自动动作与灵活运动探索的潜在神经基础

自动动作与灵活运动探索的潜在神经基础
用多日时间重新学习一项自动技能。(a)自动伸手抓握装置。门打开后(用声音表示),大鼠会从缝隙中取出小球。插图中的M1(绿色)和DLS(灰色)位置。(b)再学习范式。老鼠被过度训练以到达位置A(左图)。然后小球移动到位置B,并继续训练(中,右)。(c)第一次到达的终点。上图:示例动物,跨试验的端点x位置直方图。下图:示例到达轨迹和端点位置相对于颗粒位置(大黑色圆圈)的相同会话(顶部)。 (d) Decay in reaches to A. Percentage of trials in a session with first reach (R1) to location A, as compared to low-amplitude (short, S) reaches and/or reaches to location B. (e) For those trials with multiple reaches, within-trial updating for reaches after the first were classified into short (S), old (A), or new (B) reaches. (f) Example x-trajectory of paw during a trial, with reach onset marked; r1 and r2 are the first and second reach onsets, respectively. g Reach type after first reach, for trials with multiple reaches. For all reaches after the first reach in a trial, proportion of A, B, or S reaches. Data are presented as mean values ± SEM. h Following an inaccurate trial, we classified the first reach type of the subsequent trial. i Reach type after inaccurate reach to A on previous trial. Data are presented as mean values ± SEM. *<0.05; **<0.01; ***<0.001, ANOVA, Tukey-Kramer post hoc test. Credit:自然通讯(2022)。DOI: 10.1038 / s41467 - 022 - 30069 - 1

神经科学家的目标是了解初级运动皮层(M1)可以调节精确的运动,同时支持遇到一致错误的行为探索。虽然环境中的一致性可以帮助动物学习和自动化高度可靠的动作,但它们必须保持灵活性以适应环境变化。在一份新报告中自然通讯Sravani Kondapavulur和美国加州大学旧金山分校的一个神经工程研究小组,在大鼠身上开发了一种“伸手抓”任务,以监测初级运动皮层(M1)和大脑的神经变异性背外侧纹状体(DLS)地区。结果表明,与在行为探索过程中观察到的可变神经模式相比,运动区和纹状体区是如何通过为自动和精确运动产生可靠的神经模式来在两种模式之间转换的。

我们大脑中的运动回路是如何同时支持自动动作和灵活运动探索的?

而行动能力和运动技能被定义为快速,准确和一致的行动,他们还必须灵活地适应手头的任务或工作变化的环境。生产之间的联系是一致的对于错误纠正的行为探索目前仍然难以捉摸。在系统神经科学中被认为是精确的引擎生成可靠控制连续发射

在这项工作中,第一作者和医学博士候选人Sravani Kondapavulur,以及UCSF副教授Karunesh Ganguly的研究小组,描述了我们大脑中行为灵活性的运动回路。她说:“每天,大多数人都用习得的动作来完成日常任务,比如在房间里开灯,或者从橱柜里拿起咖啡杯。”

这些动作通常是自动产生的,以一种快速、准确和一致的方式,没有太多明显的思考。然而,一项技能也应该保持灵活性,以便随时适应环境的变化,比如搬到不同的家,更换电灯开关和橱柜的位置。”由于自动动作和灵活运动的过程是由我们大脑中的电路促进的,Kondapavulur等人试图研究大脑中这一过程的潜在机制。“我们首先过度训练老鼠,让它们在一个特定的地方伸手去抓食物奖励。然后我们把奖励转移到另一个附近的地方,观察它们如何重新学习在哪里取回颗粒。”她说。

自动动作与灵活运动探索的潜在神经基础
在探索过程中,到达锁定M1和DLS单位尖峰故障。(a)顶部:跨会话的单个M1单元†的光栅(跨天的相同通道)。底部:在第一次到达时- 2秒到2秒内的试验平均发射速率(平均值±SEM)。(b)与(a)相同,用于DLS单元。†(c)确定每个单元每个时段的Fano因子的公式。(d)对于两个示例动物,在具有代表性的会话中,在第一次到达发病前后- 0.5 s至0.5 s内,每单位5个最小Fano因子。(e)基于Fano因素的会话类型重新分类:靛蓝=基线,蓝色=自动(切换后,没有Fano因素变化),灰色=变量(Fano因素最大增加),橙色=重新学习。浅蓝色/浅橙色=由于记录过程中的数据损坏而未分析两个会话。(f)跨会话类型,第一次到达A的试验(蓝点)和第一次到达B的试验(橙点)在到达开始前后的M1单位峰值试验平均调制;峰值调制是在z计分单元在整个会话中发射后计算的。 (g) Same as (f), for DLS units. (h) Change in proportion of first reach to A in a session, relative to proportion of first reach to A in previous session; grouped by session type across all animals, all sessions. i Proportion of first reach to B in a session, grouped by session type across all animals, all sessions. †Unit may not be the same across sessions. *<0.05, **<0.01, ***<0.001, linear mixed effects model, Bonferroni-corrected significance. Credit:自然通讯(2022)。DOI: 10.1038 / s41467 - 022 - 30069 - 1
实验性食物奖励转移

在实验中,该团队对M1(初级运动皮层)和DLS(背外侧纹状体)在改变技能方面的潜在作用特别感兴趣,尽管仍然很大保持原来的动作。他们通过“录音”实现了这一点从主运动区(M1)和下游运动区(DLS)。”Kondapavulur进一步评价了他们的发现:“我们发现重新学习是一个多天的过程,在早期到达旧位置时存在许多错误。”她接着说,“有趣的是,在自动运动错误最严重的那一天,”他们注意到“M1和DLS的大脑活动从任务期间的一致模式转变为试验之间显著增加的可变性。”

该团队特别观察到,在既定的行为探索;从两个感兴趣的神经区域的高度可预测的集合激活过渡到两个区域的可变状态。Kondapavulur等人在接下来的几天里继续进行实验,以强调修改自动技能是一个多天的过程。

自动动作与灵活运动探索的潜在神经基础
M1和DLS单试验综合信度的变化。(a)顶部:M1单元在到达期间的留一试验平均峰值模式,在第一次到达开始前后- 0.5秒至0.5秒,跨会话类型。底部:遗漏试验与会话模板的相关性。(b)各试验之间的试验-模板相关性,基线阶段的试验-模板相关性为A,后续阶段的试验-模板相关性为b。基线(BL)、自动(auto)、可变(var)和重新学习(rel)。(c)按会话类型比较所有试验的M1试验与模板相关性。d与示例会话中的DLS单元(a)相同。(e)按会话类型划分的所有试验的DLS试验-模板相关性。* < 0.05;* * < 0.01; ***<0.001, linear mixed effects model, Bonferroni-corrected significance. Credit:自然通讯(2022)。DOI: 10.1038 / s41467 - 022 - 30069 - 1
及时重建行为灵活性

科学家们接下来试图理解重新建立行为灵活性。他们观察到两个区域之间先前稳定的神经尖峰行为关系的丧失,以及神经变异性的增加,这与目标导向的行为探索和转换过程中的行为变化相一致。根据Kondapavulur等人的说法,在研究可变神经活动和行为探索过程之间的潜在联系时,他们发现“两个区域之间最大‘交流’的时间不再与到达行为的时间一致相关。”刺激M1的进一步实验表明,“在初级运动区,恒定的和可变的电活动时间可以产生相应的恒定和可变的运动。”

自动动作与灵活运动探索的潜在神经基础
M1-DLS跨区域子空间调制的变化。(a)典型相关分析(CCA):识别M1与DLS活动之间相关性最大的轴(紫色虚线),M1种群活动(左,绿色)和DLS种群活动(右,黑色)在t1时刻的预测种群活动的示例值(共享轴上的实线)。(b)用于识别显著典型变量(CV)轴的R2值的示例自举洗牌分布。(c)顶部:单次试验M1峰值活动。中间:单次试验DLS尖峰活动。下图:相应的单次试验M1(绿色)和DLS(黑色)沿着CV1激活。预到达时间(灰色)为第一次到达前的−1 ~−0.5 s。到达周期(蓝橙色)为−0.1 s到0.4 s左右的第一次到达开始。(d)跨会话类型(如动物)的A组试验(上排)和B组试验(下排),到达前(黑色)和到达时(彩色)M1和DLS的跨区域活动。(e) CCA激活的相对调制指数(RMI)方程,比较到达期和到达前期。 (f) RMI for trials with first reach to A, for M1 activations (left, green) and DLS activations (right, green), across automatic and variable sessions. R1 to A, M1 and DLS RMI: auto, n = 220 trials; var, n = 95 trials. Data are presented as box plots with 25th, 50th, and 75th percentiles. (g) Same as (f), for trials with first reach to B, across variable and relearned sessions. R1 to B, M1 and DLS RMI: var, n = 150 trials; rel, n = 464 trials. Data are presented as box plots with 25th, 50th, and 75th percentiles. *<0.05; **<0.01; ***<0.001, linear mixed effects model, Bonferroni-corrected significance. Credit:自然通讯(2022)。DOI: 10.1038 / s41467 - 022 - 30069 - 1

共享神经活动

在其神经结构中,初级运动皮层和背外侧纹状体区(M1和DLS)在结构上是一致的monosynaptically连接;而DLS也接受来自其他各种皮层和皮层下区域的输入。因此,Kondapavulur等人探讨了,尽管任务失去了一致的时间,两个地区的人口峰值是否仍然相互关联。他们通过检查两个神经区域之间的跨区域通信以及这些区域在不同的会话中如何变化来实现这一目标典型相关分析表示跨区域的最大关联活动,以识别共享的神经活动。他们发现,虽然在可变状态下仍然可以识别通信轴,但最大共享活动不再始终与到达相关,也显示出与时间相关的可变性。

自动动作与灵活运动探索的潜在神经基础
刺激变异性在驱动上肢运动变异性中的作用。a刺激位置,通过微线阵列连接到M1以识别引发前肢运动的区域。b刺激传递的模式,与总电荷传递的平衡。模式脉冲刺激(顶部,PB)由333 Hz三联体组成,三联体频率为10 Hz。随机脉冲刺激(底部,RP)由单脉冲组成,随机时间为30 Hz。每次刺激持续1秒,每次总共30次脉冲。c刺激脉冲参数,采用200 μA双相脉冲,每相200 μs,相间间隔100 μs。d爪侧视图:标记用于监督运动跟踪的肢体标记:4号手指的尖端(D4,蓝色),3号手指的尖端(D3,紫色)和爪的中心(中心,黑色)。每个试验的终点位置(Δx, Δy)相对于试验窗口的起始位置计算,并通过动物跨刺激条件归一化。e例子动物直方图的标准化Δx(上)和Δy(下)的爪子的中心通过图案爆发刺激试验(左)和随机脉冲刺激试验(右)。 Gray boxes show an example 300 ms window with identical number of pulses. Kolmogorov-Smirnov test for two samples in this example animal, center of paw, p = 1.8e−11; *<0.05; **<0.01; ***<0.001, Kolmogorov-Smirnov test for two samples. Credit:自然通讯(2022)。DOI: 10.1038 / s41467 - 022 - 30069 - 1

前景

研究小组写道:“我们发现,从自动、一致的运动到灵活的探索,涉及到从一致到可变的运动区域活动的过渡。”他们发现这一结果意义重大,因为“它展示了另一种独特的动作学习方法,与新技能学习(如弹钢琴)不同,与适应过程(即面对错误时更新快速动作)相比。”

通过这种方式,Sravani Kondapavulur及其同事试图了解复杂运动技能自动执行过程中行为灵活性的潜在基础。他们发现初级运动皮层(M1)的神经区域与背外侧纹状体(DLS)区域串联在一起,使行为僵硬和探索状态之间的灵活转换成为可能。该团队在一个多天的过程中,用啮齿动物模型在一个新的位置探索了伸手和抓握的行为灵活性。这项工作概述了运动技能和习惯的关系,以表明一个动作的自动或无意识表现如何适用于这两种情况。结果支持运动脑活动的潜在基础在拟议的行动。


进一步探索

准备好了,……走吧!科学家们发现了一个触发执行计划运动的大脑回路

更多信息:Sravani Kondapavulur等,行为探索过程中运动皮层和纹状体整体模式从可预测到可变的转变,自然通讯(2022)。DOI: 10.1038 / s41467 - 022 - 30069 - 1

Andrew J. Peters等人,动作学习过程中可重复时空活动的出现,自然(2014)。DOI: 10.1038 / nature13235

期刊信息: 自然通讯 自然

©2022 SBOB体育赌博cience X Network

引用自动动作与灵活运动探索的潜在神经基础(2022,5月16日),于2022年7月2日从//www.pyrotek-europe.com/news/2022-05-underlying-neural-basis-automatic-action.html检索
本文档受版权保护。除为私人学习或研究目的而进行的任何公平交易外,未经书面许可,不得转载任何部分。内容仅供参考之用。
141股票

给编辑的反馈