Зв'язок веретено-повільне коливання корелює з продуктивністю пам'яті та змінами зв'язку в мережі гіпокампу після сну
Aug 24, 2023
Анотація
Було запропоновано, що після кодування досвіду реактивація під час сну після кодування опосередковує довготривалу консолідацію пам’яті. Зв'язок між веретеном і повільними коливаннями під час сну NREM є потенційним механізмом, за допомогою якого діалог кори гіпокампу може зміцнити новостворену інграму пам'яті. Тут ми досліджували роль зв’язку швидкого веретена та повільного веретена–повільного коливання в консолідації просторової пам’яті у людей за допомогою завдання віртуального водяного лабіринту, що включає аллоцентричні та егоцентричні стратегії навчання. Крім того, ми проаналізували, як функціональний зв’язок у стані спокою розвивався через навчання, консолідацію та пошук цього завдання за допомогою підходу, керованого даними. Наші результати показують пов’язані із завданням зміни зв’язку в мережі виконавчого контролю, мережі режиму за замовчуванням і мережі гіпокампу під час відпочинку після виконання завдання. Гіппокампальна мережа може бути розділена на дві підмережі, з яких лише одна демонструє модуляцію сном. Зниження функціонального зв’язку в цій підмережі було пов’язане з вищою потужністю зв’язку між шпинделем і повільними коливаннями, що також було пов’язано з кращою продуктивністю пам’яті під час тестування. Загалом це дослідження сприяє більш цілісному розумінню функціональних мереж у стані спокою та механізмів під час сну, пов’язаних із консолідацією просторової пам’яті.
Досвід Cistanche - покращує пам'ять
КЛЮЧОВІ СЛОВА
консолідація пам'яті, мережі в стані спокою, сон, повільні коливання, веретена
1|ВСТУП
Теорія консолідації систем є однією з найбільш широко досліджуваних структур формування довготривалої пам’яті. Теорія стверджує, що лабільні інграми в мозку, закодовані під час навчання, зміцнюються через повторну реактивацію. З часом цей процес може призвести до більш стабільного довгострокового представлення — консолідованого сліду пам’яті (Squire та ін., 2015). Вважається, що повторна активація енграми відбувається переважно під час сну, але також може спостерігатися під час спокійного відпочинку. Потенційний ключовий механізм, що лежить в основі консолідації систем, являє собою ієрархічну координацію трьох типів подій під час сну з нешвидкими рухами очей (NREM): (1) високоамплітудні кортикальні повільні коливання, (2) веретена, керовані союзниками таламуса, і (3) гіпокампальні різкі хвилеподібні хвилі. Вважається, що оркестровка цих коливань, викликана посиленням і згасанням повільних коливань у префронтальній корі (Helfrich та ін., 2019), встановлює ідеальні часові вікна для передачі інформації з гіпокампу до кори (Sirota та ін., 2003) і мозку. - широкі процеси синаптичної консолідації, що лежать в основі консолідації систем (Genzel, 2020; Genzel, Kroes та ін., 2014; Navarro-Lobato & Genzel, 2020). У людей постійно ідентифікували два типи веретен: повільні (~9–12,5 Гц) і швидкі (~12,5–16 Гц), які найбільш помітні у лобовій та центрально-тім’яній областях відповідно (Adamczyk et al. , 2015; Андерер та ін., 2001). Обидва типи шпинделя пов'язані з повільними коливаннями. У той час як швидкі веретена часто вкладені в збуджуваний стан повільних коливань, повільні веретена зазвичай виникають під час періоду переходу в гальмівний стан повільних коливань (Molle та ін., 2011). Швидкі веретена вважалися сприятливими для передачі інформації між гіпокампом і неокортексом, оскільки вони збігалися з різкими хвильовими брижами гіпокампа (Staresina et al., 2015). Повільні веретена, яким здебільшого передують брижі, можуть бути пов’язані з кірковим перехресним зв’язуванням переданої інформації та модуляцією префронтальної схеми для формування неокортикального представлення пам’яті (Molle та ін., 2011). Однак лише в дослідженнях на людях існує послідовний розподіл між повільними та швидкими веретенами. Оскільки цей підрозділ рідко проводиться в дослідженнях на тваринах, відсутні конкретні докази різних функцій кожного типу веретена. Вплив цих двох типів веретена на поведінку ще менш переконливий. Недавні результати ЕЕГ показали, що більша кількість і підвищена узгодженість у поєднанні швидких веретен і повільних коливань пов’язані з підвищенням продуктивності декларативної пам’яті (Hahn et al., 2020; Muehlroth et al., 2019; Niknazar et al., 2015). . Експериментальне посилення координації між гострими хвильовими брижами гіпокампа, повільними коливаннями та фронтальними веретенами у гризунів — потенційно аналогом людських повільних веретен — також призвело до підвищення продуктивності пам’яті (Maigret et al., 2016). Навпаки, попередні висновки щодо зв’язку повільного веретена–повільних коливань у людей вказують на зниження продуктивності декларативної пам’яті зі збільшенням зв’язку повільного веретена–повільних коливань або взагалі без ефекту (Barakat et al., 2011; Muehlroth et al., 2019). Таким чином, вкрай важливо роз’єднати поведінкову релевантність обох типів веретена в консолідації пам’яті. Враховуючи важливість сну та гіпокампу в консолідації офлайн, було висунуто гіпотезу, що сон відіграє особливу роль у консолідації спогадів, залежних від гіпокампу, на відміну від «незалежних від гіпокампу». Ці два типи спогадів можна досліджувати за допомогою парадигм просторової навігації. Навігація в середовищі передбачає використання різних навігаційних стратегій, а саме алоцентричних та егоцентричних стратегій (для огляду Ekstrom et al., 2017). В алоцентричній системі відліку навігатор може зробити висновок про своє положення на основі відносних положень стабільних орієнтирів. Пропонується, що алоцентричне просторове навчання сильно покладається на гіпокамп, оскільки воно вимагає просторової когнітивної карти орієнтирів (O'Keefe & Nadel, 1978). Навпаки, егоцентрична система відліку постійно змінюється разом з рухом навігатора. Під час егоцентричного просторового навчання навігатор повинен стежити за пройденою відстанню та напрямком, для якого дорсальний стріатум був ідентифікований як критична структура (McDonald & White, 1994). Таким чином, можна припустити, що в просторовому контексті механізми консолідації відрізняються між алоцентричними та егоцентричними умовами навчання та відповідно впливають на продуктивність пам’яті. Однак останні дані вказують на участь гіпокампа в консолідації під час сну, навіть для спогадів, які раніше вважалися незалежними від гіпокампу (Sawangjit та ін., 2018; Шапіро та ін., 2019), і подібні функціональні зміни мережі після сну через алоцентричні та егоценні навчання трюкам (Саманта та ін., 2021). Тому залишається відкритим питання про те, як просторова інформація двох опорних кадрів консолідується під час сну і як ці механізми впливають на продуктивність пам’яті. Хоча багато робіт було зосереджено на ролі сну в системній консолідації пам’яті, дослідження як на гризунах (Davidson et al., 2009; Diba & Buzsáki, 2007), так і на людях (Schuck & Niv, 2019; Tambini & Davachi, 2013) продемонстрували, що загальносистемні процеси консолідації під час періодів неспання і відпочинку відразу після навчання. Подібно до консолідації, що залежить від сну, репрезентації подій спонтанно реактивуються в мережі гіпокампа та таламокортикальної системи під час відпочинку після кодування (детальний огляд див. Tambini & Davachi, 2019). Вважається, що важливі вузли цих реактивацій включають мережу гіпокампу, зосереджену на медіальній скроневій корі та ретроспленіальній корі (van Buuren та ін., 2019), а також взаємодії між концентраторами мережі режиму за замовчуванням (Lin та ін., 2017) і мережі, що відповідають завданням (наприклад, мережа виконавчого контролю; Sneve et al., 2017). Було показано, що вищий рівень функціонального зв’язку в стані спокою між областями, специфічними для подразників, і гіпокампом передбачає майбутню здатність відновлювати пам’ять (Tambini et al., 2010). Крім того, функціональний зв’язок одразу після навчання, а також кількість реактивації гіпокампу передбачили подальше збереження пам’яті протягом ночі, що свідчить про взаємододатковий зв’язок між реактивацією у стані неспання та пізнішою консолідацією під час сну (Schapiro et al., 2018). Хоча більшість попередніх досліджень окремо досліджують один тип періоду після кодування (тобто відпочинок або сон), дослідження, що досліджують процеси консолідації в обидва періоди, необхідні для отримання цілісного розуміння паралелей між механізмами консолідації під час цих різних станів мозку. Таким чином, це дослідження має на меті забезпечити вимірювання в рамках дослідження в різних станах мозку після кодування та показати їх взаємозв’язок із продуктивністю пам’яті в задачі просторової навігації. Наше дослідження є продовженням наших досліджень впливу сну на алоцентричні та егоцентричні уявлення про пам’ять у людей і щурів (Саманта та ін., 2021). Учасники виконали людський аналог водяного лабіринту (Morris, 1981), перевіреної парадигми для вивчення різних аспектів просторової навігації (Müller та ін., 2018; Шенфельд та ін., 2017). Тоді як Samanta et al. (2021) зосередилися на даних фМРТ завдання під час навчання та пошуку, тут ми зосередилися на фМРТ у стані спокою та даних ЕЕГ уві сні. Таким чином, функціональний зв’язок у стані спокою у відповідних мережах оцінювався до та після навчання та відновлення завдання пам’яті, у якому учасники брали участь або в алоцентричній, або в егоцентричній просторовій навігації. ЕЕГ використовувалася між двома сесіями завдань для вимірювання процесів консолідації, пов’язаних зі сном NREM (тобто властивостей веретена та повільних коливань та їх зв’язку). Ми застосували підхід, керований даними (Ribeiro de Paula та ін., 2017), щоб дослідити еволюцію функціонального зв’язку в стані спокою через просторове навчання, консолідацію та відновлення пам’яті. Мережі в стані спокою були обрані на основі результатів, отриманих Samanta et al. (2021), включаючи мережу режиму за замовчуванням, мережу гіпокампу та мережу правого виконавчого контролю. Щоб встановити триадний зв’язок між сном, станом спокою та поведінкою, ми співвіднесли параметри веретена та повільних коливань, зміни функціонального зв’язку у стані спокою та показники продуктивності завдання просторової пам’яті. Саманта та ін. (2021) виявили подібні пов’язані зі сном зміни у відновленні пам’яті у всьому мозку для алоцентричного та егоцентричного навчання. Зокрема, активації збільшилися в мережі виконавчого контролю та зменшилися в мережі режиму за замовчуванням від навчання до повернення, якщо суб’єкти спали після навчання. Отже, ми очікували спостерігати подібні зміни в цих двох мережах у стані спокою. Процеси консолідації у всьому мозку також повинні спостерігатися для мережі гіпокампу, яка координує консолідацію під час сну та відпочинку. Ми припустили, що зв'язок між веретеном і повільними коливаннями позитивно пов'язаний зі змінами в мережі гіпокампа та продуктивністю пам'яті. Ці висновки не повинні відрізнятися в різних станах пам’яті, оскільки Samanta et al. (2021) не помітили різниці між алоцентричним та егоцентричним навчанням. Дійсно, наші результати демонструють, що виконавчий контроль і мережі режиму за замовчуванням змінюються в гіпотетично протилежних напрямках до і після виконання завдання. Крім того, ми ідентифікували дві підмережі в мережі гіпокампу. Основна підмережа не залежала від стану сну та покращувала продуктивність функціонального зв’язку до та після виконання завдання та після перерви. Зв’язок у другій підмережі знизився на перерві лише для учасників, які подрімали. Нарешті, потужність зв’язку між веретеном і повільними коливаннями була позитивно пов’язана з продуктивністю пам’яті та зниженням зв’язку в другій, залежній від сну підмережі гіпокампу. Усі ефекти були однаковими для алоцентричного та егоцентричного тренінгу. Наші результати свідчать про те, що активації у стані спокою можна розділити на зміни, пов’язані з виконанням завдань, і зміни, пов’язані з консолідацією, які не залежать від сну або залежать від сну. Лише зміни, що залежать від сну, пов’язані зі зв’язком веретена–повільних коливань, який однаково впливає на продуктивність пам’яті як для аллоцентричного, так і для егоцентричного навчання.
Переваги Cistanche для чоловіків - проти хвороби Альцгеймера
【Запитуйте більше】 Електронна пошта:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692
2|МЕТОДИ ТА МАТЕРІАЛИ
2.1|Учасники
Сімдесят сім неврологічно здорових праворуких учасників чоловічої статі (віковий діапазон: 18–30 років, середнє=24) були набрані для дослідження. Були відібрані лише учасники чоловічої статі, оскільки зразок включає субпопуляцію більшого трансляційного масиву досліджень із використанням лише самців гризунів (Саманта та ін., 2021). Дослідження було схвалено місцевим комітетом з етики (CMO Arnhem-Nijmegen, Radboud University Medical Center) відповідно до загального етичного схвалення («Imaging Human Cognition», CMO 2014/288), і експеримент проводився відповідно до цих вказівок. Набір проводився через систему участі в дослідженнях Radboud Research Participation System. Учасників перевірили та виключили на основі (1) прийому снодійних препаратів, (2) регулярного сну та (3) участі в професійних іграх. Перед початком експерименту всі учасники надали письмову інформовану згоду та отримали фінансову компенсацію за участь. Загалом чотирнадцять учасників були виключені з аналізу після збору даних. Вісім суб’єктів були виключені з експерименту через технічні проблеми під час навчання або пошуку: для п’яти учасників джойстик був неправильно відкалібрований, а для решти трьох були технічні проблеми, включаючи раптовий збій програми середовища завдань під час сканування. Троє суб'єктів спали менше 30 хвилин під час тесту сну або контрольного сеансу. Їх z-показники були більш ніж на 2,5*σ від середнього фактичного часу сну. Фактичний час сну розраховували для кожного суб’єкта як загальний час сну (TST), за винятком пробудження після початку сну (WASO). Для інших трьох суб’єктів було виявлено велике зміщення зображення через рух голови під час фМРТ-сканування. Величина зміщення в серії зображень була оцінена за допомогою індексу якості (QI) за допомогою рівняння (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 (Рібейро де Паула та ін., 2017). Загалом, 63 суб’єкти розглядалися як остаточна вибірка (віковий діапазон: 18–30 років, середнє=23.3).
2.2|експериментальна процедура
За допомогою 2 2 повнофакторного змішаного дизайну ми протестували загальносистемні процеси консолідації парадигми просторової пам’яті. Під час фМРТ-сканування учасники брали участь в ало- або егоцентричному просторовому навчанні та відновленні пам’яті в раніше перевіреному людському аналогі водного лабіринту (Müller та ін., 2018; Шенфельд та ін., 2017). Безпосередньо до та після сеансів навчання та пошуку функціональний зв’язок оцінювався за допомогою фМРТ у стані спокою. Це становить загалом чотири сеанси фМРТ у стані спокою по 9 хвилин кожен. У проміжку між просторовим навчанням і відновленням пам’яті для вимірювання сну використовувалася ЕЕГ сну. В експериментальних умовах учасникам було дано вказівку спати протягом 90 хвилин, тоді як контрольна група дивилася фільм протягом такого ж часу. Приблизно через 2 тижні після експерименту учасники в умовах сну завершили сеанс контролю сну протягом 90 хвилин, який не слідував за досвідом навчання.
Добавка Cistanche поруч зі мною - покращує пам'ять
2.3|Завдання віртуального водного лабіринту
Завдання віртуального водного лабіринту є адаптацією водного лабіринту для щурів, усталеного методу для перевірки просторових здібностей у гризунів (Morris, 1981).
Ця аналогічна парадигма для людей сумісна з середовищем МРТ-сканера (Schoenfeld et al., 2017). Учасників проінструктували обійти віртуальний острів з метою знайти скриньку зі скарбами. У цій парадигмі ми використали два різні параметри: «прихований острів» і «острів із зазначенням». Прихований острів був оточений чотирма орієнтирами (тобто міст, вітрильник, вітряна турбіна та маяк; див. Малюнок S1). Прихована скринька зі скарбами на острові позначала цільове місце. Ящик розташовувався в невеликому поглибленні на поверхні віртуального острова і, таким чином, був видимий лише в безпосередній близькості. Навпаки, на острівці з підказками не було жодних орієнтаційних орієнтирів, окрім прапора біля ящика зі скарбами, який було видно здалеку. Положення цього прапора разом зі скринькою зі скарбами змінювалося під час кожного випробування. Послідовність завдань складалася з восьми блоків, що чергувалися, із зазначеними та прихованими островами, що призвело до 16 випробувань. У кожному випробуванні учасники могли вільно пересуватися островом у власному темпі за допомогою джойстика. Коли цільове місце в безпосередній близькості від скрині зі скарбами було досягнуто, учасники могли завершити випробування, натиснувши кнопку на джойстику. Між закінченням одного випробування та початком наступного був 15--секундний інтервал, протягом якого учасники могли розвернутися на острові та зорієнтуватися. Учасники вперше зіткнулися з острівцем, на якому їм потрібно було знайти видимий прапор. Цей острів використовувався для контролю перцептивної та моторної обробки, щоб ізолювати ефекти пам’яті в подальшому аналізі. Для зустрічі з прихованим островом учасники були випадковим чином розподілені за будь-якою з умов навчання — алоцентричним або егоцентричним. Алоцентрична група починала з іншого місця на острові під час кожного випробування, і щоразу їй доводилося змінювати орієнтацію, щоб знайти цільове місце, таким чином сприяючи використанню навігації за місцем. В егоцентричній групі вони мали б одне й те саме початкове місце під час кожного випробування і, отже, могли б покладатися на повторювані фіксовані рухи, щоб дістатися до цільового місця на додаток до видимих сигналів, що дозволяє їм використовувати обидві навігаційні стратегії. Загалом учасники не бачили цих двох умов. Основна мета учасників в обох випробуваннях полягала в тому, щоб дізнатися розташування цільової коробки на восьми прихованих острівних випробуваннях. Для випробувань пошуку острів залишився незмінним з однією зміною: скриньку зі скарбами було вилучено з прихованого острова, а учасникам було дано вказівку позначити місце, наскільки їм відомо, де, як вони пам’ятали, повинна знаходитися скринька.
2.4|Збір даних
2.4.1|Полісомнографічні записи
Полісомнографічні записи були отримані з частотою дискретизації 500 Гц (BrainAmp, Brain Products, Gilching, Німеччина) під час 90-хвилинного сну. Тридцять два електроди для шкіри голови (міжнародна система ЕЕГ 10–20) були встановлені, включаючи Fz, F3, F4, Cz, C3, C4, Pz, P3, P4, Oz, O1, O2, і прив’язані до лівого соскоподібного відростка. Додатково реєстрували горизонтальні та вертикальні рухи очей (ЕОГ), електроміограму (ЕМГ) на підборідді та електрокардіограму (ЕКГ). Запис почався незабаром після вимкнення світла. Після експерименту оцінка сну проводилася експериментатором, який не бачив умов за допомогою інструментарію SpiSOP (www.spisop.org; RRID: SCR_015673). Згідно з правилами оцінки Американської академії медицини сну (AASM), стадії 1 і 2 сну, повільний сон, швидкий сон, пробудження та рухи тіла візуально оцінювалися за 30-секундні епохи на основі ЕОГ, ЕМГ і наступних каналів. —F3, F4, C3, C4, O1, O2.
2.4.2|Придбання FMRI
Часові ряди FMRI були отримані за допомогою сканера 3T тільки для голови (Prisma 3T, Siemens, Ерланген, Німеччина). Сімсот T2*-зважених зображень було отримано за допомогою багатосмугової градієнтної ехо-ехо-площинної послідовності зображень (багатоканальний фактор=8, 64 аксіальних зрізи, час повторення об’єму [TR]=1000 мс, час відлуння [TE ]=39 мс, 52 кути повороту, товщина зрізу=2.4 мм; поле зору (FOV) 210 мм; ізотропний розмір вокселя 2 мм). Анатомічні зображення були отримані за допомогою T1-зваженої послідовності MP-RAGE (192 сагітальні зрізи, об’єм TR=2300 мс, TE=3.03 мс, кут повороту 8, товщина зрізу 1 мм ; FOV, 256 мм; розмір вокселя 1 1 1 мм). Усі дані доступні в репозиторії Donders di. може. DSC_3013066.01_875.
2,5|Обробка даних
2.5.1|Попередня обробка ЕЕГ сну
Дані були попередньо оброблені в Matlab R2020b (Mathworks Inc., Шерборн, Массачусетс) за допомогою інструментарію Sleeptrip (www.sleeptrip. org; RRID: SCR_017318). Усі канали ЕЕГ були повторно прив’язані до середніх соскоподібних відростків (A1 і A2), а дані були відфільтровані через смуговий фільтр між 0,3 і 35 Гц (фільтр нульової фази Баттерворта 4-го порядку). Загалом застосовувалися лише фільтри нульової фази (тобто прямого та зворотного напрямку). Погані канали ЕЕГ візуально відхилялися на основі їх спектрів потужності. Для решти каналів у довгих вікнах 30- було виявлено артефакти. Сегменти, які були візуально ідентифіковані як рух тіла, були позначені для подальшого виключення. Для подальшої ідентифікації сегментів, які сильно відхилялися від спостережуваного загального розподілу амплітуди, середні різниці амплітуд для кожного сегмента були стандартизовані по z в межах кожного каналу. Сегменти з az > 5 у будь-якому з каналів були виключені (Muehlroth та ін., 2019). TST розраховували як час, витрачений на стадії 1, 2, SWS та REM сну. WASO визначався як час, протягом якого учасники не спали між початком сну та остаточним пробудженням.
Вплив трави цистанхи проти хвороби Альцгеймера
2.5.2|Виявлення шпинделя
Веретена були виявлені за допомогою автоматизованого алгоритму, реалізованого в Sleeptrip на основі попередніх публікацій (Weber et al., 2020), і алгоритму «off», реалізованого в Python, версія 3.8 (Donoghue et al. , 2020). Передбачувані піки потужності в діапазонах частот повільного обертання (9–12,5 Гц) і швидкого обертання (12,5–16 Гц) були візуально виявлені з епох NREM (тобто N2 і N3). Перед перевіркою спектрів потужності аперіодичну компоненту 1/f було видалено із сигналу шляхом підгонки функції Лоренца. Для кожного учасника повільні піки веретена були визначені вручну в середньому для трьох фронтальних каналів (Fz, F3, F4; сеанс тестування сну: 10.25 Гц ± 0.1, середнє значення ± SEM ; Сеанс контролю сну: 10,07 Гц ± 0,14, середнє значення ± SEM) і швидкі піки обертів у середньому з трьох центральних каналів (Cz, C3, C4; Сеанс тестування сну: 13,44 Гц ± 0,09, середнє значення ± SEM; Сеанс контролю сну: 13,44 Гц ± 0,06, середнє ± SEM). Щоб перевірити візуально визначені піки частоти, ми ітеративно підбирали Гаусса до періодичних компонентів потужності за допомогою fooof (див. рис. S2, наприклад, спектри). У разі різниці в ручних мітках і підігнаних піках Гауса спектри потужності переглядалися повторно. Цей метод використовувався, щоб уникнути появи помилкових веретеноподібних подій (Ujma et al., 2015). Потім сигнал кожного каналу був смуговий фільтр (±1,5 Гц, 3 дБ зрізу, фільтр нульової фази Баттерворта 4-го порядку) навколо ідентифікованих окремих піків частоти. Середньоквадратичне представлення (RMS) сигналу було розраховано в кожній точці вибірки та згладжено за допомогою фільтра ковзного середнього у ковзному вікні 200 мс. Потенційне веретено позначали, якщо амплітуда згладженого середньоквадратичного сигналу перевищувала його середнє значення на 1,5 SD відфільтрованого сигналу протягом 0,5–3 с. Локальні мінімуми та максимуми відфільтрованого сигналу веретена були позначені як піки та спади. Найбільший спад був визначений як час пікового значення веретена. Амплітуда веретена визначалася різницею потенціалів між найбільшим спадом і найбільшим піком. Індивідуальну частоту конкретного шпинделя визначали додаванням кількості всіх спадів і піків і діленням подвоєної тривалості відповідного шпинделя. Веретена з межами ближчими, ніж 0,25 с, зрештою були об'єднані.
2.5.3|Виявлення повільних коливань
Виявлення повільних коливань на фронтальних електродах також базувалося на автоматизованому алгоритмі, реалізованому в Sleeptrip і перевіреному в іншому місці (Ngo et al., 2013). Для всіх періодів NREM попередньо оброблені дані ЕЕГ були відфільтровані на частоті 4 Гц (фільтр нульової фази Баттерворта 6-го порядку). Весь сигнал потім був розділений на негативні та позитивні півхвилі, які були розділені переходами через нуль. Потенційні повільні коливання визначалися як негативна напівхвиля, за якою слідувала позитивна напівхвиля в діапазоні частот від 0,5 до 1 Гц. Амплітуду та частоту повільних коливань обчислювали за допомогою того самого підходу, який використовувався для шпинделів. Передбачувані повільні коливання, що перевищують мінімум в 1,25 рази від середнього мінімуму всіх передбачуваних повільних коливань, а також амплітуду в 1,25 рази більше середньої амплітуди всіх потенційних повільних коливань, були прийняті для подальшого аналізу.
2.5.4|Попередня обробка фМРТ у стані спокою
Файли MRI DICOM були введені в автоматичний конвеєр у GraphICA (BraiNet—Brain Imaging Solution Inc.—Сарнія, Онтаріо, Канада). Анатомічні та функціональні зображення були попередньо оброблені за допомогою FSL 6.03. Етапи попередньої обробки T1-зважених анатомічних зображень включали корекцію поля зміщення (RF/B1-корекція неоднорідності), вилучення мозку, сегментацію за типом тканини (CSF, GM, WM) і підкіркову структуру сегментація. На функціональних даних ми виконали зачистку черепа, корекцію руху, корекцію часу зрізу, просторове згладжування, яке обчислюється на основі розміру вокселя, стелі (1,5 * розмір вокселя), співреєстрацію, автоматичне видалення артефактів руху на основі ICA, високочастотний фільтрація та регресія неприємностей (WM і CSF). Дані не були нормалізовані до еталонного простору, оскільки в наступному аналізі мають бути збережені характеристики природного мозкового простору.
2.5.5|Подвійний регресійний аналіз
Подвійна регресія була використана для ідентифікації суб’єктно-специфічних просторових карт з використанням 11 мережевих масок стану спокою: слухова, мережа режиму за замовчуванням, виконавчий контроль ліворуч, виконавчий контроль справа, гіпокампальна, мова, рельєфність, сенсомоторна, зорова латеральна, візуальна медіа та візуальна Потиличний. Інтенсивність компонентних просторових карт виражали в одиницях відсоткової зміни сигналу від середнього.
2.5.6|Регіональна парцеляція
T{{0}}зважене зображення кожного суб’єкта було автоматично сегментовано за допомогою конвеєра, реалізованого у Freesurfer 7 (v7.1.0, http://surfer.nmr.mgh. harvard.edu/). Подальшу парцеляцію було виконано за допомогою GraphICA з використанням градієнтно-зваженої моделі випадкового поля Маркова, описаної в (Schaefer et al., 2018). Ця парцеляційна модель містить три конкуруючі терміни, які змінюють оптимальні властивості кінцевої сегментації: термін глобальної подібності для групування локацій мозку з подібною інтенсивністю зображення, термін локального градієнта для виявлення різких змін функціонального зв’язку між сусідніми локаціями мозку та термін просторової зв’язності до забезпечити просторову зв'язаність у межах ділянок. Процедура дала 832 розділених ділянки мозку, які були включені як вузли мережі для подальшого аналізу.
2.5.7|Побудова функціональної мережі та порогове визначення
Використовуючи GraphICA, кожен вузловий часовий курс фМРТ співвідносився з часовим курсом IC для трьох мереж у стані спокою окремо. Після спільної реєстрації кожної з мереж функціонального стану спокою для суб’єкта в рідному просторі було розраховано середнє z-значення шляхом усереднення значень скалярної карти вокселя, що належить кожній із 832 досліджуваних областей. Отримані z-стандартизовані коефіцієнти кореляції описують навантаження кожного вузлового ходу часу у відповідній мережі стану спокою. Щоб усунути помилкові або слабкі z-значення, наприклад, через шум, навантаження були встановлені за допомогою підходу моделювання суміші на основі даних на рівні одного суб’єкта (Bielczyk та ін., 2018). Крім того, порогові мережі були зіставлені з мережевими шаблонами, наданими GraphICA, які були отримані з 200 здорових контролів. Лише вузли, знайдені в шаблонах, розглядалися для подальшого аналізу (тобто вузли мережі гіпокампа=74, вузли мережі режиму за замовчуванням=171, вузли правої виконавчої контрольної мережі=164).
2.6|Статистичний аналіз
2.6.1|Аналіз ЕЕГ сну
Статистичний аналіз даних ЕЕГ уві сні проводився за допомогою Matlab R2020b (Mathworks Inc., Sherborn, Massachusetts) з набором інструментів із відкритим кодом Fieldtrip (Oostenveld та ін., 2011) і набором інструментів CircStats (Berens, 2009). Аналіз обмежується каналами Fz для повільних коливань і повільних шпинделів і Cz для швидких шпинделів. Не всі змінні сну, використані в нашому аналізі, мають нормальний розподіл. Усі внутрішньогрупові порівняння характеристик сну та властивостей коливань між сеансом сну після навчання та сеансом контролю сну перевіряли за допомогою непараметричних тестів Wilcoxon Signed-Rank для залежних вибірок. Міжгрупові порівняння змінних сну в алоцентричному та егоцентричному стані були обчислені за допомогою непараметричного U-тесту Манна-Уітні для незалежних вибірок. Для цих тестів повідомлялося про медіанні та квартильні значення змінних. p-значення<.05 was viewed as statistically significant.
2.6.2|Часове співвідношення між виявленими повільними коливаннями та веретенами
Координацію повільних коливань і веретен оцінювали для сну NREM, оскільки зв’язок між веретеном і повільними коливаннями було продемонстровано стабільним на стадії 2 і повільнохвильовому сні (Кокс та ін., 2017), навіть незважаючи на те, що тип повільних коливань відрізняється (K-комплекси проти дельта-хвиль). Загальний часовий зв’язок між повільними коливаннями та подіями веретена розраховувався шляхом визначення частки веретен, центр яких (тобто максимальна западина) відбувався в інтервалі ±1,2 с навколо западини ідентифікованих повільних коливань, і кількість повільних коливань з шпинделі, центр яких знаходився в межах ±1,2 с навколо відповідної западини коливань. Часове вікно ±1,2 с було обрано для покриття одного повного циклу повільних коливань (0,5–1 Гц, тобто 1–2 с). Щоразу, коли два вікна часу повільних коливань перекривалися, вікно, яке було далі від центру шпинделя, було видалено. Точний час повільних коливань і веретеноподібних подій було візуалізовано за допомогою часових гістограм навколо подій (PETH) (рисунок 2b) швидких і повільних центрів веретена (тестові події), що відбувалися в межах часового інтервалу ±1,2 с навколо кожної западини повільних коливань (ціль подія). Імовірності появи початкової події були підсумовані в межах 100 мс і переведені у відсотки. Щоб перевірити часову структуру PETH, ми запровадили процедуру рандомізації, випадково перетасувавши порядок бункерів PETH 1000 разів. Отримані сурогати були усереднені для кожної особи та перевірені на порівняння з початковими PETH за допомогою t-тестів залежних зразків. Контроль для множинних порівнянь був досягнутий за допомогою тестування перестановок на основі кластерів із 5000 перестановками (Maris & Oostenveld, 2007).
2.6.3|Фазовий зв'язок із блокуванням подій
Для перехресно-частотного аналізу з блокуванням подій (Helfrich та ін., 2018) були обрані випробування подій повільних коливань без артефактів по каналу Fz (±3 с навколо максимальної западини повільних коливань), а смуга -прохідна фільтрація в діапазоні частот повільних коливань (0.3–1.25 Гц). Після застосування перетворення Гільберта ми витягли миттєвий фазовий кут з аналітичного сигналу. Ті самі випробування також були відфільтровані смуговим фільтром між 9 і 12,5 Гц (компонент повільних шпинделів) і між 12,5 і 16 Гц (компонент швидких шпинделів), щоб обчислити огинаючу амплітуди з аналітичного сигналу. Ми розглядали лише часовий діапазон від 2 до 2 с, щоб уникнути артефактів країв фільтра. Для кожного суб’єкта, каналу та епохи тепер ми виявили максимальну амплітуду веретена та відповідний фазовий кут повільних коливань. Були розраховані тести Релея, щоб перевірити розподіл фаз на суб’єкта на однорідність. Було визначено середній круговий напрямок і результуючу довжину вектора для всіх подій NREM. PPC використовувався як неупереджений оцінювач узгодженості у фазовому співвідношенні між шпинделями та повільними коливаннями (Vinck та ін., 2012) на основі спектрів Фур’є, ініційованих шпинделем, у часовому вікні від 3,5 до +3,5 с (з кроком 100 мс) і діапазоном повільних коливань від 0,3 до 3 Гц.
Китайська трава цистанка
2.6.4|Частотно-часовий аналіз
Для подальшого опису тимчасового зв’язку між шпинделями та повільними коливаннями ми знову використали попередньо обчислені випробування подій повільних коливань (6-s сегментів). Ці випробування були зіставлені з випадково вибраним сегментом часу без артефактів тривалістю 6 с протягом тієї самої стадії сну, що й відповідне повільне коливання, яке використовується як базові випробування. Для частотно-часового аналізу випробувань з повільними коливаннями та без них ми використовували надмножини (Moca та ін., 2021). Суперлети складаються з серії вейвлетів Морле з однаковою центральною частотою, але з дедалі більш обмеженою смугою пропускання, яка має вищу частотно-часову роздільну здатність, ніж усталені підходи. Зокрема, ми застосували дробове адаптивне суперлет-перетворення (FASLT) до попередньо оброблених даних повільних коливань і базових випробувань між 5 Гц і 20 Гц з кроком 0,25 Гц, з початковим вейвлет-порядком 3 та інтервалом порядку між 5 і 15 ( Барзан та ін., 2021). Частотно-часові представлення випробувань повільних коливань і контрольних випробувань порівнювали для кожного суб’єкта за допомогою t-тестів незалежної вибірки. Отримані t-карти відображають збільшення/зменшення як швидкого, так і повільного діапазону частот шпинделя для випробувань з повільними коливаннями порівняно з випробуваннями без них. Щоб обчислити контрасти всередині суб’єкта, ми склали 100 випадкових наборів проб базового рівня та повільних коливань, зберігаючи при цьому співвідношення стадії 2 до проб повільного сну. T-карти для всіх цих випадкових наборів випробувань були усереднені для кожного суб'єкта. окремо для кожного стану пам’яті t-карти перевіряли на нуль за допомогою кластерного тесту перестановки з 5000 перестановками в часовому вікні від 1,2 до 1,2 с.
2.6.5|Аналіз фМРТ у стані спокою
Дані fMRI трьох мереж у стані спокою були проаналізовані в RStudio 1.4.1103 (RStudio, Inc., Бостон, Массачусетс). Усі аналізи проводились окремо для трьох попередньо вибраних мереж у стані спокою (тобто мережа гіпокампу, мережа режиму за замовчуванням, мережа керування правою виконавчою владою) і ґрунтувалися на нодальних z-значеннях, отриманих для IC, які описують схему підключення у функціональному мережі в стані спокою. Ми дослідили три різні підходи до аналізу даних, включаючи аналіз теорії графів, матриці евклідових відстаней і сингулярне розкладання (SVD), з яких SVD найбільше підходив для поточного набору даних. SVD було виконано на необроблених z-значеннях, щоб точніше охопити початкову організацію мереж у стані спокою. Порогові z-значення сформували m n матрицю даних (m=кількість учасників 4 сесії; n=кількість вузлів). Зокрема, SVD для розріджених матриць було обрано для зменшення розмірності, оскільки порогова матриця даних містила переважно нульові значення. Було виділено дві основні моди на мережу, які разом пояснювали 15–20% дисперсії в даних. Кожен режим можна розуміти як функціональну підмережу в стані спокою на основі дисперсії (див. Відео S1–S4). У результаті SVD ми отримали усереднену низькорангову реконструкцію мереж як наближення рангу r, яке описує просторовий розподіл відповідної підмережі, використовуючи рівняння (2):
де A — вихідна матриця даних, яка апроксимується U, що містить r лівих сингулярних векторів, S, що містить r сингулярних значень, і V, що містить r правих сингулярних векторів. Під час підготовки до статистичного тестування відповідний лівий сингулярний вектор (um, i) масштабувався за його сингулярним значенням (si, i), де i є i-м рядком/стовпцем матриці. Результат (um, I si, i) — це вектор-стовпець, який представляє бали учасників для всіх сеансів у i-й підмережі. Ці значення можна інтерпретувати як силу з’єднання вибраної функціональної підмережі для всіх учасників у різних сеансах і за умовами. Для кожної з двох підмереж отримані бали учасників аналізувалися як залежні змінні за допомогою лінійної моделі зі змішаними ефектами. Модельні предиктори включали стан сну (сон, неспання), сеанс (1–4 або до/після перерви, до/після завдання) і стан пам’яті (алоцентрична, егоцентрична) як фіксовані ефекти. Учасники були змодельовані як випадкові ефекти для чотирьох сеансів у стані спокою. Інформаційний критерій Акаіке (Akaike, 1973), байєсівський інформаційний критерій (Шварц, 1978) і логарифм правдоподібності використовувалися для оцінки відповідності моделі.
3|РЕЗУЛЬТАТИ
3.1|Дизайн дослідження та ефективність пам'яті
У цьому дослідженні використовувалася 1-денна парадигма для перевірки консолідації завдання просторової пам’яті (рис. 1а). Під час фМРТ-сканування учасники виконували ало- або егоцентричне просторове навчання та відновлення пам’яті в попередньо підтвердженому віртуальному аналогу водяного лабіринту для людей (Müller та ін., 2018; Шенфельд та ін., 2017). Детальний опис завдання можна знайти в першій публікації цього набору даних (Саманта та ін., 2021). Коротше кажучи, учасники вільно переміщалися віртуальним островом за допомогою джойстика, щоб досягти фіксованого цільового місця. Під час навчального сеансу розташування було вказано захованою скринькою зі скарбами. Однак під час пошуку учасники отримали вказівки позначити місце розташування скриньки зі скарбами, наскільки їм відомо, без скриньки. Алоцентричні та егоцентричні умови відрізнялися таким чином, що випадково розподілені учасники починали кожне випробування або з тієї самої, або з мінливої вихідної позиції (рис. 1b). Ефективність пам’яті вимірювалася як затримка досягнення цільового розташування з початкової точки. Під час повернення учасники загалом показали кращі результати в егоцентричному стані, ніж в алоцентричному стані, і основний вплив сну на продуктивність пам’яті був значним (рис. 1c; таблиця 1; двосторонній дисперсійний аналіз алло/его F1,62=16 0,78, p < 0,001 і сон/неспання F1,62=3.84, p=0,05). Безпосередньо до та після сеансів навчання та пошуку функціональний зв’язок оцінювався за допомогою фМРТ у стані спокою. Це становить загалом чотири сеанси фМРТ у стані спокою по 9 хвилин кожен. У проміжку між просторовим навчанням і відновленням пам’яті полісомнографія використовувалася для вимірювання архітектури сну (таблиця S1). В експериментальних умовах учасники спали близько 90 хвилин (93,48 ± 1,77, середнє значення ± SEM), тоді як контрольна група дивилася нейтральний фільм протягом такого ж часу. Приблизно через 2 тижні після експерименту учасники у стані сну завершили сеанс контролю сну протягом приблизно 90 хвилин (103,30 ± 2,66, середнє значення ± SEM), який не був відразу після досвіду просторового навчання. Послідовність двох сеансів сну не була збалансована, щоб суб’єкти не бачили умов експерименту під час тестової сесії. Використовуючи подібний дизайн завдань, Genzel, Bäurle та ін. (2014) і Genzel et al. (2012) отримали порівнянну тривалість сну. Однак тут учасники спали значно довше під час сеансу контролю сну, ніж під час сеансу тестування сну (Wilcoxon Sign-Rank Test, z = 2.68, p =.01). Цей ефект сеансу натякає на звикання до лабораторії сну. Відмінність від попередніх досліджень може бути пов’язана з використанням інших лабораторних умов, для Genzel, Bäurle та ін. (2014); Genzel et al., 2012) лабораторія сну (Інститут психіатрії Макса Планка) була визначена як така, тоді як лабораторія сну в Інституті Дондерса — у лабораторії ЕЕГ (і тому менш «домашньою»).
3.2|Властивості сну на тестовому та контрольному сеансах
Було показано, що просторово-часові механізми під час сну NREM консолідують досвід, закодований під час попереднього неспання (Maigret et al., 2016). Вважається, що на системному рівні досвід реактивується в гіпокампо-таламо-кортикальній мережі під час сну для формування довгострокових уявлень про цей досвід. Різні коливання, що беруть участь у консолідації пам’яті, можуть координувати зв’язок між цими структурами мозку (Genzel, 2020; Genzel, Bäurle та ін., 2014). Нас цікавили повільні коливання, а також повільні веретена (9–12,5 Гц) і швидкі веретена (12,5–16 Гц) під час NREM-сну, які можуть відігравати особливу роль у процесі консолідації пам’яті (Genzel & Robertson, 2015). . Відповідно до попередньої топографії цих коливань сну в ЕЕГ людини (Adamczyk et al., 2015), ми зосередили наш аналіз на фронтальних повільних коливаннях і повільних веретенах (тобто канал Fz) і центральних швидких веретенах (тобто канал Cz; дивіться малюнок S3 для топографії сполучення). Щоб зафіксувати конкретні впливи досвіду просторового навчання на архітектуру сну під час сеансу тестування сну, ми порівняли описи сну, а також властивості веретена та повільних коливань (див. Таблицю S1) між сеансами тестування сну та контрольними сеансами. Ми виявили, що учасники спали значно довше під час контрольної сесії порівняно з тестовою. Порівняно з тестовим сеансом, також тривалість швидкого шпинделя була значно вищою в контрольному сеансі (Wilcoxon Sign-Rank Test, z = 2.91, p <.01). Далі ми оцінили, чи може значна різниця в TST між тестовим і контрольним сеансами передбачити цю різницю в тривалості швидкого шпинделя з урахуванням WASO. Однак не було значного впливу TST на відмінності амплітуди швидкого веретена між сеансами сну (множинна лінійна регресія, TST:=0.53, p =.61). Збільшення амплітуди швидкого веретена, подібне до збільшення TST, могло бути наслідком неконтрольованого ефекту звикання лабораторії сну. Тим не менш, ми припустили, що часовий зв'язок коливань сну має вирішальне значення для консолідації пам'яті. У цьому відношенні ми не спостерігали жодних відмінностей між сесіями, як буде представлено нижче.
ФІГУРА 1
3.3|Зв'язок між шпинделем і повільними коливаннями під час тестового та контрольного сеансу
Зв’язок між різкими хвильовими брижами, веретенами та повільними коливаннями може встановити важливе часове вікно для консолідації досвіду навчання (Genzel, Kroes та ін., 2014). Тому ми зосередилися на часовому зв’язку між веретенами та повільними коливаннями, щоб глибше дослідити різницю в мікроархітектурі сну між тестами сну та контрольними сеансами. Спочатку ми обчислили кількість максимальних спадів шпинделів (у %), що відбуваються за один цикл (інтервал ±1,2 с) навколо центру виявлених повільних коливань (рис. 2а). В обох сеансах ми виявили однакову кількість швидких шпинделів, пов’язаних із повільними коливаннями (тест Wilcoxon Sign-Rank, z = 1.14, p =.26) і повільних веретен, пов’язаних із повільними коливаннями (Wilcoxon Тест знакового рангу, z {{10}}.75, p=.45). І навпаки, приблизно однакова кількість повільних коливань була пов’язана зі швидкими шпинделями (тест Wilcoxon Sign-Rank, z=1.02, p=.31) і повільними веретенами (Wilcoxon Sign- Ранговий тест, z {{20}}.10, p=.27) після навчання та під час контролю сну. Ці знахідки свідчать про те, що веретена і повільні коливання однаково пов’язані один з одним. Загалом ми виявили постійний зв’язок між веретеном і повільними коливаннями в обох сеансах сну незалежно від досвіду просторового навчання, проведеного безпосередньо перед сеансом тестування сну. Успішна консолідація пам’яті може залежати від точності зв’язку в десятки або навіть сотні мс (Maigret та ін., 2016; Muehlroth та ін., 2019). Таким чином, ми проаналізували точну координацію веретено–повільне коливання за допомогою PETH (рис. 2b). PETH показує ймовірність виникнення максимальних спадів веретена в часовому вікні ±1,2 с навколо подій повільних коливань у межах 100- мс інтервалів часу. Швидкі веретена виникали одночасно безпосередньо перед і на піку повільних коливань після спаду повільних коливань (перестановки на основі кластерів: знаковий кластер: 400–700 мс у тесті, p < 0,001; 500–800 мс у контролі, p < .001). З іншого боку, повільні веретена збігалися при переході до западини повільних коливань і з нею (перестановки на основі кластерів: обидва знакові кластери від 300 до 100 мс, p < 0,001). Стійкість цього ефекту перевірялася порівняно з еталонним розподілом, отриманим шляхом випадкового перемішування часових позначок шпинделя. Тимчасова специфіка зв’язку між веретеном і повільними коливаннями не відрізнялася протягом двох сеансів сну, що знову свідчить про наявність загального механізму зв’язку, незалежного від досвіду просторового навчання. Попередні результати продемонстрували вищу силу зв’язку між веретеном і повільними коливаннями для молодих людей порівняно з літніми людьми та після навчання грубої моторики (Cross et al., 2020 [препринт]; Helfrich et al., 2018). Нам було цікаво з'ясувати цю узгодженість у фазових співвідношеннях у контексті просторового навчання. Полярні графіки на малюнку 2b показують фазу зв’язку для одного прикладу суб’єкта та всього зразка, обчислену як миттєву фазу повільних коливань (0,3–1,25 Гц) у момент максимальної амплітуди веретена по каналу Fz для повільних веретен (9–12,5 Гц). ) і канал Cz для швидких шпинделів (12,5–16 Гц). Вже на рівні одного суб’єкта можна побачити точний зв’язок між веретеном і повільними коливаннями, який відрізняється для швидких і повільних веретен, але відносно стабільний протягом сеансів сну (див. полярні гістограми, рис. 2b). На груповому рівні більшість швидких веретен відбувалися між 5,76 і 6,28 радіан повільного коливання (тест: 6,03 ± 0,56, контроль: 6,07 ± 0,33, кругове середнє ± стандартне відхилення), тоді як повільні веретена відбувалися між 1,57 і 2,62 радіан повільного коливання. (Тест: 1,89 ± 0,79, контроль: 1,87 ± 0,71, кругове середнє ± SD; рис. 2e). Ці висновки збігаються з часовою координацією між веретенами та повільними коливаннями, показаними на PETH. Щоб оцінити узгодженість цих фазових співвідношень, ми розрахували попарну фазову узгодженість (PPC; див. «Методи та матеріали»). Максимальні значення PPC не відрізнялися ні для швидких, ні для повільних шпинделів між двома сеансами сну (тести Wilcoxon SignRank, швидкий шпиндель max PPC: z=0.451, p=.65, повільний шпиндель: max PPC: z=0.067, p=.95). Крім того, ми спостерігали помітні індивідуальні відмінності в PPC (рис. 2c). Нас цікавило, чи була ця мінливість PPC пов’язана із загальною якістю сну учасника (виміряною за допомогою PSQI), яка не була значущою (лінійна кореляція, швидкі веретена: ρ=0.30, p =). 14, повільні веретена: ρ=0.15, p=.46). Підводячи підсумок, можна сказати, що веретена були послідовно пов’язані з повільними коливаннями з певним фазовим співвідношенням, яке підтверджує попередні висновки в часовій області. Загальні результати сполучення, представлені досі, не відрізнялися між двома сеансами сну. Як описано раніше, ми спостерігали довший загальний час сну в контролі сну, ніж сеанс тестування сну, що могло мати компенсаторний вплив на архітектуру сну, за якою була прихована різниця в зв’язках. Таким чином, ми представляємо наступні результати лише для сеансу тестування сну.
3.4|Потужність повільних коливань шпинделя пов’язана з продуктивністю пам’яті
Встановивши загальну часову та фазову динаміку зв’язку між веретеном і повільними коливаннями під час сеансів сну, ми продовжили аналіз, зосередивши увагу на двох станах пам’яті (алло проти его) під час сеансу тестування сну, оскільки сон може мати чіткий вплив на аллоцентричну проти егоцентричних просторових спогадів. Можливі відмінності між групами перевіряли на %-зчеплення та PPC (рис. 2a,f). Ані ступінь зв’язку веретено–повільне коливання, ані постійність у фазі веретена–повільне коливання суттєво не відрізнялися між групами (U-тест Манна–Уітні, % швидкого веретена: z = 1).12, p =. 27, % повільних шпинделів: z=0.09, p=.93; макс. PPC швидких шпинделів: z=1.742, p=.08, макс. PPC повільні шпинделі: z=0.083, p=.94). Ми далі досліджували цю закономірність, порівнюючи потужність коливань у діапазоні частот шпинделя для сегментів часу з повільними коливаннями та без них (див. «Матеріали та методи»). Випробування повільних коливань були побудовані шляхом епохи ±1,2 с навколо випадково вибраних повільних коливань. У цих випробуваннях потужність у частотному діапазоні веретена справді значно відрізнялася від випадково вибраних інтервалів без повільних коливань (для всіх кластерів t-значення: p < 0,001, рис. 3a). Цей ефект був однаково присутній в обох умовах пам’яті, оскільки карта різниці не містила жодних значних кластерів модуляції (рис. 3a). Підсумовуючи, жодна з метрик зв’язку між веретеном і повільними коливаннями не відрізнялася між умовами пам’яті. Результати також узгоджувалися з незначною взаємодією між типом навчання та сном для аналізу поведінки (див. рис. 1c). Таким чином, ми вирішили згорнути два умови пам’яті, щоб збільшити статистичну потужність для подальшого тестування. Розглядаючи всю вибірку під час тестового сеансу, ми спочатку перевірили, чи не було зв’язком веретена з повільними коливаннями лише випадковим побічним продуктом виникнення подій веретена та повільних коливань. Отриманий рівень зв’язку значно відрізнявся від розподілу випадкової вибірки в 60% вибірки (рис. 3b, тести перестановки: p < 0,05, 1000 ітерацій на учасника). Тим не менш, щоб уникнути втрати статистичної потужності та регресії до середнього значення, ми обчислили модуляції спектральної потужності під час випробувань повільних коливань для всієї вибірки (рис. 3c). Ми виявили, що модуляції потужності під час випробувань повільних коливань суттєво відрізнялися від узгоджених контрольних випробувань у діапазонах частот шпинделя та раніше встановлених інтервалах часу (див. PETHs, рис. 2b). Далі ми провели кореляційний аналіз між різницею потужності повільних коливань і керування (вираженою у t-значеннях) і продуктивністю пам’яті окремо для кожної точки часу та частоти у відповідному кластері шпинделя, витягнутому з t-карти (рис. 3c). Ми виявили суттєві асоціації, перевіряючи на початковому еталонному розподілі кореляції ЕЕГ–поведінка. Таким чином ми могли ідентифікувати значні кореляційні кластери, що представляють зв’язок між продуктивністю пам’яті та специфічним патерном модулювання активності ЕЕГ під час повільного коливання в початковому стані (див. «Матеріали та методи»). Значний кластер негативної кореляції був виявлений для швидких шпинделів (кластер p < 0,01, max r=0,41, p < 0,01, малюнок 3c угорі). Подібним чином ми визначили ще один значний кластер негативної кореляції для повільних шпинделів (кластер p=.02, max r=.38, p=.02, малюнок 3c внизу): більш швидкі- потужність шпинделя та потужність повільного шпинделя під час повільного періоду коливань була пов’язана з кращою продуктивністю пам’яті (тобто меншою затримкою відповіді). Ці ефекти були специфічними для сеансу тестування сну, оскільки їх не можна було спостерігати для кластера швидкого або повільного веретена під час сеансу контролю сну (Малюнок S4). Ми також виконали цей кореляційний аналіз окремо для егоцентричних і алоцентричних груп (рис. S6). У алоцентричній групі ані швидкісна, ані повільна модуляції потужності не корелювали значно з продуктивністю пам’яті. Висновки для егоцентричної групи дуже нагадували ті, що спостерігалися для всієї вибірки. Цікаво, що модуляції потужності повільного шпинделя показали протилежні тенденції в двох групах. Краща продуктивність пам’яті вказує на негативний зв’язок із модуляцією потужності повільного шпинделя для алоцентричної групи (кластер=0.07, макс. r =.50, p =.06, рис. S6 внизу ліворуч). Цей зв’язок був значно позитивним для егоцентричної групи (кластер p=0,03, макс. r=0,61, p=0,02, малюнок S6 внизу праворуч). Однак ми не досліджували цю тенденцію далі, оскільки не вдалося отримати значущих результатів для алоцентричної групи. Підсумовуючи, ми знайшли докази зв’язку між координацією повільних коливань і веретен із продуктивністю пам’яті, яка була специфічною для сну після навчання на відміну від контрольного сеансу сну. Модуляції потужності повільного шпинделя могли бути викликані переважно егоцентричною групою.
МАЛЮНОК 2
3,5|Функціональні мережі в стані спокою змінюються протягом сеансів
Після аналізу ЕЕГ уві сні ми зосередилися на функціональному зв’язку у стані спокою до та після навчання, консолідації та відновлення пам’яті, щоб дослідити консолідацію пам’яті на мережевому рівні між станами спокою. Для цього ми включили дані фМРТ чотирьох сеансів у стані спокою (тобто 1=вихідний рівень, 2=після навчання, 3=після перерви, 4=після відновлення ) в аналіз. Нас особливо цікавила мережа правого виконавчого контролю, мережа режиму за замовчуванням і мережа гіпокампу. Аналіз Task-fMRI цього набору даних Samanta et al. (2021) виявили, що регіони цих мереж змінювали активацію протягом періоду консолідації, коли учасники дрімали, але не коли вони не спали. Таким чином, ми отримали три мережі в стані спокою за допомогою GraphICA (Ribeiro de Paula et al., 2017), інструменту для аналізу мережі в стані спокою. З метою зменшення розмірності ми обчислили основні режими дисперсії для кожної мережі за допомогою SVD (див. «Методи та матеріали»). Нарешті, ми перевірили вплив сеансу, умов сну та стану пам’яті на оцінку кожного учасника в попередньо визначеному режимі. За допомогою цього підходу ми могли визначити (1) скільки функціональних підмереж містилося в кожній мережі та (2) як функціональний зв’язок мереж змінився для будь-якої з наших експериментальних змінних. Для правої виконавчої контрольної мережі ми витягли первинну підмережу, яка була зосереджена в правій нижній тім’яній борозні, правій нижній тім’яній частці та правій дорсолатеральній префронтальній корі. У цій підмережі ми виявили збільшення функціонального зв’язку між виконанням завдань під час сеансів навчання та пошуку (рис. 4a; лінійна модель зі змішаними ефектами, сон/неспання: t62 = 0.747, p =). 46 allo/ego: t62 = 0.477, p=.64, перед перервою/після перерви: t193=1.676, p=.10, pre -завдання/після завдання: t193=2.808, p=.01). Це збільшення було зумовлене зміною від після розриву до після відновлення (t193=2.468, p =.02). Навпаки, підмережа основного режиму за замовчуванням із головним залученням задньої поясної кори головного мозку загалом знизила зв’язок від продуктивності до виконання завдання та після виконання, і її зв’язок був загалом вищим у режимі сну порівняно з станом неспання (Малюнок 4b; лінійні змішані ефекти модель, сон/неспання: t62 = 2.616, p=.01 allo/ego: t62=0.427, p=.67, перед перервою/після -розрив: t193=1.726, p=.08, перед завданням/після завдання: t193 = 2.126, p=.04). Зменшення функціонального зв’язку можна пояснити значною зміною від періоду після розриву до результату після відновлення (t193 = 2.451, p =.017). Однак основний ефект сну не можна пояснити жодною з експериментальних маніпуляцій і міг виникнути випадково (Малюнок S5). Примітно, що первинна підмережа гіпокампу, яка в основному включала гіпокамп і двобічну кору парагіппокампу, показала подібні зміни зв’язку, як мережа правого виконавчого контролю. У цьому випадку ми виявили не лише збільшення функціональної зв’язності до та після виконання завдання, але й збільшення функціональної зв’язності до та після перерви (рис. 4c; лінійна модель зі змішаними ефектами, сон/неспання: t62 = 0). 143, p=.89 allo/ego: t62=0.702, p=.49, перед/після перерви: t193=3.749, p < .001, до/після завдання: t193=4.535, p < .001). Це було відображено значною різницею між початковим рівнем і після навчання (t193=3.586, p <.001), а також після перерви та після пошуку (t193=3.338, p <.001 ). Нарешті, ми перевірили, чи пов’язана зміна функціонального зв’язку після перерви та після отримання у всіх мережах із продуктивністю пам’яті під час отримання. Цей ефект не був значущим для підмережі правого виконавчого контролю (лінійна регресія,=0.016, p =.90), підмережі режиму за замовчуванням (лінійна регресія,=0.655, p=.43), або підмережу гіпокампу (лінійна регресія,=0.596, p=.44). Загалом, ми послідовно отримували ефект до та після виконання завдання у всіх трьох підмережах, зі збільшенням виконавчого контролю та мережі гіпокампу та зменшенням мережі режиму за замовчуванням. Лише гіпокампальна підмережа збільшила зв’язок до та після перерви, а основний ефект сну спостерігався для мережі режиму за замовчуванням. Як було показано в нашому аналізі сну, фактор пам’яті (алло проти его) не вплинув на зміни в мережах стану спокою.
МАЛЮНОК 3
МАЛЮНОК 4
3.6|Гіппокампальна підмережа, залежна від сну, і швидке веретено-повільне коливання
З аналізу, проведеного Samanta et al. (2021), очевидно, що активація прекунеуса/ретроспленіальної кори зменшується після сну, але не тоді, коли учасники не спали протягом періоду консолідації. Подібним чином ми витягли другу функціональну підмережу мережі гіпокампу, зосереджену на двосторонній ретроспленіальній корі та двосторонній мигдалині (Малюнок 5а вгорі). Ми ідентифікували цю підмережу на основі факторизації SVD, використовуючи критерій спектру сингулярних значень (див. «Методи та матеріали»). Тут ми також досліджували, як сеанси, умови сну та пам’яті вплинули на результати учасників у цьому другому режимі. На відміну від основних ефектів завдання та перерви, виявлених для інших мереж, тепер ми спостерігали взаємодію між сеансом і умовами сну (лінійна модель зі змішаними ефектами, сеанс * взаємодія сну t191=2.086, p {{5} } .04). Здавалося, що функціональний зв’язок підмережі зменшився лише для учасників, які подрімали під час періоду консолідації. Цей ефект залишався, коли порівнювали зміни від сеансів після навчання до сеансів лише після перерви (t-критерій парної вибірки, t95=2.3971, p =.02). Таким чином, ми також обчислили значення різниці від одного сеансу до наступного та перевірили, чи вони суттєво відрізнялися від 0. Значна зміна відбулася лише для групи сну від періоду після тренування до періоду після перерви (t26 = 3).17, p=.01), це не було помічено для групи пробудження (t38 = 1.363, p=.18). Таким чином, нас цікавило, чи пов’язане це зменшення зв’язку між сеансами після навчання та після перерви в стані сну зі зв’язком веретена–повільних коливань, описаним раніше (див. Малюнок 3c). Знову було проведено кореляційний аналіз, але цього разу для різниці в потужності контролю повільних коливань (вираженої у t-значеннях) і оцінки змін у підмережі гіпокампу між сеансами після навчання та після перерви. Кореляції були обчислені для кожної точки час-частота у відповідних кластерах шпинделя, витягнутих з t-карти. Значний кластер негативної кореляції був виявлений для швидких шпинделів (кластер: p < 0,001, максимальний піксель: ρ = 0 0,38, p < 0,01; рис. 5b, угорі) і для повільних веретен (кластер: p {{ 39}} .02, ρ = 0.30, p=.03): вища потужність веретена під час повільного коливання в початковому стані була пов’язана з більшим зниженням функціонального зв’язку підмережі гіпокампа під час сну . Кластери частково перекривалися з кластерами кореляції значущих відповідей, представленими раніше (див. Малюнок 3c). Ці знахідки свідчать про зв’язок між координацією повільних коливань і веретен і зниженням зв’язності в підмережі гіпокампу. Вони збігаються з результатами, отриманими для потужності та поведінки зв’язку між веретеном і повільними коливаннями. Таким чином, ми прагнули встановити тріадний зв’язок між оцінкою зміни в цій підмережі гіпокампу, зв’язком веретена–повільних коливань і продуктивністю пам’яті. Ми регресували оцінку зміни мереж у режимі сну на продуктивність пам’яті під час отримання. Однак зниження зв’язності в підмережі гіпокампу не суттєво передбачало поведінку (лінійна регресія,=0.01, p =.94). Підводячи підсумок, ми виявили підмережу гіпокампу, яка зменшувала функціональний зв’язок під час сеансів у стані спокою для учасників, які задрімали. Функціональний зв’язок залишався в основному стабільним для тих учасників, які не спали. Цей ефект не відрізнявся між двома умовами пам’яті. Зменшення функціонального зв’язку від періоду після навчання до моменту перерви було позитивно пов’язане зі зв’язком веретена–повільних коливань під час сну. Таким чином, ми передбачали, що ця зміна підключення буде корелятом консолідації пам’яті. Однак, на відміну від потужності зв’язку між веретеном і повільними коливаннями (див. Малюнок 3c), залежне від сну зниження зв’язку в другій підмережі гіпокампу не передбачало продуктивності пам’яті під час пошуку.
МАЛЮНОК 5
4|ДИСКУСІЯ
У цьому дослідженні використовували фМРТ у стані спокою та дані ЕЕГ уві сні, щоб дослідити консолідацію просторової пам’яті під час сну або того самого періоду неспання. Суб’єкти вивчали місце цілі у віртуальному водяному лабіринті з різними початковими локаціями (алоцентрична група) або з однаковою початковою локацією (егоцентрична група). Аналіз ЕЕГ уві сні був зосереджений на зв’язку між веретеном і повільними коливаннями, розділяючи веретена на швидкі та повільні підтипи. ФМРТ у стані спокою була зосереджена на змінах зв’язку в рамках раніше визначених мереж. Ми могли б показати, що зв’язок між веретеном і повільними коливаннями позитивно корелює з продуктивністю пам’яті після сну, а також зі зниженням зв’язку у функціональній мережі гіпокампу, включаючи ретроспленіальну кору. Це зниження зв’язку не було помічено в групі, яка не спала. Пов’язане із завданням збільшення зв’язку спостерігалося в мережі виконавчого контролю та іншій мережі гіпокампу, тоді як у мережі стандартного режиму було виявлено зниження. Ці зміни не були специфічними для групи сну, але спостерігалися в усіх учасників. Ми відтворили попередні висновки зв’язку коливань, показавши, що повільні веретена вкладаються в період переходу від повільних коливань до нижнього стану, а швидкі веретена часто виникають безпосередньо перед повільним коливанням підйому. Ми не виявили різниці у зв’язку між веретеном і повільними коливаннями між аллоцентричними та егоцентричними тренінговими групами. Точна координація між шпинделями та повільними коливаннями послідовно спостерігалася в часовій, фазовій та частотно-часовій областях. Дивно, але ці ефекти не відрізнялися між сеансом тестування сну, який слідував відразу за досвідом просторового навчання, і сеансом контролю сну, де не було явного навчання заздалегідь. Те, що ми не спостерігали різниці між сеансами сну, швидше за все, пов’язано з методологічними обмеженнями дизайну дослідження — контрольний сон завжди був другим сном, — оскільки також спостерігалася різниця в загальному тривалості сну. Аналіз фМРТ у стані спокою був зосереджений на мережі гіпокампа, мережі режиму за замовчуванням і мережі правого виконавчого контролю. Ці мережі були визначені та пізніше розділені на підмережі за допомогою підходу, керованого даними. Ми виявили зміни в усьому мозку під час сеансів у стані спокою, які збігалися з нашими попередніми висновками в аналізі активності (Саманта та ін., 2021). Пов’язані із завданням зміни зв’язку в мережі стандартного режиму (зменшення зв’язку) на відміну від змін у правій мережі виконавчого контролю (збільшення зв’язку). Цікаво, що мережу гіпокампу можна розділити на дві підмережі: первинну функціональну підмережу, зосереджену на гіпокампі та парагіппокампальній корі, і другу функціональну підмережу з ретроспленіальною корою головного мозку як центральною областю. Функціональний зв’язок у первинній підмережі гіпокампу збільшився до та після виконання завдання та до та після перерви. Функціональний зв’язок у другій підмережі гіпокампу зменшився під час чотирьох сеансів у стані спокою — найбільш помітно під час перерви для сну — лише для учасників, які спали під час перерви, але не для тих, хто не спав. Як і наші результати аналізу поведінки та сну, умови пам’яті (алло проти его) не вплинули на зміни в жодній із цих мереж. Наші висновки свідчать про зміни зв’язків у функціональних мережах, пов’язані із завданнями та консолідацією, які можуть бути пов’язані з повторною активацією пам’яті.
Нарешті, ми мали на меті зв’язати наші результати ЕЕГ уві сні зі змінами зв’язку у стані спокою та продуктивності пам’яті. Зв’язок між веретеном і повільними коливаннями був позитивно пов’язаний із залежними від сну змінами у другій підмережі гіпокампа та продуктивністю пам’яті. Це було специфічно для сну після навчання і не спостерігалося під час контрольного сеансу сну. У сукупності точний зв’язок між веретеном і повільними коливаннями, здається, має поведінкову релевантність і потенційно має функціональне значення для консолідації пам’яті. Цей зв'язок може бути механізмом, за допомогою якого функціональний зв'язок у мережі гіпокампу модулюється під час консолідації пам'яті.
4.1|Зміни підключення в мережах у стані спокою
Загалом було показано, що завдання можуть впливати на активність мозку у стані спокою після виконання завдання (Lewis et al., 2009). Наприклад, модуляція залежної від навчання спонтанної активності мозку після виконання завдання спостерігалася для когнітивних завдань, що включають оперативну пам’ять, емоції та рухову підготовку (Lewis et al., 2009). Таку модуляцію ділянок мозку, пов’язану з попереднім завданням, можна розуміти як форму консолідації стану спокою, можливо, залучаючи подібні механізми, як пов’язана зі сном консолідація пам’яті (Tambini & Davachi, 2019). Аналіз підключення в стані спокою базується на кореляції різних вокселів у мережі. Повторна активація нейронної пам’яті та зміцнення мереж пам’яті повинні призвести до посилення коактивації мережі пам’яті, що, отже, може потенційно збільшити внутрішньомережевий зв’язок, як ми вимірюємо тут. Таким чином, можна інтерпретувати наші результати як зміни в реактиваціях, які відбуваються під час стану спокою. Ми показуємо протилежні зміни у виконавчому контролі та основній мережі гіпокампу на відміну від продуктивності мережі в режимі за замовчуванням до та після виконання завдання. Виконавчий контроль і мережа гіпокампу збільшилися, тоді як мережа режиму за замовчуванням зменшилася у функціональному зв’язку. Якщо ці зміни зв’язку викликані повторними активаціями, результати вказуватимуть на те, що після виконання завдання відбувається більше повторних активацій як у виконавчій контрольній мережі, так і в гіпокампі. Ми також продемонстрували специфічне для сну зниження зв’язності у другій мережі гіпокампу, включаючи ретроспленіальну кору. Потенційно ця мережа може бути сполучною ланкою між гіпокампом і нижчими ділянками, такими як тім’яна кора, яка є частиною виконавчої контрольної мережі (Genzel, 2020). Таким чином, зменшення зв’язності в цій мережі вказує на те, що реактивації, що відбуваються в мережі виконавчого контролю та гіпокампі, є більш незалежними один від одного після сну. Навпаки, після пробудження, коли немає такого зниження зв’язності, реактивації в корі головного мозку та гіпокампі все ще будуть пов’язані. Раніше було запропоновано, що коли консолідація від гіпокампу до кори прогресує, реактивація в корі відбувається незалежно від реактивації гіпокампу. Наші результати можуть потенційно підтвердити цю ідею. Однак вимірювання стану спокою всередині мережі є дуже непрямим, і тому цей висновок слід підтвердити більш прямими вимірюваннями, такими як одночасні записи нейронів гіпокампа та кори головного мозку у гризунів.
4.2|Зміни, пов'язані із завданням, у правій виконавчій системі управління та режимі мережі за замовчуванням
Наші висновки узгоджуються з завданням аналізу цього набору даних, виконаного Самантою та ін. (2021). Вимірюючи зміни активності BOLD під час сеансів навчання та пошуку, поки учасники виконували завдання, ми спостерігали збільшення пов’язаного зі сном регіонів виконавчого контролю та зменшення регіонів режиму за замовчуванням. У поточному аналізі ми спостерігали збільшення внутрішньомережевого підключення для мережі виконавчого керування та зменшення в мережі режиму за замовчуванням протягом різних сеансів стану спокою. Слід зазначити, що поточні результати не є специфічними для стану сну на відміну від результатів аналізу активності Samanta et al. Ця розбіжність може бути спричинена різними підходами до аналізу. Саманта та ін. (2021) досліджували зміни у відповіді BOLD, але не функціональне підключення, для двох мереж окремо. Їхній аналіз функціонального зв’язку був побудований на основі початкового підходу, який перевіряв взаємодію між заздалегідь визначеним центром виконавчої контрольної мережі та рештою мозку. На відміну від цього, ми використовували незалежний аналіз компонентів для визначення наших мереж без попередніх припущень і оцінювали функціональні зміни підключення лише в кожній із цих мереж. Ці методологічні відмінності могли сприяти різним результатам двох аналізів. Вважається, що мережа виконавчого контролю розподіляє увагу між зорово-просторовими завданнями та бере участь у цілеспрямованій поведінці та навігації. Зокрема, задня тім’яна кора служить кортикальним інтеграційним місцем для алоцентричної просторової інформації, створеної гіпокампом, і егоцентричної просторової орієнтації для спрямування цілеспрямованої навігації (Nitz, 2012; Whitlock et al., 2008). Крім того, є докази послідовного відтворення або шаблонної реактивації ділянок мозку під час відпочинку після виконання завдання, які беруть участь у кодуванні попереднього досвіду (Hoffman & McNaughton, 2002; Staresina et al., 2013). У сукупності докази центральної ролі тім’яної кори в просторовій навігації та відтворенні під час відпочинку після виконання завдань у релевантних для завдання областях мозку збігаються з нашими висновками. Ми спостерігали посилення функціонального зв’язку в системі контролю правої виконавчої влади, зосередженій на нижній задній тім’яній частці та борозні в стані спокою від виконання до виконання завдання до виконання. Ранні дослідження нейровізуалізації визначили мережу в режимі за замовчуванням як мережу, що не відповідає завданням, у якій зменшується функціональний зв’язок під час виконання завдання порівняно зі станом спокою (Buckner et al., 2008). Однак, використовуючи міри теорії графів, Lin et al. (2017) надали тимчасово дозволене подання динаміки мережі в режимі за замовчуванням під час відпочинку перед виконанням завдання, виконання завдання та відпочинку після виконання завдання. Вони виявили зниження ефективності, міри функціональної інтеграції, у мережі режиму за замовчуванням під час відпочинку після виконання завдання порівняно з відпочинком до виконання завдання. Глобальна ефективність знизилася у всій мережі, а локальна ефективність зменшилася саме в задній частині поясної кори. Наші результати також демонструють, що мережа режиму за замовчуванням зі значним впливом задньої частини поясної кори головного мозку зменшує функціональний зв’язок від відпочинку до виконання завдання та після нього. Слід зазначити, що в результаті аналізу незалежних компонентів (ICA) і процедури зіставлення шаблонів задня кора поясної частини головного мозку, префронтальна кора головного мозку та латеральна задня тім’яна кора головного мозку зробили найбільший внесок у підключення до мережі за замовчуванням. Попередні дослідження, зокрема Samanta et al. (2021), також розглянули функціональні центри гіпокампу та ретроспленіальної кори в цій мережі (Greicius та ін., 2003; Вінсент та ін., 2006). Було запропоновано, що разом усі ці регіони утворюють мережу пам’яті, в якій інформація передається від гіпокампу через префронтальну та ретроспленіальну кору до нижніх тім’яних областей під час консолідації (Genzel, 2020). Однак у нашому дослідженні гіпокамп і ретроспленіальна кора головного мозку були переважно частиною окремої мережі гіпокампу. Таким чином, кілька знахідок у нашому дослідженні, які раніше були віднесені до мережі режиму за замовчуванням, тут обговорюються окремо для мережі гіпокампу, включаючи гіпокамп, області скроневої частки та ретроспленіальну кору. Наш конвеєр обробки фМРТ базувався на ICA, яка створювала максимально незалежні просторові мережі. Таким чином, ми не змогли перевірити взаємодію між функціональними мережами в стані спокою. Тим не менш, протилежні тенденції у функціональному зв’язку мереж правого виконавчого контролю та режиму за замовчуванням вказують на той самий напрямок, що й попередні дослідження. Було показано, що протилежні зсуви між мережею режиму за замовчуванням і мережею виконавчого контролю полегшують перехід між відпочинком і концентрацією уваги (Goulden та ін., 2014; Menon & Uddin, 2010). Ця передача передбачає перерозподіл ресурсів у мозку для підтримки пов’язаної зі стимулом когнітивної обробки. Виходячи з наших спостережень, антагонізм у функціональному зв’язку між двома мережами може бути присутнім не тільки від стану до переходу між завданнями, але й зберігається навіть під час відпочинку після виконання завдання і, таким чином, може відображати офлайн-координацію відповідних областей для посилення закодованого досвіду.
4.3|Роль мережі гіпокампа в консолідації пам'яті
За допомогою SVD ми змогли ідентифікувати дві функціонально значущі підмережі в гіпокампальній мережі, одну гіпокампальную підмережу, зосереджену на гіпокампі та парагіппокампальній корі, і другу гіпокампальну підмережу, яка в основному включає ретроспленіальну кору. Ці підмережі показали чіткі зміни функціонального зв’язку протягом чотирьох сеансів фМРТ у стані спокою. Основна гіпокампальна підмережа зросла у функціональному зв’язку після виконання завдань під час сеансів навчання та пошуку. Цей висновок може лежати в основі аналогічної консолідації стану спокою, як описано для мережі виконавчого контролю. Часто було показано, що гіпокамп як початкове місце зберігання пам’яті викликає повторну активацію, що призводить до кращої роботи пам’яті після відпочинку (Dupret et al., 2010). Ми також спостерігали збільшення функціонального зв’язку після 90-хвилинної перерви для цієї підмережі. На перший погляд, це збільшення протягом періоду консолідації здається суперечливим запропонованим механізмам консолідації систем (Squire та ін., 2015). Натомість можна очікувати зменшення участі гіпокампу після періоду консолідації. Однак слід пам’ятати, що поточний показник – це не активність як така, а натомість у межах підключення до мережі, і наш період консолідації був обмежений 90 хвилинами. Друга підмережа гіпокампу в основному включала ретроспленіальну кору, а також медіальну скроневу область. У літературі гіпокамп, області скроневої частки та ретроспленіальну кору часто розглядають як частину мережі стандартного режиму, оскільки вони демонструють сильну когерентність під час відпочинку (Greicius та ін., 2003; Вінсент та ін., 2006). Проте нещодавно було ідентифіковано «медіальну тимчасову» підмережу, у якої зниження зв’язності через сон було пов’язане з підвищенням продуктивності просторової пам’яті (Barnett et al., 2021; van Buuren et al., 2019). Основні області цієї мережі включають медіальну скроневу частку та ретроспленіальну кору. Ці структури відповідають нашій другій підмережі гіпокампу. Отже, наша друга гіпокампальна підмережа може відігравати унікальну роль у консолідації пам’яті (de Sousa та ін., 2019; van Buuren та ін., 2019). Функціонально друга підмережа гіпокампу зменшилась у з’єднанні протягом чотирьох сеансів у стані спокою, але лише для учасників у стані сну. Медіальна скронева частка та ретроспленіальна кора були названі релевантними для просторової навігації в моделях людей та гризунів (Epstein та ін., 2017; Peigneux та ін., 2004). Ці області функціонально модулюються під час сну з поступовим роз’єднанням під час глибокого сну (Spoormaker et al., 2010). Таким чином, друга підмережа гіпокампа може координувати механізми консолідації в усьому мозку, що включає активність повільних коливань веретена під час сну (Cowan та ін., 2020; Navarro-Lobato & Genzel, 2020). Дійсно, ми показуємо, що наша друга гіпокампальна підмережа, зосереджена на ретроспленіальній корі, значно модулюється сном і позитивно пов’язана з потужністю зв’язку між веретеном і повільними коливаннями, яка також передбачила продуктивність пам’яті. Поєднання брижів, веретен і повільних коливань може бути механізмом, за допомогою якого спогади консолідуються під час сну від початкового сховища гіпокампа до нижніх областей, таких як задня тім’яна кора, через ретроспленіальну кору (Genzel, 2020; Hennies et al. , 2016). Наша друга гіпокампальна підмережа може бути нейронним субстратом, через який сон справляє свій сприятливий вплив на консолідацію пам’яті, на додаток до загальної форми консолідації в первинній гіпокампальній підмережі, про яку говорилося раніше. Підводячи підсумок, ми показуємо, що моделі функціонального зв’язку в мозку, які лежать в основі консолідації спогадів, можуть бути не просто обмежені встановленими мережами стану спокою. Використовуючи підхід, керований даними, ми визначили підмережі на основі відхилень. Зокрема, ми диференціювали мережу гіпокампу на незалежний від сну компонент, орієнтований на гіпокамп, і ретроспленіально-центрований компонент, залежний від сну. Обидві ці мережі можуть брати участь у консолідації просторової пам’яті. Тим не менш, лише друга підмережа гіпокампа може лежати в основі сприятливого впливу сну на формування пам’яті, як показано її зв’язком із потужністю зв’язку між веретеном і повільними коливаннями, яка передбачила продуктивність пам’яті. Наші висновки дають більш точне уявлення про мережу гіпокампа в консолідації пам’яті, у якій її функціональний зв’язок у стані спокою змінюється по-різному при навчанні, консолідації та відновленні завдання просторової пам’яті в 1-денній парадигмі.
