A memória újraaktiválása tanulás közben egyidejűleg elősegíti a Dentate Gyrus/CA2,3 minta differenciálódását és a CA1 memória integrációját

Kapcsolat: Audrey Huaudrey.hu@wecistanche.com

A korábbi tapasztalatokkal átfedésben lévő események kiválthatják a meglévő emlékek újraaktiválását. Az ilyen újraaktiválásnak azonban különböző reprezentációs következményei lehetnek a hippocampális körön belül. A hippocampális funkcióra vonatkozó számítási elméletek azt sugallják, hogy a gyrus fogazata és a CA2,3 (DG/CA2,3) torzítanak a nagyon hasonló emlékek megkülönböztetésére, míg a CA1 integrálhatja a kapcsolódó eseményeket azáltal, hogy átfedő neurális kódokkal ábrázolja őket. Itt azt teszteltük, hogy a differenciált vagy integrált reprezentációk kialakulása a hippocampális részmezőkben függ-e a memória-reaktiválás erősségétől a tanulás során. Mindkét nem humán résztvevői asszociációkat tanultak (AB-párok, akár arcforma, akár jelenetforma), majd fMRI-vizsgálaton estek át, miközben átfedő asszociációkat kódoltak (BC forma-objektum párok). Mind a tanulás előtt, mind után a résztvevőket szkennelték, miközben az átfedő emlékek közvetetten kapcsolódó elemeit (A és C képek) elszigetelten nézték meg. Többváltozós mintázatelemzést alkalmaztunk a kezdeti páros emlékek (A elemek) reaktivációjának mérésére az átfedő páros (BC) tanulás során, valamint a hippocampális almezőkben a közvetetten kapcsolódó memóriaelemek tanulással kapcsolatos reprezentációs változásait. Amikor a korábbi emlékek erősen újraaktiválódtak az átfedő páros kódolás során, a DG/CA2,3 és a közvetetten kapcsolódó képek (A és C) szubikulum-reprezentációi kevésbé hasonlítottak egymáshoz, összhangban a minta-differenciálással. Ugyanakkor az új tanulás során a memória reaktiválása elősegítette a CA1 integrációját, ahol a közvetetten kapcsolódó memóriaelemek reprezentációi a tanulás után hasonlóbbá váltak. Ezenkívül a memória újraaktiválása és a szubikulum ábrázolása gyorsabb és pontosabb következtetési (AC) döntéseket jósol. Ezek az adatok azt mutatják, hogy a kapcsolódó emlékek újbóli aktiválása az új tanulás során disszociálható kódolási stratégiákhoz vezet a hippocampális részmezőkben, összhangban a számítási elméletekkel.

Kulcsszavak: asszociatív memória; epizodikus memória; nagy felbontású fMRI; hippocampalis almező; minta elválasztás

A CISTANCHE HATÁSAI: JAVÍTJA MEMÓRIÁT

Bevezetés

A hippokampusz több almezőből áll, amelyek hozzájárulnak a memória feldolgozásához és reprezentációjához. A számítási modellek azt sugallják, hogy a gyrus fogazat és a CA2,3 (DG/CA2,3) anatómiai tulajdonságai ideálissá teszik ezeket az almezőket a minták szétválasztására, vagy a nagyon hasonló kérgi bemenetek automatikus ortogonalizálására ritka tüzeléssel (Marr, 1971; Schapiro et al. ., 2017). Ezzel szemben a CA1 jellemzőiről azt javasolták, hogy közvetítsék a memória integrációját vagy átfedő reprezentációk kialakítását, amelyek kódolják a kapcsolódó epizódok közös jellemzőit (Eichenbaum és mtsai, 1999; Schlichting és Preston, 2015; Schapiro és mtsai, 2017). Az elektrofiziológiai kutatások ilyen reprezentációs disszociációkat mutatnak be az almezők között: a DG/CA2,3 együttesek különálló tüzelési mintázatokat váltanak ki, csak kis mértékben változnak a környezet észlelési jellemzőiben, míg a CA1 aktivitási mintázatai fokozatosan változnak, ahogy a környezet észlelési szempontból elkülönül (Leutgeb et al., 2004, 2007). Az embereken végzett párhuzamos munka azt mutatta, hogy a DG/CA2,3 aktiválásában bekövetkezett változások megkülönböztetik a nagyon hasonló tárgyképeket vagy a hasonló kontextussal rendelkező objektumokat, míg a CA1 válaszok nem (Bakker et al., 2008; Lacy et al., 2011; Dimsdale -Zucker et al., 2018). A subiculum, a hippocampális áramkör kimeneti struktúrája (O'Mara és mtsai, 2001) egyaránt hozzájárulhat a mintázatok differenciálódásához (Potvin et al., 2009) és az integrációhoz (Schapiro et al., 2012).

1. ábra Kísérleti terv. A viselkedési feladat vázlata. A résztvevők először egyénileg bemutatott képeket (arcokat, jeleneteket és újszerű tárgyakat) láthattak, amelyek később az asszociatív tanulás révén közvetetten kapcsolódnak egymáshoz (A és C tételek). Ezután a résztvevők megtanulták társítani a kezdeti párokat (arc-alakzat vagy jelenet-alakzat AB asszociáció), és átfedő párokat (alak-objektum BC asszociációkat) tanultak. A résztvevőket az expozíció utáni fázisban ismét szkennelték, miközben ugyanazokat az elemeket nézték meg az előzetes expozícióból (A és C elemek). A résztvevők ezután egy epizódokon átívelő következtetési feladatot hajtottak végre. Végül a résztvevők elvégeztek egy lokalizációs feladatot, amelyben egyedileg bemutatott arcokat, jeleneteket, tárgyakat és formákat néztek meg blokkolt tervben. B, Vizuális hasonlóság manipuláció. A megosztott B elem hasonlóságát a párok között parametrikusan manipulálták. Ebben a példában a felső alakzat a kezdeti AB-párokban volt látható, míg az alsó sor azokat a különböző alakzatokat képviseli, amelyek az átfedő BC-párok megtanulásakor láthatók. Az átfedő párok tanulása során bemutatott összekapcsoló B elem lehet pontos egyezés a kezdeti (AB) páros tanulás során bemutatott B elemmel, nagy hasonlóságú vagy alacsony hasonlóságú morfium, vagy egy új (vagyis nem átfedő) elem. C, A villogó elemekhez használt alakingerek szubjektív hasonlósága. A résztvevők független mintája egy 5 pontos Likert-skála segítségével értékelte a szülőalakzatok és az egymás mellett bemutatott alakzatok közötti vizuális hasonlóságot (1=egyáltalán nem hasonló, 5=nagyon hasonló). pp, 0.05 (páros t-próbák). A hibasávok 6 SEM-et jeleznek.

Az ilyen korábbi munkák azonban nem vették figyelembe, hogy a memória újraaktiválása hogyan hajtja végre a disszociálható reprezentációs stratégiákat a hippokampuszon belül, lehetővé téve a reprezentáció tanulását, hogy túlmutasson a külső szenzoros bemenet és a memóriakimenet közötti egyszerű átalakításon. A klasszikus számítógépes tanulási modellek azt javasolják, hogy a memóriareprezentációknak a környezeti jelzésekre adott válaszként a valószínű kimenetelek előrejelzéséhez kell igazodniuk, az integráció pedig akkor következik be, amikor az ingerek ugyanazt az eredményt jósolják, és a differenciálódás, ha az ingerek eltérő eredményeket jósolnak (Rumelhart et al., 1986). A legújabb fMRI-leletek azonban azt mutatják, hogy differenciálódás akkor is előfordulhat, ha az ingereknek közös asszociációjuk vagy kimenetelük van (Schlichting et al., 2015; Favila és mtsai, 2016; Zeithamova és mtsai, 2018). Ezekben a vizsgálatokban a hippocampális reprezentációk jobban elkülönültek a közös kimenetelű ingerek esetében, mint a különböző kimenetelű ingerek esetében. Ez a különbségtétel nem magyarázható a külső bemenet automatikus szétválasztásával a DG/CA2,3 ritka kódolásával; egy újabb elméleti perspektíva inkább azt sugallja, hogy az emlékezet újraaktiválása lehet a magyarázata annak, hogy a hippocampális reprezentációk hogyan változnak az események átfedése esetén (Ritvo et al., 2019).

Ezen elmélet szerint az optimális tanulás csökkenti az emlékek közötti versengést a differenciálás vagy az integráció révén (Ritvo et al., 2019). Bár a környezetben tapasztalható érzékszervi átfedés minden bizonnyal az egyik olyan tényező, amely ösztönözheti a kétértelműséget csökkentő optimális reprezentációk kialakulását (Leutgeb és mtsai, 2004, 2007; Lacy és mtsai, 2011; Yassa és Stark, 2011), ami lényegesebb lehet. az, hogy az átfedő szenzoros bemenetek hogyan idézik elő a versengő emlékek újraaktiválását. Az újraaktivált emlékek sokkal inkább a tanulás „célpontjai”, mint az újraaktiválást kiváltó szenzoros jellemzők. Így jelen tanulmányban túlléptünk azon, hogy az észlelési hasonlóságot a hippocampális reprezentációk egyetlen mozgatórugójának tekintjük, és megvizsgáltuk, hogy a kapcsolódó emlékek tanulás közbeni újraaktiválása a kéregben disszociálható almező kódolást eredményez-e. Feltételeztük, hogy a memória reaktivációját az események tanulási hasonlósága modulálja (Vieweg et al., 2015), és így ez lehet a kulcsfontosságú tényező a hippocampális almezők hasonló eseményeinél megfigyelt reprezentációs átfedés mértékében (Ritvo et al., 2019). Feltételeztük azt is, hogy az integráció és a differenciálódás nem kölcsönösen kizáró következmények a memória reaktiválására adott válaszként, hanem az újraaktiválás ehelyett a DG/CA2,3 és CA1 komplementer differenciált és integrált reprezentációinak egyidejű kialakulásához vezet.

Ezen előrejelzések teszteléséhez egy asszociatív következtetési feladatban paraméteresen manipuláltuk az átfedő események észlelési hasonlóságát (1. ábra). A résztvevők a kezdeti párokat tanulmányozták, és nagy felbontású fMRI-vel szkennelték őket, miközben átfedő párokat tanultak. Teszteltük a tanult párok memóriáját és a párok közötti közvetett kapcsolatokra vonatkozó kikövetkeztetett tudást, a következtetési teljesítmény pedig az integráció viselkedési indexeként szolgált (Shohamy és Wagner, 2008; Zeithamova és mtsai, 2012). Kritikusan számszerűsítettük, hogy a memória újraaktiválása az átfedő események tanulása során hogyan befolyásolta a hippocampális részmező reprezentációját

A CISTANCHE KIEGÉSZÍTŐ HATÁSAI: JAVÍTJA A MEMÓRIÁT

Anyagok és metódusok

Résztvevők Harminckét jobbkezes személy (15 nő, életkor: 18-31 év, átlagosan=21,5 év) vett részt, miután beleegyezését adta a University of Institutional Review Board által jóváhagyott protokollnak megfelelően. Texasban Austinban. A résztvevők 25 USD/óra kompenzációt kaptak. 6 résztvevő adatait kizártuk az elemzésből: 2 résztvevő túlzott fejmozgás miatt, 1 résztvevő, aki visszalépett a kísérletből, 2 résztvevő, akinek nem volt teljes szkennelési munkamenete (az expozíció utáni és/vagy lokalizációs fázist nem szkennelték), és 1 résztvevőt képi műtermékek a funkcionális szkennelésekben, amelyek kizárták az előexponálás és a lokalizációs fázis elemzését. A többi résztvevőt (n=26, 14 nő) bevontuk az elemzésekbe. A végső mintánkat hasonló paradigmákat és elemzési megközelítéseket alkalmazó kapcsolódó tanulmányok alapján határoztuk meg (Zeithamova et al., 2012; Schlichting et al., 2015; Dimsdale-Zucker et al., 2018). Ezen túlmenően ez a mintanagyság 0,99 becsült statisztikai teljesítményt adott a vizuális hasonlóság hatásának kimutatására az epizódok közötti következtetések pontosságára a résztvevők egy külön csoportjától származó kísérleti adatok alapján (n=30, 22 nő, { éves) {23}} év, átlagosan=18,9 év; ismételt mérésű ANOVA, amely részleges h négyzetet (h2 )=0,280) eredményez.

Az ingerek 58 ismeretlen arc (félig férfi, fele nő, csupa fehér), 58 ismeretlen jelenet (félig természetes, félig ember alkotta), 671 MATLAB-ban generált fekete alak (további információért lásd: Vizuális hasonlóság manipuláció az új kódolás során) és 74 újszerű. tárgyakat (Hsu et al., 2014; Schlichting et al., 2015). Az ingerek egy részhalmazát 32 triádba szerveztük, amelyek három elemből (A, B, C) álltak, amelyeket az asszociatív következtetési feladatban használtunk (1A. ábra). Az A tételek nemek szerint egyenletesen elosztott arcokból (16), valamint természetes és ember alkotta jelenetekből (16) álltak; minden B elem alakzat volt (56); minden C elem újszerű objektum volt (32). Az ingerek másik részhalmazát (42 arc, 42 jelenet, 42 tárgy és 42 alakzat) használtuk a lokalizáló feladatban, és nem voltak láthatók az asszociatív következtetési feladat során. Az ingerek hozzárendelése a triádokhoz és a lokalizációs feladathoz véletlenszerűen történt a résztvevők között. Az ingereket a Psychtoolbox segítségével mutatták be a MATLAB-ban (Brainard, 1997; Pelli, 1997; Kleiner et al., 2007).

A feladat menete Kezdeti páros (AB) tanulás. A résztvevők megtanulták a kezdeti párokat (AB) négy vizsgálati tesztblokkon keresztül. A vizsgálati szakaszban a 32 kezdeti pár mindegyikét 3,5 másodpercig mutatták be 0,5 s intertrial intervall (ITI) mellett. Az A elem (arc vagy jelenet) mindig a bal oldalon, a B elem (alak) pedig mindig a jobb oldalon volt bemutatva. Az összes pár tanulmányozása után a résztvevőket egy 3-alternatív kényszerválasztásos teszttel tesztelték. A résztvevőket a képernyő tetején lévő A elemmel jelezték, és választaniuk kellett a megfelelő B elem és két fólia között. A fóliák más triádokból származó formák voltak, így a résztvevők nem alapozhatták döntésüket az alakzatok ismertségére. A résztvevőknek 10 másodpercük volt válaszolni minden egyes próbára. A résztvevő válasza után minden kísérlet végén 1 másodpercig korrekciós visszajelzést adtunk. A tesztkísérleteket 0,5 s ITI választotta el egymástól. Ebben a fázisban anatómiai képeket gyűjtöttünk.

Vizuális hasonlóság-manipuláció új kódolás során. Annak vizsgálatára, hogy az eseményelemek hasonlósága hogyan befolyásolja a memória újraaktiválását és viselkedését, az asszociatív következtetési feladatban az összekapcsoló elem (az alak vagy B elem) vizuális hasonlóságát paraméteresen manipuláltuk (1B. ábra). Korábbi munkáink alapján manipuláltuk a vizuális hasonlóságot, amely kimutatta, hogy a hippocampalis részmező válaszait az események közötti vizuális jellemzők átfedése modulálja (Leutgeb és mtsai, 2004, 2007; Bakker és mtsai, 2008; Lacy és mtsai, 2011). Összesen négy feltétel volt: pontos egyezés, nagy hasonlóság, alacsony hasonlóság és új. A pontos egyezési feltételek mellett a résztvevők pontosan ugyanazt az összekapcsoló B alakot látták, amikor megtanulták a kezdeti párokat (AB) és az átfedő párokat (BC). Magas és alacsony hasonlósági körülmények között az átfedő párokban látható minden alakzat a kezdeti párok egyikéből származó alakzat paraméteres alakja volt. A "szülő" alakzatokat úgy állítottuk elő, hogy 16 pontot vettünk a kör kerülete mentén elosztva, minden pontot véletlenszerűen fordítottunk le, majd a szomszédos pontokat összekapcsolva éleket hoztak létre spline interpoláció segítségével. Az alakzatokat a nagy és alacsony hasonlósági feltételek mellett úgy állítottuk elő, hogy két szülőalakzatot vettünk, és a megfelelő csúcsok koordinátáit különböző súlyokkal átlagoltuk. A nagy hasonlóságú alakzatokat 80 százalékkal az egyik szülőalakra, 20 százalékkal a másikra, míg az alacsony hasonlóságú alakzatokat 70 százalékkal az egyik szülőre, 30 százalékkal a másikra súlyoztuk. Az új állapotban a résztvevők egy új alakzatot láttak párosítva egy újszerű tárggyal, így ezek a párok nem fedték át a kezdeti párokat. Az új párok tehát az asszociatív tanulás alapjául szolgáltak. Minden résztvevő nyolc triádot tanulmányozott vizuális hasonlósági feltételenként.

A nagy és az alacsony hasonlóságú tételek szubjektív hasonlósága közötti különbségeket 9 résztvevőből álló független mintán erősítették meg (8 nő, életkor: 18-22 év, átlag=19,4 év). A minta résztvevői 5 pontos Likert-skála segítségével (1=egyáltalán nem hasonló, 5=nagyon hasonló) a szülőalakzatok és az egymás mellett bemutatott alakzatok közötti vizuális hasonlóságot értékelték 18{12}} kísérlet során. . A pontos egyezéseket hasonlóbbnak értékeltük, mint a nagy hasonlóságú morfiumokat (t(8) {{10}.255, p , 0.001, Cohen d=2.085), a nagy hasonlóságú morfiumokat hasonlóbbnak értékelték, mint az alacsony hasonlóságú morfiumokat (t(8)=9.312, p , 0,001, d=3.104), az alacsony hasonlóságú morfiumokat pedig hasonlóbbnak értékelték, mint az újakat. elemek (t(8)=10.021, p , 0.001, d=3.340). A szubjektív hasonlóság ezzel a megközelítéssel történő számszerűsítésének egyik figyelmeztetése az, hogy az összehasonlítás nem tartalmaz memóriakomponenst. Lehetséges, hogy ha késleltetést iktatunk be két alakzat megjelenítése közé, a megfigyelt szubjektív hasonlósági függvény (1C. ábra) eltérhetett; Például a nagy és az alacsony hasonlósági feltételek közötti szubjektív hasonlósági különbségek kevésbé voltak kifejezettek. Míg ez a mérési figyelmeztetés befolyásolhatja magának a szubjektív hasonlósági ítéletnek az értelmezését, kevésbé van hatással központi viselkedési és neurális elemzéseink értelmezésére. A hasonlósági feltételek (beleértve a magas és alacsony feltételeket is) közötti különbségeket a memória teljesítményében és újraaktiválásában figyeljük meg, amelyek azt jelzik, hogy a négy hasonlósági feltétel eltérően befolyásolta a feldolgozást (lásd az Eredményeket). Továbbá a tanulással összefüggő reprezentációs változást értékelő neurális elemzéseink csak a nagy hasonlósági feltételre összpontosítanak, és nem támaszkodnak a többi hasonlósági feltétellel való összehasonlításra (lásd: Egyedi tételek bemutatása tanulás előtt és után).

Átfedő páros (BC) tanulás. Miután a résztvevők megtanulták a kezdeti párokat, átvizsgálták őket, miközben megtanulták az átfedő párokat. Ez a fázis ismét négy vizsgálati-teszt blokkból állt. A vizsgálati szakaszban a 32 párt eseményfüggő elrendezésben mutatták be, a párokat 3,5 másodpercig, majd 8,5 másodperces ITI-vel. A C elemet (objektumot) mindig a bal oldalon, a B elemet (alakzatot) mindig a jobb oldalon mutattuk be. Minden vizsgálati fázis után a résztvevőket a BC-párokon tesztelték egy 3-alternatív kényszerválasztásos teszt segítségével, amelyet nem szkenneltek. A résztvevőket a képernyő tetején lévő C elemmel jelezték, és választaniuk kellett a megfelelő B elem és két fólia között. Ebben a szakaszban nem adtak visszajelzést. A résztvevőknek 10 másodpercük volt a válaszadásra minden tesztpróbánál, és a kísérleteket 0,5 s ITI választotta el egymástól.

Egyedi tárgyak exponálása tanulás előtt és után. A kezdeti párok megtanulása előtt és az átfedő párok megtanulása után a résztvevőket egyénileg bemutatott A és C elemeknek (arcoknak, jeleneteknek és tárgyaknak) tették ki a nagy hasonlósági feltételből. Ezek az expozíciós fázisok egyetlen vizuális hasonlósági feltételre korlátozódtak, hogy maximalizálják az egyes ingerekre vonatkozó előadások számát, és javítsák a feladathoz kapcsolódó aktiválási minták becslését (lásd: Egyéni ingermintázatok becslése a tanulás előtt és után). Egyetlen hasonlósági feltétel használata lehetővé tette számunkra a vizuális hasonlóság hatásainak szabályozását is a reprezentációs változás kiszámításakor. A nagy vizuális hasonlóság feltételt azért alkalmazták, mert az embereken végzett korábbi munkák kimutatták, hogy a vizuálisan nagyon hasonló ingerek eltérő válaszokat váltanak ki a DG/CA2,3 és CA1-ben (Lacy et al., 2011).

Minden egyes expozíciós futtatásban a résztvevőket szkennelték, miközben az elemeket 1 másodpercig bemutatták 3 másodperces ITI-vel. Amíg az egyes elemek a képernyőn voltak, a résztvevők végrehajtottak egy változás-észlelési feladatot úgy, hogy gombnyomással jelezték, hogy a ráhelyezett fekete kereszt színe zöldre vagy kékre változott-e 100-200 ms-on belül az inger megjelenése után (Kriegeskorte et al., 2008; Schlichting et al., 2015). Minden elemet négyszer ismételtek meg futtatásonként, és összesen négyet az expozíció előtti és az expozíció utáni fázisban. A próbákat pszeudorandomizáltuk úgy, hogy egy triádon belüli elemeket legalább két, más triászból származó interleaved elemmel mutatták be. Ezenkívül a kísérletek 20 százaléka nulla volt (azaz nem volt tárgy- vagy változásészlelési feladat), hogy javítsa az elemszintű aktiválási becslést az elemzésben; ezek a nullpróbák véletlenszerűen kerültek a tételbemutató próbák közé. A próba sorrendje és időzítése azonos volt az expozíció előtti és az expozíció utáni fázisban. A változásészlelési feladat pontosságát figyelték annak biztosítására, hogy a résztvevők figyeljenek a feladatra, de nem vették figyelembe a továbbiakban.

Volt egy nem szkennelt előexponálási fázis is a pontos egyezésből, az alacsony hasonlóságból és az első szkennelt előexponálási futtatás előtt fellépő új feltételekből származó elemekhez. Ennek a fázisnak az volt a célja, hogy a pártanulás előtt az A és C itemek ismertségét a pontos egyezésben, az alacsony hasonlóságban és az új feltételekben egyenlővé tegyük a magas hasonlósági feltétellel. A nem szkennelt expozíció hasonló volt a szkennelt expozíciós fázisokhoz, azzal a különbséggel, hogy az ITI 0,5 s volt, és nem voltak nullpróbák.

Asszociatív következtetés (AC) teszt. Az expozíció utáni fázist követően a résztvevők meglepetésszerű tesztet kaptak az A és C elemek közötti közvetett kapcsolatokról, amelyeknek közös volt a társuk (B). A következtetési tesztet a szkenner belsejében hajtották végre, de nem szkennelték. Ebben a fázisban a résztvevők a C elemmel (tárggyal) kaptak jelzést, és választhattak az azonos kategóriájú A elemek közül (azaz három arc vagy három jelenet). Az arcpróbák során a résztvevőket arra utasították, hogy válasszák ki azt a személyt, aki nagy valószínűséggel birtokolja a jelzett tárgyat. A helyszíni próbák során azt az utasítást kapták, hogy válasszák ki azt a helyet, ahol nagy valószínűséggel megtalálják a jelzett tárgyat. Kritikus, hogy a résztvevők egyetlen ponton sem kaptak kifejezetten utasítást a vizuális hasonlóság manipulációjáról vagy a tanulási átfedésről. A résztvevők 10 másodpercet kaptak a válaszadásra. Nem adtak visszajelzést.

Ils iránysávadó. A következtetési teszt után a résztvevőket egy lokalizáló feladatban szkennelték. Ebben a feladatban a résztvevők egy sor ingert néztek meg a kísérletben használt négy ingerkategóriából: arcok, jelenetek, formák és tárgyak. Az ingereket blokkolt elrendezésben mutatták be, mindegyik blokk nyolc képből állt, egyenként 2,5 másodpercig, 0,5 s ITI-vel. Minden egyes ingerblokk során a résztvevők elvégeztek egy visszaemlékezési feladatot, amelyben ismétlődő ingert kellett észlelniük. Minden blokkban egy ismétlődő inger volt. Az egyhátú feladat pontosságát figyelték annak biztosítására, hogy a résztvevők odafigyeljenek a feladatra, de nem gondolták tovább. A blokkokat 8 másodperces rögzítéssel választottuk el. A résztvevők a lokalizáló feladat három futtatását végezték el, ingertípusonként két blokkal futtatásonként.

fMRI adatgyűjtés és előfeldolgozás Az adatokat 3T Siemens Skyra gyűjtöttük. Összesen 15 funkcionális letapogatás történt (TR=2000 ms, TE=30 ms, átfordulási szög=73 fok, 1,7 mm-es izotróp voxelek, EPI, többsávos gyorsulási tényező=3) az expozíció előtti, az átfedő páros vizsgálati, az expozíció utáni és a lokalizációs fázisokon keresztül. Három tértérképet (TR=589 ms, TE=5 ms/7,46 ms, 1,5 1,5 2 mm-es voxel,=5 fokos átfordulási szög) gyűjtöttünk a mágneses tér torzulásainak kijavításához: egy közvetlenül az expozíció előtti szakasz előtt az expozíció előtti szkennelések korrigálására, egyet az átfedő páros vizsgálati fázis előtt a vizsgálati és az expozíció utáni szkennelések kijavítására, egyet pedig a lokalizációs fázis előtt a lokalizációs szkennelések kijavítására. AT1-súlyozott 3D MPRAGE térfogatot gyűjtöttünk (TR {{20}} ms, TE=2,43 ms, átfordulási szög=9 fok, 1 mm-es izotróp voxelek) megkönnyíti a funkcionális adatok anatómiai sablonokhoz való igazítását és normalizálását. Két koronális T2-súlyozott szerkezeti felvételt gyűjtöttünk, amelyek merőlegesek a hippokampusz hosszú tengelyére (TR=13,150 ms, TE=82 ms, 0,4 mm 0,4 mm síkban, 1,5 mm átmenő síkban), majd átlagoljuk a részmező szegmentálásához.

A funkcionális és anatómiai képeket az FMRIB Software Library 5.0.9-es verziójával (FSL: http://fsl.fmrib.ox.ac.uk/fsl/) és az Advanced Normalization Tools (ANTS) 2.1-es verziójával dolgoztuk fel. Avants et al., 2011). A funkcionális letapogatásokat mozgáskorrigáltuk MCFLIRT segítségével FSL-ben, majd az ANTS-ben affin transzformációkkal regisztráltuk a végső átfedő páros vizsgálati futtatáshoz. A nem agyi struktúrákat eltávolítottuk a funkcionális szkennelésekből és az MPRAGE-ból a BET segítségével FSL-ben. A további adatfeldolgozást az FSL része, a FEAT (FMRI Expert Analysis Tool) 6-os verziójával végeztük.00. A következő statisztikai feldolgozást alkalmaztuk minden funkcionális képre; társregisztráció az MPRAGE-val és terepi térkép alapú EPI elvetemült a FUGUE használatával (Jenkinson, 2003); a teljes 4D-s adatkészlet nagy átlagintenzitás-normalizálása egyetlen szorzótényezővel; felüláteresztő időbeli szűrés (Gauss-súlyozott legkisebb négyzetek egyenes illesztése, s=64 s-vel). A 4 mm-es FWHM Gauss-mag használatával térbeli simítást alkalmaztunk az átfedő páros tanulási és lokalizációs szkennelésekre.

ROI-k Az anatómiai ROI-k a teljes agy szürkeállományát tartalmazták a reaktivációs analízishez és a hippocampális részmezőket az idegi kódolás elemzéséhez. Az FSL részét képező FAST (Zhang és mtsai, 2001) segítségével a natív térben minden résztvevő számára egy teljes agy szürkeállomány-maszkot készítettek az MPRAGE-val. A szürkeállomány-maszkokat ezután funkcionális felbontásba helyezték át az ANTS lineáris transzformációival. A hippokampuszon belül a CA1 almezők, a kombinált DG/CA2,3 régió és a szubikulum aktivációs mintázatait elemezték. A hippokampusz almezőit a hippokampusz fejében és testében a natív térben úgy azonosították, hogy a maszkokat fordítottan normalizálták egy nyílt forráskódú sablonból szegmentált almezőkkel (Schlichting et al., 2019) az egyes résztvevők átlagos T2 koronális képére nemlineáris SyN segítségével. transzformációk az ANTS-ben. Kimutatták, hogy ez az eljárás a kézi nyomkövetéshez hasonló eredményeket biztosít (Schlichting et al., 2019). A maszkokat ezután minden résztvevőnél ellenőrizték és manuálisan szerkesztették, hogy eltávolítsák a hippokampuszon kívüli voxeleket, és biztosítsák a pontos szegmentálást a megállapított protokollok alapján (West és Gundersen, 1990; Duvernoy, 1998; Mai és mtsai, 2007). Végül az almező maszkokat a funkcionális letapogatások terébe transzformáltuk úgy, hogy először az átlagos koronaképet regisztráltuk az MPRAGE-ba lineáris transzformációk segítségével, majd a korábban kiszámított transzformációt alkalmaztuk a funkcionális térre.

A CISTANCHE KIVONAT HATÁSAI: JAVÍTJA A MEMÓRIÁT

Számszerűsítés és statisztikai elemzés

Memória-újraaktiválás dekódolása az átfedő eseménytanulás során. Az átfedő párok tanulása során a kezdeti párokhoz kapcsolódó kódolási minták újraaktiválódásának mérésére PyMVPA-ban mintaosztályozási elemzést alkalmaztunk (Hanke et al., 2009). Ha a résztvevők az átfedő párok (BC alakzat-objektum párok) tanulása során újraaktiválták a kapcsolódó információkat (azaz AB-párokból származó A-arc- és jelenetelemeket), akkor a lokalizáló adatokon betanított mintaosztályozónak érzékenynek kell lennie az információ kategóriájára (vagy arcra, vagy jelenet), amelyet újraaktiválnak (Polyn et al., 2005; Kuhl et al., 2011; Zeithamova és mtsai, 2012). Így a mintaosztályozót betanítottuk a lokalizációs fázisból származó adatokkal, majd alkalmaztuk az osztályozót az átfedő páros tanulási fázisra. Az átfedő BC-párokhoz kapcsolódó kezdeti AB-párokból származó A-elemek (azaz arc vagy jelenet) kategóriájának osztályozó bizonyítékaként operacionalizáltuk a memória-újraaktiválást.

A memória újraaktiválását többlépéses eljárással mértük. Először egy teljes agy keresőlámpát futtattunk (Kriegeskorte et al., 2006), hogy azonosítsuk azokat a régiókat, ahol az A elemekkel kapcsolatos információk visszakerültek az átfedő páros tanulás során. Minden keresőfény gömbben (sugár=3 voxel, térfogat=123 voxel) egy lineáris támogató vektor gépet képeztek ki, hogy megkülönböztesse a neurális mintákat az arcokhoz, jelenetekhez, tárgyakhoz és alakzatokhoz kapcsolódó lokalizációs fázistól. A hemodinamikai késleltetés figyelembevétele érdekében minden funkcionális képet címkéztünk úgy, hogy vettük a próbacímkéket, és 4 másodperccel előre toltuk őket (két TR). A betanított osztályozót ezután az átfedő párok tanulási fázisából származó idegi mintákra alkalmaztuk, amelyet szintén 4 másodperccel eltoltunk. A próbaszintű reaktivációs becsléseket úgy nyertük ki, hogy osztályozó bizonyítékokat vettünk az egyes triádok A eleméhez tartozó kategóriára (pl. osztályozó bizonyíték az arc-alak-objektum hármasokhoz) az egyes párok bemutatásának megfelelő két TR-re. Az osztályozó bizonyítékok értékeit két csoportba soroltuk: egy újraaktiválási halmazba és egy alapvonal készletbe. Az újraaktiválási készlet a pontos egyezés, a nagy hasonlóság és az alacsony hasonlósági vizsgálatok osztályozó bizonyítékait tartalmazta. Az alapvonalkészlet az arc és a jelenet bizonyítékértékeit tartalmazta az új állapotú kísérletekből. Mivel az új állapotú alak-objektum párok nem fedtek át egyik korábban tanult párral sem, nem válthatják ki az arc- vagy jelenetemlékek újraaktiválását. A végső reaktivációs indexet minden szférában úgy számítottuk ki, hogy a reaktivációs halmaz átlagos bizonyítéka és az alapkészlet átlaga közötti különbséget vettük figyelembe.

Ennek az újraaktiválási indexnek a jelentőségének teszteléséhez összehasonlítottuk a tényleges újraaktiválási indexet egy nulla eloszlással minden keresőfény gömbben. A nulleloszlást 1000 iteráción keresztül hozták létre úgy, hogy az osztályozó bizonyítékértékeit keverték az újraaktiválási és alapvonali halmazok között, majd minden iterációban újraszámították az újraaktiválási indexet. Az egyes keresőfénygömbök középső voxelei a null-eloszlás arányát jelezték a megfigyelt reaktivációs indexnél (azaz p-értéknél) nagyobb vagy azzal egyenlő reaktivációs indexekkel. A résztvevők reaktivációs régióinak azonosítása érdekében az egyes résztvevők keresőfény-térképeit egy csoportsablonra normalizálták a szignifikancia tesztelése érdekében. A p-értékű képeket z-statisztikai képekké alakítottuk, majd az MNI 152 anatómiai sablonra vetemítettük (a funkcionális letapogatások felbontására, 1,7 mm-es izotróp voxelekre) nemlineáris SyN transzformációkkal ANTS-ben. Voxel szerinti, nem-paraméteres permutációtesztet Randomise segítségével végeztek FSL-ben több mint 5000 iteráción keresztül (Winkler et al., 2014). A szignifikáns klasztereket p, 0,01 (nem korrigált) voxel-küszöb és 0,05 p klaszterküszöb alkalmazásával azonosítottuk. A küszöbértékeket az AFNI (Cox, 1996) 3dClustSim függvény segítségével számítottuk ki, a 3dFWHMx vizsgálati fázisból származtatott simasági becslésekkel a térbeli autokorrelációs függvény alapján. A klaszter kiterjedését kétoldalú küszöbértékkel határoztuk meg a második legközelebbi szomszéd klaszterezéssel.

Annak igazolására, hogy az újraaktiválási intézkedést nem egyetlen ingerkategória vezérelte, tovább kérdeztünk keresőfény-klasztereket, hogy megvizsgáljuk, hogy a reaktiváció változott-e az A elem ingerkategóriájától (arc vagy jelenet) egy post hoc elemzésben. A reaktivációs keresőfény analízisében azonosított jelentős klasztereket bináris maszkokká alakítottuk, és ANTS segítségével fordítottan normalizáltuk a natív térbe. Ezután az újraaktiválási elemzést megismételték minden funkcionális ROI-ban minden résztvevő esetében. Ismételt mérésű ANOVA-t használtunk régióval és ingerkategóriával annak felmérésére, hogy az egyes régiók reaktivációja különbözik-e az ingerkategória függvényében.

Míg a kezdeti keresőfény-elemzésünk azokat a régiókat lokalizálta, ahol az újraaktiválás az alapvonal felett történt, független keresőlámpát is futtattunk, hogy azonosítsuk azokat a régiókat, ahol az újraaktiválás erőssége a vizuális hasonlóság függvényében változott. Ez a keresőlámpa hasonló megközelítést alkalmazott az általános reaktivációt mérő elemzéshez, de egy további szinttel, amely összehasonlította a reaktiváció osztályozó bizonyítékait a pontos egyezési feltétel és a többi hasonlósági feltétel között (azaz a nagy hasonlósági feltétel és az alacsony hasonlósági feltétel együttesen). A hasonlóság hatását az egyes szférákban úgy számítottuk ki, hogy a pontos egyezési feltétel átlagos bizonyítéka és a magas és alacsony hasonlósági feltételek átlagos bizonyítéka közötti különbséget kombináltuk. Ezt a különbséget azután összehasonlították az egyes keresőfény-gömbök nulleloszlásával, amelyet 1000 iteráción keresztül hoztak létre az osztályozó bizonyítékértékeinek a pontos egyezési és hasonlósági morfológiai feltételek közötti megkeverésével. A csoportsablonra történő normalizálás, a statisztikai tesztelés és a klaszterkorrekció megegyezett az alapvonal feletti újraaktiválást azonosító reflektorral.

Egyéni ingermintázatok becslése tanulás előtt és után. Becsléseket vontunk le az A (arcok, jelenetek) és C (újszerű 3D objektumok) ingerek által kiváltott neurális aktivációs mintázatokról az expozíció előtti és az expozíció utáni fázisból, GLM segítségével, a legkisebb négyzetek elválasztásával (Mumford et al., 2012). ) minden résztvevő natív terében. A szkennelt expozíciós fázisból származó 16 objektum mindegyikét (azaz a nyolc A elemet és a nyolc C elemet a nagy hasonlósági feltételből) iteratív módon modelleztük az expozíció előtti és az utóexponálási fázis minden egyes futtatásakor külön-külön (Schlichting et al., 2015).

Az objektumbemutatókat 1 másodperces eseményként modellezték, és az egyes objektumok regresszora egy szkennelési futáson belül mind a négy ismétlést tartalmazta. A 16 objektumregresszor mindegyikét a kanonikus kettős C HRF-vel konvolválták. Ezután időbeli szűrést alkalmaztunk. A GLM-ek további megtévesztő regresszorokat tartalmaztak: mozgási paraméterek, időbeli deriváltjaik, keretenkénti eltolás és DVARS (Power et al., 2012; Schlichting és Preston, 2014; Schlichting et al., 2015). További mozgásregresszorokat adtunk hozzá azokhoz az időpontokhoz, amikor a fej mozgása meghaladta a 0,5 mm-t a keretenkénti elmozdulásnál és a 0,5 százalékos változást a BOLD jelben a DVARS esetében (Power et al., 2012). Minden egyes A és C elemhez béta képeket generáltak minden előzetes és utólagos expozíciós futtatáshoz, résztvevőnként összesen 128 statisztikai képet.

A tanulással összefüggő változások számszerűsítése a hippocampalis almező neurális hasonlóságában. A minták differenciálódását és a memóriaintegrációt a hippokampuszban a PyMVPA-ban megvalósított reprezentációs hasonlóság-analízis (Kriegeskorte et al., 2008) segítségével indexeltük (Hanke és mtsai, 2009). A keresőlámpákat külön-külön futtatták az anatómiailag meghatározott DG/CA2,3, CA1 és szubikulumban minden résztvevő natív terében. Minden keresőfény gömbön belül (sugár=2 voxel, térfogat=33 voxel) (Schapiro et al., 2012) hasonlósági mátrixokat generáltunk az A-nak megfelelő 128 statisztikai kép páronkénti Pearson-féle korrelációs értékeinek kiszámításával. és C elem az expozíció előtti és utóexponálási futásban, Fisher z-re transzformálva. Ezután a minta-hasonlóság tanulásból adódó változását úgy mértük, hogy kivontuk az expozíció előtti hasonlósági értékeket a megfelelő cellákban lévő expozíció utáni hasonlósági értékekből.

A minta hasonlóság változásának (a továbbiakban: D) kiszámítása után a D értékeket aszerint rendeztük, hogy az érték hármason belüli vagy hármasok közötti összehasonlításra vonatkozik. Ez a két értékkészlet lehetővé tette számunkra, hogy meghatározzuk, hogyan befolyásolta a reprezentációs változást a tanulásból eredő események átfedése (a triádon belüli összehasonlító halmazon) egy olyan alapvonalhoz képest, amely egyszerűen az ismétlődő expozíciót tükrözte események átfedése nélkül (hármasok közötti összehasonlító halmaz). Fontos, hogy csak olyan D értékeket használtak, amelyek a keresztfutási korrelációkat tükrözték a BOLD jelben az autokorrelációból bevezethető torzítás csökkentésére (Mumford et al., 2012).

A tanulás közbeni reaktiváció reprezentációs változásra gyakorolt ​​hatásának felmérésére a triádon belüli D értékeket tovább bontottuk az átfedő párok tanulása során bekövetkező memória-reaktiváció erőssége alapján. Minden egyes résztvevő esetében kiszámítottuk a reaktivációs erősséget minden hármasra úgy, hogy az átlagos reaktivációs indexet vettük a reaktivációs keresőfény elemzésben azonosított régiók hálózatán (lásd 3A. ábra), a vizsgálati blokkok átlaga alapján. A triádokat ezután erősebb reaktivációs triádokra és gyengébb reaktivációs hármasokra osztottuk az átlagos reaktivációs értékek medián felosztásával. Így a D-triádon belüli összehasonlításokat tovább soroltuk egy erősebb reaktivációs D-hármas készletbe és egy gyengébb újraaktiválású D-hármas készletbe minden keresőfény gömbben. Végül az összes D halmazt átlagoltuk, hogy három összefoglaló értéket hozzunk létre: átlagos triádon belüli hasonlóságváltozás erősebb reaktivációs hármasoknál (DWithin erősebb), átlagos triádon belüli hasonlóság változás gyengébb reaktivációs hármasoknál (DWithin gyengébb), és átlagos hármas hasonlóság változás (át). Összehasonlítottuk ezeket az összefoglaló értékeket annak meghatározására, hogy a neurális kódolás változott-e a reaktivációs erősség függvényében.

Az idegi kódolást négy keresőfény-kontraszt segítségével értékelték (Schlichting et al., 2015) (lásd 4B. ábra). Két elemzés azonosított olyan hippocampális voxeleket, amelyeknél az összes triádban megfigyelhető a memória integrációja vagy differenciálódása, függetlenül az újraaktiválás erősségétől. Az IntegrationOverallt a következőképpen számoltuk ki: (DWithin erősebb – DAcross) 1 (DWithin gyengébb – DAcross), ami nagyobb hármason belüli, mint triádon belüli hasonlóságot tükröz az újraaktiválás minden fokozatában betanulás után. A DifferentiationOverall értéke (DAcross – DWithin erősebb) 1 (DAcross – DWithin gyengébb) 1 (DAcross – DWithin gyengébb), ami kisebb hármason belüli, mint triádon belüli hasonlóságot tükröz az újraaktiválás minden fokozatában. Két további elemzés azonosított olyan voxeleket, amelyeknél a neurális kódolás az újraaktiválás erősségének függvényében változott (IntegrationReactivation és DifferentiationReactivation). Az IntegrationReactivation keresőlámpa azonosította azokat a voxeleket, amelyeknél nagyobb mértékben történt az integráció az erősebb újraaktiválási triádok érdekében. Az integráció újraaktiválása a következőképpen lett kiszámítva: (DWithin erősebb – DWithin gyengébb). Ezzel szemben a DifferentationReactivation keresőlámpa azonosította azokat a voxeleket, amelyeknél a differenciálódás nagyobb mértékben fordult elő erősebb reaktivációs hármasoknál. A differenciálás újraaktiválását a következőképpen számítottuk ki (DWithin gyengébb – DWithin erősebb).

Ezen számítások mindegyikének jelentőségét úgy határoztuk meg, hogy a számított hasonlóságváltozási értékeket összehasonlították egy nulleloszlással az egyes keresőfény-gömbökben. A nulleloszlást 1000 iteráción keresztül hozták létre a cellák megkeverésével a DWithin erősebb, a DWithin gyengébb és a DAcross halmazok között, majd minden iterációhoz újraszámították az érdekes statisztikát. Az egyes keresőfény-gömbök középső voxelei a nulleloszlás arányát jelezték a megfigyelt hasonlósági változásnál (azaz p-értéknél) nagyobb vagy azzal egyenlő értékekkel. A szignifikáns klasztereket ugyanazzal a módszerrel azonosították, mint a reaktivációs keresőlámpákat, azzal a különbséggel, hogy a z-statisztikai képeket funkcionális felbontású hippocampális sablonra vetemedték, nem pedig az újramintavételezett MNI-sablont a csoportszintű elemzéshez. A normalizált keresőfény-térképeket ezután minden egyes anatómiai hippokampusz-almezősablon maszkolta a klaszterkorrekció előtt, hogy a klaszterek kizárólag az egyes hippocampális részmezőkre vonatkozzanak.

A post hoc elemzések tovább kérdezték a reprezentáció változásának irányát az egyes részterületeken, amelyeket a keresőfény-elemzés alapján azonosítottak. Ezeknek a post hoc elemzéseknek egy fontos figyelmeztetése az, hogy nem teljesen elfogulatlanok, mivel összehasonlítják az előre kiválasztott voxelkészleteket, hogy a keresőfény kontrasztja alapján konkrét hatásokat mutassanak. Így nyomon követési elemzéseink nem hasonlították össze közvetlenül az erősebb és gyengébb reaktivációs tételek DWithin értékeit. Post hoc elemzéseink ehelyett a DAcross értékek nagyságrendjére összpontosítottak, hogy teszteljék, vannak-e globális eltolódások a neurális hasonlóságban az expozíció előtti és az expozíció utáni fázisok között, emellett a DWithin értékeket a DAcross értékekkel hasonlítottuk össze, hogy számszerűsítsük a tanulással kapcsolatos integráció és differenciálódás mértékét.

Ezekhez az utólagos elemzésekhez a DG/CA2,3, CA1 és a subiculum hasonlóságváltozását minden egyes résztvevő esetében kiszámítottuk a natív térben. A csoportos keresőfény-elemzések által azonosított keresőfény-klasztereket maszkokká alakították át, és az ANTS nemlineáris transzformációi segítségével fordítottan normalizálták az egyes résztvevők natív terébe. Minden résztvevő esetében a natív tér klasztereket FSL-lel tágítottuk, kernelként egy 3 * 3 * 3 mm-es dobozt használva. Annak biztosítására, hogy a klaszterek továbbra is a megfelelő részmezőkre korlátozódjanak, amikor a résztvevők natív területére konvertálták őket, minden klasztert az egyes résztvevők számára meghatározott anatómiai almezőmaszkokkal maszkoltak. Az egyik résztvevőnek CA1 klasztere volt a natív térben, és nem volt elegendő számú voxel a reprezentációs hasonlóság elemzéséhez (10 voxel), ezért kizárták ennek az almezőnek a későbbi elemzéséből. A fennmaradó résztvevők esetében külön-külön kiszámítottuk az átlagos hasonlósági változást az egyes klasztereken belül a tanulás során erősebb reaktivációval, a tanulás során gyengébb reaktivációval kapcsolatos triádok és a triád közötti alapvonal esetében.

A neurális mértékek és a viselkedés közötti kapcsolat számszerűsítése. A viselkedés és a reaktiváció és a reprezentációs változás neurális mérőszámai közötti kapcsolatot egy Linear Ballistic Accumulator (LBA) modell segítségével értékeltük, hogy illeszkedjen a következtetési teszt teljesítményéhez (Morton et al., 2020). Minden résztvevőre és részterületre (CA1, DG/CA2,3 és subiculum) kiszámítottuk az A és C itemek közötti hasonlóság változásának z pontszámát a tanulástól a tanulás utániig (D) minden hármas esetében. Kiszámoltuk az A elem újraaktiválásának z pontszámát a triádok között minden résztvevő esetében. Ezután az LBA-modellt alkalmaztuk a viselkedési válaszok és a válaszidők illesztésére az AC következtetési teszt során, a hasonlóság változását és az újraaktiválást a triádok közötti variabilitás előrejelzőjeként. Többszintű Bayes-féle megközelítést alkalmaztunk az átlagos meredekség paramétereinek becslésére, amelyek tükrözik a neurális mértékek és az AC következtetési teljesítmény közötti kapcsolatot. A D mérőszámok pozitív meredeksége azt jelzi, hogy az A és C elemek közötti nagyobb hasonlósági értékek, miután a tanulás gyorsabb és pontosabb következtetéshez kapcsolódik. Az újraaktiválás mértékének pozitív meredeksége azt jelzi, hogy a nagyobb reaktiváció gyorsabb és pontosabb következtetéssel jár.

Modell definíció Az LBA modell (Brown és Heathcote, 2008) feltételezi, hogy minden kísérletnél az egyes akkumulátorok k kezdőpontját véletlenszerűen a [0, A] intervallum egyenletes eloszlásából húzzuk meg. Ezután minden akkumulátor egy d meredekségű vonalat követ, amíg el nem éri a b válaszküszöböt. Minden próbánál az i akkumulátor meredekségét egy normális eloszlásból húzzuk, átlagos vi és SD s értékekkel (itt 1-re rögzítve). Az idő, amíg az akkumulátor eléri a küszöbértéket (bk)/d. A három alternatív kényszer-választásos következtetési tesztet modelleztük három akkumulátor segítségével, amelyek átlagos eltolódási sebessége v1 (a helyes válasz esetén) és v2 (a másik két válasz esetén). Amint az LBA-modell kezdeti leírásából (Brown és Heathcote, 2008) kiderül, az I akkumulátor valószínűségi sűrűségfüggvénye (PDF) a t időpontban a következő:

Ahol f és U a standard normális eloszlás valószínűségi sűrűségfüggvénye, illetve kumulatív eloszlásfüggvénye. Az I akkumulátor kumulatív eloszlási függvénye (CDF) a t időpontban a következő:

Az I akkumulátor PDF-je, amely először éri el a küszöböt t időpontban, annak a valószínűsége, hogy az I akkumulátor befejeződik a t időpontban, feltéve, hogy a többi akkumulátor még nem fejezte be, az alábbiak szerint:

Mivel a d eltolódási sebesség normál eloszlásból származik, van némi valószínűsége annak, hogy az akkumulátorok nem fejeződnek be. Korábbi munkákat követően (Brown és Heathcote, 2008; Annis és mtsai, 2017) az alábbiak szerint feltételhez kötöttük legalább egy akkumulátor pozitív eltolódási arányának valószínűségét:

A nem-döntési időt (pl. a tesztingerek észlelésének idejét) rögzített t időintervallumként modelleztük. A helyes válasz valószínűsége t időpontban a következő volt:

A modellt Python 3.7-ben valósították meg a PsiReact 0.2 használatával (Morton et al., 2020). A paraméterek becsléséhez Bayes-féle mintavételezést alkalmaztunk, a pyMC 3.9.2-ben implementált No U-Turn Sampler (NUTS) segítségével. Javítottuk az s=1 és b=8 paramétereket, hogy javítsuk a paraméterbecslések stabilitását. A helyes válaszokhoz egy b 0, I intercept drift rate paramétert becsültünk minden i résztvevőre. Megbecsültük a hibás válaszok elsodródási arányát is v2, I minden résztvevő esetében. Az egyes részmezők hasonlósági változásának résztvevőn belüli z pontszámát (pl. zCA1,ij) és reaktivációs becsléseket (zReact, it) használtuk az elsodródási ráta előrejelzésére minden j próbában. Az elsodródási sebesség próbaszintű variabilitását a hasonlóságváltozás és az újraaktiválási z pontszámok lineáris kombinációjaként modellezték. A helyes cikkeltolódási arány v1,ij az I. résztvevőnél, a j próba a következő volt:

A meredekség paramétereit (pl. b CA1, i) minden egyes i résztvevőre megbecsültük. Az egyes résztvevői paraméterekre vonatkozó becslések robusztusságának javítása érdekében csoportszintű normál eloszlásból származtattuk őket. A paraméterek korábbi eloszlása ​​a következő volt:

Mind a négy lánc esetében volt egy 1000 iterációból álló hangolási fázis 0,99-es célelfogadási aránnyal, amelyet 5000 minta követett. A konvergenciát a tömeges effektív mintaméret és a rangra normalizált osztott potenciál skálacsökkentési statisztika R^ segítségével értékelték (Vehtari et al., 2017). A modell illeszkedését az egyes vizsgálatok átlagos utólagos paramétereinek kiszámításával, valamint a válaszok és válaszidők szimulálásával értékeltük. Mindegyik kísérlet 50 ismétlését szimuláltuk, hogy megbízható becslést kapjunk a modell teljesítményéről. Végül kiszámítottuk a 95 százalékos nagy sűrűségű intervallumot (HDI) minden csoportszintű átlagos paraméterhez (pl. mCA1 a CA1-hez), hogy meghatározzuk, eltérnek-e a nullától, jelezve a hasonlóság változása vagy újraaktiválása és az AC következtetés közötti kapcsolatot. teljesítmény.

Eredmények

Viselkedési teljesítmény A kezdeti páros (AB) tanulási fázis végére a résztvevők erős emlékeket alkottak az arc-forma és a jelenetforma párokról. A végső teszten minden résztvevő a véletlennél magasabb volt (átlagos arány helyes=0,91, SD=0.01), és ezért szerepeltek a következő elemzésekben. Az átfedő (BC) alakzat-objektumpárok memóriáját befolyásolta az összekapcsoló elem vizuális hasonlósága a tanulás során (2A, B ábra). Egy ismételt mérésű ANOVA az átfedő párblokk (1, 2, 3, 4) és a vizuális hasonlóság (pontos egyezés, nagy hasonlóság, alacsony hasonlóság, új) vizsgálati alanyon belüli tényezőivel kimutatta, hogy a vizuális hasonlóság modulálta a memória pontosságát (fő hatása blokk, F(3,75)=79.93, p , 0.001, h2=0.762; blokk vizuális hasonlóság interakció, F(9,225)=2.88, p=0.{{50}}03, h2=0.103 ) és a válaszidő (a hasonlóság fő hatása a helyes kísérletekre, F(3,72) {{3{{103}}}}.14, p=0.003, h{ {34}}.176). Az átfedő párok első tanulási blokkjában a teljesítmény jobb volt (2A. ábra), amikor az összekötő elem (B) pontosan megegyezett az eredetileg tanult párokkal (AB) az összes többi feltételhez képest. A vizuális hasonlóság hatása volt az első tesztblokkban (a vizuális hasonlóság hatása az első futtatásban, F(3,75)=6.901, p , 0.001, h2=0.216), de a következő futtatásokban nem (F-értékek 0,479, mindegyik p 0,698, minden h2 0,019). Az első futtatás során a post hoc párosított t-tesztek azt mutatták, hogy a pontosság a pontos egyezésű párok esetében volt a legmagasabb az összes többi párhoz képest (nagy hasonlósághoz képest: t(25)=3.33, p=0 .003, d=0.654; alacsony hasonlóság: t(25)=4.52, p , 0.001, d=0.894; új: t(25) {{67} }.74, p=0.011, d=0.539). A teljesítmény nagyobb volt a nagy hasonlóságú párok esetében, mint az alacsony hasonlóságú párok esetében (t(25)=2.306, p=0.03, d=0.459). Nem volt különbség a teljesítményben a nagy hasonlóság és az új párok (t(25)=0.87, p=0.394, d=0.172), illetve az alacsony hasonlóság és az új párok között. párok (t(25)=0.76, p=0.452, d=0.151). Ha a blokkon keresztül összecsukták, a pontos egyezésű pároknak volt a leggyorsabb válaszideje (2B. ábra) a helyes p próbák során (összehasonlítva az összes többi feltétellel, t értékek 2,206, mind , 0,05, összes d 0,445). A válaszidő nem különbözött a nagy hasonlóság, az alacsony hasonlóság vagy az új párok között (minden t érték 1,748, mindegyik p 0,05, összes d 0,348)

2. ábra Viselkedési teljesítmény. Egy átfedő pár (BC) tesztpontosság és (B) válaszidő (csak helyes kísérleteknél) tanulási blokk segítségével minden hasonlósági feltételhez. C, Across-episode (AC) következtetési pontosság és (D) válaszidő (csak megfelelő kísérleteknél) minden hasonlósági feltételhez. pp, 0.05 (páros t-tesztek). A hibasávok 6 SEM-et jeleznek. A szaggatott vonalak a véletlenszerű teljesítményt jelzik az 3-alternatív kényszerválasztásos teszteken.

A hivatkozási elem vizuális hasonlósága az epizódok közötti következtetések pontosságát is befolyásolta (F(3,75)=26.61, p , 0.001, h{ {6}}.516). A résztvevők nagyobb valószínűséggel következtettek a közvetetten kapcsolódó memóriaelemek (AC) közötti kapcsolatra, ha az összekötő elem (B) pontosan egyezett vagy nagyon hasonló volt az átfedő párok között (2C. ábra). A következtetés teljesítménye nem különbözött a pontos egyezés és a nagy hasonlóságú hármasok között (t(25) {{10}}.20, p=0.24, d {{14} }.230), de a pontos egyezésű triádok teljesítménye jobb volt mind az alacsony hasonlóságú hármasoknál (t(25)=6.82, p , 0.001, d=1.327), mind az új hármasoknál (t(). 25)=6.61, p , 0,001, d=1.286). Hasonlóképpen, a nagy hasonlóságú triádok teljesítménye meghaladta az alacsony hasonlóságú hármasokat (t(25)=5.05, p , 0.001, d= 0.987) és az új hármasokat (t(25)=5 .38, p , 0,001, d=1,055). Kövesse a teljesítménnyel (A következtetés teljesítménye nem különbözött az alacsony hasonlóság és az új triád között (t(25)=1.17, p=0.254, d= 0.224). Az alacsony hasonlóságú triádok teljesítménye megbízhatóan jobb volt, mint a véletlen (t(25)=2.22, p=0.04, d=0.435), míg az új triádok teljesítménye nem (t(25)=0.47, p=0.64, d=0.093).

A következtetési döntések gyorsabbak voltak a pontos egyezés és az új feltételhez képest nagy hasonlósági feltételek esetén is (F(3,72)=11.79, p , 0.001, h{ {6}}.329), a pontos egyezési feltételre vonatkozó következtetések összességében a leggyorsabbak (2D. ábra). A válaszidő gyorsabb volt a pontos egyezésű triádoknál a nagy hasonlósági feltételekhez képest (t(25) {{10}.41, p=0.002, d=0.669) és új triádok (t(24)=5.00, p , 0.001, d=0.999), de nem különböznek az alacsony hasonlóságú hármasoktól (t(25)= 1.64, p=0.114, d=0.321). A válaszidő gyorsabb volt a nagy hasonlóságú hármasoknál az új triádokhoz képest (t(24)=2.93, p=0.007, d=0.585), de nem tért el az alacsonytól. hasonlósági triádok (t(25)=1.11, p=0.28, d=0.217). Az alacsony hasonlóságú triádok gyorsabbak voltak, mint az új triádok (t(24)=3.86, p=0.001, d=0.773). Ezek az eredmények együttesen azt mutatják, hogy az asszociatív emlékezetet és az epizódok közötti következtetést, két olyan folyamatot, amelyekről úgy gondolják, hogy a víziló tábor részmezői támogatják (Schapiro et al., 2017), a megosztott eseményelemek észlelési hasonlósága befolyásolja, megkönnyítve a teljesítményt. magasabb szintű több epizód hasonlósággal.

Átfedő emlékek újraaktiválása a tanulás során

Annak tesztelésére, hogy a kortikális memória reaktiválása az átfedő párok tanulása során hogyan befolyásolja a hippocampalis részmező reprezentációit, először keresőfény-elemzést alkalmaztunk annak meghatározására, hogy a kezdeti párokról szóló információ hol aktiválódott újra a kéregben a tanulás során. Minden keresőfény gömbön belül egy mintaosztályozót betanítottak egy lokalizációs fázisból származó adatokra, majd alkalmazták az átfedő pár vizsgálati fázisra (Zeithamova et al, 2012). A keresőfény azonosította azokat a régiókat, amelyekben az osztályozó bizonyítékot szolgáltat a célkategória a kapcsolódó elem (arc vagy A jelenet elemei a kezdeti párokból) meghaladta az új (vagy nem átfedő) vizsgálatokból származó, ugyanazon kategória osztályozó bizonyítékainak alapindexét. Bizonyítékot találtunk arra vonatkozóan, hogy a kapcsolódó emlékek újra aktiválódtak, amikor megismertük az átfedő párokat a hátsó cinguláris kéregben, az occipitalis kéregben és a parietális kéregben (3A. ábra).

Fontos, hogy az A elemkategória (arc, jelenet) függvényében nem volt különbség az újraaktiválás erősségében a keresőfény elemzésben azonosított régiók között (3B. ábra). A régió (bal parietális, jobb oldali parietális, cingulate, superior occipitalis, inferior occipitalis) és az ingerkategória (arc, jelenet) alanyon belüli tényezőivel végzett ismételt mérésű ANOVA kimutatta, hogy a reaktiváció régiónként változott (a régió fő hatása, F( 4100)=2.84, p=0.028, h2=0.102), de nem különbözött ingerkategóriánként (a kategória fő hatása, F(1,25) {{13 }}.002, p=0.967, h2=0; kategória régió interakció, F(4,100)=0.375, p=0.826, h{{ 24}}.015). Eredményeinket tehát nem egyetlen ingerkategória vezérelte, és inkább a memória reaktivációját tükrözik, mint a kategória-specifikus feldolgozási régiók bevonását.

Megvizsgáltuk továbbá, hogy a megosztott B-elem vizuális hasonlósága a tanulás során befolyásolta-e az A-elemek memória-újraaktiválásának erősségét. Azt jósoltuk, hogy a tanulás során a memória reaktiválása erősebb lesz azoknál a pároknál, amelyeket egy vizuálisan hasonlóbb elem kapcsol össze. Az előző elemzéshez hasonló megközelítést alkalmazva egy külön keresőfény-elemzés azonosította azokat a régiókat, ahol a kapcsolódó A elem osztályozói bizonyítékai nagyobbak voltak a pontos egyezési feltételre, mint a magas és alacsony hasonlósági feltételekre. Hipotézisünkkel összhangban azt találtuk, hogy az eseményösszetevők hasonlósága befolyásolta a memória reaktiválásának erősségét a bal oldali parietális kéregben és az occipitalis kéregben (3C. ábra).

A memória újraaktiválása hatással van a neurális kódolásra a hippokampusz almezőiben

Hipotézisünk tesztelésére, miszerint a kapcsolódó emlékek újbóli aktiválása az új kódolás során az átfedő emlékek disszociálható reprezentációjához vezetne a DG/CA2,3 és CA1-ben, számszerűsítettük a hippocampális almező kódolását a memória reaktivációs erősségének függvényében a tanulás során. A párok megismerése előtt és után is beszkennelték a résztvevőket, miközben az átfedő párokból származó A és C elemek egyes képeit nézték meg nagy hasonlóság mellett (1A. ábra). A differenciálódást és az integrációt úgy indexeltük, hogy mértük a tanulással összefüggő változásokat a mintahasonlóságban az ugyanabból a triádból származó, közvetetten kapcsolódó A és C elemek esetében (Schlichting et al., 2015). Az ugyanazon triádon belüli hasonlóságváltozásokat összehasonlították a különböző triádok elemei közötti hasonlósági változások kiindulási értékével. A differenciálódást úgy mértük, hogy teszteltük az A és C elemek közötti mintahasonlóság csökkenését a tanulás után (4A. ábra). Ezzel szemben az integrációt a közvetetten kapcsolódó A és C elemek közötti megnövekedett mintahasonlóság jellemezné, ami a kapcsolódó memóriák átfedő kódjainak kialakulását tükrözi (4A. ábra).

A tanulás közbeni memória-reaktiválásnak a közvetetten kapcsolódó memóriaelemek neurális kódolására gyakorolt ​​hatásának felmérésére a triádok reprezentációs változását számoltuk ki az átfedő tanulási kísérletek közötti reaktiváció erőssége alapján. Minden résztvevő esetében az átfedő párokat a megfelelő kezdeti pár erősebb és gyengébb újraaktiválásához kapcsolódó párokba soroltuk, az átlagos reaktivációs indexek átlagos felosztása alapján az újraaktiválás keresőlámpájában azonosított összes klaszter között (3A. ábra). Ezután összehasonlítottuk a neurális kódolást a közvetetten kapcsolódó A és C elemek között, amelyek különböző szintjeihez kapcsolódnak. Kritikus, hogy a hippocampális almezők reprezentációs változásait értékelő összes elemzés csak nagy hasonlóságú triádok adatain alapult. Ez a megközelítés állandóan tartja az összekötő elem vizuális hasonlóságát, kritikus tesztet nyújtva annak eldöntésére, hogy a memória újraaktiválása közvetít-e reprezentációs változást a fizikai környezet változásain túl.

Négy keresőfény-elemzést futtattunk az egyes hippocampális almezőkön belül, hogy megvizsgáljuk az újraaktiválás hatását a tanulással kapcsolatos reprezentációs változásra közvetetten kapcsolódó memóriaelemek esetében (4B. ábra). Először is, két keresőfény-elemzést alkalmaztunk azon hippokampusz régiók azonosítására, amelyek az A és C elemek differenciálódását vagy integrációját mutatták, függetlenül az átfedő párok tanulása során a memória reaktiválás mértékétől (DifferentiationOverall és IntegrationOverall), és nem figyeltünk meg szignifikáns hatást a hippokampuszon belül.

4. ábra A tanulással összefüggő reprezentációs változás értékelése a tanulás közbeni memória reaktiváció függvényében. Előrejelzések a memória kialakulásához asszociatív tanulás révén. A tanulás előtt az egyes A és C elemek az expozíció előtti fázisban nem osztoznak egymással. A tanulás után az A és C elemek reprezentációi eltolódnak a B elemekkel való közös kapcsolatuk függvényében. Két idegi kimenetelre teszteltünk; a differenciálás esetén az indirekt módon kapcsolódó A és C elemek idegi mintázata várhatóan kevésbé lesz hasonló az expozíció utáni fázisban a tanulási reprezentációkhoz képest. Ezzel szemben a memóriaintegráció esetében a közvetetten kapcsolódó A és C elemek neurális hasonlósága az előrejelzések szerint a tanulástól az utótanulásig növekszik, tükrözve az átfedő neurális kódok kialakulását, amelyek összekapcsolják az események során tapasztalt elemeket. B, Négy reflektorfény-kontrasztot használtunk annak meghatározására, hogy a memóriareprezentáció a hippokampusz almezőiben változott-e a memória reaktiválási erejével a tanulás során. A reflektorok közül kettő azonosított olyan régiókat, amelyekben differenciálódás vagy integráció történt az újraaktiválási erősség minden fokán. A keresőlámpák egy másik csoportja olyan régiókat azonosított, amelyekben a neurális kódolás az újraaktiválás függvényében változott. C, A tanulással kapcsolatos reprezentációs változás a hippocampusban. A DG/CA2,3 és a subiculum alrégiói az átfedő emlékek közvetetten kapcsolódó elemeinek differenciálódását mutatták, de csak akkor, ha a reaktiváció erősebb volt a tanulás során. Ezzel szemben a CA1 egyik alrégiója a memória integrációját mutatta, de ismét csak akkor, ha az újraaktiválás erősebb volt az átfedő páros tanulás során. A hippocampális régiókat egy nyílt forráskódú, nagy felbontású T2 csoportsablon ábrázolja, amelyet hippocampális részmező elemzésekhez hoztak létre (Schlichting et al., 2019). D, Neurális hasonlóság-változás a reflektorfény-elemzésben (C) azonosított klaszterekben a natív térre való fordított normalizálás után, megerősítve a B-ből származó eredmények előrejelzett mintáját. Beillesztés, Ugyanazok az adatok külön-külön a hármason belüli és a triádon belüli hasonlóság mérésére. a különbségpontszámok kiszámítása. Mivel ez az elemzés a keresőfény-elemzésben azonosított voxeleken alapul, nem teljesen független. A hibasávok 6 SEM-et jeleznek.

Ehelyett azt jósoltuk, hogy a hippokampusz almezőiben a közvetetten kapcsolódó elemek reprezentációs hasonlósága az átfedő párok tanulása során a memória újraaktiválásának erősségétől függ. Ennek a hipotézisnek a tesztelésére két további keresőfény-elemzést végeztünk, amelyek a tanulással kapcsolatos reprezentációs változás és a memória reaktiválása közötti kölcsönhatást keresték; ezek a keresőlámpák a hippocampális régiókat izolálták, amelyek differenciációt vagy integrációt mutattak az átfedő párok tanulása során erősebb reaktivációval (DifferenciationReactivation és IntegrationReactivation).

Azt találtuk, hogy a kezdeti páros emlékek erősebb reaktiválása az átfedő párok tanulása során eltérő következményekkel járt a hippocampális almezőkben megfigyelt reprezentációs változás irányára. Amikor a kezdeti (A) emlékek erősen újraaktiválódtak az átfedő (BC) páros tanulás során, a DG/CA2,3 mintázat hasonlósága csökkent az A és C elemek között a tanulástól az utótanulásig (4C, D ábra; DifferentiationReactivation). A Subiculum ugyanazt a mintát mutatta, mint a DG/CA2,3, erősebb reaktivációval, ami az A és C elemek mintázatának csökkenéséhez vezetett. Ezzel szemben a CA1 a reprezentációs változás ellentétes mintáját mutatta, amikor a memória újraaktiválása erősebb volt, a tanulás után megnövekedett hasonlósággal az A és C elemek között (4C, D ábra; IntegrationReactivation). Ezek az eredmények azt sugallják, hogy az átfedő emlékek ábrázolása a hippocampális almezőkön belül a memória újraaktiválásától függ a tanulás során, ugyanazokkal a feltételekkel, amelyek disszociálható reprezentációs kódokhoz vezetnek a DG/CA2,3, CA1 és subiculumban.

Végül egy sor post hoc elemzést végeztünk a keresőfény-elemzésben azonosított minden egyes hippokampusz almezőn, hogy jobban megértsük, hogyan modulálta az újraaktiválás a kódolást az egyes régiókban. Először számszerűsítettük, hogy vannak-e globális eltolódások a neurális hasonlóságban, egyszerűen a tanulás függvényében, úgy, hogy kiszámítottuk a kereszthármas D értékét a nem kapcsolódó A és C elemekre (azaz a triádon átívelő alapvonalra). A D kereszttriád nem különbözött szignifikánsan a nullától a CA1-ben (t(24)=0.383, p=0.705, d=0.077) vagy a szubikulumban (t(25))=1.233, p=0.229, d=0.242), de nagyobb volt nullánál a DG/CA2,3 esetében (t(25)=3.431 , p=0.002, d=0.673). Ezek az eredmények azt mutatják, hogy mennyire fontos a kapcsolódó események hasonlóságának változása a kiindulási értékkel összehasonlítani, mivel a tanulás után még a nem kapcsolódó tételek hasonlósága is megváltozhat.

Ezt követően összehasonlítottuk az erős újraaktiválással társult triádon belüli D-t a D-hármason belüli alapvonallal a keresőfény eredményeinek érvényesítéseként (4D. ábra). Amint azt korábban említettük, ennek az elemzésnek egy figyelmeztetése az, hogy az eredményeket potenciálisan torzíthatja a neurális kódolás keresőfény-analízisében azonosított voxelek kiválasztása. Összhangban a keresőfény kontrasztjainak megjósolt mintázatával (4B. ábra), bizonyítékot találtunk a differenciálódásra, amely szerint az erős reaktivációhoz kapcsolódó triádok idegi hasonlóságának változása kisebb volt, mint a triádokon átívelő alapvonal a DG/CA2,3-ban (t(25).=2.298, p=0.030, d=0.451) és subiculum (t(25)=3.158, p=0.004, d=0.619). A CA1-en belül azt a tendenciát mutattuk ki, hogy a triádokon belüli integráció nagyobb hasonlóságot mutatott, ami a tanulás utáni erősebb reaktivációhoz kapcsolódik a triádokon átívelő alapvonalhoz képest (t(24)=1.766, p=0.090, d=0.353). Ezek a post hoc elemzések együttesen alátámasztják a keresőfény-elemzés eredményét, és azt mutatják, hogy az átfedő események részmezőkben való megjelenítését befolyásolja a kapcsolódó emlékek tanulás közbeni újraaktiválása.

Feltáró elemzésként számszerűsítettük a triádon belüli D-t a tanulás során gyengébb reaktivációval kapcsolatos triádok esetében. Bizonyítékot találtunk az integrációra a DG/CA2,3-ban (t(25)=3.709, p=0.001, d=0.727) és egy tendenciát a subiculumban (t() 25)=1.849, p=0.076, d=0.363), ahol a gyengébb reaktivációhoz társuló triádok D értéke nagyobb, mint a triádokon átívelő alapvonalnál megfigyelt. Ez az eredmény arra utal, hogy a DG/CA2,3 reprezentációs eltolódásai a versengés szintjének függvényében változhatnak, ami eltérő lehet, ha az emlékek erősen vagy gyengén újraaktiválódnak. A CA1-ben gyengébb reaktivációval járó triádoknál nem figyeltek meg eltérést az alapvonaltól (t(24)=1.062, p=0.299, d=0.212).

A memóriaintegráció támogatja a következtetési döntéseket Bayes-féle többszintű modellt alkalmaztunk a tanulás utáni hasonlóságváltozás (azaz integráció vagy differenciálás) és az AC következtetési teszt teljesítménye közötti kapcsolat vizsgálatára. Megvizsgáltuk a kapcsolódó emlékek tanulás közbeni újraaktiválása és a következtetési teljesítmény közötti kapcsolatot is. Egy résztvevőt kizártak ebből az elemzésből, mert a CA1-ben nem volt elegendő voxel (10 voxel). LBA modellt használtunk a következtetés pontosságának és a válaszidőnek egyidejű modellezésére. Bayes-féle mintavételt alkalmaztunk a modellel, hogy megbecsüljük a következtetések teljesítménye és a hasonlóságváltozás és a memória újraaktiválása közötti hármasszintű variabilitás közötti összefüggések meredekségét. Először felmértük, hogy a Bayes-féle mintavétel konvergált-e. A mintavétel során nem volt eltérés; a modellben szereplő minden egyes paraméternél [Rhat] 1,00102 volt, és az effektív mintanagyság legalább 5225. Ezek az eredmények azt mutatják, hogy a mintavétel sikeresen konvergált, és elegendő minta volt az egyes paraméterek becsléséhez.

Átlagos utólagos paramétereket használtunk a modellválaszok szimulálására, és azt találtuk, hogy a következtetési tesztben jól illeszkedtek a megfigyelt pontossághoz (5A. ábra) és válaszidőhöz (5B. ábra), néhány kísérlet kivételével. nagyon hosszú válaszidő. A tanulással kapcsolatos változás átlagos meredekség paraméterei (5C. ábra) pozitívak voltak a subiculum esetében (95 százalék HDI=[0.043, 0.477], d {{10}}.37) és a memória újraaktiválása (HDI=[0.0{{30}}5, {{ 43}}.437], d=1.51). A meredekség paraméterei a CA1-hez (HDI {{20}} [ 0.189, 0.244], d=0.15) és a DG/CA2,3-hoz (HDI=[ 0.393, 0.102], d=0.50) nem különböztek a nullától . A többi modellparaméter 95 százalékos HDI-je a következő volt: A=[2.059, 5.601], t=[{{7{{ 72}}}}.00,009, 0,515], m2=[0,130, 0,812], s2=[0,191, 0,831] , s CA1=[0,004, 0,458], s DG/CA2,3=[0,010, 0,577], sSubiculum=[0,002, 0,408] és sReact=[ 0,0002, 0,327]. Ezek az eredmények azt mutatják, hogy a tanulás közbeni nagyobb memória-reaktiváció és a szubikulumban történő tanulás utáni nagyobb AC hasonlóság gyorsabb és pontosabb következtetést jelez előre az egyes kísérletek szintjén.

A CISTANCHE HATÁSAI: JAVÍTJA MEMÓRIÁT

Vita

Eredményeink azt mutatják, hogy az újraaktivált emlékek irányítják a kapcsolódó események reprezentációinak megszervezését a hippocampális körön belül. A korábbi emlékek újraaktiválása új, egymást átfedő események kódolása során előrejelezte az epizódokon átívelő következtetési teljesítményt, és eltérő következményekkel járt a hippocampális almezőkben való reprezentációra nézve; Az erős újraaktiválás az átfedő emlékek differenciálódásához vezetett a DG/CA2,3-on és a subiculum-on belül, ugyanakkor elősegítette ugyanezen emlékek integrálását a CA1-be. A korábbi munkák arra összpontosítottak, hogy a hippocampális részmezők kódolását egy átviteli függvényen keresztül magyarázzák, amelyen keresztül a környezeti jelzések változásai differenciális neurális kimenethez vezetnek (Leutgeb és mtsai, 2004, 2007; Lacy és mtsai, 2011; Yassa és Stark, 2011). Itt megmutatjuk, hogy a perceptuális bemenet változásai nem az egyetlen tényező, amely meghatározza a reprezentáció tanulását a hippocampális almezőkön belül. Adataink inkább azt mutatják, hogy a hippocampális részmező kódolását tovább vezérli, hogy egy új tapasztalat milyen mértékben váltja ki a kapcsolódó epizódok újraaktiválását. Eredményeink tehát kiterjesztik korábbi megállapításainkat reprezentációs szinten, hogy megmutassák, hogy a kortikális memória reaktivációja disszociációkat okoz a hippocampalis almező kódolásában a nagyon hasonló emlékek közötti versengés mellett.

A hippocampális reprezentációval kapcsolatos korábbi munkák elsősorban az almezők kódolását a környezeti változásokra reagáló automatikus folyamatként képzelték el, ahol a szenzoros bemenetekről feltételezik, hogy a hippocampális válaszok fő mozgatórugói. Például a rágcsálókon végzett korai elektrofiziológiai vizsgálatok azt mérték, hogyan lehet elhelyezni a terepi reakciókat a hippocampális részmezőkben, amelyeket úgy térképeztek át, hogy az állatok fokozatosan változó észlelési jellemzőkkel rendelkező környezetben navigáltak (Guzowski et al., 2004; Lee és mtsai, 2004; Leutgeb et al., 2004, 2007). Vazdarjanova és Guzowski, 2004). Ez a munka feltárta, hogy a környezeti jellemzők kis változásai drámai változásokhoz vezettek a DG és a CA3 válaszaiban, ami a bemeneti minták ortogonalizációját tükrözi. Ezzel szemben a CA1 válaszok fokozatosan változtak, lineárisan skálázva a környezetek közötti észlelési változás mértékével; az észlelési szempontból hasonlóbb környezetekben a CA1 aktivitás nagyobb átfedést mutatott a válaszadásban. Az embereken végzett korábbi munkák hasonló megközelítést alkalmaztak: a résztvevőknek nagyon hasonló vizuális képpárokat mutattak be (pl. két különböző alma képét), és mindkét képre mérték a hippocampális részmezőre adott válaszok nagyságát (Bakker et al., 2008; Lacy et al. , 2011). Ezekben a vizsgálatokban a DG/CA2,3 újszerű választ mutatott mindkét nagyon hasonló kép esetében, ami a két kép külön kódolására utal. A pár második, nagyon hasonló képére adott CA1 és subiculum válaszok azonban elnyomtak az első pártag megjelenítéséhez képest, ami a páros képek hasonló ábrázolására utal.

Míg a múltban végzett állati és emberi munkák fontos disszociációkat tártak fel a hippocampális részmező feldolgozása között, eredményeink erre a munkára építve megmutatják, hogy a hippocampális reprezentáció tanulása nem egyszerűen passzív folyamat, hanem aktívan befolyásolja a memória reaktiválása (Hulbert és Norman, 2015; Kim et al., 2017; Ritvo et al., 2019). Megmutatjuk, hogy a hippocampalis részmező disszociációi akkor a legnyilvánvalóbbak, amikor a múltbeli emlékek erősen újraaktiválódnak, versenyképes tanulási állapotot hozva létre, amely elősegíti a differenciálódást a DG/CA2,3-ban és a subiculumban, a CA1-be való integrációval egyidejűleg. Adataink tehát azt jelzik, hogy számszerűsíteni kell az események közötti észlelési hasonlóságot, és azt, hogy az átfedő észlelési jellemzők miként váltják ki a memória újraaktiválását, hogy teljes mértékben figyelembe vegyék, hogyan jelennek meg a disszociálható reprezentációk a hippocampális áramkörben. A fent leírt korábbi emberi munka egyik érdekes aspektusa, hogy az alterületek közötti disszociáció az elvégzett feladat természetétől függött (Kirwan és Stark, 2007; Bakker és mtsai, 2008; Lacy és mtsai, 2011). Amikor a kritikus kísérleti manipuláció (azaz az elemek közötti vizuális hasonlóság) mellékes volt az elvégzett feladatban résztvevők szempontjából, disszociációkat figyeltek meg az almezők között (Bakker et al., 2008; Lacy és mtsai, 2011). Ha azonban ugyanazokat az ingereket és prezentációs eljárásokat szándékos feladatfókusszal kombinálták, a disszociáció kevésbé volt nyilvánvaló (Kirwan és Stark, 2007). Ezeknek az eltérő megállapításoknak a mechanikus forrását még nem sikerült feltárni. Ha számszerűsítjük a memória reaktivációját a szándékos vagy véletlen fókuszú feladatok során, további betekintést nyerhetünk abba, hogy a feladat céljai hogyan befolyásolják a memóriaverseny hatásának dinamikáját a neurális reprezentációra (Richter et al., 2016).

Eredményeinket felügyelt és nem felügyelt tanulási modellek formájában lehet konceptualizálni, amelyek mindegyike más tanulási célokra összpontosít. Míg a felügyelt tanulást a reprezentációknak a környezetben közvetlenül megfigyelt szenzoros jelzésekhez való illesztése irányítja, a felügyelt tanulás úgy igazítja a reprezentációkat, hogy csökkentse a versenyt a jelenlegi tapasztalat és az új esemény által kiváltott újraaktivált memóriareprezentációk között (Ritvo et al., 2019) integráción vagy differenciáláson keresztül. Míg a tanulás valószínűleg a felügyelt és a nem felügyelt mechanizmusok közötti egyensúlyt tükrözi, eredményeink azt mutatják, hogy az újraaktivált emlékek fontos aspektusai annak, hogyan alakulnak ki a disszociálható kódolási stratégiák a hippocampális almezőkön.

Eddig csak egy másik, embereken végzett tanulmány használt többváltozós reprezentációs elemzéseket a hippocampális almezők közötti disszociáció számszerűsítésére, különösen akkor, amikor az egyének megosztott vagy eltérő térbeli kontextusokról szereztek információkat (Dimsdale-Zucker et al., 2018). Ez a tanulmány kimutatta, hogy az ugyanabban a térbeli kontextusban tanult elemek átfedő aktiválási mintákat váltottak ki a CA1-ben és differenciált mintákat a DG/CA2,3-ban a lekérdezés során azokhoz az elemekhez képest, amelyek nem osztottak meg kontextuális információkat. A jelenlegi megállapítások több kulcsfontosságú szempontból eltérnek attól a tanulmánytól. Először is, a korábbi vizsgálat a részmezők kódjait mérte a memória-visszakeresés során, míg munkánk feltárja azokat az aktív tanulási folyamatokat, amelyek a disszociálható részmező-reprezentációk kialakulását segítik elő. Pontosabban, ez a korábbi tanulmány nem számszerűsítette, hogy a hasonló emlékek újraaktiválása, akár tanulás, akár visszakeresés során, hogyan kapcsolódik a hippocampális almező kódolásához. Itt a hippocampális almező kódolásában a memória reaktiválása következtében bekövetkező disszociációt mutatjuk be. Továbbá megmutatjuk, hogy a hippocampális alrégiók által alkotott neurális kódok nemcsak az egyszerű felismerést (Dimsdale-Zucker és mtsai, 2018) vagy a térbeli memóriát (Leutgeb et al., 2004, 2007), hanem az emlékek közötti kapcsolatokra vonatkozó következtetéseket is támogatják (ld. szintén Schlichting et al., 2014). A következtetési döntések gyorsabbak és pontosabbak voltak az indirekt elemek közötti hasonlóság növekedésével a szubikulumban való tanulás után, jelezve, hogy az átfedő kódok hogyan segítik elő a közvetlen tapasztalaton túlmutató tudáskinyerést.

Megállapításunk, miszerint a szubikulum reprezentációk követik a következtetési döntéseket, azt tükrözheti, hogy a szubikulum a hippocampális áramkör kimeneti struktúrája (O'Mara et al., 2001), amely kulcsszerepet játszik a visszaemlékezésben (Viskontas et al., 2009; Lindberg et al. , 2017). Míg a szubikulum az átfedő párok tanulással kapcsolatos differenciálódását mutatta összességében, modellezési adataink azt mutatják, hogy a szubikulum reprezentációs változása a válaszok kontinuumát tükrözi. A fokozott integráció (amely kisebb differenciálásnak is tekinthető) elősegítette a gyorsabb és pontosabb következtetést. Eredményeink arra utalnak, hogy ha az emlékek jobban integráltak (vagy kevésbé differenciáltak), a következtetést megkönnyíti a közvetetten kapcsolódó elemek közötti tárolt kapcsolat visszakeresése (Shohamy és Wagner, 2008; Schlichting et al., 2014); ezzel szemben a differenciálás lelassíthatja a következtetést két különálló nyom között, amelyeket a teszt során vissza kell keresni és újra kell kombinálni (Koster et al., 2018).

A szubikulumhoz hasonlóan a DG/CA2,3 tanulással kapcsolatos differenciálódást mutatott a közvetetten kapcsolódó memóriaelemek között, amikor a memória újraaktiválása erősebb volt a kódolás során. Mindazonáltal meg kell jegyezni, hogy az átfedő memóriaelemek DG/CA2,3 differenciálódása csak a független, triádokon átívelő alapvonalhoz képest volt megfigyelhető; nem változott a hasonlóság a tanulástól az utótanulásig az önmagukban közvetetten kapcsolódó tételek esetében (4D. ábra, betét). Ez a megállapítás összhangban van azokkal a korábbi munkákkal, amelyek a hippocampális differenciálódást mutatják a tanulás utáni kapcsolódó események és a nem kapcsolódó események tekintetében (Favila és mtsai, 2016; Dimsdale-Zucker és mtsai, 2018), ugyanakkor az idő múlásával fellépő hasonlóság kiindulási változásait is kontrollálják. Ezenkívül a DG/CA2,3 bizonyítékot mutatott a memória integrációjára, amikor a memória reaktivációja gyengébb volt a tanulás során, ami arra utal, hogy ebben a régióban árnyaltabb reprezentációs dinamika lehetséges. Például a reaktiváció által kiváltott memóriaverseny nem monoton kapcsolatban állhat a DG/CA2,3 reprezentációs változásával (Ritvo et al., 2019). Az erősebb reaktiváció elősegítheti az aktív differenciálódást; a gyengébb vagy közepes szintű újraaktiválás integrációhoz vezethet, és az újraaktiválás nem eredményezhet átfedő reprezentációkat, amelyek passzív ortogonalizációval válnak el egymástól. Ez a komplex kódolási stratégia magyarázatot adhat arra, hogy a DG/CA2,3 miért mutat bizonyítékot a differenciált (Kim et al., 2017) és az integrált (Schapiro és mtsai, 2012) reprezentációkra különböző körülmények között. Alternatív megoldásként eredményeink egy kombinált DG/CA2,3 régió használatát tükrözhetik, amelynek összetevőiről úgy gondolják, hogy különböző átviteli funkciókat mutatnak a környezeti jelek és az ebből eredő memóriareprezentációk között (Yassa és Stark, 2011). Az eredmények megfigyelt mintája azt jelzi, hogy a memória reaktivációjának és a reprezentációs változásnak a számszerűsítése szükséges ahhoz, hogy teljes mértékben megértsük, hogyan befolyásolja a memóriaverseny a reprezentáció tanulását a DG/CA2,3-ban.

Összefoglalva, empirikus eredményeink alátámasztják a hippocampális áramkör nemrégiben javasolt számítási modelljét (Schapiro et al., 2017); Az ebből a modellből származó szimulációk azt sugallják, hogy a CA1 az események közötti kapcsolatokat reprezentálhatja, míg a DG és CA3 reprezentációk hangsúlyozhatják a hasonló epizódok közötti különbségeket. Eredményeink összhangban vannak ezekkel a számítási előrejelzésekkel, a CA1 integrált reprezentációkat képez hasonló emlékekhez, míg a DG/CA2,3 és a subiculum ugyanazokat a tapasztalatokat különbözteti meg. Ezenkívül megmutatjuk, hogy a hippocampális reprezentációk támogatják az újszerű következtetéseket, megkönnyítve a nem megfigyelt összefüggések felfedezését az eltérő, de kapcsolódó tapasztalatok között. A jelen munka azt is megmutatja, hogy a hippocampális részmező disszociációi nem az érzékszervi bemenet egyszerű függvényei, hanem a tanulás során a memória alapú versengés eredménye. A jelen tanulmány együttesen elősegíti annak megértését, hogy az előzetes tudás hogyan alakítja az új események megjelenését a hippocampális áramkörben, empirikus tesztet nyújtva a hippocampális memóriafunkció számítási modelljeinek kulcsfontosságú előrejelzéseire.

A CISTANCHE KIEGÉSZÍTŐ HATÁSAI: JAVÍTJA A MEMÓRIÁT