Parte 3: Um gradiente de dopamina controla o acesso à memória de trabalho distribuída no córtex de macaco em grande escala

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

Clique aqui para a Parte 2

DETALHES DO MÉTODO

Visão geral dos dados anatômicos

Neste estudo, combinamos dados anatômicos post-mortem sobre densidades de receptores, conectividade de substância branca, densidades de neurônios e contagens de espinhas dendríticas. Cada uma dessas quatro medidas anatômicas foi originalmente quantificada usando diferentes parcelamentos do córtex. Grandes seções do lobo temporal ainda não foram quantificadas para os dados de autorradiografia do receptor ou para os dados de conectividade de rastreamento de trato. A coleta desses dados está em andamento e será disponibilizada em estudos futuros. Com exceção das densidades de receptores no córtex parietal posterior (Impieri et al., 2019; Niu et al., 2020, 2021), todas as densidades de receptores D1 são relatadas pela primeira vez neste estudo. Os dados de conectividade para dez das 40 áreas corticais são usados ​​aqui pela primeira vez, mas serão descritos com mais detalhes em uma próxima publicação do laboratório Kennedy. Isso nos permitiu expandir o cálculo da hierarquia cortical para 40 regiões.

Cistanche pode melhorar a memória

Uma nota sobre a notação

Subscritos entre colchetes, como ½k são usados ​​para denotar as próprias áreas corticais. Subscritos que não estão entre colchetes, como são usados ​​para denotar populações de neurônios dentro de uma área cortical. Os sobrescritos são usados ​​para fornecer mais informações de esclarecimento. Usamos a convenção de que os alvos são listados antes das fontes, de modo que gi;j denotaria a força de uma conexão da população neural j para a população neural i. Os valores dos parâmetros estão listados na Tabela S6.

Quantificação da densidade do receptor no córtex - autorradiografia in vitro

Para criar um mapa de alta resolução e alta fidelidade da arquitetura do receptor de dopamina cortical, usamos autorradiografia quantitativa do receptor in vitro (Palomero-Gallagher e Zilles, 2018). A autorradiografia anterior do receptor de dopamina concentrou-se em seções relativamente pequenas do córtex (Goldman-Rakic ​​et al., 1990; Impieri et al., 2019; Lidow et al., 1991; Niu et al., 2020; Richfield et al. , 1989). Para criar um mapa mais abrangente dos receptores de dopamina corticais, medimos a densidade do receptor D1 em 109 áreas corticais e os receptores D1 e D2 nos gânglios da base.

Os animais foram sacrificados por meio de uma dose letal intravenosa de pentobarbital sódico. Os cérebros foram removidos imediatamente do crânio, e o tronco cerebral e o cerebelo foram dissecados nas proximidades dos pedúnculos cerebrais. Os hemisférios foram separados e depois cortados em bloco rostral e caudal por um corte no plano coronal de secção entre os sulcos central e arqueado. Esses blocos foram congelados em isopentano a 4{{30}}C a 5{{50}}C e depois armazenados em sacos plásticos herméticos a 70C. Cada bloco foi seccionado em série no plano coronal (espessura da seção de 20 mm) usando um micrótomo criostato (CM 3050, Leica, Alemanha). As seções foram descongeladas em lâminas revestidas de gelatina, liofilizadas durante a noite e processadas para visualização de receptores D1 ou D2, corpos celulares (Merker, 1983) ou mielina (Gallyas, 1979). Autorradiografia quantitativa de receptores in vitro foi aplicada a rotular os receptores dopaminérgicos D1 e D2 de acordo com protocolos publicados anteriormente (Palomero-Gallagher e Zilles, 2018) (Zilles et al., 2002) abrangendo uma pré-incubação, a incubação principal e uma etapa final de lavagem. Para visualização do receptor D1, as seções foram primeiro reidratadas e as substâncias endógenas removidas durante um 20-minuto de pré-incubação à temperatura ambiente em um tampão Tris-HCl 50 mM (pH 7,4) contendo 120 mM NaCl, 5 mM KCl, 2 mM CaCl2 e MgCl2 1 mM. Durante a incubação principal, as seções foram incubadas com 0,5 nM [3H]SCH 23390 sozinho (para determinar a ligação total), ou com 0,5 nM [3H]SCH 23390 e 1 mM do deslocador mianserina (para determinar a proporção de deslocáveis, não -ligação específica) por 90 minutos em temperatura ambiente no mesmo tampão usado para a pré-incubação. Finalmente, o procedimento de enxágue consistiu em duas etapas de lavagem de 20 minutos em um tampão frio seguido de um curto mergulho em água destilada. Para visualização do receptor D2, as seções foram pré-incubadas com tampão Tris-HCl 50 mM (pH 7,4) contendo NaCl 150 mM e 1 por cento de ascorbato. Na incubação principal, os cortes foram incubados com [3H]raclopride 0,3 nM sozinho ou com [3H]raclopride 0,3 nM e 1 mM do deslocador 1 mM butaclamol por 45 minutos à temperatura ambiente no mesmo tampão usado para a pré-incubação . O enxágue consistiu em seis etapas de lavagem de 1 minuto em um tampão frio seguido por um curto mergulho em água destilada. A ligação específica é a diferença entre a ligação total e não específica. Como os ligantes e protocolos de ligação usados ​​resultaram em uma ligação deslocável, que foi inferior a 5% da ligação total, a ligação total é considerada equivalente à ligação específica. Os cortes foram secos em uma corrente de ar frio, expostos juntamente com escamas plásticas de radioatividade conhecida contra filmes sensíveis ao trítio (Hyperfilm, Amersham) por seis (para o receptor D1) ou oito (para o receptor D2) semanas, e autorradiografias processadas por densitometria com uma técnica de análise de imagem baseada em vídeo (Palomero-Gallagher e Zilles, 2018) (Zilles et al., 2002). As autorradiografias foram digitalizadas usando uma câmera CCD e armazenadas como 8-imagens de valor cinza bit com resolução espacial de 2080x1542 pixels. Os valores de cinza (g) nas escalas coexpostas, bem como as condições experimentais, foram usados ​​para criar uma curva de regressão com a qual os valores de cinza em cada pixel de uma autorradiografia foram transformados em densidades do sítio de ligação (Bmax) em fmol/mg de proteína por meio da fórmula max=$

(Equação 1)

onde R é a concentração de radioatividade (CPM) em uma escala, E a eficiência do contador de cintilação usado para determinar a quantidade de radioatividade no tampão de incubação, B o número de decaimentos por unidade de tempo e radioatividade, Wb o peso da proteína de um padrão , como a atividade específica do ligante, KD a constante de dissociação do ligante e L a concentração livre do ligante durante a incubação. Apenas para fins de visualização, as autorradiografias foram subsequentemente codificadas em pseudo-cor por aumento de contraste linear e atribuição de faixas de densidade igualmente espaçadas a um arranjo espectral de onze cores.

As áreas corticais foram identificadas por análise citoarquitetônica e as densidades do receptor foram medidas em locais comparáveis ​​nas seções adjacentes processadas para visualização do receptor. A densidade média do receptor para cada área em uma série de 3 a 5 seções por animal e receptor foi determinada por perfis de densidade extraídos verticalmente à superfície cortical usando software interno baseado em MATLAB (Pal-Omero-Gallagher e Zilles, 2018).

Traçado de trato retrógrado

Os dados de conectividade interareal neste artigo fazem parte de um esforço contínuo para mapear o conectoma cortical do macaco usando rastreamento de trato retrógrado (Markov et al., 2013,2014a,2014b). Para cada área alvo, um marcador retrógrado foi injetado no córtex. O traçador foi captado nos terminais axônicos dessa área e transportado retrogradamente para os corpos celulares dos neurônios que se projetaram para o alvo. Esses corpos celulares podem estar em todo o cérebro. Cada um desses corpos celulares no córtex foi contado como um neurônio marcado (LN). O número de neurônios marcados foi contado em todas as áreas corticais, exceto na área alvo injetada. As áreas corticais que enviam axônios para a área alvo são chamadas de áreas de origem. Como existem diferenças incontroláveis ​​no volume do traçador e na captação entre as infecções, estimamos a força das conexões da seguinte forma. Para uma determinada infecção. o número total de corpos celulares no córtex fora da área injetada (alvo) foi contado. O número de neurônios rotulados dentro de uma área cortical de origem foi então dividido pelo número de neurônios rotulados em todo o córtex (excluindo a área alvo), para dar uma fração de neurônios rotulados (FLN). O FIN foi calculado em média em todas as infecções em uma determinada área-alvo., Para este cálculo. incluímos todas as áreas em todo o hemisfério cortical (áreas 91).

O subículo (SUB) e o córtex piriforme (PIR) têm uma estrutura laminar qualitativamente diferente das áreas neocorticais e, portanto, as conexões supra e infralaminares (e, portanto, o SLN) dessas áreas são indefinidas. Assim, removemos todas as conexões dessas áreas dos cálculos a seguir (áreas, SLN=89). Esses dados de conectividade estão disponíveis no site da core-nets.

Estimativa da hierarquia cortical

A seguir (Markov et al.,2014a), estimamos a posição hierárquica h de cada área usando os valores SLN de suas conexões. As conexões feed-forward tendem a se originar nas camadas supragranulares, enquanto as conexões de feedback tendem a se originar nas camadas profundas da área de origem (Barone et al., 2000; Felleman e Van Essen, 1991). Além disso, se uma área-alvo ocupa uma posição hierárquica muito mais alta do que a área de origem, uma proporção maior de neurônios emerge das bacias supragranulares da área de origem do que se as duas áreas estiverem fechadas na hierarquia (Barone et al., 2000). . Da mesma forma, para as conexões de realimentação, uma maior distância hierárquica entre as áreas implica que a área mais alta envie uma maior proporção de sua proteção contra as bacias infragranulares. Isso implica que a fração de neurônios provenientes das camadas supragranulares em uma determinada conexão fornece uma estimativa da posição hierárquica relativa de duas áreas conectadas (Barone et al.2000:Markoy et a.2014a). Aqui. a seguir (Markey et al.,2014a), estimamos um conjunto de níveis hierárquicos (um por área) que melhor prevê os valores de SLN para todas as conexões no conjunto de dados.

O modelo para estimar a hierarquia tem a forma

g(E(SLNJ))= X (Equação 4)

onde g é uma função que liga o SLN da conexão entre as áreas à distância hierárquica entre elas. é um vetor coluna de comprimento nareasSLN, contendo os valores de hierarquia a serem estimados. Xi é uma matriz de incidência de forma nconns×nareasSLN, onde icons({{0}}) é o número de conexões observadas (diferente de zero) entre áreas corticais no conjunto de dados restante. Cada linha em X representa uma conexão e cada coluna representa uma área cortical. Todas as entradas em cada linha são iguais a 0, exceto a coluna correspondente à área de origem, que possui um valor de -1, e a área de destino (destinatário), que possui um valor de 1 (Strang,1993).

Integração de conjuntos de dados anatômicos Todos os dados anatômicos foram mapeados para as parcelas apropriadas na superfície Yerkes19. Para o presente estudo, mapeamos todos os dados para o subgráfico de 40 áreas de Lyon (Markov et al., 2014b), pois as áreas neste parcelamento eram geralmente maiores do que as do Julich Macaque Brain Atlas (Impieri et al., 2019; Niu et al., 2020; Rapan et al., 2021; este artigo) e os locais de injeção de Queensland (contagem de coluna) (Elston, 2007), e mais próximos das descrições de área padrão do que o Vanderbilt (densidade neuronal) (Collins et al., 2010) seções. As densidades do receptor foram quantificadas em 109 regiões corticais definidas pela arquitetura da cidade e do receptor. O método para o delineamento das bordas da região cortical é descrito em (Impieri et al., 2019; Niu et al., 2020; Rapan et al., 2021). Usando o mesmo método, anatomistas (NPG, MN, LR) identificaram áreas corticais com base no receptor e na citoarquitetura. Veja a Figura 1 para a definição das áreas. Os anatomistas desenharam cuidadosamente (NPG, MN, LR) e revisaram independentemente (NPG, MN, LR, SFW) bordas definidas na superfície cortical de Yerkes19 (Donahue et al., 2016) para permitir a comparação com outros tipos de dados. Os dados do receptor D1 foram mapeados para o atlas de Lyon como se segue. Para cada área do atlas de Lyon, procuramos sobreposições com áreas do Julich Macaque Brain Atlas. Se mais de 50 por cento dos vértices dentro da área também estivessem no Julich Macaque Brain Atlas, a densidade do receptor D1 para a área era calculada. Todos os vértices dentro de cada área Julich receberam o valor médio para aquela área. Calculamos a média da densidade do receptor D1 em todos os vértices que se situam na área de Lyon e no Atlas Julich Macaque Brain, realizando assim uma média ponderada das densidades do receptor D1 de acordo com o grau de sobreposição espacial. Trinta e duas das 40 áreas de Lyon receberam densidade do receptor D1 dessa maneira, com as oito áreas restantes não se sobrepondo suficientemente com o Atlas do Cérebro do Macaco Julich. Devido à forte correlação positiva entre a densidade do receptor/neurônio D1 e a hierarquia (Figura 1), para as simulações, inferimos valores para as oito regiões restantes usando regressão linear com a hierarquia como variável independente e a densidade do receptor/neurônio D1 como a variável dependente.

Os dados de autorradiografia in vitro quantificam com precisão a densidade de receptores em todo o córtex. No entanto, é importante ter em mente que a densidade de neurônios também varia ao longo do córtex. Collins et ai. (2010) mediram a densidade de neurônios em todo o córtex do macaco usando o método do fracionador isotrópico (também conhecido como sopa de cérebro). No artigo original, o córtex foi dividido em 42 regiões e exibido em um mapa plano, com os marcos anatômicos rotulados (Figuras 2 e S1 desse artigo). As bordas dessas regiões foram desenhadas na superfície de Yerkes19 por SFW com referência ao artigo original (Collins et al., 2010), vários trabalhos anatômicos do mesmo grupo (Beck e Kaas, 1999; Cerkevich, et al., 2014; Kaas, 2004), os atlas Julich Macaque (109 áreas) e Lyon (Markov- 132) (Donahue et al., 2016; Markov et al., 2014b), e foram avaliados independentemente por anatomistas (LR, MN , NPG). Os dados de densidade neural cobriam todo o córtex. Como tal, atribuímos densidade neural a cada área no atlas de Lyon, ponderada pela sobreposição espacial com as regiões originais no atlas de Vanderbilt. A densidade do receptor D1 foi dividida pela densidade do neurônio para fornecer a densidade do receptor/neurônio D1 em cada área. A densidade de neurônios estava em unidades de neurônios por grama. Para estimar a densidade do receptor em fmol por neurônio, usamos a figura relatada anteriormente de que 8% do tecido cerebral é uma proteína (McIlwain e Bachelard, 1972).

Isso equivale a multiplicar por uma constante e não afeta as correlações ou o efeito do gradiente de dopamina no modelo. O atlas de Lyon usado para definir os dados de conectividade interareal (Markov et al., 2014b) já está disponível na superfície de Yerkes19 (Donahue et al., 2016). O subgráfico completo de áreas injetadas, incluindo conectividade bidirecional, foi expandido de 29 áreas em Donahue et al. (2016) para as 40 áreas utilizadas neste artigo. Para os dados de contagem de espinhas, os contornos dos 27 locais de injeção foram desenhados na superfície de Yerkes19 por SFW com referência aos artigos originais (a maioria dos quais tinha uma descrição anatômica substancial e mapas desenhados à mão), bem como artigos anatômicos citados no artigos originais (Cavada e Goldman-Rakic, 1989; Preuss e Goldman-Rakic, 1991; Seltzer e Pandya, 1978) e os Lyon e Julich Macaque Brain Atlas. A comparação direta com os mapas desenhados à mão foi possível para as áreas V1, V2, MT, LIPv, 7a, V4, TEO, STP, IT, Ant. Usando., Post. King, TEpd, 12vl, A1, 3b, 4, 5, 6, 7b, 9, 13, 46, 7 m (Elston, 2007). As áreas 10, 11 e 12 foram descritas com referência a Preuss e Goldman-Rakic ​​(1991). A injeção na área TEa utilizou os mapas de Seltzer e Pandya (1978) para definição da área. Usamos esses mapas para aproximar o local da injeção. A área STP foi identificada com a região STPp correspondente no atlas de Felleman e Van Essen (1991). A área FEF foi identificada como situada na margem anterior da face medial do sulco arqueado, conforme descrito por Elston (2007). Todos os locais de injeção identificados na superfície cortical foram verificados independentemente por MN, LR e NPG. Os dados de contagem da coluna foram expressos de acordo com os locais de injeção, em vez de áreas corticais inteiras. Como tal, encontramos o número de vértices de cada local de injeção sobrepostos a cada área no atlas de Lyon.

Para cada área de Lyon, a contagem de espinhas foi uma média das contagens de espinhas para todos os locais de injeção sobrepostos à área, ponderada pelo número de vértices de cada local de injeção contido na área. Desta forma, estimamos a contagem de espinhas em células piramidais em 24 das 40 regiões do atlas de Lyon. Com base na forte correlação positiva entre contagem de espinhas e hierarquia cortical (r=0.61, p=0.001), e seguindo trabalhos anteriores (Chaudhuri et al., 2015; Mejias e Wang 2021), inferimos a contagem de espinhas para as regiões restantes com base na hierarquia usando regressão linear. Os neuroanatomistas (NPG, LR, MN) classificaram cada uma das 109 áreas corticais para as quais os dados do receptor D1 estão disponíveis como granular ou agranular, e de acordo com a proporção do tamanho do corpo celular entre as camadas III e V. Delineamento das bordas da área para cada atlas, e os dados anatômicos no espaço Yerkes19 estão disponíveis no banco de dados BALSA. Visão geral dos modelos dinâmicos Primeiro descrevemos a estrutura de conectividade do nosso modelo de circuito local e como a dopamina modula a eficácia dessas conexões. Em seguida, descrevemos um modelo dinâmico em grande escala, no qual o circuito local é usado como bloco de construção e colocado em cada uma das 40 áreas corticais. Descrevemos as várias etapas para construir o modelo em grande escala, incluindo como conectar as áreas corticais, aplicar a heterogeneidade de excitação e o gradiente de dopamina. Por fim, descrevemos como simulamos tarefas de memória de trabalho, lesões e inibição transitória neste modelo. Descrição do circuito cortical local Descrevemos um circuito cortical local contendo populações de quatro tipos distintos de neurônios. Isso está conceitualmente relacionado a modelos computacionais anteriores de memória de trabalho envolvendo vários tipos de interneurônios (Tanaka, 1999; Wang et al., 2004a), e usa uma redução de campo médio de um modelo de pico (Brunel e Wang, 2001; Wong e Wang , 2006). As células PV, CB/SST e CR/VIP diferiram no limiar e inclinação de sua função de entrada-saída (curva fI) (Bacci et al., 2003), local (Adesnik et al., 2012; Jiang et al., 2015; Mun oz et al., 2017; Pfeffer et al., 2013; Tremblay et al., 2016) e conectividade de longo alcance (Lee et al., 2013; Wall et al., 2016), taxas de adaptação (Kawaguchi , 1993; Mendonc¸ an et al., 2016; Schuman et al., 2019) e razão NMDA/AMPA (Lu et al., 2007). A estrutura de conectividade e os pontos fortes do circuito local, são baseados em uma síntese de estudos anatômicos e fisiológicos e são capturados na matriz de conectividade local G (Tabelas S1-S3; Jiang et al., 2015; Kalisman et al., 2005; Lee et al., 2013; Ma et al., 2012; Markram et al., 1997; Pfeffer et al., 2013; Silberberg e Markram, 2007; Walker et al., 2016). Observe que a probabilidade de conexão e a força sináptica entre os tipos neurais geralmente são correlacionadas positivamente (Jiang et al., 2015). Isso simplifica o processo de identificação das forças relativas das conexões entre as populações neurais no circuito. Agrupamos os neurônios piramidais em duas populações separadas. Cada uma dessas populações é seletiva para uma característica visual particular (como uma região do espaço visual). As células piramidais excitam todos os tipos de células no circuito, com diferentes intensidades. Modelamos dois compartimentos nas células piramidais. Um compartimento representa o soma e os dendritos proximais e o outro os dendritos distais. O dendrito é modelado como uma função não linear simplificada, adaptada de Yang et al. (2016). As células piramidais têm como alvo o soma e os dendritos proximais de outras células piramidais na mesma área cortical (Kalisman et al., 2005; Markram et al., 1997; Petreanu et al., 2009). Cada tipo de neurônio inibitório tem um padrão único de conectividade.

O primeiro tipo de célula inibitória tem como alvo a área perisomática das células piramidais. Essas células expressam parvalbumina (PV) e apresentam picos rápidos (Jiang et al., 2015; Kawaguchi, 1993, 1995). São células em cesta com axônios que se ramificam em grandes distâncias, o que lhes permite inibir células piramidais em populações vizinhas (Helmstaedter et al., 2009; Kawaguchi, 1995). Eles também inibem outros neurônios PV (Jiang et al., 2015; Pfeffer et al., 2013). Em comparação com outros neurônios inibitórios, os neurônios PV recebem uma proporção menor de entradas excitatórias via receptores NMDA (Lu et al., 2007; Wang e Gao, 2009). O segundo tipo de neurônio inibitório tem como alvo os dendritos distais das células excitatórias. Em primatas não humanos, as células de direcionamento de dendritos expressam calbindina (DeFelipe et al., 1989). O tipo de célula alvo dendrítico melhor caracterizado em roedores é a célula de Martinotti, que expressa somatostatina (CB/SST) (Wang et al., 2004b). Essas células têm como alvo todos os outros tipos de células, evitando outras células de Martinotti (Jiang et al., 2015). Eles também recebem uma forte projeção lateral de células piramidais em colunas vizinhas (Adesnik et al., 2012) e recebem a maior parte de sua excitação via receptores NMDA (Lu et al., 2007). O terceiro tipo de interneurônio expressa calretinina e peptídeo intestinal vasoativo (CR/VIP) (Tremblay et al., 2016) e tem como alvo os neurônios inibitórios CB/SST (Lee et al., 2013). Embora a expressão gênica de PV, SST e VIP tenha sido usada para distinguir com sucesso classes não sobrepostas de interneurônios em primatas (Hodge et al., 2019; Krienen et al., 2020), em primatas, os anticorpos SST geralmente marcam relativamente poucas células ( Hendry et al., 1984; Mueller et al., 2018, 2020). A SST é frequentemente, mas nem sempre, coexpressa com CB (Gonza´ lez-Albo et al., 2001; Lake et al., 2016). As células que expressam CB e SST mostram um padrão semelhante de expressão em camadas e áreas corticais no macaco (Dienel et al., 2020). O CR é expresso na maioria dos neurônios VIP no córtex primata (Gabbott e Bacon, 1997; Lake et al., 2016), e tanto o VIP quanto o CR mostram uma expressão semelhante em camadas e áreas corticais no macaco (Dienel et al., 2020 ). No entanto, a investigação de semelhanças e diferenças do tipo interneurônio entre espécies está em andamento e não resolvida (Hodge et al., 2019; Kooijmans et al., 2020; Krienen et al., 2020). Em nosso modelo, os três tipos de interneurônios devem ser interpretados de forma mais adequada de acordo com seus alvos sinápticos, em vez de outros marcadores celulares. Consulte a Tabela S6 para todos os valores de parâmetro. Modulação de dopamina A densidade de receptores de dopamina D1 por neurônio foi redimensionada, de modo que a área com densidade mínima raw min foi definida como zero e a área com densidade máxima raw max foi definida como um, com todas as outras áreas no meio.

Interações populacionais interareas A maioria das conexões interareas contém uma mistura de axônios que se projetam das camadas profundas e superficiais. As conexões de longa distância em células excitatórias visam principalmente os dendritos distais (Petreanu et al., 2009; Tabela S4). Portanto, no modelo, assumimos que as conexões de longa distância têm como alvo os dendritos das células excitatórias. As células CR/VIP recebem as entradas de longa distância mais fortes de todas as células inibitórias, enquanto as CB/SST recebem as mais fracas (Lee et al., 2013; Wall et al., 2016; Tabelas S5 e S6). Isso sugere que as conexões de longo alcance desinibem efetivamente o dendrito na área de destino excitando interneurônios CR/VIP, enquanto excitam simultaneamente o dendrito, para maximizar a probabilidade de a informação passar da área de origem para a área de destino. Seguindo Mejias e Wang (2021), assumimos que as conexões de feedback visam as células inibitórias mais fortemente do que as conexões feedforward. Células excitatórias em diferentes áreas corticais com os mesmos campos receptivos são mais propensas a serem funcionalmente conectadas (Zandvakili e Kohn 2015). Isso se reflete em nosso modelo da seguinte forma. Na área da fonte, existem duas populações excitatórias, 1 e 2, cada uma sensível a uma característica particular de um estímulo visual (como uma localização no campo visual). Da mesma forma na área alvo, existem duas populações 1 e 2, sensíveis às mesmas características visuais. Assumimos que 90 por cento da produção da população 1 na área de origem vai para a população 1 na área de destino e os 10 por cento restantes para a população 2. O inverso é verdadeiro para a população 2 na área de origem (ela visa 10 por cento da população 1, 90 por cento da população 2; Tabelas S4 e S6).

O circuito desinibidor nos campos oculares frontais. Os campos oculares frontais (áreas 8m e 8l no modelo) têm uma porcentagem muito alta de neurônios de calretinina e relativamente menos neurônios de parvalbumina e calbindina (Pouget et al., 2009). Para explicar isso no modelo, aumentamos relativamente as entradas de longo alcance para células CR/VIP nas áreas 8m e 8l, conforme detalhado na Tabela S6. Essas mudanças são críticas para a atividade persistente nas áreas 8l e 8m, mas por outro lado não afetam muito o comportamento do modelo. Sem essa alteração, a sobreposição entre o padrão de atividade de atraso simulado e o padrão de atividade de atraso experimental (como na Figura 3A) ainda é extremamente alta (17/19 áreas corretas, qui-quadrado=12,31 p {{15} }.0004), e o padrão de atividade depende tanto da conectividade de longo alcance (p=0.001) quanto da distribuição do receptor D1 (p=0.008), mas não da contagem de espinhas (p=0.19), e lesões nas áreas 8l e 8m têm um efeito menor na atividade persistente distribuída. Todos os outros resultados permanecem inalterados. Também aumentamos a força relativa das conexões CR/VIP locais e reduzimos a força relativa das conexões PV locais no FEF, mas descobrimos que isso não teve efeito no comportamento do modelo, portanto, as simulações no artigo são apresentadas sem as alterações locais no FEF.

QUANTIFICAÇÃO E ANÁLISE ESTATÍSTICA

Correlação entre a densidade do receptor D1 e outras características anatômicas Muitos aspectos da anatomia do cérebro são autocorrelacionados espacialmente, com áreas próximas do cérebro exibindo anatomia semelhante. Essa autocorrelação espacial não é considerada nos testes estatísticos convencionais, que muitas vezes assumem a independência dos pontos de dados. Deixar de levar em conta a autocorrelação espacial pode levar a correlações espúrias entre os mapas cerebrais. Para superar esse problema, geramos mapas cerebrais substitutos aleatórios, com uma autocorrelação espacial que se aproximava do mapa de hierarquia (Burt et al., 2020). Isso é feito primeiro permutando aleatoriamente os valores no mapa de hierarquia e, em seguida, suavizando e redimensionando o mapa permutado para recuperar a autocorrelação espacial perdida. A suavização é realizada por uma soma ponderada do kernel local dos valores das k regiões vizinhas mais próximas, onde k é escolhido para melhor corresponder à autocorrelação do mapa de hierarquia original (Burt et al., 2020). Cada um dos mapas substitutos gerados aleatoriamente é então correlacionado com o mapa do receptor D1. O valor p corrigido espacialmente é então a fração de mapas substitutos que mostram uma correlação de Pearson mais forte (negativa ou positiva) com o mapa do receptor D1 do que o mapa de hierarquia.

Para comparar a densidade de D1R entre áreas corticais granulares e agranulares, usamos um teste não paramétrico de soma de postos de Wilcoxon. Para comparar a densidade de D1R entre áreas com internopiramidização, externopiramidização e tamanhos iguais de pirâmide de camada III e camada V, usamos um teste não paramétrico de Kruskall-Wallis. Comparando os padrões simulados e experimentais de atividade de atraso Nas Figuras 3A e 3B comparamos o padrão de atividade do modelo com o padrão experimental e investigamos sua dependência de características anatômicas. Os dados de eletrofisiologia experimental foram retirados de uma mega-análise de Leavitt et al. (2017) de mais de 90 estudos eletrofisiológicos de atividade de período de atraso durante tarefas de memória de trabalho. Primeiro dividimos o córtex em áreas de atividade persistente e não persistente tanto para os dados experimentais quanto para a simulação (Tabela S7). As áreas foram classificadas no grupo de atividade persistente se pelo menos 3 estudos a mais observaram atividade do período de atraso persistente do que a falta dessa atividade. Excluímos áreas que foram avaliadas em menos de três estudos. Das áreas que foram estudadas em pelo menos três estudos, classificamos uma área como tendo atividade persistente, se mais de 50 por cento dos estudos encontraram atividade persistente. No entanto, as conclusões não são dependentes deste limiar, ou do número mínimo de estudos (Tabela S8). As áreas na simulação foram classificadas como tendo atividade persistente se, nos últimos 500ms do ensaio, tivessem taxas médias de disparo de pelo menos 5Hz maiores que as taxas de disparo da linha de base pré-estímulo. Para embaralhar conexões anatômicas, embaralhamos conexões dentro de linhas da matriz FLN, de modo que a distribuição de conexões e forças de conexão para cada área permanecesse constante, com a identidade das conexões mudando. A mesma reordenação foi aplicada à matriz SLN. As densidades do receptor D1 e as contagens de espinhas foram embaralhadas separadamente. Os resultados foram visualizados usando uma versão personalizada de um Raincloud Plot (Allen et al., 2019) para permitir a visualização simultânea da distribuição e dos resultados de simulação individual. O valor-p é calculado como a fração de simulações baseadas em dados anatômicos embaralhados que produzem um padrão de atividade de atraso que se sobrepõe aos dados experimentais tão bem quanto (ou melhor que) a simulação original.

Lesões de áreas corticais Nas Figuras 3C–3H, simulamos os efeitos de uma lesão em áreas corticais individuais. Fazemos isso removendo todas as conexões de entrada e saída da área lesionada nas matrizes de conectividade WE; E e WI; E. Para a análise estatística da relação entre características anatômicas e efeitos da lesão, removemos as áreas V1 e V2 da análise. Isso se deve ao fato de essas áreas serem cruciais para a propagação do estímulo visual, mas não a memória de trabalho propriamente dita (Figura 3; Figura S5). Realizamos uma abordagem de regressão linear por etapas.