Část 3: Dopaminový gradient řídí přístup k distribuované pracovní paměti v rozsáhlé opičí kůře

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

Klikněte zde pro část 2

PODROBNOSTI METOD

Přehled anatomických dat

V této studii kombinujeme posmrtná anatomická data o hustotách receptorů, konektivitě bílé hmoty, hustotách neuronů a počtu dendritické páteře. Každá z těchto čtyř anatomických mír byla původně kvantifikována pomocí různých parcelací kůry. Velké úseky temporálního laloku ještě nejsou kvantifikovány ani pro data receptorové autoradiografie, ani pro data o konektivitě sledování traktu. Sběr těchto dat probíhá a budou zpřístupněny v budoucích studiích. S výjimkou hustot receptorů v zadním parietálním kortexu (Impieri et al., 2019; Niu et al., 2020, 2021) jsou v této studii poprvé uvedeny všechny hustoty receptorů D1. Údaje o konektivitě pro deset ze 40 kortikálních oblastí jsou zde použity poprvé, ale budou podrobněji popsány v připravované publikaci z Kennedyho laboratoře. To nám umožnilo rozšířit výpočet kortikální hierarchie na 40 oblastí.

Cistanche může zlepšit paměť

Poznámka k notaci

Dolní indexy v hranatých závorkách, jako je ½k, se používají k označení samotných kortikálních oblastí. Dolní indexy nejsou v hranatých závorkách, jaké se používají k označení populací neuronů v kortikální oblasti. Horní indexy se používají k poskytnutí dalších objasňujících informací. Používáme konvenci, že cíle jsou uvedeny před zdroji, takže gi;j by označovalo sílu spojení mezi neurální populací j a neurální populací i. Hodnoty parametrů jsou uvedeny v tabulce S6.

Kvantifikace hustoty receptorů napříč kůrou - in-vitro autoradiografie

Abychom vytvořili mapu s vysokým rozlišením a vysokou přesností architektury kortikálního dopaminového receptoru, použili jsme kvantitativní in-vitro receptorovou autoradiografii (Palomero-Gallagher a Zilles, 2018). Předchozí autoradiografie dopaminových receptorů se zaměřila na relativně malé části kůry (Goldman-Rakic ​​a kol., 1990; Impieri a kol., 2019; Lidow a kol., 1991; Niu a kol., 2020; Richfield a kol. , 1989). Abychom vytvořili komplexnější mapu kortikálních dopaminových receptorů, měřili jsme hustotu D1 receptorů ve 109 kortikálních oblastech a D1 a D2 receptory v bazálních gangliích.

Zvířata byla usmrcena pomocí intravenózní letální dávky pentobarbitalu sodného. Mozky byly z lebky okamžitě odstraněny a mozkový kmen a mozeček byly vypreparovány v těsné blízkosti mozkových stopek. Hemisféry byly odděleny a poté rozříznuty na rostrální a kaudální blok řezem v koronální rovině řezu mezi centrální a obloukovitou sulci. Tyto bloky byly zmrazeny v isopentanu při 4{{30}}C až 5{{50}}}C a poté uloženy ve vzduchotěsných plastových sáčcích při 70C. Každý blok byl sériově rozřezán v koronální rovině (tloušťka řezu 20 mm) pomocí kryostatického mikrotomu (CM 3050, Leica, Německo). Řezy byly naneseny na podložní sklíčka potažená želatinou, lyofilizovány přes noc a zpracovány pro vizualizaci receptorů D1 nebo D2, buněčných těl (Merker, 1983) nebo myelinu (Gallyas, 1979). Kvantitativní in vitro receptorová autoradiografie byla označte dopaminergní receptory D1 a D2 podle dříve publikovaných protokolů (Palomero-Gallagher a Zilles, 2018) (Zilles et al., 2002), které zahrnují předinkubaci, hlavní inkubaci a konečný krok proplachování. Pro vizualizaci D1 receptoru byly řezy nejprve rehydratovány a endogenní látky byly odstraněny během 20-minutové preinkubace při pokojové teplotě v 50 mM Tris-HCl pufru (pH 7,4) obsahujícím 120 mM NaCl, 5 mM KCl, 2 mM CaCl2 a 1 mM MgCl2. Během hlavní inkubace byly řezy inkubovány buď se samotným 0,5 nM [3H]SCH 23390 (pro stanovení celkové vazby), nebo s 0,5 nM [3H]SCH 23390 a 1 mM vytěsňovacího mianserinu (pro stanovení podílu vytěsňovaného, ​​ne -specifická vazba) po dobu 90 minut při pokojové teplotě ve stejném pufru, jaký byl použit pro předinkubaci. Nakonec oplachovací procedura sestávala ze dvou 20minutových promývacích kroků ve studeném pufru s následným krátkým ponořením do destilované vody. Pro vizualizaci D2 receptoru byly řezy preinkubovány s 50 mM Tris-HCl pufrem (pH 7,4) obsahujícím 150 mM NaCI a 1 procento askorbátu. V hlavní inkubaci byly řezy inkubovány buď s 0,3 nM [3H]raclopridem samotným, nebo s 0,3 nM [3H]raclopridem a 1 mM vytěsňovacího 1 mM butaklamolu po dobu 45 minut při teplotě místnosti ve stejném pufru, jaký byl použit pro preinkubaci . Oplachování sestávalo ze šesti 1 minutových promývacích kroků ve studeném pufru s následným krátkým ponořením do destilované vody. Specifická vazba je rozdíl mezi celkovou a nespecifickou vazbou. Protože použité ligandy a vazebné protokoly vedly k přemístitelné vazbě, která byla menší než 5 procent celkové vazby, považuje se celková vazba za ekvivalentní specifické vazbě. Řezy byly sušeny ve studeném proudu vzduchu, vystaveny spolu s plastovými šupinami o známé radioaktivitě proti filmům citlivým na tritium (Hyperfilm, Amersham) po dobu šesti (pro receptor D1) nebo osmi (pro receptor D2) týdnů a následně autoradiografy zpracované denzitometrií technikou analýzy obrazu založenou na videu (Palomero-Gallagher a Zilles, 2018) (Zilles et al., 2002). Autoradiografy byly digitalizovány pomocí CCD kamery a uloženy jako 8-snímky s hodnotou bitové šedé s prostorovým rozlišením 2080x1542 pixelů. Hodnoty šedé (g) v koexponovaných škálách, stejně jako experimentální podmínky, byly použity k vytvoření regresní křivky, pomocí které byly hodnoty šedé v každém pixelu autoradiografu transformovány na hustoty vazebného místa (Bmax) ve fmol/mg proteinu. střední hodnota vzorce max=$

(Rovnice 1)

kde R je koncentrace radioaktivity (CPM) na stupnici, E účinnost scintilačního počítače použitého ke stanovení množství radioaktivity v inkubačním pufru, B počet rozpadů za jednotku času a radioaktivita, Wb hmotnost proteinu standardu jako specifická aktivita ligandu KD je disociační konstanta ligandu a L je volná koncentrace ligandu během inkubace. Pouze pro účely vizualizace byly autoradiografy následně pseudobarevně kódovány zvýšením lineárního kontrastu a přiřazením rovnoměrně rozložených rozsahů hustoty spektrálnímu uspořádání jedenácti barev.

Kortikální oblasti byly identifikovány cytoarchitektonickou analýzou a hustoty receptorů byly měřeny na srovnatelných místech v sousedních řezech zpracovaných pro vizualizaci receptorů. Průměrná hustota receptoru pro každou oblast v sérii 3–5 řezů na zvíře a receptor byla stanovena pomocí profilů hustoty extrahovaných vertikálně ke kortikálnímu povrchu pomocí interního softwaru založeného na MATLABu (Pal-Omero-Gallagher a Zilles, 2018).

Retrográdní trasování traktu

Údaje o meziareální konektivitě v tomto článku jsou součástí pokračujícího úsilí o mapování kortikálního konektomu makaka pomocí retrográdního sledování traktu (Markov et al., 2013,2014a,2014b). Pro každou cílovou oblast byl do kortexu injikován retrográdní indikátor. Značkovač byl zachycen v axonových zakončeních v této oblasti a retrográdně transportován do buněčných těl neuronů, které promítaly do cíle. Tato buněčná těla mohou být v celém mozku. Každé z těchto buněčných těl v kortexu bylo počítáno jako značený neuron (LN). Počet značených neuronů byl spočítán ve všech kortikálních oblastech kromě injikované cílové oblasti. Kortikální oblasti, které vysílají axony do cílové oblasti, se nazývají zdrojové oblasti. Protože mezi infekcemi existují nekontrolovatelné rozdíly v objemu indikátoru a příjmu, odhadli jsme sílu spojení následovně. Pro danou infekci. byl spočítán celkový počet buněčných těl v kortexu mimo injikovanou (cílovou) oblast. Počet značených neuronů ve zdrojové kortikální oblasti byl poté dělen počtem značených neuronů v celé kůře (kromě cílové oblasti), čímž se získal zlomek značených neuronů (FLN). FI N byla zprůměrována napříč všemi infekcemi v dané cílové oblasti., Pro tento výpočet. zahrnujeme všechny oblasti v celé kortikální hemisféře (oblasti 91).

Subikulum (SUB) a piriformní kortex (PIR) mají kvalitativně odlišnou laminární strukturu od neokortikálních oblastí, a proto jsou supra- a infralaminární spojení (a tedy SLN) z těchto oblastí nedefinované. Z následujících výpočtů jsme tak odstranili všechna spojení z těchto oblastí (plochy, SLN=89). Tyto údaje o připojení jsou k dispozici na webových stránkách core-nets.

Odhad kortikální hierarchie

Následně (Markov et al.,2014a) odhadneme hierarchickou pozici h každé oblasti pomocí hodnot SLN jejích spojení. Feed-forward spojení mají tendenci vznikat v supragranulárních vrstvách, zatímco zpětnovazební spojení mají tendenci vznikat v hlubokých vrstvách zdrojové oblasti (Barone et al., 2000; Felleman a Van Essen, 1991). Navíc, pokud cílová oblast zaujímá mnohem vyšší hierarchickou pozici než zdrojová oblast, větší podíl neuronů se vynoří ze supragranulárních lavorů zdrojové oblasti, než když jsou tyto dvě oblasti v hierarchii uzavřeny (Barone et al., 2000). . Podobně pro zpětnovazební spojení větší hierarchická vzdálenost mezi oblastmi znamená, že vyšší oblast vysílá větší část své ochrany z infragranulárních lávek. To znamená, že podíl neuronů pocházejících ze supragranulárních vrstev v daném spojení poskytuje odhad relativní hierarchické pozice dvou spojených oblastí (Barone et al.2000:Markoy et a.2014a). Tady. dále (Markey et al., 2014a) odhadujeme sadu hierarchických úrovní (jedna na oblast), která nejlépe předpovídá hodnoty SLN pro všechna spojení v datové sadě.

Model pro odhad hierarchie má tvar

g(E(SLNJ))= X (rovnice 4)

kde g je funkce, která spojuje SLN spojení mezi oblastmi s hierarchickou vzdáleností mezi nimi. je sloupcový vektor délky nareasSLN obsahující hodnoty hierarchie, které mají být odhadnuty. X je incidenční matice tvaru nconns×nareasSLN, kde ikony ({{0}}) představují počet pozorovaných (nenulových) spojení mezi kortikálními oblastmi ve zbývajícím souboru dat. Každý řádek v X představuje spojení a každý sloupec představuje kortikální oblast. Všechny položky v každém řádku se rovnají 0 kromě sloupce odpovídající zdrojové oblasti, která má hodnotu -1, a cílové (příjemcové) oblasti, která má hodnotu 1 (Strang, 1993).

Integrace anatomických datových sad Všechna anatomická data byla mapována do příslušných parcelací na povrchu Yerkes19. Pro tuto studii jsme zmapovali všechna data do 40 oblastí Lyonského podgrafu (Markov et al., 2014b), protože oblasti v této parcelaci byly obecně větší než oblasti v atlasu mozku makaků Julich (Impieri et al., 2019; Niu et al., 2020; Rapan et al., 2021; tato práce) a místa vpichu v Queenslandu (počet páteře) (Elston, 2007) a blíže standardním plošným popisům než Vanderbilt (neuronová hustota) (Collins et al., 2010) sekce. Receptorové hustoty byly kvantifikovány ve 109 kortikálních oblastech definovaných městskou a receptorovou architekturou. Metoda pro vymezení hranic kortikální oblasti je popsána v (Impieri et al., 2019; Niu et al., 2020; Rapan et al., 2021). Stejnou metodou identifikovali anatomové (NPG, MN, LR) kortikální oblasti na základě receptoru a cytoarchitektury. Definice oblastí viz obrázek 1. Anatomové pečlivě nakreslili (NPG, MN, LR) a nezávisle revidovali (NPG, MN, LR, SFW) definované hranice na kortikálním povrchu Yerkes19 (Donahue et al., 2016), aby umožnili srovnání s jinými datovými typy. Data receptoru D1 byla mapována do Lyonského atlasu následovně. Pro každou oblast v atlasu Lyonu jsme hledali přesahy s oblastmi v atlasu mozku makaků Julich. Pokud více než 50 procent vrcholů v oblasti bylo také v atlasu mozku makaků Julich, byla vypočtena hustota receptorů D1 pro oblast. Všem vrcholům v každé oblasti Julich byla přiřazena střední hodnota pro tuto oblast. Zprůměrovali jsme hustotu receptoru D1 napříč všemi vrcholy, které ležely jak v oblasti Lyonu, tak v atlasu mozku makaků Julich, čímž jsme provedli vážený průměr hustot receptoru D1 podle stupně prostorového překrytí. Tímto způsobem byla hustota receptoru D1 přiřazena 32 ze 40 oblastí Lyonu, přičemž zbývajících osm oblastí se dostatečně nepřekrývalo s mozkovým atlasem makaků Julich. Vzhledem k silné pozitivní korelaci mezi hustotou D1 receptor/neuron a hierarchií (obrázek 1) jsme pro simulace odvodili hodnoty pro zbývajících osm oblastí pomocí lineární regrese s hierarchií jako nezávislou proměnnou a hustotou D1 receptor/neuron jako závislá proměnná.

Autoradiografická data in vitro přesně kvantifikují hustotu receptorů v kortexu. Je však důležité mít na paměti, že hustota neuronů se také liší napříč kůrou. Collins a kol. (2010) měřili hustotu neuronů v celém kortexu makaka pomocí metody izotropního frakcionátoru (aka mozkové polévky). V původním dokumentu byla kůra rozdělena na 42 oblastí a zobrazena na ploché mapě s vyznačenými anatomickými orientačními body (obrázky 2 a S1 tohoto papíru). Hranice těchto oblastí nakreslil na povrch Yerkes19 SFW s odkazem na původní práci (Collins et al., 2010), několik anatomických prací ze stejné skupiny (Beck a Kaas, 1999; Cerkevich, et al., 2014; Kaas, 2004), makak Julich (109 oblastí) a atlas Lyon (Markov- 132) (Donahue et al., 2016; Markov et al., 2014b) a byly nezávisle posouzeny anatomy (LR, MN , NPG). Údaje o neurální hustotě pokrývaly celý kortex. Jako takové jsme přiřadili neurální hustotu každé oblasti v atlasu Lyon, váženou prostorovým překrytím s původními oblastmi ve Vanderbiltově atlasu. Hustota receptoru D1 byla dělena hustotou neuronů, aby se získala hustota receptoru D1/neuron v každé oblasti. Hustota neuronů byla v jednotkách neuronů na gram. K odhadu hustoty receptoru ve fmol na neuron jsme použili dříve uváděný údaj, že 8 procent mozkové tkáně tvoří protein (McIlwain a Bachelard, 1972).

To se rovná násobení konstantou a neovlivňuje to korelace nebo účinek dopaminového gradientu v modelu. Lyonský atlas používaný k definování dat meziareální konektivity (Markov et al., 2014b) je již k dispozici na povrchu Yerkes19 (Donahue et al., 2016). Kompletní podgraf injektovaných oblastí včetně obousměrné konektivity byl rozšířen z 29 oblastí v Donahue et al. (2016) na 40 oblastí použitých v tomto článku. Pro údaje o počtu páteře byly na povrchu Yerkes19 nakresleny obrysy 27 míst vpichu pomocí SFW s odkazem na původní dokumenty (většina z nich měla podstatný anatomický popis a ručně kreslené mapy), jakož i anatomické dokumenty citované v rámci původní práce (Cavada a Goldman-Rakic, 1989; Preuss a Goldman-Rakic, 1991; Seltzer a Pandya, 1978) a mozkové atlasy makaků Lyon a Julich. Přímé srovnání s ručně kreslenými mapami bylo možné pro oblasti V1, V2, MT, LIPv, 7a, V4, TEO, STP, IT, Ant. Použití., Post. King, TEpd, 12vl, A1, 3b, 4, 5, 6, 7b, 9, 13, 46, 7 m (Elston, 2007). Oblasti 10, 11 a 12 byly popsány s odkazem na Preusse a Goldmana-Rakica (1991). Injekce v oblasti TEa použila pro definici oblasti mapy v Seltzer a Pandya (1978). Tyto mapy jsme použili k přiblížení místa vpichu. Oblast STP byla identifikována s odpovídající oblastí STPp v atlasu Fellemana a Van Essena (1991). Plocha FEF byla identifikována jako ležící na předním břehu mediálního aspektu sulcus arcuate, jak popsal Elston (2007). Všechna identifikovaná místa vpichu na kortikálním povrchu byla nezávisle ověřena pomocí MN, LR a NPG. Údaje o počtu páteře byly vyjádřeny spíše podle míst vpichu než podle celých kortikálních oblastí. Jako takové jsme našli počet vrcholů z každého místa injekce překrývajících se s každou oblastí v atlasu Lyonu.

Pro každou oblast Lyonu byl počet páteře průměrem počtu páteře pro všechna místa injekce překrývající se s oblastí, vážený počtem vrcholů každého místa injekce obsažených v dané oblasti. Tímto způsobem jsme odhadli počty páteře na pyramidálních buňkách ve 24 ze 40 oblastí v atlasu Lyonu. Na základě silné pozitivní korelace mezi počtem páteře a kortikální hierarchií (r=0,61, p=0,001) a na základě předchozí práce (Chaudhuri et al., 2015; Mejias a Wang 2021), počet páteře pro zbývající oblasti jsme odvodili na základě hierarchie pomocí lineární regrese. Neuroanatomové (NPG, LR, MN) klasifikovali každou ze 109 kortikálních oblastí, pro které jsou k dispozici údaje o receptoru D1, buď jako granulární, nebo agranulární, a podle poměru velikosti buněčného těla mezi vrstvami III a V. Vymezení hranic oblastí pro každý atlas a anatomická data v prostoru Yerkes19 jsou k dispozici v databázi BALSA. Přehled dynamických modelů Nejprve popíšeme strukturu konektivity našeho modelu místního obvodu a jak dopamin moduluje účinnost těchto připojení. Poté popíšeme rozsáhlý dynamický model, ve kterém je místní okruh použit jako stavební blok a je umístěn v každé ze 40 kortikálních oblastí. Popisujeme různé kroky k vytvoření modelu ve velkém měřítku, včetně toho, jak propojit korové oblasti, aplikovat heterogenitu excitace a gradient dopaminu. Nakonec popíšeme, jak jsme v tomto modelu simulovali úkoly pracovní paměti, léze a přechodnou inhibici. Popis lokálního korového okruhu Popisujeme lokální korový okruh obsahující populace čtyř odlišných typů neuronů. To koncepčně souvisí s předchozími výpočtovými modely pracovní paměti zahrnujícími více typů interneuronů (Tanaka, 1999; Wang et al., 2004a) a využívá redukci středního pole modelu spiking (Brunel a Wang, 2001; Wong a Wang , 2006). PV, CB/SST a CR/VIP buňky se lišily prahem a sklonem své vstupně-výstupní funkce (křivka fI) (Bacci et al., 2003), lokální (Adesnik et al., 2012; Jiang et al., 2015; Mun˜ oz et al., 2017; Pfeffer et al., 2013; Tremblay et al., 2016) a konektivita na dlouhé vzdálenosti (Lee et al., 2013; Wall et al., 2016), rychlost adaptace (Kawaguchi , 1993; Mendonc¸ an et al., 2016; Schuman et al., 2019) a poměr NMDA/AMPA (Lu et al., 2007). Struktura a silné stránky konektivity lokálního okruhu jsou založeny na syntéze anatomických a fyziologických studií a jsou zachyceny v lokální matici konektivity G (tabulky S1–S3; Jiang et al., 2015; Kalisman et al., 2005; Lee a kol., 2013; Ma a kol., 2012; Markram a kol., 1997; Pfeffer a kol., 2013; Silberberg a Markram, 2007; Walker a kol., 2016). Všimněte si, že pravděpodobnost spojení a synaptická síla mezi nervovými typy obecně pozitivně korelují (Jiang et al., 2015). To zjednodušuje proces identifikace relativní síly spojení mezi nervovými populacemi v okruhu. Seskupili jsme pyramidální neurony do dvou samostatných populací. Každá z těchto populací je selektivní pro určitý vizuální prvek (jako je oblast vizuálního prostoru). Pyramidové buňky excitují všechny typy buněk v okruhu s různou silou. V pyramidových buňkách modelujeme dva oddíly. Jeden kompartment představuje soma a proximální dendrity a druhý distální dendrity. Dendrit je modelován jako zjednodušená nelineární funkce, upravená podle Yang et al. (2016). Pyramidové buňky se zaměřují na soma a proximální dendrity jiných pyramidálních buněk ve stejné kortikální oblasti (Kalisman et al., 2005; Markram et al., 1997; Petreanu et al., 2009). Každý typ inhibičního neuronu má jedinečný vzor konektivity.

První typ inhibiční buňky se zaměřuje na perisomatickou oblast pyramidálních buněk. Tyto buňky exprimují parvalbumin (PV) a rychle se rozšiřují (Jiang et al., 2015; Kawaguchi, 1993, 1995). Jsou to košíkové buňky s axony, které se větví na velké vzdálenosti, což jim umožňuje inhibovat pyramidové buňky v sousedních populacích (Helmstaedter et al., 2009; Kawaguchi, 1995). Inhibují také další PV neurony (Jiang et al., 2015; Pfeffer et al., 2013). Ve srovnání s jinými inhibičními neurony dostávají PV neurony menší podíl excitačních vstupů prostřednictvím NMDA receptorů (Lu et al., 2007; Wang a Gao, 2009). Druhý typ inhibičního neuronu se zaměřuje na distální dendrity excitačních buněk. U nehumánních primátů dendritové zaměřovací buňky exprimují kalbindin (DeFelipe et al., 1989). Nejlépe charakterizovaným typem buňky cílící na dendrit u hlodavců je Martinottiho buňka, která exprimuje somatostatin (CB/SST) (Wang et al., 2004b). Tyto buňky se zaměřují na všechny ostatní typy buněk, přičemž se vyhýbají jiným Martinottiho buňkám (Jiang et al., 2015). Také dostávají silnou laterální projekci z pyramidových buněk v sousedních sloupcích (Adesnik et al., 2012) a většinu své excitace přijímají prostřednictvím NMDA receptorů (Lu et al., 2007). Třetí typ interneuronu exprimuje kalretinin a vazoaktivní střevní peptid (CR/VIP) (Tremblay et al., 2016) a cílí na CB/SST inhibiční neurony (Lee et al., 2013). Přestože genová exprese PV, SST a VIP byla použita k úspěšnému rozlišení nepřekrývajících se tříd interneuronů u primátů (Hodge et al., 2019; Krienen et al., 2020), u primátů protilátky SST často označují relativně málo buněk ( Hendry a kol., 1984; Mueller a kol., 2018, 2020). SST je často, ale ne vždy, koexprimován s CB (Gonza´ lez-Albo et al., 2001; Lake et al., 2016). Buňky exprimující CB a SST vykazují podobný vzor exprese napříč kortikálními vrstvami a oblastmi u makaka (Dienel et al., 2020). CR je exprimována ve většině VIP neuronů v kůře primátů (Gabbott a Bacon, 1997; Lake et al., 2016) a VIP i CR vykazují podobnou expresi ve vrstvách a kortikálních oblastech u makaka (Dienel et al., 2020 ). Zkoumání podobností a rozdílů mezidruhových interneuronových typů však stále probíhá a není vyřešeno (Hodge et al., 2019; Kooijmans et al., 2020; Krienen et al., 2020). V našem modelu by měly být tři typy interneuronů vhodněji interpretovány podle jejich synaptických cílů, spíše než podle jiných buněčných markerů. Všechny hodnoty parametrů viz Tabulka S6. Modulace dopaminu Hustota dopaminových D1 receptorů na neuron byla změněna tak, že oblast s minimální hustotou raw min byla nastavena na nulu a oblast s maximální hustotou raw max byla nastavena na jednu, se všemi ostatními oblastmi ležícími mezi nimi.

Meziareální populační interakce Většina meziareálních spojení obsahuje směs axonů vyčnívajících z hlubokých a povrchových vrstev. Dálková spojení na excitační buňky primárně cílí na distální dendrity (Petreanu et al., 2009; tabulka S4). Proto v modelu předpokládáme, že spojení na dlouhé vzdálenosti cílí na dendrity excitačních buněk. CR/VIP buňky dostávají nejsilnější dálkové vstupy ze všech inhibičních buněk, zatímco CB/SST přijímá nejslabší (Lee et al., 2013; Wall et al., 2016; tabulky S5 a S6). To naznačuje, že spojení s dlouhým dosahem účinně dezinhibují dendrit v cílové oblasti excitací CR/VIP interneuronů, zatímco současně vzrušují dendrit, aby se maximalizovala pravděpodobnost přenosu informace ze zdrojové oblasti do cílové oblasti. Podle Mejiase a Wanga (2021) předpokládáme, že zpětnovazební spojení se zaměřují na inhibiční buňky silněji než spojení na oddělení. Excitační buňky v různých korových oblastech se stejnými receptivními poli jsou pravděpodobněji funkčně propojeny (Zandvakili a Kohn 2015). To se odráží v našem modelu následovně. Ve zdrojové oblasti jsou dvě excitační populace, 1 a 2, z nichž každá je citlivá na určitou vlastnost vizuálního podnětu (jako je umístění v zorném poli). Podobně v cílové oblasti existují dvě populace 1 a 2, citlivé na stejné vizuální rysy. Předpokládáme, že 90 procent produkce populace 1 ve zdrojové oblasti připadá na populaci 1 v cílové oblasti a zbývajících 10 procent na populaci 2. Opak je pravdou pro populaci 2 ve zdrojové oblasti (cílí na 10 procent populace 1, 90 procent populace 2, tabulky S4 a S6).

Disinhibiční okruh ve frontálních očních polích. Frontální oční pole (plochy 8m a 8l v modelu) mají velmi vysoké procento kalretininových neuronů a relativně méně parvalbuminových a kalbindinových neuronů (Pouget et al., 2009). Abychom to zohlednili v modelu, relativně jsme zvýšili dálkové vstupy do CR/VIP buněk v oblastech 8m a 8l, jak je podrobně uvedeno v tabulce S6. Tyto změny jsou kritické pro trvalou aktivitu v oblastech 8l a 8m, ale jinak příliš neovlivňují chování modelu. Bez této změny je překrytí mezi vzorem simulované zpožděné aktivity a experimentálním vzorem zpožděné aktivity (jako na obrázku 3A) stále extrémně vysoké (správně 17/19 oblastí, chí-kvadrát=12.31 p {{15} },0004) a vzorec aktivity závisí jak na konektivitě na dlouhé vzdálenosti (p=0,001), tak na distribuci receptorů D1 (p=0,008), ale ne na počtu páteře (p=0.19) a léze do oblastí 8l a 8m mají menší vliv na distribuovanou perzistentní aktivitu. Všechny ostatní výsledky jsou beze změny. Také jsme zvýšili relativní sílu lokálních CR/VIP spojení a snížili relativní sílu lokálních PV spojení v FEF, ale zjistili jsme, že to nemělo žádný vliv na chování modelu, takže simulace v článku jsou prezentovány bez lokálních změn FEF.

KVANTIFIKACE A STATISTICKÁ ANALÝZA

Korelace mezi hustotou receptoru D1 a jinými anatomickými rysy Mnoho aspektů anatomie mozku je prostorově autokorelovaných, přičemž blízké oblasti mozku vykazují podobnou anatomii. Tato prostorová autokorelace není zohledněna v konvenčních statistických testech, které často předpokládají nezávislost datových bodů. Neschopnost zohlednit prostorovou autokorelaci může vést k falešným korelacím mezi mozkovými mapami. Abychom tento problém překonali, vygenerovali jsme náhodné náhradní mozkové mapy s prostorovou autokorelací, která úzce odpovídala mapě hierarchie (Burt et al., 2020). To se provádí nejprve náhodnou permutací hodnot v mapě hierarchie a poté vyhlazením a změnou měřítka permutované mapy, aby se obnovila ztracená prostorová autokorelace. Vyhlazení se provádí lokálním jádrem váženým součtem hodnot k nejbližších sousedních regionů, kde k je zvoleno tak, aby co nejlépe odpovídalo autokorelaci původní mapy hierarchie (Burt et al., 2020). Každá z náhodně generovaných náhradních map je pak korelována s mapou receptoru D1. Prostorově korigovaná p-hodnota je pak zlomkem map surro gate, které vykazují silnější Pearsonovu korelaci (negativní nebo pozitivní) s mapou receptoru D1 než mapa hierarchie.

K porovnání hustoty D1R mezi granulárními a agranulárními kortikálními oblastmi jsme použili neparametrický Wilcoxonův rank-sum test. Pro srovnání hustoty D1R mezi oblastmi s internopyramidizací, externopyramidizací a stejnou velikostí pyramid vrstvy III a vrstvy V jsme použili neparametrický Kruskall-Wallisův test. Porovnání simulovaných a experimentálních vzorců aktivity zpoždění Na obrázcích 3A a 3B porovnáváme vzor aktivity modelu s experimentálním vzorem a zkoumáme jeho závislost na anatomických rysech. Experimentální elektrofyziologická data byla převzata z megaanalýzy Leavitta et al. (2017) z více než 90 elektrofyziologických studií aktivity prodlevy během úloh pracovní paměti. Nejprve jsme rozdělili kůru na oblasti perzistentní aktivity a oblasti neperzistentní aktivity jak pro experimentální data, tak pro simulaci (tabulka S7). Oblasti byly klasifikovány do skupiny s trvalou aktivitou, pokud alespoň 3 další studie pozorovaly trvalou aktivitu zpožděného období než nedostatek takové aktivity. Vyloučili jsme oblasti, které byly hodnoceny v méně než třech studiích. Z oblastí, které byly studovány v alespoň třech studiích, klasifikujeme oblast jako oblast s trvalou aktivitou, pokud více než 50 procent studií zjistilo trvalou aktivitu. Závěry však nejsou závislé na této hranici, ani na minimálním počtu studií (tabulka S8). Oblasti v simulaci byly klasifikovány jako oblasti s trvalou aktivitou, pokud během posledních 500 ms pokusu měly střední frekvenci střelby alespoň o 5 Hz vyšší než základní frekvence střelby před stimulem. Abychom zamíchali anatomická spojení, zamíchali jsme spojení v řádcích matice FLN, takže rozložení spojení a síly spojení do každé oblasti zůstaly konstantní a identita spojení se změnila. Stejné přeuspořádání bylo aplikováno na matici SLN. Hustoty D1 receptoru a počty páteře byly promíchány odděleně. Výsledky byly vizualizovány pomocí vlastní verze Raincloud Plot (Allen et al., 2019), aby byla umožněna současná vizualizace výsledků distribuce a jednotlivých simulací. Hodnota p se vypočítá jako zlomek simulací založených na promíchaných anatomických datech, která vytváří vzorec zpoždění aktivity, který se překrývá s experimentálními daty, stejně jako (nebo lepší než) původní simulace.

Léze korových oblastí Na obrázcích 3C–3H simulujeme účinky léze na jednotlivé korové oblasti. Provedeme to odstraněním všech vstupních a výstupních spojení poškozené oblasti v maticích konektivity WE; E a WI; E. Pro statistickou analýzu vztahu mezi anatomickými rysy a účinky lézí jsme z analýzy odstranili oblasti V1 a V2. To bylo způsobeno skutečností, že tyto oblasti byly klíčové pro šíření vizuálního podnětu, ale nikoli pracovní paměti jako takové (obrázek 3; obrázek S5). Provedli jsme postupný lineární regresní přístup.