Informations

Taux de décharge neuronale typiques à travers le cortex cérébral humain

Taux de décharge neuronale typiques à travers le cortex cérébral humain


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

J'aimerais trouver un ou plusieurs articles scientifiques qui résumeraient les taux de décharge neuronale typiques dans différentes parties du cortex cérébral humain.

De bonnes références à ce sujet ?


Voici une bonne référence pour commencer où vous pouvez accéder à un atlas des différentes propriétés des neurones. Types cellulaires de l'Allen Brain Institute

N'oubliez pas que lorsque vous dites des taux de tir typiques, vous devez spécifier quel genre des cellules dont vous parlez car les interneurones peuvent se déclencher plus rapidement par exemple que les cellules pyramidales. Il existe également des différences entre les taux de décharge basaux et actifs.


Les demandes d'énergie corticale des composants de signalisation et non de signalisation dans le cerveau sont conservées à travers les espèces de mammifères et les niveaux d'activité

Le besoin continu de restauration du gradient ionique à travers la membrane cellulaire, une condition préalable à la transmission et à la conduction synaptiques, est considéré comme un facteur majeur de la forte demande oxydative du cerveau. Cependant, les besoins énergétiques des composants de signalisation et non de signalisation des neurones corticaux et des astrocytes varient-ils avec les niveaux d'activité et d'une espèce à l'autre ? Nous avons dérivé la demande d'ATP oxydative associée à la signalisation (Ps) et non signalétique (Pns) composants dans le cortex cérébral en utilisant des données physiologiques et anatomiques spécifiques à l'espèce. Chez le rat, nous avons calculé les taux d'oxydation du glucose à partir de l'activité neuronale spécifique à la couche mesurée dans différents états, allant de l'isoélectricité à la stimulation éveillée et sensorielle. Nous avons ensuite comparé ces taux d'oxydation du glucose calculés avec les données métaboliques du glucose mesurées pour les mêmes états que ceux rapportés par l'autoradiographie au 2-désoxy-glucose. Valeurs fixes pour Ps et Pns ont pu prédire toute la gamme d'états chez le rat. Nous avons ensuite calculé les taux d'oxydation du glucose à partir de données EEG humaines acquises dans diverses conditions à l'aide de P fixes et Pns valeurs dérivées pour le rat. Ces données métaboliques calculées dans le cortex cérébral humain se comparaient bien au métabolisme du glucose mesuré par TEP. Indépendamment des espèces, une relation linéaire a été établie entre l'activité neuronale et la demande oxydative neuronale au-delà de l'isoélectricité. Les exigences de signalisation corticale dominaient la demande d'énergie à l'état éveillé, alors que les exigences non-signalisation étaient 20 % de la valeur éveillée. Ces prédictions sont étayées par les résultats de la spectroscopie de résonance magnétique du 13 C. Nous concluons que le support énergétique mitochondrial pour les composants de signalisation et non de signalisation dans le cortex cérébral est conservé à travers les niveaux d'activité chez les espèces de mammifères.

Le cerveau est l'un des tissus les plus énergivores du corps (1). La spectroscopie par résonance magnétique (SRM) 13 C chez le rat a montré que, à l'état éveillé au repos, ∼ 80 % de la consommation d'énergie corticale est utilisée pour soutenir la signalisation, comme en témoignent le taux de libération du neurotransmetteur glutamate et l'absorption astrogliale (2, 3) . La demande d'énergie cérébrale est également positivement corrélée avec le taux de décharge de neurones pyramidaux dans le cortex de rat (4, 5). 13 C MRS résultats dans le cortex humain ont été généralement cohérents avec les résultats du rat (6). Cependant, il reste des questions quant à savoir dans quelle mesure les coûts énergétiques de processus subcellulaires spécifiques nécessaires pour soutenir la transmission et la conduction synaptiques sont conservés à différents niveaux d'activité et/ou à travers les espèces.

De récents budgets énergétiques ascendants pour la matière grise dans le cerveau des mammifères ont tenté de comprendre les coûts énergétiques des événements électriques et de neurotransmission neuronaux et gliaux se produisant dans le neuropile (7, 8) en calculant l'ATP utilisé par neurone pour la signalisation (Ps) et non signalétique (Pns) événements. Dans le cortex éveillé, l'ATP total utilisé par unité de volume cortical par unité de temps (Etot en unités d'ATP/s par centimètre 3 ) a été déterminé en multipliant le Ps (en unités d'ATP/neurone par pointe) et Pns (en unités d'ATP/neurone par seconde) paramètres avec densités cellulaires (??) et les taux de décharge corticale moyens (<F>) pour donner des composantes de signalisation (Es) et de non signalisation (Ens),

où la sommation s'étend sur les neurones et les astrocytes. Ces études concordaient avec les mesures in vivo en ce sens que la majorité de la consommation d'énergie cérébrale était utilisée pour soutenir la signalisation et ont également conclu que les événements de signalisation et de non-signalisation chez l'homme étaient environ deux à trois fois plus coûteux par neurone que chez le rat. Cependant, ces budgets ont des limites (7, 8) plus particulièrement, les paramètres histologiques et biophysiques utilisés sont en désaccord avec les valeurs récentes, l'hétérogénéité à travers la lame corticale n'a pas été prise en compte (9 –11), et la comparaison a été faite avec un seul état éveillé au repos. .

Ici, nous utilisons une approche descendante par opposition à une approche ascendante pour évaluer les liens fondamentaux entre les événements électriques et chimiques au niveau du neuropile. Nous avons testé les hypothèses selon lesquelles les besoins énergétiques par cellule pour la signalisation (Ps) et non signalétique (Pns) sont indépendants de l'état de l'activité neuronale (par exemple, activation sensorielle, éveillé, endormi ou anesthésié) et sont conservés à travers les espèces (c'est-à-dire le rat et l'humain). Nous avons utilisé des données morphologiques, neurophysiologiques et métaboliques spécifiques à la couche dans le cerveau de rat pour calculer Ps et Pns, qui ont ensuite été testés sur des données humaines. Contrairement aux points de vue mettant en évidence les différences entre les couplages neurométaboliques du cerveau du rat et du cerveau humain (7, 8), nos résultats suggèrent que, sur une base cellulaire, le support énergétique mitochondrial pour les fonctions corticales des mammifères pendant la signalisation et la non-signalisation est conservé.


Introduction

Le déclenchement d'un seul neurone constitue une base fondamentale du code neuronal pendant la perception et la mémoire. En plus du rôle bien établi des changements liés au comportement dans les taux de décharge neuronale, des preuves convergentes à travers les espèces et les comportements suggèrent que les interactions entre la synchronisation des pointes d'un seul neurone et les oscillations observées dans le potentiel de champ local (LFP) contribuent également au code neural (Hyman et al., 2005 Huxter et al., 2003 Rutishauser et al., 2010 Belitski et al., 2008 Ng et al., 2013 Kayser et al., 2009). Chez les rongeurs, les cellules préfrontales hippocampiques et médiales présentent une précession de phase par rapport aux oscillations thêta pendant la navigation (O'Keefe et Recce, 1993 Terada et al., 2017 Jones et Wilson, 2005), dans laquelle la phase thêta de décharge neuronale représente des informations sur la position de l'animal (Jensen et Lisman, 2000).

Ces observations ont été intégrées dans des modèles théoriques de codage neuronal qui émettent l'hypothèse d'un rôle général de la phase oscillatoire pour le codage de divers types d'informations comportementales (Nadasdy, 2009 Kayser et al., 2012 Lisman et Jensen, 2013 Watrous et Ekstrom, 2014). Par exemple, dans Spectro-Contextual Encoding and Retrieval Theory (SCERT), nous avons proposé que la décharge neuronale spécifique à la fréquence et à verrouillage de phase aux oscillations à basse fréquence à différentes phases (c'est-à-dire le codage de phase) constitue également une base du code neuronal humain ( Watrous et Ekstrom, 2014 Watrous et al., 2015b). Nous avons précédemment rapporté des preuves pour SCERT (Watrous et al., 2015a) en utilisant une activité à haute fréquence dans le LFP comme proxy pour le dopage unicellulaire (Crone et al., 1998 Manning et al., 2009 Miller et al., 2014) . Cependant, étant donné la relation complexe et variable (Ekstrom et al., 2007 Manning et al., 2009 Rey et al., 2014) entre le pic de neurones uniques particuliers et l'activité à haute fréquence dans le lobe temporal médian humain (MTL), il n'est pas clair si les neurones MTL humains présentent un codage de phase d'informations pertinentes pour la navigation au-delà d'une préférence globale pour tirer à des phases particulières (Jacobs et al., 2007). Nous avons donc cherché à étendre nos résultats précédents sur le codage de phase LFP (Watrous et al., 2015a) au niveau d'un seul neurone chez les patients effectuant une tâche de navigation virtuelle, en émettant l'hypothèse que le codage de phase se produirait pour des oscillations à basse fréquence basées sur les deux études humaines (Jacobs et al., 2010 Watrous et al., 2011 Ekstrom et al., 2005 Mormann et al., 2008) et les travaux sur les rongeurs décrits ci-dessus.

Un navigateur optimal doit à la fois planifier des itinéraires et reconnaître quand il est arrivé à destination. L'imagerie humaine et les preuves de lésions indiquent que l'activité dans le MTL humain et le cortex préfrontal médian forme des représentations actives du contexte spatial telles que les objectifs de navigation (Ranganath et Ritchey, 2012 Brown et al., 2016 Ciaramelli, 2008 Spiers et Maguire, 2007 Wolbers et al. , 2007) à l'appui de la planification de la navigation (Horner et al., 2016 Bellmund et al., 2016 Kaplan et al., 2017). En analysant les enregistrements humains d'un seul neurone du MTL, des études antérieures ont identifié des neurones qui augmentent leur taux de décharge lors de la visualisation des emplacements des objectifs (Ekstrom et al., 2003). À ce jour, il n'est pas clair si le codage de phase existe également pour les objectifs de navigation. On ne sait pas non plus si le taux et le codage de phase coexistent chez les humains, comme le suggèrent des études sur des rongeurs qui ont indiqué que le codage de phase était un phénomène distinct par rapport au codage de taux (Huxter et al., 2003 Hyman et al., 2005).

En nous appuyant sur les hypothèses de codage de phase du SCERT et sur les découvertes associées chez les rongeurs (Hollup et al., 2001 Hok et al., 2007 Hyman et al., 2005 O'Neill et al., 2013), nous avons émis l'hypothèse que les représentations contextuelles spatiales pour des objectifs de navigation spécifiques seraient mis en œuvre par des modèles distinctifs de codage de phase par des neurones individuels. De plus, sur la base d'études chez les rongeurs (Wikenheiser et Redish, 2015) et chez l'homme (Viard et al., 2011 Howard et al., 2014 Brown et al., 2016 Horner et al., 2016 Bellmund et al., 2016) impliquant la médiale temporale structures des lobes et du cortex frontal dans la planification de la navigation, nous avons estimé que le codage en phase de pointe peut prendre en charge ces comportements au niveau d'un seul neurone, en émettant l'hypothèse que les modèles de phase de pointe distinctifs correspondraient aux états du réseau neuronal représentant la planification et la recherche d'objectifs particuliers. SCERT prédit généralement que les fréquences oscillatoires doivent correspondre entre le codage et la récupération et que le codage de phase doit se produire à la fréquence oscillatoire dominante qui se produit dans un comportement et une région cérébrale particuliers. Ainsi, sur la base de l'ensemble des preuves indiquant que les oscillations hippocampiques lentes-thêta sont les plus importantes pendant la navigation virtuelle humaine (Ekstrom et al., 2005 Watrous et al., 2011 Jacobs, 2014 Bush et al., 2017), nous avons prédit ici que le codage de phase doit se produire principalement à des fréquences thêta lentes.

Pour tester ces idées, nous avons analysé un ensemble de données qui mesurait simultanément l'activité mono-neuronale et oscillatoire humaine des régions MTL (hippocampe, cortex entorhinal, amygdale et gyrus parahippocampique) et frontale (médiale préfrontale/cingulaire, motrice, orbitofrontale) au cours d'un objectif- tâche de navigation dirigée (Figure 1—supplément de la figure 1 Jacobs et al., 2010 Miller et al., 2015). Après avoir d'abord évalué les changements de taux de tir liés à l'activité de l'objectif, nous avons ensuite demandé si des informations supplémentaires liées à l'objectif étaient codées en tenant compte de la phase oscillatoire pendant le pic. En suivant la stratégie analytique de nos travaux précédents (Watrous et al., 2015a), nous avons testé le verrouillage de phase spécifique à la fréquence, puis directement testé le codage de phase, qui apparaîtrait comme des neurones individuels qui ont augmenté à différentes phases selon l'objectif prospectif. En plus des cellules qui codent les variables de navigation en utilisant le taux de décharge, nos résultats ont confirmé l'existence d'un codage de phase pour les objectifs de navigation dans les neurones individuels, fournissant ainsi la première preuve du codage de phase oscillatoire des informations contextuelles spatiales dans le cerveau humain.


Contenu

Le vieillissement entraîne de nombreux changements physiques, biologiques, chimiques et psychologiques. Par conséquent, il est logique de supposer que le cerveau ne fait pas exception à ce phénomène. Les tomodensitogrammes ont montré que les ventricules cérébraux se dilatent en fonction de l'âge. Des études IRM plus récentes ont rapporté des diminutions régionales du volume cérébral liées à l'âge. [2] [3] La réduction du volume régional n'est pas uniforme, certaines régions du cerveau rétrécissent jusqu'à 1 % par an, tandis que d'autres restent relativement stables jusqu'à la fin de la vie. [4] Le cerveau est très complexe et est composé de nombreuses zones et types de tissus ou de matière différents. Les différentes fonctions des différents tissus du cerveau peuvent être plus ou moins sensibles aux changements induits par l'âge. [2] La matière cérébrale peut être classée en gros comme matière grise ou matière blanche. La matière grise est constituée de corps cellulaires dans le cortex et de noyaux sous-corticaux, tandis que la matière blanche est constituée d'axones myélinisés étroitement emballés reliant les neurones du cortex cérébral entre eux et avec la périphérie. [2]

Perte de circuits neuronaux et plasticité cérébrale Modifier

La plasticité cérébrale fait référence à la capacité du cerveau à modifier sa structure et sa fonction. [5] [6] Cela rejoint l'expression courante, "si vous ne l'utilisez pas, vous le perdez", qui est une autre façon de dire, si vous ne l'utilisez pas, votre cerveau consacrera moins d'espace somatotopique pour ce. Un mécanisme proposé pour les déficits de plasticité liés à l'âge observés chez les animaux est le résultat d'altérations induites par l'âge dans la régulation du calcium. [7] Les changements dans nos capacités à gérer le calcium influenceront finalement le déclenchement neuronal et la capacité à propager des potentiels d'action, ce qui à son tour affecterait la capacité du cerveau à modifier sa structure ou sa fonction (c'est-à-dire sa nature plastique). En raison de la complexité du cerveau, avec toutes ses structures et fonctions, il est logique de supposer que certaines zones seraient plus vulnérables au vieillissement que d'autres. Deux circuits méritent d'être mentionnés ici sont les circuits hippocampiques et néocorticaux. [8] Il a été suggéré que le déclin cognitif lié à l'âge n'est pas dû en partie à la mort neuronale mais à des altérations synaptiques. Les preuves à l'appui de cette idée provenant du travail sur les animaux ont également suggéré que ce déficit cognitif est dû à des facteurs fonctionnels et biochimiques tels que des modifications de l'activité enzymatique, des messagers chimiques ou de l'expression des gènes dans les circuits corticaux. [8]

Amincissement du cortex Modifier

Les progrès de la technologie IRM ont permis de voir la structure cérébrale en détail de manière simple et non invasive in vivo. [9] Bartzokis et al., a noté qu'il y a une diminution du volume de matière grise entre l'âge adulte et la vieillesse, alors que le volume de matière blanche augmente entre 19 et 40 ans et diminue après cet âge. [9] Des études utilisant la morphométrie à base de Voxel ont identifié des zones telles que l'insula et le gyri pariétal supérieur comme étant particulièrement vulnérables aux pertes de matière grise liées à l'âge chez les personnes âgées. [9] Sowell et al., ont rapporté que les 6 premières décennies de la vie d'un individu étaient corrélées avec les diminutions les plus rapides de la densité de matière grise, et cela se produisait sur les lobes dorsaux, frontaux et pariétaux sur les surfaces cérébrales interhémisphériques et latérales. Il convient également de noter que des zones telles que le gyrus cingulaire et le cortex occipital entourant le sillon calcarin semblent exemptes de cette diminution de la densité de matière grise au fil du temps. [9] Les effets de l'âge sur la densité de la matière grise dans le cortex temporal postérieur apparaissent de manière plus prédominante dans l'hémisphère gauche par rapport à l'hémisphère droit et se limitaient aux cortex linguistiques postérieurs. Certaines fonctions du langage telles que la recherche et la production de mots se sont avérées être situées dans des cortex du langage plus antérieurs et se détériorent en fonction de l'âge. Sowell et al., ont également rapporté que ces cortex de langage antérieurs se sont avérés mûrir et décliner plus tôt que les cortex de langage plus postérieurs. [9] Il a également été constaté que la largeur du sillon augmente non seulement avec l'âge, [10] mais aussi avec le déclin cognitif chez les personnes âgées. [11]

Morphologie neuronale liée à l'âge Modifier

Il existe des preuves convergentes de neuroscientifiques cognitifs du monde entier que les déficits cognitifs induits par l'âge ne sont peut-être pas dus à une perte neuronale ou à la mort cellulaire, mais peuvent plutôt être le résultat de petits changements spécifiques à la région de la morphologie des neurones. [7] Des études de Duan et al. et al., version 2003). Une diminution de 46% du nombre et de la densité de la colonne vertébrale a été rapportée chez les humains de plus de 50 ans par rapport aux individus plus jeunes. [8] Une étude en microscopie électronique chez le singe a rapporté une perte de 50 % d'épines sur les touffes dendritiques apicales de cellules pyramidales dans le cortex préfrontal d'animaux âgés (27-32 ans) par rapport aux jeunes (6-9 ans). [8]

Enchevêtrements neurofibrillaires Modifier

Les neuropathologies liées à l'âge telles que la maladie d'Alzheimer, la maladie de Parkinson, le diabète, l'hypertension et l'artériosclérose rendent difficile la distinction des schémas normaux du vieillissement. [12] [13] L'une des différences importantes entre le vieillissement normal et le vieillissement pathologique est la localisation des enchevêtrements neurofibrillaires. Les enchevêtrements neurofibrillaires sont composés de filaments hélicoïdaux appariés (PHF). [14] Dans le vieillissement normal et non dément, le nombre d'enchevêtrements dans chaque corps cellulaire affecté est relativement faible [14] et limité au noyau olfactif, au gyrus parahippocampique, à l'amygdale et au cortex entorhinal. [15] Au fur et à mesure que les individus non déments vieillissent, il y a une augmentation générale de la densité des enchevêtrements, mais aucune différence significative dans l'endroit où les enchevêtrements se trouvent. [15] L'autre principal contributeur neurodégénératif que l'on trouve couramment dans le cerveau des patients atteints de MA sont les plaques amyloïdes. Cependant, contrairement aux enchevêtrements, les plaques ne se sont pas révélées être une caractéristique cohérente du vieillissement normal. [15]

Rôle du stress oxydatif Modifier

Des troubles cognitifs ont été attribués au stress oxydatif, à des réactions inflammatoires et à des modifications de la microvascularisation cérébrale. [16] L'impact exact de chacun de ces mécanismes sur le vieillissement cognitif est inconnu. Le stress oxydatif est le facteur de risque le plus contrôlable et le mieux compris. Le dictionnaire médical Merriam-Webster en ligne définit le stress oxydatif comme « un stress physiologique sur le corps qui est causé par les dommages cumulatifs causés par les radicaux libres insuffisamment neutralisés par les antioxydants et qui doit être associé au vieillissement ». [17] Par conséquent, le stress oxydatif est le dommage causé aux cellules par les radicaux libres libérés par le processus d'oxydation.

Comparé à d'autres tissus du corps, le cerveau est réputé exceptionnellement sensible aux dommages oxydatifs. [18] Des dommages oxydatifs accrus ont été associés à des maladies neurodégénératives, à des troubles cognitifs légers et à des différences individuelles de cognition chez les personnes âgées en bonne santé. Dans le « vieillissement normal », le cerveau subit un stress oxydatif de multiples façons.Les principaux contributeurs comprennent l'oxydation des protéines, la peroxydation des lipides et les modifications oxydatives de l'ADN nucléaire et mitochondrial. [18] Le stress oxydatif peut endommager la réplication de l'ADN et inhiber la réparation par le biais de nombreux processus complexes, y compris le raccourcissement des télomères dans les composants de l'ADN. [19] Chaque fois qu'une cellule somatique se réplique, le composant télomérique de l'ADN se raccourcit. Comme la longueur des télomères est en partie héréditaire, [19] il existe des différences individuelles dans l'âge d'apparition du déclin cognitif.

Dommages à l'ADN Modifier

Au moins 25 études ont démontré que les dommages à l'ADN s'accumulent avec l'âge dans le cerveau des mammifères. Ces dommages à l'ADN comprennent le nucléoside oxydé 8-hydroxydésoxyguanosine (8-OHdG), les cassures simple et double brin, les liaisons croisées ADN-protéine et les adduits de malondialdéhyde (examinés dans Bernstein et al. [20] ). Une augmentation des dommages à l'ADN avec l'âge a été signalée dans le cerveau de souris, de rat, de gerbille, de lapin, de chien et d'humain. Les jeunes rats de 4 jours présentent environ 3 000 cassures simple brin et 156 cassures double brin par neurone, tandis que chez les rats de plus de 2 ans, le niveau de dommages augmente à environ 7 400 cassures simple brin et 600 cassures double brin par neurone. . [21]

Lu et al. [22] ont étudié les profils transcriptionnels du cortex frontal humain d'individus âgés de 26 à 106 ans. Cela a conduit à l'identification d'un ensemble de gènes dont l'expression a été altérée après l'âge de 40 ans. Ils ont en outre découvert que les séquences promotrices de ces gènes particuliers accumulaient des dommages oxydatifs à l'ADN, y compris 8-OHdG, avec l'âge (voir la théorie des dommages à l'ADN du vieillissement). Ils ont conclu que les dommages à l'ADN peuvent réduire l'expression de gènes sélectivement vulnérables impliqués dans l'apprentissage, la mémoire et la survie neuronale, initiant un schéma de vieillissement cérébral qui commence tôt dans la vie.

En plus des changements structurels que le cerveau subit avec l'âge, le processus de vieillissement entraîne également un large éventail de changements biochimiques. Plus précisément, les neurones communiquent entre eux via des messagers chimiques spécialisés appelés neurotransmetteurs. Plusieurs études ont identifié un certain nombre de ces neurotransmetteurs, ainsi que leurs récepteurs, qui présentent une altération marquée dans différentes régions du cerveau dans le cadre du processus normal de vieillissement.

Dopamine Modifier

Un nombre écrasant d'études ont rapporté des changements liés à l'âge dans la synthèse de la dopamine, les sites de liaison et le nombre de récepteurs. Des études utilisant la tomographie par émission de positons (TEP) chez des sujets humains vivants ont montré une diminution significative de la synthèse de dopamine liée à l'âge, [23] notamment dans le striatum et les régions extrastriatales (hors mésencéphale). [24] Diminutions significatives liées à l'âge des récepteurs de la dopamine D1, RÉ2, et D3 ont également été fortement signalés. [25] [26] [27] [28] [29] Une diminution générale de D1 et D2 récepteurs a été montré, [27] et plus particulièrement une diminution de D1 et D2 la liaison aux récepteurs dans le noyau caudé et le putamen. [26] [29] Une diminution générale de D1 Il a également été démontré que la densité des récepteurs se produit avec l'âge. Baisse significative des récepteurs de la dopamine liée à l'âge, D2 et D3 ont été détectés dans le cortex cingulaire antérieur, le cortex frontal, le cortex temporal latéral, l'hippocampe, le cortex temporal médial, l'amygdale, le thalamus médial et le thalamus latéral [25]. Une étude a également indiqué une corrélation inverse significative entre la liaison de la dopamine dans le cortex occipital et l'âge. [26] Des études post-mortem montrent également que le nombre de D1 et D2 les récepteurs diminuent avec l'âge à la fois dans le noyau caudé et le putamen, bien que le rapport de ces récepteurs n'ait pas montré de changements liés à l'âge. [28] On pense que la perte de dopamine avec l'âge est responsable de nombreux symptômes neurologiques dont la fréquence augmente avec l'âge, tels qu'une diminution du balancement des bras et une augmentation de la rigidité. [30] Les changements dans les niveaux de dopamine peuvent également provoquer des changements liés à l'âge dans la flexibilité cognitive. [30]

Sérotonine Modifier

Il a également été démontré que la diminution des niveaux de différents récepteurs de la sérotonine et du transporteur de la sérotonine, le 5-HTT, se produit avec l'âge. Des études menées à l'aide de méthodes TEP sur des humains, in vivo, montrent que les niveaux de la 5-HT2 récepteur dans le noyau caudé, le putamen et le cortex cérébral frontal, diminuent avec l'âge. [29] Une diminution de la capacité de liaison de la 5-HT2 récepteur dans le cortex frontal a également été trouvé, [27] ainsi qu'une diminution de la capacité de liaison du transporteur de la sérotonine, 5-HHT, dans le thalamus et le mésencéphale. [31] Des études post-mortem sur des humains ont indiqué une diminution des capacités de liaison de la sérotonine et une diminution du nombre de S1 récepteurs dans le cortex frontal et l'hippocampe ainsi qu'une diminution de l'affinité dans le putamen. [32]

Glutamate Modifier

Le glutamate est un autre neurotransmetteur qui a tendance à diminuer avec l'âge. [33] [34] [35] Des études ont montré que les sujets plus âgés présentaient une concentration de glutamate dans le cortex moteur plus faible que les sujets plus jeunes [35] Un déclin significatif lié à l'âge, en particulier dans la matière grise pariétale, les noyaux gris centraux et à un moindre degré, la substance blanche frontale, a également été notée. [33] [34] Bien que ces niveaux aient été étudiés dans le cerveau humain normal, les régions pariétales et les ganglions de la base sont souvent affectées dans les maladies cérébrales dégénératives associées au vieillissement et il a donc été suggéré que le glutamate cérébral pourrait être utile comme marqueur du cerveau. maladies qui sont affectées par le vieillissement. [33]

Changements d'orientation Modifier

L'orientation est définie comme la conscience de soi par rapport à son environnement [36] Souvent, l'orientation est examinée en distinguant si une personne a un sens du temps, du lieu et de la personne. Les déficits d'orientation sont l'un des symptômes les plus courants des maladies du cerveau, c'est pourquoi les tests d'orientation sont inclus dans presque toutes les évaluations médicales et neuropsychologiques. [37] Alors que la recherche s'est principalement concentrée sur les niveaux d'orientation parmi les populations cliniques, un petit nombre d'études ont examiné s'il existe un déclin normal de l'orientation chez les adultes vieillissants en bonne santé. Les résultats ont été quelque peu peu concluants. Certaines études suggèrent que l'orientation ne diminue pas au cours de la vie. [38] [39] Par exemple, dans une étude, 92 % des personnes âgées normales (65-84 ans) présentaient une orientation parfaite ou presque parfaite. [40] Cependant, certaines données suggèrent que de légers changements d'orientation peuvent être une partie normale du vieillissement. [41] [42] Par exemple, Sweet et ses collègues ont conclu que "les personnes âgées ayant une mémoire normale et saine peuvent avoir de légères difficultés d'orientation. En revanche, les personnes plus jeunes ayant une mémoire normale n'ont pratiquement aucun problème d'orientation" [42] (p. 505) . Ainsi, bien que les recherches actuelles suggèrent que le vieillissement normal n'est généralement pas associé à une baisse significative de l'orientation, des difficultés légères peuvent faire partie du vieillissement normal et pas nécessairement un signe de pathologie.

Changements dans l'attention Modifier

De nombreuses personnes âgées remarquent une baisse de leurs capacités d'attention. [43] L'attention est un concept large qui fait référence à « la capacité cognitive qui nous permet de faire face aux limitations inhérentes au traitement du cerveau humain en sélectionnant des informations pour un traitement ultérieur » (p. 334). [44] Étant donné que le cerveau humain a des ressources limitées, les gens utilisent leur attention pour se concentrer sur des stimuli spécifiques et bloquer les autres.

Si les adultes plus âgés ont moins de ressources attentionnelles que les adultes plus jeunes, nous nous attendrions à ce que lorsque deux tâches doivent être effectuées en même temps, les performances des personnes âgées diminuent davantage que celles des adultes plus jeunes. Cependant, une vaste revue d'études sur la cognition et le vieillissement suggère que cette hypothèse n'a pas été entièrement étayée. [45] Alors que certaines études ont montré que les personnes âgées ont plus de difficulté à coder et à récupérer des informations lorsque leur attention est divisée, d'autres études n'ont pas trouvé de différences significatives par rapport aux adultes plus jeunes. De même, on pourrait s'attendre à ce que les personnes âgées réussissent mal les tâches d'attention soutenue, qui mesurent la capacité d'assister et de répondre aux stimuli pendant une période de temps prolongée. Cependant, des études suggèrent qu'une attention soutenue ne diminue pas avec l'âge. Les résultats suggèrent que l'attention soutenue augmente au début de l'âge adulte et reste ensuite relativement stable, au moins jusqu'à la septième décennie de la vie. [46] Des recherches supplémentaires sont nécessaires sur l'impact du vieillissement normal sur l'attention après quatre-vingts ans.

Il convient de noter qu'il existe des facteurs autres que les véritables capacités d'attention qui peuvent être liés à la difficulté à prêter attention. Par exemple, il est possible que les déficits sensoriels aient un impact sur les capacités attentionnelles des personnes âgées. En d'autres termes, une déficience auditive ou visuelle peut rendre plus difficile pour les personnes âgées de bien faire les tâches d'attention visuelle et verbale. [43]

Changements dans la mémoire Modifier

De nombreux types différents de mémoire ont été identifiés chez l'homme, tels que la mémoire déclarative (y compris la mémoire épisodique et la mémoire sémantique), la mémoire de travail, la mémoire spatiale et la mémoire procédurale. [2] Des études réalisées ont montré que les fonctions de la mémoire, plus spécifiquement celles associées au lobe temporal médian, sont particulièrement vulnérables au déclin lié à l'âge. [8] Un certain nombre d'études utilisant une variété de méthodes telles que l'imagerie histologique, structurelle, l'imagerie fonctionnelle et la liaison aux récepteurs ont fourni des preuves convergentes que les lobes frontaux et les voies dopaminergiques fronto-striatales sont particulièrement affectés par les processus liés à l'âge entraînant la mémoire. changements. [2]

Changements de langue Modifier

Les changements de performance sur les tâches verbales, ainsi que l'emplacement, l'étendue et l'intensité du signal des changements de signal BOLD mesurés par IRM fonctionnelle, varient selon des modèles prévisibles avec l'âge. Par exemple, les changements de comportement associés à l'âge incluent une performance compromise sur des tâches liées à la récupération de mots, la compréhension de phrases avec des exigences syntaxiques et/ou de mémoire de travail élevées, et la production de telles phrases. [47]

La variation des effets du vieillissement chez les individus peut être attribuée à des facteurs génétiques et environnementaux. Comme dans tant d'autres disciplines scientifiques, le débat sur la nature et l'éducation est un conflit permanent dans le domaine des neurosciences cognitives. [13] [14] La recherche de facteurs génétiques a toujours été un aspect important pour essayer de comprendre les processus neuropathologiques. La recherche axée sur la découverte de la composante génétique dans le développement de la MA a également grandement contribué à la compréhension de la génétique derrière le vieillissement normal ou « non pathologique ». [14]

Le cerveau humain montre un déclin de la fonction et un changement dans l'expression des gènes. Cette modulation de l'expression des gènes peut être due à des dommages oxydatifs à l'ADN dans les régions promotrices du génome. [22] Les gènes qui sont régulés à la baisse au-delà de 40 ans comprennent :

  • Sous-unité du récepteur GluR1 AMPASous-unité du récepteur R2A (impliquée dans l'apprentissage)
  • Sous-unités du récepteur GABA-A
  • Gènes impliqués dans la potentialisation à long terme, par ex. calmoduline 1 et CAM kinase II alpha.
  • Gènes de signalisation du calcium
  • Gènes de plasticité synaptique
  • Gènes de libération et de recyclage des vésicules synaptiques

Les gènes régulés à la hausse comprennent :

Le cervelet est la région du cerveau (et probablement la partie du corps) la plus jeune chez les centenaires selon un biomarqueur épigénétique de l'âge des tissus connu sous le nom d'horloge épigénétique : il est environ 15 ans plus jeune que prévu chez un centenaire. [48] ​​En revanche, toutes les régions du cerveau et les cellules cérébrales semblent avoir à peu près le même âge épigénétique chez les sujets de moins de 80 ans. [48] [49] Ces résultats suggèrent que le cervelet est protégé des effets du vieillissement, ce qui pourrait à son tour expliquer pourquoi le cervelet présente moins de caractéristiques neuropathologiques des démences liées à l'âge par rapport à d'autres régions du cerveau.

Le processus de vieillissement peut être inévitable, cependant, on peut potentiellement retarder les effets et la gravité de cette progression. Bien qu'il n'y ait pas de consensus sur l'efficacité, les éléments suivants sont signalés comme retardant le déclin cognitif :

  • Niveau de scolarité élevé [14][50]
  • Exercice physique [51]
  • Rester intellectuellement engagé, c'est-à-dire la lecture et les activités mentales (telles que les mots croisés) [52]
  • Entretenir des réseaux sociaux et d'amitié [53]
  • Maintenir une alimentation saine, comprenant des acides gras oméga-3 et des antioxydants protecteurs. [13]

"Super Agers" Modifier

Des études longitudinales ont récemment mené des analyses génétiques de centenaires et de leur progéniture pour identifier des biomarqueurs comme facteurs de protection contre les effets négatifs du vieillissement. En particulier, le gène de la protéine de transfert des esters de cholestérol (CETP) est lié à la prévention du déclin cognitif et de la maladie d'Alzheimer. [54] Plus précisément, les homozygotes CETP valine mais pas les hétérozygotes ont connu une baisse relative de la mémoire de 51 % par rapport à un groupe de référence après ajustement pour les facteurs démographiques et le statut APOE.

Réserve cognitive Modifier

La capacité d'un individu à ne montrer aucun signe cognitif de vieillissement malgré un cerveau vieillissant est appelée réserve cognitive. [16] [50] Cette hypothèse suggère que deux patients pourraient avoir la même pathologie cérébrale, une personne présentant des symptômes cliniques notables, tandis que l'autre continue à fonctionner relativement normalement. Les études sur la réserve cognitive explorent les différences biologiques, génétiques et environnementales spécifiques qui rendent une personne sensible au déclin cognitif et permettent à une autre de vieillir plus gracieusement.

Étude de nonne Modifier

Une étude financée par le National Institute of Aging a suivi un groupe de 678 sœurs catholiques romaines et a enregistré les effets du vieillissement. Les chercheurs ont utilisé des essais autobiographiques recueillis au fur et à mesure que les religieuses rejoignaient leur sororité. Les résultats suggèrent que la densité d'idées précoces, définie par le nombre d'idées exprimées et l'utilisation de prépositions complexes dans ces essais, était un prédicteur significatif d'un risque plus faible de développer la maladie d'Alzheimer chez les personnes âgées. Une densité d'idées plus faible s'est avérée être associée de manière significative à un poids cérébral inférieur, à une atrophie cérébrale plus élevée et à davantage d'enchevêtrements neurofibrillaires. [55]

Inflammation de l'hypothalamus et GnRH Modifier

Dans une étude récente (publiée le 1er mai 2013), il est suggéré que l'inflammation de l'hypothalamus pourrait être liée au vieillissement global de notre corps. Ils se sont concentrés sur l'activation du complexe protéique NF-κB chez des sujets de test de souris, qui a montré une activation accrue à mesure que les sujets de test de souris vieillissaient dans l'étude. Cette activation affecte non seulement le vieillissement, mais affecte une hormone connue sous le nom de GnRH, qui a montré de nouvelles propriétés anti-âge lorsqu'elle est injectée à des souris en dehors de l'hypothalamus, tout en provoquant l'effet inverse lorsqu'elle est injectée dans l'hypothalamus. Il faudra un certain temps avant que cela puisse être appliqué aux humains de manière significative, car d'autres études sur cette voie sont nécessaires pour comprendre la mécanique des propriétés anti-vieillissement de la GnRH. [56]

Inflammation Modifier

Une étude a révélé que les cellules myéloïdes sont à l'origine d'un élément inflammatoire inadapté du vieillissement cérébral chez la souris et que cela peut être inversé ou empêché via l'inhibition de leur signalisation EP2. [57] [58]

Pour certaines données démographiques, les effets du vieillissement cognitif normal sont particulièrement prononcés. Les différences de vieillissement cognitif pourraient être liées au manque ou à un accès réduit aux soins médicaux et, par conséquent, souffrir de manière disproportionnée de résultats négatifs pour la santé. À mesure que la population mondiale augmente, se diversifie et grisonne, il est de plus en plus nécessaire de comprendre ces inégalités.

Course Modifier

Afro-Américains Modifier

Aux États-Unis, la démographie noire et afro-américaine souffre de manière disproportionnée de dysfonctionnement métabolique avec l'âge. Cela a de nombreux effets en aval, mais le plus important d'entre eux est le péage sur la santé cardiovasculaire. Les profils de métabolites de l'indice de vieillissement en bonne santé - un score qui évalue la fonction neurocognitive, parmi d'autres corrélats de la santé au fil des ans - sont associés aux maladies cardiovasculaires. [59] Une fonction cardiovasculaire saine est essentielle au maintien de l'efficacité neurocognitive jusqu'à un âge avancé. L'attention, l'apprentissage verbal et la capacité cognitive sont liés à la pression artérielle diastolique, aux taux de triglycérides et aux taux de cholestérol HDL, respectivement. [60]

Latinos Modifier

La population latino-américaine est la plus susceptible de souffrir du syndrome métabolique - la combinaison d'hypertension artérielle, d'hyperglycémie, de taux élevés de triglycérides et d'obésité abdominale - qui non seulement augmente le risque d'événements cardiaques et de diabète de type II, mais est également associée à une baisse fonction neurocognitive au cours de la quarantaine. [61] Parmi les différents héritages latins, la fréquence de l'allèle apoE4 prédisposant à la démence était la plus élevée chez les Latinos caribéens (Cubains, Dominicains et Portoricains) et la plus faible chez les Latinos continentaux (Mexicains, Centraméricains et Sud-américains). À l'inverse, la fréquence de l'allèle neuroprotecteur apoE2 était la plus élevée pour les Latinos des Caraïbes et la plus faible pour ceux d'origine continentale. [62]

Peuples autochtones Modifier

Les populations autochtones sont souvent sous-étudiées dans la recherche. Des revues de la littérature actuelle étudiant les autochtones en Australie, au Brésil, au Canada et aux États-Unis auprès de participants âgés de 45 à 94 ans révèlent des taux de prévalence variés pour les troubles cognitifs non liés à la démence, de 4,4 % à 17,7 %. [63] Ces résultats peuvent être interprétés dans le contexte de tests neurocognitifs culturellement biaisés, de problèmes de santé préexistants, d'un accès limité aux soins de santé, d'un niveau d'instruction inférieur et/ou de la vieillesse. [64]

Sexe Modifier

Femmes Modifier

Par rapport à leurs homologues masculins, les scores des femmes au Mini Mental State Exam (MMSE) ont tendance à baisser légèrement plus rapidement avec l'âge. [65] Les hommes atteints de troubles cognitifs légers ont tendance à présenter plus de dommages microstructuraux que les femmes atteintes de MCI, mais semblent avoir une plus grande réserve cognitive en raison de la plus grande taille absolue du cerveau et de la densité neuronale. En conséquence, les femmes ont tendance à manifester des symptômes de déclin cognitif à des seuils inférieurs à ceux des hommes. [66] Cet effet semble être modéré par le niveau d'instruction - l'enseignement supérieur est associé à un diagnostic ultérieur de déficience cognitive légère à mesure que la charge neuropathologique augmente. [67]

Individus transgenres Modifier

Les personnes âgées LGBT sont confrontées à de nombreuses disparités à l'approche de la fin de leur vie. La communauté transgenre craint le risque de crimes haineux, de maltraitance des personnes âgées, d'itinérance, de perte d'identité et de perte d'indépendance en vieillissant. En conséquence, la dépression et les tendances suicidaires sont particulièrement élevées au sein de la population. L'intersectionnalité - le chevauchement de plusieurs identités minoritaires - peut jouer un rôle majeur dans les résultats en matière de santé, car les personnes transgenres peuvent être discriminées en raison de leur race, de leur sexualité, de leur identité de genre et de leur âge. [68] Chez les plus anciens, ces considérations sont particulièrement importantes - car les membres de cette génération ont survécu grâce aux préjugés et à la discrimination systématiques à une époque où leur identité était interdite et étiquetée par le Manuel diagnostique et statistique des troubles mentaux comme une maladie mentale. [69]

Statut socio-économique Modifier

Le statut socio-économique est l'interaction entre les facteurs sociaux et économiques. Il a été démontré que les facteurs sociodémographiques peuvent être utilisés dans une certaine mesure pour prédire les profils cognitifs chez les personnes âgées. [70] Cela peut être dû au fait que les familles de statut socioéconomique plus élevé sont équipées pour fournir à leurs enfants des ressources dès le début pour faciliter le développement cognitif. Pour les enfants de familles de faible SSE, des changements relativement faibles du revenu parental étaient associés à de grands changements dans la surface du cerveau. Ces pertes ont été observées dans les domaines associés au langage, à la lecture, aux fonctions exécutives et aux compétences spatiales. Pendant ce temps, pour les enfants des familles de SSE élevé, de petits changements dans le revenu parental étaient associés à de petits changements dans la superficie au sein de ces régions. [71] En ce qui concerne l'épaisseur corticale globale, les enfants de faible SSE ont montré une diminution curviligne de l'épaisseur avec l'âge tandis que ceux de SSE élevé ont montré un déclin linéaire plus prononcé, suggérant que l'élagage synaptique est plus efficace dans ce dernier groupe. Cette tendance était particulièrement évidente dans le fusiforme gauche et le gyri temporal supérieur gauche - zones critiques de soutien du langage et de l'alphabétisation. [72]


Tester une hypothèse

Comment tester l'idée générale sous-jacente à SHY ? Il n'existe pas de mesure complète de la force synaptique, en particulier in vivo chez les animaux se déplaçant librement. Au fil des ans, nous avons utilisé de nombreuses méthodologies différentes, des enregistrements électrophysiologiques continus chez les rongeurs et les humains aux expériences moléculaires et génétiques chez les mouches, les souris et les rats. Par exemple, en utilisant une stimulation électrique (chez le rat) ou une stimulation magnétique transcrânienne (chez l'homme, en utilisant un aimant au-dessus du crâne pour stimuler le cerveau de manière non invasive), nous avons constaté que la réponse neuronale déclenchée par un stimulus d'amplitude fixe est plus importante. après plusieurs heures passées éveillées par rapport à plusieurs heures passées endormies, 19,20 correspond à une nette augmentation de la force synaptique pendant l'éveil.

Ces résultats sont en ligne avec les prédictions de SHY, mais on ne peut exclure que des modifications de l'excitabilité neuronale puissent également jouer un rôle . 21 Des preuves plus directes proviennent d'expériences sur des tranches corticales, où nous avons constaté que la fréquence et l'amplitude des potentiels synaptiques excitateurs miniatures augmentent après le réveil et diminuent après le sommeil. 22 En mesurant la quantité totale de protéines synaptiques dans de grandes régions du cerveau des mouches et des rats, nous avons également constaté une augmentation après le réveil par rapport à après le sommeil. 19,23,24 De plus, chez des souris adolescentes chez lesquelles les circuits neuronaux sont encore en train de se former et de s'affiner, nous avons constaté que pendant l'éveil, la formation de nouvelles synapses dépasse leur élimination, alors que l'inverse est vrai pendant le sommeil. 25

Le moyen le plus direct de mesurer la force synaptique est peut-être une approche ultrastructurale qui mesure littéralement la taille des synapses. Il est bien établi que les synapses les plus fortes sont plus grosses, ce qui implique que, selon SHY, la plupart des synapses devraient croître avec l'éveil et rétrécir avec le sommeil, en quelques heures. Pour tester cette prédiction, nous avons utilisé la microscopie électronique à blocs en série (SBEM), une nouvelle méthode qui permet l'acquisition efficace et automatique d'images tridimensionnelles à haute résolution de nombreuses synapses. Parce que les mesures réelles des synapses doivent être effectuées manuellement, il a fallu quatre ans à plusieurs personnes pour mesurer

7 000 synapses dans le cortex cérébral de la souris.

À la fin de ce processus laborieux, les résultats étaient clairs : six à huit heures de sommeil ont conduit, en moyenne, à une diminution de 18 % de la taille des synapses par rapport à six à huit heures d'éveil non forcé la nuit. Des résultats similaires ont été obtenus lorsque le sommeil a été comparé à six à huit heures d'éveil forcé par l'exposition à de nouveaux objets pendant la journée, 26 prouvant que ces changements sont dus à l'état comportemental (sommeil vs veille) et non à des facteurs circadiens (jour vs. nuit). La diminution de la taille des synapses liée au sommeil s'est produite dans les deux zones examinées : le cortex moteur primaire et le cortex sensoriel primaire.

Dans la population de neurones, la diminution de la taille synaptique avec le sommeil suivait en grande partie une relation d'échelle, ce qui signifie que le changement était proportionnel à la taille de la synapse. Curieusement, cependant, la réduction d'échelle liée au sommeil a montré une certaine sélectivité, se produisant dans la grande majorité des synapses (

80 pour cent) mais en épargnant les plus gros, qui peuvent être associés aux traces mémoire les plus stables. L'ampleur de ces changements mérite d'être considérée. Il y a environ 100 milliards de neurones dans notre cerveau, dont 16 milliards dans le seul cortex cérébral (14 millions dans le cortex de souris), et chaque neurone reçoit des milliers de synapses. Ainsi, si ce que nous avons observé dans deux zones corticales s'étend à d'autres régions du cerveau, chaque nuit, des milliards de synapses dans notre cerveau pourraient s'amincir de près de 20 %.

L'étude SBEM a récemment été publiée avec les recherches d'un groupe indépendant, qui a utilisé des méthodes biochimiques et moléculaires pour confirmer la prédiction de SHY selon laquelle les synapses subissent un processus de réduction pendant le sommeil. 27 Cette étude a également montré qu'un gène, Homer1a, est important pour le processus de réduction d'échelle induit par le sommeil.


Taux de décharge neuronale typiques à travers le cortex cérébral humain - Biologie

Comprendre comment le comportement auto-initié est codé par les circuits neuronaux dans le cerveau humain reste insaisissable. Nous avons enregistré l'activité de 1019 neurones tandis que douze sujets ont effectué des mouvements de doigt auto-initiés. Nous rapportons un recrutement neuronal progressif sur ∼1 500 ms avant que les sujets déclarent avoir pris la décision de bouger. Nous avons observé une augmentation ou une diminution progressive du taux de décharge neuronale, en particulier dans l'aire motrice supplémentaire (SMA), à mesure que le moment de la décision rapporté approchait. Une population de 256 neurones SMA est suffisante pour prédire dans des essais uniques la décision imminente de se déplacer avec une précision supérieure à 80% déjà 700 ms avant la prise de conscience des sujets. De plus, nous prédisons, avec une précision de quelques centaines de ms, le moment réel de cette décision volontaire de se déplacer. Nous mettons en œuvre un modèle informatique dans lequel la volition émerge une fois qu'un changement dans le taux de décharge généré en interne des assemblages neuronaux franchit un seuil.

Résumé vidéo

Points forts

► Les changements progressifs des taux de décharge précèdent les mouvements auto-initiés ► Les unités du cortex frontal médial signalent le début de la volonté avant que les sujets ne soient conscients ► Le niveau de prédiction est élevé (90 %) basé sur les réponses neuronales dans des essais uniques ► La volonté pourrait résulter de l'accumulation d'activités de croisement d'ensemble Un seuil


Méthodes

Modèle de réseau

Nous utilisons E-I Net, un modèle de réseau à pics de V1 formé sur des images naturelles, comme base de nos enquêtes. E-I Net est écrit en MATLAB, et toutes les modifications et le code d'analyse ultérieur sont également en MATLAB. Nous donnerons ici un bref aperçu du modèle, puis nous nous concentrerons sur les modifications du modèle que nous avons mis en œuvre pour une utilisation dans cette étude. Certaines de ces modifications n'étaient pas des options par défaut déjà disponibles dans le code, tandis que d'autres sont des modifications que nous avons développées nous-mêmes. Pour plus de détails sur E-I Net, nous renvoyons les lecteurs vers [37].

E-I Net est un réseau de neurones d'intégration et de déclenchement qui fuient en réponse aux entrées d'images de pixels Xk. En temps discret, la dynamique membranaire du réseau est donnée par (7) avec des conditions de pics suivies d'une réinitialisation

Ces équations sont une formulation en temps discret de l'équation (1) utilisée en pratique par [37]. Ici, c'est est la taille du pas de temps (égale à 0,1 unité de temps dans E-I Net), ??je = ??E ou ??je est la constante de temps membranaire du neurone je, etmje(t) = mje(t) − mje(tt) est le nombre de pointes déclenchées par le neurone je au pas de temps t. Neurone je déclenche un pic sur le pas de temps t si vje(t)≥??je, après quoi son potentiel de membrane est remis à vje(t+t) = 0. La somme indexée par k est sur les pixels du patch d'entrée X, et la somme je = 1 à N est au-dessus du N neurones du réseau. Le réseau est divisé en sous-populations excitatrices et inhibitrices pour nos simulations rapportées dans ce travail, nous suivons [37] en utilisant NE = 400 neurones excitateurs et Nje = 49 neurones inhibiteurs. Dans cet article, nous prenons Wje être positif (négatif) si le neurone post-synaptique j est excitatrice (inhibitrice), contrairement au papier original E-I Net, qui rend le signe explicite, de sorte que Wje est non négatif. Nous n'incluons pas les connexions latérales excitatrices-excitatrices (c'est-à-dire, WEE = 0), car nous nous attendons à ce que de telles connexions soient physiologiquement négligeables, voir [37] pour des détails supplémentaires et la justification de ce choix et d'autres aspects de la formation du modèle.

Le réseau apprend les poids d'entrée Qje, poids synaptiques Wje, et les seuils de tir ??je selon les règles d'apprentissage données dans le texte principal (Eqs (2)–(4)). Pour la commodité du lecteur, nous répétons ici ces règles d'apprentissage : (8) (9) (10)

Ces règles d'apprentissage imposent un décodage linéaire des entrées d'image (Eq 8), minimisent la redondance dans le dopage (Eq 9), et favorisent la parcimonie dans le tir (Eq 10). Comme dans le texte principal, ouije est le taux de pointe du neurone je en réponse au patch d'image présenté sur une durée T, et <ouijeest la moyenne à long terme du taux d'augmentation. Les paramètres ??, ??je ∈ <??IE, ??C'EST À DIRE, ??II>, et ?? sont les taux d'apprentissage. Le nombre cible de pics par unité de temps est pje(t), égal à une constante pje pour les neurones inhibiteurs et une fonction dépendante de l'âge pE(tboucle) pour les neurones excitateurs, où (11) comme dans le texte principal. Le temps" tboucle correspond au nombre de boucles d'entraînement qui ont eu lieu (l'« âge » du réseau).

Les valeurs standard utilisées pour les paramètres dans notre formation et nos simulations de réseau sont données dans le tableau 2. Pour les taux d'apprentissage, nous suivons le modèle E-I Net d'origine pour nos cas de référence. Ces taux sont modifiés dans les expériences numériques discutées dans la section « Expériences numériques pour tester la contribution de différents paramètres physiologiques à la baisse des performances fonctionnelles » en définissant un ou plusieurs de ces taux sur 0. Dans le code EI Net, ces taux sont des combinaisons de plusieurs paramètres que nous ne listons pas ici cependant, nous notons que les valeurs numériques que nous donnons incluent un facteur d'apprentissage global, un multiplicateur appliqué à tous les taux d'apprentissage, qui est fixé à 0,4, la valeur utilisée pour la formation accélérée montrée dans les exemples dans le Référentiel de code EI Net [37]. Nous résumons tous les paramètres utilisés dans le modèle dans le tableau 2.

Ce tableau résume les paramètres qui apparaissent dans les équations que nous donnons dans le texte principal, ainsi que les valeurs standard que nous utilisons dans nos simulations de base. À moins que des unités explicites ne soient données, les quantités sont mesurées en unités sans dimension. Le pas de temps Δt définit l'unité de temps standard pendant les simulations, mais est elle-même une quantité sans dimension car le temps n'a pas été dimensionné dans ce modèle.

Les règles d'apprentissage du réseau sont entièrement locales [37, 39] (c. Lorsqu'il est entraîné sur des entrées d'images naturelles, il a été démontré que le réseau apprend des champs réceptifs réalistes de type Gabor et produit une activité pouvant être utilisée pour reconstruire avec précision les entrées [37, 39].

Former le réseau

La formation de notre modèle de réseau se compose de deux phases : la phase de développement initial, au cours de laquelle le réseau se forme, et la phase de vieillissement au cours de laquelle nous mettons en œuvre des modifications des règles d'apprentissage pour provoquer des changements dans la structure du réseau qui imitent les effets du vieillissement. La première phase d'entraînement est en grande partie la même que la procédure d'entraînement d'origine E-I Net, tandis que la phase de vieillissement est une nouvelle modification que nous mettons en œuvre une fois que la première phase a atteint un état stable.

SAILnet [39] et EI Net [37] forment leurs réseaux sur des images de pixels statiques de scènes naturelles à partir de la base de données d'images utilisées par Olshausen et Field dans leurs travaux fondateurs sur l'émergence de champs récepteurs de type Gabor sous des principes de codage clairsemé [75]. ]. Des patchs de ces scènes sont choisis au hasard à partir d'un film donné dans cette base de données et chaque patch est présenté au réseau pour 50 pas de temps de simulation du modèle de réseau d'intégration et d'incendie qui fuit. Après chaque présentation d'image, l'état des potentiels membranaires du réseau est réinitialisé. Pour accélérer la formation, E-I Net crée 100 copies du réseau, présentant chaque copie avec un ensemble différent de patchs sélectionnés au hasard dans le film. À la fin de l'époque d'apprentissage, les données de dopage des 100 copies sont fusionnées pour déterminer comment les paramètres du réseau doivent être mis à jour.

Nous modifions légèrement cette procédure dans la formation de nos réseaux. Nous formons nos réseaux sur des scènes naturelles de films de la base de données CatCam, qui représentent les scènes rencontrées par un chat explorant une forêt [40, 41]. Nous avons choisi la base de données CatCam parce que notre intention initiale était d'étudier les changements de sélectivité de direction et de sélectivité d'orientation, comme indiqué dans la discussion. Pour cela, il est nécessaire d'entraîner le réseau sur le temps séquences de patchs. Nous utilisons 50 images contiguës de patchs 8 × 8 de ces films naturels. Nous présentons chaque patch de cette séquence pour 50 pas de temps de simulation de réseau avant de présenter le prochain patch de la séquence. Nous ne réinitialisons pas les potentiels de membrane des neurones entre les patchs (une option disponible dans E-I Net). De même, nous utilisons des films d'images de réseau pour évaluer la sélectivité d'orientation du réseau, en prenant 40 trames de réseaux dérivant perpendiculairement à leur orientation, couvrant une direction pour chacune des quatre orientations différentes. les réseaux n'ont pas développé de sélectivité directionnelle significative. Bien que les réseaux que nous rapportons dans ce travail ne développent finalement pas de sélectivité de direction significative lorsqu'ils sont entraînés sur des films naturels, nous conservons la procédure de présentation séquentielle pour l'entraînement de nos réseaux.

Dans notre modèle, nous prenons le réseau entièrement formé pour représenter notre réseau "jeune" mature, formé pour 30 boucles au taux de pointe cible excitateur de base de pE = 0,01 pics attendus par unité de temps et pje = 0,05 pics attendus par unité de temps pour les neurones inhibiteurs, comparables aux valeurs utilisées dans [37], qui utilisent pE = pje = 0,05 pour toute la durée de la formation. L'objectif de ce travail est de modifier ce modèle pour refléter les changements physiologiques liés à l'âge observés expérimentalement, tels qu'une activité neuronale accrue et une inhibition réduite, et ainsi produire des réseaux « âgés » dans lesquels nous pouvons tester comment les performances fonctionnelles et le codage ont changé. Plutôt que de mettre en œuvre les changements physiologiques par plusieurs ajustements manuels indépendants, une modification beaucoup plus parcimonieuse consiste à modifier uniquement le taux de pointe de la cible excitatrice. pE. Si on augmente pE avec le temps d'entraînement au-delà du stade jeune mature du réseau, le réseau se réorganisera pour atteindre un taux de tir moyen plus élevé proche de cette nouvelle cible. nous augmentons pE de 0,002 à chaque boucle suivante, aboutissant à l'« ancien » réseau après 80 boucles au total. Cela entraîne non seulement une augmentation de l'activité des neurones excitateurs (à la fois en termes de décharge moyenne et de variance de décharge), mais donne également naturellement lieu à une diminution de l'inhibition (Fig. 2). Les changements de sélectivité aux stimuli de réseau orienté émergent également de ce seul changement manuel. Pour vérifier la sensibilité de la procédure de vieillissement à la valeur initiale de pE, nous avons également exécuté trois simulations de réseau supplémentaires à partir de valeurs plus élevées, pE(0) = 0,05, 0,07 et 0,09 pointes par unité de temps, voir texte S1. Parce que notre méthode produit une séquence de réseaux âgés qui sont des évolutions graduelles des «âges» antérieurs, nous interprétons vaguement le processus de formation comme le processus de «vieillissement» dans notre réseau. (Comme indiqué dans la discussion, il n'y a pas de relation définie entre les boucles d'entraînement et l'âge de l'organisme). Ceci est similaire dans l'esprit aux travaux antérieurs interprétant la phase d'entraînement initial du réseau comme un modèle pour la période de développement du cortex visuel [38].

Convergence vers l'état d'équilibre

Notre processus de vieillissement ne commence pas avant que 30 boucles d'entraînement se soient produites, moment auquel le réseau a atteint un état stable auquel un entraînement continu ne fait que fluctuer les paramètres du réseau autour d'une valeur moyenne. En pratique, nous déterminons si le réseau a atteint un état stationnaire en utilisant la sélectivité d'orientation moyenne du réseau. Nous constatons qu'à environ 20 boucles, la sélectivité d'orientation moyenne du réseau a convergé vers 0,7 et continue de fluctuer autour de cette valeur. Ainsi, les 10 boucles d'apprentissage supplémentaires servent de tampon pour s'assurer que le réseau a atteint son état stable mature.

Comme expliqué ci-dessus, une fois que le réseau a atteint cet état stable, nous commençons à augmenter le taux de pointe excitateur cible pE(tboucle) chaque boucle, en interrompant l'entraînement toutes les 5 boucles uniquement pour évaluer la sélectivité d'orientation du réseau actuel. On peut donc se demander si le réseau est capable d'atteindre un nouvel état stationnaire au cours de chacune de ces boucles (ce qui n'est cependant pas une préoccupation majeure, car il est tout à fait plausible que les effets de vieillissement induits par l'augmentation pE(tboucle) dépassent la capacité de la plasticité synaptique à suivre). Pour déterminer si une seule boucle d'entraînement à la valeur augmentée de pE(tboucle) est suffisant pour que le réseau reste proche d'un nouvel état stable, nous effectuons un test supplémentaire dans lequel nous utilisons une procédure modifiée dans laquelle nous augmentons pE(tboucle) à chaque boucle comme dans notre procédure habituelle, mais à chaque 5 ème boucle, nous maintenons pE(tboucle) fixé pour 5 boucles suivantes. Nous constatons que ces boucles supplémentaires n'affectent pas sensiblement le cours de la dégradation du réseau, et la sélectivité du réseau ne se rétablit pas. Cela suggère qu'au moins après la période de maturation initiale, la performance du réseau est approximativement une fonction d'état du taux de pointe excitatrice cible. Cette hypothèse est étayée par une analyse complémentaire dans S1 Text.

Évaluation des réponses du réseau aux réseaux orientés

Toutes les 5 boucles, nous interrompons l'entraînement et évaluons les réponses du réseau aux stimuli de réseau en mouvement (voir Fig 5) de 4 orientations possibles afin de mesurer la sélectivité des neurones modèles, au cours de laquelle nous définissons le taux d'apprentissage global du réseau à zéro afin que les paramètres du réseau ne ne s'adapte pas aux statistiques des réseaux. Nous générons les réseaux à des fréquences spatiales et temporelles de 0,1 cycle/pixel et 0,1 cycle/image, respectivement, en utilisant le module GratingStim de VisualStimulusToolbox [76]. Comme dans la phase d'apprentissage, nous utilisons des patchs de 8 × 8 pixels de ces images de réseau comme entrée visuelle pour notre réseau. Pour cette taille de patch, il y a environ un cycle de réseau par patch.

Pour chaque séquence de présentations de réseau, nous enregistrons l'activité de pointe de tous les neurones en réponse aux patchs de réseau de chaque orientation et utilisons ces réponses pour calculer la sélectivité d'orientation de chaque neurone. Pour chacune des quatre orientations, nous dessinons 100 patchs à partir de 10 images du film de réseau. Chaque présentation de trame dure 200 pas de temps de la dynamique du réseau leaky-integrate-and-fire (contre 50 pas de temps lors de la formation sur les films naturels). Nous comptons le nombre total de pointes émises par chaque neurone pour chaque orientation sur les dix images, puis calculons un indice de sélectivité d'orientation. Bien qu'il existe diverses méthodes pour déterminer la sélectivité d'orientation [77], nous suivons [34, 45, 46], définissant où mk(??) est le nombre total de pointes du neurone k émis en réponse à l'orientation ?? ∈ <0, ??/4, ??/2, 3??/4>. Si le neurone ne déclenche aucune pointe en réponse à l'un des réseaux, nous prenons Système d'exploitationk = 0. Cette mesure attribue un nombre complexe mk(??)e 2je suis à la réponse du neurone à chaque orientation, puis additionne les nombres complexes. Prendre l'ampleur |∑?? e 2je suis mk(??)| et la normalisation par le nombre total de pointes donne Système d'exploitationk. Un neurone hautement sélectif aura Système d'exploitationk ≈ 1, tandis qu'un neurone qui tire indistinctement aux orientations aura un Système d'exploitationk ≈ 0 (le facteur 2 dans e 2je suis est nécessaire pour qu'il soit possible que Système d'exploitationk = 0).

Analyse « gabor-ness »

On observe que les champs récepteurs (RF) des neurones du réseau évoluent au cours du processus de vieillissement (Fig 3). Ici, nous définissons le RF d'un neurone comme l'arrangement pixel-espace des poids Q sur ses connexions à partir de patchs d'entrée de pixel (Fig 1C). Nous quantifions le changement de RF en ajustant un profil d'ondelettes de Gabor g à chaque RF à la fois dans la jeunesse et dans la vieillesse. RF avec ajustements pour lesquels la qualité d'ajustement normalisée, ||gRF|| 2 /||RF||, est inférieur à 0,8 sont classés comme de type Gabor, tandis que les RF avec des ajustements qui dépassent ce seuil sont classés comme « non-Gabor ». Il s'agit de la même procédure que celle réalisée dans [39], sauf que nous utilisons un seuil de classification moins strict (0,8 vs 0,5). Le profil de Gabor prend la forme suivante : où UNE est l'amplitude de l'ondelette de Gabor, F est la fréquence d'oscillation d'amplitude, ?? est la phase, et ??X et ??oui sont les spreads du profil de Gabor dans le X et oui directions. L'ondelette de Gabor est considérée comme une fonction de coordonnées indépendantes Xp et ouip, lié aux coordonnées X et oui de la représentation en grille de pixels de Q représenté sur la figure 1C par un angle de rotation ?? (non liés aux seuils de tir) et offsets X0 et oui0 correspondant au centre décalé du profil de Gabor. En plus de classer les ajustements qui échouent à notre critère d'adéquation comme non-Gabor, nous attribuons également cette classification aux ajustements qui sont centrés en dehors du cadre du champ récepteur. En principe, nous exclurions totalement des statistiques tous les champs récepteurs pour lesquels les ajustements ne peuvent pas être calculés, mais cela n'a jamais été le cas pour les neurones de notre modèle (voir tableau 1).

Expériences numériques

Gel du taux d'apprentissage.

Examiner la contribution de chaque propriété de réseau à la baisse observée de la sélectivité de l'orientation neuronale en raison de l'augmentation de pE, nous effectuons la série de tests suivante. Nous formons plusieurs instances du réseau à maturité (30 boucles) dans des conditions normales. À la fin de la 30 e boucle, nous définissons le taux d'apprentissage à zéro pour différents ensembles de poids de connexion : dans un cas, nous mettons à zéro les taux d'apprentissage uniquement pour les connexions d'entrée aux neurones excitateurs et inhibiteurs dans un autre, nous mettons à zéro les taux d'apprentissage uniquement pour les connexions latérales entre les neurones et, dans le dernier cas, nous mettons à zéro les taux d'apprentissage pour les poids d'entrée et les poids latéraux. Il n'y a aucun cas où nous remettons à zéro les taux d'apprentissage des seuils, car c'est par cette règle d'apprentissage que notre réseau vieillit. Après avoir mis à zéro les taux d'apprentissage, nous continuons à entraîner ces variantes jusqu'à un âge avancé (80 boucles), en sondant la sélectivité toutes les cinq boucles, voir Fig 6.

Remappage du champ récepteur.

Pour découpler les effets de l'évolution de la structure RF et de la magnitude sur la sélectivité du réseau, nous examinons, indépendamment de la procédure d'apprentissage, la sélectivité après remappage des poids d'entrée du jeune réseau sur une distribution ultérieure des magnitudes de poids d'entrée, pour les réseaux après 35, 40, 45…80 boucles : (12) oùJeune(·) etvieille(·) sont les fonctions de distribution cumulative (CDF) pour les distributions de poids d'entrée jeunes et vieux. L'équation (12) modifie la valeur de chaque poids d'entrée de telle sorte que la distribution du poids d'entrée remappé des jeunes valeurs correspond à la distribution des anciennes valeurs de poids d'entrée, mais l'organisation spatiale des pixels de chaque RF n'est pas modifiée. Nous estimons empiriquement les CDF et les CDF inverses à partir des données et utilisons des splines d'interpolation pour obtenir des estimations lisses. Ainsi, nous pouvons insérer ces poids remappés dans nos anciens réseaux pour tester comment la structure RF contribue à la sélectivité. Nous constatons que les réseaux avec ces poids d'entrée remappés présentent une sélectivité systématiquement plus élevée que leurs homologues avec les poids d'entrée âgés d'origine. Nous pouvons également tester le remappage inversé, , dans lequel les poids d'entrée des réseaux âgés sont remappés sur la jeune distribution de magnitudes, en conservant l'ancienne structure spatiale de pixels mais avec de jeunes magnitudes. Les réseaux avec ces poids remappés sont comparables en sélectivité à leurs réseaux d'origine correspondants (de référence) dans les premiers stades du processus de vieillissement, et de plus en plus sélectifs à la fin du vieillissement. Voir la figure 7.

Les figures

Les figures créées dans MATLAB ont été enregistrées à l'aide du script export_fig, disponible sur GitHub [78].


Résultats

L'échelle de temps neuronale peut être déduite du domaine fréquentiel

Les séries temporelles neuronales présentent souvent une corrélation décalée dans le temps (c. Pour démonstration, nous simulons la composante apériodique (non rythmique) des enregistrements ECoG en convoluant les pics de population de Poisson avec des noyaux synaptiques en décomposition exponentielle avec une constante de décroissance variable (figure 1B). Empiriquement, le degré d'auto-similarité est caractérisé par la fonction d'autocorrélation (ACF), et l'« échelle de temps » est définie comme la constante de temps (??) d'une fonction de décroissance exponentielle ( e − t τ ) ajustée à l'ACF, c'est-à-dire le temps qu'il faut pour que l'autocorrélation diminue d'un facteur de e (Figure 1C).

De manière équivalente, nous pouvons estimer l'échelle de temps dans le domaine fréquentiel à partir de la densité spectrale de puissance (PSD). Les PSD des séries temporelles neuronales suivent souvent une fonction lorentzienne de la forme 1 f k 2 + f 2 , où la puissance est approximativement constante jusqu'à la « fréquence du genou » (Fk, figure 1D), puis décroît suivant une loi de puissance. Cette approche est similaire à celle présentée dans Chaudhuri et al., 2017, mais ici nous permettons en outre à l'exposant de la loi de puissance (fixé à deux dans l'équation ci-dessus) d'être un paramètre libre représentant une activité variable sans échelle (He et al. , 2010 Miller et al., 2009 Podvalny et al., 2015 Voytek et al., 2015c). Nous paramétrons également simultanément les composants oscillatoires sous forme de pics gaussiens, ce qui nous permet de supprimer leur effet sur le spectre de puissance, fournissant des estimations plus précises de la fréquence du genou. À partir de la fréquence du genou de la composante apériodique, l'échelle de temps neuronale (constante de décroissance) peut alors être calculée exactement comme τ = 1 2 π f k .

Par rapport à l'ajustement des fonctions de décroissance exponentielle dans le domaine temporel (par exemple, Murray et al., 2014) - qui peuvent être biaisées même sans la présence de composants supplémentaires (Zeraati et al., 2020) - l'approche du domaine fréquentiel est avantageuse lorsqu'une variable Un exposant de loi de puissance et de fortes composantes oscillatoires sont présents, comme c'est souvent le cas pour les signaux neuronaux (exemple de données réelles sur la figure 1D). Alors que la composante oscillatoire peut corrompre la mesure naïve de ?? en tant que temps pour que l'ACF atteigne 1/e (figure 1D, encadré), il peut être plus facilement pris en compte et supprimé dans le domaine fréquentiel sous forme de pics de type gaussien. Ceci est particulièrement important compte tenu des oscillations neuronales avec des fréquences non stationnaires. Par exemple, un large pic dans le spectre de puissance (par exemple,

10 Hz de bande passante sur la figure 1D) représente les dérives de la fréquence d'oscillation au fil du temps, ce qui est facilement pris en compte avec une seule gaussienne, mais nécessite plusieurs termes de cosinus pour bien capturer dans l'autocorrélation. Par conséquent, dans cette étude, nous appliquons une paramétrisation spectrale pour extraire les échelles de temps des enregistrements intracrâniens (Donoghue et al., 2020). Nous validons cette approche sur les PSD calculés à partir de séries temporelles neuronales simulées et montrons que les échelles de temps extraites correspondent étroitement à leurs valeurs de vérité au sol (figure 1E).

Les échelles de temps suivent une hiérarchie anatomique et sont

10 fois plus rapide que les délais de pointe

En appliquant cette technique, nous déduisons un gradient continu d'échelles de temps neuronales à travers le cortex humain en analysant un vaste ensemble de données d'enregistrements intracrâniens humains (ECoG) d'activité cérébrale sans tâche (Frauscher et al., 2018a). L'ensemble de données MNI-iEEG contient 1 min de données sur l'état de repos sur 1772 canaux provenant de 106 patients (âgés de 13 à 62 ans, 48 ​​femmes) avec des couvertures variables, enregistrées à l'aide d'une bande/grille de surface ou d'électrodes stéréoEEG, et nettoyées des artefacts visibles. La figure 2A montre des exemples de traces de données le long de la hiérarchie corticale avec des échelles de temps croissantes estimées à partir de leurs PSD (les cercles de la figure 2B indiquent la fréquence du genou ajustée). Les échelles de temps des canaux individuels ont été extraites et projetées à partir des coordonnées MNI sur l'hémisphère gauche de la parcellisation de surface HCP-MMP1.0 (Glasser et al., 2016) pour chaque patient à l'aide d'un masque pondéré gaussien centré sur chaque électrode. Bien que la couverture soit clairsemée et idiosyncratique chez les patients individuels, elle ne varie pas en fonction de l'âge, et lors de la mise en commun de l'ensemble de la population, 178 des 180 parcelles ont au moins un patient avec une électrode à moins de 4 mm (Figure 2 - Figure supplément 1A -F).

L'échelle de temps augmente le long de la hiérarchie anatomique chez les humains et les macaques.

(UNE) Exemple de séries chronologiques à partir de cinq électrodes le long de la hiérarchie corticale humaine (M1 : cortex moteur primaire SMC : cortex moteur supplémentaire OFC : cortex orbitofrontal ACC : cortex cingulaire antérieur MTL : lobe temporal médial), et (B) leurs densités spectrales de puissance (PSD) correspondantes calculées sur 1 min. Le cercle et la ligne pointillée indiquent la fréquence du coude pour chaque PSD, dérivée des ajustements de la composante apériodique (en médaillon). Données : base de données MNI-iEEG, N = 106 participants. (C) Le gradient d'échelle de temps cortical humain (à gauche) tombe principalement le long de l'axe rostrocaudal, similaire au rapport T1w/T2w (score z à droite, en unités d'écart type). Les points colorés indiquent les emplacements des électrodes des données d'exemple. () Les échelles de temps neuronales sont négativement corrélées avec les corticales T1w/T2w, augmentant ainsi le long de la hiérarchie anatomique des régions sensorielles aux régions d'association (valeur p de la corrélation de Spearman corrigée pour l'autocorrélation spatiale, figure 2 - supplément de la figure 2A-C). (E) Exemples de PSD à partir d'enregistrements ECoG de macaques, similaires à (B) (LIP : cortex intrapariétal latéral LPFC : cortex préfrontal latéral S1 et S2 : cortex somatosensoriel primaire et secondaire). Les PSD sont moyennés sur des électrodes dans chaque région (encadré de [F]). Données : Neurotycho, N = 8 sessions de deux animaux. (F) Les échelles de temps de l'ECoG des macaques suivent les échelles de temps de dopage à unité unique publiées (Murray et al., 2014) dans les régions correspondantes (les barres d'erreur représentent la moyenne ± s.e.m.). Encart : carte des électrodes ECoG d'un animal et électrodes sélectionnées à des fins de comparaison. (g) Les échelles de temps dérivées de l'ECoG sont systématiquement corrélées avec (à gauche) et

10 fois plus rapide que (à droite), les échelles de temps d'une seule unité à travers des sessions individuelles. Marqueurs creux : sessions individuelles formes : animaux cercles pleins : moyenne générale à partir de (F).

À travers le cortex humain, les échelles de temps de la dynamique électrophysiologique rapide (

10 à 50 ms) suivent principalement un gradient rostrocaudal (Figure 2C, les cercles indiquent l'emplacement des exemples de données de 2A). Conformément à de nombreux récits d'un axe cortical principal allant des régions sensorielles primaires aux régions d'association (Hilgetag et Goulas, 2020 Margulies et al., 2016 Wang, 2020), les échelles de temps sont plus courtes dans les zones sensorimotrices et visuelles précoces, et plus longues dans les régions d'association, en particulier régions cingulaire, frontale ventrale/médiale et lobe temporal médian (MTL) (Figure 2 - le supplément de figure 1G montre une mise en commun supplémentaire en 21 macro-régions étiquetées). Nous comparons ensuite le gradient de l'échelle de temps à la carte T1w/T2w moyenne du Human Connectome Project, qui capture la myélinisation de la matière grise et indexe la proportion de connexions feedforward vs feedback entre les régions corticales, agissant ainsi comme un proxy non invasif de la hiérarchie anatomique basée sur la connectivité. (Burt et al., 2018 Glasser et Van Essen, 2011). Nous constatons que les échelles de temps neuronales sont négativement corrélées avec T1w/T2w dans l'ensemble du cortex (Figure 2D, ?? = -0,47, p<0,001 corrigé pour l'autocorrélation spatiale [SA], voir Matériels et méthodes et Figure 2—supplément de la figure 2A–C pour une comparaison des méthodes de correction), de sorte que les échelles de temps sont plus courtes dans les régions plus fortement myélinisées (c'est-à-dire moins niveaux, sensoriels). Les échelles de temps sont également positivement corrélées avec l'épaisseur corticale (Figure 2—figure complémentaire 3, ?? = 0,37, p = 0,035) - un autre indice de hiérarchie corticale qui est lui-même anti-corrélé avec T1w/T2w. Ainsi, nous observons que les échelles de temps neuronales s'allongent le long de la hiérarchie corticale humaine, des régions sensorimotrices aux régions d'association.

Alors que les enregistrements ECoG de surface offrent une couverture spatiale beaucoup plus large que les enregistrements extracellulaires unitaires, ce sont des signaux fondamentalement différents : Buzsáki et al., 2012 Figure 1A, encadré jaune). Compte tenu de cela, nous demandons si les échelles de temps mesurées à partir de l'ECoG dans cette étude ( ECoG ) sont liées aux échelles de temps de dopage à unité unique le long de la hiérarchie corticale ( dopage). Pour tester cela, nous extrayons les échelles de temps neuronales d'enregistrements ECoG sans tâche chez les macaques (Nagasaka et al., 2011) et les comparons à un ensemble de données distinct d'échelles de temps de dopage à une seule unité d'un groupe différent de macaques (Murray et al., 2014 ) (voir Figure 2—supplément de la figure 4 pour les emplacements des électrodes). Conformément aux estimations de dopage de τ (Murray et al., 2014 Wasmuht et al., 2018), τ ECoG augmente également le long de la hiérarchie corticale du macaque. Bien qu'il existe une forte correspondance entre le pic et les échelles de temps ECoG (Figure 2F ?? = 0.96, p<0.001)—mesurée à partir d'ensembles de données indépendants—à travers le cortex du macaque, τ ECoG sont

10 fois plus rapide que le dopage τ et sont conservés au cours des sessions individuelles (figure 2G). Cela suggère que les pics neuronaux et les courants transmembranaires ont des échelles de temps de fluctuations distinctes mais liées, et que les deux sont organisés hiérarchiquement le long du cortex des primates.

Les gènes synaptiques et des canaux ioniques façonnent les échelles de temps de la dynamique neuronale

Ensuite, nous identifions les mécanismes cellulaires et synaptiques potentiels sous-jacents aux variations d'échelle de temps à travers le cortex humain. Les comptes rendus théoriques postulent qu'une excitation récurrente médiée par le NMDA couplée à une inhibition rapide (Chaudhuri et al., 2015 Wang, 2008 Wang, 1999), ainsi que des propriétés intrinsèques à la cellule (Duarte et Morrison, 2019 Gjorgjieva et al., 2016 Koch et al. ., 1996), sont cruciales pour façonner les échelles de temps neuronales. Alors que les études in vitro et in vivo dans des organismes modèles (van Vugt et al., 2020 Wang et al., 2013) peuvent tester ces hypothèses au niveau d'un seul neurone, des manipulations causales et des enregistrements à grande échelle de réseaux neuronaux intégrés dans l'humain cerveau sont sévèrement limités. Ici, nous appliquons une approche analogue au profilage monocellulaire multimodal (Bomkamp et al., 2019) et examinons la base transcriptomique de la dynamique neuronale à l'échelle macroscopique.

En tirant parti de l'interpolation du cortex entier de l'expression de l'ARNm en vrac de l'Atlas du cerveau humain d'Allen (Gryglewski et al., 2018 Hawrylycz et al., 2012), nous projetons des cartes d'expression par voxel sur la parcellisation de surface HCP-MMP1.0, et constatons que le Le gradient d'échelle de temps neuronal chevauche l'axe dominant de l'expression des gènes (c'est-à-dire le premier composant principal de 2429 gènes liés au cerveau) à travers le cortex humain (Figure 3A, ?? = -0,60, p<0,001 voir la figure 3 - supplément de la figure 1 pour des résultats similaires avec les 18 114 gènes). Conformément aux prédictions théoriques (figure 3B), les échelles de temps sont en corrélation significative avec l'expression des gènes codant pour les sous-unités des récepteurs NMDA (GRIN2B) et GABA-A (GABRA3), les sous-unités des canaux ioniques voltage-dépendants (SCN1A) et potassium (KCNA3), comme ainsi que des marqueurs de type cellulaire inhibiteurs (parvalbumine, PVALB) et des gènes précédemment identifiés comme étant associés aux constantes de temps de la membrane d'un seul neurone (PRR5) (Bomkamp et al., 2019) (toutes les corrélations de Spearman corrigées pour la SA en gradients).

Le gradient d'échelle de temps est lié à l'expression de gènes liés aux récepteurs synaptiques et aux canaux ioniques transmembranaires à travers le cortex humain.

(UNE) Le gradient d'échelle de temps suit l'axe dominant de la variation de l'expression génique à travers le cortex (PC1 à score z de 2429 gènes spécifiques au cerveau, direction arbitraire). (B) Le gradient d'échelle de temps est significativement corrélé à l'expression de gènes connus pour modifier les constantes de temps des membranes synaptiques et neuronales, ainsi que les marqueurs de type cellulaire inhibiteur, mais (C) les membres d'une famille de gènes (par exemple, les sous-unités du récepteur NMDA) peuvent être à la fois positivement et négativement associés aux échelles de temps, conformément aux prédictions des études in vitro. () La corrélation entre l'échelle de temps et la transcription à l'échelle macroscopique capture l'association entre l'expression séquencée par l'ARN des mêmes gènes et les propriétés d'échelle de temps d'une seule cellule adaptées aux données de patch-clamp de deux études, et la correspondance s'améliore pour les gènes (séparés par quintiles) qui sont plus fortement corrélés avec l'échelle de temps (en trait plein : N = 170 [Tripathy et al., 2017], en pointillés : N = 4168 gènes [Bomkamp et al., 2019] lignes horizontales : corrélation entre tous les gènes des deux études, ?? = 0,36 et 0,25, p<0,001 pour les deux). (E) Le gradient T1w/T2w est régressé à partir des gradients d'échelle de temps et d'expression génique, et un modèle des moindres carrés partiels (PLS) est ajusté aux cartes résiduelles. Les gènes avec des poids PLS significatifs (boîtes bleues remplies) par rapport aux distributions nulles préservées par autocorrélation spatiale (SA) sont soumis à une analyse d'enrichissement de l'ontologie des gènes (GOEA), renvoyant un ensemble de termes GO significatifs qui représentent des groupes de gènes fonctionnels (boîtes vertes remplies). (F) Les gènes enrichis sont principalement liés aux transporteurs transmembranaires de potassium et de chlorure, et les gènes des synapses GABA-ergiques spécifiquement avec de fortes associations négatives surreprésentent en outre les mécanismes d'échange d'ions transmembranaires, en particulier les transporteurs de potassium et de cations voltage-dépendants. Les branches indiquent les éléments GO qui partagent des éléments de niveau supérieur (parent), par exemple, activité des canaux cationiques voltage-dépendants est un enfant de activité du canal cationique dans l'ontologie des fonctions moléculaires (MF), et les deux sont significativement associés à l'échelle de temps. La couleur des lignes indique une ontologie organisée (BP-processus biologique, CC-composants cellulaires ou MF). Les lignes pointillées, pointillées et pleines correspondent à l'analyse effectuée en utilisant tous les gènes ou uniquement ceux avec des poids PLS positifs ou négatifs. Valeurs p de la corrélation spatiale dans (A–C) sont corrigés pour SA (voir Matériaux et méthodes, les astérisques dans (B, D) indiquent respectivement p<0,05, 0,01, 0,005 et 0,001 marqueurs remplis dans (CD) indiquent p<0.05).

Plus précisément, des études électrophysiologiques in vitro ont montré que, par exemple, une expression accrue de la sous-unité 2B du récepteur prolonge l'évolution temporelle actuelle du NMDA (Flint et al., 1997), tandis que l'expression 2A la raccourcit (Monyer et al., 1994). De même, la constante de temps du récepteur GABA-A s'allonge avec l'augmentation du rapport de sous-unités a3:a1 (Eyre et al., 2012). Nous montrons que ces relations sont récapitulées à l'échelle macro, où les échelles de temps neuronales sont positivement corrélées avec l'expression de GRIN2B et GABRA3 et négativement avec GRIN2A et GABRA1 (figure 3C). Ces résultats démontrent que les échelles de temps de la dynamique neuronale dépendent de combinaisons spécifiques de sous-unités de récepteur avec différentes échelles de temps de (dés)activation (Duarte et al., 2017 Gjorgjieva et al., 2016), en plus de larges interactions excitation-inhibition (Gao et al., 2017 Wang, 2020 Wang, 2002). Notamment, presque tous les gènes liés aux sous-unités alpha des canaux ioniques sodium et potassium voltage-dépendants - les principales sous-unités fonctionnelles - sont corrélés avec l'échelle de temps, tandis que tous les marqueurs de type cellulaire inhibiteur, à l'exception de la parvalbumine, ont de fortes associations positives avec l'échelle de temps (Figure 3C et Figure 3 —supplément de chiffres 2).

Nous testons en outre si les associations transcriptomiques-échelle de temps unicellulaires sont capturées à l'échelle macroscopique comme suit : pour un gène donné, nous pouvons mesurer à quel point son expression est corrélée avec les paramètres de constante de temps de la membrane au niveau de la cellule unique en utilisant le patch-clamp et le séquençage de l'ARN (scRNASeq) (Bomkamp et al., 2019 Tripathy et al., 2017). De manière analogue, nous pouvons mesurer sa corrélation transcriptomique macroscopique à l'échelle de temps en utilisant les gradients corticaux ci-dessus. Si l'association entre l'expression de ce gène et l'échelle de temps neuronale est préservée aux deux niveaux, alors la corrélation entre les cellules à l'échelle microscopique devrait être similaire à la corrélation entre les régions corticales à l'échelle macroscopique. En comparant ces deux échelles pour tous les gènes liés à l'échelle de temps précédemment identifiés dans deux études (N = 170 [Tripathy et al., 2017] et 4168 [Bomkamp et al., 2019] gènes), nous trouvons une corrélation significative entre la force de association aux niveaux unicellulaire et macroscopique (Figure 3D, lignes noires horizontales ?? = 0,36 et 0,25 pour les deux jeux de données, p<0,001 pour les deux). De plus, les gènes avec des associations plus fortes à l'échelle de temps ont tendance à conserver cette relation à travers les niveaux unicellulaires et macroscopiques (Figure 3D, séparés par l'amplitude de la corrélation macroscopique). Ainsi, l'association entre les variations cellulaires de l'expression génique et la dynamique temporelle intrinsèque à la cellule est capturée à l'échelle macro, même si les données scRNAseq et microarray représentent des mesures totalement différentes de l'expression génique.

Bien que nous ayons montré des associations entre les échelles de temps corticales et les gènes soupçonnés d'influencer la dynamique neuronale, ces données offrent une opportunité de découvrir de nouveaux gènes supplémentaires qui sont fonctionnellement liés aux échelles de temps grâce à une approche axée sur les données. Cependant, étant donné que la variation transcriptomique et la hiérarchie anatomique se chevauchent le long d'un gradient macroscopique partagé (Burt et al., 2018 Huntenburg et al., 2018 Margulies et al., 2016), nous ne pouvons pas spécifier le rôle de certains gènes en fonction de leur niveau d'association avec échelle de temps seule : les différences d'expression des gènes à travers le cortex entraînent d'abord des différences de type cellulaire et de connectivité, sculptant l'organisation hiérarchique de l'anatomie corticale. Par conséquent, l'anatomie et les propriétés intrinsèques à la cellule façonnent conjointement la dynamique neuronale à travers des différences de connectivité (Chaudhuri et al., 2015 Demirtaş et al., 2019) et l'expression de protéines de transport d'ions et de récepteurs avec des échelles de temps d'activation variables, respectivement. Par conséquent, nous demandons si la variation de l'expression des gènes représente toujours une variation dans l'échelle de temps au-delà du gradient structurel principal, et si les gènes associés ont des rôles fonctionnels connus dans les processus biologiques (BP) (schéma sur la figure 3E). Pour ce faire, nous supprimons d'abord la contribution de la hiérarchie anatomique en régressant linéairement le gradient T1w/T2w à partir de l'échelle de temps et des gradients d'expression génique individuels. Nous avons ensuite ajusté des modèles des moindres carrés partiels (PLS) pour estimer simultanément les poids de régression pour tous les gènes (Whitaker et al., 2016), en soumettant ceux avec des associations significatives pour l'analyse d'enrichissement de l'ontologie des gènes (GOEA) (Klopfenstein et al., 2018).

Nous constatons que les gènes fortement associés aux échelles de temps neuronales sont préférentiellement liés aux complexes de transporteurs d'ions transmembranaires, ainsi qu'aux synapses GABAergiques et aux canaux chlorure (voir la figure 3F et le fichier supplémentaire 1 pour les résultats de GOEA avec les gènes du cerveau uniquement, et le fichier supplémentaire 2 pour tous les gènes) . Lorsqu'il est limité aux seuls gènes associés positivement (l'expression augmente avec les échelles de temps), un groupe fonctionnel lié à l'activité de la phosphatidate phosphatase est découvert, y compris le gène PLPPR1, qui a été lié à la plasticité neuronale (Savaskan et al., 2004) - une échelle de temps beaucoup plus lente processus physiologique. Inversement, les gènes qui sont négativement associés à l'échelle de temps sont liés à de nombreux groupes impliqués dans la construction et le fonctionnement des transporteurs transmembranaires et des canaux ioniques voltage-dépendants, en particulier le potassium et d'autres transporteurs de cations inorganiques. Pour garantir davantage que ces gènes se rapportent spécifiquement à l'échelle de temps neuronale, nous effectuons la même analyse d'enrichissement avec des cartes T1w/T2w vs. des gènes comme contrôle. L'analyse de contrôle ne donne aucun terme GO significatif lorsqu'elle est limitée aux gènes spécifiques au cerveau (contrairement à la figure 3F), tandis que la répétition de l'analyse avec tous les gènes donne des termes GO significatifs liés aux canaux ioniques et aux synapses, mais sont beaucoup moins spécifiques à ceux-ci ( voir le fichier supplémentaire 3), y compris une variété d'autres groupes de gènes associés aux processus métaboliques généraux, aux voies de signalisation et aux composants cellulaires (CC). Cela renforce encore le fait que la suppression de la contribution de T1w/T2w aide à identifier les gènes qui sont plus spécifiquement associés à la neurodynamique, suggérant que l'inhibition (Teleńczuk et al., 2017) - médiée par les canaux GABA et chlorure - et les canaux potassiques voltage-dépendants ont un rôle de premier plan dans la formation de la dynamique de l'échelle de temps neuronale au niveau macroscopique, au-delà de ce qui est attendu sur la base de la seule hiérarchie anatomique.

Les échelles de temps s'allongent dans la mémoire de travail et raccourcissent avec le vieillissement

Enfin, après avoir montré que les échelles de temps neuronales sont associées à des gradients d'expression anatomique et génique stables à travers le cortex humain, nous passons à la dernière question de l'étude : les échelles de temps corticales sont-elles relativement statiques, ou sont-elles fonctionnellement dynamiques et pertinentes pour la cognition humaine ? Alors que des études antérieures ont montré une ségrégation hiérarchique des informations pertinentes pour la tâche correspondant aux échelles de temps intrinsèques de différentes régions corticales (Baldassano et al., 2017 Chien et Honey, 2020 Honey et al., 2012 Runyan et al., 2017 Sarafyazd et Jazayeri, 2019 Wasmuht et al., 2018), ainsi que l'adaptation optimale des échelles de temps comportementales pour correspondre à l'environnement (Ganupuru et al., 2019 Ossmy et al., 2013), les preuves de changements fonctionnellement pertinents dans les échelles de temps neuronales régionales font défaut. Ici, nous examinons si les échelles de temps subissent des changements à court et à long terme pendant la maintenance et le vieillissement de la mémoire de travail, respectivement.

Nous analysons d'abord les enregistrements ECoG humains des régions pariétales, frontales (PFC et cortex orbitofrontal [OFC]) et du lobe temporal médian (MTL) de patients (N = 14) effectuant une tâche de mémoire de travail visuospatiale qui nécessite une réponse indicée retardée (Figure 4A Johnson et al., 2018a). Les échelles de temps neuronales ont été extraites pour les périodes de délai de référence avant le stimulus et de maintien de la mémoire (900 ms, toutes deux sans stimulus). En reproduisant notre résultat précédent dans la figure 2 - supplément de la figure 1G, nous observons que les échelles de temps neuronales de base suivent une progression hiérarchique à travers les régions d'association, où le cortex pariétal (PC), PFC, OFC et MTL ont des échelles de temps progressivement plus longues (par paire Mann-Whitney U- essai, figure 4B). Si les échelles de temps neuronales suivent la persistance temporelle de l'information de manière fonctionnelle, alors elles devraient s'étendre pendant les périodes de retard. Conformément à nos prévisions, les échelles de temps dans toutes les régions sont

20 % de plus pendant les périodes de retard (figure 4C test de la somme des rangs de Wilcoxon). De plus, seuls les changements d'échelle de temps dans le PFC sont significativement corrélés avec le comportement des participants, où des délais plus longs par rapport à la ligne de base sont associés à de meilleures performances de mémoire de travail (Figure 4D, ?? = 0,75, p=0,003). Aucune autre caractéristique spectrale dans les régions cérébrales enregistrées ne montre de changements cohérents entre la ligne de base et les périodes de retard tout en étant également significativement corrélée avec les performances individuelles, y compris l'exposant spectral de type 1/f, le thêta à bande étroite (3-8 Hz) et la haute fréquence (haute fréquence puissance d'activité gamma 70-100 Hz) (Figure 4 - Supplément de la figure 1).

Les échelles de temps s'étendent pendant la maintenance de la mémoire de travail tout en suivant les performances, et les échelles de temps moyennes sans tâche se compressent chez les personnes âgées.

(UNE) Quatorze participants avec une couverture intracrânienne se chevauchant ont effectué une tâche de mémoire de travail visuospatiale, avec 900 ms de données de base (pré-stimulus) et de période de retard analysées (PC : pariétal, PFC : préfrontal, OFC : orbitofrontal, MTL : lobe temporal médian n désigne le nombre des sujets avec des électrodes dans cette région). (B) Les échelles de temps de référence suivent l'organisation hiérarchique au sein des régions d'association (* : p<0.05, les petits points du test U de Mann-Whitney représentent les participants individuels, les gros points et la barre d'erreur pour la moyenne ± s.e.m. entre les participants). (C) Toutes les régions présentent une augmentation significative de l'échelle de temps pendant la période de retard par rapport à la ligne de base (les astérisques représentent p<0,05, 0,01, 0,005, 0,001, test de rang signé de Wilcoxon). () L'expansion de l'échelle de temps PFC pendant les périodes de retard prédit la précision moyenne de la mémoire de travail entre les participants (le point représente les participants individuels, moyenne ± s.e.m. sur les électrodes PFC au sein du participant) encart : corrélation entre la précision de la mémoire de travail et le changement d'échelle de temps pour toutes les régions. (E) Dans l'ensemble de données MNI-iEEG, les échelles de temps corticales moyennes des participants diminuent (deviennent plus rapides) avec l'âge (n = 71 participants avec au moins 10 parcelles valides, voir la figure 4 - supplément de la figure 2B). (F) La plupart des parcelles corticales montrent une relation négative entre les échelles de temps et l'âge, à l'exception des parties du cortex visuel et des pôles temporels (test t à un échantillon, t = -7,04, p<0,001 n = 114 parcelles pour lesquelles au moins six participants ont des données, voir Figure 4—supplément de figure 2C).

Alors que les échelles de temps sont cohérentes avec la hiérarchie d'expression anatomique et génique d'un instantané, la structure cérébrale elle-même n'est pas statique au fil du temps, subissant de nombreux changements neuroplastiques plus lents au début du développement et tout au long du vieillissement chez les populations plus âgées. En particulier, le vieillissement est associé à un large éventail de changements fonctionnels et structurels, tels que des troubles de la mémoire de travail (Voytek et al., 2015c Wang et al., 2011), ainsi que des changements dans la dynamique neuronale (Voytek et al., 2015c Voytek et Knight, 2015b Wang et al., 2011) et la structure corticale (de Villers-Sidani et al., 2010), telle que la perte de sous-unités du récepteur NMDA à désactivation lente (Pegasiou et al., 2020). Étant donné que les échelles de temps neuronales peuvent soutenir le maintien de la mémoire de travail, nous prédisons que les échelles de temps se raccourciraient tout au long de la vie, en accord avec les détériorations cognitives et structurelles observées. À cette fin, nous exploitons la large tranche d'âge dans l'ensemble de données MNI-iEEG (13-62 ans) et sondons les échelles de temps corticales moyennes pour chaque participant en fonction de l'âge. Étant donné que la couverture ECoG est clairsemée et non uniforme entre les participants, le simple fait de faire la moyenne des parcelles au sein des participants individuels confond l'effet du vieillissement avec l'effet spatial de la hiérarchie corticale. Au lieu de cela, nous normalisons d'abord chaque parcelle par sa valeur maximale pour tous les participants avant de faire la moyenne au sein des participants, à l'exclusion de ceux avec moins de 10 parcelles valides (N = 71 des 106 sujets restants, les résultats sont valables pour une large gamme de valeurs de seuil, Figure 4 - supplément de la figure 2B). Nous observons que les personnes âgées ont des échelles de temps neuronales plus rapides (?? = -0,31, p = 0,010 Figure 4E), et que les échelles de temps raccourcissent avec l'âge dans la plupart des zones du cortex (Figure 4F, t = -7,04, p<0,001 114 sur 189 parcelles où au moins six participants ont des données, voir Figure 4—supplément de la figure 2C). Cette compression de l'échelle de temps est particulièrement importante dans les régions frontales sensorimotrices, temporales et médiales. Ces résultats soutiennent notre hypothèse selon laquelle les échelles de temps neuronales, estimées à partir des fluctuations du courant transmembranaire, peuvent changer rapidement d'une manière fonctionnellement pertinente, ainsi que lentement - sur des décennies - dans le vieillissement en bonne santé.


Possibilités d'accès

Obtenez un accès complet au journal pendant 1 an

Tous les prix sont des prix NET.
La TVA sera ajoutée plus tard dans la caisse.
Le calcul des taxes sera finalisé lors du paiement.

Obtenez un accès limité ou complet aux articles sur ReadCube.

Tous les prix sont des prix NET.


Résumé

La capacité de différents groupes de neurones corticaux à s'engager dans des interactions causales qui sont à la fois différenciées et intégrées aboutit à des schémas dynamiques complexes. La complexité est faible pendant les périodes d'inconscience (sommeil profond, anesthésie, syndrome d'éveil sans réaction) dans lesquelles le cerveau a tendance à générer un schéma stéréotypé consistant en une alternance de périodes actives et silencieuses d'activité neuronale - oscillations lentes - et est élevée pendant l'éveil. Mais comment se construit la complexité corticale ? Est-ce un continuum ? Une question ouverte est de savoir si la complexité corticale peut varier au sein d'un même état cérébral. Ici, nous avons enregistré avec des réseaux multiélectrodes à 32 canaux de la surface corticale de la souris et utilisé à la fois la dynamique spontanée (entropie de propagation des ondes et complexité fonctionnelle) et une approche perturbationnelle (une variation de l'indice de complexité de perturbation) pour mesurer la complexité à différents niveaux d'anesthésie. Les variations du niveau d'anesthésie dans le régime bistable des oscillations lentes (0,1 à 1,5 Hz) ont entraîné une modulation de la fréquence des oscillations lentes. La complexité tant perturbatrice que spontanée augmentait avec la diminution des niveaux d'anesthésie, en corrélation avec la diminution de la cohérence du réseau sous-jacent. Les changements de niveau de complexité sont liés aux changements d'excitabilité, mais ne dépendent pas de ceux-ci. Nous concluons que la complexité corticale peut varier au sein d'un même état cérébral dominé par des oscillations lentes, s'accumulant jusqu'à la complexité plus élevée associée à la conscience.


Voir la vidéo: Viime hetken laukaus (Décembre 2022).