Диссертация (1105179), страница 17
Текст из файла (страница 17)
Нетривиальныезначимые (p<0.05) связи выделены жирным шрифтом (* не значимо после коррекцииБонферрони).BMAв mPFCв PCCв LIPCв RIPCв LHIPиз mPFC0,13*0,01*0,03*0,03*из PCC0,10*0,00*-0,05*-0,03*из LIPC0,190,270,280,11*из RIPC0,260,350,27из RHIP0,09*0,08*-0,08*-0,08*0,23Из таблиц 8 и 9 видно, что как в случае включения LHIP, так и RHIP, паттернэффективных связей между базовыми областями не изменился за исключением одной связи вслучае включения LHIP: связь от mPFC к LIPC (выделена цветом в таблице 8).
Лучшие моделипоказаны на рисунке 3.8.82Рисунок 3.8 – Лучшие в группе модели и их нетривиальные значимые связи. Слева:лучшая модель с включением LHIP, зеленая стрелка показывает новую связь между базовымиобластями по сравнению с моделью четырех источников активности. Справа: лучшая модель свключениемRHIP.Синимистрелкамипоказаныэффективныесвязимеждупарагиппокампальными и базовыми областями DMN.3.1.5 Редуцированная модель связей между 4 областямиРедуцированная модель с четырьмя активными областями (LHIP’) строилась путемисключения базовой области PCC из расширенной модели с включением LHIP (далее всё,связанное с редуцированной моделью, обозначается добавлением апострофа).Первоначальный анализ включал в себя построение корреляционной матрицыаналогично предыдущему параграфу.
Всего получено 72х26 = 1872 значений F, матрицакоторых представлена на рисунке 3.9. Корреляционная матрица для редуцированной моделисхожа с матрицами для расширенных моделей, среднее значение коэффициентов корреляциитакже довольно велико. Аналогично прослеживаются два испытуемых, на данных которыхмодели ведут себя отлично от других испытуемых.Байесов выбор модели (BMS) показал лучшую в группе модель a’_6’ – с таким жепаттерном связей, как и расширенная модель (с PCC и LHIP). Результат Байесова усреднениямоделей показан в Таблице 10.83Рисунок 3.9 – Корреляционная матрица значений свободной энергии моделей F между 26испытуемыми.
Рассматривается группа LHIP’ – без области PCC, всего 72 моделей длякаждого испытуемого.Таблица 10 – Средние значения параметров связей (в Гц) по результатам BMA. В столбцах– области источники активности, в строках – приёмники. Нетривиальные значимые (p<0.05)связи выделены жирным шрифтом (* не значимо после коррекции Бонферрони).BMAв mPFCв LIPCв RIPCв LHIPиз mPFC-0,16-0,09*0,00*из LIPC0,320,190,15*из RIPC0,290,28из LHIP0,230,18**0,270,02*Из Таблицы 10 видно, что большинство оценок параметров модели с пятью областямисовпадает или очень близки к оценкам параметров редуцированной модели. Ни одна новаясвязь не стала значимой, существующие связи не потеряли значимости.
Только параметр связимежду LHIP и LIPC изменился значимо (был 0.28, стал 0.18, p<0.05), но связь при этом так жеосталась возбуждающей (параметр не изменил знак). Таким образом, исключение израссмотрения одной из ключевых областей не повлияло на паттерн связей и оценки параметровсвязей между оставшимися областями, что говорит о стабильности модели в случае неполноговыбора активных областей. Это является одним из важных результатов, так как означает, чтометодом спектрального DCM можно анализировать эффективные связи путем усложнениямоделей (добавления новых областей), а также концентрироваться на определенных частяхболее сложных моделей (путем исключения некоторых активных областей).
Лучшая в группередуцированная модель показана на рисунке 3.10.84Рисунок 3.10 – Лучшая в группе редуцированная модель и ее нетривиальные значимыесвязи. Синими стрелками показаны эффективные связи между парагиппокампальными ибазовыми областями DMN. Красной стрелкой показана связь, параметр которой значимо(p<0.05) изменился по сравнению с полной моделью.3.1.6 Анализ результатов моделированияВ настоящем исследовании низкочастотные флуктуации нейрональной активности былисмоделированы в явном виде при помощи набора дискретных косинусов. Для оценкиэффективных связей в пределах сети по умолчанию (DMN) были использованы дваметодологически разных подхода – моделирование и оценка метрики теории информации.Первоначально были рассмотрены четыре базовых области DMN – mPFC, PCC, LIPC,RIPC.
Методом спектрального DCM в группе из 30 испытуемых было найдено сильное влияниебилатеральных областей LIPC/RIPC друг на друга и на остальные области сети по умолчанию.Также было достоверно найдено влияние областей mPFC и PCC друг на друга. Ранее во всехисследованиях эффективных связях в пределах DMN были получены противоречивыерезультаты. Например, в работе [73] методом стохастического DCM было показано влияниеPCC на mPFC. Другими авторами [24, 61] при помощи методов определения причинности проГрейнджеру было найдено влияние mPFC на PCC, но не в обратную сторону.
В нашей моделиприсутствуют значимые связи в обоих направлениях. Также в некоторых исследованиях [24, 61]достоверно показано влияние билатеральных областей LIPC/RIPC на PCC и mPFC, что вточности соответствует результату в настоящей работе. Также наша модель предполагаетсильную реципрокную связь между билатеральными структурами LIPC/RIPC, также найденнуюв работе [73]. В работе [130] было найдено влияние RIPC на LIPC, но не в обратную сторону, вто время как в работах [24, 61] не было найдено связей между билатеральными структурамивообще. В настоящей работе также была найдена небольшая функциональная асимметрия в85активности билатеральных структур, как и в работе [24].
Наша модель предполагает влияниеструктур LIPC/RIPC на зоны mPFC и PCC, но не в обратном направлении. Таким образом,можно предположить, что билатеральные структуры имеют координирующую (модулируяактивность) роль в сети DMN, оказывая влияние на участки префронтальной и теменной коры.Этот вывод согласуется с предыдущей работой [24], частично согласуется с работой [98], гдеоднако не было показано влияние RIPC на mPFC. Однако, существуют работы с инымирезультатами, например, методом причинности по Грейнджеру[61, 130]. В работе [130]найдена каузальная связь между LIPC и mPFC, а в работе [61] показаны симметричныеэффективные связи от mPFC к билатеральным структурам LIPC/RIPC, и от билатеральныхструктур к PCC.Такого рода различия могут быть результатом маленькой выборки в предыдущихисследованиях, следствием которой стал недостаток статистической мощности выбранныхавторами критериев оценки каузальных связей, и параметры некоторых связей не смоглипреодолеть порог значимости.
Например, в работе [98] используются данные 22 испытуемых, ав работе [73] и вовсе 16. Такое число испытуемых явно недостаточно для нахождениястабильного паттерна, согласно общепринятым практикам фМРТ экспериментов, числоиспытуемых должно быть около 30. Также в некоторых работах использовался методпричинности по Грейнджеру, который, как было показано в работе [20], уступает методу DCMкак в чувствительности, так и в специфичности.Области mPFC и PCC являются главными областями сети по умолчанию, они такженаиболее часто упоминаются в исследованиях DMN разными методами, такими как анализнезависимых компонент (ICA), корреляционный анализ и другие.
Важно отметить, что связи отmPFC к PCC и в обратном направлении по данным настоящего исследования, имеютпрактически одинаковую силу и апостериорную вероятность.Область PCC считается структурным ядром, соединяющим главные мозговые структурымежду собой [53], тем самым осуществляя критически важные когнитивные функции [67].Исследования методом причинности по Грейнджеру показали, что PCC является устойчивымхабом (узлом), получающим информацию практически от всех частей мозга [23, 127]. Такимобразом, PCC может быть специализированным хабом, получающим информацию как отобластей DMN (согласно настоящей работе), так и от других удаленных областей мозга.Высокая плотность связей между сетями состояния покоя может свидетельствовать о важнойроли структуры PCC как связующего звена между сетью DMN и другими сетями.86В соответствии с данными моделирования в настоящем исследовании, как и во многихдругих работах, показано влияние всех ключевых зон DMN на PCC.
Однако все еще остаютсяневыясненными пути распространения информации из зоны PCC. Согласно одной гипотезе,PCC может быть хабом между функциональными сетями [24]. Такая гипотеза находится всогласии с теорией, по которой DMN – кортикальная система высшего порядка, котораяреципрокно обменивается информацией с мозговыми системами более низкого порядка [16].Таким образом, необходимы дальнейшие исследования для понимания биофизическихмеханизмов влияния сети DMN как на другие сети состояния покоя, так и на сети, связанные сопределенными когнитивными функциями.Полученная в настоящей работе базовая модель между четырьмя ключевыми зонамиDMN показана в сравнении с моделями других авторов на рисунке 3.11.
Связи, общие для всехтрех моделей, выделены жирным.Рисунок 3.11 – Полученная в настоящей работе модель в сравнении с моделями другихавторов. А) Лучшая модель в настоящем исследовании. B) Модель из работы Раци и Фристона[98], получена также методом спектрального DCM. C) Модель из работы Ди и Бисвала [24],основана на стандартном DCM анализе.Модель, полученная в настоящем исследовании, частично схожа с моделями другихавторов, однако она имеет связи, объединяющие две ранее предложенные модели (показанытонкими стрелками).
Так же, как и в моделях других авторов, в нашей модели присутствуюткаузальные связи от билатеральных областей LIPC/RIPC. Одной из возможных причинразличий с моделью B может быть недостаточное количество сканов для анализа в модели Раци– 512. При моделировании начального отрезка (первые 500 сканов) по результатам BMA внашей модели некоторые связи были незначимы после коррекции на множественныесравнения, как например связь от RIPC к mPFC, отсутствующая в модели Раци. Несмотря на то,что найденный паттерн эффективных связей не может быть с уверенностью обобщен на всю87популяцию (в связи с особенностью выборки –здоровые молодые люди), показаннаястабильность паттерна во времени может быть дополнительным свидетельством егоустойчивости и воспроизводимости.Как показало моделирование, включение в модель пятой области не изменило паттернэффективных связей между четырьмя базовыми областями. Парагиппокампальные областивовлечены во взаимодействие с базовыми областями DMN, притом область LHIPпреимущественно передает информацию, а RHIP – получает из билатеральных областейLIPC/RIPC.
Такая вовлеченность гиппокампа в работу сети по умолчанию вероятнее всегоотражает взаимодействие с рабочей памятью мозга в состоянии покоя. Согласно некоторымисследованиям, область mPFC может быть ответственна за интеграцию эмоциональных икогнитивных процессов, управляя поведенческим ответом на основании информации из памяти[95].Сравнение модели связей между четырьмя базовыми областями DMN с расчетомТрансферной Энтропии (TE) показывает высокую степень сходства полученных результатов,несмотря на принципиальную разницу в методологии.
Общими для обоих методов получились75% найденных связей. Метод расчета переноса информации не показал значимую связь междуLIPC и mPFC, а также между RIPC и LIPC. В целом активирующая роль области RIPC поданным ТЕ очень низкая, в основном эта область является приемником сигналов. С другойстороны, метод спектрального DCM не показал связи от PCC к билатеральным областямLIPC/RIPC, которые наблюдаются во всех результатах ТЕ, в том числе с включениепарагиппокампальных областей. Это весьма неожиданный результат, так как в предыдущихисследованиях было мало свидетельств в пользу таких связей: в моделях A, B (рисунок 3.11)эти связи вовсе отсутствуют, в модели [73] в состоянии покоя присутствует связь из PCC вLIPC.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
