Časť 1: Aký je účinok reaktivácie pamäte počas učenia?

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

Pls kliknite sem pre časť 2

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

1Katedra psychológie, Texaská univerzita v Austine, Austin, Texas 78712, 2Centrum pre učenie a pamäť, Texaská univerzita v Austine, Austin, Texas 78712 a 3Katedra neurovedy, Texaská univerzita v Austine, Austin, Texas 78712

Doplnok Cistanche: zlepšuje pamäť

Udalosti, ktoré sa prekrývajú s predchádzajúcimi skúsenosťami, môžu spustiť reaktiváciu existujúcich spomienok. Takáto reaktivácia však môže mať rôzne reprezentatívne dôsledky v hipokampálnom okruhu. Výpočtové teórie hipokampálnej funkcie naznačujú, že gyrus dentatus a CA2,3 (DG/CA2,3) majú tendenciu rozlišovať veľmi podobné spomienky, zatiaľ čo CA1 môže integrovať súvisiace udalosti tým, že ich predstavuje prekrývajúcimi sa nervovými kódmi. Tu sme testovali, či tvorba diferencovaných alebo integrovaných reprezentácií v hipokampálnych podpoliach závisí od silyPamäťreaktivácia počas učenia. Ľudskí účastníci oboch pohlaví sa naučili asociácie (páry AB, buď v tvare tváre alebo v tvare scény), a potom podstúpili skenovanie fMRI, zatiaľ čo kódovali prekrývajúce sa asociácie (páry BC tvar-objekt). Pred učením aj po ňom boli účastníci skenovaní, pričom si prezerali nepriamo súvisiace prvky prekrývajúcich sa pamätí (obrázky A a C) v izolácii. Použili sme multivariačné analýzy vzorov na meranie reaktivácie počiatočných párových pamätí (položky A) počas učenia sa prekrývajúcich sa párov (BC), ako aj zmeny reprezentácie súvisiacej s učením pre nepriamo súvisiacePamäťprvky v hipokampálnych podpoliach. Keď boli predchádzajúce pamäte silne reaktivované počas kódovania prekrývajúcich sa párov, reprezentácie DG / CA2, 3 a subiculum pre nepriamo súvisiace obrázky (A a C) sa stali menej podobnými, čo je v súlade s diferenciáciou vzorov. súčasnePamäťreaktivácia počas nového učenia podporila integráciu v CA1, kde reprezentácie pre nepriamo súvisiaPamäťprvky sa po učení viac podobali. ďalejPamäťreaktivácia a reprezentácia subikula predpovedali rýchlejšie a presnejšie inferencie (AC) rozhodnutia. Tieto údaje ukazujú, že reaktivácia súvisiacich spomienok počas nového učenia vedie k stratégiám disociovateľného kódovania v hipokampálnych podpoliach, v súlade s výpočtovými teóriami.

Kľúčové slová: asociatívna pamäť; epizodická pamäť; fMRI s vysokým rozlíšením; hippocampal subfield; oddelenie vzorov

zlepšiť pamäť cistanche kapsuly

Vyhlásenie o význame

Flexibilita epizódPamäťnám umožňuje zapamätať si detaily, ktoré odlišujú podobné udalosti, ako aj spoločné črty medzi nimi. Tu sme testovali, ako reaktivácia minulých skúseností počas nového učenia podporuje vytváranie nervových reprezentácií, ktoré by mohli slúžiť týmto dvomPamäťfunkcie. Zistili sme, že reaktivácia pamäte počas učenia podporila tvorbu diferencovaných reprezentácií pre prekrývajúcich sa spomienok v podpoliach gyrus dentatus/CA2,3 a subiculum hipokampu, pričom súčasne viedla k vytvoreniu integrovaných reprezentácií súvisiacich udalostí v podpoli CA1. ďalejPamäťreaktivácia a reprezentácia subikula predpovedali úspech pri odvodzovaní nepriamych vzťahov medzi udalosťami. Tieto zistenia tomu nasvedčujúPamäťreaktivácia je dôležitým učebným signálom, ktorý ovplyvňuje, ako sú v hipokampálnom okruhu reprezentované prekrývajúce sa udalosti.

Úvod

Hipokampus sa skladá z viacerých podpolí, ktoré prispievajú kPamäťspracovanie a zastupovanie. Výpočtové modely naznačujú, že anatomické vlastnosti gyrus dentatus a CA2,3 (DG/CA2,3) robia tieto podpolia ideálnymi na separáciu vzorov alebo automatickú ortogonalizáciu veľmi podobných kortikálnych vstupov prostredníctvom riedkeho vypálenia (Marr, 1971; Schapiro et al. ., 2017). Na rozdiel od toho, charakteristiky CA1 boli navrhnuté na sprostredkovaniePamäťintegrácia alebo vytváranie prekrývajúcich sa reprezentácií, ktoré kódujú spoločné črty

Obrázok 1. Experimentálny návrh. Schéma behaviorálnej úlohy. Účastníci boli najprv vystavení jednotlivo prezentovaným obrázkom (tváre, scény a nové predmety), ktoré sa neskôr nepriamo spojili prostredníctvom asociatívneho učenia (položky A a C). Potom sa účastníci naučili spájať počiatočné páry (asociácie tvaru tváre alebo tvaru scény AB) a boli skenovaní, zatiaľ čo sa učili prekrývajúce sa páry (spojenie tvaru a objektu BC). Účastníci boli znova skenovaní vo fáze po expozícii, zatiaľ čo si prezerali rovnaké položky z predexpozície (položky A a C). Účastníci potom dokončili inferenčnú úlohu naprieč epizódami. Nakoniec účastníci dokončili úlohu lokalizátora, v ktorej si prezerali individuálne prezentované tváre, scény, predmety a tvary v blokovanom dizajne. B, Manipulácia s vizuálnou podobnosťou. Podobnosť zdieľanej položky B medzi pármi bola parametricky manipulovaná. V tomto príklade by bol horný tvar viditeľný v počiatočných pároch AB, zatiaľ čo spodný riadok predstavuje rôzne tvary tvarov, ktoré bolo možné vidieť pri učení sa prekrývajúcich sa párov BC. Spojovacia položka B prezentovaná počas učenia sa prekrývajúcich sa párov môže byť buď presnou zhodou s položkou B prezentovanou počas počiatočného (AB) učenia párov, morfom s vysokou podobnosťou alebo nízkou podobnosťou alebo novou (tj neprekrývajúcou sa) položkou. C, Subjektívna podobnosť tvarových podnetov používaných pre Blikajúce položky. Nezávislá vzorka účastníkov hodnotila vizuálnu podobnosť medzi rodičovskými tvarmi a tvarovými morfami prezentovanými vedľa seba pomocou 5-bodovej Likertovej škály (1=vôbec nie podobné, 5=veľmi podobné). pp , 0.05 (párové t-testy). Chybové stĺpce označujú 6 SEM.

cez súvisiace epizódy (Eichenbaum a kol., 1999; Schlichting a Preston, 2015; Schapiro a kol., 2017). Elektrofyziologický výskum dokazuje takéto reprezentatívne disociácie medzi podpoliami: súbory DG/CA2,3 vyvolávajú odlišné vzory streľby len s malými zmenami v percepčných črtách prostredia, zatiaľ čo vzorce aktivity CA1 sa menia postupne, keď sa prostredia stávajú percepčne odlišnými (Leutgeb et al., 2004, 2007). Paralelná práca u ľudí ukázala, že zmeny v aktivácii DG/CA2,3 rozlišujú medzi veľmi podobnými obrázkami objektov alebo objektmi, ktoré zdieľajú podobný kontext, zatiaľ čo odpovede CA1 nie (Bakker a kol., 2008; Lacy a kol., 2011; Dimsdale -Zucker a kol., 2018). Subiculum, výstupná štruktúra hipokampálneho okruhu (O'Mara et al., 2001), môže prispieť k diferenciácii vzorov (Potvin et al., 2009) aj integrácii (Schapiro et al., 2012).

Takáto predchádzajúca práca však nezohľadnila akoPamäťreaktivácia poháňa disociovateľné reprezentačné stratégie v hipokampe, čo umožňuje učenie reprezentácie ísť nad rámec jednoduchej transformácie medzi vonkajším zmyslovým vstupom aPamäťvýkon. Klasické výpočtové modely učenia to navrhujúPamäťreprezentácie by sa mali prispôsobiť predpovedaniu pravdepodobných výsledkov v reakcii na environmentálne podnety, pričom k integrácii dochádza, keď stimuly predpovedajú rovnaký výsledok, a diferenciácii, keď stimuly predpovedajú odlišné výsledky (Rumelhart a kol., 1986). Nedávne zistenia fMRI však naznačujú, že k diferenciácii môže dôjsť aj vtedy, keď stimuly zdieľajú spoločnú asociáciu alebo výsledok (Schlichting et al., 2015; Favila et al., 2016; Zeithamova et al., 2018). V týchto štúdiách boli reprezentácie hipokampu odlišnejšie pre stimuly, ktoré zdieľali spoločný výsledok, ako stimuly s rôznymi výsledkami. Takáto diferenciácia sa nedá vysvetliť z hľadiska automatického oddelenia externého vstupu prostredníctvom riedkeho kódovania v DG/CA2,3; skôr nedávna teoretická perspektíva navrhuje v hipokampálnych podpoliach (Ritvo et al., 2019). Tiež sme predpokladali, že integrácia a diferenciácia nebudú vzájomne sa vylučujúce výsledky v reakcii na reaktiváciu pamäte, ale že reaktivácia by namiesto toho viedla k súčasnej tvorbe komplementárnych diferencovaných a integrovaných reprezentácií v DG / CA2, 3 a CA1.

Na testovanie týchto predpovedí sme parametricky manipulovali s percepčnou podobnosťou medzi prekrývajúcimi sa udalosťami v asociatívnej inferenčnej úlohe (obr. 1). Účastníci študovali počiatočné páry a boli skenovaní pomocou fMRI s vysokým rozlíšením, zatiaľ čo sa učili prekrývajúce sa páry. Testovali smePamäťpre naučené páry a odvodené znalosti o nepriamych vzťahoch naprieč pármi, pričom inferenčný výkon slúži ako behaviorálny index integrácie (Shohamy a Wagner, 2008; Zeithamová et al., 2012). Kriticky sme kvantifikovali akoPamäťreaktivácia počas učenia sa prekrývajúcich sa udalostí ovplyvnila reprezentáciu hippocampu.

cistanche zdravotné prínosy: zlepšenie pamäti

Materiály a metódy

Účastníci

Po informovanom súhlase v súlade s protokolom schváleným Institutional Review Board na University of Texas at Austin. Účastníci dostali kompenzáciu 25 USD/h. Údaje od 6 účastníkov boli vylúčené z analýz: 2 účastníci z dôvodu nadmerného pohybu hlavy, 1 účastník, ktorý odstúpil z experimentu, 2 účastníci, ktorí mali neúplné skenovanie (nenaskenovali sa postexpozičné a/alebo lokalizačné fázy) a 1 účastník pre artefakty obrazu vo funkčných skenoch, ktoré vylučovali analýzu fáz predexpozície a lokalizácie. Zvyšní účastníci (n=26, 14 žien) boli zahrnutí do analýz. Našu konečnú veľkosť vzorky sme určili na základe súvisiacich štúdií, ktoré používali podobné paradigmy a analytické prístupy (Zeithamova et al., 20}12; Schlichting et al., 2015; Dimsdale-Zucker et al., 2018). Okrem toho nám táto veľkosť vzorky poskytla odhadovanú štatistickú silu 0,0,99 na zistenie vplyvu vizuálnej podobnosti na presnosť inferencie naprieč epizódami na základe pilotných údajov od samostatnej skupiny účastníkov (n=30, 22 žien vo veku { .

Stimuly

Stimulom bolo 58 neznámych tvárí (polovica mužov, polovica žien, celá biela), 58 neznámych scén (polovica prírodných, napoly umelo vytvorená), 671 čiernych tvarov vygenerovaných v MATLAB (viac informácií nájdete v časti Manipulácia s vizuálnou podobnosťou počas nového kódovania) a 74 nových objektov (Hsu et al., 2014; Schlichting et al., 2015). Podskupina stimulov bola usporiadaná do 32 triád pozostávajúcich z troch položiek (A, B, C), ktoré boli použité v úlohe asociatívnej inferencie (obr. 1A). Položky A pozostávali z tvárí (16) rovnomerne rozdelených podľa pohlavia a scén (16) rovnomerne rozdelených podľa prírodných a umelých; všetky položky B boli tvary (56); všetky položky C boli nové objekty (32). Ďalšia podskupina podnetov (42 tvárí, 42 scén, 42 objektov a 42 tvarov) sa použila v úlohe lokalizátora a počas úlohy asociatívnej inferencie sa nepozorovala. Priradenie podnetov k úlohám triád a lokalizátorov bolo medzi účastníkmi náhodné. Stimuly boli prezentované pomocou Psychtoolbox v MATLAB (Brainard, 1997; Pelli, 1997; Kleiner et al., 2007).

cistanche prášok

Postup úlohy

Počiatočné párové (AB) učenie. Účastníci sa naučili počiatočné páry (AB) v štyroch študijno-testových blokoch. Počas fázy štúdie bol každý z 32 počiatočných párov prezentovaný na 3,5 s s 0,5 s intertrial intervalom (ITI). Položka A (tvár alebo scéna) bola vždy prezentovaná vľavo a položka B (tvar) bola vždy prezentovaná vpravo. Po preštudovaní všetkých párov boli účastníci testovaní pomocou 3-alternatívneho testu vynúteného výberu. Účastníci boli nabádaní položkou A v hornej časti obrazovky a museli si vybrať medzi vhodnou položkou B a dvoma fóliami. Fólie boli tvary z iných triád, takže účastníci nemohli založiť svoje rozhodnutie na známosti tvarov. Účastníci mali 1{10}} na odpoveď na každý pokus. Po odpovedi účastníka bola na konci každého pokusu poskytnutá opravná spätná väzba na 1 s. Testovacie pokusy boli oddelené 0,5 s ITI. Počas tejto fázy sa zbierali anatomické snímky.

Manipulácia s vizuálnou podobnosťou počas nového kódovania. Skúmať, ako ovplyvňuje podobnosť prvkov udalostiPamäťpri reaktivácii a správaní bola vizuálna podobnosť spojovacieho prvku (tvar alebo položka B) v úlohe asociatívnej inferencie parametricky manipulovaná (obr. 1B). Zmanipulovali sme vizuálnu podobnosť na základe predchádzajúcej práce, ktorá ukazuje, že reakcie hippocampu podpoľa sú modulované prekrývaním vizuálnych prvkov medzi udalosťami (Leutgeb a kol., 2004, 2007; Bakker a kol., 2008; Lacy a kol., 2011). Boli tam celkom štyri podmienky: presná zhoda, vysoká podobnosť, nízka podobnosť a nová. V podmienkach presnej zhody účastníci videli presne rovnaký tvar spojenia B, keď sa učili počiatočné páry (AB) a prekrývajúce sa páry (BC). V podmienkach vysokej a nízkej podobnosti bol každý tvar videný v prekrývajúcich sa pároch parametrickou morfou tvaru z jedného z počiatočných párov. „Rodičovské“ tvary boli vygenerované zobratím 16 bodov rozmiestnených po obvode kruhu, náhodným preložením každého bodu a následným spojením susedných bodov na vytvorenie hrán pomocou spline interpolácie. Tvary v podmienkach vysokej a nízkej podobnosti boli generované prevzatím tvarov dvoch rodičov a spriemerovaním súradníc zodpovedajúcich vrcholov pomocou rôznych váh. Tvary s vysokou podobnosťou mali váhu 80 percent voči jednému rodičovskému tvaru a 20 percent voči druhému rodičovi, zatiaľ čo tvary s nízkou podobnosťou mali váhu 70 percent voči jednému rodičovi a 30 percent voči druhému. V novom stave účastníci videli nový tvar spárovaný s novým objektom, vďaka čomu sa tieto páry neprekrývali s pôvodnými pármi. Nové páry teda slúžili ako základ pre asociatívne učenie. Každý účastník študoval osem triád na podmienku vizuálnej podobnosti.

Rozdiely v subjektívnej podobnosti medzi položkami vysokej a nízkej podobnosti sa potvrdili na nezávislej vzorke 9 účastníkov (8 žien, vo veku 18-22rokov, priemer=19,4 roky). Účastníci tejto vzorky hodnotili vizuálnu podobnosť medzi nadradenými tvarmi a tvarmi prezentovanými vedľa seba pomocou 5-bodovej Likertovej škály (1=vôbec nie podobné, 5=veľmi podobné) v 180 pokusoch . Presné zhody boli hodnotené ako podobnejšie ako morfy s vysokou podobnosťou (t(8) {{10}}.255, p , 0.001, Cohenovo d=2.085), morfy s vysokou podobnosťou boli hodnotené ako podobnejšie ako morfy s nízkou podobnosťou (t(8)=9.312, p,0,001, d=3.104) a morfy s nízkou podobnosťou boli hodnotené ako podobnejšie ako nové položky (t(8)=10.021, p,0.001, d=3.340). Jednou z výhrad pri kvantifikácii subjektívnej podobnosti pomocou tohto prístupu je, že porovnanie nezahŕňa aPamäťkomponent. Je možné, že ak by sme medzi prezentáciu dvoch tvarov vložili oneskorenie, pozorovaná funkcia subjektívnej podobnosti (obr. 1C) sa mohla líšiť; napríklad rozdiely v subjektívnej podobnosti medzi podmienkami vysokej a nízkej podobnosti mohli byť menej výrazné. Aj keď toto upozornenie týkajúce sa merania môže ovplyvniť interpretáciu samotných subjektívnych úsudkov o podobnosti, má menší vplyv na interpretáciu našich centrálnych behaviorálnych a nervových analýz. Pozorujeme rozdiely v -Pamäťvýkon a opätovná aktivácia medzi podmienkami podobnosti (vrátane podmienok vysokej a nízkej kvality), ktoré naznačujú, že štyri podmienky podobnosti rozdielne ovplyvnili spracovanie (pozri Výsledky). Okrem toho sa naše nervové analýzy, ktoré hodnotia reprezentatívne zmeny súvisiace s učením, zameriavajú iba na podmienku vysokej podobnosti a nespoliehajú sa na porovnania s inými podmienkami podobnosti (pozri Expozícia jednotlivých položiek pred a po učení).

Prekrývajúce sa párové (BC) učenie. Potom, čo sa účastníci naučili počiatočné páry, boli počas učenia sa prekrývajúcich sa párov skenované. Táto fáza opäť pozostávala zo štyroch študijno-testových blokov. Počas fázy štúdie bolo prezentovaných 32 párov s použitím dizajnu súvisiaceho s udalosťou, pričom páry boli prezentované na 3,5 s, po ktorých nasledovalo 8,5 s ITI fixácie. Položka C (objekt) bola vždy prezentovaná vľavo a položka B (tvar) bola vždy prezentovaná vpravo. Po každej fáze štúdie boli účastníci testovaní na pároch BC pomocou 3-alternatívneho testu nútenej voľby, ktorý nebol skenovaný. Účastníci boli nabádaní položkou C v hornej časti obrazovky a museli si vybrať medzi vhodnou položkou B a dvoma fóliami. Počas tejto fázy nebola poskytnutá spätná väzba. Účastníci mali 1{10}} na odpoveď na každú testovaciu skúšku a pokusy boli oddelené 0,5 s ITI.

Vystavenie jednotlivým položkám pred a po učení. Pred učením sa počiatočných párov a po naučení sa prekrývajúcich sa párov boli účastníci vystavení individuálne prezentovaným položkám A a C (tváre, scény a predmety) z podmienok vysokej podobnosti. Tieto fázy expozície boli obmedzené na jednu podmienku vizuálnej podobnosti, aby sa maximalizoval počet prezentácií pre každý stimul a zlepšil sa odhad aktivačných vzorcov súvisiacich s úlohou (pozri Odhad jednotlivých vzorcov stimulov pred a po učení). Použitie jedinej podmienky podobnosti nám tiež umožnilo kontrolovať účinky vizuálnej podobnosti pri výpočte reprezentačnej zmeny. Použil sa stav vysokej vizuálnej podobnosti, pretože predchádzajúca práca u ľudí ukázala, že veľmi vizuálne podobné stimuly vyvolávajú rozdielne reakcie v DG/CA2,3 a CA1 (Lacy et al., 2011).

V každom expozičnom cykle boli účastníci skenovaní, zatiaľ čo položky boli prezentované na 1 s s 3 s ITI. Kým bola každá položka na obrazovke, účastníci dokončili úlohu zisťovania zmien tým, že stlačením tlačidla označili, či prekrývajúci sa čierny krížik zmenil farbu na zelenú alebo modrú 100-200 ms po nástupe stimulu (Kriegeskorte et al., 2008; Schlichting et al., 2015). Na jeden cyklus boli štyri opakovania každej položky a vo fáze pred expozíciou a po expozícii boli celkovo štyri série. Pokusy boli pseudorandomizované tak, že položky v rámci triády boli prezentované s aspoň dvoma preloženými položkami z iných triád. Navyše, 20 percent pokusov bolo nulových (tj neexistovala žiadna úloha detekcie objektu alebo zmeny), aby sa zlepšil odhad aktivácie na úrovni položky v analýze; tieto nulové pokusy boli umiestnené náhodne medzi pokusy s prezentáciou položiek. Skúšobné poradie a načasovanie boli rovnaké vo fáze pred expozíciou a po expozícii. Presnosť úlohy zisťovania zmien sa monitorovala, aby sa zabezpečilo, že účastníci venovali úlohe pozornosť, ale ďalej sa o nej neuvažovalo.

Existovala aj nenaskenovaná preexpozičná fáza pre položky z presnej zhody, nízka podobnosť a nové podmienky, ktoré sa vyskytli pred prvým naskenovaným preexpozíciou. Účelom tejto fázy bolo prirovnať známosť položiek A a C v presnej zhode, nízkej podobnosti a nových podmienkach k položkám v stave vysokej podobnosti pred párovým učením. Neskenovaná expozícia bola podobná naskenovaným fázam expozície, s výnimkou ITI bola 0,5 s a neboli žiadne nulové pokusy.

Asociačný inferenčný (AC) test. Po fáze po expozícii dostali účastníci prekvapivý test nepriamych vzťahov medzi položkami A a C, ktoré zdieľali spoločného partnera (B). Inferenčný test bol vykonaný vo vnútri skenera, ale nebol naskenovaný. V tejto fáze boli účastníci nabádaní položkou C (objekt) a mohli si vybrať medzi položkami A rovnakej kategórie (tj tri tváre alebo tri scény). Pri skúškach na tvár boli účastníci poučení, aby si vybrali osobu, ktorá bude s najväčšou pravdepodobnosťou vlastniť predmet. Pri skúškach na scéne dostali pokyny, aby si vybrali miesto, kde s najväčšou pravdepodobnosťou nájdu navádzaný objekt. Je kritické, že v žiadnom bode neboli účastníci výslovne poučení o manipulácii s vizuálnou podobnosťou alebo o prekrývaní učenia. Účastníci dostali 10 s na odpoveď. Nebola poskytnutá žiadna spätná väzba.

Lokalizátor. Po inferenčnom teste boli účastníci skenovaní v úlohe lokalizátora. V tejto úlohe si účastníci prezreli sériu stimulov zo štyroch kategórií stimulov použitých v experimente: tváre, scény, tvary a predmety. Stimuly boli prezentované v blokovanom dizajne, pričom každý blok pozostával z ôsmich obrázkov prezentovaných na 2,5 s každý s 0,5 s ITI. Počas každého stimulačného bloku účastníci absolvovali jeden krok späťPamäťúloha, pri ktorej mali odhaliť opakovaný podnet. V každom bloku bol jeden opakovaný podnet. Presnosť jednorazovej úlohy sa monitorovala, aby sa zaistilo, že účastníci venovali úlohe pozornosť, ale ďalej sa nebrala do úvahy. Bloky boli oddelené 8 s fixáciou. Účastníci dokončili tri cykly úlohy lokalizátora s dvoma blokmi na typ stimulu na beh.

Zber a predspracovanie údajov fMRI

Údaje sa zbierali pomocou 3T Siemens Skyra. Celkovo bolo vykonaných 15 funkčných skenov (TR=2000 ms, TE=30 ms, uhol preklopenia=73 stupeň, 1,7 mm izotropné voxely, EPI, multipásmový akceleračný faktor{{8} }) cez predexpozičnú, prekrývajúcu sa párovú štúdiu, postexpozíciu a fázu lokalizácie. Tri mapy poľa (TR=589 ms, TE{{10}} ms/7,46 ms, 1.5 1.5 2 mm voxely, uhol preklopenia{{16} } stupňa ) sa zhromaždili na korekciu deformácií v magnetickom poli: jeden bezprostredne pred fázou pred expozíciou na korekciu skenov pred expozíciou, jeden pred fázou štúdie prekrývajúcich sa párov na korekciu štúdie a skenov po expozícii a jeden pred fázou lokalizátora na opravu skenov skenovanie lokalizátora. Zhromažďoval sa vážený objem 3D MPRAGE AT1- (TR=1900 ms, TE=2,43 ms, uhol preklopenia=9 stupeň, 1 mm izotropné voxely), aby sa uľahčilo zarovnanie a normalizácia funkčné údaje do anatomickej šablóny. Boli zozbierané dva koronálne T2- vážené štrukturálne skeny, zarovnané kolmo na dlhú os hipokampu (TR=13,150 ms, TE=82 ms, 0,4 mm v rovine, 1,5 mm cez -rovina) a potom sa spriemeruje pre segmentáciu podpolí.

Funkčné a anatomické snímky boli predspracované pomocou FMRIB Software Library verzie 5.0.9 (FSL: http://fsl.fmrib.ox.ac.uk/fsl/) a Advanced Normalization Tools (ANTS) verzie 2.1 ( Avants a kol., 2011). Funkčné skeny sa korigovali pohybom pomocou MCFLIRT vo FSL a potom sa zaregistrovali do poslednej štúdie prekrývajúcich sa párov pomocou afinných transformácií v ANTS. Nemozgové štruktúry boli odstránené z funkčných skenov a MPRAGE pomocou BET v FSL. Dodatočné spracovanie údajov sa uskutočnilo pomocou nástroja FEAT (FMRI Expert Analysis Tool) verzie 6.00, súčasti FSL. Nasledujúce štatistické spracovanie bolo aplikované na všetky funkčné obrázky; spoločná registrácia s MPRAGE a deformovanie EPI založené na mape poľa pomocou FUGUE (Jenkinson, 2003); normalizácia grand-mean intenzity celého 4D súboru údajov jediným multiplikačným faktorom; hornopriepustné časové filtrovanie (Gaussovo vážené priame prispôsobenie najmenších štvorcov s s =64 s). Priestorové vyhladenie pomocou Gaussovho jadra FWHM 4 mm sa aplikovalo na prekrývajúce sa párové učenie a skeny lokalizátora.

na čo sa cistanche používa: zlepšenie pamäti

ROI

Anatomické ROI zahŕňali šedú hmotu celého mozgu na reaktivačnú analýzu a hipokampálne podpolia na analýzu neurálneho kódovania. Celomozgová maska ​​šedej hmoty bola vytvorená pre každého účastníka v natívnom priestore pomocou FAST (Zhang et al., 2001), súčasti FSL, s MPRAGE. Masky šedej hmoty sa potom presunuli do funkčného rozlíšenia pomocou lineárnych transformácií v ANTS. V hipokampe sa analyzovali aktivačné vzorce v podpoliach CA1, kombinovaná oblasť DG/CA2,3 a subikulum. Hipokampálne podpolia boli identifikované v hlave a tele hipokampu v natívnom priestore reverznými normalizačnými maskami z open-source šablóny so segmentovanými podpoliami (Schlichting et al., 2019) na priemerný T2 koronálny obraz každého účastníka pomocou nelineárneho SyN premeny v ANTS. Ukázalo sa, že tento postup poskytuje výsledky porovnateľné s manuálnym sledovaním (Schlichting et al., 2019). Masky boli potom skontrolované a manuálne upravené pre každého účastníka, aby sa odstránili voxely mimo hipokampu a zabezpečila sa presná segmentácia na základe zavedených protokolov (West a Gundersen, 1990; Duvernoy, 1998; Mai et al., 2007). Nakoniec sa masky podpoľa transformovali do priestoru funkčných skenov najprv registráciou priemerného koronálneho obrazu do MPRAGE pomocou lineárnych transformácií a potom aplikovaním predtým vypočítanej transformácie na funkčný priestor.

Kvantifikácia a štatistická analýza

DekódovaniePamäťreaktivácia počas učenia sa prekrývajúcich sa udalostí. Na meranie reaktivácie kódovacích vzorov súvisiacich s počiatočnými pármi počas učenia sa prekrývajúcich sa párov sme použili analýzu klasifikácie vzorov v PyMVPA (Hanke et al., 2009). Ak účastníci reaktivovali súvisiace informácie (tj tvár A a položky scény z párov AB) pri učení sa prekrývajúcich sa párov (páry BC tvar-objekt), potom by klasifikátor vzorov trénovaný na údajoch lokalizátora mal byť citlivý na kategóriu informácií (buď tvár alebo scéna), ktorá sa reaktivuje (Polyn a kol., 2005; Kuhl a kol., 2011; Zeithamova a kol., 2012). Takto sme trénovali klasifikátor vzorov s údajmi z fázy lokalizátora a potom sme klasifikátor aplikovali na fázu učenia sa prekrývajúcich sa párov. Sprevádzkovali smePamäťreaktivácia ako dôkaz klasifikátora pre kategóriu položiek A (tj tvár alebo scéna) z počiatočných párov AB súvisiacich s prekrývajúcimi sa pármi BC.

Merali smePamäťreaktivácia pomocou viackrokového postupu. Najprv sme spustili celomozgové vyhľadávanie (Kriegeskorte et al., 2006), aby sme identifikovali oblasti, v ktorých boli informácie o položkách A obnovené počas učenia sa párov. V každej sfére vyhľadávacieho svetla (polomer=3 voxely, objemové=123 voxely) bol trénovaný lineárny podporný vektorový stroj na odlíšenie neurálnych vzorcov od fázy lokalizátora spojenej s tvárami, scénami, objektmi a tvarmi. Aby sa zohľadnilo hemodynamické oneskorenie, každý funkčný obraz bol označený zobratím skúšobných štítkov a ich časovým posunom dopredu o 4 s (dva TR). Trénovaný klasifikátor bol potom aplikovaný na nervové vzory z fázy učenia sa prekrývajúcich sa párov, ktorá bola tiež časovo posunutá o 4 s. Odhady reaktivácie na úrovni pokusu sa extrahovali zobratím dôkazu klasifikátora pre kategóriu spojenú s položkou A každej triády (napr. dôkaz klasifikátora pre tváre pre triády tvár-tvar-objekt) pre dva TR zodpovedajúce prezentácii každého páru. Hodnoty dôkazov klasifikátorov boli rozdelené do dvoch súborov: súbor reaktivácie

a základný súbor. Sada reaktivácie obsahovala hodnoty dôkazov klasifikátorov z presnej zhody, vysokej podobnosti a nízkej podobnosti. Základný súbor obsahoval hodnoty dôkazov tváre a scény zo skúšok v novom stave. Pretože páry tvar-objekt v novom stave sa neprekrývali so žiadnym z predtým naučených párov, nemali by vyvolávať reaktiváciu spomienok na tváre alebo scény. Konečný index reaktivácie sa vypočítal v každej sfére tak, že sa vzal rozdiel medzi priemerným dôkazom pre súbor reaktivácie a priemerom základného súboru.

Aby sme otestovali význam tohto indexu reaktivácie, porovnali sme skutočný index reaktivácie s nulovou distribúciou v každej sfére svetlometov. Nulová distribúcia sa vytvorila pre 1000 iterácií premiešaním dôkazných hodnôt klasifikátora v súboroch reaktivácie a základnej línie a následným prepočítaním indexu reaktivácie pri každej iterácii. Stredový voxel každej gule svetlometu uvádzal podiel nulovej distribúcie s indexmi reaktivácie väčšími alebo rovnými pozorovanému indexu reaktivácie (tj p-hodnota). Aby sa identifikovali oblasti reaktivácie medzi účastníkmi, jednotlivé mapy reflektorov účastníkov boli normalizované na skupinovú šablónu na testovanie významnosti. Obrázky s hodnotou p boli prevedené na z-štatistické obrázky a potom deformované na anatomickú šablónu MNI 152 (prevzorkované na rozlíšenie funkčných skenov, 1,7 mm izotropné voxely) pomocou nelineárnych transformácií SyN v ANTS. Voxelovo sa neparametrické permutačné testovanie uskutočnilo pomocou Randomise v FSL viac ako 5 000 iterácií (Winkler et al., 2014). Významné zhluky boli identifikované použitím voxelového prahu p,0,01 (nekorigované) a prahu zhluku p,0,05. Prahové hodnoty boli vypočítané pomocou funkcie AFNI (Cox, 1996) 3dClustSim s odhadmi hladkosti odvodenými z fázy štúdie pomocou 3dFWHMx na základe priestorovej funkcie autokorelácie. Rozsah klastra sa určil pomocou obojstranného prahovania so zhlukovaním druhého najbližšieho suseda.

Aby sme potvrdili, že opatrenie reaktivácie nebolo riadené jedinou kategóriou stimulu, ďalej sme skúmali zoskupenia svetlometov, aby sme otestovali, či sa reaktivácia líši od kategórie stimulu (tvár alebo scéna) položky A v post hoc analýze. Významné zhluky identifikované v analýze reaktivačného svetlometu boli prevedené na binárne masky a reverzne normalizované do natívneho priestoru pomocou ANTS. Potom sa reaktivačná analýza opakovala v každej funkčnej ROI pre každého účastníka. Použili sme opakované merania ANOVA s oblasťou a kategóriou stimulu ako faktory na posúdenie, či sa reaktivácia v každej oblasti líši v závislosti od kategórie stimulov.

Zatiaľ čo naša počiatočná analýza svetlometov lokalizovala oblasti, v ktorých došlo k reaktivácii nad základnou čiarou, spustili sme aj nezávislý svetlomet, aby sme identifikovali oblasti, v ktorých sa sila reaktivácie menila s vizuálnou podobnosťou. Tento svetlomet použil podobný prístup ako analýza merajúca celkovú reaktiváciu, ale s ďalšou úrovňou, ktorá porovnávala dôkazy klasifikátora o reaktivácii medzi podmienkou presnej zhody a inými podmienkami podobnosti (t. j. kombinovaná podmienka vysokej podobnosti a podmienka nízkej podobnosti). Účinok podobnosti sa vypočítal v každej sfére tak, že sa vzal rozdiel medzi priemerným dôkazom pre podmienku presnej zhody a priemerným dôkazom pre podmienky vysokej a nízkej podobnosti spolu. Tento rozdiel sa potom porovnal s nulovou distribúciou v každej sfére vyhľadávacieho svetla, ktorá bola vytvorená viac ako 1 000 iteráciami premiešaním dôkazných hodnôt klasifikátora v podmienkach presnej zhody a podobnosti. Normalizácia na skupinovú šablónu, štatistické testovanie a korekcia klastra boli identické s vyhľadávacím svetlom identifikujúcim reaktiváciu nad základnou hodnotou.

Odhad jednotlivých vzorcov stimulov pred a po učení. Odvodili sme odhady vzorcov neurálnej aktivácie vyvolaných každým zo stimulov A (tváre, scény) a C (nové 3D objekty) z fáz pred expozíciou a po expozícii pomocou GLM s prístupom najmenších štvorcov (Mumford et al., 2012). ) v rodnom priestore každého účastníka. Každý zo 16 objektov z naskenovaných expozičných fáz (tj osem položiek A a osem položiek C z podmienky vysokej podobnosti) bol modelovaný iteračne v každom behu preexpozičnej a postexpozičnej fázy samostatne (Schlichting et al., 2015).

extrakt z cistanche tubolosa: zlepšuje pamäť

Prezentácie objektov boli modelované ako 1 s a regresor pre každý objekt zahŕňal všetky štyri opakovania v rámci skenovania. Každý zo 16 objektových regresorov bol konvolvovaný s kanonickým dvojitým C HRF. Potom sa použilo dočasné filtrovanie. GLM zahŕňali ďalšie zmätené regresory: parametre pohybu, ich časové deriváty, posun po snímkach a DVARS (Power a kol., 20}12; Schlichting a Preston, 2014; Schlichting a kol., 2015). Dodatočné regresory pohybu boli pridané pre časové body, počas ktorých pohyb hlavy prekročil 0,5 mm pre posun po snímkach a 0,5 percentnú zmenu signálu BOLD pre DVARS (Power et al., 2012). Beta snímky boli vygenerované pre každú položku A a C pre každú predexpozíciu a poexpozíciu, celkovo 128 štatistických snímok na účastníka.

Kvantifikácia zmien súvisiacich s učením v neuronálnej podobnosti podpoľa hipokampu. Diferenciácia vzorov aPamäťintegrácia v hipokampe boli indexované pomocou reprezentatívnej analýzy podobnosti (Kriegeskorte et al., 2008) implementovanej v PyMVPA (Hanke et al., 2009). Svetlomety boli spustené oddelene v rámci anatomicky definovaných DG/CA2,3, CA1 a subicula v natívnom priestore každého účastníka. V rámci každej gule vyhľadávacieho svetla (polomer{5}} voxely, objem{6}} voxely) (Schapiro et al., 2012) sa matice podobnosti vygenerovali výpočtom párových Pearsonových korelačných hodnôt pre 128 štatistických obrázkov zodpovedajúcich A a C položky v priebehu preexpozície a postexpozície, transformované na Fisherov z. Potom sa merala zmena podobnosti vzorov v dôsledku učenia sa odčítaním hodnôt podobnosti pred expozíciou od hodnôt podobnosti po expozícii v zodpovedajúcich bunkách.

Po vypočítaní zmeny podobnosti vzoru (ďalej označovanej ako D) sa hodnoty D zoradili v závislosti od toho, či ide o hodnotu pre porovnanie v rámci triády alebo porovnanie v rámci triády. Tieto dva súbory hodnôt nám umožnili určiť, ako bola reprezentatívna zmena ovplyvnená prekrývaním udalostí v dôsledku učenia (v rámci súboru porovnávania triády) vo vzťahu k základnej línii, ktorá jednoducho odrážala opakovanú expozíciu bez prekrývania udalostí (súbor porovnávania medzi triádami). Dôležité je, že iba hodnoty D, ktoré odrážali korelácie medzi jednotlivými priebehmi, sa použili na zníženie skreslenia, ktoré bolo možné zaviesť autokoreláciou v signáli BOLD (Mumford et al., 2012).

Na posúdenie vplyvu reaktivácie počas učenia na reprezentačnú zmenu boli hodnoty D v rámci triády ďalej rozdelené na základe silyPamäťreaktivácia počas učenia sa prekrývajúcich sa párov. Pre každého účastníka bola vypočítaná sila reaktivácie pre každú triádu tak, že sa vzal priemerný index reaktivácie naprieč sieťou oblastí identifikovaných v analýze reaktivačného svetlometu (pozri obr. 3A), spriemerovaný naprieč študijnými blokmi. Triády sa potom rozdelili na silnejšie reaktivačné triády a slabšie reaktivačné triády s použitím stredného rozdelenia priemerných hodnôt reaktivácie. Porovnania v rámci triády D sa teda ďalej triedili na silnejšiu reaktiváciu v rámci sady D triády a slabšiu reaktiváciu v rámci sady D triády v každej sfére svetlometov. Nakoniec sa všetky D sady spriemerovali, aby sa vytvorili tri súhrnné hodnoty: priemerná zmena podobnosti v rámci triády pre silnejšie reaktivačné triády (DV rámci silnejšej), priemerná zmena podobnosti v rámci triády pre slabšie reaktivačné triády (DV rámci slabšej) a priemerná zmena podobnosti v rámci triády. (naprieč). Porovnali sme tieto súhrnné hodnoty, aby sme určili, či sa nervové kódovanie menilo ako funkcia sily reaktivácie.

Neurónové kódovanie bolo hodnotené pomocou štyroch kontrastov svetlometov (Schlichting et al., 2015) (pozri obr. 4B). Dve analýzy identifikovali hipokampálne voxely, pre ktoré existovaliPamäťintegrácia alebo diferenciácia naprieč všetkými triádami, bez ohľadu na silu reaktivácie. IntegrationOverall bola vypočítaná ako (v rámci silnejšej – DAcross) 1 (v rámci slabšej – DAcross), čo odráža väčšiu podobnosť v rámci triády ako v rámci celej triády po učení naprieč všetkými stupňami reaktivácie. Celková diferenciácia bola vypočítaná ako (DAnaprieč – DV rámci silnejšej) 1 (DAnaprieč – DV rámci slabšej), čo odráža menšiu podobnosť v rámci triády ako v rámci celej triády naprieč všetkými stupňami reaktivácie. Dve ďalšie analýzy identifikovali voxely, pre ktoré sa nervové kódovanie menilo ako funkcia sily reaktivácie (IntegrationReactivation a DifferentiationReactivation). Vyhľadávač IntegrationReactivation identifikoval voxely, pre ktoré došlo k integrácii vo väčšej miere pre silnejšie triády reaktivácie. IntegráciaReaktivácia bola vypočítaná ako (v rámci silnejšej – DWithin slabšej). Na rozdiel od toho, reflektor DifferentationReactivation identifikoval voxely, pre ktoré došlo k diferenciácii vo väčšej miere pre silnejšie reaktivačné triády. DiferenciáciaReaktivácia bola vypočítaná ako (v rámci slabšej – DWithin silnejšej).

Význam každého z týchto výpočtov sa určil porovnaním vypočítaných hodnôt zmeny podobnosti s nulovou distribúciou v každej sfére vyhľadávacieho svetla. Nulová distribúcia bola vytvorená vo viac ako 1000 iteráciách premiešaním buniek v rámci silnejšieho, v rámci slabšieho a naprieč skupinami a potom prepočítaním štatistických údajov, ktoré nás zaujímali, pre každú iteráciu. Stredový voxel každej gule svetlometu uvádzal podiel nulovej distribúcie s hodnotami väčšími alebo rovnými pozorovanej zmene podobnosti (tj p-hodnota). Významné zhluky boli identifikované pomocou rovnakej metódy ako reaktivačné svetlomety, s výnimkou toho, že z-štatistické obrázky boli deformované na hipokampálnu šablónu s funkčným rozlíšením a nie na prevzorkovanú šablónu MNI pre analýzu na úrovni skupiny. Normalizované mapy svetlometov boli potom maskované každou šablónou anatomického hipokampálneho podpoľa pred korekciou zhlukov, aby sa zabezpečilo, že zhluky budú exkluzívne pre každé hipokampálne podpole.

Post hoc analýzy ďalej skúmali smer reprezentačnej zmeny pozorovanej v každom podpoli identifikovanom z tejto analýzy svetlometov. Dôležitým upozornením na tieto post hoc analýzy je, že nie sú úplne nezaujaté, pretože porovnávajú sady voxelov vopred vybraných tak, aby vykazovali špecifické efekty založené na kontrastoch svetlometov. Naše následné analýzy teda priamo neporovnávali vnútorné hodnoty pre silnejšie a slabšie položky reaktivácie. Naše post hoc analýzy sa namiesto toho zamerali na veľkosť hodnôt DAcross, aby sme otestovali, či došlo k globálnym posunom v nervovej podobnosti vo fázach pred expozíciou a po expozícii, okrem porovnania hodnôt DWithin s hodnotami DAcross, aby sa kvantifikoval stupeň integrácie a diferenciácie súvisiacej s učením.

Pre tieto post hoc analýzy sa pre každého účastníka v natívnom priestore vypočítala zmena podobnosti v DG/CA2,3, CA1 a subiculum. Zhluky svetlometov identifikované skupinovými analýzami svetlometov boli prevedené na masky a spätne normalizované do natívneho priestoru každého účastníka pomocou nelineárnych transformácií v ANTS. Pre každého účastníka boli potom natívne priestorové zhluky rozšírené pomocou FSL s použitím 3 3 3 mm boxu ako jadra. Aby sa zabezpečilo, že klastre boli pri konverzii na natívny priestor účastníka stále obmedzené na svoje príslušné podpole, každý klaster bol maskovaný pomocou anatomických masiek podpoľa definovaných pre každého jednotlivého účastníka. Jeden účastník mal klaster CA1 v natívnom priestore bez dostatočného počtu voxelov na analýzu reprezentatívnej podobnosti (10 voxelov) a bol vylúčený z následnej analýzy tohto podpoľa. Pre zostávajúcich účastníkov sme vypočítali priemernú zmenu podobnosti v rámci každého klastra osobitne pre triády spojené so silnejšou reaktiváciou počas učenia, triády spojené so slabšou reaktiváciou počas učenia a základnú líniu naprieč triádou.

Kvantifikácia vzťahu medzi neurálnymi mierami a správaním. Vzťah medzi správaním a našimi nervovými mierami reaktivácie a reprezentačnej zmeny bol hodnotený pomocou modelu lineárneho balistického akumulátora (LBA), aby sa prispôsobil výkon inferenčnému testu (Morton et al., 2020). Pre každého účastníka a podpole (CA1, DG/CA2,3 a subiculum) sme vypočítali z skóre zmeny podobnosti medzi položkami A a C od učenia po post-učenie (D) pre každú triádu. Vypočítali sme tiež skóre z reaktivácie položky A naprieč triádami pre každého účastníka. Potom sme použili model LBA na prispôsobenie behaviorálnych reakcií a časov odozvy počas inferenčného testu AC s použitím zmeny podobnosti a reaktivácie ako prediktorov variability medzi triádami. Použili sme viacúrovňový Bayesovský prístup na odhad priemerných parametrov sklonu odrážajúcich vzťah medzi neurálnymi mierami a výkonnosťou AC inferencie. Pozitívne sklony pre miery D naznačujú väčšie hodnoty podobnosti medzi položkami A a C po učení sú spojené s rýchlejšou a presnejšou inferenciou. Pozitívne sklony pre mieru reaktivácie naznačujú, že väčšia reaktivácia je spojená s rýchlejšou a presnejšou inferenciou.