|
1，brain：不同的结构损伤模式构成了创伤性脑损伤后工作记忆和推理能力缺失的基础2，Annual Review of Neurosci：CA2：高度连接的海马内继电器3，Annual Review of Neurosci：巩固，再巩固和长时记忆维持的受损导致记忆消除4，Annual Review of Neurosci：果蝇蕈体：学习回路中的体系结构到算法 1，不同的结构损伤模式构成了创伤性脑损伤后工作记忆和推理能力缺失的基础 期刊：Brain 作者：CholeFu 
局部图论网络测量与认知表现的关系 创伤性脑损伤后的慢性认知问题与弥漫性轴索损伤及由此引起的大范围的脑连接中断有关。然而，弥漫性轴索损伤的模式因患者不同而异，其认知功能缺陷也存在相应的差异。这种异质性尚不清楚，为预后和治疗提出了一个重要的挑战。认知问题中最突出的是工作记忆和推理能力的缺陷。先前的功能核磁共振成像(fMRI)将认知的这些方面与不同但部分重叠的大脑区域网络联系起来。基于此，一个合乎逻辑的预测是，连接这些网络的白质束的完整性的差异，可以预测创伤性脑损伤后认知缺陷的类型和严重程度的可变性。我们使用扩散加权成像、认知测试和网络分析来验证这个预测。我们定义了结构连接体的功能上不同的子网络，通过参考以前发表的fMRI结果，找到在我们的工作记忆和推理任务中被激活的脑区，以及连接它们的白质束。在92例重度创伤性脑损伤患者中，我们研究了这些子网络中的图论测量与相同任务的表现之间的关系。最后，我们使用机器学习来确定是否可以通过来自每个子网络的图论测量来预测患者的认知表现。行为得分的主成分分析证实，推理和工作记忆构成了认知能力的不同组成部分，而这两者都容易受到创伤性脑损伤的伤害。重要的是，这些能力的损伤在创伤性脑损伤后以一种可分离的方式与相关的子网络的信息处理结构相关联。这种分离在使用典型相关分析检查子网络的度中心性度量时得到了证实。值得注意的是，这种分离普遍存在于许多以节点为中心的测量中，并且是不对称的；工作记忆子网络的中断与工作记忆和推理性能有关，而推理子网络的中断则与选择性推理性能有关。机器学习分析进一步证实了这一发现，即网络测量以同样不对称的方式预测患者的认知表现。这些结果符合工作记忆的层次模型，其中推理依赖于在工作记忆中首先保存任务相关信息的能力。我们认为，这些更细微的信息可能对试图预测长期结果或开发定制治疗的应用程序有用。https://academic./brain/article/143/4/1158/5815602期刊：Annual Review of Neuroscience 尽管Lorente de No’早已意识到海马区Cornu Ammonis（CA）2区域在解剖学上的差别，但直到现在，该区域还没被发现具有独特的功能。
CA2位于与内嗅皮层和齿状回组成经典的三突触回路的CA3和CA1之间。因为CA3和CA1都是神经回路的关键参与者，分散了对CA2的研究兴趣。然而，CA2锥体细胞的连接性及其独特的基因表达模式，暗示着其对海马信息处理的贡献应该比已知的更大。 本文回顾了近期进展，确定了CA2在海马中心处理中的新作用，以及在社会记忆中作为新奇事物传播者的特殊功能。这些新数据以及CA2在疾病中的作用，证明了我们应该仔细研究这个小区域如何发挥作用，以及如何最好地利用它来理解和治疗与疾病相关的神经回路功能障碍。 https://www./doi/abs/10.1146/annurev-neuro-080719-100343期刊：Annual Review of Neuroscience 神经科学中长期存在一个问题，健忘症是由消除记忆痕迹（存储障碍）引起的，还是由于无法访问记忆痕迹（检索障碍）。解决这个问题的最直接方法是量化长期记忆的大脑机制（BM-LTM）变化。这种方法认为，如果健忘症是由于检索障碍引起，则BM-LTM的水平应保持与训练过但记忆未受损动物的水平相当。相反，如果由于存储障碍引起，则BM-LTM应减少到未经训练的水平。 本文回顾了一些通过针对记忆维持或巩固来诱导失忆的研究中对BM-LTM的使用。文献结果强烈指向健忘症是由于储存而不是检索障碍造起的，并指出将从健忘症中恢复过来作为理解健忘症本质的纯行为学范式的一些缺点。 https://www./doi/abs/10.1146/annurev-neuro-091319-024636期刊：Annual Review of Neuroscience 果蝇的大脑包含一个相对简单的回路，用于形成巴甫洛夫关联，然而它却实现了许多记忆系统中常见的操作。最近的研究进展为果蝇的学习建立了明确的框架，并揭示了以下关键操作：a）模式分离，通过对气味的密集组合表征进行预处理，以生成用于学习的高度特定、不重叠的气味模式；b）趋同，将感觉信息汇集到少量指导行为反应的输出神经元上；c）可塑性，其中改变感觉输入到行为输出的映射需要强大的增强信号，而强化信号也受内部状态和环境情境的调节；d）模块化，其中记忆是由多条并行迹线组成，这些迹线的稳定性和灵活性各不相同，并且存在于解剖学定义明确的网络模块中。在过去的经验影响未来学习的情况下，跨模块的交互作用可以产生更高阶的效果。许多这类操作与更复杂的大脑中的记忆形成和动作选择过程相似。https://www./doi/abs/10.1146/annurev-neuro-080317-0621333期刊：Nature communications 本研究提出了一种多体素分析方法——特征特异性信息连接(feature-specific information connectivity，FSIC) ，它利用神经网络的层级化表征来解码当参与者完成情景视觉回忆任务时，fMRI 数据中的神经再激活。 研究发现，与低层级特征(例如边缘)、高层级特征(例如面部特征)和语义特征(例如“梗犬”)相关的神经再激活发生在整个背侧和腹侧视觉通路中，并延伸到额叶皮层。 此外，研究还发现，当误导图像和目标图像的语义相似时，低层级特征和高层级特征的再激活都与记忆的生动性相关，但只有低层特征的再激活与识别的准确性相关。 本研究一方面证明FSIC方法在绘制特征特异性激活方面的有效性，另一方面解释了低层级和高层级特征对视觉记忆生动性的贡献，并对严格的前后视觉层次化处理结构提出了挑战。 https:///10.1038/s41467-020-15763-2校审：Freya（brainnews编辑部） 题图：Singularity Hub
欢迎加入超过 18000人的 全球最大的华人脑科学社群矩阵
|
