#혼자 공부하면서 생각한 것들은 적어가는 공간입니다.
의견 주고받으면서 같이 공부하실 분은 환영입니다.
Cortical reactivations of recent sensory experiences predict bidirectional network changes during learning
Arthur U Sugden1, Jeffrey D Zaremba1, Lauren A Sugden2, Kelly L McGuire1 3, Andrew Lutas1, Rohan N Ramesh1 3, Osama Alturkistani1, Kristian K Lensjø1 4, Christian R Burgess1 5, Mark L Andermann6 7
PMID: 32514136 PMCID: PMC7392804 DOI: 10.1038/s41593-020-0651-5
Abstract
Salient experiences are often relived in the mind. Human neuroimaging studies suggest that such experiences drive activity patterns in visual association cortex that are subsequently reactivated during quiet waking. Nevertheless, the circuit-level consequences of such reactivations remain unclear. Here, we imaged hundreds of neurons in visual association cortex across days as mice learned a visual discrimination task. Distinct patterns of neurons were activated by different visual cues. These same patterns were subsequently reactivated during quiet waking in darkness, with higher reactivation rates during early learning and for food-predicting versus neutral cues. Reactivations involving ensembles of neurons encoding both the food cue and the reward predicted strengthening of next-day functional connectivity of participating neurons, while the converse was observed for reactivations involving ensembles encoding only the food cue. We propose that task-relevant neurons strengthen while task-irrelevant neurons weaken their dialog with the network via participation in distinct flavors of reactivation.
'기억(memory)'이란 우리가 경험한 것을 토대로 만들어진다. 우리의 뇌는 경험이라는 것을 모두 100% 정확하게 기억으로 만들지 않고 단순히 보고 듣는 것에 무엇인가 특별한 '의미'가 더해져야 비로소 뇌에 저장되는 '기억'이 된다. 만일 우리가 경험하는 것을 모두 기억으로 저장한다면, 우리의 뇌는 이미 용량 초과 상태가 되었을 것이다 (그냥 눈을 뜨고 있는 것, 냄새를 맡는 것, 소리를 듣는 것, 느끼는 것 모두 실시간으로 뇌가 처리하는 경험이다). 돌이켜 생각해보면 (미래의 일을 기억할 수는 없다.), 우리가 기억하는 대부분의 경험은 살면서 한 번 겪는다. 물론, 반복적으로 겪는 일들도 있지만, 입학식, 결혼식, 친구와의 싸움, 첫 운전 등 우리가 기억하는 많은 경험은 그 순간 한 번 경험한다. 그러면, 어떻게 한 번밖에 경험하지 않은 것을 우리의 뇌는 오랫동안 기억을 하는 것일까? 과학자들은 우리의 뇌가 Reactivation이라는 과정을 진행하기 때문에, 같은 경험을 반복적으로 하지 않아도 뇌에서 시뮬레이션을 할 수 있고, 이를 통해 long-lasting memory를 형성할 수 있다고 생각한다.
하지만, 실제로 이러한 Reactivation -경험(학습)을 하는 동안 활성화가 된 뇌세포들이 학습을 하지 않는 상황에서도 다시 활성화되는 것-에 대해 모르는 것이 많으며, 특히 reactivation의 결과가 학습 후에 어떤 영향을 미치는지에 대해 정확히 알려지지 않았다. 개인적으로, 이 논문이 갖는 중요한 의미가 여기에 있다고 생각한다. 이 논문에서는 경험(학습) 동안 활성화된 뇌 세포가 비학습기간에 reactivation 되고, 이 reactivation 된 뇌세포들 중에 특정 '자극 (stimulus)'과 '의미 (salience)'를 내포(?)하고 있는 세포들의 연결도(connectivity)와 학습 성공률(behavior performance) 간의 연관성을 보여주었다.
후려쳐서 설명하면,
''eurons that were recruited during cue-eward association were reactivated during a rest period. Among those neurons, the neurons that code both cue and reward signals increased their connectivities had correlation with animals' behavior performance.' 정도 되지 않을까?
Figure 1: Experiment design
- c: Two photon imaging 치고 recording session이 굉장히 길다.
- e: Learning vs. Reactivation을 위한 ROI 그림
Figure 2: A figure with cue preverence and reactivation
- a: Each neuron's cue preference
- b, c: During learning vs. Reactivation cue response comparisons. Why would they use deconvolved data instead of raw data?
- d: 잘 이해가 안 되는 부분. 본문에는 AODE classifer를 이용한 cluster 구분 (기존의 Naive Bayes의 변형인 Averaged one-dependence estimator를 사용하여 분석. *Logic: Neuron들의 activity가 서로 독립된 것이 아닐 수 있다는 것을 전제로 함) 하였다고 설명되어 있는데, AODE classifier는 reactivation rate를 구하기 위해 사용된 것. [예상] 이 그림은 training session data를 이용한 것 같고, Louvian community detection을 이용하여 clustering; Functional connectivity: noise correlation; Probability of response to cue: how many times did the neuron responded to the given cue 아닐까?
- e: Classifier performance check. Train with 2/3 of learning data --> Test with last 1/3 of learning data.
- f: Another control for classifier performance.
- g: CA1 ripple activity during reactivation. Combination of two-pnoton & electrophysiology. Ripple power increased during reactivation in the lateral visual association cortex.
Figure 3. Behavior performance and reactivation is negatively correlated
- a: As the behavior performance get better, reactivation rate decreases. Each dot represents one session, and reactivation rate is calculated based on each animal's population activity. Since same mice were used multiple times (and there are variability in those animals), they uesd generalized linear mixed-effects regression model (GLMM).
- b: Naive mice did not show the same correlation.
- c, d: Reactivation rate between Sated vs. Hungry (c), Pre-cue change vs. Post-cue change (d).
- e: Cue response comparisons (각 cue에 비슷하게 반응)
- f: Food-cue reactivation vs. Behavior improvement. 서로 다른 두 날의 데이터 골라서 비교. 그런데 Food-cue reactivation rate은 어떻게 구한 것일까? 이것도 change in food-cue reactivation rate?
Figure 4. Bidirectional functional connectivity changes with cue reactivation
- a: Day-by-day neuron matching
- b: Functional connectivity by using averaged noise correlations (used neurons with the noise correlation>0).
- c: Three different possibilities. 1) Reactivated neurons strengthen their connectivities. 2) Reactivated neurons maintain their connectivities. 3) Some reactivated neurons strengthen their connectivities while other neurons weaken their connectivities.
- d, e: Food-cue driven neuron but not reactivated (gray) vs. Food-cue driven and reactivated (green)
- f: Three different types of categories (Food-cue reward cells!)
- g: The number of Food-cue-reward cells increases as behavior performance gets better (But, it seems very small changes)
- h: Similar analysis as d. But Food-cue-reward cells seem to show a stronger tendency to strengthening their connectivities.
Figure 5. Reward-rich reactivation vs. Reward-poor reactivation
- a: Louvian community detection을 이용. In cluster reactivation rate 이 between cluster reactivation rate 보다 높음.
- b: Food-cue reactivation 동안 Food-cue-reward reactivation이 발생.
- c: Food-cue driven cells grouped by functional connectivity (noise correlation) 크기는 아마도 reactivatoin rate during dark period?
- d: food-cue reactivation event를 쪼개서 보여줌. Non-reward related cluster에 속하는 cell이 80% 이상인 경우 Reward-poor reactivation, reward related cluster에 속하는 cell이 80% 이상인 경우 Reward-rich reactivation. (당연한 결과 아닌가?; 왜 80%? 70%로 한 경우 e-g가 유의미하게 안 나오나?)
- e-g: 4d에서의 분석을 food-cue driven cells 대상으로만 진행. 그 결과 Mixed reactivation인 경우 Non-reactivated cell과 connectivity 차이가 없음. 하지만, reward-poor reactivation, reward-rich reactivation 경우, 반대 방향으로 갈림. Reward-poor reactivation: connectivity 낮아짐. Reward-rich reactivation: connectivity 높아짐.
Figure 6. Modification of network functional connectivity by cue reactivationReward coding region (ex. lateral amygdala)으로부터 top-down signal을 받아서, network connectivity weight가 바뀌는 것을 그림. Reward signal을 받은 population은 cue-outcome connectivity가 강해지고, 그렇지 않은 population은 그들 간의 connectivity가 약해짐.
image: Infographic vector created by macrovector - www.freepik.com
