Corticale | Gruppo Shandong Forgings

Natura volume 613, pagine 103–110 (2023) Citare questo articolo

20mila accessi

1 Citazioni

256 Altmetrico

Dettagli sulle metriche

Si ipotizza che il consolidamento dei sistemi, un processo per la stabilizzazione della memoria a lungo termine, avvenga in due fasi1,2,3,4. Sebbene i nuovi ricordi richiedano l'ippocampo5,6,7,8,9, nel tempo si integrano nelle reti corticali10,11,12, rendendoli indipendenti dall'ippocampo. Non è noto come si evolva esattamente il dialogo ippocampo-corticale durante questo processo e come le rappresentazioni corticali cambino di concerto. Qui, utilizziamo un compito di apprendimento delle abilità13,14 per monitorare le dinamiche dell'accoppiamento tra aree durante il sonno con movimenti oculari non rapidi insieme ai cambiamenti nella stabilità rappresentazionale della corteccia motoria primaria (M1). I nostri risultati indicano che un preciso accoppiamento trasversale tra ippocampo, corteccia prefrontale e M1 può delimitare due fasi distinte dell'elaborazione. Nello specifico, abbiamo riscontrato che ciascun animale dimostra un forte aumento della corteccia prefrontale e un'oscillazione lenta del sonno M1, accoppiata con la stabilizzazione delle prestazioni. Questo forte aumento prevede quindi un calo dell’accoppiamento dell’ondulazione a onde acute (SWR) – M1 dell’ippocampo, suggerendo un feedback per informare il disimpegno dell’ippocampo e la transizione a un secondo stadio. In particolare, il primo stadio mostra aumenti significativi dell’accoppiamento di oscillazione lenta SWR-M1 dell’ippocampo nel sonno post-allenamento ed è strettamente associato al rapido apprendimento e alla variabilità della varietà a bassa dimensione M1. Sorprendentemente, anche dopo il consolidamento, l’induzione di nuove molteplici esplorazioni modificando i parametri del compito riattiva l’accoppiamento ippocampo-M1. Troviamo quindi prove di un dialogo dinamico ippocampo-corticale associato a molteplici esplorazioni durante l'apprendimento e l'adattamento.

Da tempo si ipotizza che la stabilizzazione della memoria attraverso il consolidamento dei sistemi segua un processo in due fasi1,2,3,4. Sebbene sia studi classici che recenti forniscano supporto per una fase ippocampo-dipendente e una indipendente3,6,15,16, non è chiaro come le rappresentazioni corticali si evolvano con il dialogo ippocampo-corticale. Inoltre, non è noto in quali tempi si verifichi tale coordinamento e quali processi potrebbero influenzare le transizioni tra le fasi durante il consolidamento dei sistemi.

Usiamo un compito di apprendimento delle abilità di prensione per monitorare il dialogo ippocampo-corticale (corteccia prefrontale (PFC) e corteccia motoria primaria (M1)) sia negli stati di sonno che di veglia. Poiché la prensione richiede M1 (rif. 14,17), possiamo monitorare il consolidamento in una regione essenziale. È noto che anche la riattivazione degli insiemi di compiti in M1 durante il sonno con movimenti oculari non rapidi (NREMS) è essenziale per l'apprendimento delle abilità18,19,20. Inoltre, le oscillazioni lente del sonno globale (SO), un fenomeno legato al PFC e all'ippocampo1,21,22,23, sembrano essere fattori critici della riattivazione locale in M1 (rif. 18). Insieme, ciò suggerisce che il consolidamento delle memorie motorie può comportare il dialogo tra corteccia e ippocampo durante NREMS.

Sebbene gli studi classici abbiano indicato che le "memorie procedurali" sono indipendenti dall'ippocampo24, recenti studi di risonanza magnetica funzionale hanno trovato prove dell'attivazione dell'ippocampo in fasi molto precoci25,26. La natura di questa attivazione dell'ippocampo, tuttavia, rimane poco chiara, e in particolare se le increspature delle onde acute dell'ippocampo (SWR) - un indicatore neurofisiologico chiave del consolidamento della memoria durante NREMS1,27,28 - siano associate all'apprendimento delle abilità rimane sconosciuto. Abbiamo quindi testato l'ipotesi che i cambiamenti variabili nel tempo nell'accoppiamento tra SO e SWR durante NREMS delimitano le fasi di consolidamento.

Un’ipotesi strettamente correlata è che ciascuna di queste due fasi sia associata a fasi distinte di consolidamento in M1. L'evoluzione temporale delle dinamiche della popolazione neurale ("traiettorie neurali") all'interno di una varietà a bassa dimensione (modelli di varianza condivisa) è strettamente legata alla prestazione qualificata29,30,31. Mentre le traiettorie neurali sono stabili per comportamenti ben praticati, sono variabili durante l'apprendimento32,33. Abbiamo quantificato la varianza della traiettoria neurale utilizzando una misura di fedeltà. Ci aspettiamo una bassa fedeltà (ampia varianza) durante l'apprendimento precoce a causa della "molteplice esplorazione". Al contrario, durante il “consolidamento molteplice”, ci aspettiamo una fedeltà crescente. Non è chiaro come il consolidamento dei sistemi possa collegarsi all’esplorazione multipla rispetto al consolidamento.

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>