Aivojen rakenteen, työmuistin ja episodisen muistin viivästymisalennusten assosiaatioiden tutkiminen, osa 2

Rakenteellisten ennustajien ja DD:n välinen suhde

Testasimme kiinnostavien muuttujien (subkortikaaliset tilavuudet, harmaa-aine- ja valkoainekomponentit, EM, WM) ja DD välisiä assosiaatioita lineaarisilla malleilla ja ei-parametrisilla permutaatiotesteillä, jotka on toteutettu FSL:n PALM-ohjelmistoversiossa 1.11 (Winkler et al. 2014; Winkler, Webster, et). al. 2016b) käynnissä MATLABR2017b:llä.

Viime vuosina ihmisten elintaso parantuessa ja ikääntyessä muistiongelmat ovat herättäneet yhä enemmän huomiota. Jotkut ihmiset ovat kuitenkin harjoitelleet aktiivisesti aivojaan, mutta muistiongelmat vaivaavat silti heitä. Tällä hetkellä voimme harkita ei-parametristen järjestelyjen käyttöä muistin parantamiseksi.

Joten mikä on ei-parametrinen permutaatio? Ei-parametrinen järjestely on tilastollinen menetelmä, joka järjestää tietojoukon tiettyjen sääntöjen mukaan ilman numeerista vertailua. Parametriseen permutaatioon verrattuna ei-parametrisella permutaatiolla on laajempi sovellusalue, eikä se tee liikaa oletuksia datan jakautumisesta ja diskreettisyydestä.

Ja kuinka käyttää ei-parametrista järjestelyä muistin parantamiseen? Ensinnäkin tiedämme, että ihmisaivot voivat analysoida, muistaa ja muistaa erilaisia ​​tietoja, kuten kuvia, ääntä, tekstiä jne., joten voimme käyttää ei-parametrisia järjestelyjä parantaaksemme aivojen käsittelyä ja eri tiedon muistia.

Joidenkin harjoitusten, kuten värien, numeroiden, sanojen ja muun tiedon muistin ja muistamisen harjoittelun ja sitten eri tiedon ei-parametrisen järjestelyn avulla aivoihin muodostuu säännöllisempi rakenne, mikä parantaa aivojen muistikykyä.

Lisäksi ei-parametrisia permutaatioita voidaan käyttää muun muassa parantamaan henkistä joustavuutta ja vähentämään ahdistusta ja stressiä. Aivoja harjoittamalla aivot voivat toimia joustavammin ja terveellisemmin, mikä vähentää tarpeetonta masennusta, ahdistusta ja muita negatiivisia tunteita sekä suhtautua elämään ja työhön positiivisemmin.

Lyhyesti sanottuna ei-parametrinen järjestely on toteuttamiskelpoinen ja tehokas tapa parantaa aivomuistia ja ajattelun joustavuutta. Jatkuvan harjoituksen ja harjoittelun avulla aivojen muistia ja prosessointikykyjä voidaan parantaa tehokkaasti, mikä auttaa meitä kohtaamaan elämän ja työskentelemään terveellisemmin ja positiivisemmin. Voidaan nähdä, että meidän on parannettava muistiamme. Cistanche deserticola voi merkittävästi parantaa muistia, koska Cistanche deserticola voi myös säädellä välittäjäaineiden tasapainoa, kuten nostaa asetyylikoliinin ja kasvutekijöiden tasoa. Nämä aineet ovat erittäin tärkeitä muistille ja oppimiselle. Lisäksi liha voi myös parantaa verenkiertoa ja edistää hapen toimitusta, mikä voi varmistaa, että aivot saavat riittävästi ravinteita ja energiaa, mikä parantaa aivojen elinvoimaa ja kestävyyttä.

Napsauta tietää tapoja parantaa aivojen toimintaa

Käytimme 10,000 permutaatiota, mallintamalla P-arvojen permutaatiojakauman loppupäätä Pareto-jakaumalla (Winkler, Ridgway, et al. 2016a) ja perhekohtaista virheprosenttia (FWER) useisiin testeihin jakaumaa käyttäen. enimmäistilasto (Westfalland Young 1993). HCP-aineisto sisältää koehenkilöt, jotka on otettu otokseen sisarustensa (enimmäkseen kaksosten) kanssa, mikä tarkoittaa, että mittauksia ei voida pitää itsenäisinä.

Testaaksemme kiinnostavien muuttujien välisiä assosiaatioita samalla kun otamme huomioon aineiston perherakenteen, käytimme monitasolohkopermutaatiotestausta (Winkler et al. 2015). Nämä assosiaatiot korjattiin lineaaristen ja neliöllisten termien, sukupuolen, koulutuksen, tulojen ja NIH Toolboxin ("CogTotalComp_Unadj"), yleistä älykkyyttä mittaavan kognitiivisen funktion yhdistelmäpistemäärän suhteen. Raportoitiin 2-pyrstöiset P-arvot testatuille assosiaatioille.

Vertex- ja vokselikohtaiset analyysit

Vertailun vuoksi suoritimme myös erilliset yksimuuttujavertailukohtaiset (kortikaalinen paksuus, pinta-ala) ja vokselisuuntaiset (GMV, FA, MD) analyysit testataksemme assosiaatioita DD:n kanssa. Nämä analyysit suoritettiin käyttämällä ei-parametrisia permutaatiotestejä, jotka on toteutettu FSL:n PALM-ohjelmistossa, 2,000 permutaatiolla ja kynnysvapaalla klusteriparannuksella (Smith ja Nichols 2009). Kuten aiemmissa analyyseissä, mallisimme P-arvojen permutaatiojakauman hännän Pareto-jakaumalla, käytimme FWER-ohjausta useisiin testeihin käyttämällä maksimitilaston jakaumaa ja huomioimme perherakenteen monitasoisella lohkopermutaatiotestauksella. Kuten edellä, näitä analyyseja valvottiin lineaaristen ja neliöllisten termien, sukupuolen, koulutuksen, tulojen ja yleisen älykkyyden suhteen.

Tulokset

Jätimme pois koehenkilöt, joilla oli epätäydellisiä vastauksia DD-tehtävissä (3), jotka valitsivat joko aina välittömiä viivästyneitä vastauksia (9) tai joiden pseudo-R2-tilaston posteriorinen todennäköisyys (Camerer ja Ho 1999) olla nollan yläpuolella oli alle {{5} },95 eli koehenkilöt, joille malli vastasi paremmin kuin sattumamalli (166). Nämä kriteerit johtivat 178 koehenkilön poissulkemiseen HCP-otoksesta. Taulukossa 1 esitetään demografiset tiedot näytteistä ja pätevien havaintojen määrä eri kognitiivisista tehtävistä ja kuvantamismenetelmistä, jotka analysoitiin DD:stä. Palkkioiden subjektiivinen arvo oli keskimäärin 79 % niiden nimellisarvosta kuukauden jälkeen ja 23 % vuoden kuluttua. Sukupuolierot DD:ssä eivät olleet merkittäviä (mies (n=473) > nainen (n=545):t=0.27, P=0.80).

DD:n ja harmaan aineen suhde

Lineaaristen ja neliöllisten iän, sukupuolen ja kallonsisäisen kokonaistilavuuden korjaamisen jälkeen diskonttokorkoa ei liitetty aivokuoren kokonaistilavuuteen tai minkään tutkitun aivokuoren rakenteen tilavuuteen. Taulukko 2 näyttää näiden yhdistysten tilastot.

Aivokuoren paksuus, pinta-ala ja GMV-kartat hajotettiin yhdessä linked-ICA:n kanssa 50 komponentiksi, joista jokainen määritti spatiaalisen kartan, joka heijastaa alueita, joilla harmaan aineen rakenne vaihteli voimakkaasti osallistujien kesken, ja yksittäiset pisteet, jotka osoittavat komponentin panoksen suuruuden. . Yhden harmaan aineen komponentin pisteet liittyivät merkitsevästi negatiivisesti DD:hen (kuva 2A, r =−0,172, Pcorr < 1e−4, korjattu 50 testatulle komponentille, n=946).

Kolmesta harmaan aineen modaliteetista tämä komponentti painoi voimakkaimmin (62 %) GMV:ssä (kuva 2B), ja sen suurimmat kuormitukset olivat temporalpolessa ja precuneuksessa (kuvat 2C ja D). Koska ICA kärsii merkkien määrittämättömyydestä, komponentin pisteet on tulkittava sen kuormituksista (jonka anatominen jakauma on esitetty vastaavalla spatiaalikartalla), eli negatiivinen assosiaatio yhden komponentin pisteisiin heijastaa (osittaista) negatiivista korrelaatiota harmaan aineen rakennemittausten kanssa. alueilla, joilla sen kuormitusarvot ovat positiivisia. Näitä assosiaatioita korjattiin lineaaristen ja neliöllisten ikäehtojen, sukupuolen, koulutuksen ja tulojen perusteella.

Kun tiedot jaettiin 100 komponenttiin, vastaavasti vain yksi komponentti liittyi merkitsevästi DD:hen, mikä osoitti hyvin samanlaisen kuvion kuin se, joka haettiin 50-komponenttihajotuksella (kuvat 2E–G, r {{3). }} −0,158,Pcorr=5e−4, korjattu 100 testatulle komponentille,n=946). Yksimuuttujainen vokselianalyysi paljasti myös negatiivisen merkittävän yhteyden GMV:n ja DDinin kahdenvälisten temporaalisten harmaan aineen alueiden välillä lineaaristen ja neliöllisten ikäehtojen, sukupuolen, koulutuksen ja tulojen valvonnan jälkeen (täydentävä kuva 2).

Nämä alueet sopivat tiiviisti tunnistettujen harmaan aineen komponenttien spatiaaliseen kuvioon (kuvat 2C ja G). Ei ollut aivokuoren aluetta, jolla yhteys DD:n ja aivokuoren paksuuden tai pinta-alan välillä olisi ollut merkittävä FWER-korjauksen jälkeen moninkertaisissa testeissä näiden mittausten pintapohjaisessa vertex-analyysissä.

Varmistaaksemme, että yhteys harmaan aineen pisteisiin oli DD:lle spesifinen eikä pelkästään heijastanut yleistä kognitiivista toimintaa, toistimme nämä analyysit ja lisäsimme yleisen älykkyyden mitan kovariaattien joukkoon, jotka eivät kiinnosta. Sama komponentti oli edelleen ainoa, joka liittyi merkittävästi DD:hen ({{0}}komponentin hajoaminen: r=−0.145, Pcorr=0.001; { {6}}komponenttien hajoaminen: r=−0.138, Pcorr=0.123), ja yksimuuttujan vokselikohtaisen analyysin tulos pysyi suurelta osin ennallaan (lisäkuva 2).

DD:n ja valkoisen aineen välinen suhde

Hajotimme FA- ja MD-tiedot yhdessä 50 komponenttiin. Mikään komponenteista ei liittynyt diskonttokorkoon useiden testien ja kovarioinnin jälkeen lineaaristen ja neliöllisten ikäehtojen, sukupuolen, koulutuksen ja tulojen perusteella. 100 komponentin käyttäminen tai yleisen älykkyyden lisäohjaus tuotti samanlaisia ​​tuloksia. Vastaavasti ei ollut aluetta, jolla DD:n ja FA:n tai MD:n välinen yhteys olisi ollut merkittävä FWER-korjauksen jälkeen useille testeille vokselianalyysissä.

Keskustelu

Tutkittuamme käyttäytymis- ja hermokuvaustietoja suuresta terveiden aikuisten otoksesta havainnot osoittavat, että pienempi anterior temporaalinen GMV ennusti suurempaa DD:tä. HCP-tietojoukon otoksen koko, joka oli suurempi kuin useimmissa aiemmissa DD:tä ja aivojen rakennetta yhdistävissä tutkimuksissa, antoi meille mahdollisuuden siepata luotettavasti vähäpätöisiä vaikutuksia. Aiempien raporttien vastaisesti emme kuitenkaan löytäneet todisteita luotettavasta yhteydestä DD:n ja aivokuoren tilavuuden, subkortikaalisten tilavuuksien, valkoisen aineen mikrorakenneorganisaation ja tulosten välillä WM- tai EM-tehtävissä.

Suurempi alennus liittyi pienempiin GMVin anterior temporaalisiin alueisiin. Tämä tulos oli vankka linkitettyjen ICA-komponenttien lukumäärän muuttamiseen ja yleisen älykkyyden mittaamiseen. Owenset al. (2017) analysoivat aivokuoren tilavuutta T1-painotetuista skannauksista HCP-tietojoukossa ja raportoivat aivokuoren tilavuuden ja DD:n välisiä assosiaatioita ajallisilla alueilla, jotka vastaavat analyysimme tunnistamia harmaan aineen komponentin alueita.

Yhteys anteriortemporaaliseen harmaaseen aineeseen on odotettavissa (kuten käytimme samaa tietojoukkoa), mutta tutkimuksemme laajentaa edellistä tutkimalla myös aivokuoren paksuutta ja pinta-alaa ja GMV:tä subkortikaalisille alueille sekä valkoisen aineen rakenteen mittauksia. Sen lisäksi, että olemme sisällyttäneet perusteellisemman joukon rakenteellisia toimenpiteitä, kunnioitimme datan perherakennetta laskettaessa aivojen rakennemittausten ja DD:n välisiä assosiaatioita välttääksemme puolueellisia arvioita, jotka voivat johtua havaintojen virheellisestä riippumattomuudesta (Winkleret al. 2015).

Teimme myös tiukemman valinnan koehenkilöistä, sulkimme pois ne, jotka esiintyivät sattumalta, ja hajotimme tiedot rakenteellisiin kovarianssiverkkoihin (Pehlivanova et al. 2018), menetelmä, joka mahdollistaa suuremman herkkyyden havaita assosiaatioita DDby-keskiarvon laskemiseen yhdessä (painotetussa arvossa). tapa) rakenteellisten kuvien arvot eri aivoalueiden välillä ja useiden modaliteettien yhdistäminen vahvempien testien tuottamiseksi. Tärkeä etu ICA:n käytöstä kuvantamistietojen hajottamiseen kovarianssiverkoissa verrattuna rakenteellisten tietojen analysointiin vokselikohtaiseen lähestymistapaan on se, että se tuottaa pisteitä, joiden pitäisi olla vähemmän meluisia kuin vokselipohjaiset arvot, koska ne saadaan signaalin painotettuna keskiarvona kaikki vokselit aivoissa, toteuttaen ulottuvuuden vähentämisen, mikä voi vähentää tyypin II virheiden riskiä, ​​vaikkakin epämääräisen anatomisen rajaamisen kustannuksella.

anatominen rajaus. Toisin kuin Owensin et al. (2017), analyysimme mukaan aivokuoren tilavuuden ja DD:n välinen suhde ei saavuttanut merkitystä. Tämä ero on todennäköisesti seurausta tiukemmista analyysivalinnoistamme (satunnaisesti vastanneiden koehenkilöiden poistaminen, ei-parametriset testit, jotka ottavat huomioon dataperheen rakenteen, tiukempi sekaannusten hallinta) ja osoittaa, että aiemmin raportoitu yhteys aivokuoren tilavuuden ja DD:n välillä vastaa mahdollisesti harhaanjohtavaa. voimakas löytö. Vaikuttaa uskottavalta, että DD:n assosiaatio globaalin aivokuoren tilavuuden mittaan välitetään muuttujilla, jotka kuvastavat kognition yleisempiä näkökohtia kuin DD.

HCP-tietojoukon suuresta otoskoosta huolimatta emme löytäneet todisteita merkittävästä yhteydestä valkoisen aineen rakenteen ja DD:n välillä. Aiemmat tutkimukset, jotka osoittavat pienemmissä näytteissä tehtyjä traktografisia rekonstruktioita, ovat raportoineet PFC:hen negatiivisista assosiaatioista DD:n ja rakenteellisten liitettävyyslujuusmittausten (esim. virtaviivojen lukumäärän) välillä tietyissä valkoisen aineen osissa (van den Bos ym. 2015; Hänggi ym. 2016; Hamptonet al. 2017). .

Toisin kuin liitettävyyttä tutkivissa tutkimuksissa, analysoimme TBSS:llä käsiteltyjä FA-karttoja, jotka mahdollistavat laajan valkoisen aineen alueiden analyysin ja soveltuvat paremmin laajamittaisten tietokokonaisuuksien tutkivaan analyysiin johtuen laskenta- ja työvoimakustannuksista. kattavan traktografian kartoittaminen useille aiheille. Tietojemme mukaan analyysimme näyte on huomattavasti suurempi kuin aiemmat tutkimukset, jotka yhdistävät valkoisen aineen diskonttaukseen. Huomaa kuitenkin, että hiljattain tehty tutkimus, jossa käytettiin TBSS:ää 302 vanhemmalla henkilöllä, joilla ei ollut dementiaa (Han et al. 2018) (keski-ikä=81,38 vuotta, SD=7,57 vuotta, 75,5 % naisia) raportoitiin laajalle levinneeksi. negatiiviset assosiaatiot temporaalisen diskonttauksen ja FA:n välillä kahdenvälisissä frontaalisissa, frontostriataalisissa ja temporoparietaalisissa kulkureiteissä. Erimielisyys tulostemme kanssa saattaa vastata näytteiden demografisiin eroihin.

Heidän assosiaatioidensa laajan luonteen vuoksi heidän havainnot saattavat heijastaa ikääntymiseen liittyviä rappeuttavia mekanismeja, toisin kuin suppeampi malli, jota voitaisiin odottaa tietyltä toimenpiteeltä, kuten DD. Lisäksi Han et ai. ei valvonut tulotasoa. Todellakin, kun säädimme analyysissämme vain rehua ja sukupuolta, tunnistimme lisää harmaa- ja valkoisen aineen komponentteja, joiden pisteet korreloivat merkittävästi diskonttokorkojen kanssa (katso lisämateriaali). Vaikka suuret näytteet pystyvät havaitsemaan pienempiä vaikutuksia, on myös suurempi riski havaita vain sekoittavien muuttujien tuottamia assosiaatioita, minkä vuoksi on avainasemassa mukautua sopiviin kovariaatteihin.

Viimeaikainen työ (Marek et al. 2022) on korostanut suurten näytteiden käytön tärkeyttä aivojen laajuisissa aivojen ja käyttäytymisen assosiaatiotutkimuksissa ja osoittanut, että näiden tutkimusten tyypillisten otoskokojen pitäisi johtaa toistamattomiin vaikutuksiin ja suurentuneisiin vaikutuskokoihin. Olettaen, että todellinen vaikutus on noin 0,15 (verrattavissa harmaa-ainekomponentin tehon kokoon, tunnistimme Marek et al. 2022 tulosten ja yhteensopivat niiden kanssa), yli 250 koehenkilöä tarvittaisiin 80 %:n tehon saavuttamiseksi. Useimmat aiemmat DD:n tutkimukset ovat siis olleet alivoimaisia, mikä selittää osiossa 1 mainitut kirjallisuuden epäjohdonmukaisuudet. Huomaa, että tämä johtopäätös koskee vain aivojen ja käyttäytymisen assosiaatioita, ei liian toimivia DD:n aivokartoitustutkimuksia, joiden pitäisi vaatia pienempiä otoskokoja todellisten vaikutusten havaitsemiseksi. , ja siksi tulostemme ja näiden tutkimusten havaintojen välillä ei ole ristiriitaa.

Emme löytäneet yhteyttä välittömien palkkioiden suosimisen ja minkään WM-testin (LSWMT ja 2-back) välillä. Vastaavasti HCP-tiedoissa ei ollut DD:n assosiaatiota sanallisen tai ei-verbaalisen EM:n kanssa. Nämä tulokset ovat linjassa tuoreen tutkimuksen (Yeh et al. 2021) kanssa, jota täydennämme sisällyttämällä 2-selkätehtävän ja tiukemman tilastollisen käsittelyn aivojen rakennetietojen analysointiin. Vaikka Shamosh et ai. (2008) raportoivat yhteyden alemman WMandin välittömien palkkioiden suosimisen välillä, tämä korrelaatio ei ollut spesifinen WM:lle, koska heidän tiedoissaan tämä kyky ei selittänyt DD:n varianssia yleisen älykkyyden selittämää laajempaa. Kun korjattiin vain iän ja sukupuolen välisiä assosiaatioita, DD korreloi merkittävästi negatiivisesti LSWMT-, 2-selkä- ja verbaalisten EM-pisteiden kanssa (katso lisämateriaali), mutta tämä korrelaatio ei ollut enää merkittävä sosioekonomisten tilanmuuttujien mukauttamisessa (jonka pitäisi jo osittain ottaa huomioon yleinen kognitiivinen toiminta). Näin ollen edellä esitetyt huomiomme haitallisista muuttujista johtuvista harhaanjohtavista yhteyksistä ja toistamattomista löydöistä pieniä näytteitä käytettäessä pätevät myös näihin analyyseihin.

Tutkimuksemme rajoituksena on, että analyysejämme ei ollut ennakkorekisteröity, joten raportoituja assosiaatioita ei voida pitää vahvistavina. Uskomme kuitenkin, että näiden tulosten tärkeä panos on antaa tarkempia arvioita kognitiivisten mittareiden, rakenteellisen kuvantamisen ja intertemporaalisten valintojen välisistä suhteista johtuen aikaisempien tutkimusten huomattavasti suuremmasta otoskoosta. Toinen rajoitus on diskonttokorkojen alhainen luotettavuus. Tehtäväparametreja on kritisoitu niiden alhaisesta testi-uudelleentestausluotettavuudesta (Enkavi ym. 2019) ja siihen liittyvällä riskipreferenssialueella, johdonmukaisuuden puutteesta kokeellisten paradigmojen välillä (Pedroni ym. 2017). Nämä syyt voivat osittain selittää löytämiemme assosiaatioiden vähäisyyden aivorakenteeseen ja löydösten alhaisen toistettavuuden tutkimuksissa. Ratkaiseva tulevaisuuden tie olisi sitten suunnitella uusia paradigmoja, jotka mittaavat DD:tä paremmalla luotettavuudella. Mahdollinen etenemistapa voi olla yhteenvetopisteiden johtaminen yhdistämällä useita tehtäväparametreja korkeamman luotettavuuden saavuttamiseksi ja käyttämällä monimuuttujamenetelmiä aivojen ja käyttäytymisen assosiaatioiden löytämisessä (Moutoussis et al.2021).

Ottaen huomioon DD:n merkityksen psykopatologian tutkimuksessa, on olennaista määrittää tarkasti sen taustalla oleva neurobiologinen rakennusteline. Hyödyntämällä suurta neuroimaging-tietoaineistoa, tämä tutkimus auttaa sovittamaan yhteen DD:n harmaan ja valkoisen aineen korrelaatioita käsittelevän kirjallisuuden erot. Tämä käyttäytymisominaisuus liittyi negatiivisesti GMV:hen anteriorisilla temporaalisilla alueilla, ja mikä tärkeintä, tunnistettu rakenteellinen vaikutus oli pieni, joten sitä ei todennäköisesti havaittaisi näytteissä, joiden koko on verrattavissa monissa samankaltaisissa tutkimuksissa havaittuun kokoon. Kaiken kaikkiaan assosiaatiot kognitiivisiin kykyihin ja aivojen rakenteeseen voivat olla heikompia kuin aiemmat raportit antavat ymmärtää. Tuloksemme vaativat vankempien DD-mittausten kehittämistä ja kentällä yleistä suurempia otoksia koskevien neurokuvantamistutkimusten toteuttamista sekä asianmukaista valvontaa mahdollisille hämmennystekijöille.

Kiitokset

Kiitämme Mats Eriksonia ja Kajsa Burströmiä tietojen keräämisestä. Olemme kiitollisia avoimen pääsyn tietojoukosta, jonka tarjoaa Human Connectome Project, WU-MinnConsortium (päätutkijat: David Van Essen ja Kamil Ugurbil; 1U54MH091657).

Oheismateriaali

Täydentävää materiaalia on saatavana Cerebral Cortexonlinesta.

Rahoitus

Tätä työtä tukivat Ruotsin tutkimusneuvosto (MG-M:n apuraha numero VR521-2013-2589), Alexander von Humboldt Research Award (LB) ja AF Jochnick Foundationin (LB) lahjoitus.

Eturistiriitalausunto: Tri Zeb Kurth-Nelson on DeepMindin palveluksessa. Muut kirjoittajat eivät ole julistaneet eturistiriitaa.

Viitteet

1. Addis DR, Wong AT, Schacter DL. Menneisyyden muistaminen ja tulevaisuuden kuvitteleminen: yhteiset ja erilaiset hermosubstraatit tapahtuman rakentamisen ja käsittelyn aikana. Neuropsykologia. 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. Palkkioiden ajallinen diskontointi potilailla, joilla on kaksisuuntainen mielialahäiriö ja skitsofrenia. J Abnorm Psychol. 2011:120:911–921.

3. Amlung M, Vedelago L, Acker J, Balodis I, MacKillop J. Jyrkkä viive diskonttaaminen ja riippuvuutta aiheuttava käyttäytyminen: jatkuvien assosiaatioiden meta-analyysi. Riippuvuus. 2017: 112:51–62.

4. Ashburner J, Friston KJ. Voxel-Based Morphometry—The Methods.NeuroImage. 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 ai. Toiminto ihmisen yhteydessä: Task-fMRI ja yksilölliset käyttäytymiserot. NeuroImage. 2013:80:169–189.

For more information:1950477648nn@gmail.com