3 dalis: Kas yra neuroniniai atminties kodai miego metu?

Norėdami gauti daugiau informacijos:ali.ma@wecistanche.com

Pls spustelėkite čia, kad pamatytumėte 2 dalį

Smegenų ritmai miegant

Lėtas svyravimas (0,5–1 Hz)

SWS metu neokortikinis aktyvumas rodo sinchronizuotas lėtas bangas nuo 0,5 iki 1 Hz, kurios yra susijusios su kaita tarp plačiai paplitusios hiperpoliarizacijos ir sumažėjusio neuronų uždegimo DOWN būsenos metu, ir UP būsenų, kurios yra susijusios su plačiai paplitusia depoliarizacija ir padidėjusiu neuronų aktyvumu. šaudymas. Lėti žievės svyravimai taip pat pasiekia ir paveikia hipokampo ir talaminės grandines.

Delta banga (1–4 Hz)

Didelės amplitudės smegenų banga, kurios virpesių dažnis yra nuo 1 iki 4 Hz. Jis yra ryškus SWS metu.

Teta virpesiai (4–9 Hz)

REM miego metu graužikų hipokampas pasižymi teta virpesiais, panašiais į tuos, kurie matomi būdraujant.

Veleno virpesiai (9–15 Hz)

SWS metu talame ir neokortekse pasireiškia trumpi EEG svyravimai nuo 9 iki 15 Hz, paprastai trunkantys 0,5–2 sekundes. Miego verpstės dažnai atsiranda neokortikinėje UP būsenoje ir yra laikinai suderintos su hipokampo bangomis.

Gama virpesiai (35–120 Hz)

SWS metu žmogaus ir graužikų EEG įrašai rodo gama svyravimus žemo (35–50 Hz) ir aukšto (60–120 Hz) dažnių juostose.

Hipokampo aštrios bangos (SWR, 150–300 Hz)

SWR kompleksą sudaro didelės amplitudės aštrios bangos hipokampo LFP ir su tuo susijęs greitas LFP virpesių aktyvumas, filtruojamas nuo 150 iki 300 Hz, paprastai trunkantis 50–100 milisekundžių. SWR serijos gali trukti iki 400 milisekundžių.

2 langelis

Su miegu susijusių smailių aktyvumo analizės metodai

Spustelėkite Cistanche urdu kalba, kad pagerintumėte atmintį

Koreliacijos analizė

Koreliacinė analizė apskaičiuoja Pirsono koreliacijos stiprumą tarp dviejų neuronų, remiantis jų šaudymo veikla WAKE ir SLEEP; nulinio atsilikimo stiprumas, porinio ląstelių degimo koaktyvavimas nulemia neuroninio šaudymo modelių panašumą WAKE ir SLEEP [9]. „Paaiškintos dispersijos“ metodas įvertina, kiek papildomos koreliacijos po MIEGIMO dispersijos galima paaiškinti reikšmėmis WAKE, atsižvelgiant į struktūrą prieš miegą [11].

Šablonų atitikimas

Šablonų suderinimas lygina dvi smailių skaičiaus matricas (sudėtytas pagal ląsteles), kurios yra laikinai sugrupuotos ir išlygintos [12, 31, 42], ir įvertina, ar porų aktyvumo reaktyvacija yra nuosekli visuose neuronų ansambliuose. Šablonų suderinimo rezultatas yra jautrus laikinajam šiukšliadėžės dydžiui, o jo koreliacijos stiprumas skiriasi priklausomai nuo skirtingų suspaustų laiko skalių.

Sekos atitikimas

Sekos atitikimas yra kombinacinis metodas, skirtas tirti nuoseklius gyventojų šuolio aktyvumo šaudymo modelius. Jis apskaičiuoja atitikimo tikimybę, paversdamas neuronų šaudymo nurodymus į žodį, lygina dviejų žodžių atitikimo tikimybę (vienas WAKE ir kitas SLEEP) ir nustato statistinį atitikimo reikšmingumą [26, 32]. Sekos suderinimo metodas yra jautrus smailės laikui (taigi ir smaigalių aptikimui bei rūšiavimui) ir aktyvuotų ląstelių skaičiui SLEEP režimu.

Pagrindinių komponentų analizė ir nepriklausomų komponentų analizė

Pagrindinių komponentų analizė (PCA) praplečia koreliacijos metodą ir įvertina dviejų koreliacijos matricų tarp WAKE ir SLEEP panašumą [43,58]. Jis apskaičiuoja dviejų šablonų aktyvinimo stiprumą ir pateikia momentinį WAKE ir SLEEP panašumo matą. Didelė reaktyvacijos stiprumo reikšmė rodo gerą panašumą (4a pav.). Tačiau reaktyvacijos stiprumas teigiamai koreliuoja su neuronų uždegimo greičiu ir tiesiogiai neatskleidžiaatmintisansamblio šaudymo modelių turinys. PCA metodas daro prielaidą, kad koreliacijos statistika yra stacionari ir WAKE, ir SLEEP, o tai yra didžiausias apribojimas, kai yra nestacionarių neuronų padidėjimo duomenų. Nepriklausoma komponentų analizė (ICA) išplečia PCA metodą ir randa tiesinę projekcijos erdvę, kuri atskiria statistiškai nepriklausomus šaltinius. ICA metodas yra iš esmės panašus į PCA metodą, išskyrus tai, kad yra papildomas ICA etapas, po kurio seka PCA [59]. Tiek PCA, tiek ICA priklauso tiesinės suberdvės metodui, todėl jie negali užfiksuoti jokios netiesinės transformacijos, o jų pakartotinio aktyvavimo stiprumas yra teigiamai koreliuojamas su laikinojo šaudymo greičio kvadratine galia per se.

Topologijos analizė

Algebrinė topologija yra matematinė priemonė, pasiskolinta tirti hipokampo neuronų kodavimą erdvinei topologijai [60–62]. Juo siekiama apskaičiuoti abstrakčias topologines savybes iš gauto topologinio objekto ir panaudoti jas grupiniam ryšiui neuronuose išvesti.

Populiacijos dekodavimas

Populiacijos dekodavimas yra skaičiavimo metodas, kuris naudoja statistiką arba informacijos teoriją, kad išgautų kiekybinę informaciją iš neuroninio ansamblio smailės veiklos [63]. Populiacijos dekodavimo metodas daro tam tikras statistines prielaidas apie populiacijos smailės aktyvumą (pvz., nepriklausomą Puasono prielaidą) ir naudoja tikimybę arba Bajeso išvadą, kad iššifruotų populiacijos kodų turinį. Prižiūrimas vienos klasės dekodavimo metodas, kuriam reikalinga imliojo lauko informacija apie atskirus neuronus [64,65]; kitos klasės dekodavimo metodas yra neprižiūrimas, kuriam nereikia imlumo lauko ar elgesio matmenų [66–68] (4b pav.). Sistemingas šių dviejų tipų populiacijos dekodavimo metodų palyginimas su miegu susijusiame hipokampeatmintistyrimas aprašytas [69].

2 langelis I PAVEIKSLAS. Nešališkas su miegu susijusių neuronų populiacijos kodų įvertinimas

a) Pagrindinių komponentų analizė (PCA), skirta apskaičiuoti dviejų koreliacijos matricų šablonų panašumą pagal populiacijos smailių skaičių (WAKE ir SLEEP) ir įvertinti reaktyvacijos stiprumą miego metu (atkurta su leidimu, [43]). WAKE sistemoje {λ,1,p1} yra susieti su dominuojančiu pagrindiniu komponentu (PC), išgautu iš PCA. SLEEP režimu apskaičiuojamas laikui bėgant kintantis pakartotinio aktyvavimo stiprumas. b) Neprižiūrimas populiacijos dekodavimas naudojant baigtinės būsenos paslėptą Markovo modelį (HMM). Tiksliau, erdvinę aplinką vaizduoja baigtinė diskrečiųjų būsenų erdvė. Trajektorijos per erdvines vietas („būsenas“) yra susijusios su nuosekliais hipokampo ansamblio smaigalių modeliais, kuriems būdinga būsenos perėjimo matrica. Iš būsenos perėjimo matricos išvedamas topologijos grafikas, apibrėžiantis ryšį būsenos erdvėje [69]. Taikant šiuos du metodus, nedaroma prielaida apie neuronų RF, o dėžės dydis po miego režimu nepriklauso nuo dėžės dydžio, naudojamo WAKE. Kadangi WAKE ir SLEEP tvarką galima perjungti, šiuos metodus galima pirmiausia taikyti SLEEP duomenims, o tada ištirti jų reikšmes WAKE elgsenoje; todėl jie abu patenka į naują paradigmą ("atmintispirma, vadinasi vėliau").

Tendencijos dėžutė

Talamas (subkortikinė struktūra) vaidina svarbų vaidmenį jutiminiuose vartuose,

susijaudinimo reguliavimas ir talamokortikinių miego verpsčių generavimas. Norėdami visiškai išskrosti

susijęs su mieguatmintis, labai svarbu suprasti trijų krypčių ryšį

tarp hipokampo-neokortikinių, talamokortikinių, kortiko-talaminių grandinių miego metu.

Derinant elektrofiziologiją, vaizdavimą, virtualią realybę ir optogenetiką

eksperimentiniai tyrimai gali žymiai išplėsti mūsų supratimą apie neuronus

kodaiatmintisir miegoti.

Optogenetika pasirodė esanti galinga, kad patikrintų priežastinį neuronų grandinių vaidmenį

atmintiskonsolidavimas ir yra vertingas kuriantklaidingi prisiminimai. Rasti veiksmingą

priemonės konsoliduotiklaidingi prisiminimaigali turėti didelės įtakos ateičiai

elgesį.

Sumažinti tyrimų spragas tarp graužikų ir nežmoginių / žmonių primatų

miego tyrimai yra raktas į grandinės mechanizmų išskaidymą konsoliduojant įvairius

formosatsiminimai, ir suteikti daugiau įžvalgų apie neurologinių ligų gydymą

ir psichikos ligos.

Išskirtiniai klausimai

KAS: reprezentacija – su miegu susijęs turinysatmintishipokampo- neokortikiniame tinkle. Ar su miegu susijęs spygliuočių aktyvumas yra reikšmingas ir kaip įvertinti jų reikšmę? Ar turinys yra susijęs su mieguatmintisviename smegenų regione padeda iššifruoti su miegu susijusį turinįatmintiskitame regione?

KADA: laikinas koordinavimas – laikasatmintisreaktyvacija (pvz., sutampantys arba nesutampantys bangavimo ir verpstės įvykiai) ir jų skirtingi funkciniai vaidmenys. Kaip hipokampo ir neokortikos koordinacija vystosi skirtingose ​​miego stadijose?

KUR: Epizodinius prisiminimus sudaro elgsenos patirties erdvinės ir laiko sekos, įskaitant erdvinės trajektorijos kodavimą ir neerdvinės sekos kodavimą. Kaip miego metu atskirti erdvinių ir neerdvinių prisiminimų turinį? Ar galime miegodami perskaityti kontekstinius ar emocinius prisiminimus? Kokiu mastu galime nustatyti hipokampo ir neokortikos populiacijos kodų turinį REM miego metu? Koks yra principinis būdas sistemingai tirti kūrybiškumą ir įžvalgas miegant? Ar NREM ir REM miegas vaidina skirtingus vaidmenis įtvirtinant deklaratyvumą?atmintisprieš procedūrąatmintis? Kokie yra grandinės mechanizmai, leidžiantys išoriniams veiksniams (pvz., atlygiui, jutiminiam signalui) pakreipti su miegu susijusio turinio turinįatmintis? Ar jie iš viršaus į apačią ar iš apačios į viršų? Kaip galime veiksmingai manipuliuoti su miegu susijusiomis problemomisatmintispagerinti kognityvinių funkcijų po miego veikimą? Ar klaidingi prisiminimai sutvirtinami taip pat, kaip tikri prisiminimai miego metu? Kokie yra veiksmingi būdai juos sustiprinti ar slopinti? Ar galima atlikti su miegu susijusius tyrimusatmintisatskleisti naujus atradimus tarp normalių ir senstančių/ligotų smegenų ar net tarp paprastų ir genialių smegenų?

1 PAVEIKSLAS. Graužikų hipokampo atminties ir miego tyrimas

a) Standartinė graužikų hipokampo tyrimo paradigmaatmintissusideda iš miego prieš Bėgimą, BĖGIMO/elgesio ir miego po BĖGIMO. (b) Miego stadijų klasifikavimas pagal EMG, žievės LFP (Delta galią), hipokampo pulsacijos galią ir žievės teta / delta galios santykį [21]. c) Graužikų hipokampo populiacijos aktyvumas BĖGIMO metu linijiniu keliu didėja. d) Graužikų hipokampo LFP ir SWR SWS po VYKDYMO metu ir susijęs erdvėlaikio smailės modelis, rodantis panašią laiko tvarką („pakartojimas“) (atkuriamas su leidimu [18]).

2 PAVEIKSLAS. Hipokampo-neokortikinių prisiminimų išskyrimas miego metu

( a, b ) Neuronų šaudymo sekos žiurkėje V1 (a) ir hipokampe (b) RUN ir POST-RUN SWS epizodų metu. Ratas: populiacijos neuronų šaudymo modelis per vieną bėgimo ratą trajektorija iš kairės į dešinę. Kiekviena eilutė žymi ląstelę, o kiekviena varnelė reiškia smaigalį. Vid.: šablono paleidimo seka, gauta apskaičiuojant visų trajektorijos ratų vidurkį. Kiekviena kreivė rodo vidutinį ląstelės šaudymo greitį. Ląstelės buvo priskirtos skaičiais 0, 1 ir tt, o tada išdėstytos (01234567) iš apačios į viršų pagal jų degimo smailių (vertikalių linijų) tvarką. Kadras: tie patys populiacijos suaktyvinimo modeliai SWS epizode POST-RUN. Trikampiai ir apskritimai reiškia atitinkamai būsenų pradžią ir DOWN. Seq: šaudymo seka kadre. Spyglių traukiniai buvo susukti naudojant Gauso langą, o ląstelės buvo išdėstytos (0132567) pagal gautų kreivių smailes (vertikalios linijos) [36]. c) Klausos garsas (L, raudona, nurodantis posūkį į kairę) pakreipė hipokampo reaktyvaciją SWS metu [37]. Rastrinėje diagramoje smaigaliai iš vietos langelių su vietos laukais dešinėje takelio pusėje yra mėlyni, o kairėje - raudoni. Vietų laukai rūšiuojami iš viršaus į apačią pagal jų vietą takelyje (dešinė-kairėje pusėje). Prieš užmigdama žiurkė ilsėjosi miego kameroje. Iš naujo suaktyvinimo įvykis žaliame brūkšniniame laukelyje rodomas dešinėje. (d) Garsu pagrįsti klausos žievės neuronų ansambliai (žalia spalva) numato hipokampo neuronų (oranžinės spalvos) pakartotinį aktyvavimą SWR metu. Rožinės juostos rodo garsus; žydros spalvos juostos rodo aptiktus SWR. Viršutinis juodas pėdsakas yra bangomis filtruotas LFP hipokampo CA1 [38]. e) Kiekybinis numatymo padidėjimas naudojant garsu pagrįstus prieš SWR klausos žievės (AC) ansamblio smaigalius, kad būtų galima numatyti hipokampo CA1 šaudymus. Duomenys labai skiriasi nuo sumaišytos statistikos (n=96) [38]. Visos figūros atkuriamos gavus leidimą.

3 PAVEIKSLAS. Vaizdinių vaizdų turinio dekodavimas žmogaus REM miego metu

a ) fMRI duomenys buvo gauti iš miegančių dalyvių kartu su polisomnografija. Dalyviai buvo pažadinti 1 arba 2 miego stadijose (raudona punktyrinė linija) ir žodžiu pranešė apie savo regėjimo patirtį miego metu. FMRI duomenys prieš pat pabudimą (9 s) buvo naudojami kaip pagrindinės dekodavimo analizės įvestis (laiko eigos analizei buvo naudojami slenkantys laiko langai). Buvo išgauti žodžiai, apibūdinantys vaizdinius objektus ar scenas (raudonos raidės). Vaizdinis turinys buvo nuspėjamas naudojant mašininio mokymosi dekoderius, išmokytus fMRI reaguoti į natūralius vaizdus. b) Mokymo etape žodžiai, apibūdinantys vaizdinius objektus ar scenas, pirmiausia buvo susieti su WordNet medžio [daiktavardžių, veiksmažodžių, prieveiksmių, būdvardžių ir jų leksinių ryšių žodynas] sinsetais. Sinsetai buvo sugrupuoti į „bazinius sinsetus“, esančius aukščiau medyje. Vizualinės ataskaitos (2 dalyvis) vaizduojamos vaizdinio turinio vektoriais, kuriuose bazinių sinsetų buvimas ar nebuvimas ataskaitoje kiekvieno pabudimo metu žymimas atitinkamai balta arba juoda spalva. Kai kurių bazinių sinetų vaizdų, naudojamų dekoderio mokymui, pavyzdžiai rodomi. Bandymo fazės metu pabudimo įvykiui pritaikomas porinis arba kelių etikečių dekoderis, kad būtų galima numatyti vizualinio objekto etiketę (atkurta su leidimu [56]).