Öğrenme Sırasında Belleğin Yeniden Etkinleştirilmesi, Dentate Gyrus/CA2,3 Model Farklılaşmasını ve CA1 Bellek Entegrasyonunu Aynı Anda Destekler

İletişim: Audrey Huaudrey.hu@wecistanche.com

Geçmiş deneyimlerle örtüşen olaylar, mevcut anıların yeniden etkinleştirilmesini tetikleyebilir. Bununla birlikte, bu tür yeniden etkinleştirme, hipokampal devre içinde farklı temsili sonuçlara sahip olabilir. Hipokampal fonksiyonun hesaplamalı teorileri, dentat girus ve CA2,3'ün (DG/CA2,3) oldukça benzer anıları ayırt etmeye eğilimli olduğunu, oysa CA1'in ilgili olayları örtüşen nöral kodlarla temsil ederek bütünleştirebileceğini öne sürer. Burada, hipokampal alt alanlarda farklılaştırılmış veya entegre temsillerin oluşumunun, öğrenme sırasında belleğin yeniden etkinleştirilmesinin gücüne bağlı olup olmadığını test ettik. Her iki cinsiyetten insan katılımcıları ilişkilendirmeleri öğrendi (AB çiftleri, yüz şekli veya sahne şekli) ve daha sonra örtüşen ilişkilendirmeleri (BC şekil-nesne çiftleri) kodlarken fMRI taramasına tabi tutuldu. Hem öğrenmeden önce hem de sonra, katılımcılar örtüşen anıların (A ve C görüntüleri) dolaylı olarak ilişkili öğelerini tek başına görüntülerken tarandı. Örtüşen çift (BC) öğrenimi sırasında ilk çift hatıralarının (A öğeleri) yeniden etkinleştirilmesinin yanı sıra hipokampal alt alanlarda dolaylı olarak ilişkili bellek öğeleri için öğrenme ile ilgili temsili değişimi ölçmek için çok değişkenli model analizleri kullandık. Örtüşen çift kodlaması sırasında önceki anılar güçlü bir şekilde yeniden etkinleştirildiğinde, dolaylı olarak ilişkili görüntüler (A ve C) için DG/CA2,3 ve alt temsiller, desen farklılaşmasıyla tutarlı olarak daha az benzer hale geldi. Aynı zamanda, yeni öğrenme sırasında belleğin yeniden etkinleştirilmesi, dolaylı olarak ilişkili bellek öğelerinin temsillerinin öğrenmeden sonra daha benzer hale geldiği CA1'de entegrasyonu destekledi. Ayrıca, belleğin yeniden etkinleştirilmesi ve alt kültür temsili, daha hızlı ve daha doğru çıkarım (AC) kararlarını öngördü. Bu veriler, yeni öğrenme sırasında ilgili anıların yeniden etkinleştirilmesinin, hipokampal alt alanlarda, hesaplama teorileri doğrultusunda çözülebilir kodlama stratejilerine yol açtığını göstermektedir.

Anahtar Sözcükler: çağrışımsal bellek; Bölümsel hafıza; yüksek çözünürlüklü fMRI; hipokampal alt alanı; desen ayrımı

CISTANCHE ETKİLERİ: BELLEK İYİLEŞTİRME

giriiş

Hipokampus, hafızanın işlenmesine ve temsiline katkıda bulunan çoklu alt alanlardan oluşur. Hesaplamalı modeller, dentat girus ve CA2,3'ün (DG/CA2,3) anatomik özelliklerinin, bu alt alanları, desen ayrımı veya seyrek ateşleme yoluyla oldukça benzer kortikal girdilerin otomatik ortogonalizasyonu için ideal kıldığını öne sürer (Marr, 1971; Schapiro ve ark. ., 2017). Buna karşılık, CA1'in özelliklerinin, bellek entegrasyonuna veya ilgili bölümlerde ortak özellikleri kodlayan örtüşen temsillerin oluşumuna aracılık ettiği öne sürülmüştür (Eichenbaum ve diğerleri, 1999; Schlichting ve Preston, 2015; Schapiro ve diğerleri, 2017). Elektrofizyolojik araştırmalar, alt alanlar arasında bu tür temsili ayrışmaları ortaya koymaktadır: DG/CA2,3 toplulukları, bir ortamın algısal özelliklerinde yalnızca küçük değişikliklerle farklı ateşleme kalıpları ortaya çıkarırken, CA1 faaliyet kalıpları, ortamlar algısal olarak farklılaştıkça kademeli olarak değişir (Leutgeb ve diğerleri, 2004, 2007). İnsanlardaki paralel çalışma, DG/CA2,3 aktivasyonundaki değişikliklerin, oldukça benzer nesne görüntüleri veya benzer bir bağlamı paylaşan nesneler arasında ayrım yaptığını, oysa CA1 yanıtlarının ayırmadığını göstermiştir (Bakker ve diğerleri, 2008; Lacy ve diğerleri, 2011; Dimsdale). -Zucker ve diğerleri, 2018). Hipokampal devrenin çıktı yapısı olan subiculum (O'Mara ve diğerleri, 2001), hem model farklılaşmasına (Potvin ve diğerleri, 2009) hem de entegrasyona (Schapiro ve diğerleri, 2012) katkıda bulunabilir.

Şekil 1. Deneysel tasarım. Davranışsal görevin bir şeması. Katılımcılar önce bireysel olarak sunulan resimlere (yüzler, sahneler ve yeni nesneler) maruz bırakıldılar ve bunlar daha sonra ilişkisel öğrenme (A ve C öğeleri) yoluyla dolaylı olarak ilişkilendirilecekti. Ardından, katılımcılar ilk çiftleri (yüz şekli veya sahne şekli AB ilişkileri) ilişkilendirmeyi öğrendi ve örtüşen çiftleri (şekil-nesne BC ilişkileri) öğrenirken tarandı. Katılımcılar, aynı öğeleri ön-maruziyetten (A ve C öğeleri) görüntülerken, bir maruziyet sonrası aşamada tekrar tarandı. Katılımcılar daha sonra bölümler arası bir çıkarım görevini tamamladılar. Son olarak, katılımcılar bloke edilmiş bir tasarımda bireysel olarak sunulan yüzleri, sahneleri, nesneleri ve şekilleri görüntüledikleri bir yerelleştirme görevini tamamladılar. B, Görsel benzerlik manipülasyonu. Çiftler arasında paylaşılan B öğesinin benzerliği parametrik olarak manipüle edildi. Bu örnekte, en üstteki şekil ilk AB çiftlerinde görülürken, alt sıra örtüşen BC çiftlerini öğrenirken görülebilen farklı şekil morflarını temsil eder. Örtüşen ikili öğrenimi sırasında sunulan bağlantılı B öğesi, ilk (AB) ikili öğrenimi sırasında sunulan B öğesiyle tam eşleşme, yüksek benzerlik veya düşük benzerlik biçimi veya yeni (ör. örtüşmeyen) bir öğe olabilir. C, Yanıp sönen öğeler için kullanılan şekil uyaranlarının öznel benzerliği. Bağımsız bir katılımcı örneği, 5 puanlık bir Likert ölçeği (1=hiç benzemiyor, 5=çok benzer) kullanarak yan yana sunulan ana şekiller ve şekil morfları arasındaki görsel benzerliği derecelendirdi. pp, 0.05 (eşleştirilmiş t testleri). Hata çubukları 6 SEM'i gösterir.

Bununla birlikte, bu tür önceki çalışmalar, belleğin yeniden etkinleştirilmesinin, hipokampus içinde ayrılabilir temsil stratejilerini nasıl yönlendirdiğini ve temsil öğreniminin dış duyusal girdi ile bellek çıktısı arasındaki basit bir dönüşümün ötesine geçmesine izin verdiğini dikkate almadı. Klasik hesaplamalı öğrenme modelleri, uyaranlar aynı sonucu öngördüğünde entegrasyon ve uyaranlar farklı sonuçları öngördüğünde farklılaşma ile bellek temsillerinin çevresel ipuçlarına yanıt olarak olası sonuçları tahmin etmek için ayarlanması gerektiğini önermektedir (Rumelhart ve diğerleri, 1986). Bununla birlikte, son fMRI bulguları, uyaranlar ortak bir ilişki veya sonucu paylaştığında farklılaşmanın da meydana gelebileceğini göstermektedir (Schlichting ve diğerleri, 2015; Favila ve diğerleri, 2016; Zeithamova ve diğerleri, 2018). Bu çalışmalarda, hipokampal temsiller, ortak bir sonucu paylaşan uyaranlar için farklı sonuçlara sahip uyaranlardan daha belirgindi. Bu tür bir ayrım, DG/CA2,3'te seyrek kodlama yoluyla harici girdinin otomatik olarak ayrılmasıyla açıklanamaz; daha ziyade, yeni bir teorik bakış açısı, hafızanın yeniden etkinleştirilmesinin, olay örtüşmesi karşısında hipokampal temsillerin nasıl değiştiğini açıklayabileceğini öne sürüyor (Ritvo ve diğerleri, 2019).

Bu teoriye göre optimal öğrenme, farklılaşma veya entegrasyon yoluyla anılar arasındaki rekabeti azaltır (Ritvo ve diğerleri, 2019). Çevredeki duyusal örtüşme kesinlikle belirsizliği azaltan optimal temsillerin oluşumunu yönlendirebilecek bir faktör olsa da (Leutgeb ve diğerleri, 2004, 2007; Lacy ve diğerleri, 2011; Yassa ve Stark, 2011), daha önemli olan ne olabilir? örtüşen duyusal girdilerin rekabet eden anıların yeniden etkinleştirilmesini nasıl sağladığıdır. Yeniden etkinleştirilen anılar, yeniden etkinleştirmeyi ortaya çıkaran duyusal özelliklerden daha fazlasını öğrenmenin “hedefi” olabilir. Bu nedenle, bu çalışmada, hipokampal temsillerin tek itici gücü olarak algısal benzerliği dikkate almanın ötesine geçtik ve öğrenme sırasında kortekste ilgili anıların yeniden etkinleştirilmesinin ayrılabilir alt alan kodlamasıyla sonuçlanıp sonuçlanmadığını test ettik. Belleğin yeniden etkinleştirilmesinin, öğrenme boyunca olay benzerliği tarafından modüle edileceğini varsaydık (Vieweg ve diğerleri, 2015) ve bu nedenle, hipokampal alt alanlardaki benzer olaylar için gözlemlenen temsili örtüşme derecesine aracılık eden anahtar faktör olabilir (Ritvo ve diğerleri, 2019). Ayrıca, entegrasyon ve farklılaşmanın bellek yeniden etkinleştirmesine yanıt olarak birbirini dışlayan sonuçlar olmayacağını, ancak yeniden etkinleştirmenin bunun yerine DG/ CA2,3 ve CA1'de tamamlayıcı farklılaştırılmış ve entegre temsillerin eşzamanlı oluşumuna yol açacağını varsaydık.

Bu tahminleri test etmek için, bir ilişkisel çıkarım görevinde örtüşen olaylar arasındaki algısal benzerliği parametrik olarak manipüle ettik (Şekil 1). Katılımcılar ilk çiftleri inceledi ve örtüşen çiftleri öğrenirken yüksek çözünürlüklü fMRI kullanılarak tarandı. Öğrenilmiş çiftler için hafızayı ve davranışsal bir entegrasyon indeksi olarak hizmet eden çıkarım performansı ile çiftler arasındaki dolaylı ilişkilerin çıkarsanan bilgisini test ettik (Shohamy ve Wagner, 2008; Zeithamova ve diğerleri, 2012). Kritik olarak, örtüşen olay öğrenimi sırasında belleğin yeniden etkinleştirilmesinin hipokampal alt alan temsilini nasıl etkilediğini ölçtük.

CISTANCH EK ETKİLERİ: BELLEK İYİLEŞTİRİLMESİ

Malzemeler ve yöntemler

Katılımcılar Otuz iki sağ elini kullanan birey (15 kadın, yaş 18-31, ortalama=21.5 yıl) Üniversite'deki Kurumsal İnceleme Kurulu tarafından onaylanan bir protokole uygun olarak bilgilendirilmiş onam verdikten sonra katıldı. Austin'de Teksas. Katılımcılara 25$/s tazminat ödenmiştir. 6 katılımcının verileri analizlerden çıkarıldı: Aşırı baş hareketi nedeniyle 2 katılımcı, deneyden çekilen 1 katılımcı, eksik tarama oturumları olan 2 katılımcı (pozlama sonrası ve/veya lokalizasyon aşamaları taranmadı) ve 1 katılımcı için ön-pozlama ve lokalizör aşamalarının analizini engelleyen fonksiyonel taramalardaki görüntü artefaktları. Geri kalan katılımcılar (n=26, 14 kadın) analizlere dahil edildi. Nihai örneklem büyüklüğünü, benzer paradigmalar ve analitik yaklaşımlar kullanan ilgili çalışmalara dayanarak belirledik (Zeithamova ve diğerleri, 2012; Schlichting ve diğerleri, 2015; Dimsdale-Zucker ve diğerleri, 2018). Ayrıca, bu örneklem büyüklüğü, ayrı bir katılımcı grubundan (n=30, 22 kadın, { {23}} yıl, ortalama=18.9 yıl; kısmi h kare (h2 )=0.280 ile sonuçlanan tekrarlanan ölçümler ANOVA).

Uyaranlar 58 tanıdık olmayan yüz (yarı erkek, yarı kadın, tamamı beyaz), 58 tanıdık olmayan sahne (yarı doğal, yarı insan yapımı), MATLAB'de oluşturulan 671 siyah şekil (daha fazla bilgi için bkz. Yeni kodlama sırasında görsel benzerlik manipülasyonu) ve 74 roman nesneler (Hsu ve diğerleri, 2014; Schlichting ve diğerleri, 2015). Uyaranların bir alt kümesi, ilişkisel çıkarım görevinde kullanılan üç maddeden (A, B, C) oluşan 32 üçlü olarak düzenlenmiştir (Şekil 1A). A öğeleri, cinsiyete göre eşit olarak bölünmüş yüzlerden (16) ve doğal ve yapay olarak eşit olarak bölünmüş sahnelerden (16) oluşuyordu; tüm B öğeleri şekillerdi (56); tüm C öğeleri yeni nesnelerdi (32). Yerelleştirici görevinde başka bir uyaran alt kümesi (42 yüz, 42 sahne, 42 nesne ve 42 şekil) kullanıldı ve ilişkisel çıkarım görevi sırasında görülmedi. Üçlülere ve yerelleştirici görevine uyaranların atanması, katılımcılar arasında rastgele yapıldı. Uyaranlar MATLAB'da Psychtoolbox kullanılarak sunuldu (Brainard, 1997; Pelli, 1997; Kleiner ve diğerleri, 2007).

Görev prosedürü İlk çift (AB) öğrenme. Katılımcılar, dört çalışma-test bloğu boyunca ilk çiftleri (AB) öğrendi. Çalışma aşamasında, 32 başlangıç ​​çiftinin her biri, 0.5 s intertrial interval (ITI) ile 3.5 s için sunuldu. A öğesi (yüz veya sahne) her zaman solda sunuldu ve B öğesi (şekil) her zaman sağda sunuldu. Tüm çiftleri inceledikten sonra, katılımcılar bir 3-alternatif zorunlu seçim testi kullanılarak test edildi. Katılımcılar, ekranın üst kısmındaki A öğesiyle işaretlendi ve uygun B öğesi ile iki folyo arasında seçim yapmak zorunda kaldı. Folyolar diğer üçlülerden gelen şekillerdi, öyle ki katılımcılar kararlarını şekillerin tanıdıklığına dayandıramadılar. Katılımcıların her denemede yanıt vermesi için 10 s vardı. Katılımcının yanıtından sonra, her deneme sonunda 1 saniye boyunca düzeltici geri bildirim sağlanmıştır. Test denemeleri 0,5 s ITI ile ayrıldı. Anatomik görüntüler bu aşamada toplandı.

Yeni kodlama sırasında görsel benzerlik manipülasyonu. Olay öğelerinin benzerliğinin belleğin yeniden etkinleştirilmesini ve davranışını nasıl etkilediğini incelemek için, ilişkisel çıkarım görevindeki bağlantı öğesinin (şekil veya B öğesi) görsel benzerliği parametrik olarak manipüle edildi (Şekil 1B). Görsel benzerliği, hipokampal alt alan tepkilerinin olaylar arasında görsel özellik örtüşmesiyle modüle edildiğini gösteren önceki çalışmalara dayanarak değiştirdik (Leutgeb ve diğerleri, 2004, 2007; Bakker ve diğerleri, 2008; Lacy ve diğerleri, 2011). Toplam dört koşul vardı: tam eşleşme, yüksek benzerlik, düşük benzerlik ve yeni. Tam eşleşme koşulunda, katılımcılar ilk çiftleri (AB) ve örtüşen çiftleri (BC) öğrenirken tam olarak aynı bağlantı B şeklini gördüler. Yüksek ve düşük benzerlik koşullarında, örtüşen çiftlerde görülen her şekil, ilk çiftlerden birinden bir şeklin parametrik morfuydu. "Üst" şekiller, bir dairenin çevresine dağıtılmış 16 nokta alınarak, her noktayı rastgele çevirerek ve ardından spline enterpolasyonu kullanılarak kenarlar oluşturmak için bitişik noktaları birleştirerek oluşturuldu. Yüksek ve düşük benzerlik koşullarındaki şekiller, iki ebeveynli şekiller alınarak ve farklı ağırlıklar kullanılarak karşılık gelen köşelerin koordinatlarının ortalaması alınarak oluşturulmuştur. Yüksek benzerlik şekilleri bir ebeveyn şekline yüzde 80 ve diğer ebeveyne yüzde 20 ağırlık verirken, düşük benzerlik şekilleri bir ebeveyne yüzde 70 ve diğerine yüzde 30 ağırlık verdi. Yeni durumda, katılımcılar yeni bir nesneyle eşleştirilmiş yeni bir şekil gördüler ve bu çiftleri ilk çiftlerle örtüşmeyen hale getirdi. Böylece yeni çiftler, ilişkisel öğrenme için bir temel olarak hizmet etti. Her katılımcı, görsel benzerlik koşulu başına sekiz üçlü çalıştı.

Yüksek ve düşük benzerlik öğeleri arasındaki öznel benzerlikteki farklılıklar, 9 katılımcıdan oluşan bağımsız bir örneklemde (8 kadın, yaş 18-22, ortalama=19.4 yıl) doğrulandı. Bu örnekteki katılımcılar, 180 denemede 5 puanlık bir Likert ölçeği (1=hiç benzemiyor, 5=çok benzer) kullanarak yan yana sunulan ana şekiller ve şekil morfları arasındaki görsel benzerliği derecelendirdi. . Tam eşleşmeler, yüksek benzerlik morflarından daha benzer olarak derecelendirildi (t(8) {{10}}.255, p , 0.001, Cohen's d=2.085), yüksek benzerlik morfları, düşük benzerlik morflarından (t(8)=9.312, p , 0.001, d=3}.104) daha benzer olarak derecelendirildi ve düşük benzerlik morfları, yenilerden daha benzer olarak derecelendirildi öğeler (t(8)=10.021, p , 0,001, d=3.340). Bu yaklaşımı kullanarak öznel benzerliği ölçmek için bir uyarı, karşılaştırmanın bir bellek bileşeni içermemesidir. İki şeklin sunumu arasına bir gecikme eklersek, gözlemlenen öznel benzerlik fonksiyonunun (Şekil 1C) farklı olması mümkündür; örneğin, yüksek ve düşük benzerlik koşulları arasındaki öznel benzerlik farklılıkları daha az belirgin olabilirdi. Bu ölçüm uyarısı, öznel benzerlik yargılarının kendi yorumunu etkileyebilirken, merkezi davranışsal ve sinirsel analizlerimizin yorumlanması üzerinde daha az etkiye sahiptir. Dört benzerlik koşulunu farklı şekilde etkileyen işlemeyi gösteren benzerlik koşulları (yüksek ve düşük koşullar dahil) arasında bellek içi performans ve yeniden etkinleştirme farklılıkları gözlemliyoruz (Sonuçlara bakın). Ayrıca, öğrenmeyle ilgili temsili değişimi değerlendiren sinirsel analizlerimiz, yalnızca yüksek benzerlik koşuluna odaklanır ve diğer benzerlik koşullarıyla karşılaştırmalara dayanmaz (bkz. Öğrenmeden önce ve sonra bireysel öğelerin maruz kalması).

Örtüşen çift (BC) öğrenme. Katılımcılar ilk çiftleri öğrendikten sonra, örtüşen çiftleri öğrenirken tarandı. Bu aşama yine dört çalışma-test bloğundan oluşuyordu. Çalışma aşaması sırasında, 32 çift olayla ilgili bir tasarım kullanılarak sunuldu, çiftler 3,5 saniye boyunca sunuldu ve ardından 8,5 saniyelik ITI fiksasyon yapıldı. C öğesi (nesne) her zaman solda, B öğesi (şekil) her zaman sağda sunuldu. Her çalışma aşamasından sonra, katılımcılar, taranmamış bir 3-alternatif zorunlu seçim testi kullanılarak BC çiftleri üzerinde test edildi. Katılımcılar, ekranın üst kısmındaki C öğesiyle işaretlendi ve uygun B öğesi ile iki folyo arasında seçim yapmak zorunda kaldı. Bu aşamada geri bildirim yapılmadı. Katılımcıların her test denemesinde yanıt vermesi için 10 s vardı ve denemeler 0,5 s ITI ile ayrıldı.

Öğrenmeden önce ve sonra bireysel öğelerin maruz kalması. İlk çiftleri öğrenmeden önce ve örtüşen çiftleri öğrendikten sonra, katılımcılar yüksek benzerlik koşulundan bireysel olarak sunulan A ve C öğelerine (yüzler, sahneler ve nesneler) maruz bırakıldı. Bu maruz kalma aşamaları, her uyaran için sunum sayısını en üst düzeye çıkarmak ve görevle ilgili aktivasyon modellerinin tahminini geliştirmek için tek bir görsel benzerlik koşuluyla sınırlıydı (bkz. Öğrenmeden önce ve sonra bireysel uyaran modellerinin tahmini). Tek bir benzerlik koşulu kullanmak, temsili değişimi hesaplarken görsel benzerliğin etkilerini kontrol etmemize de izin verdi. Yüksek görsel benzerlik koşulu kullanıldı çünkü insanlarda önceki çalışmalar, görsel olarak oldukça benzer uyaranların DG/CA2,3 ve CA1'de farklı tepkiler ortaya çıkardığını göstermiştir (Lacy ve diğerleri, 2011).

Her maruz bırakma çalışmasında, öğeler 3 saniyelik bir ITI ile 1 saniye boyunca sunulurken katılımcılar tarandı. Her bir öğe ekrandayken, katılımcılar, uyaran başlangıcından sonra üst üste binen siyah çarpı işaretinin renginin yeşile mi yoksa maviye mi 100-200 msn sonra değişip değişmediğini düğmeye basarak belirterek bir değişiklik algılama görevini tamamladılar (Kriegeskorte ve diğerleri, 2008; Schlichting ve diğerleri). al., 2015). Her bir madde için her çalışma için dört tekrar ve maruziyet öncesi ve sonrası aşamaların her birinde toplam dört çalışma yapılmıştır. Denemeler, bir üçlü içindeki öğeler, diğer üçlülerden en az iki serpiştirilmiş öğeyle birlikte sunulacak şekilde sözde rasgele hale getirildi. Ek olarak, analizde öğe düzeyinde aktivasyon tahminini iyileştirmek için denemelerin yüzde 20'si boştu (yani, nesne veya değişiklik saptama görevi yoktu); bu boş denemeler, madde sunum denemeleri arasına rastgele yerleştirildi. Deneme sırası ve zamanlaması, maruziyet öncesi ve maruziyet sonrası aşamalarda aynıydı. Değişiklik algılama görevinin doğruluğu, katılımcıların göreve dikkat etmesini sağlamak için izlendi, ancak daha fazla dikkate alınmadı.

Aynı zamanda, tam eşleşme, düşük benzerlik ve ilk taranan ön-maruziyet çalışmasından önce meydana gelen yeni koşullardan alınan öğeler için taranmamış bir ön-maruziyet aşaması da vardı. Bu aşamanın amacı, ikili öğrenmeden önce A ve C maddelerinin tam eşleşme, düşük benzerlik ve yeni koşullardaki aşinalıklarını yüksek benzerlik koşulundaki maddelerle eşitlemekti. ITI'nin 0.5 s olması ve boş deneme olmaması dışında, taranmamış maruziyet, taranan maruziyet aşamalarına benzerdi.

İlişkisel çıkarım (AC) testi. Maruziyet sonrası aşamanın ardından, katılımcılara ortak bir ortak (B) paylaşan A ve C maddeleri arasındaki dolaylı ilişkiler hakkında sürpriz bir test verildi. Çıkarım testi tarayıcının içinde yapıldı ancak taranmadı. Bu aşamada, katılımcılara C öğesi (nesne) ile ipucu verildi ve aynı kategorideki A öğeleri (yani üç yüz veya üç sahne) arasından seçim yapabildiler. Yüz denemelerinde, katılımcılara, işaret edilen nesneye en çok sahip olacak kişiyi seçmeleri talimatı verildi. Sahne denemelerinde, ipucu verilen nesneyi büyük olasılıkla bulacakları yeri seçmeleri istendi. Kritik olarak, hiçbir noktada katılımcılara görsel benzerlik manipülasyonu veya öğrenme genelinde örtüşme hakkında açıkça talimat verilmedi. Katılımcılara yanıt vermeleri için 10 sn süre verildi. Herhangi bir geri dönüş yapılmadı.

Yerelleştirici. Çıkarım testinden sonra katılımcılar bir yerelleştirici görevinde tarandı. Bu görevde, katılımcılar deneyde kullanılan dört uyaran kategorisinden bir dizi uyaranı görüntülediler: yüzler, sahneler, şekiller ve nesneler. Uyaranlar bloke edilmiş bir tasarımda sunuldu ve her blok, her biri 0.5 s ITI ile 2.5 saniye boyunca sunulan sekiz görüntüden oluşuyordu. Her uyaran bloğu sırasında, katılımcılar tekrarlanan bir uyaranı algılamak zorunda oldukları tek-geri bellek görevini tamamladılar. Her blokta bir tekrarlanan uyaran vardı. Katılımcıların göreve dikkat etmelerini, ancak daha fazla dikkate alınmamasını sağlamak için tek arka görevdeki doğruluk izlendi. Bloklar 8 sn sabitleme ile ayrıldı. Katılımcılar, her çalıştırmada uyarıcı türü başına iki blok olacak şekilde, yerelleştirici görevinin üç çalıştırmasını tamamladılar.

fMRI veri toplama ve ön işleme Veriler bir 3T Siemens Skyra ile toplanmıştır. Toplam 15 fonksiyonel tarama yapıldı (TR=2000 ms, TE=30 ms, çevirme açısı=73 derece , 1,7 mm izotropik vokseller, EPI, çok bantlı hızlanma faktörü=3) ön-maruziyet, örtüşen ikili çalışma, maruziyet sonrası ve lokalizör aşamaları boyunca. Manyetik alandaki bozulmaları düzeltmek için üç alan haritası (TR=589 ms, TE=5 ms/7.46 ms, 1.5 1.5 2 mm voksel, çevirme açısı=5 derece) toplandı: bir Pozlama öncesi taramaları düzeltmek için ön pozlama aşamasından hemen önce, biri çalışma ve maruz kalma sonrası taramaları düzeltmek için örtüşen ikili çalışma aşamasından önce ve biri de yerelleştirici taramalarını düzeltmek için yerelleştirici aşamasından önce. AT1-ağırlıklı 3D MPRAGE hacmi toplandı (TR {{20}} ms, TE=2.43 ms, çevirme açısı=9 derece , 1 mm izotropik vokseller) fonksiyonel verilerin anatomik bir şablona hizalanmasını ve normalleştirilmesini kolaylaştırmak için. Hipokampal uzun eksene dik hizalanmış iki koronal T2-ağırlıklı yapısal tarama toplandı (TR=13,150 ms, TE=82 ms, 0,4 mm 0,4 mm düzlem içi, 1,5 mm düzlem boyunca) ve daha sonra alt alan segmentasyonu için ortalaması alınır.

Fonksiyonel ve anatomik görüntüler, FMRIB Yazılım Kitaplığı sürüm 5.0.9 (FSL: http://fsl.fmrib.ox.ac.uk/fsl/) ve Gelişmiş Normalleştirme Araçları (ANTS) sürüm 2.1 ( Avants ve diğerleri, 2011). Fonksiyonel taramalar, FSL'de MCFLIRT kullanılarak hareket düzeltildi ve ardından ANTS'de afin dönüşümler kullanılarak son örtüşen çift çalışmasına kaydedildi. Beyin dışı yapılar, FSL'de BET kullanılarak fonksiyonel taramalardan ve MPRAGE'den çıkarıldı. Ek veri işleme, FSL'nin bir parçası olan FEAT (FMRI Uzman Analiz Aracı) sürüm 6.00 kullanılarak gerçekleştirildi. Tüm fonksiyonel görüntülere aşağıdaki istatistik işleme uygulandı; MPRAGE ile ortak kayıt ve FUGUE kullanarak alan haritasına dayalı EPI düzeltme (Jenkinson, 2003); 4B veri setinin tamamının tek bir çarpımsal faktörle genel ortalama yoğunluk normalizasyonu; yüksek geçişli zamansal filtreleme (s=64 s ile Gauss ağırlıklı en küçük kareler düz çizgi uydurma). Örtüşen çift öğrenme ve yerelleştirici taramalarına FWHM 4 mm'lik bir Gauss çekirdeği kullanılarak uzamsal yumuşatma uygulandı.

ROI'ler Anatomik ROI'ler, reaktivasyon analizi için tüm beyin gri maddesini ve nöral kodlama analizi için hipokampal alt alanları içeriyordu. MPRAGE ile FSL'nin bir parçası olan FAST (Zhang ve diğerleri, 2001) kullanılarak doğal uzayda her katılımcı için bir tam beyin gri madde maskesi oluşturuldu. Gri madde maskeleri daha sonra ANTS'de doğrusal dönüşümler kullanılarak fonksiyonel çözünürlüğe taşındı. Hipokampus içinde, CA1 alt alanlarındaki aktivasyon paternleri, birleşik bir DG/CA2,3 bölgesi ve subikulum analiz edildi. Hipokampal alt alanlar, doğal uzayda hipokampusun başında ve gövdesinde, maskeleri, segmentlere ayrılmış alt alanlara sahip açık kaynaklı bir şablondan (Schlichting ve diğerleri, 2019) doğrusal olmayan SyN kullanarak her katılımcının ortalama T2 koronal görüntüsüne ters normalize ederek tanımlandı. ANTS'deki dönüşümler. Bu prosedürün manuel izleme ile karşılaştırılabilir sonuçlar sağladığı gösterilmiştir (Schlichting ve diğerleri, 2019). Daha sonra maskeler, hipokampus dışındaki vokselleri çıkarmak ve yerleşik protokollere dayalı olarak doğru segmentasyon sağlamak için her katılımcı için manuel olarak incelendi ve düzenlendi (West ve Gundersen, 1990; Duvernoy, 1998; Mai ve diğerleri, 2007). Son olarak, alt alan maskeleri, önce doğrusal dönüşümler kullanılarak ortalama koronal görüntünün MPRAGE'ye kaydedilmesi ve ardından önceden hesaplanmış dönüşümün işlevsel alana uygulanmasıyla fonksiyonel taramaların alanına dönüştürüldü.

CISTANCHE ÖZÜ ETKİLERİ: BELLEK İYİLEŞTİRME

Niceleme ve istatistiksel analiz

Örtüşen olay öğrenimi sırasında belleğin yeniden etkinleştirilmesinin kodunu çözme. Örtüşen çift öğrenmesi sırasında ilk çiftlerle ilgili kodlama modellerinin yeniden etkinleştirilmesini ölçmek için PyMVPA'da bir model sınıflandırma analizi kullandık (Hanke ve diğerleri, 2009). Katılımcılar, örtüşen çiftleri (BC şekil-nesne çiftleri) öğrenirken ilgili bilgileri (yani, AB çiftlerinden A yüzü ve sahne öğeleri) yeniden etkinleştirmişse, o zaman yerelleştirici verileri üzerinde eğitilmiş bir model sınıflandırıcı, bilgi kategorisine (yüz veya sahne) yeniden etkinleştiriliyor (Polyn ve diğerleri, 2005; Kuhl ve diğerleri, 2011; Zeithamova ve diğerleri, 2012). Böylece, örüntü sınıflandırıcıyı yerelleştirici aşamasından gelen verilerle eğittik ve ardından sınıflandırıcıyı örtüşen çift öğrenme aşamasına uyguladık. Örtüşen BC çiftleriyle ilgili ilk AB çiftlerinden A öğelerinin kategorisi (yani yüz veya sahne) için sınıflandırıcı kanıtı olarak belleğin yeniden etkinleştirilmesini operasyonel hale getirdik.

Çok adımlı bir prosedür kullanarak belleğin yeniden etkinleştirilmesini ölçtük. İlk olarak, örtüşen çift öğrenme sırasında A öğeleri hakkındaki bilgilerin eski haline getirildiği bölgeleri belirlemek için tüm beyin projektörünü çalıştırdık (Kriegeskorte ve diğerleri, 2006). Her ışıldak küresinde (yarıçap=3 voksel, hacim=123 voksel), bir doğrusal destek vektör makinesi, yüzler, sahneler, nesneler ve şekillerle ilişkili yerelleştirici fazdan nöral kalıpları ayırt etmek için eğitildi. Hemodinamik gecikmeyi hesaba katmak için, her bir fonksiyonel görüntü, deneme etiketleri alınarak ve 4 s (iki TR) ile zaman kaydırılarak etiketlendi. Eğitilmiş sınıflandırıcı daha sonra, aynı zamanda 4 s zaman kaydırmalı olan örtüşen çift öğrenme aşamasından sinir modellerine uygulandı. Deneme düzeyinde yeniden etkinleştirme tahminleri, her bir çiftin sunumuna karşılık gelen iki TR için her üçlünün A öğesiyle ilişkili kategori için sınıflandırıcı kanıtı (örneğin, yüz-şekil-nesne üçlüleri için yüzler için sınıflandırıcı kanıtı) alınarak çıkarıldı. Sınıflandırıcı kanıt değerleri iki gruba ayrıldı: bir yeniden etkinleştirme seti ve bir temel set. Yeniden etkinleştirme seti, tam eşleşme, yüksek benzerlik ve düşük benzerlik denemelerinden elde edilen sınıflandırıcı kanıt değerlerini içeriyordu. Temel set, yeni durumdaki denemelerden alınan yüz ve olay yeri kanıt değerlerini içeriyordu. Yeni durumdaki şekil-nesne çiftleri, daha önce öğrenilen çiftlerin hiçbiriyle örtüşmediğinden, yüz veya sahne anılarının yeniden etkinleştirilmesini sağlamamalıdır. Nihai yeniden etkinleştirme indeksi, yeniden etkinleştirme seti için ortalama kanıt ile temel setin ortalaması arasındaki fark alınarak her alanda hesaplandı.

Bu yeniden etkinleştirme indeksinin önemini test etmek için, gerçek yeniden etkinleştirme indeksini her ışıldak küresindeki bir boş dağılımla karşılaştırdık. Sıfır dağılımı, yeniden etkinleştirme ve temel kümeler arasında sınıflandırıcı kanıt değerleri karıştırılarak ve ardından her yinelemede yeniden etkinleştirme indeksi yeniden hesaplanarak 1000 yinelemede oluşturuldu. Her ışıldak küresinin merkez vokseli, gözlenen yeniden etkinleştirme indeksinden (yani, p-değeri) daha büyük veya ona eşit yeniden etkinleştirme endeksleri ile boş dağılımın oranını bildirdi. Katılımcılar arasında yeniden etkinleştirme bölgelerini belirlemek için, bireysel katılımcı ışıldak haritaları, önem testi için bir grup şablonuna normalleştirildi. p-değeri görüntüleri z-istatistik görüntülerine dönüştürüldü ve daha sonra ANTS'de doğrusal olmayan SyN dönüşümleri kullanılarak MNI 152 anatomik şablonuna (fonksiyonel taramaların çözünürlüğüne yeniden örneklendi, 1.7 mm izotropik vokseller) çarpıtıldı. Voxelwise, parametrik olmayan permütasyon testi, Randomise in FSL kullanılarak 5000 iterasyondan fazla yapıldı (Winkler ve diğerleri, 2014). Önemli kümeler, p, 0.01 (düzeltilmemiş) bir voksel eşiği ve p, 0.05'lik bir küme eşiği uygulanarak tanımlandı. Eşikler, AFNI (Cox, 1996) işlevi 3dClustSim kullanılarak ve uzamsal Otomatik Korelasyon İşlevine dayalı 3dFWHMx kullanılarak çalışma aşamasından türetilen düzgünlük tahminleri kullanılarak hesaplandı. Küme kapsamı, ikinci en yakın komşu kümeleme ile iki taraflı eşikleme kullanılarak belirlendi.

Yeniden etkinleştirme önleminin tek bir uyaran kategorisi tarafından yönlendirilmediğini doğrulamak için, yeniden etkinleştirmenin bir post hoc analizde A öğesinin uyaran kategorisine (yüz veya sahne) göre değişip değişmediğini test etmek için projektör kümelerini daha da sorguladık. Yeniden etkinleştirme ışıldak analizinde tanımlanan önemli kümeler, ikili maskelere dönüştürüldü ve ANTS kullanılarak yerel uzaya ters normalleştirildi. Ardından, her katılımcı için her işlevsel ROI'de yeniden etkinleştirme analizi tekrarlandı. Her bir bölgedeki yeniden aktivasyonun uyaran kategorisinin bir fonksiyonu olarak farklılık gösterip göstermediğini değerlendirmek için faktör olarak bölge ve uyaran kategorisi ile tekrarlanan ölçümler ANOVA'yı kullandık.

İlk projektör analizimiz, yeniden etkinleştirmenin taban çizgisinin üzerinde gerçekleştiği bölgeleri lokalize ederken, yeniden etkinleştirme gücünün görsel benzerlikle değiştiği bölgeleri belirlemek için bağımsız bir projektör de çalıştırdık. Bu ışıldak, genel yeniden etkinleştirmeyi ölçen analize benzer bir yaklaşım kullandı, ancak tam eşleşme koşulu ve diğer benzerlik koşulları (yani, yüksek benzerlik koşulu ve düşük benzerlik koşulunun birleşimi) arasındaki yeniden etkinleştirme için sınıflandırıcı kanıtlarını karşılaştıran ek bir seviyeyle. Benzerliğin etkisi, tam eşleşme koşulu için ortalama kanıt ile yüksek ve düşük benzerlik koşulları için ortalama kanıt arasındaki farkın birleştirilmesiyle her bir alanda hesaplanmıştır. Bu fark daha sonra, sınıflandırıcı kanıt değerlerinin tam eşleşme ve benzerlik morf koşulları boyunca karıştırılmasıyla 1000'den fazla yinelemeyle oluşturulan her ışıldak küresindeki boş bir dağılımla karşılaştırıldı. Grup şablonuna normalleştirme, istatistiksel test ve küme düzeltmesi, temel hattın üzerinde yeniden etkinleştirmeyi tanımlayan ışıldak ile aynıydı.

Öğrenmeden önce ve sonra bireysel uyaran kalıplarının tahmini. A (yüzler, sahneler) ve C (yeni 3D nesneler) uyaranlarının her biri tarafından ortaya çıkarılan nöral aktivasyon paternlerinin tahminlerini, en küçük kareler-ayrı yaklaşımı olan bir GLM kullanarak, maruz kalma öncesi ve sonrası aşamalardan elde ettik (Mumford ve diğerleri, 2012). ) her katılımcının yerel alanında. Taranan maruz kalma aşamalarından 16 nesnenin her biri (yani, yüksek benzerlik koşulundan sekiz A öğesi ve sekiz C öğesi), maruz kalma öncesi ve maruz kalma sonrası aşamaların her çalışmasında ayrı ayrı yinelemeli olarak modellenmiştir (Schlichting ve diğerleri, 2015).

Nesne sunumları 1 saniyelik bir olay olarak modellendi ve her nesne için regresör, bir tarama çalışmasında dört tekrarın hepsini içeriyordu. 16 nesne regresörünün her biri, kanonik çift C HRF ile kıvrıldı. Daha sonra geçici filtreleme uygulandı. GLM'ler ek kafa karıştırıcı regresörleri içeriyordu: hareket parametreleri, bunların zamansal türevleri, çerçevesel yer değiştirme ve DVARS (Power ve diğerleri, 2012; Schlichting ve Preston, 2014; Schlichting ve diğerleri, 2015). Kafa hareketinin çerçevesel yer değiştirme için 0,5 mm'yi ve DVARS için BOLD sinyalinde yüzde 0,5 değişikliği aştığı zaman noktaları için ek hareket regresörleri eklendi (Power ve diğerleri, 2012). Her bir A ve C öğesi için, her bir ön-maruziyet ve maruziyet sonrası çalıştırma için, katılımcı başına toplam 128 istatistik görüntüsü olmak üzere, beta görüntüleri oluşturulmuştur.

Hipokampal alt alan nöral benzerliğinde öğrenme ile ilgili değişiklikleri ölçmek. Hipokampustaki örüntü farklılaşması ve hafıza entegrasyonu, PyMVPA'da uygulanan bir temsili benzerlik analizi (Kriegeskorte ve diğerleri, 2008) kullanılarak endekslendi (Hanke ve diğerleri, 2009). Projektörler, her katılımcının doğal alanında anatomik olarak tanımlanmış DG/CA2,3, CA1 ve subiculum içinde ayrı ayrı çalıştırıldı. Her projektör küresi içinde (yarıçap=2 voksel, hacim=33 voksel) (Schapiro ve diğerleri, 2012), A'ya karşılık gelen 128 istatistik görüntüsü için ikili Pearson korelasyon değerleri hesaplanarak benzerlik matrisleri üretildi. ve Fisher's z'ye dönüştürülen ön-maruziyet ve pozlama sonrası çalışmalarda C öğeleri. Daha sonra, öğrenme nedeniyle örüntü benzerliğinde meydana gelen değişiklik, karşılık gelen hücrelerdeki maruziyet sonrası benzerlik değerlerinden maruziyet öncesi benzerlik değerleri çıkarılarak ölçülmüştür.

Model benzerliğindeki değişiklik (bundan sonra D olarak anılacaktır) hesaplandıktan sonra, değerin triad içi karşılaştırma için mi yoksa triadlar arası karşılaştırma için mi olduğuna bağlı olarak D değerleri sıralandı. Bu iki değer seti, olay çakışması olmadan tekrarlanan maruziyeti basitçe yansıtan bir temele göre öğrenme (üçlü içi karşılaştırma seti) nedeniyle olay örtüşmesinden temsili değişimin nasıl etkilendiğini belirlememize izin verdi (üçlüler arası karşılaştırma seti). Daha da önemlisi, BOLD sinyalinde otokorelasyondan ortaya çıkabilecek yanlılığı azaltmak için yalnızca çapraz çalışma korelasyonlarını yansıtan D değerleri kullanıldı (Mumford ve diğerleri, 2012).

Öğrenme sırasında yeniden etkinleştirmenin temsili değişim üzerindeki etkisini değerlendirmek için, üçlü D değerleri, örtüşen çiftlerin öğrenilmesi sırasında belleğin yeniden etkinleştirilmesinin gücüne dayalı olarak alt bölümlere ayrıldı. Her katılımcı için, yeniden etkinleştirme ışıldak analizinde (bkz. Şekil 3A) tanımlanan bölgeler ağı boyunca ortalama yeniden etkinleştirme indeksi alınarak, çalışma bloklarının ortalaması alınarak her üçlü için yeniden etkinleştirme gücü hesaplandı. Üçlüler daha sonra ortalama yeniden etkinleştirme değerleri üzerinde bir medyan bölünme kullanılarak daha güçlü yeniden etkinleştirme üçlülerine ve daha zayıf yeniden etkinleştirme üçlülerine bölündü. Böylece, üçlü D karşılaştırmaları ayrıca her ışıldak küresinde üçlü D grubu içinde daha güçlü bir yeniden etkinleştirme ve üçlü D grubu içinde daha zayıf bir yeniden etkinleştirme olarak sınıflandırıldı. Son olarak, üç özet değer oluşturmak için tüm D kümelerinin ortalaması alındı: daha güçlü yeniden etkinleştirme üçlüleri için ortalama üçlü içi benzerlik değişikliği (Dİçinde daha güçlü), daha zayıf yeniden etkinleştirme üçlüleri için ortalama üçlü içi benzerlik değişikliği (DWithin daha zayıf) ve üçlemeler arası ortalama benzerlik değişikliği (karşısında). Nöral kodlamanın yeniden etkinleştirme gücünün bir fonksiyonu olarak değişip değişmediğini belirlemek için bu özet değerleri karşılaştırdık.

Nöral kodlama, dört projektör kontrastı kullanılarak değerlendirildi (Schlichting ve diğerleri, 2015) (bkz. Şekil 4B). İki analiz, yeniden etkinleştirme gücünden bağımsız olarak tüm üçlülerde bellek entegrasyonu veya farklılaşması olan hipokampal vokselleri tanımladı. IntegrationOverall, (DWithin daha güçlü – DAcross) 1 (DWithin daha zayıf – DAcross) olarak hesaplandı ve tüm yeniden etkinleştirme derecelerinde öğrendikten sonra triad içi benzerliğe kıyasla triad içi benzerliği daha fazla yansıtıyor. DifferentiationOverall, (DAcross – DWithin daha güçlü) 1 (DAcross – DWithin daha zayıf) olarak hesaplandı; bu, tüm yeniden etkinleştirme derecelerinde triad içi benzerliğe kıyasla triad içi benzerliğin daha az olduğunu yansıtıyor. İki ek analiz, nöral kodlamanın yeniden etkinleştirme kuvvetinin bir fonksiyonu olarak değiştiği vokselleri tanımladı (IntegrationReactivation ve DifferentiationReactivation). Entegrasyon Yeniden Etkinleştirme ışıldak, daha güçlü yeniden etkinleştirme üçlüleri için entegrasyonun büyük ölçüde gerçekleştiği vokselleri tanımladı. IntegrationReactivation (DWithin güçlü - DWithin zayıf) olarak hesaplandı. Buna karşılık, Farklılaştırma Yeniden Etkinleştirme ışıldak, daha güçlü yeniden etkinleştirme üçlüleri için daha büyük ölçüde farklılaşmanın meydana geldiği vokselleri tanımladı. Farklılaşma Yeniden etkinleştirme (DWithin zayıf - DWithin güçlü) olarak hesaplandı.

Bu hesaplamaların her birinin önemi, hesaplanan benzerlik değişim değerlerinin her ışıldak küresindeki bir boş dağılımla karşılaştırılmasıyla belirlendi. Boş dağıtım, hücreleri DWithin daha güçlü, DWithin daha zayıf ve DAcross kümeleri arasında karıştırarak ve ardından her yineleme için ilgilenilen istatistiği yeniden hesaplayarak 1000'den fazla yinelemede oluşturuldu. Her ışıldak küresinin merkez vokseli, gözlemlenen benzerlik değişikliğinden daha büyük veya buna eşit değerlerle (yani, p-değeri) boş dağılımın oranını bildirdi. Önemli kümeler, yeniden etkinleştirme ışıldaklarıyla aynı yöntem kullanılarak tanımlandı, ancak z-istatistik görüntülerinin grup düzeyinde analiz için yeniden örneklenmiş MNI şablonu yerine işlevsel çözünürlüklü bir hipokampal şablona çarpıtılması dışında. Normalleştirilmiş ışıldak haritaları daha sonra kümelerin her hipokampal alt alana özel olmasını sağlamak için küme düzeltmesinden önce her anatomik hipokampal alt alan şablonu tarafından maskelendi.

Post hoc analizler, bu ışıldak analizinden tanımlanan her bir alt alanda gözlemlenen temsili değişimin yönünü daha da sorguladı. Bu post hoc analizlere yönelik önemli bir uyarı, projektör kontrastlarına dayalı olarak belirli etkiler sergilemek üzere önceden seçilmiş voksel setlerini karşılaştırdıkları için tamamen tarafsız olmadıklarıdır. Bu nedenle, takip analizlerimiz, daha güçlü ve daha zayıf yeniden etkinleştirme öğeleri için DWithin değerlerini doğrudan karşılaştırmadı. Post hoc analizlerimiz bunun yerine, öğrenme ile ilgili entegrasyon ve farklılaşma derecesini ölçmek için DWithin değerlerini DAcross değerleriyle karşılaştırmanın yanı sıra, maruz kalma öncesi ve maruz kalma sonrası aşamalarda nöral benzerlikte küresel kaymalar olup olmadığını test etmek için DAcross değerlerinin büyüklüğüne odaklandı.

Bu post hoc analizler için, yerel uzayda her katılımcı için DG/CA2,3, CA1 ve subiculum'daki benzerlik değişimi hesaplandı. Grup ışıldak analizleri tarafından tanımlanan ışıldak kümeleri, maskelere dönüştürüldü ve ANTS'de doğrusal olmayan dönüşümler kullanılarak her bir katılımcının yerel alanına ters normalleştirildi. Her katılımcı için yerel uzay kümeleri daha sonra çekirdek olarak 3*3*3 mm'lik bir kutu kullanılarak FSL ile genişletildi. Katılımcı yerel alanına dönüştürüldüğünde kümelerin kendi alt alanlarıyla sınırlı kalmasını sağlamak için her küme, her bir bireysel katılımcı için tanımlanan anatomik alt alan maskeleri kullanılarak maskelendi. Bir katılımcı, temsili benzerlik analizi için yeterli sayıda voksel olmadan yerel uzayda bir CA1 kümesine sahipti (,10 voksel) ve bu alt alanın sonraki analizinden hariç tutuldu. Kalan katılımcılar için, öğrenme sırasında daha güçlü yeniden etkinleştirme ile ilişkili üçlüler, öğrenme sırasında daha zayıf yeniden etkinleştirme ile ilişkili olanlar ve üçlü taban çizgisi için her küme içindeki ortalama benzerlik değişimini ayrı ayrı hesapladık.

Sinirsel ölçümler ve davranış arasındaki ilişkiyi ölçmek. Davranış ile sinirsel yeniden etkinleştirme ve temsili değişim ölçümlerimiz arasındaki ilişki, çıkarım testindeki performansa uyması için bir Doğrusal Balistik Akümülatör (LBA) modeli kullanılarak değerlendirildi (Morton ve diğerleri, 2020). Her katılımcı ve alt alan (CA1, DG/CA2,3 ve alt alan) için, her üçlü için öğrenmeden öğrenme sonrasına (D) A ve C öğeleri arasındaki benzerlik değişiminin z puanını hesapladık. Ayrıca her katılımcı için triadlar arasında A öğesinin yeniden etkinleştirilmesinin z puanını da hesapladık. Daha sonra, triadlar arasındaki değişkenliğin öngörücüleri olarak benzerlik değişikliğini ve yeniden etkinleştirmeyi kullanarak AC çıkarım testi sırasında davranışsal tepkileri ve tepki sürelerini uydurmak için LBA modelini kullandık. Sinirsel ölçümler ve AC çıkarım performansı arasındaki ilişkiyi yansıtan ortalama eğim parametrelerini tahmin etmek için çok seviyeli bir Bayes yaklaşımı kullandık. D ölçümleri için pozitif eğimler, öğrenmeden sonra A ve C öğeleri arasındaki daha büyük benzerlik değerlerinin daha hızlı ve daha doğru çıkarımla ilişkilendirildiğini gösterir. Yeniden etkinleştirme ölçüsü için pozitif eğimler, daha büyük yeniden etkinleştirmenin daha hızlı ve daha doğru çıkarımla ilişkili olduğunu gösterir.

Model tanımı LBA modeli (Brown ve Heathcote, 2008), her denemede, her akümülatörün başlangıç ​​noktası k'nin [0, A] aralığındaki düzgün bir dağılımdan rastgele çizildiğini varsayar. Daha sonra her akümülatör, b yanıt eşiğine ulaşana kadar eğimi d olan bir çizgiyi takip eder. Her denemede, i akümülatörünün eğimi, ortalama vi ve SD s (burada, 1'de sabittir) ile normal bir dağılımdan çizilir. Bir akümülatörün eşiğe ulaşma süresi (bk)/d'dir. Ortalama sapma oranları v1 (doğru yanıt için) ve v2 (diğer iki yanıt için) olan üç akümülatör kullanarak üç alternatifli zorunlu seçim çıkarım testlerini modelledik. LBA modelinin ilk açıklamasında (Brown ve Heathcote, 2008) türetildiği gibi, t ​​anında akümülatör I için olasılık yoğunluk fonksiyonu (PDF) aşağıdaki gibidir:

Burada f ve U, standart normal dağılımın sırasıyla olasılık yoğunluk fonksiyonu ve kümülatif dağılım fonksiyonlarıdır. I akümülatörü için t anında kümülatif dağılım fonksiyonu (CDF) aşağıdaki gibidir:

I akümülatörünün t anında eşiğe ilk ulaşan PDF'si, diğer akümülatörlerin henüz bitmemiş olmasına bağlı olarak, I akümülatörünün t zamanında bitirme olasılığıdır:

Sürüklenme oranı d normal bir dağılımdan çizildiğinden, hiçbir akümülatörün bitmemesi olasılığı vardır. Önceki çalışmayı takiben (Brown ve Heathcote, 2008; Annis ve diğerleri, 2017), en az bir akümülatörün pozitif sürüklenme oranına sahip olma olasılığını şu şekilde koşullandırdık:

Kararsızlık süresi (örneğin, test uyaranlarını algılama süresi) sabit bir t zaman aralığı olarak modellenmiştir. t anında doğru tepki verme olasılığı aşağıdaki gibidir:

Model, Python 3.7'de PsiReact 0.2 kullanılarak uygulandı (Morton ve diğerleri, 2020). pyMC 3.9.2'de uygulanan U-Dönüşlü Örnekleyiciyi (NUTS) kullanarak parametreleri tahmin etmek için Bayes örneklemesini kullandık. Parametre tahminlerinin kararlılığını iyileştirmek için s=1 ve b=8'yi düzelttik. Her katılımcı i için doğru yanıtlar için bir kesişme kayma oranı parametresi b 0, I tahmin edildi. Ayrıca her katılımcı için yanlış yanıtların v2, I sapma oranını da tahmin ettik. Her bir j denemesindeki kayma oranını tahmin etmek için her bir alt alan için (örneğin, zCA1, ij) ve yeniden etkinleştirme tahminlerini (zReact, it) için katılımcı içi z benzerlik değişikliği skorunu kullandık. Sürüklenme oranındaki deneme düzeyindeki değişkenlik, benzerlik değişikliği ve yeniden etkinleştirme z puanlarının doğrusal bir birleşimi olarak modellenmiştir. Katılımcı I, deneme j için doğru madde sürüklenme oranı v1,ij aşağıdaki gibidir:

Eğim parametreleri (örneğin, b CA1, i) her katılımcı i için tahmin edildi. Bireysel katılımcı parametreleri için tahminlerin sağlamlığını artırmak için, bunları grup düzeyinde normal dağılımdan çizilmiş olarak tanımladık. Parametreler için önceki dağılımlar aşağıdaki gibidir:

Dört zincirin her biri için, 0.99 hedef kabul oranı ve ardından 5000 örnekle 1000 yinelemeden oluşan bir ayarlama aşaması vardı. Yakınsama, toplu etkili örnek boyutu ve sıra normalleştirilmiş bölünmüş potansiyel ölçek azaltma istatistiği R^ kullanılarak değerlendirildi (Vehtari ve diğerleri, 2017). Her deneme için ortalama posterior parametreleri hesaplayarak ve yanıtları ve yanıt sürelerini simüle ederek modelin uygunluğunu değerlendirdik. Model performansının sağlam bir tahminini elde etmek için her denemenin 50 tekrarını simüle ettik. Son olarak, sıfırdan farklı olup olmadıklarını belirlemek için grup düzeyinde ortalama parametrelerin (örneğin, CA1 için mCA1) her biri için yüzde 95 yüksek yoğunluklu aralığı (HDI) hesapladık, bu da benzerlik değişikliği veya yeniden etkinleştirme ile AC çıkarımı arasındaki bir ilişkiyi gösterir. verim.

Sonuçlar

Davranışsal performans Başlangıç ​​çifti (AB) öğrenme aşamasının sonunda, katılımcılar yüz şekli ve sahne şekli çiftleriyle ilgili güçlü anılar oluşturmuştu. Tüm katılımcılar son testte şansın üzerindeydi (ortalama oran doğru=0.91, SD=0.01) ve bu nedenle sonraki analizlere dahil edildi. Örtüşen (BC) şekil nesne çiftleri için bellek, öğrenme boyunca bağlantı öğesinin görsel benzerliğinden etkilenmiştir (Şekil 2A,B). Üst üste binen çift blok (1, 2, 3, 4) ve görsel benzerlik (tam eşleşme, yüksek benzerlik, düşük benzerlik, yeni) denek içi faktörleriyle tekrarlanan bir ANOVA, görsel benzerliğin bellek doğruluğunu modüle ettiğini (ana etkisi blok, F(3.75)=79.93, p , 0.001, h2=0.762; blok görsel benzerlik etkileşimi, F(9,225)=2.88, p=0.{{50}}03, h2=0.103 ) ve yanıt süresi (benzerliğin doğru denemeler üzerindeki ana etkisi, F(3.72) {{3{{103}}}}.14, p=0.003, h{ {34}}.176). Örtüşen çiftlerin ilk öğrenme bloğu için, bağlantı öğesi (B) diğer tüm koşullara göre başlangıçta öğrenilen çiftlerle (AB) tam olarak eşleştiğinde performans daha üstündü (Şekil 2A). İlk test bloğunda görsel benzerlik etkisi vardı (ilk çalıştırmada görsel benzerliğin etkisi, F(3.75)=6.901, p , 0.001, h2=0.216) ancak sonraki çalışmalarda değil (F değerleri 0.479, tümü p 0.698, tümü h2 0.019). İlk çalıştırmada, post hoc eşleştirilmiş t testleri, diğer tüm çiftlere göre tam eşleşmeye sahip çiftler için doğruluğun en yüksek olduğunu ortaya çıkardı (yüksek benzerlikle karşılaştırıldığında: t(25)=3.33, p=0 .003, d=0.654; düşük benzerlik: t(25)=4.52, p , 0,001, d=0.894; yeni: t(25) {{67} }.74, p=0.011, d=0.539). Performans, yüksek benzerlik çiftleri için düşük benzerlik çiftlerinden daha yüksekti (t(25)=2.306, p=0.03, d=0.459). Yüksek benzerlik ve yeni çiftler (t(25)=0.87, p=0.394, d=0.172) veya düşük benzerlik ve yeni çiftler arasında performans açısından hiçbir fark yoktu. çiftler (t(25)=0.76, p=0.452, d=0.151). Blok boyunca daraltıldığında, tam eşleşmeleri olan çiftler, doğru p denemelerinde en hızlı tepki süresine sahipti (Şekil 2B) (diğer tüm koşullarla karşılaştırıldığında, t değerleri 2.206, tümü , 0.05, tümü d 0.445). Yanıt süresi yüksek benzerlik, düşük benzerlik veya yeni çiftler arasında farklılık göstermedi (tümü t değerleri 1.748, tümü p .0.05, tümü d 0.348)

Şekil 2. Davranışsal performans. Her bir benzerlik koşulu için öğrenme bloğu ile Örtüşen çift (BC) testi doğruluğu ve (B) yanıt süresi (yalnızca doğru denemeler). C, Her bir benzerlik koşulu için Bölümler Arası (AC) çıkarım doğruluğu ve (D) yanıt süresi (yalnızca doğru denemeler). pp, 0.05 (eşleştirilmiş t-testleri). Hata çubukları 6 SEM'i gösterir. Noktalı çizgiler, 3-alternatif zorunlu seçim testlerinde şans performansını gösterir.

Bağlantı öğesinin görsel benzerliği, bölümler arası çıkarım doğruluğunu da etkiledi (F(3.75)=26.61, p , 0.001, h{ {6}}.516). Bağlantı öğesi (B) tam bir eşleşme olduğunda veya örtüşen çiftler arasında oldukça benzer olduğunda, katılımcıların dolaylı olarak ilişkili bellek öğeleri (AC) arasında bir ilişki çıkarsamaları daha olasıydı (Şekil 2C). Çıkarım performansı, tam eşleşme ve yüksek benzerlik üçlüleri arasında farklılık göstermedi (t(25) {{10}}.20, p=0.24, d {{14} }.230), ancak tam eşleşme üçlüleri için performans hem düşük benzerlik üçlülerinden (t(25)=6.82, p , 0,001, d=1.327) hem de yeni üçlülerden (t( 25)=6.61, p , 0,001, d=1.286). Benzer şekilde, yüksek benzerlik üçlüleri için performans düşük benzerlik üçlülerini (t(25)=5.05, p , 0.001, d= 0.987) ve yeni üçlüleri (t(25)=5 aştı) .38, p , 0,001, d=1.055). Performansla takip edin (Çıkarım performansı, düşük benzerlik ve yeni üçlüler arasında farklılık göstermedi (t(25)=1.17, p=0.254, d= 0.224)). düşük benzerliğe sahip üçlü reklamlar için performans, şansa göre güvenilir şekilde daha iyiydi (t(25)=2.22, p=0.04, d=0.435), oysa yeni üçlü reklamlar için performans değil (t(25)=0.47, p=0.64, d=0.093).

Yeni koşula göre tam eşleşme ve yüksek benzerlik koşulları için çıkarım kararları da daha hızlıydı (F(3.72)=11.79, p , 0.001, h{ {6}}.329), tam eşleşme koşulu için çıkarımlar genel olarak en hızlıdır (Şekil 2D). Yüksek benzerlik koşullarına göre tam eşleşme üçlüleri için yanıt süresi daha hızlıydı (t(25) {{10}}.41, p=0.002, d=0.669) ve yeni üçlüler (t(24)=5.00, p , 0,001, d=0.999), ancak düşük benzerlik üçlülerinden (t(25)= 1.64, p) farklı değil=0.114, gün=0.321). Tepki süresi, yeni triadlara kıyasla yüksek benzerlik triadları için daha hızlıydı (t(24)=2.93, p=0.007, d=0.585), ancak düşük triadlardan farklı değildi benzerlik üçlüleri (t(25)=1.11, p=0.28, d=0.217). Düşük benzerlik triadları yeni triadlardan daha hızlıydı (t(24)=3.86, p=0.001, d=0.773). Birlikte, bu bulgular, hipokampal alt alanlar tarafından desteklendiği düşünülen iki süreç olan çağrışımsal bellek ve bir çapraz bölüm çıkarımının (Schapiro ve diğerleri, 2017), kolaylaştırılmış performans ile paylaşılan olay öğelerinin algısal benzerliğinden etkilendiğini göstermektedir. daha yüksek seviyelerde çapraz bölüm benzerliği ile.

Öğrenme sırasında örtüşen anıların yeniden etkinleştirilmesi

Örtüşen çift öğrenmesi sırasında kortikal belleğin yeniden etkinleştirilmesinin hipokampal alt alan temsillerini nasıl etkilediğini test etmek için, öğrenme sırasında ilk çiftler hakkındaki bilgilerin kortekste nerede yeniden etkinleştirildiğini belirlemek için önce bir ışıldak analizi kullandık. Her projektör küresi içinde, bir yerelleştirici aşamasından gelen veriler üzerinde bir model sınıflandırıcı eğitildi ve daha sonra örtüşen çift çalışma aşamasına uygulandı (Zeithamova ve diğerleri, 2012), Projektör, hedef kategorisi için sınıflandırıcı kanıtlarının bulunduğu bölgeleri belirledi. ilgili öğe (ilk çiftlerdeki yüz veya sahne A öğeleri), yeni (veya örtüşmeyen) denemelerden elde edilen aynı kategori için temel sınıflandırıcı kanıt endeksini aştı. Posterior singulat korteks, oksipital korteks ve parietal kortekste örtüşen çiftleri öğrenirken ilgili anıların yeniden etkinleştirildiğine dair kanıt bulduk (Şekil 3A).

Daha da önemlisi, projektör analizinde tanımlanan bölgeler arasında A öğesi kategorisinin (yüz, sahne) bir fonksiyonu olarak yeniden etkinleştirme gücünde hiçbir farklılık yoktu (Şekil 3B). Bölge (sol parietal, sağ parietal, singulat, üst oksipital, alt oksipital) ve uyaran kategorisinin (yüz, sahne) denek içi faktörleriyle tekrarlanan bir ANOVA, yeniden etkinleştirmenin bölgeler arasında değişiklik gösterdiğini gösterdi (bölgenin ana etkisi, F( 4,100)=2.84, p=0.028, h2=0.102) ancak uyaran kategorisine göre farklılık göstermedi (kategorinin ana etkisi, F(1,25) {{13) }}.002, p=0.967, h2=0; kategori bölge etkileşimi, F(4,100)=0.375, p=0.826, h{{ 24}}.015). Bu nedenle, sonuçlarımız tek bir uyaran kategorisi tarafından yönlendirilmedi ve kategoriye özgü işlem bölgelerinin katılımından ziyade hafızanın yeniden etkinleştirilmesini yansıttı.

Ayrıca, paylaşılan B öğesinin öğrenme boyunca görsel benzerliğinin, A öğeleri için hafıza yeniden etkinleştirme gücünü etkileyip etkilemediğini test ettik. Öğrenme sırasında belleğin yeniden etkinleştirilmesinin, görsel olarak daha benzer bir öğeyle bağlanan çiftler için daha güçlü olacağını tahmin ettik. Önceki analize benzer bir yaklaşım kullanan ayrı bir ışıldak analizi, ilgili A öğesi için sınıflandırıcı kanıtının tam eşleşme koşulu için yüksek ve düşük benzerlik koşullarına göre daha büyük olduğu bölgeleri belirledi. Hipotezimizle tutarlı olarak, olay bileşenlerinin benzerliğinin, sol parietal korteks ve oksipital kortekste hafıza reaktivasyonunun gücünü modüle ettiğini bulduk (Şekil 3C).

Hafıza yeniden aktivasyonu, hipokampal alt alanlardaki nöral kodlamayı etkiler

Yeni kodlama sırasında ilgili anıların yeniden etkinleştirilmesinin, DG/CA2,3 ve CA1'de örtüşen anıların ayrılabilir temsiline yol açacağına dair hipotezimizi test etmek için, öğrenme sırasında bellek yeniden etkinleştirme gücünün bir fonksiyonu olarak hipokampal alt alan kodlamasını nicelleştirdik. Çiftleri öğrenmeden önce ve sonra, katılımcılar, yüksek benzerlik koşulunda örtüşen çiftlerden A ve C öğelerinin tek tek görüntülerini görüntülerken tarandı (Şekil 1A). Aynı üçlüden dolaylı olarak ilişkili A ve C öğeleri için örüntü benzerliğinde öğrenmeyle ilgili değişiklikleri ölçerek farklılaşma ve entegrasyonu endeksledik (Schlichting ve diğerleri, 2015). Aynı üçlüdeki benzerlik değişiklikleri, farklı üçlülerdeki öğeler arasındaki benzerlik değişikliklerinin temel çizgisiyle karşılaştırıldı. Öğrenmeden sonra A ve C öğeleri arasındaki örüntü benzerliğinde bir azalmayı test ederek farklılaşmayı ölçtük (Şekil 4A). Buna karşılık, entegrasyon, dolaylı olarak ilişkili A ve C öğeleri arasında artan örüntü benzerliği ile işaretlenir ve ilgili anılar için örtüşen kodların oluşumunu yansıtır (Şekil 4A).

Öğrenme sırasında belleğin yeniden etkinleştirilmesinin dolaylı olarak ilişkili bellek öğelerinin sinirsel kodlaması üzerindeki etkisini değerlendirmek için, örtüşen öğrenme denemelerinde yeniden etkinleştirmenin gücüne dayalı olarak üçlüler için temsili değişimi hesapladık. Her katılımcı için, yeniden etkinleştirme projektöründe tanımlanan tüm kümelerdeki ortalama yeniden etkinleştirme endekslerinin medyan bölünmesine dayanarak, örtüşen çiftleri ilgili başlangıç ​​çiftinin daha güçlü ve daha zayıf yeniden etkinleştirilmesiyle ilişkili olanlara ayırdık (Şekil 3A). Daha sonra, farklı yeniden etkinleştirme seviyeleriyle ilişkili dolaylı olarak ilişkili A ve C öğeleri arasındaki nöral kodlamayı karşılaştırdık. Kritik olarak, hipokampal alt alanlardaki temsili değişimi değerlendiren tüm analizler, yalnızca yüksek benzerlik üçlülerinden gelen verilere dayanıyordu. Bu yaklaşım, bağlantı öğesinin görsel benzerliğini sabit tutarak, belleğin yeniden etkinleştirilmesinin fiziksel çevre değişikliklerinin ötesinde ve ötesinde temsili değişime aracılık edip etmediğinin kritik bir testini sağlar.

Dolaylı olarak ilişkili bellek öğeleri için yeniden etkinleştirmenin öğrenme ile ilgili temsili değişim üzerindeki etkilerini test etmek için bireysel hipokampal alt alanlarda dört projektör analizi yaptık (Şekil 4B). İlk olarak, örtüşen çift öğrenme (sırasıyla DifferentiationOverall ve IntegrationOverall) sırasında hafıza yeniden etkinleştirme derecesine bakılmaksızın A ve C öğelerinin farklılaşmasını veya entegrasyonunu gösteren hipokampal bölgeleri belirlemek için iki ışıldak analizi kullandık ve hipokampus içinde önemli bir etki gözlemlemedik.

Şekil 4. Öğrenme sırasında belleğin yeniden etkinleştirilmesinin bir fonksiyonu olarak öğrenmeye bağlı temsili değişimin değerlendirilmesi. İlişkisel öğrenme yoluyla bellek oluşumu için bir Tahminler. Öğrenmeden önce, ön-maruziyet aşamasındaki bireysel A ve C maddeleri herhangi bir ilişki paylaşmaz. Öğrendikten sonra, A ve C öğelerinin temsilleri, B öğeleriyle ortak ilişkilerinin bir fonksiyonu olarak değişebilir. İki nöral sonuç için test ettik; farklılaşma durumunda, dolaylı olarak ilişkili A ve C öğelerinin nöral kalıplarının, öğrenme temsillerine göre maruziyet sonrası aşamada daha az benzer olduğu tahmin edilmektedir. Buna karşılık, bellek entegrasyonu için, dolaylı olarak ilişkili A ve C öğelerinin nöral benzerliğinin, olaylar arasında deneyimlenen öğeleri birbirine bağlayan örtüşen nöral kodların oluşumunu yansıtacak şekilde, öğrenmeden öğrenme sonrasına doğru artacağı tahmin edilmektedir. B, Hipokampal alt alanlardaki bellek temsilinin öğrenme sırasında bellek yeniden etkinleştirme gücüyle değişip değişmediğini belirlemek için dört projektör kontrastı kullanıldı. Projektörlerden ikisi, tüm yeniden etkinleştirme gücü derecelerinde farklılaşma veya entegrasyonun meydana geldiği bölgeleri belirledi. Başka bir projektör grubu, yeniden etkinleştirmenin bir fonksiyonu olarak nöral kodlamanın değiştiği bölgeleri belirledi. C, Hipokampusta öğrenme ile ilgili temsili değişim. DG/CA2,3 ve alt bölümlerinin alt bölgeleri, örtüşen anıların dolaylı olarak ilişkili öğelerinin farklılaşmasını gösterdi, ancak yalnızca öğrenme sırasında yeniden etkinleştirme daha güçlü olduğunda. Buna karşılık, CA1'in bir alt bölgesi, bellek entegrasyonunun kanıtını gösterdi, ancak yine yalnızca örtüşen çift öğrenme sırasında yeniden etkinleştirme daha güçlü olduğunda. Hipokampal bölgeler, hipokampal alt alan analizleri için oluşturulan açık kaynaklı bir yüksek çözünürlüklü grup T2 şablonunda tasvir edilmiştir (Schlichting ve diğerleri, 2019). D, Yerel uzaya ters normalleştirmeden sonra projektör analizinde (C) tanımlanan kümelerdeki sinirsel benzerlik değişikliği, B'den elde edilen sonuçların tahmin edilen modelini doğrular. fark puanlarının hesaplanması. Bu analiz, ışıldak analizinde tanımlanan voksellere dayandığından, tamamen bağımsız değildir. Hata çubukları 6 SEM'i gösterir.

Bunun yerine, hipokampal alt alanlardaki dolaylı olarak ilişkili öğelerin temsili benzerliğinin, örtüşen çiftlerin öğrenilmesi sırasında belleğin yeniden etkinleştirilmesinin gücüne bağlı olacağını tahmin ettik. Bu hipotezi test etmek için, öğrenmeyle ilgili temsili değişim ve hafızanın yeniden etkinleştirilmesi arasında bir etkileşim arayan iki ek projektör analizi yaptık; bu ışıldaklar, örtüşen çift öğrenimi (DifferentiationReactivation ve IntegrationReactivation) sırasında daha güçlü yeniden etkinleştirme ile denemelerde farklılaşma veya entegrasyon gösteren izole hipokampal bölgeler.

Örtüşen çiftlerin öğrenilmesi sırasında ilk çift hatıralarının daha güçlü yeniden etkinleştirilmesinin, hipokampal alt alanlarda gözlemlenen temsili değişimin yönü üzerinde farklı sonuçları olduğunu bulduk. Örtüşen (BC) ikili öğrenimi sırasında ilk (A) anıları güçlü bir şekilde yeniden etkinleştirildiğinde, DG/CA2,3 örüntü benzerliği, öğrenmeden öğrenme sonrasına kadar A ve C öğeleri arasında azaldı (Şekil 4C, D; Farklılaştırma Yeniden Etkinleştirme). Subiculum, DG/CA2,3 ile aynı modeli sergiledi ve daha güçlü yeniden etkinleştirme, A ve C öğeleri için model benzerliğinin azalmasına yol açtı. Buna karşılık, CA1, öğrenmeden sonra A ve C öğeleri arasında artan benzerlik ile, bellek yeniden etkinleştirmesi daha güçlü olduğunda, karşıt bir temsili değişim modeli gösterdi (Şekil 4C, D; Entegrasyon Yeniden Etkinleştirme). Bu bulgular, hipokampal alt alanlarda örtüşen anıların temsilinin, öğrenme sırasında belleğin yeniden etkinleştirilmesine bağlı olduğunu ve aynı koşulların DG/CA2,3, CA1 ve subiculum içinde ayrılabilir temsili kodlara yol açtığını göstermektedir.

Son olarak, yeniden etkinleştirmenin her bölgede kodlamayı nasıl modüle ettiğini daha iyi anlamak için ışıldak analizinde tanımlanan her hipokampal alt alan üzerinde bir dizi post hoc analiz gerçekleştirdik. İlk önce, ilgisiz A ve C öğeleri (yani, triadlar arası taban çizgisi) için triad arası D'yi hesaplayarak, öğrenmenin bir fonksiyonu olarak nöral benzerlikte herhangi bir global kayma olup olmadığını ölçtük. Çapraz D, CA1 (t(24)=0.383, p=0.705, d=0.077) veya subiculum'da (t(25) sıfırdan önemli ölçüde farklı değildi.=1.233, p=0.229, d=0.242), ancak DG/CA2,3 (t(25)=3.431 için sıfırdan büyüktü) , p=0.002, d=0.673). Bu sonuçlar, ilgisiz öğeler bile öğrenmeden sonra benzerlik açısından değişebileceğinden, ilgili olaylar için benzerlik değişikliğini bir temel çizgiyle karşılaştırmanın önemini göstermektedir.

Daha sonra, güçlü yeniden etkinleştirme ile ilişkili üçlüler için üçlü D'yi, projektör sonuçlarımızın bir doğrulaması olarak üçlü D temel çizgisiyle karşılaştırdık (Şekil 4D). Daha önce bahsedildiği gibi, bu analiz için bir uyarı, nöral kodlama ışıldak analizinde tanımlanan voksellerin seçilmesiyle sonuçların potansiyel olarak önyargılı olmasıdır. Projektör kontrastlarının tahmin edilen modelleriyle tutarlı olarak (Şekil 4B), farklılaşma için kanıt bulduk, bu sayede güçlü yeniden etkinleştirme ile ilişkili triadlar için nöral benzerlik değişikliği DG/CA2,3'teki triadlar arası taban çizgisinden daha azdı (t(25)=2.298, p=0.030, d=0.451) ve subiculum (t(25)=3.158, p=0.004, d=0.619). CA1 içinde, triadlar arası taban çizgisine (t(24)=1.766, p=0.090, d=0.353). Birlikte, bu post hoc analizler ışıldak analizinin sonucunu destekler ve alt alanlarda örtüşen olayların temsilinin öğrenme sırasında ilgili anıların yeniden etkinleştirilmesinden etkilendiğini gösterir.

Keşif amaçlı bir analiz olarak, öğrenme sırasında daha zayıf yeniden etkinleştirme ile ilişkili triadlar için triad içi D'yi de ölçtük. DG/CA2,3 (t(25)=3.709, p=0.001, d=0.727)'de entegrasyon ve alt kültürde (t( 25)=1.849, p=0.076, d=0.363), burada daha zayıf yeniden etkinleştirme ile bağlantılı triadlar için D, triadlar arası taban çizgisinde gözlemlenenden daha büyüktü. Bu sonuç, DG/CA2,3'teki temsili kaymaların, hatıralar güçlü veya zayıf bir şekilde yeniden etkinleştirildiğinde farklı olabilen rekabet seviyesinin bir fonksiyonu olarak değişebileceğini göstermektedir. CA1'de (t(24)=1.062, p=0.299, d=0.212) daha zayıf yeniden etkinleştirme ile ilişkili triadlar için taban çizgisinden hiçbir farklılık gözlenmedi.

Bellek entegrasyonu çıkarım kararlarını destekler Öğrenme sonrası benzerlik değişikliği (yani entegrasyon veya farklılaşma) ile AC çıkarım testindeki performans arasındaki ilişkiyi incelemek için Bayes çok düzeyli bir model kullandık. Ayrıca öğrenme sırasında ilgili anıların yeniden etkinleştirilmesi ile çıkarım performansı arasındaki ilişkiyi inceledik. CA1'deki voksel sayısının yetersiz olması (<10 voksel)="" nedeniyle="" bir="" katılımcı="" bu="" analizden="" çıkarıldı.="" çıkarım="" doğruluğunu="" ve="" yanıt="" sürelerini="" aynı="" anda="" modellemek="" için="" bir="" lba="" modeli="" kullandık.="" çıkarım="" performansı="" ile="" benzerlik="" değişikliği="" ve="" belleğin="" yeniden="" etkinleştirilmesindeki="" üçlü="" düzey="" değişkenlik="" arasındaki="" ilişkilerin="" eğimini="" tahmin="" etmek="" için="" modelle="" bayes="" örneklemesini="" kullandık.="" ilk="" önce="" bayes="" örneklemesinin="" yakınsak="" olup="" olmadığını="" değerlendirdik.="" örnekleme="" sırasında="" herhangi="" bir="" farklılık="" yoktu;="" modeldeki="" her="" parametre="" için="" [rhat],1.00102="" ve="" etkin="" örneklem="" büyüklüğü="" en="" az="" 5225'tir.="" bu="" sonuçlar="" örneklemenin="" başarılı="" bir="" şekilde="" yakınsadığını="" ve="" her="" parametreyi="" tahmin="" etmek="" için="" yeterli="" örnek="" olduğunu="">

Model yanıtlarını simüle etmek için ortalama posterior parametreleri kullandık ve çıkarım testinde gözlemlenen doğruluk (Şekil 5A) ve yanıt sürelerine (Şekil 5B) iyi bir uyum olduğunu bulduk. çok uzun tepki süreleri. Öğrenmeyle ilgili değişiklik için ortalama eğim parametreleri (Şekil 5C) subiculum için pozitifti (yüzde 95 HDI=[0.043, 0.477], d {{10}}.37) ve belleğin yeniden etkinleştirilmesi (HDI=[0.0{{30}}}5, {{ 43}}.437], d=1.51). CA1 (HDI {{20}}) [ 0.189, 0.244], d=0.15) ve DG/CA2,3 için eğim parametreleri (HDI=[ 0.393, 0.102], d=0.50) sıfırdan farklı değildi . Diğer model parametreleri için yüzde 95 İGE'ler aşağıdaki gibidir: 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] ve sReact=[ 0.0002, 0.327]. Bu sonuçlar, öğrenme sırasında daha fazla bellek yeniden aktivasyonunun ve alt sınıfta öğrenmeden sonra daha büyük AC benzerliğinin, bireysel denemeler düzeyinde daha hızlı ve daha doğru çıkarımı öngördüğünü göstermektedir.

CISTANCHE ETKİLERİ: BELLEK İYİLEŞTİRME

Tartışma

Sonuçlarımız, yeniden etkinleştirilen anıların, hipokampal devre içinde ilgili olayların temsillerinin nasıl organize edildiğine rehberlik ettiğini gösteriyor. Yeni, örtüşen olayların kodlanması sırasında önceki anıların yeniden etkinleştirilmesi, bölümler arası çıkarsama performansını öngördü ve hipokampal alt alanlarda temsil için farklı sonuçlara sahipti; güçlü yeniden etkinleştirme, DG/CA2,3 ve subiculum içinde örtüşen anıların farklılaşmasına yol açarken, aynı anda aynı anıların CA1'e entegrasyonunu teşvik etti. Önceki çalışma, çevresel ipuçlarındaki değişikliklerin farklı sinirsel çıktılara yol açtığı bir aktarım işlevi açısından hipokampal alt alan kodlamasını açıklamaya odaklanmıştı (Leutgeb ve diğerleri, 2004, 2007; Lacy ve diğerleri, 2011; Yassa ve Stark, 2011). Burada, algısal girdideki değişikliklerin, hipokampal alt alanlarda temsil öğrenmeyi belirleyen tek faktör olmadığını gösteriyoruz. Aksine, verilerimiz, hipokampal alt alan kodlamasının, yeni bir deneyimin ilgili bölümlerin yeniden aktivasyonunu tetikleme derecesi tarafından daha da yönlendirildiğini göstermektedir. Sonuçlarımız, önceki bulguları, temsili bir düzeyde, kortikal hafıza yeniden aktivasyonunun, oldukça benzer anılar arasındaki rekabet karşısında hipokampal alt alan kodlamasındaki ayrışmaları tetiklediğini gösterecek şekilde genişletiyor.

Hipokampal temsil üzerine daha önceki çalışmalar, öncelikle alt alan kodlamasını çevresel değişikliklere yanıt olarak otomatik bir süreç olarak kavramsallaştırmıştır, burada duyusal girdilerin hipokampal tepkilerin ana itici gücü olduğu varsayılır. Örneğin, kemirgenlerde yapılan erken elektrofizyolojik çalışmalar, hayvanlar yavaş yavaş değişen algısal özelliklere sahip ortamlarda gezinirken yeniden haritalanan hipokampal alt alanlara alan tepkilerinin nasıl yerleştirileceğini ölçtü (Guzowski ve diğerleri, 2004; Lee ve diğerleri, 2004; Leutgeb ve diğerleri, 2004, 2007). ; Vazdarjanova ve Guzowski, 2004). Bu tür çalışmalar, çevresel özelliklerdeki küçük değişikliklerin, girdi modellerinin ortogonalizasyonunu yansıtan DG ve CA3 yanıtlarında dramatik değişikliklere yol açtığını ortaya koydu. Buna karşılık, CA1 yanıtları kademeli olarak değişti, ortamlar arasındaki algısal değişimin miktarıyla doğrusal olarak ölçeklendi; algısal olarak daha benzer olan ortamlar için, CA1 etkinliği yanıt vermede daha büyük bir örtüşme gösterdi. İnsanlarda yapılan önceki çalışmalar benzer bir yaklaşım benimsedi, katılımcılara oldukça benzer görsel görüntüler (örneğin, iki farklı elmanın resimleri) sunarak ve her iki görüntüye verilen hipokampal alt alan tepkilerinin büyüklüğünü ölçtü (Bakker ve diğerleri, 2008; Lacy ve diğerleri. , 2011). Bu çalışmalarda, DG/CA2,3, her iki oldukça benzer görüntü için, iki görüntünün ayrı kodlanmasını öneren bir yenilik tepkisi gösterdi. Bununla birlikte, bir çiftten elde edilen ikinci, oldukça benzer görüntüye verilen CA1 ve subikulum yanıtları, ilk çift üyesinin sunumuna göre bastırılmıştır ve bu, eşleştirilmiş görüntülerin benzer bir temsilini önermektedir.

Geçmişteki hayvan ve insan çalışmaları, hipokampal alt alan işleme arasındaki önemli ayrışmaları ortaya çıkarmış olsa da, bulgularımız, hipokampal temsil öğrenmenin sadece pasif bir süreç olmadığını, bunun yerine aktif olarak hafızanın yeniden aktivasyonundan etkilendiğini göstermek için bu çalışmaya dayanmaktadır (Hulbert ve Norman, 2015; Kim ve diğerleri, 2017; Ritvo ve diğerleri, 2019). Hipokampal alt alan ayrışmalarının, geçmiş anılar güçlü bir şekilde yeniden etkinleştirildiğinde, DG/CA2,3 ve subikulumda farklılaşmayı teşvik eden rekabetçi bir öğrenme durumu ürettiğinde ve aynı zamanda CA1'deki entegrasyonla birlikte en belirgin olduğunu gösteriyoruz. Dolayısıyla verilerimiz, hem olaylar arasındaki algısal benzerliği hem de üst üste binen algısal özelliklerin, hipokampal devrede çözülebilir temsillerin nasıl ortaya çıktığını tam olarak açıklamak için belleğin yeniden aktivasyonunu nasıl tetiklediğini ölçme ihtiyacını göstermektedir. Yukarıda açıklanan önceki insan çalışmasının ilginç bir yönü, alt alanlar arasındaki ayrışmaların gerçekleştirilen görevin doğasına bağlı olmasıdır (Kirwan ve Stark, 2007; Bakker ve diğerleri, 2008; Lacy ve diğerleri, 2011). Kritik deneysel manipülasyon (yani, öğeler arasındaki görsel benzerlik), katılımcıların gerçekleştirdiği görevle tesadüfi olduğunda, alt alanlar arasındaki ayrışmalar gözlemlendi (Bakker ve diğerleri, 2008; Lacy ve diğerleri, 2011). Ancak, aynı uyaranlar ve sunum prosedürleri kasıtlı bir görev odağı ile birleştirildiğinde, ayrışmalar daha az belirgindi (Kirwan ve Stark, 2007). Bu farklı bulguların mekanik kaynağı henüz açıklanmadı. Kasıtlı veya tesadüfi odaklı görevler sırasında belleğin yeniden etkinleştirilmesini ölçerek, görev hedeflerinin bellek rekabetinin sinirsel temsili nasıl etkilediğinin dinamiklerini nasıl etkilediği hakkında daha fazla bilgi edinilebilir (Richter ve diğerleri, 2016).

Bulgularımız, her biri farklı öğrenme hedeflerine odaklanan denetimli ve denetimsiz öğrenme modelleri açısından kavramsallaştırılabilir. Denetimli öğrenme, temsilleri doğrudan ortamda gözlemlenen duyusal ipuçlarıyla eşleştirerek yönlendirilirken, denetimsiz öğrenme, entegrasyon veya farklılaşma yoluyla mevcut bir deneyim ile yeni olay tarafından tetiklenen yeniden etkinleştirilen bellek temsilleri arasındaki rekabeti azaltmak için temsilleri ayarlar (Ritvo ve diğerleri, 2019). Öğrenme, büyük olasılıkla denetimli ve denetimsiz mekanizmalar arasındaki bir dengeyi yansıtsa da, bulgularımız, yeniden etkinleştirilen anıların, hipokampal alt alanlarda nasıl çözülebilir kodlama stratejilerinin ortaya çıktığının önemli bir yönü olduğunu gösteriyor.

Bugüne kadar, insanlarda yalnızca bir başka çalışma, özellikle bireyler paylaşılan veya farklı uzamsal bağlamlar hakkında bilgi aldıklarında, hipokampal alt alanlar arasındaki bir ayrışmayı ölçmek için çok değişkenli temsili analizler kullandı (Dimsdale-Zucker ve diğerleri, 2018). Bu çalışma, aynı uzamsal bağlam içinde öğrenilen öğelerin, bağlamsal bilgiyi paylaşmayan öğelere göre geri getirme sırasında CA1'de örtüşen aktivasyon kalıplarını ve DG/CA2,3'te farklılaşmış kalıpları ortaya çıkardığını göstermiştir. Mevcut bulgular, birkaç temel yönden bu çalışmadan farklıdır. İlk olarak, önceki çalışma hafıza alımı sırasında alt alan kodlarını ölçerken, çalışmamız ayrılabilir alt alan temsillerinin oluşumunu yönlendiren aktif öğrenme süreçlerini ortaya koyuyor. Spesifik olarak, bu önceki çalışma, öğrenme veya geri alma sırasında benzer anıların yeniden etkinleştirilmesinin hipokampal alt alan kodlamasıyla nasıl ilişkili olduğunu ölçmedi. Burada, hafızanın yeniden etkinleştirilmesinin bir sonucu olarak hipokampal alt alan kodlamasında bir ayrışma gösteriyoruz. Ayrıca, hipokampal alt bölgelerin oluşturduğu nöral kodların sadece basit tanımayı (Dimsdale-Zucker ve diğerleri, 2018) veya uzamsal hafızayı (Leutgeb ve diğerleri, 2004, 2007) desteklemekle kalmayıp, aynı zamanda anılar arasındaki ilişkiler hakkında çıkarımı da (bkz. ayrıca Schlichting ve diğerleri, 2014). Alt sınıfta öğrendikten sonra dolaylı öğeler arasındaki benzerliğin artmasıyla çıkarım kararları daha hızlı ve daha doğruydu, bu da örtüşen kodların doğrudan deneyimin ötesinde bilgi çıkarımını nasıl desteklediğini gösteriyor.

Subikulum temsillerinin çıkarım kararlarını izlediğine dair bulgumuz, subikulumun, hatırlamada önemli bir rol oynayan hipokampal devrenin çıktı yapısı olduğunu yansıtıyor olabilir (O'Mara ve diğerleri, 2001). , 2017). Alt okul, genel olarak örtüşen çiftler için öğrenme ile ilgili farklılaşma kanıtı gösterse de, modelleme verilerimiz, alt okuldaki temsili değişikliğin bir yanıtların sürekliliğini yansıttığını göstermektedir. Artan entegrasyon (daha az farklılaşma olarak da düşünülebilir), daha hızlı ve daha doğru çıkarımı teşvik etti. Sonuçlarımız, anılar daha fazla bütünleştiğinde (veya daha az farklılaştığında), dolaylı olarak ilişkili öğeler arasında depolanmış bir bağlantının alınmasıyla çıkarımın kolaylaştırıldığını göstermektedir (Shohamy ve Wagner, 2008; Schlichting ve diğerleri, 2014); aksine, farklılaşma, testte alınması ve yeniden birleştirilmesi gereken iki ayrı iz arasındaki çıkarımı yavaşlatabilir (Koster ve diğerleri, 2018).

Alt kültür gibi, DG/CA2,3, kodlama sırasında belleğin yeniden etkinleştirilmesi daha güçlü olduğunda dolaylı olarak ilişkili bellek öğelerinin öğrenmeyle ilgili farklılaşmasını sergiledi. Bununla birlikte, örtüşen bellek öğelerinin DG/CA2,3 farklılaşmasının yalnızca ilişkisiz, triadlar arası taban çizgisine göre gözlemlendiği belirtilmelidir; dolaylı olarak ilişkili öğeler için kendi başlarına öğrenmeden öğrenme sonrasına benzerlikte bir değişiklik olmadı (Şekil 4D, ek). Bu bulgu, öğrenmeden sonra ilişkili olmayan olaylara göre hipokampal farklılaşmayı gösteren önceki çalışmalarla tutarlıdır (Favila ve diğerleri, 2016; Dimsdale-Zucker ve diğerleri, 2018), aynı zamanda zaman içinde meydana gelen benzerlikteki temel değişiklikleri kontrol eder. Ayrıca, DG/CA2,3, öğrenme sırasında belleğin yeniden etkinleştirilmesinin daha zayıf olduğu durumlarda bellek entegrasyonuna ilişkin kanıtlar göstererek bu bölgede daha nüanslı temsili dinamikler potansiyeli olduğunu ortaya koydu. Örneğin, yeniden etkinleştirmeyle ortaya çıkan bellek rekabeti, DG/CA2,3'teki temsili değişiklikle monotonik olmayan bir ilişkiye sahip olabilir (Ritvo ve diğerleri, 2019). Daha güçlü yeniden etkinleştirme, aktif farklılaşmayı teşvik edebilir; daha zayıf veya orta düzeyde yeniden etkinleştirme, entegrasyona yol açabilir ve hiçbir yeniden etkinleştirme, pasif ortogonalizasyon yoluyla ayrılan örtüşmeyen temsiller üretemez. Bu karmaşık kodlama stratejisi, DG/ CA2,3'ün neden farklı koşullar altında farklılaştırılmış (Kim ve diğerleri, 2017) ve entegre (Schapiro ve diğerleri, 2012) temsillerinin kanıtını gösterdiğini açıklayabilir. Alternatif olarak, sonuçlarımız, bileşenlerinin çevresel ipuçları ve sonuçta ortaya çıkan bellek temsilleri arasında farklı transfer işlevleri sergilediği düşünülen birleşik bir DG/CA2,3 bölgesinin kullanımını yansıtabilir (Yassa ve Stark, 2011). Gözlemlenen sonuç modeli, bellek rekabetinin DG/CA2,3'te temsil öğrenimini nasıl etkilediğini tam olarak anlamak için temsil değişikliği ile birlikte belleğin yeniden etkinleştirilmesinin nicelleştirilmesinin gerekli olduğunu gösterir.

Sonuç olarak, ampirik bulgularımız, hipokampal devrenin yakın zamanda önerilen bir hesaplama modelini desteklemektedir (Schapiro ve diğerleri, 2017); Bu modelden yapılan simülasyonlar, CA1'in olaylar arasındaki ilişkileri temsil edebileceğini, DG ve CA3 temsillerinin ise benzer bölümler arasındaki farklılıkları vurgulayabileceğini öne sürüyor. Bulgularımız, CA1 benzer anılar için entegre temsiller oluştururken, DG/CA2,3 ve subiculum bu aynı deneyimleri farklılaştırırken, bu hesaplama tahminleriyle uyumludur. Ek olarak, hipokampal temsillerin yeni çıkarımları desteklediğini, farklı ancak ilişkili deneyimler arasındaki gözlemlenmemiş ilişkilerin keşfini kolaylaştırdığını gösteriyoruz. Mevcut çalışma ayrıca hipokampal alt alan ayrışmalarının duyusal girdinin basit bir işlevi olmadığını, öğrenme sırasında hafızaya dayalı rekabetten kaynaklandığını göstermektedir. Birlikte, bu çalışma, ön bilgilerin hipokampal devrede yeni olayların nasıl temsil edildiğini nasıl şekillendirdiğine dair anlayışımızı ilerleterek, hipokampal hafıza fonksiyonunun hesaplamalı modellerinin temel tahminlerinin ampirik bir testini sağlar.

CISTANCH EK ETKİLERİ: BELLEK İYİLEŞTİRİLMESİ