Vřeteno – pomalá oscilační vazba koreluje s výkonem paměti a změnami konektivity v hipokampální síti po spánku
Aug 24, 2023
Abstraktní
Poté, co jsou zážitky zakódovány, byly navrženy post-kódovací reaktivace během spánku, aby zprostředkovaly dlouhodobou konsolidaci paměti. Spojení vřeteno-pomalá oscilace během spánku NREM je kandidátním mechanismem, jehož prostřednictvím může kortikální dialog hipokampu posílit nově vytvořený paměťový engram. Zde jsme zkoumali roli spojení rychlého vřetena a pomalého vřetena a pomalé oscilace při konsolidaci prostorové paměti u lidí pomocí úlohy virtuálního vodního bludiště zahrnující alocentrické a egocentrické strategie učení. Dále jsme analyzovali, jak se vyvíjela funkční konektivita v klidovém stavu v průběhu učení, konsolidace a vyhledávání tohoto úkolu pomocí přístupu založeného na datech. Naše výsledky ukazují změny konektivity související s úkoly ve výkonné kontrolní síti, síti výchozího režimu a hipokampální síti v klidu po úkolu. Síť hipokampu mohla být dále rozdělena na dvě podsítě, z nichž pouze jedna vykazovala modulaci spánkem. Snížená funkční konektivita v této podsíti byla spojena s vyšším výkonem vazby vřeteno-pomalá oscilace, což také souviselo s lepším výkonem paměti při testu. Celkově tato studie přispívá k holističtějšímu pochopení funkčních sítí v klidovém stavu a mechanismů během spánku spojených s konsolidací prostorové paměti.
Zážitek Cistanche – Zlepšete paměť
KLÍČOVÁ SLOVA
konsolidace paměti, sítě v klidovém stavu, spánek, pomalé oscilace, vřetena
1|ÚVOD
Teorie konsolidace systémů je jedním z nejvíce studovaných rámců tvorby dlouhodobé paměti. Teorie předpokládá, že labilní engramy v mozku, zakódované během učení, jsou posíleny opakovanou reaktivací. Postupem času by tento proces mohl vést ke stabilnější dlouhodobé reprezentaci – konsolidované paměťové stopě (Squire et al., 2015). Předpokládá se, že k reaktivacím engramu dochází převážně během spánku, ale lze je pozorovat také během klidného odpočinku. Potenciální klíčový mechanismus, který je základem konsolidace systémů, představuje hierarchickou koordinaci tří typů událostí během spánku s nerychlými pohyby očí (NREM): (1) kortikální pomalé oscilace s vysokou amplitudou, (2) vřeténka řízená talamickými spojenci a (3) hipokampální ostré vlny-vlnění. Uspořádání těchto oscilací řízených narůstáním a slábnutím pomalých oscilací v prefrontálním kortexu (Helfrich et al., 2019) má nastavit ideální časová okna pro přenos hipokampálních informací do kůry (Sirota et al., 2003) a mozku. -široké synaptické konsolidační procesy, které jsou základem konsolidace systémů (Genzel, 2020; Genzel, Kroes, et al., 2014; Navarro-Lobato & Genzel, 2020). U lidí byly konzistentně identifikovány dva druhy vřetének: pomalá vřeténka (~9–12,5 Hz) a rychlá vřeténka (~12,5–16 Hz), které jsou nejvýraznější přes frontální a centroparietální oblasti (Adamczyk et al. , 2015; Anderer a kol., 2001). Oba typy vřeten jsou spřaženy s pomalými oscilacemi. Zatímco rychlá vřetena jsou často vnořena do vzrušitelného up-stavu pomalé oscilace, pomalá vřetena se typicky vyskytují během přechodného období do inhibičního down-stavu pomalé oscilace (Molle et al., 2011). Rychlá vřeténka byla implikována jako facilitátor přenosu informací mezi hipokampem a neokortexem, protože se shodují s hipokampálními ostrými vlnami (Staresina et al., 2015). Pomalá vřeténka, kterým většinou předcházejí zvlnění, mohou souviset s kortikálním zesítěním přenesených informací a modulací prefrontálních obvodů za účelem vytvoření reprezentace neokortikální paměti (Molle et al., 2011). Avšak pouze ve studiích na lidech existuje konzistentní rozdělení mezi pomalými a rychlými vřeteny. Vzhledem k tomu, že se toto dělení ve výzkumu na zvířatech provádí jen zřídka, chybí konkrétní důkazy pro odlišnou funkci každého typu vřetena. Vliv těchto dvou typů vřeten na chování je ještě méně průkazný. Nedávné poznatky EEG ukázaly, že větší množství a zvýšená konzistence ve spojení rychlých vřeten a pomalých oscilací souvisí se zvýšeným výkonem deklarativní paměti (Hahn et al., 2020; Muehlroth et al., 2019; Niknazar et al., 2015) . Experimentální posílení koordinace mezi hipokampálními ostrými vlnami, pomalými oscilacemi a čelními vřeténky u hlodavců – potenciálně analogie lidských pomalých vřetének – také vedlo ke zvýšení výkonu paměti (Maigret et al., 2016). Naproti tomu předběžné poznatky o spojení pomalého vřetena a pomalé oscilace u lidí poukazují na sníženou výkonnost deklarativní paměti se zvýšeným spojením pomalého vřetena a pomalé oscilace nebo vůbec žádný účinek (Barakat et al., 2011; Muehlroth et al., 2019). Při konsolidaci paměti je tedy klíčové oddělit behaviorální význam obou typů vřeten. Vzhledem k důležitosti spánku a hipokampu v offline konsolidaci se předpokládá, že spánek hraje odlišnou roli v konsolidaci hippocampu závislých na rozdíl od vzpomínek „nezávislých na hippocampu“. Tyto dva typy pamětí lze zkoumat pomocí paradigmat prostorové navigace. Navigace v prostředí zahrnuje použití různých navigačních strategií, jmenovitě alocentrických a egocentrických strategií (přehled Ekstrom et al., 2017). V alocentrickém referenčním rámci může navigátor odvodit jejich polohu na základě relativních poloh stabilních orientačních bodů. Alocentrické prostorové učení se doporučuje silně spoléhat na hippocampus, protože vyžaduje prostorovou kognitivní mapu orientačních pozic (O'Keefe & Nadel, 1978). Naproti tomu egocentrický referenční rámec se plynule mění s pohybem navigátoru. Během egocentrického prostorového učení musí navigátor sledovat vzdálenost a směr, pro který bylo dorzální striatum identifikováno jako kritická struktura (McDonald & White, 1994). Lze tedy navrhnout, že v prostorovém kontextu se konsolidační mechanismy liší mezi alocentrickými a egocentrickými tréninkovými podmínkami a podle toho ovlivňují výkonnost paměti. Nedávné důkazy však poukazují na zapojení hipokampu do konsolidace během spánku, a to i pro dříve zvažované vzpomínky nezávislé na hippocampu (Sawangjit et al., 2018; Schapiro et al., 2019) a podobné funkční změny sítě po spánku napříč alocentrickými a egocenními trikový trénink (Samanta et al., 2021). Otevřenou otázkou proto zůstává, jak se během spánku konsolidují prostorové informace dvou referenčních rámců a jak tyto mechanismy ovlivňují výkon paměti. Ačkoli se mnoho práce soustředilo na roli spánku při konsolidaci systémové paměti, studie na hlodavcích (Davidson et al., 2009; Diba & Buzsáki, 2007) i na lidech (Schuck & Niv, 2019; Tambini & Davachi, 2013) prokázaly konsolidační procesy celého systému během bdělého odpočinku bezprostředně po učení. Podobně jako u konsolidace závislé na spánku jsou reprezentace událostí spontánně reaktivovány v hipokampálně-thalamokortikální síti během post-kódovacího odpočinku (podrobný přehled viz Tambini & Davachi, 2019). Předpokládá se, že důležité uzly těchto reaktivací zahrnují hipokampální síť zaměřenou na mediální temporální kortex a retrospleniální kortex (van Buuren et al., 2019), stejně jako interakce mezi uzly sítě výchozího režimu (Lin et al., 2017) a sítě relevantní pro daný úkol (např. síť výkonné kontroly; Sneve et al., 2017). Ukázalo se, že vyšší úrovně funkční konektivity v klidovém stavu mezi oblastmi specifickými pro stimuly a hipokampem předpovídají budoucí schopnost získat paměť (Tambini et al., 2010). Kromě toho funkční konektivita bezprostředně po učení, stejně jako množství reaktivace hipokampu předpovídaly následné uchování paměti přes noc, což naznačuje komplementární vztah mezi reaktivací v bdělém klidu a pozdější konsolidací během spánku (Schapiro et al., 2018). Zatímco většina předchozích studií samostatně zkoumala jeden typ období po kódování (tj. odpočinek nebo spánek), studie zkoumající procesy konsolidace napříč oběma obdobími jsou nezbytné k získání holistického pochopení paralel mezi mechanismy konsolidace během těchto odlišných mozkových stavů. Tato studie si proto klade za cíl poskytnout v rámci studie měření v různých post-kódovacích stavech mozku a ukázat jejich vztah k výkonu paměti v úloze prostorové navigace. Naše studie navazuje na naše výzkumy vlivu spánku na reprezentace alocentrické a egocentrické paměti u lidí a potkanů (Samanta et al., 2021). Účastníci provedli lidskou analogii vodního bludiště (Morris, 1981), ověřené paradigma pro studium různých aspektů prostorové navigace (Müller et al., 2018; Schoenfeld et al., 2017). Zatímco Samanta a spol. (2021) se zaměřili na data task-fMRI během učení a vyhledávání, zde jsme se zaměřili na data fMRI v klidovém stavu a data spánku-EEG. Funkční konektivita v klidovém stavu v relevantních sítích byla tedy hodnocena před a po učení a vyhledávání paměťového úkolu, ve kterém se účastníci zapojili do alocentrické nebo egocentrické prostorové navigace. EEG bylo použito mezi dvěma sezeními úloh k měření konsolidačních procesů souvisejících se spánkem NREM (tj. vlastnosti vřetena a pomalé oscilace a jejich propojení). Přijali jsme přístup založený na datech (Ribeiro de Paula et al., 2017), abychom prozkoumali vývoj funkční konektivity v klidovém stavu napříč prostorovým učením, konsolidací a vyhledáváním paměti. Sítě v klidovém stavu byly vybrány na základě výsledků získaných autory Samanta et al. (2021), včetně sítě výchozího režimu, sítě hippocampu a sítě správného výkonného řízení. Abychom stanovili triádový vztah mezi spánkem, klidovým stavem a chováním, korelovali jsme parametry vřetena a pomalé oscilace, změny ve funkční konektivitě v klidovém stavu a měření výkonu úlohy prostorové paměti. Samanta a kol. (2021) našli podobné změny v celém mozku související se spánkem při získávání paměti pro alocentrický a egocentrický trénink. Konkrétně se aktivace zvýšily v síti výkonného řízení a snížily se v síti ve výchozím režimu od učení k vyhledávání, pokud subjekty po učení spaly. Proto jsme očekávali, že v těchto dvou sítích budeme pozorovat podobné změny v klidu. Konsolidační procesy v celém mozku by měly být pozorovatelné také pro hipokampální síť, která koordinuje konsolidaci během spánku a v klidu. Předpokládali jsme, že vazba vřeteno-pomalá oscilace je pozitivně spojena se změnami v hipokampální síti a výkonnosti paměti. Tato zjištění by se neměla lišit mezi stavy paměti, protože Samanta et al. (2021) nepozorovali rozdíl mezi alocentrickým a egocentrickým tréninkem. Naše výsledky skutečně ukazují, že výkonné řízení a sítě ve výchozím režimu se mění v předpokládaných opačných směrech před výkonem po úkolu. Dále jsme identifikovali dvě podsítě v rámci sítě hippocampu. Primární podsíť byla nezávislá na stavu spánku a zvýšila se funkční konektivita před úkolem po úkolu a po přestávce. Konektivita ve druhé podsíti se během přestávky snížila pouze u účastníků, kteří si zdřímli. A konečně, síla vazby vřeteno-pomalá oscilace byla pozitivně spojena s výkonem paměti a sníženou konektivitou v druhé hipokampální podsíti závislé na spánku. Všechny efekty byly stejné pro alocentrický i egocentrický trénink. Naše zjištění naznačují, že aktivace klidového stavu lze rozdělit na změny související s úkoly a konsolidace, které jsou buď nezávislé na spánku, nebo závislé na spánku. Pouze změny závislé na spánku jsou spojeny se spojením vřetena-pomalá oscilace, která stejně přispívá k výkonu paměti pro alocentrické a egocentrické učení.
cistanche výhody pro muže-Anti Alzheimerova choroba
Kliknutím sem zobrazíte produkty Cistanche zlepšující paměť a prevenci Alzheimerovy choroby
【Požádejte o více】 E-mail:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692
2|METODY A MATERIÁLY
2,1|Účastníci
Do studie bylo přijato 77 neurologicky zdravých, pravorukých účastníků (věkové rozmezí: 18–30 let, průměr=24). Byli vybráni pouze mužští účastníci, protože vzorek obsahuje subpopulaci většího translačního souboru výzkumu využívajícího pouze samce hlodavců (Samanta et al., 2021). Studie byla schválena místní etickou komisí (CMO Arnhem-Nijmegen, Radboud University Medical Center) na základě obecného etického schválení ("Imaging Human Cognition," CMO 2014/288) a experiment byl proveden v souladu s těmito pokyny. Nábor probíhal přes Radboud Research Participation System. Účastníci byli testováni a vyloučeni na základě (1) užívání léků na spaní, (2) pravidelného zdřímnutí a (3) zapojení do profesionálních herních aktivit. Před zahájením experimentu všichni účastníci poskytli písemný informovaný souhlas a obdrželi finanční kompenzaci za svou účast. Po získání dat bylo z analýzy vyloučeno celkem čtrnáct účastníků. Osm subjektů bylo z experimentu vyloučeno kvůli technickým problémům během učení nebo vyhledávání: U pěti účastníků byl joystick nesprávně zkalibrován a u zbývajících tří se vyskytly technické problémy včetně náhlého selhání programu prostředí úlohy během skenování. Tři subjekty spaly méně než 30 minut ve spánkovém testu nebo kontrolním sezení. Jejich z-skóre bylo více než 2,5*σ vzdálené od průměrného vzorku skutečné doby spánku. Skutečná doba spánku byla vypočtena pro každý subjekt jako celková doba spánku (TST) s vyloučením bdělosti po nástupu spánku (WASO). U dalších tří subjektů bylo identifikováno velké posunutí obrazu v důsledku pohybu hlavy během skenů fMRI. Míra posunutí v sérii snímků byla hodnocena pomocí indexu kvality (QI) pomocí rovnice (1):
where max. abs. is the maximum absolute displacement of a given volume with respect to a reference time point (i.e. middle volume in the time series) and max. rel. represents the maximum relative displacement at a given volume with respect to the subsequent time point. The two measures account for gradual as well as abrupt changes in head position. The cut-off for the exclusion of participants was set to a QI >16.4 (Ribeiro de Paula et al., 2017). Celkově bylo za konečný vzorek považováno 63 subjektů (věkové rozmezí: 18–30 let, průměr=23,3).
2,2|experimentální procedura
Pomocí 2 2 plnofaktorového smíšeného návrhu jsme testovali celosystémové procesy konsolidace paradigmatu prostorové paměti. Během skenů fMRI se účastníci zapojili do alo- nebo egocentrického prostorového učení a získávání paměti v dříve ověřeném lidském analogu vodního bludiště (Müller et al., 2018; Schoenfeld et al., 2017). Bezprostředně před a po sezení učení a vyhledávání byla funkční konektivita hodnocena pomocí fMRI v klidovém stavu. To znamená celkem čtyři sezení fMRI v klidovém stavu po 9 minutách. Mezi prostorovým učením a získáváním paměti bylo k měření spánku použito spánkové EEG. V experimentálních podmínkách byli účastníci instruováni, aby spali 90 minut, zatímco kontrolní skupina sledovala film po stejnou dobu. Přibližně 2 týdny po experimentu dokončili účastníci ve stavu spánku 90minutovou kontrolní relaci spánku, která nenavazovala na zkušenost s učením.
Doplněk Cistanche v mé blízkosti – Zlepšení paměti
2,3|Úkol virtuálního vodního bludiště
Úloha virtuálního vodního bludiště je adaptací krysího vodního bludiště, zavedené metody pro testování prostorových schopností u hlodavců (Morris, 1981).
Toto analogické paradigma pro lidi je kompatibilní s prostředím MRI skeneru (Schoenfeld et al., 2017). Účastníci byli instruováni, aby se pohybovali po virtuálním ostrově s cílem najít schránku s pokladem. V tomto paradigmatu jsme použili dvě různá nastavení: „skrytý ostrov“ a „ostrov cued“. Skrytý ostrov byl obklopen čtyřmi orientačními body (tj. mostem, plachetnicí, větrnou turbínou a majákem; viz obrázek S1). Skrytá krabice s pokladem na ostrově označovala cílové umístění. Krabice byla umístěna v malém prohlubni na povrchu virtuálního ostrova, a proto byla viditelná pouze v těsné blízkosti. Naproti tomu na cued ostrově nebyly žádné orientační body, kromě vlajky vedle pokladnice, která byla viditelná z dálky. Pozice této vlajky spolu s pokladnicí se při každém pokusu měnila. Úkolová sekvence se skládala z osmi střídajících se bloků cued a skrytých ostrůvků, což vedlo k celkem 16 pokusům. V každé studii se účastníci mohli volně pohybovat po ostrově svým vlastním tempem pomocí joysticku. Když bylo dosaženo cílové místo v těsné blízkosti pokladnice, mohli účastníci ukončit zkoušku stisknutím tlačítka na joysticku. Mezi koncem jednoho pokusu a začátkem dalšího byl 15-s interval, během kterého se účastníci mohli otočit na ostrově a zorientovat se. Účastníci se nejprve setkali s ostrůvkem, na kterém museli najít viditelnou vlajku. Tento ostrov byl použit k řízení percepčního a motorického zpracování, aby se v pozdější analýze izolovaly paměťové efekty. Pro setkání se skrytým ostrovem byli účastníci náhodně rozděleni do jedné z podmínek učení – alocentrické nebo egocentrické. Alocentrická skupina začínala v každém pokusu na jiném místě na ostrově a pokaždé se musela přeorientovat, aby našla cílové místo, čímž by podpořila používání navigace podle místa. V egocentrické skupině by měli stejné místo startu v každém pokusu, a proto by se mohli spolehnout na opakovaný fixní pohyb, aby se dostali do cílového umístění kromě viditelných vodítek, což jim umožňuje používat obě navigační strategie. Obecně byli účastníci vůči těmto dvěma podmínkám zaslepení. U zkušebních testů bylo hlavním cílem účastníků v obou podmínkách naučit se umístění cílového boxu napříč osmi skrytými ostrovními testy. Pro pokusy o vyhledání zůstalo nastavení ostrova stejné s jednou úpravou – schránka s pokladem byla odstraněna ze skrytého ostrova a účastníci byli instruováni, aby označili místo podle svého nejlepšího vědomí, kde si schránku připomněli.
2,4|Získávání dat
2.4.1|Polysomnografické záznamy
Polysomnografické záznamy byly získány se vzorkovací frekvencí 500 Hz (BrainAmp, Brain Products, Gilching, Německo) během 90 minut zdřímnutí. Bylo namontováno 32 skalpových elektrod (mezinárodní systém 10–20 EEG), včetně Fz, F3, F4, Cz, C3, C4, Pz, P3, P4, Oz, O1, O2, a odkazováno na levý mastoid. Dále byly zaznamenány horizontální a vertikální pohyby očí (EOG), elektromyogram (EMG) na bradě a elektrokardiogram (EKG). Nahrávání začalo krátce po zhasnutí světla. Po experimentu bylo provedeno hodnocení spánku experimentátorem zaslepeným vůči podmínkám pomocí sady nástrojů SpiSOP (www.spisop.org; RRID: SCR_015673). V souladu s skórovacími pravidly Americké akademie spánkové medicíny (AASM) byly fáze spánku 1 a 2, spánek s pomalými vlnami, spánek REM, probuzení a pohyby těla vizuálně hodnoceny ve 30s epochách na základě EOG, EMG a následujících kanálů -F3, F4, C3, C4, O1, O2.
2.4.2|FMRI akvizice
Časové řady FMRI byly získány pomocí 3T head-only skeneru (Prisma 3T, Siemens, Erlangen, Německo). Sedm set T2* vážených snímků bylo pořízeno pomocí vícepásmové gradientově echo-planární zobrazovací sekvence (multipásmový faktor=8, 64 axiálních řezů, doba opakování objemu [TR]=1000 ms, doba echa [TE ]=39 ms, 52 úhlů převrácení, tloušťka řezu=2,4 mm; zorné pole (FOV) 210 mm; velikost voxelu 2 mm izotropní). Anatomické snímky byly pořízeny pomocí T1-vážené sekvence MP-RAGE (192 sagitálních řezů, objem TR=2300 ms, TE=3,03 ms, 8 úhel převrácení, tloušťka řezu, 1 mm ; FOV, 256 mm; velikost voxelu 1 1 1 mm). Všechna data jsou dostupná na Donders Repository di. umět. DSC_3013066.01_875.
2,5|Zpracování dat
2.5.1|Předzpracování spánkového EEG
Data byla předzpracována v Matlab R2020b (Mathworks Inc., Sherborn, Massachusetts) pomocí sady nástrojů Sleeptrip (www.sleeptrip.org; RRID: SCR_017318). Všechny EEG kanály byly znovu porovnány s průměrnými mastoidy (A1 a A2) a data byla filtrována pásmovou propustí mezi 0,3 a 35 Hz (Butterworthův filtr nulové fáze 4. řádu). Obecně byly použity pouze filtry s nulovou fází (tj. směr vpřed a vzad). Špatné EEG kanály byly vizuálně odmítnuty na základě jejich výkonových spekter. U zbývajících kanálů byly v 30-s dlouhých oknech detekovány artefakty. Segmenty, které byly vizuálně identifikovány jako pohyb těla, byly označeny pro pozdější vyloučení. Pro další identifikaci segmentů, které se silně odchylovaly od pozorované celkové distribuce amplitud, byly střední rozdíly amplitud pro každý segment z-standardizovány v rámci každého kanálu. Segmenty s az > 5 v kterémkoli z kanálů byly vyloučeny (Muehlroth et al., 2019). TST byl vypočten jako čas strávený ve fázích 1, 2, SWS a REM spánku. WASO byl definován jako doba, po kterou byli účastníci vzhůru mezi začátkem spánku a konečným probuzením.
Účinky byliny cistanche-Anti Alzheimerova choroba
2.5.2|Detekce vřetena
Vřetena byla detekována pomocí automatizovaného algoritmu implementovaného v aplikaci Sleeptrip na základě předchozích publikací (Weber et al., 2020) a algoritmu „off“ implementovaného v Pythonu, verze 3.8 (Donoghue et al. , 2020). Předpokládané výkonové špičky ve frekvenčních pásmech pomalého vřetena (9–12,5 Hz) a rychlého vřetena (12,5–16 Hz) byly vizuálně detekovány z epoch NREM (tj. N2 a N3). Před kontrolou výkonových spekter byla ze signálu odstraněna aperiodická 1/f složka osazením Lorentzovy funkce. U každého účastníka byly ručně identifikovány vrcholy pomalého vřetena v průměru tří frontálních kanálů (Fz, F3, F4; relace testu spánku: 10,25 Hz ± 0,1, průměr ± SEM ; Kontrolní relace spánku: 10,07 Hz ± 0,14, průměr ± SEM) a vrcholy rychlých vřeten v průměru tří centrálních kanálů (Cz, C3, C4; relace spánkového testu: 13,44 Hz ± 0,09, průměr ± SEM; relace kontroly spánku: 13,44 Hz ± 0,06, průměr ± SEM). Abychom ověřili vizuálně definované frekvenční špičky, iterativně jsme do periodických výkonových komponent nasadili Gaussovy hodnoty pomocí fooof (viz obrázek S2, např. spektra). V případě rozdílu v ručních štítcích a přizpůsobených gaussovských vrcholech byla znovu přezkoumána výkonová spektra. Tato metoda byla použita, aby se zabránilo zavlečení falešných vřetenových událostí (Ujma et al., 2015). Poté byl signál každého kanálu filtrován pásmovou propustí (±1,5 Hz, 3 dB cutoff, 4thorder Butterworthův nulový fázový filtr) kolem identifikovaných jednotlivých frekvenčních špiček. Reprezentace střední hodnoty signálu (RMS) byla vypočtena v každém vzorkovacím bodě a vyhlazena pomocí filtru klouzavého průměru v klouzavém okně 200 ms. Potenciální vřeteno bylo označeno, pokud amplituda vyhlazeného signálu RMS překročila jeho průměr o 1,5 SD filtrovaného signálu po dobu 0,5–3 s. Lokální minima a maxima ve filtrovaném vřetenovém signálu byla označena jako vrcholy a minima. Největší propad byl definován jako doba špičky vřetena. Amplituda vřetena byla definována rozdílem potenciálu mezi největší prohlubní a největším vrcholem. Individuální frekvence konkrétního vřetena byla určena sečtením počtu všech prohlubní a vrcholů a vydělením dvojnásobkem doby trvání příslušného vřetena. Vřetena s hranicemi bližšími než 0,25 s byla nakonec sloučena.
2.5.3|Detekce pomalé oscilace
Detekce pomalých oscilací na čelních elektrodách byla také založena na automatizovaném algoritmu implementovaném v programu Sleeptrip a ověřeném jinde (Ngo et al., 20}13). Pro všechny epochy NREM byla předzpracovaná data EEG filtrována dolní propustí při 4 Hz (nultý fázový filtr Butterworth 6. řádu). Celý signál byl poté rozdělen na negativní a pozitivní půlvlny, které byly odděleny průchody nulou. Potenciální pomalá oscilace byla definována jako záporná půlvlna následovaná kladnou půlvlnou ve frekvenčním rozsahu mezi 0,5 a 1 Hz. Amplituda a frekvence pomalého kmitání byly vypočítány stejným přístupem jako pro vřetena. Pro další analýzu byly přijaty domnělé pomalé oscilace přesahující 1,25násobek středního minima všech domnělých pomalých oscilací a také amplituda 1,25násobku průměrné amplitudy všech potenciálních pomalých oscilací.
2.5.4|Předzpracování fMRI v klidovém stavu
Soubory MRI DICOM byly vloženy do automatického potrubí v GraphICA (BraiNet—Brain Imaging Solution Inc.—Sarnia, Ontario, Kanada). Anatomické a funkční snímky byly předzpracovány pomocí FSL 6.03. Kroky předběžného zpracování T1-vážených anatomických snímků zahrnovaly korekci bias-field (RF/B{4}}korekce nehomogenity-korekce), extrakci mozku, segmentaci typu tkáně (CSF, GM, WM) a subkortikální strukturu segmentace. Na funkčních datech jsme provedli odstranění lebky, korekci pohybu, korekci časování řezu, prostorové vyhlazování, které se vypočítává na základě velikosti voxelu, stropu (1,5 * velikost voxelu), společné registrace, automatického odstraňování pohybových artefaktů na bázi ICA, horní propusti filtrování a regrese obtěžování (WM a CSF). Data nebyla normalizována na referenční prostor, protože charakteristiky přirozeného mozkového prostoru by měly být zachovány v následující analýze.
2.5.5|Duální regresní analýza
Duální regrese byla použita k identifikaci prostorových map specifických pro daný předmět pomocí 11 klidových síťových masek: sluchová, výchozí síťová síť, výkonná kontrola vlevo, výkonná kontrola vpravo, hippocampal, jazyk, nápadnost, senzomotorika, vizuální laterální, vizuální média a vizuální Okcipitální. Intenzita složkových prostorových map byla vyjádřena v jednotkách procentuální změny signálu od průměru.
2.5.6|Regionální parcelace
T{{0}}vážený obrázek každého subjektu byl automaticky segmentován pomocí potrubí implementovaného ve Freesurfer 7 (v7.1.0, http://surfer.nmr.mgh. harvard.edu/). Další parcelace byla provedena pomocí GraphICA s použitím gradientně váženého postupu Markov Random Field modelu popsaného v (Schaefer et al., 2018). Tento parcelační model obsahuje tři konkurenční termíny, které vyvažují optimální vlastnosti finální segmentace: termín globální podobnosti se skupinovými umístěními mozku s podobnou intenzitou obrazu, termín lokálního gradientu pro detekci náhlých změn funkční konektivity mezi sousedními umístěními mozku a termín prostorové propojenosti zajistit prostorovou návaznost v rámci parcel. Postup poskytl 832 parcelovaných oblastí mozku, které byly zahrnuty jako síťové uzly pro další analýzy.
2.5.7|Funkční konstrukce sítě a prahování
Pomocí GraphICA byl každý uzlový časový průběh fMRI korelován s časovým průběhem IC pro tři sítě v klidovém stavu samostatně. Po společné registraci každé z funkčních sítí klidového stavu k subjektu v nativním prostoru byla vypočtena střední hodnota z zprůměrováním hodnot skalární mapy voxelu patřícího ke každé z 832 oblastí zájmu. Výsledné z-standardizované korelační koeficienty popisují zatížení každého nodálního časového průběhu na příslušné síti klidového stavu. Aby se odstranily falešné nebo slabé hodnoty z, například kvůli hluku, byla zatížení prahována pomocí přístupu modelování směsi založeného na datech na úrovni jednoho subjektu (Bielczyk et al., 2018). Navíc byly prahové sítě porovnány se síťovými šablonami poskytnutými GraphICA, které byly odvozeny z 200 zdravých kontrol. Pro další analýzu byly brány v úvahu pouze uzly nalezené v šablonách (tj. uzly hipokampální sítě=74, uzly sítě ve výchozím režimu=171, uzly sítě pravého výkonného řízení=164).
2,6|Statistická analýza
2.6.1|Analýza EEG spánku
Statistické analýzy spánkových EEG dat byly provedeny pomocí Matlab R2020b (Mathworks Inc., Sherborn, Massachusetts) s open-source toolboxem Fieldtrip (Oostenveld et al., 2011) a CircStats toolboxem (Berens, 2009). Analýza je omezena na kanály Fz pro pomalé kmity a pomalá vřetena a Cz pro rychlá vřetena. Ne všechny proměnné spánku použité v naší analýze sledovaly normální rozdělení. Všechna srovnání charakteristik spánku a oscilačních vlastností v rámci skupiny mezi spánkovou relací po učení a kontrolní spánkovou relací byla testována pomocí neparametrických Wilcoxonových testů se znaménkem pro závislé vzorky. Porovnání spánkových proměnných mezi skupinami v alocentrickém versus egocentrickém stavu bylo vypočítáno pomocí neparametrických Mann–Whitney U testů pro nezávislé vzorky. Pro tyto testy byly uvedeny hodnoty mediánu a kvartilu proměnných. P-hodnota<.05 was viewed as statistically significant.
2.6.2|Časový vztah mezi detekovanými pomalými oscilacemi a vřeteny
Koordinace pomalých oscilací a vřeten byla hodnocena pro spánek NREM, protože bylo prokázáno, že vazba vřeteno-pomalá oscilace je stabilní ve fázi 2 a spánku s pomalými vlnami (Cox et al., 2017), i když typ pomalé oscilace se liší (K-komplexy vs. Delta vlny). Obecný časový vztah mezi pomalým kmitáním a událostmi vřetena byl vypočten tak, že se určil podíl vřeten, jejichž střed (tj. maximální prohlubeň) se vyskytoval v intervalu ±1,2 s kolem dna identifikovaných pomalých kmitů, a množství pomalých kmitů s vřetena, jejichž střed se vyskytoval v rozmezí ±1,2 s kolem příslušného žlabu kmitání. Časové okno ±1,2 s bylo zvoleno tak, aby pokrylo jeden celý pomalý oscilační cyklus (0,5–1 Hz, tj. 1–2 s). Kdykoli se překrývala dvě okna pomalého oscilačního času, bylo odstraněno to, které bylo dále od středu vřetena. Přesné načasování pomalých oscilací a událostí vřetena bylo vizualizováno časovými histogramy peri-událostí (PETH) (obrázek 2b) rychlých a pomalých středů vřetena (testovací události) vyskytujících se v časovém intervalu ±1,2 s kolem každé dolní prohlubně pomalé oscilace (cíl). událost). Pravděpodobnosti výskytu zárodečné události byly sečteny v rámci zásobníků 100 ms a převedeny na procenta. Abychom otestovali časový vzorec PETH, implementovali jsme randomizační proceduru náhodným promícháním pořadí PETH přihrádek 1000krát. Výsledné zástupné hodnoty byly zprůměrovány pro každého jednotlivce a testovány proti původním PETH pomocí závislých vzorových t-testů. Kontrola pro vícenásobná srovnání byla dosažena prostřednictvím testování permutací na bázi clusteru s 5000 permutacemi (Maris & Oostenveld, 2007).
2.6.3|Fázová vazba s uzamčením události
Pro mezifrekvenční analýzy uzamčené událostmi (Helfrich et al., 2018) byly vybrány pokusy s pomalou oscilací bez artefaktů na kanálu Fz (±3 s kolem maximálního minima pomalé oscilace) a pásmo -propusti filtrovaná ve frekvenčním rozsahu pomalých oscilací (0.3–1,25 Hz). Po aplikaci Hilbertovy transformace jsme z analytického signálu extrahovali okamžitý fázový úhel. Stejné pokusy byly také filtrovány pásmovou propustí mezi 9 a 12,5 Hz (složka pomalých vřeten) a mezi 12,5 a 16 Hz (složka rychlých vřeten) pro výpočet amplitudové obálky z analytického signálu. Zvažovali jsme pouze časový rozsah od 2 do 2 s, abychom se vyhnuli artefaktům na okraji filtru. Pro každý předmět, kanál a epochu jsme nyní detekovali maximální amplitudu vřetena a odpovídající fázový úhel pomalé oscilace. Rayleighovy testy byly vypočítány pro testování fázové distribuce na subjekt proti uniformitě. Byl stanoven střední kruhový směr a výsledná délka vektoru napříč všemi událostmi NREM. PPC byl použit jako nestranný odhad konzistence fázového vztahu mezi vřeteny a pomalými oscilacemi (Vinck et al., 2012) na základě Fourierových spekter spouštěných vřetenem v časovém okně 3,5 až +3,5 s (kroky 100 ms) a frekvenční rozsah pomalé oscilace od 0,3 do 3 Hz.
Čínská bylina cistanche
2.6.4|Časově-frekvenční analýza
K dalšímu popisu časového vztahu mezi vřeteny a pomalými oscilacemi jsme opět použili dříve vypočítané pokusy pomalé oscilace-událost (6-s segmenty). Tyto studie byly porovnány s náhodně vybraným časovým úsekem bez artefaktů 6 s během stejné fáze spánku jako příslušná pomalá oscilace použitá jako základní studie. Pro časově-frekvenční analýzu pokusů s pomalými oscilacemi a bez nich jsme použili supermnožiny (Moca et al., 2021). Superlety se skládají ze série Morletových vlnek se stejnou střední frekvencí, ale stále omezenější šířkou pásma, která má vyšší časově-frekvenční rozlišení než zavedené přístupy. Konkrétně jsme aplikovali frakční adaptivní superletovou transformaci (FASLT) na předzpracovaná data pomalých oscilací a pokusů základní linie mezi 5 Hz a 20 Hz v krocích po 0,25 Hz, s počátečním řádem vlnek 3 a intervalem řádu mezi 5 a 15 ( Barzan et al., 2021). Časově-frekvenční reprezentace pokusů s pomalými oscilacemi a kontrolních pokusů pak byly porovnány pro každý subjekt pomocí nezávislých t-testů. Výsledné t-mapy odrážejí nárůst/snížení v rychlém i pomalém frekvenčním rozsahu vřetena pro pokusy s pomalými oscilacemi ve srovnání s pokusy bez. Abychom vypočítali kontrasty v rámci subjektu, nakreslili jsme 100 náhodných sad pokusů se základní linií a pomalými oscilacemi, přičemž jsme zachovali poměr mezi fázemi 2 a studiemi spánku s pomalými vlnami. T-mapy pro všechny tyto soubory náhodných pokusů byly zprůměrovány pro každý subjekt. samostatně pro každou paměťovou podmínku byly t-mapy testovány proti nule pomocí klastrového permutačního testu s 5000 permutacemi v časovém okně 1,2 až 1,2 s.
2.6.5|FMRI analýza v klidovém stavu
fMRI data tří sítí v klidovém stavu byla analyzována v RStudio 1.4.1103 (RStudio, Inc., Boston, Massachusetts). Všechny analýzy byly provedeny pro tři předem vybrané sítě v klidovém stavu odděleně (tj. síť hipokampu, síť výchozího režimu, síť pravého výkonného řízení) a byly založeny na uzlových hodnotách z získaných pro IC, které popisují vzor konektivity ve funkčním sítě v klidovém stavu. Prozkoumali jsme tři různé přístupy k analýze dat, včetně analýzy teorie grafů, matic Euklidovských vzdáleností a dekompozice singulárních hodnot (SVD), z nichž SVD bylo pro aktuální soubor dat nejvhodnější. SVD bylo provedeno na hrubých hodnotách z, aby bylo možné přesněji zachytit původní organizaci sítí v klidovém stavu. Prahové hodnoty z tvořily m n datovou matici (m=počet účastníků 4 relace; n=počet uzlů). Konkrétně byla pro redukci rozměrů zvolena SVD pro řídké matice, protože prahová datová matice obsahovala převážně nulové hodnoty. Byly extrahovány dva hlavní režimy na síť, které dohromady vysvětlovaly 15–20 % rozptylu v datech. Každý režim lze chápat jako funkční klidovou podsíť založenou na rozptylu (viz Filmy S1– S4). V důsledku SVD jsme získali průměrnou rekonstrukci sítí na nízké úrovni jako aproximaci pořadí-r, která popisuje prostorové rozložení příslušné podsítě, pomocí rovnice (2):
kde A je původní datová matice, která je aproximována pomocí U obsahující r levých singulárních vektorů, S obsahující r singulárních hodnot a V obsahující r pravých singulárních vektorů. Při přípravě na statistické testování byl příslušný levý singulární vektor (um, i ) škálován jeho singulární hodnotou (si, i ), kde i je i-tý řádek/sloupec matice. Výsledkem (um, I si, i ) je sloupcový vektor, který představuje skóre účastníků pro všechny relace v ité podsíti. Tyto hodnoty lze interpretovat jako sílu konektivity vybrané funkční podsítě pro všechny účastníky, napříč relacemi a podmínkami. Pro každou ze dvou podsítí byla získaná skóre účastníků analyzována jako závislé proměnné pomocí lineárního modelu smíšených efektů. Modelové prediktory zahrnovaly stav spánku (spánek, probuzení), relaci (1–4 nebo před/po přestávce, před/po úkolu) a stav paměti (alocentrický, egocentrický) jako fixní efekty. Účastníci byli modelováni jako náhodné efekty pro čtyři sezení v klidovém stavu. K posouzení shody modelu byly použity Akaike Information Criterion (Akaike, 1973), Bayesian Information Criterion (Schwarz, 1978) a log-pravděpodobnost.
3|VÝSLEDEK
3,1|Studie designu a výkonu paměti
Tato studie použila 1-denní paradigma k testování konsolidace úkolu prostorové paměti (obrázek 1a). Během skenů fMRI účastníci prováděli alo- nebo egocentrické prostorové učení a vyhledávání paměti v dříve ověřeném virtuálním analogu vodního bludiště pro lidi (Müller et al., 2018; Schoenfeld et al., 2017). Podrobný popis úkolu lze nalézt v první publikaci tohoto datového souboru (Samanta et al., 2021). Stručně řečeno, účastníci se volně pohybovali po virtuálním ostrově pomocí joysticku, aby dosáhli pevného cílového místa. Při výuce bylo místo označeno ukrytou schránkou s pokladem. Během získávání však byli účastníci instruováni, aby označili umístění schránky s pokladem podle svého nejlepšího vědomí, aniž by schránka byla přítomna. Allocentrické a egocentrické podmínky se lišily tak, že náhodně určení účastníci začínali každý pokus buď ve stejné, nebo v měnící se výchozí pozici (obrázek 1b). Výkon paměti byl měřen jako latence k dosažení cílového umístění z výchozího bodu. Při vyhledávání měli účastníci obecně lepší výkon v egocentrickém stavu než v alocentrickém stavu a hlavní vliv spánku na výkonnost paměti byl významný (obrázek 1c; tabulka 1; obousměrná ANOVA s allo/ego F1,62=16 0,78, p < 0,001 a spánek/probuzení F1,62=3,84, p=0,05). Bezprostředně před a po sezení učení a vyhledávání byla funkční konektivita hodnocena pomocí fMRI v klidovém stavu. To znamená celkem čtyři sezení fMRI v klidovém stavu po 9 minutách. Mezi prostorovým učením a vyhledáváním paměti byla k měření architektury spánku použita polysomnografie (tabulka S1). V experimentálních podmínkách účastníci spali přibližně 90 minut (93,48 ± 1,77, průměr ± SEM), zatímco kontrolní skupina stejnou dobu sledovala neutrální film. Přibližně 2 týdny po experimentu účastníci ve stavu spánku dokončili kontrolní sezení spánku po dobu přibližně 90 minut (103,30 ± 2,66, průměr ± SEM), které bezprostředně nenavazovalo na zkušenost s prostorovým učením. Sekvence dvou spánkových relací nebyla vyvážena, aby zůstali subjekty zaslepené vůči experimentálním podmínkám v testovacím sezení. Pomocí podobného návrhu úlohy Genzel, Bäurle a kol. (2014) a Genzel et al., (2012) získali srovnatelné délky spánku. Zde však účastníci spali podstatně déle v relaci kontroly spánku než v relaci spánkového testu (Wilcoxon Sign-Rank Test, z = 2.68, p=0.01). Tento efekt sezení naznačuje návyk na spánkovou laboratoř. Rozdíl od předchozích studií může být způsoben použitím jiného laboratorního nastavení, pro Genzela, Bäurleho a kol. (2014); Genzel et al., 2012) byla takto označena spánková laboratoř (Psychiatrický institut Maxe Plancka), zatímco spánková laboratoř v Donders Institute v EEG laboratoři (a tedy méně „domácí“).
3,2|Vlastnosti spánku při testovací a kontrolní relaci
Ukázalo se, že časoprostorové mechanismy během spánku NREM konsolidují zážitky zakódované během předchozí bdělosti (Maigret et al., 2016). Na systémové úrovni se má za to, že zážitky jsou reaktivovány v hipokampo-thalamo-kortikální síti během spánku, aby se vytvořily dlouhodobé reprezentace těchto zkušeností. Různé oscilace zapojené do konsolidace paměti mohou koordinovat komunikaci mezi těmito mozkovými strukturami (Genzel, 2020; Genzel, Bäurle, et al., 2014). Zajímaly nás pomalé oscilace, stejně jako pomalá vřetena (9–12,5 Hz) a rychlá vřetena (12,5–16 Hz) během NREM spánku, které mohou hrát výraznou roli v procesu konsolidace paměti (Genzel & Robertson, 2015). . V souladu s dříve publikovanou topografií těchto spánkových oscilací v lidském EEG (Adamczyk et al., 2015) jsme zaměřili naše analýzy na frontální pomalé oscilace a pomalá vřeténka (tj. kanál Fz) a centrální rychlá vřetena (tj. kanál Cz; viz obrázek S3 pro topografii spojky). Abychom zachytili specifické vlivy prostorového učení na architekturu spánku spánkového testu, porovnali jsme spánkové popisy a také vlastnosti vřetena a pomalé oscilace (viz tabulka S1) mezi spánkovým testem a kontrolními sezeními. Zjistili jsme, že účastníci spali významně déle v kontrolním sezení ve srovnání s testem. Ve srovnání s testovací relací byla také doba trvání rychlého vřetena významně vyšší v kontrolní relaci (Wilcoxonův Sign-Rank Test, z = 2,91, p < 0,01). Dále jsme hodnotili, zda významný rozdíl v TST mezi testovacími a kontrolními sezeními mohl předpovědět tento rozdíl v rychlém trvání vřetena, kontrolující WASO. Nebyl však zjištěn žádný významný účinek TST na rozdíly v amplitudě rychlého vřetena v průběhu spánkových relací (vícenásobná lineární regrese, TST:=0 0,53, p=0,61). Zvýšení amplitudy rychlého vřetena, podobně jako zvýšení TST, by mohlo být způsobeno nekontrolovaným habituačním efektem spánkové laboratoře. Přesto jsme předpokládali, že časový vztah spánkových oscilací je rozhodující pro konsolidaci paměti. V tomto ohledu jsme nezaznamenali žádné rozdíly mezi relacemi, jak bude uvedeno dále.
OBRÁZEK 1
3,3|Vazba vřetena-pomalá oscilace při testu a kontrole
Spojení mezi ostrými vlnami, vřeteny a pomalými oscilacemi může nastavit zásadní časové okno pro upevnění zážitku z učení (Genzel, Kroes, et al., 2014). Proto jsme se zaměřili na časový vztah mezi vřeteny a pomalými oscilacemi, abychom dále prozkoumali rozdíl ve spánkové mikroarchitektuře mezi spánkovými testy a kontrolními sezeními. Nejprve jsme vypočítali počet maximálních propadů vřeten (v %) vyskytujících se v jednom cyklu (interval ±1,2 s) kolem středu identifikovaných pomalých oscilací (obrázek 2a). V obou relacích jsme detekovali podobný počet rychlých vřeten spojených s pomalými oscilacemi (Wilcoxon Sign-Rank Test, z = 1.14, p=0.26) a pomalých vřeten spojených s pomalými oscilacemi (Wilcoxon Sign-Rank Test, z {{10}},75, p=0,45). Naopak zhruba stejný počet pomalých oscilací byl spojen s rychlými vřeteny (Wilcoxon Sign-Rank Test, z=1.02, p=0,31) a pomalými vřeteny (Wilcoxon Sign- Rank Test, z {{20}}.10, p=0.27) po učení a při kontrole spánku. Tato zjištění naznačují, že vřetena a pomalé oscilace jsou navzájem stejně svázány. Obecně jsme detekovali konzistentní spojení vřetena a pomalé oscilace napříč oběma spánkovými relacemi nezávisle na zkušenostech s prostorovým učením provedeným bezprostředně před relací spánkového testu. Úspěšná konsolidace paměti může záviset na přesnosti spojování desítek nebo dokonce stovek ms (Maigret et al., 2016; Muehlroth et al., 2019). Proto jsme analyzovali přesnou koordinaci vřetena a pomalé oscilace pomocí PETH (obrázek 2b). PETH ukazují pravděpodobnost maximálních propadů vřetena, ke kterým dojde v časovém okně ±1,2 s kolem událostí pomalé oscilace v časových intervalech 100- ms. Rychlá vřetena se vyskytovala bezprostředně před a na vrcholu pomalých oscilací po dolním úseku pomalé oscilace (permutace založené na shlucích: znaménkový shluk: 400–700 ms při testu, p < 0,001; 500–800 ms při kontrole, p < 0,001). Na druhé straně se pomalá vřeténka shodovala při přechodu do a s pomalým kmitáním (permutace založené na shlucích: oba znaménkové shluky při 300 až 100 ms, p < 0,001). Robustnost tohoto efektu byla testována proti referenční distribuci získané náhodným promícháním časových značek vřetenových žlabů. Časová specifičnost spojení vřeteno-pomalá oscilace se mezi dvěma spánkovými sezeními nelišila, což opět naznačuje přítomnost obecného spojovacího mechanismu nezávislého na zkušenostech s prostorovým učením. Předchozí zjištění prokázala vyšší pevnost spojení vřeteno-pomalá oscilace u mladých lidí ve srovnání se starými dospělými a po učení hrubé motoriky (Cross et al., 2020 [předtisk]; Helfrich et al., 2018). Měli jsme zájem objasnit tuto konzistenci ve fázových vztazích v kontextu prostorového učení. Polární grafy na obrázku 2b ukazují vazebnou fázi pro jeden vzorový subjekt a celý vzorek, počítanou jako okamžitá fáze pomalé oscilace (0,3–1,25 Hz) v době maximální amplitudy vřetena nad kanálem Fz pro pomalá vřetena (9–12,5 Hz ) a kanál Cz pro rychlá vřetena (12,5–16 Hz). Již na úrovni jednoho subjektu lze pozorovat přesnou vazbu vřetena a pomalé oscilace, která je odlišná pro rychlá vřetena a pomalá vřetena, ale relativně konzistentní napříč spánkovými relacemi (viz polární histogramy, obrázek 2b). Na úrovni skupiny se většina rychlých vřeten vyskytla mezi 5,76 a 6,28 radiány pomalé oscilace (test: 6,03 ± 0,56, kontrola: 6,07 ± 0,33, kruhový průměr ± SD), zatímco pomalá vřetena se vyskytla mezi 1,57 a 2,62 radiány pomalé oscilace (Test: 1,89 ± 0,79, kontrola: 1,87 ± 0,71, kruhový průměr ± SD; obrázek 2e). Tyto nálezy odpovídají časové koordinaci mezi vřeteny a pomalým oscilacím zobrazeným v PETH. Abychom odhadli konzistenci těchto fázových vztahů, vypočítali jsme párovou fázovou konzistenci (PPC; srov. "Metody a materiály"). Maximální hodnoty PPC se mezi dvěma relacemi spánku nelišily ani pro rychlá vřetena, ani pro pomalá vřetena (Wilcoxon SignRank Tests, rychlé vřeteno max. PPC: z=0,451, p=0,65, pomalé vřeteno: max PPC: z=0,067, p=0,95). Kromě toho jsme pozorovali patrné individuální rozdíly v PPC (obrázek 2c). Zajímalo nás, zda tato variabilita v PPC souvisí s celkovou kvalitou spánku účastníka (měřeno pomocí PSQI), která nebyla významná (lineární korelace, rychlá vřetena: ρ=0.30, p =). 14, pomalá vřetena: ρ=0.15, p=.46). Stručně řečeno, vřetena byla konzistentně spojena s pomalými oscilacemi se specifickým fázovým vztahem, který podporuje předchozí zjištění v časové oblasti. Celkové dosud prezentované výsledky spojení se mezi dvěma spánkovými relacemi nelišily. Jak bylo popsáno dříve, pozorovali jsme delší celkovou dobu spánku u kontroly spánku než u relace spánkového testu, což mohlo mít kompenzační účinky na architekturu spánku, za níž byl skrytý rozdíl ve spojení. Proto uvádíme následující výsledky pouze pro relaci spánkového testu.
3,4|Výkon pomalé oscilace vřetena je spojen s výkonem paměti
Poté, co jsme stanovili obecnou časovou a fázovou dynamiku spojení vřeteno-pomalá oscilace napříč spánkovými relacemi, pokračovali jsme v naší analýze se zaměřením na dvě paměťové podmínky (allo vs. ego) během relace spánkového testu, protože spánek může mít výrazný vliv na alocentrický versus egocentrické prostorové vzpomínky. Možné rozdíly mezi skupinami byly testovány na %-coupling a PPC (obrázek 2a,f). Ani množství vazby vřeteno–pomalá oscilace ani konzistence ve fázi vřeteno–pomalá oscilace se mezi skupinami významně nelišily (Mann–Whitney U Test, % rychlé vřeteno: z = 1.12, p=. 27, % pomalých vřeten: z=0,09, p=0,93; max. PPC rychlých vřeten: z=1,742, p=0,08, max. PPC pomalá vřetena: z=0.083, p=0.94). Tento vzor jsme dále zkoumali porovnáním oscilačního výkonu ve frekvenčním rozsahu vřetena pro časové úseky s pomalými oscilacemi a bez nich (srov. „Materiály a metody“). Pokusy s pomalými oscilacemi byly konstruovány epochou ±1,2 s kolem náhodně vybraných pomalých oscilací. V těchto pokusech se výkon ve frekvenčním rozsahu vřetena skutečně významně lišil od náhodně vybraných intervalů bez pomalých oscilací (pro všechny shluky t-hodnot: p < 0,001, obrázek 3a). Tento efekt byl stejně přítomen v obou paměťových podmínkách, protože rozdílová mapa neobsahovala žádné významné modulační shluky (obrázek 3a). Závěrem lze říci, že žádná z metrik vazby vřeteno-pomalá oscilace se mezi paměťovými podmínkami nelišila. Výsledky byly také v souladu s nevýznamnou interakcí mezi typem tréninku a spánkem pro analýzu chování (viz obrázek 1c). Proto jsme se rozhodli zhroutit dvě paměťové podmínky, abychom zvýšili statistickou sílu pro další testování. Vzhledem k celému vzorku jsme při testu nejprve ověřili, zda množství vazby vřeteno-pomalá oscilace není pouze náhodným vedlejším produktem výskytu událostí vřetena a pomalých oscilací. Získané množství vazby se významně lišilo od náhodného výběrového rozdělení u 60 % vzorku (obrázek 3b, permutační testy: p < 0,05, 1000 iterací na účastníka). Nicméně, abychom se vyhnuli ztrátě statistické síly a regresi směrem k průměru, vypočítali jsme modulace spektrálního výkonu během pokusů s pomalými oscilacemi pro celý vzorek (obrázek 3c). Zjistili jsme, že modulace výkonu během pokusů s pomalými oscilacemi se významně lišily od odpovídajících kontrolních pokusů v rozsazích frekvence vřetena a dříve stanovených časových intervalech (viz PETH, obrázek 2b). Dále jsme provedli korelační analýzy mezi rozdíly ve výkonu pomalé oscilace a řízení (vyjádřené v t-hodnotách) a výkonem paměti samostatně pro každý časo-frekvenční bod v příslušném vřetenovém shluku extrahovaném z t-mapy (obrázek 3c). Zjistili jsme významné souvislosti testováním proti bootstrapped referenční distribuci korelací EEG-chování. Tímto způsobem bychom mohli identifikovat významné korelační shluky představující vztah mezi výkonností paměti a specifickým vzorem modulace aktivity EEG během pomalé oscilace ve vzestupném stavu (srov. „Materiály a metody“). Významný negativní korelační shluk byl identifikován pro rychlá vřetena (shluk p < 0,01, max r=0,41, p < 0,01, obrázek 3c nahoře). Podobně jsme identifikovali další významný negativní korelační shluk pro pomalá vřetena (shluk p=0,02, max r=0,38, p=0,02, obrázek 3c dole): rychlejší- výkon vřetena a výkon pomalého vřetena během periody pomalé oscilace byly spojeny s lepším výkonem paměti (tj. nižší latencí odezvy). Tyto účinky byly specifické pro relaci spánkového testu, protože nemohly být pozorovány u rychlého vřetena nebo pomalého vřetenového shluku v kontrolní relaci spánku (obrázek S4). Tuto korelační analýzu jsme také provedli samostatně pro egocentrické a alocentrické skupiny (obrázek S6). V alocentrické skupině modulace výkonu s rychlým ani pomalým vřetenem významně nekorelovaly s výkonem paměti. Zjištění pro egocentrickou skupinu se velmi podobala zjištěním pozorovaným pro celý vzorek. Je zajímavé, že modulace výkonu s pomalým vřetenem vykazovaly opačné trendy v obou skupinách. Lepší paměťový výkon naznačoval negativní spojení s modulacemi výkonu s pomalým vřetenem pro alocentrickou skupinu (shluk=0.07, max. r=0.50, p=.06, obrázek S6 vlevo dole). Tato asociace byla významně pozitivní pro egocentrickou skupinu (shluk p=0,03, max. r=0,61, p=0,02, obrázek S6 vpravo dole). Tento trend jsme však dále nezkoumali, protože pro alocentrickou skupinu nebylo možné získat žádné významné výsledky. Na závěr jsme našli důkaz o spojení mezi koordinací pomalých oscilací a vřeten s výkonností paměti, která byla specifická pro spánek po učení na rozdíl od kontrolní spánkové relace. Modulace výkonu s pomalým vřetenem mohly být poháněny především egocentrickou skupinou.
OBRÁZEK 2
3,5|Funkční sítě v klidovém stavu se během relací mění
Po analýze spánku-EEG jsme se dále zaměřili na funkční konektivitu v klidovém stavu před a po učení, konsolidaci a načtení paměťové úlohy, abychom prozkoumali konsolidaci paměti na úrovni sítě napříč klidovými stavy. Za tímto účelem jsme zahrnuli data fMRI ze čtyř relací v klidovém stavu (tj. 1=výchozí stav, 2=po učení, 3=po přestávce, 4=po načtení ) do analýzy. Konkrétně nás zajímala správná výkonná kontrolní síť, síť výchozího režimu a síť hippocampu. Task-fMRI analýzy tohoto datového souboru od Samanta et al. (2021) odhalili, že regiony těchto sítí změnily aktivaci během období konsolidace, když si účastníci zdřímli, ale ne když zůstali vzhůru. Získali jsme tedy tři sítě v klidovém stavu pomocí nástroje GraphICA (Ribeiro de Paula et al., 2017), nástroje pro analýzu sítí v klidovém stavu. Pro účely redukce rozměrů jsme vypočítali primární mody rozptylu pro každou síť pomocí SVD (srov. "Metody a materiály"). Nakonec jsme testovali účinky relace, podmínky spánku a paměťové podmínky na skóre každého účastníka v dříve identifikovaném režimu. S tímto přístupem jsme mohli určit (1) kolik funkčních podsítí bylo obsaženo v každé síti a (2) jak se změnila funkční konektivita sítí pro kteroukoli z našich experimentálních proměnných. Pro správnou výkonnou kontrolní síť jsme extrahovali primární podsíť, která byla zaměřena na pravý dolní parietální sulcus, pravý dolní parietální lalok a pravý dorzolaterální prefrontální kortex. V této podsíti jsme zjistili zvýšení funkční konektivity napříč výkonem úkolů v relacích učení a vyhledávání (obrázek 4a; model lineárních smíšených efektů, spánek/probuzení: t62 = 0.747, p =). 46 allo/ego: t62 = 0.477, p=0,64, před přestávkou/po přestávce: t193=1.676, p=0,10, před -task/post-task: t193=2.808, p=.01). Tento nárůst byl způsoben změnou z období po přestávce po obnovení (t193=2.468, p=0.02). Naproti tomu podsíť primárního výchozího režimu s hlavním zapojením zadní cingulární kůry obecně poklesla v konektivitě od výkonu před úkolem po úkol a jeho konektivita byla obecně vyšší pro spánek ve srovnání s bdělým stavem (obrázek 4b; lineární smíšené efekty model, spánek/probuzení: t62 = 2,616, p=0,01 allo/ego: t62=0.427, p=0,67, před přestávkou/po -break: t193=1.726, p=0,08, před úkolem/po úkolu: t193 = 2.126, p=0,04). Pokles funkční konektivity lze vysvětlit významnou změnou od doby po přerušení k povyhledání (t193 = 2.451, p=.017). Hlavní účinek spánku však nelze vysvětlit žádnou z experimentálních manipulací a mohl vzniknout náhodou (obrázek S5). Pozoruhodné je, že primární hipokampální podsíť, která zahrnovala hlavně hipokampus a bilaterální parahipokampální kůru, vykazovala podobné změny konektivity jako správná výkonná kontrolní síť. V tomto případě jsme nejen detekovali zvýšení funkční konektivity před úkolem po úkolu, ale také zvýšení funkční konektivity před a po přerušení (obrázek 4c; lineární model smíšených efektů, spánek/probuzení: t62 = 0. 143, p=0,89 allo/ego: t62=0,702, p=0,49, před přestávkou/po přestávce: t193=3,749, p < 0,001, před úkolem/po úkolu: t193=4 0,535, p < 0,001). To se odrazilo ve významném rozdílu mezi výchozím stavem a po učení (t{101}},586, p < 0,001), jakož i mezi obdobím po přerušení a postretrievalem (t{105}},338, p < 0,001 ). Nakonec jsme testovali, zda změna funkční konektivity po přerušení až po načtení pozorovaná ve všech sítích byla spojena s výkonem paměti při vyhledávání. Tento efekt nebyl významný pro podsíť správného výkonného řízení (lineární regrese,=0.016, p=0,90), podsíť výchozího režimu (lineární regrese,=0.655, p=0,43), nebo hipokampální podsíť (lineární regrese,=0 0,596, p=0,44). Celkově jsme konzistentně dosáhli efektu před úkolem po úkolu ve všech třech podsítích, se zvýšením výkonné kontroly a sítě hippocampu a snížením sítě ve výchozím režimu. Pouze hipokampální podsíť zvýšila konektivitu před přerušením a po přestávce a u sítě ve výchozím režimu byl pozorován hlavní účinek spánku. Jak bylo ukázáno pro naši analýzu spánku, faktorová paměť (allo vs. ego) neovlivnila změny v sítích klidového stavu.
OBRÁZEK 3
OBRÁZEK 4
3,6|Hipokampální podsíť závislá na spánku a rychlá vazba vřetena a pomalé oscilace
Z analýzy provedené Samanta et al. (2021), je zřejmé, že aktivace precunea/retrospleniálního kortexu klesá po spánku, ale ne, když účastníci zůstali vzhůru během období konsolidace. Podobně jsme extrahovali druhou funkční podsíť hipokampální sítě zaměřenou na bilaterální retrospleniální kortex a bilaterální amygdalu (obrázek 5a nahoře). Tuto podsíť jsme identifikovali na základě faktorizace SVD pomocí kritéria spektra singulárních hodnot (srov. "Metody a materiály"). Zde jsme také zkoumali, jak relace, podmínky spánku a paměťové podmínky ovlivnily skóre účastníků v tomto druhém režimu. Na rozdíl od hlavních efektů úkolu a přerušení zjištěných u ostatních sítí jsme nyní pozorovali interakci mezi relací a podmínkami spánku (model lineárních smíšených efektů, interakce relace * spánková interakce t191=2.086, p {{5} } 0,04). Zdá se, že funkční konektivita podsítě se snížila pouze u účastníků, kteří si během období konsolidace zdřímli. Tento efekt přetrvával při srovnání změny pouze z relací po učení na relace po přestávce (t-test párového vzorku, t95=2.3971, p=0.02). Tak jsme také vypočítali rozdílové hodnoty mezi jednotlivými sezeními a testovali, zda se významně lišily od 0. K významné změně došlo pouze u spánkové skupiny od období po tréninku do období po přestávce (t26 = 3.17, p=0,01), toto nebylo pozorováno u skupiny probuzení (t38 = 1 0,363, p=0,18). Proto nás zajímalo, zda tento pokles konektivity mezi sezeními po učení a po přestávce ve spánku souvisí s dříve popsanou spojkou vřetena a pomalé oscilace (viz obrázek 3c). Opět byly provedeny korelační analýzy – tentokrát však pro rozdíly ve výkonu pomalé oscilace-kontrola (vyjádřené v t-hodnotách) a skóre změn v hipokampální podsíti mezi sezeními po učení a po přestávce. Korelace byly vypočítány pro každý časo-frekvenční bod v příslušných vřetenových shlucích extrahovaných z t-mapy. Významný negativní korelační shluk byl identifikován pro rychlá vřetena (shluk: p < 0,001, max. pixel: ρ = 0,38, p < 0,01; obrázek 5b, nahoře) a pro pomalá vřetena (shluk: p {{ 39}} 0,02, ρ = 0,30, p=0,03): vyšší výkon vřetena během pomalé oscilace ve vzestupném stavu byl spojen s větším poklesem funkční konektivity hipokampální podsítě v průběhu spánku . Shluky se částečně překrývaly s významnými korelačními shluky odezvy uvedenými dříve (viz obrázek 3c). Tato zjištění poskytují důkaz o vztahu mezi koordinací pomalých oscilací a vřeten a poklesem konektivity v hipokampální podsíti. Jsou paralelní s výsledky získanými pro výkon a chování vazby vřeteno-pomalá oscilace. Proto jsme se zaměřili na vytvoření trojitého vztahu mezi skóre změn v této hipokampální podsíti, spojením vřetena-pomalá oscilace a výkonem paměti. Změnili jsme skóre změn sítí během spánku na výkonu paměti při načítání. Snížení konektivity v hipokampální podsíti však významně nepředpovídalo chování (lineární regrese,=0 0,01, p=0,94). Stručně řečeno, našli jsme hipokampální podsíť, která snížila funkční konektivitu během relací v klidovém stavu pro účastníky, kteří si zdřímli. Funkční konektivita zůstala do značné míry stabilní pro ty účastníky, kteří zůstali vzhůru. Tento efekt se mezi těmito dvěma paměťovými podmínkami nelišil. Pokles funkční konektivity od post-učení do post-break pozitivně souvisel se spojením vřetena-pomalá oscilace během spánku. Předpokládali jsme tedy, že tato změna konektivity bude korelátem konsolidace paměti. Na rozdíl od výkonu vazby vřetena a pomalé oscilace (viz obrázek 3c) však pokles konektivity v druhé hipokampální podsíti závislý na spánku nepředpovídal výkonnost paměti při vyhledávání.
OBRÁZEK 5
4|DISKUSE
Tato studie používala data fMRI v klidovém stavu a spánková EEG ke zkoumání konsolidace prostorové paměti během spánku nebo stejné doby strávené vzhůru. Subjekty se naučily cílové umístění ve virtuálním vodním bludišti buď s různými výchozími polohami (alocentrická skupina) nebo se stejnou výchozí polohou (egocentrická skupina). Analýza spánku a EEG byla zaměřena na vazbu vřeteno-pomalá oscilace, která rozděluje vřetena na rychlé a pomalé podtypy. FMRI v klidovém stavu byla zaměřena na změny v konektivitě v rámci dříve definovaných sítí. Mohli jsme ukázat, že vazba vřeteno-pomalá oscilace pozitivně korelovala s výkonností paměti po zdřímnutí a také se snížením konektivity ve funkční hipokampální síti včetně retrospleniálního kortexu. Tento pokles konektivity nebyl pozorován ve skupině, která zůstala vzhůru. Zvýšení konektivity související s úkoly bylo pozorováno v síti výkonné kontroly a v jiné síti hipokampu, zatímco v síti ve výchozím režimu bylo zjištěno snížení. Tyto změny nebyly specifické pro spánkovou skupinu, ale byly pozorovány u všech účastníků. Replikovali jsme předchozí nálezy oscilační vazby, což ukazuje, že pomalá vřetena jsou vnořena v přechodném období z pomalé oscilace nahoru do stavu sestupu a rychlá vřetena se často vyskytují bezprostředně před stavem pomalé oscilace nahoru a v něm. Nezjistili jsme žádný rozdíl ve spojení vřeteno-pomalá oscilace mezi alocentrickými a egocentrickými tréninkovými skupinami. Přesná koordinace mezi vřeteny a pomalými oscilacemi byla konzistentně pozorována v časové, fázové a časově-frekvenční oblasti. Překvapivě se tyto účinky nelišily mezi relací testu spánku, která bezprostředně následovala po zkušenostech s prostorovým učením, a relací kontroly spánku, kde předem nebylo žádné explicitní učení. Skutečnost, že jsme nezaznamenali rozdíl mezi spánkovými relacemi, je s největší pravděpodobností způsobena metodologickými omezeními návrhu studie – kontrolní zdřímnutí bylo vždy druhé zdřímnutí – protože byl také pozorován rozdíl v celkové době spánku. Analýza fMRI v klidovém stavu byla zaměřena na síť hipokampu, síť ve výchozím režimu a síť pravého výkonného řízení. Tyto sítě byly definovány a později rozděleny do podsítí pomocí přístupu řízeného daty. Našli jsme změny v celém mozku během klidových relací, které odpovídaly našim předchozím zjištěním v analýze aktivity (Samanta et al., 2021). Úkolové změny v konektivitě v síti ve výchozím režimu (snížení konektivity) na rozdíl od změn v síti správného výkonného řízení (zvýšení konektivity). Je zajímavé, že hipokampální síť by mohla být rozdělena do dvou podsítí: primární funkční podsíť soustředěná na hipokampu a parahipokampální kůru a druhá funkční podsíť s retrospleniálním kortexem jako centrální oblastí. Funkční konektivita v primární hipokampální podsíti se zvýšila před úkolem po úkolu a před přerušením. Funkční konektivita v druhé hipokampální podsíti se snížila během čtyř relací v klidovém stavu – nejvýrazněji přes přestávku ve spánku – pouze u účastníků, kteří spali během přestávky, ale ne u těch, kteří zůstali vzhůru. Stejně jako naše výsledky analýzy chování a spánku, podmínky paměti (allo vs. ego) neovlivnily změny v žádné z těchto sítí. Naše zjištění naznačují změny konektivity související s úkoly a konsolidací ve funkčních sítích, které mohou souviset s reaktivací paměti.
Nakonec jsme se zaměřili na spojení našich výsledků EEG ve spánku se změnami v konektivitě v klidovém stavu a výkonnosti paměti. Vazba vřetena-pomalá oscilace pozitivně souvisela se změnami závislými na spánku v druhé hipokampální podsíti a s výkonností paměti. To bylo specifické pro spánek po učení a nebylo vidět v kontrolní relaci spánku. Celkově vzato se zdá, že přesná vazba vřetena a pomalé oscilace má behaviorální význam a potenciálně má funkční význam při konsolidaci paměti. Toto spojení může být mechanismem, kterým je modulována funkční konektivita v hipokampální síti během konsolidace paměti.
4,1|Změny konektivity v sítích v klidovém stavu
Obecně se ukázalo, že úkoly mohou ovlivnit klidovou mozkovou aktivitu po úkolu (Lewis et al., 2009). Například modulace spontánní mozkové aktivity závislé na učení po úkolu byla pozorována u kognitivních úkolů zahrnujících pracovní paměť, emoce a motorický trénink (Lewis et al., 2009). Takovou modulaci oblastí mozku spojených s předchozím úkolem lze chápat jako formu konsolidace klidového stavu, která může zahrnovat podobné mechanismy jako konsolidace paměti související se spánkem (Tambini & Davachi, 2019). Analýza konektivity v klidovém stavu je založena na korelaci různých voxelů v rámci sítě. Reaktivace neuronové paměti a posílení paměťových sítí by měly vést ke zvýšené koaktivaci paměťové sítě, což by tedy mohlo potenciálně zvýšit konektivitu uvnitř sítě, jak zde měříme. Naše výsledky by se tedy mohly interpretovat jako změny v reaktivacích, ke kterým dochází během klidového stavu. Ukazujeme opačné změny ve výkonné kontrole a hlavní hipokampální síti v kontrastu s výchozím režimem sítě před a po úkolu. Výkonná kontrola a síť hippocampu se zvýšily, zatímco síť ve výchozím režimu se snížila ve funkční konektivitě. Pokud jsou tyto změny konektivity vyvolány probíhajícími reaktivacemi, výsledky by naznačovaly, že po úkolu má člověk více reaktivací jak v síti výkonné kontroly, tak v hippocampu. Také jsme ukázali snížení konektivity specifické pro spánek v druhé hipokampální síti včetně retrospleniálního kortexu. Potenciálně by tato síť mohla být spojením mezi hipokampem a downstream oblastmi, jako je parietální kůra, která je součástí výkonné kontrolní sítě (Genzel, 2020). Pokles konektivity v této síti by proto naznačoval, že reaktivace, ke kterým dochází v síti výkonné kontroly a hipokampu, jsou po spánku na sobě nezávislejší. Naproti tomu po probuzení, kdy nedochází k takovému poklesu konektivity, by reaktivace v kortexu a hippocampu byly stále propojené. Dříve bylo navrženo, že jakmile konsolidace z hippocampu do kortexu pokročí, k reaktivaci v kůře dochází nezávisle na reaktivaci hipokampu. Naše výsledky by mohly tuto myšlenku podpořit. Míra klidového stavu, konektivity v rámci sítě je však velmi nepřímá, a proto by toto zjištění mělo být potvrzeno přímějšími měřeními, jako jsou simultánní hipokampální a kortikální neuronální záznamy u hlodavců.
4,2|Změny související s úkoly ve správném výkonném řízení a síti ve výchozím režimu
Naše zjištění jsou v souladu s úlohou analýzy tohoto souboru dat, kterou provedli Samanta et al. (2021). Při měření změn v aktivitě BOLD během relací učení a vyhledávání, zatímco účastníci úkol prováděli, jsme pozorovali nárůst oblastí výkonné kontroly související se spánkem a pokles oblastí výchozího režimu. V současné analýze jsme pozorovali zvýšení konektivity v rámci sítě pro výkonnou řídicí síť a snížení sítě ve výchozím režimu během různých relací v klidovém stavu. Je třeba poznamenat, že současné výsledky nejsou specifické pro stav spánku na rozdíl od výsledků analýzy aktivity od Samanta et al. Tento rozpor může být způsoben různými analytickými přístupy. Samanta a kol. (2021) zkoumali změny v odezvě BOLD, ale ne funkční konektivitu, pro obě sítě samostatně. Jejich analýza funkční konektivity byla postavena na seed-based přístupu, který testoval interakce mezi předem definovaným centrem výkonné řídicí sítě a zbytkem mozku. Naproti tomu jsme použili analýzu nezávislých komponent k definování našich sítí bez apriorních předpokladů a hodnotili změny funkční konektivity pouze v rámci každé z těchto sítí. Tyto metodologické rozdíly mohly přispět k odlišným výsledkům obou analýz. Předpokládá se, že výkonná kontrolní síť přiděluje pozornost mezi vizuoprostorové úkoly a je zapojena do cíleného chování a navigace. Konkrétně zadní parietální kortex slouží jako kortikální integrační místo pro hippokampálně generované alocentrické prostorové informace a egocentrickou prostorovou orientaci k vedení cílené navigace (Nitz, 2012; Whitlock et al., 2008). Kromě toho existují důkazy o sekvenčním přehrávání nebo vzorové reaktivaci oblastí mozku v klidu po úkolu, které se podílejí na kódování předchozí zkušenosti (Hoffman & McNaughton, 2002; Staresina et al., 2013). Celkově vzato, důkazy o ústřední roli parietálního kortexu v prostorové navigaci a přehrávání při odpočinku po úkolu v oblastech mozku relevantních pro úkol jsou v souladu s našimi zjištěními. Pozorovali jsme zvýšenou funkční konektivitu v pravé výkonné kontrolní síti zaměřené na dolní zadní parietální lalok a sulcus v klidovém stavu od výkonu před výkonem po výkon. Dřívější neuroimagingové studie definovaly síť ve výchozím režimu jako síť negativní na úkol, která snižuje funkční konektivitu během plnění úkolu ve srovnání s klidovým stavem (Buckner et al., 2008). Nicméně pomocí měření teorie grafů Lin et al. (2017) poskytli dočasně vyřešený pohled na dynamiku sítě ve výchozím režimu během odpočinku před úkolem, výkonu úkolu a odpočinku po úkolu. Zjistili pokles účinnosti, měřítka funkční integrace, ve výchozím režimu sítě v době odpočinku po úkolu ve srovnání s odpočinkem před úkolem. Globální účinnost se snížila v celé síti a místní účinnost se snížila konkrétně v zadní cingulární kůře. Naše výsledky také ukazují, že síť ve výchozím režimu se značným vlivem zadní cingulární kůry snižuje funkční konektivitu od odpočinku před úkolem po úkol. Je třeba zdůraznit, že v důsledku analýzy nezávislých složek (ICA) a postupu porovnávání šablon přispěly zadní cingulární kůra, prefrontální kůra a laterální zadní parietální kůra nejsilněji k síťové konektivitě ve výchozím režimu. Předchozí studie, včetně Samanty et al. (2021), také uvažovali o funkčních uzlech hippocampu a retrospleniálního kortexu v této síti (Greicius et al., 2003; Vincent et al., 2006). Společně byly všechny tyto oblasti navrženy tak, aby vytvořily paměťovou síť, ve které jsou informace přenášeny z hipokampu přes prefrontální a retrospleniální kortex do dolních parietálních oblastí během konsolidace (Genzel, 2020). V naší studii však byly hipokampus a retrospleniální kortex primárně součástí samostatné hipokampální sítě. Několik nálezů v naší studii, které byly dříve přiřazeny k síti výchozího režimu, je zde tedy diskutováno samostatně pro hipokampální síť, včetně hipokampu, oblastí temporálního laloku a retrospleniálního kortexu. Naše zpracování fMRI bylo založeno na ICA, které vytvářelo maximálně nezávislé prostorové sítě. Nebyli jsme tedy schopni otestovat interakce mezi funkčními sítěmi v klidovém stavu. Nicméně opačné trendy ve správném výkonném řízení a funkční konektivitě sítí ve výchozím režimu ukazují stejným směrem jako předchozí výzkum. Ukázalo se, že opačné posuny mezi sítí výchozího režimu a sítí výkonné kontroly usnadňují přenos mezi klidovou a soustředěnou pozorností (Goulden et al., 2014; Menon & Uddin, 2010). Tento přenos zahrnuje přerozdělení zdrojů v mozku na podporu kognitivního zpracování souvisejícího se stimulem. Na základě našich pozorování nemusí být antagonismus ve funkční konektivitě mezi těmito dvěma sítěmi přítomen pouze z přechodu mezi klidem a úkolem, ale přetrvává i v klidu po úkolu a mohl by tak odrážet offline koordinaci relevantních oblastí pro posílení zakódované zkušenosti.
4,3|Role hipokampální sítě při konsolidaci paměti
Prostřednictvím SVD jsme byli schopni identifikovat dvě funkčně relevantní podsítě v rámci hipokampální sítě, jednu hipokampální podsíť soustředěnou na hipokampu a parahipokampální kůru a druhou hipokampální podsíť primárně zahrnující retrospleniální kortex. Tyto podsítě vykazovaly zřetelné změny funkční konektivity během čtyř relací fMRI v klidovém stavu. Primární hipokampální podsíť se zvýšila ve funkční konektivitě po provedení úkolu v relacích učení a vyhledávání. Toto zjištění může být základem podobné konsolidace klidového stavu, jaká byla popsána pro výkonnou kontrolní síť. Hipokampus jako počáteční místo pro ukládání paměti často produkoval reaktivace, které vedly k lepší výkonnosti paměti po odpočinku (Dupret et al., 2010). Pozorovali jsme také zvýšení funkční konektivity po 90minutové přestávce pro tuto podsíť. Na první pohled se tento nárůst v průběhu konsolidačního období zdá být v rozporu s navrhovanými mechanismy konsolidace systémů (Squire et al., 2015). Místo toho by se dalo očekávat snížené zapojení hippocampu po období konsolidace. Je však třeba mít na paměti, že aktuálním měřítkem není aktivita sama o sobě, ale místo toho v rámci síťové konektivity a naše konsolidační období bylo omezeno na 90 minut. Druhá hipokampální podsíť primárně zahrnovala retrospleniální kortex, ale také mediální temporální oblasti. V literatuře jsou hippocampus, oblasti temporálního laloku a retrospleniální kortex často považovány za součást sítě výchozího režimu, protože vykazují silnou koherenci během odpočinku (Greicius et al., 2003; Vincent et al., 2006). Nedávno však byla identifikována „mediální dočasná“ podsíť, jejíž pokles zaspání konektivity byl spojen se zvýšeným výkonem prostorové paměti (Barnett et al., 2021; van Buuren et al., 2019). Mezi hlavní oblasti této sítě patří mediální temporální lalok a retrospleniální kortex. Tyto struktury odpovídají naší druhé hipokampální podsíti. V důsledku toho může naše druhá hipokampální podsíť hrát jedinečnou roli v konsolidaci paměti (de Sousa et al., 2019; van Buuren et al., 2019). Funkčně se konektivita druhé hipokampální podsítě snížila během čtyř relací v klidovém stavu, ale pouze u účastníků ve stavu spánku. Mediální temporální lalok a retrospleniální kortex byly označeny za relevantní pro prostorovou navigaci u lidí a modelů hlodavců (Epstein et al., 2017; Peigneux et al., 2004). Tyto oblasti jsou funkčně modulovány spánkem s postupným rozpojováním během hlubokého spánku (Spoormaker et al., 2010). Druhá hipokampální podsíť tedy může koordinovat konsolidační mechanismy v celém mozku zahrnující vřetenovou pomalou oscilační aktivitu během spánku (Cowan et al., 2020; Navarro-Lobato & Genzel, 2020). Ve skutečnosti jsme ukázali, že naše druhá hipokampální podsíť zaměřená na retrospleniální kortex je významně modulována spánkem a pozitivně souvisí s vazebnou silou vřetena a pomalé oscilace, která také předpovídala výkonnost paměti. Spojení vlnění, vřetének a pomalých oscilací může být mechanismem, kterým se během spánku konsolidují vzpomínky z počátečního uložení v hipokampu do oblastí po proudu, jako je zadní parietální kortex – přes retrospleniální kortex (Genzel, 2020; Hennies et al. , 2016). Naše druhá hipokampální podsíť může být nervovým substrátem, jehož prostřednictvím má spánek blahodárné účinky na konsolidaci paměti, navíc k obecné formě konsolidace v primární hipokampální podsíti, o které jsme hovořili dříve. Stručně řečeno, ukazujeme, že vzorce funkční konektivity v mozku, které jsou základem konsolidace vzpomínek, nemusí být jednoduše omezeny na zavedené sítě klidového stavu. Pomocí přístupu založeného na datech jsme identifikovali podsítě založené na rozptylu. Konkrétně jsme diferencovali hipokampální síť na složku nezávislou na spánku zaměřenou na hippocampus a složku závislou na spánku zaměřenou na retrospleniální střed. Obě tyto sítě se mohou podílet na konsolidaci prostorové paměti. Nicméně pouze druhá hipokampální podsíť může být základem prospěšných účinků spánku na formování paměti, jak ukazuje její souvislost s vazebnou silou vřetena a pomalé oscilace, která předpovídala výkonnost paměti. Naše zjištění poskytují přesnější pohled na hipokampální síť v konsolidaci paměti, ve které se její funkční konektivita v klidovém stavu odlišně mění v průběhu učení, konsolidace a získávání úkolu prostorové paměti v 1-denním paradigmatu.
