Karan ja hitaan värähtelyn kytkentä korreloi muistin suorituskyvyn ja liitettävyyden muutoksiin hippokampusverkossa nukkumisen jälkeen
Aug 24, 2023
Abstrakti
Kun kokemukset on koodattu, koodauksen jälkeisiä uudelleenaktivointeja unen aikana on ehdotettu välittävän pitkäaikaisen muistin lujittamista. Karan ja hitaan värähtelyn kytkentä NREM-unen aikana on ehdokasmekanismi, jonka kautta hippokampuksen aivokuoren dialogi voi vahvistaa vasta muodostunutta muistikuvaa. Täällä tutkimme nopean kara- ja hitaan karan ja hitaan värähtelykytkennän roolia tilamuistin lujittamisessa ihmisillä virtuaalisella vesilabyrinttitehtävällä, joka sisältää allosentrisiä ja egosentrisiä oppimisstrategioita. Lisäksi analysoimme, kuinka lepotilan toiminnallinen liitettävyys kehittyi tämän tehtävän oppimisen, konsolidoinnin ja haun aikana käyttämällä datalähtöistä lähestymistapaa. Tuloksemme osoittavat tehtäviin liittyviä liitettävyyden muutoksia executive control -verkossa, oletustilan verkossa ja hippokampusverkossa tehtävän jälkeisessä lepotilassa. Hippokampuksen verkko voitaisiin edelleen jakaa kahteen aliverkkoon, joista vain yksi osoitti modulaatiota unen kautta. Vähentynyt toiminnallinen liitettävyys tässä aliverkossa liittyi korkeampaan kara-hitaiden värähtelyjen kytkentätehoon, mikä liittyi myös parempaan muistin suorituskykyyn testissä. Kaiken kaikkiaan tämä tutkimus edistää kokonaisvaltaisempaa ymmärrystä toiminnallisista lepotilan verkoista ja spatiaalisen muistin lujittamiseen liittyvistä mekanismeista unen aikana.
Cistanche-kokemus - Paranna muistia
AVAINSANAT
muistin konsolidointi, lepotilan verkot, uni, hitaat värähtelyt, karat
1|JOHDANTO
Systeemikonsolidaatioteoria on yksi laajimmin tutkituista pitkän aikavälin muistin muodostuksen viitekehyksestä. Teorian mukaan aivojen labiilit engrammit, jotka koodataan oppimisen aikana, vahvistuvat toistuvan uudelleenaktivoinnin kautta. Ajan mittaan tämä prosessi saattaa johtaa vakaampaan pitkän aikavälin esitykseen – konsolidoituun muistijäljään (Squire et al., 2015). Engrammin uudelleenaktivoitumisen uskotaan tapahtuvan pääasiassa unen aikana, mutta niitä voidaan nähdä myös hiljaisen levon aikana. Mahdollinen keskeinen mekanismi järjestelmien konsolidoinnin taustalla on kolmen tapahtumatyypin hierarkkinen koordinointi ei-rapid eye movement (NREM) -unen aikana: (1) korkean amplitudin aivokuoren hitaat värähtelyt, (2) talamuksen ohjaamat karat ja (3) hippokampuksen teräviä aaltoaaltoja. Näiden värähtelyjen organisoinnin, joka johtuu hitaiden värähtelyjen voimistumisesta ja hiipumisesta prefrontaalisessa aivokuoressa (Helfrich et al., 2019), uskotaan asettavan ihanteelliset aikaikkunat hippokampuksen tiedonsiirrolle aivokuoreen (Sirota et al., 2003) ja aivoihin. -laajuiset synaptiset konsolidaatioprosessit järjestelmien konsolidoinnin taustalla (Genzel, 2020; Genzel, Kroes, et al., 2014; Navarro-Lobato & Genzel, 2020). Ihmisillä on johdonmukaisesti tunnistettu kahdenlaisia karoja: hitaat karat (~ 9–12,5 Hz) ja nopeat karat (~ 12,5–16 Hz), jotka ovat näkyvimmät frontaalisilla ja sentro-parietaalisilla alueilla (Adamczyk et al. , 2015; Anderer et ai., 2001). Molemmat karatyypit on kytketty hitaisiin värähtelyihin. Vaikka nopeat karat ovat usein sisäkkäisiä hitaan värähtelyn virittyvässä ylätilassa, hitaat karat esiintyvät tyypillisesti siirtymävaiheessa hitaan värähtelyn estävään alastilaan (Molle et al., 2011). Nopeat karat on katsottu helpottamaan tiedonsiirtoa hippokampuksen ja neokorteksin välillä, koska ne osuvat yhteen hippokampuksen terävien aaltojen aaltoilun kanssa (Staresina et al., 2015). Hitaat karat, joita enimmäkseen edeltää aaltoilu, voivat liittyä siirretyn tiedon aivokuoren silloittumiseen ja prefrontaalipiirin modulaatioon neokortikaalisen muistiesityksen muodostamiseksi (Molle et al., 2011). Kuitenkin vain ihmistutkimuksissa on olemassa johdonmukainen jako hitaiden ja nopeiden karojen välillä. Koska tätä alajakoa tehdään harvoin eläintutkimuksessa, konkreettisia todisteita kunkin karatyypin erilaisesta toiminnasta puuttuu. Näiden kahden karatyypin vaikutus käyttäytymiseen on vielä vähemmän ratkaiseva. Viimeaikaiset EEG-löydöt ovat osoittaneet, että suurempi määrä ja lisääntynyt johdonmukaisuus nopeiden karojen ja hitaiden värähtelyjen kytkemisessä liittyvät lisääntyneeseen deklaratiiviseen muistin suorituskykyyn (Hahn et al., 2020; Muehlroth et al., 2019; Niknazar et al., 2015) . Kokeellinen koordinaation vahvistaminen hippokampuksen terävien aaltoaaltojen, hitaiden värähtelyjen ja etukarojen välillä jyrsijöillä – mahdollisesti ihmisen hitaiden karojen analogia – johti myös parantuneeseen muistin suorituskykyyn (Maigret et al., 2016). Sitä vastoin alustavat havainnot hitaan karan ja hitaan värähtelyn kytkennästä ihmisillä viittaavat heikentyneeseen deklaratiiviseen muistiin ja lisääntyneeseen hitaan karan ja hitaan värähtelyn kytkentään tai ei lainkaan vaikutusta (Barakat et al., 2011; Muehlroth et al., 2019). Siksi on ratkaisevan tärkeää erottaa molempien karatyyppien käyttäytymisen merkitys muistin konsolidoinnissa. Ottaen huomioon unen ja hippokampuksen merkityksen offline-konsolidaatiossa, on oletettu, että unella on erityinen rooli hippokampuksesta riippuvaisten muistojen lujittamisessa toisin kuin "ei-hippokampuksesta riippuvaisia" muistoja. Näitä kahta muistotyyppiä voidaan tutkia käyttämällä spatiaalisia navigointiparadigmoja. Navigointiin ympäristössä liittyy erilaisten navigointistrategioiden, nimittäin allosentristen ja egosentristen strategioiden, käyttöä (katsaukseen Ekstrom et al., 2017). Allosentrisessä vertailukehyksessä navigaattori voi päätellä niiden sijainnin vakaiden maamerkkien suhteellisten paikkojen perusteella. Allosentrinen spatiaalisen oppimisen suositellaan tukeutuvan vahvasti hippokampukseen, koska se vaatii avaruudellisen kognitiivisen kartan maamerkkiasemista (O'Keefe & Nadel, 1978). Sitä vastoin egosentrinen vertailukehys muuttuu jatkuvasti navigaattorin liikkeen myötä. Itsekeskeisen spatiaalisen oppimisen aikana navigaattorin on seurattava liikkuvaa etäisyyttä ja suuntaa, jossa selkäjuovio on tunnistettu kriittiseksi rakenteeksi (McDonald & White, 1994). Siten voidaan ehdottaa, että avaruudellisessa kontekstissa konsolidointimekanismit eroavat allosentristen ja egosentristen harjoitteluolosuhteiden välillä ja vaikuttavat muistin suorituskykyyn vastaavasti. Viimeaikaiset todisteet viittaavat kuitenkin hippokampuksen osallistumiseen lujittumiseen unen aikana, jopa aiemmin pidettyjen ei-hippokampuksesta riippumattomien muistojen osalta (Sawangjit et al., 2018; Schapiro et al., 2019), ja samankaltaisia toiminnallisia verkostomuutoksia unen jälkeen allosentrisen ja egosenin välillä. temppukoulutus (Samanta ym., 2021). Siksi on edelleen avoin kysymys siitä, kuinka kahden viitekehyksen spatiaalinen informaatio konsolidoituu unen aikana ja kuinka nämä mekanismit vaikuttavat muistin suorituskykyyn. Vaikka paljon työtä on keskittynyt unen rooliin järjestelmien muistin vahvistamisessa, sekä jyrsijöillä (Davidson et al., 2009; Diba & Buzsáki, 2007) että ihmisillä (Schuck & Niv, 2019; Tambini & Davachi, 2013) tehdyt tutkimukset ovat osoittaneet. järjestelmän laajuiset konsolidointiprosessit valveilla olevien lepojaksojen aikana välittömästi oppimisen jälkeen. Samoin kuin unesta riippuvainen konsolidaatio, tapahtumarepresentaatiot aktivoituvat spontaanisti uudelleen hippokampus-talamokortikaalisessa verkossa koodauksen jälkeisen levon aikana (katso yksityiskohtainen katsaus Tambini & Davachi, 2019). Näiden uudelleenaktivaatioiden tärkeiden solmujen uskotaan sisältävän hippokampuksen verkoston, joka keskittyy mediaaliseen temporaaliseen aivokuoreen ja retrospleniaaliseen aivokuoreen (van Buuren et al., 2019), sekä vuorovaikutuksia oletusmoodiverkon keskittimien välillä (Lin et al., 2017). ja tehtävään liittyvät verkot (esim. executive control network; Sneve et al., 2017). Enemmän lepotilan toiminnallista yhteyttä ärsykkeille spesifisten alueiden ja hippokampuksen välillä osoitettiin ennustavan tulevaa kykyä palauttaa muisti (Tambini et al., 2010). Lisäksi toiminnallinen yhteys välittömästi oppimisen jälkeen sekä hippokampuksen uudelleenaktivaation määrä ennustivat myöhempää yön yli tapahtuvaa muistin säilymistä, mikä viittaa toisiaan täydentävään suhteeseen hereillä levossa tapahtuvan uudelleenaktivoinnin ja myöhemmän unen aikana tapahtuvan konsolidaation välillä (Schapiro et al., 2018). Vaikka useimmat aiemmat tutkimukset tarkastelevat erikseen yhden tyyppistä jälkikoodausjaksoa (ts. lepoa tai unta), molempien ajanjaksojen konsolidaatioprosesseja tutkivat tutkimukset ovat välttämättömiä kokonaisvaltaisen käsityksen saamiseksi näiden erillisten aivojen tilojen konsolidaatiomekanismien välisistä yhtäläisyyksistä. Tämän tutkimuksen tavoitteena on siten tarjota tutkimuksen sisäisiä mittareita erilaisissa koodauksen jälkeisissä aivotiloissa ja osoittaa niiden suhde muistin suorituskykyyn spatiaalisen navigoinnin tehtävässä. Tutkimuksemme on jatkoa tutkimuksillemme unen vaikutuksesta allosentrisiin ja itsekeskisiin muistirepresentaatioihin ihmisillä ja rotilla (Samanta et al., 2021). Osallistujat suorittivat vesilabyrintin ihmisanalogin (Morris, 1981), validoidun paradigman spatiaalisen navigoinnin eri näkökohtien tutkimiseen (Müller et al., 2018; Schoenfeld et al., 2017). Kun taas Samanta et ai. (2021) keskittyi tehtävä-fMRI-tietoihin oppimisen ja haun aikana, tässä keskityimme lepotilan fMRI- ja uni-EEG-tietoihin. Siten lepotilan toiminnallinen liitettävyys asiaankuuluvissa verkoissa arvioitiin ennen ja jälkeen muistitehtävän oppimisen ja haun, jossa osallistujat joko harjoittivat allosentristä tai egosentristä spatiaalista navigointia. EEG:tä käytettiin kahden tehtäväjakson välillä mittaamaan NREM-uneen liittyviä konsolidaatioprosesseja (ts. kara- ja hidasvärähtelyominaisuuksia ja niiden kytkentää). Otimme käyttöön datalähtöisen lähestymistavan (Ribeiro de Paula et al., 2017) tutkiaksemme lepotilan toiminnallisen liitettävyyden kehitystä tilaoppimisen, konsolidoinnin ja muistin haun välillä. Lepotilan verkot valittiin Samanta et al. (2021), mukaan lukien oletustilan verkko, hippokampuksen verkko ja oikeanpuoleinen executive control network. Kolmikkosuhteen luomiseksi unen, lepotilan ja käyttäytymisen välillä korreloimme kara- ja hidasvärähtelyparametreja, muutoksia lepotilan toiminnallisessa kytkennössä ja spatiaalisen muistitehtävän suorituskykymittoja. Samanta et ai. (2021) havaitsivat samanlaisia uneen liittyviä aivojen laajuisia muutoksia muistin haussa allosentrinen ja itsekeskisen harjoittelun osalta. Tarkemmin sanottuna aktivaatiot lisääntyivät executive control -verkossa ja vähenivät oletustilan verkossa oppimisesta hakuun, jos koehenkilöt nukkuivat oppimisen jälkeen. Siksi odotimme havaitsevan samanlaisia muutoksia näissä kahdessa verkossa. Aivojen laajuisten konsolidaatioprosessien tulisi olla havaittavissa myös aivotursoverkostossa, joka koordinoi konsolidaatiota unen ja levossa. Oletimme, että karan ja hitaan värähtelyn kytkentä liittyy positiivisesti muutoksiin hippokampuksen verkossa ja muistin suorituskyvyssä. Näiden havaintojen ei pitäisi erota muistiolosuhteiden välillä, koska Samanta et al. (2021) ei havainnut eroa allosentrinen ja egosentrisen koulutuksen välillä. Todellakin, tuloksemme osoittavat, että toimeenpanoohjaus ja oletustilan verkot muuttuvat oletettuihin vastakkaisiin suuntiin ennen tehtävän jälkeistä suorituskykyä. Lisäksi tunnistimme kaksi aliverkkoa hippokampuksen verkossa. Ensisijainen aliverkko oli riippumaton unitilasta, ja sen toiminnallinen yhteys lisääntyi ennen tehtävien suorittamista ja tauon jälkeen. Yhteydet toisessa aliverkossa heikkenivät tauon aikana vain päiväunien ottaneiden osallistujien osalta. Lopuksi karan ja hitaan värähtelyn kytkentäteho liittyi positiivisesti muistin suorituskykyyn ja heikentyneeseen liitettävyyteen toisessa, unesta riippuvaisessa hippokampuksen aliverkossa. Kaikki vaikutukset olivat samat allosentrisessä ja itsekeskisessä harjoittelussa. Tuloksemme viittaavat siihen, että lepotilan aktivaatiot voidaan jakaa tehtäviin liittyviin ja konsolidoitumiseen liittyviin muutoksiin, jotka ovat joko unesta riippumattomia tai unesta riippuvia. Vain unesta riippuvat muutokset liittyvät karan ja hitaan värähtelyn kytkentään, joka edistää yhtä lailla muistin suorituskykyä allosentrisessä ja itsekeskisessä oppimisessa.
cistanchen edut miehille - Alzheimerin taudin vastainen
Napsauta tästä nähdäksesi Cistanche Muistia parantavia ja Alzheimerin tautia estäviä tuotteita
【Kysy lisää】 Sähköposti:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692
2|MENETELMÄT JA MATERIAALIT
2.1|Osallistujat
Tutkimukseen otettiin mukaan 77 neurologisesti tervettä oikeakätistä miespuolista osallistujaa (ikähaarukka: 18–30 vuotta, keskiarvo=24). Vain miespuoliset osallistujat valittiin, koska otokseen kuuluu alapopulaatio suuremmasta translaatiotutkimuksesta, jossa käytettiin vain urosjyrsijöitä (Samanta et al., 2021). Paikallinen eettinen komitea (CMO Arnhem-Nijmegen, Radboud University Medical Center) hyväksyi tutkimuksen yleisen eettisen hyväksynnän ("Imaging Human Cognition," CMO 2014/288) mukaisesti, ja koe suoritettiin näiden ohjeiden mukaisesti. Rekrytointi tapahtui Radboud Research Participation Systemin kautta. Osallistujat seulottiin ja suljettiin pois perustuen (1) unilääkkeisiin, (2) säännöllisiin päiväuniin ja (3) osallistumiseen ammattimaiseen pelitoimintaan. Ennen kokeen aloittamista kaikki osallistujat antoivat kirjallisen tietoisen suostumuksen ja saivat osallistumisestaan taloudellisen korvauksen. Yhteensä neljätoista osallistujaa jätettiin analyysin ulkopuolelle tiedonkeruun jälkeen. Kahdeksan koehenkilöä suljettiin pois kokeesta teknisten ongelmien vuoksi oppimisen tai haun aikana: Viiden osallistujan ohjaussauva oli kalibroitu väärin, ja lopuilla kolmella oli teknisiä ongelmia, mukaan lukien tehtäväympäristöohjelman äkillinen kaatuminen skannauksen aikana. Kolme koehenkilöä nukkui alle 30 minuuttia joko unitestissä tai kontrolliistunnossa. Heidän z-pisteensä olivat yli 2,5*σ päässä todellisen uniajan näytteen keskiarvosta. Todellinen uniaika laskettiin kullekin kohteelle kokonaisuniaikana (TST) pois lukien valveillaolo unen alkamisen jälkeen (WASO). Kolmen muun kohteen kohdalla havaittiin suuri kuvan siirtymä johtuen pään liikkeestä fMRI-skannausten aikana. Kuvasarjan siirtymän määrä arvioitiin laatuindeksillä (QI) käyttämällä yhtälöä (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 ai., 2017). Lopulliseksi otokseksi katsottiin yhteensä 63 henkilöä (ikähaarukka: 18–30 vuotta, keskiarvo=23,3).
2.2|Kokeellinen menettely
Testasimme 2 2 täystekijöiden sekasuunnittelulla koko järjestelmän laajuisia tilamuistiparadigman konsolidointiprosesseja. FMRI-skannausten aikana osallistujat osallistuivat allo- tai egosentriseen spatiaaliseen oppimiseen ja muistin hakuun aiemmin validoidussa vesilabyrinttianalogissa (Müller et al., 2018; Schoenfeld et al., 2017). Välittömästi ennen oppimis- ja hakuistuntoja ja niiden jälkeen toiminnallinen yhteys arvioitiin lepotilan fMRI:llä. Tämä tarkoittaa yhteensä neljää 9 minuutin lepotilan fMRI-istuntoa. Tilaoppimisen ja muistin haun välissä unen EEG:tä käytettiin mittaamaan unta. Kokeellisessa tilassa osallistujia ohjeistettiin nukkumaan 90 minuuttia, kun taas kontrolliryhmä katsoi elokuvaa saman ajan. Noin 2 viikkoa kokeen jälkeen unitilassa olleet osallistujat suorittivat 90 minuutin unenhallintaistunnon, joka ei seurannut oppimiskokemusta.
Cistanche-lisä lähellä minua - Muistin parantaminen
2.3|Virtuaalinen vesilabyrinttitehtävä
Virtuaalinen vesilabyrinttitehtävä on rotan vesilabyrintti, joka on vakiintunut menetelmä jyrsijöiden avaruudellisten kykyjen testaamiseen (Morris, 1981).
Tämä ihmisille suunnattu analoginen paradigma on yhteensopiva MRI-skanneriympäristön kanssa (Schoenfeld et al., 2017). Osallistujia ohjeistettiin navigoimaan virtuaalisen saaren ympärillä tavoitteena löytää aarrelaatikko. Käytimme kahta eri asetusta tässä paradigmassa: "piilotettu saari" ja "viitattu saari". Piilotettua saarta ympäröi neljä maamerkkiä (eli silta, purjevene, tuuliturbiini ja majakka; katso kuva S1). Saarella piilotettu aarrelaatikko merkitsi kohdepaikan. Laatikko sijaitsi pienessä syvennyksessä virtuaalisen saaren pinnalla ja näin ollen näkyvissä vain välittömässä läheisyydessä. Sitä vastoin vihjatulla saarella ei ollut muita maamerkkejä suuntautumiseen lukuun ottamatta lippua aarrelaatikon vieressä, joka näkyi kaukaa. Tämän lipun ja aarrelaatikon sijainti muuttui jokaisessa kokeessa. Tehtäväjärjestys koostui kahdeksasta vuorottelevasta lohkosta vihjattuja ja piilotettuja saaria, mikä johti yhteensä 16 kokeiluun. Jokaisessa kokeessa osallistujat saivat vapaasti liikkua saarella omaan tahtiinsa ohjaussauvan avulla. Kun kohdepaikka aarrelaatikon välittömässä läheisyydessä saavutettiin, osallistujat saattoivat lopettaa kokeilun painamalla ohjaussauvan nappia. Yhden kokeen päättymisen ja seuraavan alkamisen välillä oli 15- s tauko, jonka aikana osallistujat saattoivat kääntyä saarella ja suunnitella itsensä. Osallistujat kohtasivat ensin vihjatun saaren, josta heidän oli löydettävä näkyvä lippu. Tätä saareketta käytettiin havainto- ja moottorikäsittelyn ohjaamiseen muistivaikutusten eristämiseksi myöhemmässä analyysissä. Piilotetun saaren kohtaamista varten osallistujat jaettiin satunnaisesti jompaankumpaan oppimisolosuhteisiin - allosentriseen tai itsekeskiseen. Allosentrinen ryhmä aloitti jokaisessa kokeessa eri paikasta saarella ja joutui joka kerta suuntautumaan uudelleen löytääkseen kohdepaikan, mikä edistää paikkanavigoinnin käyttöä. Itsekeskeisessä ryhmässä heillä olisi sama aloituspaikka jokaisessa kokeessa, ja siksi he voisivat luottaa toistuvaan kiinteään liikkeeseen päästäkseen kohdesijaintiin näkyvien vihjeiden lisäksi, jolloin he voivat käyttää molempia navigointistrategioita. Yleisesti ottaen osallistujat olivat sokeita näille kahdelle ehdolle. Oppimiskokeissa osallistujien päätavoitteena molemmissa olosuhteissa oli oppia kohdelaatikon sijainti kahdeksassa piilosaarikokeessa. Hakukokeissa saaren kokoonpano pysyi samana yhdellä muutoksella – aarrelaatikko poistettiin piilotetulta saarelta ja osallistujia ohjeistettiin merkitsemään parhaan tietämyksensä mukaan paikka, johon he muistivat laatikon olevan sijoitettava.
2.4|Tiedonkeruu
2.4.1|Polysomnografiset tallenteet
Polysomnografiset tallenteet saatiin 500 Hz:n näytteenottotaajuudella (BrainAmp, Brain Products, Gilching, Saksa) 90 minuutin päiväunien aikana. Kolmekymmentäkaksi päänahan elektrodia (kansainvälinen 10–20 EEG-järjestelmä) asennettiin, mukaan lukien Fz, F3, F4, Cz, C3, C4, Pz, P3, P4, Oz, O1, O2, ja viitattiin vasempaan rintarauhaseen. Lisäksi tallennettiin vaaka- ja pystysuorat silmien liikkeet (EOG), elektromyogrammi (EMG) leuassa ja elektrokardiogrammi (EKG). Nauhoitukset alkoivat pian valon sammuttamisen jälkeen. Kokeen jälkeen unipisteytyksen suoritti olosuhteille sokeutunut kokeilija SpiSOP-työkalupakin avulla (www.spisop.org; RRID: SCR_015673). American Academy of Sleep Medicinen pisteytyssääntöjen (AASM) univaiheiden 1 ja 2 mukaisesti hitaan aallon uni, REM-uni, heräämiset ja kehon liikkeet pisteytettiin visuaalisesti 30 sekunnin jaksoissa EOG:n, EMG:n ja seuraavien kanavien perusteella. -F3, F4, C3, C4, O1, O2.
2.4.2|FMRI hankinta
FMRI-aikasarjat hankittiin käyttämällä 3T head-only -skanneria (Prisma 3T, Siemens, Erlangen, Saksa). Seitsemänsataa T2*-painotettua kuvaa saatiin monikaistaisella gradientti-kaikukaiku-tasokuvaussekvenssillä (monikaistainen tekijä=8, 64 aksiaalista viipaletta, äänenvoimakkuuden toistoaika [TR]=1000 ms, kaikuaika [TE) ]=39 ms, 52 kääntökulmaa, viipaleen paksuus=2,4 mm; näkökenttä (FOV) 210 mm; vokselin koko 2 mm isotrooppinen). Anatomiset kuvat hankittiin käyttämällä T1-painotettua MP-RAGE-sekvenssiä (192 sagitaaliviipaletta, tilavuus TR=2300 ms, TE=3,03 ms, 8 kääntökulma, viipaleen paksuus, 1 mm ; FOV, 256 mm; vokselin koko 1 1 1 mm). Kaikki tiedot ovat saatavilla Donders Repository di. voi. DSC_3013066.01_875.
2,5|Tietojenkäsittely
2.5.1|Unen EEG-esikäsittely
Tiedot esikäsiteltiin Matlab R2020b:ssä (Mathworks Inc., Sherborn, Massachusetts) Sleeptrip-työkalupakin avulla (www.sleeptrip. org; RRID: SCR_017318). Kaikki EEG-kanavat viitattiin uudelleen keskimääräisiin mastoideihin (A1 ja A2) ja tiedot kaistanpäästösuodatettiin välillä 0,3 - 35 Hz (4. asteen Butterworthin nollavaihesuodatin). Yleensä käytettiin vain nollavaihesuodattimia (eli eteenpäin ja taaksepäin). Huonot EEG-kanavat hylättiin visuaalisesti niiden tehospektrien perusteella. Muissa kanavissa artefakteja havaittiin 30-s pitkissä ikkunoissa. Segmentit, jotka tunnistettiin visuaalisesti kehon liikkeeksi, merkittiin myöhempää poissulkemista varten. Havaitusta kokonaisamplitudijakaumasta voimakkaasti poikkeavien segmenttien tunnistamiseksi edelleen kunkin segmentin keskimääräiset amplitudierot z-standardisoitiin kunkin kanavan sisällä. Segmentit, joiden az > 5 missä tahansa kanavassa jätettiin pois (Muehlroth et al., 2019). TST laskettiin aikana, joka vietettiin vaiheissa 1, 2, SWS ja REM-unessa. WASO määriteltiin ajaksi, jonka osallistujat olivat hereillä nukahtamisen ja lopullisen heräämisen välillä.
Cistanche-yrtin vaikutukset - Anti-Alzheimerin tauti
2.5.2|Karan tunnistus
Karat havaittiin käyttämällä automatisoitua Sleeptrip-algoritmia, joka perustui aikaisempiin julkaisuihin (Weber et al., 2020) ja Pythonin versiossa 3.8 toteutettua "off"-algoritmia (Donoghue et al. , 2020). Oletetut tehohuiput hitaalla (9–12,5 Hz) ja nopealla karalla (12,5–16 Hz) havaittiin visuaalisesti NREM-aikakausilta (eli N2 ja N3). Ennen tehospektrien tarkastusta ajoittainen 1/f-komponentti poistettiin signaalista sovittamalla Lorentzian-funktio. Jokaiselle osallistujalle tunnistettiin manuaalisesti hitaat karan huiput kolmen etukanavan keskiarvosta (Fz, F3, F4; Unitestiistunto: 10.25 Hz ± 0.1, keskiarvo ± SEM ; Sleep Control Session: 10,07 Hz ± 0,14, keskiarvo ± SEM) ja nopeat karat saavuttavat huippunsa kolmen keskuskanavan keskiarvossa (Cz, C3, C4; Unitestiistunto: 13,44 Hz ± 0,09, keskiarvo ± SEM; Sleep Control Sesion: Sleep Control Sesion 13,44 Hz ± 0,06, keskiarvo ± SEM). Visuaalisesti määriteltyjen taajuushuippujen tarkistamiseksi sovitimme iteratiivisesti Gaussialaiset jaksollisiin tehokomponentteihin fooofilla (katso kuva S2, esim. spektrit). Jos manuaalisissa etiketeissä ja sovitetuissa Gaussin huipuissa oli eroja, tehospektrejä tarkasteltiin uudelleen. Tätä menetelmää käytettiin välttämään harhaanjohtavia karatapahtumia (Ujma et al., 2015). Sitten jokaisen kanavan signaali kaistanpäästösuodatettiin (±1,5 Hz, 3 dB:n raja, 4thorder Butterworthin nollavaihesuodatin) tunnistettujen yksittäisten taajuushuippujen ympärillä. Signaalin neliökeskiarvo (RMS) laskettiin jokaisessa näytepisteessä ja tasoitettiin liukuvalla keskiarvosuodattimella 200 ms liukuvassa ikkunassa. Potentiaalikara merkittiin, jos tasoitetun RMS-signaalin amplitudi ylitti keskiarvon 1,5 SD suodatetusta signaalista 0,5–3 sekunnin ajan. Suodatetun karasignaalin paikalliset minimit ja maksimit merkittiin huipuiksi ja aallonpohjaksi. Suurin kouru määriteltiin karan huippuajaksi. Karan amplitudi määritettiin suurimman kourun ja suurimman piikin välisellä potentiaalierolla. Betonikaran yksilöllinen taajuus määritettiin laskemalla yhteen kaikkien kourujen ja piikkien lukumäärä ja jakamalla vastaavan karan kestolla kaksinkertainen. Karat, joiden rajat olivat lähempänä kuin 0,25 s, yhdistettiin lopulta.
2.5.3|Hitaan värähtelyn tunnistus
Hitaiden värähtelyjen havaitseminen etuelektrodeilla perustui myös Sleeptripissä toteutettuun ja muualla validoituun automatisoituun algoritmiin (Ngo et al., 2013). Kaikkien NREM-kausien osalta esikäsitellyt EEG-tiedot alipäästösuodatettiin 4 Hz:llä (6. asteen Butterworthin nollavaihesuodatin). Sitten koko signaali jaettiin negatiivisiin ja positiivisiin puoliaaltoihin, jotka erotettiin nollapisteillä. Potentiaalinen hidas värähtely määriteltiin negatiiviseksi puoliaaltoksi, jota seurasi positiivinen puoliaalto taajuusalueella 0,5 - 1 Hz. Hitaan värähtelyn amplitudi ja taajuus laskettiin samalla menetelmällä, jota käytettiin karojen kohdalla. Oletetut hitaat värähtelyt, jotka ylittivät 1,25 kertaa kaikkien oletettujen hitaiden värähtelyjen keskimääräisen alimman alimman, sekä amplitudi, joka oli 1,25 kertaa kaikkien mahdollisten hitaiden värähtelyjen keskimääräinen amplitudi, hyväksyttiin lisäanalyysiin.
2.5.4|Lepotilan fMRI-esikäsittely
MRI DICOM -tiedostot syötettiin automaattiseen liukuhihnaan GraphICAssa (BraiNet – Brain Imaging Solution Inc. – Sarnia, Ontario, Kanada). Anatomiset ja toiminnalliset kuvat esikäsiteltiin FSL 6.03:lla. T1-painotettujen anatomisten kuvien esikäsittelyvaiheisiin sisältyi bias-kentän korjaus (RF/B1-epähomogeenisuuskorjaus), aivojen erottaminen, kudostyypin segmentointi (CSF, GM, WM) ja aivokuoren rakenne. segmentointi. Toiminnallisille tiedoille suoritimme kallon kuorinnan, liikkeen korjauksen, viipaleen ajoituksen korjauksen, spatiaalisen tasoituksen, joka lasketaan vokselikoon, enimmäismäärän (1,5 * vokselin koko), yhteisrekisteröinnin, ICA-pohjaisen liikeartefaktien automaattisen poiston, ylipäästön perusteella. suodatus ja häiriöiden regressio (WM ja CSF). Tietoja ei normalisoitu referenssiavaruuteen, koska luonnollisen aivotilan ominaisuudet tulisi säilyttää seuraavassa analyysissä.
2.5.5|Kaksoisregressioanalyysi
Kaksoisregressiota käytettiin aihekohtaisten spatiaalikarttojen tunnistamiseen käyttämällä 11 lepotilan verkkomaskia: kuulo, oletustilan verkko, vasen Executive Control, Executive Control oikea, hippokampus, kieli, näkyvyys, sensorimoottori, visuaalinen lateraali, visuaalinen media ja visuaalinen Takaraivo. Komponenttien spatiaalisten karttojen intensiteetti ilmaistiin signaalin prosentuaalisen muutoksen yksiköinä keskiarvosta.
2.5.6|Alueellinen lohkominen
Kunkin kohteen painotettu T{{0}}kuva segmentoitiin automaattisesti Freesurfer 7:ssä (v7.1.0, http://surfer.nmr.mgh. harvard.edu/) toteutetun liukuhihnan avulla. Lisälohkojako suoritettiin GraphICA:lla käyttämällä gradienttipainotettua Markov Random Field -mallimenettelyä, joka on kuvattu julkaisussa (Schaefer et al., 2018). Tämä jakomalli sisältää kolme kilpailevaa termiä, jotka kompensoivat lopullisen segmentoinnin optimaaliset ominaisuudet: globaali samankaltaisuustermi ryhmitellä aivojen sijainnit, joilla on samanlainen kuvan intensiteetti, paikallinen gradienttitermi, joka havaitsee äkilliset toiminnalliset yhteysmuutokset viereisten aivopaikkojen välillä, ja spatiaalinen kytkentätermi varmistaa alueelliset yhteydet tonttien sisällä. Toimenpide tuotti 832 lohkottua aivoaluetta, jotka sisällytettiin verkkosolmuiksi lisäanalyysejä varten.
2.5.7|Toimiva verkon rakentaminen ja kynnys
GraphICAa käyttämällä jokainen solmukohtaisen fMRI-aikakurssi korreloitiin kolmen lepotilan verkon IC-aikakulun kanssa erikseen. Kunkin toiminnallisen lepotilan verkon yhteisrekisteröinnin kohteena olevaan natiiviavaruuteen laskettiin keskimääräinen z-arvo laskemalla keskiarvo kuhunkin 832 ROI:sta kuuluvan vokselin skalaarikartta-arvoista. Tuloksena saadut z-standardoidut korrelaatiokertoimet kuvaavat kunkin solmuajan kulun kuormitusta vastaavassa lepotilan verkossa. Esimerkiksi melusta johtuvien väärien tai heikkojen z-arvojen poistamiseksi kuormitukset rajattiin dataohjautuvalla seosmallinnusmenetelmällä yksittäisen kohteen tasolla (Bielczyk et al., 2018). Lisäksi kynnysverkot yhdistettiin GraphICA:n toimittamiin verkkomalleihin, jotka johdettiin 200 terveestä kontrollista. Vain malleista löytyneet solmut otettiin huomioon lisäanalyysissä (eli hippokampuksen verkon=74 solmut, oletustilan verkko=171 solmut, oikeanpuoleiset executive control network=164 solmut).
2,6|Tilastollinen analyysi
2.6.1|Unen EEG-analyysi
Unen EEG-tietojen tilastolliset analyysit suoritettiin Matlab R2020b:llä (Mathworks Inc., Sherborn, Massachusetts) avoimen lähdekoodin työkalupakin Fieldtrip (Oostenveld et al., 2011) ja CircStats-työkalupakin (Berens, 2009) kanssa. Analyysi rajoittuu kanaviin Fz hitaiden värähtelyjen ja hitaiden karojen osalta ja Cz nopeiden karojen osalta. Kaikki analyysissämme käytetyt unimuuttujat eivät noudattaneet normaalijakaumaa. Kaikki ryhmän sisäiset vertailut unen kuvauksista ja värähtelyominaisuuksista oppimisen jälkeisen unijakson ja unenhallintaistunnon välillä testattiin käyttämällä ei-parametrisia Wilcoxon Signed-Rank -testejä riippuvaisille näytteille. Ryhmien väliset unimuuttujien vertailut allosentrisessä ja egosentrisessä tilassa laskettiin ei-parametrisilla Mann-Whitney U -testeillä riippumattomille näytteille. Näissä testeissä ilmoitettiin muuttujien mediaani- ja kvartiiliarvot. p-arvo<.05 was viewed as statistically significant.
2.6.2|Ajallinen suhde havaittujen hitaiden värähtelyjen ja karojen välillä
Hitaiden värähtelyjen ja karojen koordinaatio arvioitiin NREM-uneen, koska kara-hitaiden värähtelyjen kytkennän on osoitettu olevan vakaa vaiheen 2 ja hitaan aallon unessa (Cox et al., 2017), vaikka tyyppi hitaan värähtelyn ero on erilainen (K-kompleksit vs. delta-aallot). Hitaan värähtelyn ja karan tapahtumien välinen yleinen ajallinen suhde laskettiin määrittämällä niiden karojen osuus, joiden keskipiste (eli maksimipohja) esiintyi ±1,2 s:n välein tunnistettujen hitaiden värähtelyjen pohjan ympärillä, ja hitaiden värähtelyjen määrä karat, joiden keskipiste esiintyi ±1,2 sekunnin sisällä värähtelyn vastaavan pohjan ympärillä. Aikaikkunaksi ±1,2 s valittiin kattamaan yksi kokonainen hidas värähtelyjakso (0,5–1 Hz eli 1–2 s). Aina kun kaksi hitaan värähtelyaikaikkunaa meni päällekkäin, karan keskustasta kauempana oleva poistettiin. Hitaan värähtelyn ja karatapahtumien tarkka ajoitus visualisoitiin tapahtuman ympärillä olevilla aikahistogrammeilla (PETH:t) (kuva 2b) nopeista ja hitaista karakeskuksista (testitapahtumat), jotka tapahtuivat ±1,2 s:n aikavälin sisällä kunkin hitaan värähtelyalueen (tavoite) ympärillä. tapahtuma). Siementapahtuman esiintymistodennäköisyydet summattiin 100 ms:n laatikoissa ja muunnettiin prosentteiksi. Testataksemme PETH:ien ajallista mallia, toteutimme satunnaistusmenettelyn sekoittamalla satunnaisesti PETH-säiliöiden järjestystä 1000 kertaa. Tuloksena saaduista korvikeista laskettiin keskiarvo jokaiselle yksilölle ja testattiin alkuperäisiä PETH-arvoja vastaan käyttämällä riippuvaisen näyte-t-testejä. Monien vertailujen hallinta saavutettiin klusteripohjaisella permutaatiotestauksella 5000 permutaatiolla (Maris & Oostenveld, 2007).
2.6.3|Tapahtumalukittu vaihekytkentä
Tapahtumalukittuihin ristitaajuusanalyyseihin (Helfrich et ai., 2018) valittiin artefaktittomat hitaan värähtelytapahtuman kokeet kanavalla Fz (±3 s hitaan värähtelyalueen maksimialueen ympärillä) ja kaista -päästösuodatettu hitaan värähtelyn taajuusalueella (0,3–1,25 Hz). Hilbert-muunnoksen soveltamisen jälkeen erotimme analyyttisestä signaalista hetkellisen vaihekulman. Samat kokeet myös kaistanpäästösuodatettiin välillä 9 - 12,5 Hz (hitaiden karojen komponentti) ja välillä 12,5 - 16 Hz (nopeiden karojen komponentti) amplitudin verhokäyrän laskemiseksi analyyttisestä signaalista. Otimme huomioon vain aika-alueen 2–2 sekuntia suodattimen reunojen artefaktien välttämiseksi. Jokaiselle kohteelle, kanavalle ja aikakaudelle havaitsimme nyt maksimikaran amplitudin ja vastaavan hitaan värähtelyn vaihekulman. Rayleigh-testit laskettiin faasijakauman testaamiseksi per koehenkilö tasaisuutta vastaan. Keskimääräinen ympyräsuunta ja tuloksena oleva vektorin pituus kaikissa NREM-tapahtumissa määritettiin. PPC:tä käytettiin puolueettomana estimaattorina karojen ja hitaiden värähtelyjen välisen vaihesuhteen konsistenssille (Vinck et al., 2012), joka perustui karan pohjaan liipaistuviin Fourier-spektreihin aikaikkunassa 3,5 - +3,5 s. (100 ms askeleet) ja hidas värähtelytaajuusalue 0,3 - 3 Hz.
kiinalainen yrtti cistanche
2.6.4|Aika-taajuus-analyysi
Karojen ja hitaiden värähtelyjen välisen ajallisen suhteen kuvaamiseksi tarkemmin käytimme aiemmin laskettuja hitaan värähtelytapahtuman kokeita (6-s-segmentit). Nämä kokeet yhdistettiin satunnaisesti valitun 6 sekunnin artefaktittoman aikajakson kanssa samassa univaiheessa kuin vastaava hidas värähtely, jota käytettiin lähtötason kokeina. Kokeiden aika-taajuusanalyysiin hitailla värähtelyillä ja ilman niitä käytimme superjoukkoja (Moca et al., 2021). Superletit koostuvat sarjasta Morlet-aallokkeita, joilla on sama keskitaajuus, mutta yhä rajoitetumpi kaistanleveys ja jolla on korkeampi aika-taajuusresoluutio kuin vakiintuneilla lähestymistavoilla. Tarkemmin sanottuna sovelsimme murto-osallista adaptiivista superlet-muunnosta (FASLT) hitaiden värähtelyjen esikäsiteltyihin tietoihin ja perusviivakokeisiin 5 Hz:n ja 20 Hz:n välillä 0,25 Hz:n askelin, aallon alkuasteella 3 ja järjestysvälillä 5 ja 15 ( Barzan et ai., 2021). Hitaiden värähtelytapahtumien kokeiden ja kontrollikokeiden aika-taajuusesityksiä verrattiin sitten kunkin koehenkilön osalta käyttämällä riippumattomien otosten t-testejä. Tuloksena saadut t-kartat heijastavat kasvua/laskua sekä nopean että hitaan karan taajuusalueella hitaiden värähtelyjen kokeissa verrattuna kokeisiin ilman. Koehenkilöiden sisäisten kontrastien laskemiseksi piirsimme 100 satunnaista sarjaa perusviivan ja hitaan värähtelyn kokeita säilyttäen samalla vaiheen 2 ja hitaan aallon unikokeiden suhteen. T-kartat kaikille näille satunnaisille koesarjoille laskettiin keskiarvoina kullekin koehenkilölle. erikseen jokaiselle muistitilanteelle t-kartat testattiin nollaa vastaan käyttämällä klusteripohjaista permutaatiotestiä, jossa oli 5000 permutaatiota 1,2 - 1,2 sekunnin aikaikkunassa.
2.6.5|Lepotilan fMRI-analyysi
Kolmen lepotilan verkon fMRI-tiedot analysoitiin RStudio 1.4.1103:ssa (RStudio, Inc., Boston, Massachusetts). Kaikki analyysit suoritettiin kolmelle ennalta valitulle lepotilan verkolle erikseen (eli hippokampusverkko, oletustilan verkko, oikeanpuoleinen toiminnanohjausverkko) ja ne perustuivat IC:tä kohden saatuihin solmukohtaisiin z-arvoihin, jotka kuvaavat toiminnallisen verkon yhteyskuviota. lepotilan verkot. Tutkimme kolmea eri lähestymistapaa tietojen analysointiin, mukaan lukien Graph Theory -analyysi, euklidisen etäisyyden matriisit ja singulaaristen arvon hajottelu (SVD), joista SVD sopi parhaiten nykyiselle tietojoukolle. SVD suoritettiin raaka-z-arvoille lepotilan verkkojen alkuperäisen organisaation kaappaamiseksi tarkemmin. Kynnysarvot muodostivat m n datamatriisin (m=osallistujien lukumäärä 4 istuntoa; n=solmujen lukumäärä). Erityisesti SVD harvoille matriiseille valittiin ulottuvuuden vähentämiseksi, koska kynnysdatamatriisi sisälsi pääasiassa nolla-arvoja. Verkkoa kohden poimittiin kaksi päätilaa, jotka yhdessä selittivät 15–20 % tietojen varianssista. Jokainen tila voidaan ymmärtää varianssipohjaiseksi toiminnalliseksi lepotilan aliverkoksi (katso elokuvat S1–S4). SVD:n tuloksena saimme verkkojen keskimääräisen matalan tason rekonstruktion rank-r approksimaationa, joka kuvaa vastaavan aliverkon spatiaalista jakautumista käyttämällä yhtälöä (2):
jossa A on alkuperäinen datamatriisi, joka on approksimoitu U:lla, joka sisältää r vasenta singulaarista vektoria, S:llä sisältää r singulaariarvoa, ja V:llä, joka sisältää r oikeanpuoleista singulaarista vektoria. Tilastollista testausta valmisteltaessa vastaava vasen singulaarivektori (um, i) skaalattiin sen singulaariarvolla (si, i), missä i on matriisin i. rivi/sarake. Tulos (um, I si, i ) on sarakevektori, joka edustaa osallistujien pisteitä kaikista istunnoista i:nnessä aliverkossa. Nämä arvot voidaan tulkita valitun toiminnallisen aliverkon liitettävyyden vahvuudeksi kaikille osallistujille istuntojen ja ehtojen välillä. Molemmissa kahdessa aliverkossa saadut osallistujapisteet analysoitiin riippuvaisina muuttujina käyttämällä lineaarista sekavaikutelmamallia. Mallin ennustajat sisälsivät kiinteinä vaikutuksina unitilan (uni, hereillä), istunnon (1–4 tai ennen/jälkeen tauon, ennen/jälkeen) ja muistitilan (allosentrinen, egosentrinen). Osallistujat mallinnettiin satunnaisina vaikutuksina neljälle lepotilan istunnosta. Mallin sopivuuden arvioinnissa käytettiin Akaiken tietokriteeriä (Akaike, 1973), Bayesin tietokriteeriä (Schwarz, 1978) ja log-todennäköisyyttä.
3|TULOKSET
3.1|Tutkimussuunnittelu ja muistin suorituskyky
Tässä tutkimuksessa käytettiin 1-päiväparadigmaa tilamuistitehtävän konsolidoinnin testaamiseen (kuva 1a). FMRI-skannausten aikana osallistujat suorittivat allo- tai egosentristä spatiaalista oppimista ja muistin hakua aiemmin validoidussa vesilabyrintin virtuaalisessa analogissa ihmisille (Müller et al., 2018; Schoenfeld et al., 2017). Yksityiskohtainen tehtäväkuvaus löytyy tämän aineiston ensimmäisestä julkaisusta (Samanta et al., 2021). Lyhyesti sanottuna osallistujat navigoivat vapaasti virtuaalisella saarella joystickin avulla saavuttaakseen kiinteän kohdepaikan. Oppitunnissa sijainti osoitti piilotetulla aarrelaatikolla. Haun aikana osallistujia kuitenkin kehotettiin merkitsemään aarrelaatikon sijainti parhaan tietämyksensä mukaan ilman, että laatikko oli läsnä. Allosentriset ja egosentriset olosuhteet erosivat siten, että satunnaisesti määrätyt osallistujat aloittivat jokaisen kokeen joko samasta tai muuttuvasta lähtökohdasta (kuva 1b). Muistin suorituskyky mitattiin latenssina, jolla tavoitesijainnin saavuttaminen aloituspisteestä. Haettaessa osallistujat suoriutuivat yleensä paremmin egosentrisessä tilassa kuin allosentrisessä tilassa, ja unen pääasiallinen vaikutus muistin suorituskykyyn oli merkittävä (kuva 1c; taulukko 1; kaksisuuntainen ANOVA allo/ego F1:llä,62=16 .78, p < .001 ja uni/herätys F1, 62=3.84, p=.05). Välittömästi ennen oppimis- ja hakuistuntoja ja niiden jälkeen toiminnallinen yhteys arvioitiin lepotilan fMRI:llä. Tämä tarkoittaa yhteensä neljää 9 minuutin lepotilan fMRI-istuntoa. Tilaoppimisen ja muistin haun välillä käytettiin polysomnografiaa uniarkkitehtuurin mittaamiseen (taulukko S1). Kokeellisessa tilassa osallistujat nukkuivat noin 90 minuuttia (93,48 ± 1,77, keskiarvo ± SEM), kun taas kontrolliryhmä katseli neutraalia elokuvaa saman ajan. Noin 2 viikkoa kokeen jälkeen unitilassa olleet osallistujat suorittivat noin 90 minuutin unenhallintaistunnon (103,30 ± 2,66, keskiarvo ± SEM), mikä ei heti seurannut tilaoppimiskokemusta. Kahden unijakson järjestystä ei tasapainotettu, jotta koehenkilöt olisivat sokeutuneet koeolosuhteille testiistunnon aikana. Käyttämällä samanlaista tehtäväsuunnittelua Genzel, Bäurle et al. (2014) ja Genzel et al., (2012) saivat vertailukelpoisia päiväunien kestoja. Tässä osallistujat nukkuivat kuitenkin merkittävästi pidempään unenhallintaistunnossa kuin unitestiistunnossa (Wilcoxon Sign-Rank Test, z = 2.68, p=.01). Tämä istuntoefekti vihjaa tottumiseen unilaboratorioon. Ero aikaisempiin tutkimuksiin voi johtua erilaisten laboratorioasetusten käytöstä Genzelin, Bäurlen et al. (2014); Genzel et al., 2012) unilaboratorio (Max Planck Institute of Psychiatry) nimettiin sellaiseksi, kun taas Donders Instituten unilaboratorio EEG-laboratoriossa (ja siksi vähemmän "kotoisa").
3.2|Nukkumisominaisuudet testi- ja ohjausistunnon aikana
Spatiotemporaalisten mekanismien NREM-unen aikana on osoitettu vahvistavan aiemman hereilläoloajan koodattuja kokemuksia (Maigret et al., 2016). Järjestelmätasolla kokemusten uskotaan aktivoituvan uudelleen hippokampo-talamo-kuoren verkostossa unen aikana muodostaen pitkäaikaisia esityksiä näistä kokemuksista. Erilaiset muistin lujittamiseen liittyvät värähtelyt voivat koordinoida näiden aivorakenteiden välistä viestintää (Genzel, 2020; Genzel, Bäurle, et al., 2014). Olimme kiinnostuneita hitaista värähtelyistä sekä hitaista karoista (9–12,5 Hz) ja nopeista karoista (12,5–16 Hz) NREM-unen aikana, joilla voi olla erillinen rooli muistin lujittumisprosessissa (Genzel & Robertson, 2015). . Aiemmin raportoitujen univärähtelyjen topografian mukaisesti ihmisen EEG:ssä (Adamczyk et al., 2015) keskityimme analyysimme hitaisiin frontaalivärähtelyihin ja hitaisiin värähtelyihin (eli kanava Fz) ja keskinopeisiin karoihin (eli kanava Cz; katso kuva S3 kytkennän topografiasta). Vangitaksemme tilaoppimiskokemuksen erityiset vaikutukset unitestiistunnon uniarkkitehtuuriin, vertailimme unitestin ja kontrolliistuntojen unikuvauksia sekä kara- ja hitaan värähtelyn ominaisuuksia (katso taulukko S1). Havaitsimme, että osallistujat nukkuivat merkittävästi pidempään kontrolliistunnossa verrattuna testiistuntoon. Testiistuntoon verrattuna myös nopean karan kesto oli merkittävästi pidempi kontrolliistunnossa (Wilcoxon Sign-Rank Test, z = 2.91, p < .01). Arvioimme lisäksi, voisiko TST:n merkittävä ero testi- ja kontrolliistuntojen välillä ennustaa tämän eron nopeassa karan kestossa, mikä ohjaa WASO:ta. TST:llä ei kuitenkaan ollut merkittävää vaikutusta nopeiden karan amplitudieroihin nukkumisistuntojen välillä (monikertainen lineaarinen regressio, TST:=0.53, p=.61). Nopean karan amplitudin kasvu, joka on samanlainen kuin TST:n nousu, voi johtua unilaboratorion hallitsemattomasta tottumisvaikutuksesta. Siitä huolimatta oletimme unen värähtelyjen ajallisen suhteen olevan ratkaisevan tärkeä muistin lujittamisessa. Tässä suhteessa emme havainneet eroja istuntojen välillä, kuten seuraavassa esitetään.
KUVIO 1
3.3|Kara – hidas värähtelykytkentä testi- ja ohjausistunnossa
Terävien aaltovärien, karojen ja hitaiden värähtelyjen välinen kytkentä voi asettaa ratkaisevan aikaikkunan oppimiskokemuksen lujittamiseksi (Genzel, Kroes, et al., 2014). Siksi keskityimme karojen ja hitaiden värähtelyjen väliseen ajalliseen suhteeseen tutkiaksemme edelleen eroa unen mikroarkkitehtuurissa unitestien ja kontrolliistuntojen välillä. Ensin laskettiin karojen maksimialojen lukumäärä (%), jotka esiintyvät yhdessä syklissä (väli ±1,2 s) tunnistettujen hitaiden värähtelyjen keskipisteen ympärillä (kuva 2a). Molemmissa istunnoissa havaitsimme saman määrän nopeita karoja, jotka on kytketty hitaisiin värähtelyihin (Wilcoxon Sign-Rank -testi, z = 1.14, p=.26) ja hitaita värähtelyjä (Wilcoxon) Sign-Rank Test, z {{10}}.75, p=.45). Päinvastoin suunnilleen yhtä suuri määrä hitaita värähtelyjä kytkettiin nopeisiin karoihin (Wilcoxon Sign-Rank Test, z=1.02, p=.31) ja hitaisiin karoihin (Wilcoxon Sign- Sijoitustesti, z {{20}.10, p=.27) oppimisen jälkeen ja unenhallinnassa. Nämä havainnot viittaavat siihen, että karat ja hitaat värähtelyt ovat yhtä lailla sidottu toisiinsa. Yleensä havaitsimme johdonmukaisen karan ja hitaan värähtelyn kytkennän molemmissa unijaksoissa riippumatta tilaoppimiskokemuksesta, joka suoritettiin välittömästi ennen unitestiistuntoa. Onnistunut muistin konsolidointi voi riippua kymmenien tai jopa satojen ms:n kytkentätarkkuudesta (Maigret et al., 2016; Muehlroth et al., 2019). Näin ollen analysoimme tarkan kara-hitaiden värähtelyjen koordinaation käyttämällä PETH:ia (kuva 2b). PETH:t osoittavat todennäköisyyttä, että maksimikaran aallonpohjat esiintyvät ±1,2 sekunnin aikaikkunassa hitaiden värähtelytapahtumien ympärillä 100- ms aikavälien sisällä. Nopeat karat esiintyivät samanaikaisesti juuri ennen hitaan värähtelyhuippua ja sen jälkeen hitaan värähtelyn pohjalla (klusteripohjaiset permutaatiot: merkki. klusteri: 400–700 ms testissä, p < .001; 500–800 ms kontrollissa, p < .001). Toisaalta hitaat karat osuivat samaan aikaan siirtyessä hitaan oskillaatioon ja sen kanssa (klusteripohjaiset permutaatiot: molemmat merkki. klusterit 300 - 100 ms, p < 0,001). Tämän vaikutuksen kestävyys testattiin vertailujakaumaa vastaan, joka saatiin sekoittamalla satunnaisesti karan kourujen aikaleimat. Karan ja hitaan värähtelykytkennän ajallinen spesifisyys ei eronnut kahden unijakson välillä, mikä viittaa jälleen yleisen kytkentämekanismin olemassaoloon, joka on riippumaton tilaoppimiskokemuksesta. Aiemmat havainnot ovat osoittaneet suuremman karan ja hitaan värähtelyn kytkentävoimakkuuden nuorilla verrattuna vanhoihin aikuisiin ja karkean motorisen oppimisen jälkeen (Cross et al., 2020 [preprint]; Helfrich et al., 2018). Olimme kiinnostuneita selvittämään tätä johdonmukaisuutta vaihesuhteissa tilaoppimisen kontekstissa. Kuvan 2b napakäyrät esittävät kytkentävaiheen yhdelle esimerkkikohdalle ja koko näytteelle laskettuna hetkellisenä hitaan värähtelyvaiheena (0,3–1,25 Hz) karan maksimiamplitudin aikana kanavalla Fz hitaille karoille (9–12,5 Hz). ) ja kanava Cz nopeille karoille (12,5–16 Hz). Jo yhden kohteen tasolla voidaan nähdä tarkka karan ja hitaan värähtelyn kytkentä, joka on erilainen nopeilla ja hitailla karoilla, mutta suhteellisen johdonmukainen unijaksojen välillä (katso polaariset histogrammit, kuva 2b). Ryhmätasolla useimmat nopeat karat esiintyivät välillä 5,76 - 6,28 radiaania hitaasta värähtelystä (testi: 6,03 ± 0,56, kontrolli: 6,07 ± 0,33, ympyräkeskiarvo ± SD), kun taas hitaat karat esiintyivät välillä 1,57 - 2,62 radiaania hitaan värähtelystä. (Testi: 1,89 ± 0,79, kontrolli: 1,87 ± 0,71, pyöreä keskiarvo ± SD; kuva 2e). Nämä havainnot vastaavat PETH:issa esitettyä karojen ja hitaiden värähtelyjen välistä ajallista koordinaatiota. Näiden vaihesuhteiden johdonmukaisuuden arvioimiseksi laskimme parikohtaisen vaiheyhdenmukaisuuden (PPC; vrt. "Menetelmät ja materiaalit"). Maksimi-PPC-arvot eivät eronneet nopeille tai hitaille karille kahden lepotila-istunnon välillä (Wilcoxon SignRank -testit, nopea karan maksimi PPC: z=0.451, p=.65, hidas kara: max. PPC: z=0.067, p=.95). Lisäksi havaitsimme havaittavia yksilöllisiä eroja PPC:ssä (kuva 2c). Kiinnostuimme siitä, liittyykö tämä vaihtelu PPC:ssä osallistujan yleiseen unen laatuun (mitattuna PSQI:llä), joka ei ollut merkitsevä (lineaarinen korrelaatio, nopeat karat: ρ=0.30, p=). 14, hitaat karat: ρ=0.15, p=.46). Yhteenvetona voidaan todeta, että karat kytkettiin johdonmukaisesti hitaisiin värähtelyihin tietyllä vaihesuhteella, joka tukee aikaisempia löydöksiä. Tähän mennessä esitetyt yleiset kytkentätulokset eivät eronneet kahden unijakson välillä. Kuten aiemmin kuvattiin, havaitsimme unikontrollissa pidemmän kokonaisuniajan kuin unitestiistunnossa, millä saattoi olla kompensoivia vaikutuksia uniarkkitehtuuriin, jonka taakse kytkentäero piiloutui. Esitämme siis seuraavat tulokset vain unitestiistunnosta.
3.4|Karan hidas värähtelyteho liittyy muistin suorituskykyyn
Saatuamme selville karan ja hitaan värähtelyn kytkennän yleisen aika- ja vaihedynamiikan unijaksojen välillä, jatkoimme analyysiämme keskittyen kahteen muistitilanteeseen (allo vs. ego) unitestin aikana, koska unella voi olla selvä vaikutus allosentrisyyteen. vastaan itsekeskeisiä tilamuistoja. Mahdolliset erot ryhmien välillä testattiin %-kytkennän ja PPC:n suhteen (kuvio 2a, f). Kara-hidas värähtelykytkennän määrä tai karan hitaan värähtelyvaiheen konsistenssi eivät eronneet merkittävästi ryhmien välillä (Mann-Whitney U -testi, % nopea kara: z = 1.12, p=. 27, % hitaat karat: z=0.09, p=.93; maks. PPC nopeat karat: z=1.742, p=.08, max. PPC hitaat karat: z=0.083, p=.94). Tutkimme tätä mallia edelleen vertaamalla värähtelytehoa karan taajuusalueella aikasegmenteillä, joissa on ja ilman hidasta värähtelyä (vrt. "Materiaalit ja menetelmät"). Hitaiden värähtelyjen kokeet rakennettiin ajamalla ±1,2 s satunnaisesti valittujen hitaiden värähtelyjen ympärille. Näissä kokeissa teho karan taajuusalueella todellakin erosi merkittävästi satunnaisesti valituista aikaväleistä ilman hitaita värähtelyjä (kaikille t-arvoklustereille: p < .001, kuva 3a). Tämä vaikutus oli yhtä lailla molemmissa muistiolosuhteissa, koska erokartta ei sisältänyt merkittäviä modulaatioklustereita (kuva 3a). Yhteenvetona voidaan todeta, että mikään karan ja hitaan värähtelykytkennän mittareista ei eronnut muistiolosuhteiden välillä. Tulokset olivat myös linjassa harjoitustyypin ja unen välisen ei-merkittävän vuorovaikutuksen kanssa käyttäytymisanalyysin kannalta (katso kuva 1c). Näin ollen päätimme romahtaa näiden kahden muistitilan yli lisätäksemme tilastollista tehoa lisätestausta varten. Ottaen huomioon koko näytteen testiistunnossa, tarkistimme ensin, oliko karan ja hitaan värähtelykytkennän määrä vain satunnainen sivutuote karan ja hitaan värähtelytapahtumien esiintymisestä. Saatu kytkentämäärä erosi merkittävästi satunnaisotosjakaumasta 60 %:ssa näytteestä (kuvio 3b, permutaatiotestit: p < 0,05, 1000 iteraatiota osallistujaa kohti). Kuitenkin, jotta vältetään tilastollisen tehon menetys ja regressio kohti keskiarvoa, laskemme spektritehomodulaatiot hitaiden värähtelykokeiden aikana koko näytteelle (kuva 3c). Havaitsimme, että tehomodulaatiot hitaiden värähtelykokeiden aikana erosivat merkittävästi yhteensovitetuista ohjauskokeista karan taajuusalueilla ja aiemmin vahvistetuissa aikaväleissä (katso PETH:t, kuva 2b). Seuraavaksi suoritimme korrelaatioanalyysejä hitaan värähtelyn ja ohjauksen tehoerojen (ilmaistuna t-arvoina) ja muistin suorituskyvyn välillä erikseen kullekin aika-taajuuspisteelle vastaavassa t-kartasta poimitussa karaklusterissa (kuva 3c). Löysimme merkittäviä assosiaatioita testaamalla EEG-käyttäytymiskorrelaatioiden bootstrapped-viitejakaumaa. Tällä tavalla voisimme tunnistaa merkittäviä korrelaatioklustereita, jotka edustavat suhdetta muistin suorituskyvyn ja tietyn EEG-aktiivisuusmodulaatiomallin välillä hitaan värähtelyn ylös-tilassa (vrt. "Materiaalit ja menetelmät"). Merkittävä negatiivinen korrelaatioklusteri tunnistettiin nopeille karoille (klusteri p < .01, max r=.41, p < .01, kuva 3c ylhäällä). Samalla tavalla tunnistimme toisen merkittävän negatiivisen korrelaatioklusterin hitaille karoille (klusteri p=.02, max r=.38, p=.02, kuva 3c alhaalla): nopeampi karan teho ja hitaan karan teho hitaan värähtelyjakson aikana liittyivät parempaan muistin suorituskykyyn (eli pienempään vasteviiveeseen). Nämä vaikutukset olivat spesifisiä unitestiistunnossa, koska niitä ei voitu havaita nopean karan tai hitaan karaklusterin kohdalla uniohjausistunnon aikana (kuva S4). Teimme myös tämän korrelaatioanalyysin egosentrisille ja allosentrisille ryhmille erikseen (kuva S6). Allosentrisessä ryhmässä nopean tai hitaan karan tehomodulaatiot eivät korreloi merkittävästi muistin suorituskyvyn kanssa. Itsekeskisen ryhmän havainnot muistuttivat läheisesti koko otoksesta saatuja tuloksia. Mielenkiintoista on, että hitaan karan tehomodulaatiot osoittivat päinvastaisia suuntauksia kahdessa ryhmässä. Parempi muistin suorituskyky vihjasi negatiiviseen assosiaatioon hitaan karan tehomodulaatioihin allosentriselle ryhmälle (klusteri=0.07, maks. r=.50, p=.06, kuva S6 alhaalla vasemmalla). Tämä assosiaatio oli merkitsevästi positiivinen egosentriselle ryhmälle (klusteri p=.03, maks. r=.61, p=.02, kuva S6 alhaalla oikealla). Emme kuitenkaan tutkineet tätä suuntausta enempää, koska allosentriselle ryhmälle ei voitu saada merkittäviä tuloksia. Lopuksi, löysimme todisteita hitaiden värähtelyjen ja karojen koordinaation välisestä yhteydestä muistin suorituskykyyn, joka oli spesifinen unelle oppimisen jälkeen toisin kuin kontrolliunen istunnossa. Hitaiden karan tehomodulaatioita on saattanut ohjata ensisijaisesti egosentrinen ryhmä.
KUVA 2
3,5|Toiminnalliset lepotilan verkot muuttuvat istuntojen aikana
Uni-EEG-analyysin jälkeen keskityimme seuraavaksi lepotilan toiminnalliseen liitettävyyteen ennen ja jälkeen muistitehtävän oppimista, konsolidointia ja hakua tutkiaksemme muistin konsolidoitumista verkkotasolla lepotiloissa. Tätä varten sisällytimme fMRI-tiedot neljästä lepotilan istunnosta (eli 1=perustila, 2=oppimisen jälkeinen, 3=tauon jälkeinen, 4=jälkihaku ) analyysiin. Olimme erityisesti kiinnostuneita oikeasta executive-ohjausverkosta, oletustilan verkosta ja hippokampuksen verkosta. Samanta et al.:n Task-fMRI-analyysit tästä aineistosta. (2021) paljasti, että näiden verkostojen alueet muuttivat aktivaatiota konsolidaatiojakson aikana, kun osallistujat ottivat päiväunet, mutta eivät silloin, kun he pysyivät hereillä. Näin ollen saimme kolme lepotilan verkkoa GraphICA:lla (Ribeiro de Paula et al., 2017), työkalulla lepotilan verkkoanalyysiin. Mittasuhteiden vähentämistä varten laskemme kunkin verkon ensisijaiset varianssitilat käyttämällä SVD:tä (vrt. "Menetelmät ja materiaalit"). Lopuksi testasimme istunnon, uniolosuhteiden ja muistiolosuhteiden vaikutuksia kunkin osallistujan tulokseen aiemmin tunnistetussa tilassa. Tällä lähestymistavalla voimme määrittää (1) kuinka monta toiminnallista aliverkkoa sisältyi kussakin verkossa ja (2) kuinka verkkojen toiminnallinen liitettävyys muuttui jollekin kokeelliselle muuttujallemme. Oikeaa toimeenpanoohjausverkkoa varten erotimme ensisijaisen aliverkon, joka keskittyi oikeanpuoleiseen alempaan parietaalisulkuun, oikeaan alempaan parietaalilohkoon ja oikeaan dorsolateraaliseen prefrontaaliseen aivokuoreen. Tässä aliverkossa havaitsimme toiminnallisen liitettävyyden lisääntyneen tehtävien suorituskyvyn välillä oppimis- ja hakuistuntojen aikana (kuva 4a; lineaarinen sekavaikutelmamalli, uni/herätystila: t62 = 0.747, p=. 46 allo/ego: t62 = 0.477, p=.64, katkoa edeltävä/ tauon jälkeinen: t193=1.676, p=.10, pre -tehtävä/tehtävän jälkeinen: t193=2.808, p=.01). Tämä kasvu johtui siirtymisestä tauon jälkeisestä hakuun (t193=2.468, p=.02). Sitä vastoin ensisijaisen oletustilan aliverkon, jossa pääasiallisesti osallistui posteriorinen cingulaattikuori, yhteydet heikkenivät yleensä suorituskyvystä ennen tehtävää sen jälkeiseen suorituskykyyn, ja sen yhteydet olivat yleensä korkeammat nukkuessa kuin valveilla (kuva 4b; lineaariset sekaefektit). malli, uni/herätys: t62 = 2.616, p=.01 allo/ego: t62=0.427, p=.67, pre-break/post -tauko: t193=1.726, p=.08, ennen tehtävää/tehtävän jälkeen: t193 = 2.126, p=.04). Toiminnallisen yhteyksien heikkeneminen voidaan selittää merkittävällä muutoksella katkon jälkeisestä hakemisesta (t193 = 2.451, p=.017). Unen päävaikutusta ei kuitenkaan voida selittää millään kokeellisella manipulaatiolla, ja se on saattanut syntyä sattumalta (kuva S5). Erityisesti ensisijainen hippokampuksen aliverkko, joka sisälsi pääasiassa hippokampuksen ja kahdenvälisen parahippokampuksen aivokuoren, osoitti samanlaisia yhteysmuutoksia kuin oikeanpuoleisessa toimeenpanevassa ohjausverkossa. Tässä tapauksessa emme havainneet vain ennen tehtävän jälkeistä lisääntymistä, vaan myös ennen katkon jälkeistä lisääntymistä toiminnallisessa yhteyksissä (kuva 4c; lineaarinen sekavaikutelmamalli, uni/herätys: t62 = 0. 143, p=.89 allo/ego: t62=0.702, p=.49, katkoa edeltävä/jälkeinen: t193=3.749, s. < .001, ennen tehtävää/tehtävän jälkeen: t193=4.535, p < .001). Tämä näkyi merkittävänä erona perustason ja oppimisen jälkeisenä aikana (t193=3.586, p < .001) sekä tauon ja jälkihaun välillä (t193=3.338, p < .001). ). Lopuksi testasimme, liittyikö kaikissa verkoissa havaittu katkos noudon jälkeiseen muutoksiin toiminnallisessa yhteydessä muistin suorituskykyyn noudon yhteydessä. Tämä vaikutus ei ollut merkittävä oikean toimeenpanon ohjauksen aliverkossa (lineaarinen regressio,=0.016, p=.90), oletustilan aliverkossa (lineaarinen regressio,=0.655, p=.43) tai hippokampuksen aliverkko (lineaarinen regressio,=0.596, p=.44). Kaiken kaikkiaan saimme johdonmukaisesti vaikutusta ennen tehtävää tehtävien jälkeiseen aikaan kaikissa kolmessa aliverkossa, jolloin toimeenpanoohjaus ja hippokampusverkko kasvoivat ja oletustilan verkko väheni. Ainoastaan hippokampuksen aliverkko lisäsi yhteyksiä ennen taukoa ja sen jälkeen, ja lepotilan päävaikutus havaittiin oletustilan verkossa. Kuten unianalyysistämme kävi ilmi, tekijämuisti (allo vs. ego) ei vaikuttanut muutoksiin lepotilaverkostoissa.
KUVA 3
KUVA 4
3,6|Unesta riippuvainen hippokampuksen aliverkko ja nopea kara-hidas värähtelykytkentä
Samanta et al. (2021), on ilmeistä, että precuneus/retrospleniaalinen aivokuoren aktivaatio vähenee unen jälkeen, mutta ei silloin, kun osallistujat pysyivät hereillä konsolidaatiojakson aikana. Samalla tavalla loimme hippokampuksen verkon toisen toiminnallisen aliverkon, joka keskittyi kahdenväliseen retrospleniaaliseen aivokuoreen ja kahdenväliseen amygdalaan (kuva 5a yläosa). Tunnistamme tämän aliverkon SVD-tekijöiden jakamisen perusteella käyttämällä yksittäisarvospektrikriteeriä (vrt. "Menetelmät ja materiaalit"). Täällä tutkimme myös, kuinka istunnot, uniolosuhteet ja muistiolosuhteet vaikuttivat osallistujien pisteisiin tässä toisessa tilassa. Toisin kuin muissa verkoissa havaitut tehtävän ja tauon päävaikutukset, havaitsimme nyt istunnon ja uniolosuhteiden välisen vuorovaikutuksen (lineaarinen sekavaikutelmamalli, istunto * univuorovaikutus t191=2.086, p {{5} } .04). Aliverkon toiminnallinen liitettävyys näytti heikentyneen vain keskittymisjakson aikana nokoset ottaneiden osallistujien osalta. Tämä vaikutus säilyi, kun verrattiin muutosta oppimisen jälkeisistä istunnoista vain tauon jälkeisiin istuntoihin (paired-sample t-test, t95=2.3971, p=.02). Näin ollen laskemme myös eroarvot istuntojen välillä ja testasimme, erosivatko ne merkittävästi nollasta. Merkittävä muutos tapahtui vain uniryhmässä harjoituksen jälkeisestä tauon jälkeen (t26 = 3.17, p=.01), tätä ei nähty herätysryhmässä (t38 = 1.363, p=.18). Siksi olimme kiinnostuneita siitä, liittyikö tämä oppimisen jälkeisten ja tauon jälkeisten istuntojen välisen yhteyden heikkeneminen unitilassa aiemmin kuvattuun karan ja hitaan värähtelyn kytkentään (katso kuva 3c). Jälleen suoritettiin korrelaatioanalyysejä – mutta tällä kertaa hitaiden värähtelyohjauksen tehoerojen (ilmaistuna t-arvoina) ja hippokampuksen aliverkon muutospisteiden osalta oppimisen jälkeisten ja tauon jälkeisten istuntojen välillä. Korrelaatiot laskettiin kullekin aika-taajuuspisteelle vastaavissa t-kartasta poimituissa karaklustereissa. Merkittävä negatiivinen korrelaatioklusteri tunnistettiin nopeille karoille (klusteri: p < .001, max pikseli: ρ = 0.38, p < .01; kuva 5b, ylhäällä) ja hitaille karoille (klusteri: p {{ 39}} .02, ρ = 0.30, p=.03): korkeampi karan teho hitaan värähtelyn ylätilassa liittyi hippokampuksen aliverkon toiminnallisen liitettävyyden suurempaan vähenemiseen unen välillä . Klusterit menivät osittain päällekkäin aiemmin esitettyjen merkittävien vastekorrelaatioklustereiden kanssa (ks. kuva 3c). Nämä havainnot osoittavat hippokampuksen aliverkon hitaiden värähtelyjen ja karojen koordinaation ja liitettävyyden vähenemisen välisen yhteyden. Ne ovat rinnakkaisia karan ja hitaan värähtelyn kytkentätehon ja -käyttäytymisen tulosten kanssa. Siksi pyrimme muodostamaan kolmikon suhteen muutospisteiden välillä tässä hippokampuksen aliverkossa, kara-hidas värähtelykytkennän ja muistin suorituskyvyn välillä. Regressioimme verkkojen muutospisteet unen aikana muistin suorituskyvyn suhteen noudon yhteydessä. Hippokampuksen aliverkon yhteyden väheneminen ei kuitenkaan ennustanut merkittävästi käyttäytymistä (lineaarinen regressio,=0.01, p=.94). Yhteenvetona voidaan todeta, että löysimme hippokampuksen aliverkon, joka heikensi toiminnallista yhteyttä lepotilan istuntoihin osallistujille, jotka ottivat nokoset. Toiminnalliset yhteydet pysyivät pääosin vakaana niille osallistujille, jotka pysyivät hereillä. Tämä vaikutus ei eronnut kahden muistitilan välillä. Funktionaalisen liitettävyyden väheneminen oppimisen jälkeisestä tauon jälkeiseen liittyi positiivisesti karan ja hitaan värähtelyn kytkentään unen aikana. Näin ollen odotimme, että tämä liitettävyyden muutos olisi korrelaatti muistin vahvistamisesta. Toisin kuin karan ja hitaan värähtelyn kytkentäteho (katso kuva 3c), unesta riippuvainen liitettävyyden väheneminen toisessa hippokampuksen aliverkossa ei ennustanut muistin suorituskykyä noudettaessa.
KUVA 5
4|KESKUSTELU
Tässä tutkimuksessa käytettiin lepotilan fMRI- ja uni-EEG-tietoja spatiaalisen muistin lujittumisen tutkimiseen päiväunien tai saman valveillaoloajan aikana. Koehenkilöt oppivat maalin sijainnin virtuaalisessa vesisokkelossa joko eri aloituspaikoilla (allosentrinen ryhmä) tai samalla aloituspaikalla (itsekeskinen ryhmä). Uni-EEG-analyysi keskittyi karan ja hitaan värähtelyn kytkentään, jakamalla karat nopeiksi ja hitaiksi alatyypeiksi. Lepotilan fMRI keskittyi muutoksiin yhteyksissä aiemmin määriteltyjen verkkojen sisällä. Voisimme osoittaa, että karan ja hitaan värähtelyn kytkentä korreloi positiivisesti muistin suorituskykyyn päiväunien jälkeen ja myös yhteyden heikkenemiseen toimivassa aivotursoverkostossa, mukaan lukien retrospleniaalinen aivokuori. Tätä yhteyksien heikkenemistä ei havaittu valveilla pysyneessä ryhmässä. Tehtäviin liittyvää yhteyden lisääntymistä havaittiin executive control -verkossa ja muussa hippokampuksen verkossa, kun taas laskua havaittiin oletustilassa. Nämä muutokset eivät olleet uniryhmäkohtaisia, mutta niitä nähtiin kaikissa osallistujissa. Toistimme aiemmat värähtelykytkentähavainnot osoittaen, että hitaat karat ovat sisäkkäin siirtymävaiheessa hitaasta värähtelystä alas-tilaan, ja nopeita karaja esiintyy usein juuri ennen hitaan värähtelyn ylätilaa ja sen sisällä. Emme löytäneet eroa kara-hitaiden värähtelyjen kytkennässä allosentristen ja egosentristen harjoitusryhmien välillä. Tarkka koordinaatio karojen ja hitaiden värähtelyjen välillä havaittiin johdonmukaisesti aika-, vaihe- ja aika-taajuus-alueilla. Yllättäen nämä vaikutukset eivät eronneet unitestiistunnon, joka seurasi välittömästi tilaoppimiskokemusta, ja unenhallintaistunnon välillä, jossa ei ollut selkeää oppimista etukäteen. Se, että emme havainneet eroa unijaksojen välillä, johtuu todennäköisimmin tutkimussuunnitelman metodologisista rajoituksista - kontrollitorkut olivat aina toinen päiväunet - koska myös kokonaisuniajassa havaittiin ero. Lepotilan fMRI-analyysi keskittyi hippokampuksen verkkoon, oletustilan verkkoon ja oikeanpuoleiseen johtajien ohjausverkkoon. Nämä verkot määriteltiin ja jaettiin myöhemmin aliverkkoihin käyttämällä tietolähtöistä lähestymistapaa. Löysimme aivojen laajuisia muutoksia lepotilan istunnoissa, jotka vastaavat aikaisempia havaintojamme aktiivisuusanalyysissä (Samanta et al., 2021). Tehtäviin liittyvät muutokset oletustilan verkon yhteyksissä (liitettävyyden väheneminen) vastakohtana muutoksille oikeanpuoleisessa executive-control verkossa (liitettävyyden lisääntyminen). Mielenkiintoista on, että hippokampuksen verkko voidaan jakaa kahteen aliverkkoon: ensisijaiseen toiminnalliseen aliverkkoon, joka keskittyy hippokampukseen ja parahippokampuksen aivokuoreen, ja toiseen toiminnalliseen aliverkkoon, jonka keskusalueena on retrospleniaalinen aivokuori. Toiminnallinen liitettävyys ensisijaisessa hippokampuksen aliverkossa lisääntyi ennen tehtävien jälkeistä toimintaa ja ennen tauon jälkeen. Toisen hippokampuksen aliverkon toiminnallinen liitettävyys heikkeni neljän lepotilan istunnon aikana – näkyvimmin unijakson aikana – vain niillä osallistujilla, jotka nukkuivat tauon aikana, mutta eivät niillä, jotka pysyivät hereillä. Kuten käyttäytymis- ja unianalyysituloksemme, muistiolosuhteet (allo vs. ego) eivät vaikuttaneet muutoksiin missään näistä verkoista. Tuloksemme viittaavat tehtäviin ja konsolidointiin liittyviin yhteyksien muutoksiin toiminnallisissa verkoissa, jotka voivat liittyä muistin uudelleenaktivoitumiseen.
Lopuksi pyrimme yhdistämään uni-EEG-tulokset lepotilan yhteyksien ja muistin suorituskyvyn muutoksiin. Karan ja hitaan värähtelyn kytkentä liittyi positiivisesti unesta riippuvaisiin muutoksiin toisessa hippokampuksen aliverkossa ja muistin suorituskykyyn. Tämä oli spesifinen oppimisen jälkeiselle unelle, eikä sitä nähty vertailuunen istunnossa. Kaiken kaikkiaan tarkalla kara-hidas värähtelykytkennällä näyttää olevan käyttäytymiseen liittyvää merkitystä ja sillä on mahdollisesti toiminnallista merkitystä muistin lujittamisessa. Tämä kytkentä voi olla mekanismi, jolla toiminnallista yhteyttä aivotursoverkostossa moduloidaan muistin konsolidoinnin aikana.
4.1|Yhteydet muuttuvat lepotilan verkoissa
Yleisesti on osoitettu, että tehtävät voivat vaikuttaa tehtävän jälkeiseen lepotilan aivotoimintaan (Lewis et al., 2009). Esimerkiksi oppimisesta riippuvan spontaanin aivotoiminnan modulaatiota tehtävän jälkeen on havaittu kognitiivisissa tehtävissä, joihin liittyy työmuistia, tunteita ja motorista harjoittelua (Lewis et al., 2009). Tällainen aivojen alueiden modulointi, joka liittyy edelliseen tehtävään, voidaan ymmärtää eräänlaisena lepotilan konsolidoitumisena, joka mahdollisesti sisältää samanlaisia mekanismeja kuin uneen liittyvä muistin konsolidointi (Tambini & Davachi, 2019). Lepotilan liitettävyysanalyysi perustuu eri vokselien korrelaatioon verkossa. Neuronaalisen muistin uudelleenaktivoitumisen ja muistiverkkojen vahvistamisen pitäisi johtaa muistiverkon lisääntyneeseen yhteisaktivaatioon, mikä voi siten mahdollisesti lisätä verkon sisäistä yhteyttä tässä mittauksessa. Siten tulokset voitaisiin tulkita lepotilan aikana tapahtuvien uudelleenaktivaatioiden muutoksiksi. Näytämme päinvastaisia muutoksia toimeenpanoohjauksessa ja päähippokampusverkossa toisin kuin oletustilan verkko ennen tehtävän jälkeistä suorituskykyä. Toiminnanohjaus ja hippokampuksen verkko kasvoivat, kun taas oletustilan verkko väheni toiminnallisissa yhteyksissä. Jos nämä yhteysmuutokset johtuvat tapahtuvista uudelleenaktivoinneista, tulokset osoittaisivat, että tehtävän jälkeen on enemmän uudelleenaktivaatioita sekä toimeenpanoohjausverkossa että hippokampuksessa. Osoitimme myös unikohtaista yhteyden heikkenemistä toisessa aivotursoverkostossa, mukaan lukien retrospleniaalinen aivokuori. Mahdollisesti tämä verkko voisi olla linkki hippokampuksen ja alavirran alueiden, kuten parietaalisen aivokuoren, välillä, joka on osa toimeenpanovallan ohjausverkostoa (Genzel, 2020). Yhteyden väheneminen tässä verkossa osoittaisi siksi, että toimeenpanoohjausverkossa ja hippokampuksessa tapahtuvat uudelleenaktivoinnit ovat riippuvaisempia toisistaan nukkumisen jälkeen. Sitä vastoin heräämisen jälkeen, jolloin aivokuoren ja hippokampuksen yhteyksien uudelleenaktivaatiot eivät ole näin vähentyneet, olisivat edelleen yhteydessä toisiinsa. Aiemmin on ehdotettu, että kun konsolidoituminen hippokampuksesta aivokuoreen on edennyt, reaktivaatio aivokuoressa tapahtuu aivotursojen uudelleenaktivaatioista riippumatta. Tuloksemme voisivat tukea tätä ajatusta. Lepotilan, verkon sisäisen liitettävyyden mitta on kuitenkin hyvin epäsuora, ja siksi tämä havainto olisi vahvistettava suorimmilla mittareilla, kuten samanaikaisilla hippokampuksen ja aivokuoren hermosolujen tallennuksilla jyrsijöillä.
4.2|Tehtäviin liittyvät muutokset oikeanpuoleisessa executive-ohjauksessa ja oletustilan verkossa
Havaintomme ovat samansuuntaisia tämän tietojoukon tehtäväanalyysin kanssa, jonka ovat suorittaneet Samanta et al. (2021). Mittaessamme muutoksia BOLD-aktiivisuudessa oppimis- ja hakuistuntojen välillä osallistujien suorittaessa tehtävää, havaitsimme uneen liittyvän kasvun toimeenpanovallan hallinta-alueilla ja vähenemisen oletustilan alueilla. Nykyisessä analyysissä havaitsimme verkon sisäisen liitettävyyden lisääntymistä toimeenpanoohjausverkossa ja laskua oletustilan verkossa eri lepotilan istunnoissa. On huomattava, että nykyiset tulokset eivät ole spesifisiä uniolosuhteille toisin kuin Samanta et al. Tämä ero voi johtua erilaisista analyysimenetelmistä. Samanta et ai. (2021) tutki BOLD-vasteen muutoksia, mutta ei toiminnallista liitettävyyttä, molemmissa verkoissa erikseen. Heidän toiminnallinen liitettävyysanalyysi rakentui siemenpohjaiseen lähestymistapaan, joka testasi vuorovaikutusta executive control networkin ennalta määritellyn keskittimen ja muun aivojen välillä. Sitä vastoin käytimme riippumatonta komponenttianalyysiä verkkojemme määrittämiseen ilman ennakko-oletuksia ja arvioimme toiminnallisia liitettävyyden muutoksia vain kunkin verkon sisällä. Nämä metodologiset erot ovat saattaneet vaikuttaa näiden kahden analyysin erilaisiin tuloksiin. Toiminnanohjausverkon uskotaan jakavan huomiota visuaalisten tehtävien välillä ja se on mukana tavoitteelliseen käyttäytymiseen ja navigointiin. Tarkemmin sanottuna posterior parietaalinen aivokuori toimii aivokuoren integraatiopaikkana hippokampaalisesti generoidulle allosentriselle paikkatiedolle ja itsekeskiselle spatiaaliselle orientaatiolle, joka ohjaa tavoitteellista navigointia (Nitz, 2012; Whitlock et al., 2008). Lisäksi on näyttöä aivoalueiden peräkkäisestä toistosta tai kuviollisesta uudelleenaktivoitumisesta tehtävän jälkeisessä lepotilassa, mikä liittyy aikaisemman kokemuksen koodaamiseen (Hoffman & McNaughton, 2002; Staresina et al., 2013). Kaiken kaikkiaan todisteet parietaalisen aivokuoren keskeisestä roolista avaruudellisessa navigoinnissa ja toistossa tehtävän jälkeisessä lepotilassa tehtävän kannalta merkityksellisillä aivoalueilla on linjassa havainteidemme kanssa. Havaitsimme lisääntyneen toiminnallisen liitettävyyden oikeanpuoleisessa johtoverkossa, joka keskittyi alempaan takaparietaalilohkoon ja uurteeseen lepotilassa suorituksesta ennen tehtävää sen jälkeen. Varhaiset neuroimaging-tutkimukset määrittelivät oletusmoodiverkon tehtävän negatiiviseksi verkoksi, jonka toiminnallinen yhteys heikkenee tehtävän suorittamisen aikana lepotilaan verrattuna (Buckner et al., 2008). Kuitenkin käyttämällä graafiteorian mittauksia Lin et al. (2017) tarjosivat ajallisesti ratkaistua näkymää oletustilan verkkodynamiikasta ennen tehtävää, tehtävän suorittamista ja tehtävien jälkeistä lepoa. He havaitsivat tehokkuuden alenemisen, toiminnallisen integraation mittarin, oletustilan verkossa tehtävän jälkeisessä lepotilassa verrattuna ennen tehtävää olevaan lepoon. Globaali tehokkuus laski koko verkossa ja paikallinen tehokkuus laski erityisesti posteriorisessa cingulaattikuoressa. Tuloksemme osoittavat myös, että oletustilan verkko, jolla on huomattava posteriorisen cingulaattikuoren vaikutus, heikentää toiminnallista yhteyksiä ennen tehtävän jälkeistä lepoa. On syytä huomauttaa, että riippumattoman komponenttianalyysin (ICA) ja mallien sovitusmenettelyn tuloksena posteriorinen cingulaattikuori, prefrontaalinen aivokuori ja lateraalinen posteriorinen parietaalinen aivokuori vaikuttivat voimakkaimmin oletustilan verkkoyhteyksiin. Aiemmat tutkimukset, mukaan lukien Samanta et al. (2021), pitivät myös aivotursoa ja retrospleniaalista aivokuoren toiminnallisia keskipisteitä tässä verkossa (Greicius et al., 2003; Vincent et al., 2006). Yhdessä kaikkien näiden alueiden on ehdotettu muodostavan muistiverkoston, jossa tiedot välittyvät aivotursosta prefrontaalisen ja retrospleniaalisen aivokuoren kautta alavirran parietaalisille alueille konsolidoinnin aikana (Genzel, 2020). Kuitenkin tutkimuksessamme hippokampus ja retrospleniaalinen aivokuori olivat ensisijaisesti osa erillistä hippokampuksen verkkoa. Siten useita tutkimuksemme löydöksiä, jotka on aiemmin osoitettu oletusmoodiverkkoon, käsitellään tässä erikseen hippokampuksen verkoston osalta, mukaan lukien aivoturso, ohimolohkoalueet ja retrospleniaalinen aivokuori. FMRI-käsittelyputkistomme perustui ICA:han, joka loi mahdollisimman itsenäisiä spatiaalisia verkkoja. Näin ollen emme pystyneet testaamaan vuorovaikutuksia toiminnallisten lepotilan verkkojen välillä. Siitä huolimatta päinvastaiset suuntaukset oikean executive-ohjauksen ja oletusmoodiverkkojen toiminnallisessa liitettävyydessä vihjaavat samaan suuntaan kuin aikaisemmat tutkimukset. On osoitettu, että vastakkaiset siirtymät oletusmoodiverkon ja toimeenpanon ohjausverkon välillä helpottavat siirtymistä lepäävän ja keskittyvän huomion välillä (Goulden et al., 2014; Menon & Uddin, 2010). Tämä siirto sisältää resurssien uudelleenkohdistamisen aivoissa tukemaan ärsykkeisiin liittyvää kognitiivista prosessointia. Havaintoihimme perustuen, antagonismi toiminnallisessa kytkennössä kahden verkon välillä ei välttämättä ole vain levosta tehtäväsiirtymiin, vaan se säilyy myös tehtävien jälkeisessä lepotilassa ja voisi siten heijastaa asiaankuuluvien alueiden offline-koordinointia koodatun kokemuksen vahvistamiseksi.
4.3|Hippokampuksen verkoston rooli muistin lujittamisessa
SVD:n avulla pystyimme tunnistamaan kaksi toiminnallisesti relevanttia aliverkkoa aivotursoverkoston sisällä, yhden hippokampuksen aliverkon, joka keskittyy hippokampukseen ja parahippokampukseen, ja toisen hippokampuksen aliverkon, joka sisältää pääasiassa retrospleniaalisen aivokuoren. Nämä aliverkot osoittivat selkeitä toiminnallisia yhteysmuutoksia neljän lepotilan fMRI-istunnon aikana. Ensisijaisen hippokampuksen aliverkon toiminnallinen yhteys lisääntyi tehtävien suorittamisen jälkeen oppimis- ja hakuistunnoissa. Tämä havainto voi olla taustalla samanlaiselle lepotilan konsolidoinnille kuin on kuvattu toimeenpanoohjausverkossa. Hippokampuksen alkuperäisenä muistin tallennuspaikkana on usein osoitettu tuottavan uudelleenaktivaatioita, jotka johtivat parempaan muistin suorituskykyyn levon jälkeen (Dupret et al., 2010). Havaitsimme myös toiminnallisten yhteyksien lisääntymisen tämän aliverkon 90 minuutin tauon jälkeen. Ensi silmäyksellä tämä kasvu konsolidointijakson aikana näyttää olevan ristiriidassa ehdotettujen järjestelmien konsolidointimekanismien kanssa (Squire et al., 2015). Sen sijaan voitaisiin odottaa hippokampuksen osallistumisen vähentyvän konsolidointijakson jälkeen. On kuitenkin syytä muistaa, että nykyinen mitta ei ole aktiivisuus sinänsä, vaan verkkoyhteyden sisällä, ja konsolidointijaksomme rajoittui 90 minuuttiin. Toinen hippokampuksen aliverkko sisälsi pääasiassa retrospleniaalisen aivokuoren, mutta myös mediaaliset temporaaliset alueet. Kirjallisuudessa hippokampusta, ohimolohkon alueita ja retrospleniaalista aivokuorta pidetään usein osana oletusmoodiverkostoa, koska ne osoittavat vahvaa koherenssia levon aikana (Greicius et al., 2003; Vincent et al., 2006). Äskettäin on kuitenkin tunnistettu "mediaaalinen ajallinen" aliverkko, jonka yhteyksien väheneminen ylinukkumisessa liittyi lisääntyneeseen tilamuistin suorituskykyyn (Barnett et al., 2021; van Buuren et al., 2019). Tämän verkoston ydinalueita ovat mediaalinen ohimolohko ja retrospleniaalinen aivokuori. Nämä rakenteet vastaavat toista hippokampuksen aliverkkoamme. Näin ollen toisella hippokampuksen aliverkostollamme voi olla ainutlaatuinen rooli muistin konsolidoinnissa (de Sousa et al., 2019; van Buuren et al., 2019). Toiminnallisesti toisen hippokampuksen aliverkon yhteys heikkeni neljän lepotilan istunnon aikana, mutta vain unitilassa oleville osallistujille. Mediaalista ohimolohkoa ja retrospleniaalista aivokuorta on kutsuttu merkityksellisiksi ihmisten ja jyrsijämallien spatiaalisen navigoinnin kannalta (Epstein et al., 2017; Peigneux et al., 2004). Uni moduloi näitä alueita toiminnallisesti, jolloin yhteys irtoaa asteittain syvän unen aikana (Spoormaker et al., 2010). Siten toinen hippokampuksen aliverkko voi koordinoida aivojen laajuisia konsolidaatiomekanismeja, joihin liittyy kara-hidas värähtelytoiminta unen aikana (Cowan et al., 2020; Navarro-Lobato & Genzel, 2020). Todellakin, osoitamme, että toinen hippokampuksen aliverkkomme, joka keskittyy retrospleniaaliseen aivokuoreen, moduloi merkittävästi uni ja liittyy positiivisesti karan ja hitaan värähtelyn kytkentätehoon, joka myös ennusti muistin suorituskykyä. Aaltoilujen, karojen ja hitaiden värähtelyjen kytkentä voi olla mekanismi, jolla muistot konsolidoituvat unen aikana alkuperäisestä hippokampuksen varastoinnista alavirran alueille, kuten takaparietaaliseen aivokuoreen - retrospleniaalisen aivokuoren kautta (Genzel, 2020; Hennies et al. , 2016). Toinen hippokampuksen aliverkkomme voi olla hermosubstraatti, jonka kautta uni vaikuttaa suotuisasti muistin lujittamiseen, edellä käsitellyn ensisijaisen hippokampuksen aliverkon yleisen konsolidointimuodon lisäksi. Yhteenvetona osoitamme, että aivojen toiminnalliset yhteysmallit, jotka ovat muistojen konsolidoinnin taustalla, eivät välttämättä rajoitu vain vakiintuneisiin lepotilan verkkoihin. Tunnistamme varianssipohjaiset aliverkot käyttämällä datalähtöistä lähestymistapaa. Erityisesti erotimme aivotursoverkoston hippokampuskeskeiseksi unesta riippumattomaksi komponentiksi ja retrospleniaalisesti keskitetyksi unesta riippuvaiseksi komponentiksi. Molemmat verkot voivat olla mukana tilamuistin yhdistämisessä. Siitä huolimatta vain toinen hippokampuksen aliverkko voi olla taustalla unen suotuisat vaikutukset muistin muodostumiseen, kuten osoittaa sen yhteys kara-hitaiden värähtelyjen kytkentätehoon, joka ennusti muistin suorituskykyä. Havaintomme tarjoavat tarkemman kuvan aivotursoverkostosta muistin konsolidoinnissa, jossa sen lepotilan toiminnallinen yhteys muuttuu eri tavalla oppimisen, konsolidoinnin ja tilamuistitehtävän haun aikana 1-päiväparadigmassa.
