Del 3: Vad är neurala minneskoder under sömn?

för mer information:ali.ma@wecistanche.com

Snälla klicka här till del 2

Hjärnrytmer i sömnen

Långsam oscillation (0,5–1 Hz)

Under SWS visar neokortikal aktivitet synkroniserade långsamma vågor mellan 0,5 och 1 Hz, som är associerade med växling mellan utbredd hyperpolarisering och minskad neuronavfyrning under DOWN-tillståndet, och UP-tillstånd som är associerade med utbredd depolarisering och ökad neuronal avfyring. bränning. De kortikala långsamma svängningarna når och påverkar också hippocampus- och thalamuskretsarna.

Deltavåg (1–4 Hz)

Hjärnvåg med hög amplitud med en oscillationsfrekvens mellan 1 och 4 Hz. Det är framträdande under SWS.

Thetaoscillation (4–9 Hz)

Under REM-sömn uppvisar gnagarens hippocampus theta-svängningar som liknar dem som ses under vaken utforskning.

Spindeloscillation (9–15 Hz)

Under SWS uppvisar thalamus och neocortex korta utbrott av EEG-svängningar mellan 9 och 15 Hz, som vanligtvis varar 0,5–2 sekunder. Sömnspindlar förekommer ofta i det neokortikala UP-tillståndet och är temporärt i linje med hippocampus krusningar.

Gammaoscillation (35–120 Hz)

Under SWS visar EEG-inspelningar av människor och gnagare gammaoscillationer i låga (35–50 Hz) och höga (60–120 Hz) frekvensband.

Hippocampus skarpa vågkurvor (SWR, 150–300 Hz)

SWR-komplexet består av skarpa vågor med stor amplitud i hippocampus LFP och associerad snabb LFP-oscillerande aktivitet filtrerad mellan 150 och 300 Hz, vanligtvis varar 50–100 millisekunder. Bursts av SWR kan vara upp till 400 millisekunder.

Ruta 2

Metoder för att analysera sömnassocierad spikaktivitet

Klicka till Cistanche på urdu för att förbättra minnet

Korrelationsanalys

Korrelationsanalys beräknar styrkan av Pearsons korrelation mellan två neuroner baserat på deras avfyrningsaktiviteter i VAKEN och SÖN; styrkan av nollfördröjning, samaktivering av parvis cellavfyrning bestämmer likheten mellan neurala avfyringsmönster i VAKN och Sömn [9]. Metoden "förklarad varians" bedömer hur mycket ytterligare varians i post-SLEEP korrelation som kan förklaras av värden i WAKE samtidigt som man tar hänsyn till pre-SLEEP strukturen [11].

Mallmatchning

Mallmatchning jämför två spikräkningsmatriser (arrangerade i cell-för-tid) som är temporärt lagrade och utjämnade [12,31,42], och bedömer om reaktiveringen i parvis aktivitet är koherent över neuronala ensembler. Resultatet av mallmatchning är känsligt för temporär bins storlek, och dess korrelationsstyrka varierar mellan olika komprimerade tidsskalor.

Sekvensmatchning

Sekvensmatchning är en kombinatorisk metod för att undersöka sekventiella avfyrningsmönster för populationspikaktivitet. Den beräknar matchningssannolikheten genom att omvandla neuronala avfyrningsorder till ett ord, jämför matchningssannolikheten mellan två ord (ett i VAKEN och det andra i SLEEP) och bestämmer matchningens statistiska signifikans [26,32]. Sekvensmatchningsmetoden är känslig för spiktiming (och följaktligen för spikdetektering och sortering) och antalet aktiverade celler i SLEEP.

Huvudkomponentanalys och oberoende komponentanalys

Principal component analysis (PCA) utökar korrelationsmetoden och bedömer likheten mellan två korrelationsmatriser mellan WAKE och SLEEP [43,58]. Den beräknar reaktiveringsstyrkan mellan två mallar och ger ett ögonblick-för-ögonblick-liknandemått mellan WAKE och SLEEP. Ett stort värde på reaktiveringsstyrka indikerar en god likhet (fig. 4a). Men reaktiveringsstyrkan är positivt korrelerad med den neuronala avfyrningshastigheten och avslöjar inte direktminneinnehållet i ensembletändningsmönster. PCA-metoden antar att korrelationsstatistiken är stationär inom både VAKEN och SÖN, vilket är den starkaste begränsningen i närvaro av icke-stationära neuronala spikdata. Oberoende komponentanalys (ICA) utökar PCA-metoden och hittar ett linjärt projektionsutrymme som separerar statistiskt oberoende källor. ICA-metoden liknar konceptuellt PCA-metoden förutom att det finns ytterligare ett ICA-steg följt av PCA [59]. Både PCA och ICA tillhör den linjära subrymdmetoden, därför kan de inte fånga någon icke-linjär transformation, och deras reaktiveringsstyrkor är positivt korrelerade med den kvadratiska kraften hos temporal avfyrningshastighet i sig.

Topologianalys

En algebraisk topologi är ett matematiskt verktyg som lånades för att studera hippocampus neuronal kodning för rumslig topologi [60–62]. Det syftar till att beräkna abstrakta topologiska egenskaper från det härledda topologiska objektet och använda dem för att härleda en grupprelation inom neuroner.

Populationsavkodning

Populationsavkodning är en beräkningsmetod som använder statistik eller informationsteori för att extrahera kvantitativ information från neurala ensembles spikaktivitet [63]. Populationsavkodningsmetoden gör vissa statistiska antaganden om populationstoppaktiviteten (t.ex. oberoende Poisson-antagande) och använder sannolikhet eller Bayesiansk slutledning för att avkoda innehållet i befolkningskoder. En klass av avkodningsmetoder övervakas, vilket kräver den receptiva fältinformationen om individuella neuroner [64,65]; en annan klass av avkodningsmetoder är oövervakad, vilket inte kräver något receptivt fält eller beteendemått [66–68] (Fig. 4b). Systematiska jämförelser av dessa två typer av befolkningsavkodningsmetoder i en sömnassocierad hippocampusminnestudien rapporteras i [69].

Ruta 2 FIGUR I. Opartisk bedömning av sömnassocierade neuronala populationskoder

(a) Principal component analysis (PCA) för beräkning av likheten mellan två mallar av korrelationsmatriser från populationspikräkningar (VAKN och SÖMN) och bedömning av reaktiveringsstyrkan under sömn (återgiven med tillåtelse, [43]). I WAKE är {λ,1,p1} associerade med den dominanta huvudkomponenten (PC) extraherad från PCA. I SLEEP beräknas tidsvarierande reaktiveringsstyrka. (b) Oövervakad populationsavkodning med hjälp av en finita-state hidden Markov-modell (HMM). Specifikt representeras den rumsliga miljön av ett ändligt diskret tillståndsrum. Banor över rumsliga platser ("stater") är förknippade med konsekventa hippocampala ensembles spikmönster, som kännetecknas av en tillståndsövergångsmatris. Från tillståndsövergångsmatrisen härleds en topologigraf som definierar anslutningen i tillståndsrummet [69]. I dessa två metoder görs inga antaganden om neuronal RF, och binstorleken i Post-SLEEP är oberoende av binstorleken som används i WAKE. Eftersom ordningsföljden för WAKE och SLEEP kan växlas, kan man tillämpa dessa metoder på SLEEP-data först och sedan undersöka deras betydelser i WAKE-beteendet; därför faller de båda in i det nya paradigmet ("minneförst, alltså senare").

Trender Box

Talamus (en subkortikal struktur) spelar en viktig roll vid sensorisk gating,

upphetsningsreglering och generering av thalamokortikala sömnspindlar. Att helt dissekera

sömnrelaterademinne, är det viktigt att förstå trevägskommunikation

bland hippocampus-neokortikala, thalamokortikala, kortiko-thalamiska kretsar i sömnen.

Kombinera elektrofysiologi, bildbehandling, virtuell verklighet och optogenetik i

experimentella undersökningar kan avsevärt utöka vår förståelse av neural

koder som ligger bakomminneoch sov.

Optogenetik har visat sig vara kraftfull för att testa den kausala rollen av neurala kretsar i

minnekonsolidering och är värdefull att skapafalska minnen. Att hitta effektivt

medel för konsolideringfalska minnenkan ha en betydande inverkan på framtiden

beteende.

Överbrygga forskningsklyftorna mellan gnagare och icke-mänskliga/mänskliga primater i

sömnstudier är nyckeln till att dissekera kretsmekanismer för att konsolidera olika

former avminnen, och för att ge ytterligare insikter i behandlingen av neurologiska

och psykiatriska sjukdomar.

Enastående frågor

VAD: representation—innehållet i sömnrelaterademinnei hippocampus-neokortikalt nätverk. Har sömnassocierad spikaktivitet någon signifikant representation och hur kan man bedöma deras betydelse? Har innehållet i sömn associeratminnei en hjärnregion hjälpa dechiffrera innehållet i sömn-associerademinnei en annan region?

NÄR: tidsmässig koordination—tidpunkten förminnereaktivering (t.ex. sammanfallande eller icke-sammanfallande krusnings- och spindelhändelser) och deras distinkta funktionella roller. Hur utvecklas hippocampus-neokortikal koordination i olika sömnstadier?

VAR: Episodiska minnen består av spatiotemporala sekvenser i beteendeupplevelser, inklusive rumslig banakodning och icke-spatial sekvenskodning. Hur kan vi skilja innehållet i rumsliga vs icke-spatiala minnen i sömnen? Kan vi läsa upp kontextuella eller känslomässiga minnen i sömnen? I vilken utsträckning kan vi identifiera innehållet i hippocampus-neokortikala populationskoder under REM-sömn? Vad är det principiella sättet att systematiskt undersöka kreativitet och insikter i sömnen? Spelar NREM- och REM-sömnen olika roller för att konsolidera deklarativaminnekontra procedurminne? Vilka är kretsmekanismerna som gör att externa faktorer (t.ex. belöning, sensorisk signal) kan påverka innehållet i sömnrelaterademinne? Är de top-down eller bottom-up? Hur kan vi effektivt manipulera sömnrelaterademinneförbättra prestandan av kognitiva funktioner efter sömn? Konsolideras falska minnen på samma sätt som sanna minnen under sömnen? Vilka är de effektiva sätten att förbättra eller undertrycka dem? Kan undersökningar av sömnrelaterademinneavslöja nya upptäckter mellan normala och åldrande/sjuka hjärnor, eller till och med mellan vanliga och geniala hjärnor?

FIGUR 1. Studie av gnagares Hippocampus minne och sömn

(a) Ett standardstudieparadigm för hippocampus hos gnagareminnebestår av pre-RUN-sömn, RUN/beteende och post-RUN-sömn. (b) Klassificering av sömnstadier från EMG, kortikal LFP (Delta power), hippocampus ripple power och kortikal theta/delta power ratio [21]. (c) Gnagarhippocampus-populationens toppaktivitet under LÖP på ett linjärt spår. (d) Hippocampal LFP och SWR för gnagare under post-RUN SWS, och det associerade spatiotemporala spikmönster som visar en liknande tidsordning ("replay") (reproduceras med tillåtelse [18]).

FIGUR 2. Dissektion av hippocampus-neokortikala minnen under sömn

(a,b) Neuronala avfyrningssekvenser i råtta V1 (a) och hippocampus (b) under RUN- och POST-RUN SWS-episoder. Varv: populationens neuronala avfyrningsmönster under ett enda löpvarv på vänster-till-höger-banan. Varje rad representerar en cell och varje bock representerar en spik. Avg: mallavfyrningssekvens erhållen genom medelvärdesberäkning över alla varv på banan. Varje kurva representerar den genomsnittliga tändhastigheten för en cell. Celler tilldelades siffrorna 0, 1, etc. och arrangerades sedan (01234567) från botten till toppen enligt ordningen för deras avfyringstoppar (vertikala linjer). Ram: samma populationsavfyrningsmönster i ett POST-RUN SWS-avsnitt. Trianglar och cirklar anger början av respektive NED-tillstånd. Seq: skjutsekvens i ramen. Spiketåg konvolerades med ett Gaussiskt fönster och celler beställdes (0132567) enligt topparna (vertikala linjer) i de resulterande kurvorna [36]. (c) Auditivt ljud (L, i rött, vilket indikerar en vänstersväng) påverkade hippocampus-reaktiveringen under SWS [37]. I rasterdiagrammet är spikar från platsceller med platsfält på spårets högra sida blå och vänstersidiga platsfält i rött. Platsfälten är ordnade uppifrån och ned efter deras placering på banan (höger-vänster sida). Innan sömnen började vilade råttan i sömnkammaren. Återaktiveringshändelsen i den gröna streckade rutan visas till höger. (d) Ljudförspänd hörselkortikala neuronala ensembler (grön) förutsäger reaktiveringar av hippocampusneuroner (orange) under SWRs. Rosa staplar indikerar ljud; cyanstaplar indikerar detekterade SWR. Det övre svarta spåret är krusningsfiltrerad LFP i hippocampus CA1 [38]. (e) Kvantifiering av förutsägelsevinst av att använda ljudbaserade pre-SWR auditiva kortikala (AC) ensemblemönster för att förutsäga hippocampus CA1-avfyrning. Data skiljer sig markant från den blandade statistiken (n=96) [38]. Alla figurer återges med tillstånd.

FIGUR 3. Avkodning av innehållet i visuella bilder under mänsklig REM-sömn

(a) fMRI-data förvärvades från sovande deltagare samtidigt med polysomnografi. Deltagarna väcktes under sömnsteg 1 eller 2 (röd streckad linje) och rapporterade verbalt sin visuella upplevelse under sömnen. fMRI-data omedelbart före uppvaknande (9 s) användes som indata för huvudavkodningsanalyser (glidande tidsfönster användes för tidsförloppsanalyser). Ord som beskriver visuella föremål eller scener (röda bokstäver) extraherades. Det visuella innehållet förutspåddes med hjälp av maskinlärande avkodare tränade på fMRI-svar på naturliga bilder. (b) Under träningsfasen kartlades ord som beskriver visuella objekt eller scener först på synsets i WordNet-trädet [en ordbok över substantiv, verb, adverb, adjektiv och deras lexikala relationer]. Synset grupperades i "bassynset" placerade högre i trädet. Visuella rapporter (deltagare 2) representeras av visuella innehållsvektorer, där närvaron eller frånvaron av bassynset i rapporten vid varje uppvaknande indikeras med vitt respektive svart. Exempel på bilder som används för dekoderträning visas för några av bassynseten. Under testfasen appliceras en parvis eller flera etikettavkodare på uppvakningshändelsen för att förutsäga den visuella objektetiketten (reproducerad med tillåtelse [56]).