ফুরম্যান-2021-অগমেন্টিং ফ্রন্টাল ডোপামিন টোন ই.পিডিএফ পার্ট 2

গুরুত্বপূর্ণভাবে, প্রসঙ্গ-প্রথম (CF) এবং প্রসঙ্গ-শেষ (CL) ট্রায়ালগুলি, নির্বিশেষে সেগুলি নির্বাচনী বা বৈশ্বিক যাই হোক না কেন, প্রতিক্রিয়া নির্বাচনের সময় দ্বন্দ্বের মতো অন্যান্য কারণগুলির দ্বারা আলাদা করা যায় না।

প্রতিক্রিয়া নির্বাচন সময়কাল বিভিন্ন পছন্দের মুখোমুখি হওয়ার সময় চিন্তাভাবনা এবং সিদ্ধান্ত নেওয়ার সময়কে বোঝায়। স্মৃতি আমাদের মস্তিষ্কের অতীত অভিজ্ঞতা এবং শিক্ষা থেকে তথ্য সংরক্ষণ এবং পুনরুদ্ধার করার ক্ষমতা। দুটির মধ্যে খুব বেশি সংযোগ আছে বলে মনে হয় না, তবে তারা ঘনিষ্ঠভাবে সম্পর্কিত।

প্রথমত, প্রতিক্রিয়া নির্বাচনের সময়কাল সংক্ষিপ্ত বা দীর্ঘ কিনা তা প্রায়শই একটি কাজে আমাদের দক্ষতা এবং আমাদের পটভূমি জ্ঞানের পরিমাণের উপর নির্ভর করে। যখন আমরা একটি নির্দিষ্ট কাজের সাথে আরও পরিচিত হই, তখন আমরা দেখতে পাব যে এই কাজটি সম্পাদন করার সময় প্রতিক্রিয়া নির্বাচনের সময়কাল কম। কারণ আমাদের মস্তিস্ক ইতিমধ্যেই দীর্ঘমেয়াদী স্মৃতিতে প্রাসঙ্গিক তথ্য সঞ্চয় করে এবং এই তথ্য দ্রুত পুনরুদ্ধার ও প্রয়োগ করতে পারে। বিপরীতে, যখন আমরা নতুন এবং অপরিচিত কিছুর মুখোমুখি হই, তখন সিদ্ধান্ত নেওয়ার জন্য আমাদের আরও চিন্তা করার সময় প্রয়োজন কারণ আমাদের বারবার ইচ্ছাকৃত এবং স্বল্পমেয়াদী স্মৃতিতে তুলনা করতে হবে। এটি আমাদের স্মৃতিকেও প্রভাবিত করে, কারণ আমাদের স্বল্পমেয়াদী মেমরিতে নতুন তথ্য সংরক্ষণ করতে হবে এবং তারপরে এটি দীর্ঘমেয়াদী মেমরিতে রূপান্তর করতে হবে, যা দীর্ঘ এবং আরও শক্তি নিতে পারে।

দ্বিতীয়ত, যখন আমরা আমাদের স্মৃতিশক্তি উন্নত করার জন্য কঠোর পরিশ্রম করি, তখন এটি পরোক্ষভাবে আমাদের প্রতিক্রিয়া নির্বাচনের সময়কেও প্রভাবিত করে। উদাহরণস্বরূপ, যখন আমরা সক্রিয়ভাবে বই পড়া, কোর্সে যোগদান এবং মেমরি প্রশিক্ষণের মাধ্যমে আমাদের ব্যাকগ্রাউন্ড জ্ঞান এবং স্মৃতিশক্তি বৃদ্ধি করি, তখন আমরা দেখতে পাব যে নতুন কাজের মুখোমুখি হলে, প্রতিক্রিয়া নির্বাচনের সময়কাল কম হয় কারণ আমরা আরও দ্রুত প্রাসঙ্গিক তথ্য পুনরুদ্ধার করতে পারি। বহুদিনের স্মৃতি. এটি আমাদের আত্মবিশ্বাসকেও শক্তিশালী করে এবং আমাদের জ্ঞানীয় এবং মানসিক অবস্থাকে নিয়ন্ত্রণ করার ক্ষমতাকে উন্নত করে।

সংক্ষেপে, প্রতিক্রিয়া নির্বাচনের সময়কাল এবং স্মৃতির মধ্যে একটি ঘনিষ্ঠ সম্পর্ক রয়েছে। যদিও নতুন জিনিসের মুখোমুখি হওয়ার সময় সিদ্ধান্ত নিতে আমাদের বেশি সময় লাগতে পারে, আমাদের স্মৃতিশক্তি উন্নত করার জন্য কাজ করে, আমরা আমাদের জ্ঞানীয় দক্ষতা এবং নির্ভুলতা উন্নত করতে পারি, যা আমাদের জন্য সঠিক পছন্দগুলি করা সহজ করে তোলে। অতএব, আমরা প্রত্যেককে সক্রিয়ভাবে শিখতে, কৌতূহলী থাকতে এবং আরও অন্বেষণ করতে উত্সাহিত করি, যা আমাদের প্রতিক্রিয়া নির্বাচনের সময়কাল এবং স্মৃতিশক্তি উন্নত করতে সাহায্য করবে, আমাদের নিজেদের একটি ভাল সংস্করণ করে তুলবে৷ এটি দেখা যায় যে আমাদের স্মৃতিশক্তি উন্নত করতে হবে, এবং সিস্তানচে ডেসার্টিকোলা উল্লেখযোগ্যভাবে স্মৃতিশক্তি উন্নত করতে পারে, কারণ সিস্তানচে ডেসার্টিকোলায় অ্যান্টিঅক্সিডেন্ট, অ্যান্টি-ইনফ্লেমেটরি এবং অ্যান্টি-এজিং প্রভাব রয়েছে, যা মস্তিষ্কে অক্সিডেশন এবং প্রদাহজনক প্রতিক্রিয়া কমাতে সাহায্য করতে পারে, যার ফলে মস্তিষ্কের সুরক্ষা। স্নায়ুতন্ত্রের স্বাস্থ্য। এছাড়াও, Cistanche deserticola স্নায়ু কোষের বৃদ্ধি এবং মেরামতকেও প্রচার করতে পারে, এইভাবে নিউরাল নেটওয়ার্কগুলির সংযোগ এবং কার্যকারিতা বৃদ্ধি করে। এই প্রভাবগুলি স্মৃতিশক্তি, শেখার এবং চিন্তার গতিকে উন্নত করতে সাহায্য করতে পারে এবং জ্ঞানীয় কর্মহীনতা এবং নিউরোডিজেনারেটিভ রোগের বিকাশ রোধ করতে পারে।

স্বল্পমেয়াদী মেমরি উন্নত করতে Know এ ক্লিক করুন

উদাহরণ স্বরূপ, CF-G এবং CL-G উভয় শর্তেই একটি সঠিক প্রতিক্রিয়া রয়েছে যা ট্রায়ালের সময় উপস্থাপিত প্রতীক এবং চিঠি ধারণ করে। অতিরিক্তভাবে, যেমন পূর্বে উল্লেখ করা হয়েছে কিছু গ্লোবাল ট্রায়ালে লক্ষ্য এবং ফয়েল প্রতিক্রিয়া উভয় ক্ষেত্রেই একই আইটেম রয়েছে যাতে বিষয়গুলি কেবলমাত্র একটিতে ফোকাস করতে না পারে, উভয়ের পরিবর্তে, আইটেম। আচরণগত বিশ্লেষণ।

পূর্ববর্তী গবেষণার সাথে তাল মিলিয়ে (Chatham & Badre, 2013; Chatham et al.,2014), আমরা নির্ভুলতার পরিবর্তে প্রাথমিকভাবে প্রতিক্রিয়া সময়ের (RT) উপর ফোকাস করেছি। নির্ভুলতা, বাইনারি (ডান/ভুল) ফলাফল পরিমাপ হিসাবে, কার্য দক্ষতার পরিবর্তনের জন্য তুলনামূলকভাবে সংবেদনশীল। যদিও সঠিক রক্ষণাবেক্ষণ এবং গেটিং ব্যর্থতাগুলি সঠিকতার পরিবর্তনের মধ্যে প্রতিফলিত হতে পারে, অদক্ষতা হবে না; পরিবর্তে, প্রতিক্রিয়াগুলি কেবল ধীর হবে।

হাইপোথিসিস মোকাবেলা করার জন্য থটলকাপোনকে অগ্রাধিকারমূলকভাবে অদক্ষ ট্রায়ালের সংখ্যা কমাতে হবে, এমনকি যদি চূড়ান্তভাবে সঠিক পরীক্ষার অনুপাত অপরিবর্তিত থাকে, আমরা ট্রায়াল জুড়ে প্রতিক্রিয়া বিতরণের জন্য এবং বিশেষ করে অদক্ষ (দীর্ঘ RT) প্রতিক্রিয়াগুলির সংখ্যার প্রতি সংবেদনশীল একটি পরিমাপ ব্যবহার করেছি। . উল্লেখ্য, RT প্রাথমিক ভিজ্যুয়াল প্রসেসিং এবং মোটরপ্রিপারেশন সহ বিভিন্ন কারণের সংমিশ্রণকে প্রতিফলিত করে, প্রাথমিক ভিজ্যুয়াল প্রসেসিং চাহিদাগুলি পুরো টাস্ক জুড়ে মেলে, এবং আমাদের পূর্ববর্তী কাজ নিশ্চিত করেছে যে টলকাপোন মোটর প্রতিক্রিয়াগুলিকে উল্লেখযোগ্যভাবে গতি দেয় না (Furman etal., 2020; Kayser et al. ., 2012; কায়সার এট আল।, 2015)।

এইভাবে, প্রারম্ভিক ভিজ্যুয়াল প্রক্রিয়াকরণ এবং মোটরপ্রস্তুতির চাহিদাগুলি RT-সম্পর্কিত ব্যবস্থার উপর ভিত্তি করে টাস্ক শর্তগুলির মধ্যে পার্থক্য করা উচিত নয়৷ সমস্ত আচরণগত ডেটা বিশ্লেষণের আগে প্রিপ্রসেস করা হয়েছিল৷ যেহেতু প্রাথমিক ফোকাস ছিল প্রতিক্রিয়ার সময়, স্থিতিশীল RT পরিমাপকে প্রভাবিত করে এমন ডেটা সরানো হয়েছিল। পূর্বে উল্লিখিত হিসাবে, 11টি বাদ দেওয়া বিষয়গুলির মধ্যে 3টি সমস্ত পরীক্ষায় সুযোগের চেয়ে বেশি নির্ভুলতার সাথে প্রতিক্রিয়া জানাতে ব্যর্থ হওয়ার জন্য বাদ দেওয়া হয়েছিল।

49টি ধরে রাখা বিষয়গুলির প্রতিটির জন্য, প্রতিটি সেশনের প্রথম 10টি ট্রায়াল সমস্ত বিশ্লেষণ থেকে সরানো হয়েছিল; এছাড়াও, সমস্ত ভুল ট্রায়াল এবং সেই বিষয়ের জন্য গড় RT-এর বাইরে 5 টির বেশি স্ট্যান্ডার্ড বিচ্যুতি সহ যেকোনো ট্রায়াল RT-এর বিশ্লেষণ থেকে বাদ দেওয়া হয়েছিল (Chatham & Badre, 2013; Chatham et al., 2014)। এই আউটলিয়ার থ্রেশহোল্ডটি দুটি উদ্বেগের ভারসাম্য বজায় রাখার জন্য বেছে নেওয়া হয়েছিল: অদক্ষ RT-কে সেন্সর করা এড়ানোর ইচ্ছা, কিন্তু কাজের সাথে সম্পর্কহীন কারণগুলির দ্বারা বিভ্রান্ত হওয়া খুব দীর্ঘ RTs এড়ানোর লক্ষ্য (যেমন কম্পিউটার স্ক্রিনে উপস্থিত হতে ব্যর্থতার কারণে)।

সমস্ত বিষয় জুড়ে, কাঙ্ক্ষিত RT পরিসরের বাইরে পড়ার জন্য শুধুমাত্র 1টি ট্রায়াল সরানো হয়েছিল৷ একটি লিনিয়ার মিক্সড-ইফেক্ট মডেল ব্যবহার করা হয়েছিল টোলকাপোন-সম্পর্কিত পরিবর্তনগুলিকে মোকাবেলা করার জন্য। থিমডেলটি অতিরিক্তভাবে প্রতিটি টাস্ক কন্ডিশনের জন্য RT ডিস্ট্রিবিউশনে টলকাপোন-সম্পর্কিত প্রভাব পরীক্ষা করার জন্য তৈরি করা হয়েছিল (চ্যাথাম এট আল।, 2014), কারণ RT এর গড় পরিমাপ পরীক্ষামূলক ম্যানিপুলেশন জুড়ে RT-এর বিতরণে সম্ভাব্য আরও সূক্ষ্ম পরিবর্তনগুলিকে সম্বোধন করে না। . ধারণাগতভাবে, রক্ষণাবেক্ষণ বা গেটিংয়ের দক্ষতার পরিবর্তনগুলি পরীক্ষায় প্রভাবিত নাও হতে পারে যার জন্য এই প্রক্রিয়াগুলি ইতিমধ্যে অপ্টিমাইজ করা হয়েছে।

খুব দ্রুত RTs সহ ট্রায়াল, উদাহরণস্বরূপ, শক্তিশালী রক্ষণাবেক্ষণ এবং গেটিং প্রক্রিয়াগুলিকে প্রতিফলিত করতে পারে যার জন্য যে কোনও ম্যানিপুলেশন সামান্য পর্যবেক্ষণযোগ্য উপকারী প্রভাব ফেলতে পারে। বিপরীতে, খুব ধীর RTs সহ ট্রায়ালগুলি কার্যকর রক্ষণাবেক্ষণ এবং গেটিং প্রক্রিয়াগুলিকে প্রতিফলিত করতে পারে যা ওষুধের সাথে উন্নতি করতে পারে। একইভাবে, iftolcapone গেটিং বা রক্ষণাবেক্ষণের দক্ষতাকে আরও খারাপ করেছে, এই প্রভাবগুলি RT বিতরণের দ্রুত শেষে সবচেয়ে বেশি দৃশ্যমান হতে পারে।

এই ধরনের কোনো প্রভাব পরিমাপ করার জন্য, আমরা প্রতিটি অংশগ্রহণকারী এবং অবস্থার জন্য RT ডেটাকে 10 ডেসিলে বিভক্ত করার জন্য এই টাস্ক (Chatham et al., 2014) এর সাথে আগে ব্যবহার করা একটি পন্থা নিয়েছিলাম, RT দ্বারা বাছাই করে দ্রুত থেকে ধীরতম পর্যন্ত, এবং প্রতি থিমের RT মান ব্যবহার করতে আমাদের বিশ্লেষণে নির্ভরশীল পরিবর্তনশীল হিসাবে decile. এই পদ্ধতির সাহায্যে ডেসিল জুড়ে ঢালে ড্রাগ-সম্পর্কিত পরিবর্তনগুলি ("RT ঢাল") এবং সেইসাথে RT-তে গড় পরিবর্তন মূল্যায়ন করার অনুমতি দেওয়া হয়।

মডেলে, উপাদানগুলি অন্তর্ভুক্ত ছিল ড্রাগ (টলকাপোন বা প্লাসিবো; চিকিত্সা কোডেড), টাস্ক কন্ডিশন (সিএফ-এস, সিএফ-জি, সিএল-এস, বা সিএল-জি; যোগফল কোডেড), এবং ডেসিল (1-10; অর্ডিনাল) , সেইসাথে সমস্ত পারস্পরিক মিথস্ক্রিয়া। আরটি ডিস্ট্রিবিউশনে টলকাপোনের সম্ভাব্য অরৈখিক প্রভাবের জন্য হিসাব করার জন্য, decile2 ("ডেসিল স্কোয়ার") এর জন্য মিথস্ক্রিয়া পদের তুলনামূলক সেট অন্তর্ভুক্ত করা হয়েছিল। অবশেষে, ড্রাগ সেশন অর্ডারের সাথে মিথস্ক্রিয়া (ড্রাগ প্রথম বা ড্রাগ শেষ; যোগফল কোডেড) নিয়ন্ত্রণ পরিমাপ হিসাবে অন্তর্ভুক্ত করা হয়েছিল। প্রাথমিকভাবে, টাইপ I ত্রুটিগুলি (Barr, Levy, Scheepers, & Tily, 2013) কমানোর জন্য একটি সর্বাধিক র্যান্ডম প্রভাব কাঠামো তৈরি করা হয়েছিল।

এলোমেলো প্রভাবগুলির মধ্যে বিষয়ের ইন্টারসেপ্ট, সেইসাথে ওষুধের ঢাল, টাস্ক কন্ডিশন, এবং ডেসিল/ডেসিল2 এবং তাদের মিথস্ক্রিয়া এবং এলোমেলো ঢাল এবং বিষয় ইন্টারসেপ্টের মধ্যে পারস্পরিক সম্পর্ক অন্তর্ভুক্ত ছিল। এই মডেল একত্রিত হতে ব্যর্থ; এইভাবে, (Bates, Kliegl, Vasishth, & Baayen, 2015) মধ্যে বর্ণিত প্রোটোকল অনুসরণ করে, এলোমেলো ঢাল এবং বাধাগুলির মধ্যে পারস্পরিক সম্পর্ককে সরিয়ে দেওয়া হয়েছিল। F-পরীক্ষাগুলি স্বাধীনতার আনুমানিক ডিগ্রির জন্য Satterthwaite পদ্ধতি ব্যবহার করে স্থির প্রভাবের জন্য গণনা করা হয়েছিল। "lme4" (Bates et al., 2015) এবং "afex" (Singmann et al., 2018) R (R Core Team, 2017) লাইব্রেরি ব্যবহার করে বিশ্লেষণ করা হয়েছিল।

প্রান্তিক উপায় এবং প্রবণতাগুলির অনুমান, সেইসাথে ফলো-আপ z-পরীক্ষাগুলি "মিন্স" প্যাকেজ (লেন্থ, 2018) ব্যবহার করে পরিচালিত হয়েছিল। সম্পূর্ণতার জন্য, পরীক্ষা-ভিত্তিক নির্ভুলতাও বিশ্লেষণ করা হয়েছিল।

একটি দ্বিপদী সাধারণীকৃত মিশ্র প্রভাব মডেলের মধ্যে নির্দিষ্ট ফ্যাক্টর ড্রাগ, টাস্ক কন্ডিশন এবং তাদের মিথস্ক্রিয়া অন্তর্ভুক্ত ছিল। কনভারজেন্স সক্ষম করার জন্য এবং একক ফিট এড়াতে পদগুলি ড্রপ করার পরে, চূড়ান্ত এলোমেলো প্রভাব কাঠামোতে বিষয়ের জন্য এলোমেলো বাধা এবং বিষয়ের মধ্যে ওষুধের র্যান্ডম ঢাল অন্তর্ভুক্ত ছিল। স্থির প্রভাবের শর্তাবলীর তাৎপর্য নির্ধারণ করতে সম্ভাবনা-অনুপাত পরীক্ষা ব্যবহার করা হয়েছিল।

এমআরআই পরামিতি। বার্কলে ইউনিভার্সিটি অফ ক্যালিফোর্নিয়া-এ সিমেন্স ম্যাগনেটম ট্রিও 3টি এমআর স্ক্যানারেট দ্য হেনরি এইচ. হুইলার, জুনিয়র ব্রেইন ইমেজিং সেন্টারে এমআরআই স্ক্যানিং করা হয়েছিল।

শারীরবৃত্তীয় চিত্রগুলি 160 স্লাইস নিয়ে গঠিত যা একটি T1-ওয়েটেড MP-RAGE প্রোটোকল (TR= 2300 ms, TE=2.98 ms, FOV=256 ব্যবহার করে অর্জিত হয়েছে মিমি, ম্যাট্রিক্স সাইজ=256 x 256, ভক্সেল সাইজ=1 mm3)। বিশ্রাম-রাষ্ট্র কার্যকরী চিত্রগুলি প্রাপ্ত হয়েছিল যখন বিষয়গুলি চোখ খোলা রেখে চুপচাপ শুয়ে ছিল, এবং গ্রেডিয়েন্ট ইকোপ্ল্যানার ইমেজিং প্রোটোকল (TR=1900 ms, TE =24 ms, FOV=225 সহ অর্জিত 35টি স্লাইস নিয়ে গঠিত মিমি, ম্যাট্রিক্স সাইজ=96 x 96, ভক্সেল সাইজ=3।{21}} মিমি x 3.0 মিমি x 3.5 মিমি।fMRI প্রিপ্রসেসিং। fMRI প্রিপ্রসেসিং AFNI(http://afni.nimh.nih.gov) এবং FSL (http://www.fmrib.ox.ac.uk/fsl/) সফ্টওয়্যার প্যাকেজ উভয় ব্যবহার করে সম্পাদিত হয়েছিল। বিশ্রাম-রাষ্ট্র কার্যকরী চিত্রগুলিকে 4D NIfTI ফর্ম্যাটে রূপান্তরিত করা হয়েছিল এবং স্লাইস-টাইমিং অফসেটের জন্য সংশোধন করা হয়েছিল।
AFNI প্রোগ্রাম 3dvolreg ব্যবহার করে মোশন সংশোধন করা হয়েছিল, এর ভলিউম গড় চিত্রের সাথে সেট করা হয়েছিল। AFNI প্রোগ্রাম 3dAllineate ব্যবহার করে শারীরবৃত্তীয় স্ক্যানের সাথে সহ-নিবন্ধন করা হয়েছিল, এবং প্রথমে FSL প্রোগ্রাম ব্যবহার করে শারীরবৃত্তীয় চিত্রগুলি স্ট্যান্ডার্ড ভলিউমে (MNI_N27) স্বাভাবিক করা হয়েছিল। একই স্বাভাবিককরণের পরামিতিগুলি পরবর্তীতে স্থানীয়-স্থানের পরিসংখ্যানগত মানচিত্রে প্রয়োগ করা হয়েছিল গ্রুপ পরিসংখ্যানগত মানচিত্র তৈরি করতে।

বিশ্রাম রাষ্ট্র সংযোগ বিশ্লেষণ. 0 এর মধ্যে টেম্পোরাল ব্যান্ডপাস ফিল্টারিংয়ের আগে বিশ্রাম-রাষ্ট্রের ডেটা 5 মিমি FWHMGaussian কার্নেল দ্বারা মসৃণ করা হয়েছিল। মুভমেন্ট প্যারামিটার এবং হোয়াইট ম্যাটার এবং ভেন্ট্রিকুলার টাইম সিরিজ, কিন্তু বৈশ্বিক গড় সংকেত নয়, পরবর্তী সংযোগ বিশ্লেষণের স্বাধীনভাবে, প্রি-প্রসেসিংয়ের সময় কোন আগ্রহ নেই এমন আগ্রাসী অন্তর্ভুক্ত করা হয়েছিল। পার্শ্বীয় প্রিফ্রন্টাল কর্টেক্সের মধ্যে আগ্রহের অঞ্চলগুলি (ROIs) তারপরে নির্বাচন করা হয়েছিল, (a) তাদের বর্ধিত কার্যকলাপ এবং এই এবং সম্পর্কিত কাজগুলিতে কেন্দ্রীয় ভূমিকার উপর ভিত্তি করে (Badre, Kayser, & D'Esposito, 2010; Chatham et al., 2014), এবং (খ) অনুমান যে টোলকাপোনে এই অঞ্চলগুলি, বিশেষ করে যেগুলি মোটর প্রতিক্রিয়ার কাছাকাছি, পোস্টেরিয়র কর্টেক্সের ভিজ্যুয়াল এলাকার সাথে বর্ধিত সংযোগ প্রদর্শন করবে।

বিশেষত, এই অঞ্চলগুলি বাম এবং ডান ডোরসাল প্রিমোটর কর্টেক্সে অবস্থিত ছিল (PMd, MNI সহ, স্থানাঙ্ক ±30, -12, 66) এবং বাম এবং ডান প্রি-প্রিমোটর কর্টেক্স (pPMd, MNI সহ, স্থানাঙ্ক ±36, 8, 34) (বদরে এট আল।, 2010; চ্যাথাম এট আল।, 2014)।

প্রতিটি ROI এমএনআই স্থানাঙ্কের একটি সেট দ্বারা সংজ্ঞায়িত করা হয়েছিল যা 8 মিমি ব্যাসার্ধ সহ একটি গোলকের কেন্দ্র তৈরি করেছিল। এই অঞ্চলগুলির প্রতিটিতে ভক্সেল জুড়ে গড় দ্বারা সংজ্ঞায়িত সময়ের কোর্সগুলি তখন মস্তিষ্কের অন্যান্য সমস্ত ভক্সেলের সাথে আলাদাভাবে সম্পর্কযুক্ত ছিল এবং পারমিট্রিক পরিসংখ্যানগত পরীক্ষার প্রয়োগের অনুমতি দেওয়ার জন্য পারস্পরিক সম্পর্ক সহগগুলি ফিশার-রূপান্তরিত হয়েছিল।

গোষ্ঠী পরিসংখ্যান প্রয়োগের আগে পৃথক মস্তিষ্কের মানচিত্রগুলি MNI টেমপ্লেটে স্বাভাবিক করা হয়েছিল। আচরণগত কর্মক্ষমতা এবং কার্যকরী সংযোগে ওষুধ-সম্পর্কিত পরিবর্তনগুলির মধ্যে সম্পর্ক পরীক্ষা করার জন্য, আমরা প্রথমে প্রতিটি অংশগ্রহণকারী এবং বীজ অঞ্চলের জন্য প্লাসেবো এবং টোলকাপোন সংযোগ মানচিত্রের মধ্যে পার্থক্য গণনা করেছি এবং তারপর এই পার্থক্য মানচিত্র এবং বিষয়ের সাথে সঙ্গতিপূর্ণ র্যান্ডম প্রভাব ভেরিয়েবলের মধ্যে পারস্পরিক সম্পর্ক গণনা করেছি। -ওয়াইজ ড্রাগ ডেসিল ইফেক্ট ("সামগ্রিক RT ঢাল") এবং ড্রাগ x decile x CF-G × ইফেক্ট ("ড্রাগ ডেসিল" এবং "ড্রাগ ডেসিল x CF-G" এর সংযোজক প্রভাব হিসাবে গণনা করা হয়; × ×এর পরে "" হিসাবে উল্লেখ করা হয় CF-G অবস্থার জন্য RT ঢাল") আমাদের আচরণগত মডেলে অনুমান করা হয়েছে (আচরণগত বিশ্লেষণ দেখুন)।

মানচিত্র অনুসারে তাত্পর্য (p < 0।{7}}01, একাধিক তুলনার জন্য সংশোধন করা হয়েছে) প্রাথমিকভাবে থ্রেশহোল্ড ডেটাতে AFNI প্রোগ্রাম 3dFWHMx এবং 3dClustSim থেকে প্রাপ্ত একটি ক্লাস্টার-আকার সংশোধন (20 ভক্সেল) প্রয়োগ করে নির্ধারিত হয়েছিল p <0.0001 এর একটি মান, অসংশোধিত।

ফলাফল: 49টি বিষয় একটি শ্রেণীবদ্ধ কাজের মেমরি টাস্ক সম্পন্ন করেছে যেখানে তাদের একটি পরীক্ষার সময়কাল জুড়ে প্রতীক এবং/অথবা অক্ষরগুলি স্মরণ করার জন্য সংখ্যা দ্বারা নির্দেশিত প্রসঙ্গ সংকেত ব্যবহার করতে হবে (চিত্র 1A-E)। পূর্বের কাজের সাথে সামঞ্জস্যপূর্ণ (চ্যাথাম এট আল।, 2014), চারটি কাজের শর্ত মূল্যায়ন করা হয়েছিল: প্রসঙ্গ প্রথম, নির্বাচনী (CF-S); প্রসঙ্গ প্রথম, বিশ্বব্যাপী (CF-G); contextlast, নির্বাচনী (CL-S); এবং প্রসঙ্গ শেষ, বিশ্বব্যাপী (CL-G)।

উল্লেখযোগ্যভাবে, এই শর্তগুলির প্রত্যেকটি ইনপুট গেটিং, আউটপুট গেটিং এবং রক্ষণাবেক্ষণের (পদ্ধতি, এবং চিত্র 1F) উপর ভিন্ন কৌশলগত চাহিদা রাখে। এই শর্তগুলির জন্য, আমরা প্রতিটি টাস্ক কন্ডিশনের জন্য দশটি অর্ডারকৃত ডেসিল জুড়ে RT-এর ডিস্ট্রিবিউশনের গড় RTs এবং পরিবর্তন উভয়ই মূল্যায়ন করেছি (Chatham et al., 2014)। এই "RT ঢাল" মানটি প্রতিটি শর্তের জন্য প্রতিক্রিয়া সময়ের বন্টনকে আরও ভালভাবে প্রতিফলিত করে। ;বিশেষত, গড় আরটি বা নির্ভুলতার থেকে পার্থক্য করে, এটি সম্ভাবনার দিকে লক্ষ্য রাখে যে কর্টিকাল ডোপামিন টোন বাড়ানো সমস্ত ট্রায়াল জুড়ে রক্ষণাবেক্ষণের উন্নতি করতে পারে না, তবে পরিবর্তে ট্রায়ালসাবটাইপ জুড়ে অদক্ষ রক্ষণাবেক্ষণকে অগ্রাধিকারমূলকভাবে উন্নত করতে পারে বা দক্ষ রক্ষণাবেক্ষণ ব্যাহত করতে পারে (পদ্ধতিগুলি দেখুন)।

যদিও সঠিকতা কাজের শর্ত অনুসারে পরিবর্তিত হয় (2(3)=174.23, p<0.0001), there was no significant effect of drug (  2 (1)=0.03, p=0.87), nor interaction of drug and condition (  2 (3)=1.83, p=0.61), on task accuracy (see Table 1). Our analysis of RT revealed a significant main effect of task condition on RT (F[3,114.79]=420.87, p < 0.0001), consistent with previous work using this paradigm (Chatham et al., 2014). Interactions of condition x decile (F[3,80.1]=26.19, p < 0.0001) and of condition x decile 2 (F[3,57.87]=17.07, p < 0.0001), and the hypothesized 3-way interactions of condition x decile x drug (F[3,59.65]=3.50, p = 0.02), and of condition x decile 2 x drug (F[3,83.22]=3.05, p = 0.03) were also identified (see Table 1). 

লক্ষণীয়, এই {{0}} উপায়ে ইন্টারঅ্যাকশনগুলি একটি 4-অবস্থা x ডেসিল x ড্রাগ x সেশন অর্ডার (F[3,59.65]=2.96, p4-পথের মিথস্ক্রিয়া থাকা সত্ত্বেও অব্যাহত ছিল 4 ) RT(F[1,49.68]=0.03, p=0৷86), এবং ড্রাগ x decile (F[1, 47.36]=0.34, পি=0.56), ড্রাগএক্স ডেসিল2 (F[1,63.41]=1.36, পি=0.25), এবং ড্রাগ এক্স কন্ডিশন (F[3,76.84]=0.76, p=0.52) সব তুচ্ছ ছিল। প্রত্যাশিত হিসাবে, ডেসিল (F[1,58.43]=1078.76, p <0.0001) এবং decile2 (F[1,44.22]=485.78, p <0.0001) এর সাধারণ প্রভাবগুলি উল্লেখযোগ্য ছিল, কিন্তু এই প্রভাবগুলি বিশ্লেষণ নকশার একটি প্রত্যক্ষ পরিণতি এবং আরও অন্বেষণ করা হয়নি।

শর্তের জন্য আনুমানিক প্রান্তিক উপায়, এবং ডেসিল এবং ডেসিল2 জুড়ে শর্ত-নির্দিষ্ট প্রবণতা, উভয় প্লেসিবো এবং টোলকাপোন সেশনের জন্য সারণি 1 এ সরবরাহ করা হয়েছে। ফলো-আপ z-পরীক্ষাগুলি নির্ধারণ করেছে যে আগ্রহের 3-পথের মিথস্ক্রিয়া (ড্রাগ x শর্ত x ডিসিল) চালিত হয়েছিল, অন্তত আংশিকভাবে, CF-G ট্রায়ালের জন্য RT স্লোপে টলকাপোন (বনাম প্লেসবো) এর উল্লেখযোগ্য প্রভাব দ্বারা (প্রবণতা অনুমান=-6.2, SE= 2.7, z { {11}}.3, পি=0.02)।

RT ঢালের উপর এই প্রভাবটি থেরা ডেটাতে (চিত্র 2B) CF-G অবস্থাতেও স্পষ্ট ছিল এবং আমাদের অনুমানের সাথে সামঞ্জস্যপূর্ণ যে রক্ষণাবেক্ষণের চাহিদা বেশি হলে এবং (আউটপুট) গেটিং চাহিদা কম হলে টলকাপোনের প্রভাব সর্বাধিক স্পষ্ট হওয়া উচিত (চিত্র 1F) )

উপরন্তু, যেহেতু অপ্টিমাইজ করা আচরণগত প্রতিক্রিয়াগুলির সংক্ষিপ্ত RTs থাকা উচিত, তাই RT ঢালের এই হ্রাস এই অনুমানের সাথে সামঞ্জস্যপূর্ণ যে টোলকাপোন রক্ষণাবেক্ষণ প্রক্রিয়াগুলির দক্ষতা উন্নত করবে যেমন দীর্ঘ RTs সহ ট্রায়ালগুলির অনুপাত হ্রাস করা উচিত।

For more information:1950477648nn@gmail.com