ความสัมพันธ์ระหว่างอายุที่แท้จริงกับอายุที่คาดการณ์โดยใช้ T2 * จากแบบจำลอง univariate และหลายตัวแปรใน ROA แบบเต็มหน้า (A) กราฟแท่งเปรียบเทียบความสัมพันธ์ระหว่างอายุที่แท้จริงและอายุที่คาดการณ์โดยใช้สามรุ่น: การวิเคราะห์แบบไม่แปร (แถบสีขาว) และการวิเคราะห์รูปแบบหลายตัวแปรของทั้งสองงาน (แถบสีดำ) และส่วนที่เหลือ (แถบสีเทา) การวิเคราะห์หลายตัวแปรให้ผลสัมพันธ์อย่างมีนัยสำคัญมากกว่าการวิเคราะห์แบบหลายตัวแปรใน putamen, caudate และ striatum ทั้งหมด ไม่มีความแตกต่างระหว่างผลลัพธ์ที่เกี่ยวข้องกับงานและการพักสถานะ (*p <0.05, **p <0.01, ***p <0.001 การทดสอบการเปลี่ยนแปลง) (B) อายุจริงเทียบกับอายุที่คาดการณ์จากทั้ง striatum โดยใช้การวิเคราะห์รูปแบบหลายตัวแปรของ T2 * ในวัยรุ่นและวัยหนุ่มสาว 142 คน อายุที่คาดการณ์คิดเป็น 63% ของความแปรปรวนตัวอย่าง

3.2 การวิเคราะห์รูปแบบหลายตัวแปร

รูปแบบหลายตัวแปรของสัญญาณ T2 * ให้การพยากรณ์อายุที่สำคัญอย่างมากในทุกภูมิภาคของ striatal (มะเดื่อ. 1A, แถบสีดำ) แสดงถึงความสัมพันธ์ที่ดีระหว่างมาตรการนี้กับการพัฒนาวัยรุ่น ความสัมพันธ์ที่ยิ่งใหญ่ที่สุดระหว่างอายุที่คาดการณ์และอายุผู้เข้าร่วมที่แท้จริงถูกพบใน striatum ทั้งหมด (รวม caudate, putamen, และนิวเคลียส accumbens) ซึ่งรูปแบบ T2 * คิดเป็น 63% ของความแปรปรวนในอายุของผู้เข้าร่วม (r = 0.79, p <10-30; การทดสอบการเปลี่ยนรูป: p <0.001, มะเดื่อ. 1B)

ปริมาณสสารสีเทา Striatal แตกต่างกันไปตามอายุที่มากกว่าวัยรุ่น (ราซนาฮาน และคณะ, 2014 และ  Sowell และคณะ, 1999) เพื่อให้แน่ใจว่าการทำนายอายุแบบหลายตัวแปรไม่ได้สะท้อนความแตกต่างของปริมาณบางส่วนอย่างเป็นระบบที่เกิดจากการเปลี่ยนปริมาตร striatat หรือสิ่งประดิษฐ์ของการทำให้เป็นมาตรฐานเชิงพื้นที่เราได้ทำการควบคุมการวิเคราะห์ SVR ซ้ำสำหรับความแตกต่างของ voxel เราพบว่าไม่มีความแตกต่างอย่างมีนัยสำคัญในประสิทธิภาพของแบบจำลองโดยใช้ข้อมูลที่ควบคุมระดับเสียง (รูปที่ 1 เพิ่มเติม)

สัญญาณ T2 * สะท้อนถึงคุณสมบัติของเนื้อเยื่อ neurophysiological ถาวร (Vo et al., 2011) และควรไม่รู้สึกถึงผลกระทบของงานหรือบริบท อย่างไรก็ตามเราจำลองการวิเคราะห์สำหรับผู้เข้าร่วมที่ได้ศึกษาในสถานที่พักผ่อนในระหว่างช่วงการสแกนเดียวกัน เราไม่พบความแตกต่างอย่างมีนัยสำคัญในความสามารถของเราในการทำนายอายุจากรูปแบบของ T2 * โดยใช้ข้อมูลที่เกี่ยวข้องกับงานและการพัก (มะเดื่อ. 1B, แถบสีเทา) นอกจากนี้เรายังคำนวณความสัมพันธ์ของ voxel-wise ระหว่างรูปแบบเชิงพื้นที่ของสถานะการพักและ T2 ที่เกี่ยวข้องกับงานใน striatum สำหรับผู้เข้าร่วมแต่ละคนและสังเกตค่าสหสัมพันธ์ของเพียร์สันเพียร์สันที่ 0.97 ซึ่งแสดงว่ารูปแบบสอดคล้องกันระหว่างงานและส่วนที่เหลือ ดังนั้นที่นี่ไปข้างหน้าเรา จำกัด การมุ่งเน้นไปที่ข้อมูล T2 * ที่รวบรวมระหว่างงานซึ่งเฉลี่ยมากกว่าปริมาณมากขึ้น (1208 vs 200) และมีขนาดตัวอย่างที่มากขึ้น (142 vs 89)

ในขณะที่เราคาดการณ์รูปแบบเชิงพื้นที่ทำนายอายุได้อย่างแม่นยำมากขึ้นสำหรับเกือบทุกภูมิภาคที่น่าสนใจ การปรับปรุงที่โดดเด่นโดยเฉพาะอย่างยิ่งใน striatum ทั้งหมดที่จำนวนของความแปรปรวนที่อธิบายไว้ในอายุผู้เข้าร่วมเพิ่มขึ้นจากใกล้ถึง 0% โดยใช้วิธีการเชิงพื้นที่เป็น 63% โดยใช้รูปแบบเชิงพื้นที่ ความแตกต่างนี้แสดงให้เห็นอย่างชัดเจนว่า striatum ผ่านการพัฒนารูปแบบที่ซับซ้อนของการพัฒนา neurophysiological สะท้อนให้เห็นตลอด voxels striatal มากกว่าวัยรุ่น เพื่อให้เข้าใจธรรมชาติของรูปแบบการพัฒนานี้ได้ดีขึ้นเราจึงกำหนดวิถีการพัฒนาของ T2 * ข้าม striatum

3.3 ลักษณะรูปแบบ

ข้อได้เปรียบที่สำคัญของ SVR คือความสามารถในการหาจำนวนคุณสมบัติที่มีส่วนช่วยในการทำนายหลายตัวแปร เพื่อใช้ประโยชน์จากข้อมูลเชิงปริมาณนี้เราได้ทำการแยกน้ำหนักของคุณสมบัติที่กำหนดให้แต่ละ voxel จากการวิเคราะห์ SVR น้ำหนักของคุณลักษณะสามารถถูกพิจารณาว่าเป็นดัชนีของความสำคัญของคุณลักษณะ (voxel) ในการสร้างการทำนายอายุแบบหลายตัวแปร เพื่อตรวจสอบส่วนประกอบของรูปแบบเชิงพื้นที่ของความเข้มของ striatal T2 * ที่มีส่วนร่วมที่ยิ่งใหญ่ที่สุดในการทำนายแบบหลายตัวแปรเราได้ทำการชั่งน้ำหนักคุณลักษณะแบบสัมบูรณ์เพื่อระบุ voxels ที่มีน้ำหนักสัมพัทธ์สูงสุด กลุ่มของ voxels ใน ventral striatum, ที่ทางแยกของหาง, putamen, และนิวเคลียส accumbens มีอิทธิพลมากที่สุด, ตามด้วยกลุ่มใน caudate ด้านหลัง (มะเดื่อ. 2A) กระจุกดาวท้องมีความสัมพันธ์เชิงเส้นเชิงลบกับอายุ (R2 = 0.361, p <10-14; มะเดื่อ. 2เส้นทึบ B) และกลุ่มหางด้านหลังมีความสัมพันธ์แบบผกผันเพิ่มขึ้นตามอายุ (R2 = 0.078, p <0.001; มะเดื่อ. 2เส้นประ B)

  • ภาพขนาดเต็ม (51 K)
  • มะเดื่อ. 2   

    การจำแนกลักษณะของรูปแบบหลายตัวแปรของการครบกำหนดอายุ (A) การชั่งน้ำหนักของน้ำหนักคุณลักษณะแบบสัมบูรณ์สำหรับ voxels striatal ทั้งหมดที่รวมอยู่ในแบบจำลองหลายตัวแปร SVR น้ำหนักที่สูงขึ้นหมายถึงการมีส่วนร่วมที่สัมพันธ์กับตัวทำนายหลายตัวแปรมากขึ้น น้ำหนักสูงสุดของมวลรวมอยู่ใน ventral striatum และครีบหางด้านหลัง (B) วิถีการพัฒนา T2 * เฉลี่ยและช่วงความเชื่อมั่น 95% สำหรับ voxels จากกลุ่มสูงสุดใน (B) ลงจุดเป็นฟังก์ชันของอายุ พาเนล C และ D แสดงให้เห็นถึงวิถีกระสุนของแต่ละ voxels ที่รวมอยู่ในการวิเคราะห์ SVR หลายตัวแปร (C) การประมาณค่าเบต้าแบบมาตรฐานจากการถดถอยเชิงเส้นแบบง่าย ๆ ของ voxel ใน T2 * วิถีการครบกำหนดจะลดลงตามการไล่ระดับหลัง - หน้าท้องโดยค่า voxel T2 * โดยทั่วไปจะเพิ่มขึ้นตามอายุแบบช่วงหลังเพื่อลดช่องท้องโดยทั่วไป ความสัมพันธ์นี้มีความสมมาตรข้ามซีก (D) voxels Striatal จาก (C) รหัสสีตามแบบที่เหมาะสมที่สุด (เชิงเส้น: แดง / น้ำเงินผกผัน: ส้ม / ม่วงแดง, กำลังสอง: เขียว / เหลือง)

แม้ว่ากลุ่มเหล่านี้จะมีน้ำหนักที่สัมพันธ์กันมากที่สุดเป็นสิ่งสำคัญที่ต้องจำไว้ว่าการทำนายอายุเป็นหน้าที่ของความสัมพันธ์หลายตัวแปรในทุก voxels ที่รวมอยู่ในแบบจำลอง ดังนั้นเราจึงประเมินวิถีการพัฒนาของสัญญาณ T2 * สำหรับแต่ละ voxel ที่ใช้ในการวิเคราะห์ SVR โดยใช้แบบจำลองการถดถอยเชิงเส้นเชิงเส้นกำลังสองและแบบผกผันแบบง่ายซึ่งเป็นที่รู้จักในการอธิบายพัฒนาการการเปลี่ยนแปลงในช่วงเวลานี้ (Luna และคณะ, 2004) เพื่อให้เห็นภาพของรูปแบบการครบกำหนด voxels ส่วนใหญ่มีความสัมพันธ์เชิงเส้นตรงกับอายุโดยเซตย่อยมีความเหมาะสมที่สุดโดยความสัมพันธ์กำลังสองและความสัมพันธ์แบบผกผัน เพื่อแสดงให้เห็นถึงการกระจายตัวนี้เราได้จัดหมวดหมู่ voxels ตามรูปแบบที่เหมาะสมที่สุด - ความสัมพันธ์เชิงบวกและเชิงลบ, กำลังสอง, และผกผัน - และซ้อนทับพวกเขาในภาพกายวิภาคมาตรฐานสร้างหน้ากาก T2 * ของ striatum (มะเดื่อ. 2D)

เชิงพรรณนาการพัฒนา T2 * trajectories ส่วนใหญ่ตกไปตามช่องท้องไปทางด้านหลังของลาดจากความสัมพันธ์เชิงลบอย่างมากในส่วนหน้าท้องของ striatum ที่รู้จักกันว่ามีการเชื่อมต่อเยื่อหุ้มสมองส่วนใหญ่ limbic กับความสัมพันธ์เชิงบวกในส่วนหลังAlexander et al., 1986 และ  โคเฮนและคณะ, 2009) นั่นคือสมมาตรข้ามซีกโลก (มะเดื่อ. 2ค; เรียกคืนความเข้มข้นของเหล็กเนื้อเยื่อเพิ่มขึ้น ลดลง สัญญาณ T2 *) สมการกำลังสองเชิงลบ (ฤ “ษี“ U”) และความสัมพันธ์แบบผกผันที่เพิ่มขึ้นถูกพบในส่วนหลังของ putamen, caudate และนิวเคลียส accumbens, โดยมีความสัมพันธ์เป็นกำลังสองเชิงลบ (กลับรูป“ U”) รวมกันในซีกขวาและเพิ่มความสัมพันธ์แบบผกผัน ทางซ้าย. ความสัมพันธ์กำลังสองเชิงลบถึงค่าเฉลี่ยสูงสุดของวัยรุ่นตอนอายุ 18.4 ใน caudate และ 17.4 ใน putamen สมการกำลังสองเชิงบวก (“ รูปตัว U”) และความสัมพันธ์แบบผกผันที่ลดลงพบได้ทั้งสองข้างในหน้าท้อง putamen โดยลดความสัมพันธ์ผกผันที่เกิดขึ้นใน putamen rostroventral และความสัมพันธ์กำลังสองเชิงบวกที่เกิดขึ้นใน caudoventral putamen striatal voxels น่าจะอธิบายถึงประสิทธิภาพที่สูงขึ้นของโมเดลหลายตัวแปรของเราเหนือโมเดล univariate ในการจับความแตกต่างที่เกี่ยวข้องกับอายุ

3.4 การวิเคราะห์ทั้งสมอง

ในการตรวจสอบความสัมพันธ์ที่เป็นไปได้ระหว่างรูปแบบเชิงพื้นที่ T2 * กับการพัฒนาทั่วสมองและเพื่อยืนยันความจำเพาะของการมีส่วนร่วมของสไตรตัสเราทำการวิเคราะห์ไฟฉายแบบสำรวจเชิงสำรวจ (Kriegeskorte และคณะ, 2006) ไฟฉายเผยให้เห็นว่าอายุได้รับการทำนายอย่างมีนัยสำคัญที่สุดใน striatum และ midbrain รวมถึงนิวเคลียสสีแดง, substantia nigra และส่วนอื่น ๆ ของฐานปมประสาท (มะเดื่อ. 3) ภูมิภาคอื่น ๆ ที่สร้างการพยากรณ์อายุที่มีนัยสำคัญอย่างมาก ได้แก่ เยื่อหุ้มสมองส่วนหน้า pering cingulate, Brodmann Area 10, เยื่อหุ้มสมองด้านหน้าด้านหน้าด้านหน้า, ด้านหน้าของไจรัสด้านหน้าที่ดีกว่า, ด้านหน้าและด้านหลังฐานส่วนกลาง, ฐานดอกหน้า นอกจากนี้ยังพบความสัมพันธ์อย่างมีนัยสำคัญใน corpus callosum และโครงสร้างสสารสีขาว fronto-parietal หลายภูมิภาคเหล่านี้ (เช่นฐานปมประสาท, สมองส่วนกลาง, เดนต้านิวเคลียส, สสารสีขาวหน้าผาก) เป็นหนึ่งในพื้นที่ที่อุดมด้วยธาตุเหล็กมากที่สุดของสมอง (คอนเนอร์และเมนซีส์ 1996, Drayer และคณะ, 1986, Haacke et al., 2005 โดย, Haacke et al., 2007 โดย และ  Langkammer et al., 2010 โดย) และเป็นส่วนหนึ่งของเส้นทางโดปามีนใน mesolimbic / mesocortical และ nigrostriatal (เช่น midbrain, striatum, prefrontal cortex (Beaulieu และ Gainetdinov, 2011, ฮาเบอร์และ Knutson, 2010 และ  Puglisi-Allegra และ Ventura, 2012) ความสัมพันธ์ที่ยิ่งใหญ่ที่สุดถูกพบที่จุดเชื่อมต่อของนิวเคลียส accumbens, ventromedial putamen และ ventromedial caudate (voxel สูงสุด: MNI −8, 5, −11) ซึ่งแสดงให้เห็นว่า T2 * มีความสัมพันธ์ที่แข็งแกร่งโดยเฉพาะกับการพัฒนาของวัยรุ่นในส่วนนี้ สมองซึ่งมีความเกี่ยวข้องอย่างยิ่งกับเส้นทางการให้รางวัลโดปามิคกี้และระบบลิมบิกGalvan et al., 2006, Galvan et al., 2007, McGinty และคณะ, 2013 และ  Puglisi-Allegra และ Ventura, 2012).

  • ภาพขนาดเต็ม (61 K)
  • มะเดื่อ. 3   

    ผลการค้นหาของสมองทั้งหมดเน้นบริเวณที่มีการเชื่อมโยงที่แข็งแกร่งระหว่าง T2 * และการพัฒนาวัยรุ่น สีแสดงถึงความสัมพันธ์ระหว่างอายุที่แท้จริงกับอายุที่คาดการณ์ไว้จากการวิเคราะห์ของไฟฉาย SVR ที่มีศูนย์กลางอยู่ที่ voxel นั้น เฉพาะ voxels ที่มีสหสัมพันธ์ระหว่างอายุที่แท้จริงและอายุที่คาดการณ์ซึ่งมีนัยสำคัญที่ p <0.001, Bonferroni แก้ไข (เช่น 0.001 / จำนวน voxels สมอง) จะปรากฏขึ้น จุดสูงสุดของ voxel ตั้งอยู่ในช่องท้อง (พิกัด MNI: −8, 5, −11) mPFC: medial pre-frontal cortex, pgAC: perigenual anterior cingulate, CC: corpus callosum, sFG: superior frontal gyrus, CG: central gyrus, VS: ventral striatum (รวมทั้ง nucleus accumbens), SN: constia nigra, RN: red nucleus

สัญญาณน้ำหนักเบา T2 * โดยเฉพาะอย่างยิ่งเมื่อเก็บในเครื่องบินเช่นเดียวกับใน EPI มีความไวต่อสัญญาณตกเนื่องจากวัตถุไวต่อแสงใกล้กับฐานของสมอง (เช่นเยื่อหุ้มสมอง orbitofrontal และเยื่อหุ้มสมองส่วนล่าง) ทำให้ความเป็นไปได้ที่ความแตกต่างที่เกี่ยวข้องกับอายุ ใน T2 * อาจเกิดจากความไวต่อสิ่งประดิษฐ์ในพื้นที่สมองเหล่านี้ สิ่งนี้ไม่ควรมีผลกระทบขนาดใหญ่เนื่องจาก morphometry ของสมองถูกกำหนดโดยอายุน้อยกว่ากลุ่มอายุของเรา (Caviness et al., 1996) ยิ่งกว่านั้น (1) ผลกระทบอายุที่สำคัญที่สุดของเราเกิดขึ้นในบริเวณสมองซึ่งเป็นที่ทราบกันว่ามีความเข้มข้นของธาตุเหล็กสูง (เช่น basal ganglia และ midbrain) และ inset จากพื้นที่ที่มีสัญญาณตกหล่นเด่นชัดและ (2) ที่พื้นที่สมองส่วนใหญ่ (เช่น cortic oribitofrontal cortex และ inferotemporal cortex; มะเดื่อเสริม 2A และ B) ไม่แสดงผลกระทบทางอายุอย่างมีนัยสำคัญ (มะเดื่อเสริม 2C)

4 การสนทนา

การศึกษาครั้งนี้ใช้รูปแบบเชิงพื้นที่ของภาพที่เกี่ยวข้องกับงานที่เกี่ยวกับการคลอดและพักผ่อนรัฐปกติ * * * * - ภาพน้ำหนัก T2 เพื่อสร้างการทำนายอายุอย่างมีนัยสำคัญสูงในตัวอย่าง cross-sectional ขนาดใหญ่ของวัยรุ่นและผู้ใหญ่วัยหนุ่มสาวให้หลักฐานหลักฐานการพัฒนาทางสรีรวิทยาของมนุษย์ striatum มากกว่าวัยรุ่น รูปแบบเชิงพื้นที่ของ T2 * เป็นคำทำนายอายุของวัยรุ่นใน striatum โดยรวมเช่นเดียวกับในภูมิภาคย่อยของทารกในครรภ์, caudate, putamen, และนิวเคลียส accumbens จากอย่างน้อยห้านาทีของการพักผ่อนของรัฐ fMRI แสดงให้เห็นถึงความสัมพันธ์ที่แข็งแกร่งระหว่าง T2 * และการพัฒนาวัยรุ่นตลอดช่วงเวลา

4.1 สัญญาณ T2 *

สิ่งสำคัญสำหรับการแปลผลการค้นพบทั้งหมดนี้คือความเข้าใจในองค์ประกอบทางสรีรวิทยาที่มีส่วนทำให้เกิดสัญญาณ T2 * T2 * มีความสัมพันธ์อย่างมากกับเวลาพักผ่อนตามขวาง (สปิน - สปิน) ความไวต่อแม่เหล็กของเนื้อเยื่อและความสม่ำเสมอของสนามแม่เหล็ก ดังนั้นความเข้มข้นของเนื้อเยื่อ - เหล็ก (ที่ไม่ใช่ heme) และความเข้มข้นของไมอีลินเป็นประเภทเนื้อเยื่อที่มีส่วนสำคัญอย่างยิ่งต่อสัญญาณ T2 * (Aquino และคณะ, 2009, Daugherty และ Raz, 2013, Langkammer et al., 2012 โดย และ  เชงค์, 2003) ทั้งเนื้อเยื่อ - เหล็กและไมอีลินมีเวลาผ่อนคลายในแนวขวางเป็นเวลานานทำให้เกิดสัญญาณ T2 * ที่รุนแรงมากAoki และคณะ, 1989, Chavhan et al., 2009 และ  เขาและ Yablonskiy, 2009) อย่างไรก็ตามไมอีลินเป็นไดอะแมกเนติกและเนื้อเยื่อ - เหล็กเป็นพาราแมกเนติกดังนั้นเนื้อเยื่อ - เหล็กจึงมีส่วนช่วยในการเพิ่มความหนาแน่นของความเข้มของสนามแม่เหล็กและผลกระทบต่อความไม่ลงรอยของสนามแม่เหล็ก (T2)Langkammer et al., 2010 โดย และ  เชงค์, 2003) ดังนั้นแม้ว่าเนื้อเยื่อ - เหล็กและไมอีลินทั้งสองมีส่วนร่วมกับ T2 * สัญญาณควรได้รับอิทธิพลอย่างมากจากความเข้มข้นของเนื้อเยื่อ - เหล็กโดยเฉพาะอย่างยิ่งใน striatum ที่อุดมด้วยธาตุเหล็ก (Haacke et al., 2010 โดย และ  Langkammer et al., 2010 โดย) ความคิดนี้ได้รับการสนับสนุนโดยการวิเคราะห์ไฟฉาย (มะเดื่อ. 3) ที่แสดงการเชื่อมโยงที่แข็งแกร่งที่สุดกับ T2 * และอายุที่เกิดขึ้นในพื้นที่ที่อุดมด้วยธาตุเหล็กของสมอง (basal ganglia, midbrain) มากกว่าพื้นที่ที่มีเนื้อเยื่อ - เหล็กน้อยลงเช่นเยื่อหุ้มสมองและแผ่นหลังสีขาว ดังนั้นความแตกต่างของพัฒนาการทางสรีรวิทยาของทารกแรกเกิดที่วัดด้วย T2 * ดูเหมือนจะถูกผลักดันโดยความแตกต่างของพัฒนาการในความเข้มข้นของเนื้อเยื่อ - เหล็กในช่วงวัยรุ่น

เป็นสิ่งสำคัญที่ต้องทราบว่าแม้ว่าเหล็กจะมีอยู่ในฮีโมโกลบิน แต่การมีส่วนร่วมของฮีม - เหล็กถึง T2 * นั้นเล็กน้อยเมื่อเทียบกับเนื้อเยื่อ - เหล็ก (Langkammer et al., 2010 โดย และ  Vymazal และคณะ, 1996) การมีส่วนร่วมของเฮโมโกลบินต่อความไวต่อสนามแม่เหล็กเกิดขึ้นเฉพาะในดีอีซี - เฮโมโกลบินและมีความอิ่มตัวของออกซิเจนต่ำที่สุด (การทิ้ง, 1977) แต่ paramagnetism ของเนื้อเยื่อ - เหล็กมีค่ามากกว่าฮีโมโกลบินVymazal และคณะ, 1996) ผลของ heme-iron ขนาดเล็กนี้ไม่คาดว่าจะนำไปสู่ผลการพัฒนาที่สังเกตในการศึกษานี้เนื่องจากอิทธิพลของสัญญาณ T2 * ไม่ควรเปลี่ยนแปลงอย่างเป็นระบบตามอายุในตัวอย่างของเรา ระบบหลอดเลือดส่วนใหญ่มีความเสถียรในช่วงวัยรุ่นโดยมีการครอบคลุมของเส้นเลือดฝอยและการสร้างเส้นเลือดฝอย (แฮร์ริสและคณะ 2011) และปริมาตรการไหลเวียนของเลือดในสมองทั้งหมดไปยังหลอดเลือดแดงภายใน (การจัดหาเลือดปฐมภูมิสู่ striatum) ได้รับการจัดตั้งขึ้นโดยเด็กปฐมวัย (Schöningและ Hartig, 1996).

4.2 เนื้อเยื่อ - เหล็กและสมอง

ความไวของ T2 * ต่อเนื้อเยื่อ - เหล็กมีความเกี่ยวข้องอย่างยิ่งในบริบทของการพัฒนาวัยรุ่น เหล็กถูกส่งผ่านสิ่งกีดขวางเลือดและสมองผ่านโปรตีน transferrin และเก็บไว้ในเซลล์ของร่างกายในรูปของเฟอร์ริตินAquino และคณะ, 2009 และ  Daugherty และ Raz, 2013, Drayer และคณะ, 1986) basal ganglia และ midbrain เป็นบริเวณของสมองที่มีความเข้มข้นของ ferritin มากที่สุด (Haacke et al., 2005 โดย และ  เชงค์, 2003) เซลล์ที่มีความเข้มข้นของเฟอร์ริตินมากที่สุดคือ oligodendrocytes ที่พบในสสารสีขาวและสีเทา (Haacke et al., 2005 โดย) Ferritin สามารถพบได้ในเซลล์ประสาทโดยเฉพาะในปมประสาท (Drayer และคณะ, 1986 และ  มูส, 2002) ภายในเซลล์เหล็กเหล่านี้มีส่วนช่วยในกระบวนการทางประสาทวิทยาที่สำคัญ ใน oligodendrocytes ธาตุเหล็กเป็นสิ่งจำเป็นสำหรับการสังเคราะห์ไมอีลินและจำเป็นสำหรับการผลิตเอทีพีที่จำเป็นต่อการเผาผลาญออกซิเดชั่นสูงของเซลล์เหล่านี้ (คอนเนอร์และเมนซีส์ 1996, มูส, 2002 และ  Todorich และคณะ, 2009) ในฐานปมประสาทสัตว์ที่มีธาตุเหล็กน้อย (Erikson และคณะ, 2000) และรูปแบบโรคของโรคขาอยู่ไม่สุข (คอนเนอร์และคณะ 2009) และ ADHD (อดิเซติโย et al., 2014) ระบุว่าเนื้อเยื่อ - เหล็กมีความเกี่ยวข้องอย่างมากกับระบบโดปามีน (เคราและคอนเนอร์, 2003) โดยเฉพาะเนื้อเยื่อ striatal - เหล็กรองรับการแสดงออกของตัวรับ D2 (เครา 2003 และ  Jellen et al., 2013 โดย) ฟังก์ชั่นเครื่องส่งสัญญาณโดปามีน (อดิเซติโย et al., 2014, Erikson และคณะ, 2000 และ  Wiesinger และคณะ, 2007), และปลุกปั่นเซลล์ประสาทโดปามีน (Jellen et al., 2013 โดย) เนื่องจากระบบโดปามีน striatal ได้แสดงให้เห็นถึงการพัฒนาในช่วงวัยรุ่นในรูปแบบสัตว์ (Kalsbeek และคณะ, 1988, Rosenberg และ Lewis, 1995 และ  Teicher และคณะ, 1995) และได้รับการตั้งสมมติฐานให้รองรับพฤติกรรมลักษณะและการทำงานของสมองในมนุษย์วัยรุ่น (Casey et al., 2008, Padmanabhan และ Luna, 2014 และ  หอก 2000) สัญญาณ T2 * มีความเกี่ยวข้องเฉพาะกับการศึกษาพัฒนาการของวัยรุ่น นอกจากนี้ชันสูตรศพ (Hallgren และ Sourander, 1958) และ MRI (Aquino และคณะ, 2009 และ  วังและคณะ, 2012) การศึกษาการสำรวจความแตกต่างของอายุการใช้งานของเนื้อเยื่อ - เหล็กแสดงให้เห็นว่าการเพิ่มขึ้นของความเข้มข้นของธาตุเหล็กใน striatum ถึงวัยกลางคนโดยทั่วไปและแนะนำว่าอัตราการสะสมของเหล็กเป็นสิ่งที่ยิ่งใหญ่ที่สุดในช่วงสองทศวรรษแรกของชีวิต

4.3 T2 * และสมองวัยรุ่น

วิถีการพัฒนาของสัญญาณ T2 * แตกต่างกันอย่างเป็นระบบในลักษณะหลังและหน้าท้องของ striatum ส่วนหน้าท้องของ striatum ซึ่งมีการเชื่อมต่อเยื่อหุ้มสมอง limbic เด่น (โคเฮนและคณะ, 2009) แสดงความสัมพันธ์เชิงลบที่แข็งแกร่งกับอายุในขณะที่ส่วนหลังซึ่งมีการเชื่อมต่อเยื่อหุ้มสมองส่วนใหญ่ผู้บริหารและมอเตอร์แสดงให้เห็นความสัมพันธ์เชิงบวกที่อ่อนแอกับอายุแนะนำว่าผ่านวัยรุ่นและวัยหนุ่มสาว limbic และระบบ striatal ผู้บริหารอาจมีส่วนร่วมญาติ neurophysiological ผลลัพธ์สอดคล้องกับข้อค้นพบที่ระบุว่า striatum มีรูปแบบการพัฒนาที่แตกต่างกันในเชิงพื้นที่เช่นนิวเคลียส striatal ไม่พัฒนาในลักษณะที่เป็นสากล (ราซนาฮาน และคณะ, 2014) ความสัมพันธ์เชิงลบที่แข็งแกร่งใน ventral striatum บ่งชี้ว่าการเพิ่มขึ้นอย่างต่อเนื่องของความเข้มข้นของเนื้อเยื่อ - เหล็กกับผกผันเหมาะกับแนะนำว่าอัตราการเพิ่มขึ้นมากที่สุดในช่วงต้นของวัยรุ่น เมื่อพิจารณาถึงความสัมพันธ์ของเนื้อเยื่อ - เหล็กที่มีทั้งฟังก์ชั่นโดปามีนและไมอีเลชั่นการเพิ่มขึ้นเหล่านี้อาจสนับสนุนการเจริญเติบโตและการแพร่กระจายของระบบโดปามีนและ myelination ของการเชื่อมต่อเยื่อหุ้มสมอง ; Rosenberg และ Lewis, 1995) รองรับการเติบโตของวงจรสร้างแรงบันดาลใจ

วิถีการพัฒนาของ striatal T2 * มีความโดดเด่นเหนือวัยรุ่นในส่วนของ caudate และ putamen ในพื้นที่เหล่านี้ค่า voxel ของ T2 * แปรผันตามเส้นตรงในช่วงอายุในบางกรณีที่พบวัยรุ่นในช่วงอายุ 17 และ 18 ปีโดยเฉพาะอย่างยิ่งที่น่าสนใจคือความสัมพันธ์กำลังสองเชิงบวก (“ รูปตัว U”) ในหน้าท้อง putamen ความเข้มข้นของธาตุเหล็กในภูมิภาคนี้ในช่วงวัยรุ่นอาจมีความสัมพันธ์กับยอดเขาในการแสดงออกของตัวรับโดปามีน D2 ที่พบในหนูTeicher และคณะ, 1995) และตั้งสมมติฐานว่าจะเกิดขึ้นในมนุษย์ (Casey et al., 2008) โดยรวมแล้ววิถีการพัฒนาแบบไม่เชิงเส้นเหล่านี้แนะนำช่วงเวลาของการเจริญเติบโตของเซลล์ประสาทในทารกแรกเกิดที่อาจนำไปสู่การสังเกตยอดเขาในการแสวงหาความรู้สึกและพฤติกรรมเสี่ยงและความไวของรางวัลในช่วงระยะเวลาของการพัฒนา (Padmanabhan และคณะ, 2011 และ  หอก 2000) ในขณะที่ความสัมพันธ์เชิงเส้นอาจสะท้อนถึงการพัฒนาระบบแรงจูงใจอย่างต่อเนื่องผ่านวัยหนุ่มสาว (Arnett, 1999 และ  Hoogendam et al., 2013 โดย) จากการค้นพบในแบบจำลองสัตว์ที่แสดงยอดวัยรุ่นในการแสดงออกของโดพามีนและการศึกษา fMRI ของมนุษย์แนะนำการเกิดปฏิกิริยาตอบสนองสูงสุดของหน้าท้องภายใต้บริบทกระตุ้นบางอย่างเราประหลาดใจที่สังเกตความสัมพันธ์เชิงเส้นหรือผกผันของ T2 * เป็นไปได้ว่าการเพิ่มขึ้นของการตอบสนองของวัยรุ่น BOLD เพื่อรางวัลอาจมีความไวต่อลักษณะเพิ่มเติมของฟังก์ชัน DA ซึ่งเนื้อเยื่อ - เหล็กไม่เกี่ยวข้องโดยตรงเช่นปริมาณการปล่อย DA หรือความน่าจะเป็นซึ่งอาจมีวิถีการพัฒนาที่แตกต่างกัน รูปแบบที่สังเกตได้ของผลกระทบยังสะท้อนให้เห็นถึงลักษณะทางอ้อมของความสัมพันธ์ระหว่างความหนาแน่นของตัวรับเนื้อเยื่อ - เหล็กและโดปามีนและฟังก์ชั่น DAT เช่นเดียวกับบทบาทในกระบวนการ neurophysiological อื่น ๆ (เช่น myelination และ ATP มันอาจเป็นไปได้ว่าความแตกต่างของแต่ละบุคคลใน T2 * และเนื้อเยื่อปมประสาทฐานเหล็ก - ความเข้มข้นของเหล็กเกี่ยวข้องกับความแตกต่างของแต่ละบุคคลในดัชนีของโครงสร้างและหน้าที่ของระบบโดปามีน เห็นได้ชัดว่าจำเป็นต้องมีการวิจัยเพิ่มเติมเพื่อกำหนดลักษณะความสัมพันธ์นี้โดยตรงโดยเฉพาะในกลุ่มประชากรเชิงบรรทัดฐาน

เชิงปริมาณการกระจายน้ำหนักของคุณสมบัติที่ชาญฉลาดของ voxel จากการถดถอยเชิงพหุแบบเวกเตอร์หลายตัวแปรชี้ให้เห็นว่าการสุกเต็มที่ของระบบประสาทของ striatum นั้นได้รับอิทธิพลอย่างมากจากการเจริญเติบโตอย่างต่อเนื่องของ ventral striatum รวมถึงนิวเคลียส accumbens และ ventromedial วุฒิ ในช่วงวัยรุ่น ventral striatum มีปฏิกิริยาตอบสนองการทำงานสูงสุดเพื่อให้รางวัลสิ่งเร้าภายใต้บริบทของแรงจูงใจบางอย่างและเกี่ยวข้องกับพฤติกรรมเสี่ยงในช่วงเวลานี้ (เอินส์ทและอัล, 2005, Galvan et al., 2006, Galvan et al., 2007, Geier และคณะ 2010 และ  Padmanabhan และคณะ, 2011) นอกจากนี้ภูมิภาคนี้มีโดปามีนสูงมากและเป็นส่วนประกอบสำคัญของเส้นทางโดปามีนที่ได้รับรางวัล frontostriatal (Knutson และ Cooper, 2005, McGinty และคณะ, 2013, Puglisi-Allegra และ Ventura, 2012) ตั้งสมมติฐานเพื่อรองรับความรู้สึกและพฤติกรรมเสี่ยง (Blum และคณะ, 2000, หอก 2000) การเพิ่มขึ้นของความเข้มข้นของเนื้อเยื่อ - เหล็กในภูมิภาคนี้อาจเกี่ยวข้องกับกลไกของพฤติกรรมวัยรุ่นและปฏิกิริยาตอบสนองของรางวัลในระดับสูงผ่านการเชื่อมโยงกับการแสดงออกของตัวรับโดปามีนฟังก์ชันการขนย้ายและความตื่นเต้นง่าย (Erikson และคณะ, 2000, Jellen et al., 2013 โดย และ  Wiesinger และคณะ, 2007) และ myelination (คอนเนอร์และเมนซีส์ 1996, มูส, 2002 และ  Todorich และคณะ, 2009) ภายในทางเดินของคอร์ติโค - หน้าท้อง

การวิเคราะห์สมองทั้งสมองแบบสำรวจพบว่าความสัมพันธ์ที่แข็งแกร่งที่สุดระหว่าง T2 * และอายุเกิดขึ้นในภูมิภาค subcortical และสมองกลาง ventromedial ที่รู้จักกันว่าเป็นพื้นที่ที่ต้องใจมากที่สุดและโดปามีนมากที่สุด (Drayer และคณะ, 1986, Haacke et al., 2005 โดย และ  Langkammer et al., 2010 โดย) ด้วยอัตราการสะสมเหล็กที่ผันผวนตลอดช่วงอายุ (Aquino และคณะ, 2009, Haacke et al., 2010 โดย และ  Hallgren และ Sourander, 1958) ในเยื่อหุ้มสมองนั้นมีการพบการเชื่อมโยงที่สำคัญในบริเวณ limbic ด้านหน้าซึ่งตกไปตามทางเดินของโดปามีน mesolimbic และ mesocortical mesocortical รวมไปถึงบริเวณหน้าผากและบริเวณมอเตอร์ ควรสังเกตว่าการตีความคุณสมบัติทางประสาทวิทยาที่แม่นยำซึ่งอยู่ภายใต้สัญญาณ T2 * ด้านนอกของ striatum ที่อุดมด้วยธาตุเหล็กนั้นค่อนข้างตรงไปตรงมา ยกตัวอย่างเช่นระดับที่เยื่อหุ้มสมอง T2 * สะท้อนถึงความเข้มข้นของเนื้อเยื่อ - เหล็กต่อ se นั้นมีความชัดเจนน้อยกว่าเนื่องจากการมี myelination ควรมีส่วนร่วมที่ใหญ่กว่ากับสัญญาณในพื้นที่ที่มีเนื้อเยื่อและเหล็กในระดับที่ต่ำกว่า (เช่นเยื่อหุ้มสมอง, สสารสีขาว) ด้วยเหตุนี้จึงเหมาะสำหรับนักวิจัยในอนาคตที่จะมุ่งเน้นการวิเคราะห์ T2 * ไปยังบริเวณสมองที่ทราบว่ามีความเข้มข้นสูงของเนื้อเยื่อ - เหล็ก (เช่นฐานปมประสาทและสมองส่วนกลาง) อย่างไรก็ตามการสะสมของพื้นที่เยื่อหุ้มสมองและ subcortical สมองนี้สอดคล้องกับการค้นพบของเราในการที่พวกเขามีโครงสร้างและการเชื่อมต่อการทำงานในระบบโดปามีนและได้รับการแสดงว่ามีความไวต่อการพัฒนาของวัยรุ่น (Casey et al., 2008, โคเฮนและคณะ, 2009, Galvan et al., 2006, Geier และคณะ 2010, Giedd et al., 1999, ฮวางและคณะ 2010, Lehéricy et al., 2004, Martino และคณะ, 2008 และ  Sowell และคณะ, 1999) ดังนั้นผลลัพธ์เหล่านี้จึงเป็นหลักฐานสนับสนุนสมมติฐานที่ว่าการพัฒนาทางระบบประสาทของวงจรโดปามีน frontostriatal ในมนุษย์เกิดขึ้นในช่วงวัยรุ่น (Casey et al., 2008 และ  หอก 2000).

4.4 ข้อ จำกัด และทิศทางในอนาคต

การค้นพบของเราพร้อมกับของ Vo et al. (2011)ขอแนะนำว่าข้อมูล EPI น้ำหนัก T2 * อาจเป็นเครื่องมือที่มีประโยชน์สำหรับการตรวจสอบทางสรีรวิทยาของทารกในครรภ์ ข้อดีของวิธีนี้คือการวัดนี้สามารถได้มาจากชุดข้อมูล fMRI ที่มีอยู่ไม่ว่าพวกเขาจะอยู่ในสถานะพักผ่อนหรือเกี่ยวข้องกับงาน ดังที่ได้กล่าวไว้ข้างต้นเราขอแนะนำให้เน้นการวิเคราะห์ในอนาคตเกี่ยวกับฐานปมประสาทและพื้นที่สมองอื่น ๆ ที่ทราบว่ามีความเข้มข้นค่อนข้างสูงของเนื้อเยื่อ - เหล็กเนื่องจากการตีความได้ของกลไก neurophysiological ที่เอื้อต่อ T2 * เป็นสิ่งที่ยิ่งใหญ่ที่สุดในพื้นที่เหล่านี้ นอกจากนี้เราแนะนำให้ใช้พื้นที่สมองเช่น ventral orbitofrontal cortex และส่วนของ inferotemporal cortex ที่มีแนวโน้มที่จะเกิดความไวต่อสิ่งแปลกปลอมที่สามารถหลีกเลี่ยงได้สำหรับการวิเคราะห์ EPI T2 * ที่มีน้ำหนักเบา เราต้องการทราบว่านักวิจัยที่สนใจในการหาปริมาณเนื้อเยื่อ - เหล็กที่มีความเข้มข้นสามารถใช้ลำดับ MR เชิงปริมาณเช่น R2 ′หรือ R2 * ซึ่งแสดงให้เห็นว่าเกี่ยวข้องกับเนื้อหาของเนื้อเยื่อ - เหล็กเป็นเส้นตรง (Sedlacik et al., 2014 โดย และ  Yao และคณะ, 2009) เพื่อประเมินสมบัติเนื้อเยื่อนี้อย่างแม่นยำยิ่งขึ้น ทิศทางที่สำคัญสำหรับการทำงานในอนาคตคือการจำแนกลักษณะความสัมพันธ์ระหว่างความเข้มข้นของเนื้อเยื่อ - เหล็กในปมประสาทพื้นฐานและดัชนีของระบบโดปามีนในประชากรเชิงบรรทัดฐานการขยายงานที่ทำใน RLS, ADHD และประชากรที่ขาดธาตุเหล็กและนำไปสู่การทำงานที่มากขึ้น การตีความและความสำคัญของ T2 * และมาตรการที่เกี่ยวข้อง แน่นอนความเข้าใจที่เพิ่มขึ้นของความสัมพันธ์นี้มีผลกระทบที่มีประสิทธิภาพสำหรับการศึกษาการพัฒนาของมนุษย์ซึ่งเทคนิคการถ่ายภาพที่รุกรานมากขึ้นสามารถประเมินระบบประสาทของระบบโดปามีนไม่สามารถใช้ได้ ในที่สุดแม้ว่าการศึกษานี้ดำเนินการโดยใช้ชุดข้อมูลแบบตัดขวางขนาดใหญ่ที่ครอบคลุมช่วงอายุที่กว้าง แต่งานในอนาคตควรใช้การออกแบบตามยาวเพื่อให้ลาที่เกี่ยวข้องกับอายุดีขึ้น การเปลี่ยนแปลง ใน T2 * ต่อ se

5 ข้อสรุป

ผลการศึกษาของเราได้ให้หลักฐานทางร่างกายเกี่ยวกับการเจริญเติบโตของระบบประสาทอย่างต่อเนื่องของภูมิภาคที่เกิดในช่วงวัยรุ่น การค้นพบของเราและลักษณะของสัญญาณ T2 * ชี้ให้เห็นว่าความแตกต่างที่เกี่ยวข้องกับอายุในสรีรวิทยาของทารกในครรภ์ได้รับอิทธิพลอย่างมากจากความแตกต่างของความเข้มข้นของเนื้อเยื่อ - เหล็ก (Aoki และคณะ, 1989, Chavhan et al., 2009, เขาและ Yablonskiy, 2009, Langkammer et al., 2010 โดย และ  เชงค์, 2003). เมื่อพิจารณาการมีส่วนร่วมของคุณสมบัติเนื้อเยื่อนี้ต่อการทำงานของสมองรวมถึงการทำงานของโดปามีนและบทบาทของ striatum ในการเรียนรู้แรงจูงใจและการให้รางวัลการประมวลผลการยืดอายุของ striatum ดังที่ดัชนีโดย T2 * ฟังก์ชั่นสมองผ่านวัยรุ่น

ผลงานของผู้เขียน

B. Larsen และ B. Luna ร่วมมือกันในการคิดและออกแบบการทดลอง B. Larsen วิเคราะห์ข้อมูลและเขียนร่างเริ่มต้นของกระดาษ B. Luna จัดทำต้นฉบับต้นฉบับ

ความขัดแย้งทางผลประโยชน์

ไม่มีการรายงาน

กิตติกรรมประกาศ

โครงการที่อธิบายได้รับการสนับสนุนตามหมายเลขการให้สิทธิ์ 5R01 MH080243 จากหอสมุดแห่งชาติการแพทย์ สถาบันสุขภาพแห่งชาติ. เนื้อหาของรายงานนี้เป็นความรับผิดชอบของผู้เขียน แต่เพียงผู้เดียวและไม่จำเป็นต้องเป็นตัวแทนมุมมองอย่างเป็นทางการของหอสมุดแห่งชาติยาหรือ NIH, DHHS

ภาคผนวกก. ข้อมูลเสริม

ข้อมูลต่อไปนี้เป็นข้อมูลเพิ่มเติมของบทความนี้

อ้างอิง