Cortical | Shandong Forgingss Group

Nature volume 613, páginas 103–110 (2023) Cite este artigo

20k acessos

1 Citações

256 Altmétrico

Detalhes das métricas

A consolidação de sistemas - um processo de estabilização da memória de longo prazo - foi hipotetizada para ocorrer em dois estágios1,2,3,4. Enquanto novas memórias requerem o hipocampo5,6,7,8,9, elas se integram em redes corticais ao longo do tempo10,11,12, tornando-as independentes do hipocampo. Como o diálogo hipocampo-cortical evolui precisamente durante isso e como as representações corticais mudam em conjunto é desconhecido. Aqui, usamos uma tarefa de aprendizado de habilidades13,14 para monitorar a dinâmica do acoplamento entre áreas durante o sono sem movimento rápido dos olhos, juntamente com alterações na estabilidade representacional do córtex motor primário (M1). Nossos resultados indicam que o acoplamento preciso da área cruzada entre hipocampo, córtex pré-frontal e M1 pode demarcar dois estágios distintos de processamento. Descobrimos especificamente que cada animal demonstra um aumento acentuado no córtex pré-frontal e acoplamento de oscilação lenta do sono M1 com estabilização do desempenho. Esse aumento acentuado prevê uma queda no acoplamento de oscilação lenta do hipocampo (SWR)-M1 - sugerindo feedback para informar o desengajamento do hipocampo e a transição para um segundo estágio. Notavelmente, o primeiro estágio mostra aumentos significativos no acoplamento de oscilação lenta SWR-M1 do hipocampo no sono pós-treinamento e está intimamente associado ao rápido aprendizado e variabilidade da variedade de baixa dimensão M1. Surpreendentemente, mesmo após a consolidação, a indução de uma nova exploração múltipla, alterando os parâmetros da tarefa, reativa o acoplamento hipocampo-M1. Assim, encontramos evidências para o diálogo hipocampo-cortical dinâmico associado à exploração múltipla durante o aprendizado e a adaptação.

A estabilização da memória por meio da consolidação de sistemas há muito tem a hipótese de seguir um processo de dois estágios1,2,3,4. Embora estudos clássicos e recentes forneçam suporte para uma fase dependente do hipocampo e uma fase independente3,6,15,16, não está claro como as representações corticais evoluem com o diálogo hipocampo-cortical. Além disso, não se sabe em que escalas de tempo essa coordenação ocorre e quais processos podem informar as transições entre os estágios durante a consolidação dos sistemas.

Usamos uma tarefa de aprendizagem de habilidades de preensão para monitorar o diálogo hipocampo-cortical (córtex pré-frontal (PFC) e córtex motor primário (M1)) nos estados de sono e vigília. Como a preensão requer M1 (refs. 14,17), podemos monitorar a consolidação em uma região essencial. A reativação de conjuntos de tarefas em M1 durante o sono sem movimento rápido dos olhos (NREMS) também é conhecida por ser essencial para o aprendizado de habilidades18,19,20. Além disso, as oscilações lentas globais do sono (SOs), um fenômeno ligado ao PFC e ao hipocampo1,21,22,23, parecem ser fatores críticos da reativação local em M1 (ref. 18). Juntos, isso sugere que a consolidação das memórias motoras pode envolver o diálogo entre o córtex e o hipocampo durante o NREMS.

Embora estudos clássicos indiquem que as 'memórias processuais' são independentes do hipocampo24, estudos recentes de ressonância magnética funcional encontraram evidências de ativação do hipocampo em fases muito precoces25,26. A natureza dessa ativação do hipocampo, no entanto, permanece incerta e, especificamente, se as ondulações de ondas agudas (SWRs) do hipocampo - um marcador neurofisiológico chave da consolidação da memória durante o NREMS1,27,28 - estão associadas ao aprendizado de habilidades permanece desconhecida. Portanto, testamos a hipótese de que mudanças variáveis no tempo no acoplamento entre SOs e SWRs durante o NREMS demarcam estágios de consolidação.

Uma hipótese intimamente relacionada é que cada um desses dois estágios está associado a fases distintas de consolidação no M1. A evolução temporal da dinâmica da população neural ('trajetórias neurais') dentro de uma variedade de baixa dimensão (padrões de variância compartilhada) está intimamente ligada ao desempenho qualificado29,30,31. Enquanto as trajetórias neurais são estáveis para comportamentos bem praticados, elas são variáveis durante o aprendizado32,33. Quantificamos a variação da trajetória neural usando uma medida de fidelidade. Esperamos baixa fidelidade (grande variação) durante o aprendizado inicial por causa da 'exploração múltipla'. Em contraste, durante a 'consolidação múltipla', esperamos uma fidelidade crescente. Não está claro como a consolidação de sistemas pode estar relacionada à exploração múltipla versus consolidação.

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>