Кортикальный | Шаньдунская группа поковок

Nature, том 613, страницы 103–110 (2023 г.) Процитировать эту статью

20 тысяч доступов

1 Цитаты

256 Альтметрика

Подробности о метриках

Предполагается, что консолидация систем — процесс стабилизации долговременной памяти — происходит в два этапа1,2,3,4. Хотя для новых воспоминаний требуется гиппокамп5,6,7,8,9, со временем они интегрируются в корковые сети10,11,12, что делает их независимыми от гиппокампа. Как именно во время этого развивается гиппокамп-кортикальный диалог и как согласованно изменяются корковые представления, неизвестно. Здесь мы используем задачу по изучению навыков13,14, чтобы отслеживать динамику межобластной связи во время сна с медленными движениями глаз, а также изменения репрезентативной стабильности первичной моторной коры (M1). Наши результаты показывают, что точная перекрестная связь между гиппокампом, префронтальной корой и M1 может разграничить два различных этапа обработки. В частности, мы обнаружили, что каждое животное демонстрирует резкое увеличение активности префронтальной коры и медленное колебание сна М1, связанное со стабилизацией работоспособности. Это резкое увеличение затем предсказывает снижение связи острой волны гиппокампа (КСВ) и медленной связи колебаний M1, что предполагает обратную связь, информирующую о разъединении гиппокампа и переходе ко второй стадии. Примечательно, что первая стадия демонстрирует значительное увеличение связи медленных колебаний SWR и M1 гиппокампа во время сна после тренировки и тесно связана с быстрым обучением и изменчивостью низкоразмерного многообразия M1. Поразительно, но даже после консолидации стимулирование нового исследования многообразия путем изменения параметров задачи повторно активирует связь гиппокампа и M1. Таким образом, мы находим доказательства динамического гиппокампально-кортикального диалога, связанного с разнообразными исследованиями во время обучения и адаптации.

Уже давно предполагалось, что стабилизация памяти посредством консолидации систем происходит в два этапа1,2,3,4. Хотя как классические, так и недавние исследования подтверждают зависимость гиппокампа и независимую фазу3,6,15,16, неясно, как корковые представления развиваются в ходе гиппокампально-кортикального диалога. Более того, неизвестно, в какие сроки происходит такая координация и какие процессы могут определять переходы между этапами консолидации систем.

Мы используем задачу по обучению навыкам схватывания, чтобы отслеживать диалог между гиппокампом и корой (префронтальная кора (PFC) и первичная моторная кора (M1)) как в состоянии сна, так и в состоянии бодрствования. Поскольку для захвата требуется M1 (ссылки 14,17), мы можем отслеживать консолидацию в важном регионе. Известно также, что реактивация ансамблей задач в M1 во время сна с медленными движениями глаз (NREMS) важна для обучения навыкам18,19,20. Более того, глобальные медленные колебания сна (SO), феномен, связанный с ПФК и гиппокампом1,21,22,23, по-видимому, являются критическими факторами локальной реактивации в M1 (ссылка 18). В совокупности это предполагает, что консолидация моторных воспоминаний может включать диалог между корой и гиппокампом во время NREMS.

Хотя классические исследования показали, что «процедурные воспоминания» не зависят от гиппокампа24, недавние исследования функциональной МРТ обнаружили доказательства активации гиппокампа на очень ранних стадиях25,26. Однако природа этой активации гиппокампа остается неясной, и, в частности, связаны ли островолновые пульсации гиппокампа (SWR) — ключевой нейрофизиологический маркер консолидации памяти во время NREMS1,27,28 — с обучением навыкам, остается неизвестным. Поэтому мы проверили гипотезу о том, что изменяющиеся во времени изменения в связи между SO и SWR во время NREMS разграничивают стадии консолидации.

Тесно связанная гипотеза состоит в том, что каждая из этих двух стадий связана с различными фазами консолидации в M1. Временная эволюция динамики нейронной популяции («нейронные траектории») внутри многообразия низкой размерности (паттерны общей дисперсии) тесно связана с квалифицированной деятельностью29,30,31. Хотя нейронные траектории стабильны при хорошо отработанном поведении, они меняются во время обучения32,33. Мы количественно оценили дисперсию нейронных траекторий, используя меру точности. Мы ожидаем низкую точность (большую дисперсию) на раннем этапе обучения из-за «многообразного исследования». Напротив, во время «многообразной консолидации» мы ожидаем увеличения точности. Неясно, как консолидация систем может быть связана с многообразием исследований и консолидацией.

10 s.d.) and excluding bad channels. We used all M1 channels excluding bad channels covering the forelimb-related area (M1 channel count: 23–32 channels, 29.7 ± 2.2, mean ± s.d.). Although the coverage of 32-channel microwires in PFC was large, we did not make any selection of particular channels to include specific PFC areas (for example, infralimbic cortical area known to be important for rule learning), because we focused on more the global activity (that is, SOs) in PFC rather than spike ensemble activity. Thus, we also used all good channels in PFC (PFC channel count: 18–32 channels, 28.3 ± 3.2, mean ± s.d.). However, we located PFC channels to collect spikes and LFP in the medial PFC including the infralimbic area./p>10 s.d.) and excluding bad channels. Identification of NREMS epochs was performed by classification based on power spectral density of the LFP. This study focused on the NREMS epochs detected using M1 LFP. However, we further conducted NREMS detections using all three areas (that is, PFC, M1 and hippocampal CA1). The total duration of NREMS was not significantly different across the recorded areas (Extended Data Fig. 1c). Moreover, cutting out the last NREMS epoch did not affect the transition trend in ΔSO–SWR coupling (Extended Data Fig. 1d). In detail, regarding NREMS epoch detection, the LFP trace was segmented into non-overlapping 6 s epochs. In each epoch, the power spectral density was computed and averaged over the slow-wave frequency band (0.1–4 Hz, also called the delta band) and gamma frequency bands (30–60 Hz). Then a k-means classifier was used to classify epochs into two clusters, NREMS and rapid eye movement sleep (REMS)/awake; REMS and awake were not classified and NREMS was focused on in this study. Sleep epochs less than 30 s were excluded from NREMS epochs. The identified NREMS durations were not different between the early period and late period of motor learning. The identified NREMS epochs were verified by visual assessment of the LFP activity. During the NREMS period with high delta power (0.1–4 Hz), strong down- and up-states dominated. Thus, we assessed whether our detected NREMS epochs contained a high-amplitude and slow LFP fluctuation distinguished from a low-amplitude and high-frequency LFP during the awake period. Moreover, we visually assessed whether there were substantially many wrong detections of NREMS epoch. In other words, we assessed if a high-amplitude and slow-wave LFP epoch was not included in the detected NREMS epochs. These power-based sleep detections showed a close match to the video-based detections18; the number of pixels that changed intensity frame to frame in each pair of consecutive frames was computed from a recorded video (1 Hz frame rate using Microsoft LifeCam Cinema Webcam) during the sleep block; these values were then integrated over an epoch of 40 s. If the integrated value was higher than a threshold, that epoch was identified as sleep; the threshold was chosen by comparing detection results and visual assessment of the recorded video./p>85% of shared variance explained in respective M1 and PFC in each session (example trajectories in M1 in an animal, Extended Data Fig. 6a,b). We confirmed that shared-over-total variance, that is, shared variance divided by the sum of shared and private variance, showed a robust increase during learning (Extended Data Fig. 6c). However, the shared-over-total variance with no significant change in the spike-shuffled condition (see above for the details about the circular permutation) supports the idea that the temporal pattern of neural ensemble resulted in the robust learning in neural dynamics and not the simple change in population firing rate. We recalculated the low-dimensional manifold (that is, GPFA factors) every session because recorded units were not able to be held across days. To compensate for possible variations of low-dimensional manifolds, the estimated manifolds were aligned to the average manifold of the final 3 d by using Procrustes alignment (MATLAB function ‘procrustes’)41,65./p>

0.28 for all sessions. Mean ± s.e.m. e, Computation of the changes in success rate (ΔSuccess rate) from the two-day history; it is shown using the task performance of an example animal. f, Pellet retrieval success rates (black) and changes in success rate (magenta) in average across animals (n = 6 rats). Black dashed curve indicates single-exponential function fit (R2 = 0.85, P = 3.9 x 10–11). Magenta dashed lines indicate piecewise linear regression fits. Mean ± s.e.m./p>