ব্রেন স্ট্রাকচার, ওয়ার্কিং মেমরি এবং এপিসোডিক মেমরি পার্ট 2 সহ বিলম্ব ডিসকাউন্টিং এর তদন্ত অ্যাসোসিয়েশন

কাঠামোগত ভবিষ্যদ্বাণীকারী এবং ডিডির মধ্যে সম্পর্ক

আমরা FSL-এর PALM সফ্টওয়্যার সংস্করণ 1.11 (Winkler et al. 2014, Webster, 2014; Websterin, 2014; al. 2016b) MATLABR2017b এ চলছে।

সাম্প্রতিক বছরগুলিতে, মানুষের জীবনযাত্রার মানের উন্নতি এবং বয়স বৃদ্ধির সাথে, স্মৃতি সমস্যাগুলি আরও বেশি মনোযোগ আকর্ষণ করেছে। যাইহোক, কিছু লোক সক্রিয়ভাবে তাদের মস্তিষ্কের ব্যায়াম করেছে কিন্তু এখনও স্মৃতির সমস্যায় ভুগছে। এই সময়ে, আমরা মেমরি উন্নত করার জন্য অ-প্যারামেট্রিক ব্যবস্থা ব্যবহার করে বিবেচনা করতে পারি।

সুতরাং, একটি নন-প্যারামেট্রিক পারমুটেশন কি? নন-প্যারামেট্রিক বিন্যাস হল একটি পরিসংখ্যানগত পদ্ধতি যা সংখ্যাগত তুলনা ছাড়াই নির্দিষ্ট নিয়ম অনুযায়ী ডেটার একটি সেট সাজায়। প্যারামেট্রিক পারমুটেশনের সাথে তুলনা করে, নন-প্যারামেট্রিক পারমুটেশনের অ্যাপ্লিকেশনের বিস্তৃত পরিসর রয়েছে এবং ডেটা বিতরণ এবং বিচক্ষণতা সম্পর্কে খুব বেশি অনুমান করে না।

এবং মেমরি উন্নত করতে নন-প্যারামেট্রিক বিন্যাস কীভাবে ব্যবহার করবেন? প্রথমত, আমরা জানি যে মানুষের মস্তিষ্ক বিভিন্ন তথ্য যেমন ছবি, অডিও, টেক্সট ইত্যাদি বিশ্লেষণ করতে, মুখস্থ করতে এবং স্মরণ করতে পারে, তাই আমরা আমাদের মস্তিষ্কের প্রক্রিয়াকরণ এবং বিভিন্ন তথ্যের স্মৃতিশক্তি উন্নত করতে নন-প্যারামেট্রিক ব্যবস্থা ব্যবহার করতে পারি।

কিছু ব্যায়ামের মাধ্যমে, যেমন স্মৃতি অনুশীলন করা এবং রং, সংখ্যা, শব্দ এবং অন্যান্য তথ্য স্মরণ করা এবং তারপর বিভিন্ন তথ্যের অ-প্যারামেট্রিক বিন্যাস, মস্তিষ্কে আরও নিয়মিত গঠন তৈরি করা হয়, যার ফলে মস্তিষ্কের স্মৃতিশক্তি বৃদ্ধি পায়।

এছাড়াও, নন-প্যারামেট্রিক পারমুটেশনগুলি অন্যান্য সমস্যাগুলির মধ্যে মানসিক নমনীয়তা উন্নত করতে এবং উদ্বেগ এবং চাপ কমাতে ব্যবহার করা যেতে পারে। মস্তিষ্কের ব্যায়াম করার মাধ্যমে, মস্তিষ্ক আরও নমনীয় এবং স্বাস্থ্যকরভাবে কাজ করতে পারে, যার ফলে অপ্রয়োজনীয় বিষণ্নতা, উদ্বেগ এবং অন্যান্য নেতিবাচক আবেগগুলি হ্রাস পায় এবং জীবন এবং কাজকে আরও ইতিবাচকভাবে মোকাবেলা করতে পারে।

সংক্ষেপে, অ-প্যারামেট্রিক বিন্যাস মস্তিষ্কের স্মৃতিশক্তি এবং চিন্তার নমনীয়তা উন্নত করার জন্য একটি সম্ভাব্য এবং কার্যকর পদ্ধতি। ক্রমাগত ব্যায়াম এবং অনুশীলনের মাধ্যমে, মস্তিষ্কের মেমরি এবং প্রক্রিয়াকরণ ক্ষমতা কার্যকরভাবে উন্নত করা যেতে পারে, যা আমাদের জীবনের মুখোমুখি হতে এবং আরও স্বাস্থ্যকর এবং ইতিবাচকভাবে কাজ করতে সহায়তা করে। দেখা যায় আমাদের স্মৃতিশক্তি উন্নত করতে হবে। Cistanche deserticola উল্লেখযোগ্যভাবে স্মৃতিশক্তি উন্নত করতে পারে, কারণ Cistanche deserticola নিউরোট্রান্সমিটারের ভারসাম্য নিয়ন্ত্রণ করতে পারে, যেমন অ্যাসিটাইলকোলিনের মাত্রা বৃদ্ধি এবং বৃদ্ধির কারণগুলি। এই পদার্থগুলি স্মৃতিশক্তি এবং শেখার জন্য অত্যন্ত গুরুত্বপূর্ণ। এছাড়াও, মাংস রক্ত ​​​​প্রবাহকে উন্নত করতে পারে এবং অক্সিজেন সরবরাহকে উন্নীত করতে পারে, যা নিশ্চিত করতে পারে যে মস্তিষ্ক পর্যাপ্ত পুষ্টি এবং শক্তি পায়, এইভাবে মস্তিষ্কের জীবনীশক্তি এবং সহনশীলতা উন্নত করে।

মস্তিষ্কের কার্যকারিতা উন্নত করার উপায়গুলি জানুন ক্লিক করুন

আমরা 10,000 পারমুটেশন ব্যবহার করেছি, পি-মানগুলির পারমুটেশন ডিস্ট্রিবিউশনের টেইল মডেলিং করেছি aPareto ডিস্ট্রিবিউশন (উইঙ্কলার, রিডগওয়ে, এট আল। 2016a), এবং পরিবার-ভিত্তিক ত্রুটির হার (FWER) নিয়ন্ত্রণের জন্য একাধিক পরীক্ষার জন্য সর্বোচ্চ পরিসংখ্যান (ওয়েস্টফল্যান্ড ইয়াং 1993)। এইচসিপি ডেটাসেটে এমন বিষয় রয়েছে যাদের তাদের ভাইবোনদের (বেশিরভাগই তাদের যমজ) সাথে নমুনা করা হয়েছিল, যার মানে পরিমাপগুলিকে স্বাধীন হিসাবে বিবেচনা করা যায় না।

ডেটাসেটে পারিবারিক কাঠামোর জন্য অ্যাকাউন্টিং করার সময় আগ্রহের পরিবর্তনশীলগুলির মধ্যে অ্যাসোসিয়েশনের জন্য পরীক্ষা করার জন্য, আমরা মাল্টিলেভেল ব্লক পারমুটেশন টেস্টিং ব্যবহার করেছি (Winkler et al. 2015)। সাধারণ বুদ্ধিমত্তার পরিমাপ ("CogTotalComp_Unadj") রৈখিক এবং চতুর্মুখী পদ, লিঙ্গ, শিক্ষা, আয়, এবং এনআইএইচ টুলবক্সের জ্ঞানীয় ফাংশন যৌগিক স্কোরের জন্য এই অ্যাসোসিয়েশনগুলি সংশোধন করা হয়েছিল। পরীক্ষা করা অ্যাসোসিয়েশনগুলির জন্য 2-টেইলড P-মানগুলি রিপোর্ট করা হয়েছে৷

ভার্টেক্স- এবং ভক্সেল-ভিত্তিক বিশ্লেষণ

তুলনা করার জন্য, আমরা ডিডি-র সাথে অ্যাসোসিয়েশনের জন্য পরীক্ষা করার জন্য পৃথক ইউনিভেরিয়েটেক্স-ওয়াইজ (কর্টিক্যাল বেধ, পৃষ্ঠের ক্ষেত্রফল) এবং ভক্সেলওয়াইজ (GMV, FA, MD) বিশ্লেষণ করেছি। এই বিশ্লেষণগুলি এফএসএল-এর PALMsoftware-এ 2,000 পারমুটেশন, এবং থ্রেশহোল্ড-ফ্রি ক্লাস্টারেনহ্যান্সমেন্ট (Smith and Nichols 2009) সহ বাস্তবায়িত নন-প্যারামেট্রিক পারমুটেশন পরীক্ষা ব্যবহার করে সম্পাদিত হয়েছিল। পূর্ববর্তী বিশ্লেষণের মতো, আমরা প্যারেটো ডিস্ট্রিবিউশনের সাথে P-মূল্যের পারমুটেশন ডিস্ট্রিবিউশনের লেজের মডেল করেছি, সর্বোচ্চ পরিসংখ্যানের বন্টন ব্যবহার করে একাধিক পরীক্ষার জন্য FWER নিয়ন্ত্রণ প্রয়োগ করেছি এবং মাল্টিলেভেল ব্লক পারমুটেশন টেস্টিং সহ পারিবারিক কাঠামোর জন্য হিসাব করেছি। উপরের মত, এই বিশ্লেষণগুলি রৈখিক এবং চতুর্ভুজ পদ, লিঙ্গ, শিক্ষা, আয় এবং সাধারণ বুদ্ধিমত্তার জন্য নিয়ন্ত্রিত হয়েছিল।

ফলাফল

আমরা ডিডি টাস্কে (3) অসম্পূর্ণ প্রতিক্রিয়া সহ বিষয়গুলিকে বাদ দিয়েছি, যারা হয় সর্বদা অবিলম্বে বা বিলম্বিত প্রতিক্রিয়াগুলি বেছে নিয়েছিল (9), বা যাদের জন্য ছদ্ম-R2 পরিসংখ্যানের (ক্যামেরার এবং হো 1999) শূন্যের উপরে থাকা পরবর্তী সম্ভাব্যতা ছিল {{5} }.95, অর্থাৎ যে বিষয়গুলির জন্য মডেল একটি সুযোগ মডেলের চেয়ে ভাল প্রতিক্রিয়া ফিট করেছে (166)। সারণি 1 নমুনা সম্পর্কে জনসংখ্যা সংক্রান্ত তথ্য এবং বিভিন্ন জ্ঞানীয় কাজ এবং ইমেজিং পদ্ধতির জন্য বৈধ পর্যবেক্ষণের সংখ্যা প্রদর্শন করে যা ডিডি সম্পর্কে বিশ্লেষণ করা হয়েছিল। পুরষ্কারের বিষয়ভিত্তিক মূল্য ছিল এক মাস পরে তাদের নামমাত্র মূল্যের 79% এবং এক বছর পরে 23%। লিঙ্গ পার্থক্য উল্লেখযোগ্য ছিল না (পুরুষ (n=473) > মহিলা (n=545):t=0.27, P=0.80)।

DD এবং ধূসর পদার্থের মধ্যে সম্পর্ক

রৈখিক এবং চতুর্মুখী বয়সের শর্তাবলী, লিঙ্গ এবং মোট ইন্ট্রাক্রানিয়াল ভলিউমের জন্য সংশোধন করার পরে, ডিসকাউন্ট রেট মোট কর্টিকাল ভলিউম বা তদন্ত করা যে কোনও সাবকর্টিক্যাল কাঠামোর আয়তনের সাথে সম্পর্কিত ছিল না। সারণি 2 এই সমিতিগুলির পরিসংখ্যান প্রদর্শন করে।

কর্টিকাল পুরুত্ব, পৃষ্ঠের ক্ষেত্রফল, এবং GMV মানচিত্রগুলি সংযুক্ত-আইসিএ-র সাথে 50টি উপাদানে যৌথভাবে পচনশীল ছিল, তাদের প্রত্যেকটি একটি স্থানিক মানচিত্রকে সংজ্ঞায়িত করে যে অঞ্চলগুলিকে প্রতিফলিত করে যেখানে ধূসর পদার্থের গঠন দৃঢ়ভাবে সমস্ত অংশগ্রহণকারীদের এবং পৃথক স্কোরগুলিকে নির্দেশ করে যা উপাদানটির অবদানের মাত্রা নির্দেশ করে . ধূসর পদার্থের একটি উপাদানের স্কোরগুলি উল্লেখযোগ্যভাবে DD-এর সাথে নেতিবাচকভাবে যুক্ত ছিল (চিত্র 2A, r =−0.172, Pcorr < 1e−4, 50টি উপাদান পরীক্ষা করা হয়েছে, n=946)।

3টি ধূসর পদার্থের পদ্ধতির মধ্যে, এই উপাদানটির ওজন সবচেয়ে বেশি (62%) GMV (চিত্র 2B), এবং এর সবচেয়ে বড় লোডিং ছিল টেম্পোরালপোল এবং প্রিকিউনিয়াস (চিত্র 2C এবং D)। যেহেতু আইসিএ সাইন অনির্দিষ্টতায় ভুগছে, একটি উপাদানের স্কোরগুলি এর লোডিং সম্পর্কিত ব্যাখ্যা করতে হবে (যার শারীরবৃত্তীয় বন্টন সংশ্লিষ্ট স্থানিক মানচিত্রের দ্বারা প্রতিনিধিত্ব করা হয়), অর্থাৎ একটি উপাদানের স্কোরের সাথে একটি নেতিবাচক সম্পর্ক ধূসর পদার্থের কাঠামোর সাথে একটি (আংশিক) নেতিবাচক সম্পর্ককে প্রতিফলিত করে যে এলাকায় এর লোডিংয়ের মান ইতিবাচক। এই সমিতিগুলি রৈখিক এবং চতুর্মাত্রিক বয়সের শর্তাবলী, লিঙ্গ, শিক্ষা এবং আয়ের জন্য সংশোধন করা হয়েছিল।

100 উপাদানে ডেটা কম্পোজ করার সময়, একইভাবে শুধুমাত্র একটি উপাদান উল্লেখযোগ্যভাবে DD-এর সাথে যুক্ত ছিল, যা 50-কম্পোনেন্ট পচনের সাথে পুনরুদ্ধার করা একটি প্যাটার্নের অনুরূপ দেখাচ্ছে (চিত্র 2E–G, r {{3) }} −0.158,Pcorr=5e−4, পরীক্ষা করা 100টি উপাদানের জন্য সংশোধন করা হয়েছে, n=946)। রৈখিক এবং চতুর্মুখী বয়সের শর্তাবলী, লিঙ্গ, শিক্ষা, এবং আয় (পরিপূরক চিত্র 2) নিয়ন্ত্রণ করার পরে একবিভিন্ন ভক্সেল-ভিত্তিক বিশ্লেষণ GMV এবং DDin দ্বিপাক্ষিক টেম্পোরাল গ্রে ম্যাটার অঞ্চলগুলির মধ্যে একটি নেতিবাচক উল্লেখযোগ্য সম্পর্কও প্রকাশ করেছে।

এই অঞ্চলগুলি ধূসর পদার্থের উপাদান সনাক্তকরণের স্থানিক প্যাটার্নের সাথে ঘনিষ্ঠভাবে মিলেছে (চিত্র 2C এবং G)। এমন কোন কর্টিকাল অঞ্চল ছিল না যেখানে এই পরিমাপের জন্য পৃষ্ঠ-ভিত্তিক শীর্ষবিন্দু-ভিত্তিক বিশ্লেষণে একাধিক পরীক্ষার জন্য এফডব্লিউইআর সংশোধনের পরে ডিডি এবং কর্টিকাল পুরু অঞ্চলের মধ্যে সংযোগ উল্লেখযোগ্য ছিল।

ধূসর পদার্থের স্কোরগুলির সাথে সম্পর্কটি DD-এর জন্য নির্দিষ্ট ছিল এবং শুধুমাত্র সাধারণ জ্ঞানীয় ফাংশনকে প্রতিফলিত করে না তা নিশ্চিত করার জন্য, আমরা এই বিশ্লেষণগুলি পুনরাবৃত্তি করেছি যাতে কোন আগ্রহ ছাড়াই কোভেরিয়েটগুলির সেটে সাধারণ বুদ্ধিমত্তার পরিমাপ যোগ করা হয়। একই উপাদান এখনও একমাত্র যা উল্লেখযোগ্যভাবে DD এর সাথে যুক্ত ছিল ({{0}}কম্পোনেন্ট ডিকম্পোজিশন: r=−0.145, Pcorr=0.001; { {6}}কম্পোনেন্ট ডিকম্পোজিশন: r=−0.138, Pcorr=0.123), এবং ইউনিভেরিয়েট ভক্সেল-ভিত্তিক বিশ্লেষণের ফলাফল অনেকাংশে অপরিবর্তিত ছিল (পরিপূরক চিত্র 2)।

ডিডি এবং সাদা পদার্থের মধ্যে সম্পর্ক

আমরা এফএ এবং এমডি ডেটাকে যৌথভাবে 50টি উপাদানে বিভক্ত করেছি। রৈখিক এবং চতুর্মুখী বয়সের শর্তাবলী, লিঙ্গ, শিক্ষা, এবং আয়ের জন্য একাধিক পরীক্ষার জন্য নিয়ন্ত্রণ করার পরে এবং ছাড়ের হারের সাথে কোনো উপাদান যুক্ত ছিল না। 100টি উপাদান ব্যবহার করা বা সাধারণ বুদ্ধিমত্তার জন্য অতিরিক্ত নিয়ন্ত্রণ করা একই রকম ফলাফল দিয়েছে। তদনুসারে, এমন কোনও অঞ্চল ছিল না যেখানে ভক্সেল-ওয়াইজ্যানালাইসিসে একাধিক পরীক্ষার জন্য এফডব্লিউইআর সংশোধনের পরে ডিডি এবং এফএ বা এমডির মধ্যে অ্যাসোসিয়েশন উল্লেখযোগ্য ছিল।

আলোচনা

স্বাস্থ্যকর প্রাপ্তবয়স্কদের একটি বড় নমুনা থেকে আচরণগত এবং নিউরোইমেজিং ডেটা পরীক্ষা করার পরে, আমাদের ফলাফলগুলি দেখায় যে বৃহত্তর ডিডি ছোট অগ্রবর্তী টেম্পোরাল জিএমভি দ্বারা পূর্বাভাস দেওয়া হয়েছিল। এইচসিপি ডেটাসেট নমুনার আকার, ডিডি এবং মস্তিষ্কের কাঠামোর সাথে যুক্ত বেশিরভাগ পূর্ববর্তী গবেষণার তুলনায় বড়, আমাদেরকে নির্ভরযোগ্যভাবে অল্প মাত্রার প্রভাবগুলি ক্যাপচার করার ক্ষমতা দিয়েছে। যাইহোক, পূর্বের রিপোর্টের সাথে দ্বন্দ্বে, আমরা ডিডি এবং কর্টিকাল ভলিউম, সাবকর্টিক্যাল ভলিউম, হোয়াইট ম্যাটার মাইক্রোস্ট্রাকচারাল অর্গানাইজেশন এবং ডাব্লুএম বা ইএম কাজের মধ্যে স্কোরগুলির মধ্যে একটি নির্ভরযোগ্য সংযোগের কোন প্রমাণ পাইনি।

বৃহত্তর ডিসকাউন্টিং ছোট GMVin পূর্ববর্তী অস্থায়ী অঞ্চলের সাথে যুক্ত ছিল। এই ফলাফলটি সংযুক্ত আইসিএ উপাদানগুলির সংখ্যা পরিবর্তন এবং সাধারণ বুদ্ধিমত্তার পরিমাপের জন্য নিয়ন্ত্রণের জন্য শক্তিশালী ছিল। ওয়েনসেট আল। (২০১৭) টি

অ্যান্টিরিওরটেম্পোরাল গ্রে ম্যাটারের সাথে অ্যাসোসিয়েশন প্রত্যাশিত (যেমন আমরা একই ডেটাসেট ব্যবহার করেছি), তবে আমাদের অধ্যয়ন কর্টিকাল বেধ এবং পৃষ্ঠের ক্ষেত্রফল এবং সাবকর্টিক্যাল অঞ্চলগুলির জন্য জিএমভি, সেইসাথে সাদা পদার্থের কাঠামোর পরিমাপ পরীক্ষা করে পূর্ববর্তীটিকে প্রসারিত করে। আমরা যে কাঠামোগত ব্যবস্থার আরও পুঙ্খানুপুঙ্খ সেট অন্তর্ভুক্ত করেছি তার বাইরে, আমরা মস্তিষ্কের গঠন পরিমাপ এবং ডিডির মধ্যে সংযোগগুলি গণনা করার জন্য ডেটার পারিবারিক কাঠামোকে সম্মান করি যাতে পক্ষপাতমূলক অনুমানগুলি এড়ানো যায় যা পর্যবেক্ষণের স্বাধীনতাকে ভুলভাবে অনুমান করার ফলে হতে পারে (Winkleret al. 2015)।

যারা সুযোগে পারফর্ম করছিল তাদের বাদ দিয়ে আমরা বিষয়গুলির আরও কঠোর নির্বাচন করেছি এবং স্ট্রাকচারাল কোভেরিয়েন্স নেটওয়ার্কে ডেটা পচিয়েছি (পেহলিভানোভা এট আল। 2018), এমন একটি পদ্ধতি যা DDby এর সাথে অ্যাসোসিয়েশন সনাক্ত করার জন্য আরও বেশি সংবেদনশীলতা দেয় (একটি ওজনে পদ্ধতি) মস্তিষ্কের অঞ্চল জুড়ে কাঠামোগত চিত্রগুলির মান এবং আরও শক্তিশালী অনুমান তৈরি করতে বিভিন্ন পদ্ধতির সমন্বয়। প্রকৃতপক্ষে, স্ট্রাকচারাল ডেটা বিশ্লেষণের জন্য ভক্সেল-ভিত্তিক পদ্ধতিতে কোভেরিয়েন্স নেটওয়ার্কগুলিতে আইসিএ পচনশীল ইমেজিং ডেটা ব্যবহার করার একটি গুরুত্বপূর্ণ সুবিধা হল যে এটি এমন স্কোর দেয় যা ভক্সেল-ভিত্তিক মানের তুলনায় কম শোরগোল হওয়া উচিত কারণ সেগুলি সিগন্যালের ওজনযুক্ত গড় হিসাবে প্রাপ্ত হয়। মস্তিষ্ক জুড়ে সমস্ত ভক্সেল, মাত্রিকতা হ্রাস বাস্তবায়ন করে যা টাইপ II ত্রুটির ঝুঁকি হ্রাস করতে পারে, যদিও একটি অস্পষ্টতাগত বর্ণনার ব্যয়ে।

শারীরবৃত্তীয় বর্ণনা। Owens et al দ্বারা গবেষণার বিপরীতে। (2017), আমাদের বিশ্লেষণে, কর্টিকাল ভলিউম এবং ডিডি-র মধ্যে সম্পর্ক তাত্পর্য পৌঁছায়নি। এই বিচ্যুতিটি সম্ভবত আমাদের আরও কঠোর বিশ্লেষণের বিকল্পগুলির ফল হতে পারে (এলোমেলোভাবে সাড়া দেওয়া বিষয়গুলিকে অপসারণ করা, ডেটা পরিবারের কাঠামোর জন্য অ্যাকাউন্টিং ননপ্যারামেট্রিক পরীক্ষা, বিভ্রান্তির জন্য কঠোর নিয়ন্ত্রণ) এবং ইঙ্গিত করে যে কর্টিকাল ভলিউম এবং ডিডির মধ্যে পূর্বে রিপোর্ট করা অ্যাসোসিয়েশন একটি স্ফুরনের চেয়ে সম্ভবত অনুরূপ। জোরালো সন্ধান। এটা বিশ্বাসযোগ্য বলে মনে হয় যে গ্লোবাল কর্টিকাল ভলিউমের একটি পরিমাপের সাথে ডিডি-এর একটি অ্যাসোসিয়েশন ভেরিয়েবলগুলির দ্বারা তৈরি করা উচিত যা ডিডির চেয়ে জ্ঞানের আরও সাধারণ দিকগুলিকে প্রতিফলিত করে।

এইচসিপি ডেটাসেটের বড় নমুনা আকার সত্ত্বেও, সাদা পদার্থের কাঠামো এবং ডিডির মধ্যে একটি উল্লেখযোগ্য সংযোগের কোনও প্রমাণ পাওয়া যায়নি। ছোট নমুনাগুলিতে ট্র্যাক্টোগ্রাফিক পুনর্গঠন দেখানো পূর্ববর্তী গবেষণাগুলি PFC (ভ্যান ডেন বোস এট আল। 2015; হাংগি এট আল। 2016; হ্যাম্পটোনেট আল। 2017) নির্দিষ্ট সাদা পদার্থের ট্র্যাক্টে DD এবং কাঠামোগত সংযোগ শক্তির পরিমাপ (যেমন স্ট্রীমলাইনের সংখ্যা) মধ্যে নেতিবাচক সংযোগের রিপোর্ট করেছে। .

কানেক্টিভিটি শক্তির তদন্তের সেই অধ্যয়নের বিপরীতে, আমরা TBSS-এর সাথে প্রক্রিয়া করা FA মানচিত্রগুলি বিশ্লেষণ করেছি, একটি কৌশল যা সাদা পদার্থের অঞ্চলগুলির বিস্তৃত বিশ্লেষণকে সক্ষম করে এবং এর সাথে যুক্ত গণনামূলক এবং শ্রম ব্যয়ের কারণে বৃহৎ আকারের ডেটাসেটগুলির অনুসন্ধানমূলক বিশ্লেষণের জন্য আরও উপযুক্ত। বিপুল সংখ্যক বিষয়ের উপর ব্যাপক ট্র্যাকগ্রাফি ম্যাপিং করা। আমাদের জ্ঞান অনুসারে, আমাদের বিশ্লেষণে নমুনাটি সাদা পদার্থকে ছাড়ের সাথে যুক্ত করার পূর্ববর্তী গবেষণার তুলনায় যথেষ্ট বড়। উল্লেখ্য, তবে, ডিমেনশিয়া ছাড়াই ৩০২ বয়স্ক বিষয়ের উপর টিবিএসএস নিযুক্ত করা সাম্প্রতিক একটি গবেষণা (হান এট আল। 2018) (মানে বয়স=81.38 বছর, এসডি=7.57 বছর, 75.5% মহিলা) ব্যাপকভাবে রিপোর্ট করেছে দ্বিপাক্ষিক ফ্রন্টাল, ফ্রন্টোস্ট্রিয়াটাল এবং টেম্পোরোপারিয়েটাল ট্র্যাক্টে টেম্পোরাল ডিসকাউন্টিং এবং এফএ-এর মধ্যে নেতিবাচক সম্পর্ক। আমাদের ফলাফলের সাথে মতানৈক্য নমুনাগুলিতে জনসংখ্যাগত পার্থক্যের প্রতিক্রিয়া জানাতে পারে।

তাদের অ্যাসোসিয়েশনের বিস্তৃত প্রকৃতির পরিপ্রেক্ষিতে, তাদের অনুসন্ধানগুলি ডিডির মতো নির্দিষ্ট পরিমাপের জন্য প্রত্যাশিত আরও সীমিত প্যাটার্নের বিপরীতে ক্রমবর্ধমান-সম্পর্কিত অবক্ষয় প্রক্রিয়ার প্রতিফলন হতে পারে। এছাড়া, হান এট আল। আয়ের মাত্রা নিয়ন্ত্রণ করেনি। প্রকৃতপক্ষে, যখন শুধুমাত্র আমাদের বিশ্লেষণে পশুখাদ্য এবং লিঙ্গ সামঞ্জস্য করা হয়, তখন আমরা আরও ধূসর এবং সাদা পদার্থের উপাদানগুলি চিহ্নিত করেছি যেগুলির স্কোরগুলি ডিসকাউন্ট হারের সাথে উল্লেখযোগ্যভাবে সম্পর্কযুক্ত ছিল (সাপ্লিমেন্টারি ম্যাটেরিয়াল দেখুন)। যদিও বড় নমুনাগুলি ছোট প্রভাবগুলি সনাক্ত করতে সক্ষম হয়, তবে শুধুমাত্র বিভ্রান্তিকর ভেরিয়েবলগুলির দ্বারা উত্পাদিত অ্যাসোসিয়েশনগুলি সনাক্ত করার ঝুঁকিও বেশি থাকে, যা উপযুক্ত কোভেরিয়েটগুলির জন্য সামঞ্জস্য করাকে গুরুত্বপূর্ণ করে তোলে।

সাম্প্রতিক কাজ (মারেক এট আল। 2022) মস্তিষ্ক-বিস্তৃত মস্তিষ্ক-আচরণ অ্যাসোসিয়েশন স্টাডিতে বড় নমুনা ব্যবহারের গুরুত্বের উপর জোর দিয়েছে এবং দেখিয়েছে যে এই অধ্যয়নের জন্য সাধারণ নমুনার আকারগুলি অপূরণীয় প্রভাব এবং স্ফীত প্রভাবের আকারের দিকে পরিচালিত করবে। ধরে নিলাম যে সত্যিকারের প্রভাব প্রায় 0.15 (ধূসর পদার্থের উপাদানের প্রভাবের আকারের সাথে তুলনীয়, আমরা চিহ্নিত করেছি এবং মারেক এট আল। 2022 এর ফলাফলের সাথে সামঞ্জস্যপূর্ণ), 80% শক্তি অর্জন করতে 250 টিরও বেশি বিষয়ের প্রয়োজন হবে। DD-এর ক্ষেত্রের সবথেকে আগের অধ্যয়নগুলিকে এইভাবে কম ক্ষমতা দেওয়া হয়েছে, যা বিভাগ 1-এ উল্লিখিত সাহিত্যের অসঙ্গতিগুলিকে ব্যাখ্যা করে৷ অনুগ্রহ করে মনে রাখবেন যে এই উপসংহারটি শুধুমাত্র মস্তিষ্ক-আচরণ সংস্থাগুলির জন্য প্রযোজ্য এবং DD-তে খুব কার্যকরী মস্তিষ্কের ম্যাপিং অধ্যয়ন নয়, যার সত্য প্রভাবগুলি সনাক্ত করতে ছোট নমুনার আকারের প্রয়োজন হবে৷ , এবং সেইজন্য, আমাদের ফলাফল এবং সেই অধ্যয়নগুলির ফলাফলের মধ্যে কোন দ্বন্দ্ব নেই।

আমরা তাৎক্ষণিক পুরষ্কারের জন্য অগ্রাধিকার এবং WM পরীক্ষার (LSWMT এবং 2-ব্যাক) মধ্যে কোনো সম্পর্ক খুঁজে পাইনি। একইভাবে, এইচসিপি ডেটাতে মৌখিক বা অমৌখিক EM-এর সাথে DD-এর কোনো যোগসূত্র ছিল না। এই ফলাফলগুলি সাম্প্রতিক একটি গবেষণার (ইয়ে এট আল। 2021) সাথে সামঞ্জস্যপূর্ণ, যা আমরা মস্তিষ্কের কাঠামোগত ডেটা বিশ্লেষণের জন্য 2-ব্যাক টাস্ক এবং আরও কঠোর পরিসংখ্যানগত চিকিত্সা অন্তর্ভুক্ত করে পরিপূরক। যদিও শামোশ এট আল। (2008) নিম্ন WM এবং তাৎক্ষণিক পুরষ্কারের জন্য একটি অগ্রাধিকারের মধ্যে একটি লিঙ্ক রিপোর্ট করেছে, এই পারস্পরিক সম্পর্ক WM-এর জন্য নির্দিষ্ট ছিল না, কারণ তাদের ডেটাতে এই ক্ষমতা সাধারণ বুদ্ধিমত্তা দ্বারা ব্যাখ্যা করা বাইরে ডিডি-তে বৈচিত্র্য ব্যাখ্যা করেনি। শুধুমাত্র বয়স এবং লিঙ্গের জন্য সংশ্লিষ্টতা সংশোধন করার সময়, DD উল্লেখযোগ্যভাবে LSWMT, 2-ব্যাক, এবং মৌখিক EM স্কোরের সাথে সম্পর্কিত ছিল (পরিপূরক উপাদান দেখুন), কিন্তু আর্থ-সামাজিক অবস্থার ভেরিয়েবলগুলির জন্য সামঞ্জস্য করার সময় এই পারস্পরিক সম্পর্কটি আর তাৎপর্যপূর্ণ ছিল না (যা ইতিমধ্যেই আংশিকভাবে বিবেচনা করা উচিত) সাধারণ জ্ঞানীয় ফাংশন)। এইভাবে, ছোট নমুনা ব্যবহার করার সময় উপদ্রব পরিবর্তনশীল এবং অপরিবর্তনীয় ফলাফলের কারণে মিথ্যা সংঘের বিষয়ে আমাদের বিবেচনাগুলিও এই বিশ্লেষণগুলিতে প্রযোজ্য।

আমাদের অধ্যয়নের একটি সীমাবদ্ধতা হল যে আমাদের বিশ্লেষণগুলি পূর্ব-নিবন্ধিত ছিল না, এবং সেইজন্য, রিপোর্ট করা সমিতিগুলিকে নিশ্চিতকরণ হিসাবে গণ্য করা যায় না। তবুও, আমরা বিশ্বাস করি যে এই ফলাফলগুলির একটি গুরুত্বপূর্ণ অবদান পূর্ববর্তী অধ্যয়নের যথেষ্ট বড় নমুনা আকারের কারণে জ্ঞানীয় ব্যবস্থা, কাঠামোগত ইমেজিং এবং আন্তঃস্থায়ী পছন্দগুলির মধ্যে সম্পর্কের জন্য প্রভাবের আরও সুনির্দিষ্ট অনুমান প্রদান করা। আরেকটি সীমাবদ্ধতা হল ডিসকাউন্ট হারের কম নির্ভরযোগ্যতা। টাস্ক প্যারামিটারগুলি তাদের কম পরীক্ষা-রিস্টেস্ট নির্ভরযোগ্যতার জন্য সমালোচিত হয়েছে (Enkavi et al. 2019) এবং, ঝুঁকি পছন্দের সম্পর্কিত ডোমেনে, পরীক্ষামূলক দৃষ্টান্ত জুড়ে ধারাবাহিকতার অভাবের জন্য (Pedroni et al.2017)। এই কারণগুলি আংশিকভাবে ব্যাখ্যা করতে পারে যে মস্তিষ্কের কাঠামোর সাথে আমরা যে সম্পর্ক খুঁজে পেয়েছি এবং অধ্যয়ন জুড়ে ফলাফলের কম পুনরুত্পাদনযোগ্যতা। একটি গুরুত্বপূর্ণ ভবিষ্যত পথ হতে হবে উন্নত নির্ভরযোগ্যতার সাথে DD পরিমাপ করার জন্য অভিনব দৃষ্টান্ত ডিজাইন করা। একটি সম্ভাব্য পথপ্রদর্শক উচ্চতর নির্ভরযোগ্যতা অর্জনের জন্য বিভিন্ন টাস্ক প্যারামিটারের সংমিশ্রণে সারাংশ স্কোর তৈরি করতে পারে এবং মস্তিষ্ক-আচরণ অ্যাসোসিয়েশন খুঁজে পাওয়ার সম্ভাবনা বাড়ানোর জন্য মাল্টিভেরিয়েট পদ্ধতি ব্যবহার করতে পারে (মাউটুসিস এট আল.2021)।

সাইকোপ্যাথলজি অধ্যয়নে ডিডি-এর গুরুত্ব বিবেচনা করে, এর অন্তর্নিহিত নিউরোবায়োলজিক্যাল ভারাকে দৃঢ়ভাবে নির্ধারণ করা মৌলিক। বৃহৎ নিউরোইমেজিং ডেটাসেট ব্যবহার করে, বর্তমান অধ্যয়নটি DD-এর ধূসর এবং সাদা পদার্থের সম্পর্ক সম্পর্কিত সাহিত্যে বৈষম্যের পুনর্মিলন করতে সহায়তা করে। এই আচরণগত বৈশিষ্ট্যটি অগ্রবর্তী অস্থায়ী অঞ্চলে GMV-এর সাথে নেতিবাচকভাবে যুক্ত ছিল এবং, গুরুত্বপূর্ণভাবে, চিহ্নিত কাঠামোগত প্রভাব ছোট ছিল, যেমন অনেক সম্পর্কিত গবেষণায় পাওয়া যায় এমন আকারের সাথে তুলনীয় নমুনায় এটি সনাক্ত করা অসম্ভব। সর্বোপরি, জ্ঞানীয় ক্ষমতা এবং মস্তিষ্কের কাঠামোর সাথে সম্পর্ক পূর্ববর্তী প্রতিবেদনের চেয়ে দুর্বল হতে পারে। আমাদের ফলাফলগুলি ডিডি-র আরও শক্তিশালী পদক্ষেপগুলির বিকাশ এবং ক্ষেত্রের ক্ষেত্রে যা সাধারণ ছিল তার চেয়ে বড় নমুনা আকারের নিউরোইমেজিং অধ্যয়ন বাস্তবায়নের পাশাপাশি সম্ভাব্য বিভ্রান্তকারীদের জন্য উপযুক্ত নিয়ন্ত্রণের জন্য আহ্বান জানায়।

স্বীকৃতি

তথ্য সংগ্রহের জন্য আমরা ম্যাটস এরিকসন এবং কাজসা বার্স্ট্রোমকে ধন্যবাদ জানাই। আমরা হিউম্যান কানেক্টোম প্রজেক্ট, WU-MinnConsortium (প্রধান তদন্তকারী: ডেভিড ভ্যান এসেন এবং কামিল উগুরবিল; 1U54MH091657) দ্বারা প্রদত্ত ওপেন-অ্যাক্সেস ডেটাসেটের জন্য কৃতজ্ঞ।

সম্পূরক উপাদান

সেরিব্রাল কর্টেক্সনলাইনে পরিপূরক উপাদান পাওয়া যায়।

অর্থায়ন

এই কাজটি সুইডিশ রিসার্চ কাউন্সিল (এমজি-এমকে অনুদান নম্বর VR521-2013-2589), অ্যালেক্সান্ডার ভন হামবোল্ট রিসার্চ অ্যাওয়ার্ড (LB), এবং AF জোচনিক ফাউন্ডেশন (LB) থেকে অনুদান দ্বারা সমর্থিত ছিল।

স্বার্থের বিবৃতি: ডঃ জেব কুর্থ-নেলসন ডিপমাইন্ড দ্বারা নিযুক্ত। বাকি লেখক স্বার্থের দ্বন্দ্ব ঘোষণা করেনি।

তথ্যসূত্র

1. অ্যাডিস ডিআর, ওয়াং এটি, শ্যাক্টার ডিএল। অতীত মনে রাখা এবং ভবিষ্যতের কল্পনা করা: ইভেন্ট নির্মাণ এবং বিস্তারের সময় সাধারণ এবং স্বতন্ত্র নিউরাল সাবস্ট্রেট। নিউরোসাইকোলজিয়া। 2007:45:1363–1377।

2. Ahn WY, Rass O, Fridberg DJ, Bishara AJ, Forsyth JK, Breier A, Busemeyer JR, Hetrick WP, Bolbecker AR, O'Donnell BF। বাইপোলার ডিসঅর্ডার এবং সিজোফ্রেনিয়া রোগীদের ক্ষেত্রে পুরস্কারের সাময়িক ডিসকাউন্টিং। জে অবনম সাইকোল। 2011:120:911-921।

3. অ্যামলুং এম, ভেদেলাগো এল, অ্যাকার জে, বালোডিস আই, ম্যাককিলপ জে। খাড়া বিলম্ব ছাড় এবং আসক্তিমূলক আচরণ: ধারাবাহিক অ্যাসোসিয়েশনের একটি মেটা-বিশ্লেষণ। অনুরতি. 2017:112:51–62।

4. অ্যাশবার্নার জে, ফ্রিস্টন কেজে। ভক্সেল-ভিত্তিক মরফোমেট্রি - পদ্ধতি। নিউরোইমেজ। 2000:821:805-821।

5.Barch DM, Burgess GC, Harms MP, Petersen SE, Schlaggar BL, Corbetta M, Glasser MF, Curtiss S, Dixit S, Feldt C, et al. মানব সংযোগের মধ্যে কাজ: টাস্ক-এফএমআরআই এবং আচরণের মধ্যে পৃথক পার্থক্য। নিউরোইমেজ। 2013:80:169–189।

For more information:1950477648nn@gmail.com