Časť 3: Dopamínový gradient riadi prístup k distribuovanej pracovnej pamäti vo veľkej opičej kôre
Mar 20, 2022
Kontakt: Audrey Hu Whatsapp/hp: 0086 13880143964 E-mail:audrey.hu@wecistanche.com
PODROBNOSTI METÓDY
Prehľad anatomických údajov
V tejto štúdii kombinujeme postmortálne anatomické údaje o hustotách receptorov, konektivite bielej hmoty, hustote neurónov a počte dendritickej chrbtice. Každá z týchto štyroch anatomických mier bola pôvodne kvantifikovaná pomocou rôznych parcelácií kôry. Veľké časti temporálneho laloku ešte nie sú kvantifikované ani pre autorádiografické údaje receptora, ani pre údaje o konektivite sledovania traktu. Zber týchto údajov práve prebieha a budú dostupné v budúcich štúdiách. S výnimkou hustôt receptorov v zadnom parietálnom kortexe (Impieri et al., 2019; Niu et al., 2020, 2021) sú v tejto štúdii po prvýkrát uvedené všetky hustoty receptorov D1. Údaje o konektivite pre desať zo 40 kortikálnych oblastí sú tu použité po prvýkrát, ale budú podrobnejšie opísané v pripravovanej publikácii z Kennedyho laboratória. To nám umožnilo rozšíriť výpočet kortikálnej hierarchie na 40 oblastí.
Poznámka k notácii
Dolné indexy v hranatých zátvorkách, ako napríklad ½k, sa používajú na označenie samotných kortikálnych oblastí. Dolné indexy nie v zátvorkách, ako sa používajú na označenie populácií neurónov v kortikálnej oblasti. Horné indexy sa používajú na poskytnutie ďalších objasňujúcich informácií. Používame konvenciu, že ciele sú uvedené pred zdrojmi, takže gi;j by označovalo silu spojenia medzi neurónovou populáciou j a neurónovou populáciou i. Hodnoty parametrov sú uvedené v tabuľke S6.
Kvantifikácia hustoty receptorov naprieč kortexom - in vitro autorádiografia
Na vytvorenie mapy architektúry kortikálneho dopamínového receptora s vysokým rozlíšením a vysokou presnosťou sme použili kvantitatívnu in-vitro receptorovú autorádiografiu (Palomero-Gallagher a Zilles, 2018). Predchádzajúca autorádiografia dopamínového receptora sa zamerala na relatívne malé časti kôry (Goldman-Rakic a kol., 1990; Impieri a kol., 2019; Lidow a kol., 1991; Niu a kol., 2020; Richfield a kol. , 1989). Aby sme vytvorili komplexnejšiu mapu kortikálnych dopamínových receptorov, merali sme hustotu D1 receptorov v 109 kortikálnych oblastiach a D1 a D2 receptory v bazálnych gangliách.
Zvieratá boli usmrtené pomocou intravenóznej letálnej dávky pentobarbitalu sodného. Mozgy boli okamžite odstránené z lebky a mozgový kmeň a mozoček boli vypreparované v tesnej blízkosti cerebrálnych stopiek. Hemisféry boli oddelené a potom rozrezané na rostrálny a kaudálny blok rezom v koronálnej rovine rezu medzi centrálnym a oblúkovým sulci. Tieto bloky boli zmrazené v izopentáne pri 4{{30}}C až 5{{50}}}C a potom uložené vo vzduchotesných plastových vreckách pri 70C. Každý blok bol sériovo narezaný v koronálnej rovine (hrúbka rezu 20 mm) pomocou kryostatického mikrotómu (CM 3050, Leica, Nemecko). Rezy boli nanesené na podložné sklíčka potiahnuté želatínou, lyofilizované cez noc a spracované na vizualizáciu D1 alebo D2 receptorov, bunkových tiel (Merker, 1983) alebo myelínu (Gallyas, 1979). Kvantitatívna in-vitro receptorová autorádiografia bola označte dopamínergné receptory D1 a D2 podľa predtým publikovaných protokolov (Palomero-Gallagher a Zilles, 2018) (Zilles et al., 2002), ktoré zahŕňajú predinkubáciu, hlavnú inkubáciu a konečný krok oplachovania. Na vizualizáciu D1 receptora boli rezy najskôr rehydratované a endogénne látky boli odstránené počas 20-minútovej predinkubácie pri teplote miestnosti v 50 mM Tris-HCl pufri (pH 7,4) obsahujúcom 120 mM NaCl, 5 mM KCl, 2 mM CaCl2 a 1 mM MgCl2. Počas hlavnej inkubácie boli rezy inkubované buď s 0,5 nM [3H]SCH 23390 samotným (na stanovenie celkovej väzby), alebo s 0,5 nM [3H]SCH 23390 a 1 mM vytesňovacieho mianserínu (na stanovenie podielu vytesneného, ne -špecifická väzba) počas 90 minút pri izbovej teplote v rovnakom pufri, aký sa použil na predinkubáciu. Nakoniec oplachovací postup pozostával z dvoch 20-minútových premývacích krokov v studenom pufri, po ktorých nasledovalo krátke ponorenie do destilovanej vody. Na vizualizáciu D2 receptora boli rezy predinkubované s 50 mM Tris-HCl pufrom (pH 7,4) obsahujúcim 150 mM NaCI a 1 % askorbátu. V hlavnej inkubácii boli rezy inkubované buď s 0,3 nM [3H]raclopridom samotným, alebo s 0,3 nM [3H]raclopridom a 1 mM vytesňovacieho 1 mM butaklamolu počas 45 minút pri teplote miestnosti v rovnakom pufri, aký sa použil na predinkubáciu . Oplachovanie pozostávalo zo šiestich 1-minútových premývacích krokov v studenom pufri, po ktorých nasledovalo krátke ponorenie do destilovanej vody. Špecifická väzba je rozdiel medzi celkovou a nešpecifickou väzbou. Pretože použité ligandy a väzbové protokoly viedli k vytlačiteľnej väzbe, ktorá bola menšia ako 5 percent celkovej väzby, celková väzba sa považuje za ekvivalentnú špecifickej väzbe. Rezy boli vysušené v studenom prúde vzduchu, vystavené spolu s plastovými šupinami známej rádioaktivity proti filmom citlivým na trícium (Hyperfilm, Amersham) na šesť (pre receptor D1) alebo osem (pre receptor D2) týždňov a následne autorádiografy spracované denzitometriou pomocou techniky analýzy obrazu založenej na videu (Palomero-Gallagher a Zilles, 2018) (Zilles et al., 2002). Autorádiografy boli digitalizované pomocou CCD kamery a uložené ako 8-obrázky s hodnotou bitovej šedej s priestorovým rozlíšením 2080 x 1542 pixelov. Hodnoty šedej (g) v koexponovaných škálach, ako aj experimentálne podmienky, sa použili na vytvorenie regresnej krivky, pomocou ktorej sa hodnoty šedej v každom pixeli autorádiografu transformovali na hustoty väzbového miesta (Bmax) vo fmol/mg proteínu. priemer vzorca max=$
(Rovnica 1)
kde R je koncentrácia rádioaktivity (CPM) na stupnici, Eúčinnosť scintilačného počítača použitého na určenie množstva rádioaktivity v inkubačnom pufri, B počet rozpadov za jednotku času a rádioaktivitu, Wb hmotnosť proteínu štandardu ako špecifická aktivita ligandu, KD je disociačná konštanta ligandu a L je voľná koncentrácia ligandu počas inkubácie. Len na účely vizualizácie boli autorádiografy následne pseudofarebne kódované zosilnením lineárneho kontrastu a priradením rovnako rozmiestnených rozsahov hustoty spektrálnemu usporiadaniu jedenástich farieb.
Kortikálne oblasti sa identifikovali cytoarchitektonickou analýzou a hustoty receptorov sa merali na porovnateľných miestach v susedných rezoch spracovaných na vizualizáciu receptora. Priemerná hustota receptora pre každú oblasť v sérii 3–5 rezov na zviera a receptor sa určila profilmi hustoty extrahovanými vertikálne ku kortikálnemu povrchu pomocou interného softvéru založeného na MATLAB (Pal-Omero-Gallagher a Zilles, 2018).
Retrográdne sledovanie traktu
Údaje o medziareálnej konektivite v tomto dokumente sú súčasťou pokračujúceho úsilia o mapovanie kortikálneho konektómu makaka pomocou retrográdneho sledovania traktu (Markov a kol., 2013, 2014a, 2014b). Pre každú cieľovú oblasť sa do kôry vstrekol retrográdny indikátor. Značkovač bol zachytený v axónových termináloch v tejto oblasti a retrográdne transportovaný do tiel buniek neurónov, ktoré sa premietali do cieľa. Tieto bunkové telá môžu byť v celom mozgu. Každé z týchto bunkových tiel v kortexe sa počítalo ako označený neurón (LN). Počet označených neurónov sa spočítal vo všetkých kortikálnych oblastiach okrem injikovanej cieľovej oblasti. Kortikálne oblasti, ktoré posielajú axóny do cieľovej oblasti, sa nazývajú zdrojové oblasti. Keďže existujú nekontrolovateľné rozdiely v objeme a absorpcii indikátora medzi infekciami, odhadli sme silu spojení nasledovne. Pre danú infekciu. bol spočítaný celkový počet bunkových tiel v kortexe mimo injikovanej (cieľovej) oblasti. Počet označených neurónov v zdrojovej kortikálnej oblasti sa potom vydelil počtom označených neurónov v celom kortexe (okrem cieľovej oblasti), čím sa získal zlomok označených neurónov (FLN). FI N bola spriemerovaná pre všetky infekcie v danej cieľovej oblasti., Pre tento výpočet. zahŕňame všetky oblasti v celej kortikálnej hemisfére (oblasti 91).
Subikulum (SUB) a piriformná kôra (PIR) majú kvalitatívne odlišnú laminárnu štruktúru ako neokortikálne oblasti, a preto sú supra- a infralaminárne spojenia (a teda SLN) z týchto oblastí nedefinované. Z nasledujúcich výpočtov sme teda odstránili všetky spojenia z týchto oblastí (plochy, SLN=89). Tieto údaje o konektivite sú dostupné na webovej stránke core-nets.
Odhad kortikálnej hierarchie
Následne (Markov et al.,2014a) odhadneme hierarchickú pozíciu h každej oblasti pomocou hodnôt SLN jej spojení. Dopredné spojenia majú tendenciu pochádzať zo supragranulárnych vrstiev, zatiaľ čo spätnoväzbové spojenia majú tendenciu pochádzať z hlbokých vrstiev zdrojovej oblasti (Barone et al., 2000; Felleman a Van Essen, 1991). Navyše, ak cieľová oblasť zaujíma oveľa vyššiu hierarchickú pozíciu ako zdrojová oblasť, väčší podiel neurónov sa vynorí zo supragranulárnych lavorov zdrojovej oblasti, ako keď sú tieto dve oblasti v hierarchii uzavreté (Barone et al., 2000). . Podobne pre spätnoväzbové spojenia väčšia hierarchická vzdialenosť medzi oblasťami znamená, že vyššia oblasť vysiela väčšiu časť svojej ochrany z infragranulárnych lavorov. To znamená, že podiel neurónov pochádzajúcich zo supragranulárnych vrstiev v danom spojení poskytuje odhad relatívnej hierarchickej polohy dvoch spojených oblastí (Barone et al.2000:Markoy et a.2014a). Tu. ďalej (Markey et al., 2014a), odhadujeme súbor hierarchických úrovní (jedna na oblasť), ktorý najlepšie predpovedá hodnoty SLN pre všetky spojenia v súbore údajov.
Model na odhad hierarchie má tvar
g(E(SLNJ))= X (Rovnica 4)
kde g je funkcia, ktorá spája SLN spojenia medzi oblasťami s hierarchickou vzdialenosťou medzi nimi. je stĺpcový vektor dĺžky nareasSLN, ktorý obsahuje hodnoty hierarchie, ktoré sa majú odhadnúť. X je matica výskytu tvaru nconns×nareasSLN, kde ikony ({{0}}) predstavujú počet pozorovaných (nenulových) spojení medzi kortikálnymi oblasťami v zostávajúcom súbore údajov. Každý riadok v X predstavuje spojenie a každý stĺpec predstavuje kortikálnu oblasť. Všetky položky v každom riadku sa rovnajú 0 s výnimkou stĺpca zodpovedajúceho zdrojovej oblasti, ktorá má hodnotu -1, a cieľovej oblasti (príjemcu), ktorá má hodnotu 1 (Strang, 1993).
Integrácia anatomických súborov údajov Všetky anatomické údaje boli zmapované do príslušných parcelácií na povrchu Yerkes19. Pre túto štúdiu sme všetky údaje zmapovali do 40 oblastí Lyonského podgrafu (Markov a kol., 2014b), pretože oblasti v tejto parcelácii boli vo všeobecnosti väčšie ako oblasti v mozgovom atlase makakov Julich (Impieri a kol., 2019; Niu a kol., 2020; Rapan a kol., 2021; tento dokument) a miesta vpichu v Queenslande (počet chrbtice) (Elston, 2007) a bližšie k štandardným popisom oblastí ako Vanderbilt (neurónová hustota) (Collins a kol., 2010) oddiely. Receptorové hustoty boli kvantifikované v 109 kortikálnych oblastiach definovaných architektúrou mesta a receptora. Metóda na vymedzenie hraníc kortikálnej oblasti je opísaná v (Impieri et al., 2019; Niu et al., 2020; Rapan et al., 2021). Rovnakým spôsobom anatómovia (NPG, MN, LR) identifikovali kortikálne oblasti na základe receptora a cytoarchitektúry. Definíciu oblastí nájdete na obrázku 1. Anatómiovia starostlivo nakreslili (NPG, MN, LR) a nezávisle revidovali (NPG, MN, LR, SFW) definované hranice na kortikálnom povrchu Yerkes19 (Donahue et al., 2016), aby umožnili porovnanie s inými typmi údajov. Dáta D1 receptora boli mapované do Lyonského atlasu nasledovne. Pre každú oblasť v lyonskom atlase sme hľadali presahy s oblasťami v atlase mozgu makakov Julich. Ak sa viac ako 50 percent vrcholov v rámci oblasti nachádzalo aj v mozgovom atlase makakov Julich, vypočítala sa hustota receptora D1 pre danú oblasť. Všetkým vrcholom v rámci každej oblasti Julich bola priradená stredná hodnota pre túto oblasť. Spriemerovali sme hustotu receptora D1 naprieč všetkými vrcholmi, ktoré ležali v oblasti Lyonu aj v atlase mozgu makakov Julich, čím sme vykonali vážený priemer hustôt receptora D1 podľa stupňa priestorového prekrytia. Tridsaťdva zo 40 oblastí Lyonu bola týmto spôsobom priradená hustota receptora D1, pričom zvyšných osem oblastí sa dostatočne neprekrývalo s mozgovým atlasom makakov Julich. Vzhľadom na silnú pozitívnu koreláciu medzi hustotou D1 receptor/neurón a hierarchiou (obrázok 1) sme pre simulácie odvodili hodnoty pre zvyšných osem oblastí pomocou lineárnej regresie s hierarchiou ako nezávislou premennou a hustotou D1 receptor/neurón ako závislú premennú.
Údaje z autorádiografie in vitro presne kvantifikujú hustotu receptorov v kôre. Je však dôležité mať na pamäti, že hustota neurónov sa tiež mení v celej kôre. Collins a kol. (2010) merali hustotu neurónov v celej kôre makaka pomocou metódy izotropného frakcionátora (aka mozgovej polievky). V pôvodnom dokumente bola kôra rozdelená na 42 oblastí a zobrazená na plochej mape s označenými anatomickými orientačnými bodmi (obrázky 2 a S1 tohto papiera). Hranice týchto oblastí nakreslil na povrch Yerkes19 SFW s odkazom na pôvodný článok (Collins et al., 2010), niekoľko anatomických prác z rovnakej skupiny (Beck a Kaas, 1999; Cerkevich, et al., 2014; Kaas, 2004), makak Julich (109 oblastí) a atlas Lyon (Markov- 132) (Donahue a kol., 2016; Markov a kol., 2014b) a boli nezávisle posúdené anatómami (LR, MN , NPG). Údaje o neurálnej hustote pokrývali celý kortex. Ako také sme priradili neurálnu hustotu každej oblasti v atlase Lyonu, váženú priestorovým prekrytím s pôvodnými oblasťami vo Vanderbiltovom atlase. Hustota D1 receptora bola vydelená hustotou neurónov, aby sa získala hustota D1 receptor/neurón v každej oblasti. Hustota neurónov bola v jednotkách neurónov na gram. Na odhad hustoty receptora vo fmol na neurón sme použili predtým uvedený údaj, že 8 percent mozgového tkaniva tvorí proteín (McIlwain a Bachelard, 1972).
To sa rovná násobeniu konštantou a neovplyvňuje korelácie alebo účinok dopamínového gradientu v modeli. Lyonský atlas používaný na definovanie údajov o medziareálnej konektivite (Markov a kol., 2014b) je už dostupný na povrchu Yerkes19 (Donahue a kol., 2016). Kompletný podgraf injektovaných oblastí vrátane obojsmernej konektivity bol rozšírený z 29 oblastí v Donahue et al. (2016) na 40 oblastí použitých v tomto príspevku. Pre údaje o počte chrbtice nakreslil SFW obrysy 27 miest vpichu na povrch Yerkes19 s odkazom na pôvodné dokumenty (väčšina z nich mala podstatný anatomický popis a ručne kreslené mapy), ako aj anatomické dokumenty citované v rámci pôvodné články (Cavada a Goldman-Rakic, 1989; Preuss a Goldman-Rakic, 1991; Seltzer a Pandya, 1978) a mozgové atlasy makakov Lyon a Julich. Priame porovnanie s ručne kreslenými mapami bolo možné pre oblasti V1, V2, MT, LIPv, 7a, V4, TEO, STP, IT, Ant. Pomocou., Post. Kráľ, TEpd, 12vl, A1, 3b, 4, 5, 6, 7b, 9, 13, 46, 7 m (Elston, 2007). Oblasti 10, 11 a 12 boli opísané s odkazom na Preussa a Goldmana-Rakica (1991). Injektáž v oblasti TEa použila mapy v Seltzer a Pandya (1978) na definíciu oblasti. Tieto mapy sme použili na aproximáciu miesta injekcie. Oblasť STP bola identifikovaná so zodpovedajúcou oblasťou STPp v atlase Fellemana a Van Essena (1991). Oblasť FEF bola identifikovaná ako ležiaca na prednom brehu mediálneho aspektu oblúkového sulcus, ako to opísal Elston (2007). Všetky identifikované miesta injekcie na kortikálnom povrchu boli nezávisle overené pomocou MN, LR a NPG. Údaje o počte chrbtice boli vyjadrené podľa miest injekcie, a nie podľa celých kortikálnych oblastí. Ako také sme našli počet vrcholov z každého miesta vpichu, ktoré sa prekrývajú s každou oblasťou v atlase Lyonu.
Pre každú oblasť Lyon bol počet chrbtice priemerom počtu chrbtice pre všetky miesta vpichu prekrývajúce sa s oblasťou, vážený počtom vrcholov každého miesta vpichu obsiahnutých v danej oblasti. Týmto spôsobom sme odhadli počty chrbtice na pyramídových bunkách v 24 zo 40 oblastí v atlase Lyonu. Na základe silnej pozitívnej korelácie medzi počtom chrbtice a kortikálnou hierarchiou (r=0,61, p=0,001) a na základe predchádzajúcej práce (Chaudhuri et al., 2015; Mejias a Wang 2021), odvodili sme počet chrbtice pre zostávajúce oblasti na základe hierarchie pomocou lineárnej regresie. Neuroanatomisti (NPG, LR, MN) klasifikovali každú zo 109 kortikálnych oblastí, pre ktoré sú k dispozícii údaje o receptoroch D1, ako granulárne alebo agranulárne a podľa pomeru veľkosti bunkového tela medzi vrstvami III a V. Vymedzenie hraníc oblastí pre každý atlas a anatomické údaje v priestore Yerkes19 sú dostupné v databáze BALSA. Prehľad dynamických modelov Najprv popíšeme štruktúru konektivity nášho modelu lokálneho okruhu a ako dopamín moduluje účinnosť týchto prepojení. Potom opíšeme rozsiahly dynamický model, v ktorom sa lokálny okruh používa ako stavebný blok a je umiestnený v každej zo 40 kortikálnych oblastí. Opisujeme rôzne kroky k vytvoreniu modelu vo veľkom meradle, vrátane toho, ako spojiť kortikálne oblasti, aplikovať heterogenitu excitácie a gradient dopamínu. Nakoniec popisujeme, ako sme v tomto modeli simulovali úlohy pracovnej pamäte, lézie a prechodnú inhibíciu. Popis lokálneho kortikálneho okruhu Opisujeme lokálny kortikálny okruh obsahujúci populácie štyroch odlišných typov neurónov. Koncepčne to súvisí s predchádzajúcimi výpočtovými modelmi pracovnej pamäte zahŕňajúcimi viacero typov interneurónov (Tanaka, 1999; Wang et al., 2004a) a využíva redukciu stredného poľa modelu s hrotmi (Brunel a Wang, 2001; Wong a Wang , 2006). Bunky PV, CB/SST a CR/VIP sa líšili prahom a sklonom svojej vstupno-výstupnej funkcie (krivka fi) (Bacci et al., 2003), lokálnej (Adesnik et al., 2012; Jiang et al., 2015; Mun˜ oz a kol., 2017; Pfeffer a kol., 2013; Tremblay a kol., 2016) a konektivita na veľké vzdialenosti (Lee a kol., 2013; Wall a kol., 2016), adaptačné miery (Kawaguchi , 1993; Mendonc¸ an a kol., 2016; Schuman a kol., 2019) a pomer NMDA/AMPA (Lu a kol., 2007). Štruktúra konektivity a silné stránky lokálneho okruhu sú založené na syntéze anatomických a fyziologických štúdií a sú zachytené v lokálnej matici konektivity G (tabuľky S1–S3; Jiang a kol., 2015; Kalisman a kol., 2005; Lee a kol., 2013; Ma a kol., 2012; Markram a kol., 1997; Pfeffer a kol., 2013; Silberberg a Markram, 2007; Walker a kol., 2016). Všimnite si, že pravdepodobnosť spojenia a synaptická sila medzi nervovými typmi sú vo všeobecnosti pozitívne korelované (Jiang et al., 2015). To zjednodušuje proces identifikácie relatívnej sily spojení medzi nervovými populáciami v okruhu. Pyramídové neuróny sme zoskupili do dvoch samostatných populácií. Každá z týchto populácií je selektívna pre konkrétny vizuálny znak (ako je oblasť vizuálneho priestoru). Pyramídové bunky vzrušujú všetky typy buniek v okruhu s rôznou silou. V pyramídových bunkách modelujeme dva kompartmenty. Jeden kompartment predstavuje soma a proximálne dendrity a druhý distálne dendrity. Dendrit je modelovaný ako zjednodušená nelineárna funkcia, upravená podľa Yang et al. (2016). Pyramídové bunky sa zameriavajú na soma a proximálne dendrity iných pyramídových buniek v rovnakej kortikálnej oblasti (Kalisman a kol., 2005; Markram a kol., 1997; Petreanu a kol., 2009). Každý typ inhibičného neurónu má jedinečný vzor konektivity.
Prvý typ inhibičnej bunky sa zameriava na perisomatickú oblasť pyramídových buniek. Tieto bunky exprimujú parvalbumín (PV) a rýchlo sa zvyšujú (Jiang et al., 2015; Kawaguchi, 1993, 1995). Sú to košíkové bunky s axónmi, ktoré sa rozvetvujú na veľké vzdialenosti, čo im umožňuje inhibovať pyramídové bunky v susedných populáciách (Helmstaedter et al., 2009; Kawaguchi, 1995). Inhibujú aj iné PV neuróny (Jiang et al., 2015; Pfeffer et al., 2013). V porovnaní s inými inhibičnými neurónmi dostávajú PV neuróny menší podiel excitačných vstupov cez NMDA receptory (Lu et al., 2007; Wang a Gao, 2009). Druhý typ inhibičného neurónu sa zameriava na distálne dendrity excitačných buniek. U primátov (okrem človeka) dendritové cielené bunky exprimujú kalbindín (DeFelipe et al., 1989). Najlepšie charakterizovaným bunkovým typom zacieleným na dendrit u hlodavcov je Martinottiho bunka, ktorá exprimuje somatostatín (CB/SST) (Wang et al., 2004b). Tieto bunky sa zameriavajú na všetky ostatné typy buniek, pričom sa vyhýbajú iným Martinottiho bunkám (Jiang et al., 2015). Dostávajú tiež silnú laterálnu projekciu z pyramídových buniek v susedných stĺpcoch (Adesnik et al., 2012) a väčšinu svojej excitácie prijímajú prostredníctvom NMDA receptorov (Lu et al., 2007). Tretí typ interneurónu exprimuje kalretinín a vazoaktívny črevný peptid (CR/VIP) (Tremblay a kol., 2016) a zameriava sa na inhibičné neuróny CB/SST (Lee a kol., 2013). Hoci génová expresia PV, SST a VIP sa použila na úspešné rozlíšenie neprekrývajúcich sa tried interneurónov u primátov (Hodge a kol., 2019; Krienen a kol., 2020), u primátov protilátky SST často označujú relatívne málo buniek ( Hendry a kol., 1984; Mueller a kol., 2018, 2020). SST sa často, ale nie vždy, koexprimuje s CB (Gonza´ lez-Albo a kol., 2001; Lake a kol., 2016). Bunky exprimujúce CB a SST vykazujú podobný vzor expresie v kortikálnych vrstvách a oblastiach v makakoch (Dienel et al., 2020). CR je exprimovaná vo väčšine VIP neurónov v kôre primátov (Gabbott a Bacon, 1997; Lake a kol., 2016) a VIP aj CR vykazujú podobnú expresiu vo vrstvách a kortikálnych oblastiach makaka (Dienel a kol., 2020 ). Skúmanie podobností a rozdielov medzidruhových interneurónových typov však prebieha a nie je vyriešené (Hodge a kol., 2019; Kooijmans a kol., 2020; Krienen a kol., 2020). V našom modeli by mali byť tri typy interneurónov vhodnejšie interpretované podľa ich synaptických cieľov, a nie podľa iných bunkových markerov. Všetky hodnoty parametrov nájdete v tabuľke S6. Modulácia dopamínu Hustota dopamínových D1 receptorov na neurón bola zmenená tak, že oblasť s minimálnou hustotou raw min bola nastavená na nulu a oblasť s maximálnou hustotou raw max bola nastavená na jednu, pričom všetky ostatné oblasti ležali medzi nimi.
Medziareálne populačné interakcie Väčšina medziareálnych spojení obsahuje zmes axónov vyčnievajúcich z hlbokých a povrchových vrstiev. Diaľkové spojenia na excitačné bunky sa primárne zameriavajú na distálne dendrity (Petreanu et al., 2009; tabuľka S4). Preto v modeli predpokladáme, že spojenia na veľké vzdialenosti sú zamerané na dendrity excitačných buniek. CR/VIP bunky dostávajú najsilnejšie diaľkové vstupy zo všetkých inhibičných buniek, zatiaľ čo CB/SST prijímajú najslabšie (Lee a kol., 2013; Wall a kol., 2016; tabuľky S5 a S6). To naznačuje, že spojenia s dlhým dosahom účinne dezinhibujú dendrit v cieľovej oblasti vzrušujúcimi interneurónmi CR/VIP, pričom súčasne vzrušujú dendrit, aby sa maximalizovala pravdepodobnosť prechodu informácií zo zdrojovej oblasti do cieľovej oblasti. Podľa Mejiasa a Wanga (2021) predpokladáme, že spätnoväzbové spojenia sa zameriavajú na inhibičné bunky silnejšie ako doplnkové spojenia. Excitačné bunky v rôznych kortikálnych oblastiach s rovnakými receptívnymi poľami sú s väčšou pravdepodobnosťou funkčne spojené (Zandvakili a Kohn 2015). To sa odráža v našom modeli nasledovne. V zdrojovej oblasti sú dve excitačné populácie, 1 a 2, z ktorých každá je citlivá na konkrétnu vlastnosť vizuálneho stimulu (ako je umiestnenie v zornom poli). Podobne v cieľovej oblasti existujú dve populácie 1 a 2, citlivé na rovnaké vizuálne črty. Predpokladáme, že 90 percent produkcie populácie 1 v zdrojovej oblasti ide na populáciu 1 v cieľovej oblasti a zvyšných 10 percent na populáciu 2. Opak je pravdou pre populáciu 2 v zdrojovej oblasti (cieli na 10 percent populácie 1, 90 percent populácie 2, tabuľky S4 a S6).
Disinhibičný okruh vo frontálnych očných poliach. Predné očné polia (v modeli oblasti 8 m a 8 l) majú veľmi vysoké percento neurónov kalretinínu a relatívne menej neurónov parvalbumínu a kalbindínu (Pouget et al., 2009). Aby sme to zohľadnili v modeli, relatívne sme zvýšili vstupy na veľké vzdialenosti do buniek CR/VIP v oblastiach 8m a 8l, ako je podrobne uvedené v tabuľke S6. Tieto zmeny sú kritické pre pretrvávajúcu aktivitu v oblastiach 8l a 8m, ale inak veľmi neovplyvňujú správanie modelu. Bez tejto zmeny je prekrytie medzi vzorom simulovanej oneskorenej aktivity a experimentálnym vzorom oneskorenej aktivity (ako na obrázku 3A) stále extrémne vysoké (správne 17/19 oblastí, chí-kvadrát=12.31 p {{15} }.0004) a vzor aktivity závisí od konektivity na veľké vzdialenosti (p=0.001) a distribúcie receptora D1 (p=0.008), ale nie od počtu chrbtice (p=0.19) a lézie do oblastí 8l a 8m majú menší vplyv na distribuovanú pretrvávajúcu aktivitu. Všetky ostatné výsledky sú nezmenené. Tiež sme zvýšili relatívnu silu lokálnych CR / VIP spojení a znížili relatívnu silu lokálnych PV spojení vo FEF, ale zistili sme, že to nemalo žiadny vplyv na správanie modelu, takže simulácie v článku sú prezentované bez lokálnych zmien FEF.
KVANTIFIKÁCIA A ŠTATISTICKÁ ANALÝZA
Korelácia medzi hustotou receptora D1 a inými anatomickými znakmi Mnohé aspekty anatómie mozgu sú priestorovo autokorelované, pričom blízke oblasti mozgu vykazujú podobnú anatómiu. Táto priestorová autokorelácia sa nezohľadňuje v konvenčných štatistických testoch, ktoré často predpokladajú nezávislosť údajových bodov. Neschopnosť zohľadniť priestorovú autokoreláciu môže viesť k falošným koreláciám medzi mapami mozgu. Na prekonanie tohto problému sme vygenerovali náhodné náhradné mozgové mapy s priestorovou autokoreláciou, ktorá sa tesne zhodovala s mapou hierarchie (Burt et al., 2020). Toto sa dosiahne najprv náhodnou permutáciou hodnôt v mape hierarchie a potom vyhladením a zmenou mierky permutovanej mapy, aby sa obnovila stratená priestorová autokorelácia. Vyhladenie sa vykonáva lokálnym jadrom váženým súčtom hodnôt k najbližších susedných regiónov, kde k sa vyberie tak, aby čo najlepšie zodpovedalo autokorelácii pôvodnej mapy hierarchie (Burt et al., 2020). Každá z náhodne vygenerovaných náhradných máp sa potom koreluje s mapou receptora D1. Priestorovo korigovaná p-hodnota je potom zlomkom máp surro gate, ktoré vykazujú silnejšiu Pearsonovu koreláciu (negatívnu alebo pozitívnu) s mapou receptora D1 ako mapa hierarchie.
Na porovnanie hustoty D1R medzi granulárnymi a agranulárnymi kortikálnymi oblasťami sme použili neparametrický Wilcoxonov rank-sum test. Na porovnanie hustoty D1R medzi oblasťami s internopyramidizáciou, externopyramidizáciou a rovnakými veľkosťami pyramíd vrstvy III a vrstvy V sme použili neparametrický Kruskall-Wallisov test. Porovnanie simulovaných a experimentálnych vzorcov oneskorenej aktivity Na obrázkoch 3A a 3B porovnávame vzor aktivity modelu s experimentálnym vzorom a skúmame jeho závislosť od anatomických znakov. Experimentálne elektrofyziologické údaje boli prevzaté z megaanalýzy Leavitta a kol. (2017) z viac ako 90 elektrofyziologických štúdií aktivity oneskorenia počas úloh pracovnej pamäte. Najprv sme rozdelili kôru na oblasti s pretrvávajúcou aktivitou a oblasťou s trvalou aktivitou pre experimentálne údaje aj simuláciu (tabuľka S7). Oblasti boli klasifikované v skupine s pretrvávajúcou aktivitou, ak aspoň 3 ďalšie štúdie pozorovali pretrvávajúcu aktivitu v období oneskorenia ako nedostatok takejto aktivity. Vylúčili sme oblasti, ktoré boli hodnotené v menej ako troch štúdiách. Z oblastí, ktoré boli skúmané v najmenej troch štúdiách, klasifikujeme oblasť ako oblasť s pretrvávajúcou aktivitou, ak viac ako 50 percent štúdií zistilo pretrvávajúcu aktivitu. Závery však nie sú závislé od tohto prahu, ani od minimálneho počtu štúdií (tabuľka S8). Oblasti v simulácii boli klasifikované ako oblasti s pretrvávajúcou aktivitou, ak za posledných 500 ms pokusu mali priemerné rýchlosti streľby aspoň o 5 Hz vyššie ako základné frekvencie streľby pred stimulom. Aby sme premiešali anatomické spojenia, premiešali sme spojenia v riadkoch matice FLN, takže distribúcia spojení a sily spojenia do každej oblasti zostali konštantné, pričom identita spojení sa zmenila. Rovnaké preusporiadanie bolo aplikované na maticu SLN. Hustoty D1 receptora a počty chrbtice sa premiešali oddelene. Výsledky boli vizualizované pomocou vlastnej verzie Raincloud Plot (Allen et al., 2019), aby sa umožnila súbežná vizualizácia výsledkov distribúcie a jednotlivých simulácií. Hodnota p sa vypočíta ako zlomok simulácií založených na premiešaných anatomických údajoch, ktoré vytvárajú vzorec oneskorenej aktivity, ktorý sa prekrýva s experimentálnymi údajmi, ako aj (alebo je lepší ako) pôvodná simulácia.
Poškodenie kortikálnych oblastí Na obrázkoch 3C–3H simulujeme účinky lézie na jednotlivé kortikálne oblasti. Urobíme to odstránením všetkých vstupných a výstupných spojení poškodenej oblasti v matriciach konektivity WE; E a WI; E. Na štatistickú analýzu vzťahu medzi anatomickými znakmi a účinkami lézie sme z analýzy odstránili oblasti V1 a V2. Bolo to spôsobené skutočnosťou, že tieto oblasti boli rozhodujúce pre šírenie vizuálneho stimulu, ale nie pre pracovnú pamäť per se (obrázok 3; obrázok S5). Vykonali sme postupný lineárny regresný prístup.
