Del 1: Hva er effekten av reaktivering av minne under læring?

Kontakt: Audrey Hu Whatsapp/hp: 0086 13880143964 E-post:audrey.hu@wecistanche.com

Vennligst klikk her for del 2

Robert J. Molitor,1,2 Katherine R. Sherrill,2 Neal W. Morton,2 Alexandra A. Miller,3 og Alison R. Preston1,2,3

1Department of Psychology, University of Texas at Austin, Austin, Texas 78712, 2Center for Learning and Memory, University of Texas at Austin, Austin, Texas 78712, og 3Department of Neuroscience, University of Texas at Austin, Austin, Texas 78712

Cistanche-tilskudd: forbedre hukommelsen

Hendelser som overlapper med tidligere erfaringer kan utløse reaktivering av eksisterende minner. Imidlertid kan slik reaktivering ha forskjellige representasjonskonsekvenser innenfor hippocampuskretsen. Beregningsteorier om hippocampus funksjon antyder at dentate gyrus og CA2,3 (DG/CA2,3) er partisk for å skille svært like minner, mens CA1 kan integrere relaterte hendelser ved å representere dem med overlappende nevrale koder. Her testet vi om dannelsen av differensierte eller integrerte representasjoner i hippocampus underfelt avhenger av styrken tilhukommelsereaktivering under læring. Menneskelige deltakere av begge kjønn lærte assosiasjoner (AB-par, enten ansiktsform eller sceneform), og gjennomgikk deretter fMRI-skanning mens de kodet overlappende assosiasjoner (BC-form-objekt-par). Både før og etter læring ble deltakerne også skannet mens de så på indirekte relaterte elementer av de overlappende minnene (A- og C-bilder) isolert. Vi brukte multivariate mønsteranalyser for å måle reaktiveringen av initiale parminner (A-elementer) under overlappende par (BC) læring, samt læringsrelatert representasjonsendring for indirekte relatertehukommelseelementer i hippocampus underfelt. Når tidligere minner ble kraftig reaktivert under overlappende parkoding, ble DG/CA2,3 og subiculum-representasjoner for indirekte relaterte bilder (A og C) mindre like, i samsvar med mønsterdifferensiering. Samtidig,hukommelsereaktivering under ny læring fremmet integrering i CA1, hvor representasjoner for indirekte relatertehukommelseelementene ble mer like etter læring. Dessuten,hukommelsereaktivering og subiculum-representasjon spådde raskere og mer nøyaktige slutningsavgjørelser (AC). Disse dataene viser at reaktivering av relaterte minner under ny læring fører til dissosierbare kodestrategier i hippocampale underfelt, i tråd med beregningsteorier.

Nøkkelord: assosiativ hukommelse; episodisk minne; høyoppløselig fMRI; hippocampus underfelt; mønsterseparasjon

forbedre hukommelsen cistanche kapsler

Betydningserklæring

Fleksibiliteten til episodiskhukommelselar oss huske både detaljene som skiller lignende hendelser og fellestrekkene mellom dem. Her testet vi hvordan reaktivering av tidligere erfaringer under ny læring fremmer dannelsen av nevrale representasjoner som kan tjene disse tohukommelsefunksjoner. Vi fant at minnereaktivering under læring fremmet dannelsen av differensierte representasjoner for overlappende minner i dentate gyrus/CA2,3 og subiculum subfields av hippocampus, samtidig som det førte til dannelsen av integrerte representasjoner av relaterte hendelser i subfield CA1. Dessuten,hukommelsereaktivering og subiculum-representasjon spådde suksess når man konkluderte med indirekte sammenhenger mellom hendelser. Disse funnene indikerer dethukommelsereaktivering er et viktig læringssignal som påvirker hvordan overlappende hendelser er representert i hippocampus-kretsen.

Introduksjon

Hippocampus er sammensatt av flere delfelt som bidrar tilhukommelsebearbeiding og representasjon. Beregningsmodeller foreslår at de anatomiske egenskapene til dentate gyrus og CA2,3 (DG/CA2,3) gjør disse delfeltene ideelle for mønsterseparasjon, eller automatisk ortogonalisering av svært like kortikale innganger gjennom sparsom avfyring (Marr, 1971; Schapiro et al. ., 2017). I motsetning til dette har egenskapene til CA1 blitt foreslått å formidlehukommelseintegrasjon eller dannelse av overlappende representasjoner som koder for fellestrekkene

Figur 1. Eksperimentell design. Skjematisk av atferdsoppgaven. Deltakerne ble først eksponert for individuelt presenterte bilder (ansikter, scener og nye objekter) som senere ville bli indirekte relatert gjennom assosiativ læring (A- og C-elementer). Deretter lærte deltakerne å assosiere innledende par (ansiktsform eller scene-form AB assosiasjoner) og ble skannet mens de lærte overlappende par (form-objekt BC assosiasjoner). Deltakerne ble skannet igjen i en posteksponeringsfase mens de så de samme elementene fra preeksponering (A og C elementer). Deltakerne fullførte deretter en slutningsoppgave på tvers av episoder. Til slutt fullførte deltakerne en lokaliseringsoppgave der de så individuelt presenterte ansikter, scener, objekter og former i et blokkert design. B, Visuell likhetsmanipulasjon. Likheten til det delte B-elementet på tvers av par ble parametrisk manipulert. I dette eksemplet ville toppformen blitt sett i de innledende AB-parene, mens den nederste raden representerer de forskjellige formformene som kan sees når man lærer de overlappende BC-parene. Det koblende B-elementet som presenteres under overlappende parlæring kan enten være et eksakt samsvar med B-elementet presentert under initial (AB) parlæring, en morf med høy likhet eller lav likhet, eller et nytt (dvs. ikke-overlappende) element. C, Subjektiv likhet med formstimuli brukt for blinkende elementer. Et uavhengig utvalg av deltakere vurderte visuell likhet mellom overordnede former og formmorfer presentert side ved side ved hjelp av en 5-punkts Likert-skala (1=ikke i det hele tatt lik, 5=svært lik). pp , 0.05 (parrede t-tester). Feilstreker indikerer 6 SEM.

på tvers av relaterte episoder (Eichenbaum et al., 1999; Schlichting og Preston, 2015; Schapiro et al., 2017). Elektrofysiologisk forskning viser slike representasjonsdissosiasjoner mellom underfelt: DG/CA2,3-ensembler fremkaller distinkte avfyringsmønstre med bare små endringer i de perseptuelle egenskapene til et miljø, mens CA1-aktivitetsmønstre endres gradvis etter hvert som miljøer blir perseptuelt distinkte (Leutgeb et al., 2004, 2007). Parallelt arbeid hos mennesker har vist at endringer i DG/CA2,3-aktivering skiller mellom svært like objektbilder eller objekter som deler en lignende kontekst, mens CA1-svar ikke gjør det (Bakker et al., 2008; Lacy et al., 2011; Dimsdale -Zucker et al., 2018). Subiculum, utgangsstrukturen til hippocampuskretsen (O'Mara et al., 2001), kan bidra til både mønsterdifferensiering (Potvin et al., 2009) og integrering (Schapiro et al., 2012).

Slike tidligere arbeid har imidlertid ikke vurdert hvordanhukommelsereaktivering driver dissosierbare representasjonsstrategier i hippocampus, og lar representasjonslæring gå utover en enkel transformasjon mellom ekstern sensorisk input oghukommelseproduksjon. Klassiske beregningsbaserte læringsmodeller foreslår dethukommelserepresentasjoner bør justeres for å forutsi sannsynlige utfall som respons på miljøsignaler, med integrasjon som skjer når stimuli forutsier det samme utfallet og differensiering når stimuli forutsier distinkte utfall (Rumelhart et al., 1986). Nyere fMRI-funn indikerer imidlertid at differensiering også kan oppstå når stimuli deler en felles assosiasjon eller utfall (Schlichting et al., 2015; Favila et al., 2016; Zeithamova et al., 2018). I disse studiene var hippocampale representasjoner mer distinkte for stimuli som delte et felles utfall enn stimuli med forskjellige utfall. Slik differensiering kan ikke forklares i termer av automatisk separasjon av ekstern inngang gjennom sparsom koding i DG/CA2,3; snarere foreslår et nyere teoretisk perspektiv i hippocampale underfelt (Ritvo et al.,2019). Vi antok også at integrasjon og differensiering ikke ville være gjensidig utelukkende utfall som svar på minnereaktivering, men at reaktivering i stedet ville føre til samtidig dannelse av komplementære differensierte og integrerte representasjoner i DG/CA2,3 og CA1.

For å teste disse spådommene, manipulerte vi parametrisk perseptuell likhet mellom overlappende hendelser i en assosiativ slutningsoppgave (fig. 1). Deltakerne studerte innledende par og ble skannet ved hjelp av høyoppløselig fMRI mens de lærte overlappende par. Vi testethukommelsefor de lærte parene og utledet kunnskap om de indirekte relasjonene på tvers av parene, med inferensytelse som en atferdsindeks for integrering (Shohamy og Wagner, 2008; Zeithamova et al., 2012). Kritisk sett kvantifiserte vi hvordanhukommelsereaktivering under overlappende hendelseslæring påvirket hippocampus underfeltrepresentasjon.

cistanche helsemessige fordeler: forbedre hukommelsen

Materialer og metoder

Deltakere

Trettito høyrehendte individer (15 kvinner, i alderen 18-31år, gjennomsnittlig=21.5 år) deltok etter å ha gitt informert samtykke i samsvar med en protokoll godkjent av Institutional Review Board ved University of Texas kl. Austin. Deltakerne fikk $25/t i kompensasjon. Data fra 6 deltakere ble ekskludert fra analysene: 2 deltakere på grunn av overdreven hodebevegelse, 1 deltaker som trakk seg fra eksperimentet, 2 deltakere som hadde ufullstendige skanningsøkter (posteksponerings- og/eller lokaliseringsfasene ble ikke skannet), og 1 deltaker for bildeartefakter i de funksjonelle skanningene som utelukket analyse av forhåndseksponerings- og lokaliseringsfasene. De resterende deltakerne (n=26, 14 kvinner) ble inkludert i analysene. Vi bestemte den endelige prøvestørrelsen vår basert på relaterte studier som brukte lignende paradigmer og analytiske tilnærminger (Zeithamova et al., 2012; Schlichting et al., 2015; Dimsdale-Zucker et al., 2018). Videre ga denne prøvestørrelsen oss en estimert statistisk kraft på 0,0,99 for å oppdage en effekt av visuell likhet på slutningsnøyaktighet på tvers av episoder basert på pilotdata fra en egen gruppe deltakere (n=30, 22 kvinner, i alderen { {23}}år, gjennomsnitt=18.9år; gjentatte målinger ANOVA som resulterer i delvis h i kvadrat (h2)=0.280).

Stimuli

Stimuli var 58 ukjente ansikter (halvparten mann, halv kvinne, helt hvit), 58 ukjente scener (halvparten naturlig, halvt menneskeskapt), 671 svarte former generert i MATLAB (for mer informasjon, se Visuell likhetsmanipulasjon under ny koding), og 74 romaner objekter (Hsu et al., 2014; Schlichting et al., 2015). En undergruppe av stimuli ble organisert i 32 triader bestående av tre elementer (A, B, C) som ble brukt i den assosiative slutningsoppgaven (fig. 1A). A-elementene besto av ansikter (16) jevnt fordelt etter kjønn, og scener (16) jevnt delt etter naturlige og menneskeskapte; alle B-elementer var former (56); alle C-elementer var nye objekter (32). Et annet undersett av stimuli (42 ansikter, 42 scener, 42 objekter og 42 former) ble brukt i lokaliseringsoppgaven og ble ikke sett under den assosiative slutningsoppgaven. Tildeling av stimuli til triadene og lokaliseringsoppgaven ble randomisert på tvers av deltakerne. Stimuli ble presentert ved bruk av Psychtoolbox i MATLAB (Brainard, 1997; Pelli, 1997; Kleiner et al., 2007).

cistanche pulver

Oppgaveprosedyre

Innledende par (AB) læring. Deltakerne lærte de første parene (AB) over fire studie-testblokker. I løpet av studiefasen ble hvert av de 32 innledende parene presentert i 3,5 s med et 0,5 s intertrial interval (ITI). A-elementet (ansikt eller scene) ble alltid presentert til venstre, og B-elementet (form) ble alltid presentert til høyre. Etter å ha studert alle parene, ble deltakerne testet ved hjelp av en 3-alternativ tvangsvalgtest. Deltakerne ble pekt på med A-elementet på toppen av skjermen og måtte velge mellom passende B-element og to folier. Foliene var former fra andre triader, slik at deltakerne ikke kunne basere sin avgjørelse på formenes kjente. Deltakerne hadde 10 s til å svare på hver prøveversjon. Etter deltakerens svar ble det gitt korrigerende tilbakemelding på slutten av hver utprøving i 1 s. Testforsøk ble atskilt med 0,5 s ITI. Anatomiske bilder ble samlet inn i denne fasen.

Visuell likhetsmanipulasjon under ny koding. Å undersøke hvordan likheten mellom hendelseselementer påvirkerhukommelsereaktivering og oppførsel, ble den visuelle likheten til koblingselementet (formen eller B-elementet) i den assosiative slutningsoppgaven parametrisk manipulert (fig. 1B). Vi manipulerte visuell likhet basert på tidligere arbeid som viser at hippocampale subfeltresponser moduleres av visuelle funksjonsoverlapping mellom hendelser (Leutgeb et al., 2004, 2007; Bakker et al., 2008; Lacy et al., 2011). Det var totalt fire forhold: eksakt samsvar, høy likhet, lav likhet og ny. I den eksakte matchtilstanden så deltakerne nøyaktig samme B-form når de lærte de innledende parene (AB) og overlappende parene (BC). I forhold med høy og lav likhet var hver form sett i de overlappende parene en parametrisk morf av en form fra et av de første parene. "Overordnede" former ble generert ved å ta 16 punkter fordelt langs omkretsen av en sirkel, tilfeldig oversette hvert punkt, og deretter koble sammen tilstøtende punkter for å lage kanter ved hjelp av spline-interpolasjon. Formene i forhold med høy og lav likhet ble generert ved å ta to-overordnede former og snitte koordinatene til korresponderende hjørner ved å bruke forskjellige vekter. Formene med høy likhet ble vektet 80 prosent til den ene forelderen og 20 prosent til den andre forelderen, mens formene med lav likhet ble vektet 70 prosent til den ene forelderen og 30 prosent til den andre. I den nye tilstanden så deltakerne en ny form paret med et nytt objekt, noe som gjorde at disse parene ikke overlappet med de første parene. De nye parene fungerte dermed som en baseline for assosiativ læring. Hver deltaker studerte åtte triader per visuell likhetstilstand.

Forskjeller i den subjektive likheten mellom elementene med høy og lav likhet ble bekreftet i et uavhengig utvalg på 9 deltakere (8 kvinner, i alderen 18-22år, gjennomsnittlig=19.4 år). Deltakerne i denne prøven vurderte visuell likhet mellom overordnede former og formmorfer presentert side ved side ved hjelp av en 5-punkts Likert-skala (1=ikke i det hele tatt lik, 5=veldig lik) i 180 forsøk . Nøyaktige treff ble vurdert til å være mer lik enn morfer med høy likhet (t(8) {{10}}.255, p , 0.001, Cohen's d=2.085), morfer med høy likhet ble vurdert som mer like enn morfer med lav likhet (t(8)=9.312, p,0.001, d=3.104), og morfer med lav likhet ble vurdert som mer like enn nye elementer (t(8)=10.021, p,0.001, d=3.340). Et forbehold for å kvantifisere subjektiv likhet ved å bruke denne tilnærmingen er at sammenligningen ikke involverer enhukommelsekomponent. Det er mulig at hvis vi satte inn en forsinkelse mellom presentasjonen av to former, kan den observerte subjektive likhetsfunksjonen (fig. 1C) ha vært forskjellig; for eksempel kan de subjektive likhetsforskjellene mellom forholdene med høy og lav likhet ha vært mindre uttalt. Selv om denne målingen kan påvirke tolkningen av de subjektive likhetsdommene i seg selv, har den mindre innvirkning på tolkningen av våre sentrale atferds- og nevrale analyser. Vi ser forskjeller ihukommelseytelse og reaktivering mellom likhetsforholdene (inkludert høye og lave forhold) som indikerer at de fire likhetsforholdene påvirket behandlingen forskjellig (se resultater). Videre fokuserer våre nevrale analyser som vurderer læringsrelatert representasjonsendring kun på tilstanden med høy likhet og er ikke avhengig av sammenligninger med de andre likhetsforholdene (se Eksponering av individuelle elementer før og etter læring).

Overlappende par (BC) læring. Etter at deltakerne lærte de første parene, ble de skannet mens de lærte de overlappende parene. Denne fasen besto igjen av fire studie-testblokker. I løpet av studiefasen ble de 32 parene presentert ved bruk av et hendelsesrelatert design, med par presentert i 3,5 s etterfulgt av 8,5 s ITI med fiksering. C-elementet (objektet) ble alltid presentert til venstre, og B-elementet (formen) ble alltid presentert til høyre. Etter hver studiefase ble deltakerne testet på BC-parene ved å bruke en 3-alternativ tvangsvalgtest, som ikke ble skannet. Deltakerne ble cued med C-elementet på toppen av skjermen og måtte velge mellom passende B-element og to folier. Tilbakemelding ble ikke gitt i denne fasen. Deltakerne hadde 10 s til å svare på hver testforsøk, og forsøkene ble atskilt med 0,5 s ITI.

Eksponering for individuelle elementer før og etter læring. Før de lærte de første parene og etter å ha lært de overlappende parene, ble deltakerne eksponert for individuelt presenterte A- og C-elementer (ansikter, scener og objekter) fra tilstanden med høy likhet. Disse eksponeringsfasene var begrenset til en enkelt visuell likhetstilstand for å maksimere antall presentasjoner for hver stimulus og forbedre estimeringen av oppgaverelaterte aktiveringsmønstre (se Estimering av individuelle stimulusmønstre før og etter læring). Ved å bruke en enkelt likhetsbetingelse tillot oss også å kontrollere effektene av visuell likhet når vi beregner representasjonsendring. Den høye visuelle likhetstilstanden ble brukt fordi tidligere arbeid hos mennesker har vist at svært visuelt like stimuli fremkaller differensielle responser i DG/CA2,3 og CA1 (Lacy et al., 2011).

I hver eksponeringskjøring ble deltakerne skannet mens elementer ble presentert i 1 s med en 3 s ITI. Mens hvert element var på skjermen, fullførte deltakerne en endringsdeteksjonsoppgave ved å indikere via knappetrykk om et overliggende svart kors endret farge til grønt eller blått 100-200ms etter stimulusstart (Kriegeskorte et al., 2008; Schlichting et al. al., 2015). Det var fire repetisjoner av hvert element per kjøring, og totalt fire kjøringer hver i preeksponerings- og posteksponeringsfasene. Forsøk ble pseudorandomisert slik at elementer i en triade ble presentert med minst to sammenflettede elementer fra andre triader. I tillegg var 20 prosent av forsøkene null (dvs. det var ingen gjenstands- eller endringsdeteksjonsoppgave) for å forbedre aktiveringsestimeringen på elementnivå i analysen; disse null-forsøkene ble plassert tilfeldig mellom varepresentasjonsforsøk. Forsøksrekkefølge og timing var identisk i preeksponerings- og posteksponeringsfasene. Nøyaktigheten på endringsdeteksjonsoppgaven ble overvåket for å sikre at deltakerne tok hensyn til oppgaven, men ble ikke vurdert videre.

Det var også en ikke-skannet forhåndseksponeringsfase for elementer fra den eksakte treff, lav likhet og nye forhold som oppsto før den første skannede forhåndseksponeringskjøringen. Hensikten med denne fasen var å sette likhetstegn mellom kjennskap til A- og C-elementene i eksakt match, lav likhet og nye forhold med elementer i høy likhetstilstand før parlæring. Den ikke-skannede eksponeringen var lik de skannede eksponeringsfasene, bortsett fra at ITI var 0,5 s og det var ingen nullforsøk.

Assosiativ inferens (AC) test. Etter posteksponeringsfasen ble deltakerne gitt en overraskelsestest på de indirekte relasjonene mellom A- og C-elementene som delte en felles partner (B). Inferenstesten ble utført inne i skanneren, men ble ikke skannet. I denne fasen ble deltakerne pekt på C-elementet (objektet) og kunne velge mellom A-elementer i samme kategori (dvs. tre ansikter eller tre scener). Ved ansiktsforsøk ble deltakerne bedt om å velge den personen som mest sannsynlig ville eie den cued-objektet. På sceneforsøk ble de bedt om å velge stedet der de mest sannsynlig ville finne gjenstanden. Kritisk nok ble deltakerne ikke på noe tidspunkt eksplisitt instruert om visuell likhetsmanipulasjon eller overlapping på tvers av læring. Deltakerne fikk 10 s til å svare. Ingen tilbakemelding ble gitt.

Lokalisator. Etter slutningstesten ble deltakerne skannet i en lokaliseringsoppgave. I denne oppgaven så deltakerne på en rekke stimuli fra de fire stimuluskategoriene som ble brukt i eksperimentet: ansikter, scener, former og objekter. Stimuli ble presentert i et blokkert design, der hver blokk besto av åtte bilder presentert i 2,5 s hver med 0,5 s ITI. Under hver stimulusblokk fullførte deltakerne en en-backhukommelseoppgave der de måtte oppdage en gjentatt stimulus. Det var en gjentatt stimulus i hver blokk. Nøyaktigheten på engangsoppgaven ble overvåket for å sikre at deltakerne tok hensyn til oppgaven, men ble ikke vurdert videre. Blokkene ble separert med 8 s med fiksering. Deltakerne fullførte tre kjøringer av lokaliseringsoppgaven, med to blokker per stimulustype per løp.

fMRI datainnsamling og forbehandling

Data ble samlet inn med en 3T Siemens Skyra. Det var totalt 15 funksjonelle skanninger (TR=2000 ms, TE=30 ms, flip angle=73 grad, 1,7 mm isotropiske voksler, EPI, multiband akselerasjonsfaktor{{8} }) på tvers av fasene før eksponering, overlappende par, posteksponering og lokalisering. Tre feltkart (TR=589 ms, TE{{10}} ms/7.46ms, 1.5 1.5 2 mm voxels, flip-angle{{16} } grader) ble samlet inn for å korrigere for forvrengninger i magnetfeltet: en rett før preeksponeringsfasen for å korrigere preeksponeringsskanningene, en før studiefasen med overlappende par for å korrigere studien og posteksponeringsskanningene, og en før lokalisatorfasen for å korrigere lokalisatorskanninger. AT1-vektet 3D MPRAGE-volum ble samlet inn (TR=1900 ms, TE=2.43ms, flip-angle=9 grad, 1 mm isotropiske voxels) for å lette justering og normalisering av funksjonelle data til en anatomisk mal. To koronale T2-vektede strukturelle skanninger, justert vinkelrett på hippocampus langakse, ble samlet (TR=13,150 ms, TE=82 ms, 0,4 mm i planet, 1,5 mm gjennom -plan) og deretter gjennomsnittet for delfeltsegmentering.

Funksjonelle og anatomiske bilder ble forhåndsbehandlet med FMRIB Software Library versjon 5.0.9 (FSL: http://fsl.fmrib.ox.ac.uk/fsl/) og Advanced Normalization Tools (ANTS) versjon 2.1 ( Avants et al., 2011). Funksjonelle skanninger ble bevegelseskorrigert ved hjelp av MCFLIRT i FSL og deretter registrert til den siste overlappende parstudiekjøringen ved bruk av affine transformasjoner i ANTS. Ikke-hjernestrukturer ble fjernet fra de funksjonelle skanningene og MPRAGE ved å bruke BET i FSL. Ytterligere databehandling ble utført ved hjelp av FEAT (FMRI Expert Analysis Tool) versjon 6.00, en del av FSL. Følgende statistikkbehandling ble brukt på alle funksjonelle bilder; samregistrering med MPRAGE og feltkartbasert EPI unwarping ved bruk av FUGUE (Jenkinson, 2003); normal intensitetsnormalisering av hele 4D-datasettet med en enkelt multiplikativ faktor; høypass tidsfiltrering (gaussisk-vektet minste kvadraters rettlinjet tilpasning, med s =64 s). Romlig utjevning ved bruk av en Gaussisk kjerne på FWHM 4 mm ble brukt på de overlappende parlærings- og lokaliseringsskanningene.

hva brukes cistanche til: forbedre hukommelsen

ROIs

Anatomiske ROI inkluderte grå substans i hele hjernen for reaktiveringsanalysen og hippocampale underfelter for nevral kodingsanalyse. En helhjernemaske for gråstoff ble laget for hver deltaker i det opprinnelige rommet ved å bruke FAST (Zhang et al., 2001), en del av FSL, med MPRAGE. Gråstoffmasker ble deretter flyttet til funksjonell oppløsning ved bruk av lineære transformasjoner i ANTS. Innenfor hippocampus ble aktiveringsmønstre i subfelt CA1, en kombinert DG/CA2,3-region og subiculum analysert. Hippocampus-underfelt ble identifisert i hodet og kroppen til hippocampus i det opprinnelige rommet ved å omvendt normalisere masker fra en åpen kildekode-mal med segmenterte underfelt (Schlichting et al., 2019) til det gjennomsnittlige T2-koronale bildet av hver deltaker ved bruk av ikke-lineær SyN transformasjoner i MAUR. Denne prosedyren har vist seg å gi resultater som kan sammenlignes med manuell sporing (Schlichting et al., 2019). Masker ble deretter inspisert og redigert manuelt for hver deltaker for å fjerne voksler utenfor hippocampus og sikre nøyaktig segmentering basert på etablerte protokoller (West og Gundersen, 1990; Duvernoy, 1998; Mai et al., 2007). Til slutt ble underfeltmaskene transformert til rommet til de funksjonelle skanningene ved først å registrere det gjennomsnittlige koronale bildet til MPRAGE ved å bruke lineære transformasjoner og deretter bruke den tidligere beregnede transformasjonen til det funksjonelle rommet.

Kvantifisering og statistisk analyse

Avkodinghukommelsereaktivering under overlappende hendelseslæring. For å måle reaktiveringen av kodingsmønstre relatert til de første parene under overlappende parlæring, brukte vi en mønsterklassifiseringsanalyse i PyMVPA (Hanke et al., 2009). Hvis deltakerne reaktiverte relatert informasjon (dvs. A-ansikt og sceneelementer fra AB-par) når de lærte overlappende par (BC-form-objekt-par), bør en mønsterklassifiserer som er trent på lokaliseringsdataene være sensitiv for informasjonskategorien (enten ansikt eller scene) som blir reaktivert (Polyn et al., 2005; Kuhl et al., 2011; Zeithamova et al., 2012). Dermed trente vi mønsterklassifisereren med data fra lokaliseringsfasen og brukte deretter klassifikatoren på den overlappende parlæringsfasen. Vi operasjonalisertehukommelsereaktivering som klassifiseringsbevis for kategorien av A-elementene (dvs. ansikt eller scene) fra de innledende AB-parene relatert til de overlappende BC-parene.

Vi måltehukommelsereaktivering ved hjelp av en flertrinnsprosedyre. Først kjørte vi et søkelys for hele hjernen (Kriegeskorte et al., 2006) for å identifisere regioner der informasjon om A-elementer ble gjeninnsatt under overlappende parlæring. I hver søkelyskule (radius=3 voxels, volum=123 voxels), ble en lineær støttevektormaskin trent til å skille nevrale mønstre fra lokalisatorfasen assosiert med ansikter, scener, objekter og former. For å ta hensyn til hemodynamisk etterslep, ble hvert funksjonsbilde merket ved å ta prøveetikettene og tidsforskyve dem fremover med 4 s (to TR-er). Den trente klassifikatoren ble deretter brukt på nevrale mønstre fra den overlappende parlæringsfasen, som også ble forskjøvet i tid med 4 s. Reaktiveringsestimater på prøvenivå ble hentet ut ved å ta klassifiseringsbevis for kategorien assosiert med A-elementet i hver triade (f.eks. klassifiseringsbevis for ansikter for ansiktsform-objekt-triader) for de to TR-ene som tilsvarer presentasjonen av hvert par. Klassifiseringsbevisverdier ble sortert i to sett: et reaktiveringssett

og et grunnlinjesett. Reaktiveringssettet inneholdt klassifiseringsbevisverdier fra eksakt samsvar, høy likhet og lav likhetsforsøk. Grunnlinjesettet inneholdt bevisverdier for ansikt og scene fra rettssaker i den nye tilstanden. Fordi form-objekt-par i den nye tilstanden ikke overlappet med noen av de tidligere lærte parene, bør de ikke fremkalle reaktivering av ansikts- eller sceneminner. Den endelige reaktiveringsindeksen ble beregnet i hver sfære ved å ta forskjellen mellom gjennomsnittlig bevis for reaktiveringssettet og gjennomsnittet av baselinesettet.

For å teste betydningen av denne reaktiveringsindeksen, sammenlignet vi den faktiske reaktiveringsindeksen med en nullfordeling i hver søkelyskule. Nulldistribusjonen ble opprettet over 1000 iterasjoner ved å blande klassifiseringsbevisverdier på tvers av reaktiverings- og grunnlinjesettene og deretter beregne reaktiveringsindeksen på nytt hver iterasjon. Sentervokselen til hver søkelyskule rapporterte andelen av nullfordelingen med reaktiveringsindekser større enn eller lik den observerte reaktiveringsindeksen (dvs. p-verdi). For å identifisere reaktiveringsregioner på tvers av deltakerne ble søkelyskart for individuelle deltakere normalisert til en gruppemal for signifikanstesting. P-verdibildene ble konvertert til z-statistiske bilder og deretter forvridd til den anatomiske MNI 152-malen (omsamplet til oppløsningen til funksjonelle skanninger, 1,7 mm isotropiske voksler) ved bruk av ikke-lineære SyN-transformasjoner i ANTS. Voxelvis ble ikke-parametrisk permutasjonstesting utført ved bruk av Randomise i FSL over 5000 iterasjoner (Winkler et al., 2014). Signifikante klynger ble identifisert ved å bruke en voxel-terskel på p, 0,01 (ukorrigert) og en cluster-terskel på p, 0,05. Terskler ble beregnet ved å bruke AFNI (Cox, 1996) funksjonen 3dClustSim med glatthetsestimater utledet fra studiefasen ved bruk av 3dFWHMx basert på den romlige autokorrelasjonsfunksjonen. Klyngeutstrekning ble bestemt ved bruk av tosidig terskeling med nest nærmeste naboklynge.

For å bekrefte at reaktiveringstiltaket ikke ble drevet av en enkelt stimuluskategori, forhørte vi ytterligere søkelysklynger for å teste om reaktivering varierte med stimuluskategorien (ansikt eller scene) til A-elementet i en post hoc-analyse. De signifikante klyngene identifisert i reaktiveringssøkelysanalysen ble konvertert til binære masker og reversert normalisert til naturlig rom ved bruk av ANTS. Deretter ble reaktiveringsanalysen gjentatt i hver funksjonell ROI for hver deltaker. Vi brukte ANOVA med gjentatte målinger med region og stimuluskategori som faktorer for å vurdere om reaktivering i hver region var forskjellig som en funksjon av stimuluskategori.

Mens vår første søkelysanalyse lokaliserte regioner der reaktivering skjedde over grunnlinjen, kjørte vi også et uavhengig søkelys for å identifisere områder der reaktiveringsstyrken varierte med visuell likhet. Dette søkelyset brukte en lignende tilnærming til analysen som målte total reaktivering, men med et tilleggsnivå som sammenlignet klassifiseringsbevis for reaktivering mellom den eksakte samsvarstilstanden og de andre likhetsforholdene (dvs. tilstanden med høy likhet og tilstanden med lav likhet kombinert). Effekten av likhet ble beregnet i hver sfære ved å ta forskjellen mellom gjennomsnittlig bevis for den eksakte samsvarstilstanden og gjennomsnittlig bevis for forholdene med høy og lav likhet kombinert. Denne forskjellen ble deretter sammenlignet med en nullfordeling i hver søkelyskule, som ble opprettet over 1000 iterasjoner ved å blande klassifiseringsbevisverdier på tvers av de eksakte samsvars- og likhetsmorfforholdene. Normalisering til gruppemalen, statistisk testing og klyngekorreksjon var identisk med søkelyset som identifiserer reaktivering over grunnlinjen.

Estimering av individuelle stimulusmønstre før og etter læring. Vi utledet estimater av nevrale aktiveringsmønstre fremkalt av hver av A (ansikter, scener) og C (nye 3D-objekter) stimuli fra preeksponerings- og posteksponeringsfasene ved å bruke en GLM med en minste kvadraters-separat tilnærming (Mumford et al., 2012) ) i det opprinnelige rommet til hver deltaker. Hvert av de 16 objektene fra de skannede eksponeringsfasene (dvs. de åtte A-elementene og åtte C-elementene fra tilstanden med høy likhet) ble modellert iterativt i hver kjøring av preeksponerings- og posteksponeringsfasene separat (Schlichting et al., 2015).

cistanche tubolosa-ekstrakt: forbedre hukommelsen

Objektpresentasjoner ble modellert som en 1 s-hendelse, og regressoren for hvert objekt inkluderte alle fire repetisjonene i en skannekjøring. Hver av de 16 objektregressorene ble konvolveret med den kanoniske doble CHRF. Tidsmessig filtrering ble deretter brukt. GLM-ene inkluderte ytterligere forvirrende regressorer: bevegelsesparametere, deres temporale derivater, rammevise forskyvning og DVARS (Power et al., 2012; Schlichting og Preston, 2014; Schlichting et al., 2015). Ytterligere bevegelsesregressorer ble lagt til for tidspunkter hvor hodebevegelsen oversteg både 0,5 mm for rammevis forskyvning og 0,5 prosent endring i BOLD-signal for DVARS (Power et al., 2012). Betabilder ble generert for hvert A- og C-element for hver pre- og posteksponeringskjøring, totalt 128 statistikkbilder per deltaker.

Kvantifisere læringsrelaterte endringer i hippocampus subfelt nevrale likhet. Mønsterdifferensiering oghukommelseintegrasjon i hippocampus ble indeksert ved hjelp av en representasjonslikhetsanalyse (Kriegeskorte et al., 2008) implementert i PyMVPA (Hanke et al., 2009). Søkelys ble kjørt separat innenfor anatomisk definerte DG/CA2,3, CA1 og subiculum i det opprinnelige rommet til hver deltaker. Innenfor hver søkelyskule (radius=2 voxels, volum=33 voxels) (Schapiro et al., 2012), ble likhetsmatriser generert ved å beregne parvise Pearsons korrelasjonsverdier for de 128 statistikkbildene som tilsvarer A. og C-elementer i pre- og posteksponeringskjøringene, transformert til Fishers z. Deretter ble endringen i mønsterlikhet på grunn av læring målt ved å subtrahere likhetsverdiene før eksponering fra likhetsverdiene etter eksponering i tilsvarende celler.

Etter at endringen i mønsterlikhet (heretter referert til som D) ble beregnet, ble D-verdier sortert avhengig av om verdien var for en innenfor-triade-sammenligning eller en på tvers av-triade sammenligning. Disse to settene med verdier tillot oss å bestemme hvordan representasjonsendring ble påvirket av hendelsesoverlapping på grunn av læring (sammenligningssett innenfor triade) i forhold til en grunnlinje som ganske enkelt reflekterte gjentatt eksponering uten hendelsesoverlapping (sammenligningssett på tvers av triade). Det er viktig at bare D-verdier som reflekterte korrelasjoner på tvers ble brukt for å redusere skjevhet som kunne introduseres fra autokorrelasjon i BOLD-signalet (Mumford et al., 2012).

For å vurdere effekten av reaktivering under læring på representasjonsendring, ble D-verdiene innenfor triaden ytterligere delt inn basert på styrken tilhukommelsereaktivering under innlæring av de overlappende parene. For hver deltaker ble reaktiveringsstyrken beregnet for hver triade ved å ta den gjennomsnittlige reaktiveringsindeksen over nettverket av regioner identifisert i reaktiveringssøkelysanalysen (se fig. 3A), gjennomsnittlig over studieblokker. Triader ble deretter delt inn i sterkere reaktiveringstriader og svakere reaktiveringstriader ved bruk av en mediandeling på gjennomsnittlige reaktiveringsverdier. Således ble sammenligninger innenfor-triade D videre sortert i et sterkere reaktivering innenfor-triade D-sett og et svakere reaktivering innenfor-triade D-sett i hver søkelyskule. Til slutt ble alle D-sett beregnet for å lage tre oppsummeringsverdier: gjennomsnittlig likhetsendring innen triaden for sterkere reaktiveringstriader (DWithin sterkere), gjennomsnittlig likhetsendring innenfor triaden for svakere reaktiveringstriader (DWithin svakere), og gjennomsnittlig likhetsendring på tvers av triaden (på tvers). Vi sammenlignet disse oppsummeringsverdiene for å bestemme om nevral koding varierte som en funksjon av reaktiveringsstyrke.

Nevral koding ble vurdert ved hjelp av fire søkelyskontraster (Schlichting et al., 2015) (se fig. 4B). To analyser identifiserte hippocampale voksler som det fanteshukommelseintegrasjon eller differensiering på tvers av alle triader, uavhengig av reaktiveringsstyrke. IntegrasjonOverall ble beregnet som (innen sterkere – DAcross) 1 (innenfor svakere – DAcross), noe som gjenspeiler større likhet innenfor triade enn på tvers av triade etter læring på tvers av alle grader av reaktivering. DifferensieringOverall ble beregnet som (DAcross – DWithin sterkere) 1 (DAcross – DWithin svakere), noe som reflekterer mindre likhet innenfor triade enn på tvers av triade på tvers av alle grader av reaktivering. To tilleggsanalyser identifiserte voksler der nevral koding varierte som en funksjon av reaktiveringsstyrke (IntegrationReactivation and DifferentiationReactivation). IntegrationReactivation-søkelyset identifiserte voksler som integrasjon skjedde for i større grad for sterkere reaktiveringstriader. IntegrasjonReaktivering ble beregnet som (innen sterkere – DInnen svakere). Derimot identifiserte søkelyset DifferentationReactivation voxels som differensiering skjedde for i større grad for sterkere reaktiveringstriader. DifferensieringReaktivering ble beregnet som (innenfor svakere – DInnen sterkere).

Betydningen av hver av disse beregningene ble bestemt ved å sammenligne de beregnede likhetsendringsverdiene med en nullfordeling i hver søkelyskule. Nullfordelingen ble opprettet over 1000 iterasjoner ved å blande celler på tvers av innenfor sterkere, innenfor svakere og på tvers av sett og deretter beregne statistikken av interesse for hver iterasjon. Sentervokselen til hver søkelyskule rapporterte andelen av nullfordelingen med verdier større enn eller lik den observerte likhetsendringen (dvs. p-verdi). Signifikante klynger ble identifisert ved bruk av samme metode som reaktiveringssøkelysene, bortsett fra at z-statistikkbildene ble forvridd til en hippocampusmal med funksjonell oppløsning i stedet for den gjensamplede MNI-malen for analyse på gruppenivå. Normaliserte søkelyskart ble deretter maskert av hver anatomisk hippocampus-underfeltmal før klyngekorreksjon for å sikre at klynger var eksklusive for hvert hippocampus-underfelt.

Post hoc-analyser undersøkte videre retningen for representasjonsendring observert i hvert underfelt identifisert fra denne søkelysanalysen. Et viktig forbehold til disse post hoc-analysene er at de ikke er helt objektive fordi de sammenligner sett med voksler som er forhåndsvalgt for å vise spesifikke effekter basert på kontrastene i søkelyset. Våre oppfølgingsanalyser sammenlignet derfor ikke direkte innen-verdiene for de sterkere og svakere reaktiveringselementene. Våre post hoc-analyser fokuserte i stedet på størrelsen på DAcross-verdier for å teste om det var globale endringer i nevrale likheter på tvers av preeksponerings- og posteksponeringsfasene, i tillegg til å sammenligne DWithin-verdier med DAcross-verdier for å kvantifisere graden av læringsrelatert integrasjon og differensiering.

For disse post hoc-analysene ble likhetsendring i DG/CA2,3, CA1 og subiculum beregnet for hver deltaker i det opprinnelige rommet. Søkelysklyngene identifisert av gruppesøkelysanalysene ble konvertert til masker og reversert normalisert til hver deltakers opprinnelige rom ved å bruke ikke-lineære transformasjoner i ANTS. For hver deltaker ble de native space-klyngene deretter utvidet med FSL ved å bruke en 3 3 3 mm-boks som en kjerne. For å sikre at klynger fortsatt var begrenset til deres respektive underfelt når de ble konvertert til deltakerens opprinnelige rom, ble hver klynge maskert ved å bruke anatomiske underfeltmasker definert for hver enkelt deltaker. En deltaker hadde en CA1-klynge i naturlig rom uten tilstrekkelig antall voksler for representasjonslikhetsanalyse (10 voksler) og ble ekskludert fra påfølgende analyse av dette underfeltet. For de resterende deltakerne beregnet vi den gjennomsnittlige likhetsendringen innenfor hver klynge separat for triader assosiert med sterkere reaktivering under læring, de assosiert med svakere reaktivering under læring og baseline på tvers av triaden.

Kvantifisere forholdet mellom nevrale mål og atferd. Forholdet mellom atferd og våre nevrale mål for reaktivering og representasjonsendring ble vurdert ved hjelp av en Linear Ballistic Accumulator (LBA) modell for å passe ytelsen på slutningstesten (Morton et al., 2020). For hver deltaker og underfelt (CA1, DG/CA2,3 og subiculum) beregnet vi z-poengsummen for likhetsendring mellom A- og C-elementer fra læring til etterlæring (D) for hver triade. Vi beregnet også z-poengsum for reaktivering av A-element på tvers av triader for hver deltaker. Vi brukte deretter LBA-modellen for å tilpasse atferdsresponser og responstider under AC-inferenstesten, ved å bruke likhetsendring og reaktivering som prediktorer for variasjon mellom triader. Vi brukte en bayesiansk tilnærming på flere nivåer for å estimere gjennomsnittlige helningsparametere som gjenspeiler forholdet mellom nevrale mål og AC-inferensytelse. Positive helninger for D-målene indikerer større likhetsverdier mellom A- og C-elementer etter at læring er assosiert med raskere og mer nøyaktig slutning. Positive helninger for reaktiveringstiltaket indikerer at større reaktivering er assosiert med raskere og mer nøyaktig slutning.