스핀들-느린 진동 커플 링은 수면 후 해마 네트워크의 메모리 성능 및 연결성 변화와 관련이 있습니다
Aug 24, 2023
추상적인
경험이 인코딩된 후, 장기 기억 통합을 중재하기 위해 수면 중 인코딩 후 재활성화가 제안되었습니다. NREM 수면 중 방추-느린 진동 결합은 해마 피질 대화가 새로 형성된 기억 엔그램을 강화할 수 있는 후보 메커니즘입니다. 여기에서 우리는 동종 중심 및 자기 중심 학습 전략을 포함하는 가상 워터미로 작업을 통해 인간의 공간 기억 통합에서 빠른 스핀들 및 느린 스핀들-느린 진동 커플 링의 역할을 조사했습니다. 또한 데이터 기반 접근 방식을 사용하여 이 작업의 학습, 통합 및 검색 전반에 걸쳐 휴면 상태 기능 연결이 어떻게 진화했는지 분석했습니다. 우리의 결과는 작업 후 휴식 시 실행 제어 네트워크, 기본 모드 네트워크 및 해마 네트워크의 작업 관련 연결 변경을 보여줍니다. 해마 네트워크는 두 개의 하위 네트워크로 더 나눌 수 있으며 그 중 하나만 수면에 의한 조절을 보여줍니다. 이 하위 네트워크의 기능적 연결성 감소는 더 높은 스핀들-느린 진동 결합 전력과 관련이 있었으며 이는 테스트에서 더 나은 메모리 성능과도 관련이 있었습니다. 전반적으로, 이 연구는 기능적 휴식 상태 네트워크와 공간 기억 강화와 관련된 수면 중 메커니즘에 대한 보다 전체적인 이해에 기여합니다.
Cistanche 경험 - 기억력 향상
키워드
메모리 통합, 휴면 상태 네트워크, 수면, 느린 진동, 스핀들
1|소개
시스템 통합 이론은 장기 기억 형성에 대해 가장 널리 연구된 프레임워크 중 하나입니다. 이 이론에서는 학습 중에 암호화된 뇌의 불안정한 엔그램이 반복적인 재활성화를 통해 강화된다고 가정합니다. 시간이 지남에 따라 이 프로세스는 보다 안정적인 장기 표현, 즉 통합된 메모리 추적으로 이어질 수 있습니다(Squire et al., 2015). 엔그램의 재활성화는 주로 수면 중에 일어나는 것으로 생각되지만, 조용한 휴식 중에도 나타날 수 있습니다. 시스템 통합의 기본이 되는 잠재적 핵심 메커니즘은 비급속 안구 운동(NREM) 수면 중 세 가지 이벤트 유형, 즉 (1) 고진폭 피질 느린 진동, (2) 시상 구동 스핀들, (3)의 계층적 조정을 구성합니다. 해마의 날카로운 파도 잔물결. 전두엽 피질(Helfrich et al., 2019)에서 느린 진동의 밀리고 쇠퇴에 의해 구동되는 이러한 진동의 조율은 해마 정보가 피질(Sirota et al., 2003)과 뇌로 전달되는 이상적인 시간 창을 설정하는 것으로 생각됩니다. 시스템 통합의 기본이 되는 광범위한 시냅스 통합 프로세스(Genzel, 2020; Genzel, Kroes, et al., 2014; Navarro-Lobato & Genzel, 2020). 인간에서는 두 종류의 방추, 즉 느린 방추(~9~12.5Hz)와 빠른 방추(~12.5~16Hz)가 일관되게 확인되었으며, 이는 각각 전두엽 및 중심-두정엽 영역에서 가장 두드러집니다(Adamczyk et al. , 2015; Anderer et al., 2001). 두 스핀들 유형 모두 느린 진동과 결합됩니다. 빠른 방추는 종종 느린 진동의 흥분성 상승 상태에 중첩되는 반면, 느린 방추는 일반적으로 느린 진동의 억제성 하향 상태로의 전환 기간 동안 발생합니다(Molle et al., 2011). 빠른 방추는 해마의 날카로운 파동 잔물결과 일치하기 때문에 해마와 신피질 사이의 정보 전달을 촉진하는 역할을 하는 것으로 나타났습니다(Staresina et al., 2015). 대부분 잔물결이 선행하는 느린 방추는 전달된 정보의 피질 교차 연결 및 신피질 기억 표상을 형성하기 위한 전두엽 회로의 조절과 관련될 수 있습니다(Molle et al., 2011). 그러나 인간 연구에서만 느린 스핀들과 빠른 스핀들 사이에 일관된 분할이 있습니다. 동물 연구에서는 이러한 세분화가 거의 수행되지 않기 때문에 각 방추 유형의 서로 다른 기능에 대한 구체적인 증거가 부족합니다. 이 두 스핀들 유형이 동작에 미치는 영향은 훨씬 덜 결정적입니다. 최근 EEG 연구 결과에 따르면 빠른 방추와 느린 진동의 결합에서 더 많은 양과 증가된 일관성이 선언적 기억 성능의 증가와 관련이 있는 것으로 나타났습니다(Hahn et al., 2020; Muehlroth et al., 2019; Niknazar et al., 2015) . 설치류의 해마 날카로운 파동, 느린 진동 및 전두엽 스핀들(잠재적으로 인간의 느린 스핀들과 유사함) 사이의 조정을 실험적으로 강화한 결과 기억 성능도 향상되었습니다(Maigret et al., 2016). 대조적으로, 인간의 느린 방추-느린 진동 결합에 대한 예비 연구 결과는 느린 방추-느린 진동 결합이 증가하거나 전혀 효과가 없는 선언적 기억 성능이 감소한다는 점을 지적합니다(Barakat et al., 2011; Muehlroth et al., 2019). 따라서 메모리 통합에서 두 스핀들 유형의 동작 관련성을 분리하는 것이 중요합니다. 오프라인 통합에서 수면과 해마의 중요성을 고려할 때, 수면은 "비해마 의존" 기억과 달리 해마 의존 기억의 통합에서 뚜렷한 역할을 한다는 가설이 세워졌습니다. 이 두 가지 유형의 기억은 공간 탐색 패러다임을 사용하여 조사할 수 있습니다. 환경에서의 탐색에는 다양한 탐색 전략, 즉 동종 중심 전략과 자기 중심 전략의 사용이 포함됩니다(검토용 Ekstrom et al., 2017). 동심 참조 프레임에서 내비게이터는 안정적인 랜드마크의 상대적 위치를 기반으로 자신의 위치를 추론할 수 있습니다. Allocentric 공간 학습은 랜드마크 위치에 대한 공간 인지 지도가 필요하기 때문에 해마에 크게 의존하는 것이 좋습니다(O'Keefe & Nadel, 1978). 대조적으로, 자기 중심적 기준 프레임은 네비게이터의 움직임에 따라 지속적으로 변경됩니다. 자기 중심적 공간 학습 중에 내비게이터는 이동 거리와 등쪽 선조체가 중요한 구조로 식별된 방향을 추적해야 합니다(McDonald & White, 1994). 따라서 공간적 맥락에서 통합 메커니즘은 동종중심적 훈련 조건과 자기중심적 훈련 조건 간에 다르며 그에 따라 기억 성능에 영향을 미친다는 것이 제안될 수 있습니다. 그러나 최근의 증거는 이전에 고려되었던 비해마 의존성 기억(Sawangjit et al., 2018; Schapiro et al., 2019)에 대해서도 수면 중 강화에 해마가 관여한다는 점을 지적하며, 수면 후 동종 중심 및 자아 중심에서 유사한 기능적 네트워크 변화가 있음을 나타냅니다. 트릭 트레이닝(Samanta et al., 2021). 따라서 수면 중에 두 참조 프레임의 공간 정보가 어떻게 통합되고 이러한 메커니즘이 메모리 성능에 어떤 영향을 미치는지에 대한 공개 질문으로 남아 있습니다. 시스템 기억 강화에서 수면의 역할에 많은 연구가 집중되어 있지만 설치류(Davidson et al., 2009; Diba & Buzsáki, 2007)와 인간(Schuck & Niv, 2019; Tambini & Davachi, 2013)에 대한 연구에서는 학습 직후 깨어 있는 휴식 기간 동안 시스템 전반에 걸친 통합 프로세스. 수면 의존적 강화와 유사하게, 이벤트 표현은 인코딩 후 휴식 중에 해마-시상 피질 네트워크에서 자발적으로 재활성화됩니다(자세한 검토는 Tambini & Davachi, 2019 참조). 이러한 재활성화의 중요한 노드는 내측 측두엽 피질과 비장후피질을 중심으로 한 해마 네트워크(van Buuren et al., 2019)와 기본 모드 네트워크 허브 간의 상호 작용(Lin et al., 2017)을 통합하는 것으로 생각됩니다. 및 작업 관련 네트워크(예: 집행 제어 네트워크; Sneve et al., 2017). 자극에 특정한 영역과 해마 사이의 더 높은 수준의 휴식 상태 기능적 연결성은 기억을 검색하는 미래의 능력을 예측하는 것으로 나타났습니다(Tambini et al., 2010). 또한, 학습 직후의 기능적 연결성과 해마 재활성화의 양은 이후 밤샘 기억 유지를 예측했으며, 이는 깨어 있는 휴식 재활성화와 이후 수면 중 강화 사이의 보완적인 관계를 시사합니다(Schapiro et al., 2018). 대부분의 이전 연구에서는 한 가지 유형의 인코딩 후 기간(즉, 휴식 또는 수면)을 별도로 조사했지만, 이러한 별개의 뇌 상태 동안 통합 메커니즘 간의 유사점에 대한 전체적인 이해를 얻으려면 두 기간에 걸쳐 통합 프로세스를 조사하는 연구가 필요합니다. 따라서 본 연구는 다양한 인코딩 후 뇌 상태에서 연구 내 측정을 제공하고 공간 탐색 작업에서 메모리 성능과의 관계를 보여주는 것을 목표로 합니다. 우리의 연구는 인간과 쥐의 동종중심적 기억 표현과 자기중심적 기억 표현에 대한 수면의 영향에 대한 조사를 추적합니다(Samanta et al., 2021). 참가자들은 공간 탐색의 다양한 측면을 연구하기 위한 검증된 패러다임인 물미로의 인간 유사체(Morris, 1981)를 수행했습니다(Müller et al., 2018; Schoenfeld et al., 2017). 반면 Samanta et al. (2021)은 학습 및 검색 중 작업 fMRI 데이터에 중점을 두었고, 여기서는 휴식 상태 fMRI 및 수면 EEG 데이터에 중점을 두었습니다. 따라서 관련 네트워크의 휴식 상태 기능적 연결성은 참가자가 동종 중심 또는 자기 중심 공간 탐색에 참여하는 기억 작업의 학습 및 검색 전후에 평가되었습니다. NREM 수면 관련 통합 프로세스(즉, 스핀들 및 느린 진동 특성 및 이들의 결합)를 측정하기 위해 두 작업 세션 사이에 EEG가 사용되었습니다. 우리는 공간 학습, 통합 및 메모리 검색 전반에 걸쳐 휴면 상태 기능 연결의 진화를 조사하기 위해 데이터 기반 접근 방식(Ribeiro de Paula et al., 2017)을 채택했습니다. 휴식 상태 네트워크는 Samanta et al.이 얻은 결과를 기반으로 선택되었습니다. (2021), 기본 모드 네트워크, 해마 네트워크 및 오른쪽 실행 제어 네트워크를 포함합니다. 수면, 휴식 상태 및 행동 사이의 삼중 관계를 확립하기 위해 우리는 스핀들 및 느린 진동 매개 변수, 휴식 상태 기능 연결의 변화 및 공간 기억 작업의 성능 측정값을 상호 연관시켰습니다. Samantaet al. (2021)은 동종 중심 및 자기 중심 훈련에 대한 기억 검색에서 유사한 수면 관련 뇌 전반의 변화를 발견했습니다. 구체적으로, 피험자가 학습 후 잠을 자면 실행 제어 네트워크에서 활성화가 증가하고 기본 모드 네트워크에서는 학습에서 검색까지 활성화가 감소했습니다. 따라서 우리는 이 두 네트워크에서 유사한 변화가 관찰될 것으로 예상했습니다. 수면 중과 휴식 중에 통합을 조정하는 해마 네트워크에 대해서도 뇌 전체의 통합 과정을 관찰할 수 있어야 합니다. 우리는 방추-느린 진동 결합이 해마 네트워크 및 기억 성능의 변화와 긍정적으로 연관되어 있다는 가설을 세웠습니다. Samanta et al. 이후 이러한 발견은 기억 상태 간에 다르지 않아야 합니다. (2021)은 동종 중심 훈련과 자기 중심 훈련의 차이를 관찰하지 못했습니다. 실제로, 우리의 결과는 실행 제어와 기본 모드 네트워크가 작업 전후 성능에 대한 가정된 반대 방향으로 변경된다는 것을 보여줍니다. 또한 우리는 해마 네트워크 내에서 두 개의 하위 네트워크를 식별했습니다. 기본 하위 네트워크는 수면 상태와 무관했으며 작업 전후 성능과 휴식 후에 기능적 연결성이 증가했습니다. 두 번째 하위 네트워크의 연결성은 낮잠을 잔 참가자에 대해서만 휴식 시간 동안 감소했습니다. 마지막으로, 방추-느린 진동 결합력은 두 번째 수면 의존형 해마 하위 네트워크의 기억 성능 및 연결성 감소와 긍정적인 연관이 있었습니다. Allocentric 훈련과 자기중심 훈련에 대한 모든 효과는 동일했습니다. 우리의 연구 결과는 휴식 상태 활성화가 수면 독립적이거나 수면 의존적인 작업 관련 변화와 통합 관련 변화로 나눌 수 있음을 시사합니다. 수면 의존적 변화만이 동심 학습과 자기 중심 학습을 위한 기억 성능에 동일하게 기여하는 방추-느린 진동 결합과 연관되어 있습니다.
남성을 위한 시스탄체 혜택-항알츠하이머병
Cistanche의 기억력 향상 및 알츠하이머병 예방 제품을 보려면 여기를 클릭하십시오.
【추가 요청】 이메일:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692
2|방법 및 재료
2.1|참가자들
77명의 신경학적으로 건강한 오른손잡이 남성 참가자(연령 범위: 18~30세, 평균=24)가 연구를 위해 모집되었습니다. 표본이 수컷 설치류만을 사용한 더 큰 규모의 중개 연구 기관의 하위 모집단으로 구성되어 있기 때문에 수컷 참가자만 선택되었습니다(Samanta et al., 2021). 본 연구는 일반 윤리 승인("Imaging Human Cognition," CMO 2014/288)에 따라 지역 윤리 위원회(CMO Arnhem-Nijmegen, Radboud University Medical Center)의 승인을 받았으며, 실험은 이러한 지침을 준수하여 수행되었습니다. 모집은 Radboud 연구 참여 시스템을 통해 이루어졌습니다. 참가자들은 (1) 수면제 복용, (2) 규칙적인 낮잠, (3) 전문 게임 활동 참여 여부를 기준으로 선별 및 제외되었습니다. 실험을 시작하기 전에 모든 참가자는 서면 동의서를 제공하고 참여에 대한 금전적 보상을 받았습니다. 데이터 수집 후 총 14명의 참가자가 분석에서 제외되었습니다. 8명의 피험자는 학습 또는 검색 중 기술적 문제로 인해 실험에서 제외되었습니다. 5명의 참가자는 조이스틱이 잘못 보정되었고, 나머지 3명은 스캔 중 작업 환경 프로그램이 갑작스럽게 충돌하는 등 기술적 문제가 있었습니다. 3명의 피험자는 수면 테스트 또는 대조 세션에서 30분 미만의 수면을 취했습니다. 그들의 z-점수는 실제 수면 시간의 표본 평균에서 2.5*σ 이상 떨어져 있었습니다. 실제 수면 시간은 수면 시작 후 각성 상태(WASO)를 제외한 총 수면 시간(TST)으로 피험자별로 계산되었습니다. 또 다른 세 명의 피험자의 경우 fMRI 스캔 중 머리 움직임으로 인해 큰 이미지 변위가 확인되었습니다. 이미지 시리즈의 변위량은 방정식 (1)을 사용하여 품질 지수(QI)로 평가되었습니다.
where max. abs. is the maximum absolute displacement of a given volume with respect to a reference time point (i.e. middle volume in the time series) and max. rel. represents the maximum relative displacement at a given volume with respect to the subsequent time point. The two measures account for gradual as well as abrupt changes in head position. The cut-off for the exclusion of participants was set to a QI >16.4(Ribeiro de Paula 외, 2017). 종합하면, 63명의 피험자가 최종 표본으로 간주되었습니다(연령 범위: 18~30세, 평균=23.3).
2.2|실험적 절차
2 2 완전 요소 혼합 설계를 사용하여 공간 메모리 패러다임의 시스템 전체 통합 프로세스를 테스트했습니다. fMRI 스캔 중에 참가자들은 이전에 검증된 물 미로의 인간 유사체에서 동종 중심 또는 자기 중심 공간 학습 및 기억 검색에 참여했습니다(Müller et al., 2018; Schoenfeld et al., 2017). 학습 및 검색 세션 직전과 직후에 휴식 상태 fMRI를 사용하여 기능적 연결성을 평가했습니다. 이는 각각 9분씩 총 4개의 휴식 상태 fMRI 세션에 해당합니다. 공간 학습과 기억 검색 사이에 수면 EEG를 사용하여 수면을 측정했습니다. 실험 조건에서는 참가자들에게 90분 동안 잠을 자도록 지시하고, 통제 집단은 같은 시간 동안 영화를 시청하도록 지시했습니다. 실험 후 약 2주 후에 수면 상태의 참가자는 학습 경험을 따르지 않는 90분 동안 수면 조절 세션을 완료했습니다.
나 근처의 Cistanche 보충제-기억력 향상
2.3|가상 물 미로 작업
가상 물 미로 과제는 설치류의 공간 능력을 테스트하기 위해 확립된 방법인 쥐 물 미로를 적용한 것입니다(Morris, 1981).
인간에 대한 이러한 유사한 패러다임은 MRI 스캐너 환경과 호환됩니다(Schoenfeld et al., 2017). 참가자들은 보물 상자를 찾기 위해 가상 섬을 탐색하라는 지시를 받았습니다. 우리는 이 패러다임에서 "숨겨진 섬"과 "신호 섬"이라는 두 가지 다른 설정을 사용했습니다. 숨겨진 섬은 4개의 랜드마크(예: 다리, 범선, 풍력 터빈, 등대, 그림 S1 참조)로 둘러싸여 있습니다. 섬에 숨겨진 보물 상자가 목표 위치를 표시했습니다. 상자는 가상 섬 표면의 작은 움푹 들어간 부분에 위치했기 때문에 가까운 곳에서만 볼 수 있었습니다. 이에 비해 신호섬에는 멀리서 보이는 보물 상자 옆에 깃발이 있는 것 외에는 방향을 정할 수 있는 랜드마크가 전혀 없었다. 보물상자와 함께 이 깃발의 위치는 시련마다 바뀌었습니다. 작업 순서는 신호가 있는 섬과 숨겨진 섬이 교대로 반복되는 8개의 블록으로 구성되어 총 16번의 시도가 이루어졌습니다. 각 실험에서 참가자들은 조이스틱을 사용하여 자신의 속도로 섬 주위를 자유롭게 이동할 수 있었습니다. 보물 상자에 가까운 목표 위치에 도달하면 참가자는 조이스틱의 버튼을 눌러 시험을 종료할 수 있습니다. 한 시험이 끝나고 다음 시험이 시작될 때까지 15-초의 간격이 있었고, 그 동안 참가자는 섬을 돌아서 방향을 잡을 수 있었습니다. 참가자들은 눈에 보이는 깃발을 찾아야 하는 신호섬을 처음 만났습니다. 이 섬은 이후 분석에서 기억 효과를 분리하기 위해 지각 및 운동 처리를 제어하는 데 사용되었습니다. 숨겨진 섬과의 만남을 위해 참가자들은 동종중심적 또는 자기중심적 학습 조건 중 하나에 무작위로 할당되었습니다. 동종 중심 그룹은 모든 시도에서 섬의 다른 위치에서 시작했으며 대상 위치를 찾기 위해 매번 방향을 바꿔야 하므로 장소 탐색 사용을 촉진합니다. 자기중심적 그룹에서는 모든 시도에서 동일한 시작 위치를 가지므로 눈에 보이는 단서 외에도 목표 위치에 도달하기 위해 반복적인 고정 이동에 의존할 수 있으므로 두 가지 탐색 전략을 모두 사용할 수 있습니다. 일반적으로 참가자들은 이 두 가지 조건에 대해 눈이 멀었습니다. 학습 시험의 경우 두 조건 모두 참가자의 주요 목표는 8개의 숨겨진 섬 시험에서 대상 상자의 위치를 학습하는 것이었습니다. 검색 시험의 경우 섬 설정은 한 번의 수정만으로 동일하게 유지되었습니다. 숨겨진 섬에서 보물 상자를 제거하고 참가자에게 지식을 최대한 활용하여 위치를 표시하도록 지시한 후 상자가 있는 위치를 기억했습니다.
2.4|데이터 취득
2.4.1|수면다원검사 기록
수면다원기록은 90분 동안 낮잠을 자는 동안 500Hz(BrainAmp, Brain Products, 독일 길칭 소재)의 샘플링 속도로 기록되었습니다. Fz, F3, F4, Cz, C3, C4, Pz, P3, P4, Oz, O1, O2를 포함하여 32개의 두피 전극(국제 10-20 EEG 시스템)을 장착하고 왼쪽 유양 돌기를 참조했습니다. 또한 수평 및 수직 안구 운동(EOG), 턱 근전도(EMG), 심전도(ECG)도 기록되었습니다. 녹음은 불이 꺼진 직후부터 시작됐다. 실험 후, 조건을 모르는 실험자가 SpiSOP 툴박스(www.spisop.org; RRID: SCR_015673)를 사용하여 수면 채점을 수행했습니다. American Academy of Sleep Medicine 채점 규칙(AASM) 수면 단계 1 및 2에 따라 서파수면, REM 수면, 각성 및 신체 움직임을 EOG, EMG 및 다음 채널을 기반으로 30초 단위로 시각적으로 채점했습니다. —F3, F4, C3, C4, O1, O2.
2.4.2|FMRI 인수
FMRI 시계열은 3T 헤드 전용 스캐너(Prisma 3T, Siemens, Erlangen, Germany)를 사용하여 수집되었습니다. 700장의 T2* 강조 영상을 다중대역 경사 에코 평면 영상 시퀀스(다중 대역 인자=8, 64 축 슬라이스, 볼륨 반복 시간 [TR]=1000 ms, 에코 시간 [TE)로 획득했습니다. ]=39ms, 뒤집기 각도 52개, 슬라이스 두께=2.4mm, 시야(FOV) 210mm, 복셀 크기 2mm 등방성). T1-가중 MP-RAGE 시퀀스(192개의 시상면 슬라이스, 볼륨 TR=2300 ms, TE=3.03 ms, 8 플립 각도, 슬라이스 두께, 1 mm를 사용하여 해부학적 이미지를 획득했습니다. , FOV, 256mm, 복셀 크기 1 1 1mm). 모든 데이터는 Donders Repository di에서 확인할 수 있습니다. 할 수 있다. DSC_3013066.01_875.
2.5|데이터 처리
2.5.1|수면 EEG 전처리
데이터는 Matlab R2020b(Mathworks Inc., Sherborn, Massachusetts)에서 Sleeptrip 도구 상자(www.sleeptrip.org; RRID: SCR_017318)를 사용하여 전처리되었습니다. 모든 EEG 채널은 평균 유양 돌기(A1 및 A2)를 다시 참조했으며 데이터는 0.3~35Hz(4차 버터워스 제로 위상 필터) 사이에서 대역 통과 필터링되었습니다. 일반적으로 영위상 필터(즉, 순방향 및 역방향)만 적용되었습니다. 불량 EEG 채널은 전력 스펙트럼을 기반으로 시각적으로 거부되었습니다. 나머지 채널의 경우 30-의 긴 창에서 아티팩트가 감지되었습니다. 신체 움직임으로 시각적으로 식별된 세그먼트는 나중에 제외되도록 표시되었습니다. 관찰된 전체 진폭 분포에서 크게 벗어난 세그먼트를 추가로 식별하기 위해 각 세그먼트의 평균 진폭 차이를 각 채널 내에서 z-표준화했습니다. 모든 채널에서 az > 5인 세그먼트는 제외되었습니다(Muehlroth et al., 2019). TST는 1단계, 2단계, SWS, REM 수면에서 소요된 시간으로 계산되었습니다. WASO는 참가자가 수면 시작부터 최종 각성 사이에 깨어 있는 시간으로 정의되었습니다.
시스탄체 허브의 효과 - 항알츠하이머병
2.5.2|스핀들 감지
스핀들은 이전 출판물(Weber et al., 2020)을 기반으로 Sleeptrip에 구현된 자동화된 알고리즘과 Python 버전 3.8(Donoghue et al. , 2020). 느린 스핀들(9~12.5Hz) 및 빠른 스핀들(12.5~16Hz) 주파수 대역의 추정 전력 피크는 NREM 시대(즉, N2 및 N3)에서 시각적으로 감지되었습니다. 전력 스펙트럼을 검사하기 전에 로렌츠 함수를 피팅하여 비주기적인 1/f 성분을 신호에서 제거했습니다. 각 참가자에 대해 3개의 정면 채널(Fz, F3, F4; 수면 테스트 세션: 10.25Hz ± 0.1, 평균 ± SEM)의 평균에서 느린 스핀들 피크를 수동으로 식별했습니다. ; 수면 제어 세션: 10.07Hz ± 0.14, 평균 ± SEM) 및 빠른 스핀들은 3개의 중앙 채널(Cz, C3, C4) 평균에서 최고치; 수면 테스트 세션: 13.44Hz ± 0.09, 평균 ± SEM; 수면 제어 세션: 13.44Hz ± 0.06, 평균 ± SEM). 시각적으로 정의된 주파수 피크를 확인하기 위해 fooof를 사용하여 주기적 전력 구성 요소에 가우스를 반복적으로 적용했습니다(그림 S2 참조, 예: 스펙트럼). 수동 라벨과 장착된 가우스 피크에 차이가 있는 경우 전력 스펙트럼을 다시 검토했습니다. 이 방법은 가짜 스핀들 이벤트의 도입을 피하기 위해 사용되었습니다(Ujma et al., 2015). 그런 다음 모든 채널의 신호를 식별된 개별 주파수 피크 주변에서 대역 통과 필터링(±1.5Hz, 3dB 컷오프, 4차 버터워스 영위상 필터)했습니다. 신호의 RMS(root-mean-square) 표현은 모든 샘플 지점에서 계산되었으며 200ms 슬라이딩 창에서 이동 평균 필터를 사용하여 평활화되었습니다. 평활화된 RMS 신호의 진폭이 0.5-3초 동안 필터링된 신호의 1.5SD만큼 평균을 초과하는 경우 잠재적인 스핀들이 표시되었습니다. 필터링된 스핀들 신호의 로컬 최소값과 최대값은 최고점과 최저점으로 표시되었습니다. 가장 큰 최저점은 스핀들 피크 시간으로 정의되었습니다. 스핀들 진폭은 가장 큰 최저점과 가장 큰 최고점 사이의 전위차로 정의되었습니다. 콘크리트 스핀들의 개별 주파수는 모든 최저점과 최고점의 수를 더하고 각 스핀들의 지속 시간을 두 배로 나누어 결정되었습니다. 0.25초보다 가까운 경계를 가진 스핀들은 결국 병합되었습니다.
2.5.3|느린 진동 감지
전두 전극의 느린 진동 감지도 Sleeptrip에 구현되고 다른 곳에서 검증된 자동화된 알고리즘을 기반으로 했습니다(Ngo et al., 2{11}}13). 모든 NREM 시대에 대해 사전 처리된 EEG 데이터는 4Hz(6차 버터워스 제로 위상 필터)에서 저역 통과 필터링되었습니다. 그런 다음 전체 신호는 제로 크로싱으로 분리된 음의 반파와 양의 반파로 나누어졌습니다. 잠재적인 느린 진동은 0.5~1Hz 사이의 주파수 범위에서 음의 반파에 이어 양의 반파가 나타나는 것으로 정의됩니다. 느린 진동 진폭과 주파수는 스핀들에 사용된 것과 동일한 접근 방식으로 계산되었습니다. 모든 추정 느린 진동의 평균 최저점의 1.25배를 초과하는 추정 느린 진동과 모든 잠재적 느린 진동의 평균 진폭의 1.25배의 진폭이 추가 분석을 위해 허용되었습니다.
2.5.4|휴식 상태 fMRI 전처리
MRI DICOM 파일은 GraphICA(BraiNet - Brain Imaging Solution Inc. - Sarnia, Ontario, Canada)의 자동 파이프라인에 입력되었습니다. FSL 6.03을 사용하여 해부학적 및 기능적 이미지를 전처리했습니다. T1-가중 해부학 영상의 전처리 단계에는 바이어스 필드 보정(RF/B1-불균일성 보정), 뇌 추출, 조직 유형 분할(CSF, GM, WM) 및 피질하 구조가 포함됩니다. 분할. 기능적 데이터에 대해서는 두개골 스트리핑, 모션 보정, 슬라이스 타이밍 보정, 복셀 크기를 기반으로 계산되는 공간 평활화, 천장(1.5 * 복셀 크기), 공동등록, ICA 기반 모션 아티팩트 자동 제거, 하이패스를 수행했습니다. 필터링 및 성가신 회귀(WM 및 CSF). 다음 분석에서는 자연적인 뇌 공간의 특성이 보존되어야 하므로 데이터는 참조 공간으로 정규화되지 않았습니다.
2.5.5|이중 회귀 분석
이중 회귀는 11개의 휴식 상태 네트워크 마스크(청각, 기본 모드 네트워크, 왼쪽 집행 제어, 오른쪽 집행 제어, 해마, 언어, 돌출, 감각 운동, 시각 측면, 시각 미디어 및 시각)를 사용하여 주제별 공간 맵을 식별하는 데 사용되었습니다. 후두부. 구성 요소 공간 맵의 강도는 평균 대비 신호 변화율 단위로 표현되었습니다.
2.5.6|지역 구획
각 주제의 T{{0}}가중치 이미지는 Freesurfer 7(v7.1.0, http://surfer.nmr.mgh.harvard.edu/)에 구현된 파이프라인을 사용하여 자동으로 분할되었습니다. (Schaefer et al., 2018)에 설명된 그래디언트 가중 Markov Random Field 모델 절차를 사용하여 GraphICA를 사용하여 추가 구획을 수행했습니다. 이 구획 모델에는 최종 세분화의 최적 속성을 절충하는 세 가지 경쟁 용어가 포함되어 있습니다. 유사한 이미지 강도를 가진 그룹 뇌 위치에 대한 전역 유사성 용어, 인접한 뇌 위치 간의 갑작스러운 기능적 연결 변화를 감지하는 로컬 그라데이션 용어 및 공간 연결성 용어 필지 내 공간적 연결성을 보장합니다. 이 절차를 통해 추가 분석을 위한 네트워크 노드로 포함된 832개의 구획된 뇌 영역이 생성되었습니다.
2.5.7|기능적 네트워크 구축 및 임계화
GraphICA를 사용하여 각 노드 fMRI 시간 과정은 세 가지 휴식 상태 네트워크에 대한 IC 시간 과정과 개별적으로 연관되었습니다. 각 기능적 휴식 상태 네트워크를 기본 공간의 피험자에게 공동 등록한 후 832개의 ROI 각각에 속하는 복셀의 스칼라 맵 값을 평균하여 평균 z 값을 계산했습니다. 결과적으로 z 표준화된 상관 계수는 각 휴면 상태 네트워크의 각 노드 시간 코스의 로딩을 설명합니다. 예를 들어 노이즈로 인해 허위 또는 약한 z 값을 제거하기 위해 단일 대상 수준에서 데이터 기반 혼합 모델링 접근 방식을 사용하여 로딩을 임계값으로 설정했습니다(Bielczyk et al., 2018). 또한 임계값이 지정된 네트워크는 200개의 정상 컨트롤에서 파생된 GraphICA에서 제공하는 네트워크 템플릿과 일치되었습니다. 템플릿에서 발견된 노드만 추가 분석을 위해 고려되었습니다(즉, 해마 네트워크=74 노드, 기본 모드 네트워크=171 노드, 오른쪽 실행 제어 네트워크=164 노드).
2.6|통계 분석
2.6.1|수면 뇌파 분석
수면 EEG 데이터의 통계적 분석은 오픈 소스 도구 상자 Fieldtrip(Oostenveld et al., 2011) 및 CircStats 도구 상자(Berens, 2009)와 함께 Matlab R2020b(Mathworks Inc., Sherborn, Massachusetts)를 사용하여 수행되었습니다. 분석은 느린 진동과 느린 스핀들의 경우 채널 Fz, 빠른 스핀들의 경우 Cz로 제한됩니다. 분석에 사용된 모든 수면 변수가 정규 분포를 따르는 것은 아닙니다. 학습 후 수면 세션과 수면 제어 세션 사이의 수면 설명 및 진동 특성에 대한 모든 그룹 내 비교는 종속 샘플에 대한 비모수 Wilcoxon Signed-Rank 테스트를 사용하여 테스트되었습니다. 동종 중심적 조건과 자기 중심적 조건의 수면 변수에 대한 그룹 간 비교는 독립 샘플에 대한 비모수 Mann-Whitney U 테스트를 사용하여 계산되었습니다. 이러한 테스트를 위해 변수의 중앙값과 사분위수 값이 보고되었습니다. p-값<.05 was viewed as statistically significant.
2.6.2|감지된 느린 진동과 스핀들 사이의 시간적 관계
느린 진동과 방추의 조정은 NREM 수면에 대해 평가되었습니다. 방추-느린 진동 결합이 2단계와 서파 수면(Cox et al., 2017)에서 안정적인 것으로 입증되었기 때문입니다. 느린 진동의 특성은 다릅니다(K-복합체 대 델타파). 느린 진동과 방추 사건 사이의 일반적인 시간적 관계는 식별된 느린 진동의 골 주위로 ±1.2초 간격으로 중심(즉, 최대 골)이 발생한 방추의 비율과 느린 진동의 양을 결정하여 계산되었습니다. 진동의 각 최저점 주위에서 ±1.2초 이내에 중심이 발생한 스핀들입니다. 하나의 전체 느린 진동 주기(0.5~1Hz, 즉 1~2초)를 포괄하기 위해 ±1.2초의 시간 창을 선택했습니다. 두 개의 느린 진동 시간 창이 겹칠 때마다 스핀들 중심에서 더 멀리 있는 창이 제거되었습니다. 느린 진동 및 스핀들 이벤트의 정확한 타이밍은 각 느린 진동 최저점(목표) 주위에서 ±1.2초의 시간 간격 내에 발생하는 빠르고 느린 스핀들 중심(테스트 이벤트)의 이벤트 주변 시간 히스토그램(PETH)(그림 2b)을 통해 시각화되었습니다. 이벤트). 시드 이벤트 발생 확률은 100ms의 빈 내에서 합산되어 백분율로 변환되었습니다. PETH의 시간적 패턴을 테스트하기 위해 PETH 저장소의 순서를 무작위로 1000번 섞는 무작위화 절차를 구현했습니다. 결과 대용물은 각 개인에 대해 평균을 내고 종속 표본 t-테스트를 사용하여 원래 PETH에 대해 테스트되었습니다. 다중 비교에 대한 제어는 5000개의 순열을 사용한 클러스터 기반 순열 테스트를 통해 달성되었습니다(Maris & Oostenveld, 2007).
2.6.3|이벤트 고정 위상 커플링
이벤트 고정 교차 주파수 분석(Helfrich et al., 2018)의 경우 채널 Fz(최대 느린 진동 최저점 주변 ±3초)에 대한 아티팩트 없는 느린 진동 이벤트 시험이 선택되었으며, 밴드 -느린 진동 주파수 범위(0.3–1.25Hz)에서 통과 필터링됩니다. 힐베르트 변환을 적용한 후 분석 신호에서 순간 위상각을 추출했습니다. 동일한 시도를 9~12.5Hz(느린 스핀들 구성 요소)와 12.5~16Hz(빠른 스핀들 구성 요소) 사이에서 대역 통과 필터링하여 분석 신호에서 진폭 포락선을 계산했습니다. 필터 에지 아티팩트를 피하기 위해 2~2초의 시간 범위만 고려했습니다. 모든 주제, 채널 및 시대에 대해 이제 최대 스핀들 진폭과 해당 느린 진동 위상 각도를 감지했습니다. 레일리 테스트는 균일성에 대해 대상별 위상 분포를 테스트하기 위해 계산되었습니다. 모든 NREM 이벤트에 걸쳐 평균 원형 방향과 결과 벡터 길이가 결정되었습니다. PPC는 3.5~+3.5초의 시간 창에서 스핀들-트로프 트리거 푸리에 스펙트럼을 기반으로 스핀들과 느린 진동 사이의 위상 관계의 일관성에 대한 편견 추정기로 사용되었습니다(Vinck et al., 2012). (100ms 단계) 및 0.3~3Hz의 느린 발진 주파수 범위를 제공합니다.
중국 약초 시스탄체
2.6.4|시간-주파수 분석
스핀들과 느린 진동 사이의 시간적 관계를 더 자세히 설명하기 위해 이전에 계산된 느린 진동 이벤트 시도(6- 세그먼트)를 다시 사용했습니다. 이러한 시험은 기준 시험으로 사용된 각각의 느린 진동과 동일한 수면 단계 동안 무작위로 선택된 6초의 인공물 없는 시간 세그먼트와 일치되었습니다. 느린 진동이 있거나 없는 시험의 시간-주파수 분석을 위해 상위 집합을 사용했습니다(Moca et al., 2021). 슈퍼렛은 중심 주파수는 동일하지만 기존 접근 방식보다 시간-주파수 분해능이 더 높은 제한된 대역폭을 갖는 일련의 Morlet 웨이블릿으로 구성됩니다. 구체적으로 우리는 초기 웨이블릿 차수가 3이고 차수 간격이 5와 15 사이인 느린 진동과 5Hz에서 20Hz 사이의 기준선 시도의 전처리된 데이터에 0.25Hz 간격으로 FASLT(분율 적응형 수퍼렛 변환)를 적용했습니다( Barzan 외, 2021). 그런 다음 독립 표본 t-검정을 사용하여 각 피험자에 대해 느린 진동 이벤트 시험과 대조 시험의 시간-주파수 표현을 비교했습니다. 결과 t-맵은 없는 시험과 비교하여 느린 진동이 있는 시험에 대한 빠르고 느린 스핀들 주파수 범위의 증가/감소를 반영합니다. 피험자 내 대조를 계산하기 위해 우리는 2단계 대 서파 수면 시도의 비율을 유지하면서 기준선 및 느린 진동 시도의 무작위 세트 100개를 그렸습니다. 이러한 모든 무작위 시험 세트에 대한 T-맵은 각 주제에 대해 평균을 냈습니다. 각 메모리 조건에 대해 별도로 t-맵은 1.2~1.2초의 시간 창에서 5000개의 순열을 사용하는 클러스터 기반 순열 테스트를 사용하여 0에 대해 테스트되었습니다.
2.6.5|휴식 상태 fMRI 분석
세 가지 휴식 상태 네트워크의 fMRI 데이터는 RStudio 1.4.1103(RStudio, Inc., Boston, Massachusetts)에서 분석되었습니다. 모든 분석은 미리 선택된 세 가지 휴식 상태 네트워크(즉, 해마 네트워크, 기본 모드 네트워크, 오른쪽 실행 제어 네트워크)에 대해 별도로 수행되었으며 기능적 연결 패턴을 설명하는 IC당 얻은 노드 z 값을 기반으로 했습니다. 휴면 상태 네트워크. 우리는 그래프 이론 분석, 유클리드 거리 행렬, 특이값 분해(SVD) 등 데이터를 분석하기 위해 세 가지 접근 방식을 탐색했는데, 그 중 SVD가 현재 데이터 세트에 가장 적합했습니다. SVD는 휴면 상태 네트워크의 원래 구성을 보다 정확하게 포착하기 위해 원시 z 값에 대해 수행되었습니다. 임계값이 지정된 z 값은 m n 데이터 매트릭스를 형성했습니다(m=참가자 수 4개 세션, n=노드 수). 특히, 임계값이 적용된 데이터 행렬에는 주로 0 값이 포함되어 있으므로 차원 축소를 위해 희소 행렬에 대한 SVD가 선택되었습니다. 네트워크당 두 가지 주요 모드가 추출되었으며 이는 데이터 분산의 15%~20%를 함께 설명합니다. 각 모드는 분산 기반 기능적 휴지 상태 하위 네트워크로 이해될 수 있습니다(영화 S1-S4 참조). SVD의 결과로 우리는 방정식 (2)를 사용하여 각 하위 네트워크의 공간 분포를 설명하는 순위 r 근사치로 네트워크의 평균 하위 순위 재구성을 얻었습니다.
여기서 A는 r개의 왼쪽 특이 벡터를 포함하는 U, r개의 특이값을 포함하는 S, r개의 오른쪽 특이 벡터를 포함하는 V로 근사된 원본 데이터 행렬입니다. 통계 테스트를 준비하기 위해 각각의 왼쪽 특이 벡터(um, i )는 특이값(si, i )에 의해 스케일링되었습니다. 여기서 i는 행렬의 i번째 행/열입니다. 결과(um, I si, i )는 i번째 서브네트워크의 모든 세션에 대한 참가자의 점수를 나타내는 열 벡터입니다. 이러한 값은 세션 및 조건 전반에 걸쳐 모든 참가자에 대해 선택된 기능 하위 네트워크의 연결 강도로 해석될 수 있습니다. 두 하위 네트워크 각각에 대해 획득된 참가자 점수는 선형 혼합 효과 모델을 사용하여 종속 변수로 분석되었습니다. 모델 예측 변수에는 고정 효과로 수면 상태(수면, 기상), 세션(1-4 또는 휴식 전/후, 작업 전/후) 및 기억 상태(동종 중심, 자기 중심)가 포함되었습니다. 참가자는 4개의 휴식 상태 세션에 대한 무작위 효과로 모델링되었습니다. Akaike 정보 기준(Akaike, 1973), 베이지안 정보 기준(Schwarz, 1978) 및 로그 가능성을 사용하여 모델 적합성을 평가했습니다.
3|결과
3.1|연구 설계 및 메모리 성능
본 연구에서는 1-일 패러다임을 사용하여 공간 기억 작업의 통합을 테스트했습니다(그림 1a). fMRI 스캔 동안 참가자들은 이전에 검증된 인간용 물 미로의 가상 아날로그에서 동종 중심 또는 자기 중심 공간 학습 및 기억 검색을 수행했습니다(Müller et al., 2018; Schoenfeld et al., 2017). 자세한 작업 설명은 이 데이터 세트의 첫 번째 출판물(Samanta et al., 2021)에서 찾을 수 있습니다. 간단히 말해서 참가자들은 조이스틱을 사용하여 가상 섬을 자유롭게 탐색하여 고정된 목표 위치에 도달했습니다. 학습 세션에서 숨겨진 보물 상자로 위치가 표시되었습니다. 그러나 검색하는 동안 참가자들은 상자가 없는 상태에서 아는 한 최선을 다해 보물 상자 위치를 표시하도록 지시 받았습니다. Allocentric 및 egocentric 조건은 무작위로 할당된 참가자가 동일하거나 변경되는 시작 위치에서 각 시험을 시작하도록 달랐습니다(그림 1b). 메모리 성능은 시작점에서 목표 위치에 도달하는 지연 시간으로 측정되었습니다. 검색 시 참가자는 일반적으로 동종 중심 조건보다 자기 중심 조건에서 더 나은 수행을 했으며, 기억 성능에 대한 수면의 주요 효과는 상당했습니다(그림 1c, 표 1, 동종/자아 F1을 사용한 양방향 ANOVA,62=16 .78, p < .001 및 절전/깨우기 F1,62=3.84, p=.05). 학습 및 검색 세션 직전과 직후에 휴식 상태 fMRI를 사용하여 기능적 연결성을 평가했습니다. 이는 각각 9분씩 총 4개의 휴식 상태 fMRI 세션에 해당합니다. 공간 학습과 기억 검색 사이에 수면다원검사를 사용하여 수면 구조를 측정했습니다(표 S1). 실험 조건에서 참가자들은 약 90분(93.48 ± 1.77, 평균 ± SEM)을 자고, 대조군은 같은 시간 동안 중립 영화를 시청했습니다. 실험 후 약 2주 후에 수면 조건의 참가자는 약 90분(103.30 ± 2.66, 평균 ± SEM) 동안 수면 제어 세션을 완료했는데, 이는 공간 학습 경험이 즉시 따르지 않았습니다. 두 수면 세션의 순서는 피험자가 테스트 세션에서 실험 조건을 보지 못하도록 균형을 맞추지 않았습니다. 유사한 작업 설계를 사용하여 Genzel, Bäurle, et al. (2014) 및 Genzel et al.(2012)은 비슷한 낮잠 시간을 얻었습니다. 그러나 여기서 참가자들은 수면 테스트 세션보다 수면 조절 세션에서 훨씬 더 오랫동안 잠을 잤습니다(Wilcoxon Sign-Rank Test, z = 2.68, p=.01). 이 세션 효과는 수면 실험실에 대한 습관화를 암시합니다. 이전 연구와의 차이점은 Genzel, Bäurle 등의 경우 다른 실험실 설정을 사용했기 때문일 수 있습니다. (2014); Genzel et al., 2012) 수면 실험실(Max Planck Institute of Psychiatry)은 그렇게 지정되었으며, Donders Institute의 수면 실험실은 EEG 실험실에 있습니다(따라서 덜 "편안함").
3.2|테스트 및 제어 세션의 수면 속성
NREM 수면 중 시공간 메커니즘은 이전 각성 중에 인코딩된 경험을 통합하는 것으로 나타났습니다(Maigret et al., 2016). 시스템 수준에서 경험은 수면 중에 해마-시상-피질 네트워크에서 재활성화되어 이러한 경험의 장기적인 표현을 형성하는 것으로 생각됩니다. 기억 강화와 관련된 다양한 진동은 이러한 뇌 구조 간의 통신을 조정할 수 있습니다(Genzel, 2020; Genzel, Bäurle, et al., 2014). 우리는 NREM 수면 중 느린 진동뿐만 아니라 느린 방추(9~12.5Hz)와 빠른 방추(12.5~16Hz)에 관심이 있었는데, 이는 기억 통합 과정에서 뚜렷한 역할을 할 수 있습니다(Genzel & Robertson, 2015) . 인간 EEG에서 이러한 수면 진동에 대해 이전에 보고된 지형(Adamczyk et al., 2015)에 따라 우리는 전두엽 느린 진동과 느린 스핀들(즉, 채널 Fz) 및 중앙 빠른 스핀들(즉, 채널 Cz; 커플 링 지형은 그림 S3을 참조하십시오. 수면 테스트 세션의 수면 아키텍처에 대한 공간 학습 경험의 구체적인 영향을 포착하기 위해 수면 테스트와 제어 세션 간의 수면 설명과 스핀들 및 느린 진동 특성(표 S1 참조)을 비교했습니다. 우리는 참가자들이 테스트 세션에 비해 제어 세션에서 훨씬 더 오랫동안 잠을 자는 것을 발견했습니다. 테스트 세션과 비교하여 빠른 스핀들 지속 시간도 컨트롤 세션에서 상당히 높았습니다(Wilcoxon Sign-Rank 테스트, z = 2.91, p < .01). 우리는 테스트 세션과 제어 세션 간의 TST의 중요한 차이가 WASO를 제어하면서 빠른 스핀들 지속 시간의 차이를 예측할 수 있는지 여부를 추가로 평가했습니다. 그러나 수면 세션 간 빠른 방추 진폭 차이에 대한 TST의 유의미한 효과는 없었습니다(다중 선형 회귀, TST:=0.53, p=.61). TST의 증가와 유사한 빠른 방추 진폭의 증가는 수면 실험실의 통제되지 않은 습관화 효과로 인한 것일 수 있습니다. 그럼에도 불구하고 우리는 수면 진동의 시간적 관계가 기억 강화에 결정적인 역할을 한다는 가설을 세웠습니다. 이 점에서 우리는 다음과 같이 세션 간 차이점을 관찰하지 못했습니다.
그림 1
3.3|테스트 및 제어 세션에서 스핀들-느린 진동 커플 링
날카로운 파동 잔물결, 방추 및 느린 진동 간의 결합은 학습 경험을 통합하는 데 중요한 시간 창을 설정할 수 있습니다(Genzel, Kroes, et al., 2014). 따라서 우리는 수면 테스트와 제어 세션 간의 수면 마이크로 아키텍처의 차이를 더 자세히 조사하기 위해 스핀들과 느린 진동 사이의 시간적 관계에 중점을 두었습니다. 먼저, 식별된 느린 진동의 중심을 중심으로 한 주기(±1.2초 간격)에서 발생하는 스핀들의 최대 최저점 수(%)를 계산했습니다(그림 2a). 두 세션 모두에서 느린 진동과 결합된 유사한 수의 빠른 스핀들(Wilcoxon Sign-Rank Test, z = 1.14, p=.26)과 느린 진동과 결합된 느린 스핀들(Wilcoxon 부호 순위 테스트, z {{10}}.75, p=.45). 역으로, 대략 동일한 수의 느린 진동이 빠른 스핀들(Wilcoxon Sign-Rank Test, z=1.02, p=.31)과 느린 스핀들(Wilcoxon Sign-Rank Test, z=1 .31)에 결합되었습니다. 학습 후 및 수면 조절 시 순위 테스트, z {{20}}.10, p=.27). 이러한 발견은 스핀들과 느린 진동이 서로 동일하게 결합되어 있음을 시사합니다. 일반적으로 우리는 수면 테스트 세션 직전에 수행된 공간 학습 경험과 관계없이 두 수면 세션에서 일관된 스핀들-느린 진동 결합을 감지했습니다. 성공적인 메모리 통합은 수십 또는 수백 ms의 결합 정밀도에 따라 달라질 수 있습니다(Maigret et al., 2016; Muehlroth et al., 2019). 따라서 우리는 PETH를 사용하여 정확한 스핀들-느린 진동 조정을 분석했습니다(그림 2b). PETH는 100-ms 시간 구간 내의 느린 진동 이벤트 주변의 ±1.2초 시간 창에서 최대 스핀들 최저점이 발생할 가능성을 보여줍니다. 빠른 스핀들은 느린 진동 최저점 바로 앞과 느린 진동 피크에서 동시에 발생했습니다(클러스터 기반 순열: 부호 클러스터: 테스트에서 400-700ms, p < .001; 제어에서 500-800 ms, p < .001). 반면, 느린 스핀들은 느린 진동 기저점으로의 전환과 일치했습니다(클러스터 기반 순열: 두 부호 모두 300~100ms의 클러스터, p < .001). 이 효과의 견고성은 스핀들 트로프의 타임스탬프를 무작위로 섞음으로써 얻은 참조 분포에 대해 테스트되었습니다. 방추-느린 진동 결합의 시간적 특수성은 두 수면 세션에서 다르지 않았으며, 이는 다시 공간 학습 경험과 무관한 일반적인 결합 메커니즘의 존재를 시사합니다. 이전 연구 결과는 노인에 비해 젊은이의 방추-느린 진동 결합 강도가 더 높고 총 운동 학습에 따른 것으로 나타났습니다(Cross et al., 2020 [사전 인쇄]; Helfrich et al., 2018). 우리는 공간 학습의 맥락에서 위상 관계의 이러한 일관성을 설명하는 데 관심이 있었습니다. 그림 2b의 극좌표는 느린 스핀들(9-12.5Hz)에 대한 채널 Fz에 대한 최대 스핀들 진폭 시점의 순간적인 느린 진동 위상(0.3-1.25Hz)으로 계산된 하나의 예제 대상과 전체 샘플에 대한 결합 위상을 보여줍니다. ) 및 빠른 스핀들(12.5-16Hz)의 경우 채널 Cz입니다. 이미 단일 대상 수준에서 정확한 스핀들-느린 진동 결합을 볼 수 있는데, 이는 빠른 스핀들과 느린 스핀들에서는 다르지만 수면 세션 전체에서는 상대적으로 일관됩니다(극 히스토그램, 그림 2b 참조). 그룹 수준에서 가장 빠른 스핀들은 느린 진동의 5.76~6.28 라디안 사이에서 발생했지만(테스트: 6.03 ± 0.56, 제어: 6.07 ± 0.33, 원형 평균 ± SD) 느린 진동의 1.57~2.62 라디안 사이에서 발생했습니다. (테스트: 1.89 ± 0.79, 제어: 1.87 ± 0.71, 원형 평균 ± SD; 그림 2e). 이러한 발견은 PETH에 표시된 스핀들과 느린 진동 사이의 시간적 조정과 일치합니다. 이러한 위상 관계의 일관성을 추정하기 위해 쌍별 위상 일관성(PPC, "방법 및 재료" 참조)을 계산했습니다. 최대 PPC 값은 두 절전 세션 사이의 빠른 스핀들이나 느린 스핀들에 대해 다르지 않았습니다(Wilcoxon SignRank 테스트, 빠른 스핀들 최대 PPC: z=0.451, p=.65, 느린 스핀들: 최대 PPC: z=0.067, p=.95). 또한 PPC에서 눈에 띄는 개인차가 관찰되었습니다(그림 2c). 우리는 PPC의 이러한 변동성이 참가자의 일반적인 수면 질(PSQI로 측정)과 관련이 있는지 여부에 관심이 있었지만 이는 중요하지 않았습니다(선형 상관 관계, 빠른 스핀들: ρ=0.30, p=). 14, 느린 스핀들: ρ=0.15, p=.46). 요약하면 스핀들은 시간 영역에서 이전 연구 결과를 뒷받침하는 특정 위상 관계를 사용하여 느린 진동과 일관되게 결합되었습니다. 지금까지 제시된 전체 결합 결과는 두 수면 세션에서 다르지 않았습니다. 앞서 설명한 바와 같이, 우리는 수면 테스트 세션보다 수면 제어에서 더 긴 총 수면 시간을 관찰했는데, 이는 결합의 차이가 숨겨진 수면 아키텍처에 대한 보상 효과가 있었을 수 있습니다. 따라서 수면 테스트 세션에 대해서만 다음과 같은 결과를 제시합니다.
3.4|스핀들 - 느린 진동 전력은 메모리 성능과 관련이 있습니다.
수면 세션 전반에 걸쳐 방추-느린 진동 결합의 일반적인 시간 및 위상 역학을 확립한 후, 수면이 동종 중심에 뚜렷한 영향을 미칠 수 있으므로 수면 테스트 세션 동안 두 가지 기억 조건(동종 대 자아)에 초점을 맞춰 분석을 진행했습니다. 자기 중심적 공간 기억과 비교. 그룹 간의 가능한 차이점은 %-커플링 및 PPC에 대해 테스트되었습니다(그림 2a,f). 스핀들-느린 진동 결합의 양이나 스핀들-느린 진동 단계의 일관성은 그룹 간에 크게 다르지 않았습니다(Mann-Whitney U 테스트, % 빠른 스핀들: z = 1.12, p=. 27, % 느린 스핀들: z=0.09, p=.93, 최대 PPC 빠른 스핀들: z=1.742, p=.08, 최대. PPC 느린 스핀들: z=0.083, p=.94). 우리는 느린 진동이 있는 시간 세그먼트와 없는 시간 세그먼트에 대한 스핀들 주파수 범위의 진동 전력을 비교하여 이 패턴을 추가로 조사했습니다("재료 및 방법" 참조). 느린 진동 시험은 무작위로 선택된 느린 진동 주위에서 ±1.2초를 획기적인 방식으로 구성되었습니다. 이러한 시도에서 스핀들 주파수 범위의 전력은 실제로 느린 진동 없이 무작위로 선택된 간격과 크게 달랐습니다(모든 t-값 클러스터의 경우: p < .001, 그림 3a). 차이 맵에는 중요한 변조 클러스터가 포함되지 않았기 때문에 이 효과는 두 메모리 조건 모두에서 동일하게 나타났습니다(그림 3a). 결론적으로, 스핀들-느린 진동 결합의 측정 항목 중 어느 것도 메모리 조건에 따라 다르지 않았습니다. 결과는 또한 행동 분석을 위한 훈련 유형과 수면 사이의 중요하지 않은 상호 작용과 일치했습니다(그림 1c 참조). 따라서 우리는 추가 테스트를 위한 통계적 성능을 높이기 위해 두 가지 메모리 조건을 축소하기로 결정했습니다. 테스트 세션에서 전체 샘플을 고려하여 먼저 스핀들-느린 진동 커플 링의 양이 스핀들 및 느린 진동 이벤트 발생의 무작위 부산물인지 여부를 먼저 확인했습니다. 획득된 결합 양은 샘플의 60%에서 무작위 샘플링 분포와 크게 달랐습니다(그림 3b, 순열 테스트: p < .05, 참가자당 1000회 반복). 그럼에도 불구하고 통계적 전력 손실과 평균으로의 회귀를 피하기 위해 전체 샘플에 대한 느린 진동 시험 동안 스펙트럼 전력 변조를 계산했습니다(그림 3c). 우리는 느린 진동 시험 중 전력 변조가 스핀들 주파수 범위 및 이전에 설정된 시간 간격에서 일치하는 제어 시험과 크게 다르다는 것을 발견했습니다(PETH, 그림 2b 참조). 다음으로, t-맵에서 추출된 각 스핀들 클러스터의 각 시간-주파수 지점에 대해 개별적으로 느린 진동-제어 전력 차이(t-값으로 표시)와 메모리 성능 간의 상관 분석을 수행했습니다(그림 3c). 우리는 EEG-행동 상관 관계의 부트스트랩 참조 분포에 대해 테스트하여 중요한 연관성을 발견했습니다. 이러한 방식으로 우리는 느린 진동 업 상태 동안 메모리 성능과 EEG 활동 조절의 특정 패턴 사이의 관계를 나타내는 중요한 상관 관계 클러스터를 식별할 수 있습니다("재료 및 방법" 참조). 빠른 스핀들에 대해 중요한 음의 상관관계 클러스터가 식별되었습니다(클러스터 p < .01, 최대 r=.41, p < .01, 그림 3c 상단). 마찬가지로 느린 스핀들에 대한 또 다른 중요한 음의 상관 관계 클러스터를 식별했습니다(클러스터 p=.02, 최대 r=.38, p=.02, 그림 3c 하단). 느린 진동 기간 동안의 스핀들 전력 및 느린 스핀들 전력은 더 나은 메모리 성능(즉, 더 낮은 응답 대기 시간)과 관련이 있었습니다. 이러한 효과는 수면 제어 세션에서 빠른 스핀들 또는 느린 스핀들 클러스터에 대해서는 관찰할 수 없기 때문에 수면 테스트 세션에만 해당됩니다(그림 S4). 우리는 또한 자기 중심적 그룹과 동종 중심적 그룹에 대해 별도로 이러한 상관 분석을 수행했습니다(그림 S6). 동종 중심 그룹에서는 빠른 스핀들이나 느린 스핀들 전력 변조 모두 메모리 성능과 큰 상관관계가 없었습니다. 자기 중심적 그룹에 대한 결과는 전체 표본에서 관찰된 결과와 매우 유사했습니다. 흥미롭게도 느린 스핀들 전력 변조는 두 그룹에서 반대 경향을 보였습니다. allocentric 그룹(클러스터=0.07, 최대 r=.50, p=.06, 그림 S6에 대한 느린 스핀들 전력 변조와 부정적인 연관성을 암시하는 더 나은 메모리 성능 왼쪽 하단). 이 연관성은 자기중심적 그룹(클러스터 p=.03, 최대 r=.61, p=.02, 그림 S6 오른쪽 하단)에 대해 상당히 긍정적이었습니다. 그러나 동종 중심 그룹에 대해서는 유의미한 결과를 얻을 수 없었기 때문에 이러한 추세를 더 이상 조사하지 않았습니다. 결론적으로, 우리는 제어 수면 세션과 달리 학습 후 수면에 특정한 기억 성능과 느린 진동 및 방추의 조정 사이의 연관성에 대한 증거를 찾았습니다. 느린 스핀들 전력 변조는 주로 자기중심적 그룹에 의해 주도되었을 수 있습니다.
그림 2
3.5|기능적 휴면 상태 네트워크는 세션 전반에 걸쳐 변경됩니다.
수면 EEG 분석 후, 우리는 휴식 상태 전반에 걸쳐 네트워크 수준에서 메모리 통합을 조사하기 위해 메모리 작업의 학습, 통합 및 검색 전후의 휴식 상태 기능 연결에 중점을 두었습니다. 이를 위해 우리는 4개의 휴식 상태 세션(예: 1=기준, 2=학습 후, 3=휴식 후, 4=검색 후)의 fMRI 데이터를 포함했습니다. ) 분석에 들어갑니다. 우리는 특히 올바른 실행 제어 네트워크, 기본 모드 네트워크 및 해마 네트워크에 관심이 있었습니다. Samanta et al.은 이 데이터 세트에 대한 Task-fMRI 분석을 수행했습니다. (2021)은 이러한 네트워크의 영역이 참가자가 낮잠을 자는 강화 기간 동안 활성화가 변경되었지만 깨어 있을 때는 활성화가 변경되지 않았음을 밝혔습니다. 따라서 우리는 휴식 상태 네트워크 분석을 위한 도구인 GraphICA(Ribeiro de Paula et al., 2017)를 사용하여 세 가지 휴식 상태 네트워크를 얻었습니다. 차원 축소를 위해 SVD를 사용하여 각 네트워크에 대한 기본 분산 모드를 계산했습니다("방법 및 재료" 참조). 마지막으로, 이전에 식별된 모드에서 세션, 수면 조건 및 기억 조건이 각 참가자의 점수에 미치는 영향을 테스트했습니다. 이 접근 방식을 통해 우리는 (1) 각 네트워크 내에 포함된 기능적 하위 네트워크 수와 (2) 실험 변수에 대해 네트워크의 기능적 연결이 어떻게 변경되었는지 확인할 수 있었습니다. 올바른 실행 제어 네트워크의 경우, 오른쪽 하두정엽 고랑, 오른쪽 하두정엽 및 오른쪽 등외측 전전두엽 피질을 중심으로 하는 기본 하위 네트워크를 추출했습니다. 이 하위 네트워크에서는 학습 및 검색 세션에서 작업 성능 전반에 걸쳐 기능적 연결성이 증가하는 것을 발견했습니다(그림 4a; 선형 혼합 효과 모델, 절전/기상: t62 = 0.747, p=. 46 알로/에고: t62 = 0.477, p=.64, pre-break/post-break: t193=1.676, p=.10, pre -작업/작업 후: t193=2.808, p=.01). 이러한 증가는 중단 이후에서 검색 이후로의 변화에 의해 주도되었습니다(t193=2.468, p=.02). 대조적으로, 후방 대상 피질이 주로 관여하는 기본 기본 모드 하위 네트워크는 일반적으로 작업 전후 성능에서 연결성이 감소했으며 그 연결성은 일반적으로 각성 조건과 비교하여 수면에 대해 더 높았습니다(그림 4b; 선형 혼합 효과 모델, 수면/깨우기: t62 = 2.616, p=.01 allo/ego: t62=0.427, p=.67, 휴식 전/후 -break: t193=1.726, p=.08, 작업 전/작업 후: t193 = 2.126, p=.04). 기능적 연결성의 감소는 중단 이후부터 검색 이후까지의 상당한 변화로 설명될 수 있습니다(t193 = 2.451, p=.017). 그러나 수면의 주요 효과는 어떤 실험 조작으로도 설명할 수 없으며 우연히 발생했을 수 있습니다(그림 S5). 특히, 주로 해마와 양측 해마 주위 피질을 포함하는 기본 해마 하위 네트워크는 오른쪽 실행 제어 네트워크와 유사한 연결성 변화를 보여주었습니다. 이 경우, 우리는 작업 전후의 증가뿐만 아니라 기능적 연결성의 사전 및 사후 증가도 감지했습니다(그림 4c; 선형 혼합 효과 모델, 절전/기상: t62 = 0). 143, p=.89 allo/ego: t62=0.702, p=.49, pre-break/post-break: t193=3.749, p < .001, 작업 전/작업 후: t193=4.535, p < .001). 이는 기준과 학습 후(t{101}}.586, p < .001), 휴식 후와 검색 후(t{105}.338, p < .001) 간의 상당한 차이로 반영되었습니다. ). 마지막으로, 우리는 모든 네트워크에서 관찰된 기능 연결의 검색 후 변경에 대한 사후 중단이 검색 시 메모리 성능과 연관되어 있는지 여부를 테스트했습니다. 이 효과는 오른쪽 집행 제어 하위 네트워크(선형 회귀,=0.016, p=.90), 기본 모드 하위 네트워크(선형 회귀,=0.655, p)에서는 중요하지 않았습니다.=.43) 또는 해마 하위 네트워크(선형 회귀,=0.596, p=.44). 전반적으로 우리는 실행 제어 및 해마 네트워크가 증가하고 기본 모드 네트워크가 감소하면서 세 가지 하위 네트워크 모두에서 작업 전/후 효과를 일관되게 얻었습니다. 해마 하위 네트워크만이 휴식 전후 연결성을 증가시켰으며 기본 모드 네트워크에서는 수면 주요 효과가 관찰되었습니다. 수면 분석에서 나타난 바와 같이 요인 기억(알로 대 자아)은 휴식 상태 네트워크의 변화에 영향을 미치지 않았습니다.
그림 3
그림 4
3.6|수면 의존적 해마 하위 네트워크 및 빠른 스핀들-느린 진동 커플 링
Samanta 등이 수행한 분석에서. (2021), 수면 후에는 설전/후장피질의 활성화가 감소하지만 참가자가 강화 기간 동안 깨어 있을 때는 감소하지 않는 것이 분명합니다. 마찬가지로, 우리는 양측 후장피질과 양측 편도체를 중심으로 하는 해마 네트워크의 두 번째 기능적 하위 네트워크를 추출했습니다(그림 5a 상단). 우리는 특이값 스펙트럼 기준을 사용하여 SVD 분해를 기반으로 이 하위 네트워크를 식별했습니다("방법 및 재료" 참조). 여기에서는 세션, 수면 조건 및 기억 조건이 이 두 번째 모드에서 참가자의 점수에 어떤 영향을 미치는지 조사했습니다. 다른 네트워크에서 감지된 작업 및 휴식 주 효과와 달리 이제 세션과 수면 조건 간의 상호 작용을 관찰했습니다(선형 혼합 효과 모델, 세션 * 수면 상호 작용 t191=2.086, p {{5} } .04). 통합 기간 동안 낮잠을 잔 참가자들에 대해서만 하위 네트워크의 기능적 연결성이 감소한 것으로 보입니다. 이 효과는 학습 후 세션에서 휴식 후 세션까지만 변경 사항을 비교할 때 유지되었습니다(쌍표본 t-검정, t{11}}.3971, p=.02). 따라서 우리는 또한 한 세션에서 다음 세션까지의 차이 값을 계산하고 이 값이 0과 크게 다른지 테스트했습니다. 훈련 후부터 휴식 후까지 수면 그룹에서만 중요한 변화가 발생했습니다(t26 = 3.17, p=.01), 이는 웨이크 그룹(t38 = 1.363, p=.18)에서는 나타나지 않았습니다. 따라서 우리는 수면 상태에서 학습 후 세션과 휴식 후 세션 간의 연결성 감소가 이전에 설명한 스핀들-느린 진동 커플 링과 관련이 있는지 여부에 관심이 있었습니다(그림 3c 참조). 이번에도 상관 분석이 수행되었습니다. 하지만 이번에는 느린 진동 제어 전력 차이(t 값으로 표시됨)와 학습 후 세션과 휴식 후 세션 간의 해마 하위 네트워크에 대한 변경 점수에 대한 것입니다. t-맵에서 추출한 각 스핀들 클러스터의 각 시간-주파수 지점에 대해 상관 관계를 계산했습니다. 빠른 스핀들(클러스터: p < .001, 최대 픽셀: ρ = 0.38, p < .01; 그림 5b, 상단) 및 느린 스핀들(클러스터: p {{ 39}} .02, ρ = 0.30, p=.03): 느린 진동 업 상태 동안 더 높은 방추 출력은 수면 전반에 걸쳐 해마 하위 네트워크의 기능적 연결의 더 큰 감소와 관련이 있었습니다 . 클러스터는 앞서 제시된 중요한 응답 상관 클러스터와 부분적으로 겹쳤습니다(그림 3c 참조). 이러한 발견은 느린 진동과 방추의 조정과 해마 하위 네트워크의 연결성 감소 사이의 관계에 대한 증거를 제공합니다. 이는 스핀들-저속 진동 커플 링 전력 및 동작에 대해 얻은 결과와 유사합니다. 따라서 우리는 이 해마 하위 네트워크의 변화 점수, 방추-느린 진동 커플 링 및 메모리 성능 간의 삼중 관계를 확립하는 것을 목표로 했습니다. 검색 시 메모리 성능에 대한 수면 전반에 걸쳐 네트워크의 변경 점수를 회귀했습니다. 그러나 해마 하위 네트워크의 연결성 감소는 행동을 유의하게 예측하지 못했습니다(선형 회귀,=0.01, p=.94). 요약하자면, 우리는 낮잠을 잔 참가자의 휴식 상태 세션 전반에 걸쳐 기능적 연결성을 감소시키는 해마 하위 네트워크를 발견했습니다. 깨어 있는 참가자들의 기능적 연결성은 대체로 안정적으로 유지되었습니다. 이 효과는 두 메모리 조건 간에 다르지 않았습니다. 학습 후부터 휴식 후까지의 기능적 연결성 감소는 수면 중 스핀들-느린 진동 커플 링과 긍정적으로 관련되어 있습니다. 따라서 우리는 이러한 연결성 변화가 메모리 통합의 상관관계가 될 것이라고 예상했습니다. 그러나 스핀들-느린 진동 커플 링 전력 (그림 3c 참조)과 달리 두 번째 해마 하위 네트워크의 수면 의존 연결성 감소는 검색시 메모리 성능을 예측하지 못했습니다.
그림 5
4|논의
이 연구에서는 낮잠이나 깨어 있는 같은 기간 동안의 공간 기억 강화를 조사하기 위해 휴식 상태의 fMRI와 수면 EEG 데이터를 사용했습니다. 피험자는 서로 다른 시작 위치(동종 중심 그룹) 또는 동일한 시작 위치(자기 중심 그룹)를 사용하여 가상 물 미로에서 목표 위치를 배웠습니다. 수면-EEG 분석은 스핀들-느린 진동 커플 링에 초점을 맞춰 스핀들을 빠르고 느린 하위 유형으로 분리했습니다. 휴식 상태 fMRI는 이전에 정의된 네트워크 내 연결의 변화에 중점을 두었습니다. 우리는 방추-느린 진동 결합이 낮잠 후의 기억 성능과 양의 상관관계가 있으며 비장후피질을 포함한 기능적 해마 네트워크의 연결성 감소와도 양의 상관관계가 있음을 보여줄 수 있습니다. 이러한 연결성 감소는 깨어 있는 그룹에서는 나타나지 않았습니다. 실행 제어 네트워크와 기타 해마 네트워크에서는 작업 관련 연결성 증가가 관찰된 반면 기본 모드 네트워크에서는 감소가 발견되었습니다. 이러한 변화는 수면 그룹에만 국한된 것이 아니라 모든 참가자에게 나타났습니다. 우리는 이전 진동 커플 링 결과를 복제하여 느린 진동에서 다운 상태로의 전환 기간에 느린 스핀들이 중첩되고 빠른 스핀들이 느린 진동 업 상태 직전과 내부에서 자주 발생한다는 것을 보여줍니다. 우리는 동심 중심 훈련 그룹과 자기 중심 훈련 그룹 사이의 방추-느린 진동 결합에 차이가 없음을 발견했습니다. 스핀들과 느린 진동 사이의 정확한 조정은 시간, 위상 및 시간-주파수 영역에서 일관되게 관찰되었습니다. 놀랍게도 이러한 효과는 공간 학습 경험 직후에 진행된 수면 테스트 세션과 사전에 명시적인 학습이 없었던 수면 제어 세션 간에 차이가 없었습니다. 우리가 수면 세션 간의 차이를 관찰하지 못했다는 사실은 연구 설계의 방법론적 한계 때문일 가능성이 큽니다. 대조 낮잠은 항상 두 번째 낮잠이었습니다. 총 수면 시간의 차이도 관찰되었기 때문입니다. 휴식 상태 fMRI 분석은 해마 네트워크, 기본 모드 네트워크 및 오른쪽 실행 제어 네트워크를 중심으로 이루어졌습니다. 이러한 네트워크는 정의되었으며 나중에 데이터 기반 접근 방식을 사용하여 하위 네트워크로 분할되었습니다. 우리는 활동 분석에서 이전 연구 결과와 일치하는 휴식 상태 세션 전반에 걸쳐 뇌 전체의 변화를 발견했습니다(Samanta et al., 2021). 올바른 실행 제어 네트워크의 변경(연결 증가)과 반대되는 기본 모드 네트워크의 연결에 대한 작업 관련 변경(연결 감소). 흥미롭게도 해마 네트워크는 두 개의 하위 네트워크, 즉 해마와 해마주위 피질을 중심으로 하는 1차 기능 하위 네트워크와 비장후피질을 허브 영역으로 하는 두 번째 기능 하위 네트워크로 나눌 수 있습니다. 일차 해마 하위 네트워크의 기능적 연결성은 작업 전과 작업 후 및 휴식 전에서 증가했습니다. 두 번째 해마 하위 네트워크의 기능적 연결성은 4개의 휴식 상태 세션(수면 휴식 시간에 가장 두드러짐)에서 감소했습니다. 휴식 시간 동안 잠을 잤던 참가자들에 대해서만 감소했지만 깨어 있었던 참가자들은 그렇지 않았습니다. 우리의 행동 및 수면 분석 결과와 마찬가지로 기억 상태(알로 대 자아)는 이러한 네트워크의 변화에 영향을 미치지 않았습니다. 우리의 연구 결과는 메모리 재활성화와 관련될 수 있는 기능적 네트워크의 작업 관련 및 통합 관련 연결 변경을 제안합니다.
마지막으로, 우리는 수면 EEG 결과를 휴식 상태 연결 및 기억 성능의 변화와 연관시키는 것을 목표로 했습니다. 방추-느린 진동 결합은 두 번째 해마 하위 네트워크의 수면 의존적 변화 및 기억 성능과 긍정적인 관련이 있었습니다. 이는 학습 후 수면에만 해당되며 대조 수면 세션에서는 볼 수 없습니다. 종합해 보면, 정확한 스핀들-느린 진동 결합은 행동 관련성이 있는 것으로 보이며 잠재적으로 메모리 통합에 기능적 중요성을 갖는 것으로 보입니다. 이 결합은 메모리 통합 중에 해마 네트워크의 기능적 연결이 변조되는 메커니즘일 수 있습니다.
4.1|휴면 상태 네트워크의 연결 변경
일반적으로 작업은 작업 후 휴식 상태의 뇌 활동에 영향을 미칠 수 있는 것으로 나타났습니다(Lewis et al., 2009). 예를 들어, 작업 기억, 감정, 운동 훈련과 관련된 인지 작업에 대해 작업 후 학습 의존적 자발적인 뇌 활동의 조절이 관찰되었습니다(Lewis et al., 2009). 선행 작업과 관련된 뇌 영역의 이러한 조정은 휴식 상태 통합의 한 형태로 이해될 수 있으며, 아마도 수면 관련 기억 통합과 유사한 메커니즘을 포함할 수 있습니다(Tambini & Davachi, 2019). 휴면 상태 연결 분석은 네트워크 내 다양한 복셀의 상관 관계를 기반으로 합니다. 신경 기억 재활성화와 기억 네트워크 강화는 기억 네트워크의 공동 활성화 증가로 이어져야 하며, 따라서 여기에서 측정한 대로 네트워크 내 연결성을 잠재적으로 증가시킬 수 있습니다. 따라서 우리의 결과를 휴식 상태에서 발생하는 재활성화의 변화로 해석할 수 있습니다. 우리는 기본 모드 네트워크 사전 작업 후 성능과 달리 실행 제어 및 주요 해마 네트워크의 반대 변화를 보여줍니다. 실행 제어 및 해마 네트워크는 증가한 반면 기본 모드 네트워크는 기능적 연결이 감소했습니다. 이러한 연결 변화가 재활성화 발생으로 인해 유발된다면, 결과는 작업 후에 실행 제어 네트워크와 해마 모두에서 더 많은 재활성화가 있음을 나타냅니다. 우리는 또한 비장후피질을 포함한 두 번째 해마 네트워크에서 수면 관련 연결성 감소를 보여주었습니다. 잠재적으로 이 네트워크는 해마와 실행 제어 네트워크의 일부인 두정엽 피질과 같은 하류 영역 사이의 연결이 될 수 있습니다(Genzel, 2020). 따라서 이 네트워크의 연결성이 감소한다는 것은 집행 제어 네트워크와 해마에서 발생하는 재활성화가 수면 후에 서로 더 독립적이라는 것을 의미합니다. 대조적으로, 깨어난 후에도 연결성의 감소가 없을 때 피질과 해마의 재활성화는 여전히 연결되어 있을 것입니다. 이전에는 해마에서 피질로의 통합이 진행되면 피질의 재 활성화가 해마 재 활성화와 독립적으로 발생한다고 제안되었습니다. 우리의 결과는 잠재적으로 이 아이디어를 뒷받침할 수 있습니다. 그러나 휴식 상태, 네트워크 내 연결의 측정은 매우 간접적이므로 이 발견은 설치류의 동시 해마 및 피질 신경 기록과 같은 보다 직접적인 측정으로 확인되어야 합니다.
4.2|오른쪽 실행 제어 및 기본 모드 네트워크의 작업 관련 변경
우리의 연구 결과는 Samanta et al.이 수행한 이 데이터 세트의 작업 분석과 일치합니다. (2021). 참가자가 작업을 수행하는 동안 학습 및 검색 세션 전반에 걸쳐 굵게 표시된 활동의 변화를 측정할 때 실행 제어 영역의 수면 관련 증가와 기본 모드 영역의 감소를 관찰했습니다. 현재 분석에서 우리는 실행 제어 네트워크에 대한 네트워크 내 연결이 증가하고 다양한 휴식 상태 세션에 걸쳐 기본 모드 네트워크가 감소하는 것을 관찰했습니다. 주목할 점은 Samanta et al.의 활동 분석 결과와 달리 현재 결과는 수면 상태에 대해 구체적이지 않다는 것입니다. 이러한 불일치는 분석 접근 방식의 차이로 인해 발생할 수 있습니다. Samantaet al. (2021)은 두 네트워크에 대해 굵게 응답의 변화를 조사했지만 기능적 연결은 그렇지 않았습니다. 그들의 기능적 연결성 분석은 미리 정의된 집행 제어 네트워크 허브와 뇌의 나머지 부분 사이의 상호 작용을 테스트하는 시드 기반 접근 방식을 기반으로 구축되었습니다. 대조적으로, 우리는 독립적인 구성 요소 분석을 사용하여 사전 가정 없이 네트워크를 정의하고 이러한 각 네트워크 내에서만 기능적 연결 변경을 평가했습니다. 이러한 방법론적 차이로 인해 두 분석의 결과가 달라졌을 수 있습니다. 실행 제어 네트워크는 시공간 작업 간에 주의를 할당하는 것으로 생각되며 목표 지향적 행동 및 탐색에 관여합니다. 구체적으로, 후방 두정엽 피질은 목표 지향 탐색을 안내하기 위해 해마에서 생성된 동종 중심 공간 정보 및 자기 중심 공간 방향에 대한 피질 통합 사이트 역할을 합니다(Nitz, 2012; Whitlock et al., 2008). 또한 이전 경험을 인코딩하는 데 관련된 작업 후 휴식 시 뇌 영역의 순차적 재생 또는 패턴화된 재활성화에 대한 증거가 있습니다(Hoffman & McNaughton, 2002; Staresina et al., 2013). 종합하면, 작업 관련 뇌 영역의 작업 후 휴식 시 공간 탐색 및 재생에서 두정엽 피질의 중심 역할에 대한 증거는 우리의 연구 결과와 일치합니다. 우리는 작업 전후 성능에서 휴식 상태의 하부 후두정엽과 고랑을 중심으로 한 오른쪽 집행 제어 네트워크에서 기능적 연결성이 증가하는 것을 관찰했습니다. 초기 신경영상 연구에서는 기본 모드 네트워크를 휴식 상태에 비해 작업 수행 중 기능적 연결성이 감소하는 작업 음성 네트워크로 정의했습니다(Buckner et al., 2008). 그러나 그래프 이론 측정을 사용하여 Lin et al. (2017)은 작업 전 휴식, 작업 성능 및 작업 후 휴식 중 기본 모드 네트워크 역학에 대한 일시적으로 해결된 보기를 제공했습니다. 그들은 작업 전 휴식과 비교하여 작업 후 휴식 시 기본 모드 네트워크에서 기능 통합의 척도인 효율성의 감소를 발견했습니다. 전체 네트워크에서 전역 효율성이 감소했고, 특히 후방 대상 피질에서 로컬 효율성이 감소했습니다. 우리의 결과는 또한 후방 대상 피질의 상당한 영향을 받는 기본 모드 네트워크가 작업 전후 휴식에서 기능적 연결성이 감소한다는 것을 보여줍니다. ICA(Independent Component Analysis)와 템플릿 매칭 절차의 결과, 후방 대상 피질, 전전두엽 피질, 측면 후방 두정 피질이 기본 모드 네트워크 연결에 가장 크게 기여했다는 점을 지적해야 합니다. Samanta 등을 포함한 이전 연구. (2021)은 또한 이 네트워크에서 해마와 비장후피질 기능 허브를 고려했습니다(Greicius et al., 2003; Vincent et al., 2006). 이 모든 영역은 통합 중에 정보가 전두엽 및 비장후부 피질을 통해 해마에서 하류 두정엽 영역으로 전달되는 메모리 네트워크를 형성하기 위해 제안되었습니다(Genzel, 2020). 그러나 우리 연구에서 해마와 비장후피질은 주로 별도의 해마 네트워크의 일부였습니다. 따라서 이전에 기본 모드 네트워크에 할당된 본 연구의 여러 결과는 해마, 측두엽 영역 및 비장후피질을 포함하는 해마 네트워크에 대해 별도로 논의됩니다. 우리의 fMRI 처리 파이프라인은 최대한 독립적인 공간 네트워크를 생성한 ICA를 기반으로 했습니다. 따라서 우리는 기능적 휴지 상태 네트워크 간의 상호 작용을 테스트할 수 없었습니다. 그럼에도 불구하고, 올바른 실행 제어와 기본 모드 네트워크의 기능적 연결의 반대 경향은 이전 연구와 동일한 방향을 암시합니다. 기본 모드 네트워크와 실행 제어 네트워크 사이의 반대 변화는 휴식과 집중 주의 사이의 전환을 촉진하는 것으로 나타났습니다(Goulden et al., 2014; Menon & Uddin, 2010). 이러한 전달에는 자극 관련 인지 처리를 지원하기 위해 뇌 내 자원을 재할당하는 것이 포함됩니다. 우리의 관찰에 따르면 두 네트워크 간의 기능적 연결에 대한 적대감은 휴식에서 작업 전환까지 존재할 수 있을 뿐만 아니라 작업 후 휴식 시에도 지속되므로 관련 영역의 오프라인 조정을 반영하여 인코딩된 경험을 강화할 수 있습니다.
4.3|기억 강화에서 해마 네트워크의 역할
SVD를 통해 우리는 해마 네트워크 내에서 두 개의 기능적으로 관련된 하위 네트워크, 즉 해마와 해마 주위 피질을 중심으로 한 해마 하위 네트워크와 주로 후장 피질과 관련된 두 번째 해마 하위 네트워크를 식별할 수 있었습니다. 이러한 하위 네트워크는 4개의 휴식 상태 fMRI 세션에서 뚜렷한 기능적 연결 변화를 보여주었습니다. 기본 해마 하위 네트워크는 학습 및 검색 세션에서 작업 수행 후 기능적 연결성이 증가했습니다. 이 발견은 집행 제어 네트워크에 대해 설명한 것과 유사한 휴면 상태 통합의 기초가 될 수 있습니다. 초기 기억 저장 장소인 해마는 휴식 후 더 나은 기억 성능을 가져오는 재활성화를 생성하는 것으로 종종 나타났습니다(Dupret et al., 2010). 또한 이 하위 네트워크에 대한 90분 휴식 후 기능적 연결성이 증가하는 것을 관찰했습니다. 언뜻 보면 통합 기간에 따른 이러한 증가는 제안된 시스템 통합 메커니즘에 반직관적인 것처럼 보입니다(Squire et al., 2015). 대신 통합 기간 후에 해마의 참여가 감소할 것으로 예상됩니다. 그러나 현재 측정은 활동 자체가 아니라 네트워크 연결 내에서의 활동이며 통합 기간은 90분으로 제한되었다는 점을 명심해야 합니다. 두 번째 해마 하위 네트워크는 주로 비장후피질뿐만 아니라 내측 측두엽 영역도 포함합니다. 문헌에서 해마, 측두엽 영역 및 비장후피질은 휴식 중에 강한 일관성을 보이기 때문에 종종 기본 모드 네트워크의 일부로 간주됩니다(Greicius et al., 2003; Vincent et al., 2006). 그러나 최근 연결성 초과수면의 감소가 공간 기억 성능 증가와 관련이 있는 "내측 시간적" 하위 네트워크가 확인되었습니다(Barnett et al., 2021; van Buuren et al., 2019). 이 네트워크의 핵심 영역에는 내측 측두엽과 비장후피질이 포함됩니다. 이러한 구조는 두 번째 해마 하위 네트워크에 해당합니다. 결과적으로 두 번째 해마 하위 네트워크는 기억 강화에서 독특한 역할을 할 수 있습니다(de Sousa et al., 2019; van Buuren et al., 2019). 기능적으로 두 번째 해마 하위 네트워크는 4개의 휴식 상태 세션에서 연결성이 감소했지만 수면 상태의 참가자에 대해서만 감소했습니다. 내측 측두엽과 비장후피질은 인간과 설치류 모델의 공간 탐색과 관련이 있는 것으로 알려져 있습니다(Epstein et al., 2017; Peigneux et al., 2004). 이 영역은 깊은 수면 동안 점진적인 분리와 함께 수면에 의해 기능적으로 조절됩니다(Spoormaker et al., 2010). 따라서 두 번째 해마 하위 네트워크는 수면 중 방추-느린 진동 활동과 관련된 뇌 전체의 통합 메커니즘을 조정하는 것일 수 있습니다(Cowan et al., 2020; Navarro-Lobato & Genzel, 2020). 실제로 우리는 비장후피질에 중심을 둔 두 번째 해마 하위 네트워크가 수면에 의해 크게 조절되고 방추-느린 진동 결합력과 긍정적으로 관련되어 있으며 이는 또한 메모리 성능을 예측한다는 것을 보여줍니다. 잔물결, 방추 및 느린 진동의 결합은 수면 중에 초기 해마 저장소부터 후두정엽 피질과 같은 하류 영역까지 후비장 피질을 통해 기억이 통합되는 메커니즘일 수 있습니다(Genzel, 2020; Hennies et al. , 2016). 우리의 두 번째 해마 하위 네트워크는 앞에서 설명한 기본 해마 하위 네트워크의 일반적인 통합 형태 외에도 수면이 기억 통합에 유익한 효과를 발휘하는 신경 기질일 수 있습니다. 요약하자면, 우리는 기억의 통합을 뒷받침하는 뇌의 기능적 연결 패턴이 단순히 확립된 휴식 상태 네트워크에만 국한되지 않을 수 있음을 보여줍니다. 데이터 기반 접근 방식을 사용하여 분산 기반 하위 네트워크를 식별했습니다. 구체적으로 우리는 해마 네트워크를 해마 중심의 수면 독립적 구성 요소와 비장 후 중심의 수면 의존 구성 요소로 차별화했습니다. 이 두 네트워크는 모두 공간 메모리 통합에 포함될 수 있습니다. 그럼에도 불구하고, 기억 성능을 예측하는 방추-느린 진동 결합력과의 연관성에서 알 수 있듯이 두 번째 해마 하위 네트워크만이 기억 형성에 대한 수면의 유익한 효과의 기초가 될 수 있습니다. 우리의 연구 결과는 1-일 패러다임에서 공간 기억 작업의 학습, 통합 및 검색을 통해 휴면 상태 기능 연결이 차등적으로 변경되는 메모리 통합에서 해마 네트워크에 대한 보다 세련된 보기를 제공합니다.
