Část 1: Jaký je účinek reaktivace paměti během učení?

Kontakt: Audrey Hu Whatsapp/hp: 0086 13880143964 E-mail:audrey.hu@wecistanche.com

Pls klikněte zde pro část 2

Robert J. Molitor,1,2 Katherine R. Sherrill,2 Neal W. Morton,2 Alexandra A. Miller,3 a Alison R. Preston1,2,3

1Katedra psychologie, Texaská univerzita v Austinu, Austin, Texas 78712, 2Centrum pro učení a paměť, Texaská univerzita v Austinu, Austin, Texas 78712, a 3Katedra neurověd, Texaská univerzita v Austinu, Austin, Texas 78712

Doplněk Cistanche: zlepšení paměti

Události, které se překrývají s předchozími zkušenostmi, mohou vyvolat reaktivaci existujících vzpomínek. Taková reaktivace však může mít různé reprezentativní důsledky v hipokampálním okruhu. Výpočtové teorie hipokampální funkce naznačují, že gyrus dentatus a CA2,3 (DG/CA2,3) jsou zaujaté k odlišení velmi podobných vzpomínek, zatímco CA1 může integrovat související události tím, že je představuje překrývajícími se nervovými kódy. Zde jsme testovali, zda tvorba diferencovaných nebo integrovaných reprezentací v hipokampálních subpolích závisí na sílePaměťreaktivace během učení. Lidští účastníci obou pohlaví se naučili asociace (páry AB, buď tvar obličeje, nebo tvar scény), a poté podstoupili skenování fMRI, zatímco kódovali překrývající se asociace (páry tvar-objekt BC). Jak před učením, tak po něm, byli účastníci také skenováni, zatímco si prohlíželi nepřímo související prvky překrývajících se pamětí (obrázky A a C) v izolaci. Použili jsme mnohorozměrné analýzy vzorů k měření reaktivace počátečních párových pamětí (položky A) během překrývajícího se párového (BC) učení, stejně jako změny reprezentace související s učením pro nepřímo souvisejícíPaměťprvky v hipokampálních subpolích. Když byly předchozí paměti silně reaktivovány během kódování překrývajících se párů, reprezentace DG/CA2,3 a subiculum pro nepřímo související obrázky (A a C) se staly méně podobné, což je v souladu s diferenciací vzorů. Zároveň,Paměťreaktivace během nového učení podpořila integraci v CA1, kde reprezentace pro nepřímo souvisíPaměťprvky se po učení staly podobnějšími. dálePaměťreaktivace a reprezentace subikula předpovídaly rychlejší a přesnější rozhodování o odvození (AC). Tato data ukazují, že reaktivace souvisejících vzpomínek během nového učení vede k disociovatelným kódovacím strategiím v hipokampálních subpolích, v souladu s výpočetními teoriemi.

Klíčová slova: asociativní paměť; epizodická paměť; fMRI s vysokým rozlišením; hippocampal subfield; separace vzorů

kapsle na zlepšení paměti cistanche

Prohlášení o významu

Flexibilita epizodPaměťnám umožňuje zapamatovat si jak detaily, které odlišují podobné události, tak společné rysy mezi nimi. Zde jsme testovali, jak reaktivace minulých zkušeností během nového učení podporuje tvorbu neurálních reprezentací, které by mohly sloužit těmto dvěmaPaměťfunkcí. Zjistili jsme, že reaktivace paměti během učení podporovala tvorbu diferencovaných reprezentací překrývajících se vzpomínek v podpolích gyrus dentatus/CA2,3 a subiculum hippocampu, přičemž současně vedla k vytvoření integrovaných reprezentací souvisejících událostí v podpoli CA1. dálePaměťreaktivace a reprezentace subikula předpovídaly úspěch při odvozování nepřímých vztahů mezi událostmi. Tato zjištění tomu nasvědčujíPaměťreaktivace je důležitým učebním signálem, který ovlivňuje, jak jsou překrývající se události reprezentovány v hipokampálním okruhu.

Úvod

Hipokampus se skládá z několika dílčích polí, které přispívají kPaměťzpracování a reprezentace. Výpočtové modely navrhují, že anatomické vlastnosti gyrus dentatus a CA2,3 (DG/CA2,3) činí tato podpole ideálními pro separaci vzorů nebo automatickou ortogonalizaci vysoce podobných kortikálních vstupů prostřednictvím řídkého vypalování (Marr, 1971; Schapiro et al. ., 2017). Naproti tomu vlastnosti CA1 byly navrženy ke zprostředkováníPaměťintegrace nebo vytváření překrývajících se reprezentací, které kódují společné rysy

Obrázek 1. Návrh experimentu. Schéma behaviorálního úkolu. Účastníci byli nejprve vystaveni individuálně prezentovaným obrázkům (obličeje, scény a nové předměty), které se později nepřímo propojily prostřednictvím asociativního učení (položky A a C). Poté se účastníci naučili spojovat počáteční páry (asociace AB tvaru obličeje nebo tvaru scény) a byli skenováni, zatímco se učili překrývající se páry (sdružení BC tvaru a objektu). Účastníci byli znovu skenováni v postexpoziční fázi, zatímco si prohlíželi stejné položky z preexpozice (položky A a C). Účastníci poté dokončili inferenční úkol napříč epizodami. Nakonec účastníci dokončili úkol lokalizátoru, ve kterém si prohlíželi jednotlivě prezentované tváře, scény, předměty a tvary v zablokovaném designu. B, Manipulace s vizuální podobností. Podobnost sdílené položky B napříč páry byla parametricky upravena. V tomto příkladu by horní tvar byl vidět v počátečních párech AB, zatímco spodní řádek představuje různé tvary tvarů, které bylo možné vidět při učení překrývajících se párů BC. Spojovací B položka prezentovaná během překrývajícího se párového učení může být buď přesná shoda s B položkou prezentovanou během počátečního (AB) párového učení, morf s vysokou podobností nebo nízkou podobností nebo novou (tj. nepřekrývající se) položkou. C, Subjektivní podobnost tvarových podnětů používaných pro Blinking položky. Nezávislý vzorek účastníků hodnotil vizuální podobnost mezi nadřazenými tvary a tvarovými morfy prezentovanými vedle sebe pomocí 5bodové Likertovy škály (1=vůbec ne podobné, 5=velmi podobné). pp , 0.05 (párové t-testy). Chybové úsečky označují 6 SEM.

napříč souvisejícími epizodami (Eichenbaum et al., 1999; Schlichting a Preston, 2015; Schapiro et al., 2017). Elektrofyziologický výzkum prokazuje takové reprezentativní disociace mezi dílčími poli: soubory DG/CA2,3 vyvolávají odlišné vzory střelby s pouze malými změnami v percepčních rysech prostředí, zatímco vzorce aktivity CA1 se mění postupně, jak se prostředí stávají percepčně odlišnými (Leutgeb et al., 2004, 2007). Paralelní práce u lidí ukázala, že změny v aktivaci DG/CA2,3 rozlišují mezi vysoce podobnými obrázky objektů nebo objekty, které sdílejí podobný kontext, zatímco reakce CA1 nikoli (Bakker et al., 2008; Lacy et al., 2011; Dimsdale -Zucker a kol., 2018). Subiculum, výstupní struktura hipokampálního okruhu (O'Mara et al., 2001), může přispívat jak k diferenciaci vzorů (Potvin et al., 2009), tak k integraci (Schapiro et al., 2012).

Taková předchozí práce však nezvažovala jakPaměťreaktivace pohání disociovatelné reprezentační strategie v hippocampu, což umožňuje, aby učení reprezentace přesahovalo jednoduchou transformaci mezi externím smyslovým vstupem aPaměťvýstup. Klasické výpočtové modely učení to navrhujíPaměťreprezentace by se měly upravit tak, aby předpovídaly pravděpodobné výsledky v reakci na podněty prostředí, přičemž k integraci dochází, když podněty předpovídají stejný výsledek, a diferenciaci, když podněty předpovídají odlišné výsledky (Rumelhart et al., 1986). Nedávné nálezy fMRI však naznačují, že k diferenciaci může dojít také tehdy, když stimuly sdílejí společnou asociaci nebo výsledek (Schlichting et al., 2015; Favila et al., 2016; Zeithamova et al., 2018). V těchto studiích byly reprezentace hipokampu odlišnější pro podněty, které sdílely společný výsledek, než podněty s různými výsledky. Takové rozlišení nelze vysvětlit z hlediska automatického oddělení externího vstupu prostřednictvím řídkého kódování v DG/CA2,3; spíše nedávná teoretická perspektiva navrhuje hipokampální podoblasti (Ritvo et al., 2019). Také jsme předpokládali, že integrace a diferenciace nebudou vzájemně se vylučujícími výsledky v reakci na reaktivaci paměti, ale že reaktivace by místo toho vedla k současné tvorbě komplementárních diferencovaných a integrovaných reprezentací v DG/CA2,3 a CA1.

Abychom otestovali tyto předpovědi, parametricky jsme manipulovali s percepční podobností mezi překrývajícími se událostmi v asociativní inferenční úloze (obr. 1). Účastníci studovali počáteční páry a byli skenováni pomocí fMRI s vysokým rozlišením, zatímco se učili překrývající se páry. Testovali jsmePaměťpro naučené páry a odvozené znalosti o nepřímých vztazích napříč páry, přičemž inferenční výkon slouží jako behaviorální index integrace (Shohamy a Wagner, 2008; Zeithamová et al., 2012). Kriticky jsme kvantifikovali jakPaměťreaktivace během učení překrývajících se událostí ovlivnila reprezentaci hipokampálního subpole.

cistanche zdravotní přínosy: zlepšení paměti

Materiály a metody

Účastníci

Po poskytnutí informovaného souhlasu v souladu s protokolem schváleným Institutional Review Board na University of Texas at Austin. Účastníci dostali kompenzaci ve výši 25 $/h. Data od 6 účastníků byla z analýz vyloučena: 2 účastníci z důvodu nadměrného pohybu hlavy, 1 účastník, který odstoupil z experimentu, 2 účastníci, kteří měli neúplné skenování (nebyly naskenovány postexpoziční a/nebo lokalizační fáze) a 1 účastník pro artefakty obrazu ve funkčních skenech, které vylučovaly analýzu fáze preexpozice a lokalizace. Zbývající účastníci (n=26, 14 žen) byli zahrnuti do analýz. Konečnou velikost vzorku jsme určili na základě souvisejících studií, které používaly podobná paradigmata a analytické přístupy (Zeithamova et al., 20}12; Schlichting et al., 2015; Dimsdale-Zucker et al., 2018). Tato velikost vzorku nám navíc poskytla odhadovanou statistickou sílu 0,0,99 k detekci vlivu vizuální podobnosti na přesnost odvození napříč epizodami na základě pilotních dat od samostatné skupiny účastníků (n=30, 22 žen, ve věku { {23}}roky, průměr=18,9 let; ANOVA s opakovanými měřeními, výsledkem je částečná h na druhou (h2)=0,280).

Podněty

Podněty byly 58 neznámých tváří (napůl mužské, napůl ženské, všechny bílé), 58 neznámých scén (napůl přirozené, napůl uměle vytvořené), 671 černých tvarů vygenerovaných v MATLABu (více informací viz Manipulace s vizuální podobností během nového kódování) a 74 nových objektů (Hsu et al., 2014; Schlichting et al., 2015). Podmnožina podnětů byla uspořádána do 32 triad sestávajících ze tří položek (A, B, C), které byly použity v asociativní inferenční úloze (obr. 1A). Položky A se skládaly z tváří (16) rovnoměrně rozdělených podle pohlaví a scén (16) rovnoměrně rozdělených podle přírodních a umělých; všechny položky B byly tvary (56); všechny položky C byly nové objekty (32). Další podskupina podnětů (42 tváří, 42 scén, 42 objektů a 42 tvarů) byla použita v úloze lokalizátoru a během úlohy asociativní inference nebyly vidět. Přiřazení podnětů k úloze triád a lokalizátoru bylo mezi účastníky randomizováno. Stimuly byly prezentovány pomocí Psychtoolbox v MATLABu (Brainard, 1997; Pelli, 1997; Kleiner et al., 2007).

cistanche prášek

Postup úkolu

Počáteční párové (AB) učení. Účastníci se naučili počáteční páry (AB) ve čtyřech studijních a testovacích blocích. Během fáze studie byl každý z 32 počátečních párů prezentován po dobu 3,5 s s 0,5 s intertrial intervalem (ITI). Položka A (obličej nebo scéna) byla vždy prezentována vlevo a položka B (tvar) byla vždy uvedena vpravo. Po prostudování všech párů byli účastníci testováni pomocí 3-alternativního testu vynucené volby. Účastníci byli označeni položkou A v horní části obrazovky a museli si vybrat mezi vhodnou položkou B a dvěma fóliemi. Fólie byly tvary z jiných triád, takže účastníci nemohli založit své rozhodnutí na známosti tvarů. Účastníci měli na každou zkoušku 1{10}} s. Po odpovědi účastníka byla na konci každého pokusu po dobu 1 s poskytnuta opravná zpětná vazba. Testovací pokusy byly odděleny 0,5 s ITI. Během této fáze byly shromážděny anatomické snímky.

Manipulace s vizuální podobností během nového kódování. Prozkoumat, jak podobnost prvků události ovlivňujePaměťPři reaktivaci a chování byla vizuální podobnost spojovacího prvku (tvar nebo položka B) v asociativní inferenční úloze parametricky upravena (obr. 1B). Zmanipulovali jsme vizuální podobnost na základě předchozí práce ukazující, že reakce hippocampu podpole jsou modulovány překrýváním vizuálních rysů mezi událostmi (Leutgeb et al., 2004, 2007; Bakker et al., 2008; Lacy et al., 2011). Podmínky byly celkem čtyři: přesná shoda, vysoká podobnost, nízká podobnost a nová. V podmínkách přesné shody účastníci viděli přesně stejný spojovací tvar B, když se učili počáteční páry (AB) a překrývající se páry (BC). V podmínkách vysoké a nízké podobnosti byl každý tvar viděný v překrývajících se párech parametrickou morfou tvaru z jednoho z počátečních párů. „Rodičovské“ tvary byly generovány tak, že se vzalo 16 bodů rozmístěných po obvodu kruhu, každý bod se náhodně přeložil a pak se přilehlé body spojily a vytvořily se hrany pomocí interpolace spline. Tvary v podmínkách vysoké a nízké podobnosti byly generovány převzetím dvou nadřazených tvarů a zprůměrováním souřadnic odpovídajících vrcholů pomocí různých vah. Tvary s vysokou podobností byly váženy 80 procenty k jednomu rodičovskému tvaru a 20 procenty k druhému rodiči, zatímco tvary s nízkou podobností byly váženy 70 procenty k jednomu rodiči a 30 procenty k druhému. V novém stavu účastníci viděli nový tvar spárovaný s novým objektem, díky čemuž se tyto páry nepřekrývaly s původními páry. Nové páry tak sloužily jako základ pro asociativní učení. Každý účastník studoval osm triád na podmínku vizuální podobnosti.

Rozdíly v subjektivní podobnosti mezi položkami s vysokou a nízkou podobností byly potvrzeny na nezávislém vzorku 9 účastníků (8 žen, ve věku 18-22let, průměr=19,4 roky). Účastníci tohoto vzorku hodnotili vizuální podobnost mezi rodičovskými tvary a tvarovými morfy prezentovanými vedle sebe pomocí 5bodové Likertovy škály (1=vůbec ne podobné, 5=velmi podobné) v 180 pokusech . Přesné shody byly hodnoceny jako podobnější než morfy s vysokou podobností (t(8) {{10}}.255, p , 0.001, Cohenovo d=2.085), morfy s vysokou podobností byly hodnoceny jako podobnější než morfy s nízkou podobností (t(8)=9.312, p,0,001, d=3.104) a morfy s nízkou podobností byly hodnoceny jako podobnější než nové položky (t(8)=10.021, p,0.001, d=3.340). Jednou výhradou ke kvantifikaci subjektivní podobnosti pomocí tohoto přístupu je, že srovnání nezahrnuje aPaměťkomponent. Je možné, že pokud vložíme zpoždění mezi prezentaci dvou tvarů, pozorovaná funkce subjektivní podobnosti (obr. 1C) se může lišit; například subjektivní rozdíly podobnosti mezi podmínkami vysoké a nízké podobnosti mohly být méně výrazné. I když toto upozornění ohledně měření může ovlivnit interpretaci samotných subjektivních úsudků o podobnosti, má menší dopad na interpretaci našich centrálních behaviorálních a nervových analýz. Pozorujeme rozdíly vPaměťvýkon a reaktivace mezi podmínkami podobnosti (včetně podmínek vysoké a nízké), které indikují, že čtyři podmínky podobnosti rozdílně ovlivnily zpracování (viz Výsledky). Kromě toho se naše neuronové analýzy hodnotící změny reprezentace související s učením zaměřují pouze na podmínku vysoké podobnosti a nespoléhají na srovnání s jinými podmínkami podobnosti (viz Expozice jednotlivých položek před a po učení).

Překrývající se párové (BC) učení. Poté, co se účastníci naučili počáteční páry, byli skenováni, zatímco se učili překrývající se páry. Tato fáze se opět skládala ze čtyř studijních-testových bloků. Během fáze studie bylo 32 párů prezentováno pomocí designu souvisejícího s událostí, přičemž páry byly prezentovány po dobu 3,5 s následované 8,5 s ITI fixace. Položka C (objekt) byla vždy uvedena vlevo a položka B (tvar) byla vždy uvedena vpravo. Po každé fázi studie byli účastníci testováni na párech BC pomocí 3-alternativního testu nucené volby, který nebyl skenován. Účastníci byli označeni položkou C v horní části obrazovky a museli si vybrat mezi vhodnou položkou B a dvěma fóliemi. Během této fáze nebyla poskytnuta zpětná vazba. Účastníci měli 1{10}} na odpověď na každý test a testy byly odděleny 0,5 s ITI.

Expozice jednotlivým předmětům před a po učení. Než se naučili počáteční páry a poté, co se naučili překrývající se páry, byli účastníci vystaveni individuálně prezentovaným položkám A a C (obličeje, scény a předměty) z podmínek vysoké podobnosti. Tyto expoziční fáze byly omezeny na jedinou podmínku vizuální podobnosti, aby se maximalizoval počet prezentací pro každý podnět a zlepšil se odhad aktivačních vzorců souvisejících s úkolem (viz Odhad jednotlivých vzorců podnětů před a po učení). Použití jediné podmínky podobnosti nám také umožnilo kontrolovat účinky vizuální podobnosti při výpočtu reprezentativní změny. Podmínka vysoké vizuální podobnosti byla použita, protože předchozí práce u lidí ukázala, že vysoce vizuálně podobné podněty vyvolávají rozdílné reakce v DG/CA2,3 a CA1 (Lacy et al., 2011).

V každém expozičním běhu byli účastníci skenováni, zatímco položky byly prezentovány po dobu 1 s s 3 s ITI. Zatímco byla každá položka na obrazovce, účastníci dokončili úkol detekce změn tím, že stisknutím tlačítka označili, zda překrývající se černý křížek změnil barvu na zelenou nebo modrou 100-200ms po začátku stimulu (Kriegeskorte et al., 2008; Schlichting et al., 2015). U každé položky byla čtyři opakování na běh a celkem čtyři běhy každé ve fázi před expozicí a po expozici. Pokusy byly pseudorandomizovány tak, že položky v rámci triády byly prezentovány s alespoň dvěma prokládanými položkami z jiných triád. Navíc 20 procent pokusů bylo nulových (tj. neexistoval žádný úkol detekce objektů nebo změn), aby se zlepšil odhad aktivace na úrovni položky v analýze; tyto nulové pokusy byly umístěny náhodně mezi pokusy s prezentací položek. Pořadí zkoušek a načasování byly identické ve fázi před expozicí a po expozici. Přesnost úkolu detekce změn byla monitorována, aby bylo zajištěno, že účastníci věnovali úkolu pozornost, ale nebyli dále zvažováni.

Byla zde také nenaskenovaná preexpoziční fáze pro položky z přesné shody, nízká podobnost a nové podmínky, které nastaly před prvním naskenovaným preexpozičním během. Účelem této fáze bylo přirovnat znalost položek A a C v přesné shodě, nízké podobnosti a nových podmínkách s položkami ve stavu vysoké podobnosti před párovým učením. Neskenovaná expozice byla podobná fázím naskenované expozice, až na to, že ITI byla 0,5 s a neproběhly žádné nulové pokusy.

Asociativní inference (AC) test. Po postexpoziční fázi dostali účastníci překvapivý test na nepřímé vztahy mezi položkami A a C, které sdílely společného společníka (B). Inferenční test byl proveden uvnitř skeneru, ale nebyl naskenován. V této fázi byli účastníci navedeni položkou C (objektem) a mohli si vybrat mezi položkami A stejné kategorie (tj. tři tváře nebo tři scény). Při zkouškách na obličeji byli účastníci instruováni, aby si vybrali osobu, která bude s největší pravděpodobností vlastnit navedený objekt. Při zkouškách ve scéně byli instruováni, aby si vybrali místo, kde s největší pravděpodobností najdou navedený objekt. Je kritické, že v žádném okamžiku nebyli účastníci výslovně poučeni o manipulaci s vizuální podobností nebo o překrývání učení. Účastníci dostali 10 s na odpověď. Nebyla poskytnuta žádná zpětná vazba.

Lokalizátor. Po inferenčním testu byli účastníci skenováni v úloze lokalizátoru. V tomto úkolu si účastníci prohlíželi řadu podnětů ze čtyř kategorií podnětů použitých v experimentu: tváře, scény, tvary a předměty. Stimuly byly prezentovány v blokovaném provedení, přičemž každý blok sestával z osmi snímků prezentovaných po dobu 2,5 s, každý s 0,5 s ITI. Během každého stimulačního bloku účastníci dokončili jeden krok zpětPaměťúkol, ve kterém museli detekovat opakovaný podnět. V každém bloku byl jeden opakovaný podnět. Byla sledována přesnost jednorázového úkolu, aby se zajistilo, že účastníci úkolu věnují pozornost, ale dále se o něm neuvažovalo. Bloky byly odděleny 8s fixací. Účastníci dokončili tři běhy úlohy lokalizátoru se dvěma bloky na typ stimulu na běh.

Sběr a předzpracování dat fMRI

Data byla shromážděna pomocí 3T Siemens Skyra. Celkem bylo provedeno 15 funkčních skenů (TR=2000 ms, TE=30 ms, úhel převrácení=73 stupně, izotropní voxely 1,7 mm, EPI, multipásmový akcelerační faktor{{8} }) napříč preexpozičními, překrývajícími se párovými studiemi, postexpozičními a lokalizačními fázemi. Tři mapy pole (TR=589 ms, TE{{10}} ms/7,46 ms, 1.5 1.5 2 mm voxely, úhel převrácení{{16} } stupně ) byly shromážděny pro korekci zkreslení v magnetickém poli: jeden bezprostředně před preexpoziční fází pro korekci preexpozičních skenů, jeden před fází studie překrývajících se párů pro korekci studie a postexpozičních skenů a jeden před fází lokalizátoru pro korekci preexpozičních skenů. skenování lokalizátoru. Byl shromážděn vážený objem 3D MPRAGE AT1- (TR=1900 ms, TE=2,43 ms, úhel převrácení=9 stupně, 1 mm izotropní voxely), aby se usnadnilo zarovnání a normalizace funkční data do anatomické šablony. Byly shromážděny dva koronální T2- vážené strukturální skeny, zarovnané kolmo k dlouhé ose hipokampu (TR=13,150 ms, TE=82 ms, 0,4 mm v rovině, 1,5 mm přes -rovina) a poté zprůměrovány pro segmentaci podpolí.

Funkční a anatomické snímky byly předzpracovány pomocí FMRIB Software Library verze 5.0.9 (FSL: http://fsl.fmrib.ox.ac.uk/fsl/) a Advanced Normalization Tools (ANTS) verze 2.1 ( Avants a kol., 2011). Funkční skeny byly pohybově korigovány pomocí MCFLIRT ve FSL a poté registrovány do poslední studie překrývajících se párů pomocí afinních transformací v ANTS. Nemozkové struktury byly odstraněny z funkčních skenů a MPRAGE pomocí BET v FSL. Další zpracování dat bylo provedeno pomocí nástroje FEAT (FMRI Expert Analysis Tool) verze 6.00, součásti FSL. Následující statistické zpracování bylo aplikováno na všechny funkční snímky; společná registrace s MPRAGE a rozbalování EPI založené na mapě pole pomocí FUGUE (Jenkinson, 2003); normalizace grand-mean intenzity celého 4D souboru dat jediným multiplikativním faktorem; časové filtrování horní propusti (Gaussova vážená přímka nejmenších čtverců, s =64 s). Prostorové vyhlazování pomocí Gaussova jádra FWHM 4 mm bylo aplikováno na překrývající se párové učící a lokalizační skeny.

k čemu se cistanche používá: zlepšit paměť

ROI

Anatomické ROI zahrnovaly šedou hmotu celého mozku pro reaktivační analýzu a hipokampální podpole pro analýzu neurálního kódování. Celomozková maska ​​šedé hmoty byla vytvořena pro každého účastníka v nativním prostoru pomocí FAST (Zhang et al., 2001), součásti FSL, s MPRAGE. Masky šedé hmoty pak byly přesunuty do funkčního rozlišení pomocí lineárních transformací v ANTS. V hippocampu byly analyzovány aktivační vzorce v podpolích CA1, kombinované oblasti DG/CA2,3 a subikulu. Hipokampální podpole byla identifikována v hlavě a těle hipokampu v nativním prostoru reverzními normalizačními maskami z open-source šablony se segmentovanými podpolemi (Schlichting et al., 2019) na průměrný T2 koronální obraz každého účastníka pomocí nelineárního SyN transformace v ANTS. Ukázalo se, že tento postup poskytuje výsledky srovnatelné s manuálním trasováním (Schlichting et al., 2019). Masky byly poté kontrolovány a ručně upravovány pro každého účastníka, aby se odstranily voxely mimo hippocampus a zajistila se přesná segmentace na základě zavedených protokolů (West a Gundersen, 1990; Duvernoy, 1998; Mai et al., 2007). Nakonec byly masky podpolí transformovány do prostoru funkčních skenů nejprve registrací průměrného koronálního obrazu do MPRAGE pomocí lineárních transformací a poté aplikováním dříve vypočítané transformace na funkční prostor.

Kvantifikace a statistická analýza

DekódováníPaměťreaktivace během učení překrývajících se událostí. K měření reaktivace kódovacích vzorů souvisejících s počátečními páry během učení překrývajících se párů jsme použili analýzu klasifikace vzorů v PyMVPA (Hanke et al., 2009). Pokud účastníci reaktivovali související informace (tj. A obličej a položky scény z párů AB), když se učili překrývajícím se párům (páry BC tvar-objekt), pak by klasifikátor vzorů trénovaný na datech lokalizátoru měl být citlivý na kategorii informací (buď obličej nebo scéna), která se reaktivuje (Polyn et al., 2005; Kuhl et al., 2011; Zeithamova et al., 2012). Trénovali jsme tedy klasifikátor vzorů s daty z fáze lokalizátoru a poté jsme klasifikátor aplikovali na fázi učení překrývajících se párů. Zprovoznili jsmePaměťreaktivace jako důkaz klasifikace pro kategorii položek A (tj. obličej nebo scéna) z počátečních párů AB souvisejících s překrývajícími se páry BC.

Měřili jsmePaměťreaktivace pomocí vícekrokového postupu. Nejprve jsme spustili celomozkový vyhledávač (Kriegeskorte et al., 2006), abychom identifikovali oblasti, kde byly informace o položkách A obnoveny během překrývajícího se párového učení. V každé kouli hledacího světla (poloměr=3 voxely, objem=123 voxely) byl trénován lineární podpůrný vektorový stroj, který rozlišoval neurální vzorce od fáze lokalizátoru spojené s tvářemi, scénami, objekty a tvary. Aby se zohlednilo hemodynamické zpoždění, každý funkční snímek byl označen tak, že se vzaly zkušební štítky a posunuly se vpřed o 4 s (dvě TR). Trénovaný klasifikátor byl poté aplikován na neurální vzorce z fáze učení překrývajících se párů, která byla také časově posunuta o 4 s. Odhady reaktivace na úrovni pokusu byly extrahovány odebráním důkazu klasifikátoru pro kategorii spojenou s položkou A každé triády (např. důkaz klasifikátoru pro tváře pro triády tvar obličeje a objektu) pro dva TR odpovídající prezentaci každého páru. Hodnoty důkazů klasifikátoru byly roztříděny do dvou sad: sada reaktivace

a základní sadu. Sada pro reaktivaci obsahovala hodnoty důkazů klasifikátoru ze studií přesné shody, vysoké podobnosti a nízké podobnosti. Základní soubor obsahoval hodnoty důkazů obličeje a scény ze zkoušek v novém stavu. Protože se páry tvar-objekt v novém stavu nepřekrývaly s žádným z dříve naučených párů, neměly by vyvolávat reaktivaci vzpomínek na obličeje nebo scény. Konečný index reaktivace byl vypočítán v každé sféře tím, že se vzal rozdíl mezi průměrným důkazem pro soubor reaktivace a průměrem souboru základní linie.

Abychom otestovali význam tohoto indexu reaktivace, porovnali jsme skutečný index reaktivace s nulovou distribucí v každé kouli světlometu. Nulová distribuce byla vytvořena v 1000 iteracích promícháním důkazních hodnot klasifikátoru napříč sadami reaktivace a základní linie a poté přepočtením indexu reaktivace při každé iteraci. Středový voxel každé koule hledacího světla udával podíl nulové distribuce s indexy reaktivace většími nebo rovnými pozorovanému indexu reaktivace (tj. p-hodnotě). Aby bylo možné identifikovat oblasti reaktivace mezi účastníky, byly jednotlivé mapy světlometů jednotlivých účastníků normalizovány na skupinovou šablonu pro testování významnosti. Obrázky s hodnotou p byly převedeny na z-statistické obrázky a poté deformovány na anatomickou šablonu MNI 152 (převzorkováno na rozlišení funkčních skenů, 1,7 mm izotropní voxely) pomocí nelineárních transformací SyN v ANTS. Voxelově bylo provedeno neparametrické permutační testování pomocí Randomise ve FSL přes 5000 iterací (Winkler et al., 2014). Významné shluky byly identifikovány aplikací prahu voxelů p,0,01 (nekorigováno) a prahu shluků p,0,05. Prahové hodnoty byly vypočteny pomocí funkce AFNI (Cox, 1996) 3dClustSim s odhady hladkosti odvozenými z fáze studie pomocí 3dFWHMx na základě prostorové autokorelační funkce. Rozsah shluků byl stanoven pomocí oboustranného prahování se shlukováním druhého nejbližšího souseda.

Abychom potvrdili, že reaktivační opatření nebylo řízeno jedinou kategorií stimulů, dále jsme zkoumali skupiny světlometů, abychom otestovali, zda se reaktivace lišila s kategorií stimulu (obličej nebo scéna) položky A v post hoc analýze. Významné shluky identifikované v analýze reaktivačního světlometu byly převedeny na binární masky a reverzně normalizovány do přirozeného prostoru pomocí ANTS. Poté byla reaktivační analýza opakována v každé funkční ROI pro každého účastníka. Použili jsme ANOVA opakovaných měření s oblastí a kategorií stimulu jako faktory k posouzení, zda se reaktivace v každé oblasti liší jako funkce kategorie stimulu.

Zatímco naše počáteční analýza reflektoru lokalizovala oblasti, ve kterých k reaktivaci došlo nad základní linií, spustili jsme také nezávislý reflektor, abychom identifikovali oblasti, kde se síla reaktivace měnila s vizuální podobností. Tento světlomet používal podobný přístup k analýze měřící celkovou reaktivaci, ale s další úrovní, která porovnávala důkazy klasifikátoru pro reaktivaci mezi podmínkou přesné shody a dalšími podmínkami podobnosti (tj. podmínka vysoké podobnosti a podmínka nízké podobnosti dohromady). Účinek podobnosti byl vypočítán v každé sféře tak, že se vzal rozdíl mezi průměrným důkazem pro podmínku přesné shody a průměrným důkazem pro podmínky vysoké a nízké podobnosti dohromady. Tento rozdíl byl poté porovnán s nulovou distribucí v každé kouli hledacího světla, která byla vytvořena více než 1000 iterací promícháním důkazních hodnot klasifikátoru napříč podmínkami přesné shody a podobnosti. Normalizace na skupinovou šablonu, statistické testování a korekce shluků byly totožné s reflektorem identifikujícím reaktivaci nad základní linií.

Odhad jednotlivých vzorců podnětů před a po učení. Odhady neurálních aktivačních vzorců vyvolaných každým ze stimulů A (obličeje, scény) a C (nové 3D objekty) jsme odvodili z preexpoziční a postexpoziční fáze pomocí GLM s přístupem nejmenších čtverců – samostatný (Mumford et al., 2012 ) v nativním prostoru každého účastníka. Každý ze 16 objektů z naskenovaných expozičních fází (tj. osm položek A a osm položek C z podmínky vysoké podobnosti) bylo iterativně modelováno v každém běhu preexpoziční a postexpoziční fáze zvlášť (Schlichting et al., 2015).

extrakt z cistanche tubolosa: zlepšuje paměť

Prezentace objektů byly modelovány jako událost 1 s a regresor pro každý objekt zahrnoval všechna čtyři opakování v průběhu skenování. Každý ze 16 objektových regresorů byl konvolvován s kanonickým dvojitým C HRF. Poté bylo použito dočasné filtrování. GLM zahrnovaly další matoucí regresory: parametry pohybu, jejich časové deriváty, posun po snímku a DVARS (Power et al., 20}12; Schlichting a Preston, 2014; Schlichting et al., 2015). Další regresory pohybu byly přidány pro časové body, během kterých pohyb hlavy přesáhl jak 0,5 mm pro posun po snímku, tak 0,5 procenta změny signálu BOLD pro DVARS (Power et al., 2012). Beta snímky byly generovány pro každou položku A a C pro každý běh před expozicí a po expozici, celkem 128 statistických snímků na účastníka.

Kvantifikace změn souvisejících s učením v neurální podobnosti hipokampálního subpole. Diferenciace vzorů aPaměťintegrace v hippocampu byly indexovány pomocí reprezentativní analýzy podobnosti (Kriegeskorte et al., 2008) implementované v PyMVPA (Hanke et al., 2009). Světlomety byly spuštěny odděleně v anatomicky definovaném DG/CA2,3, CA1 a subikulu v nativním prostoru každého účastníka. V rámci každé koule hledacího světla (poloměr=2 voxely, objem=33 voxely) (Schapiro et al., 2012) byly vygenerovány matice podobnosti výpočtem párových Pearsonových korelačních hodnot pro 128 statistických snímků odpovídajících A a C položky v běhu před expozicí a po expozici, transformované na Fisherovo z. Poté byla měřena změna podobnosti vzorů v důsledku učení odečtením hodnot podobnosti před expozicí od hodnot podobnosti po expozici v odpovídajících buňkách.

Poté, co byla vypočtena změna podobnosti vzoru (dále označovaná jako D), byly hodnoty D seřazeny podle toho, zda byla hodnota pro srovnání v rámci triády nebo srovnání napříč triádou. Tyto dvě sady hodnot nám umožnily určit, jak byla reprezentativní změna ovlivněna překrýváním událostí v důsledku učení (srovnávací sada v rámci triády) ve vztahu k základní linii, která jednoduše odrážela opakovanou expozici bez překrývání událostí (srovnávací sada napříč triádou). Důležité je, že pouze hodnoty D, které odrážely korelace napříč běhy, byly použity ke snížení zkreslení, které by mohlo být zavedeno autokorelací v signálu BOLD (Mumford et al., 2012).

Pro posouzení vlivu reaktivace během učení na změnu reprezentace byly hodnoty D v rámci triády dále rozděleny na základě sílyPaměťreaktivace během učení překrývajících se párů. Pro každého účastníka byla pro každou triádu vypočtena síla reaktivace pomocí průměrného indexu reaktivace v síti oblastí identifikovaných v analýze reaktivačního světlometu (viz obr. 3A), zprůměrovaného napříč studijními bloky. Triády byly poté rozděleny na silnější reaktivační triády a slabší reaktivační triády pomocí středního rozdělení na průměrných hodnotách reaktivace. Srovnání v rámci triády D byla tedy dále roztříděna na silnější reaktivaci v rámci triády D a slabší reaktivaci v rámci triády D v každé kouli světlometu. Nakonec byly všechny D sady zprůměrovány, aby se vytvořily tři souhrnné hodnoty: průměrná změna podobnosti v rámci triády pro silnější reaktivační triády (DV rámci silnější), průměrná změna podobnosti v rámci triády pro slabší reaktivační triády (DV rámci slabší) a průměrná změna podobnosti napříč triádou (přes). Porovnali jsme tyto souhrnné hodnoty, abychom určili, zda se nervové kódování měnilo jako funkce síly reaktivace.

Nervové kódování bylo hodnoceno pomocí čtyř kontrastů světlometů (Schlichting et al., 2015) (viz obr. 4B). Dvě analýzy identifikovaly hipokampální voxely, pro které existovalyPaměťintegrace nebo diferenciace napříč všemi triádami, bez ohledu na sílu reaktivace. IntegrationOverall byla vypočtena jako (v rámci silnější – DAcross) 1 (v rámci slabší – DAcross), což odráží větší podobnost v rámci triády než napříč triádou po učení napříč všemi stupni reaktivace. DiferenciaceCelková byla vypočtena jako (DAcross – DWithin silnější) 1 (DAcross – DWithin slabší), což odráží menší podobnost v rámci triády než napříč triádou napříč všemi stupni reaktivace. Dvě další analýzy identifikovaly voxely, pro které se nervové kódování měnilo jako funkce síly reaktivace (IntegrationReactivation a DifferentiationReactivation). Hledač IntegrationReactivation identifikoval voxely, u kterých došlo k integraci ve větší míře pro silnější triády reaktivace. IntegrationReaktivation byla vypočtena jako (v rámci silnější – DWithin slabší). Naproti tomu hledací světlomet DifferentationReactivation identifikoval voxely, u kterých došlo k diferenciaci ve větší míře pro silnější reaktivační triády. DiferenciaceReaktivace byla vypočtena jako (v rámci slabší – DWithin silnější).

Význam každého z těchto výpočtů byl stanoven porovnáním vypočtených hodnot změny podobnosti s nulovým rozdělením v každé kouli světlometu. Nulová distribuce byla vytvořena ve více než 1000 iteracích promícháním buněk v rámci silnější, v rámci slabší a napříč sadami a poté přepočtením sledované statistiky pro každou iteraci. Středový voxel každé koule hledacího světla udával podíl nulového rozdělení s hodnotami většími nebo rovnými pozorované změně podobnosti (tj. p-hodnotě). Významné shluky byly identifikovány pomocí stejné metody jako reaktivační světlomety, s tím rozdílem, že z-statistické snímky byly deformovány na hipokampální šablonu s funkčním rozlišením spíše než na převzorkovanou šablonu MNI pro analýzu na úrovni skupiny. Normalizované mapy světlometů byly poté maskovány každou šablonou anatomického hipokampálního podpole před korekcí shluků, aby se zajistilo, že shluky budou exkluzivní pro každé podpole hipokampu.

Post hoc analýzy dále zkoumaly směr reprezentativní změny pozorované v každém dílčím poli identifikovaném z této analýzy světlometů. Důležitým upozorněním na tyto post hoc analýzy je, že nejsou zcela nezaujaté, protože porovnávají sady voxelů předem vybraných tak, aby vykazovaly specifické efekty založené na kontrastech světlometů. Naše následné analýzy tedy přímo neporovnávaly vnitřní hodnoty pro silnější a slabší položky reaktivace. Naše post hoc analýzy se místo toho zaměřily na velikost hodnot DAcross, abychom otestovali, zda došlo ke globálním posunům v neurální podobnosti napříč fázemi před expozicí a po expozici, kromě srovnání hodnot DWithin s hodnotami DAcross pro kvantifikaci stupně integrace a diferenciace související s učením.

Pro tyto post hoc analýzy byla pro každého účastníka v nativním prostoru vypočtena změna podobnosti v DG/CA2,3, CA1 a subikulu. Shluky světlometů identifikované skupinovými analýzami světlometů byly převedeny na masky a zpětně normalizovány do nativního prostoru každého účastníka pomocí nelineárních transformací v ANTS. U každého účastníka byly potom nativní vesmírné shluky dilatovány pomocí FSL s použitím 3 3 3 mm boxu jako jádra. Aby bylo zajištěno, že shluky budou při převodu na nativní prostor účastníka stále omezeny na své příslušné podpole, každý shluk byl maskován pomocí anatomických masek podpolí definovaných pro každého jednotlivého účastníka. Jeden účastník měl shluk CA1 v nativním prostoru bez dostatečného počtu voxelů pro analýzu reprezentativní podobnosti (,10 voxelů) a byl vyloučen z následné analýzy tohoto podpole. U zbývajících účastníků jsme vypočítali průměrnou změnu podobnosti v každém shluku zvlášť pro triády spojené se silnější reaktivací během učení, ty spojené se slabší reaktivací během učení a základní linii napříč triádou.

Kvantifikace vztahu mezi neurálními mírami a chováním. Vztah mezi chováním a našimi neurálními měřítky reaktivace a reprezentativní změny byl hodnocen pomocí modelu lineárního balistického akumulátoru (LBA), aby odpovídal výkonu v inferenčním testu (Morton et al., 2020). Pro každého účastníka a podpole (CA1, DG/CA2,3 a subiculum) jsme vypočítali z skóre změny podobnosti mezi položkami A a C od učení po post-učení (D) pro každou triádu. Také jsme vypočítali z skóre reaktivace položky A napříč triádami pro každého účastníka. Poté jsme použili model LBA k přizpůsobení behaviorálních odpovědí a reakčních časů během inferenčního testu AC s použitím změny podobnosti a reaktivace jako prediktorů variability mezi triádami. Použili jsme víceúrovňový Bayesovský přístup k odhadu středních parametrů sklonu odrážejících vztah mezi neurálními mírami a výkonem AC inference. Pozitivní sklony pro měření D indikují větší hodnoty podobnosti mezi položkami A a C poté, co učení souvisí s rychlejší a přesnější inferencí. Pozitivní sklony pro měření reaktivace naznačují, že větší reaktivace je spojena s rychlejší a přesnější inferencí.