Partea 3: Ce sunt codurile neuronale ale memoriei în timpul somnului?

pentru mai multe informații:ali.ma@wecistanche.com

Vă rugăm să faceți clic aici pentru partea 2

Ritmuri cerebrale în somn

Oscilație lentă (0,5–1 Hz)

În timpul SWS, activitatea neocorticală afișează unde lente sincronizate între 0.5 și 1 Hz, care sunt asociate cu alternanță între hiperpolarizarea extinsă și declanșarea neuronală redusă în timpul stării JOS și stările SUS care sunt asociate cu depolarizarea extinsă și creșterea neuronului. tragere. Oscilațiile corticale lente ajung și afectează și circuitele hipocampale și talamice.

Undă Delta (1–4 Hz)

Undă cerebrală de mare amplitudine cu o frecvență de oscilație între 1 și 4 Hz. Este proeminent în timpul SWS.

Oscilație theta (4–9 Hz)

În timpul somnului REM, hipocampul rozătoarei prezintă oscilații theta similare cu cele observate în timpul explorării în stare de veghe.

Oscilația axului (9–15 Hz)

În timpul SWS, talamusul și neocortexul prezintă explozii scurte de oscilații EEG între 9 și 15 Hz, care durează de obicei 0.5-2 secunde. Fusele de somn apar adesea în starea UP neocorticală și sunt aliniate temporal cu ondulațiile hipocampale.

Oscilație gamma (35–120 Hz)

În timpul SWS, înregistrările EEG umane și rozătoare arată oscilații gamma în benzi de frecvență joasă (35–50 Hz) și înaltă (60–120 Hz).

Ondulări ascuțite ale hipocampului (SWR, 150–300 Hz)

Complexul SWR constă din unde ascuțite de amplitudine mare în LFP hipocampal și activitate oscilatoare LFP rapidă asociată filtrată între 150 și 300 Hz, care durează de obicei 50-100 milisecunde. Exploziile de SWR pot dura până la 400 de milisecunde.

Caseta 2

Metode pentru analizarea activității de vârf asociate somnului

Faceți clic pe Cistanche în urdu pentru îmbunătățirea memoriei

Analiza corelației

Analiza corelației calculează puterea corelației Pearson între doi neuroni pe baza activităților lor de declanșare în WAKE și SLEEP; puterea zero-lag, co-activarea declanșării celulelor în perechi determină similitudinea dintre modelele de declanșare neuronale în WAKE și SLEEP [9]. Metoda „varianță explicată” evaluează cât de multă variație suplimentară în corelația post-SLEEP poate fi explicată prin valorile din WAKE, luând în considerare structura pre-SLEEP [11].

Potrivirea șablonului

Potrivirea șablonului compară două matrice de numărare a vârfurilor (aranjate în celulă după timp) care sunt împărțite temporal și netezite [12,31,42] și evaluează dacă reactivarea activității perechi este coerentă între ansamblurile neuronale. Rezultatul potrivirii șablonului este sensibil la dimensiunea bin-ului temporal și puterea de corelație variază între diferitele scale de timp comprimate.

Potrivirea secvenței

Potrivirea secvenței este o metodă combinatorie pentru examinarea tiparelor de declanșare secvențiale ale activității de creștere a populației. Acesta calculează probabilitatea de potrivire prin conversia ordinelor neuronale de declanșare într-un cuvânt, compară probabilitatea de potrivire între două cuvinte (unul în WAKE și celălalt în SLEEP) și determină semnificația statistică a potrivirii [26,32]. Metoda de potrivire a secvenței este sensibilă la sincronizarea vârfurilor (și, în consecință, la detectarea și sortarea vârfurilor) și la numărul de celule activate în SLEEP.

Analiza componentelor principale și analiza componentelor independente

Analiza componentelor principale (PCA) extinde metoda de corelație și evaluează asemănarea dintre două matrice de corelație între TREGI și SOMMN [43,58]. Acesta calculează puterea de reactivare între două șabloane și oferă o măsură de asemănare instant cu instantanee între WAKE și SLEEP. O valoare mare a puterii de reactivare indică o asemănare bună (Fig. 4a). Cu toate acestea, puterea de reactivare este corelată pozitiv cu rata de declanșare neuronală și nu dezvăluie în mod directmemorieconținutul modelelor de tragere ansamblu. Metoda PCA presupune că statistica de corelație este staționară atât în ​​WAKE, cât și în SLEEP, ceea ce este cea mai puternică limitare în prezența datelor neuronale nestaționare. Analiza independentă a componentelor (ICA) extinde metoda PCA și găsește un spațiu de proiecție liniar care separă sursele independente statistic. Metoda ICA este similară conceptual cu metoda PCA, cu excepția faptului că există un pas suplimentar ICA urmat de PCA [59]. Atât PCA, cât și ICA aparțin metodei subspațiului liniar, prin urmare nu pot surprinde nicio transformare neliniară, iar puterile lor de reactivare sunt corelate pozitiv cu puterea pătratică a ratei de ardere temporală per se.

Analiza topologică

O topologie algebrică este un instrument matematic care a fost împrumutat pentru a studia codificarea neuronală a hipocampului pentru topologia spațială [60–62]. Scopul este să calculeze proprietăți topologice abstracte din obiectul topologic derivat și să le utilizeze pentru a deriva o relație de grup în cadrul neuronilor.

Decodificarea populației

Decodificarea populației este o abordare computațională care utilizează statistici sau teoria informațiilor pentru a extrage informații cantitative din activitatea de vârf a ansamblului neuronal [63]. Abordarea decodării populației face anumite ipoteze statistice despre activitatea de creștere a populației (de exemplu, ipoteza Poisson independentă) și folosește probabilitatea sau inferența bayesiană pentru a decoda conținutul codurilor populației. Este supravegheată o clasă de abordare a decodării, care necesită informații despre câmpul receptiv despre neuronii individuali [64,65]; o altă clasă de abordare a decodării este nesupravegheată, care nu necesită câmp receptiv sau măsură de comportament [66–68] (Fig. 4b). Comparații sistematice ale acestor două tipuri de metode de decodare a populației într-un hipocamp asociat somnuluimemoriestudiu sunt raportate în [69].

Caseta 2 FIGURA I. Evaluarea imparțială a codurilor populației neuronale asociate somnului

(a) Analiza componentelor principale (PCA) pentru calcularea similitudinii a două șabloane de matrice de corelație din numărul de vârfuri ale populației (WAKE și SLEEP) și evaluarea puterii de reactivare în timpul somnului (reprodus cu permisiunea, [43]). În WAKE, {λ,1,p1} sunt asociate cu componenta principală dominantă (PC) extrasă din PCA. În SLEEP, puterea de reactivare variabilă în timp este calculată. (b) Decodificarea populației nesupravegheată folosind un model Markov ascuns cu stări finite (HMM). Mai exact, mediul spațial este reprezentat de un spațiu finit de stări discrete. Traiectorii prin locații spațiale („stări”) sunt asociate cu modele consecvente de vârfuri de ansamblu hipocamp, care sunt caracterizate de o matrice de tranziție a stărilor. Din matricea de tranziție a stărilor se deduce un grafic de topologie care definește conectivitatea în spațiul de stări [69]. În aceste două metode, nu se face nicio presupunere cu privire la RF neuronal, iar dimensiunea recipientului în Post-SLEEP este independentă de dimensiunea recipientului utilizat în WAKE. Deoarece ordinea WAKE și SLEEP poate fi schimbată, se pot aplica mai întâi aceste metode datelor SLEEP și apoi se pot examina semnificațiile lor în comportamentul WAKE; prin urmare, ambii cad în noua paradigmă („memorieîntâi, adică mai târziu").

Caseta Trends

Talamusul (o structură subcorticală) joacă un rol important în controlul senzorial,

reglarea excitării și generarea fusurilor de somn talamocorticale. A diseca complet

asociat somnuluimemorie, este esențial să înțelegem comunicațiile în trei căi

dintre circuitele hipocampo-neocorticale, talamocorticale, cortico-talamice în somn.

Combinând electrofiziologia, imagistica, realitatea virtuală și optogenetica în

investigațiile experimentale ne pot extinde în mod semnificativ înțelegerea neuronale

codurile care stau la bazamemoriesi dormi.

Optogenetica sa dovedit puternică pentru a testa rolul cauzal al circuitelor neuronale în

memorieconsolidare și este valoroasă pentru a creaamintiri false. Găsirea eficientă

mijloace de consolidareamintiri falsepoate avea un impact semnificativ asupra viitorului

comportament.

Reducerea decalajelor de cercetare dintre rozătoare și primatele non-umane/umane în

studiile de somn sunt cheia pentru disecția mecanismelor circuitelor în consolidarea diverselor

forme deamintiriși pentru a oferi mai multe perspective în tratamentul bolilor neurologice

și boli psihiatrice.

Întrebări restante

CE: reprezentare — conținutul somnului asociatmemorieîn rețea hipocampo- neocorticală. Activitatea de vârf asociată somnului are vreo reprezentare semnificativă și cum să le evaluăm semnificația? Are conținutul somnului asociatmemorieîntr-o regiune a creierului ajuta la descifrarea conținutului de somn asociatmemoriein alta regiune?

CÂND: coordonare temporală — momentul dememoriereactivare (de exemplu, evenimente ondulate și axă coincidente sau non-coincidente) și rolurile lor funcționale distincte. Cum evoluează coordonarea hipocampo-neocorticală în diferite stadii de somn?

UNDE: Amintirile episodice constau din secvențe spațio-temporale din experiențele comportamentale, inclusiv codificarea traiectoriei spațiale și codarea secvenței non-spațiale. Cum putem distinge conținutul amintirilor spațiale de cele non-spațiale în somn? Putem citi amintiri contextuale sau emoționale în somn? În ce măsură putem identifica conținutul codurilor populației hipocampo-neocorticale în timpul somnului REM? Care este modul principial de a investiga sistematic creativitatea și perspectivele în somn? Somnul NREM și REM joacă roluri diferite în consolidarea declarativămemorieversus proceduramemorie? Care sunt mecanismele de circuit care permit factorilor externi (de exemplu, recompensa, semnalul senzorial) să influențeze conținutul somnului asociatmemorie? Sunt de sus în jos sau de jos în sus? Cum putem manipula eficient somnul asociatmemoriepentru a îmbunătăți performanța funcțiilor cognitive post-somn? Sunt amintirile false consolidate în același mod ca amintirile adevărate în timpul somnului? Care sunt modalitățile eficiente de a le îmbunătăți sau de a le suprima? Pot investigațiile legate de somnmemoriedezvăluie noi descoperiri între creierul normal și cel îmbătrânit/boli, sau chiar între creierul obișnuit și cel genial?

FIGURA 1. Studiul memoriei și somnului hipocampului rozătoarelor

(a) O paradigmă de studiu standard pentru hipocampul rozătoarelormemorieconstă din somn pre-RUN, RUN/comportament și somn post-RUN. (b) Clasificarea stadiilor de somn din EMG, LFP cortical (Delta power), puterea de ondulare a hipocampului și raportul de putere cortical theta/delta [21]. ( c ) Activitatea creșterii populației hipocampului de rozătoare în timpul RUN pe o pistă liniară. ( d ) LFP și SWR din hipocampul rozătoarelor în timpul SWS post-RUN și modelul de vârf spațiotemporal asociat care arată o ordine temporală similară ("reluare") (reprodus cu permisiunea [18]).

FIGURA 2. Disecția amintirilor hipocampo-neocorticale în timpul somnului

(a, b) Secvențe de declanșare neuronale la șobolan V1 (a) și hipocamp (b) în timpul episoadelor RUN și POST-RUN SWS. Tură: modelul de declanșare neuronal al populației în timpul unei singure ture de alergare pe traiectoria de la stânga la dreapta. Fiecare rând reprezintă o celulă și fiecare căpușă reprezintă un vârf. Avg: secvență de tragere a șablonului obținută prin medierea tuturor turelor de pe traiectorie. Fiecare curbă reprezintă rata medie de ardere a unei celule. Celulele au fost atribuite numerelor 0, 1 etc. și apoi aranjate (01234567) de jos în sus în funcție de ordinea vârfurilor lor de ardere (linii verticale). Cadru: aceleași modele de declanșare a populației într-un episod SWS POST-RUN. Triunghiurile și cercurile denotă debutul și, respectiv, stările JOS. Seq: secvență de tragere în cadru. Trenurile cu vârf au fost convoluți cu o fereastră Gaussiană și celulele au fost ordonate (0132567) în funcție de vârfurile (liniile verticale) ale curbelor rezultate [36]. (c) Sunetul auditiv (L, în roșu, indicând o viraj la stânga) a influențat reactivarea hipocampului în timpul SWS [37]. În diagrama raster, vârfurile de la celulele locului cu câmpuri de locație în partea dreaptă a pistei sunt albastre, iar câmpurile de locație din partea stângă în roșu. Câmpurile de locuri sunt ordonate de sus în jos în funcție de locația lor pe pistă (partea dreapta-stânga). Înainte de apariția somnului, șobolanul se odihnea în camera de somn. Evenimentul de reactivare din caseta verde punctată este afișat în dreapta. (d) Ansamblurile neuronale corticale auditive părtinitoare de sunet (verde) prezic reactivările neuronilor hipocampali (portocalii) în timpul SWR-urilor. Barele roz indică sunete; barele cyan indică SWR detectate. Urma neagră superioară este LFP filtrată cu ondulații în hipocampul CA1 [38]. (e) Cuantificarea câștigului de predicție a utilizării modelelor de vârf de ansamblu corticale auditive pre-SWR (AC) bazate pe sunet pentru a prezice arderea CA1 hipocampală. Datele sunt semnificativ diferite de statisticile amestecate (n=96) [38]. Toate figurile sunt reproduse cu permisiune.

FIGURA 3. Decodificarea conținutului imaginilor vizuale în timpul somnului REM uman

(a) Datele fMRI au fost obținute de la participanții adormiți simultan cu polisomnografie. Participanții au fost treziți în timpul etapei de somn 1 sau 2 (linie roșie întreruptă) și au raportat verbal experiența lor vizuală în timpul somnului. Datele fMRI imediat înainte de trezire (9 s) au fost utilizate ca intrare pentru analizele principale de decodificare (ferestrele de timp glisante au fost utilizate pentru analizele de timp-curs). Au fost extrase cuvinte care descriu obiecte vizuale sau scene (litere roșii). Conținutul vizual a fost prezis folosind decodoare de învățare automată antrenate pe răspunsurile fMRI la imagini naturale. (b) În timpul fazei de antrenament, cuvintele care descriu obiecte vizuale sau scene au fost mai întâi mapate pe synset-uri ale arborelui WordNet [un dicționar de substantive, verbe, adverbe, adjective și relațiile lor lexicale]. Synset-urile au fost grupate în „synseturi de bază” situate mai sus în arbore. Rapoartele vizuale (participantul 2) sunt reprezentate de vectori de conținut vizual, în care prezența sau absența synset-urilor de bază în raport la fiecare trezire este indicată cu alb sau respectiv negru. Exemple de imagini utilizate pentru antrenamentul decodorului sunt afișate pentru unele dintre synset-urile de bază. În timpul fazei de testare, un decodor cu perechi sau cu mai multe etichete este aplicat evenimentului de trezire pentru a prezice eticheta obiectului vizual (reprodus cu permisiunea [56]).