Свързването на шпиндел-бавно трептене корелира с производителността на паметта и промените в свързаността в хипокампалната мрежа след сън
Aug 24, 2023
Резюме
След като преживяванията са кодирани, се предполага, че реактивациите след кодиране по време на сън опосредстват дългосрочната консолидация на паметта. Свързването на вретено-бавно трептене по време на NREM сън е кандидат-механизъм, чрез който хипокампалният кортикален диалог може да укрепи новоформирана енграма на паметта. Тук изследвахме ролята на свързването на бързо вретено и бавно вретено-бавно трептене в консолидирането на пространствената памет при хората с виртуална задача за воден лабиринт, включваща алоцентрични и егоцентрични стратегии за учене. Освен това анализирахме как функционалната свързаност в състояние на покой се разви чрез обучение, консолидация и извличане на тази задача, използвайки подход, управляван от данни. Нашите резултати показват свързани със задачата промени в свързаността в мрежата за изпълнителен контрол, мрежата на режима по подразбиране и мрежата на хипокампа при почивка след изпълнение на задачата. Хипокампалната мрежа може допълнително да бъде разделена на две подмрежи, от които само една показва модулация от сън. Намалената функционална свързаност в тази подмрежа беше свързана с по-висока мощност на свързване на шпиндела и бавните трептения, което също беше свързано с по-добра производителност на паметта при теста. Като цяло, това проучване допринася за по-холистично разбиране на функционалните мрежи в състояние на покой и механизмите по време на сън, свързани с консолидирането на пространствената памет.
Cistanche опит - Подобряване на паметта
КЛЮЧОВИ ДУМИ
консолидация на паметта, мрежи в състояние на покой, сън, бавни трептения, вретена
1|ВЪВЕДЕНИЕ
Теорията за системна консолидация е една от най-широко изучаваните рамки за формиране на дългосрочна памет. Теорията твърди, че лабилните енграми в мозъка, кодирани по време на учене, се засилват чрез повтарящо се реактивиране. С течение на времето този процес може да доведе до по-стабилно дългосрочно представяне - консолидирана следа от паметта (Squire et al., 2015). Смята се, че реактивирането на енграмата се случва предимно по време на сън, но може да се наблюдава и по време на тиха почивка. Потенциален ключов механизъм, лежащ в основата на системната консолидация, представлява йерархичната координация на три типа събития по време на сън с небързо движение на очите (NREM): (1) високоамплитудни кортикални бавни трептения, (2) вретена, задвижвани от таламичния съюзник, и (3) хипокампални остри вълнообразни вълни. Смята се, че организирането на тези трептения, задвижвани от нарастването и отслабването на бавните трептения в префронталния кортекс (Helfrich et al., 2019), задава идеални времеви прозорци за трансфер на информация от хипокампа към кората (Sirota et al., 2003) и мозъка -обширни процеси на синаптична консолидация, лежащи в основата на консолидацията на системите (Genzel, 2020; Genzel, Kroes, et al., 2014; Navarro-Lobato & Genzel, 2020). При хората последователно са идентифицирани два вида вретена: бавни вретена (~9–12,5 Hz) и бързи вретена (~12,5–16 Hz), които са най-видни съответно над фронталните и центро-париеталните области (Adamczyk et al. , 2015; Anderer et al., 2001). И двата вида шпиндели са свързани към бавни трептения. Докато бързите вретена често са вложени в възбудимото състояние на възбуждане на бавните трептения, бавните вретена обикновено се появяват по време на преходния период към инхибиращото низходящо състояние на бавните трептения (Molle et al., 2011). Бързите вретена са замесени като улесняващи трансфера на информация между хипокампуса и неокортекса, тъй като те съвпадат с хипокампалните остри вълни (Staresina et al., 2015). Бавните вретена, които най-вече се предшестват от вълни, могат да бъдат свързани с кортикално кръстосано свързване на прехвърлената информация и модулацията на префронталната верига за формиране на представяне на неокортикална памет (Molle et al., 2011). Въпреки това, само при проучвания върху хора има последователно разделение между бавни и бързи вретена. Тъй като това подразделение рядко се прави при изследвания върху животни, липсват конкретни доказателства за различна функция на всеки тип вретено. Влиянието на тези два типа вретено върху поведението е дори по-малко убедително. Последните открития на ЕЕГ показват, че по-голямото количество и повишената последователност в свързването на бързи вретена и бавни трептения са свързани с повишена декларативна производителност на паметта (Hahn et al., 2020; Muehlroth et al., 2019; Niknazar et al., 2015) . Експерименталното укрепване на координацията между хипокампалните остри вълни, бавните трептения и предните вретена при гризачи – потенциално аналог на човешките бавни вретена – също доведе до повишена производителност на паметта (Maigret et al., 2016). Обратно, предварителните констатации за свързване на бавно вретено-бавно трептене при хора сочат към намалена производителност на декларативната памет с повишено свързване на бавно вретено-бавно трептене или изобщо няма ефект (Barakat et al., 2011; Muehlroth et al., 2019). По този начин е от решаващо значение да се разграничи поведенческото значение на двата типа вретено в консолидацията на паметта. Като се има предвид значението на съня и хипокампуса при офлайн консолидацията, се предполага, че сънят играе отделна роля в консолидацията на зависимите от хипокампуса спомени, за разлика от „независимите от хипокампуса“ спомени. Тези два типа спомени могат да бъдат изследвани с помощта на парадигми за пространствена навигация. Навигацията в среда включва използването на различни навигационни стратегии, а именно алоцентрични и егоцентрични стратегии (за преглед Ekstrom et al., 2017). В алоцентрична референтна рамка навигаторът може да заключи тяхната позиция въз основа на относителните позиции на стабилни ориентири. Предполага се, че алоцентричното пространствено обучение силно разчита на хипокампуса, тъй като изисква пространствена когнитивна карта на позициите на ориентир (O'Keefe & Nadel, 1978). За разлика от това, егоцентричната референтна рамка непрекъснато се променя с движението на навигатора. По време на егоцентричното пространствено обучение, навигаторът трябва да следи преместеното разстояние и посоката, за която дорзалния стриатум е идентифициран като критична структура (McDonald & White, 1994). Следователно може да се предложи, че в пространствен контекст механизмите за консолидация се различават между алоцентричните и егоцентричните условия на обучение и съответно влияят върху работата на паметта. Въпреки това, скорошни доказателства сочат участието на хипокампа в консолидацията по време на сън, дори за спомени, считани преди това за независещи от хипокампуса (Sawangjit et al., 2018; Schapiro et al., 2019), и подобни функционални мрежови промени след сън в алоцентрични и егоценни обучение с трикове (Саманта и др., 2021). Следователно остава открит въпросът как пространствената информация на двете референтни рамки се консолидира по време на сън и как тези механизми влияят на производителността на паметта. Въпреки че голяма част от работата е фокусирана върху ролята на съня в консолидирането на системната памет, проучвания както при гризачи (Davidson et al., 2009; Diba & Buzsáki, 2007), така и при хора (Schuck & Niv, 2019; Tambini & Davachi, 2013) показват, че процеси на консолидация в цялата система по време на будни периоди на почивка веднага след обучението. Подобно на консолидацията, зависима от съня, представянето на събития се активира спонтанно в хипокампално-таламокортикалната мрежа по време на почивка след кодиране (за подробен преглед вижте Tambini & Davachi, 2019). Смята се, че важни възли на тези реактивации включват хипокампалната мрежа, центрирана върху медиалния темпорален кортекс и ретросплениалния кортекс (van Buuren et al., 2019), както и взаимодействията между центровете на мрежата на режима по подразбиране (Lin et al., 2017) и мрежи, свързани със задачите (напр. мрежата за изпълнителен контрол; Sneve et al., 2017). Показано е, че по-високи нива на функционална свързаност в състояние на покой между зони, специфични за стимулите и хипокампуса, предсказват бъдещата способност за извличане на памет (Tambini et al., 2010). В допълнение, функционалната свързаност непосредствено след ученето, както и количеството реактивиране на хипокампа предсказва последващо задържане на паметта през нощта, което предполага допълнителна връзка между реактивирането в будно състояние и по-късното консолидиране по време на сън (Schapiro et al., 2018). Докато повечето предишни проучвания изследват поотделно един тип период след кодиране (т.е. почивка или сън), проучвания, изследващи процесите на консолидация през двата периода, са необходими, за да се получи холистично разбиране на паралелите между механизмите на консолидация по време на тези отделни мозъчни състояния. По този начин настоящото изследване има за цел да предостави мерки в рамките на проучването при различни състояния на мозъка след кодиране и да покаже тяхната връзка с производителността на паметта в задача за пространствена навигация. Нашето проучване е продължение на нашите изследвания върху ефекта на съня върху алоцентричните и егоцентричните паметови представяния при хора и плъхове (Samanta et al., 2021). Участниците извършиха човешки аналог на водния лабиринт (Morris, 1981), валидирана парадигма за изучаване на различни аспекти на пространствената навигация (Müller et al., 2018; Schoenfeld et al., 2017). Докато Samanta et al. (2021) се съсредоточи върху данните от fMRI за задачи по време на обучение и извличане, тук се съсредоточихме върху fMRI в състояние на покой и данни от EEG на сън. По този начин функционалната свързаност в състояние на покой в съответните мрежи беше оценена преди и след учене и извличане на задачата за памет, в която участниците участваха или в алоцентрична, или в егоцентрична пространствена навигация. ЕЕГ беше използван между двете сесии на задачите за измерване на NREM свързаните със съня процеси на консолидация (т.е. характеристики на вретено и бавни колебания и тяхното свързване). Ние възприехме подход, основан на данни (Ribeiro de Paula et al., 2017), за да изследваме еволюцията на функционалната свързаност в състояние на покой в пространственото обучение, консолидацията и извличането на паметта. Мрежите в състояние на покой бяха избрани въз основа на резултатите, получени от Samanta et al. (2021), включително мрежата на режима по подразбиране, хипокампалната мрежа и дясната изпълнителна контролна мрежа. За да установим триадна връзка между сън, състояние на почивка и поведение, ние корелирахме параметрите на вретеното и бавните колебания, промените във функционалната свързаност в състояние на почивка и мерките за ефективност на задачата за пространствена памет. Саманта и др. (2021) откриват подобни промени в мозъка, свързани със съня, в извличането на паметта за алоцентрично и егоцентрично обучение. По-конкретно, активациите се увеличават в мрежата за изпълнителен контрол и намаляват в мрежата на режима по подразбиране от обучение до извличане, ако субектите спят след обучението. Следователно очаквахме да наблюдаваме подобни промени в тези две мрежи в покой. Процесите на консолидация в целия мозък също трябва да бъдат наблюдавани за хипокампалната мрежа, която координира консолидацията по време на сън и в покой. Ние предположихме, че свързването на вретено-бавно трептене е положително свързано с промените в хипокампалната мрежа и производителността на паметта. Тези открития не трябва да се различават при различните състояния на паметта, тъй като Samanta et al. (2021) не наблюдават разлика между алоцентрично и егоцентрично обучение. Наистина, нашите резултати показват, че изпълнителният контрол и мрежите на режима по подразбиране се променят в хипотезираните противоположни посоки преди изпълнението на задачата. Освен това идентифицирахме две подмрежи в хипокампалната мрежа. Основната подмрежа беше независима от състоянието на сън и с повишена функционална свързаност преди и след изпълнението на задачата и след почивката. Свързаността във втората подмрежа намаля през почивката само за участниците, които подремнаха. И накрая, мощността на свързване на бавни осцилации на вретено е положително свързана с производителността на паметта и намалената свързаност във втората, зависима от съня хипокампална подмрежа. Всички ефекти бяха еднакви за алоцентричното и егоцентричното обучение. Нашите открития предполагат, че активирането в състояние на покой може да бъде разделено на промени, свързани със задачи и свързани с консолидация, които са или независими от съня, или зависими от съня. Само промените, зависещи от съня, са свързани със свързване на вретено-бавно трептене, което допринася еднакво за производителността на паметта за алоцентрично и егоцентрично обучение.
Cistanche ползи за мъже-Против болестта на Алцхаймер
【Попитайте за повече】 Имейл:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692
2|МЕТОДИ И МАТЕРИАЛИ
2.1|Участници
Седемдесет и седем неврологично здрави участници от мъжки пол с дясна ръка (възрастов диапазон: 18–30 години, средно=24) бяха наети за проучването. Бяха избрани само участници от мъжки пол, тъй като извадката включва субпопулация от по-голямо транслационно изследване, използващо само мъжки гризачи (Samanta et al., 2021). Проучването е одобрено от местната комисия по етика (CMO Arnhem-Nijmegen, Radboud University Medical Center) съгласно общото етично одобрение („Imaging Human Cognition,“ CMO 2014/288) и експериментът е проведен в съответствие с тези насоки. Набирането се извърши чрез системата за участие в научни изследвания Radboud. Участниците бяха проверени и изключени въз основа на (1) приемане на лекарства за сън, (2) редовна дрямка и (3) участие в професионални игри. Преди началото на експеримента всички участници предоставиха писмено информирано съгласие и получиха финансова компенсация за участието си. Общо четиринадесет участници бяха изключени от анализа след събиране на данни. Осем субекта бяха изключени от експеримента поради технически проблеми по време на обучение или извличане: За петима участници джойстикът беше неправилно калибриран, а за останалите трима имаше технически проблеми, включително внезапен срив на програмата за среда на задачи по време на сканирането. Три субекта са спали по-малко от 30 минути в теста за сън или в контролната сесия. Техните z-резултати са повече от 2,5*σ далеч от извадката средна стойност на действителното време на сън. Действителното време на сън беше изчислено за всеки субект като общо време на сън (TST), с изключение на будност след началото на съня (WASO). За други трима субекта беше идентифицирано голямо изместване на изображението поради движение на главата по време на fMRI сканирането. Количеството изместване в серията изображения беше оценено с индекс на качеството (QI), като се използва уравнение (1):
where max. abs. is the maximum absolute displacement of a given volume with respect to a reference time point (i.e. middle volume in the time series) and max. rel. represents the maximum relative displacement at a given volume with respect to the subsequent time point. The two measures account for gradual as well as abrupt changes in head position. The cut-off for the exclusion of participants was set to a QI >16.4 (Ribeiro de Paula et al., 2017). Обобщено, 63 субекта се считат за крайна извадка (възрастов диапазон: 18–30 години, средно=23.3).
2.2|Експериментална процедура
С 2 2 пълен факторен смесен дизайн тествахме процеси на консолидация в цялата система на парадигма за пространствена памет. По време на fMRI сканиране, участниците участваха в ало- или егоцентрично пространствено обучение и възстановяване на паметта в предварително валидиран човешки аналог на водния лабиринт (Müller et al., 2018; Schoenfeld et al., 2017). Непосредствено преди и след сесиите за обучение и извличане, функционалната свързаност беше оценена с fMRI в състояние на покой. Това се равнява на общо четири fMRI сесии в състояние на покой от 9 минути всяка. Между пространственото обучение и извличането на паметта, EEG на съня се използва за измерване на съня. В експерименталните условия участниците бяха инструктирани да спят 90 минути, докато контролната група гледаше филм за същото време. Приблизително 2 седмици след експеримента, участниците в състояние на сън завършиха сесия за контрол на съня за 90 минути, която не последва обучение.
Добавка Cistanche близо до мен-Подобряване на паметта
2.3|Задача за виртуален воден лабиринт
Задачата за виртуален воден лабиринт е адаптация на водния лабиринт с плъхове, установен метод за тестване на пространствени способности при гризачи (Morris, 1981).
Тази аналогична парадигма за хората е съвместима със средата на MRI скенера (Schoenfeld et al., 2017). Участниците бяха инструктирани да навигират около виртуален остров с цел да намерят кутия със съкровища. Използвахме две различни настройки в тази парадигма: „скрит остров“ и „остров с указания“. Скритият остров беше заобиколен от четири забележителности (т.е. мост, платноходка, вятърна турбина и фар; вижте Фигура S1). Скрита кутия със съкровища на острова маркира целевото местоположение. Кутията беше разположена в малка вдлъбнатина на повърхността на виртуалния остров и следователно се виждаше само в непосредствена близост. За разлика от това, островът с реплики нямаше никакви ориентири за ориентация, освен знаме до кутия със съкровище, което се виждаше от разстояние. Позицията на това знаме заедно с кутията със съкровището се променяше при всяко изпитание. Последователността от задачи се състоеше от осем редуващи се блока от указателни и скрити острови, което доведе до общо 16 опита. Във всеки опит участниците са били свободни да се движат из острова със свое собствено темпо с помощта на джойстик. Когато целевото място в непосредствена близост до кутията със съкровището беше достигнато, участниците можеха да прекратят изпитанието с натискане на бутон на джойстика. Имаше интервал от 15-s между края на един опит и началото на следващия, през който участниците можеха да се обърнат на острова и да се ориентират. Участниците първо се натъкнаха на острова с реплики, в който трябваше да намерят видимия флаг. Този остров е използван за контрол на перцептивната и двигателната обработка, за да се изолират ефектите на паметта при по-късен анализ. За срещата със скрития остров участниците бяха разпределени на случаен принцип към едно от условията на обучение - алоцентрично или егоцентрично. Алоцентричната група започва от различно място на острова при всеки опит и ще трябва да се преориентира всеки път, за да намери целевото местоположение, като по този начин насърчава използването на навигация по място. В егоцентричната група те биха имали едно и също начално местоположение във всеки опит и следователно биха могли да разчитат на повтарящо се фиксирано движение, за да стигнат до целевото местоположение в допълнение към видимите знаци, което им позволява да използват и двете навигационни стратегии. Като цяло участниците бяха заслепени за тези две условия. За учебните изпитания основната цел на участниците и в двете условия беше да научат местоположението на целевата кутия в осемте скрити островни изпитания. За опитите за извличане, настройката на острова остана същата с една модификация - кутията със съкровището беше премахната от скрития остров и участниците бяха инструктирани да маркират местоположението доколкото им е известно, където си спомниха кутията да бъде разположена.
2.4|Събиране на данни
2.4.1|Полисомнографски записи
Полисомнографските записи бяха получени с честота на вземане на проби от 500 Hz (BrainAmp, Brain Products, Gilching, Германия) по време на 90 минути дрямка. Бяха монтирани тридесет и два електрода на скалпа (международна 10–20 ЕЕГ система), включително Fz, F3, F4, Cz, C3, C4, Pz, P3, P4, Oz, O1, O2 и свързани с левия мастоид. Освен това бяха записани хоризонтални и вертикални движения на очите (EOG), електромиограма (EMG) на брадичката и електрокардиограма (ECG). Записите започнаха малко след изгасването на светлината. След експеримента точкуването на съня беше извършено от експериментатор, който беше заслепен за условията, използвайки SpiSOP toolbox (www.spisop.org; RRID: SCR_015673). В съответствие с правилата за оценяване на Американската академия по медицина на съня (AASM), етапи 1 и 2 на съня, бавновълнов сън, REM сън, събуждания и движения на тялото бяха визуално оценявани в епохи от 30 s въз основа на EOG, EMG и следните канали —F3, F4, C3, C4, O1, O2.
2.4.2|FMRI придобиване
Времевите серии на FMRI бяха получени с помощта на 3T скенер само за глава (Prisma 3T, Siemens, Erlangen, Германия). Седемстотин T2*-претеглени изображения бяха получени с многолентова градиентно-ехо ехо-планарна образна последователност (многолентов фактор=8, 64 аксиални среза, време на обемно повторение [TR]=1000 ms, време на ехо [TE ]=39 ms, 52 ъгъла на обръщане, дебелина на среза=2.4 mm; зрително поле (FOV) 210 mm; размер на воксела 2 mm изотропно). Анатомичните изображения са получени с помощта на T1-претеглена MP-RAGE последователност (192 сагитални среза, обем TR=2300 ms, TE=3.03 ms, 8 ъгъл на обръщане, дебелина на среза, 1 mm ; FOV, 256 mm; размер на воксела 1 1 1 mm). Всички данни са достъпни в хранилището на Donders di. мога. DSC_3013066.01_875.
2.5|Обработка на данни
2.5.1|Предварителна обработка на ЕЕГ на сън
Данните бяха предварително обработени в Matlab R2020b (Mathworks Inc., Шерборн, Масачузетс) с помощта на кутията с инструменти Sleeptrip (www.sleeptrip. org; RRID: SCR_017318). Всички ЕЕГ канали бяха пренасочени към средните мастоиди (А1 и А2) и данните бяха лентово филтрирани между 0,3 и 35 Hz (4-ти ред на Butterworth филтър с нулева фаза). Като цяло бяха приложени само филтри с нулева фаза (т.е. посока напред и назад). Лошите ЕЕГ канали бяха визуално отхвърлени въз основа на техния спектър на мощност. За останалите канали бяха открити артефакти в дългите прозорци на 30-. Сегменти, които бяха визуално идентифицирани като движение на тялото, бяха маркирани за по-късно изключване. За допълнително идентифициране на сегменти, които силно се отклоняват от наблюдаваното общо амплитудно разпределение, средните амплитудни разлики за всеки сегмент бяха z-стандартизирани във всеки канал. Сегменти с az > 5 във всеки от каналите бяха изключени (Muehlroth et al., 2019). TST се изчислява като време, прекарано в етапи 1, 2, SWS и REM сън. WASO се определя като времето, през което участниците са били будни между началото на съня и окончателното събуждане.
Ефекти от билката цистанче - срещу болестта на Алцхаймер
2.5.2|Откриване на шпиндела
Вретената бяха открити с помощта на автоматизиран алгоритъм, внедрен в Sleeptrip въз основа на предишни публикации (Weber et al., 2020) и алгоритъма „изключен“, внедрен в Python, версия 3.8 (Donoghue et al. , 2020). Предполагаемите пикове на мощността в честотните ленти на бавното вретено (9–12,5 Hz) и бързото вретено (12,5–16 Hz) бяха визуално открити от NREM епохи (т.е. N2 и N3). Преди проверката на спектрите на мощността апериодичният компонент 1/f беше премахнат от сигнала чрез монтиране на лоренцианска функция. За всеки участник, пиковете на бавното вретено бяха идентифицирани ръчно в средната стойност на трите фронтални канала (Fz, F3, F4; сесия на тест за сън: 10.25 Hz ± 0.1, средно ± SEM ; Сесия за контрол на съня: 10,07 Hz ± 0,14, средна стойност ± SEM) и пикове на бързи вретена в средната стойност на трите централни канала (Cz, C3, C4; Сесия за тестване на съня: 13,44 Hz ± 0,09, средна стойност ± SEM; Сесия за контрол на съня: 13,44 Hz ± 0,06, средно ± SEM). За да проверим визуално дефинираните честотни пикове, ние итеративно монтирахме гаусиани към периодичните компоненти на мощността с fooof (вижте Фигура S2, напр. спектри). В случай на разлика в ръчните етикети и монтираните гаусови пикове, спектрите на мощността бяха преразгледани. Този метод беше използван, за да се избегне въвеждането на фалшиви събития на вретено (Ujma et al., 2015). След това сигналът на всеки канал беше лентово филтриран (±1,5 Hz, 3 dB прекъсване, нулев фазов филтър на Butterworth от 4-ти ред) около идентифицираните индивидуални честотни пикове. Средноквадратичното (RMS) представяне на сигнала беше изчислено във всяка пробна точка и изгладено с помощта на филтър за подвижна средна стойност в плъзгащ се прозорец от 200 ms. Беше отбелязано потенциално вретено, ако амплитудата на изгладеният RMS сигнал надвишава средната му стойност с 1, 5 SD на филтрирания сигнал за 0, 5–3 s. Локалните минимуми и максимуми във филтрирания сигнал на шпиндела бяха маркирани като пикове и спадове. Най-голямото дъно беше определено като пиково време на шпиндела. Амплитудата на шпиндела се определя от потенциалната разлика между най-голямото дъно и най-големия пик. Индивидуалната честота на конкретно вретено се определя чрез добавяне на броя на всички падове и пикове и разделяне на удвоената продължителност на съответното вретено. Вретена с граници, по-близки от 0, 25 s, в крайна сметка бяха обединени.
2.5.3|Откриване на бавни трептения
Откриването на бавни трептения на предните електроди също се основава на автоматизиран алгоритъм, внедрен в Sleeptrip и валидиран другаде (Ngo et al., 2013). За всички NREM епохи, предварително обработените ЕЕГ данни бяха нискочестотни филтрирани при 4 Hz (6-ти ред Butterworth филтър с нулева фаза). След това целият сигнал беше разделен на отрицателни и положителни полувълни, които бяха разделени от пресичане на нулата. Потенциално бавно колебание се определя като отрицателна полувълна, последвана от положителна полувълна в честотен диапазон между 0,5 и 1 Hz. Амплитудата и честотата на бавните трептения бяха изчислени със същия подход, използван за шпиндели. Предполагаемите бавни колебания, надвишаващи най-ниската стойност от 1,25 пъти средната най-ниска стойност на всички предполагаеми бавни колебания, както и амплитуда от 1,25 пъти средната амплитуда на всички потенциални бавни колебания, бяха приети за по-нататъшен анализ.
2.5.4|Предварителна обработка на fMRI в състояние на покой
MRI DICOM файловете бяха въведени в автоматичен конвейер в GraphICA (BraiNet—Brain Imaging Solution Inc.—Сарния, Онтарио, Канада). Анатомичните и функционални изображения бяха предварително обработени с помощта на FSL 6.03. Стъпките на предварителна обработка на T1-претеглените анатомични изображения включват корекция на полето на отклонение (RF/B1-корекция на нехомогенност), мозъчна екстракция, сегментация на тъканен тип (CSF, GM, WM) и подкорова структура сегментация. На функционалните данни извършихме оголване на черепа, корекция на движението, корекция на времето на срез, пространствено изглаждане, което се изчислява въз основа на размера на воксела, таван (1,5 * размер на воксела), съвместна регистрация, базирано на ICA автоматично премахване на артефакти на движение, високочестотен филтриране и неудобна регресия (WM и CSF). Данните не са нормализирани към референтно пространство, тъй като характеристиките на естественото мозъчно пространство трябва да бъдат запазени в следващия анализ.
2.5.5|Двоен регресионен анализ
Двойната регресия беше използвана за идентифициране на специфични за субекта пространствени карти с помощта на 11 мрежови маски в състояние на покой: слухова, мрежа в режим по подразбиране, изпълнителен контрол вляво, изпълнителен контрол вдясно, хипокампална, езикова, изпъкналост, сензомоторна, визуална странична, визуална медия и визуална Тилен. Интензитетът на компонентните пространствени карти се изразява в единици процентна промяна на сигнала от средната стойност.
2.5.6|Регионална парцелация
T{{0}}претегленото изображение на всеки обект беше автоматично сегментирано с конвейер, внедрен във Freesurfer 7 (v7.1.0, http://surfer.nmr.mgh. harvard.edu/). По-нататъшното парцелиране беше извършено с GraphICA, като се използва процедура за модел на произволно поле на Марков с градиентно претегляне, описана в (Schaefer et al., 2018). Този модел на парцелиране съдържа три конкуриращи се термина, които компромисират оптималните свойства на крайното сегментиране: термин за глобално сходство за групиране на мозъчни местоположения с подобен интензитет на изображението, локален градиентен термин за откриване на резки промени във функционалната свързаност между съседни мозъчни местоположения и термин за пространствена свързаност към осигурете пространствена свързаност в парцелите. Процедурата даде 832 парцелирани области на мозъка, които бяха включени като мрежови възли за по-нататъшни анализи.
2.5.7|Функционална мрежова конструкция и прагове
С помощта на GraphICA всеки възлов fMRI времеви курс беше свързан с времевия курс на IC за трите мрежи в състояние на покой поотделно. След съвместната регистрация на всяка от мрежите на функционалното състояние на покой към субекта в естественото пространство, средната z-стойност беше изчислена чрез осредняване на стойностите на скаларната карта на воксела, принадлежащ на всеки един от 832 ROI. Получените z-стандартизирани коефициенти на корелация описват натоварването на всеки възлов времеви ход в съответната мрежа в състояние на покой. За да се премахнат фалшиви или слаби z-стойности, например поради шум, натоварванията бяха ограничени с подход за моделиране на смеси, управляван от данни, на ниво един субект (Bielczyk et al., 2018). Освен това праговите мрежи бяха съпоставени с мрежови шаблони, предоставени от GraphICA, които бяха извлечени от 200 здрави контроли. Само тези възли, открити в шаблоните, бяха взети под внимание за по-нататъшен анализ (т.е. възли на хипокампална мрежа=74, възли на мрежа в режим по подразбиране=171, възли на дясна изпълнителна контролна мрежа=164).
2.6|Статистически анализ
2.6.1|ЕЕГ анализ на съня
Статистическите анализи на ЕЕГ данните за сън бяха проведени с помощта на Matlab R2020b (Mathworks Inc., Sherborn, Massachusetts) с кутията с инструменти с отворен код Fieldtrip (Oostenveld et al., 2011) и кутията с инструменти CircStats (Berens, 2009). Анализът е ограничен до канали Fz за бавни трептения и бавни вретена и Cz за бързи вретена. Не всички променливи на съня, използвани в нашия анализ, следват нормално разпределение. Всички вътрешногрупови сравнения на описателните характеристики на съня и свойствата на колебанията между сесията на сън след обучение и сесията за контрол на съня бяха тествани с помощта на непараметрични Wilcoxon Signed-Rank тестове за зависими проби. Сравненията между групите на променливите на съня в алоцентрично спрямо егоцентрично състояние бяха изчислени с непараметрични U тестове на Mann-Whitney за независими проби. За тези тестове са докладвани медиани и квартилни стойности на променливите. p-стойност<.05 was viewed as statistically significant.
2.6.2|Времева връзка между откритите бавни трептения и вретената
Координацията на бавни трептения и вретена беше оценена за NREM сън, тъй като свързването между вретено и бавни осцилации е доказано, че е стабилно през етап 2 и сън с бавни вълни (Cox et al., 2017), въпреки че типът на бавно трептене е различно (К-комплекси срещу делта вълни). Общата времева връзка между бавните трептения и събитията на вретеното беше изчислена чрез определяне на дела на вретената, чийто център (т.е. максимална дъна) се появи в интервал от ±1,2 s около дъното на идентифицираните бавни трептения, и количеството на бавните трептения с вретена, чийто център се появява в рамките на ±1,2 s около съответната дъна на трептенето. Времевият прозорец от ±1,2 s беше избран да покрие един цял цикъл на бавно колебание (0,5–1 Hz, т.е. 1–2 s). Всеки път, когато два времеви прозореца на бавно колебание се припокриват, този, който е по-далеч от центъра на шпиндела, се премахва. Точното време на бавно трептене и събития на вретено се визуализира чрез времеви хистограми за пери-събитие (PETHs) (Фигура 2b) на бързи и бавни центрове на вретено (тестови събития), възникващи в рамките на интервал от време от ±1,2 s около всяко дъно на бавно трептене (цел събитие). Вероятностите за поява на първоначално събитие бяха сумирани в интервали от 100 ms и трансформирани в проценти. За да тестваме времевия модел на PETHs, внедрихме процедура за рандомизиране чрез произволно разбъркване на реда на PETH контейнерите 1000 пъти. Получените сурогати бяха осреднени за всеки индивид и тествани спрямо оригиналните PETH с помощта на t-тестове на зависими проби. Контролът за множество сравнения беше постигнат чрез базирано на клъстер пермутационно тестване с 5000 пермутации (Maris & Oostenveld, 2007).
2.6.3|Събитийно заключено фазово свързване
За кръстосано-честотни анализи със заключени събития (Helfrich et al., 2018), бяха избрани опити за бавно колебание-събитие без артефакти по канал Fz (±3 s около най-ниската бавна осцилация) и лентата -пропускане, филтрирано в честотния диапазон на бавните колебания (0.3–1.25 Hz). След прилагане на трансформация на Хилберт, ние извлякохме моментния фазов ъгъл от аналитичния сигнал. Същите опити също бяха лентово филтрирани между 9 и 12,5 Hz (компонент на бавни вретена) и между 12,5 и 16 Hz (компонент на бързи вретена), за да се изчисли обвивката на амплитудата от аналитичния сигнал. Разгледахме само времевия диапазон от 2 до 2 s, за да избегнем артефакти по ръба на филтъра. За всеки обект, канал и епоха сега открихме максималната амплитуда на шпиндела и съответния фазов ъгъл на бавно трептене. Бяха изчислени тестове на Rayleigh, за да се тества разпределението на фазите за субект срещу еднородност. Бяха определени средната кръгова посока и резултантната дължина на вектора за всички NREM събития. PPC беше използван като безпристрастен оценител на съгласуваността във фазовата връзка между шпиндели и бавни трептения (Vinck et al., 2012) въз основа на спектрите на Фурие, задействани от вретеното, във времеви прозорец от 3,5 до +3,5 s (100 ms стъпки) и честотен диапазон на бавно трептене от 0,3 до 3 Hz.
Китайска билка цистанче
2.6.4|Времево-честотен анализ
За по-нататъшно описание на времевата връзка между вретена и бавни трептения, ние отново използвахме изчислените по-рано опити за бавни колебания-събития (6-s сегменти). Тези опити бяха съпоставени с произволно избран времеви сегмент без артефакти от 6 s по време на същия етап на сън като съответното бавно колебание, използвано като базови опити. За времево-честотния анализ на опити със и без бавни колебания използвахме суперсетове (Moca et al., 2021). Суперлетите са съставени от поредица вълнички на Morlet със същата централна честота, но все по-ограничена честотна лента, която има по-висока разделителна способност време-честота от установените подходи. По-конкретно, ние приложихме фракционна адаптивна суперлет трансформация (FASLT) към предварително обработените данни от бавни осцилации и изпитания на базовата линия между 5 Hz и 20 Hz на стъпки от 0,25 Hz, с първоначален вълнов ред от 3 и интервал от ред между 5 и 15 ( Barzan et al., 2021). След това времево-честотните представяния на опити за събития с бавно колебание и контролни опити бяха сравнени за всеки субект с помощта на t-тестове за независими проби. Получените t-карти отразяват увеличението/намаляването както на бързия, така и на бавния честотен диапазон на шпиндела за опити с бавни трептения, в сравнение с опити без. За да изчислим контрастите в рамките на субекта, начертахме 100 произволни набора от изходни и бавни осцилационни опити, като същевременно запазихме съотношението на фаза 2 към бавно вълнов сън. T-картите за всички тези произволни опитни набори бяха осреднени за всеки субект. поотделно за всяко състояние на паметта, t-картите бяха тествани срещу нула, като се използва базиран на клъстер пермутационен тест с 5000 пермутации във времеви прозорец от 1,2 до 1,2 s.
2.6.5|fMRI анализ в състояние на покой
Данните за fMRI на трите мрежи в състояние на покой бяха анализирани в RStudio 1.4.1103 (RStudio, Inc., Бостън, Масачузетс). Всички анализи бяха извършени за трите предварително избрани мрежи в състояние на покой поотделно (т.е. хипокампална мрежа, мрежа в режим по подразбиране, мрежа за управление на дясната изпълнителна власт) и се основаваха на възловите z-стойности, получени за IC, които описват модела на свързване във функционалния мрежи в състояние на покой. Разгледахме три различни подхода за анализ на данните, включително анализ на теорията на графиките, матрици на евклидово разстояние и разлагане на сингулярна стойност (SVD), от които SVD беше най-подходящ за текущия набор от данни. SVD беше извършен върху необработените z-стойности, за да се улови по-точно оригиналната организация на мрежите в състояние на покой. Праговите z-стойности формираха m n матрица с данни (m=брой участници 4 сесии; n=брой възли). По-конкретно, SVD за редки матрици беше избран за намаляване на размерността, тъй като праговата матрица с данни съдържаше главно нулеви стойности. Извлечени са два основни режима на мрежа, които заедно обясняват 15%–20% от вариацията в данните. Всеки режим може да се разбира като базирана на вариация функционална подмрежа в състояние на покой (вижте филми S1–S4). В резултат на SVD получихме осреднена реконструкция от нисък ранг на мрежите като приближение на ранг-r, което описва пространственото разпределение на съответната подмрежа, използвайки уравнение (2):
където A е оригиналната матрица на данните, която се апроксимира от U, съдържаща r леви сингулярни вектора, S, съдържаща r сингулярни стойности, и V, съдържаща r десни сингулярни вектора. В подготовка за статистическо тестване, съответният ляв сингулярен вектор (um, i) беше мащабиран с неговата сингулярна стойност (si, i), където i е i-тият ред/колона на матрицата. Резултатът (хм, I si, i ) е колонен вектор, който представя резултатите на участниците за всички сесии в i-тата подмрежа. Тези стойности могат да се интерпретират като силата на свързаност на избраната функционална подмрежа за всички участници, през сесии и условия. За всяка от двете подмрежи получените резултати на участниците бяха анализирани като зависими променливи с помощта на линеен модел със смесени ефекти. Моделните предиктори включват състояние на съня (сън, събуждане), сесия (1–4 или преди/след почивка, преди/след задача) и състояние на паметта (алоцентрично, егоцентрично) като фиксирани ефекти. Участниците бяха моделирани като произволни ефекти за четирите сесии в състояние на покой. Информационният критерий на Akaike (Akaike, 1973), Bayesian Information Criterion (Schwarz, 1978) и логаритмичната вероятност бяха използвани за оценка на съответствието на модела.
3|РЕЗУЛТАТИ
3.1|Дизайн на проучване и производителност на паметта
Настоящото проучване използва 1-дневна парадигма за тестване на консолидацията на задача за пространствена памет (Фигура 1а). По време на fMRI сканиране участниците извършиха ало- или егоцентрично пространствено обучение и извличане на паметта в предварително валидиран виртуален аналог на водния лабиринт за хора (Müller et al., 2018; Schoenfeld et al., 2017). Подробно описание на задачата може да се намери в първата публикация на този набор от данни (Samanta et al., 2021). Накратко, участниците свободно навигираха във виртуален остров с помощта на джойстик, за да достигнат до фиксирано целево местоположение. В учебната сесия местоположението беше указано от скрита кутия със съкровища. Въпреки това, по време на извличането, участниците бяха инструктирани да маркират местоположението на кутията със съкровища, доколкото им е известно, без кутията да присъства. Алоцентричните и егоцентричните условия се различават така, че произволно разпределените участници започват всеки опит или на една и съща, или на променяща се начална позиция (Фигура 1b). Ефективността на паметта беше измерена като забавяне за достигане на целевото местоположение от началната точка. При извличане участниците като цяло се представиха по-добре в егоцентричното състояние, отколкото в алоцентричното състояние, и основният ефект от съня върху производителността на паметта беше значителен (Фигура 1c; Таблица 1; двупосочна ANOVA с allo/ego F1,62=16 .78, p < .001 и сън/събуждане F1, 62=3.84, p=.05). Непосредствено преди и след сесиите за обучение и извличане, функционалната свързаност беше оценена с fMRI в състояние на покой. Това се равнява на общо четири fMRI сесии в състояние на покой от 9 минути всяка. Между пространственото обучение и извличането на паметта, полисомнографията беше използвана за измерване на архитектурата на съня (Таблица S1). В експерименталните условия участниците са спали около 90 минути (93,48 ± 1,77, средно ± SEM), докато контролната група е гледала неутрален филм за същото време. Приблизително 2 седмици след експеримента, участниците в състояние на сън завършиха сесия за контрол на съня за около 90 минути (103,30 ± 2,66, средна стойност ± SEM), която не последва веднага пространствено обучение. Последователността на двете сесии на сън не беше балансирана, за да запази субектите заслепени за експерименталните условия по време на тестовата сесия. Използвайки подобен дизайн на задачите, Genzel, Bäurle, et al. (2014) и Genzel et al., (2012) са получили сравнима продължителност на дрямката. Въпреки това, тук участниците спаха значително по-дълго в сесията за контрол на съня, отколкото в сесията за тестване на съня (Wilcoxon Sign-Rank Test, z = 2.68, p =.01). Този сесиен ефект подсказва за привикване към лабораторията на съня. Разликата от предишни проучвания може да се дължи на използването на различни лабораторни условия, за Genzel, Bäurle, et al. (2014); Genzel et al., 2012) лабораторията за сън (Института по психиатрия на Макс Планк) беше определена като такава, докато лабораторията за сън в Института Дондерс в ЕЕГ лабораторията (и следователно по-малко „домашна“).
3.2|Свойства на съня при тестова и контролна сесия
Доказано е, че пространствено-времевите механизми по време на NREM сън консолидират преживяванията, кодирани по време на предишно будно състояние (Maigret et al., 2016). На системно ниво се смята, че преживяванията се активират отново в хипокампо-таламо-кортикалната мрежа по време на сън, за да формират дългосрочни представяния на тези преживявания. Различни трептения, участващи в консолидирането на паметта, могат да координират комуникацията между тези мозъчни структури (Genzel, 2020; Genzel, Bäurle, et al., 2014). Интересувахме се от бавни трептения, както и бавни вретена (9–12,5 Hz) и бързи вретена (12,5–16 Hz) по време на NREM сън, които могат да играят различна роля в процеса на консолидация на паметта (Genzel & Robertson, 2015) . В съответствие с докладваната по-рано топография на тези трептения на съня в човешката ЕЕГ (Adamczyk et al., 2015), ние фокусирахме нашите анализи върху фронтални бавни трептения и бавни вретена (т.е. канал Fz) и централни бързи вретена (т.е. канал Cz; вижте фигура S3 за топография на свързване). За да уловим специфични влияния на преживяването на пространствено обучение върху архитектурата на съня на сесията за тестване на съня, сравнихме описателните характеристики на съня, както и свойствата на вретеното и бавните колебания (вижте таблица S1) между теста за сън и контролните сесии. Установихме, че участниците са спали значително по-дълго в контролната сесия в сравнение с тестовата сесия. В сравнение с тестовата сесия, продължителността на бързото вретено също беше значително по-висока в контролната сесия (Wilcoxon Sign-Rank Test, z = 2.91, p <.01). Освен това оценихме дали значителната разлика в TST между тестови и контролни сесии може да предвиди тази разлика в продължителността на бързото вретено, контролирайки WASO. Въпреки това, няма значим ефект на TST върху разликите в амплитудата на бързото вретено през сесиите на сън (множествена линейна регресия, TST:=0.53, p =.61). Увеличаването на амплитудата на бързото вретено, подобно на увеличаването на TST, може да се дължи на неконтролиран ефект на привикване на лабораторията за сън. Въпреки това, ние предположихме, че времевата връзка на трептенията на съня е от решаващо значение за консолидирането на паметта. В това отношение не наблюдавахме никакви разлики между сесиите, както ще бъде представено по-долу.
ФИГУРА 1
3.3|Свързване на шпиндел – бавно трептене при тестова и контролна сесия
Връзката между острите вълни на вълните, вретената и бавните трептения може да зададе решаващ времеви прозорец за консолидиране на учебен опит (Genzel, Kroes, et al., 2014). Затова се фокусирахме върху времевата връзка между шпиндели и бавните трептения, за да проучим допълнително разликата в микроархитектурата на съня между тестовете за сън и контролните сесии. Първо, изчислихме броя на максималните падове на шпиндели (в%), възникващи в един цикъл (интервал от ±1,2 s) около центъра на идентифицираните бавни трептения (Фигура 2а). И в двете сесии открихме подобен брой бързи вретена, свързани с бавни трептения (Wilcoxon Sign-Rank Test, z = 1.14, p=.26) и бавни вретена, свързани с бавни трептения (Wilcoxon Тест за ранг на знак, z {{10}}.75, p=.45). Обратно, приблизително еднакъв брой бавни трептения бяха свързани с бързи вретена (Wilcoxon Sign-Rank Test, z=1.02, p=.31) и бавни вретена (Wilcoxon Sign- Тест за ранг, z {{20}}.10, p=.27) след обучение и при контрол на съня. Тези открития предполагат, че вретената и бавните трептения са еднакво свързани помежду си. Като цяло открихме последователно свързване на вретено-бавно трептене в двете сесии на сън, независимо от преживяването на пространствено обучение, проведено непосредствено преди сесията за тест за сън. Успешната консолидация на паметта може да зависи от прецизността на свързване от десетки или дори стотици ms (Maigret et al., 2016; Muehlroth et al., 2019). По този начин анализирахме прецизната координация на вретено-бавно трептене, използвайки PETHs (Фигура 2b). PETH показват вероятността за максимални спадове на вретеното, възникващи през времевия прозорец от ±1,2 s около бавните осцилационни събития в рамките на 100-ms интервали от време. Бързите вретена се появяват едновременно непосредствено преди и при пика на бавната осцилация след дъното на бавната осцилация (пермутации на базата на клъстер: знаков клъстер: 400–700 ms при тест, p <.001; 500–800 ms при контрола, p < 0,001). От друга страна, бавните вретена съвпадат при прехода към и с дъното на бавната осцилация (клъстерни пермутации: и двата знакови клъстера при 300 до 100 ms, p < 0,001). Устойчивостта на този ефект беше тествана спрямо референтно разпределение, получено чрез произволно разместване на времевите отпечатъци на коритата на шпиндела. Времевата специфика на свързването на вретено-бавно трептене не се различава в двете сесии на сън, което отново предполага наличието на общ механизъм на свързване, независим от преживяването на пространствено обучение. Предишни констатации демонстрираха по-висока сила на свързване на вретено-бавни трептения за млади в сравнение с възрастни възрастни и след грубо двигателно обучение (Cross et al., 2020 [предпечат]; Helfrich et al., 2018). Бяхме заинтересовани да изясним тази последователност във фазовите връзки в контекста на пространственото обучение. Полярните диаграми на Фигура 2b показват фазата на свързване за един примерен субект и цялата проба, изчислена като моментна бавна фаза на трептене (0,3–1,25 Hz) по време на максималната амплитуда на шпиндела по канал Fz за бавни шпиндели (9–12,5 Hz ) и канал Cz за бързи шпиндели (12,5–16 Hz). Вече на ниво единичен субект може да се види прецизно свързване на вретено-бавно трептене, което е различно за бързи вретена и бавни вретена, но относително последователно в сесиите на сън (вижте полярни хистограми, Фигура 2b). На групово ниво повечето бързи вретена се появяват между 5,76 и 6,28 радиана на бавната осцилация (Тест: 6,03 ± 0,56, контрола: 6,07 ± 0,33, кръгова средна стойност ± SD), докато бавните вретена се появяват между 1,57 и 2,62 радиана на бавната осцилация (Тест: 1,89 ± 0,79, контрола: 1,87 ± 0,71, кръгова средна стойност ± SD; Фигура 2е). Тези констатации съвпадат с времевата координация между вретената и бавните трептения, показани в PETHs. За да оценим съгласуваността на тези фазови връзки, ние изчислихме двойната фазова консистенция (PPC; виж "Методи и материали"). Максималните PPC стойности не се различават нито за бързи вретена, нито за бавни вретена между двете сесии на заспиване (Wilcoxon SignRank тестове, бърз вретено макс. PPC: z=0.451, p=.65, бавен вретено: макс. PPC: z=0.067, p=.95). Освен това наблюдавахме забележими индивидуални разлики в НПК (Фигура 2в). Интересувахме се дали тази променливост в PPC е свързана с общото качество на съня на участника (измерено с PSQI), което не е значимо (линейна корелация, бързи вретена: ρ=0.30, p=. 14, бавни вретена: ρ=0.15, p=.46). В обобщение, вретената бяха последователно свързани с бавни трептения със специфична фазова връзка, която подкрепя предишни открития във времевата област. Общите резултати от свързването, представени досега, не се различават в двете сесии на сън. Както беше описано по-рано, наблюдавахме по-дълго общо време на сън в контрола на съня, отколкото сесията за тестване на съня, което може да е имало компенсаторни ефекти върху архитектурата на съня, зад която е скрита разлика в свързването. Ето защо представяме следните резултати само за сесията за тест за сън.
3.4|Силата на бавно трептене на шпиндела е свързана с производителността на паметта
След като установихме обща времева и фазова динамика на свързването на вретено-бавни трептения през сесиите на сън, ние продължихме с нашия анализ с фокус върху двете състояния на паметта (ало срещу его) по време на сесията за тестване на съня, тъй като сънят може да има отчетлив ефект върху алоцентричните срещу егоцентричните пространствени спомени. Възможните разлики между групите бяха тествани за %-свързване и PPC (Фигура 2a, f). Нито количеството свързване на вретено-бавно трептене, нито последователността във фазата на вретено-бавно трептене се различават значително между групите (U тест на Mann-Whitney, % бързо вретено: z = 1.12, p =). 27, % бавни вретена: z=0.09, p=.93; макс. PPC бързи вретена: z=1.742, p=.08, макс. PPC бавни шпиндели: z=0.083, p=.94). Допълнително изследвахме този модел чрез сравняване на осцилаторната мощност в честотния диапазон на шпиндела за времеви сегменти с и без бавни трептения (вж. „Материали и методи“). Опитите за бавни колебания бяха конструирани чрез епохиране на ±1,2 s около произволно избрани бавни колебания. В тези опити мощността в честотния диапазон на шпиндела наистина се различаваше значително от произволно избрани интервали без бавни колебания (за всички клъстери с t-стойност: p <.001, Фигура 3a). Този ефект присъства еднакво и в двете условия на паметта, тъй като картата на разликата не съдържа значителни модулационни клъстери (Фигура 3а). В заключение, нито един от показателите за свързване на вретено-бавно трептене не се различава между условията на паметта. Резултатите също са в съответствие с незначителното взаимодействие между типа тренировка и съня за поведенческия анализ (виж Фигура 1в). Затова решихме да свием двете условия на паметта, за да увеличим статистическата мощност за по-нататъшно тестване. Като се има предвид цялата извадка в тестовата сесия, първо проверихме дали количеството свързване на вретено-бавно трептене е просто случаен страничен продукт от появата на събития на вретено и бавно трептене. Полученото количество свързване се различава значително от разпределението на произволна извадка в 60% от извадката (Фигура 3b, тестове за пермутация: p <.05, 1000 итерации на участник). Независимо от това, за да избегнем загуба на статистическа мощност и регресия към средната стойност, ние изчислихме модулациите на спектралната мощност по време на опити за бавни колебания за цялата проба (Фигура 3в). Установихме, че модулациите на мощността по време на изпитанията с бавни осцилации се различават значително от съвпадащите контролни изпитания в честотните диапазони на шпиндела и предварително установените времеви интервали (вижте PETHs, Фигура 2b). След това извършихме корелационни анализи между разликите в мощността на бавно трептене – контрол (изразени в t-стойности) и производителността на паметта отделно за всяка точка време-честота в съответния шпинделен клъстер, извлечен от t-картата (Фигура 3c). Открихме значителни асоциации чрез тестване срещу начално референтно разпределение на корелациите ЕЕГ-поведение. По този начин бихме могли да идентифицираме значителни корелационни клъстери, представляващи връзката между производителността на паметта и специфичен модел на ЕЕГ модулация на активността по време на бавно трептене нагоре (вж. „Материали и методи“). Значителен клъстер с отрицателна корелация беше идентифициран за бързи вретена (клъстер p < .01, max r=.41, p < .01, фигура 3c отгоре). По подобен начин идентифицирахме друг значителен клъстер с отрицателна корелация за бавни вретена (клъстер p=.02, max r=.38, p=.02, Фигура 3c отдолу): по-бързи мощността на вретеното и мощността на бавното вретено по време на периода на бавна осцилация се свързва с по-добра производителност на паметта (т.е. по-ниска латентност на реакцията). Тези ефекти са специфични за сесията за тестване на съня, тъй като не могат да бъдат наблюдавани за клъстера на бързото вретено или бавното вретено в сесията за контрол на съня (Фигура S4). Ние също така извършихме този корелационен анализ за егоцентричните и алоцентричните групи поотделно (Фигура S6). В алоцентричната група модулациите на мощността нито на бързо вретено, нито на бавно вретено корелират значително с производителността на паметта. Констатациите за егоцентричната група много приличаха на тези, наблюдавани за цялата извадка. Интересното е, че модулациите на мощността на бавно вретено показват противоположни тенденции в двете групи. По-добра производителност на паметта намекна за отрицателна връзка с модулации на мощността на бавно вретено за алоцентричната група (клъстер=0.07, макс. r=.50, p=.06, Фигура S6 долу вляво). Тази връзка беше значително положителна за егоцентричната група (клъстер p=.03, макс. r=.61, p=.02, Фигура S6 долу вдясно). Въпреки това, ние не проучихме тази тенденция допълнително, тъй като не можаха да бъдат получени значими резултати за алоцентричната група. В заключение, открихме доказателства за връзка между координацията на бавните трептения и вретената с производителността на паметта, която е специфична за сън след учене, за разлика от контролната сесия на сън. Модулациите на мощността на бавно вретено може да са били управлявани предимно от егоцентричната група.
ФИГУРА 2
3.5|Функционалните мрежи в състояние на покой се променят в сесиите
След анализ на сън-ЕЕГ, ние се съсредоточихме върху функционалната свързаност в състояние на покой преди и след обучение, консолидация и извличане на задачата на паметта, за да изследваме консолидацията на паметта на ниво мрежа в състояния на покой. За целта включихме fMRI данни от четирите сесии в състояние на покой (т.е. 1=базова линия, 2=след обучение, 3=след прекъсване, 4=след извличане ) в анализа. Интересувахме се конкретно от правилната изпълнителна контролна мрежа, мрежата на режима по подразбиране и мрежата на хипокампа. Task-fMRI анализи на този набор от данни от Samanta et al. (2021) разкриват, че регионите на тези мрежи са променили активирането през периода на консолидация, когато участниците подремват, но не и когато остават будни. По този начин получихме трите мрежи в състояние на покой с GraphICA (Ribeiro de Paula et al., 2017), инструмент за анализ на мрежи в състояние на покой. За целите на намаляване на размерността, ние изчислихме основните режими на вариация за всяка мрежа, използвайки SVD (вж. „Методи и материали“). И накрая, тествахме ефектите от сесията, условията на сън и условията на паметта върху резултата на всеки участник в предварително идентифицирания режим. С този подход бихме могли да определим (1) колко функционални подмрежи се съдържат във всяка мрежа и (2) как функционалната свързаност на мрежите се е променила за всяка от нашите експериментални променливи. За дясната изпълнителна контролна мрежа извлякохме първична подмрежа, която беше центрирана върху десния долен париетален сулкус, десния долен париетален лоб и десния дорзолатерален префронтален кортекс. В тази подмрежа открихме увеличаване на функционалната свързаност при изпълнението на задачите в сесиите за обучение и извличане (Фигура 4a; линеен модел със смесени ефекти, сън/събуждане: t62 = 0.747, p =. 46 allo/ego: t62 = 0.477, p=.64, преди почивка/след почивка: t193=1.676, p=.10, pre -задача/след задача: t193=2.808, p=.01). Това увеличение се дължи на промяната от след прекъсване към след извличане (t193=2.468, p =.02). За разлика от това, основната подмрежа в режим по подразбиране с основно участие на задния цингуларен кортекс като цяло намалява свързаността от изпълнението преди към изпълнението на задачата и нейната свързаност като цяло е по-висока за съня в сравнение с състоянието на събуждане (Фигура 4b; линейни смесени ефекти модел, сън/събуждане: t62 = 2.616, p=.01 allo/ego: t62=0.427, p=.67, преди прекъсване/след -прекъсване: t193=1.726, p=.08, преди задача/след задача: t193 = 2.126, p=.04). Намаляването на функционалната свързаност може да се обясни със значителна промяна от след прекъсване към след извличане (t193 = 2.451, p =.017). Основният ефект на съня обаче не може да се обясни с никоя от експерименталните манипулации и може да е възникнал случайно (Фигура S5). По-специално, първичната хипокампална подмрежа, която включва главно хипокампуса и двустранния парахипокампален кортекс, показва подобни промени в свързаността като дясната изпълнителна контролна мрежа. В този случай ние не само открихме увеличение преди и след изпълнението на задачата, но също и увеличение преди и след прекъсването на функционалната свързаност (Фигура 4c; линеен модел със смесени ефекти, сън/събуждане: t62 = 0). 143, p=.89 allo/ego: t62=0.702, p=.49, преди прекъсване/след прекъсване: t193=3.749, p < .001, преди задача/след задача: t193=4.535, p < .001). Това беше отразено чрез значителна разлика между изходното ниво и след обучението (t193=3.586, p <.001), както и след прекъсване и след извличане (t193=3.338, p <.001 ). И накрая, тествахме дали промяната след прекъсване до промяната след извличане във функционалната свързаност, наблюдавана във всички мрежи, е свързана с производителността на паметта при извличане. Този ефект не е значим за дясната подмрежа за изпълнителен контрол (линейна регресия,=0.016, p=.90), подмрежата на режима по подразбиране (линейна регресия,=0.655, p=.43), или подмрежата на хипокампа (линейна регресия,=0.596, p=.44). Като цяло, ние последователно получихме ефект преди и след изпълнение на задачата и в трите подмрежи, с увеличаване на изпълнителния контрол и хипокампалната мрежа и намаляване на мрежата на режима по подразбиране. Само подмрежата на хипокампа увеличава свързаността преди и след прекъсването и се наблюдава основен ефект на съня за мрежата в режим по подразбиране. Както беше показано за нашия анализ на съня, факторната памет (ало срещу его) не повлия на промените в мрежите на състоянието на покой.
ФИГУРА 3
ФИГУРА 4
3.6|Зависеща от съня хипокампална подмрежа и свързване на бързо вретено-бавно трептене
От анализа, извършен от Samanta et al. (2021), очевидно е, че активирането на прекунеуса/ретроспениалния кортекс намалява след сън, но не и когато участниците са останали будни по време на периода на консолидация. По подобен начин извлякохме втора функционална подмрежа на хипокампалната мрежа, центрирана върху двустранния ретросплениален кортекс и двустранната амигдала (Фигура 5а отгоре). Идентифицирахме тази подмрежа въз основа на факторизацията на SVD, използвайки критерий за единичен стойностен спектър (вж. „Методи и материали“). Тук също така проучихме как сесиите, условията на сън и условията на паметта повлияха на резултатите на участниците в този втори режим. За разлика от основните ефекти на задачата и прекъсването, открити за другите мрежи, сега наблюдавахме взаимодействие между сесията и условията на сън (линеен модел със смесени ефекти, сесия * взаимодействие на сън t191=2.086, p {{5} } .04). Функционалната свързаност на подмрежата изглежда е намаляла само за участниците, които са подремнали по време на периода на консолидация. Този ефект остава, когато се сравнява промяна от сесии след обучението към сесии само след почивка (t-тест за двойка извадки, t95=2.3971, p =.02). По този начин ние също изчислихме стойностите на разликата от една сесия до следващата и тествахме дали те са значително различни от 0. Значителна промяна настъпи само за групата на съня от след тренировка до след почивка (t26 = 3).17, p=.01), това не се наблюдава за събуждащата група (t38 = 1.363, p=.18). Следователно, ние се интересувахме дали това намаляване на свързаността между сесиите след обучение и след прекъсване в състояние на сън е свързано с описаното по-рано свързване на вретено-бавно колебание (вижте Фигура 3в). Отново бяха извършени корелационни анализи - но този път за разликите в мощността на контрол на бавните трептения (изразени в t-стойности) и оценката на промяната в подмрежата на хипокампа между сесиите след обучението и след почивката. Корелациите бяха изчислени за всяка точка време-честота в съответните клъстери на шпиндела, извлечени от t-картата. Идентифициран е значим отрицателен корелационен клъстер за бързи вретена (клъстер: p <.001, макс. пиксел: ρ = 0.38, p <.01; Фигура 5b, отгоре) и за бавни вретена (клъстер: p {{ 39}} .02, ρ = 0.30, p=.03): по-високата мощност на шпиндела по време на бавно трептене в състояние нагоре е свързана с по-голямо намаляване на функционалната свързаност на хипокампалната подмрежа през съня . Клъстерите частично се припокриват със значимите клъстери за корелация на отговора, представени по-рано (вижте Фигура 3в). Тези констатации предоставят доказателства за връзка между координацията на бавните трептения и вретената и намаляването на свързаността в подмрежата на хипокампа. Те са успоредни на резултатите, получени за мощността и поведението на свързване на вретено-бавни трептения. Следователно, ние имахме за цел да установим триадна връзка между оценката на промяната в тази хипокампална подмрежа, свързването на вретено-бавно колебание и производителността на паметта. Направихме регресия на резултата за промяна на мрежите през съня върху производителността на паметта при извличане. Въпреки това, намаляването на свързаността в подмрежата на хипокампа не предсказва значително поведение (линейна регресия,=0.01, p =.94). В обобщение, ние открихме хипокампална подмрежа, която намалява функционалната свързаност в сесиите в състояние на почивка за участниците, които са подремнали. Функционалната свързаност остава до голяма степен стабилна за онези участници, които остават будни. Този ефект не се различава между двете състояния на паметта. Намаляването на функционалната свързаност от след обучението до след прекъсването е положително свързано със свързването на бавни колебания на вретено по време на сън. По този начин очаквахме, че тази промяна на свързаността ще бъде свързана с консолидацията на паметта. Въпреки това, за разлика от мощността на свързване на вретено-бавно трептене (вижте Фигура 3c), зависимата от съня свързаност във втората хипокампална подмрежа не предсказва производителността на паметта при извличане.
ФИГУРА 5
4|ДИСКУСИЯ
Това проучване използва fMRI в състояние на покой и ЕЕГ данни за сън, за да изследва пространствената консолидация на паметта по време на дрямка или същия период, прекаран в будно състояние. Субектите научиха местоположението на целта във виртуален воден лабиринт или с различни начални местоположения (алоцентрична група), или със същото начално местоположение (егоцентрична група). Анализът на сън-ЕЕГ беше фокусиран върху свързването на вретено-бавни трептения, разделяйки вретената на бързи и бавни подтипове. fMRI в състояние на покой беше фокусиран върху промените в свързаността в предварително дефинираните мрежи. Можем да покажем, че свързването на вретено-бавно трептене корелира положително с производителността на паметта след дрямка, а също и с намаляване на свързаността във функционална хипокампална мрежа, включително ретроспленалния кортекс. Това намаляване на свързаността не се наблюдава в групата, която остава будна. Свързани със задачите увеличения на свързаността бяха наблюдавани в мрежата за изпълнителен контрол и другата хипокампална мрежа, докато беше установено намаление в мрежата на режима по подразбиране. Тези промени не са специфични за групата на съня, но се наблюдават при всички участници. Репликирахме предишни констатации за свързване на трептене, показвайки, че бавните вретена са вложени в преходния период от бавно трептене нагоре към понижено състояние, а бързите вретена често се появяват непосредствено преди и в рамките на бавното трептене нагоре. Не открихме разлика в свързването на вретено-бавни трептения между алоцентричните и егоцентричните тренировъчни групи. Прецизната координация между шпиндели и бавните трептения се наблюдава последователно във времеви, фазови и времево-честотни домейни. Изненадващо, тези ефекти не се различават между сесията за тестване на съня, която е последвала непосредствено опита от пространственото обучение, и сесията за контрол на съня, където не е имало изрично обучение предварително. Фактът, че не наблюдавахме разлика между сесиите на сън, най-вероятно се дължи на методологични ограничения на дизайна на изследването - контролната дрямка винаги беше втората дрямка - тъй като беше наблюдавана и разлика в общото време на сън. Анализът на fMRI в състояние на покой беше съсредоточен върху хипокампалната мрежа, мрежата в режим по подразбиране и мрежата за управление на дясната изпълнителна власт. Тези мрежи бяха дефинирани и по-късно разделени на подмрежи с помощта на подход, управляван от данни. Открихме промени в целия мозък при сесии в състояние на покой, които съответстват на предишните ни открития в анализа на активността (Samanta et al., 2021). Свързани със задачите промени в свързаността в мрежата на режима по подразбиране (намаляване на свързаността) за разлика от промените в дясната изпълнително-контролна мрежа (увеличаване на свързаността). Интересно е, че хипокампалната мрежа може да бъде разделена на две подмрежи: първична функционална подмрежа, центрирана върху хипокампуса и парахипокампалния кортекс, и втора функционална подмрежа с ретросплениалния кортекс като хъб регион. Функционалната свързаност в първичната хипокампална подмрежа се увеличи преди и след изпълнението на задачата и преди и след прекъсването. Функционалната свързаност във втората подмрежа на хипокампа намалява през четирите сесии в състояние на почивка - най-видно през паузата за сън - само за участниците, които са спали по време на почивката, но не и за тези, които са останали будни. Подобно на нашите резултати от анализа на поведението и съня, условията на паметта (алло срещу его) не повлияха на промените в нито една от тези мрежи. Нашите открития предполагат свързани със задачи и свързани с консолидацията промени във функционалните мрежи, които могат да бъдат свързани с повторно активиране на паметта.
И накрая, имахме за цел да свържем резултатите от ЕЕГ на съня с промените в свързаността в състояние на покой и ефективността на паметта. Свързването на вретено-бавно трептене е положително свързано със зависещите от съня промени във втората хипокампална подмрежа и с производителността на паметта. Това беше специфично за сън след обучение и не се наблюдаваше в контролната сесия на сън. Взети заедно, прецизното свързване на вретено-бавно трептене изглежда има поведенческо значение и потенциално има функционално значение в консолидацията на паметта. Това свързване може да бъде механизъм, чрез който функционалната свързаност в хипокампалната мрежа се модулира по време на консолидация на паметта.
4.1|Промени в свързаността в мрежите в състояние на покой
Като цяло е доказано, че задачите могат да повлияят на мозъчната активност след изпълнение на задачата в състояние на покой (Lewis et al., 2009). Например, модулиране на зависимата от ученето спонтанна мозъчна активност след задачата е наблюдавана за когнитивни задачи, включващи работна памет, емоция и двигателно обучение (Lewis et al., 2009). Такава модулация на мозъчни региони, свързани с предходна задача, може да се разбира като форма на консолидация в състояние на покой, вероятно включваща подобни механизми като свързаната със съня консолидация на паметта (Tambini & Davachi, 2019). Анализът на свързаността в състояние на покой се основава на корелацията на различни воксели в мрежата. Реактивирането на невронната памет и укрепването на мрежите на паметта трябва да доведат до повишено коактивиране на мрежата на паметта, което следователно може потенциално да увеличи вътрешномрежовата свързаност, както измерваме тук. По този начин, може да се интерпретират нашите резултати като промени в реактивациите, които се случват по време на състояние на покой. Ние показваме противоположни промени в изпълнителния контрол и основната хипокампална мрежа в контраст с мрежата в режим по подразбиране преди и след изпълнението на задачата. Изпълнителният контрол и хипокампалната мрежа се увеличиха, докато мрежата в режим по подразбиране намаля във функционалната свързаност. Ако тези промени в свързаността са предизвикани от възникнали реактивации, резултатите биха показали, че след задача човек има повече реактивации както в мрежата за изпълнителен контрол, така и в хипокампуса. Ние също така показахме специфично за съня намаляване на свързаността във втора хипокампална мрежа, включително ретроспленалния кортекс. Потенциално тази мрежа може да бъде връзката между хипокампуса и областите надолу по течението, като париеталната кора, която е част от мрежата за изпълнителен контрол (Genzel, 2020). Следователно намаляването на свързаността в тази мрежа би означавало, че реактивациите, възникващи в мрежата за изпълнителен контрол и хипокампуса, са по-независими един от друг след сън. За разлика от това, след събуждане, когато няма такова намаляване на свързаността, реактивациите в кората и хипокампуса все още ще бъдат свързани. По-рано беше предложено, че след като консолидацията от хипокампуса към кората е напреднала, реактивирането в кората настъпва независимо от реактивациите на хипокампуса. Нашите резултати биха могли потенциално да подкрепят тази идея. Въпреки това, мярката за състояние на покой, свързаност в мрежата е много индиректна и следователно това откритие трябва да бъде потвърдено с по-директни мерки, като едновременни хипокампални и кортикални невронни записи при гризачи.
4.2|Свързани със задачите промени в десния изпълнителен контрол и мрежата в режим по подразбиране
Нашите констатации са в съответствие с анализа на задачата на този набор от данни, извършен от Samanta et al. (2021). Когато измервахме промените в активността на BOLD в сесиите за обучение и извличане, докато участниците изпълняваха задачата, наблюдавахме свързано със съня увеличение в регионите за изпълнителен контрол и намаляване на регионите в режима по подразбиране. В настоящия анализ наблюдавахме увеличения на вътрешномрежовата свързаност за мрежата за изпълнителен контрол и намаления в мрежата на режима по подразбиране през различните сесии в състояние на покой. Трябва да се отбележи, че настоящите резултати не са специфични за състоянието на съня, за разлика от резултатите от анализа на активността от Samanta et al. Това несъответствие може да се дължи на различни подходи за анализ. Саманта и др. (2021) изследва промените в отговора на BOLD, но не и функционалната свързаност, за двете мрежи поотделно. Техният анализ на функционалната свързаност е изграден върху подход, базиран на семена, който тества взаимодействията между предварително дефиниран център на изпълнителната контролна мрежа и останалата част от мозъка. За разлика от това, ние използвахме анализ на независими компоненти, за да дефинираме нашите мрежи без предварителни предположения и оценихме промените във функционалната свързаност само във всяка от тези мрежи. Тези методологични разлики може да са допринесли за различните резултати от двата анализа. Смята се, че изпълнителната контролна мрежа разпределя вниманието между визуално-пространствените задачи и участва в целенасочено поведение и навигация. По-конкретно, задният париетален кортекс служи като място за кортикална интеграция за хипокампално генерирана алоцентрична пространствена информация и егоцентрична пространствена ориентация за насочване на насочена към целта навигация (Nitz, 2012; Whitlock et al., 2008). Освен това има доказателства за последователно повторение или шаблонно реактивиране на мозъчни региони при почивка след изпълнение на задачата, участващи в кодирането на предишен опит (Hoffman & McNaughton, 2002; Staresina et al., 2013). Взети заедно, доказателствата за централната роля на париеталния кортекс в пространствената навигация и възпроизвеждането при почивка след изпълнение на задачи в мозъчни региони, свързани със задачата, са в съответствие с нашите открития. Наблюдавахме увеличена функционална свързаност в мрежата за управление на дясната изпълнителна власт, центрирана върху долния заден париетален лоб и браздата в състояние на покой от изпълнението преди и след изпълнението на задачата. Ранните изследвания на невроизображенията определят мрежата в режим по подразбиране като мрежа с отрицателна задача, която намалява функционалната свързаност по време на изпълнение на задачата в сравнение със състоянието на покой (Buckner et al., 2008). Въпреки това, използвайки мерки на теория на графите, Lin et al. (2017) предостави временно разрешен изглед на динамиката на мрежата в режим по подразбиране по време на почивка преди задача, изпълнение на задача и почивка след задача. Те откриха намаляване на ефективността, мярка за функционална интеграция, в мрежата на режима по подразбиране при почивка след изпълнение на задачата в сравнение с почивката преди изпълнение на задачата. Глобалната ефективност намаля в цялата мрежа, а локалната ефективност намаля специално в задния цингуларен кортекс. Нашите резултати също така показват, че мрежата в режим по подразбиране, със значителното влияние на задната част на кортекса на зъбния кортекс, намалява функционалната свързаност от почивката преди и след изпълнението на задачата. Трябва да се отбележи, че в резултат на анализа на независимите компоненти (ICA) и процедурата за съпоставяне на шаблона, задната кора на зъбния кортекс, префронталната кора и страничната задна париетална кора допринесоха най-силно за мрежовата свързаност по подразбиране. Предишни проучвания, включително Samanta et al. (2021), също разглеждат функционалните центрове на хипокампуса и ретросплениалния кортекс в тази мрежа (Greicius et al., 2003; Vincent et al., 2006). Заедно всички тези региони бяха предложени да образуват мрежа от памет, в която информацията се препредава от хипокампуса през префронталната и ретроспленалната кора към низходящите париетални региони по време на консолидация (Genzel, 2020). Въпреки това, в нашето изследване, хипокампусът и ретроспленалната кора бяха предимно част от отделна хипокампална мрежа. По този начин няколко констатации в нашето проучване, които преди това са били присвоени на мрежата на режима по подразбиране, се обсъждат тук отделно за хипокампалната мрежа, включително хипокампуса, областите на темпоралния лоб и ретроспленалния кортекс. Нашият тръбопровод за обработка на fMRI беше базиран на ICA, който създаде максимално независими пространствени мрежи. По този начин не успяхме да тестваме взаимодействията между функционалните мрежи в състояние на покой. Независимо от това, противоположните тенденции в правилния изпълнителен контрол и функционалната свързаност на мрежите в режим по подразбиране намекват в същата посока като предишните изследвания. Доказано е, че противоположните смени между мрежата на режима по подразбиране и мрежата за изпълнителен контрол улесняват прехвърлянето между почивка и фокусиране на вниманието (Goulden et al., 2014; Menon & Uddin, 2010). Този трансфер включва пренасочване на ресурси в мозъка за подпомагане на когнитивната обработка, свързана със стимула. Въз основа на нашите наблюдения, антагонизмът във функционалната свързаност между двете мрежи може не само да присъства от почивка към преходи на задачи, но продължава дори и при почивка след задача и по този начин може да отразява офлайн координацията на съответните области за укрепване на кодираното изживяване.
4.3|Ролята на хипокампалната мрежа в консолидирането на паметта
Чрез SVD успяхме да идентифицираме две функционално релевантни подмрежи в рамките на хипокампалната мрежа, една хипокампална подмрежа, центрирана върху хипокампуса и парахипокампалната кора, и втора хипокампална подмрежа, включваща предимно ретроспленалния кортекс. Тези подмрежи показаха различни функционални промени в свързаността през четирите fMRI сесии в състояние на покой. Първичната хипокампална подмрежа се увеличи във функционалната свързаност след изпълнение на задачата в сесиите за обучение и извличане. Тази констатация може да е в основата на подобна консолидация в състояние на покой, както е описано за мрежата за изпълнителен контрол. Хипокампусът, като първоначално място за съхранение на паметта, често е показвал, че произвежда реактивации, които водят до по-добро представяне на паметта след почивка (Dupret et al., 2010). Наблюдавахме също увеличаване на функционалната свързаност след 90-минутното прекъсване за тази подмрежа. На пръв поглед това увеличение през периода на консолидация изглежда противоречащо на предложените механизми за консолидация на системите (Squire et al., 2015). Вместо това може да се очаква намалено участие на хипокампуса след период на консолидация. Все пак трябва да се има предвид, че текущата мярка не е дейност сама по себе си, а вместо това в рамките на мрежовата свързаност и нашият период на консолидация беше ограничен до 90 минути. Втората хипокампална подмрежа включва предимно ретроспленалната кора, но също и медиалните темпорални области. В литературата хипокампусът, областите на темпоралния лоб и ретроспленалната кора често се разглеждат като част от мрежата на режима по подразбиране, тъй като те показват силна кохерентност по време на почивка (Greicius et al., 2003; Vincent et al., 2006). Въпреки това, наскоро беше идентифицирана „медиална темпорална“ подмрежа, чието намаляване на свързаността през сън беше свързано с повишена производителност на пространствената памет (Barnett et al., 2021; van Buuren et al., 2019). Основните области на тази мрежа включват медиалния темпорален лоб и ретроспленалния кортекс. Тези структури съответстват на нашата втора хипокампална подмрежа. Следователно, нашата втора хипокампална подмрежа може да играе уникална роля в консолидирането на паметта (de Sousa et al., 2019; van Buuren et al., 2019). Функционално, втората хипокампална подмрежа намалява свързаността през четирите сесии в състояние на почивка, но само за участниците в състояние на сън. Медиалният темпорален лоб и ретросплениалният кортекс са определени като подходящи за пространствена навигация при хора и модели на гризачи (Epstein et al., 2017; Peigneux et al., 2004). Тези региони са функционално модулирани от съня, с постепенно отделяне по време на дълбок сън (Spoormaker et al., 2010). По този начин, втората подмрежа на хипокампа може да координира механизмите за консолидация в целия мозък, включващи активност на бавни колебания на вретено по време на сън (Cowan et al., 2020; Navarro-Lobato & Genzel, 2020). Наистина, ние показваме, че нашата втора хипокампална подмрежа, центрирана върху ретросплениалния кортекс, е значително модулирана от съня и положително е свързана със силата на свързване на бавно трептене на вретено, което също прогнозира производителността на паметта. Свързването на вълни, вретена и бавни трептения може да бъде механизъм, чрез който спомените се консолидират по време на сън от първоначалното съхранение на хипокампа до областите надолу по течението, като задния париетален кортекс - чрез ретроспленалния кортекс (Genzel, 2020; Hennies et al. , 2016). Нашата втора хипокампална подмрежа може да бъде невронният субстрат, чрез който сънят упражнява своите благоприятни ефекти върху консолидацията на паметта, в допълнение към общата форма на консолидация в първичната хипокампална подмрежа, обсъдена по-рано. В обобщение, ние показваме, че моделите на функционална свързаност в мозъка, лежащи в основата на консолидацията на спомените, може да не бъдат просто ограничени до установените мрежи в състояние на покой. Използвайки подход, управляван от данни, идентифицирахме подмрежи, базирани на вариация. По-конкретно, ние диференцирахме хипокампалната мрежа в компонент, независим от съня, центриран върху хипокампуса, и компонент, зависим от съня, центриран върху ретросплена. И двете мрежи могат да участват в консолидирането на пространствената памет. Независимо от това, само втората хипокампална подмрежа може да е в основата на благоприятните ефекти на съня върху формирането на паметта, както се вижда от връзката му с мощността на свързване на бавно трептене на вретено, която прогнозира производителността на паметта. Нашите открития предоставят по-прецизен изглед на хипокампалната мрежа в консолидацията на паметта, при която нейната функционална свързаност в състояние на покой се променя диференциално при учене, консолидиране и извличане на задача за пространствена памет в 1-дневна парадигма.
