Partea 1: Care este efectul reactivării memoriei în timpul învățării?

Contact: Audrey Hu Whatsapp/hp: 0086 13880143964 E-mail:audrey.hu@wecistanche.com

Vă rugăm să faceți clic aici pentru partea 2

Robert J. Molitor,1,2 Katherine R. Sherrill,2 Neal W. Morton,2 Alexandra A. Miller3 și Alison R. Preston1,2,3

1Departamentul de Psihologie, Universitatea Texas din Austin, Austin, Texas 78712, 2Centrul de Învățare și Memorie, Universitatea din Texas din Austin, Austin, Texas 78712 și 3Departamentul de Neuroștiință, Universitatea Texas din Austin, Austin, Texas 78712

Supliment Cistanche: imbunatateste memoria

Evenimentele care se suprapun cu experiențele anterioare pot declanșa reactivarea amintirilor existente. Cu toate acestea, o astfel de reactivare poate avea consecințe reprezentative diferite în circuitul hipocampal. Teoriile computaționale ale funcției hipocampului sugerează că girusul dintat și CA2,3 (DG/CA2,3) sunt părtinitoare pentru a diferenția amintiri foarte similare, în timp ce CA1 poate integra evenimente înrudite prin reprezentarea lor cu coduri neuronale suprapuse. Aici, am testat dacă formarea reprezentărilor diferențiate sau integrate în subcâmpurile hipocampului depinde de putereamemoriereactivare în timpul învățării. Participanții umani de ambele sexe au învățat asocieri (perechi AB, fie în formă de față, fie în formă de scenă), apoi au fost supuși unei scanări fMRI în timp ce codificau asocieri care se suprapun (perechile formă-obiect BC). Atât înainte, cât și după învățare, participanții au fost, de asemenea, scanați în timp ce vizualizau elemente legate indirect ale amintirilor suprapuse (imagini A și C) izolat. Am folosit analize de tipare multivariate pentru a măsura reactivarea amintirilor perechilor inițiale (articolele A) în timpul învățării cu perechi suprapuse (BC), precum și schimbările reprezentaționale legate de învățare pentrumemorieelemente din subcâmpurile hipocampului. Când amintirile anterioare au fost puternic reactivate în timpul codificării perechilor suprapuse, reprezentările DG/CA2,3 și subiculului pentru imaginile indirecte (A și C) au devenit mai puțin similare, în concordanță cu diferențierea modelului. Simultan,memoriereactivarea în timpul noilor învățări a promovat integrarea în CA1, unde reprezentările sunt legate indirectmemorieelementele au devenit mai asemănătoare după învăţare. În plus,memoriereactivarea și reprezentarea subiculului au prezis decizii de inferență (AC) mai rapide și mai precise. Aceste date arată că reactivarea amintirilor înrudite în timpul noii învățări duce la strategii de codare disociabile în subcâmpurile hipocampului, în conformitate cu teoriile computaționale.

Cuvinte cheie: memorie asociativă; memorie episodica; fMRI de înaltă rezoluție; subcâmp hipocampal; separarea modelelor

îmbunătățirea memoriei capsulelor cistanche

Declarație de semnificație

Flexibilitatea episodicămemoriene permite să ne amintim atât detaliile care diferențiază evenimente similare, cât și aspectele comune dintre ele. Aici, am testat modul în care reactivarea experiențelor trecute în timpul noii învățări promovează formarea reprezentărilor neuronale care ar putea servi acestor două.memoriefuncții. Am constatat că reactivarea memoriei în timpul învățării a promovat formarea de reprezentări diferențiate pentru amintirile suprapuse în subcâmpurile girului dintat/CA2,3 și subiculului hipocampului, conducând simultan la formarea de reprezentări integrate ale evenimentelor conexe în subcâmpul CA1. În plus,memoriereactivarea și reprezentarea subiculului au prezis succesul la deducerea unor relații indirecte între evenimente. Aceste constatări indică faptul cămemoriereactivarea este un semnal important de învățare care influențează modul în care evenimentele care se suprapun sunt reprezentate în circuitul hipocampal.

Introducere

Hipocampul este compus din mai multe subcâmpuri care contribuie lamemorieprelucrare si reprezentare. Modelele computaționale propun că proprietățile anatomice ale girului dentat și ale CA2,3 (DG/CA2,3) fac aceste subcâmpuri ideale pentru separarea modelelor sau ortogonalizarea automată a intrărilor corticale foarte asemănătoare prin ardere rară (Marr, 1971; Schapiro și colab. ., 2017). În schimb, caracteristicile CA1 au fost propuse pentru a mediamemorieintegrarea sau formarea unor reprezentări suprapuse care codifică trăsăturile comune

Figura 1. Proiectare experimentală. O schema a sarcinii comportamentale. Participanții au fost expuși mai întâi la imagini prezentate individual (fețe, scene și obiecte noi) care mai târziu aveau să fie legate indirect prin învățarea asociativă (articole A și C). Apoi, participanții au învățat să asocieze perechile inițiale (asociații AB forma feței sau scenă) și au fost scanați în timp ce învățau perechi suprapuse (asocieri formă-obiect BC). Participanții au fost scanați din nou într-o fază de post-expunere în timp ce vedeau aceleași elemente din preexpunere (articole A și C). Participanții au finalizat apoi o sarcină de inferență pe întregul episod. În cele din urmă, participanții au finalizat o sarcină de localizare în care au vizualizat fețe, scene, obiecte și forme prezentate individual într-un design blocat. B, Manipularea similarității vizuale. Asemănarea elementului B partajat între perechi a fost manipulată parametric. În acest exemplu, forma superioară ar fi fost văzută în perechile AB inițiale, în timp ce rândul de jos reprezintă diferitele forme care ar putea fi văzute la învățarea perechilor BC care se suprapun. Elementul B de legătură prezentat în timpul învățării în perechi suprapuse poate fi fie o potrivire exactă cu itemul B prezentat în timpul învățării perechilor inițiale (AB), o morfologie cu similaritate mare sau cu asemănare scăzută, fie un element nou (adică, nesuprapus). C, Asemănarea subiectivă a stimulilor de formă utilizați pentru elementele care clipesc. Un eșantion independent de participanți a evaluat asemănarea vizuală între formele părinte și formele de formă prezentate unul lângă altul utilizând o scală Likert de 5 puncte (1=deloc asemănătoare, 5=foarte asemănătoare). pp , 0.05 (teste t pereche). Barele de eroare indică 6 SEM.

în episoade înrudite (Eichenbaum și colab., 1999; Schlichting și Preston, 2015; Schapiro și colab., 2017). Cercetările electrofiziologice evidențiază astfel de disocieri reprezentaționale între sub-domenii: ansamblurile DG/CA2,3 provoacă modele distincte de ardere cu doar mici modificări ale trăsăturilor perceptive ale unui mediu, în timp ce modelele de activitate CA1 se schimbă treptat pe măsură ce mediile devin distincte din punct de vedere perceptiv (Leutgeb et al., 2004, 2007). Lucrările paralele la oameni au arătat că modificările activării DG/CA2,3 fac diferența între imagini de obiecte foarte asemănătoare sau obiecte care împărtășesc un context similar, în timp ce răspunsurile CA1 nu o fac (Bakker și colab., 2008; Lacy și colab., 2011; Dimsdale). -Zucker și colab., 2018). Subiculul, structura de ieșire a circuitului hipocampal (O'Mara și colab., 2001), poate contribui atât la diferențierea modelelor (Potvin și colab., 2009), cât și la integrare (Schapiro și colab., 2012).

Cu toate acestea, o astfel de muncă anterioară nu a luat în considerare cummemoriereactivarea conduce strategii de reprezentare disociabile în cadrul hipocampului, permițând învățării reprezentării să depășească o simplă transformare între inputul senzorial extern șimemorieieșire. Modelele clasice de învățare computațională propun astamemoriereprezentările ar trebui să se ajusteze pentru a prezice rezultatele probabile ca răspuns la indicii de mediu, integrarea având loc atunci când stimulii prezic același rezultat și diferențierea atunci când stimulii prezic rezultate distincte (Rumelhart și colab., 1986). Cu toate acestea, descoperirile recente fMRI indică faptul că diferențierea poate apărea și atunci când stimulii au o asociere sau un rezultat comun (Schlichting și colab., 2015; Favila și colab., 2016; Zeithamova și colab., 2018). În aceste studii, reprezentările hipocampului au fost mai distincte pentru stimulii care au avut un rezultat comun decât stimulii cu rezultate diferite. O astfel de diferențiere nu poate fi explicată în termeni de separare automată a intrării externe prin codificare rară în DG/CA2,3; mai degrabă, o perspectivă teoretică recentă o propune în subcâmpurile hipocampale (Ritvo et al., 2019). De asemenea, am emis ipoteza că integrarea și diferențierea nu ar fi rezultate care se exclud reciproc ca răspuns la reactivarea memoriei, dar că reactivarea ar duce în schimb la formarea simultană de reprezentări diferențiate și integrate complementare în DG/CA2,3 și CA1.

Pentru a testa aceste predicții, am manipulat parametric similaritatea perceptivă între evenimentele care se suprapun într-o sarcină de inferență asociativă (Fig. 1). Participanții au studiat perechile inițiale și au fost scanați folosind fMRI de înaltă rezoluție în timp ce învățau perechi suprapuse. Am testatmemoriepentru perechile învățate și cunoștințele deduse ale relațiilor indirecte între perechi, performanța de inferență servind ca indice comportamental de integrare (Shohamy și Wagner, 2008; Zeithamova și colab., 2012). În mod critic, am cuantificat cummemoriereactivarea în timpul învățării evenimentelor suprapuse a afectat reprezentarea subcâmpului hipocampului.

beneficii cistanche pentru sănătate: îmbunătățirea memoriei

Materiale și metode

Participanții

Treizeci și două de persoane dreptaci (15 femei, cu vârsta de 18-31ani, în medie=21.5 ani) au participat după ce și-au dat consimțământul în cunoștință de cauză, în conformitate cu un protocol aprobat de Institutional Review Board de la Universitatea din Texas la Austin. Participanții au primit o compensație de 25 USD/h. Datele de la 6 participanți au fost excluse din analize: 2 participanți din cauza mișcării excesive a capului, 1 participant care s-a retras din experiment, 2 participanți care au avut sesiuni de scanare incomplete (fazele de postexpunere și/sau de localizare nu au fost scanate) și 1 participant pentru artefacte de imagine în scanările funcționale care au împiedicat analiza fazelor de preexpunere și de localizare. Participanții rămași (n=26, 14 femei) au fost incluși în analize. Am determinat dimensiunea finală a eșantionului nostru pe baza unor studii conexe care au folosit paradigme și abordări analitice similare (Zeithamova și colab., 2012; Schlichting și colab., 2015; Dimsdale-Zucker și colab., 2018). În plus, această dimensiune a eșantionului ne-a oferit o putere statistică estimată de 0,99 pentru a detecta un efect al similitudinii vizuale asupra acurateței inferenței între episoade, pe baza datelor pilot de la un grup separat de participanți (n=30, 22 de femei, în vârstă de =30). {23}}ani, medie=18.9 ani; ANOVA cu măsuri repetate care rezultă în h pătrat parțial (h2)=0.280).

Stimuli

Stimuli au fost 58 de fețe necunoscute (jumătate de bărbat, jumătate de femeie, toate albe), 58 de scene necunoscute (jumătate naturale, jumătate create de om), 671 de forme negre generate în MATLAB (pentru mai multe informații, consultați Manipularea similarității vizuale în timpul noii codificări) și 74 de romane. obiecte (Hsu et al., 2014; Schlichting et al., 2015). Un subset de stimuli a fost organizat în 32 de triade constând din trei itemi (A, B, C) care au fost utilizați în sarcina de inferență asociativă (Fig. 1A). Elementele A constau din fețe (16) împărțite în mod egal în funcție de gen și scene (16) împărțite uniform în funcție de naturale și artificiale; toate articolele B au fost forme (56); toate articolele C erau obiecte noi (32). Un alt subset de stimuli (42 de fețe, 42 de scene, 42 de obiecte și 42 de forme) a fost utilizat în sarcina de localizare și nu au fost văzuți în timpul sarcinii de inferență asociativă. Atribuirea stimulilor către triade și sarcina de localizare a fost randomizată între participanți. Stimulii au fost prezentați folosind Psychtoolbox în MATLAB (Brainard, 1997; Pelli, 1997; Kleiner și colab., 2007).

pulbere de cistanche

Procedura sarcinii

Învățare în pereche inițială (AB). Participanții au învățat perechile inițiale (AB) în patru blocuri de studiu-test. În timpul fazei de studiu, fiecare dintre cele 32 de perechi inițiale a fost prezentată timp de 3,5 s cu un interval intertrial 0,5 s (ITI). Elementul A (fața sau scena) a fost întotdeauna prezentat în stânga, iar elementul B (forma) a fost întotdeauna prezentat în dreapta. După ce au studiat toate perechile, participanții au fost testați folosind un 3-test alternativ cu alegere forțată. Participanții au fost indicați cu elementul A din partea de sus a ecranului și au trebuit să aleagă între elementul B corespunzător și două folii. Foliile erau forme din alte triade, astfel încât participanții nu și-au putut baza decizia pe familiaritatea formelor. Participanții au avut 10 s pentru a răspunde la fiecare probă. După răspunsul participantului, feedback-ul corectiv a fost furnizat la sfârșitul fiecărei încercări timp de 1 s. Testele au fost separate de 0,5 s ITI. Imaginile anatomice au fost colectate în această fază.

Manipularea similarității vizuale în timpul noii codificări. Pentru a examina modul în care asemănarea elementelor evenimentului afecteazămemoriereactivarea și comportamentul, similaritatea vizuală a elementului de legătură (forma sau elementul B) în sarcina de inferență asociativă a fost manipulată parametric (Fig. 1B). Am manipulat similitudinea vizuală pe baza unor lucrări anterioare care arată că răspunsurile subcâmpului hipocampului sunt modulate de suprapunerea caracteristicilor vizuale între evenimente (Leutgeb și colab., 2004, 2007; Bakker și colab., 2008; Lacy și colab., 2011). Au existat un total de patru condiții: potrivire exactă, similaritate mare, asemănare scăzută și nou. În condiția de potrivire exactă, participanții au văzut exact aceeași formă de legătură B atunci când învață perechile inițiale (AB) și perechile suprapuse (BC). În condițiile de similaritate ridicată și scăzută, fiecare formă văzută în perechile suprapuse a fost o transformare parametrică a unei forme dintr-una dintre perechile inițiale. Formele „părinte” au fost generate prin luarea a 16 puncte distribuite de-a lungul perimetrului unui cerc, translatarea aleatorie a fiecărui punct și apoi conectarea punctelor adiacente pentru a crea margini folosind interpolarea spline. Formele în condițiile de similaritate ridicată și scăzută au fost generate prin luarea formelor cu doi părinți și realizarea mediei coordonatelor vârfurilor corespunzătoare folosind greutăți diferite. Formele cu similaritate mare au fost ponderate cu 80 la sută pentru o formă de părinte și 20 la sută pentru celălalt părinte, în timp ce formele cu similaritate scăzută au fost ponderate cu 70 la sută pentru un părinte și 30 la sută pentru celălalt. În noua condiție, participanții au văzut o formă nouă asociată cu un obiect nou, făcând ca aceste perechi să nu se suprapună cu perechile inițiale. Noile perechi au servit astfel drept bază pentru învățarea asociativă. Fiecare participant a studiat opt ​​triade pentru fiecare condiție de similaritate vizuală.

Diferențele în similitudinea subiectivă între itemii cu similaritate mare și scăzută au fost confirmate într-un eșantion independent de 9 participanți (8 femei, cu vârsta de 18-22ani, medie=19,4 ani). Participanții la acest eșantion au evaluat asemănarea vizuală între formele părinte și formele de formă prezentate unul lângă altul folosind o scală Likert de 5 puncte (1=deloc asemănătoare, 5=foarte asemănătoare) în 180 încercări . Potrivirile exacte au fost evaluate ca fiind mai asemănătoare decât formele cu similaritate mare (t(8) {{10}}.255, p , 0.001, d{=2}.085 al lui Cohen), morfologia cu similaritate mare au fost evaluate ca fiind mai asemănătoare decât morfologia cu similaritate scăzută (t(8)=9.312, p,0.001, d=3.104), iar morfologia cu similaritate scăzută au fost evaluate ca fiind mai asemănătoare decât noi elemente (t(8)=10.021, p,0.001, d{=3.340). Un avertisment pentru cuantificarea similarității subiective folosind această abordare este că comparația nu implică amemoriecomponenta. Este posibil ca, dacă am inserat o întârziere între prezentarea a două forme, funcția de similaritate subiectivă observată (Fig. 1C) să fi diferit; de exemplu, diferențele de similaritate subiectivă dintre condițiile de similaritate ridicată și scăzută ar fi putut fi mai puțin pronunțate. Deși această avertizare de măsurare ar putea influența interpretarea judecăților de similaritate subiectivă în sine, are un impact mai mic asupra interpretării analizelor noastre comportamentale și neuronale centrale. Observăm diferențe în-memorieperformanța și reactivarea între condițiile de similaritate (inclusiv condițiile ridicate și scăzute) care indică cele patru condiții de similaritate afectate în mod diferențial de procesare (vezi Rezultate). În plus, analizele noastre neuronale care evaluează schimbările reprezentaționale legate de învățare se concentrează doar pe condiția de similaritate ridicată și nu se bazează pe comparații cu celelalte condiții de similaritate (vezi Expunerea elementelor individuale înainte și după învățare).

Învățare în pereche suprapusă (BC). După ce participanții au învățat perechile inițiale, au fost scanați în timp ce învățau perechile care se suprapun. Această fază a constat din nou din patru blocuri de studiu-test. În timpul fazei de studiu, cele 32 de perechi au fost prezentate folosind un design legat de evenimente, cu perechile prezentate timp de 3,5 s urmate de 8,5 s ITI de fixare. Elementul C (obiectul) a fost întotdeauna prezentat în stânga, iar elementul B (forma) a fost întotdeauna prezentat în dreapta. După fiecare fază de studiu, participanții au fost testați pe perechile BC folosind un 3-test alternativ cu alegere forțată, care nu a fost scanat. Participanții au fost indicați cu elementul C în partea de sus a ecranului și au trebuit să aleagă între elementul B corespunzător și două folii. Feedback-ul nu a fost oferit în această fază. Participanții au avut 10 s pentru a răspunde la fiecare probă de testare, iar încercările au fost separate de 0,5 s ITI.

Expunerea la elemente individuale înainte și după învățare. Înainte de a învăța perechile inițiale și după învățarea perechilor care se suprapun, participanții au fost expuși la elementele A și C prezentate individual (fețe, scene și obiecte) din condiția de similaritate ridicată. Aceste faze de expunere au fost limitate la o singură condiție de similaritate vizuală pentru a maximiza numărul de prezentări pentru fiecare stimul și pentru a îmbunătăți estimarea modelelor de activare legate de sarcini (vezi Estimarea modelelor de stimuli individuale înainte și după învățare). Utilizarea unei singure condiții de similaritate ne-a permis, de asemenea, să controlăm efectele similarității vizuale atunci când calculăm schimbarea reprezentativă. Condiția de similaritate vizuală ridicată a fost utilizată deoarece lucrările anterioare la oameni au arătat că stimuli foarte similari vizual provoacă răspunsuri diferențiate în DG/CA2,3 și CA1 (Lacy și colab., 2011).

În fiecare cursă de expunere, participanții au fost scanați în timp ce articolele au fost prezentate timp de 1 s cu un ITI de 3 s. În timp ce fiecare element era pe ecran, participanții au finalizat o sarcină de detectare a modificării indicând prin apăsarea unui buton dacă o cruce neagră suprapusă și-a schimbat culoarea în verde sau albastru 100-200ms după declanșarea stimulului (Kriegeskorte și colab., 2008; Schlichting și colab. al., 2015). Au existat patru repetări ale fiecărui element per cursă și un total de patru curse fiecare în fazele de pre-expunere și post-expunere. Studiile au fost pseudorandomizate, astfel încât elementele dintr-o triadă au fost prezentate cu cel puțin doi itemi intercalați din alte triade. În plus, 20 la sută din încercări au fost nule (adică nu a existat nicio sarcină de detectare a obiectelor sau modificărilor) pentru a îmbunătăți estimarea activării la nivel de articol în analiză; aceste studii nule au fost plasate aleatoriu între studiile de prezentare a itemilor. Ordinea și timpul de încercare au fost identice în fazele de pre-expunere și post-expunere. Precizia sarcinii de detectare a schimbării a fost monitorizată pentru a se asigura că participanții acordau atenție sarcinii, dar nu a fost luată în considerare în continuare.

A existat, de asemenea, o fază de preexpunere nescanată pentru articolele din potrivirea exactă, similaritate scăzută și condiții noi care au apărut înainte de prima rulare de preexpunere scanată. Scopul acestei faze a fost de a echivala familiaritatea itemilor A și C în potrivirea exactă, asemănarea scăzută și condițiile noi cu elementele în condiția de similaritate ridicată înainte de învățarea în pereche. Expunerea nescanată a fost similară cu fazele de expunere scanate, cu excepția faptului că ITI a fost de 0,5 s și nu au existat încercări nule.

Test de inferență asociativă (AC). După faza de postexpunere, participanților li s-a oferit un test surpriză privind relațiile indirecte dintre itemii A și C care aveau un asociat comun (B). Testul de inferență a fost efectuat în interiorul scanerului, dar nu a fost scanat. În această fază, participanții au fost indicați cu elementul C (obiect) și puteau alege dintre articolele A din aceeași categorie (adică, trei fețe sau trei scene). La încercările pe față, participanții au fost instruiți să aleagă persoana care va deține, cel mai probabil, obiectul indicat. La încercările de la scenă, ei au fost instruiți să aleagă locația în care vor găsi cel mai probabil obiectul indicat. În mod critic, participanții nu au fost în niciun moment instruiți în mod explicit despre manipularea similarității vizuale sau suprapunerea în învățare. Participanții au avut 10 s pentru a răspunde. Nu a fost oferit niciun feedback.

Localizator. După testul de inferență, participanții au fost scanați într-o sarcină de localizare. În această sarcină, participanții au văzut o serie de stimuli din cele patru categorii de stimuli utilizate în experiment: fețe, scene, forme și obiecte. Stimulii au fost prezentați într-un design blocat, fiecare bloc constând din opt imagini prezentate timp de 2,5 s fiecare cu 0,5 s ITI. În timpul fiecărui bloc de stimul, participanții au completat un one-backmemoriesarcină în care trebuiau să detecteze un stimul repetat. A existat câte un stimul repetat în fiecare bloc. Precizia sarcinii one-back a fost monitorizată pentru a se asigura că participanții acordau atenție sarcinii, dar nu a fost luată în considerare în continuare. Blocurile au fost separate prin 8 s de fixare. Participanții au finalizat trei rulări ale sarcinii de localizare, cu două blocuri per tip de stimul per rulare.

Colectarea și preprocesarea datelor fMRI

Datele au fost colectate cu un 3T Siemens Skyra. Au existat un total de 15 scanări funcționale (TR=2000 ms, TE=30 ms, unghi de răsucire=73 grade, voxeli izotropi de 1,7 mm, EPI, factor de accelerație multibandă{{8} }) în fazele de preexpunere, studiu de perechi suprapuse, postexpunere și localizare. Trei hărți de câmp (TR=589 ms, TE{{10}} ms/7,46 ms, 1.5 1.{5 2 mm voxeli, unghi de răsturnare{{16} } grad) au fost colectate pentru a corecta distorsiunile în câmpul magnetic: unul imediat înainte de faza de preexpunere pentru a corecta scanările de preexpunere, unul înainte de faza de studiu cu perechi suprapuse pentru a corecta scanările de studiu și postexpunere și unul înainte de faza de localizare pentru a corecta scanări ale localizatorului. Volumul MPRAGE 3D ponderat AT1-a fost colectat (TR=1900 ms, TE{=2,43ms, unghi de inversare{=9 grade, voxeli izotropi de 1 mm) pentru a facilita alinierea și normalizarea datele funcționale la un șablon anatomic. Au fost colectate două scanări structurale coronale T2-ponderate, aliniate perpendicular pe axa lungă a hipocampului (TR=13, 150 ms, TE{=82 ms, 0,4 mm în plan, 1,5 mm prin -plan) și apoi mediat pentru segmentarea subcâmpului.

Imaginile funcționale și anatomice au fost preprocesate folosind FMRIB Software Library versiunea 5.0.9 (FSL: http://fsl.fmrib.ox.ac.uk/fsl/) și Advanced Normalization Tools (ANTS) versiunea 2.1 ( Avants et al., 2011). Scanările funcționale au fost corectate în funcție de mișcare folosind MCFLIRT în FSL și apoi înregistrate în studiul final de pereche suprapusă folosind transformări afine în ANTS. Structurile non-cerebrale au fost eliminate din scanările funcționale și MPRAGE folosind BET în FSL. Prelucrarea suplimentară a datelor a fost efectuată folosind FEAT (FMRI Expert Analysis Tool) versiunea 6.00, parte a FSL. Următoarele procesări statistice au fost aplicate tuturor imaginilor funcționale; co-înregistrarea cu MPRAGE și deformarea EPI bazată pe hartă de câmp folosind FUGUE (Jenkinson, 2003); normalizarea intensității medii mari a întregului set de date 4D printr-un singur factor multiplicativ; filtrare temporală trece-înaltă (potrivire în linie dreaptă cu cele mai mici pătrate ponderate gauss, cu s =64 s). Netezirea spațială folosind un nucleu gaussian de FWHM 4 mm a fost aplicată scanărilor de învățare și localizare a perechilor suprapuse.

la ce se folosește cistanche: îmbunătățirea memoriei

Rentabilitatea investiției

ROI-urile anatomice au inclus materia cenușie a întregului creier pentru analiza de reactivare și subcâmpurile hipocampului pentru analiza de codificare neuronală. O mască de materie cenușie pentru întregul creier a fost creată pentru fiecare participant în spațiul nativ folosind FAST (Zhang și colab., 2001), parte a FSL, cu MPRAGE. Măștile de materie cenușie au fost apoi mutate în rezoluție funcțională folosind transformări liniare în ANTS. În cadrul hipocampului, au fost analizate modelele de activare în subcâmpurile CA1, o regiune combinată DG/CA2,3 și subiculul. Subcâmpurile hipocampului au fost identificate în capul și corpul hipocampului în spațiul nativ prin măști de normalizare inversă de la un șablon open-source cu subcâmpuri segmentate (Schlichting și colab., 2019) la imaginea coronală T2 medie a fiecărui participant folosind SyN neliniar. transformări în ANTS. S-a demonstrat că această procedură oferă rezultate comparabile cu urmărirea manuală (Schlichting et al., 2019). Măștile au fost apoi inspectate și editate manual pentru fiecare participant pentru a elimina voxelii din afara hipocampului și pentru a asigura o segmentare precisă pe baza protocoalelor stabilite (West și Gundersen, 1990; Duvernoy, 1998; Mai și colab., 2007). În cele din urmă, măștile de subcâmp au fost transformate în spațiul scanărilor funcționale prin înregistrarea mai întâi a imaginii coronale medii la MPRAGE folosind transformări liniare și apoi aplicând transformarea calculată anterior la spațiul funcțional.

Cuantificare și analiză statistică

Decodarememoriereactivare în timpul învățării evenimentelor suprapuse. Pentru a măsura reactivarea modelelor de codificare legate de perechile inițiale în timpul învățării perechilor suprapuse, am folosit o analiză de clasificare a modelelor în PyMVPA (Hanke și colab., 2009). Dacă participanții au reactivat informațiile conexe (adică, elementele față și scena A din perechile AB) atunci când învață perechi suprapuse (perechi formă-obiect BC), atunci un clasificator de model antrenat pe datele localizatorului ar trebui să fie sensibil la categoria de informații (fie față sau scenă) care este reactivată (Polyn și colab., 2005; Kuhl și colab., 2011; Zeithamova și colab., 2012). Astfel, am antrenat clasificatorul de modele cu date din faza de localizare și apoi am aplicat clasificatorul la faza de învățare a perechilor suprapuse. Ne-am operaționalizatmemoriereactivarea ca dovadă clasificatoare pentru categoria elementelor A (adică, față sau scenă) din perechile AB inițiale legate de perechile BC suprapuse.

Am măsuratmemoriereactivare folosind o procedură în mai multe etape. În primul rând, am rulat un reflector pentru întregul creier (Kriegeskorte și colab., 2006) pentru a identifica regiunile în care informațiile despre elementele A au fost restabilite în timpul învățării în perechi suprapuse. În fiecare sferă de reflectare (voxeli cu rază=3, voxeli cu volum=123), a fost antrenată o mașină de vector de suport liniar pentru a diferenția tiparele neuronale de faza de localizare asociată cu fețele, scenele, obiectele și formele. Pentru a ține seama de decalajul hemodinamic, fiecare imagine funcțională a fost etichetată prin luarea etichetelor de probă și deplasarea lor înainte cu 4 s (două TR). Clasificatorul antrenat a fost apoi aplicat modelelor neuronale din faza de învățare a perechilor suprapuse, care a fost, de asemenea, decalată în timp cu 4 s. Estimările de reactivare la nivel de probă au fost extrase prin luarea dovezilor clasificatorului pentru categoria asociată cu elementul A al fiecărei triade (de exemplu, dovezi ale clasificatorului pentru fețe pentru triadele față-formă-obiect) pentru cele două TR corespunzătoare prezentării fiecărei perechi. Valorile dovezilor clasificatorului au fost sortate în două seturi: un set de reactivare

și un set de linii de bază. Setul de reactivare conținea valori ale dovezilor clasificatorului din studiile de potrivire exactă, similaritate ridicată și similaritate scăzută. Setul de referință a conținut valorile dovezilor de față și de scenă din studiile în noua condiție. Deoarece perechile formă-obiect în noua condiție nu s-au suprapus cu niciuna dintre perechile învățate anterior, ele nu ar trebui să provoace reactivarea amintirilor feței sau scenei. Indicele final de reactivare a fost calculat în fiecare sferă luând diferența dintre dovezile medii pentru setul de reactivare și media setului de referință.

Pentru a testa semnificația acestui indice de reactivare, am comparat indicele de reactivare real cu o distribuție nulă în fiecare sferă de reflectoare. Distribuția nulă a fost creată pe 1000 iterații prin amestecarea valorilor dovezilor clasificatorului în seturile de reactivare și de referință și apoi recalculând indicele de reactivare la fiecare iterație. Voxelul central al fiecărei sfere de reflectare a raportat proporția distribuției nule cu indici de reactivare mai mari sau egali cu indicele de reactivare observat (adică, valoarea p). Pentru a identifica regiunile de reactivare ale participanților, hărțile reflectoarelor individuale ale participanților au fost normalizate la un șablon de grup pentru testarea semnificației. Imaginile cu valoarea p au fost convertite în imagini z-statistice și apoi deformate la șablonul anatomic MNI 152 (reeșantionat la rezoluția scanărilor funcționale, voxeli izotropi de 1,7 mm) folosind transformări neliniare SyN în ANTS. În ceea ce privește Voxelwise, testarea permutării neparametrice a fost efectuată folosind Randomise în FSL peste 5000 de iterații (Winkler și colab., 2014). Clusterele semnificative au fost identificate prin aplicarea unui prag voxel de p, 0,01 (necorectat) și a unui prag de cluster de p, 0,05. Pragurile au fost calculate utilizând funcția AFNI (Cox, 1996) 3dClustSim cu estimări de netezime derivate din faza de studiu folosind 3dFWHMx pe baza funcției de autocorelare spațială. Extinderea clusterului a fost determinată utilizând pragul pe două fețe cu gruparea vecinului al doilea cel mai apropiat.

Pentru a confirma că măsura de reactivare nu a fost determinată de o singură categorie de stimul, am interogat în continuare grupurile de reflectoare pentru a testa dacă reactivarea a variat în funcție de categoria de stimul (față sau scenă) a articolului A într-o analiză post-hoc. Clusterele semnificative identificate în analiza reflectorului de reactivare au fost convertite în măști binare și normalizate invers în spațiul nativ folosind ANTS. Apoi, analiza de reactivare a fost repetată în fiecare ROI funcțional pentru fiecare participant. Am folosit ANOVA cu măsuri repetate cu regiunea și categoria de stimul ca factori pentru a evalua dacă reactivarea în fiecare regiune diferă în funcție de categoria de stimul.

În timp ce analiza noastră inițială a reflectorului a localizat regiunile în care reactivarea a avut loc deasupra liniei de bază, am rulat și un proiector independent pentru a identifica regiunile în care puterea de reactivare a variat în funcție de similitudinea vizuală. Acest proiector a folosit o abordare similară a analizei de măsurare a reactivării generale, dar cu un nivel suplimentar care a comparat dovezile clasificatorului pentru reactivare între condiția de potrivire exactă și celelalte condiții de similaritate (adică condiția de similaritate mare și condiția de similaritate scăzută combinate). Efectul similarității a fost calculat în fiecare sferă, luând diferența dintre dovezile medii pentru condiția de potrivire exactă și dovezile medii pentru condițiile de similaritate ridicată și scăzută combinate. Această diferență a fost apoi comparată cu o distribuție nulă în fiecare sferă a reflectorului, care a fost creată în peste 1000 de iterații prin amestecarea valorilor dovezilor clasificatorului în condițiile exacte de potrivire și similitudine. Normalizarea la șablonul de grup, testarea statistică și corecția clusterului au fost identice cu reactivarea de identificare a reflectorului deasupra liniei de bază.

Estimarea modelelor de stimuli individuale înainte și după învățare. Am obținut estimări ale modelelor de activare neuronală obținute de fiecare dintre stimulii A (fețe, scene) și C (obiecte 3D noi) din fazele de preexpunere și postexpunere folosind un GLM cu o abordare separată cu cel puțin pătrate (Mumford și colab., 2012). ) în spațiul nativ al fiecărui participant. Fiecare dintre cele 16 obiecte din fazele de expunere scanate (adică, cele opt elemente A și opt articole C din condiția de similaritate ridicată) au fost modelate iterativ în fiecare cursă a fazelor de pre-expunere și post-expunere separat (Schlichting et al., 2015).

extract de cistanche tubolosa: îmbunătățește memoria

Prezentările obiectelor au fost modelate ca un eveniment de 1 s, iar regresorul pentru fiecare obiect a inclus toate cele patru repetări într-o rulare de scanare. Fiecare dintre cei 16 regresori obiect a fost implicat cu dublu C HRF canonic. Apoi a fost aplicată filtrarea temporală. GLM-urile au inclus regresori confuzi suplimentari: parametrii de mișcare, derivatele lor temporale, deplasarea în funcție de cadru și DVARS (Power și colab., 2012; Schlichting și Preston, 2014; Schlichting și colab., 2015). Au fost adăugați regresori de mișcare suplimentari pentru momentele în care mișcarea capului a depășit atât 0,5 mm pentru deplasarea pe cadru, cât și modificarea de 0,5 procente a semnalului BOLD pentru DVARS (Power et al., 2012). Imaginile beta au fost generate pentru fiecare articol A și C pentru fiecare cursă de pre-expunere și post-expunere, însumând 128 de imagini statistice per participant.

Cuantificarea modificărilor legate de învățare în similitudinea neuronală a subcâmpului hipocampului. Diferențierea modelului șimemorieintegrarea în hipocamp au fost indexate folosind o analiză de similaritate reprezentațională (Kriegeskorte și colab., 2008) implementată în PyMVPA (Hanke și colab., 2009). Proiectoarele au fost executate separat în cadrul DG/CA2,3, CA1 și subiculului definit anatomic în spațiul nativ al fiecărui participant. În cadrul fiecărei sfere de reflectare (voxeli de rază=2, voxeli de volum=33) (Schapiro et al., 2012), au fost generate matrici de similaritate prin calcularea valorilor de corelație Pearson pe perechi pentru cele 128 de imagini statistice corespunzătoare A. și elementele C din ciclurile de pre-expunere și post-expunere, transformate în z-ul lui Fisher. Apoi, modificarea similitudinii modelului datorată învățării a fost măsurată prin scăderea valorilor similarității preexpunere din valorile similarității postexpunere în celulele corespunzătoare.

După ce a fost calculată modificarea similitudinii modelului (denumită în continuare D), valorile D au fost sortate în funcție de faptul dacă valoarea a fost pentru o comparație în cadrul triadei sau o comparație între triade. Aceste două seturi de valori ne-au permis să determinăm modul în care schimbarea reprezentativă a fost influențată de suprapunerea evenimentelor din cauza învățării (set de comparație în cadrul triadei) în raport cu o linie de bază care reflecta pur și simplu expunerea repetată fără suprapunere a evenimentelor (set de comparație între triade). Foarte important, numai valorile D care reflectau corelațiile între runde au fost utilizate pentru a reduce părtinirea care ar putea fi introdusă din autocorelație în semnalul BOLD (Mumford și colab., 2012).

Pentru a evalua efectul reactivării în timpul învățării asupra schimbării reprezentaționale, valorile D în cadrul triadei au fost subdivizate în continuare pe baza puteriimemoriereactivarea în timpul învăţării perechilor suprapuse. Pentru fiecare participant, puterea de reactivare a fost calculată pentru fiecare triadă luând indicele mediu de reactivare în rețeaua de regiuni identificate în analiza reflectorului de reactivare (a se vedea Fig. 3A), mediat pe blocurile de studiu. Triadele au fost apoi împărțite în triade de reactivare mai puternice și triade de reactivare mai slabe folosind o împărțire mediană a valorilor medii de reactivare. Astfel, comparațiile în interiorul triadei D au fost sortate în continuare într-un set D cu reactivare mai puternică în interiorul triadei D și într-un set D cu reactivare mai slabă în interiorul triadei D în fiecare sferă a reflectorului. În cele din urmă, toate seturile D au fost mediate pentru a crea trei valori rezumative: modificarea medie a similarității în interiorul triadei pentru triadele de reactivare mai puternice (DWithin stronger), modificarea medie a similitudinii în interiorul triadei pentru triadele de reactivare mai slabe (DWithin mai slabă) și modificarea medie a similarității între triadele (de-a lungul). Am comparat aceste valori rezumative pentru a determina dacă codarea neuronală a variat în funcție de puterea de reactivare.

Codarea neuronală a fost evaluată folosind patru contraste de reflectoare (Schlichting și colab., 2015) (vezi Fig. 4B). Două analize au identificat voxeli hipocampali pentru care au existatmemorieintegrare sau diferențiere în toate triadele, indiferent de puterea de reactivare. IntegrationOverall a fost calculată ca (în cadrul mai puternic – DAcross) 1 (în cadrul mai slab – DAcross), reflectând o mai mare similitudine în interiorul triadei decât între triade după învățarea la toate gradele de reactivare. Diferențierea generală a fost calculată ca (DAcross – DWin mai puternic) 1 (DAcross – DWin mai slab), reflectând mai puțină similitudine în interiorul triadei decât între triade în toate gradele de reactivare. Două analize suplimentare au identificat voxeli pentru care codarea neuronală a variat în funcție de puterea de reactivare (IntegrationReactivation și DifferentiationReactivation). Reflectorul IntegrationReactivation a identificat voxeli pentru care integrarea a avut loc într-o măsură mai mare pentru triade de reactivare mai puternice. IntegrareReactivarea a fost calculată ca (în cadrul mai puternic – DWat mai slab). În schimb, reflectorul DifferentationReactivation a identificat voxeli pentru care diferențierea a avut loc într-o măsură mai mare pentru triadele de reactivare mai puternice. DiferențiereaReactivarea a fost calculată ca (în cadrul mai slab – DWat mai puternic).

Semnificația fiecăruia dintre aceste calcule a fost determinată prin compararea valorilor de modificare a similitudinii calculate cu o distribuție nulă în fiecare sferă a reflectorului. Distribuția nulă a fost creată în 1000 de iterații prin amestecarea celulelor în interiorul mai puternic, în interiorul mai slab și între seturi și apoi recalculând statistica de interes pentru fiecare iterație. Voxelul central al fiecărei sfere de reflectare a raportat proporția distribuției nule cu valori mai mari sau egale cu modificarea de similaritate observată (adică, valoarea p). Au fost identificate grupuri semnificative folosind aceeași metodă ca și proiectoarele de reactivare, cu excepția faptului că imaginile z-statistice au fost deformate la un șablon hipocampal cu rezoluție funcțională, mai degrabă decât șablonul MNI reeșantionat pentru analiza la nivel de grup. Hărțile reflectorului normalizate au fost apoi mascate de fiecare șablon anatomic de subcâmp hipocampal înainte de corecția clusterului pentru a se asigura că clusterele erau exclusive pentru fiecare subcâmp hipocampal.

Analizele post-hoc au interogat în continuare direcția schimbării reprezentaționale observată în fiecare subcâmp identificat din această analiză reflector. Un avertisment important pentru aceste analize post-hoc este că nu sunt complet imparțial, deoarece compară seturi de voxeli preselectate pentru a prezenta efecte specifice bazate pe contrastele reflectoarelor. Astfel, analizele noastre de urmărire nu au comparat direct valorile interne pentru elementele de reactivare mai puternice și mai slabe. Analizele noastre post-hoc s-au concentrat în schimb asupra mărimii valorilor DAcross pentru a testa dacă au existat schimbări globale ale similitudinii neuronale în fazele de preexpunere și postexpunere, în plus față de compararea valorilor DWithin cu valorile DAcross pentru a cuantifica gradul de integrare și diferențiere legate de învățare.

Pentru aceste analize post-hoc, a fost calculată modificarea similarității în DG/CA2, 3, CA1 și subiculum pentru fiecare participant în spațiul nativ. Grupurile de reflectoare identificate de analizele grupului de proiectoare au fost convertite în măști și normalizate invers în spațiul nativ al fiecărui participant folosind transformări neliniare în ANTS. Pentru fiecare participant, grupurile spațiale native au fost apoi dilatate cu FSL folosind o casetă de 3 3 3 mm ca nucleu. Pentru a se asigura că grupurile au fost încă limitate la subcâmpul respectiv atunci când au fost convertite în spațiul nativ al participantului, fiecare grup a fost mascat folosind măști de subcâmp anatomice definite pentru fiecare participant în parte. Un participant a avut un grup CA1 în spațiul nativ fără un număr suficient de voxeli pentru analiza similarității reprezentaționale (10 voxeli) și a fost exclus din analiza ulterioară a acestui subcâmp. Pentru participanții rămași, am calculat modificarea medie a similarității în cadrul fiecărui grup separat pentru triadele asociate cu o reactivare mai puternică în timpul învățării, cele asociate cu o reactivare mai slabă în timpul învățării și linia de bază între triade.

Cuantificarea relației dintre măsurile neuronale și comportament. Relația dintre comportament și măsurile noastre neuronale ale reactivării și schimbării reprezentaționale a fost evaluată folosind un model de acumulator balistic linear (LBA) pentru a se potrivi performanței testului de inferență (Morton și colab., 2020). Pentru fiecare participant și subcâmp (CA1, DG/CA2,3 și subicul), am calculat scorul z al schimbării de similitudine între itemii A și C de la învățare la post-învățare (D) pentru fiecare triadă. De asemenea, am calculat scorul z al reactivării articolului A în triade pentru fiecare participant. Apoi am folosit modelul LBA pentru a se potrivi răspunsurilor comportamentale și timpilor de răspuns în timpul testului de inferență AC, folosind schimbarea similarității și reactivarea ca predictori ai variabilității între triade. Am folosit o abordare bayesiană pe mai multe niveluri pentru a estima parametrii pantei medii care reflectă relația dintre măsurile neuronale și performanța inferenței AC. Pantele pozitive pentru măsurile D indică valori mai mari de similaritate între itemii A și C după ce învățarea sunt asociate cu o inferență mai rapidă și mai precisă. Pantele pozitive pentru măsura de reactivare indică faptul că o reactivare mai mare este asociată cu o inferență mai rapidă și mai precisă.