Teil 3: Ein Dopamingradient kontrolliert den Zugriff auf das verteilte Arbeitsgedächtnis im groß angelegten Affenkortex

Kontakt: Audrey Hu WhatsApp/hp: 0086 13880143964 E-Mail:audrey.hu@wecistanche.com

Klicken Sie hier zu Teil 2

METHODENDETAILS

Übersicht anatomischer Daten

In dieser Studie kombinieren wir postmortale anatomische Daten zu Rezeptordichten, Konnektivität der weißen Substanz, Neuronendichten und Anzahl dendritischer Dornen. Jedes dieser vier anatomischen Maße wurde ursprünglich unter Verwendung verschiedener Parzellierungen des Kortex quantifiziert. Große Abschnitte des Schläfenlappens sind noch nicht quantifiziert, weder für die Rezeptorautoradiographiedaten noch für die Konnektivitätsdaten der Traktverfolgung. Die Erhebung dieser Daten ist im Gange und wird in zukünftigen Studien zur Verfügung gestellt. Mit Ausnahme der Rezeptordichten im posterioren parietalen Kortex (Impieri et al., 2019; Niu et al., 2020, 2021) werden in dieser Studie erstmals alle D1-Rezeptordichten berichtet. Die Konnektivitätsdaten für zehn der 40 kortikalen Bereiche werden hier zum ersten Mal verwendet, werden aber in einer bevorstehenden Veröffentlichung des Kennedy-Labors ausführlicher beschrieben. Dadurch konnten wir die Berechnung der kortikalen Hierarchie auf 40 Regionen erweitern.

Cistanche kann das Gedächtnis verbessern

Eine Anmerkung zur Notation

Indizes in eckigen Klammern, wie z. B. ½k, werden verwendet, um kortikale Bereiche selbst zu bezeichnen. Indizes nicht in Klammern, wie sie verwendet werden, um Populationen von Neuronen innerhalb eines kortikalen Bereichs zu bezeichnen. Hochgestellte Zeichen werden verwendet, um weitere klärende Informationen bereitzustellen. Wir verwenden die Konvention, dass Ziele vor Quellen aufgelistet werden, sodass gi;j die Stärke einer Verbindung von neuraler Population j zu neuraler Population i bezeichnen würde. Parameterwerte sind in Tabelle S6 aufgeführt.

Quantifizierung der Rezeptordichte im gesamten Kortex – In-vitro-Autoradiographie

Um eine hochauflösende und hochgenaue Karte der kortikalen Dopaminrezeptorarchitektur zu erstellen, verwendeten wir quantitative In-vitro-Rezeptorautoradiographie (Palomero-Gallagher und Zilles, 2018). Frühere Dopaminrezeptor-Autoradiographien konzentrierten sich auf relativ kleine Abschnitte des Kortex (Goldman-Rakic ​​et al., 1990; Impieri et al., 2019; Lidow et al., 1991; Niu et al., 2020; Richfield et al. , 1989). Um eine umfassendere Karte der kortikalen Dopaminrezeptoren zu erstellen, haben wir die D1-Rezeptordichte in 109 kortikalen Bereichen und die D1- und D2-Rezeptoren in den Basalganglien gemessen.

Die Tiere wurden mittels einer intravenösen tödlichen Dosis von Natriumpentobarbital getötet. Die Gehirne wurden sofort aus dem Schädel entfernt, und der Hirnstamm und das Cerebellum wurden in unmittelbarer Nähe der Hirnstiele abpräpariert. Hemisphären wurden getrennt und dann durch einen Schnitt in der koronalen Schnittebene zwischen den zentralen und bogenförmigen Sulci in einen rostralen und einen kaudalen Block geschnitten. Diese Blöcke wurden in Isopentan bei 4{{30}}C bis 5{{5{0}}}C eingefroren und dann in luftdichten Plastikbeuteln bei 70C gelagert. Jeder Block wurde seriell in der koronalen Ebene (Schnittdicke 20 mm) unter Verwendung eines Kryostatmikrotoms (CM 3050, Leica, Deutschland) geschnitten. Die Schnitte wurden auf mit Gelatine beschichtete Objektträger aufgetaut, über Nacht gefriergetrocknet und zur Sichtbarmachung von D1- oder D2-Rezeptoren, Zellkörpern (Merker, 1983) oder Myelin (Gallyas, 1979) verarbeitet. Es wurde eine quantitative in-vitro-Rezeptor-Autoradiographie durchgeführt markieren dopaminerge D1- und D2-Rezeptoren gemäß zuvor veröffentlichten Protokollen (Palomero-Gallagher und Zilles, 2018) (Zilles et al., 2002), die eine Vorinkubation, die Hauptinkubation und einen abschließenden Spülschritt umfassen. Zur Visualisierung des D1-Rezeptors wurden die Schnitte zunächst rehydriert und körpereigene Substanzen während einer 20--minütigen Vorinkubation bei Raumtemperatur in einem 50 mM Tris-HCl-Puffer (pH 7,4) enthaltend 120 mM NaCl, 5 mM KCl, 2 mM entfernt CaCl2 und 1 mM MgCl2. Während der Hauptinkubation wurden die Schnitte entweder mit 0,5 nM [3H]SCH 23390 allein (zur Bestimmung der Gesamtbindung) oder mit 0,5 nM [3H]SCH 23390 und 1 mM des Verdrängers Mianserin (zur Bestimmung des Anteils an verdrängbaren, nicht verdrängbaren -spezifische Bindung) für 90 Minuten bei Raumtemperatur im gleichen Puffer, der für die Vorinkubation verwendet wurde. Schließlich bestand das Spülverfahren aus zwei 20-minütigen Waschschritten in einem kalten Puffer, gefolgt von einem kurzen Eintauchen in destilliertes Wasser. Zur Sichtbarmachung des D2-Rezeptors wurden die Schnitte mit 50 mM Tris-HCl-Puffer (pH 7,4), der 150 mM NaCl und 1 % Ascorbat enthielt, vorinkubiert. Bei der Hauptinkubation wurden die Schnitte entweder nur mit 0,3 nM [3H]Racloprid oder mit 0,3 nM [3H]Racloprid und 1 mM des Verdrängungsmittels 1 mM Butaclamol für 45 Minuten bei Raumtemperatur im gleichen Puffer wie für die Vorinkubation verwendet inkubiert . Das Spülen bestand aus sechs 1-minütigen Waschschritten in einem kalten Puffer, gefolgt von einem kurzen Eintauchen in destilliertes Wasser. Spezifische Bindung ist die Differenz zwischen totaler und unspezifischer Bindung. Da die verwendeten Liganden und Bindungsprotokolle zu einer verdrängbaren Bindung führten, die weniger als 5 Prozent der Gesamtbindung ausmachte, wird die Gesamtbindung als äquivalent zur spezifischen Bindung betrachtet. Die Schnitte wurden in einem kalten Luftstrom getrocknet, zusammen mit Kunststoffschalen bekannter Radioaktivität gegen tritiumempfindliche Filme (Hyperfilm, Amersham) für sechs (für den D1-Rezeptor) oder acht (für den D2-Rezeptor) Wochen und anschließend exponiert Autoradiogramme, die durch Densitometrie mit einer videobasierten Bildanalysetechnik verarbeitet wurden (Palomero-Gallagher und Zilles, 2018) (Zilles et al., 2002). Autoradiogramme wurden mit einer CCD-Kamera digitalisiert und als 8--Bit-Grauwertbilder mit einer räumlichen Auflösung von 2080 x 1542 Pixel gespeichert. Grauwerte (g) in den co-exponierten Skalen sowie experimentelle Bedingungen wurden verwendet, um eine Regressionskurve zu erstellen, mit der Grauwerte in jedem Pixel eines Autoradiogramms in Bindungsstellendichten (Bmax) in fmol/mg Protein umgerechnet wurden Mittel der Formel max=$

(Gleichung 1)

wobei R die Radioaktivitätskonzentration (CPM) in einer Skala, E die Effizienz des Szintillationszählers zur Bestimmung der Menge an Radioaktivität im Inkubationspuffer, B die Anzahl der Zerfälle pro Zeiteinheit und Radioaktivität, Wb das Proteingewicht eines Standards ist , als spezifische Aktivität des Liganden, KD die Dissoziationskonstante des Liganden und L die freie Konzentration des Liganden während der Inkubation. Ausschließlich zu Visualisierungszwecken wurden Autoradiogramme anschließend durch lineare Kontrastverstärkung und Zuordnung von gleichmäßig beabstandeten Dichtebereichen zu einer spektralen Anordnung von elf Farben pseudo-farbcodiert.

Kortikale Bereiche wurden durch zytoarchitektonische Analyse identifiziert und Rezeptordichten wurden an vergleichbaren Stellen in den angrenzenden Abschnitten gemessen, die für die Rezeptorvisualisierung verarbeitet wurden. Die mittlere Rezeptordichte für jeden Bereich über eine Reihe von 3–5 Schnitten pro Tier und Rezeptor wurde durch Dichteprofile bestimmt, die vertikal zur kortikalen Oberfläche mit MATLAB-basierter hauseigener Software extrahiert wurden (Pal-Omero-Gallagher und Zilles, 2018).

Retrograde Bahnverfolgung

Die interarealen Konnektivitätsdaten in diesem Artikel sind Teil der laufenden Bemühungen, das kortikale Konnektom des Makaken mithilfe von retrograder Traktverfolgung zu kartieren (Markov et al., 2013, 2014a, 2014b). Für jeden Zielbereich wurde ein retrograder Tracer in den Kortex injiziert. Der Tracer wurde in diesem Bereich in den Axonendigungen aufgenommen und retrograd zu den Zellkörpern von Neuronen transportiert, die auf das Ziel projizierten. Diese Zellkörper könnten im ganzen Gehirn sein. Jeder dieser Zellkörper im Cortex wurde als markiertes Neuron (LN) gezählt. Die Anzahl der markierten Neuronen wurde in allen kortikalen Bereichen mit Ausnahme des injizierten Zielbereichs gezählt. Die kortikalen Bereiche, die Axone zum Zielbereich senden, werden Quellbereiche genannt. Da zwischen den Infektionen unkontrollierbare Unterschiede im Tracervolumen und in der Aufnahme bestehen, schätzten wir die Stärke der Verbindungen wie folgt ein. Für eine bestimmte Infektion. die Gesamtzahl der Zellkörper im Kortex außerhalb des injizierten (Ziel-) Bereichs wurde gezählt. Die Anzahl der markierten Neuronen innerhalb eines kortikalen Quellbereichs wurde dann durch die Anzahl der markierten Neuronen im gesamten Kortex (mit Ausnahme des Zielbereichs) geteilt, um einen Bruchteil der markierten Neuronen (FLN) zu erhalten. Für diese Berechnung wurde der FI N über alle Infektionen in einem gegebenen Zielgebiet gemittelt. wir schließen alle Bereiche in der gesamten kortikalen Hemisphäre ein (Bereiche 91).

Das Subiculum (SUB) und der piriforme Kortex (PIR) haben eine qualitativ andere laminare Struktur als die neokortikalen Bereiche, und daher sind supra- und infralaminare Verbindungen (und damit der SLN) von diesen Bereichen undefiniert. Wir haben daher alle Verbindungen aus diesen Bereichen aus den folgenden Berechnungen entfernt (Bereiche, SLN=89). Diese Konnektivitätsdaten sind auf der Core-Nets-Website verfügbar.

Schätzung der kortikalen Hierarchie

Im Folgenden (Markov et al., 2014a) schätzen wir die hierarchische Position h jedes Gebiets unter Verwendung der SLN-Werte seiner Verbindungen. Feedforward-Verbindungen haben ihren Ursprung in der Regel in den supragranularen Schichten, während Feedback-Verbindungen in der Regel in den tiefen Schichten des Quellgebiets entstehen (Barone et al., 2000; Felleman und Van Essen, 1991). Wenn außerdem ein Zielgebiet eine viel höhere hierarchische Position einnimmt als das Quellgebiet, tritt ein größerer Anteil der Neuronen aus den supragranularen Schichten des Quellgebiets aus, als wenn die beiden Gebiete in der Hierarchie geschlossen sind (Barone et al., 2000). . Ebenso impliziert für die Rückkopplungsverbindungen ein größerer hierarchischer Abstand zwischen den Bereichen, dass der höhere Bereich einen größeren Anteil seines Schutzes von den infragranularen Lavern sendet. Dies impliziert, dass der Anteil der Neuronen, die in einer bestimmten Verbindung aus den supragranularen Schichten kommen, eine Schätzung der relativen hierarchischen Position zweier verbundener Bereiche liefert (Barone et al.2000:Markoy et a.2014a). Hier. Im Folgenden (Markey et al., 2014a) schätzen wir eine Reihe hierarchischer Ebenen (eine pro Bereich), die die SLN-Werte für alle Verbindungen im Datensatz am besten vorhersagen.

Das Modell zur Schätzung der Hierarchie hat die Form

g(E(SLNJ))= X (Gleichung 4)

wobei g eine Funktion ist, die die SLN der Verbindung zwischen Bereichen mit dem hierarchischen Abstand zwischen ihnen verknüpft. ist ein Spaltenvektor der Länge nareasSLN, der die zu schätzenden Hierarchiewerte enthält. X ist eine Inzidenzmatrix der Form nconns×nareasSLN, wobei icons({{0}}) die Anzahl der beobachteten (nicht null) Verbindungen zwischen kortikalen Bereichen im verbleibenden Datensatz sind. Jede Zeile in X stellt eine Verbindung dar, und jede Spalte stellt einen kortikalen Bereich dar. Alle Einträge in jeder Zeile sind gleich 0, mit Ausnahme der Spalte, die dem Quellbereich entspricht, der einen Wert von -1 hat, und dem Ziel-(Empfänger-)Bereich, der einen Wert von 1 hat (Strang, 1993).

Integration anatomischer Datensätze Alle anatomischen Daten wurden den entsprechenden Parzellen auf der Yerkes19-Oberfläche zugeordnet. Für die vorliegende Studie haben wir alle Daten dem 40-Gebiet-Unterdiagramm von Lyon zugeordnet (Markov et al., 2014b), da die Gebiete in dieser Parzellierung im Allgemeinen größer waren als die im Julich Macaque Brain Atlas (Impieri et al., 2019; Niu et al., 2020; Rapan et al., 2021; diese Veröffentlichung) und die Injektionsstellen in Queensland (Stachelzahl) (Elston, 2007) und näher an den Standardgebietsbeschreibungen als die Vanderbilt (neuronale Dichte) (Collins et al., 2010) Abschnitte. Die Rezeptordichten wurden in 109 durch Stadt- und Rezeptorarchitektur definierten kortikalen Regionen quantifiziert. Die Methode zur Abgrenzung der Grenzen der kortikalen Region ist beschrieben in (Impieri et al., 2019; Niu et al., 2020; Rapan et al., 2021). Mit der gleichen Methode identifizierten Anatomen (NPG, MN, LR) kortikale Bereiche auf der Grundlage des Rezeptors und der Zytoarchitektur. Siehe Abbildung 1 für die Definition der Bereiche. Anatomen zeichneten sorgfältig (NPG, MN, LR) und unabhängig überarbeitete (NPG, MN, LR, SFW) definierte Grenzen auf der kortikalen Yerkes19-Oberfläche (Donahue et al., 2016), um einen Vergleich mit anderen Datentypen zu ermöglichen. Die D1-Rezeptordaten wurden dem Lyon-Atlas wie folgt zugeordnet. Für jedes Gebiet im Lyon-Atlas suchten wir nach Überschneidungen mit Gebieten im Jülich-Makaken-Gehirnatlas. Wenn mehr als 50 Prozent der Eckpunkte innerhalb des Bereichs auch im Jülich-Makaken-Gehirnatlas lagen, wurde die D1-Rezeptordichte für den Bereich berechnet. Allen Scheitelpunkten innerhalb jedes Jülich-Bereichs wurde der Mittelwert für diesen Bereich zugewiesen. Wir haben die D1-Rezeptordichte über alle Scheitelpunkte hinweg gemittelt, die sowohl im Lyoner Gebiet als auch im Julich-Makaken-Gehirnatlas lagen, und so einen gewichteten Durchschnitt der D1-Rezeptordichten gemäß dem Grad der räumlichen Überlappung durchgeführt. Zweiunddreißig der 40 Lyoner Gebiete wurde auf diese Weise eine D1-Rezeptordichte zugewiesen, wobei die verbleibenden acht Gebiete sich nicht ausreichend mit dem Jülich-Makaken-Gehirnatlas überlappen. Aufgrund der starken positiven Korrelation zwischen der D1-Rezeptor-/Neuronendichte und der Hierarchie (Abbildung 1) haben wir für die Simulationen Werte für die verbleibenden acht Regionen unter Verwendung einer linearen Regression mit der Hierarchie als unabhängiger Variable und der D1-Rezeptor-/Neuronendichte abgeleitet als abhängige Variable.

Die In-vitro-Autoradiographiedaten quantifizieren genau die Dichte von Rezeptoren über den Kortex. Es ist jedoch wichtig zu bedenken, dass auch die Dichte der Neuronen über den Kortex hinweg variiert. Collinset al. (2010) maßen die Dichte von Neuronen im gesamten Makakenkortex mit der Methode des isotropen Fraktionators (auch bekannt als Gehirnsuppe). In der Originalarbeit wurde der Kortex in 42 Regionen unterteilt und auf einer flachen Karte dargestellt, wobei anatomische Landmarken beschriftet waren (Abbildungen 2 und S1 dieser Arbeit). Die Grenzen dieser Regionen wurden auf der Yerkes19-Oberfläche von SFW unter Bezugnahme auf die Originalarbeit (Collins et al., 2010), mehrere anatomische Arbeiten aus derselben Gruppe (Beck und Kaas, 1999; Cerkevich, et al., 2014; Kaas, 2004), der Julich-Makaken (109 Gebiete) und die Atlanten von Lyon (Markov- 132) (Donahue et al., 2016; Markov et al., 2014b) und wurden unabhängig von Anatomen (LR, MN , NPG). Die neuralen Dichtedaten deckten den gesamten Kortex ab. Daher haben wir jedem Gebiet im Lyon-Atlas eine neurale Dichte zugewiesen, gewichtet durch die räumliche Überlappung mit den ursprünglichen Regionen im Vanderbilt-Atlas. Die D1-Rezeptordichte wurde durch die Neuronendichte dividiert, um die D1-Rezeptor/Neuronendichte in jedem Bereich zu erhalten. Die Neuronendichte wurde in Einheiten von Neuronen pro Gramm angegeben. Um die Rezeptordichte in fmol pro Neuron abzuschätzen, verwendeten wir die zuvor berichtete Zahl, dass 8 Prozent des Gehirngewebes ein Protein sind (McIlwain und Bachelard, 1972).

Dies läuft auf eine Multiplikation mit einer Konstanten hinaus und beeinflusst die Korrelationen oder die Wirkung des Dopamingradienten im Modell nicht. Der Lyon-Atlas, der zur Definition der interarealen Konnektivitätsdaten verwendet wurde (Markov et al., 2014b), ist bereits auf der Yerkes19-Oberfläche verfügbar (Donahue et al., 2016). Das vollständige Teildiagramm der injizierten Bereiche, einschließlich bidirektionaler Konnektivität, wurde von 29 Bereichen in Donahue et al. erweitert. (2016) zu den 40 in diesem Papier verwendeten Bereichen. Für die Spine-Count-Daten wurden Umrisse der 27 Injektionsstellen auf der Yerkes19-Oberfläche von SFW unter Bezugnahme auf die Originalarbeiten (von denen die meisten eine umfassende anatomische Beschreibung und handgezeichnete Karten enthielten) sowie auf darin zitierte anatomische Arbeiten gezeichnet Originalarbeiten (Cavada und Goldman-Rakic, 1989; Preuss und Goldman-Rakic, 1991; Seltzer und Pandya, 1978) und die Gehirnatlanten von Lyon und Julich Macaque. Für die Gebiete V1, V2, MT, LIPv, 7a, V4, TEO, STP, IT, Ant war ein direkter Vergleich mit den handgezeichneten Karten möglich. Verwenden., Post. King, TEpd, 12vl, A1, 3b, 4, 5, 6, 7b, 9, 13, 46, 7 m (Elston, 2007). Die Bereiche 10, 11 und 12 wurden unter Bezugnahme auf Preuss und Goldman-Rakic ​​(1991) beschrieben. Die Injektion im Gebiet TEa verwendete die Karten in Seltzer und Pandya (1978) zur Gebietsdefinition. Wir haben diese Karten verwendet, um den Injektionsort zu approximieren. Der Bereich STP wurde im Atlas von Felleman und Van Essen (1991) mit der entsprechenden Region STPp identifiziert. Der Bereich FEF wurde als auf der vorderen Bank des medialen Aspekts des Sulcus arcuatus liegend identifiziert, wie von Elston (2007) beschrieben. Alle identifizierten Injektionsstellen auf der kortikalen Oberfläche wurden unabhängig von MN, LR und NPG verifiziert. Die Spine-Count-Daten wurden nach Injektionsstellen und nicht nach ganzen kortikalen Bereichen ausgedrückt. Als solches fanden wir die Anzahl der Eckpunkte von jeder Injektionsstelle, die sich mit jedem Bereich im Lyon-Atlas überlappten.

Für jeden Lyoner Bereich war die Spine-Zählung ein Durchschnitt der Spine-Zählungen für alle Injektionsstellen, die sich mit der Fläche überlappen, gewichtet mit der Anzahl der Scheitelpunkte jeder Injektionsstelle, die in der Fläche enthalten ist. Auf diese Weise haben wir die Anzahl der Wirbelsäulen auf Pyramidenzellen in 24 der 40 Regionen im Lyon-Atlas geschätzt. Basierend auf der starken positiven Korrelation zwischen der Anzahl der Wirbelsäulen und der kortikalen Hierarchie (r=0.61, p=0.001) und nach früheren Arbeiten (Chaudhuri et al., 2015; Mejias und Wang 2021), Wir haben die Spine-Anzahl für die verbleibenden Regionen basierend auf der Hierarchie unter Verwendung einer linearen Regression abgeleitet. Neuroanatomen (NPG, LR, MN) klassifizierten jeden der 109 kortikalen Bereiche, für die D1-Rezeptordaten verfügbar sind, entweder als körnig oder akörnig und gemäß dem Verhältnis der Zellkörpergröße zwischen den Schichten III und V. Abgrenzung der Bereichsgrenzen für jeden Atlas, und die anatomischen Daten im Raum Yerkes19 sind in der BALSA-Datenbank verfügbar. Überblick über dynamische Modelle Wir beschreiben zuerst die Konnektivitätsstruktur unseres lokalen Schaltungsmodells und wie Dopamin die Wirksamkeit dieser Verbindungen moduliert. Anschließend beschreiben wir ein groß angelegtes dynamisches Modell, in dem der lokale Schaltkreis als Baustein verwendet und in jedem der 40 kortikalen Bereiche platziert wird. Wir beschreiben die verschiedenen Schritte zum Aufbau des groß angelegten Modells, einschließlich der Verbindung der kortikalen Bereiche, der Anwendung der Heterogenität der Erregung und des Dopamingradienten. Schließlich beschreiben wir, wie wir Arbeitsgedächtnisaufgaben, Läsionen und vorübergehende Hemmung in diesem Modell simuliert haben. Beschreibung des lokalen kortikalen Schaltkreises Wir beschreiben einen lokalen kortikalen Schaltkreis, der Populationen von vier unterschiedlichen Arten von Neuronen enthält. Dies ist konzeptionell verwandt mit früheren Rechenmodellen des Arbeitsgedächtnisses, die mehrere Arten von Interneuronen beinhalten (Tanaka, 1999; Wang et al., 2004a), und verwendet eine Mean-Field-Reduktion eines Spiking-Modells (Brunel und Wang, 2001; Wong und Wang , 2006). PV-, CB/SST- und CR/VIP-Zellen unterschieden sich in Schwelle und Steigung ihrer Input-Output-Funktion (fI-Kurve) (Bacci et al., 2003), lokal (Adesnik et al., 2012; Jiang et al., 2015; Mun˜ oz et al., 2017; Pfeffer et al., 2013; Tremblay et al., 2016) und Fernkonnektivität (Lee et al., 2013; Wall et al., 2016), Anpassungsraten (Kawaguchi , 1993; Mendonc¸an et al., 2016; Schuman et al., 2019) und NMDA/AMPA-Verhältnis (Lu et al., 2007). Die Konnektivitätsstruktur und Stärken des lokalen Schaltkreises basieren auf einer Synthese anatomischer und physiologischer Studien und werden in der lokalen Konnektivitätsmatrix G erfasst (Tabellen S1–S3; Jiang et al., 2015; Kalisman et al., 2005; Lee et al., 2013; Ma et al., 2012; Markram et al., 1997; Pfeffer et al., 2013; Silberberg und Markram, 2007; Walker et al., 2016). Beachten Sie, dass Verbindungswahrscheinlichkeit und synaptische Stärke zwischen neuronalen Typen im Allgemeinen positiv korreliert sind (Jiang et al., 2015). Dies vereinfacht den Prozess des Identifizierens der relativen Stärken von Verbindungen zwischen neuralen Populationen in der Schaltung. Wir gruppierten die Pyramidenneuronen in zwei getrennte Populationen. Jede dieser Populationen ist selektiv für ein bestimmtes visuelles Merkmal (z. B. einen Bereich des visuellen Raums). Pyramidenzellen regen alle Zelltypen im Stromkreis unterschiedlich stark an. Wir modellieren zwei Kompartimente in den Pyramidenzellen. Ein Kompartiment repräsentiert das Soma und die proximalen Dendriten, das andere die distalen Dendriten. Der Dendrit wird als vereinfachte nichtlineare Funktion modelliert, adaptiert von Yang et al. (2016). Pyramidenzellen zielen auf das Soma und die proximalen Dendriten anderer Pyramidenzellen im selben kortikalen Bereich ab (Kalisman et al., 2005; Markram et al., 1997; Petreanu et al., 2009). Jede Art von inhibitorischem Neuron hat ein einzigartiges Konnektivitätsmuster.

Der erste inhibitorische Zelltyp zielt auf den perisomatischen Bereich der Pyramidenzellen ab. Diese Zellen exprimieren Parvalbumin (PV) und sind Fast-Spikes (Jiang et al., 2015; Kawaguchi, 1993, 1995). Sie sind Korbzellen mit Axonen, die sich über weite Strecken verzweigen, wodurch sie Pyramidenzellen in benachbarten Populationen hemmen können (Helmstaedter et al., 2009; Kawaguchi, 1995). Sie hemmen auch andere PV-Neuronen (Jiang et al., 2015; Pfeffer et al., 2013). Im Vergleich zu anderen inhibitorischen Neuronen erhalten PV-Neuronen einen geringeren Anteil an exzitatorischen Inputs über NMDA-Rezeptoren (Lu et al., 2007; Wang und Gao, 2009). Der zweite Typ von inhibitorischen Neuronen zielt auf die distalen Dendriten von erregenden Zellen ab. In nichtmenschlichen Primaten exprimieren Dendriten-Targeting-Zellen Calbindin (DeFelipe et al., 1989). Der am besten charakterisierte auf Dendriten gerichtete Zelltyp bei Nagetieren ist die Martinotti-Zelle, die Somatostatin (CB/SST) exprimiert (Wang et al., 2004b). Diese Zellen zielen auf alle anderen Zelltypen ab, während sie andere Martinotti-Zellen meiden (Jiang et al., 2015). Sie erhalten auch eine starke seitliche Projektion von Pyramidenzellen in benachbarten Säulen (Adesnik et al., 2012) und erhalten den größten Teil ihrer Erregung über NMDA-Rezeptoren (Lu et al., 2007). Die dritte Art von Interneuron exprimiert Calretinin und vasoaktives intestinales Peptid (CR/VIP) (Tremblay et al., 2016) und zielt auf CB/SST-hemmende Neuronen ab (Lee et al., 2013). Obwohl die Genexpression von PV, SST und VIP verwendet wurde, um erfolgreich nicht überlappende Klassen von Interneuronen bei Primaten zu unterscheiden (Hodge et al., 2019; Krienen et al., 2020), markieren SST-Antikörper bei Primaten oft relativ wenige Zellen ( Hendry et al., 1984; Mueller et al., 2018, 2020). SST wird oft, aber nicht immer, mit CB koexprimiert (Gonza´ lez-Albo et al., 2001; Lake et al., 2016). CB- und SST-exprimierende Zellen zeigen ein ähnliches Expressionsmuster über kortikale Schichten und Bereiche im Makaken hinweg (Dienel et al., 2020). CR wird in den meisten VIP-Neuronen im Primatenkortex exprimiert (Gabbott und Bacon, 1997; Lake et al., 2016), und sowohl VIP als auch CR zeigen einen ähnlichen Ausdruck über Schichten und kortikale Bereiche im Makaken (Dienel et al., 2020 ). Die Untersuchung von Ähnlichkeiten und Unterschieden zwischen Spezies zwischen den Interneurontypen ist jedoch noch nicht abgeschlossen (Hodge et al., 2019; Kooijmans et al., 2020; Krienen et al., 2020). In unserem Modell sollten die drei Interneurontypen eher nach ihren synaptischen Zielen als nach anderen zellulären Markern interpretiert werden. Siehe Tabelle S6 für alle Parameterwerte. Dopamin-Modulation Die Dichte von Dopamin-D1-Rezeptoren pro Neuron wurde neu skaliert, so dass der Bereich mit minimaler Dichte roh min auf null und der Bereich mit maximaler Dichte roh max auf eins gesetzt wurde, wobei alle anderen Bereiche dazwischen lagen.

Interareale Populationsinteraktionen Die Mehrheit der interarealen Verbindungen enthält eine Mischung aus Axonen, die aus tiefen und oberflächlichen Schichten herausragen. Fernverbindungen zu erregenden Zellen zielen hauptsächlich auf die distalen Dendriten ab (Petreanu et al., 2009; Tabelle S4). Daher gehen wir im Modell davon aus, dass Fernverbindungen auf die Dendriten von Erregungszellen abzielen. CR/VIP-Zellen erhalten die stärksten Ferneingänge aller inhibitorischen Zellen, während CB/SST die schwächsten erhalten (Lee et al., 2013; Wall et al., 2016; Tabellen S5 und S6). Dies deutet darauf hin, dass weitreichende Verbindungen den Dendriten im Zielbereich durch Anregen von CR/VIP-Interneuronen effektiv entsperren, während sie gleichzeitig den Dendriten anregen, um die Wahrscheinlichkeit zu maximieren, dass Informationen vom Quellbereich in den Zielbereich gelangen. In Anlehnung an Mejias und Wang (2021) gehen wir davon aus, dass Feedback-Verbindungen stärker auf hemmende Zellen abzielen als Feedforward-Verbindungen. Erregungszellen in verschiedenen kortikalen Bereichen mit denselben rezeptiven Feldern sind eher funktionell verbunden (Zandvakili und Kohn 2015). Dies spiegelt sich in unserem Modell wie folgt wider. Im Quellbereich gibt es zwei exzitatorische Populationen, 1 und 2, die jeweils auf ein bestimmtes Merkmal eines visuellen Stimulus (z. B. einen Ort im Gesichtsfeld) empfindlich reagieren. Ebenso gibt es im Zielbereich zwei Populationen 1 und 2, die für die gleichen visuellen Merkmale empfindlich sind. Wir gehen davon aus, dass 90 Prozent des Outputs von Population 1 im Quellgebiet an Population 1 im Zielgebiet gehen und die restlichen 10 Prozent an Population 2. Das Gegenteil gilt für Population 2 im Quellgebiet (sie zielt auf 10 Prozent Population ab 1, 90 Prozent Bevölkerung 2; Tabellen S4 und S6).

Der disinhibitorische Schaltkreis in den frontalen Augenfeldern. Die frontalen Augenfelder (Bereiche 8 m und 8 l im Modell) haben einen sehr hohen Prozentsatz an Calretinin-Neuronen und relativ weniger Parvalbumin- und Calbindin-Neuronen (Pouget et al., 2009). Um dies im Modell zu berücksichtigen, haben wir die Langstrecken-Eingänge in CR/VIP-Zellen in den Bereichen 8m und 8l relativ erhöht, wie in Tabelle S6 aufgeführt. Diese Änderungen sind entscheidend für anhaltende Aktivität in den Bereichen 8l und 8m, beeinflussen aber ansonsten das Verhalten des Modells nicht sehr. Ohne diese Änderung ist die Überlappung zwischen dem simulierten Verzögerungsaktivitätsmuster und dem experimentellen Verzögerungsaktivitätsmuster (wie in Abbildung 3A) immer noch extrem hoch (17/19 Bereiche korrekt, Chi-Quadrat=12.31 p {{15} }.0004), und das Aktivitätsmuster hängt sowohl von der langreichweitigen Konnektivität (p=0.001) als auch von der D1-Rezeptorverteilung (p=0.008), aber nicht von der Spine-Anzahl (p=0.19), und Läsionen in den Bereichen 8l und 8m haben eine geringere Auswirkung auf die verteilte anhaltende Aktivität. Alle anderen Ergebnisse sind unverändert. Wir haben auch die relative Stärke lokaler CR/VIP-Verbindungen erhöht und die relative Stärke lokaler PV-Verbindungen in FEF verringert, aber festgestellt, dass dies keine Auswirkungen auf das Modellverhalten hatte, sodass die Simulationen in der Abhandlung ohne die lokalen Änderungen in FEF präsentiert werden.

QUANTIFIZIERUNG UND STATISTISCHE ANALYSE

Korrelation zwischen D1-Rezeptordichte und anderen anatomischen Merkmalen Viele Aspekte der Gehirnanatomie sind räumlich autokorreliert, wobei benachbarte Gehirnbereiche eine ähnliche Anatomie aufweisen. Diese räumliche Autokorrelation wird in herkömmlichen statistischen Tests nicht berücksichtigt, die häufig von der Unabhängigkeit von Datenpunkten ausgehen. Wenn die räumliche Autokorrelation nicht berücksichtigt wird, kann dies zu falschen Korrelationen zwischen Gehirnkarten führen. Um dieses Problem zu lösen, haben wir zufällige Surrogat-Gehirnkarten mit einer räumlichen Autokorrelation generiert, die eng mit der Hierarchiekarte übereinstimmt (Burt et al., 2020). Dies erfolgt, indem zuerst die Werte in der Hierarchiekarte zufällig permutiert werden und dann die permutierte Karte geglättet und neu skaliert wird, um die verlorene räumliche Autokorrelation wiederherzustellen. Die Glättung erfolgt durch eine lokale Kernel-gewichtete Summe von Werten der k nächsten Nachbarregionen, wobei k so gewählt wird, dass es am besten zur Autokorrelation der ursprünglichen Hierarchiekarte passt (Burt et al., 2020). Jede der zufällig generierten Ersatzkarten wird dann mit der D1-Rezeptorkarte korreliert. Der räumlich korrigierte p-Wert ist dann der Anteil der Ersatzkarten, die eine stärkere Pearson-Korrelation (negativ oder positiv) mit der D1-Rezeptorkarte zeigen als die Hierarchiekarte.

Um die D1R-Dichte zwischen körnigen und akörnigen kortikalen Bereichen zu vergleichen, verwendeten wir einen nicht-parametrischen Wilcoxon-Rangsummentest. Um die D1R-Dichte zwischen Bereichen mit Internopyramidisation, Externopyramidisation und gleicher Schicht-III- und Schicht-V-Pyramidengröße zu vergleichen, verwendeten wir einen nicht-parametrischen Kruskall-Wallis-Test. Vergleich der simulierten und experimentellen Muster der Verzögerungsaktivität In den Abbildungen 3A und 3B vergleichen wir das Aktivitätsmuster des Modells mit dem experimentellen Muster und untersuchen seine Abhängigkeit von anatomischen Merkmalen. Die experimentellen elektrophysiologischen Daten stammen aus einer Mega-Analyse von Leavitt et al. (2017) von über 90 elektrophysiologischen Studien zur Verzögerungszeitaktivität während Arbeitsgedächtnisaufgaben. Wir haben zuerst den Kortex sowohl für die experimentellen Daten als auch für die Simulation in Bereiche mit anhaltender Aktivität und nicht anhaltender Aktivität unterteilt (Tabelle S7). Bereiche wurden in die Gruppe mit anhaltender Aktivität eingeordnet, wenn mindestens 3 weitere Studien eine anhaltende Verzögerungszeitaktivität beobachteten als ein Fehlen einer solchen Aktivität. Wir haben Bereiche ausgeschlossen, die in weniger als drei Studien bewertet wurden. Von den Bereichen, die in mindestens drei Studien untersucht wurden, klassifizieren wir einen Bereich als Bereich mit anhaltender Aktivität, wenn mehr als 50 Prozent der Studien anhaltende Aktivität festgestellt haben. Die Schlussfolgerungen sind jedoch nicht von dieser Schwelle oder der Mindestanzahl von Studien abhängig (Tabelle S8). Bereiche in der Simulation wurden als Bereiche mit anhaltender Aktivität klassifiziert, wenn sie in den letzten 500 ms des Versuchs mittlere Feuerraten von mindestens 5 Hz über den Grundlinien-Feuerraten vor dem Stimulus aufwiesen. Um anatomische Verbindungen zu mischen, mischten wir Verbindungen innerhalb von Zeilen der FLN-Matrix, sodass die Verteilung von Verbindungen und Verbindungsstärken zu jedem Bereich konstant blieben, wobei sich die Identität der Verbindungen änderte. Dieselbe Umordnung wurde auf die SLN-Matrix angewendet. D1-Rezeptordichten und Spine-Counts wurden separat gemischt. Die Ergebnisse wurden mithilfe einer benutzerdefinierten Version eines Raincloud Plot (Allen et al., 2019) visualisiert, um eine gleichzeitige Visualisierung der Verteilung und einzelner Simulationsergebnisse zu ermöglichen. Der p-Wert wird als der Anteil von Simulationen berechnet, die auf gemischten anatomischen Daten basieren und ein Verzögerungsaktivitätsmuster erzeugen, das sich sowohl mit den experimentellen Daten als auch (oder besser als) der ursprünglichen Simulation überschneidet.

Läsion von kortikalen Bereichen In den Abbildungen 3C–3H simulieren wir die Auswirkungen einer Läsion auf einzelne kortikale Bereiche. Wir tun dies, indem wir alle Eingangs- und Ausgangsverbindungen des geschädigten Bereichs in den Konnektivitätsmatrizen WE entfernen; E und WI; E. Für die statistische Analyse der Beziehung zwischen anatomischen Merkmalen und Läsionseffekten haben wir die Bereiche V1 und V2 aus der Analyse entfernt. Dies lag daran, dass diese Bereiche entscheidend für die Ausbreitung des visuellen Reizes waren, aber nicht das Arbeitsgedächtnis per se (Abbildung 3; Abbildung S5). Wir haben einen schrittweise linearen Regressionsansatz durchgeführt.