Parte 1: Qual é o efeito da reativação da memória durante o aprendizado?

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

Pls clique aqui para a Parte 2

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

1Departamento de Psicologia, Universidade do Texas em Austin, Austin, Texas 78712, 2Centro de Aprendizagem e Memória, Universidade do Texas em Austin, Austin, Texas 78712, e 3Departamento de Neurociência, Universidade do Texas em Austin, Austin, Texas 78712

Suplemento Cistanche: melhora a memória

Eventos que se sobrepõem a experiências anteriores podem desencadear a reativação de memórias existentes. No entanto, tal reativação pode ter diferentes consequências representacionais dentro do circuito hipocampal. Teorias computacionais da função hipocampal sugerem que o giro denteado e CA2,3 (DG/CA2,3) são tendenciosos para diferenciar memórias altamente semelhantes, enquanto CA1 pode integrar eventos relacionados representando-os com códigos neurais sobrepostos. Aqui, testamos se a formação de representações diferenciadas ou integradas em subcampos hipocampais depende da força dememóriareativação durante o aprendizado. Participantes humanos de ambos os sexos aprenderam associações (pares AB, formato de rosto ou formato de cena) e, em seguida, foram submetidos à varredura de fMRI enquanto codificavam associações sobrepostas (pares BC de forma-objeto). Tanto antes quanto depois de aprender, os participantes também foram escaneados enquanto visualizavam elementos indiretamente relacionados das memórias sobrepostas (imagens A e C) isoladamente. Usamos análises de padrões multivariados para medir a reativação de memórias de pares iniciais (itens A) durante o aprendizado de pares sobrepostos (BC), bem como a mudança representacional relacionada ao aprendizado paramemóriaelementos em subcampos hipocampais. Quando as memórias anteriores foram fortemente reativadas durante a codificação de pares sobrepostos, DG/CA2,3 e representações de subículo para imagens indiretamente relacionadas (A e C) tornaram-se menos semelhantes, consistentes com a diferenciação de padrões. Simultaneamente,memóriareativação durante o novo aprendizado promoveu a integração no CA1, onde as representações dememóriaelementos tornaram-se mais semelhantes após o aprendizado. Além disso,memóriaa reativação e a representação do subículo previram decisões de inferência (AC) mais rápidas e precisas. Esses dados mostram que a reativação de memórias relacionadas durante o novo aprendizado leva a estratégias de codificação dissociáveis ​​em subcampos hipocampais, de acordo com as teorias computacionais.

Palavras-chave: memória associativa; memória episódica; fMRI de alta resolução; subcampo hipocampal; separação de padrões

melhorar a memória cápsulas de cistanche

Declaração de significância

A flexibilidade dos episódiosmemórianos permite lembrar tanto os detalhes que diferenciam eventos semelhantes quanto as semelhanças entre eles. Aqui, testamos como a reativação de experiências passadas durante o novo aprendizado promove a formação de representações neurais que podem servir a esses doismemóriafunções. Descobrimos que a reativação da memória durante o aprendizado promoveu a formação de representações diferenciadas para memórias sobrepostas nos subcampos do giro denteado/CA2,3 e subículo do hipocampo, ao mesmo tempo em que levou à formação de representações integradas de eventos relacionados no subcampo CA1. Além disso,memóriaa reativação e a representação do subículo predisseram sucesso ao inferir relações indiretas entre os eventos. Esses achados indicam quememóriaa reativação é um importante sinal de aprendizado que influencia como eventos sobrepostos são representados dentro do circuito hipocampal.

Introdução

O hipocampo é composto por múltiplos subcampos que contribuem paramemóriaprocessamento e representação. Modelos computacionais propõem que as propriedades anatômicas do giro denteado e CA2,3 (DG/CA2,3) tornam esses subcampos ideais para separação de padrões, ou a ortogonalização automática de entradas corticais altamente semelhantes por meio de disparo esparso (Marr, 1971; Schapiro et al. ., 2017). Em contraste, as características do CA1 foram propostas para mediarmemóriaintegração ou a formação de representações sobrepostas que codificam as características comuns

Figura 1. Desenho experimental. Um esquema da tarefa comportamental. Os participantes foram expostos pela primeira vez a imagens apresentadas individualmente (rostos, cenas e novos objetos) que mais tarde se tornariam indiretamente relacionados através da aprendizagem associativa (itens A e C). Em seguida, os participantes aprenderam a associar pares iniciais (associações AB de formato de rosto ou de cena) e foram escaneados enquanto aprendiam pares sobrepostos (associações BC de forma-objeto). Os participantes foram escaneados novamente em uma fase pós-exposição enquanto visualizavam os mesmos itens da pré-exposição (itens A e C). Os participantes então completaram uma tarefa de inferência entre os episódios. Por fim, os participantes concluíram uma tarefa de localização na qual visualizaram rostos, cenas, objetos e formas apresentados individualmente em um desenho em bloco. B, Manipulação de similaridade visual. A similaridade do item B compartilhado entre os pares foi manipulada parametricamente. Neste exemplo, a forma superior teria sido vista nos pares AB iniciais, enquanto a linha inferior representa as diferentes formas de forma que podem ser vistas ao aprender os pares BC sobrepostos. O item B de ligação apresentado durante o aprendizado de pares sobrepostos pode ser uma correspondência exata com o item B apresentado durante o aprendizado de pares inicial (AB), uma morfologia de alta ou baixa similaridade ou um novo item (ou seja, não sobreposto). C, Semelhança subjetiva de estímulos de forma usados ​​para itens Piscando. Uma amostra independente de participantes avaliou a semelhança visual entre formas parentais e formas morfológicas apresentadas lado a lado usando uma escala Likert de 5 pontos (1=nada semelhante, 5=muito semelhante). pp , 0.05 (testes t pareados). As barras de erro indicam 6 SEM.

em episódios relacionados (Eichenbaum et al., 1999; Schlichting e Preston, 2015; Schapiro et al., 2017). A pesquisa eletrofisiológica evidencia tais dissociações representacionais entre subcampos: conjuntos DG/CA2,3 provocam padrões de disparo distintos com apenas pequenas mudanças nas características perceptivas de um ambiente, enquanto os padrões de atividade CA1 mudam gradualmente à medida que os ambientes se tornam perceptualmente distintos (Leutgeb et al., 2004, 2007). Trabalhos paralelos em humanos mostraram que mudanças na ativação de DG/CA2,3 distinguem entre imagens de objetos altamente semelhantes ou objetos que compartilham um contexto semelhante, enquanto as respostas de CA1 não (Bakker et al., 2008; Lacy et al., 2011; Dimsdale -Zucker et al., 2018). O Subiculum, a estrutura de saída do circuito hipocampal (O'Mara et al., 2001), pode contribuir tanto para a diferenciação de padrões (Potvin et al., 2009) quanto para a integração (Schapiro et al., 2012).

No entanto, tal trabalho anterior não considerou comomemóriaA reativação impulsiona estratégias representacionais dissociáveis ​​dentro do hipocampo, permitindo que o aprendizado da representação vá além de uma simples transformação entre entrada sensorial externa ememóriaresultado. Modelos clássicos de aprendizado computacional propõem quememóriaas representações devem se ajustar para prever resultados prováveis ​​em resposta a pistas ambientais, com a integração ocorrendo quando os estímulos predizem o mesmo resultado e a diferenciação quando os estímulos predizem resultados distintos (Rumelhart et al., 1986). No entanto, descobertas recentes de fMRI indicam que a diferenciação também pode ocorrer quando os estímulos compartilham uma associação ou resultado comum (Schlichting et al., 2015; Favila et al., 2016; Zeithamova et al., 2018). Nesses estudos, as representações hipocampais eram mais distintas para estímulos que compartilhavam um resultado comum do que estímulos com resultados diferentes. Tal diferenciação não pode ser explicada em termos de separação automática de entrada externa por meio de codificação esparsa em DG/CA2,3; em vez disso, uma perspectiva teórica recente propõe em subcampos hipocampais (Ritvo et al., 2019). Também hipotetizamos que integração e diferenciação não seriam resultados mutuamente exclusivos em resposta à reativação da memória, mas que a reativação levaria à formação simultânea de representações complementares diferenciadas e integradas em DG/CA2,3 e CA1.

Para testar essas previsões, manipulamos parametricamente a semelhança perceptual entre eventos sobrepostos em uma tarefa de inferência associativa (Fig. 1). Os participantes estudaram os pares iniciais e foram escaneados usando fMRI de alta resolução enquanto aprendiam os pares sobrepostos. Nós testamosmemóriapara os pares aprendidos e conhecimento inferido das relações indiretas entre pares, com desempenho de inferência servindo como índice comportamental de integração (Shohamy e Wagner, 2008; Zeithamova et al., 2012). Criticamente, quantificamos comomemóriaa reativação durante o aprendizado de eventos sobrepostos afetou a representação do subcampo do hipocampo.

benefícios para a saúde do cistanche: melhorar a memória

Materiais e métodos

Participantes

Trinta e dois indivíduos destros (15 mulheres, com idade de 18-31anos, média=21,5 anos) participaram após dar consentimento informado de acordo com um protocolo aprovado pelo Conselho de Revisão Institucional da Universidade do Texas em Austin. Os participantes receberam $ 25/h em compensação. Os dados de 6 participantes foram excluídos das análises: 2 participantes por causa do movimento excessivo da cabeça, 1 participante que se retirou do experimento, 2 participantes que tiveram sessões de varredura incompletas (as fases pós-exposição e/ou localizador não foram escaneadas) e 1 participante por artefatos de imagem nas varreduras funcionais que impediram a análise das fases de pré-exposição e localizador. Os demais participantes (n=26, 14 mulheres) foram incluídos nas análises. Determinamos nosso tamanho de amostra final com base em estudos relacionados que usaram paradigmas e abordagens analíticas semelhantes (Zeithamova et al., 2012; Schlichting et al., 2015; Dimsdale-Zucker et al., 2018). Além disso, esse tamanho de amostra nos deu um poder estatístico estimado de 0,0,99 para detectar um efeito de similaridade visual na precisão da inferência entre episódios com base em dados piloto de um grupo separado de participantes (n=30, 22 mulheres, idade { {23}}anos, média=18,9 anos; ANOVA de medidas repetidas resultando em h ao quadrado parcial (h2)=0,280).

Estímulos

Os estímulos foram 58 rostos desconhecidos (metade masculino, metade feminino, todos brancos), 58 cenas desconhecidas (metade natural, metade artificial), 671 formas pretas geradas no MATLAB (para mais informações, consulte Manipulação de similaridade visual durante nova codificação) e 74 novas objetos (Hsu et al., 2014; Schlichting et al., 2015). Um subconjunto dos estímulos foi organizado em 32 tríades compostas por três itens (A, B, C) que foram utilizados na tarefa de inferência associativa (Fig. 1A). Os itens A consistiam em faces (16) divididas igualmente por gênero e cenas (16) divididas igualmente por natural e artificial; todos os itens B eram formas (56); todos os itens C eram objetos novos (32). Outro subconjunto de estímulos (42 faces, 42 cenas, 42 objetos e 42 formas) foi usado na tarefa de localização e não foi visto na tarefa de inferência associativa. A atribuição de estímulos às tríades e tarefa do localizador foi randomizada entre os participantes. Os estímulos foram apresentados usando Psychtoolbox no MATLAB (Brainard, 1997; Pelli, 1997; Kleiner et al., 2007).

pó de cistache

Procedimento de tarefa

Aprendizagem do par inicial (AB). Os participantes aprenderam os pares iniciais (AB) em quatro blocos de estudo-teste. Durante a fase de estudo, cada um dos 32 pares iniciais foi apresentado por 3,5 s com intervalo entre tentativas (ITI) de 0,5 s. O item A (face ou cena) sempre foi apresentado à esquerda e o item B (forma) sempre à direita. Depois de estudar todos os pares, os participantes foram testados usando um 3-teste de escolha forçada alternativo. Os participantes foram orientados com o item A na parte superior da tela e tiveram que escolher entre o item B apropriado e duas folhas. As folhas eram formas de outras tríades, de modo que os participantes não podiam basear sua decisão na familiaridade das formas. Os participantes tiveram 1{10}} s para responder em cada tentativa. Após a resposta do participante, foi fornecido feedback corretivo ao final de cada tentativa por 1 s. Os ensaios de teste foram separados por 0,5 s ITI. As imagens anatômicas foram coletadas durante esta fase.

Manipulação de similaridade visual durante a nova codificação. Para examinar como a semelhança de elementos de evento afetamemóriareativação e comportamento, a semelhança visual do elemento de ligação (a forma, ou item B) na tarefa de inferência associativa foi manipulada parametricamente (Fig. 1B). Manipulamos a similaridade visual com base em trabalhos anteriores mostrando que as respostas do subcampo do hipocampo são moduladas pela sobreposição de características visuais entre os eventos (Leutgeb et al., 2004, 2007; Bakker et al., 2008; Lacy et al., 2011). Havia um total de quatro condições: correspondência exata, alta similaridade, baixa similaridade e nova. Na condição de correspondência exata, os participantes viram exatamente a mesma forma B de ligação ao aprender os pares iniciais (AB) e os pares sobrepostos (BC). Nas condições de alta e baixa similaridade, cada forma vista nos pares sobrepostos era uma forma paramétrica de uma forma de um dos pares iniciais. Formas "pais" foram geradas tomando 16 pontos distribuídos ao longo do perímetro de um círculo, traduzindo aleatoriamente cada ponto e, em seguida, conectando pontos adjacentes para criar arestas usando interpolação de spline. As formas nas condições de alta e baixa similaridade foram geradas tomando formas de dois pais e calculando a média das coordenadas dos vértices correspondentes usando pesos diferentes. As formas de alta similaridade foram ponderadas em 80% para uma forma principal e 20% para a outra forma, enquanto as formas de baixa similaridade foram ponderadas em 70% para uma forma principal e 30% para a outra. Na nova condição, os participantes viram uma nova forma emparelhada com um novo objeto, tornando esses pares não sobrepostos aos pares iniciais. Os novos pares serviram, assim, como base para a aprendizagem associativa. Cada participante estudou oito tríades por condição de similaridade visual.

As diferenças na similaridade subjetiva entre os itens de alta e baixa similaridade foram confirmadas em uma amostra independente de 9 participantes (8 mulheres, idade 18-22anos, média=19,4 anos). Os participantes desta amostra classificaram a semelhança visual entre as formas pai e as formas apresentadas lado a lado usando uma escala Likert de 5 pontos (1=nada semelhante, 5=muito semelhante) em 180 testes . Correspondências exatas foram classificadas como mais semelhantes do que morfos de alta similaridade (t(8) {{10}}.255, p , 0.001, Cohen's d=2.085), morfos de alta similaridade foram classificados como mais semelhantes do que morfos de baixa similaridade (t(8)=9.312, p,0.001, d=3.104), e morfos de baixa similaridade foram classificados como mais semelhantes do que novos itens (t(8)=10.021, p,0.001, d=3.340). Uma ressalva para quantificar a similaridade subjetiva usando essa abordagem é que a comparação não envolve ummemóriacomponente. É possível que, se inserimos um atraso entre a apresentação de duas formas, a função de similaridade subjetiva observada (Fig. 1C) possa ter diferido; por exemplo, as diferenças subjetivas de similaridade entre as condições de alta e baixa similaridade podem ter sido menos pronunciadas. Embora essa ressalva de medição possa influenciar a interpretação dos próprios julgamentos de similaridade subjetiva, ela tem menos impacto na interpretação de nossas análises comportamentais e neurais centrais. Observamos diferenças emmemóriadesempenho e reativação entre as condições de similaridade (incluindo as condições alta e baixa) que indicam as quatro condições de similaridade impactadas diferencialmente no processamento (ver Resultados). Além disso, nossas análises neurais que avaliam a mudança representacional relacionada ao aprendizado focam apenas na condição de alta similaridade e não dependem de comparações com outras condições de similaridade (consulte Exposição de itens individuais antes e depois do aprendizado).

Aprendizagem de pares sobrepostos (BC). Depois que os participantes aprenderam os pares iniciais, eles foram escaneados enquanto aprendiam os pares sobrepostos. Esta fase novamente consistiu em quatro blocos de estudo-teste. Durante a fase de estudo, os 32 pares foram apresentados usando um design relacionado ao evento, com pares apresentados por 3,5 s seguidos de 8,5 s ITI de fixação. O item C (objeto) sempre foi apresentado à esquerda e o item B (forma) sempre à direita. Após cada fase do estudo, os participantes foram testados nos pares BC usando um 3-teste de escolha forçada alternativo, que não foi escaneado. Os participantes foram orientados com o item C na parte superior da tela e tiveram que escolher entre o item B apropriado e duas folhas. O feedback não foi dado durante esta fase. Os participantes tiveram 1{10}} s para responder em cada tentativa de teste, e as tentativas foram separadas por 0,5 s ITI.

Exposição a itens individuais antes e depois do aprendizado. Antes de aprender os pares iniciais e após aprender os pares sobrepostos, os participantes foram expostos a itens A e C apresentados individualmente (rostos, cenas e objetos) da condição de alta similaridade. Essas fases de exposição foram limitadas a uma única condição de similaridade visual para maximizar o número de apresentações para cada estímulo e melhorar a estimativa de padrões de ativação relacionados à tarefa (consulte Estimativa de padrões de estímulos individuais antes e depois do aprendizado). O uso de uma única condição de similaridade também nos permitiu controlar os efeitos da similaridade visual ao calcular a mudança representacional. A condição de alta similaridade visual foi usada porque trabalhos anteriores em humanos mostraram que estímulos altamente semelhantes visualmente provocam respostas diferenciais em DG/CA2,3 e CA1 (Lacy et al., 2011).

Em cada corrida de exposição, os participantes foram escaneados enquanto os itens eram apresentados por 1 s com um ITI de 3 s. Enquanto cada item estava na tela, os participantes completavam uma tarefa de detecção de mudança indicando por meio do pressionamento do botão se uma cruz preta sobreposta mudava de cor para verde ou azul 100-200ms após o início do estímulo (Kriegeskorte et al., 2008; Schlichting et al., 2015). Havia quatro repetições de cada item por corrida, e um total de quatro corridas cada nas fases de pré e pós-exposição. Os ensaios foram pseudorandomizados de modo que os itens dentro de uma tríade fossem apresentados com pelo menos dois itens intercalados de outras tríades. Além disso, 20% das tentativas foram nulas (ou seja, não houve tarefa de detecção de objeto ou alteração) para melhorar a estimativa de ativação em nível de item na análise; essas tentativas nulas foram colocadas aleatoriamente entre as tentativas de apresentação de itens. A ordem e o tempo dos testes foram idênticos nas fases de pré-exposição e pós-exposição. A precisão na tarefa de detecção de alterações foi monitorada para garantir que os participantes estivessem prestando atenção à tarefa, mas não foi considerada mais.

Houve também uma fase de pré-exposição não digitalizada para itens da correspondência exata, baixa similaridade e novas condições que ocorreram antes da primeira execução de pré-exposição digitalizada. O objetivo desta fase foi igualar a familiaridade dos itens A e C na correspondência exata, baixa similaridade e novas condições aos itens na condição de alta similaridade antes do aprendizado dos pares. A exposição sem varredura foi semelhante às fases de exposição com varredura, exceto que o ITI foi de 0,5 s e não houve tentativas nulas.

Teste de inferência associativa (AC). Após a fase de pós-exposição, os participantes receberam um teste surpresa sobre as relações indiretas entre os itens A e C que compartilhavam um associado comum (B). O teste de inferência foi realizado dentro do scanner, mas não foi digitalizado. Nesta fase, os participantes foram orientados com o item C (objeto) e poderiam escolher entre itens A da mesma categoria (ou seja, três faces ou três cenas). Em testes de face, os participantes foram instruídos a escolher a pessoa que provavelmente possuiria o objeto indicado. Nos testes de cena, eles foram instruídos a escolher o local em que provavelmente encontrariam o objeto indicado. Criticamente, em nenhum momento os participantes foram explicitamente instruídos sobre a manipulação da similaridade visual ou a sobreposição no aprendizado. Os participantes tiveram 10 segundos para responder. Nenhum feedback foi dado.

Localizador. Após o teste de inferência, os participantes foram escaneados em uma tarefa de localização. Nesta tarefa, os participantes visualizaram uma série de estímulos das quatro categorias de estímulos usadas no experimento: rostos, cenas, formas e objetos. Os estímulos foram apresentados em um delineamento em blocos, com cada bloco composto por oito imagens apresentadas por 2,5 s cada com 0,5 s ITI. Durante cada bloco de estímulo, os participantes completaram uma voltamemóriatarefa na qual eles tiveram que detectar um estímulo repetido. Houve um estímulo repetido em cada bloco. A precisão na tarefa one-back foi monitorada para garantir que os participantes estivessem prestando atenção à tarefa, mas não foi considerada mais. Os blocos foram separados por 8 s de fixação. Os participantes completaram três corridas da tarefa do localizador, com dois blocos por tipo de estímulo por corrida.

coleta e pré-processamento de dados de fMRI

Os dados foram coletados com um 3T Siemens Skyra. Houve um total de 15 varreduras funcionais (TR=2000 ms, TE=30 ms, ângulo de inclinação=73 graus, voxels isotrópicos de 1,7 mm, EPI, fator de aceleração multibanda{{8}) }) nas fases de pré-exposição, estudo de pares sobrepostos, pós-exposição e localizador. Três mapas de campo (TR=589 ms, TE{{10}} ms/7,46ms, 1.5 1.5 2 voxels mm, ângulo de inversão{{16}) } grau ) foram coletadas para corrigir distorções no campo magnético: uma imediatamente antes da fase de pré-exposição para corrigir as varreduras de pré-exposição, uma antes da fase de estudo de pares sobrepostos para corrigir as varreduras de estudo e pós-exposição e uma antes da fase de localizador para corrigir a varreduras de localizador. AT1-volume 3D MPRAGE ponderado foi coletado (TR=1900 ms, TE=2.43ms, ângulo de inversão=9 graus, voxels isotrópicos de 1 mm) para facilitar o alinhamento e a normalização de os dados funcionais para um modelo anatômico. Duas varreduras estruturais ponderadas em T2- coronal, alinhadas perpendicularmente ao eixo longo do hipocampo, foram coletadas (TR=13,150 ms, TE=82 ms, 0,4 mm no plano, 1,5 mm através -plane) e, em seguida, calculada a média para segmentação de subcampo.

Imagens funcionais e anatômicas foram pré-processadas usando FMRIB Software Library versão 5.0.9 (FSL: http://fsl.fmrib.ox.ac.uk/fsl/) e Advanced Normalization Tools (ANTS) versão 2.1 ( Avants et al., 2011). As varreduras funcionais foram corrigidas de movimento usando MCFLIRT em FSL e, em seguida, registradas no estudo de par sobreposto final usando transformações afins em ANTS. Estruturas não cerebrais foram removidas das varreduras funcionais e MPRAGE usando BET em FSL. O processamento de dados adicionais foi realizado usando FEAT (FMRI Expert Analysis Tool) versão 6.00, parte do FSL. O seguinte processamento estatístico foi aplicado a todas as imagens funcionais; co-registro com o MPRAGE e EPI baseado em mapa de campo unwarping usando FUGUE (Jenkinson, 2003); normalização da intensidade da grande média de todo o conjunto de dados 4D por um único fator multiplicativo; filtragem temporal passa-alta (ajuste de mínimos quadrados ponderado Gaussiano, com s =64 s). A suavização espacial usando um kernel gaussiano de FWHM 4 mm foi aplicada ao aprendizado de pares sobrepostos e às varreduras do localizador.

para que serve o cistanche: melhorar a memória

ROIs

As ROIs anatômicas incluíram matéria cinzenta do cérebro inteiro para a análise de reativação e subcampos do hipocampo para a análise de codificação neural. Uma máscara de massa cinzenta de todo o cérebro foi criada para cada participante no espaço nativo usando o FAST (Zhang et al., 2001), parte do FSL, com o MPRAGE. Máscaras de matéria cinzenta foram então movidas para resolução funcional usando transformações lineares em ANTS. Dentro do hipocampo, os padrões de ativação nos subcampos CA1, uma região combinada DG/CA2,3 e subículo foram analisados. Os subcampos do hipocampo foram identificados na cabeça e no corpo do hipocampo no espaço nativo por máscaras de normalização reversa de um modelo de código aberto com subcampos segmentados (Schlichting et al., 2019) para a imagem coronal T2 média de cada participante usando SyN não linear transformações em ANTS. Este procedimento demonstrou fornecer resultados comparáveis ​​ao rastreamento manual (Schlichting et al., 2019). As máscaras foram então inspecionadas e editadas manualmente para cada participante para remover voxels fora do hipocampo e garantir segmentação precisa com base em protocolos estabelecidos (West e Gundersen, 1990; Duvernoy, 1998; Mai et al., 2007). Por fim, as máscaras de subcampo foram transformadas para o espaço das varreduras funcionais, primeiro registrando a imagem coronal média no MPRAGE usando transformações lineares e, em seguida, aplicando a transformada calculada anteriormente ao espaço funcional.

Quantificação e análise estatística

Decodificaçãomemóriareativação durante o aprendizado de eventos sobrepostos. Para medir a reativação de padrões de codificação relacionados aos pares iniciais durante o aprendizado de pares sobrepostos, usamos uma análise de classificação de padrões em PyMVPA (Hanke et al., 2009). Se os participantes reativaram informações relacionadas (ou seja, A face e itens de cena de pares AB) ao aprender pares sobrepostos (pares BC de forma-objeto), então um classificador de padrão treinado nos dados do localizador deve ser sensível à categoria de informação (ou rosto ou cena) que está sendo reativado (Polyn et al., 2005; Kuhl et al., 2011; Zeithamova et al., 2012). Assim, treinamos o classificador de padrões com dados da fase do localizador e, em seguida, aplicamos o classificador à fase de aprendizado de pares sobrepostos. Nós operacionalizamosmemóriareativação como evidência classificadora para a categoria dos itens A (ou seja, face ou cena) dos pares AB iniciais relacionados aos pares BC sobrepostos.

Nós medimosmemóriareativação usando um procedimento de várias etapas. Primeiro, executamos um holofote de cérebro inteiro (Kriegeskorte et al., 2006) para identificar regiões onde as informações sobre itens A foram restabelecidas durante o aprendizado de pares sobrepostos. Em cada esfera de holofote (raio=3 voxels, volume=123 voxels), uma máquina de vetor de suporte linear foi treinada para diferenciar padrões neurais da fase localizadora associada a rostos, cenas, objetos e formas. Para levar em conta o atraso hemodinâmico, cada imagem funcional foi rotulada tomando os rótulos do teste e deslocando-os no tempo em 4 s (dois TRs). O classificador treinado foi então aplicado aos padrões neurais da fase de aprendizado de pares sobrepostos, que também foi deslocado no tempo por 4 s. As estimativas de reativação em nível de teste foram extraídas tomando evidências do classificador para a categoria associada ao item A de cada tríade (por exemplo, evidência do classificador para rostos para tríades rosto-formato-objeto) para os dois TRs correspondentes à apresentação de cada par. Os valores de evidência do classificador foram classificados em dois conjuntos: um conjunto de reativação

e um conjunto de base. O conjunto de reativação continha valores de evidência do classificador dos ensaios de correspondência exata, alta similaridade e baixa similaridade. O conjunto de linha de base continha valores de evidência de face e cena de ensaios na nova condição. Como os pares forma-objeto na nova condição não se sobrepõem a nenhum dos pares aprendidos anteriormente, eles não devem provocar a reativação de memórias de rosto ou cena. O índice final de reativação foi calculado em cada esfera tomando a diferença entre a evidência média para o conjunto de reativação e a média do conjunto de linha de base.

Para testar a significância desse índice de reativação, comparamos o índice de reativação real com uma distribuição nula em cada esfera de holofote. A distribuição nula foi criada em 1000 iterações ao embaralhar os valores de evidência do classificador nos conjuntos de reativação e linha de base e, em seguida, recalcular o índice de reativação a cada iteração. O voxel central de cada esfera de holofote relatou a proporção da distribuição nula com índices de reativação maiores ou iguais ao índice de reativação observado (ou seja, valor-p). Para identificar regiões de reativação entre os participantes, os mapas de holofotes de participantes individuais foram normalizados para um modelo de grupo para teste de significância. As imagens de valor p foram convertidas em imagens de estatística z e depois distorcidas para o modelo anatômico MNI 152 (reamostrado para a resolução das varreduras funcionais, voxels isotrópicos de 1,7 mm) usando transformações SyN não lineares em ANTS. Voxelwise, o teste de permutação não paramétrica foi feito usando Randomise em FSL em mais de 5.000 iterações (Winkler et al., 2014). Clusters significativos foram identificados aplicando um limiar de voxel de p,0,01 (não corrigido) e um limiar de cluster de p,0,05. Os limites foram calculados usando a função AFNI (Cox, 1996) 3dClustSim com estimativas de suavidade derivadas da fase de estudo usando 3dFWHMx com base na Função de AutoCorrelação espacial. A extensão do cluster foi determinada usando limiarização bilateral com agrupamento do segundo vizinho mais próximo.

Para confirmar que a medida de reativação não foi impulsionada por uma única categoria de estímulo, interrogamos ainda os grupos de holofotes para testar se a reativação variou com a categoria de estímulo (face ou cena) do item A em uma análise post hoc. Os clusters significativos identificados na análise do holofote de reativação foram convertidos em máscaras binárias e normalizados de forma reversa em espaço nativo usando ANTS. Em seguida, a análise de reativação foi repetida em cada ROI funcional para cada participante. Usamos ANOVA de medidas repetidas com região e categoria de estímulo como fatores para avaliar se a reativação em cada região diferia em função da categoria de estímulo.

Enquanto nossa análise inicial do holofote localizou as regiões nas quais a reativação ocorreu acima da linha de base, também executamos um holofote independente para identificar regiões onde a força da reativação variava com a semelhança visual. Este holofote usou uma abordagem semelhante para a análise medindo a reativação geral, mas com um nível adicional que comparou a evidência do classificador para reativação entre a condição de correspondência exata e as outras condições de similaridade (ou seja, a condição de alta similaridade e a condição de baixa similaridade combinadas). O efeito de similaridade foi calculado em cada esfera tomando a diferença entre a evidência média para a condição de correspondência exata e a evidência média para as condições de alta e baixa similaridade combinadas. Essa diferença foi então comparada com uma distribuição nula em cada esfera de holofote, que foi criada em mais de 1.000 iterações ao embaralhar os valores de evidência do classificador nas condições de correspondência exata e morfologia de similaridade. A normalização para o modelo de grupo, testes estatísticos e correção de cluster foram idênticos ao holofote identificando a reativação acima da linha de base.

Estimativa de padrões de estímulos individuais antes e depois da aprendizagem. Derivamos estimativas de padrões de ativação neural eliciados por cada um dos estímulos A (rostos, cenas) e C (novos objetos 3D) das fases de pré-exposição e pós-exposição usando um GLM com uma abordagem de mínimos quadrados-separados (Mumford et al., 2012 ) no espaço nativo de cada participante. Cada um dos 16 objetos das fases de exposição digitalizadas (ou seja, os oito itens A e oito itens C da condição de alta similaridade) foram modelados iterativamente em cada execução das fases de pré-exposição e pós-exposição separadamente (Schlichting et al., 2015).

extrato de cistanche tubolosa: melhora a memória

As apresentações de objetos foram modeladas como um evento de 1 s, e o regressor para cada objeto incluiu todas as quatro repetições em uma execução de varredura. Cada um dos 16 regressores de objetos foi convoluído com o duplo C HRF canônico. A filtragem temporal foi então aplicada. Os GLMs incluíram regressores de confusão adicionais: parâmetros de movimento, suas derivadas temporais, deslocamento de quadro e DVARS (Power et al., 2012; Schlichting e Preston, 2014; Schlichting et al., 2015). Regressores de movimento adicionais foram adicionados para pontos de tempo durante os quais o movimento da cabeça excedeu 0,5 mm para deslocamento de quadro e 0,5 por cento de mudança no sinal BOLD para DVARS (Power et al., 2012). Imagens beta foram geradas para cada item A e C para cada corrida pré-exposição e pós-exposição, totalizando 128 imagens estatísticas por participante.

Quantificando mudanças relacionadas à aprendizagem na similaridade neural do subcampo hipocampal. Diferenciação de padrões ememóriaintegração no hipocampo foram indexados usando uma análise de similaridade representacional (Kriegeskorte et al., 2008) implementada em PyMVPA (Hanke et al., 2009). Holofotes foram executados separadamente dentro de DG/CA2,3, CA1 e subículo anatomicamente definidos no espaço nativo de cada participante. Dentro de cada esfera de holofote (raio=2 voxels, volume=33 voxels) (Schapiro et al., 2012), foram geradas matrizes de similaridade calculando os valores de correlação de Pearson aos pares para as 128 imagens estatísticas correspondentes ao A e itens C nas execuções de pré-exposição e pós-exposição, transformados em z de Fisher. Então, a mudança na similaridade de padrão devido ao aprendizado foi medida subtraindo os valores de similaridade pré-exposição dos valores de similaridade pós-exposição nas células correspondentes.

Após o cálculo da alteração na semelhança de padrão (doravante referida como D), os valores D foram classificados dependendo se o valor era para uma comparação dentro da tríade ou uma comparação entre a tríade. Esses dois conjuntos de valores nos permitiram determinar como a mudança representacional foi influenciada pela sobreposição de eventos devido ao aprendizado (conjunto de comparação dentro da tríade) em relação a uma linha de base que simplesmente refletia a exposição repetida sem sobreposição de eventos (conjunto de comparação entre as tríades). É importante ressaltar que apenas os valores D que refletiam as correlações entre as corridas foram usados ​​para reduzir o viés que poderia ser introduzido a partir da autocorrelação no sinal BOLD (Mumford et al., 2012).

Para avaliar o efeito da reativação durante o aprendizado na mudança representacional, os valores D dentro da tríade foram subdivididos com base na força dememóriareativação durante a aprendizagem dos pares sobrepostos. Para cada participante, a força de reativação foi calculada para cada tríade, tomando o índice de reativação médio em toda a rede de regiões identificadas na análise do holofote de reativação (consulte a Fig. 3A), calculada a média entre os blocos de estudo. As tríades foram então divididas em tríades de reativação mais fortes e tríades de reativação mais fracas usando uma divisão mediana nos valores médios de reativação. Assim, as comparações dentro da tríade D foram ainda classificadas em uma reativação mais forte dentro da tríade D e uma reativação mais fraca dentro da tríade D em cada esfera de holofote. Finalmente, todos os conjuntos de D foram calculados para criar três valores de resumo: mudança de similaridade média dentro da tríade para tríades de reativação mais fortes (D dentro mais forte), mudança de similaridade média dentro da tríade para tríades de reativação mais fracas (D dentro mais fraca) e mudança de similaridade média entre tríades (através). Comparamos esses valores resumidos para determinar se a codificação neural variou em função da força de reativação.

A codificação neural foi avaliada usando quatro contrastes de holofote (Schlichting et al., 2015) (ver Fig. 4B). Duas análises identificaram voxels hipocampais para os quais haviamemóriaintegração ou diferenciação em todas as tríades, independentemente da força de reativação. IntegrationOverall foi calculado como (dentro de mais forte – DAcross) 1 (dentro de mais fraco – DAcross), refletindo maior similaridade dentro da tríade do que entre a tríade após o aprendizado em todos os graus de reativação. DifferentiationOverall foi calculado como (DAcross – DWithin mais forte) 1 (DAcross – DWithin mais fraco), refletindo menor semelhança dentro da tríade do que entre a tríade em todos os graus de reativação. Duas análises adicionais identificaram voxels para os quais a codificação neural variou em função da força de reativação (IntegrationReativation e DifferentiationReativation). O holofote IntegrationReactivation identificou voxels para os quais a integração ocorreu em maior extensão para tríades de reativação mais fortes. IntegraçãoReativação foi calculada como (dentro mais forte – Ddentro mais fraco). Em contraste, o holofote DifferentationReactivation identificou voxels para os quais a diferenciação ocorreu em maior extensão para tríades de reativação mais fortes. DiferenciaçãoReativação foi calculada como (dentro de mais fraco – Ddentro de mais forte).

A significância de cada um desses cálculos foi determinada comparando os valores de alteração de similaridade calculados com uma distribuição nula em cada esfera de holofote. A distribuição nula foi criada em mais de 1.000 iterações embaralhando as células entre os conjuntos mais fortes, mais fracos e entre os conjuntos e, em seguida, recalculando a estatística de interesse para cada iteração. O voxel central de cada esfera de holofote relatou a proporção da distribuição nula com valores maiores ou iguais à mudança de similaridade observada (ou seja, valor p). Grupos significativos foram identificados usando o mesmo método que os holofotes de reativação, exceto que as imagens da estatística z foram distorcidas para um modelo hipocampal de resolução funcional em vez do modelo MNI reamostrado para a análise em nível de grupo. Os mapas de holofotes normalizados foram então mascarados por cada modelo de subcampo anatômico do hipocampo antes da correção do cluster para garantir que os clusters fossem exclusivos para cada subcampo do hipocampo.

Análises post hoc interrogaram ainda mais a direção da mudança representacional observada em cada subcampo identificado a partir desta análise de holofotes. Uma advertência importante para essas análises post hoc é que elas não são completamente imparciais porque comparam conjuntos de voxels pré-selecionados para exibir efeitos específicos com base nos contrastes do holofote. Assim, nossas análises de acompanhamento não compararam diretamente os valores internos para os itens de reativação mais fortes e mais fracos. Nossas análises post hoc se concentraram na magnitude dos valores de DAcross para testar se houve mudanças globais na similaridade neural nas fases de pré-exposição e pós-exposição, além de comparar valores de DWithin com valores de DAcross para quantificar o grau de integração e diferenciação relacionada ao aprendizado.

Para essas análises post hoc, a mudança de similaridade em DG/CA2,3, CA1 e subículo foi calculada para cada participante no espaço nativo. Os grupos de holofotes identificados pelas análises de holofotes de grupo foram convertidos em máscaras e normalizados de forma reversa no espaço nativo de cada participante usando transformações não lineares em ANTS. Para cada participante, os clusters espaciais nativos foram então dilatados com FSL usando uma caixa 3 3 3 mm como kernel. Para garantir que os clusters ainda estivessem restritos ao seu respectivo subcampo quando convertidos para o espaço nativo do participante, cada cluster foi mascarado usando máscaras de subcampo anatômicas definidas para cada participante individual. Um participante tinha um cluster CA1 no espaço nativo sem número suficiente de voxels para análise de similaridade representacional (,10 voxels) e foi excluído da análise subsequente deste subcampo. Para os participantes restantes, calculamos a mudança de similaridade média dentro de cada cluster separadamente para tríades associadas a uma reativação mais forte durante o aprendizado, aquelas associadas a uma reativação mais fraca durante o aprendizado e a linha de base entre as tríades.

Quantificar a relação entre medidas neurais e comportamento. A relação entre o comportamento e nossas medidas neurais de reativação e mudança representacional foi avaliada usando um modelo Linear Ballistic Accumulator (LBA) para ajustar o desempenho no teste de inferência (Morton et al., 2020). Para cada participante e subcampo (CA1, DG/CA2,3 e subículo), calculamos o escore z de mudança de similaridade entre os itens A e C da aprendizagem para a pós-aprendizagem (D) para cada tríade. Também calculamos o escore z da reativação do item A nas tríades para cada participante. Em seguida, usamos o modelo LBA para ajustar respostas comportamentais e tempos de resposta durante o teste de inferência AC, usando mudança de similaridade e reativação como preditores de variabilidade entre tríades. Usamos uma abordagem Bayesiana multinível para estimar os parâmetros de inclinação média refletindo a relação entre as medidas neurais e o desempenho da inferência AC. As inclinações positivas para as medidas D indicam maiores valores de similaridade entre os itens A e C após o aprendizado estarem associados a inferências mais rápidas e precisas. Inclinações positivas para a medida de reativação indicam que uma maior reativação está associada a uma inferência mais rápida e precisa.