피질 | 산둥 단조 그룹

Nature 613권, 103~110페이지(2023)이 기사 인용

20,000회 액세스

1 인용

256 알트메트릭

측정항목 세부정보

장기 기억 안정화를 위한 프로세스인 시스템 통합은 두 단계로 진행되는 것으로 가정되었습니다1,2,3,4. 새로운 기억에는 해마5,6,7,8,9가 필요하지만 시간이 지남에 따라 피질 네트워크에 통합되어10,11,12해마와 독립적이 됩니다. 이 동안 해마-피질 대화가 어떻게 정확하게 진화하는지, 그리고 피질 표현이 어떻게 함께 변하는지는 알려져 있지 않습니다. 여기서는 기술 학습 작업13,14을 사용하여 일차 운동 피질(M1) 표상 안정성의 변화와 함께 비급속 안구 운동 수면 중 교차 영역 결합의 역학을 모니터링합니다. 우리의 결과는 해마, 전두엽 피질 및 M1 사이의 정확한 교차 영역 결합이 두 가지 별개의 처리 단계를 구분할 수 있음을 나타냅니다. 우리는 각 동물이 성능 안정화와 함께 전두엽 피질과 M1 수면 느린 진동 결합의 급격한 증가를 보여 준다는 것을 구체적으로 발견했습니다. 이러한 급격한 증가는 해마 예리파 리플(SWR)-M1 느린 진동 결합의 감소를 예측하여 해마 분리 및 두 번째 단계로의 전환을 알리는 피드백을 제안합니다. 특히 첫 번째 단계에서는 훈련 후 수면에서 해마 SWR-M1 느린 진동 커플 링이 크게 증가하고 M1 저차원 다양체의 빠른 학습 및 가변성과 밀접한 관련이 있습니다. 놀랍게도 통합 후에도 작업 매개변수를 변경하여 새로운 다양체 탐색을 유도하면 해마-M1 결합이 다시 시작됩니다. 따라서 우리는 학습과 적응 중 다양한 탐색과 관련된 역동적인 해마-피질 대화에 대한 증거를 찾습니다.

시스템 통합을 통한 메모리 안정화는 오랫동안 2단계 프로세스를 따르는 것으로 가정되어 왔습니다1,2,3,4. 고전 연구와 최근 연구 모두 해마 의존 및 독립 단계에 대한 지원을 제공하지만 해마-피질 대화로 피질 표현이 어떻게 진화하는지는 불분명합니다. 더욱이 그러한 조정이 어느 기간에 발생하는지, 시스템 통합 중 어떤 프로세스가 단계 간 전환을 알릴 수 있는지는 알 수 없습니다.

우리는 수면 및 깨어 있는 상태 모두에서 해마-피질(전두엽 피질(PFC) 및 일차 운동 피질(M1)) 대화를 모니터링하기 위해 파악 기술 학습 작업을 사용합니다. 예측에는 M1(참조 14,17)이 필요하므로 필수 영역의 통합을 모니터링할 수 있습니다. 비급속 안구 운동 수면(NREMS) 동안 M1의 작업 앙상블의 재활성화도 기술 학습에 필수적인 것으로 알려져 있습니다18,19,20. 또한 PFC 및 해마1,21,22,23와 관련된 현상인 전체 수면 느린 진동(SO)은 M1의 국소 재활성화에 중요한 동인인 것으로 보입니다(참조 18). 이는 함께 운동 기억의 통합이 NREMS 동안 피질과 해마 사이의 대화를 포함할 수 있음을 시사합니다.

고전적인 연구에 따르면 '절차 기억'은 해마와 독립적인 것으로 나타났지만 최근 기능적 MRI 연구에서는 매우 초기 단계에서 해마 활성화에 대한 증거가 발견되었습니다. 그러나 이러한 해마 활성화의 본질은 불분명하며 특히 NREMS 동안 기억 강화의 주요 신경생리학적 지표인 해마 예파파 잔물결(SWR)이 기술 학습과 연관되어 있는지 여부는 아직 알려지지 않았습니다. 따라서 우리는 NREMS 동안 SO와 SWR 간의 결합에서 시변 변화가 통합 단계를 구분한다는 가설을 테스트했습니다.

밀접하게 관련된 가설은 이 두 단계 각각이 M1의 뚜렷한 통합 단계와 연관되어 있다는 것입니다. 저차원 다양체(공유 분산 패턴) 내에서 신경 집단 역학('신경 궤적')의 시간적 진화는 숙련된 성능과 밀접하게 연결되어 있습니다29,30,31. 신경 궤적은 잘 훈련된 행동에 대해 안정적인 반면, 학습 중에는 가변적입니다32,33. 우리는 충실도 측정을 사용하여 신경 궤적 변동을 정량화했습니다. '다양한 탐색'으로 인해 초기 학습 중에는 낮은 충실도(큰 분산)가 예상됩니다. 대조적으로, '다양한 통합' 중에는 충실도가 높아질 것으로 예상됩니다. 시스템 통합이 다양한 탐색 대 통합과 어떻게 관련될 수 있는지는 불분명합니다.

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>