Reaktivacija pamćenja tijekom učenja istovremeno potiče diferencijaciju uzoraka dentate gyrus/CA2,3 i integraciju pamćenja CA1

Kontakt: Audrey Huaudrey.hu@wecistanche.com

Događaji koji se preklapaju s prethodnim iskustvom mogu potaknuti reaktivaciju postojećih sjećanja. Međutim, takva reaktivacija može imati različite reprezentativne posljedice unutar hipokampalnog kruga. Računalne teorije o funkciji hipokampusa sugeriraju da su zupčasti girus i CA2,3 (DG/CA2,3) pristrani za razlikovanje vrlo sličnih sjećanja, dok CA1 može integrirati povezane događaje predstavljajući ih neuralnim kodovima koji se preklapaju. Ovdje smo testirali ovisi li formiranje diferenciranih ili integriranih reprezentacija u potpoljima hipokampusa o snazi ​​reaktivacije pamćenja tijekom učenja. Ljudski sudionici oba spola naučili su asocijacije (AB parovi, bilo oblik lica ili scena), a zatim su bili podvrgnuti fMRI skeniranju dok su kodirali preklapajuće asocijacije (BC parovi oblik-objekt). I prije i nakon učenja, sudionici su također skenirani dok su promatrali neizravno povezane elemente preklapajućih sjećanja (A i C slike) u izolaciji. Koristili smo analizu multivarijatnog uzorka za mjerenje reaktivacije početnih parova sjećanja (A stavke) tijekom preklapajućeg para (BC) učenja, kao i promjene reprezentacije povezane s učenjem za neizravno povezane memorijske elemente u hipokampalnim potpoljima. Kada su prethodna sjećanja snažno reaktivirana tijekom preklapajućeg parnog kodiranja, prikazi DG/CA2,3 i subikuluma za neizravno povezane slike (A i C) postali su manje slični, u skladu s diferencijacijom uzoraka. Istovremeno, reaktivacija pamćenja tijekom novog učenja promovirala je integraciju u CA1, gdje su prikazi neizravno povezanih memorijskih elemenata postali sličniji nakon učenja. Nadalje, reaktivacija pamćenja i reprezentacija subikuluma predviđaju brže i točnije odluke o zaključivanju (AC). Ovi podaci pokazuju da reaktivacija povezanih sjećanja tijekom novog učenja dovodi do disocirabilnih strategija kodiranja u potpoljima hipokampusa, u skladu s računalnim teorijama.

Ključne riječi: asocijativno pamćenje; epizodno pamćenje; fMRI visoke rezolucije; hipokampalno podpolje; odvajanje uzorka

DJELOVANJE CISTANCHE: POBOLJŠAVA PAMĆENJE

Uvod

Hipokampus je sastavljen od višestrukih potpolja koja pridonose obradi i reprezentaciji pamćenja. Računalni modeli predlažu da anatomska svojstva dentatnog girusa i CA2,3 (DG/CA2,3) čine ova podpolja idealnima za odvajanje uzoraka ili automatsku ortogonalizaciju vrlo sličnih kortikalnih inputa kroz rijetko aktiviranje (Marr, 1971.; Schapiro et al. ., 2017). Nasuprot tome, predloženo je da karakteristike CA1 posreduju u integraciji pamćenja ili formiranju preklapajućih reprezentacija koje kodiraju zajedničke značajke u povezanim epizodama (Eichenbaum i sur., 1999.; Schlichting i Preston, 2015.; Schapiro i sur., 2017.). Elektrofiziološka istraživanja pokazuju takve reprezentativne disocijacije među potpoljima: DG/CA2,3 ansambli izazivaju različite obrasce paljenja sa samo malim promjenama u perceptivnim značajkama okoline, dok se obrasci aktivnosti CA1 postupno mijenjaju kako okolina postaje perceptualno različita (Leutgeb et al., 2004., 2007). Paralelni rad na ljudima pokazao je da promjene u aktivaciji DG/CA2,3 razlikuju vrlo slične slike predmeta ili objekte koji dijele sličan kontekst, dok CA1 odgovori ne razlikuju (Bakker i sur., 2008; Lacy i sur., 2011; Dimsdale -Zucker i sur., 2018). Subikulum, izlazna struktura hipokampalnog kruga (O'Mara i sur., 2001.), može pridonijeti i diferencijaciji uzoraka (Potvin i sur., 2009.) i integraciji (Schapiro i sur., 2012.).

Slika 1. Eksperimentalni dizajn. Shema bihevioralnog zadatka. Sudionici su najprije bili izloženi pojedinačno prezentiranim slikama (licama, prizorima i novim objektima) koje bi kasnije postale neizravno povezane kroz asocijativno učenje (A i C čestice). Zatim su sudionici naučili povezivati ​​početne parove (asocijacije lice-oblik ili scena-oblik AB) i skenirani su dok su učili preklapajuće parove (asocijacije oblik-objekt BC). Sudionici su ponovno skenirani u fazi nakon izlaganja dok su gledali iste predmete iz predizlaganja (stavke A i C). Sudionici su zatim dovršili zadatak zaključivanja kroz epizode. Konačno, sudionici su dovršili zadatak lokalizatora u kojem su gledali pojedinačno predstavljena lica, prizore, objekte i oblike u blokiranom dizajnu. B, Manipulacija vizualnom sličnošću. Sličnost zajedničke B stavke u parovima je parametarski manipulirana. U ovom primjeru, gornji oblik mogao bi se vidjeti u početnim AB parovima, dok donji red predstavlja različite oblike oblika koji se mogu vidjeti prilikom učenja preklapajućih BC parova. Povezujuća B stavka predstavljena tijekom preklapajućeg učenja u paru može biti ili točno podudaranje s B stavkom predstavljenom tijekom početnog (AB) učenja u paru, morf visoke ili niske sličnosti ili nova (tj. nepreklapajuća se) stavka. C, Subjektivna sličnost podražaja oblika koji se koriste za treptanje predmeta. Neovisni uzorak sudionika ocijenio je vizualnu sličnost između roditeljskih oblika i oblika oblika prikazanih jedan pored drugog koristeći Likertovu ljestvicu od 5 stupnjeva (1=nimalo slično, 5=vrlo slično). pp, 0.05 (upareni t-testovi). Trake pogrešaka pokazuju 6 ​​SEM.

Međutim, takav prethodni rad nije razmatrao kako reaktivacija pamćenja pokreće disocijabilne strategije predstavljanja unutar hipokampusa, dopuštajući učenju predstavljanja da ide dalje od jednostavne transformacije između vanjskog senzorskog unosa i izlaza pamćenja. Klasični računalni modeli učenja predlažu da bi se reprezentacije pamćenja trebale prilagoditi za predviđanje vjerojatnih ishoda kao odgovor na okolinske znakove, s integracijom koja se događa kada podražaji predviđaju isti ishod i diferencijacijom kada podražaji predviđaju različite ishode (Rumelhart et al., 1986). Međutim, nedavni nalazi fMRI pokazuju da se diferencijacija također može dogoditi kada podražaji dijele zajedničku povezanost ili ishod (Schlichting i sur., 2015.; Favila i sur., 2016.; Zeithamova i sur., 2018.). U tim studijama prikazi hipokampusa bili su jasniji za podražaje koji su imali isti ishod nego za podražaje s različitim ishodima. Takva se diferencijacija ne može objasniti u smislu automatskog odvajanja vanjskog unosa kroz rijetko kodiranje u DG/CA2,3; umjesto toga, nedavna teorijska perspektiva predlaže da reaktivacija pamćenja može objasniti kako se prikazi hipokampusa mijenjaju u slučaju preklapanja događaja (Ritvo et al., 2019.).

Prema ovoj teoriji, optimalno učenje smanjuje konkurenciju među sjećanjima kroz diferencijaciju ili integraciju (Ritvo et al., 2019). Iako je osjetilno preklapanje u okolini svakako jedan čimbenik koji bi mogao potaknuti formiranje optimalnih reprezentacija koje smanjuju dvosmislenost (Leutgeb i sur., 2004, 2007; Lacy i sur., 2011; Yassa i Stark, 2011), ono što bi moglo biti bitnije način na koji preklapajući osjetilni input pokreće reaktivaciju konkurentskih sjećanja. Ponovno aktivirana sjećanja mogu biti "meta" učenja više nego osjetilne značajke koje su izazvale reaktivaciju. Stoga smo u ovoj studiji otišli dalje od razmatranja perceptivne sličnosti kao jedinog pokretača prikaza hipokampusa i testirali da li reaktivacija povezanih sjećanja u korteksu tijekom učenja rezultira kodiranjem podpolja koje se može odvojiti. Pretpostavili smo da bi reaktivacija pamćenja bila modulirana sličnošću događaja tijekom učenja (Vieweg et al., 2015.) i stoga bi mogla biti ključni čimbenik koji posreduje u stupnju reprezentacijskog preklapanja uočenog za slične događaje u potpoljima hipokampusa (Ritvo et al., 2019.). Također smo pretpostavili da integracija i diferencijacija neće biti međusobno isključivi ishodi kao odgovor na reaktivaciju pamćenja, već da će reaktivacija umjesto toga dovesti do istovremenog formiranja komplementarnih diferenciranih i integriranih reprezentacija u DG/CA2,3 i CA1.

Kako bismo testirali ova predviđanja, parametarski smo manipulirali perceptivnom sličnošću između događaja koji se preklapaju u zadatku asocijativnog zaključivanja (slika 1). Sudionici su proučavali početne parove i skenirani su pomoću fMRI visoke rezolucije dok su učili preklapajuće parove. Testirali smo pamćenje za naučene parove i zaključili znanje o neizravnim odnosima između parova, pri čemu je izvedba zaključivanja služila kao bihevioralni indeks integracije (Shohamy i Wagner, 2008; Zeithamova i sur., 2012). Kritično, kvantificirali smo kako je reaktivacija pamćenja tijekom preklapajućeg učenja događaja utjecala na reprezentaciju potpolja hipokampusa

UČINCI DODATKA CISTANCHE: POBOLJŠAVA PAMĆENJE

Materijali i metode

Sudionici Trideset i dvije desnoruke osobe (15 žena, u dobi od 18-31 godina, prosječno=21.5 godina) su sudjelovale nakon davanja informiranog pristanka u skladu s protokolom koji je odobrio Institucionalni revizijski odbor na Sveučilištu u Teksas u Austinu. Sudionici su primili 25 dolara po satu naknade. Podaci 6 sudionika isključeni su iz analiza: 2 sudionika zbog pretjeranog pomicanja glave, 1 sudionik koji se povukao iz eksperimenta, 2 sudionika koji su imali nepotpune sesije skeniranja (faze postekspozicije i/ili lokalizatora nisu skenirane) i 1 sudionik zbog artefakte slike u funkcionalnim skenovima koji su onemogućili analizu faza predekspozicije i lokalizatora. Preostali sudionici (n=26, 14 žena) bili su uključeni u analize. Odredili smo konačnu veličinu uzorka na temelju srodnih studija koje su koristile slične paradigme i analitičke pristupe (Zeithamova i sur., 2012; Schlichting i sur., 2015.; Dimsdale-Zucker i sur., 2018.). Nadalje, ova veličina uzorka dala nam je procijenjenu statističku snagu od .0,99 za otkrivanje učinka vizualne sličnosti na točnost zaključivanja kroz epizode na temelju pilot podataka iz zasebne grupe sudionika (n=30, 22 žene, u dobi od { {23}} godina, srednja vrijednost=18.9 godina; ponovljena mjerenja ANOVA koja rezultira djelomičnim h na kvadrat (h2 )=0.280).

Podražaji su bili 58 nepoznatih lica (pola muških, pola ženskih, svi bijeli), 58 nepoznatih scena (pola prirodnih, pola umjetnih), 671 crni oblik generiran u MATLAB-u (za više informacija pogledajte Manipulacija vizualnom sličnošću tijekom novog kodiranja) i 74 nova objekata (Hsu i sur., 2014; Schlichting i sur., 2015). Podskup podražaja organiziran je u 32 trijade koje se sastoje od tri stavke (A, B, C) koje su korištene u zadatku asocijativnog zaključivanja (slika 1A). Stavke A sastojale su se od lica (16) ravnomjerno podijeljenih po spolu i scena (16) ravnomjerno podijeljenih prema prirodnim i umjetnim; svi B predmeti bili su oblici (56); sve C stavke bile su novi objekti (32). Drugi podskup podražaja (42 lica, 42 prizora, 42 objekta i 42 oblika) korišten je u zadatku lokalizatora i nije viđen tijekom zadatka asocijativnog zaključivanja. Dodjeljivanje podražaja trijadama i zadatku lokalizatora nasumično je raspoređeno među sudionicima. Podražaji su prikazani korištenjem Psychtoolboxa u MATLAB-u (Brainard, 1997; Pelli, 1997; Kleiner et al., 2007).

Postupak zadatka Početno učenje u paru (AB). Sudionici su naučili početne parove (AB) kroz četiri bloka studija-testiranja. Tijekom faze studije, svaki od 32 početna para prikazan je 3,5 s s 0.5 s međupokusnim intervalom (ITI). Stavka A (lice ili scena) uvijek je bila prikazana s lijeve strane, a stavka B (oblik) uvijek je bila prikazana s desne strane. Nakon proučavanja svih parova, sudionici su testirani pomoću 3-alternativnog testa prisilnog izbora. Sudionici su dobili znak A na vrhu ekrana i morali su izabrati između odgovarajuće B stavke i dvije folije. Folije su bile oblici iz drugih trijada, tako da sudionici nisu mogli temeljiti svoju odluku na osnovu poznatih oblika. Sudionici su imali 10 s da odgovore na svako ispitivanje. Nakon odgovora sudionika, korektivne povratne informacije dane su na kraju svakog ispitivanja u trajanju od 1 s. Ispitni pokusi odvojeni su 0,5 s ITI. Tijekom ove faze prikupljene su anatomske slike.

Manipulacija vizualnom sličnošću tijekom novog kodiranja. Da bi se ispitalo kako sličnost elemenata događaja utječe na ponovno aktiviranje pamćenja i ponašanje, vizualna sličnost povezujućeg elementa (oblika ili B stavke) u zadatku asocijativnog zaključivanja parametarski je manipulirana (Slika 1B). Manipulirali smo vizualnom sličnošću na temelju prethodnog rada koji pokazuje da su odgovori potpolja hipokampusa modulirani preklapanjem vizualnih značajki među događajima (Leutgeb i sur., 2004., 2007.; Bakker i sur., 2008.; Lacy i sur., 2011.). Postojala su ukupno četiri uvjeta: točno podudaranje, velika sličnost, niska sličnost i novo. U uvjetima točnog podudaranja, sudionici su vidjeli potpuno isti povezujući B oblik kada su učili početne parove (AB) i preklapajuće parove (BC). U uvjetima visoke i niske sličnosti, svaki oblik viđen u parovima koji se preklapaju bio je parametarski preoblikovanje oblika iz jednog od početnih parova. "Roditeljski" oblici generirani su uzimanjem 16 točaka raspoređenih duž perimetra kruga, nasumično prevođenjem svake točke, a zatim povezivanjem susjednih točaka kako bi se stvorili rubovi korištenjem interpolacije spline. Oblici u uvjetima visoke i niske sličnosti generirani su uzimanjem dvoroditeljskih oblika i usrednjavanjem koordinata odgovarajućih vrhova korištenjem različitih težina. Oblici visoke sličnosti ponderirani su 80 posto prema jednom roditeljskom obliku i 20 posto prema drugom roditelju, dok su oblici niske sličnosti ponderirani 70 posto prema jednom roditelju i 30 posto prema drugom roditelju. U novom stanju, sudionici su vidjeli novi oblik uparen s novim objektom, čineći da se ti parovi ne preklapaju s početnim parovima. Novi parovi su tako poslužili kao osnova za asocijativno učenje. Svaki je sudionik proučavao osam trijada po uvjetu vizualne sličnosti.

Razlike u subjektivnoj sličnosti između stavki visoke i niske sličnosti potvrđene su u neovisnom uzorku od 9 sudionika (8 žena, u dobi od 18-22 godina, prosječno=19,4 godine). Sudionici u ovom uzorku ocijenili su vizualnu sličnost između roditeljskih oblika i oblika oblika predstavljenih jedan pored drugog koristeći Likertovu ljestvicu od 5 stupnjeva (1=nimalo slično, 5=vrlo slično) u 180 ispitivanja . Točna podudaranja ocijenjena su kao sličnija od morfa visoke sličnosti (t(8) {{10}}.255, p , 0.001, Cohenov d=2.085), morfi visoke sličnosti ocijenjeni su kao sličniji od morfa niske sličnosti (t(8)=9.312, p , 0.001, d=3.104), a morfi niske sličnosti ocijenjeni su kao sličniji od novih stavke (t(8)=10.021, p , 0.001, d=3.340). Jedno upozorenje za kvantificiranje subjektivne sličnosti pomoću ovog pristupa je da usporedba ne uključuje memorijsku komponentu. Moguće je da se, ako smo umetnuli odgodu između prikaza dvaju oblika, opažena subjektivna funkcija sličnosti (sl. 1C) razlikuje; na primjer, subjektivne razlike u sličnosti između uvjeta visoke i niske sličnosti mogle su biti manje izražene. Iako ovo upozorenje o mjerenju može utjecati na tumačenje samih subjektivnih prosudbi sličnosti, ono ima manji utjecaj na tumačenje naših središnjih bihevioralnih i neuralnih analiza. Promatramo razlike u performansama memorije i ponovnom aktiviranju između uvjeta sličnosti (uključujući visoke i niske uvjete) koji pokazuju da su četiri uvjeta sličnosti različito utjecala na obradu (vidi rezultate). Nadalje, naše neuralne analize koje procjenjuju promjene reprezentacije povezane s učenjem usredotočuju se samo na uvjet visoke sličnosti i ne oslanjaju se na usporedbe s drugim uvjetima sličnosti (vidi Izlaganje pojedinačnih stavki prije i nakon učenja).

Preklapanje u paru (BC) učenje. Nakon što su sudionici naučili početne parove, skenirani su dok su učili preklapajuće parove. Ova se faza ponovno sastojala od četiri studijsko-testna bloka. Tijekom faze studije, 32 para predstavljena su pomoću dizajna povezanog s događajem, s parovima prikazanim 3,5 s nakon čega je uslijedilo 8,5 s ITI fiksacije. Stavka C (objekt) uvijek je bila prikazana s lijeve strane, a stavka B (oblik) uvijek je bila prikazana s desne strane. Nakon svake faze istraživanja, sudionici su testirani na BC parovima pomoću 3-alternativnog testa prisilnog izbora, koji nije skeniran. Sudionici su dobili znak C stavke na vrhu ekrana i morali su izabrati između odgovarajuće B stavke i dvije folije. Povratne informacije nisu dane tijekom ove faze. Sudionici su imali 10 s da odgovore na svaki testni pokus, a pokusi su odvojeni s 0,5 s ITI.

Izlaganje pojedinih predmeta prije i poslije učenja. Prije učenja početnih parova i nakon učenja parova koji se preklapaju, sudionici su bili izloženi pojedinačno predstavljenim A i C stavkama (lica, scene i objekti) iz uvjeta visoke sličnosti. Ove faze izlaganja bile su ograničene na jedan uvjet vizualne sličnosti kako bi se povećao broj prezentacija za svaki podražaj i poboljšala procjena uzoraka aktivacije povezanih sa zadatkom (vidi Procjena pojedinačnih obrazaca podražaja prije i nakon učenja). Korištenje jednog uvjeta sličnosti također nam je omogućilo kontrolu učinaka vizualne sličnosti pri izračunavanju reprezentativne promjene. Uvjet visoke vizualne sličnosti korišten je jer je prethodni rad na ljudima pokazao da vrlo vizualno slični podražaji izazivaju različite odgovore u DG/CA2,3 i CA1 (Lacy et al., 2011.).

U svakom ciklusu izlaganja sudionici su skenirani dok su predmeti prezentirani 1 s s ITI-jem od 3 s. Dok je svaka stavka bila na ekranu, sudionici su dovršili zadatak otkrivanja promjena tako što su pritiskom na gumb pokazivali je li superponirani crni križ promijenio boju u zelenu ili plavu 100-200 ms nakon početka podražaja (Kriegeskorte et al., 2008; Schlichting et al., 2015). Postojala su četiri ponavljanja svake stavke po ciklusu i ukupno četiri ciklusa u fazama prije i nakon izlaganja. Pokusi su bili pseudorandomizirani tako da su stavke unutar trijade bile predstavljene s najmanje dvije isprepletene stavke iz drugih trijada. Dodatno, 20 posto pokusa bilo je nulto (tj. nije bilo zadatka otkrivanja objekta ili promjene) kako bi se poboljšala procjena aktivacije na razini predmeta u analizi; ovi nulti pokusi postavljeni su nasumično između pokusa prezentacije predmeta. Redoslijed i vrijeme ispitivanja bili su identični u fazama prije i nakon izlaganja. Praćena je točnost zadatka otkrivanja promjena kako bi se osiguralo da su sudionici obraćali pozornost na zadatak, ali se nije dalje razmatralo.

Postojala je i neskenirana faza predekspozicije za stavke iz točnog podudaranja, male sličnosti i novih uvjeta koji su se pojavili prije prvog skeniranog rada predekspozicije. Svrha ove faze bila je izjednačiti poznavanje stavki A i C u točnom podudaranju, niskoj sličnosti i novim uvjetima s stavkama u uvjetima visoke sličnosti prije učenja u paru. Neskenirano izlaganje bilo je slično fazama skeniranog izlaganja, osim što je ITI bio 0,5 s i nije bilo nultih pokusa.

Test asocijativnog zaključivanja (AC). Nakon faze nakon izlaganja, sudionici su dobili iznenadni test o neizravnim odnosima između A i C stavki koje dijele zajedničkog suradnika (B). Test zaključivanja proveden je unutar skenera, ali nije skeniran. U ovoj fazi sudionici su dobili C stavku (objekt) i mogli su birati između A stavki iste kategorije (tj. tri lica ili tri scene). Na suđenjima sudionici su dobili upute da odaberu osobu koja će najvjerojatnije posjedovati označeni predmet. Na pokusima na scenama, upućeno im je da odaberu mjesto na kojem će najvjerojatnije pronaći označeni objekt. Ono što je kritično, niti u jednom trenutku sudionici nisu eksplicitno upućeni u manipulaciju vizualnom sličnošću ili preklapanje učenja. Sudionici su dobili 10 s da odgovore. Nikakva povratna informacija nije dana.

Lokalizator. Nakon testa zaključivanja, sudionici su skenirani u zadatku lokalizatora. U ovom su zadatku sudionici promatrali niz podražaja iz četiri kategorije podražaja korištenih u eksperimentu: lica, scene, oblici i objekti. Podražaji su predstavljeni u blokiranom dizajnu, sa svakim blokom koji se sastoji od osam slika prikazanih 2,5 s svaka s 0,5 s ITI. Tijekom svakog bloka podražaja, sudionici su završili jednokratni zadatak pamćenja u kojem su morali otkriti ponovljeni podražaj. U svakom bloku bio je jedan ponovljeni podražaj. Pratila se točnost jednostranog zadatka kako bi se osiguralo da su sudionici obraćali pozornost na zadatak, ali se nije dalje razmatrala. Blokovi su razdvojeni 8 s fiksacije. Sudionici su dovršili tri izvođenja zadatka lokalizatora, s dva bloka po vrsti podražaja po izvođenju.

Prikupljanje fMRI podataka i pretprocesiranje Podaci su prikupljeni pomoću 3T Siemens Skyra. Bilo je ukupno 15 funkcionalnih skeniranja (TR=2000 ms, TE=30 ms, kut zaokreta=73 stupanj, 1,7 mm izotropni vokseli, EPI, višepojasni faktor ubrzanja=3) kroz faze predekspozicije, preklapajućih parova, postekspozicije i faze lokalizatora. Tri karte polja (TR=589 ms, TE=5 ms/7,46 ms, 1,5 1,5 2 mm voksela, kut zaokreta=5 stupnjeva) prikupljene su kako bi se ispravila izobličenja u magnetskom polju: jedna neposredno prije predekspozicijske faze za ispravljanje preekspozicijskih skeniranja, jednu prije preklapajuće faze studije u paru za ispravljanje studije i postekspozicijskih skeniranja i jednu prije faze lokalizatora za ispravljanje lokalizacijskih skeniranja. Prikupljen je AT1-vagani 3D MPRAGE volumen (TR {{20}} ms, TE=2.43 ms, kut zaokreta=9 stupanj, 1 mm izotropni vokseli) kako bi se olakšalo usklađivanje i normalizacija funkcionalnih podataka na anatomski predložak. Prikupljena su dva koronarna T2-ponderirana strukturna skeniranja, poredana okomito na dužu os hipokampusa (TR=13,150 ms, TE=82 ms, 0,4 mm 0,4 mm u ravnini, 1,5 mm kroz ravninu), a zatim u prosjeku za segmentaciju potpolja.

Funkcionalne i anatomske slike prethodno su obrađene pomoću FMRIB softverske biblioteke verzije 5.0.9 (FSL: http://fsl.fmrib.ox.ac.uk/fsl/) i naprednih alata za normalizaciju (ANTS) verzije 2.1 ( Avants i sur., 2011). Funkcionalni skenovi ispravljeni su pokretom korištenjem MCFLIRT-a u FSL-u, a zatim registrirani u završnoj studiji preklapajućih parova korištenjem afinih transformacija u ANTS-u. Nemoždane strukture uklonjene su iz funkcionalnih skeniranja i MPRAGE pomoću BET u FSL. Dodatna obrada podataka provedena je pomoću FEAT (FMRI Expert Analysis Tool) verzije 6.00, dio FSL-a. Sljedeća statistička obrada primijenjena je na sve funkcionalne slike; suregistracija s MPRAGE-om i EPI-om koji se temelji na karti terena pomoću FUGUE (Jenkinson, 2003.); normalizacija intenziteta velike srednje vrijednosti cijelog skupa 4D podataka jednim multiplikativnim faktorom; visokopropusno vremensko filtriranje (Gaussovo ponderirano pravocrtno prilagođavanje metodom najmanjih kvadrata, sa s=64 s). Prostorno izglađivanje korištenjem Gaussove jezgre FWHM 4 mm primijenjeno je na preklapajuće skeniranje para učenja i lokalizatora.

ROI Anatomski ROI uključivali su sivu tvar cijelog mozga za analizu reaktivacije i potpolja hipokampusa za analizu neuralnog kodiranja. Maska sive tvari cijelog mozga stvorena je za svakog sudionika u izvornom prostoru koristeći FAST (Zhang et al., 2001.), dio FSL-a, s MPRAGE-om. Maske sive tvari su zatim premještene u funkcionalnu rezoluciju pomoću linearnih transformacija u ANTS. Unutar hipokampusa analizirani su obrasci aktivacije u potpoljima CA1, kombiniranoj regiji DG/CA2,3 i subikulumu. Potpolja hipokampusa identificirana su u glavi i tijelu hipokampusa u izvornom prostoru obrnutim normalizirajućim maskama iz predloška otvorenog koda sa segmentiranim potpoljima (Schlichting et al., 2019) na prosječnu T2 koronalnu sliku svakog sudionika pomoću nelinearnog SyN transformacije u MRAVE. Pokazalo se da ovaj postupak daje rezultate usporedive s ručnim praćenjem (Schlichting et al., 2019.). Maske su zatim pregledane i ručno uređene za svakog sudionika kako bi se uklonili vokseli izvan hipokampusa i osigurala točna segmentacija na temelju utvrđenih protokola (West i Gundersen, 1990.; Duvernoy, 1998.; Mai et al., 2007.). Na kraju, maske potpolja transformirane su u prostor funkcionalnih skeniranja tako što je prvo registrirana prosječna koronalna slika u MPRAGE pomoću linearnih transformacija, a zatim primijenjena prethodno izračunata transformacija na funkcionalni prostor.

UČINCI EKSTRAKTA CISTANCHE: POBOLJŠAVA PAMĆENJE

Kvantifikacija i statistička analiza

Dekodiranje reaktivacije memorije tijekom preklapajućeg učenja događaja. Za mjerenje reaktivacije uzoraka kodiranja povezanih s početnim parovima tijekom učenja parova koji se preklapaju, upotrijebili smo analizu klasifikacije uzoraka u PyMVPA (Hanke et al., 2009.). Ako su sudionici ponovno aktivirali povezane informacije (tj. A lice i stavke scene iz AB parova) prilikom učenja parova koji se preklapaju (BC parovi oblik-objekt), tada bi klasifikator uzorka uvježban na podacima lokalizatora trebao biti osjetljiv na kategoriju informacija (bilo lice ili scena) koja se ponovno aktivira (Polyn i sur., 2005; Kuhl i sur., 2011; Zeithamova i sur., 2012). Stoga smo obučili klasifikator uzoraka s podacima iz faze lokalizatora, a zatim smo primijenili klasifikator na fazu učenja preklapajućih parova. Operacionalizirali smo ponovnu aktivaciju pamćenja kao dokaz klasifikatora za kategoriju stavki A (tj. lica ili scene) iz početnih parova AB povezanih s parovima BC koji se preklapaju.

Mjerili smo ponovnu aktivaciju memorije korištenjem postupka u više koraka. Prvo smo pokrenuli reflektor cijelog mozga (Kriegeskorte et al., 2006.) kako bismo identificirali regije u kojima su informacije o stavkama A ponovno uspostavljene tijekom učenja u parovima koji se preklapaju. U svakoj sferi reflektora (radijus=3 voksela, volumen=123 voksela), linearni potporni vektorski stroj uvježban je za razlikovanje neuralnih uzoraka iz faze lokalizatora povezanih s licima, prizorima, objektima i oblicima. Kako bi se uzela u obzir hemodinamska kašnjenja, svaka funkcionalna slika je označena uzimanjem probnih oznaka i vremenskim pomakom prema naprijed za 4 s (dva TR). Uvježbani klasifikator zatim je primijenjen na neuralne obrasce iz faze učenja preklapajućih parova, koja je također bila vremenski pomaknuta za 4 s. Procjene reaktivacije na razini ispitivanja izdvojene su uzimanjem dokaza klasifikatora za kategoriju povezanu sa stavkom A svake trijade (npr. dokaz klasifikatora za lica za trijade lice-oblik-objekt) za dva TR-a koji odgovaraju prezentaciji svakog para. Vrijednosti dokaza klasifikatora razvrstane su u dva skupa: skup reaktivacije i skup osnovnih vrijednosti. Skup za reaktivaciju sadržavao je vrijednosti dokaza klasifikatora iz ispitivanja točnog podudaranja, visoke sličnosti i niske sličnosti. Osnovni skup sadržavao je vrijednosti dokaza lica i scene iz ispitivanja u novom stanju. Budući da se parovi oblik-objekt u novom stanju nisu preklapali ni s jednim od prethodno naučenih parova, ne bi trebali izazvati ponovno aktiviranje sjećanja na lice ili scenu. Konačni indeks reaktivacije izračunat je u svakoj sferi uzimanjem razlike između prosječnog dokaza za skup reaktivacije i prosjeka osnovnog skupa.

Kako bismo testirali značaj ovog indeksa reaktivacije, usporedili smo stvarni indeks reaktivacije s nultom distribucijom u svakoj sferi reflektora. Nulta distribucija stvorena je tijekom 1000 iteracija miješanjem vrijednosti dokaza klasifikatora u reaktivacijskim i osnovnim skupovima i zatim ponovnim izračunavanjem indeksa reaktivacije svake iteracije. Središnji voksel svake sfere reflektora izvijestio je o udjelu nulte distribucije s indeksima reaktivacije većim ili jednakim promatranom indeksu reaktivacije (tj. p-vrijednosti). Kako bi se identificirale regije reaktivacije među sudionicima, mape reflektora pojedinačnih sudionika normalizirane su na grupni predložak za testiranje značajnosti. Slike p-vrijednosti pretvorene su u z-statističke slike i zatim iskrivljene u anatomski predložak MNI 152 (ponovno uzorkovane na razlučivost funkcionalnih skeniranja, izotropnih voksela od 1,7 mm) korištenjem nelinearnih SyN transformacija u ANTS. Voxelwise, neparametarsko testiranje permutacije provedeno je korištenjem Randomise u FSL-u tijekom 5000 iteracija (Winkler et al., 2014.). Značajni klasteri identificirani su primjenom praga voksela od p, 0,01 (nekorigirano) i praga klastera od p, 0,05. Pragovi su izračunati korištenjem AFNI (Cox, 1996.) funkcije 3dClustSim s procjenama glatkoće izvedenim iz faze studije korištenjem 3dFWHMx na temelju funkcije prostorne autokorelacije. Opseg klastera određen je pomoću dvostranog određivanja praga s klasteriranjem drugog najbližeg susjeda.

Kako bismo potvrdili da mjera reaktivacije nije vođena jednom kategorijom podražaja, dodatno smo ispitivali klastere reflektora kako bismo testirali varira li reaktivacija s kategorijom podražaja (lice ili scena) stavke A u post hoc analizi. Značajni klasteri identificirani u analizi reflektora reaktivacije pretvoreni su u binarne maske i obrnuto normalizirani u izvorni prostor pomoću ANTS-a. Zatim je ponovljena analiza reaktivacije u svakom funkcionalnom ROI-ju za svakog sudionika. Koristili smo ANOVA-u ponovljenih mjerenja s regijom i kategorijom podražaja kao čimbenicima kako bismo procijenili razlikuje li se reaktivacija u svakoj regiji kao funkcija kategorije podražaja.

Dok je naša početna analiza reflektora lokalizirala regije u kojima se reaktivacija dogodila iznad osnovne vrijednosti, također smo pokrenuli neovisni reflektor kako bismo identificirali regije gdje je snaga reaktivacije varirala s vizualnom sličnošću. Ovaj reflektor koristio je sličan pristup analizi mjerenja ukupne reaktivacije, ali s dodatnom razinom koja je uspoređivala dokaze klasifikatora za reaktivaciju između uvjeta točnog podudaranja i ostalih uvjeta sličnosti (tj. uvjeta visoke sličnosti i uvjeta niske sličnosti zajedno). Učinak sličnosti izračunat je u svakoj sferi uzimanjem razlike između prosječnog dokaza za uvjet točne podudarnosti i prosječnog dokaza za uvjete visoke i niske sličnosti zajedno. Ta je razlika zatim uspoređena s nultom distribucijom u svakoj sferi reflektora, koja je stvorena tijekom 1000 ponavljanja miješanjem vrijednosti dokaza klasifikatora u uvjetima točnog podudaranja i sličnosti morph uvjeta. Normalizacija grupnog predloška, ​​statističko testiranje i korekcija klastera bili su identični reaktivaciji koja je identificirana reflektorom iznad osnovne linije.

Procjena pojedinačnih obrazaca podražaja prije i poslije učenja. Izveli smo procjene uzoraka živčane aktivacije izazvanih svakim od podražaja A (lica, prizori) i C (novi 3D objekti) iz faza prije izlaganja i nakon izlaganja koristeći GLM s odvojenim pristupom najmanjih kvadrata (Mumford et al., 2012. ) u zavičajnom prostoru svakog sudionika. Svaki od 16 objekata iz skeniranih faza ekspozicije (tj. osam A stavki i osam C stavki iz uvjeta visoke sličnosti) modelirani su iterativno u svakoj fazi predekspozicije i faze nakon ekspozicije zasebno (Schlichting et al., 2015.).

Prezentacije objekata modelirane su kao događaj od 1 s, a regresor za svaki objekt uključivao je sva četiri ponavljanja unutar skeniranja. Svaki od 16 objektnih regresora konvolviran je s kanonskim dvostrukim C HRF. Zatim je primijenjeno vremensko filtriranje. GLM-ovi su uključivali dodatne zbunjujuće regresore: parametre gibanja, njihove vremenske derivacije, pomak unutar okvira i DVARS (Power et al., 2012; Schlichting i Preston, 2014; Schlichting et al., 2015). Dodatni regresori kretanja dodani su za vremenske točke tijekom kojih je kretanje glave prelazilo i 0,5 mm za pomak okvira i 0,5 posto promjene u BOLD signalu za DVARS (Power et al., 2012). Beta slike su generirane za svaku stavku A i C za svaku preekspoziciju i postekspoziciju, ukupno 128 statističkih slika po sudioniku.

Kvantificiranje promjena povezanih s učenjem u neuronskoj sličnosti potpolja hipokampusa. Diferencijacija uzoraka i integracija pamćenja u hipokampusu indeksirani su korištenjem analize sličnosti reprezentacije (Kriegeskorte i sur., 2008.) implementirane u PyMVPA (Hanke i sur., 2009.). Reflektori su pokrenuti odvojeno unutar anatomski definiranih DG/CA2,3, CA1 i subikuluma u nativnom prostoru svakog sudionika. Unutar svake sfere reflektora (radijus=2 voksela, volumen=33 voksela) (Schapiro et al., 2012.) generirane su matrice sličnosti izračunavanjem uparenih Pearsonovih vrijednosti korelacije za 128 statističkih slika koje odgovaraju A i C stavke u ciklusima prije i nakon ekspozicije, transformirane u Fisherov z. Zatim je izmjerena promjena u sličnosti uzorka zbog učenja oduzimanjem vrijednosti sličnosti prije izlaganja od vrijednosti sličnosti nakon izlaganja u odgovarajućim stanicama.

Nakon što je izračunata promjena u sličnosti uzorka (u daljnjem tekstu D), vrijednosti D su sortirane ovisno o tome je li vrijednost bila za usporedbu unutar trijade ili usporedbu između trijada. Ova dva skupa vrijednosti omogućila su nam da odredimo kako je na promjenu reprezentacije utjecalo preklapanje događaja zbog učenja (skup za usporedbu unutar trijade) u odnosu na osnovnu liniju koja jednostavno odražava ponovljenu izloženost bez preklapanja događaja (skup za usporedbu kroz trijade). Važno je da su korištene samo vrijednosti D koje su odražavale korelacije između nizova kako bi se smanjila pristranost koja bi mogla biti uvedena iz autokorelacije u BOLD signalu (Mumford et al., 2012).

Kako bi se procijenio učinak reaktivacije tijekom učenja na promjenu reprezentacije, vrijednosti D unutar trijade dodatno su podijeljene na temelju snage reaktivacije pamćenja tijekom učenja preklapajućih parova. Za svakog sudionika, snaga reaktivacije izračunata je za svaku trijadu uzimanjem srednjeg indeksa reaktivacije preko mreže regija identificiranih u analizi reaktivacijskog reflektora (vidi sliku 3A), prosjeka po blokovima istraživanja. Trijade su zatim podijeljene na trijade jače reaktivacije i trijade slabije reaktivacije koristeći medijan podjele prosječnih vrijednosti reaktivacije. Stoga su usporedbe unutar trijade D dalje razvrstane u jači reaktivacijski skup unutar trijade D i slabiji reaktivacijski skup unutar trijade D u svakoj sferi reflektora. Konačno, svi skupovi D su prosječni kako bi se stvorile tri sažete vrijednosti: prosječna promjena sličnosti unutar trijade za jače reaktivacijske trijade (DUnutar jače), prosječna promjena sličnosti unutar trijade za slabije reaktivacijske trijade (DUnutar slabije) i prosječna promjena sličnosti između trijada (preko). Usporedili smo ove sažete vrijednosti kako bismo utvrdili je li neuralno kodiranje variralo kao funkcija snage reaktivacije.

Neuralno kodiranje procijenjeno je pomoću četiri kontrasta reflektora (Schlichting et al., 2015.) (vidi sliku 4B). Dvije analize identificirale su hipokampalne voksele za koje je došlo do integracije ili diferencijacije pamćenja u svim trijasama, bez obzira na snagu reaktivacije. IntegrationOverall je izračunat kao (DUnutar jače – DApreko) 1 (DUnutar slabije – DApreko), odražavajući veću sličnost unutar trijade nego između trijada nakon učenja kroz sve stupnjeve reaktivacije. DifferentiationOverall izračunato je kao (DAcross – DWithin jače) 1 (DAcross – DWithin slabije), odražavajući manju sličnost unutar trijasa nego između trijasa u svim stupnjevima reaktivacije. Dvije dodatne analize identificirale su voksele za koje je neuralno kodiranje variralo kao funkcija snage reaktivacije (IntegrationReactivation i DifferentiationReactivation). Reflektor IntegrationReactivation identificirao je voksele za koje se integracija dogodila u većoj mjeri za jače trijade reaktivacije. Reaktivacija integracije izračunata je kao (Dunutar jače – DUnutar slabije). Nasuprot tome, reflektor DifferentationReactivation identificirao je voksele za koje je došlo do diferencijacije u većoj mjeri za jače trijade reaktivacije. DiferencijacijaReaktivacija je izračunata kao (Dunutar slabije – DUnutar jače).

Značaj svakog od ovih izračuna određen je usporedbom izračunatih vrijednosti promjene sličnosti s nultom distribucijom u svakoj kugli reflektora. Nulta distribucija stvorena je tijekom 1000 ponavljanja miješanjem ćelija u skupovima DWithin jače, DWithin slabije i DAcross i zatim ponovnim izračunavanjem statistike od interesa za svaku iteraciju. Središnji voksel svake sfere reflektora prijavio je udio nulte distribucije s vrijednostima većim ili jednakim promatranoj promjeni sličnosti (tj. p-vrijednosti). Značajni klasteri identificirani su istom metodom kao i reflektori za reaktivaciju, osim što su z-statističke slike iskrivljene u hipokampalni predložak funkcionalne rezolucije umjesto ponovno uzorkovanog MNI predloška za analizu na razini grupe. Normalizirane karte reflektora zatim su maskirane svakim predloškom anatomskog hipokampalnog potpolja prije korekcije klastera kako bi se osiguralo da klasteri budu ekskluzivni za svako hipokampalno potpolje.

Post hoc analize dalje su ispitivale smjer promjene reprezentacije opažene u svakom potpolju identificiranom ovom analizom reflektora. Važno upozorenje za ove post hoc analize je da nisu potpuno nepristrane jer uspoređuju skupove voksela unaprijed odabranih da pokažu specifične učinke na temelju kontrasta reflektora. Stoga naše naknadne analize nisu izravno uspoređivale vrijednosti DWithin za jače i slabije stavke reaktivacije. Naše su se post hoc analize umjesto toga usredotočile na veličinu DAcross vrijednosti kako bismo testirali postoje li globalni pomaci u neuronskoj sličnosti u fazama prije i nakon izlaganja, uz usporedbu DWithin vrijednosti s DAcross vrijednostima kako bismo kvantificirali stupanj integracije i diferencijacije povezane s učenjem.

Za ove post hoc analize izračunata je promjena sličnosti u DG/CA2,3, CA1 i subikulumu za svakog sudionika u izvornom prostoru. Klasteri reflektora identificirani grupnim analizama reflektora pretvoreni su u maske i obrnuto normalizirani u izvorni prostor svakog sudionika korištenjem nelinearnih transformacija u ANTS-u. Za svakog sudionika, izvorni svemirski klasteri su zatim prošireni FSL-om koristeći kutiju 3 * 3 * 3 mm kao jezgru. Kako bi se osiguralo da su klasteri i dalje ograničeni na svoje odgovarajuće potpolje kada se pretvore u izvorni prostor sudionika, svaki klaster je maskiran pomoću maski anatomskih potpolja definiranih za svakog pojedinačnog sudionika. Jedan je sudionik imao klaster CA1 u prirodnom prostoru bez dovoljnog broja voksela za analizu reprezentativne sličnosti (,10 voksela) i bio je isključen iz naknadne analize ovog potpolja. Za preostale sudionike izračunali smo prosječnu promjenu sličnosti unutar svakog klastera zasebno za trijade povezane s jačom reaktivacijom tijekom učenja, one povezane sa slabijom reaktivacijom tijekom učenja i osnovnu vrijednost među trijadama.

Kvantificiranje odnosa između neuralnih mjera i ponašanja. Odnos između ponašanja i naših neuralnih mjera reaktivacije i reprezentativne promjene procijenjen je pomoću modela linearnog balističkog akumulatora (LBA) kako bi se izvedba prilagodila testu zaključivanja (Morton et al., 2020.). Za svakog sudionika i podpolje (CA1, DG/CA2,3 i subikulum), izračunali smo z rezultat promjene sličnosti između A i C stavki od učenja do učenja nakon učenja (D) za svaku trijadu. Također smo izračunali z rezultat reaktivacije A stavke kroz trijade za svakog sudionika. Zatim smo upotrijebili LBA model kako bismo prilagodili bihevioralne odgovore i vremena odgovora tijekom AC testa zaključivanja, koristeći promjenu sličnosti i reaktivaciju kao prediktore varijabilnosti između trijada. Koristili smo višerazinski Bayesov pristup za procjenu parametara srednje vrijednosti nagiba koji odražavaju odnos između neuronskih mjera i performansi AC zaključivanja. Pozitivni nagibi za D mjere ukazuju na veće vrijednosti sličnosti između A i C stavki nakon što su učenje povezane s bržim i točnijim zaključivanjem. Pozitivni nagibi mjere reaktivacije pokazuju da je veća reaktivacija povezana s bržim i točnijim zaključivanjem.

Definicija modela LBA model (Brown i Heathcote, 2008) pretpostavlja da je, u svakom pokušaju, početna točka k svakog akumulatora nasumično izvučena iz uniformne distribucije na intervalu [0, A]. Svaki akumulator tada slijedi liniju s nagibom d dok ne dosegne prag odziva b. U svakom pokusu, nagib akumulatora i izvučen je iz normalne distribucije sa srednjom vi i SD s (ovdje fiksirano na 1). Vrijeme potrebno da akumulator dosegne prag je (bk)/d. Modelirali smo tri alternativna testa zaključivanja s prisilnim izborom koristeći tri akumulatora sa srednjim stopama pomaka v1 (za točan odgovor) i v2 (za druga dva odgovora). Kao što je izvedeno u početnom opisu LBA modela (Brown i Heathcote, 2008.), funkcija gustoće vjerojatnosti (PDF) za akumulator I u trenutku t je sljedeća:

Gdje su f i U funkcija gustoće vjerojatnosti i funkcije kumulativne distribucije standardne normalne distribucije. Funkcija kumulativne distribucije (CDF) za akumulator I u trenutku t je sljedeća:

PDF za akumulator I koji prvi dosegne prag, u trenutku t, vjerojatnost je da će akumulator I završiti u trenutku t, ovisno o tome da drugi akumulatori još nisu završili kako slijedi:

Budući da je stopa pomaka d izvučena iz normalne distribucije, postoji određena vjerojatnost da nijedan akumulator ne završi. Nakon prethodnog rada (Brown i Heathcote, 2008; Annis et al., 2017), uvjetovali smo vjerojatnost da barem jedan akumulator ima pozitivnu stopu pomaka kako slijedi:

Vrijeme nedonošenja odluke (npr. vrijeme za opažanje ispitnih podražaja) modelirano je kao fiksni vremenski interval t. Vjerojatnost točnog odgovora u trenutku t bila je sljedeća:

Model je implementiran u Python 3.7 pomoću PsiReacta 0.2 (Morton et al., 2020). Koristili smo Bayesovo uzorkovanje za procjenu parametara, koristeći No U-Turn Sampler (NUTS) implementiran u pyMC 3.9.2. Popravili smo s=1 i b=8 kako bismo poboljšali stabilnost procjena parametara. Parametar stope odstupanja b 0, I za točne odgovore procijenjen je za svakog sudionika i. Također smo procijenili stopu pomaka netočnih odgovora v2, I za svakog sudionika. Upotrijebili smo z rezultat promjene sličnosti unutar sudionika za svako potpolje (npr. zCA1,ij) i procjene reaktivacije (zReact, it) da predvidimo stopu odstupanja na svakom ispitivanju j. Varijabilnost stope pomaka na razini ispitivanja modelirana je kao linearna kombinacija z rezultata promjene sličnosti i reaktivacije. Točna stopa pomaka čestica v1,ij za sudionika I, ispitivanje j bila je sljedeća:

Parametri nagiba (npr. b CA1, i) procijenjeni su za svakog sudionika i. Kako bismo poboljšali robusnost procjena za parametre pojedinačnih sudionika, definirali smo ih kao izvučene iz normalne distribucije na razini grupe. Prethodne distribucije parametara bile su sljedeće:

Za svaki od četiri lanca, postojala je faza podešavanja od 1000 ponavljanja s ciljnom stopom prihvaćanja od 0,99, nakon čega je slijedilo 5000 uzoraka. Konvergencija je procijenjena pomoću skupne efektivne veličine uzorka i statistike smanjenja potencijalne ljestvice normalizirane na rang R^ (Vehtari et al., 2017.). Procijenili smo prikladnost modela izračunavanjem srednjih posteriornih parametara za svako ispitivanje kao i simulacijom odgovora i vremena odgovora. Simulirali smo 50 ponavljanja svakog ispitivanja kako bismo dobili robusnu procjenu izvedbe modela. Konačno, izračunali smo 95-postotni interval visoke gustoće (HDI) za svaki od srednjih parametara na razini grupe (npr. mCA1 za CA1) kako bismo utvrdili jesu li različiti od nule, što ukazuje na odnos između promjene sličnosti ili reaktivacije i AC zaključka izvođenje.

Rezultati

Bihevioralna izvedba Do kraja faze učenja početnog para (AB), sudionici su formirali snažna sjećanja na parove oblika lica i oblika scene. Svi su sudionici imali veće šanse na završnom testu (srednji udio točan=0.91, SD=0.01) i stoga su bili uključeni u naknadne analize. Na pamćenje parova objekata oblika koji se preklapaju (BC) utjecala je vizualna sličnost povezne stavke tijekom učenja (sl. 2A, B). ANOVA ponovljenih mjerenja s čimbenicima unutar ispitanika preklapajućeg parnog bloka (1, 2, 3, 4) i vizualne sličnosti (točno podudaranje, velika sličnost, niska sličnost, novo) otkrila je da vizualna sličnost modulira točnost pamćenja (glavni učinak blok, F(3,75)=79.93, p , 0.001, h2=0.762; interakcija vizualne sličnosti bloka, F(9,225)=2.88, p=0.{{50}}03, h2=0.103 ) i vrijeme odgovora (glavni učinak sličnosti na ispravne pokuse, F(3,72) {{3{{103}}}}.14, p=0.003, h{ {34}}.176). Za prvi blok učenja preklapajućih parova, izvedba je bila bolja (Sl. 2A) kada je stavka povezivanja (B) točno odgovarala početno naučenim parovima (AB) u odnosu na sve ostale uvjete. Postojao je učinak vizualne sličnosti u prvom testnom bloku (učinak vizualne sličnosti u prvoj vožnji, F(3,75)=6.901, p , 0.001, h2=0.216), ali ne u sljedećim ispitivanjima (F vrijednosti 0,479, svi p 0,698, svi h2 0,019). U prvom izvođenju, post hoc upareni t testovi otkrili su da je točnost najveća za parove s točnim podudaranjem u odnosu na sve ostale parove (u usporedbi s visokom sličnošću: t(25)=3.33, p=0 .003, d=0.654; niska sličnost: t(25)=4.52, p , 0.001, d=0.894; novo: t(25) {{67} }.74, str=0.011, d=0.539). Izvedba je bila veća za parove visoke sličnosti nego za parove niske sličnosti (t(25)=2.306, p=0.03, d=0.459). Nije bilo razlike u izvedbi između visoke sličnosti i novih parova (t(25)=0.87, p=0.394, d=0.172) ili male sličnosti i novih parovi (t(25)=0.76, p=0.452, d=0.151). Kada su srušeni preko bloka, parovi s točnim podudaranjem imali su najbrže vrijeme odgovora (Sl. 2B) na točnim p pokusima (u usporedbi sa svim drugim uvjetima, t vrijednosti 2,206, sve, 0,05, sve d 0,445). Vrijeme odgovora nije se razlikovalo između visoke sličnosti, niske sličnosti ili novih parova (sve t vrijednosti 1,748, sve p. 0,05, sve d 0,348)

Slika 2. Performanse ponašanja. Preklapajući par (BC) ispituje točnost i (B) vrijeme odgovora (samo točna ispitivanja) blokom učenja za svaki uvjet sličnosti. C, Preciznost zaključivanja kroz epizode (AC) i (D) vrijeme odgovora (samo točna ispitivanja) za svaki uvjet sličnosti. pp, 0.05 (upareni t-testovi). Trake pogrešaka pokazuju 6 ​​SEM. Točkaste linije označavaju slučajnu izvedbu na 3-alternativnim testovima prisilnog izbora.

Vizualna sličnost povezne stavke također je utjecala na točnost zaključivanja unakrsne epizode (F(3,75)=26.61, p , 0.001, h{ {6}}.516). Veća je vjerojatnost da će sudionici zaključiti odnos između neizravno povezanih memorijskih elemenata (AC) kada je povezujuća stavka (B) bila točna ili vrlo slična u parovima koji se preklapaju (slika 2C). Izvedba zaključivanja nije se razlikovala između točnog podudaranja i trijada visoke sličnosti (t(25) {{10}}.20, p=0.24, d {{14} }.230), ali izvedba za trijade točnog podudaranja bila je bolja od trijada male sličnosti (t(25)=6.82, p , 0.001, d=1.327) i novih trijada (t( 25)=6.61, p , 0,001, d=1.286). Isto tako, performanse za trijade visoke sličnosti premašile su trijade niske sličnosti (t(25)=5.05, p , 0.001, d= 0.987) i nove trijade (t(25)=5 .38, p , 0,001, d=1.055). Pratite izvedbu (izvedba zaključivanja nije se razlikovala između niske sličnosti i novih trijada (t(25)=1.17, p=0.254, d= 0.224). Međutim, izvedba za trijade niske sličnosti bila je pouzdano bolja od slučajnosti (t(25)=2.22, p=0.04, d=0.435), dok je izvedba za nove trijade bila ne (t(25)=0.47, p=0.64, d=0.093).

Odluke o zaključivanju također su bile brže za uvjete točnog podudaranja i visoke sličnosti u odnosu na novi uvjet (F(3,72)=11.79, p , 0.001, h{ {6}}.329), pri čemu su zaključci za uvjet točnog podudaranja ukupno najbrži (Sl. 2D). Vrijeme odgovora bilo je brže za trijade točnog podudaranja u odnosu na uvjete visoke sličnosti (t(25) {{10}}.41, p=0.002, d=0.669) i nove trijade (t(24)=5.00, p , 0.001, d=0.999), ali se ne razlikuju od trijada male sličnosti (t(25)= 1.64, p=0.114, d=0.321). Vrijeme odgovora bilo je brže za trijade visoke sličnosti u usporedbi s novim trijadama (t(24)=2.93, p=0.007, d=0.585), ali se nije razlikovalo od niske trijade sličnosti (t(25)=1.11, p=0.28, d=0.217). Trijade niske sličnosti bile su brže od novih trijada (t(24)=3.86, p=0.001, d=0.773). Zajedno, ovi nalazi pokazuju da su asocijativno pamćenje i zaključivanje između epizoda, dva procesa za koje se smatra da ih podupiru potpolja hippo campala (Schapiro et al., 2017.), pod utjecajem perceptivne sličnosti zajedničkih elemenata događaja, uz olakšanu izvedbu s višim razinama sličnosti između epizoda.

Ponovno aktiviranje preklapajućih sjećanja tijekom učenja

Da bismo testirali kako reaktivacija kortikalne memorije tijekom učenja preklapajućih parova utječe na reprezentaciju potpolja hipokampusa, prvo smo upotrijebili analizu reflektora kako bismo identificirali gdje su se informacije o početnim parovima reaktivirale u korteksu tijekom učenja. Unutar svake sfere reflektora, klasifikator uzorka uvježban je na podacima iz faze lokalizatora i zatim primijenjen na fazu proučavanja parova preklapanja (Zeithamova et al, 2012). Reflektor je identificirao regije u kojima je klasifikator dokazao ciljnu kategoriju povezana stavka (lice ili scena A stavke iz početnih parova) premašila je osnovni indeks dokaza klasifikatora za istu kategoriju izvedenu iz novih (ili nepreklapajućih) ispitivanja. Pronašli smo dokaze da su se povezana sjećanja ponovno aktivirala prilikom učenja preklapajućih parova u stražnjem cingulatnom korteksu, okcipitalnom korteksu i parijetalnom korteksu (Slika 3A).

Važno je da nije bilo razlika u snazi ​​reaktivacije kao funkciji kategorije predmeta A (lice, scena) u regijama identificiranim u analizi reflektora (slika 3B). ANOVA s ponovljenim mjerenjem s čimbenicima unutar subjekta regije (lijevo tjemeno, desno tjemeno, cingularno, gornje okcipitalno, donje okcipitalno) i kategorije podražaja (lice, scena) pokazalo je da reaktivacija varira među regijama (glavni učinak regije, F( 4,100)=2.84, p=0.028, h2=0.102), ali se nisu razlikovali po kategoriji podražaja (glavni učinak kategorije, F(1,25) {{13 }}.002, p=0.967, h2=0; kategorija regija interakcija, F(4,100)=0.375, p=0.826, h{{ 24}}.015). Stoga naši rezultati nisu vođeni jednom kategorijom podražaja i odražavaju reaktivaciju pamćenja, a ne angažman regija za obradu specifičnih za kategoriju.

Nadalje smo testirali je li vizualna sličnost zajedničke B stavke tijekom učenja utjecala na snagu reaktivacije pamćenja za A stavke. Predvidjeli smo da će reaktivacija pamćenja tijekom učenja biti jača za parove povezane vizualno sličnijim predmetom. Koristeći pristup sličan prethodnoj analizi, zasebna analiza reflektora identificirala je regije u kojima je dokaz klasifikatora za povezanu stavku A bio veći za uvjet točnog podudaranja od uvjeta visoke i niske sličnosti. U skladu s našom hipotezom, otkrili smo da sličnost komponenti događaja modulira snagu reaktivacije pamćenja u lijevom parijetalnom korteksu i okcipitalnom korteksu (slika 3C).

Reaktivacija pamćenja utječe na neuralno kodiranje u potpoljima hipokampusa

Kako bismo testirali našu hipotezu da bi reaktivacija povezanih sjećanja tijekom novog kodiranja dovela do disocijativne reprezentacije preklapajućih sjećanja u DG/CA2,3 i CA1, kvantificirali smo kodiranje hipokampalnog potpolja kao funkciju snage reaktivacije pamćenja tijekom učenja. I prije i nakon učenja parova, sudionici su skenirani dok su gledali pojedinačne slike stavki A i C iz parova koji se preklapaju u uvjetima visoke sličnosti (slika 1A). Indeksirali smo diferencijaciju i integraciju mjerenjem promjena povezanih s učenjem u sličnosti obrazaca za neizravno povezane stavke A i C iz iste trijade (Schlichting et al., 2015.). Promjene sličnosti unutar iste trijade uspoređene su s osnovnom linijom promjena sličnosti između predmeta u različitim trijadama. Mjerili smo diferencijaciju testiranjem smanjenja sličnosti uzoraka između A i C stavki nakon učenja (slika 4A). Suprotno tome, integracija bi bila obilježena povećanom sličnošću uzoraka među neizravno povezanim A i C stavkama, odražavajući formiranje preklapajućih kodova za povezana sjećanja (slika 4A).

Kako bismo procijenili utjecaj reaktivacije pamćenja tijekom učenja na neuralno kodiranje neizravno povezanih memorijskih elemenata, izračunali smo reprezentativnu promjenu za trijade na temelju snage reaktivacije kroz preklapajuće pokuse učenja. Za svakog sudionika razvrstali smo parove koji se preklapaju u one koji su povezani s jačom i slabijom reaktivacijom odgovarajućeg početnog para, na temelju medijana podjele prosječnih indeksa reaktivacije u svim klasterima identificiranim u reaktivacijskom reflektoru (slika 3A). Zatim smo usporedili neuralno kodiranje između neizravno povezanih A i C stavki povezanih s različitim razinama reaktivacije. Kritično, sve analize koje su procjenjivale reprezentativne promjene u potpoljima hipokampusa temeljile su se samo na podacima iz trijada visoke sličnosti. Ovaj pristup održava vizualnu sličnost povezne stavke konstantnom, pružajući kritični test posreduje li reaktivacija pamćenja reprezentativnim promjenama iznad i izvan promjena fizičkog okruženja.

Proveli smo četiri analize pomoću reflektora unutar pojedinačnih potpolja hipokampusa kako bismo testirali učinke reaktivacije na promjene reprezentacije povezane s učenjem za neizravno povezane memorijske elemente (Slika 4B). Prvo smo upotrijebili dvije analize pomoću reflektora kako bismo identificirali regije hipokampusa koje su pokazale diferencijaciju ili integraciju stavki A i C bez obzira na stupanj reaktivacije pamćenja tijekom učenja u parovima koji se preklapaju (DifferentiationOverall i IntegrationOverall, respektivno) i nisu primijetili nikakve značajne učinke unutar hipokampusa.

Slika 4. Procjena reprezentativnih promjena povezanih s učenjem kao funkcija reaktivacije pamćenja tijekom učenja. A Predviđanja za formiranje pamćenja kroz asocijativno učenje. Prije učenja, pojedinačne stavke A i C u fazi prije izlaganja ne dijele nikakve odnose. Nakon učenja, reprezentacije A i C stavki mogu se promijeniti kao funkcija njihovih zajedničkih odnosa s B stavkama. Testirali smo dva neuralna ishoda; u slučaju diferencijacije, predviđa se da će neuronski obrasci za neizravno povezane stavke A i C biti manje slični u fazi nakon izlaganja u odnosu na reprezentacije učenja. Nasuprot tome, za integraciju pamćenja, predviđa se da će se neuronska sličnost neizravno povezanih stavki A i C povećati od učenja do učenja nakon učenja, odražavajući formiranje preklapajućih neuronskih kodova koji povezuju elemente doživljene kroz događaje. B, Četiri kontrasta reflektora korištena su kako bi se utvrdilo varira li reprezentacija pamćenja u potpoljima hipokampusa sa snagom reaktivacije pamćenja tijekom učenja. Dva reflektora identificirala su regije u kojima je došlo do diferencijacije ili integracije u svim stupnjevima snage reaktivacije. Drugi skup reflektora identificirao je regije u kojima je neuralno kodiranje variralo kao funkcija reaktivacije. C, Reprezentacijske promjene povezane s učenjem u hipokampusu. Subregije DG/CA2,3 i subikuluma pokazale su diferencijaciju neizravno povezanih elemenata preklapajućih sjećanja, ali samo kada je reaktivacija bila jača tijekom učenja. Nasuprot tome, podregija CA1 pokazala je dokaz integracije memorije, ali opet samo kada je reaktivacija bila jača tijekom preklapajućeg učenja u paru. Regije hipokampusa prikazane su na grupnom T2 predlošku visoke razlučivosti otvorenog koda stvorenom za analize potpolja hipokampusa (Schlichting et al., 2019.). D, Promjena neuralne sličnosti u klasterima identificiranim u analizi reflektora (C) nakon obrnute normalizacije na izvorni prostor, potvrđujući predviđeni obrazac rezultata iz B. Umetak, Isti podaci odvojeno za mjere sličnosti unutar trijade i međutrijade prije izračunavanje razlike bodova. Budući da se ova analiza temelji na vokselima identificiranim u analizi reflektora, nije u potpunosti neovisna. Trake pogrešaka pokazuju 6 ​​SEM.

Umjesto toga, predvidjeli smo da će reprezentativna sličnost neizravno povezanih stavki u potpoljima hipokampusa ovisiti o snazi ​​reaktivacije pamćenja tijekom učenja preklapajućih parova. Kako bismo testirali ovu hipotezu, proveli smo dvije dodatne analize pomoću reflektora koje su tražile interakciju između promjene reprezentacije povezane s učenjem i reaktivacije pamćenja; ovi reflektori izolirali su hipokampalne regije koje pokazuju ili diferencijaciju ili integraciju na ispitivanjima s jačom reaktivacijom tijekom preklapajućeg učenja u paru (DifferentiationReactivation i IntegrationReactivation).

Utvrdili smo da je jača reaktivacija početnih sjećanja na parove tijekom učenja preklapajućih parova imala različite posljedice na smjer reprezentativnih promjena uočenih u potpoljima hipokampusa. Kada su se početna (A) sjećanja snažno reaktivirala tijekom preklapajućeg (BC) učenja u paru, sličnost DG/CA2,3 uzorka se smanjila između A i C stavki od učenja do učenja nakon učenja (Slika 4C, D; DifferentiationReactivation). Subikulum je pokazao isti uzorak kao DG/CA2,3, s jačom reaktivacijom koja je dovela do smanjene sličnosti uzoraka za stavke A i C. Nasuprot tome, CA1 je pokazao suprotan obrazac reprezentativne promjene kada je reaktivacija pamćenja bila jača, s povećanom sličnošću između A i C stavki nakon učenja (Slika 4C, D; IntegrationReactivation). Ovi nalazi sugeriraju da reprezentacija preklapajućih sjećanja unutar potpolja hipokampusa ovisi o reaktivaciji pamćenja tijekom učenja, s istim uvjetima koji dovode do disocirabilnih reprezentativnih kodova unutar DG/CA2,3, CA1 i subikuluma.

Konačno, proveli smo niz post hoc analiza na svakom potpolju hipokampusa identificiranom u analizi reflektora kako bismo dodatno razumjeli kako reaktivacija modulira kodiranje u svakoj regiji. Prvo smo kvantificirali postoje li globalni pomaci u neuronskoj sličnosti jednostavno kao funkciji učenja izračunavanjem preko-trijade D za nepovezane A i C stavke (tj., preko-trijadne osnovne vrijednosti). Preko trijasa D nije se značajno razlikovao od nule u CA1 (t(24)=0.383, p=0.705, d=0.077) ili subikulumu (t(25)=1.233, p=0.229, d=0.242), ali je bio veći od nule za DG/CA2,3 (t(25)=3.431 , p=0.002, d=0.673). Ovi rezultati pokazuju važnost usporedbe promjene sličnosti za povezane događaje s osnovnom vrijednošću, jer čak i nepovezane stavke mogu promijeniti sličnost nakon učenja.

Zatim smo usporedili D unutar trijasa za trijade povezane sa snažnom reaktivacijom s osnovnom linijom D preko trijasa kao potvrdu naših rezultata reflektora (Slika 4D). Kao što je ranije spomenuto, upozorenje za ovu analizu je da su rezultati potencijalno pristrani odabirom voksela identificiranih u analizi neuralnog kodiranja reflektora. U skladu s predviđenim obrascima kontrasta reflektora (Slika 4B), pronašli smo dokaze za diferencijaciju, pri čemu je promjena neuralne sličnosti za trijade povezane s jakom reaktivacijom bila manja od osnovne vrijednosti za trijade u DG/CA2,3 (t(25)=2.298, str=0.030, d=0.451) i subikulum (t(25)=3.158, str=0.004, d=0.619). Unutar CA1, pokazali smo trend integracije s većom sličnošću unutar trijada povezanih s jačom reaktivacijom nakon učenja u odnosu na osnovnu vrijednost među trijadama (t(24)=1.766, p=0.090, d=0.353). Zajedno, ove post hoc analize podržavaju ishod analize reflektora i pokazuju da je reprezentacija preklapajućih događaja u potpoljima pod utjecajem reaktivacije povezanih sjećanja tijekom učenja.

Kao istraživačku analizu, također smo kvantificirali unutar trijade D za trijade povezane sa slabijom reaktivacijom tijekom učenja. Pronašli smo dokaze za integraciju u DG/CA2,3 (t(25)=3.709, p=0.001, d=0.727) i trend u subikulumu (t( 25)=1.849, p=0.076, d=0.363), pri čemu je D za trijade povezane sa slabijom reaktivacijom bio veći od onog primijećenog za osnovnu liniju preko trijasa. Ovaj rezultat sugerira da reprezentativni pomaci u DG/CA2,3 mogu varirati kao funkcija razine natjecanja, koja može biti drugačija kada su sjećanja snažno ili slabo reaktivirana. Nisu primijećene razlike u odnosu na početnu vrijednost za trijase povezane sa slabijom reaktivacijom u CA1 (t(24)=1.062, p=0.299, d=0.212).

Integracija memorije podržava odluke o zaključivanju Koristili smo Bayesov višerazinski model da ispitamo odnos između promjene sličnosti nakon učenja (tj. integracije ili diferencijacije) i izvedbe na AC testu zaključivanja. Također smo ispitali odnos između reaktivacije povezanih sjećanja tijekom učenja i izvedbe zaključivanja. Jedan je sudionik isključen iz ove analize zbog nedovoljnog broja voksela u CA1 (-10 voksela). Koristili smo LBA model za simultano modeliranje točnosti zaključivanja i vremena odgovora. Koristili smo Bayesovo uzorkovanje s modelom za procjenu nagiba odnosa između izvedbe zaključivanja i varijabilnosti na razini trijade u promjeni sličnosti i reaktivaciji pamćenja. Prvo smo procijenili je li Bayesovo uzorkovanje konvergirano. Nije bilo odstupanja tijekom uzorkovanja; za svaki parametar u modelu, [Rhat] je bio 1,00102, a efektivna veličina uzorka bila je najmanje 5225. Ovi rezultati pokazuju da je uzorkovanje uspješno konvergiralo i da je bilo dovoljno uzoraka za procjenu svakog parametra.

Koristili smo srednje posteriorne parametre za simulaciju odgovora modela i otkrili da je postojalo dobro podudaranje uočene točnosti (Slika 5A) i vremena odgovora (Slika 5B) na testu zaključivanja, s izuzetkom malog broja pokusa s vrlo duga vremena odziva. Parametri srednjeg nagiba za promjene povezane s učenjem (slika 5C) bili su pozitivni za subikulum (95 posto HDI=[0.043, 0.477], d {{10}}.37) i reaktivacija memorije (HDI=[0.0{{30}}5, {{ 43}}.437], d=1.51). Parametri nagiba za CA1 (HDI {{20}} [ 0.189, 0.244], d=0.15) i DG/CA2,3 (HDI=[ 0.393, 0.102], d=0.50) nisu se razlikovali od nule . HDI od 95 posto za ostale parametre modela bili su sljedeći: A=[2.059, 5,601], t=[{{7{{ 72}}}}.00,009, 0,515], m2=[0,130, 0,812], s2=[0,191, 0,831] , s CA1=[0,004, 0,458], s DG/CA2,3=[0,010, 0,577], sSubiculum=[0,002, 0,408], i sReact=[ 0,0002, 0,327]. Ovi rezultati pokazuju da veća reaktivacija pamćenja tijekom učenja i veća sličnost AC nakon učenja u subikulumu predviđaju brže i točnije zaključivanje na razini pojedinačnih ispitivanja.

DJELOVANJE CISTANCHE: POBOLJŠAVA PAMĆENJE

Rasprava

Naši rezultati pokazuju da reaktivirana sjećanja vode kako su reprezentacije povezanih događaja organizirane unutar hipokampalnog kruga. Ponovno aktiviranje prethodnih sjećanja tijekom kodiranja novih, preklapajućih događaja predvidjelo je izvedbu zaključivanja kroz epizode i imalo je različite posljedice za reprezentaciju u potpoljima hipokampusa; snažna reaktivacija dovela je do diferencijacije preklapajućih sjećanja unutar DG/CA2,3 i subikuluma, dok je istovremeno promicala integraciju tih istih sjećanja u CA1. Prethodni rad bio je usredotočen na objašnjenje kodiranja potpolja hipokampusa u smislu funkcije prijenosa kroz koje promjene u okolišnim signalima dovode do diferencijalnog neuralnog izlaza (Leutgeb i sur., 2004., 2007.; Lacy i sur., 2011.; Yassa i Stark, 2011.). Ovdje pokazujemo da promjene u perceptivnom unosu nisu jedini čimbenik koji određuje učenje reprezentacije unutar potpolja hipokampusa. Umjesto toga, naši podaci pokazuju da je kodiranje potpolja hipokampusa dodatno potaknuto stupnjem do kojeg novo iskustvo pokreće reaktivaciju povezanih epizoda. Naši rezultati stoga proširuju prethodna otkrića kako bi pokazali, na reprezentacijskoj razini, da reaktivacija kortikalne memorije uzrokuje disocijacije u kodiranju potpolja hipokampusa u uvjetima konkurencije između vrlo sličnih sjećanja.

Prethodni rad na predstavljanju hipokampusa primarno je konceptualizirao kodiranje potpolja kao automatski proces kao odgovor na promjene okoliša, pri čemu se pretpostavlja da su senzorni inputi glavni pokretač odgovora hipokampusa. Na primjer, rane elektrofiziološke studije na glodavcima mjerile su kako smjestiti odgovore polja u potpolja hipokampusa koja su ponovno mapirana dok su životinje navigirale okruženjima s postupnim promjenama perceptivnih značajki (Guzowski i sur., 2004; Lee i sur., 2004; Leutgeb i sur., 2004, 2007 ; Vazdarjanova i Guzowski, 2004). Takav je rad otkrio da su male promjene u značajkama okoliša dovele do dramatičnih promjena u odgovorima DG i CA3, odražavajući ortogonalizaciju obrazaca unosa. Nasuprot tome, odgovori CA1 postupno su se mijenjali, skalirajući linearno s količinom perceptivne promjene između okruženja; za okruženja koja su perceptivno sličnija, aktivnost CA1 pokazala je veće preklapanje u odgovoru. Prethodni rad na ljudima imao je sličan pristup, predstavljajući sudionicima parove vrlo sličnih vizualnih slika (npr. slike dviju različitih jabuka) i mjereći veličinu odgovora subpolja hipokampusa na obje slike (Bakker et al., 2008; Lacy et al. , 2011). U tim je studijama DG/CA2,3 pokazao odgovor na novost za obje vrlo slične slike, što sugerira odvojeno kodiranje dviju slika. CA1 i odgovori subikuluma na drugu, vrlo sličnu sliku iz para, međutim, bili su potisnuti u odnosu na prezentaciju prvog člana para, što sugerira sličan prikaz uparenih slika.

Dok je prošli rad na životinjama i ljudima otkrio značajne disocijacije između obrade potpolja hipokampusa, naši se nalazi nadograđuju na taj rad kako bi pokazali da učenje predstavljanja hipokampusa nije samo pasivan proces, već je umjesto toga aktivno pod utjecajem reaktivacije pamćenja (Hulbert i Norman, 2015; Kim et sur., 2017.; Ritvo i sur., 2019.). Pokazujemo da su disocijacije potpolja hipokampusa najočitije kada se prošla sjećanja snažno reaktiviraju, stvarajući kompetitivno stanje učenja koje potiče diferencijaciju u DG/CA2,3 i subikulumu, istovremeno s integracijom u CA1. Naši podaci stoga ukazuju na potrebu kvantificiranja i perceptivne sličnosti među događajima i načina na koji perceptualne značajke koje se preklapaju pokreću reaktivaciju pamćenja kako bi se u potpunosti objasnilo kako se disocijabilne reprezentacije pojavljuju unutar hipokampalnog kruga. Jedan zanimljiv aspekt ranije opisanog ljudskog rada je da su disocijacije među podpoljima ovisile o prirodi zadatka koji se obavlja (Kirwan i Stark, 2007; Bakker i sur., 2008; Lacy i sur., 2011). Kada je kritična eksperimentalna manipulacija (tj. vizualna sličnost među predmetima) bila slučajna u odnosu na zadatak koji su sudionici izvršili, uočene su disocijacije između potpolja (Bakker i sur., 2008.; Lacy i sur., 2011.). Međutim, kada su se isti podražaji i prezentacijski postupci kombinirali s namjernim fokusom na zadatak, disocijacije su bile manje očite (Kirwan i Stark, 2007.). Mehanički izvor ovih divergentnih nalaza tek treba biti otkriven. Kvantificiranjem ponovne aktivacije pamćenja tijekom zadataka s namjernim ili slučajnim fokusom, mogu se steći daljnji uvidi o tome kako ciljevi zadatka utječu na dinamiku utjecaja natjecanja u pamćenju na neuronsku reprezentaciju (Richter et al., 2016.).

Naša otkrića mogu se konceptualizirati u smislu nadziranih i nenadziranih modela učenja, od kojih se svaki fokusira na različite ciljeve učenja. Dok je nadzirano učenje usmjereno usklađivanjem reprezentacija s osjetilnim znakovima opaženim izravno u okolini, učenje bez nadzora prilagođava reprezentacije kako bi se smanjilo natjecanje između trenutnog iskustva i reaktiviranih memorijskih reprezentacija potaknutih novim događajem (Ritvo et al., 2019) kroz integraciju ili diferencijaciju. Iako učenje vjerojatno odražava ravnotežu između nadziranih i nenadziranih mehanizama, naša otkrića pokazuju da su reaktivirana sjećanja važan aspekt načina na koji se disocibilne strategije kodiranja pojavljuju u hipokampalnim potpoljima.

Do danas je samo još jedna studija na ljudima koristila multivarijantne reprezentativne analize za kvantificiranje disocijacije između potpolja hipokampusa, posebno kada su pojedinci dohvatili informacije o zajedničkim ili različitim prostornim kontekstima (Dimsdale-Zucker et al., 2018.). Ta je studija pokazala da su stavke naučene unutar istog prostornog konteksta izazvale preklapajuće obrasce aktivacije u CA1 i diferencirane obrasce u DG/CA2,3 tijekom dohvaćanja u odnosu na stavke koje nisu dijelile kontekstualne informacije. Sadašnji nalazi razlikuju se od te studije na nekoliko ključnih načina. Prvo, prethodna studija mjerila je kodove potpolja tijekom pronalaženja pamćenja, dok naš rad otkriva aktivne procese učenja koji pokreću formiranje reprezentacija potpolja koja se mogu odvojiti. Konkretno, ta prethodna studija nije kvantificirala kako je reaktivacija sličnih sjećanja, bilo tijekom učenja ili vraćanja, povezana s kodiranjem potpolja hipokampusa. Ovdje prikazujemo disocijaciju u kodiranju potpolja hipokampusa kao rezultat reaktivacije pamćenja. Nadalje, pokazujemo da neuralni kodovi koje tvore subregije hipokampusa ne samo da podržavaju jednostavno prepoznavanje (Dimsdale-Zucker et al., 2018.) ili prostorno pamćenje (Leutgeb et al., 2004., 2007.), već i zaključivanje o odnosima među sjećanjima (vidi također Schlichting i sur., 2014). Odluke o zaključivanju bile su brže i točnije s povećanjem sličnosti među neizravnim stavkama nakon učenja u subikulumu, što ukazuje na to kako kodovi koji se preklapaju potiču izvlačenje znanja izvan izravnog iskustva.

Naše otkriće da reprezentacije subikuluma prate odluke o zaključivanju mogu odražavati da je subikulum izlazna struktura hipokampalnog kruga (O'Mara et al., 2001.), koji igra ključnu ulogu u sjećanju (Viskontas et al., 2009.; Lindberg et al. , 2017). Dok je subikulum pokazao dokaz diferencijacije povezane s učenjem za preklapajuće parove općenito, naši podaci modeliranja pokazuju da reprezentativna promjena u subikulumu odražava kontinuum odgovora. Povećana integracija (koja se također može smatrati manjem diferencijacijom) promovirala je brže i točnije zaključivanje. Naši rezultati sugeriraju da, kada su sjećanja više integrirana (ili manje diferencirana), zaključivanje je olakšano dohvaćanjem pohranjene veze između neizravno povezanih stavki (Shohamy i Wagner, 2008; Schlichting et al., 2014); nasuprot tome, diferencijacija bi mogla usporiti zaključivanje između dva odvojena traga koja bi se trebala dohvatiti i ponovno kombinirati pri ispitivanju (Koster i sur., 2018.).

Poput subikuluma, DG/CA2,3 pokazao je diferencijaciju neizravno povezanih memorijskih elemenata povezanu s učenjem kada je reaktivacija memorije bila jača tijekom kodiranja. Međutim, treba napomenuti da je DG/CA2,3 diferencijacija preklapajućih memorijskih elemenata primijećena samo u odnosu na nepovezanu osnovnu vrijednost između trijada; nije bilo promjena u sličnosti od učenja do učenja nakon učenja za same neizravno povezane stavke (Sl. 4D, umetak). Ovaj je nalaz u skladu s prethodnim radom koji pokazuje diferencijaciju hipokampusa za povezane u odnosu na nepovezane događaje nakon učenja (Favila i sur., 2016.; Dimsdale-Zucker i sur., 2018.), dok također kontrolira osnovne promjene u sličnosti koje se događaju tijekom vremena. Štoviše, DG/CA2,3 pokazao je dokaze za integraciju pamćenja kada je reaktivacija pamćenja bila slabija tijekom učenja, što sugerira potencijal za nijansiraniju reprezentativnu dinamiku u ovoj regiji. Na primjer, natjecanje u pamćenju izazvano reaktivacijom može imati nemonoton odnos s promjenom reprezentacije u DG/CA2,3 (Ritvo et al., 2019). Jača reaktivacija može potaknuti aktivnu diferencijaciju; slabije ili srednje razine ponovne aktivacije mogu dovesti do integracije, a nikakva ponovna aktivacija ne može proizvesti nepreklapajuće reprezentacije koje su odvojene putem pasivne ortogonalizacije. Ova složena strategija kodiranja mogla bi objasniti zašto DG/CA2,3 pokazuje dokaze diferenciranih (Kim et al., 2017.) i integriranih (Schapiro et al., 2012.) reprezentacija u različitim okolnostima. Alternativno, naši rezultati mogu odražavati upotrebu kombinirane regije DG/CA2,3, za čije se komponente smatra da pokazuju različite prijenosne funkcije između okolišnih znakova i rezultirajućih memorijskih reprezentacija (Yassa i Stark, 2011.). Promatrani obrazac rezultata ukazuje da je kvantificiranje reaktivacije pamćenja zajedno s promjenom reprezentacije neophodno kako bi se u potpunosti razumjelo kako natjecanje u pamćenju utječe na učenje reprezentacije u DG/CA2,3.

Zaključno, naši empirijski nalazi podupiru nedavno predloženi računalni model hipokampalnog kruga (Schapiro et al., 2017.); simulacije iz ovog modela sugeriraju da CA1 može predstavljati odnose između događaja, dok prikazi DG i CA3 mogu naglasiti razlike između sličnih epizoda. Naši su nalazi usklađeni s ovim računalnim predviđanjima, pri čemu CA1 formira integrirane prikaze za slična sjećanja, dok DG/CA2,3 i subikulum razlikuju ta ista iskustva. Dodatno, pokazujemo da prikazi hipokampusa podržavaju nove zaključke, olakšavajući otkrivanje neopaženih odnosa između različitih, ali povezanih iskustava. Sadašnji rad nadalje pokazuje da disocijacije potpolja hipokampusa nisu jednostavna funkcija senzorskog unosa, već proizlaze iz natjecanja temeljenog na pamćenju tijekom učenja. Zajedno, ova studija unapređuje naše razumijevanje o tome kako prethodno znanje oblikuje način na koji su novi događaji predstavljeni unutar kruga hipokampusa, pružajući empirijski test ključnih predviđanja računalnih modela memorijske funkcije hipokampusa.

UČINCI DODATKA CISTANCHE: POBOLJŠAVA PAMĆENJE