ارتباطات چند متغیره بین در دسترس بودن گیرنده دوپامین و تصمیم گیری در مورد سرمایه گذاری پرخطر در طول بزرگسالی

مشاهده پروفایل orcid Mikella A. Green ، مشاهده پروفایل orcid Kendra L. Seaman ، مشاهده پروفایل orcid Jennifer L. Crawford ، مشاهده پروفایل orcid Camelia M. Kuhnen ، مشاهده پروفایل orcid Gregory R. Samanez-Larkin

1 گروه روانشناسی و علوم اعصاب ، دانشگاه دوک ، مرکز علوم اعصاب شناختی ، دانشگاه دوک

1 گروه روانشناسی و علوم اعصاب ، دانشگاه دوک ، مرکز علوم اعصاب شناختی ، دانشگاه دوک

چکیده

دستکاری های دارویی نشان داده است که افزایش دوپامین باعث افزایش ریسک مالی در بزرگسالی می شود. با این حال ، مشخص نیست که آیا تفاوت های فردی در عملکرد دوپامین ، ارزیابی شده با استفاده از تصویربرداری PET ، مربوط به عملکرد در کارهای تصمیم گیری مالی ریسک است. در اینجا ، سی و پنج بزرگسال سالم یک کار تصمیم گیری برای سرمایه گذاری ریسک پذیر مبتنی بر یادگیری مبتنی بر انگیزه و اسکن PET را در حالت استراحت با استفاده از [11C] FLB457 برای ارزیابی در دسترس بودن گیرنده D2 D2 انجام دادند. در این کار ، شرکت کنندگان بین یک دارایی ایمن (اوراق قرضه) و یک دارایی خطرناک (سهام) با ارزش مورد انتظار کمتر از اوراق ("سهام بد") یا ارزش مورد انتظار بیشتر از اوراق ("سهام خوب") انتخاب کردند. پنج اقدام از عملکرد رفتاری (انعطاف پذیری انتخاب ، جستجوی ریسک ، سرمایه گذاری زیر قطبی) و اعتقادات (خطای مطلق ، خوش بینی) از داده های کار استخراج شد و میانگین پتانسیل اتصال دوپامین D2 غیر قابل جابجایی از چهار ناحیه مغزی مورد علاقه استخراج شد (میانی، آمیگدال ، سینگولات قدامی ، انسولین) از داده های تصویربرداری PET. با توجه به حضور چندین متغیر مستقل و وابسته ، ما از تجزیه و تحلیل همبستگی متعارف (CCA) برای ارزیابی ارتباطات چند متغیره بین تصمیم گیری مبتنی بر یادگیری و کنترل عملکرد دوپامین برای سن استفاده کردیم. تجزیه بعد اول (76/0 = r) نشان داد که قوی ترین ارتباط بین اقدامات انعطاف پذیری انتخاب ، انتخاب نادرست ، خوش بینی ، پتانسیل اتصال آمیگدال و سن است. تجزیه و تحلیل تک متغیره پیگیری نشان داد که پتانسیل اتصال دهنده آمیگدال و سن هر دو به طور مستقل با انعطاف پذیری انتخاب همراه بودند. این یافته ها ارتباطات نهفته بین اقدامات عصبی و رفتاری پایه را نشان می دهد که نشان می دهد تفاوت های فردی در عملکرد دوپامین ممکن است با ریسک مالی مبتنی بر یادگیری در بزرگسالان سالم همراه باشد.

مقدمه

چرا مردم ریسک می کنند؟سهم بالقوه زیادی در ترجیحات ریسک از جانبداری در ادراک ریسک، باورها در مورد مزایا، وزن متفاوت هزینه ها و مزایا، درک نادرست از ریسک یا محاسبه کم به طور کلی، در میان بسیاری از عوامل دیگر وجود دارد (Hogarth, 1975; Kahneman & Tversky, 2012; Sjöberg، 2000). برخی پیشنهاد کرده اند که منبع ترجیحات ریسک ممکن است حداقل تا حدی بر اساس یادگیری قبلی باشد (هرتویگ، بارون، وبر و ارو، 2004؛ هرتویگ و ارو، 2009؛ کوهن، 2015). بسیاری از خطرات در زندگی روزمره متکی به بازخورد تجربه قبلی است. پیش‌بینی‌های افراد در مورد هزینه‌ها و مزایای انجام یک انتخاب خاص ممکن است در ابتدا مغرضانه باشد، اما باید پس از تجربه کردن نتایج انتخاب‌ها به‌روز شود. با این حال، افراد در میزان یادگیری یا تمایل یا توانایی خود برای به روز رسانی انتظارات متفاوت هستند (Schönberg, Daw, Joel, & O'Doherty, 2007). با توجه به اینکه چقدر دوپامین در به روز کردن انتظارات و یادگیری به طور کلی نقش دارد (شولتز، 2002؛ شولتز، دایان، و مونتاگ، 1997)، مشارکت بالقوه دوپامینرژیک در خطرپذیری ممکن است با نحوه یادگیری ارگانیسم ها در مورد خطر مرتبط باشد. تفاوت های فردی در عملکرد دوپامین ممکن است به طور کلی با ریسک مالی مبتنی بر یادگیری مرتبط باشد.

نشان داده شده است که مدولاسیون دارویی سیستم دوپامین باعث افزایش ریسک مالی در زندگی روزمره برای برخی از افراد می شود. شناخته شده ترین نمونه ها این است که برخی از افراد میانسال و مسن مبتلا به بیماری پارکینسون (PD) که با آگونیست های دوپامین تحت درمان قرار می گیرند ، اعتیاد به قمار جدید ایجاد می کنند و در سایر رفتارهای بسیار پرخطر شرکت می کنند (Weintraub و همکاران ، 2006). به همین ترتیب ، داروهایی که بر روی حمل و نقل دوپامین عمل می کنند ، از جمله داروهای تجویز شده برای کاهش تکانشگری در کودکان ، نوجوانان و بزرگسالان هستند (پیپر و همکاران ، 2018). در کودکان مبتلا به ADHD ، نشان داده شده است که متیل فنیدات باعث کاهش خطر می شود (Devito et al. ، 2008). نشان داده شده است که همان داروها باعث کاهش خطر بیش از حد در بزرگسالان مسن مبتلا به زوال عقل زمانی جلو (FTD) می شود (رحمان و همکاران ، 2006). تفاوت در جهت این اثرات دوپامینرژیک بعید است به دلیل تفاوت در مکانیسم عملکرد داروها باشد. هر دو آگونیست و مسدود کننده حمل و نقل سطح دوپامین را در سیناپس افزایش می دهند. همچنین نشان داده شده است که این گروه های مشابه افراد مبتلا به PD ، ADHD و FTD نیز تفاوت های اولیه در عملکرد دوپامین دارند. بنابراین ، تفاوت های فردی در سطح دوپامین پایه ممکن است مستقیماً با ریسک پذیری همراه باشد. در حقیقت ، مطالعات با بیماران در مراحل اولیه پارکینسون نشان می دهد که اقدامات دوپامین پایه ممکن است پاسخ های درمانی دوپامین جانبی را پیش بینی کند که باعث خطر بیش از حد می شود (استیوز و همکاران ، 2009 ؛ وریند و همکاران ، 2014). با این حال ، مطالعات اندکی بررسی کرده اند که چگونه تفاوت های فردی در عملکرد دوپامین مربوط به ریسک به طور کلی است.

هر دو توانایی یادگیری و ریسک پذیری مالی در افراد در سنین مختلف متفاوت است. مطالعات مربوط به پیری و یادگیری تقویت کننده نشان می دهد که بزرگسالان مسن تر آهسته تر می آموزند (Eppinger ، Hämmerer ، & Li ، 2011 ؛ Mell et al. ، 2005) ، اما مطالعات مربوط به پیری و ریسک گرفتن به همان اندازه مشخص نیست (Rolison ، Hanoch ، Wood ، و ولیو ، 2014). متاآنالیزها نشان داده اند که اگرچه به نظر نمی رسد تفاوت سنی در تصمیمات پرخطر گرفته شده از توضیحات (در صورت عدم نیاز به یادگیری) وجود داشته باشد ، اما اختلاف سنی در ریسک پذیری بیشتر در کارهایی است که عملکرد به یادگیری از تجربه بستگی دارد. بزرگسالان مسن همچنین به طور کلی از گیرنده های دوپامین و حمل و نقل های پایین تر برخوردار هستند (کرر ، ژوزف ، ماتا ، موریس ، و سامانز-لرکین ، 2017). مطالعات نشان داده اند که در دسترس بودن گیرنده دوپامین در نقص یادگیری پاداش نقش دارد (De Boer et al. ، 2017) و داروهای دوپامین می توانند یادگیری تقویت را در سن بالاتر تقویت کنند (Chowdhury و همکاران ، 2013 ؛ Rutledge et al. ، 2009). هنوز مشخص نیست که آیا کاهش دوپامین در سنین بالاتر با ریسک مالی همراه است یا خیر. اگرچه مطالعات عصبی در بزرگسالی کاهش دوپامین را با افزایش سن نشان داده است (Juarez et al. ، 2019) همین داده ها همچنین هیچ ارتباطی بین دوپامین و انتخاب خطرناک نشان نمی دهد (Castrellon و همکاران ، 2019) با استفاده از وظیفه ای که به یادگیری بستگی ندارد. با این حال ، تصمیمات ریسک پذیر مبتنی بر یادگیری ممکن است به شدت با تفاوت های فردی در عملکرد دوپامین در طول بزرگسالی همراه باشد.

همراه با تحقیقات علمی به طور کلی، تکرارپذیری و تعمیم‌پذیری مطالعات اثرات تفاوت‌های فردی رفتار مغزی اخیراً مورد نقد و پرسش قرار گرفته است (Dubois & Adolphs, 2016؛ Poldrack et al., 2017). این نقد شایسته است. بسیاری از وظایف چندین معیار مرتبط با عملکرد را ایجاد می کنند و تصویربرداری از مغز کل همیشه معیارهای متعددی را تولید می کند. درجات آزادی آزمایشگر در مطالعات رفتار مغزی به طور کلی بالا است و اثرات تفاوت فردی به طور منظم به شدت ضعیف می شود. این ترکیب احتمال مثبت کاذب یا نتایج کاملاً از هک p را افزایش می دهد. به ندرت یک استراتژی روشن برای تجزیه و تحلیل تک متغیره زوجی داده ها مانند آنچه در مطالعه حاضر و بسیاری از مطالعات در این زمینه جمع آوری شده است وجود دارد. با این حال، رویکردهای چند متغیره برای مطالعات رفتار مغزی مناسب هستند. علیرغم کاربرد ایده آل این رویکردها، آنها هنوز نادر هستند. حتی با افزایش مطالعات تصویربرداری عصبی چند متغیره، بسیاری از این مطالعات از یک معیار رفتاری استفاده می‌کنند یا تحلیل‌های چند متغیره را به داده‌های تصویربرداری مغز محدود می‌کنند. با این حال، معمولا داده ها از هر دو طرف چند متغیره هستند. برخی از تحقیقات نوظهور از تکنیک‌های کاهش داده‌ها مانند حداقل مربعات جزئی برای کاهش ابعاد استفاده کرده‌اند، در حالی که ارتباط‌های رفتاری مغز را ارزیابی می‌کنند (کالهون، لیو، و آدلی، 2009؛ مک‌اینتاش و لوباگ، 2004)، اما مطالعات کمی از تکنیک‌هایی استفاده کرده‌اند که چندین مغز و مغز را با هم ترکیب می‌کنند. اقدامات رفتاری در یک مدل واحدروش‌های چند متغیره ممکن است به هدایت بهتر تجزیه و تحلیل این مجموعه داده‌های طبیعی چند متغیره کمک کند و درک جامع‌تری از ارتباط‌های رفتار مغز به طور کلی ایجاد کند.

هدف از این مطالعه بررسی ارتباط چند متغیره بین عملکرد دوپامین و تصمیم گیری مالی مبتنی بر یادگیری در یک نمونه بزرگسالی بود. با استفاده از لیگاند رادیویی [11 C] FLB 457، پتانسیل اتصال غیرقابل جابجایی گیرنده D2 مانند دوپامین اصلاح شده با حجم جزئی (PVC) (BP)_ND) از چهار منطقه مورد علاقه برآورد شد: مغز میانی، آمیگدال، سینگولیت قدامی، اینسولا. این مناطق مورد علاقه بر اساس تحقیقات قبلی که مشارکت های حیاتی را در یادگیری (مغز میانی، آمیگدال) (O'Doherty، 2004) و تصمیم گیری مخاطره آمیز (سینگولات قدامی، اینسولا) مستند می کند، شناسایی شدند (Kuhnen & Knutson، 2005). در دسترس بودن گیرنده را نمی توان با استفاده از [11 C] FLB 457 به طور قابل اعتماد در جسم مخطط تعیین کرد، در غیر این صورت این منطقه نیز شامل می شد. پنج معیار خطاهای مربوط به کار در طول یک کار سرمایه گذاری مالی برای ارزیابی جنبه های مختلف تصمیم گیری مبتنی بر یادگیری محاسبه شد. برای جلوگیری از تحلیل‌های زوجی بیش از حد فردی با توجه به تعداد متغیرها در هر طرف همبستگی، از تحلیل همبستگی متعارف (CCA؛ هتلینگ، 1936) برای شناسایی ارتباط بین مغز (BP) استفاده کردیم._NDکنترل سن) و رفتار. ما پیش‌بینی کردیم که بین مجموعه متغیرهای مغز و مجموعه متغیرهای رفتاری مرتبط با وظیفه ارتباط وجود داشته باشد، به طوری که فشار خون بالاتر_NDبا عملکرد بهتر (به عنوان مثال، خطاهای مرتبط با کار کمتر) همراه خواهد بود.

مواد و روش ها

شركت كنندگان

سی و هفت بزرگسال سالم از جامعه بزرگ نیوهون، CT برای مطالعه شناخت و تصمیم گیری با انگیزه انتخاب شدند و رضایت آگاهانه کتبی از همه شرکت کنندگان به دست آمد. دو شرکت‌کننده (به دلیل مسائل مربوط به کیفیت داده‌های PET) کنار گذاشته شدند، که در نتیجه یک نمونه نهایی 35 نفر (سنین 26-79 سال؛ M± SD = 17. 4 ± 47. 7). همه شرکت کنندگان معیارهای غربالگری گسترده را تکمیل کردند و بنابراین از نظر شناختی و جسمی سالم بودند. معیارهای خروج شامل هرگونه سابقه بیماری روانپزشکی یا ضربه به سر، هر وضعیت پزشکی قابل توجه، موارد منع مصرف MRI، سابقه سوء مصرف مواد یا استفاده از محرک های روانی، و استفاده فعلی از تنباکو، الکل، یا داروهای روانگردان بود (به Castrellon و همکاران، 2019 مراجعه کنید. فهرست کامل معیارهای خروج). تمام مراحل و فرم‌های رضایت توسط کمیته تحقیقات انسانی دانشگاه ییل و کمیته ایمنی پرتوی بیمارستان ییل-نیوهون تأیید شد.

وظیفه تصمیم گیری سرمایه گذاری پرخطر

در هر آزمایش از کار سرمایه گذاری ریسک پذیر ، شرکت کنندگان بین دو دارایی را انتخاب می کنند: یک سهام ریسک پذیر و اوراق قرضه خاص (شکل 1 ، (کوهنن ، 2015)). قبل از شروع کار ، به شرکت کنندگان اطلاع داده شد که دو شرط وجود دارد ، یک شرط سود که در آن هر دو دارایی بازپرداخت مثبت و یک شرط ضرر را ارائه می دهند که در آن هر دو دارایی بازپرداخت منفی را ارائه می دهند. همچنین به آنها اطلاع داده شد که برخی از سهام خوب هستند ، و بنابراین احتمال بالایی از نتیجه خوب (برنده شدن یا از دست دادن پول) بالایی داشتند ، در حالی که سایر سهام بد بودند و احتمال کم نتیجه خوبی داشتند (برنده یا از دست دادن پول) (ببینیدپیوست کوهنن ، 2015 ، برای دستورالعمل های کامل به شرکت کنندگان). شرکت کنندگان قبل از شروع کار ، 10 کارآزمایی تمرین را انجام دادند. پس از انتخاب انتخاب ، بازپرداخت سهام بدون در نظر گرفتن انتخابی که توسط شرکت کننده انجام شد (برای فراهم کردن فرصت هایی برای یادگیری مستقل از رفتار انتخاب) نمایش داده شد و سپس به شرکت کنندگان پس از آن برنده های تجمعی خود گفته شد. سرانجام ، از آنها خواسته شد تا احتمال اینكه سهام سهام "خوب" و اعتماد به نفس آنها به این برآورد احتمال باشد ، تخمین بزنند.

شماتیک وظیفه برای تصمیم گیری برای تصمیم گیری ریسک پذیر مبتنی بر یادگیری (TOP) و مناطق مورد علاقه (پایین) که در دسترس بودن گیرنده دوپامین از داده های تصویربرداری PET استخراج شد. Colorbar سطح پتانسیل اتصال غیر قابل جابجایی را در سطح وکسل در این مناطق نشان می دهد.

این 2 (قاب بندی: افزایش یا ضرر) توسط 2 (توزیع بازپرداخت سهام: خوب یا بد) بود. در شرط افزایش ، هر دو دارایی بازپرداخت مثبت (سهام: +2 یا +10 ؛ اوراق قرضه: +6) را در حالی که در شرایط ضرر ، هر دو دارایی بازپرداخت منفی ارائه می دادند (سهام: -2 ی ا-10 ؛ اوراق قرض ه-6) را ارائه می دادند. محاکمات در بلوک های 6 محاکمه انجام شد. برای هر بلوک ، بازخورد برای انتخاب سهام از همان توزیع بازپرداخت سهام (خوب یا بد) کشیده شد. در بلوک های بازپرداخت سهام خوب ، نتیجه بالا (+10) 70 ٪ از زمان رخ می دهد ، در حالی که نتیجه پایین (+2) 30 ٪ از زمان رخ می دهد. در بلوک های بازپرداخت سهام بد ، این شرایط احتمالی تلنگر شد: نتیجه بالا فقط 30 ٪ از زمان رخ می دهد در حالی که نتیجه پایین 70 ٪ از زمان رخ می دهد. ترتیب شرایط قاب بندی شبه و برای هر شرکت کننده یکسان بود. شرکت کنندگان در مجموع 10 بلوک ، برای کل 60 آزمایش را تکمیل کردند. این کار سازگار با تشویقی بود به گونه ای که شرکت کنندگان بر اساس بازپرداخت سرمایه گذاری و صحت آنها در داوری های احتمالی خود پرداخت می شدند. به طور خاص ، آنها 1/10 از بازپرداخت های تجمعی خود به علاوه 10 سنت برای هر برآورد احتمال در 5 ٪ از ارزش هدف بیزی علاوه بر پرداخت ساعتی برای شرکت در مطالعه به طور کلی دریافت کردند.

رفتار کار با استفاده از پنج معیار خطا اندازه گیری شد: سه اقدام انحراف از حداکثر پاداش بیزی (انعطاف پذیری انتخاب ، انتخاب سهام اول و سرمایه گذاری زیر حد) و دو اقدام از خطاهای برآورد احتمال (خطای مطلق و خوش بینی). معیارهای حداکثر پاداش بیزی براساس انتخاب سهام در مقابل اوراق قرضه انجام شده توسط شرکت کنندگان محاسبه شد. انعطاف پذیری انتخاب ، میزان شرکت کننده را در انتخاب دارایی که در اولین آزمایش بلوک انتخاب کرده اند ، کمیت می کند ، وقتی این دارایی از نظر عینی انتخاب کمتری بهینه بود. انتخاب اول سهام ، که اندازه گیری تمایل به ریسک پذیری است ، نسبت زمانی است که شرکت کنندگان سهام (در مقابل اوراق) را در اولین آزمایش یک بلوک انتخاب کردند. سرمایه گذاری زیر حد متوسط نسبت محاکماتی است که شرکت کننده دارایی اشتباه را انتخاب کرده است. خطاهای تخمین احتمال بر اساس سؤالات پیگیری "سهام خوب" بود. خوش بینی مبلغی است که یک شخص احتمال انتخاب "سهام خوب" را بیش از حد ارزیابی می کند ، یا به طور دقیق تر این فاصله متوسط بین برآورد احتمال یک شرکت کننده و برآورد احتمال خلفی عینی بیزی است ، که برای آزمایشات N تا کنون و t زیاد استنتایج تاکنون هنگامی که سهام "خوب" باشد ، P = 50 ٪ ، احتمال اینکه سهام خوب سود سهام بالا (مقایسه کم) را در هر آزمایش ، q = 70 ٪ بپردازد. خطای مطلق صرفاً مقدار مطلق خوش بینی است. این تعیین می کند که تخمین های احتمال شرکت کننده از هر جهت نادرست است ، خواه آنها را بیش از حد ارزیابی کنند و یا احتمال کمبود سهام "سهام خوب" را دست کم بگیرند.

دستیابی و پردازش داده های حیوان خانگی

تصویربرداری PET در مرکز پزشکی New-Haven ییل جمع آوری شد.[11 C] FLB 457 ، 5-BROMO-N-[[(2S) -1-ETHYL-2-PYRROLIDINYL] METHYL] -3-METHOXY-2- (METHOXY-11C) بنزامید در رادیوشیمیشن مرکز Yale PET سنتز شدآزمایشگاه دانشکده پزشکی ییل. اسکن PET در یک توموگرافی تحقیقاتی با وضوح بالا (HRRT ؛ Siemens Medical Solutions ، Knoxville ، TN ، USA) به دست آمد.[11 C] FLB 457 (فعالیت خاص متوسط: 7. 80 MCI/NMOL) به صورت داخل وریدی به عنوان بولوس (315 MBQ ؛ به طور متوسط 8. 62 MCI ، SD 2. 03 MCI) بیش از 1 دقیقه توسط یک پمپ تزریق خودکار تزریق شد (دستگاه هاروارد ، هالیستون ، MA ، ،ایالات متحده آمریکا). قبل از هر اسکن ، یک اسکن انتقال شش دقیقه ای برای تصحیح میرایی انجام شد. داده های اسکن پویا پس از تجویز [11c] FLB 457 در حالت لیست به دست آمد و در 27 فریم (0. 5 6 6 6 دقیقه ، 3 min ، 2 × 2 دقیقه ، 5 × 16 دقیقه) بازسازی شد و اصلاحات برای میرایی ، عادی سازی ، عادی سازی ، عادی سازی ، عادی سازیپراکندگی ، تصادفی و زمان مرده با استفاده از الگوریتم MALAR (جبران خسارت و جبران حرکت OSEM برای بازسازی بازیابی وضوح). رویداد به صورت رویداد ، تصحیح حرکت با استفاده از یک سیستم ردیابی نوری Polaris Vicra (NDI Systems ، Waterloo ، Canada) اعمال شد که حرکت را با استفاده از بازتابنده های نصب شده بر روی کلاه پوشیده شده توسط موضوع در طول مدت اسکن تشخیص می دهد. پس از تصحیح پوسیدگی و تصحیح میرایی ، فریم های اسکن PET برای حرکت با استفاده از SPM8 (Friston et al. ، 1994) با سیزدهمین قاب تصویر پویا از سری اول که به عنوان تصویر مرجع خدمت می کردند ، اصلاح شدند. فریم های حیوان خانگی مجدداً با اطلاعات زمان بندی کسب آنها در ماژول PView PMOD ادغام و مجدداً ارتباط برقرار کردند تا یک فایل 4D واحد برای استفاده در ابزار پنورو PMOD برای تجزیه و تحلیل بیشتر ایجاد کنند.

کسب اطلاعات MRI

اسکن MRI ساختاری با استفاده از یک اسکنر کامل بدن زیمنس (سیستم پزشکی زیمنس ، ارلانگن ، آلمان) جمع آوری شد. اسکن آناتومیکی با وضوح بالا T1 (زمان تکرار = 2. 4 ثانیه ، زمان اکو = 1. 9 میلی ثانیه ، میدان دید = 256 x 256 ، ابعاد وکسل = 1 x 1 x 1 میلی متر) برای هر شرکت کننده بدست آمد. این اسکن های ساختاری همزمان ثبت نام و عادی سازی مکانی داده های PET را تسهیل می کنند.

تصحیح حجم جزئی و مناطق مورد علاقه مغز

داده های MRI و PET هر دو با استفاده از اطلس همرز در 62 قشر دو طرفه، 12 زیر قشری دو طرفه، 3 حفره خلفی، 5 بطن و 1 ناحیه ماده سفید مورد علاقه (در مجموع 83 منطقه) تقسیم شدند (گوسیاس و همکاران، 2008؛ همرز). و همکاران، 2003). پس از بسته‌بندی، داده‌های MRI و PET مشترک ثبت شدند، داده‌های PET مجدداً در فضای MRI نمونه‌برداری شدند و سپس روش تصحیح حجم جزئی (PVC) موجود در ماژول PNEURO PMOD روی داده‌های PET اعمال شد. PNEURO از روش GTM استفاده می کند (Rousset, Collins, Rahmim, & Wong, 2008; Rousset, Ma, & Evans, 1998) که PVC را به سیگنال PET مناطق مورد نظر از نظر ساختاری تعریف شده محدود می کند. پس از PVC، منحنی‌های فعالیت زمانی (TAC) از هر منطقه از داده‌های PET استخراج شد و با یک مدل بافت مرجع ساده شده (Lammertsma & Hume, 1996) که در آن یک ROI ماده خاکستری مخچه دو طرفه به عنوان منطقه مرجع با استفاده از ماژول PKIN PMOD استفاده شد، مطابقت داده شد.(برای جزئیات بیشتر به اسمیت و همکاران، 2019 مراجعه کنید). چهار منطقه مورد علاقه (ROI) از اطلس چکش پیشینی برای تجزیه و تحلیل انتخاب شدند: مغز میانی، آمیگدال، اینسولا و سینگولیت قدامی. در هر شرکت کننده، میانگین پتانسیل اتصال غیرقابل جابجایی (BP_ND) برای هر یک از این ROI ها محاسبه شد (شکل 1).

تجزیه و تحلیل همبستگی متعارف

برای آزمایش ارتباط بین معیارهای در دسترس بودن گیرنده دوپامین و اقدامات تصمیم‌گیری، ما یک تحلیل همبستگی متعارف (CCA) انجام دادیم. CCA یک روش آماری عمومی است که رابطه بین دو مجموعه متغیر چند بعدی را اندازه گیری می کند. به طور خاص، با توجه به دو مجموعه داده X و Y، CCA به دنبال یافتن یک ترکیب خطی از X است که حداکثر با ترکیب خطی Y همبستگی دارد. متغیرهای متعارف با هم یک جفت متعارف هستند و همبستگی بین متغیرهای متعارف را همبستگی متعارف می گویند. تعداد ممکن جفت‌های متعارف محدود به تعداد متغیرهای موجود در کوچک‌ترین مجموعه داده است، با این محدودیت که هر جفت متوالی با تمام موارد قبلی همبستگی ندارد.

نتایج

تجزیه و تحلیل همبستگی متعارف (CCA) با استفاده از چهار متغیر در دسترس بودن گیرنده D2 دوپامین (میانی مغز ، آمیگدال ، انسولین ، کینگول قدامی) و سن به عنوان همبستگی پنج متغیر عملکرد وظیفه تصمیم گیری مالی (انعطاف پذیری انتخاب ، سرمایه گذاری در معرض خطر ، سرمایه گذاری تحت ریسک ، سرمایه گذاری زیر مطلوب انجام شد.، خطای مطلق و خوش بینی). CCA رابطه مشترک چند متغیره بین دو مجموعه متغیر را ارزیابی کرد (یعنی در دسترس بودن گیرنده دوپامین کنترل سن و تصمیم گیری در مورد سرمایه گذاری خطرناک). این تجزیه و تحلیل پنج عملکرد با همبستگی های متعارف مربع تولید کرد (R 2_c) از . 581 ، . 351 ، . 072 ، . 028 ، و . 005. مدل کامل در هر پنج عملکرد از نظر آماری با استفاده از معیار آزمون = . 24 Wilks ، F (25 ، 94. 373) = 1. 747 p = 0. 029 معنی دار بود. اندازه اثر برای مجموعه کامل پنج همبستگی متعارف 2 = 0. 581 بود ، نشان می دهد که مدل کامل 58 ٪ از واریانس مشترک بین دو مجموعه متغیر را توضیح داده است. تجزیه و تحلیل کاهش ابعاد نشان داد که کارکردهای دوم تا پنجم از نظر آماری مقادیر قابل توجهی از واریانس مشترک را که در جدول 1 مشاهده می شود توضیح نمی دهد. به همین ترتیب ، نتایج زیر روی عملکرد اول متمرکز شده است (شکل 2 را ببینید).

کاهش ابعاد نشان دهنده واریانس مشترک قابل توجه به طور کلی اما در عملکردهای دوم تا پنجم نیست.