文摘

学习的环境发生足以重新巩固存储记忆和神经活化可能是至关重要的在睡眠记忆的巩固。上下文相关的机制和睡眠记忆(重新)整合未知但涉及海马体。我们模拟内存(re)合并使用的联结主义模型海马明确占其CA1 proximodistal背腹侧的组织和处理。复制人类和啮齿动物(重新)整合研究取得了以下成果。(1)语义记忆项目之间重叠和附加学习是必要的,以解释实验数据和关键依赖于背但不是腹侧CA3的复发性网络。(2)Stimulus-free睡眠诱发内部的内存模式产生异构招聘内存物品和保护记忆从随后的干扰。这些模拟进一步建议减少内存弹性当受试者不允许睡觉后学习主要是由于外部的学习。(3)部分暴露在模拟睡眠(即学习上下文。,targeted memory reactivation) uniformly increased memory item reactivation and enhanced subsequent recall. Altogether, these results show that the dorsoventral and proximodistal organization of the hippocampus may be important components of the neural mechanisms for context-based and sleep-based memory (re)consolidations.

1。介绍

记忆形成过程可以分解为收购,整合和重新整合阶段中获得信息,存储,分别和修改1,2]。整合涉及到新的记忆的集成到现有内存网络;然而,记忆会变得不稳定,并可能通过几次的更新或重新整合3- - - - - -5]。在这个过程中,记忆项目与新成立的和先前存储内存物品(6,7]。虽然重新整合的机制仍不清楚,行为在人类和老鼠的研究表明,被动reexposure过去上下文能充分激活和改变学习的对象,是学会了在这种背景下8- - - - - -11]。

记忆可以通过联想的激活被重塑,和记忆在睡眠中也被证明回放(12- - - - - -14]。记忆回放已被建议作为主要的神经机制支持最近的整合形成的记忆(15- - - - - -17]。实验研究表明,积极整合过程在睡眠行为和在细胞水平上(18- - - - - -20.]。打断睡眠诱发记忆回放是有害的整合和随后的回忆性能(21]。相反,有针对性的记忆而在睡眠中通过引入一个气味或声音与行为相关联的任务在睡眠中可以增强记忆激活导致增加行为表现第二天(22- - - - - -24]。这些研究提供了行为数据,可以用来验证机械模型(重新)的整合过程。

海马结构的“三突触回路”被认为是记忆过程的中心(25,26]。输入的海马体源于肤浅的层内嗅皮层(27,28]。上下文信息从壁”,“通路通过内侧进入海马内嗅皮层(MEC),发现的空间选择性网格和边界细胞,可以依靠动物的环境(29日,30.]。补充这个语境输入,内嗅皮层外侧(LEC)已被证明与非空间提供海马体,object-related感官从颞叶神经元(“什么”信息31日,32]。从内嗅皮层输入到海马体是使正交化整个相对较大的齿状回(DG)到达CA3区(33,34]。神经元在CA3已经提出高复发性连接和自动完成部分信号并形成记忆协会之前被送到CA1 [35- - - - - -37]。这进一步表明亚区CA1更近端CA3比较联想的信息和未加工MEC的上下文信息,而远端地区整合CA3从LEC(输出直接对象的信息38,39]。因此,记忆和环境发生互动的方式处理三突触回路的总干事,CA3, CA1。

实验研究也表明海马的功能区别沿着背腹侧的轴(40- - - - - -42]。空间导航的背侧海马是必要的,因为它接收输入从感觉皮质比腹侧海马。输出预测的背侧和腹侧海马也不同,但三突触的组织网络沿着背腹侧的轴是守恒的。细胞功能,将火灾面积较大的空间罕见,这表明环境编码沿着背腹侧的轴在不同的尺度上。此外,模式形成的背侧CA3已被证明会偏向对象表示,而腹侧CA3细胞编码上下文(43,44]。计算模型被用来理解地方字段大小变化在空间导航和功能角色沿着背腹侧的轴(45- - - - - -47),但没有用于调查计算模型的动态记忆形成过程源于功能隔离。

背腹侧的组织的海马体和proximodistal轴的CA1区基本上没有在过去的计算模型由海马解剖(48这些模型),使其难以独立对象的复杂动力学和上下文关联。基于当前模型模拟上下文对象重新整合解决这个问题通过概念建模内存动态,使用上下文或一组关联的时间演化[49,50]。此外,模拟的睡眠过程主要集中在记忆复活(51,52在睡眠期间),而不是整合。

以前的工作表明,空间环境有重要影响的方式在不同的时间两个记忆学习存储和回忆8- - - - - -11]。这些实验结果,和许多其他人,使强,然而合理,假设记忆项目学习是互相独立的。实验测试项之间的语义重叠量是出了名的困难和大量的个体差异。然而,计算模型允许系统研究的影响这对回忆重叠。此外,迄今所有实验范式包括离线期间受试者进行“破坏”或“等待”期间他们的活动是不受控制的,在许多情况下没有监控。主题无疑获得新的记忆在这段时间里,其中一些可能显著干扰项是实验的一部分。这种新的学习记忆性能的影响的主题是未知的。再次,计算模型允许这种影响的系统研究通过控制量的干扰学习。

在这项研究中,我们使用一个联结主义模型强调的功能区别背侧和腹侧海马和近端和远端之间的区别CA1计算研究的联想与自发的记忆而导致(重新)整合。

2。材料和方法

2.1。模型架构

我们现在这里的网络结构是由解剖和功能的研究,与其他结构相比,形成对象上下文关联和选择能力面对5%的稳健参数变化(46]。该模型使用紧急模拟器实现(53]。网络交互包括背侧和腹侧部门海马部分和我们进一步隔离CA1沿着proximodistal轴,所显示(图的实验工作1(一))[39]。输入是由横向内嗅皮层的激活模式(LEC层大小 )和内侧内嗅皮层(MEC,层的大小 ,图1 (b))。这些层输出发送到背侧和腹侧齿状回(DG, 2层,背侧和腹侧,大小 每个),CA3(2层的大小 每个)和CA1(4层的大小 每个,表1)。预测的DG达到CA3 CA1进而发送输出。两个CA3层包括复发的所有连接(表2)。每个CA1进一步划分为远端(层大小 )和近端(层大小 细分,收到LEC MEC,单突触输入。层大小的选择是出于计算考虑,产生足够的组合选择使用的各种操作(如噪声变化、语义重叠)的模拟。八intrahippocampal层,dorsal-distal proximal-ventral CA1层是唯一没有收到相反的单突触的输入流(dorsal-distal层没有单突触的腹侧的输入流和proximal-ventral层没有单突触的输入从背流)。以来,通过设计,背流是由对象信息和腹侧流是由上下文信息,我们标签的输出dorsal-distal和proximal-ventral层“对象猜”和“上下文猜测,”。的dorsal-proximal CA1层接收来自context-dominated单突触的输入流(腹侧,MEC输入),应携带上下文信息。然而,因为它是polysynaptically偏见通过对象信息(背/ LEC流),这个上下文信息在一定程度上是基于对象的本质。因此我们标签的输出dorsal-proximal CA1“基于对象、上下文猜。“同样的输出ventral-distal CA1是贴上了“基于上下文对象的猜测。”,因为只有一个上下文和多个对象,基于对象的上下文猜层的大小相同的上下文表示,虽然这个上下文对象的猜测是比例的大小可能每个上下文对象现在的数量。

2.2。模拟

在模拟之前,突触连接权值都是随机初始化。离散的模型训练的时代,在一个时代的终结节点之间突触权重更新在一个错误驱动的方式使用广义循环算法(GeneRec) Leabra模型的系统(53- - - - - -55]。对象和上下文信息用于培训是由二进制表示 矩阵引入网络通过LEC MEC,分别(图1 (b))。

在某些模拟,我们操纵不同对象之间的相似性,捕捉可能主观语义之间的联系提供的刺激实验在人类身上(例如,娃娃和消防车都是“玩具”(8])或老鼠(例如,设置项目得到相同的回报交付系统(10])。对象重叠实施通过限制该地区潜在的活动中 矩阵(图2(一个),最高:没有限制,只有一个子集的神经元的下半部分矩阵的,底部:只有较低的第三)。重叠在一个网络层要求个人表示分享活跃的元素。限制活动元素的一个子集的神经元部队来概括这个模式的条目。从输入层到网络包括侧抑制和连接依赖的空间安排,以这种方式进行模拟是相同的分布重叠子集的活跃元素在整个输入矩阵。两个物体之间的重叠是事后评估使用(1),测量两个对象之间的相似度的表征。在测试过程中,一个对象被认为是正确回忆如果对象想输出0.5或更多的相似性与任何的输入对象,测试期间提出。

在复活的实验中,噪声输入用于激活先前学习对象的记忆是由伪随机激活对象的1 - 9%的神经元,确保活动神经元的数量保持不变(图2 (b))。

2.3。重塑模拟

我们首先研究了基于上下文对象记忆重塑了人类和啮齿动物的研究8- - - - - -11]。在这些实验中,受试者学会了第一套物品在空间上下文(set2:中的20对象对于人类来说,3 8馈电位置的老鼠,人物3(一个))。在一个固定的时间(休息),第二组项目提出了学习的(),在同一上下文(提醒组)或一个不同的上下文(无提示组)。另一组没有提出任何新的学习(干扰控制)。固定的时间后,受试者被要求召回第一组的物品(set2回忆中的)。在下面,我们关注的人类版本的任务。网络模型学习,我们训练一组20(伪随机)在一个给定的上下文对象,直到网络输入和输出之间的误差低于15%在4世纪的训练。占人体可能执行其他的事实,可能干扰,在休息时间学习,执行的模型还额外的项目学习在Set2或关于我校学习中的独特的环境不同于A和B的随机分布的矩阵元素在整个上下文。学习的对象(Set3.x)不同于Set2和关于我校但被允许中的平均的2.5 + /−0.5%重叠设置1和2。在人类实验中,也表现在控制模拟模型跳过关于我校学习和只训练一套新的对象在一个独特的背景(干扰)。对象想输出类似于从Set2被贴上正确回忆中的一个对象,在对象类似于对象从关于我校贴上关于我校的入侵。我们适合模型的性能实验数据通过不同的平均40对象重叠组成Set2关于我校以及合并后中的尺寸的中间Set3。x学习集。比较人类和啮齿动物实验(实验)结果与模拟(sim)我们最小的距离函数所示(2),同时占干扰(int),提醒(rem),无提示(norem)条件。

确定程度CA3的复发性网络,我们有选择地减少细胞的数量组合背,腹侧,或整个CA3 25%, 50%, 75%,和100%的名义尺寸。这些调整模型被用来模拟上下文对象内存重新整合模式。

2.4。睡眠模拟

研究睡眠的作用在内存中合并,我们训练模型使用不同的实验范式18,56]。学习一组20对象后,记忆复活是810年由测试模型对象上下文对由1 - 9%的随机活动(90对象上下文对噪声水平,图2 (b))。网络测试与噪声输入,但禁用了突触可塑性,允许内存而自发地回忆起以前对象上下文中建立突触权重的基础上,通过对学习。模拟复活在睡眠中,对象的输出层至少60%类似于以前学的对象之一是“反馈”为3的网络时代。这三个影响模拟复活的过程。

使用该协议的睡眠整合,我们模拟人类行为结果(18)如下:网络训练一组20对象(对象是类似于“一对”一词用于实验),15%的误差在给定的上下文中答:这些模拟加一个睡眠周期(复活(如上所述)或“唤醒”时期,重新整合实验的实现为额外的学习。在这些模拟,模型被要求学习干扰记忆项的3套(每组20个项目)在三种不同的上下文。在人类实验,记忆恢复力挑战通过课程学习一套新的对象醒来的时候,回忆起之前的原始对象集。调查的影响睡眠和唤醒模拟从随后的记忆恢复力干扰,在一套新的20日我们进行额外的培训对象(词对2)之前回忆最初的设置(图3 (b))。最后,模拟睡眠作为被动机制,仅仅保护记忆从干扰的感官输入,我们还进行了模拟不睡觉或醒来时代。

2.5。增强记忆在睡眠中

我们进行了一次额外的模拟测试的可能性有针对性的记忆而在睡眠中可以提高记忆的巩固(22- - - - - -24,57,58]。在实验研究中,受试者暴露于相同的气味在学习和随后的睡眠醒来时的显示,记忆提高性能。在我们的模拟中,气味是由局部上下文元素,表示之前已经建议(59]。人类研究模型,网络训练一组20对象在给定上下文中执行睡眠模拟与上下文的部分表示输入MEC的一半。局部上下文被允许代表每一个活跃的条目的原始上下文的伪随机值0 - 1除了1 - 9%噪声送入网络在记忆重播。

2.6。统计分析

Two-sampled未配对测试被用来测试意义数据模拟使用模型。意义是表示 , , 。

3所示。结果

仿真允许一项调查语义对象重叠以及影响学习记忆的影响稳定。图4显示了系统的结果不同的对象之间的语义重叠量(设在)和额外的数量,不相关的,在等待/休息时间学习(设在)的数量正确回忆Set2项中的(上)和关于我校项目context-induced渗透到Set2回忆中的(底部)。在这两种环境条件下,大多数set2项目中的正确回忆(数字4(一)和4 (b)上),尽管比关于我校学习Set2在不同的上下文中的(不同的环境条件,图4 (b)上)取得了更好的性能。严格注意,参数变化不产生平滑变化的回忆(或入侵,见下文)措施由于非线性的离散采样之间的交互重叠(连续变量)和中间项的数量(离散变量)。总的来说,语义重叠被发现set2回忆中的成反比,和增加中间项的数量对set2回忆中的学习几乎没有影响。在两组的条件在同一上下文(上下文条件相同,图4(一)底部),入侵的总体数量明显大于在不同的环境条件(图4 (b)底部),观察实验。一般来说,更大的语义重叠的对象产生了不正确的回忆和大量的入侵。相比之下,增加额外的项目学习的数量,同时保持重叠等没有显著变化的数量正确的召回或入侵(图4(一)底部)。

实验研究在人类(图5(一个))和大鼠(图5 (b))表明,总体数量的正确回忆set2项目中的相似环境条件和在干扰控制(蓝色酒吧、数字5(一个)和5 (b))。然而,一个清晰的差异被发现的入侵过程中产生回忆。入侵显著多如果关于我校项目学习在同一个上下文Set2物品(红酒吧,图中的5(一个))。使用模拟如图4,只有不同的语义重叠和干预学习,我们发现最适合人类和老鼠的实验数据略有不同。我们发现,10%的对象重叠和60对象干预学习(Set3)是最适合人类的数据(图5 (c)),70年,12%的对象重叠和干预得知对象是最好的适合啮齿动物实验数据(图5 (d))。

因为CA3的严重复发性网络一直被执行等功能模式完成(36,37),我们研究了影响记忆重塑通过人为地灭活的一个随机子集CA3神经元。采取上述参数派生数据匹配的啮齿动物,没有失活(100%体积),正确的数量召回set2物品和入侵的数量匹配中的行为数据相同的和不同的上下文(数字6(一)和6 (b),100%体积的数据点)。增加整个结构的失活水平产生正确回忆的递减项(蓝色方块,减少体积),(同样的背景下,图6(一))或没有影响(不同的上下文中,图6 (b))入侵。通过设计(图1),CA3接收对象和上下文信息的混合物。接下来我们研究了选择性的灭活效果的背侧和腹侧CA3的区域。选择性背侧CA3 set2正确回忆中的失活有两相的影响。不管上下文,失活行为性能恶化,直到约50%此时有大约相同数量的正确回忆入侵(数字6 (c)和6 (d)箭头)。进一步减少CA3神经元恢复正确set2回忆中的性能,使得入侵低。有趣的是,失活的腹侧CA3对set2正确回忆中的的影响比较小,小性能下降50%只失活在不同的环境条件下(图6 (f)箭头所指)。关于我校入侵仍类似于完整的条件(100%),其他级别的失活。有趣的是,CA3的总失活或背侧CA3取得了完美的回忆和微不足道的入侵在这两种环境条件,表明背侧CA3的复杂的周期性网络可能负责效果观察(正确set2性能中的低和上下文相关的入侵)。

睡眠的特点是自发发生的活化在最近收购了记忆的神经表征物品重播。这些重复的事件被认为是由各种振荡机制如海马锋利的海浪和corticothalamic纺锤波,尽管这些振荡的确切方式限制重播还不清楚。目前还不清楚哪些记忆项重播,什么原因。作为第一步,我们用模型诱导记忆在睡眠中复活。我们训练网络组20对象重叠平均为10%。模拟记忆回放在睡眠中,我们首先禁用突触可塑性,让网络自发反应不同的对象和背景噪声应用到其输入层。因为学习建立突触连接的set2,中的我们假设网络将响应非随机的方式将反映set2项目中的。不同数量的输入噪声产生对象的猜测,提出各种与set2对象(图中的大量的相似性7(一))。图表显示,小型(1 - 2%)或大型(7 - 9%)大量的输入噪声无法产生输出与相似度大于60% set2(只有蓝色和绿色的酒吧)中的。中间噪音水平(3 - 6%)能够增加相似,与90%相似set2 3%中的噪声水平。3%噪声最优,符合活动的LEC收到对象学习期间(6/256 = 2.4%);然而,这些随机输入无关重播的对象(对象/噪声相似度= 3.45±0.11%)。平均在那些箱子显示set2项目中的与一些物品没有重播重播不均匀(如项目11和13,图7 (b))和其他人比其他人更被重播(例如,8和9,图7 (b))。测试这个假设不均匀的回放与初始对象学习,我们指出,召回后培训对象的相似性是线性相关的在回放他们的相似之处 。控制模拟没有set2学习中的显示对象想输出相似度大于50%(没有显示)。

调查的角色内存重新激活记忆的巩固在睡眠中,我们开发了一个协议来训练网络激活项目。我们首先训练网络set2项目中的10%平均20日重叠。训练后,突触可塑性是禁用的(冷冻突触权重,如上所述)和810年输入1 - 9%组成的随机噪声(90对象上下文对比例的噪音,图2 (b))网络的输入。如果一个对象猜的相似性与set2项中的至少60%,然后猜测和上下文猜测的对象被反馈到LEC MEC,分别和突触可塑性3时代(即被允许发生。reactivation-driven突触修改)。为了测试我们提出睡眠诱发记忆巩固协议,我们模拟了实验的埃伦伯根et al .(2006)发现睡眠保护新收购的记忆干扰由于postsleep学习(图3 (b))。图8(左)总结了实验结果。没有额外的关于我校学习,科目可以召回Set2项目中的很好,他们是否被允许睡觉之前回忆(橙色散列的酒吧,图8),一个小近乎显著增强回忆如果睡眠被允许( ,而不是如图所示)。如果关于我校学习,然而,发现了一个显著差异。主题不允许睡觉召回set2项目中的不到40%,而主题被允许睡回忆几乎80%的set2对象(绿色散列的酒吧,图中的8)。使用模型在前面的模拟调谐,并没有任何新的修改,我们可以紧密地再现对象保持清醒状态的假设下的实验数据实际上是接受额外的学习(学习模型清醒清醒,”图8)。删除这个额外学习减少了拟合优度和生产no-set2学习性能和较低的关于我校学习性能比实验观察(图8,对大多数酒吧)。这个结果表明模型架构和重播协议足以捕获的性能特性试验,部分原因为什么清醒组是如此之低的性能依赖于事实对象进行控制/无监视的学习干扰实验记忆的存储物品。在实验和模型中,睡眠不召回,但增加韧性增加额外的干扰学习()。

进一步测试我们的模型数据和协议,它不是最初设计,我们进行了模拟,旨在评估目标内存的语境输入的作用而在睡眠中。实验研究表明,当项目学习在一个特定的气味的背景下,展示,气味在慢波睡眠(但不是REM)将提高受试者在随后召回的性能(22)(图9(一个)散列酒吧)。模拟实验,包括我们的部分表示与学习相关的上下文set2在我们睡眠中的模拟。没有添加部分上下文对象上下文的输入噪声对(类似于车辆条件)在回放期间,我们的模型产生一个正确回忆分数与快速眼动睡眠或SWS-vehicle条件在人类(图9,对大多数灰色栏)。的部分表示set2上下文中的输入(类似于人类的气味)添加到对象上下文噪声对召回的明显改善(图9黑条)。仔细分析每个set2项目中的复活的方式在睡在这个局部上下文条件表明,所有记忆项目在类似的方式(图重播9 (b),而图7 (b))。这个结果表明,使用上下文信息偏差回放一个强大和统一的影响与上下文相关的内存记忆印痕。期间之后,这气味不存在影响对象回忆,回忆我们还没有发现差异,如果气味set2回忆中的前提出了模型(图10)。

4所示。讨论

在这项研究中,我们探讨了机制的内存(re)合并使用海马体的联结主义模型,包括隔离成背侧和腹侧通路和沿着proximal-distal CA1轴,结合对象和上下文信息的LEC MEC,分别。记忆被认为作为表征存在突触权重在分布式网络使用组合代码(60,61年),所以任何神经元可以导致多个内存项目表示。而这个属性允许网络存储大量记忆,它要求记忆并不完全独立于彼此,必须共存。计算,大多数模型实现记忆没有表示重叠,而实验努力选择刺激几乎没有相似之处,他们只能希望方法大多数模型中使用的零重叠状态。在这项研究中,我们已经表明,内存重叠必须包含在上下文对象重新整合占实验数据。使用这个模型,我们量化语义重叠,可能存在于人类和啮齿动物的研究(9,10]。此外,我们调查的影响中间学习以外的实验,实验的参数难以控制行为的研究。中间学习对象的数量减少猜测从set2通过提供中的逆向干扰的方式创建的竞争在记忆(62年]。而这个参数不太重要的支持行为的发现,这是一个变量,必须包括适当的模型这个范例。研究者进行实验项目与人类或动物被要求研究对象与现有网络结构编码过去的经验。我们模拟建模这个约束的随机初始化突触连接的优点。它是最谨慎的方法,缺乏占现有知识真正的主题。最显著受益于这个实现是需要更少数量的模拟再现实验结果。所有这些发现支持和部分解释最近的证据表明,先验知识对于记忆复活和整合(可能是至关重要的63年]。

我们发现背侧CA3上下文对象重新整合是必要的。这个结果与之前的研究和理论兼容建立海马CA3的主要吸引子网络(36,37]。注意CA3的关键位置在我们的模型,这表明海马CA3是一个“集线器”,调解对象上下文关联。有趣的是,背侧CA3完全移除时,模型召回Set2完美中的和没有关于我校的入侵。这可以归因于这样一个事实:没有背侧CA3,网络受限的学习对象是基于直接LEC distodorsal CA1通路从上下文撞击分离,从而防止对象上下文关联的形成。这表明海马没有CA3可以组成对象的记忆,但它不能形成对象上下文关联没有它。这可能是“代价”因为拥有pattern-completion复发性网络。这与动物损伤研究,啮齿动物没有CA3意识到回报,但在本地化受损奖励使用上下文线索(64年]。另一个例子是在蹒跚学步;之前CA3复杂对象上下文关联的发展无法形成使用直接LEC CA1通路(65年]。

接下来,我们评估潜在的重复记忆的训练模型将噪声引入系统。可塑性在网络结构使动物适应环境对后续相同或相似刺激并作出相应的反应。网络暴露在一个随机的输入时,噪声中渗流通过学会内部结构偏差输出。这是复发的属性autoassociative网络,提出了作为记忆的机制激活(14]。这种现象很好地呈现在人类成像研究学习了雕刻自发的大脑活动在静止状态(66年]。使用噪声重新激活记忆的痕迹已经做过计算(51,52];然而,利用这些输出再加工的记忆没有从这些研究。最近的计算研究还显示噪声诱导记忆再加工(67年),但该模型假定记忆在睡眠中没有加强,而突触连接是表达下调恢复突触体内平衡。

在十年前,这是积极指出,睡眠会使突触连接为了维护网络内稳态(68年,69年]。概念以来,睡眠和突触内稳态假设已被证明在果蝇实验(70年),但是,没有更多的数据。突触体内平衡的一个重要方面是正常的网络功能;但是,它最近表明,稳态突触机制可能发生独立的睡眠周期71年]。此外,许多研究表明,离线记忆过程在睡眠中可能是添加剂(18- - - - - -20.)而不是乘法的体内平衡理论。监控树突分支中使用双光子显微镜住啮齿动物表示,睡眠改善后树突结构弹性睡眠当内存而发生(20.]。此外,它已被证明在人类睡眠保护记忆对随后的干扰(18),我们重新创建这个结果通过加强记忆。差别而不是使用突触对这些调和这些反对意见,用玻耳兹曼飙升网络模型计算研究睡眠减少输入频率和可塑性突触体内平衡机制和预测可能发生在REM睡眠(72年]。这与啮齿动物最近的一项研究表明动物快速眼动睡眠中断显示减少突触的动物相比,降尺度(73年]。当我们不包括降尺度模拟操作本身,我们的模型并修改突触权重上下学习期间,和再学习重播记忆可能间接地充当了体内平衡机制。

模拟睡眠重新激活记忆,然后积极处理匹配行为数据。兼容人类研究,我们的研究结果表明,睡眠不能提高检索性能相比,醒来没有干扰的挑战。我们发现内存韧性显著提高干扰通过学习重新激活记忆相比,不执行额外的处理。这些结果表明,重播的记忆是积极用于处理新形成的记忆。分子、基因参与清醒学习是调节睡眠74年,75年),进一步表明添加剂学习过程发生在睡眠中。然而,这种机制建议任何表现为记忆会合并是否正确存储与否,实际上它实验表明,即使是错误记忆在睡眠中增强[76年]。

我们的模型表明,海马的反馈循环记忆回放期间可能是必要的。记忆在睡眠中复活海马依赖大幅波涟漪,这被认为起源于CA3 [51,77年)和内嗅皮层传播(78年]。有趣的记忆复活的DG CA3[已被证明遵守活动79年),这表明信号必须在海马体循环的方式传播。实验详细深肤浅的途径在输出循环内嗅皮层,海马回三突触网络(80年,81年]。Deinhibition这个途径导致癫痫发作的82年- - - - - -84年),这表明只有弱信号自然循环。海马体的循环结构可以被再次激活的记忆。

模拟还表明,一个单独的“召回”本身可能不存在,但是,事实上,回忆总是伴随着学习和随后的重新整合的物品被召回3- - - - - -5]。从这个角度来看,有可能是潜在的神经过程的自发发射发生在睡眠诱发记忆回放的过程发生在清醒的记忆检索都是相同的,可以依靠NMDA受体介导高峰时间依赖性突触可塑性(85年](记忆重塑的计算调查旨在了解NMDA和钙流入的作用在突触效能,看到86年])。

除了在睡眠中主动学习,该模型表明,局部上下文对象的输入可以增加激活相关的上下文。已经证明气味暴露在受试者学习清醒前人类的活动增加了海马体在啮齿动物(腹),和气味暴露在慢波睡眠增加了活动前和后海马(腹侧和背在啮齿动物中,resp。) (22]。这表明,气味编码上下文在清醒状态(59),其在睡眠可以刺激背电路重新激活相关的对象。我们的结果重现和解释这些发现通过偏置随机上下文输入MEC整体与局部上下文对象激活增加。这表明,这些额外的内存的整合而导致增加召回后睡觉。在场的气味在睡眠中允许较弱的存储记忆,与协会的气味在之后,成为重新激活和加强。

在实验研究中,我们的模型表明活化对记忆的影响之间的差异或睡眠中醒来稳定。后重新激活记忆退化上下文提示后额外的学习期间,同时激活睡眠导致增强通过再学习重播的记忆。这些结果的区别是根植于他们的身体状况。后重新激活发生在存在其他不相关的学习,在我们的模拟、建模通过小说的学习对象集。相比之下,我们的模型保存在睡眠诱发的记忆复活从额外的外部刺激。从这个,似乎记忆回放本身艾滋病合并;然而,如果激活发生在额外学习的存在,它会导致疲软之前的记忆,重新整合。此外,我们的研究结果表明,odor-driven目标内存而在睡眠中可以增加整合流程,之后,这似乎没有添加剂的效果没有引入另一组学习。最近的一项研究在人类研究这种二分法使用价值和听觉提示对象而不是气味(24]。

学习在我们的模型可以被理解为形成内存空间受到网络结构的吸引子,和我们的研究结果表明,CA3形成这些流动的一个子集是必要的。通过改变刺激重叠的上下文相关的记忆,我们的研究结果建议重新激活流动如何与新成立的交互流动。此外,我们的研究结果还细节中间学习如何降低内存空间的一个吸引子。与退化,整合在睡眠中出现稳定的吸引内存空间。噪声传播通过网络就可以恢复记忆编码在突触连接,和上下文关联定义一个吸引子可以利用偏见记忆回放在唤醒和睡眠。

信息披露

贾斯汀行新地址如下:在神经科学研究生项目,明尼阿波利斯,明尼苏达州大学MN 55455,美国。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

研究导致这个出版的部分资金由美国海军研究MURI-Office (ONR) N000141512838, N000141310672 N000141612829。作者要感谢Steven McLoon他宝贵的帮助在这个手稿的准备,马修煮他帮助运行模拟,布莱恩哈珀和艾玛·阿姆斯特朗与手稿编辑他们的帮助。