Spindel-langsame Oszillationskopplung korreliert mit Gedächtnisleistung und Konnektivitätsänderungen in einem Hippocampus-Netzwerk nach dem Schlafen

Abstrakt

Nach der Kodierung von Erfahrungen wurden postkodierte Reaktivierungen während des Schlafs vorgeschlagen, um die Konsolidierung des Langzeitgedächtnisses zu vermitteln. Die Spindel-langsame Oszillationskopplung während des NREM-Schlafs ist ein möglicher Mechanismus, durch den ein Hippocampus-Cortical-Dialog ein neu gebildetes Gedächtnis-Engramm stärken kann. Hier untersuchten wir die Rolle der schnellen Spindel- und langsamen Spindel-langsamen Oszillationskopplung bei der Konsolidierung des räumlichen Gedächtnisses beim Menschen mit einer virtuellen Wasserlabyrinth-Aufgabe, die allozentrische und egozentrische Lernstrategien beinhaltete. Darüber hinaus haben wir mithilfe eines datengesteuerten Ansatzes analysiert, wie sich die funktionale Konnektivität im Ruhezustand beim Lernen, Konsolidieren und Abrufen dieser Aufgabe entwickelt hat. Unsere Ergebnisse zeigen aufgabenbezogene Konnektivitätsänderungen im exekutiven Kontrollnetzwerk, im Standardmodusnetzwerk und im Hippocampusnetzwerk in der Ruhephase nach der Aufgabe. Das Hippocampus-Netzwerk konnte weiter in zwei Teilnetzwerke unterteilt werden, von denen nur eines eine Modulation durch Schlaf zeigte. Eine verringerte funktionale Konnektivität in diesem Subnetzwerk war mit einer höheren Kopplungsleistung zwischen Spindel und langsamer Oszillation verbunden, was auch mit einer besseren Speicherleistung beim Test zusammenhing. Insgesamt trägt diese Studie zu einem ganzheitlicheren Verständnis der funktionellen Ruhezustandsnetzwerke und der Mechanismen während des Schlafs bei, die mit der räumlichen Gedächtniskonsolidierung verbunden sind.

Cistanche-Erlebnis – Gedächtnis verbessern

SCHLÜSSELWÖRTER

Gedächtniskonsolidierung, Ruhezustandsnetzwerke, Schlaf, langsame Oszillationen, Spindeln

1|EINFÜHRUNG

Die Systemkonsolidierungstheorie ist einer der am häufigsten untersuchten Rahmen für die Bildung des Langzeitgedächtnisses. Die Theorie geht davon aus, dass labile Engramme im Gehirn, die beim Lernen kodiert werden, durch wiederholte Reaktivierung gestärkt werden. Im Laufe der Zeit könnte dieser Prozess zu einer stabileren Langzeitdarstellung führen – einer konsolidierten Gedächtnisspur (Squire et al., 2015). Es wird angenommen, dass Reaktivierungen des Engramms vorwiegend im Schlaf auftreten, aber auch in ruhiger Ruhe beobachtet werden können. Ein potenzieller Schlüsselmechanismus, der der Systemkonsolidierung zugrunde liegt, stellt die hierarchische Koordination von drei Ereignistypen während des Nicht-Rapid-Eye-Movement-Schlafs (NREM) dar: (1) langsame kortikale Oszillationen mit hoher Amplitude, (2) vom Thalamus angetriebene Spindeln und (3) scharfe Wellenwellen im Hippocampus. Es wird angenommen, dass die Orchestrierung dieser Schwingungen, die durch das An- und Abschwellen langsamer Schwingungen im präfrontalen Kortex (Helfrich et al., 2019) angetrieben werden, ideale Zeitfenster für die Informationsübertragung des Hippocampus zum Kortex (Sirota et al., 2003) und zum Gehirn schafft -weite synaptische Konsolidierungsprozesse, die der Systemkonsolidierung zugrunde liegen (Genzel, 2020; Genzel, Kroes, et al., 2014; Navarro-Lobato & Genzel, 2020). Beim Menschen wurden durchweg zwei Arten von Spindeln identifiziert: langsame Spindeln (~9–12,5 Hz) und schnelle Spindeln (~12,5–16 Hz), die jeweils im frontalen und zentralparietalen Bereich am stärksten ausgeprägt sind (Adamczyk et al. , 2015; Anderer et al., 2001). Beide Spindeltypen sind an langsame Oszillationen gekoppelt. Während schnelle Spindeln häufig im erregbaren Aufwärtszustand der langsamen Oszillation verschachtelt sind, treten langsame Spindeln typischerweise während der Übergangsperiode in den hemmenden Abwärtszustand der langsamen Oszillation auf (Molle et al., 2011). Schnelle Spindeln werden als Förderer der Informationsübertragung zwischen Hippocampus und Neokortex angesehen, da sie mit scharfen Wellenwellen im Hippocampus zusammenfallen (Staresina et al., 2015). Langsame Spindeln, denen meist Wellen vorausgehen, können mit einer kortikalen Vernetzung übertragener Informationen und der Modulation präfrontaler Schaltkreise zur Bildung einer neokortikalen Gedächtnisdarstellung zusammenhängen (Molle et al., 2011). Allerdings gibt es nur in Humanstudien eine konsistente Aufteilung zwischen langsamen und schnellen Spindeln. Da diese Unterteilung in Tierversuchen selten erfolgt, fehlen konkrete Belege für eine unterschiedliche Funktion jedes Spindeltyps. Der Einfluss dieser beiden Spindeltypen auf das Verhalten ist noch weniger eindeutig. Aktuelle EEG-Ergebnisse haben gezeigt, dass eine größere Menge und eine erhöhte Konsistenz bei der Kopplung von schnellen Spindeln und langsamen Oszillationen mit einer erhöhten deklarativen Gedächtnisleistung verbunden sind (Hahn et al., 2020; Muehlroth et al., 2019; Niknazar et al., 2015) . Die experimentelle Verstärkung der Koordination zwischen scharfen Wellen im Hippocampus, langsamen Oszillationen und Frontalspindeln bei Nagetieren – möglicherweise das Analogon der langsamen Spindeln beim Menschen – führte ebenfalls zu einer erhöhten Gedächtnisleistung (Maigret et al., 2016). Im Gegensatz dazu deuten vorläufige Ergebnisse zur Kopplung zwischen langsamer Spindel und langsamer Oszillation beim Menschen darauf hin, dass die Leistung des deklarativen Gedächtnisses abnimmt und die Kopplung zwischen langsamer Spindel und langsamer Oszillation zunimmt oder dass überhaupt keine Wirkung besteht (Barakat et al., 2011; Muehlroth et al., 2019). Daher ist es von entscheidender Bedeutung, die Verhaltensrelevanz beider Spindeltypen bei der Gedächtniskonsolidierung zu entwirren. Angesichts der Bedeutung des Schlafs und des Hippocampus bei der Offline-Konsolidierung wurde die Hypothese aufgestellt, dass Schlaf eine besondere Rolle bei der Konsolidierung von Hippocampus-abhängigen im Gegensatz zu „nicht Hippocampus-abhängigen“ Erinnerungen spielt. Diese beiden Arten von Erinnerungen können mithilfe räumlicher Navigationsparadigmen untersucht werden. Die Navigation in einer Umgebung beinhaltet den Einsatz verschiedener Navigationsstrategien, nämlich allozentrischer und egozentrischer Strategien (für eine Übersicht Ekstrom et al., 2017). In einem allozentrischen Referenzrahmen kann der Navigator seine Position anhand der relativen Positionen stabiler Orientierungspunkte ableiten. Es wird vermutet, dass allozentrisches räumliches Lernen stark auf dem Hippocampus basiert, da es eine räumliche kognitive Karte der Orientierungspunkte erfordert (O'Keefe & Nadel, 1978). Im Gegensatz dazu ändert sich der egozentrische Bezugsrahmen kontinuierlich mit der Bewegung des Navigators. Beim egozentrischen räumlichen Lernen muss der Navigator die zurückgelegte Distanz und die Richtung im Auge behalten, für die das dorsale Striatum als kritische Struktur identifiziert wurde (McDonald & White, 1994). Es kann daher vorgeschlagen werden, dass sich die Konsolidierungsmechanismen im räumlichen Kontext zwischen allozentrischen und egozentrischen Trainingsbedingungen unterscheiden und die Gedächtnisleistung entsprechend beeinflussen. Jüngste Erkenntnisse deuten jedoch auf eine Beteiligung des Hippocampus an der Konsolidierung während des Schlafs hin, selbst bei zuvor als nicht hippocampusabhängig angesehenen Erinnerungen (Sawangjit et al., 2018; Schapiro et al., 2019), und auf ähnliche funktionelle Netzwerkveränderungen nach dem Schlaf im allozentrischen und egozentrischen Bereich Tricktraining (Samanta et al., 2021). Daher bleibt die Frage offen, wie räumliche Informationen der beiden Referenzrahmen im Schlaf konsolidiert werden und wie diese Mechanismen die Gedächtnisleistung beeinflussen. Obwohl sich viele Arbeiten auf die Rolle des Schlafs bei der Konsolidierung des Systemgedächtnisses konzentrieren, haben Studien sowohl an Nagetieren (Davidson et al., 2009; Diba & Buzsáki, 2007) als auch an Menschen (Schuck & Niv, 2019; Tambini & Davachi, 2013) gezeigt systemweite Konsolidierungsprozesse während der Wachruhephasen unmittelbar nach dem Lernen. Ähnlich wie bei der schlafabhängigen Konsolidierung werden Ereignisrepräsentationen im Hippocampus-Thalamokortikal-Netzwerk während der Ruhephase nach der Kodierung spontan reaktiviert (für eine detaillierte Übersicht siehe Tambini & Davachi, 2019). Es wird angenommen, dass wichtige Knoten dieser Reaktivierungen das Hippocampus-Netzwerk umfassen, das sich auf den medialen temporalen Kortex und den retrosplenialen Kortex konzentriert (van Buuren et al., 2019), sowie Interaktionen zwischen Knotenpunkten des Standardmodus-Netzwerks (Lin et al., 2017). und aufgabenrelevante Netzwerke (z. B. das Executive Control Network; Sneve et al., 2017). Es wurde gezeigt, dass ein höheres Maß an funktioneller Konnektivität im Ruhezustand zwischen Bereichen, die für die Reize spezifisch sind, und dem Hippocampus die zukünftige Fähigkeit, eine Erinnerung abzurufen, vorhersagt (Tambini et al., 2010). Darüber hinaus sagten die funktionelle Konnektivität unmittelbar nach dem Lernen sowie das Ausmaß der Reaktivierung des Hippocampus die spätere Gedächtniserhaltung über Nacht voraus, was auf einen komplementären Zusammenhang zwischen der Reaktivierung im Wachzustand und der späteren Konsolidierung im Schlaf hindeutet (Schapiro et al., 2018). Während die meisten früheren Studien einen Typ von Post-Encoding-Zeitraum (z. B. Ruhe oder Schlaf) separat untersuchen, sind Studien, die Konsolidierungsprozesse über beide Zeiträume hinweg untersuchen, notwendig, um ein ganzheitliches Verständnis der Parallelen zwischen Konsolidierungsmechanismen während dieser unterschiedlichen Gehirnzustände zu erlangen. Die vorliegende Studie zielt daher darauf ab, studieninterne Messungen zu verschiedenen Gehirnzuständen nach der Kodierung bereitzustellen und deren Zusammenhang mit der Gedächtnisleistung in einer räumlichen Navigationsaufgabe aufzuzeigen. Unsere Studie knüpft an unsere Untersuchungen zur Wirkung von Schlaf auf allozentrische und egozentrische Gedächtnisrepräsentationen bei Menschen und Ratten an (Samanta et al., 2021). Die Teilnehmer führten ein menschliches Analogon des Wasserlabyrinths durch (Morris, 1981), ein validiertes Paradigma zur Untersuchung verschiedener Aspekte der räumlichen Navigation (Müller et al., 2018; Schoenfeld et al., 2017). Während Samanta et al. (2021) konzentrierten sich auf Aufgaben-fMRT-Daten während des Lernens und Abrufens, hier konzentrierten wir uns auf fMRT- und Schlaf-EEG-Daten im Ruhezustand. Daher wurde die funktionale Konnektivität im Ruhezustand in relevanten Netzwerken vor und nach dem Lernen und Abrufen der Gedächtnisaufgabe bewertet, bei der sich die Teilnehmer entweder mit allozentrischer oder egozentrischer räumlicher Navigation beschäftigten. Zwischen den beiden Aufgabensitzungen wurde das EEG verwendet, um NREM-Schlafkonsolidierungsprozesse (dh Spindel- und langsame Oszillationseigenschaften und deren Kopplung) zu messen. Wir haben einen datengesteuerten Ansatz gewählt (Ribeiro de Paula et al., 2017), um die Entwicklung der funktionellen Konnektivität im Ruhezustand bei räumlichem Lernen, Konsolidierung und Gedächtnisabruf zu untersuchen. Ruhezustandsnetzwerke wurden basierend auf den Ergebnissen von Samanta et al. ausgewählt. (2021), einschließlich des Standardmodus-Netzwerks, des Hippocampus-Netzwerks und des rechten Exekutivkontrollnetzwerks. Um eine Triadenbeziehung zwischen Schlaf, Ruhezustand und Verhalten herzustellen, korrelierten wir Spindel- und langsame Oszillationsparameter, Änderungen in der funktionellen Konnektivität im Ruhezustand und Leistungsmaße der räumlichen Gedächtnisaufgabe. Samanta et al. (2021) fanden ähnliche schlafbezogene hirnweite Veränderungen beim Gedächtnisabruf für allozentrisches und egozentrisches Training. Insbesondere nahmen die Aktivierungen im exekutiven Kontrollnetzwerk vom Lernen bis zum Abruf zu und im Standardmodus-Netzwerk ab, wenn die Probanden nach dem Lernen schliefen. Daher haben wir erwartet, ähnliche Veränderungen in diesen beiden Netzwerken im Ruhezustand zu beobachten. Gehirnweite Konsolidierungsprozesse sollten auch für das Hippocampus-Netzwerk beobachtbar sein, das die Konsolidierung im Schlaf und in Ruhe koordiniert. Wir stellten die Hypothese auf, dass die Kopplung zwischen Spindel und langsamer Oszillation positiv mit Veränderungen im Hippocampus-Netzwerk und der Gedächtnisleistung verbunden ist. Diese Ergebnisse sollten sich nicht zwischen den Gedächtnisbedingungen unterscheiden, da Samanta et al. (2021) konnten keinen Unterschied zwischen allozentrischem und egozentrischem Training beobachten. Tatsächlich zeigen unsere Ergebnisse, dass sich die exekutive Kontrolle und die Netzwerke im Standardmodus in der hypothetischen entgegengesetzten Richtung der Leistung vor und nach der Aufgabe ändern. Darüber hinaus haben wir zwei Subnetzwerke innerhalb des Hippocampus-Netzwerks identifiziert. Das primäre Subnetzwerk war unabhängig von den Schlafbedingungen und steigerte die funktionelle Konnektivität vor und nach der Aufgabe und nach der Pause. Die Konnektivität im zweiten Teilnetz nahm in der Pause nur bei Teilnehmern ab, die ein Nickerchen machten. Schließlich war die Kopplungsleistung zwischen Spindel und langsamer Oszillation positiv mit der Gedächtnisleistung und einer verringerten Konnektivität im zweiten, schlafabhängigen Hippocampus-Subnetzwerk verbunden. Alle Effekte waren beim allozentrischen und egozentrischen Training gleich. Unsere Ergebnisse legen nahe, dass Ruhezustandsaktivierungen in aufgabenbezogene und konsolidierungsbezogene Veränderungen unterteilt werden können, die entweder schlafunabhängig oder schlafabhängig sind. Nur schlafabhängige Veränderungen sind mit der Kopplung zwischen Spindel und langsamer Oszillation verbunden, die gleichermaßen zur Gedächtnisleistung beim allozentrischen und egozentrischen Lernen beiträgt.

Cistanche-Vorteile für Männer – Anti-Alzheimer-Krankheit

Klicken Sie hier, um die Produkte von Cistanche zur Verbesserung des Gedächtnisses und zur Vorbeugung der Alzheimer-Krankheit anzuzeigen

【Fragen Sie nach mehr】 E-Mail:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

2|METHODEN UND MATERIALIEN

2.1|Teilnehmer

Für die Studie wurden 77 neurologisch gesunde, rechtshändige männliche Teilnehmer (Altersspanne: 18–30 Jahre, Mittelwert=24) rekrutiert. Es wurden nur männliche Teilnehmer ausgewählt, da die Stichprobe eine Teilpopulation einer größeren translationalen Forschungsgruppe umfasst, bei der ausschließlich männliche Nagetiere verwendet wurden (Samanta et al., 2021). Die Studie wurde von der örtlichen Ethikkommission (CMO Arnhem-Nijmegen, Radboud University Medical Center) im Rahmen der allgemeinen Ethikgenehmigung („Imaging Human Cognition“, CMO 2014/288) genehmigt und das Experiment wurde in Übereinstimmung mit diesen Richtlinien durchgeführt. Die Rekrutierung erfolgte über das Radboud Research Participation System. Die Teilnehmer wurden aufgrund (1) der Einnahme von Schlafmitteln, (2) regelmäßiger Nickerchen und (3) der Teilnahme an professionellen Gaming-Aktivitäten überprüft und ausgeschlossen. Vor Beginn des Experiments gaben alle Teilnehmer eine schriftliche Einverständniserklärung ab und erhielten eine finanzielle Entschädigung für ihre Teilnahme. Insgesamt wurden vierzehn Teilnehmer nach der Datenerfassung von der Analyse ausgeschlossen. Acht Probanden wurden aufgrund technischer Probleme beim Lernen oder Abrufen vom Experiment ausgeschlossen: Bei fünf Teilnehmern war der Joystick falsch kalibriert und bei den restlichen drei kam es zu technischen Problemen, darunter einem plötzlichen Absturz des Aufgabenumgebungsprogramms während des Scans. Drei Probanden schliefen entweder im Schlaftest oder in der Kontrollsitzung weniger als 30 Minuten. Ihre Z-Scores lagen mehr als 2,5*σ vom Stichprobenmittelwert der tatsächlichen Schlafzeit entfernt. Die tatsächliche Schlafzeit wurde für jeden Probanden als Gesamtschlafzeit (TST) ohne Wachheit nach Schlafbeginn (WASO) berechnet. Bei weiteren drei Probanden wurde eine große Bildverschiebung aufgrund von Kopfbewegungen während der fMRT-Scans festgestellt. Das Ausmaß der Verschiebung in der Bildserie wurde mit einem Qualitätsindex (QI) unter Verwendung von Gleichung (1) bewertet:

where max. abs. is the maximum absolute displacement of a given volume with respect to a reference time point (i.e. middle volume in the time series) and max. rel. represents the maximum relative displacement at a given volume with respect to the subsequent time point. The two measures account for gradual as well as abrupt changes in head position. The cut-off for the exclusion of participants was set to a QI >16,4 (Ribeiro de Paula et al., 2017). Insgesamt wurden 63 Probanden als endgültige Stichprobe berücksichtigt (Altersspanne: 18–30 Jahre, Mittelwert=23,3).

2.2|Versuchsdurchführung

Mit einem 2  2 vollfaktoriellen gemischten Design haben wir systemweite Konsolidierungsprozesse eines räumlichen Gedächtnisparadigmas getestet. Während fMRT-Scans beschäftigten sich die Teilnehmer mit allo- oder egozentrischem räumlichem Lernen und dem Abrufen von Erinnerungen in einem zuvor validierten menschlichen Analogon des Wasserlabyrinths (Müller et al., 2018; Schoenfeld et al., 2017). Unmittelbar vor und nach den Lern- und Abrufsitzungen wurde die funktionelle Konnektivität mit fMRT im Ruhezustand beurteilt. Dies entspricht insgesamt vier Ruhezustands-fMRT-Sitzungen von jeweils 9 Minuten. Zwischen räumlichem Lernen und Gedächtnisabruf wurde das Schlaf-EEG verwendet, um den Schlaf zu messen. Unter experimentellen Bedingungen wurden die Teilnehmer angewiesen, 90 Minuten lang zu schlafen, während die Kontrollgruppe genauso lange einen Film ansah. Ungefähr zwei Wochen nach dem Experiment absolvierten Teilnehmer im Schlafzustand eine 90-minütige Schlafkontrollsitzung, der keine Lernerfahrung folgte.

Cistanche-Ergänzungsmittel in meiner Nähe – Verbesserung des Gedächtnisses

2.3|Die virtuelle Wasserlabyrinth-Aufgabe

Die virtuelle Wasserlabyrinth-Aufgabe ist eine Adaption des Ratten-Wasserlabyrinths, einer etablierten Methode zum Testen räumlicher Fähigkeiten bei Nagetieren (Morris, 1981).

Dieses analoge Paradigma für Menschen ist mit der Umgebung von MRT-Scannern kompatibel (Schoenfeld et al., 2017). Die Teilnehmer wurden angewiesen, auf einer virtuellen Insel zu navigieren, mit dem Ziel, eine Schatzkiste zu finden. Wir haben in diesem Paradigma zwei verschiedene Einstellungen verwendet: eine „verborgene Insel“ und eine „Hinweisinsel“. Die verborgene Insel war von vier Wahrzeichen umgeben (d. h. einer Brücke, einem Segelboot, einer Windkraftanlage und einem Leuchtturm; siehe Abbildung S1). Eine versteckte Schatzkiste auf der Insel markierte den Zielort. Die Box befand sich in einer kleinen Vertiefung auf der virtuellen Inseloberfläche und war daher nur aus nächster Nähe sichtbar. Im Gegensatz dazu verfügte die Cued-Insel über keine Orientierungspunkte außer einer weithin sichtbaren Flagge neben einer Schatzkiste. Die Position dieser Flagge und der Schatzkiste änderte sich bei jedem Versuch. Die Aufgabensequenz bestand aus acht abwechselnden Blöcken mit Hinweis- und versteckten Inseln, was insgesamt 16 Versuche ergab. Bei jedem Versuch konnten sich die Teilnehmer mit einem Joystick in ihrem eigenen Tempo auf der Insel bewegen. War der Zielort in unmittelbarer Nähe der Schatzkiste erreicht, konnten die Teilnehmer den Versuch per Knopfdruck am Joystick beenden. Zwischen dem Ende eines Versuchs und dem Beginn des nächsten gab es eine Pause von 15-s, in der sich die Teilnehmer auf der Insel umdrehen und orientieren konnten. Die Teilnehmer stießen zunächst auf die Cued-Insel, auf der sie die sichtbare Flagge finden mussten. Diese Insel wurde zur Steuerung der Wahrnehmungs- und Motorverarbeitung verwendet, um Gedächtniseffekte in späteren Analysen zu isolieren. Für die Begegnung mit der verborgenen Insel wurden die Teilnehmer zufällig einer der Lernbedingungen zugeordnet – allozentrisch oder egozentrisch. Die allozentrische Gruppe startete bei jedem Versuch an einem anderen Ort auf der Insel und musste sich jedes Mal neu orientieren, um den Zielort zu finden, wodurch die Nutzung der Ortsnavigation gefördert wurde. In der egozentrischen Gruppe hatten sie bei jedem Versuch den gleichen Startort und konnten sich daher zusätzlich zu den sichtbaren Hinweisen auf eine wiederholte feste Bewegung verlassen, um zum Zielort zu gelangen, was ihnen die Verwendung beider Navigationsstrategien ermöglichte. Im Allgemeinen waren die Teilnehmer gegenüber diesen beiden Bedingungen blind. Bei den Lernversuchen bestand das Hauptziel der Teilnehmer bei beiden Bedingungen darin, die Position der Zielbox in den acht Versuchen auf versteckten Inseln herauszufinden. Für die Bergungsversuche blieb der Inselaufbau mit einer Änderung derselbe: Die Schatzkiste wurde von der versteckten Insel entfernt und die Teilnehmer wurden angewiesen, nach bestem Wissen und Gewissen den Ort zu markieren, an dem sie sich erinnerten, wo sich die Kiste befand.

2,4|Datenerfassung

2.4.1|Polysomnographische Aufnahmen

Während der 90-minütigen Nickerchen wurden polysomnografische Aufzeichnungen mit einer Abtastrate von 500 Hz (BrainAmp, Brain Products, Gilching, Deutschland) erstellt. Es wurden 32 Kopfhautelektroden (internationales 10–20-EEG-System) angebracht, darunter Fz, F3, F4, Cz, C3, C4, Pz, P3, P4, Oz, O1, O2, und auf den linken Mastoid bezogen. Zusätzlich wurden horizontale und vertikale Augenbewegungen (EOG), ein Elektromyogramm (EMG) am Kinn und ein Elektrokardiogramm (EKG) aufgezeichnet. Die Aufnahmen begannen kurz nachdem das Licht ausgeschaltet wurde. Nach dem Experiment wurde die Schlafbewertung von einem für die Bedingungen blinden Experimentator mithilfe der SpiSOP-Toolbox (www.spisop.org; RRID: SCR_015673) durchgeführt. Gemäß den Bewertungsregeln der American Academy of Sleep Medicine (AASM) wurden die Schlafstadien 1 und 2, Langsamschlaf, REM-Schlaf, Aufwachen und Körperbewegungen in 30-s-Epochen basierend auf EOG, EMG und den folgenden Kanälen visuell bewertet –F3, F4, C3, C4, O1, O2.

2.4.2|FMRI-Erwerb

FMRI-Zeitreihen wurden mit einem 3T-Kopfscanner (Prisma 3T, Siemens, Erlangen, Deutschland) erfasst. Siebenhundert T2*-gewichtete Bilder wurden mit einer Multiband-Gradientenecho-Echo-Planar-Bildgebungssequenz (Multibandfaktor=8, 64 axiale Schichten, Volumenwiederholungszeit [TR]=1000 ms, Echozeit [TE ]=39 ms, 52 Flipwinkel, Schichtdicke=2,4 mm; Sichtfeld (FOV) 210 mm; Voxelgröße 2 mm isotrop). Anatomische Bilder wurden unter Verwendung einer T1-gewichteten MP-RAGE-Sequenz (192 sagittale Schichten, Volumen TR=2300 ms, TE=3,03 ms, 8 Flipwinkel, Schichtdicke 1 mm) aufgenommen ; FOV, 256 mm; Voxelgröße 1  1  1 mm). Alle Daten sind im Donders Repository verfügbar. dürfen. DSC_3013066.01_875.

2,5|Datenverarbeitung

2.5.1|Schlaf-EEG-Vorverarbeitung

Die Daten wurden in Matlab R2020b (Mathworks Inc., Sherborn, Massachusetts) unter Verwendung der Sleeptrip-Toolbox (www.sleeptrip.org; RRID: SCR_017318) vorverarbeitet. Alle EEG-Kanäle wurden erneut auf die durchschnittlichen Mastoide (A1 und A2) bezogen und die Daten wurden zwischen 0,3 und 35 Hz bandpassgefiltert (Butterworth-Nullphasenfilter 4. Ordnung). Im Allgemeinen wurden nur Nullphasenfilter angewendet (dh Vorwärts- und Rückwärtsrichtung). Schlechte EEG-Kanäle wurden aufgrund ihres Leistungsspektrums visuell ausgeschlossen. Bei den übrigen Kanälen wurden Artefakte in den langen Fenstern von 30- erkannt. Segmente, die visuell als Körperbewegung identifiziert wurden, wurden zum späteren Ausschluss markiert. Um Segmente weiter zu identifizieren, die stark von der beobachteten Gesamtamplitudenverteilung abwichen, wurden die mittleren Amplitudenunterschiede für jedes Segment innerhalb jedes Kanals z-standardisiert. Segmente mit az > 5 in einem der Kanäle wurden ausgeschlossen (Muehlroth et al., 2019). Die TST wurde als Zeit berechnet, die in den Phasen 1, 2, SWS und REM-Schlaf verbracht wurde. WASO wurde als die Zeit definiert, die die Teilnehmer zwischen dem Einschlafen und dem endgültigen Erwachen wach waren.

Wirkung von Cistanche-Kraut – Anti-Alzheimer-Krankheit

2.5.2|Spindelerkennung

Spindeln wurden mithilfe eines in Sleeptrip implementierten automatisierten Algorithmus erkannt, der auf früheren Veröffentlichungen basiert (Weber et al., 2020) und dem in Python, Version 3.8, implementierten „Off“-Algorithmus (Donoghue et al. , 2020). Mutmaßliche Leistungsspitzen in den Frequenzbändern der langsamen Spindel (9–12,5 Hz) und der schnellen Spindel (12,5–16 Hz) wurden visuell aus NREM-Epochen (dh N2 und N3) erkannt. Vor der Untersuchung der Leistungsspektren wurde die aperiodische 1/f-Komponente durch Anpassen einer Lorentz-Funktion aus dem Signal entfernt. Für jeden Teilnehmer wurden langsame Spindelspitzen manuell im Durchschnitt der drei Frontalkanäle identifiziert (Fz, F3, F4; Schlaftestsitzung: 10.25 Hz ± 0.1, Mittelwert ± SEM ; Schlafkontrollsitzung: 10,07 Hz ± 0,14, Mittelwert ± SEM) und schnelle Spindelspitzen im Durchschnitt der drei zentralen Kanäle (Cz, C3, C4; Schlaftestsitzung: 13,44 Hz ± 0,09, Mittelwert ± SEM; Schlafkontrollsitzung: 13,44 Hz ± 0,06, Mittelwert ± SEM). Um die visuell definierten Frequenzspitzen zu verifizieren, haben wir mit fooof iterativ Gaußsche Werte an die periodischen Leistungskomponenten angepasst (siehe Abbildung S2, z. B. Spektren). Im Falle eines Unterschieds zwischen den manuellen Beschriftungen und den angepassten Gaußschen Peaks wurden die Leistungsspektren erneut überprüft. Diese Methode wurde verwendet, um die Einführung unerwünschter Spindelereignisse zu vermeiden (Ujma et al., 2015). Anschließend wurde das Signal jedes Kanals bandpassgefiltert (±1,5 Hz, 3 dB Cutoff, Butterworth-Nullphasenfilter 4. Ordnung) um die identifizierten einzelnen Frequenzspitzen herum. Die Effektivwertdarstellung (RMS) des Signals wurde an jedem Abtastpunkt berechnet und mithilfe eines gleitenden Durchschnittsfilters in einem 200-ms-Gleitfenster geglättet. Eine potenzielle Spindel wurde markiert, wenn die Amplitude des geglätteten RMS-Signals ihren Mittelwert um 1,5 SD des gefilterten Signals für 0,5–3 s überstieg. Lokale Minima und Maxima im gefilterten Spindelsignal wurden als Spitzen und Täler markiert. Der größte Tiefpunkt wurde als Spindelspitzenzeit definiert. Die Spindelamplitude wurde durch die Potentialdifferenz zwischen dem größten Tiefpunkt und dem größten Gipfel definiert. Die Einzelfrequenz einer Betonspindel wurde ermittelt, indem die Anzahl aller Tiefpunkte und Spitzen addiert und durch die doppelte Dauer der jeweiligen Spindel dividiert wurde. Spindeln mit Grenzen, die näher als 0,25 s waren, wurden schließlich zusammengeführt.

2.5.3|Erkennung langsamer Schwingungen

Die Erkennung langsamer Schwingungen an Frontalelektroden basierte ebenfalls auf einem automatisierten Algorithmus, der in Sleeptrip implementiert und an anderer Stelle validiert wurde (Ngo et al., 2013). Für alle NREM-Epochen wurden die vorverarbeiteten EEG-Daten bei 4 Hz tiefpassgefiltert (Butterworth-Nullphasenfilter 6. Ordnung). Das gesamte Signal wurde dann in negative und positive Halbwellen aufgeteilt, die durch Nulldurchgänge getrennt wurden. Eine potenzielle langsame Schwingung wurde als eine negative Halbwelle, gefolgt von einer positiven Halbwelle in einem Frequenzbereich zwischen 0,5 und 1 Hz definiert. Die Amplitude und Frequenz langsamer Schwingungen wurden mit dem gleichen Ansatz berechnet, der auch für Spindeln verwendet wurde. Mutmaßliche langsame Oszillationen, die einen Tiefpunkt von 1,25-mal dem mittleren Tiefpunkt aller mutmaßlichen langsamen Oszillationen sowie eine Amplitude von 1,25-mal der durchschnittlichen Amplitude aller potenziellen langsamen Oszillationen überstiegen, wurden zur weiteren Analyse akzeptiert.

2.5.4|fMRT-Vorverarbeitung im Ruhezustand

Die MRT-DICOM-Dateien wurden in eine automatische Pipeline in GraphICA (Brainet – Brain Imaging Solution Inc. – Sarnia, Ontario, Kanada) eingegeben. Anatomische und funktionelle Bilder wurden mit FSL 6.03 vorverarbeitet. Zu den Vorverarbeitungsschritten der T1-gewichteten anatomischen Bilder gehörten Bias-Field-Korrektur (RF/B1-Inhomogenitätskorrektur), Gehirnextraktion, Gewebetypsegmentierung (CSF, GM, WM) und subkortikale Struktur Segmentierung. An den Funktionsdaten haben wir Schädelstripping, Bewegungskorrektur, Slice-Timing-Korrektur, räumliche Glättung, die auf der Grundlage der Voxelgröße berechnet wird, Obergrenze (1,5 * Voxelgröße), Koregistrierung, ICA-basierte automatische Entfernung von Bewegungsartefakten und Hochpass durchgeführt Filterung und Störungsregression (WM und CSF). Die Daten wurden nicht auf einen Referenzraum normiert, da die Merkmale des natürlichen Gehirnraums in der folgenden Analyse erhalten bleiben sollten.

2.5.5|Duale Regressionsanalyse

Duale Regression wurde verwendet, um subjektspezifische räumliche Karten unter Verwendung von 11 Netzwerkmasken im Ruhezustand zu identifizieren: Auditorisch, Netzwerk im Standardmodus, Exekutivkontrolle links, Exekutivkontrolle rechts, Hippocampus, Sprache, Salienz, Sensomotorik, Visuell-Lateral, Visuelle Medien und Visuell Hinterhaupt. Die Intensität der räumlichen Komponentenkarten wurde in Einheiten der prozentualen Signaländerung vom Mittelwert ausgedrückt.

2.5.6|Regionale Parzellierung

Das T{{0}}gewichtete Bild jedes Probanden wurde automatisch mit einer in Freesurfer 7 (v7.1.0, http://surfer.nmr.mgh. harvard.edu/) implementierten Pipeline segmentiert. Eine weitere Parzellierung wurde mit GraphICA unter Verwendung eines in (Schaefer et al., 2018) beschriebenen Verfahren des Gradientengewichteten Markov-Zufallsfeldmodells durchgeführt. Dieses Parzellierungsmodell enthält drei konkurrierende Terme, die optimale Eigenschaften der endgültigen Segmentierung ausgleichen: einen globalen Ähnlichkeitsterm, um Gehirnorte mit ähnlichen Bildintensitäten zu gruppieren, einen lokalen Gradiententerm, um abrupte funktionelle Konnektivitätsänderungen zwischen benachbarten Gehirnorten zu erkennen, und einen räumlichen Verbundenheitsterm sorgen für räumliche Verbundenheit innerhalb von Parzellen. Das Verfahren ergab 832 parzellierte Hirnregionen, die als Netzwerkknoten für weitere Analysen einbezogen wurden.

2.5.7|Funktioneller Netzwerkaufbau und Schwellenwertbildung

Unter Verwendung von GraphICA wurde jeder Knoten-fMRI-Zeitverlauf separat mit dem IC-Zeitverlauf für die drei Ruhezustandsnetzwerke korreliert. Nach der Koregistrierung jedes der funktionalen Ruhezustandsnetzwerke für das Subjekt im natürlichen Raum wurde ein mittlerer Z-Wert berechnet, indem die Skalarkartenwerte des Voxels gemittelt wurden, die zu jedem der 832 ROIs gehörten. Die resultierenden z-standardisierten Korrelationskoeffizienten beschreiben die Belastung jedes Knotenzeitverlaufs im jeweiligen Ruhezustandsnetzwerk. Um falsche oder schwache Z-Werte, beispielsweise aufgrund von Rauschen, zu entfernen, wurden die Belastungen mit einem datengesteuerten Mischungsmodellierungsansatz auf Einzelsubjektebene begrenzt (Bielczyk et al., 2018). Darüber hinaus wurden die Schwellenwertnetzwerke mit von GraphICA bereitgestellten Netzwerkvorlagen abgeglichen, die aus 200 gesunden Kontrollpersonen abgeleitet wurden. Für die weitere Analyse wurden nur die in den Vorlagen gefundenen Knoten berücksichtigt (z. B. Hippocampus-Netzwerk-= 74-Knoten, Standardmodus-Netzwerk-= 171-Knoten, rechte Executive-Control-Netzwerk-= 164-Knoten).

2,6|statistische Analyse

2.6.1|Schlaf-EEG-Analyse

Statistische Analysen der Schlaf-EEG-Daten wurden mit Matlab R2020b (Mathworks Inc., Sherborn, Massachusetts) mit der Open-Source-Toolbox Fieldtrip (Oostenveld et al., 2011) und der CircStats-Toolbox (Berens, 2009) durchgeführt. Die Analyse beschränkt sich auf die Kanäle Fz für langsame Schwingungen und langsame Spindeln und Cz für schnelle Spindeln. Nicht alle in unserer Analyse verwendeten Schlafvariablen folgten einer Normalverteilung. Alle gruppeninternen Vergleiche der Schlafbeschreibungen und Oszillationseigenschaften zwischen der Schlafsitzung nach dem Lernen und der Schlafkontrollsitzung wurden mithilfe nichtparametrischer Wilcoxon-Signed-Rank-Tests für abhängige Stichproben getestet. Gruppenvergleiche der Schlafvariablen im allozentrischen und egozentrischen Zustand wurden mit nichtparametrischen Mann-Whitney-U-Tests für unabhängige Stichproben berechnet. Für diese Tests wurden Median- und Quartilwerte der Variablen angegeben. Ein p-Wert<.05 was viewed as statistically significant.

2.6.2|Zeitlicher Zusammenhang zwischen erkannten langsamen Schwingungen und Spindeln

Die Koordination von langsamen Schwingungen und Spindeln wurde für den NREM-Schlaf bewertet, da gezeigt wurde, dass die Kopplung zwischen Spindel und langsamer Schwingung über die Stufe 2 und den langsamen Schlaf hinweg stabil ist (Cox et al., 2017), obwohl der Typ der langsamen Oszillation ist unterschiedlich (K-Komplexe vs. Delta-Wellen). Der allgemeine zeitliche Zusammenhang zwischen langsamen Oszillationen und Spindelereignissen wurde berechnet, indem der Anteil der Spindeln bestimmt wurde, deren Mittelpunkt (d. h. der maximale Tiefpunkt) in einem Intervall von ±1,2 s um den Tiefpunkt der identifizierten langsamen Oszillationen herum auftrat, und die Anzahl der langsamen Oszillationen damit bestimmt wurde Spindeln, deren Mittelpunkt innerhalb von ±1,2 s um das jeweilige Schwingungstal lag. Das Zeitfenster von ±1,2 s wurde so gewählt, dass es einen gesamten langsamen Oszillationszyklus (0,5–1 Hz, also 1–2 s) abdeckt. Immer wenn sich zwei langsame Oszillationszeitfenster überlappten, wurde das weiter vom Spindelzentrum entfernte entfernt. Der genaue Zeitpunkt langsamer Oszillations- und Spindelereignisse wurde durch Peri-Event-Time-Histogramme (PETHs) (Abbildung 2b) von schnellen und langsamen Spindelzentren (Testereignisse) visualisiert, die innerhalb eines Zeitintervalls von ±1,2 s um jeden Tiefpunkt der langsamen Oszillation (Ziel) auftraten Ereignis). Die Wahrscheinlichkeiten des Auftretens von Seed-Ereignissen wurden innerhalb von 100-ms-Bins summiert und in Prozentsätze umgewandelt. Um das zeitliche Muster der PETHs zu testen, haben wir ein Randomisierungsverfahren implementiert, indem wir die Reihenfolge der PETH-Bins 1000 Mal zufällig gemischt haben. Die resultierenden Surrogate wurden für jedes Individuum gemittelt und mithilfe von T-Tests abhängiger Stichproben mit den ursprünglichen PETHs verglichen. Die Kontrolle für Mehrfachvergleiche wurde durch Cluster-basierte Permutationstests mit 5000 Permutationen erreicht (Maris & Oostenveld, 2007).

2.6.3|Ereignisverriegelte Phasenkopplung

Für ereignisgesperrte Kreuzfrequenzanalysen (Helfrich et al., 2018) wurden artefaktfreie Versuche mit langsamen Oszillationsereignissen über Kanal Fz (±3 s um den Tiefpunkt der maximalen langsamen Oszillation) und Band ausgewählt -passgefiltert im langsamen Oszillationsfrequenzbereich (0,3–1,25 Hz). Nach Anwendung einer Hilbert-Transformation extrahierten wir den momentanen Phasenwinkel aus dem analytischen Signal. Dieselben Versuche wurden auch zwischen 9 und 12,5 Hz (langsame Spindelkomponente) und zwischen 12,5 und 16 Hz (schnelle Spindelkomponente) bandpassgefiltert, um die Amplitudenhüllkurve aus dem analytischen Signal zu berechnen. Wir haben nur den Zeitbereich von 2 bis 2 s berücksichtigt, um Filterkantenartefakte zu vermeiden. Für jedes Thema, jeden Kanal und jede Epoche haben wir nun die maximale Spindelamplitude und den entsprechenden Phasenwinkel der langsamen Oszillation ermittelt. Rayleigh-Tests wurden berechnet, um die Phasenverteilung pro Proband auf Gleichmäßigkeit zu testen. Die mittlere Kreisrichtung und die resultierende Vektorlänge über alle NREM-Ereignisse hinweg wurden bestimmt. PPC wurde als unvoreingenommener Schätzer der Konsistenz der Phasenbeziehung zwischen Spindeln und langsamen Oszillationen verwendet (Vinck et al., 2012), basierend auf den durch den Spindeltrog ausgelösten Fourier-Spektren in einem Zeitfenster von 3,5 bis +3,5 s (100-ms-Schritte) und einen langsamen Oszillationsfrequenzbereich von 0,3 bis 3 Hz.

Chinesische Kräuter-Cistanche

2.6.4|Zeit-Frequenz-Analyse

Um die zeitliche Beziehung zwischen Spindeln und langsamen Schwingungen weiter zu beschreiben, haben wir erneut die zuvor berechneten Versuche mit langsamen Schwingungsereignissen (6-s-Segmente) verwendet. Diese Versuche wurden mit einem zufällig ausgewählten artefaktfreien Zeitabschnitt von 6 s während derselben Schlafphase wie die jeweilige langsame Oszillation, die als Basisversuche verwendet wurde, abgeglichen. Für die Zeit-Frequenz-Analyse von Versuchen mit und ohne langsame Oszillationen verwendeten wir Obermengen (Moca et al., 2021). Superlets bestehen aus einer Reihe von Morlet-Wavelets mit derselben Mittenfrequenz, aber zunehmend eingeschränkter Bandbreite, die eine höhere Zeit-Frequenz-Auflösung als etablierte Ansätze aufweist. Insbesondere haben wir eine fraktionierte adaptive Superlet-Transformation (FASLT) auf die vorverarbeiteten Daten langsamer Oszillations- und Basislinienversuche zwischen 5 Hz und 20 Hz in Schritten von 0,25 Hz angewendet, mit einer anfänglichen Wavelet-Ordnung von 3 und einem Ordnungsintervall zwischen 5 und 15 ( Barzan et al., 2021). Die Zeit-Frequenz-Darstellungen von Versuchen mit langsamen Oszillationsereignissen und Kontrollversuchen wurden dann für jedes Subjekt unter Verwendung von t-Tests bei unabhängigen Stichproben verglichen. Die resultierenden T-Karten spiegeln die Zunahme/Abnahme sowohl des schnellen als auch des langsamen Spindelfrequenzbereichs für Versuche mit langsamen Schwingungen im Vergleich zu Versuchen ohne wider. Um die Kontraste innerhalb des Subjekts zu berechnen, haben wir 100 zufällige Sätze von Basislinien- und langsamen Oszillationsversuchen gezogen und dabei das Verhältnis von Stufe 2 zu langsamen Schlafversuchen beibehalten. Die T-Karten für alle diese zufälligen Versuchssätze wurden für jedes Subjekt gemittelt. Separat für jede Speicherbedingung wurden T-Maps mithilfe eines Cluster-basierten Permutationstests mit 5000 Permutationen in einem Zeitfenster von 1,2 bis 1,2 s gegen Null getestet.

2.6.5|fMRT-Analyse im Ruhezustand

fMRT-Daten der drei Ruhezustandsnetzwerke wurden in RStudio 1.4.1103 (RStudio, Inc., Boston, Massachusetts) analysiert. Alle Analysen wurden für die drei vorab ausgewählten Ruhezustandsnetzwerke separat durchgeführt (d. h. Hippocampus-Netzwerk, Standardmodus-Netzwerk, rechtes Exekutivkontrollnetzwerk) und basierten auf den pro IC erhaltenen Knoten-Z-Werten, die das Konnektivitätsmuster in der Funktion beschreiben Ruhezustandsnetzwerke. Wir haben drei verschiedene Ansätze zur Analyse der Daten untersucht, darunter die Analyse der Graphentheorie, euklidische Distanzmatrizen und eine Singularwertzerlegung (SVD), von denen SVD für den aktuellen Datensatz am besten geeignet war. Die SVD wurde an den rohen Z-Werten durchgeführt, um die ursprüngliche Organisation der Ruhezustandsnetzwerke genauer zu erfassen. Die mit Schwellenwerten versehenen Z-Werte bildeten eine m n Datenmatrix (m=Anzahl der Teilnehmer 4 Sitzungen; n=Anzahl der Knoten). Insbesondere wurde eine SVD für spärliche Matrizen zur Dimensionsreduzierung gewählt, da die mit einem Schwellenwert versehene Datenmatrix hauptsächlich Nullwerte enthielt. Es wurden zwei Hauptmodi pro Netzwerk extrahiert, die zusammen 15–20 % der Varianz in den Daten erklärten. Jeder Modus kann als varianzbasiertes funktionelles Ruhezustands-Subnetzwerk verstanden werden (siehe Filme S1–S4). Als Ergebnis der SVD haben wir eine gemittelte Low-Rank-Rekonstruktion der Netzwerke als Rang-R-Näherung erhalten, die die räumliche Verteilung des jeweiligen Teilnetzwerks unter Verwendung von Gleichung (2) beschreibt:

Dabei ist A die ursprüngliche Datenmatrix, die dadurch angenähert wird, dass U r linke Singulärvektoren enthält, S r Singulärwerte enthält und V r rechte Singulärvektoren enthält. Zur Vorbereitung statistischer Tests wurde der jeweilige linke singuläre Vektor (um, i) mit seinem singulären Wert (si, i) skaliert, wobei i die i-te Zeile/Spalte der Matrix ist. Das Ergebnis (um, I si, i) ist ein Spaltenvektor, der die Punktzahlen der Teilnehmer für alle Sitzungen im i-ten Subnetzwerk darstellt. Diese Werte können als Konnektivitätsstärke des ausgewählten funktionalen Subnetzwerks für alle Teilnehmer über Sitzungen und Bedingungen hinweg interpretiert werden. Für jedes der beiden Teilnetzwerke wurden die erhaltenen Teilnehmerwerte als abhängige Variablen unter Verwendung eines linearen Mixed-Effects-Modells analysiert. Zu den Modellprädiktoren gehörten der Schlafzustand (Schlaf, Wachzustand), die Sitzung (1–4 oder vor/nach der Pause, vor/nach der Aufgabe) und der Gedächtniszustand (allozentrisch, egozentrisch) als feste Effekte. Die Teilnehmer wurden als zufällige Effekte für die vier Ruhezustandssitzungen modelliert. Zur Beurteilung der Modellanpassung wurden das Akaike-Informationskriterium (Akaike, 1973), das Bayesianische Informationskriterium (Schwarz, 1978) und die Log-Likelihood verwendet.

3|ERGEBNISSE

3.1|Studiendesign und Gedächtnisleistung

Die vorliegende Studie verwendete ein 1-Tage-Paradigma, um die Konsolidierung einer räumlichen Gedächtnisaufgabe zu testen (Abbildung 1a). Während fMRT-Scans führten die Teilnehmer allo- oder egozentrisches räumliches Lernen und Gedächtnisabruf in einem zuvor validierten virtuellen Analogon des Wasserlabyrinths für Menschen durch (Müller et al., 2018; Schoenfeld et al., 2017). Eine detaillierte Aufgabenbeschreibung finden Sie in der Erstveröffentlichung dieses Datensatzes (Samanta et al., 2021). Kurz gesagt, die Teilnehmer navigierten mithilfe eines Joysticks frei auf einer virtuellen Insel, um einen festen Zielort zu erreichen. In der Lernsitzung wurde der Ort durch eine versteckte Schatzkiste angezeigt. Allerdings wurden die Teilnehmer während der Bergung angewiesen, den Standort der Schatzkiste nach bestem Wissen und Gewissen zu markieren, ohne dass die Kiste vorhanden war. Allozentrische und egozentrische Bedingungen unterschieden sich, so dass die zufällig ausgewählten Teilnehmer jeden Versuch entweder in derselben oder einer wechselnden Ausgangsposition begannen (Abbildung 1b). Die Speicherleistung wurde als Latenz bis zum Erreichen des Zielorts vom Startpunkt aus gemessen. Beim Abrufen schnitten die Teilnehmer im egozentrischen Zustand im Allgemeinen besser ab als im allozentrischen Zustand, und der Haupteffekt des Schlafs auf die Gedächtnisleistung war signifikant (Abbildung 1c; Tabelle 1; Zwei-Wege-ANOVA mit Allo/Ego F1,62=16 .78, p < .001 und Schlaf/Wach F1,62=3.84, p=.05). Unmittelbar vor und nach den Lern- und Abrufsitzungen wurde die funktionelle Konnektivität mit fMRT im Ruhezustand beurteilt. Dies entspricht insgesamt vier Ruhezustands-fMRT-Sitzungen von jeweils 9 Minuten. Zwischen räumlichem Lernen und Gedächtnisabruf wurde Polysomnographie verwendet, um die Schlafarchitektur zu messen (Tabelle S1). Unter experimentellen Bedingungen schliefen die Teilnehmer etwa 90 Minuten (93,48 ± 1,77, Mittelwert ± SEM), während die Kontrollgruppe genauso lange einen neutralen Film sah. Ungefähr zwei Wochen nach dem Experiment absolvierten Teilnehmer im Schlafzustand eine etwa 90-minütige Schlafkontrollsitzung (103,30 ± 2,66, Mittelwert ± Standardabweichung), der nicht unmittelbar eine räumliche Lernerfahrung folgte. Die Abfolge der beiden Schlafsitzungen wurde nicht ausgeglichen, um die Versuchspersonen während der Testsitzung blind für die experimentellen Bedingungen zu halten. Unter Verwendung eines ähnlichen Aufgabendesigns haben Genzel, Bäurle et al. (2014) und Genzel et al. (2012) ermittelten vergleichbare Nickerchendauern. Allerdings schliefen die Teilnehmer hier in der Schlafkontrollsitzung deutlich länger als in der Schlaftestsitzung (Wilcoxon Sign-Rank Test, z =  2.68, p=.01). Dieser Sitzungseffekt deutet auf eine Gewöhnung an das Schlaflabor hin. Der Unterschied zu früheren Studien könnte auf die Verwendung einer anderen Laborumgebung zurückzuführen sein, so Genzel, Bäurle et al. (2014); Genzel et al., 2012) wurde das Schlaflabor (Max-Planck-Institut für Psychiatrie) als solches bezeichnet, während das Schlaflabor am Donders-Institut im EEG-Labor (und daher weniger „heimelig“) untergebracht war.

3.2|Schlafeigenschaften bei Test- und Kontrollsitzung

Es wurde gezeigt, dass räumlich-zeitliche Mechanismen während des NREM-Schlafs Erfahrungen festigen, die während des vorherigen Wachzustands kodiert wurden (Maigret et al., 2016). Auf Systemebene geht man davon aus, dass Erfahrungen während des Schlafs im Hippocampo-Thalamo-Kortikal-Netzwerk reaktiviert werden, um langfristige Darstellungen dieser Erfahrungen zu bilden. Verschiedene Schwingungen, die an der Gedächtniskonsolidierung beteiligt sind, können die Kommunikation zwischen diesen Gehirnstrukturen koordinieren (Genzel, 2020; Genzel, Bäurle, et al., 2014). Wir interessierten uns für langsame Oszillationen sowie langsame Spindeln (9–12,5 Hz) und schnelle Spindeln (12,5–16 Hz) während des NREM-Schlafs, die möglicherweise eine besondere Rolle im Prozess der Gedächtniskonsolidierung spielen (Genzel & Robertson, 2015). . In Übereinstimmung mit der zuvor berichteten Topographie dieser Schlafoszillationen im menschlichen EEG (Adamczyk et al., 2015) konzentrierten wir unsere Analysen auf frontale langsame Oszillationen und langsame Spindeln (d. h. Kanal Fz) und zentrale schnelle Spindeln (d. h. Kanal Cz; siehe Abbildung S3 für die Kopplungstopographie). Um spezifische Einflüsse der räumlichen Lernerfahrung auf die Schlafarchitektur der Schlaftestsitzung zu erfassen, verglichen wir Schlafbeschreibungen sowie Spindel- und langsame Oszillationseigenschaften (siehe Tabelle S1) zwischen den Schlaftest- und Kontrollsitzungen. Wir fanden heraus, dass die Teilnehmer in der Kontrollsitzung im Vergleich zur Testsitzung deutlich länger schliefen. Im Vergleich zur Testsitzung war auch die Dauer der schnellen Spindel in der Kontrollsitzung signifikant höher (Wilcoxon Sign-Rank Test, z =  2.91, p < .01). Wir haben außerdem untersucht, ob der signifikante Unterschied in der TST zwischen Test- und Kontrollsitzungen diesen Unterschied in der Dauer der schnellen Spindel unter Kontrolle von WASO vorhersagen kann. Es gab jedoch keinen signifikanten Effekt von TST auf die Amplitudenunterschiede der schnellen Spindel über Schlafsitzungen hinweg (multiple lineare Regression, TST:=0.53, p=.61). Der Anstieg der schnellen Spindelamplitude könnte, ähnlich wie der Anstieg des TST, auf einen unkontrollierten Gewöhnungseffekt des Schlaflabors zurückzuführen sein. Dennoch vermuteten wir, dass der zeitliche Zusammenhang von Schlafschwankungen für die Gedächtniskonsolidierung entscheidend ist. Insofern konnten wir keine Unterschiede zwischen den Sitzungen beobachten, wie im Folgenden dargestellt wird.

ABBILDUNG 1

3.3|Spindel-langsame Schwingungskopplung bei Test- und Kontrollsitzung

Die Kopplung zwischen scharfen Wellenwellen, Spindeln und langsamen Schwingungen kann ein entscheidendes Zeitfenster für die Konsolidierung einer Lernerfahrung bilden (Genzel, Kroes et al., 2014). Daher haben wir uns auf die zeitliche Beziehung zwischen Spindeln und langsamen Schwingungen konzentriert, um den Unterschied in der Schlafmikroarchitektur zwischen Schlaftests und Kontrollsitzungen weiter zu untersuchen. Zuerst haben wir die Anzahl der maximalen Spindeltäler (in %) berechnet, die in einem Zyklus (Intervall von ±1,2 s) um das Zentrum der identifizierten langsamen Schwingungen auftreten (Abbildung 2a). In beiden Sitzungen stellten wir eine ähnliche Anzahl schneller Spindeln fest, die an langsame Oszillationen gekoppelt waren (Wilcoxon Sign-Rank Test, z =  1.14, p=.26) und langsame Spindeln, die an langsame Oszillationen gekoppelt waren (Wilcoxon). Vorzeichen-Rang-Test, z {{10}}.75, p=.45). Umgekehrt war ungefähr die gleiche Anzahl langsamer Schwingungen an schnelle Spindeln (Wilcoxon Sign-Rank Test, z=1.02, p=.31) und langsame Spindeln (Wilcoxon Sign-Rank Test) gekoppelt. Rangtest, z {{20}}.10, p=.27) nach dem Lernen und bei Schlafkontrolle. Diese Ergebnisse legen nahe, dass Spindeln und langsame Schwingungen gleichermaßen miteinander verbunden sind. Im Allgemeinen stellten wir in beiden Schlafsitzungen eine konsistente Kopplung zwischen Spindel und langsamer Oszillation fest, unabhängig von der räumlichen Lernerfahrung, die unmittelbar vor der Schlaftestsitzung durchgeführt wurde. Eine erfolgreiche Speicherkonsolidierung kann von einer Kopplungsgenauigkeit von mehreren zehn oder sogar Hunderten von Millisekunden abhängen (Maigret et al., 2016; Muehlroth et al., 2019). Daher analysierten wir die präzise Koordination zwischen Spindel und langsamer Oszillation mithilfe von PETHs (Abbildung 2b). Die PETHs zeigen die Wahrscheinlichkeit des Auftretens maximaler Spindeltäler im Zeitfenster von ±1,2 s um die langsamen Oszillationsereignisse innerhalb von Zeitintervallen von 100- ms. Schnelle Spindeln traten unmittelbar vor und an der Spitze der langsamen Oszillation nach dem Tiefpunkt der langsamen Oszillation gleichzeitig auf (Cluster-basierte Permutationen: Sign. Cluster: 400–700 ms im Test, p < 0,001; 500–800 ms bei der Kontrolle, p < .001). .001). Andererseits fielen langsame Spindeln beim Übergang zum und mit dem Tiefpunkt der langsamen Oszillation zusammen (clusterbasierte Permutationen: beide Vorzeichencluster bei 300 bis 100 ms, p < 0,001). Die Robustheit dieses Effekts wurde anhand einer Referenzverteilung getestet, die durch zufälliges Mischen der Zeitstempel der Spindeltäler erhalten wurde. Die zeitliche Spezifität der Kopplung zwischen Spindel und langsamer Schwingung unterschied sich in den beiden Schlafsitzungen nicht, was wiederum auf das Vorhandensein eines allgemeinen Kopplungsmechanismus hindeutet, der von einer räumlichen Lernerfahrung unabhängig ist. Frühere Ergebnisse haben eine höhere Kopplungsstärke zwischen Spindel und langsamer Oszillation bei jungen Erwachsenen im Vergleich zu alten Erwachsenen und nach grobmotorischem Lernen gezeigt (Cross et al., 2020 [Vorabdruck]; Helfrich et al., 2018). Wir waren daran interessiert, diese Konsistenz der Phasenbeziehungen im Kontext des räumlichen Lernens aufzuklären. Polardiagramme in Abbildung 2b zeigen die Kopplungsphase für ein Beispielsubjekt und die gesamte Probe, berechnet als die momentane langsame Oszillationsphase (0,3–1,25 Hz) zum Zeitpunkt der maximalen Spindelamplitude über Kanal Fz für langsame Spindeln (9–12,5 Hz). ) und Kanal Cz für schnelle Spindeln (12,5–16 Hz). Bereits auf der Einzelsubjektebene ist eine präzise Kopplung zwischen Spindel und langsamer Schwingung zu erkennen, die bei schnellen Spindeln und langsamen Spindeln unterschiedlich, aber über Schlafsitzungen hinweg relativ konsistent ist (siehe Polarhistogramme, Abbildung 2b). Auf Gruppenebene traten die meisten schnellen Spindeln zwischen 5,76 und 6,28 Radiant der langsamen Oszillation auf (Test: 6,03 ± 0,56, Kontrolle: 6,07 ± 0,33, kreisförmiger Mittelwert ± SD), während langsame Spindeln zwischen 1,57 und 2,62 Radiant der langsamen Oszillation auftraten (Test: 1,89 ± 0,79, Kontrolle: 1,87 ± 0,71, Zirkelmittelwert ± SD; Abbildung 2e). Diese Ergebnisse stimmen mit der in den PETHs gezeigten zeitlichen Koordination zwischen Spindeln und langsamen Schwingungen überein. Um die Konsistenz dieser Phasenbeziehungen abzuschätzen, haben wir die paarweise Phasenkonsistenz (PPC; vgl. „Methoden und Materialien“) berechnet. Die maximalen PPC-Werte unterschieden sich zwischen den beiden Schlafsitzungen weder für schnelle noch für langsame Spindeln (Wilcoxon SignRank Tests, schnelle Spindel max. PPC: z=0.451, p=.65, langsame Spindel: max PPC: z=0.067, p=.95). Darüber hinaus beobachteten wir deutliche individuelle Unterschiede im PPC (Abbildung 2c). Uns interessierte, ob diese Variabilität im PPC mit der allgemeinen Schlafqualität des Teilnehmers zusammenhängt (gemessen mit PSQI), die nicht signifikant war (lineare Korrelation, schnelle Spindeln: ρ=0.30, p =). 14, langsame Spindeln: ρ=0.15, p=.46). Zusammenfassend lässt sich sagen, dass Spindeln durchgängig an langsame Schwingungen mit einer spezifischen Phasenbeziehung gekoppelt waren, was frühere Erkenntnisse im Zeitbereich stützt. Die bisher präsentierten Gesamtkopplungsergebnisse unterschieden sich zwischen den beiden Schlafsitzungen nicht. Wie bereits beschrieben, beobachteten wir in der Schlafkontrolle eine längere Gesamtschlafzeit als in der Schlaftestsitzung, was möglicherweise kompensatorische Auswirkungen auf die Schlafarchitektur hatte, hinter der sich ein Unterschied in der Kopplung verbarg. Daher präsentieren wir die folgenden Ergebnisse nur für die Schlaftestsitzung.

3,4|Die langsame Oszillationsleistung der Spindel hängt mit der Speicherleistung zusammen

Nachdem wir die allgemeine Zeit- und Phasendynamik der Kopplung zwischen Spindel und langsamer Oszillation über Schlafsitzungen hinweg ermittelt hatten, fuhren wir mit unserer Analyse fort und konzentrierten uns dabei auf die beiden Gedächtniszustände (Allo vs. Ego) während der Schlaftestsitzung, da Schlaf möglicherweise einen deutlichen Einfluss auf die Allozentrik hat versus egozentrische räumliche Erinnerungen. Mögliche Unterschiede zwischen den Gruppen wurden auf %-Kopplung und PPC getestet (Abbildung 2a,f). Weder das Ausmaß der Kopplung zwischen Spindel und langsamer Oszillation noch die Konsistenz in der Phase zwischen Spindel und langsamer Oszillation unterschieden sich signifikant zwischen den Gruppen (Mann-Whitney-U-Test, % schnelle Spindel: z =  1.12, p =. 27, % langsame Spindeln: z=0.09, p=.93; max. PPC schnelle Spindeln: z=1.742, p=.08, max. PPC langsame Spindeln: z=0.083, p=.94). Wir haben dieses Muster weiter untersucht, indem wir die Schwingungsleistung im Spindelfrequenzbereich für Zeitabschnitte mit und ohne langsame Schwingungen verglichen haben (vgl. „Materialien und Methoden“). Versuche mit langsamen Oszillationen wurden konstruiert, indem ±1,2 s um zufällig ausgewählte langsame Oszillationen herum epoziert wurden. In diesen Versuchen unterschied sich die Leistung im Spindelfrequenzbereich tatsächlich deutlich von zufällig ausgewählten Intervallen ohne langsame Oszillationen (für alle t-Wert-Cluster: p < .001, Abbildung 3a). Dieser Effekt war in beiden Speicherbedingungen gleichermaßen vorhanden, da die Differenzkarte keine signifikanten Modulationscluster enthielt (Abbildung 3a). Zusammenfassend lässt sich sagen, dass sich keine der Metriken der Kopplung zwischen Spindel und langsamer Oszillation zwischen den Speicherbedingungen unterschied. Die Ergebnisse stimmten auch mit der nicht signifikanten Interaktion zwischen Trainingstyp und Schlaf für die Verhaltensanalyse überein (siehe Abbildung 1c). Daher haben wir beschlossen, die beiden Speicherbedingungen zusammenzufassen, um die statistische Aussagekraft für weitere Tests zu erhöhen. Unter Berücksichtigung der gesamten Stichprobe bei der Testsitzung haben wir zunächst überprüft, ob das Ausmaß der Kopplung zwischen Spindel und langsamer Oszillation lediglich ein zufälliges Nebenprodukt des Auftretens von Spindel- und langsamen Oszillationsereignissen war. Der erhaltene Kopplungsgrad unterschied sich in 60 % der Stichprobe deutlich von einer zufälligen Stichprobenverteilung (Abbildung 3b, Permutationstests: p < 0,05, 1000 Iterationen pro Teilnehmer). Um dennoch einen Verlust an statistischer Leistung und eine Regression in Richtung des Mittelwerts zu vermeiden, haben wir die spektralen Leistungsmodulationen während langsamer Oszillationsversuchen für die gesamte Stichprobe berechnet (Abbildung 3c). Wir fanden heraus, dass sich die Leistungsmodulationen während der langsamen Oszillationsversuche in den Spindelfrequenzbereichen und den zuvor festgelegten Zeitintervallen deutlich von den entsprechenden Kontrollversuchen unterschieden (siehe PETHs, Abbildung 2b). Als nächstes führten wir Korrelationsanalysen zwischen langsamen Oszillations-Kontrollleistungsunterschieden (ausgedrückt in t-Werten) und der Speicherleistung separat für jeden Zeit-Frequenz-Punkt im jeweiligen Spindelcluster durch, der aus der t-Karte extrahiert wurde (Abbildung 3c). Wir fanden signifikante Assoziationen, indem wir die EEG-Verhaltenskorrelationen anhand einer Bootstrap-Referenzverteilung testeten. Auf diese Weise konnten wir signifikante Korrelationscluster identifizieren, die den Zusammenhang zwischen der Gedächtnisleistung und einem spezifischen Muster der EEG-Aktivitätsmodulation während des langsamen Oszillationszustands darstellen (vgl. „Materialien und Methoden“). Für schnelle Spindeln wurde ein signifikanter negativer Korrelationscluster identifiziert (Cluster p < 0,01, max r=0,41, p < 0,01, Abbildung 3c oben). In ähnlicher Weise haben wir einen weiteren signifikanten negativen Korrelationscluster für langsame Spindeln identifiziert (Cluster p=.02, max r=.38, p=.02, Abbildung 3c unten): schneller- Spindelleistung und langsame Spindelleistung während der langsamen Oszillationsperiode waren mit einer besseren Speicherleistung (dh einer geringeren Reaktionslatenz) verbunden. Diese Effekte waren spezifisch für die Schlaftestsitzung, da sie für den Cluster mit schneller Spindel oder langsamer Spindel in der Schlafkontrollsitzung nicht beobachtet werden konnten (Abbildung S4). Wir haben diese Korrelationsanalyse auch getrennt für die egozentrische und allozentrische Gruppe durchgeführt (Abbildung S6). In der allozentrischen Gruppe korrelierten weder Leistungsmodulationen mit schneller noch mit langsamer Spindel signifikant mit der Gedächtnisleistung. Die Ergebnisse der egozentrischen Gruppe ähnelten stark denen der gesamten Stichprobe. Interessanterweise zeigten die Leistungsmodulationen bei langsamer Spindel in beiden Gruppen entgegengesetzte Trends. Eine bessere Gedächtnisleistung deutete auf einen negativen Zusammenhang mit langsamen Spindelleistungsmodulationen für die allozentrische Gruppe hin (Cluster=0.07, max. r=.50, p=.06, Abbildung S6 unten links). Dieser Zusammenhang war für die egozentrische Gruppe signifikant positiv (Cluster p=.03, max. r=.61, p=.02, Abbildung S6 unten rechts). Wir haben diesen Trend jedoch nicht weiter untersucht, da für die allozentrische Gruppe keine signifikanten Ergebnisse erzielt werden konnten. Zusammenfassend fanden wir Hinweise auf einen Zusammenhang zwischen der Koordination langsamer Schwingungen und Spindeln mit der Gedächtnisleistung, der im Gegensatz zu einer Kontrollschlafsitzung spezifisch für den Schlaf nach dem Lernen war. Die Leistungsmodulationen der langsamen Spindel könnten in erster Linie von der egozentrischen Gruppe vorangetrieben worden sein.

FIGUR 2

3,5|Funktionelle Ruhezustandsnetzwerke ändern sich über Sitzungen hinweg

Nach der Schlaf-EEG-Analyse konzentrierten wir uns als nächstes auf die funktionale Konnektivität im Ruhezustand vor und nach dem Lernen, der Konsolidierung und dem Abrufen der Gedächtnisaufgabe, um die Gedächtniskonsolidierung auf Netzwerkebene über Ruhezustände hinweg zu untersuchen. Hierzu haben wir fMRT-Daten der vier Ruhezustandssitzungen einbezogen (d. h. 1=Basislinie, 2=nach dem Lernen, 3=nach der Pause, 4=nach dem Abruf ) in die Analyse ein. Unser besonderes Interesse galt dem rechten exekutiven Kontrollnetzwerk, dem Standardmodus-Netzwerk und dem Hippocampus-Netzwerk. Task-fMRT-Analysen dieses Datensatzes von Samanta et al. (2021) zeigten, dass Regionen dieser Netzwerke ihre Aktivierung während des Konsolidierungszeitraums veränderten, wenn die Teilnehmer ein Nickerchen machten, nicht jedoch, wenn sie wach blieben. Daher haben wir die drei Ruhezustandsnetzwerke mit GraphICA (Ribeiro de Paula et al., 2017) erhalten, einem Tool zur Analyse von Ruhezustandsnetzwerken. Zum Zwecke der Dimensionsreduktion haben wir die primären Varianzmodi für jedes Netzwerk mithilfe einer SVD berechnet (vgl. „Methoden und Materialien“). Schließlich testeten wir die Auswirkungen der Sitzung, der Schlafbedingungen und der Gedächtnisbedingungen auf die Punktzahl jedes Teilnehmers im zuvor identifizierten Modus. Mit diesem Ansatz konnten wir bestimmen, (1) wie viele funktionale Teilnetzwerke in jedem Netzwerk enthalten waren und (2) wie sich die funktionale Konnektivität der Netzwerke für jede unserer experimentellen Variablen veränderte. Für das rechte exekutive Kontrollnetzwerk haben wir ein primäres Subnetzwerk extrahiert, das sich auf den rechten Sulcus parietalis inferior, den rechten Parietallappen inferior und den rechten dorsolateralen präfrontalen Kortex konzentriert. In diesem Subnetzwerk stellten wir eine Zunahme der funktionalen Konnektivität über die Aufgabenleistung in den Lern- und Abrufsitzungen fest (Abbildung 4a; lineares Mixed-Effects-Modell, Schlaf/Wach: t62 =  0.747, p =). 46 allo/ego: t62 =  0.477, p=.64, pre-break/ post-break: t193=1.676, p=.10, pre -task/post-task: t193=2.808, p=.01). Dieser Anstieg wurde durch den Wechsel von Post-Pause zu Post-Retrieval (t193=2.468, p=.02) verursacht. Im Gegensatz dazu nahm die Konnektivität des primären Standardmodus-Subnetzwerks mit Hauptbeteiligung des posterioren cingulären Kortex im Allgemeinen von der Leistung vor bis nach der Aufgabe ab und seine Konnektivität war im Schlaf im Allgemeinen höher als im Wachzustand (Abbildung 4b; lineare gemischte Effekte). Modell, Schlaf/Wach: t62 =  2.616, p=.01 allo/ego: t62=0.427, p=.67, vor der Pause/nach der Pause -break: t193=1.726, p=.08, Voraufgabe/Nachaufgabe: t193 =  2.126, p=.04). Der Rückgang der funktionalen Konnektivität kann durch eine signifikante Veränderung von Post-Pause zu Post-Retrieval erklärt werden (t193 =  2.451, p=.017). Der Haupteffekt des Schlafes kann jedoch durch keine der experimentellen Manipulationen erklärt werden und könnte zufällig entstanden sein (Abbildung S5). Bemerkenswerterweise zeigte das primäre Hippocampus-Subnetzwerk, das hauptsächlich den Hippocampus und den bilateralen Parahippocampus-Kortex umfasste, ähnliche Konnektivitätsänderungen wie das rechte exekutive Kontrollnetzwerk. In diesem Fall haben wir nicht nur einen Anstieg vor und nach der Aufgabe festgestellt, sondern auch einen Anstieg der funktionalen Konnektivität vor und nach der Pause (Abbildung 4c; lineares Mixed-Effects-Modell, Schlaf/Wach: t62 =  0). 143, p=.89 allo/ego: t62=0.702, p=.49, vor dem Bruch/nach dem Bruch: t193=3.749, p < .001, Voraufgabe/Nachaufgabe: t193=4.535, p < .001). Dies spiegelte sich in einem signifikanten Unterschied zwischen Baseline und Post-Learning (t193=3.586, p < .001) sowie Post-Pause und Postretrieval (t193=3.338, p < .001) wider ). Abschließend haben wir getestet, ob die in allen Netzwerken beobachtete Änderung der funktionalen Konnektivität zwischen der Pause und dem Abruf mit der Gedächtnisleistung beim Abruf zusammenhängt. Dieser Effekt war für das rechte Exekutivkontroll-Subnetzwerk (lineare Regression,=0.016, p=.90), das Standardmodus-Subnetzwerk (lineare Regression,=0.655, p=.43) oder das Hippocampus-Subnetzwerk (lineare Regression,=0 .596, p=.44). Insgesamt erzielten wir in allen drei Subnetzwerken durchweg einen Effekt vor und nach der Aufgabe, mit einer Zunahme der exekutiven Kontrolle und des Hippocampus-Netzwerks und einer Abnahme des Standardmodus-Netzwerks. Nur das Hippocampus-Subnetzwerk erhöhte die Konnektivität vor und nach der Pause, und für das Netzwerk im Standardmodus wurde ein Hauptschlafeffekt beobachtet. Wie sich für unsere Schlafanalyse zeigte, hatte der Faktor Gedächtnis (Allo vs. Ego) keinen Einfluss auf die Veränderungen in den Ruhezustandsnetzwerken.

FIGUR 3

FIGUR 4

3,6|Ein schlafabhängiges Hippocampus-Subnetzwerk und eine schnelle Spindel-langsame Oszillationskopplung

Aus der Analyse von Samanta et al. (2021) ist offensichtlich, dass die Aktivierung des Precuneus/retrosplenialen Kortex nach dem Schlaf abnimmt, nicht jedoch, wenn die Teilnehmer während der Konsolidierungsphase wach blieben. In ähnlicher Weise extrahierten wir ein zweites funktionelles Teilnetzwerk des Hippocampus-Netzwerks, das sich auf den bilateralen retrosplenialen Kortex und die bilaterale Amygdala konzentriert (Abbildung 5a oben). Wir haben dieses Subnetzwerk anhand der SVD-Faktorisierung anhand eines Singulärwertspektrumkriteriums identifiziert (vgl. „Methoden und Materialien“). Hier untersuchten wir auch, wie sich Sitzungen, Schlafbedingungen und Gedächtnisbedingungen auf die Ergebnisse der Teilnehmer in diesem zweiten Modus auswirkten. Im Gegensatz zu den Aufgaben- und Pausen-Haupteffekten, die für die anderen Netzwerke festgestellt wurden, beobachteten wir nun eine Interaktion zwischen Sitzungs- und Schlafbedingungen (lineares Mixed-Effects-Modell, Sitzung * Schlaf-Interaktion t191=2.086, p {{5} } .04). Die funktionale Konnektivität des Subnetzwerks schien nur bei Teilnehmern abzunehmen, die während der Konsolidierungsphase ein Nickerchen machten. Dieser Effekt blieb bestehen, wenn nur ein Wechsel von Sitzungen nach dem Lernen zu Sitzungen nach den Pausen verglichen wurde (T-Test mit gepaarten Stichproben, t95=2.3971, p=.02). Daher haben wir auch Differenzwerte von einer Sitzung zur nächsten berechnet und getestet, ob diese signifikant von 0 abweichen. Eine signifikante Änderung trat nur für die Schlafgruppe von nach dem Training bis nach der Pause auf (t26 =  3.17, p=.01), wurde dies für die Wake-Gruppe (t38 =  1.363, p=.18) nicht gesehen. Daher waren wir daran interessiert, ob dieser Rückgang der Konnektivität zwischen Sitzungen nach dem Lernen und nach einer Pause im Schlafzustand mit der zuvor beschriebenen Kopplung zwischen Spindel und langsamer Oszillation zusammenhängt (siehe Abbildung 3c). Wieder wurden Korrelationsanalysen durchgeführt – dieses Mal jedoch für langsame Oszillationskontroll-Leistungsunterschiede (ausgedrückt in t-Werten) und den Änderungswert im Hippocampus-Subnetzwerk zwischen den Sitzungen nach dem Lernen und nach der Pause. Die Korrelationen wurden für jeden Zeit-Frequenz-Punkt in den jeweiligen aus der T-Karte extrahierten Spindelclustern berechnet. Ein signifikanter negativer Korrelationscluster wurde für schnelle Spindeln (Cluster: p < .001, maximales Pixel: ρ =  0.38, p < .01; Abbildung 5b, oben) und für langsame Spindeln (Cluster: p {{ 39}} .02, ρ =  0 .30, p=.03): Eine höhere Spindelleistung während des Aufwärtszustands der langsamen Oszillation war mit einer stärkeren Abnahme der funktionellen Konnektivität des Hippocampus-Subnetzwerks während des Schlafs verbunden . Die Cluster überschnitten sich teilweise mit den zuvor dargestellten signifikanten Antwortkorrelationsclustern (siehe Abbildung 3c). Diese Ergebnisse liefern Hinweise auf einen Zusammenhang zwischen der Koordination langsamer Schwingungen und Spindeln und der Abnahme der Konnektivität im Hippocampus-Subnetzwerk. Sie entsprechen den Ergebnissen, die für die Kopplungsleistung und das Verhalten zwischen Spindel und langsamer Schwingung erzielt wurden. Daher wollten wir eine triadische Beziehung zwischen der Änderungsbewertung in diesem Hippocampus-Subnetzwerk, der Kopplung zwischen Spindel und langsamer Oszillation und der Gedächtnisleistung herstellen. Wir haben den Änderungswert der Netzwerke im Schlaf auf die Speicherleistung beim Abruf zurückgeführt. Die Abnahme der Konnektivität im Hippocampus-Subnetzwerk ließ jedoch das Verhalten nicht signifikant vorhersagen (lineare Regression,=0.01, p =.94). Zusammenfassend haben wir ein Hippocampus-Subnetzwerk gefunden, das die funktionelle Konnektivität über Ruhezustandssitzungen hinweg bei Teilnehmern, die ein Nickerchen machten, verringerte. Die funktionale Konnektivität blieb bei den wach gebliebenen Teilnehmern weitgehend stabil. Dieser Effekt unterschied sich zwischen den beiden Speicherbedingungen nicht. Die Abnahme der funktionellen Konnektivität von der Zeit nach dem Lernen bis nach der Pause stand in positivem Zusammenhang mit der Kopplung zwischen Spindel und langsamer Oszillation während des Schlafs. Wir gingen daher davon aus, dass diese Konnektivitätsänderung ein Korrelat der Speicherkonsolidierung sein würde. Im Gegensatz zur Kopplungsleistung zwischen Spindel und langsamer Oszillation (siehe Abbildung 3c) ließ die schlafabhängige Konnektivitätsabnahme im zweiten Hippocampus-Subnetzwerk jedoch nicht auf die Gedächtnisleistung beim Abruf schließen.

ABBILDUNG 5

4|DISKUSSION

In dieser Studie wurden Ruhezustands-fMRT- und Schlaf-EEG-Daten verwendet, um die räumliche Gedächtniskonsolidierung während eines Nickerchens oder während der gleichen Wachphase zu untersuchen. Die Probanden lernten einen Zielort in einem virtuellen Wasserlabyrinth entweder mit unterschiedlichen Startorten (allozentrische Gruppe) oder mit demselben Startort (egozentrische Gruppe). Die Schlaf-EEG-Analyse konzentrierte sich auf die Kopplung zwischen Spindel und langsamer Schwingung, wobei Spindeln in schnelle und langsame Subtypen unterteilt wurden. Die Ruhezustands-fMRT konzentrierte sich auf Veränderungen in der Konnektivität innerhalb zuvor definierter Netzwerke. Wir konnten zeigen, dass die Kopplung zwischen Spindel und langsamer Oszillation positiv mit der Gedächtnisleistung nach einem Nickerchen und auch mit einer Abnahme der Konnektivität in einem funktionellen Hippocampus-Netzwerk, einschließlich des retrosplenialen Kortex, korreliert. Dieser Rückgang der Konnektivität wurde in der Gruppe, die wach blieb, nicht beobachtet. Aufgabenbezogene Zunahmen der Konnektivität wurden im exekutiven Kontrollnetzwerk und im anderen Hippocampus-Netzwerk beobachtet, während im Standardmodus-Netzwerk eine Abnahme festgestellt wurde. Diese Veränderungen waren nicht spezifisch für die Schlafgruppe, sondern wurden bei allen Teilnehmern beobachtet. Wir haben frühere Ergebnisse der Oszillationskopplung repliziert und gezeigt, dass langsame Spindeln in der Übergangsperiode vom langsamen Oszillations-Aufwärts- zum Abwärts-Zustand verschachtelt sind und schnelle Spindeln häufig unmittelbar vor und innerhalb des langsamen Oszillations-Aufwärts-Zustands auftreten. Wir fanden keinen Unterschied in der Kopplung zwischen Spindel und langsamer Oszillation zwischen allozentrischen und egozentrischen Trainingsgruppen. Die präzise Koordination zwischen Spindeln und langsamen Schwingungen wurde über den Zeit-, Phasen- und Zeitfrequenzbereich hinweg konsistent beobachtet. Überraschenderweise unterschieden sich diese Effekte nicht zwischen der Schlaftestsitzung, die unmittelbar auf die räumliche Lernerfahrung folgte, und der Schlafkontrollsitzung, bei der zuvor kein explizites Lernen stattfand. Die Tatsache, dass wir keinen Unterschied zwischen den Schlafsitzungen beobachteten, ist höchstwahrscheinlich auf methodische Einschränkungen des Studiendesigns zurückzuführen – das Kontrollschläfchen war immer das zweite Nickerchen –, da auch ein Unterschied in der Gesamtschlafzeit beobachtet wurde. Die fMRT-Analyse im Ruhezustand konzentrierte sich auf das Hippocampus-Netzwerk, das Standardmodus-Netzwerk und das rechte exekutive Kontrollnetzwerk. Diese Netzwerke wurden definiert und später mithilfe eines datengesteuerten Ansatzes in Teilnetzwerke unterteilt. Wir fanden hirnweite Veränderungen über Ruhezustandssitzungen hinweg, die mit unseren vorherigen Ergebnissen in der Aktivitätsanalyse übereinstimmten (Samanta et al., 2021). Aufgabenbezogene Änderungen der Konnektivität im Netzwerk im Standardmodus (Abnahme der Konnektivität) im Gegensatz zu Änderungen im rechten Exekutivkontrollnetzwerk (Zunahme der Konnektivität). Interessanterweise könnte das Hippocampus-Netzwerk in zwei Teilnetzwerke unterteilt werden: ein primäres funktionelles Teilnetzwerk, das sich auf den Hippocampus und den parahippocampalen Kortex konzentriert, und ein zweites funktionelles Teilnetzwerk mit dem retrosplenialen Kortex als Hubregion. Die funktionelle Konnektivität im primären Hippocampus-Subnetzwerk nahm vor und nach der Aufgabe und vor und nach dem Bruch zu. Die funktionale Konnektivität im zweiten Hippocampus-Subnetzwerk nahm während der vier Ruhezustandssitzungen ab – am deutlichsten während der Schlafpause –, und zwar nur bei Teilnehmern, die während der Pause schliefen, nicht aber bei denen, die wach blieben. Wie unsere Ergebnisse der Verhaltens- und Schlafanalyse hatten die Gedächtnisbedingungen (Allo vs. Ego) keinen Einfluss auf Veränderungen in keinem dieser Netzwerke. Unsere Ergebnisse deuten auf aufgabenbezogene und konsolidierungsbezogene Konnektivitätsänderungen in den funktionellen Netzwerken hin, die möglicherweise mit Gedächtnisreaktivierungen zusammenhängen.

Schließlich wollten wir unsere Schlaf-EEG-Ergebnisse mit den Veränderungen der Konnektivität im Ruhezustand und der Gedächtnisleistung in Beziehung setzen. Die Kopplung zwischen Spindel und langsamer Oszillation stand in positivem Zusammenhang mit schlafabhängigen Veränderungen im zweiten Teilnetzwerk des Hippocampus und mit der Gedächtnisleistung. Dies war spezifisch für den Schlaf nach dem Lernen und wurde in der Kontrollschlafsitzung nicht beobachtet. Zusammengenommen scheint die präzise Kopplung zwischen Spindel und langsamer Oszillation verhaltensrelevant zu sein und möglicherweise eine funktionelle Bedeutung für die Gedächtniskonsolidierung zu haben. Diese Kopplung könnte ein Mechanismus sein, durch den die funktionelle Konnektivität im Hippocampus-Netzwerk während der Gedächtniskonsolidierung moduliert wird.

4.1|Konnektivitätsänderungen in ruhenden Zustandsnetzwerken

Im Allgemeinen wurde gezeigt, dass Aufgaben die Gehirnaktivität im Ruhezustand nach der Aufgabe beeinflussen können (Lewis et al., 2009). Beispielsweise wurde eine Modulation der lernabhängigen spontanen Gehirnaktivität nach der Aufgabe bei kognitiven Aufgaben beobachtet, die Arbeitsgedächtnis, Emotionen und motorisches Training umfassen (Lewis et al., 2009). Eine solche Modulation von Gehirnregionen, die mit einer vorangegangenen Aufgabe verbunden sind, kann als eine Form der Ruhezustandskonsolidierung verstanden werden, die möglicherweise ähnliche Mechanismen wie die schlafbezogene Gedächtniskonsolidierung beinhaltet (Tambini & Davachi, 2019). Die Analyse der Konnektivität im Ruhezustand basiert auf der Korrelation verschiedener Voxel innerhalb eines Netzwerks. Reaktivierungen des neuronalen Gedächtnisses und die Stärkung von Gedächtnisnetzwerken sollten zu einer erhöhten Koaktivierung des Gedächtnisnetzwerks führen, was daher möglicherweise die Konnektivität innerhalb des Netzwerks erhöhen könnte, wie wir hier messen. Somit könnte man unsere Ergebnisse als Veränderungen der Reaktivierungen interpretieren, die während des Ruhezustands stattfinden. Wir zeigen gegensätzliche Veränderungen in der exekutiven Kontrolle und im Hauptnetzwerk des Hippocampus im Gegensatz zur Leistung des Netzwerks im Standardmodus vor und nach der Aufgabe. Die funktionelle Konnektivität des exekutiven Kontroll- und Hippocampus-Netzwerks nahm zu, während das Standardmodus-Netzwerk abnahm. Wenn diese Konnektivitätsänderungen durch auftretende Reaktivierungen induziert werden, deuten die Ergebnisse darauf hin, dass es nach einer Aufgabe mehr Reaktivierungen sowohl im exekutiven Kontrollnetzwerk als auch im Hippocampus gibt. Wir zeigten auch eine schlafspezifische Abnahme der Konnektivität in einem zweiten Hippocampus-Netzwerk, einschließlich des retrosplenialen Kortex. Möglicherweise könnte dieses Netzwerk die Verbindung zwischen dem Hippocampus und nachgelagerten Bereichen wie dem parietalen Kortex sein, der Teil des exekutiven Kontrollnetzwerks ist (Genzel, 2020). Eine Abnahme der Konnektivität in diesem Netzwerk würde daher darauf hindeuten, dass Reaktivierungen im exekutiven Kontrollnetzwerk und im Hippocampus nach dem Schlafen unabhängiger voneinander sind. Im Gegensatz dazu wären nach dem Aufwachen, wenn es keinen solchen Rückgang der Konnektivität gibt, Reaktivierungen im Kortex und im Hippocampus immer noch miteinander verbunden. Es wurde zuvor vorgeschlagen, dass die Reaktivierung im Kortex unabhängig von den Hippocampus-Reaktivierungen erfolgt, sobald die Konsolidierung vom Hippocampus zum Kortex fortgeschritten ist. Unsere Ergebnisse könnten diese Idee möglicherweise unterstützen. Die Messung der Konnektivität innerhalb des Netzwerks im Ruhezustand ist jedoch sehr indirekt und daher sollte dieser Befund durch direktere Messungen bestätigt werden, wie z. B. gleichzeitige Hippocampus- und kortikale neuronale Aufzeichnungen bei Nagetieren.

4.2|Aufgabenbezogene Änderungen im rechten Executive-Control- und Default-Mode-Netzwerk

Unsere Ergebnisse stimmen mit der von Samanta et al. durchgeführten Aufgabenanalyse dieses Datensatzes überein. (2021). Bei der Messung der Veränderungen der BOLD-Aktivität über Lern- und Abrufsitzungen hinweg, während die Teilnehmer die Aufgabe ausführten, beobachteten wir eine schlafbedingte Zunahme der exekutiven Kontrollregionen und eine Abnahme der Standardmodusregionen. In der aktuellen Analyse haben wir in den verschiedenen Ruhezustandssitzungen eine Zunahme der netzwerkinternen Konnektivität für das Executive-Control-Netzwerk und eine Abnahme im Standardmodus-Netzwerk beobachtet. Bemerkenswert ist, dass die aktuellen Ergebnisse im Gegensatz zu den Ergebnissen der Aktivitätsanalyse von Samanta et al. nicht spezifisch für den Schlafzustand sind. Diese Diskrepanz kann auf unterschiedliche Analyseansätze zurückzuführen sein. Samanta et al. (2021) untersuchten Änderungen der BOLD-Reaktion, jedoch nicht der funktionalen Konnektivität, für die beiden Netzwerke separat. Ihre funktionale Konnektivitätsanalyse basierte auf einem Seed-basierten Ansatz, der die Interaktionen zwischen einem vordefinierten Knotenpunkt des exekutiven Kontrollnetzwerks und dem Rest des Gehirns testete. Im Gegensatz dazu verwendeten wir eine unabhängige Komponentenanalyse, um unsere Netzwerke ohne a priori-Annahmen zu definieren, und bewerteten funktionale Konnektivitätsänderungen nur innerhalb jedes dieser Netzwerke. Diese methodischen Unterschiede könnten zu den unterschiedlichen Ergebnissen der beiden Analysen beigetragen haben. Es wird angenommen, dass das exekutive Kontrollnetzwerk die Aufmerksamkeit zwischen visuell-räumlichen Aufgaben verteilt und an zielgerichtetem Verhalten und Navigation beteiligt ist. Insbesondere dient der hintere parietale Kortex als kortikaler Integrationsort für hippocampal erzeugte allozentrische räumliche Informationen und egozentrische räumliche Orientierung, um die zielgerichtete Navigation zu steuern (Nitz, 2012; Whitlock et al., 2008). Darüber hinaus gibt es Hinweise auf die sequentielle Wiederholung oder strukturierte Reaktivierung von Gehirnregionen in der Ruhephase nach der Aufgabe, die an der Kodierung einer früheren Erfahrung beteiligt ist (Hoffman & McNaughton, 2002; Staresina et al., 2013). Insgesamt stimmen die Belege für die zentrale Rolle des parietalen Kortex bei der räumlichen Navigation und Wiedergabe in aufgabenrelevanten Gehirnregionen nach der Aufgabe mit unseren Erkenntnissen überein. Wir beobachteten eine erhöhte funktionelle Konnektivität im rechten exekutiven Kontrollnetzwerk, das sich auf den unteren hinteren Parietallappen und den Sulcus konzentrierte, im Ruhezustand von der Leistung vor bis nach der Aufgabe. Frühe Neuroimaging-Studien definierten das Standardmodusnetzwerk als ein aufgabennegatives Netzwerk, dessen funktionelle Konnektivität während der Aufgabenerfüllung im Vergleich zum Ruhezustand abnimmt (Buckner et al., 2008). Lin et al. (2017) lieferten eine zeitlich aufgelöste Ansicht der Netzwerkdynamik im Standardmodus während der Ruhezeit vor der Aufgabe, der Aufgabenleistung und der Ruhezeit nach der Aufgabe. Sie stellten fest, dass die Effizienz, ein Maß für die funktionale Integration, im Standardmodus-Netzwerk bei der Ruhepause nach der Aufgabe im Vergleich zur Ruhezeit vor der Aufgabe abnahm. Die globale Effizienz nahm im gesamten Netzwerk ab, und die lokale Effizienz nahm insbesondere im hinteren cingulären Kortex ab. Unsere Ergebnisse zeigen auch, dass das Standardmodusnetzwerk mit dem erheblichen Einfluss des hinteren cingulären Kortex die funktionelle Konnektivität von der Ruhephase vor bis nach der Aufgabe verringert. Es sollte darauf hingewiesen werden, dass als Ergebnis der unabhängigen Komponentenanalyse (ICA) und des Template-Matching-Verfahrens der hintere cinguläre Kortex, der präfrontale Kortex und der laterale hintere parietale Kortex am stärksten zur Netzwerkkonnektivität im Standardmodus beitrugen. Frühere Studien, darunter Samanta et al. (2021) berücksichtigten auch den Hippocampus und den retrosplenialen Kortex als Funktionszentren in diesem Netzwerk (Greicius et al., 2003; Vincent et al., 2006). Es wurde vorgeschlagen, dass alle diese Regionen zusammen ein Gedächtnisnetzwerk bilden, in dem Informationen während der Konsolidierung vom Hippocampus über den präfrontalen und retrosplenialen Kortex an nachgelagerte parietale Regionen weitergeleitet werden (Genzel, 2020). In unserer Studie waren der Hippocampus und der retrospleniale Kortex jedoch hauptsächlich Teil eines separaten Hippocampus-Netzwerks. Daher werden mehrere Ergebnisse unserer Studie, die zuvor dem Standardmodus-Netzwerk zugeordnet wurden, hier separat für das Hippocampus-Netzwerk diskutiert, einschließlich des Hippocampus, der Temporallappenregionen und des retrosplenialen Kortex. Unsere fMRI-Verarbeitungspipeline basierte auf einer ICA, die maximal unabhängige räumliche Netzwerke schuf. Daher konnten wir die Wechselwirkungen zwischen den funktionellen Ruhezustandsnetzwerken nicht testen. Dennoch deuten die gegensätzlichen Trends in der funktionalen Konnektivität der Netzwerke für die rechte Exekutivsteuerung und den Standardmodus in die gleiche Richtung wie frühere Untersuchungen. Es wurde gezeigt, dass gegensätzliche Verschiebungen zwischen dem Netzwerk des Standardmodus und dem Netzwerk der exekutiven Kontrolle den Übergang zwischen ruhender und fokussierter Aufmerksamkeit erleichtern (Goulden et al., 2014; Menon & Uddin, 2010). Bei dieser Übertragung werden Ressourcen im Gehirn neu zugewiesen, um die reizbezogene kognitive Verarbeitung zu unterstützen. Basierend auf unseren Beobachtungen ist der Antagonismus in der funktionalen Konnektivität zwischen den beiden Netzwerken möglicherweise nicht nur bei Übergängen vom Ruhezustand zum Aufgabenübergang vorhanden, sondern bleibt auch in der Ruhephase nach der Aufgabe bestehen und könnte somit eine Offline-Koordination relevanter Bereiche zur Stärkung der kodierten Erfahrung widerspiegeln.

4.3|Die Rolle des Hippocampus-Netzwerks bei der Gedächtniskonsolidierung

Durch die SVD konnten wir zwei funktionell relevante Subnetzwerke innerhalb des Hippocampus-Netzwerks identifizieren, ein Hippocampus-Subnetzwerk, das sich auf den Hippocampus und den parahippocampalen Kortex konzentriert, und ein zweites Hippocampus-Subnetzwerk, das hauptsächlich den retrosplenialen Kortex betrifft. Diese Subnetzwerke zeigten deutliche funktionelle Konnektivitätsänderungen während der vier fMRT-Ruhezustandssitzungen. Die funktionelle Konnektivität des primären Hippocampus-Subnetzwerks nahm nach der Aufgabenausführung in den Lern- und Abrufsitzungen zu. Dieser Befund könnte einer ähnlichen Ruhezustandskonsolidierung zugrunde liegen, wie sie für das exekutive Kontrollnetzwerk beschrieben wurde. Es wurde oft gezeigt, dass der Hippocampus als ursprünglicher Gedächtnisspeicherort Reaktivierungen hervorruft, die zu einer besseren Gedächtnisleistung nach Ruhe führen (Dupret et al., 2010). Wir beobachteten auch einen Anstieg der funktionalen Konnektivität nach der 90-minütigen Pause für dieses Subnetzwerk. Auf den ersten Blick scheint dieser Anstieg im Konsolidierungszeitraum im Widerspruch zu den vorgeschlagenen Mechanismen der Systemkonsolidierung zu stehen (Squire et al., 2015). Stattdessen würde man nach einer Konsolidierungsphase eine geringere Beteiligung des Hippocampus erwarten. Allerdings sollte man bedenken, dass es sich bei der aktuellen Messung nicht um die Aktivität an sich, sondern um die Netzwerkkonnektivität handelt und dass unser Konsolidierungszeitraum auf 90 Minuten begrenzt war. Das zweite Hippocampus-Subnetzwerk umfasste hauptsächlich den retrosplenialen Kortex, aber auch die medialen Temporalregionen. In der Literatur werden der Hippocampus, die Temporallappenregionen und der retrospleniale Kortex oft als Teil des Standardmodusnetzwerks angesehen, da sie im Ruhezustand eine starke Kohärenz zeigen (Greicius et al., 2003; Vincent et al., 2006). Kürzlich wurde jedoch ein „medial-temporales“ Subnetzwerk identifiziert, dessen Abnahme des Konnektivitäts-Oversleep mit einer erhöhten räumlichen Gedächtnisleistung verbunden war (Barnett et al., 2021; van Buuren et al., 2019). Zu den Kernregionen dieses Netzwerks gehören der mediale Temporallappen und der retrospleniale Kortex. Diese Strukturen entsprechen unserem zweiten Hippocampus-Subnetzwerk. Folglich könnte unser zweites Hippocampus-Subnetzwerk eine einzigartige Rolle bei der Gedächtniskonsolidierung spielen (de Sousa et al., 2019; van Buuren et al., 2019). Funktionell nahm die Konnektivität des zweiten Hippocampus-Subnetzwerks über die vier Ruhezustandssitzungen hinweg ab, jedoch nur für Teilnehmer im Schlafzustand. Der mediale Temporallappen und der retrospleniale Kortex gelten als relevant für die räumliche Navigation bei Menschen und Nagetiermodellen (Epstein et al., 2017; Peigneux et al., 2004). Diese Regionen werden durch den Schlaf funktionell moduliert, wobei es im Tiefschlaf zu einer allmählichen Entkopplung kommt (Spoormaker et al., 2010). Somit könnte das zweite Hippocampus-Subnetzwerk die hirnweiten Konsolidierungsmechanismen koordinieren, die die Aktivität der langsamen Spindeloszillation während des Schlafs beinhalten (Cowan et al., 2020; Navarro-Lobato & Genzel, 2020). Tatsächlich zeigen wir, dass unser zweites Hippocampus-Subnetzwerk, das sich auf den retrosplenialen Kortex konzentriert, durch den Schlaf erheblich moduliert wird und einen positiven Zusammenhang mit der Kopplungsleistung zwischen Spindel und langsamer Oszillation hat, die auch die Gedächtnisleistung vorhersagte. Die Kopplung von Wellen, Spindeln und langsamen Oszillationen kann ein Mechanismus sein, durch den Erinnerungen während des Schlafs von der anfänglichen Speicherung im Hippocampus bis zu stromabwärts gelegenen Bereichen wie dem hinteren parietalen Kortex – über den retrosplenialen Kortex – konsolidiert werden (Genzel, 2020; Hennies et al. , 2016). Unser zweites Hippocampus-Subnetzwerk könnte das neuronale Substrat sein, über das der Schlaf seine positiven Auswirkungen auf die Gedächtniskonsolidierung ausübt, zusätzlich zu einer allgemeinen Form der Konsolidierung im primären Hippocampus-Subnetzwerk, die zuvor besprochen wurde. Zusammenfassend zeigen wir, dass funktionelle Konnektivitätsmuster im Gehirn, die der Konsolidierung von Erinnerungen zugrunde liegen, möglicherweise nicht einfach auf die etablierten Ruhezustandsnetzwerke beschränkt sind. Mithilfe eines datengesteuerten Ansatzes haben wir varianzbasierte Subnetzwerke identifiziert. Insbesondere haben wir das Hippocampus-Netzwerk in eine hippocampuszentrierte schlafunabhängige Komponente und eine retrosplenial zentrierte schlafabhängige Komponente differenziert. Beide Netzwerke könnten an der Konsolidierung des räumlichen Gedächtnisses beteiligt sein. Dennoch könnte nur das zweite Teilnetzwerk des Hippocampus den positiven Effekten des Schlafs auf die Gedächtnisbildung zugrunde liegen, wie sein Zusammenhang mit der Kopplungsleistung zwischen Spindel und langsamer Oszillation zeigt, die die Gedächtnisleistung vorhersagte. Unsere Ergebnisse liefern eine verfeinerte Sicht auf das Hippocampus-Netzwerk bei der Gedächtniskonsolidierung, bei der sich seine funktionale Konnektivität im Ruhezustand beim Lernen, Konsolidieren und Abrufen einer räumlichen Gedächtnisaufgabe in einem 1--Tage-Paradigma unterschiedlich ändert.