Parte 2: Qual è l'effetto della riattivazione della memoria durante l'apprendimento?

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

Per favore clicca qui per la Parte 1

Cistanche può migliorare la memoria

Definizione del modello Il modello LBA (Brown e Heathcote, 2008) presuppone che, in ogni prova, il punto iniziale k di ogni accumulatore sia estratto casualmente da una distribuzione uniforme sull'intervallo [0, A]. Ciascun accumulatore segue quindi una linea con pendenza d fino a raggiungere la soglia di risposta b. Ad ogni prova, la pendenza dell'accumulatore i viene ricavata da una distribuzione normale con media vi e SD s (qui fissata a 1). Il tempo necessario per un accumulatore per raggiungere la soglia è (bk)/d. Abbiamo modellato i test di inferenza a scelta forzata a tre alternative utilizzando tre accumulatori con tassi di deriva medi v1 (per la risposta corretta) e v2 (per le altre due risposte). Come derivato nella descrizione iniziale del modello LBA (Brown e Heathcote, 2008), la funzione di densità di probabilità (PDF) per l'accumulatore I al tempo t è la seguente:

Dove f e U sono rispettivamente la funzione di densità di probabilità e le funzioni di distribuzione cumulativa della distribuzione normale standard. La funzione di distribuzione cumulativa (CDF) per l'accumulatore I al tempo t è la seguente:

Il PDF per accumulatore I che raggiunge per primo la soglia, all'istante t, è la probabilità che l'accumulatore I finisca all'istante t, a condizione che gli altri accumulatori non abbiano ancora finito come segue:

Poiché il tasso di deriva d è ricavato da una distribuzione normale, esiste una certa probabilità che nessun accumulatore finisca. Dopo il lavoro precedente

(Brown e Heathcote, 2008; Annis et al., 2017), abbiamo condizionato la probabilità che almeno un accumulatore abbia un tasso di deriva positivo come segue:

Per ciascuna delle quattro catene, è stata eseguita una fase di ottimizzazione di 1000 iterazioni con un tasso di accettazione target di 0,99, seguita da 5000 campioni. La convergenza è stata valutata utilizzando la dimensione del campione efficace alla rinfusa e la statistica di riduzione della scala del potenziale diviso normalizzata per rango R^ (Vehtari et al., 2017). Abbiamo valutato l'adattamento del modello calcolando i parametri posteriori medi per ogni prova e simulando risposte e tempi di risposta. Abbiamo simulato 50 repliche di ogni prova per ottenere una stima robusta delle prestazioni del modello. Infine, abbiamo calcolato l'intervallo ad alta densità (HDI) del 95% per ciascuno dei parametri medi a livello di gruppo (ad es. mCA1 per CA1) per determinare se erano diversi da zero, indicando una relazione tra cambiamento di somiglianza o riattivazione e inferenza AC prestazione.

benefici del cistance del deserto

Risultati

Prestazioni comportamentali

Entro la fine della fase di apprendimento della coppia iniziale (AB), i partecipanti avevano formato forti ricordi delle coppie forma del viso e forma della scena. Tutti i partecipanti erano al di sopra delle possibilità nel test finale (proporzione media corretta=0.91, SD=0.01) e sono stati quindi inclusi nelle analisi successive.Memoriaper le coppie forma-oggetto sovrapposte (BC) è stata influenzata dalla somiglianza visiva dell'elemento di collegamento attraverso l'apprendimento (Fig. 2A, B). Un'ANOVA a misure ripetute con i fattori all'interno dei soggetti

del blocco di coppie sovrapposte (1, 2, 3, 4) e della somiglianza visiva (corrispondenza esatta, alta somiglianza, bassa somiglianza, nuovo) hanno rivelato che la somiglianza visiva è modulatamemoriaaccuratezza (effetto principale del blocco, F(3,75)=79.93,p,0.{{30}}01, h{{6 }}.762; blocca l'interazione di somiglianza visiva, F(9,225) {{1{{50}}}}.88, p =0.003 , h2=0.103) e tempo di risposta (effetto principale della somiglianza su prove corrette, F(3,72)=5.14, p =0 .003, h2=0.176). Per il primo blocco di apprendimento di coppie sovrapposte, le prestazioni erano superiori (Fig. 2A) quando l'elemento di collegamento (B) corrispondeva esattamente alle coppie inizialmente apprese (AB) rispetto a tutte le altre condizioni. Si è verificato un effetto di somiglianza visiva nel primo blocco di test (effetto di somiglianza visiva nella prima esecuzione, F(3,75)=6.901, p,0.001, h2=0.216) ma non nelle esecuzioni successive (valori F 0,479, tutti p 0,698, tutti h2 0.019). Nella prima esecuzione, i test t accoppiati post hoc hanno rivelato che l'accuratezza era più alta per le coppie con una corrispondenza esatta rispetto a tutte le altre coppie (rispetto all'elevata somiglianza: t(25)=3.33,p =0 .003, d =0.654; bassa somiglianza: t(25)=4.52, p,0.001, d =0.894; nuovo: t(25) {{55} }.74, p =0.011, d =0.539). Le prestazioni sono state maggiori per le coppie ad alta somiglianza rispetto alle coppie a bassa somiglianza (t(25)=2.306, p =0.03, d=0.459). Non c'era differenza di prestazioni tra la somiglianza alta e le nuove coppie (t(25)=0.87, p =0.394, d{73}}.172) o la somiglianza bassa e le nuove coppie (t(25)=0.76, p =0.452, d{80}}.151). Quando sono crollate su un blocco, le coppie con corrispondenze esatte hanno avuto il tempo di risposta più veloce (Fig. 2B) nelle prove corrette (rispetto a tutte le altre condizioni, valori t 2,206, tutti p , 0,05, tutti d 0,445). Il tempo di risposta non differiva tra alta somiglianza, bassa somiglianza o nuove coppie (tutti i valori t 1,748, tutti p 0,05, tutti d 0,348).

La somiglianza visiva dell'elemento di collegamento ha influenzato anche l'accuratezza dell'inferenza incrociata degli episodi (F(3,75)=26.61, p ,0.001, h{7}}.516). I partecipanti erano più propensi a dedurre una relazione tra indirettamente correlatimemoriaelementi (AC) quando l'elemento di collegamento (B) era una corrispondenza esatta o molto simile tra coppie sovrapposte (Fig. 2C). Il rendimento dell'inferenza non differiva tra corrispondenza esatta e triadi ad alta somiglianza (t(25)=1.20, p =0.24, d=0.23{ {19}}), ma il rendimento per le triadi a corrispondenza esatta è stato superiore sia alle triadi a bassa somiglianza (t(25)=6.82, p,0.001, d{14}}.327) che alle nuove triadi (t (25)=6.61, p,0.001, d{21}}.286). Allo stesso modo, le prestazioni per le triadi ad alta somiglianza hanno superato il minimo

triadi di somiglianza (t(25)=5.05, p,{10}}.001, d =0.987) e nuove triadi (t(25) {{8 }}.38, p,0.001, d =1.055). Segui conperformance (le prestazioni dell'inferenza non differivano tra la bassa somiglianza e le nuove triadi (t(25)=1.17, p =0.254, d=0.224). Tuttavia, per- la forma per le triadi a bassa somiglianza era affidabile migliore del caso (t(25)=2.22,p =0.04, d=0.435), mentre la prestazione per le nuove triadi era non (t(25)=0.47,p =0.64, d =0.093).

Le decisioni di inferenza sono state anche più rapide per la corrispondenza esatta e le condizioni di elevata somiglianza relative alla nuova condizione (F(3,72)=11.79,p,0.001, h{ {6}}.329), con le inferenze per la condizione di corrispondenza esatta più veloce in assoluto (Fig. 2D). Il tempo di risposta è stato più rapido per le triadi di corrispondenza esatta rispetto a condizioni di elevata somiglianza (t(25) {{10}}.41, p =0.002, d{14}}.669) e nuove triadi (t(24)=5.00, p,0.001, d =0.999), ma non diverse dalle triadi a bassa somiglianza (t(25) =1.64, p =0.114, d =0.321). Il tempo di risposta è stato più rapido per le triadi ad alta somiglianza rispetto alle nuove triadi (t(24)=2.93, p =0.007, d =0.585), ma non differiva da quelle basse triadi di somiglianza (t(25)=1.11, p =0.28, d =0.217). Le triadi a bassa somiglianza erano più veloci delle nuove triadi (t(24) =3.86,p =0.001, d =0.773). Insieme, questi risultati mostrano che associativomemoriae un'inferenza incrociata, due processi che si pensa siano supportati da sottocampi ippocampali (Schapiro et al., 2017), sono influenzati dalla somiglianza percettiva di elementi di eventi condivisi, con prestazioni facilitate con livelli più elevati di somiglianza tra episodi.

Riattivazione di ricordi sovrapposti durante l'apprendimento Per testare come corticalimemoriala riattivazione durante l'apprendimento delle coppie sovrapposte influisce sulle rappresentazioni del sottocampo dell'ippocampo, per prima cosa abbiamo utilizzato un'analisi del riflettore per identificare dove le informazioni sulle coppie iniziali sono state riattivate nella corteccia durante l'apprendimento. All'interno di ciascuna sfera del riflettore, un classificatore di pattern è stato addestrato sui dati di una fase di localizzazione e quindi applicato alla fase di studio delle coppie sovrapposte (Zeithamova et al., 2012). Il riflettore ha identificato le regioni in cui l'evidenza del classificatore per la categoria target dell'elemento correlato (oggetti del viso o della scena A dalle coppie iniziali) ha superato un indice di base dell'evidenza del classificatore per la stessa categoria derivata dai nuovi studi (o non sovrapposti). Abbiamo trovato prove che i ricordi correlati sono stati riattivati ​​quandoapprendimento delle coppie sovrapposte nella corteccia cingolata posteriore, nella corteccia occipitale e nella corteccia parietale (Fig. 3A).

È importante sottolineare che non ci sono state differenze nella forza di riattivazione in funzione della categoria di oggetti A (volto, scena) tra le regioni identificate nell'analisi del riflettore (Fig. 3B). Un'ANOVA a misure ripetute con i fattori entro i soggetti della regione (parietale sinistro, parietale destro, cingolato, occipitale superiore, occipitale inferiore) e la categoria dello stimolo (viso, scena) ha dimostrato che la riattivazione variava tra le regioni (effetto principale della regione, F(4,100)=2.84, p =0.028, h2=0.102) ma non differiva per categoria di stimolo (effetto principale della categoria, F(1,25) { {15}}.002,p =0.967, h2 =0;interazione regione categoria, F(4,100)=0.375, p =0.826, h2=0.015). Pertanto, i nostri risultati non sono stati guidati da una singola categoria di stimolo e riflettonomemoriariattivazione piuttosto che il coinvolgimento di regioni di trasformazione specifiche per categoria.

Abbiamo ulteriormente testato se la somiglianza visiva dell'elemento B condiviso durante l'apprendimento ha influenzato la forza dimemoriariattivazione per gli articoli A. Lo avevamo previstomemoriala riattivazione durante l'apprendimento sarebbe più forte per le coppie collegate da un elemento visivamente più simile. Utilizzando un approccio simile all'analisi precedente, le analisi separate dei riflettori hanno identificato le regioni in cui l'evidenza del classificatore per l'elemento A correlato era maggiore per la condizione di corrispondenza esatta che per le condizioni di somiglianza alta e bassa. Coerentemente con la nostra ipotesi, abbiamo scoperto che la somiglianza delle componenti dell'evento modulava la forza dimemoriariattivazione nella corteccia parietale sinistra e nella corteccia occipitale (Fig. 3C).

esperienza cistanche: migliorare i prodotti cistanche di memoria

La riattivazione della memoria influisce sulla codifica neurale nei sottocampi dell'ippocampo

Per verificare la nostra ipotesi che la riattivazione di ricordi correlati durante la nuova codifica porterebbe a una rappresentazione dissociabile di ricordi sovrapposti in DG/CA2,3 e CA1, abbiamo quantificato la codifica del sottocampo dell'ippocampo in funzione dimemoriaforza di riattivazione durante l'apprendimento. Sia prima che dopo aver appreso le coppie, i partecipanti sono stati scansionati mentre visualizzavano singole immagini degli elementi A e C da coppie sovrapposte in condizioni di elevata somiglianza (Fig. 1A). Abbiamo indicizzato la differenziazione e l'integrazione misurando i cambiamenti relativi all'apprendimento nella somiglianza dei modelli per gli elementi A e C indirettamente correlati della stessa triade (Schlichting et al., 2015). I cambiamenti di somiglianza all'interno della stessa triade sono stati confrontati con una linea di base di cambiamenti di somiglianza tra elementi in triadi diverse. Abbiamo misurato la differenziazione testando una diminuzione della somiglianza del modello tra gli elementi A e C dopo l'apprendimento (Fig. 4A). Al contrario, l'integrazione sarebbe caratterizzata da una maggiore somiglianza del modello tra gli elementi A e C indirettamente correlati, riflettendo la formazione di codici sovrapposti per memorie correlate (Fig. 4A).

Per valutare l'impatto dimemoriariattivazione durante l'apprendimento sulla codificazione neurale di indirettamente correlatimemoriaelementi, abbiamo calcolato il cambiamento rappresentativo per le triadi in base alla forza della riattivazione attraverso prove di apprendimento sovrapposte. Per ciascun partecipante, abbiamo ordinato le coppie sovrapposte in quelle associate alla riattivazione più forte e più debole della corrispondente coppia iniziale, sulla base di una divisione mediana degli indici di riattivazione medi su tutti i cluster identificati nel riflettore di riattivazione (Fig. 3A). Abbiamo quindi confrontato la codifica neurale tra elementi A e C indirettamente correlati associati a diversi livelli di riattivazione. Fondamentalmente, tutte le analisi che valutano il cambiamento rappresentativo nei sottocampi dell'ippocampo erano basate solo su dati provenienti da triadi ad alta somiglianza. Questo approccio mantiene costante la somiglianza visiva dell'elemento di collegamento, fornendo un test critico per verificare se la riattivazione della memoria media il cambiamento rappresentativo al di sopra e al di là delle alterazioni nell'ambiente fisico.

Abbiamo eseguito quattro analisi dei riflettori all'interno dei singoli sottocampi dell'ippocampo per testare gli effetti della riattivazione sul cambiamento rappresentativo correlato all'apprendimento permemoriaelementi (Fig. 4B). In primo luogo, abbiamo utilizzato due analisi dei riflettori per identificare le regioni dell'ippocampo che mostravano differenziazione o integrazione degli elementi A e C indipendentemente dal grado dimemoriariattivazione durante l'apprendimento delle coppie sovrapposte (rispettivamente DifferentiationOverall e IntegrationOverall) e non hanno osservato effetti significativi all'interno dell'ippocampo.

Invece, abbiamo previsto che la somiglianza rappresentativa di elementi indirettamente correlati nei sottocampi dell'ippocampo dipenderebbe dalla forza dimemoriariattivazione durante l'apprendimento delle coppie sovrapposte. Per testare questa ipotesi, abbiamo eseguito due ulteriori analisi dei riflettori che hanno cercato un'interazione tra il cambiamento rappresentativo correlato all'apprendimento ememoriariattivazione; questi proiettori hanno isolato le regioni dell'ippocampo mostrando differenziazione o integrazione in prove con una riattivazione più forte durante l'apprendimento di coppie sovrapposte (DifferentiationReactivation and IntegrationReactivation).

Abbiamo scoperto che una più forte riattivazione dei ricordi di coppia iniziali durante l'apprendimento delle coppie sovrapposte aveva conseguenze diverse sulla direzione del cambiamento rappresentativo osservato nei sottocampi dell'ippocampo. Quando i ricordi iniziali (A) sono stati fortemente riattivati ​​durante l'apprendimento di coppie sovrapposte (BC), la somiglianza del modello DG/CA2,3 è diminuita tra gli elementi A e C dall'apprendimento al post apprendimento (Fig. 4C, D; Differenziazione Riattivazione). Subiculum ha mostrato lo stesso pattern di DG/CA2,3, con una riattivazione più forte che porta a una minore somiglianza del pattern per gli articoli A e C. Al contrario, CA1 ha mostrato un modello opposto di cambiamento rappresentazionale quandomemoriala riattivazione era più forte, con una maggiore somiglianza tra gli elementi A e C dopo l'apprendimento (Fig. 4C, D; IntegrationReactivation). Questi risultati suggeriscono che la rappresentazione di ricordi sovrapposti all'interno dei sottocampi dell'ippocampo è subordinatamemoriariattivazione durante l'apprendimento, con le stesse condizioni che portano a codici rappresentativi dissociabili all'interno di DG/CA2,3, CA1 e subiculum.

Infine, abbiamo eseguito una serie di analisi post hoc su ciascun sottocampo dell'ippocampo identificato nell'analisi del riflettore per comprendere ulteriormente come la riattivazione modulasse la codifica in ciascuna regione. Abbiamo prima quantificato se ci fossero cambiamenti globali nella somiglianza neurale semplicemente in funzione dell'apprendimento calcolando la D attraverso la triade per elementi A e C non correlati (cioè, la linea di base attraverso la triade). Attraverso la triade D non era significativamente diverso da zero in CA1 (t(24)=0.383, p =0.705, d =0.077) o subiculum (t(25)=1.233, p =0.229, d =0.242), ma era maggiore di zero per DG/CA2,3 (t(25)=3.431 ,p =0.002, d =0.673). Questi risultati dimostrano l'importanza di confrontare il cambiamento di somiglianza per eventi correlati con una linea di base, poiché anche gli elementi non correlati possono cambiare nella somiglianza dopo l'apprendimento.

Successivamente, abbiamo confrontato l'interno della triade D per le triadi associate a una forte riattivazione con la linea di base D trasversalmente alla triade come convalida dei risultati del nostro riflettore (Fig. 4D). Come accennato in precedenza, un avvertimento a questa analisi è che i risultati sono potenzialmente distorti selezionando i voxel identificati nell'analisi del proiettore di codifica neurale. Coerentemente con i modelli previsti dei contrasti del riflettore (Fig. 4B), abbiamo trovato prove di differenziazione, per cui il cambiamento della somiglianza neurale per le triadi associate a una forte riattivazione era inferiore alla linea di base attraverso la triade in DG/CA2,3 (t(25)=2.298, p =0.030, d=0.451) e subiculum (t(25)=3.158, p =0.004, d=0.619). All'interno di CA1, abbiamo mostrato una tendenza all'integrazione con una maggiore somiglianza all'interno delle triadi associata a una riattivazione più forte dopo l'apprendimento rispetto alla linea di base tra le triadi (t(24)=1.766, p =0.090, d =0.353). Insieme, queste analisi post hoc supportano il risultato dell'analisi del riflettore e mostrano che la rappresentazione di eventi sovrapposti nei sottocampi è influenzata dalla riattivazione dei ricordi correlati durante l'apprendimento.

Come analisi esplorativa, abbiamo anche quantificato all'interno della triade D le triadi associate a una riattivazione più debole durante l'apprendimento. Abbiamo trovato prove per l'integrazione in DG/CA2,3 (t(25)=3.709, p =0.001, d{8}}.727) e una tendenza nel subiculum (t( 25)=1.849, p =0.076, d =0.363), in cui D per le triadi associate a una riattivazione più debole era maggiore di quella osservata per la linea di base attraverso la triade. Questo risultato suggerisce che gli spostamenti rappresentazionali in DG/CA2,3 possono variare in funzione del livello di competizione, che può essere diverso quando i ricordi sono fortemente o debolmente riattivati. Non sono state osservate differenze rispetto al basale per le triadiassociato a una riattivazione più debole in CA1 (t(24)=1.062, p =0.299, d =0.212).

L'integrazione della memoria supporta le decisioni di inferenza

Abbiamo utilizzato un modello multilivello bayesiano per esaminare la relazione tra il cambiamento di somiglianza dopo l'apprendimento (cioè l'integrazione o la differenziazione) e le prestazioni nel test di inferenza AC. Abbiamo anche esaminato la relazione tra la riattivazione dei ricordi correlati durante l'apprendimento e le prestazioni di inferenza. Un partecipante è stato escluso da questa analisi a causa di un numero insufficiente di voxel in CA1 (,10 voxel). Abbiamo utilizzato un modello LBA per modellare simultaneamente l'accuratezza dell'inferenza e i tempi di risposta. Abbiamo utilizzato il campionamento bayesiano con il modello per stimare la pendenza delle relazioni tra prestazioni di inferenza e variabilità a livello di triade nel cambiamento di somiglianza ememoriariattivazione. Abbiamo prima valutato se il campionamento bayesiano fosse convergente. Non ci sono state divergenze durante il campionamento; per ogni parametro nel modello, [Rhat] era,1,00102 e la dimensione effettiva del campione era almeno 5225. Questi risultati indicano che il campionamento è convergente con successo e che c'erano campioni sufficienti per stimare ciascun parametro.

Abbiamo utilizzato i parametri posteriori medi per simulare le risposte del modello e abbiamo scoperto che c'era un buon adattamento all'accuratezza osservata (Fig. 5A) e ai tempi di risposta (Fig. 5B) nel test di inferenza, con l'eccezione di un piccolo numero di prove con tempi di risposta molto lunghi. I parametri di pendenza media per il cambiamento correlato all'apprendimento (Fig. 5C) erano positivi per il subiculum (95% HDI=[0.043, 0,477], d =1 .37) ememoriariattivazione (HDI {{0}} [0.005, 0.437], d=1.51). I parametri di pendenza per CA1 (HDI=[ {{20}}}.189, 0.244], d=0.15) e DG/CA2,3 (HDI=[ 0.393, {{4{43}}}}.102], d =0.50) non erano diversi da zero. Gli HDI del 95% per gli altri parametri del modello erano i seguenti: A=[2.{{5{54}}}}59, 5,601], t {{31} } [0.00,009, 0.515], m2=[0,130, 0,812], s{{ 42}} [0,191, 0,831], sCA1=[0,004, 0,458], sDG/CA2,3=[0,010, 0,577], sSubiculum=[0,002, 0,408] e sReact=[0,0002, 0,327]. Questi risultati indicano che maggiorememoriala riattivazione durante l'apprendimento e una maggiore somiglianza AC dopo l'apprendimento nel subiculum predicono un'inferenza più rapida e accurata a livello di prove individuali.

cistanche tubolosa benefici per la salute: migliora la memoria

Discussione

I nostri risultati indicano che i ricordi riattivati ​​guidano il modo in cui le rappresentazioni di eventi correlati sono organizzate all'interno del circuito ippocampale. La riattivazione dei ricordi precedenti durante la codifica di nuovi eventi sovrapposti prevedeva le prestazioni di inferenza tra gli episodi e ha avuto conseguenze diverse per la rappresentazione nei sottocampi dell'ippocampo; una forte riattivazione ha portato alla differenziazione delle memorie sovrapposte all'interno di DG/CA2,3 e subiculum, promuovendo contemporaneamente l'integrazione di quelle stesse memorie in CA1. Il lavoro precedente si è concentrato sulla spiegazione della codifica del sottocampo dell'ippocampo in termini di una funzione di trasferimento attraverso la quale i cambiamenti nei segnali ambientali portano a un output neurale differenziale (Leutgeb et al., 2004, 2007; Lacy et al., 2011; Yassa e Stark, 2011). Qui, mostriamo che i cambiamenti nell'input percettivo non sono l'unico fattore che determina l'apprendimento della rappresentazione all'interno dei sottocampi dell'ippocampo. Piuttosto, i nostri dati indicano che la codifica del sottocampo dell'ippocampo è ulteriormente guidata dal grado in cui una nuova esperienza innesca la riattivazione di episodi correlati. I nostri risultati estendono quindi i risultati precedenti per mostrare, a livello rappresentazionale, quella corticalememoriala riattivazione guida le dissociazioni nella codifica del sottocampo dell'ippocampo di fronte alla competizione tra ricordi molto simili.

Il lavoro precedente sulla rappresentazione dell'ippocampo ha principalmente concettualizzato la codifica del sottocampo come un processo automatico in risposta ai cambiamenti ambientali, in cui si presume che gli input sensoriali siano il principale motore delle risposte dell'ippocampo. Ad esempio, i primi studi elettrofisiologici sui roditori hanno misurato come posizionare le risposte del campo nei sottocampi dell'ippocampo rimappati mentre gli animali navigavano in ambienti con caratteristiche percettive che cambiano gradualmente (Guzowski et al., 2004; Lee et al., 2004; Leutgeb et al., 2004, 2007 ; Vazdarjanova e Guzowski, 2004). Tale lavoro ha rivelato che piccoli cambiamenti nelle caratteristiche ambientali hanno portato a cambiamenti drammatici nelle risposte di DG e CA3, riflettendo l'ortogonalizzazione dei modelli di input. Al contrario, le risposte di CA1 sono cambiate gradualmente, scalando linearmente con la quantità di cambiamento percettivo tra gli ambienti; per ambienti che erano percettivamente più simili, l'attività di CA1 ha mostrato una maggiore sovrapposizione nella risposta. Il lavoro precedente sugli esseri umani ha adottato un approccio simile, presentando ai partecipanti coppie di immagini visive molto simili (ad esempio, immagini di due diverse mele) e misurando l'entità delle risposte del sottocampo dell'ippocampo a entrambe le immagini (Bakker et al., 2008; Lacy et al. , 2011). In quegli studi, DG/CA2,3 ha mostrato una nuova risposta per entrambe le immagini molto simili, suggerendo una codifica separata delle due immagini. Le risposte CA1 e subiculum alla seconda immagine molto simile di una coppia, tuttavia, sono state soppresse rispetto alla presentazione del primo membro della coppia, suggerendo una rappresentazione simile delle immagini accoppiate.

Mentre il lavoro passato sugli animali e sull'uomo ha rivelato importanti dissociazioni tra l'elaborazione del sottocampo dell'ippocampo, i nostri risultati si basano su quel lavoro per dimostrare che l'apprendimento della rappresentazione dell'ippocampo non è semplicemente un processo passivo ma è invece attivamente influenzato damemoriariattivazione (Hulbert e Norman, 2015; Kim et al., 2017; Ritvo et al., 2019). Mostriamo che le dissociazioni del sottocampo dell'ippocampo sono più evidenti quando i ricordi del passato sono fortemente riattivati, producendo uno stato di apprendimento competitivo che promuove la differenziazione in DG/CA2,3 e subiculum, contemporaneamente all'integrazione in CA1. I nostri dati indicano quindi la necessità di quantificare sia la somiglianza percettiva tra gli eventi sia il modo in cui le caratteristiche percettive sovrapposte innescano la riattivazione della memoria per rendere pienamente conto di come emergono rappresentazioni dissociabili all'interno del circuito ippocampale. Un aspetto interessante del precedente lavoro umano sopra descritto è che le dissociazioni tra i sottocampi dipendevano dalla natura del compito svolto (Kirwan e Stark, 2007; Bakker et al., 2008; Lacy et al., 2011). Quando la manipolazione sperimentale critica (cioè la somiglianza visiva tra gli oggetti) era incidentale rispetto al compito svolto dai partecipanti, sono state osservate dissociazioni tra i sottocampi (Bakker et al., 2008; Lacy et al., 2011). Tuttavia, quando gli stessi stimoli e le stesse procedure di presentazione sono stati combinati con un focus intenzionale sul compito, le dissociazioni erano meno evidenti (Kirwan e Stark, 2007). La fonte meccanicistica di questi risultati divergenti deve ancora essere rivelata. Quantificandomemoriariattivazione durante le attività con un focus intenzionale o accidentale, è possibile ottenere ulteriori approfondimenti su come gli obiettivi delle attività influenzano la dinamica di come la competizione della memoria influisce sulla rappresentazione neurale (Richter et al., 2016).

I nostri risultati possono essere concettualizzati in termini di modelli di apprendimento supervisionati e non supervisionati, ciascuno dei quali si concentra su obiettivi di apprendimento diversi. Mentre l'apprendimento supervisionato è diretto facendo corrispondere le rappresentazioni ai segnali sensoriali osservati direttamente nell'ambiente, l'apprendimento non supervisionato adatta le rappresentazioni per ridurre la competizione tra un'esperienza attuale e riattivata.memoriarappresentazioni innescate dal nuovo evento (Ritvo et al., 2019) attraverso l'integrazione o la differenziazione. Sebbene l'apprendimento rifletta probabilmente un equilibrio tra meccanismi supervisionati e non supervisionati, i nostri risultati indicano che i ricordi riattivati ​​sono un aspetto importante del modo in cui le strategie di codifica dissociabili emergono nei sottocampi dell'ippocampo.

Ad oggi, solo un altro studio sull'uomo ha utilizzato analisi rappresentative multivariate per quantificare una dissociazione tra i sottocampi dell'ippocampo, in particolare quando gli individui hanno recuperato informazioni su contesti spaziali condivisi o distinti (Dimsdale-Zucker et al., 2018). Tale studio ha mostrato che gli elementi appresi all'interno dello stesso contesto spaziale hanno suscitato modelli di attivazione sovrapposti in CA1 e modelli differenziati in DG/CA2,3 durante il recupero rispetto agli elementi che non condividevano informazioni contestuali. I risultati attuali differiscono da quello studio in diversi modi chiave. In primo luogo, lo studio precedente ha misurato i codici dei sottocampi durantememoriarecupero, mentre il nostro lavoro rivela i processi di apprendimento attivo che guidano la formazione di rappresentazioni dissociabili di sottocampi. In particolare, quello studio precedente non ha quantificato in che modo la riattivazione di ricordi simili, durante l'apprendimento o il recupero, fosse correlata alla codifica del sottocampo dell'ippocampo. Qui, mostriamo una dissociazione nella codifica del sottocampo dell'ippocampo come risultato dimemoriariattivazione. Inoltre, mostriamo che i codici neurali formati dalle sottoregioni dell'ippocampo non solo supportano il semplice riconoscimento (Dimsdale-Zucker et al., 2018) o la memoria spaziale (Leutgeb et al., 2004, 2007), ma anche l'inferenza sulle relazioni tra i ricordi (vedi anche Schlichting et al., 2014). Le decisioni di inferenza sono state più rapide e accurate con una maggiore somiglianza tra gli elementi indiretti dopo l'apprendimento nel subiculum, indicando come la sovrapposizione di codici promuove l'estrazione della conoscenza oltre l'esperienza diretta.

quanto tempo ci vuole per lavorare

La nostra scoperta che le rappresentazioni del subiculum tengono traccia delle decisioni di inferenza può riflettere che il subiculum è la struttura di output del circuito ippocampale (O'Mara et al., 2001), che svolge un ruolo chiave nel ricordo (Viskontas et al., 2009; Lindberg et al. , 2017). Mentre il subiculum ha mostrato prove di differenziazione correlata all'apprendimento per le coppie sovrapposte in generale, i nostri dati di modellazione indicano che il cambiamento rappresentativo nel subiculum riflette un continuum di risposte. Una maggiore integrazione (che può anche essere considerata come una minore differenziazione) ha promosso un'inferenza più rapida e accurata. I nostri risultati suggeriscono che, quando i ricordi sono più integrati (o meno differenziati), l'inferenza è facilitata dal recupero di una connessione memorizzata tra elementi indirettamente correlati (Shohamy e Wagner, 2008; Schlichting et al., 2014); al contrario, la differenziazione potrebbe rallentare l'inferenza tra due tracce separate che dovrebbero essere recuperate e ricombinate al test (Koster et al., 2018).

Come il subiculum, DG/CA2,3 ha mostrato una differenziazione legata all'apprendimento da quella indirettamemoriaelementi quandomemoriala riattivazione era più forte durante la codifica. Tuttavia, va notato che DG/CA2,3 differenziazione della sovrapposizionememoriagli elementi sono stati osservati solo rispetto al basale non correlato, attraverso la triade; non c'è stato alcun cambiamento nella somiglianza dall'apprendimento al post apprendimento per gli elementi indirettamente correlati da soli (Fig. 4D, riquadro). Questa scoperta è coerente con il lavoro precedente che mostrava la differenziazione dell'ippocampo per eventi correlati rispetto a eventi non correlati dopo l'apprendimento (Favila et al., 2016; Dimsdale-Zucker et al., 2018), controllando anche i cambiamenti di base nella somiglianza che si verificano nel tempo. Inoltre, la DG/CA2,3 ha mostrato prove permemoriaintegrazione quando la riattivazione della memoria era più debole durante l'apprendimento, suggerendo il potenziale per dinamiche rappresentative più sfumate in questa regione. Ad esempio, la competizione di memoria suscitata dalla riattivazione può avere una relazione non monotona con il cambiamento rappresentazionale in DG/CA2,3 (Ritvo et al., 2019). Una riattivazione più forte può promuovere la differenziazione attiva; livelli di riattivazione più deboli o intermedi possono portare all'integrazione e nessuna riattivazione può produrre rappresentazioni non sovrapposte che sono separate tramite ortogonalizzazione passiva. Questa complessa strategia di codifica potrebbe spiegare perché DG/CA2,3 mostra prove di rappresentazioni differenziate (Kim et al., 2017) e integrate (Schapiro et al., 2012) in circostanze diverse. In alternativa, i nostri risultati possono riflettere l'uso di una regione combinata DG/CA2,3, i cui componenti si pensa esibiscano diverse funzioni di trasferimento tra segnali ambientali e risultantimemoriarappresentazioni (Yassa e Stark, 2011). Il modello di risultati osservato indica che la quantificazione della riattivazione della memoria insieme al cambiamento rappresentativo è necessaria per comprendere appieno come la competizione della memoria influisca sull'apprendimento della rappresentazione nella DG/CA2,3.

In conclusione, i nostri risultati empirici supportano un modello computazionale del circuito ippocampale recentemente proposto (Schapiro et al., 2017); le simulazioni di questo modello suggeriscono che CA1 può rappresentare relazioni tra eventi, mentre le rappresentazioni DG e CA3 possono enfatizzare le differenze tra episodi simili. I nostri risultati sono in linea con queste previsioni computazionali, con CA1 che forma rappresentazioni integrate per ricordi simili, mentre DG/CA2,3 e subiculum differenziano quelle stesse esperienze. Inoltre, mostriamo che le rappresentazioni dell'ippocampo supportano una nuova inferenza, facilitando la scoperta di relazioni non osservate tra esperienze distinte ma correlate. Il presente lavoro mostra inoltre che le dissociazioni del sottocampo dell'ippocampo non sono una semplice funzione di input sensoriali, ma risultano damemoriacompetizione basata sull'apprendimento. Insieme, il presente studio fa avanzare la nostra comprensione di come la conoscenza precedente modella il modo in cui i nuovi eventi sono rappresentati all'interno del circuito dell'ippocampo, fornendo un test empirico delle previsioni chiave dei modelli computazionali dell'ippocampomemoriafunzione.