紡錘体と低速振動の結合は、睡眠後の海馬ネットワークにおける記憶性能および接続性の変化と相関する

抽象的な

経験がエンコードされた後、睡眠中にエンコード後の再活性化が長期記憶の固定を仲介することが提案されています。 ノンレム睡眠中の紡錘体と低速振動の結合は、海馬の皮質対話が新たに形成された記憶エングラムを強化するメカニズムの候補である。 今回我々は、自己中心的学習戦略と自己中心的学習戦略を含む仮想水迷路課題を用いて、人間の空間記憶の強化における高速紡錘体と低速紡錘体と低速の振動連成の役割を調査した。 さらに、データ駆動型アプローチを使用して、このタスクの学習、統合、検索を通じて静止状態の機能的接続がどのように進化したかを分析しました。 私たちの結果は、実行制御ネットワーク、デフォルトモードネットワーク、およびタスク後の休息時の海馬ネットワークにおけるタスク関連の接続性の変化を示しています。 海馬のネットワークはさらに 2 つのサブネットワークに分割でき、そのうちの 1 つだけが睡眠による変調を示しました。 このサブネットワークにおける機能接続の低下は、スピンドルと低速発振の結合電力の増加に関連しており、これはテストでのメモリ性能の向上にも関連していました。 全体として、この研究は、機能的安静状態ネットワークと、空間記憶の固定に関連する睡眠中のメカニズムのより全体的な理解に貢献します。

Citanche 体験 - 記憶力の向上

キーワード

記憶の固定化、静止状態のネットワーク、睡眠、遅い振動、紡錘体

1|導入

システム固定理論は、長期記憶形成のフレームワークとして最も広く研究されているものの 1 つです。 この理論は、学習中に暗号化された脳内の不安定なエングラムが、再活性化を繰り返すことで強化されると仮定しています。 時間の経過とともに、このプロセスはより安定した長期表現、つまり統合された記憶トレースにつながる可能性があります (Squire et al., 2015)。 エングラムの再活性化は主に睡眠中に起こると考えられていますが、静かな休息中にも見られることがあります。 システムの統合の根底にある潜在的な重要なメカニズムは、非急速眼球運動 (NREM) 睡眠中の 3 つのイベント タイプの階層的調整を構成します: (1) 高振幅の皮質低速振動、(2) 視床側駆動紡錘体、および (3)海馬の鋭い波紋。 前頭前皮質における遅い振動の増減によって駆動されるこれらの振動の調整（Helfrich et al., 2019）は、海馬の皮質（Sirota et al., 2003）および脳への情報伝達に理想的な時間窓を設定すると考えられています。 -システム統合の基礎となる広範なシナプス統合プロセス (Genzel, 2020; Genzel, Kroes, et al., 2014; Navarro-Labato & Genzel, 2020)。 ヒトでは、2 種類の紡錘体が一貫して特定されています。低速紡錘体 (約 9 ～ 12.5 Hz) と高速紡錘体 (約 12.5 ～ 16 Hz) であり、それぞれ前頭部と頭頂中心部で最も顕著です (Adamczyk et al. 、2015;Anderer et al.、2001）。 どちらのタイプのスピンドルも低速振動を伴います。 高速スピンドルは、低速振動の励起可能なアップ状態にネストされることがよくありますが、低速スピンドルは通常、低速振動の抑制性ダウン状態への移行期間中に発生します (Molle et al.、2011)。 高速紡錘体は、海馬の鋭波の波紋と一致するため、海馬と新皮質の間の情報伝達を促進する役割を果たしていると考えられている（Staresina et al., 2015）。 ほとんどの場合、リップルが先行する遅い紡錘体は、伝達された情報の皮質の架橋と、新皮質の記憶表現を形成するための前頭前回路の変調に関連している可能性がある(Molle et al., 2011)。 ただし、人間の研究においてのみ、遅い紡錘体と速い紡錘体の間に一貫した分裂が見られます。 この細分化は動物研究ではほとんど行われないため、各紡錘体タイプの異なる機能についての具体的な証拠は不足しています。 これら 2 つのスピンドル タイプが動作に及ぼす影響は、さらに決定的ではありません。 最近のEEGの調査結果は、速い紡錘体と遅い振動の結合の量と一貫性の増加が宣言記憶のパフォーマンスの向上に関連していることを示しています（Hahn et al., 2020; Muehlroth et al., 2019; Niknazar et al., 2015）。 。 海馬の鋭波の波紋、遅い振動、および齧歯動物の前頭紡錘体（ヒトの遅い紡錘体の類似体である可能性がある）の間の協調を実験的に強化した結果、記憶能力も向上した（Maigret et al., 2016）。 対照的に、ヒトにおける遅い紡錘体と遅い振動の連成に関する予備的な発見は、遅い紡錘体と遅い振動の連成が増加するか、まったく効果がなくなると宣言的記憶能力が低下することを示しています（Barakat et al., 2011; Muehlroth et al., 2019）。 したがって、記憶の固定化においては、両方の紡錘体タイプの行動上の関連性を解きほぐすことが重要です。 オフラインの固定化における睡眠と海馬の重要性を考慮すると、「海馬に依存しない」記憶とは対照的に、海馬に依存した記憶の固定化において睡眠が明確な役割を果たしているという仮説が立てられています。 これら 2 種類の記憶は、空間ナビゲーション パラダイムを使用して調査できます。 環境内でのナビゲーションには、さまざまなナビゲーション戦略、つまり他中心的戦略と自己中心的戦略の使用が含まれます (レビュー用、Ekstrom et al.、2017)。 アロセントリック基準フレームでは、ナビゲータは安定したランドマークの相対位置に基づいて自分の位置を推測できます。 他動中心的な空間学習は、ランドマーク位置の空間認知地図を必要とするため、海馬に強く依存することが示唆されている (O'Keefe & Nadel、1978)。 対照的に、自己中心基準フレームはナビゲータの動きに応じて連続的に変化します。 自己中心的な空間学習中、ナビゲーターは、背側線条体が重要な構造として特定された移動距離と方向を追跡する必要があります (McDonald & White, 1994)。 したがって、空間的な文脈では、自己中心的なトレーニング条件と自己中心的なトレーニング条件では固定メカニズムが異なり、それに応じて記憶能力に影響を与えると提案される可能性があります。 しかし、最近の証拠は、以前は海馬に依存しないと考えられていた記憶（Sawangjit et al., 2018; Schapiro et al., 2019）であっても、睡眠中の固定化に海馬が関与していること、および睡眠後の他動性と自己中心性にわたる同様の機能ネットワークの変化を示している。トリックトレーニング (Samanta et al., 2021)。 したがって、睡眠中に 2 つの参照フレームの空間情報がどのように統合されるのか、またこれらのメカニズムがメモリのパフォーマンスにどのような影響を与えるのかは未解決のままです。 システムの記憶固定における睡眠の役割に多くの研究が焦点を当ててきたが、げっ歯類（Davidson et al., 2009; Diba & Buzsáki, 2007）と人間（Schuck & Niv, 2019; Tambini & Davachi, 2013）の両方を対象とした研究で実証されている。学習直後の覚醒休息期間中のシステム全体の統合プロセス。 睡眠依存性の固定と同様に、イベント表現はエンコード後の休息中に海馬-視床皮質ネットワークで自発的に再活性化されます（詳細なレビューについては、Tambini & Davachi、2019を参照）。 これらの再活性化の重要なノードには、内側側頭葉皮質と後脾皮質を中心とする海馬ネットワーク（van Buuren et al., 2019）、およびデフォルトモードネットワークのハブ間の相互作用（Lin et al., 2017）が組み込まれていると考えられています。およびタスク関連ネットワーク（例、実行制御ネットワーク; Sneve et al.、2017）。 刺激に特有の領域と海馬の間のより高いレベルの安静状態の機能的接続は、将来の記憶を呼び出す能力を予測することが示された（Tambini et al., 2010）。 さらに、学習直後の機能的接続性と海馬の再活性化の量は、その後の一晩の記憶保持を予測し、覚醒時の安静時の再活性化とその後の睡眠中の定着との間に相補的な関係があることを示唆しています（Schapiro et al., 2018）。 これまでの研究のほとんどは、エンコード後の 1 種類の期間 (休息または睡眠) を個別に調査していましたが、これらの異なる脳状態における固定メカニズムの類似点を全体的に理解するには、両方の期間にわたる固定プロセスを調査した研究が必要です。 したがって、本研究は、さまざまなエンコーディング後の脳状態における研究内の測定値を提供し、空間ナビゲーションタスクにおける記憶能力との関係を示すことを目的としています。 私たちの研究は、ヒトとラットにおける他心的および自己中心的な記憶表現に対する睡眠の影響に関する調査を追跡調査したものです（Samanta et al., 2021）。 参加者は、空間ナビゲーションのさまざまな側面を研究するための検証されたパラダイムである水迷路の人間の類似物（Morris、1981）を実行しました（Müller et al.、2018; Schoenfeld et al.、2017）。 一方、サマンタら。 (2021) は学習と検索中のタスク fMRI データに焦点を当てましたが、ここでは安静状態の fMRI と睡眠 EEG データに焦点を当てました。 したがって、関連するネットワークにおける安静状態の機能的接続性は、参加者が他心的または自己中心的な空間ナビゲーションに従事した記憶タスクの学習と検索の前後に評価されました。 2 つのタスクセッションの間に EEG を使用して、NREM 睡眠関連の強化プロセス (紡錘体振動と低速振動の特性、およびそれらの結合) を測定しました。 私たちは、データ駆動型アプローチ (Ribeiro de Paula et al., 2017) を採用して、空間学習、固定化、記憶検索にわたる安静状態の機能的接続の進化を調査しました。 静止状態ネットワークは、Samanta et al. によって得られた結果に基づいて選択されました。 (2021) には、デフォルト モード ネットワーク、海馬ネットワーク、右実行制御ネットワークが含まれます。 睡眠、安静状態、行動の間の 3 つの関係を確立するために、紡錘体パラメータと低速振動パラメータ、安静状態の機能的接続の変化、空間記憶タスクのパフォーマンス測定値を相関させました。 サマンタら。 (2021) は、他心的トレーニングと自己中心的トレーニングにおいて、記憶想起における同様の睡眠関連の脳全体の変化を発見しました。 具体的には、被験者が学習後に眠った場合、学習から検索までの間、実行制御ネットワークでは活性化が増加し、デフォルトモードネットワークでは減少しました。 したがって、これら 2 つのネットワークでも同様の変化が静止時に観察されると予想されました。 脳全体の強化プロセスは、睡眠中および安静時に強化を調整する海馬ネットワークでも観察できるはずです。 私たちは、紡錘体と低速振動の結合が海馬ネットワークと記憶能力の変化に正の相関があると仮説を立てました。 Samanta et al. が行った論文以来、これらの発見は記憶条件間で異なるべきではありません。 (2021) は、他者中心のトレーニングと自己中心のトレーニングの間に違いは観察されませんでした。 実際、私たちの結果は、実行制御ネットワークとデフォルト モード ネットワークが、タスク パフォーマンスの前後で仮説の反対方向に変化することを示しています。 さらに、海馬ネットワーク内の 2 つのサブネットワークを特定しました。 プライマリ サブネットワークは睡眠状態とは独立しており、タスク パフォーマンスの前後および休憩後に機能的な接続が増加しました。 2 番目のサブネットワークの接続は、昼寝をした参加者のみ休憩中に減少しました。 最後に、紡錘体と低速振動の結合力は、記憶能力と、2番目の睡眠依存性海馬サブネットワークの接続性の低下と正の相関関係があった。 アロセントリックなトレーニングでも自己中心的なトレーニングでも、すべての効果は同じでした。 私たちの発見は、安静状態の活性化が、睡眠非依存性または睡眠依存性のタスク関連の変化と統合関連の変化に分類できることを示唆しています。 睡眠依存性の変化のみが紡錘体と低速振動の結合に関連しており、これは他心的学習と自己中心的学習の記憶能力に等しく寄与します。

男性に対するシスタンケの利点 - 抗アルツハイマー病

ここをクリックして、記憶力を改善し、アルツハイマー病を予防するCistanche製品をご覧ください。

【さらに質問する】 メール:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

2|方法と材料

2.1|参加者

77 人の神経学的に健康な右利きの男性参加者 (年齢範囲: 18 ～ 30 歳、平均=24) が研究のために募集されました。 このサンプルは、雄のげっ歯類のみを使用したより大きなトランスレーショナル研究群の部分集団で構成されているため、男性の参加者のみが選択されました (Samanta et al., 2021)。 この研究は、一般倫理承認（「Imaging Human Cognition」、CMO 2014/288）に基づいて地元の倫理委員会（CMOアーネム・ナイメーヘン、ラドボウド大学医療センター）によって承認され、実験はこれらのガイドラインに従って実施されました。 募集は Radboud Research Participation System を通じて行われました。 参加者は、(1) 睡眠薬の服用、(2) 定期的な昼寝、(3) プロのゲーム活動への参加に基づいてスクリーニングされ、除外されました。 実験の開始前に、すべての参加者は書面によるインフォームドコンセントを提出し、参加に対する金銭的報酬を受け取りました。 合計 14 人の参加者がデータ取得後の分析から除外されました。 8 人の被験者は、学習または検索中の技術的な問題のため実験から除外されました。5 人の参加者では、ジョイスティックが誤って調整され、残りの 3 人では、スキャン中にタスク環境プログラムが突然クラッシュするなどの技術的な問題がありました。 3 人の被験者は、睡眠テストまたは対照セッションのいずれかで 30 分未満の睡眠でした。 彼らの Z スコアは、実際の睡眠時間のサンプル平均から 2.5*σ 以上離れていました。 各被験者の実際の睡眠時間は、入眠後の覚醒時間（WASO）を除いた総睡眠時間（TST）として計算されました。 別の 3 人の被験者については、fMRI スキャン中の頭部の動きによる大きな画像変位が確認されました。 画像シリーズ内の変位量は、式 (1) を使用して品質指数 (QI) で評価されました。

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 他、2017)。 合計すると、63 人の被験者が最終サンプルとみなされました (年齢範囲: 18 ～ 30 歳、平均=23.3)。

2.2|実験手順

2  2 の全階乗混合設計を使用して、空間メモリ パラダイムのシステム全体の統合プロセスをテストしました。 fMRIスキャン中、参加者は、以前に検証された水迷路の人間の類似物において、同種または自己中心的な空間学習と記憶の想起に従事した（Müller et al., 2018; Schoenfeld et al., 2017）。 学習および回復セッションの直前と直後に、機能的接続性を安静状態の fMRI で評価しました。 これは、各 9 分の安静状態 fMRI セッションを合計 4 回行うことになります。 空間学習と記憶回復の間に、睡眠EEGを使用して睡眠を測定しました。 実験条件では、参加者は90分間眠るように指示され、対照群は同じ時間映画を鑑賞しました。 実験の約 2 週間後、睡眠状態にある参加者は 90 分間の睡眠制御セッションを完了しましたが、これは学習体験を伴うものではありませんでした。

近くのカンクサプリメント - 記憶力の向上

2.3|仮想水迷路タスク

仮想水迷路課題は、げっ歯類の空間能力をテストする確立された方法であるラットの水迷路を応用したものです (Morris, 1981)。

人間に対するこの類似のパラダイムは、MRI スキャナ環境と互換性があります (Schoenfeld et al., 2017)。 参加者は、宝箱を見つけることを目的として仮想の島を移動するように指示されました。 このパラダイムでは、「隠された島」と「手がかりのある島」という 2 つの異なる設定を使用しました。 隠された島は 4 つのランドマーク (橋、帆船、風力タービン、灯台、図 S1 を参照) に囲まれていました。 島に隠された宝箱が目標の場所を示していました。 ボックスは仮想島の表面の小さなくぼみに配置されていたため、非常に近くでしか見えませんでした。 対照的に、キュー島には、遠くからでも見える宝箱の横にある旗を除いて、方向を示すためのランドマークがありませんでした。 この旗と宝箱の位置は試練ごとに変わりました。 タスク シーケンスは、キュー島と隠れ島の 8 つの交互ブロックで構成され、合計 16 回の試行が行われました。 各トライアルでは、参加者はジョイスティックを使用して自分のペースで島内を自由に移動できました。 宝箱に近い目標位置に到達したら、参加者はジョイスティックのボタンを押してトライアルを終了できます。 1 つのトライアルの終了と次のトライアルの開始の間には 15- 秒の間隔があり、その間に参加者は島内で向きを変え、方向を定めることができました。 参加者はまず、目に見える旗を見つけなければならないキュー島に遭遇しました。 このアイランドは、後の分析で記憶の影響を分離するための知覚および運動処理の制御に使用されました。 隠された島との遭遇では、参加者は無作為に他心的または自己中心的な学習条件のいずれかに割り当てられました。 他中心性グループは、実験ごとに島の異なる場所から開始し、目的の場所を見つけるために毎回方向を変える必要があったため、場所ナビゲーションの使用が促進されました。 自己中心的なグループでは、すべての試行で開始位置が同じであるため、目に見える手がかりに加えて、ターゲット位置に到達するために反復的な固定動作に依存することができ、両方のナビゲーション戦略を使用することができます。 一般に、参加者はこれら 2 つの条件について知らされていませんでした。 学習トライアルでは、両方の条件の参加者の主な目的は、8 つの隠れた島のトライアル全体でターゲット ボックスの位置を学習することでした。 回収試験では、島の設定は 1 つ変更を加えて同じままでした。宝箱は隠された島から取り外され、参加者は、宝箱があったことを思い出した、知る限りの場所に印を付けるように指示されました。

2.4|データ収集

2.4.1|睡眠ポリグラフ記録

睡眠ポリグラフ記録は、90 分間の昼寝中に 500 Hz のサンプリング レート (BrainAmp、Brain Products、Gilching、Germany) で取得されました。 Fz、F3、F4、Cz、C3、C4、Pz、P3、P4、Oz、O1、O2 を含む 32 個の頭皮電極 (国際 10-20 EEG システム) が取り付けられ、左乳様突起を基準にしました。 さらに、水平および垂直の眼球運動 (EOG)、顎の筋電図 (EMG)、および心電図 (ECG) も記録されました。 照明が消えてすぐに録音が始まりました。 実験後、条件を知らされていない実験者が SpiSOP ツールボックス (www.spisop.org; RRID: SCR_015673) を使用して睡眠スコアリングを実行しました。 米国睡眠医学会のスコアリング ルール (AASM) に従って、睡眠ステージ 1 および 2、徐波睡眠、レム睡眠、覚醒、および体の動きを、EOG、EMG、および以下のチャネルに基づいて 30 秒のエポックで視覚的にスコアリングしました。 —F3、F4、C3、C4、O1、O2。

2.4.2|FMRI取得

FMRI 時系列は、3T ヘッドオンリー スキャナー (Prisma 3T、Siemens、エアランゲン、ドイツ) を使用して取得されました。 700 枚の T2* 強調画像を、マルチバンド グラディエントエコー エコープラナー イメージング シーケンス (マルチバンド ファクター=8、64 軸方向スライス、体積繰り返し時間 [TR]=1000 ミリ秒、エコー時間 [TE]) で取得しました。 ]=39 ms、52 フリップ角、スライス厚さ=2.4 mm、視野 (FOV) 210 mm、ボクセル サイズ 2 mm 等方性)。 解剖学的画像は、T1-強調MP-RAGEシーケンスを使用して取得されました（192の矢状スライス、体積TR=2300 ms、TE=3.03 ms、8フリップ角、スライス厚、1 mm） ; FOV、256 mm; ボクセルサイズ 1  1  1 mm)。 すべてのデータは Donders リポジトリで入手できます。 できる。 DSC_3013066.01_875。

2.5|情報処理

2.5.1|睡眠脳波の前処理

データは、Sleeptrip ツールボックス (www.sleeptrip. org; RRID: SCR_017318) を使用して、Matlab R2020b (Mathworks Inc.、マサチューセッツ州シャーボーン) で前処理されました。 すべての EEG チャネルは平均乳様突起 (A1 および A2) を再参照し、データは 0.3 ～ 35 Hz の間でバンドパス フィルター処理されました (4 次バターワース ゼロ位相フィルター)。 一般に、ゼロ位相フィルターのみが適用されました (つまり、順方向と逆方向)。 不良 EEG チャネルは、パワー スペクトルに基づいて視覚的に拒否されました。 残りのチャンネルでは、30- の長いウィンドウでアーティファクトが検出されました。 体の動きとして視覚的に識別されたセグメントは、後で除外するためにマークされました。 観察された全体の振幅分布から大きく逸脱したセグメントをさらに特定するために、各セグメントの平均振幅差が各チャネル内で Z 規格化されました。 いずれかのチャネルで az > 5 のセグメントは除外されました (Muehlroth et al., 2019)。 TST は、ステージ 1、2、SWS、およびレム睡眠に費やされた時間として計算されました。 WASOは、参加者が入眠から最終覚醒までの間に起きていた時間として定義されました。

カンカウハーブの効果 - 抗アルツハイマー病

2.5.2|スピンドル検出

紡錘体は、以前の出版物 (Weber et al., 2020) に基づいて Sleeptrip に実装された自動アルゴリズムと、Python バージョン 3.8 (Donoghue et al. 、2020）。 低速スピンドル (9 ～ 12.5 Hz) および高速スピンドル (12.5 ～ 16 Hz) 周波数帯域の推定パワー ピークが、NREM エポック (つまり、N2 および N3) から視覚的に検出されました。 パワー スペクトルを検査する前に、ローレンツ関数を当てはめることにより、非周期 1/f 成分が信号から除去されました。 各参加者について、3 つの前頭チャネル (Fz、F3、F4、睡眠テストセッション: 10.25 Hz ± 0.1、平均 ± SEM) の平均で遅い紡錘体のピークを手動で特定しました。 ; 睡眠制御セッション: 10.07 Hz ± 0.14、平均 ± SEM) および 3 つの中央チャネル (Cz、C3、C4; 睡眠テスト セッション: 13.44 Hz ± 0.09、平均 ± SEM; 睡眠制御セッション: 13.44 Hz ± 0.06、平均 ± SEM)。 視覚的に定義された周波数ピークを検証するために、fooof を使用して周期的なパワー成分にガウス分布を繰り返し当てはめました (図 S2、スペクトルなどを参照)。 手動ラベルと適合したガウス ピークに違いがある場合は、パワー スペクトルが再検討されました。 この方法は、偽の紡錘体イベントの導入を回避するために使用されました (Ujma et al., 2015)。 次に、特定された個々の周波数ピークの周囲で、すべてのチャネルの信号がバンドパス フィルター (±1.5 Hz、3 dB カットオフ、4 次バターワース ゼロ位相フィルター) にかけられました。 信号の二乗平均平方根 (RMS) 表現はすべてのサンプル ポイントで計算され、200 ミリ秒のスライディング ウィンドウで移動平均フィルターを使用して平滑化されました。 平滑化された RMS 信号の振幅が 0.5 ～ 3 秒間、フィルタリングされた信号の 1.5 SD だけ平均を超えた場合、潜在的な紡錘体がマークされました。 フィルタリングされたスピンドル信号の極小値と極大値は、山と谷としてマークされました。 最大の谷はスピンドルのピーク時間として定義されました。 スピンドル振幅は、最大の谷と最大のピークの間の電位差によって定義されました。 コンクリートスピンドルの個々の周波数は、すべての谷と山の数を加算し、それぞれのスピンドルの持続時間の 2 倍で割ることによって決定されました。 境界が 0.25 秒より近い紡錘体は最終的にマージされました。

2.5.3|低速発振検出

前頭部電極での遅い振動の検出も、Sleeptrip に実装され、他の場所で検証された自動アルゴリズムに基づいていました (Ngo et al., 2013)。 すべての NREM エポックについて、前処理された EEG データは 4 Hz でローパス フィルター処理されました (6 次バターワース ゼロ位相フィルター)。 次に、信号全体がゼロクロスで区切られた負の半波と正の半波に分割されました。 潜在的な遅い振動は、0.5 ～ 1 Hz の周波数範囲で負の半波とそれに続く正の半波として定義されました。 低速振動の振幅と周波数は、スピンドルに使用されるのと同じアプローチで計算されました。 すべての推定低速振動の平均谷の 1.25 倍の谷、およびすべての潜在的な低速振動の平均振幅の 1.25 倍の振幅を超える推定低速振動は、さらなる分析のために受け入れられました。

2.5.4|静止状態の fMRI 前処理

MRI DICOM ファイルは、GraphICA (BraiNet、Brain Imaging Solution Inc.、カナダ、オンタリオ州サーニア) の自動パイプラインに入力されました。 解剖学的画像と機能画像は、FSL 6.03 を使用して前処理されました。 T1-加重解剖画像の前処理ステップには、バイアスフィールド補正（RF/B1-不均質補正）、脳抽出、組織タイプのセグメンテーション（CSF、GM、WM）、皮質下構造が含まれますセグメンテーション。 機能データに対して、頭蓋骨のストリッピング、モーション補正、スライス タイミング補正、ボクセル サイズに基づいて計算される空間スムージング、シーリング (1.5 * ボクセル サイズ)、コアレジストレーション、ICA ベースのモーション アーティファクトの自動除去、ハイパスを実行しました。フィルタリング、および迷惑回帰 (WM および CSF)。 自然な脳空間の特性は次の分析で保存される必要があるため、データは参照空間に対して正規化されていません。

2.5.5|二重回帰分析

二重回帰を使用して、11 個の静止状態ネットワーク マスク (聴覚、デフォルト モード ネットワーク、実行制御左、実行制御右、海馬、言語、顕著性、感覚運動、側方視覚、視覚メディア、および視覚) を使用して被験者固有の空間マップを特定しました。後頭部。 コンポーネントの空間マップの強度は、平均からの信号変化のパーセントの単位で表されました。

2.5.6|地域分割

各被験者の T{{0}} 加重画像は、Freesurfer 7 (v7.1.0、http://surfer.nmr.mgh.harvard.edu/) に実装されたパイプラインを使用して自動的にセグメント化されました。 (Schaefer et al., 2018) に記載されている勾配加重マルコフランダムフィールドモデル手順を使用して、GraphICA でさらなる分割を実行しました。 この分割モデルには、最終セグメンテーションの最適な特性をトレードオフする 3 つの競合する項が含まれています。1 つは類似した画像強度を持つ脳の位置をグループ化するためのグローバル類似性項、1 つは隣接する脳の位置間の突然の機能的接続の変化を検出するためのローカル勾配項、そして 3 つの空間的接続項は次のとおりです。区画内の空間的なつながりを確保します。 この手順により、832 個の細分化された脳領域が得られ、これらはさらなる分析のためのネットワーク ノードとして含まれました。

2.5.7|機能的なネットワークの構築としきい値処理

GraphICA を使用して、各節の fMRI 時間経過を、3 つの静止状態ネットワークの IC 時間経過と個別に相関させました。 機能的静止状態ネットワークのそれぞれをネイティブ空間の対象者に再登録した後、832 個の ROI のそれぞれに属するボクセルのスカラー マップ値を平均することによって、平均 Z 値が計算されました。 結果として得られる Z 標準化相関係数は、それぞれの静止状態ネットワーク上の各節点の時間経過の負荷を表します。 たとえばノイズによる偽の Z 値や弱い Z 値を除去するために、単一被験者レベルでデータ駆動型混合モデリング アプローチを使用して負荷を閾値処理しました (Bielczyk et al., 2018)。 さらに、しきい値を設定したネットワークは、GraphICA が提供する 200 人の健康な対照から得られたネットワーク テンプレートと照合されました。 テンプレート内で見つかったノードのみがさらなる分析の対象とされました (つまり、海馬ネットワーク=74 ノード、デフォルト モード ネットワーク=171 ノード、右実行制御ネットワーク=164 ノード)。

2.6|統計分析

2.6.1|睡眠脳波分析

睡眠 EEG データの統計分析は、Matlab R2020b (Mathworks Inc.、マサチューセッツ州シャーボーン) とオープンソース ツールボックス Fieldtrip (Oostenveld et al.、2011) および CircStats ツールボックス (Berens、2009) を使用して実施されました。 分析は、低速振動および低速スピンドルのチャネル Fz と高速スピンドルの Cz に限定されます。 私たちの分析で使用されたすべての睡眠変数が正規分布に従っていたわけではありません。 学習後の睡眠セッションと睡眠制御セッションの間の睡眠記述と振動特性のすべてのグループ内比較は、依存サンプルに対するノンパラメトリックウィルコクソン符号付きランク検定を使用してテストされました。 自己中心的条件と自己中心的条件における睡眠変数のグループ間比較は、独立したサンプルに対してノンパラメトリックなマン・ホイットニー U 検定を使用して計算されました。 これらのテストでは、変数の中央値と四分位値が報告されました。 p値<.05 was viewed as statistically significant.

2.6.2|検出された低速振動と紡錘体の時間的関係

紡錘体と低速振動の結合は、ステージ 2 と徐波睡眠全体にわたって安定していることが実証されているため (Cox et al., 2017)、たとえ睡眠タイプであっても、低速振動と紡錘体との協調がノンレム睡眠について評価されました。遅い振動の程度は異なります (K 複合体とデルタ波)。 低速振動と紡錘体事象との間の一般的な時間的関係は、特定された低速振動の谷の周りの±1.2 秒の間隔で中心 (つまり、最大谷) が発生する紡錘体の割合と、低速振動の量を決定することによって計算されました。スピンドルの中心は振動のそれぞれの谷の周りで±1.2秒以内に発生します。 ±1.2 秒の時間窓は、1 つの低速振動サイクル全体 (0.5 ～ 1 Hz、つまり 1 ～ 2 秒) をカバーするように選択されました。 2 つの低速振動時間ウィンドウが重なるたびに、スピンドル中心から遠く離れたウィンドウが削除されます。 低速振動とスピンドル イベントの正確なタイミングは、各低速振動の谷 (ターゲット) の周囲で ±1.2 秒の時間間隔内で発生する高速および低速スピンドル中心 (テスト イベント) のイベント周辺時間ヒストグラム (PETH) (図 2b) によって視覚化されました。イベント）。 シード イベントの発生確率は 100 ミリ秒の範囲内で合計され、パーセンテージに変換されました。 PETH の時間的パターンをテストするために、PETH ビンの順序をランダムに 1000 回シャッフルするランダム化手順を実装しました。 結果として得られたサロゲートは各個人について平均され、依存サンプルの t 検定を使用して元の PETH に対してテストされました。 多重比較の制御は、5000 個の順列を使用したクラスターベースの順列テストによって達成されました (Maris & Oostenveld、2007)。

2.6.3|イベントロック位相結合

イベントロック交差周波数解析 (Helfrich et al., 2018) では、チャネル Fz (最大低速振動トラフ付近で ±3 秒) にわたるアーチファクトのない低速振動イベント試行が選択され、バンド- 遅い発振周波数範囲 (0.3 ～ 1.25 Hz) でフィルター処理されます。 ヒルベルト変換を適用した後、解析信号から瞬間位相角を抽出しました。 同じトライアルでは、9 ～ 12.5 Hz (低速スピンドル成分) および 12.5 ～ 16 Hz (高速スピンドル成分) のバンドパス フィルターも適用され、分析信号から振幅エンベロープを計算しました。 フィルター エッジのアーティファクトを回避するために、時間範囲は 2 ～ 2 秒のみを考慮しました。 すべての対象、チャネル、およびエポックについて、最大スピンドル振幅と対応する低速振動位相角が検出されました。 被験者ごとの位相分布を均一性に対してテストするために、レイリー検定が計算されました。 すべての NREM イベントにわたる平均円方向と結果として生じるベクトルの長さが決定されました。 PPC は、3.5 ～ +3.5 秒の時間窓におけるスピンドルトラフトリガーフーリエスペクトルに基づいて、スピンドルと低速振動の間の位相関係の一貫性の不偏推定量として使用されました (Vinck et al., 2012)。 (100 ms ステップ)、低速発振周波数範囲は 0.3 ～ 3 Hz です。

漢方薬のカンクサ

2.6.4|時間周波数分析

紡錘体と低速振動の間の時間的関係をさらに説明するために、以前に計算された低速振動イベント試行 (6- セグメント) を再度使用しました。 これらのトライアルは、ベースライン トライアルとして使用されたそれぞれの低速振動と同じ睡眠段階で、ランダムに選択された 6 秒のアーティファクトのない時間セグメントと照合されました。 遅い振動がある場合とない場合の試行の時間周波数解析には、スーパーセットを使用しました (Moca et al., 2021)。 スーパーレットは、同じ中心周波数を持つ一連のモーレット ウェーブレットで構成されますが、確立されたアプローチよりも高い時間周波数分解能を備え、帯域幅がますます制限されています。 具体的には、初期ウェーブレット次数 3、次数間隔 5 ～ 15 で、0.25 Hz 刻みで 5 Hz ～ 20 Hz の低速振動およびベースライン トライアルの前処理データに分数適応スーパーレット変換 (FASLT) を適用しました ( Barzan 他、2021)。 次に、独立サンプルの t 検定を使用して、各被験者について低速振動イベント試験と対照試験の時間周波数表現を比較しました。 結果として得られる t マップは、低速振動を伴うトライアルと、低速振動を伴わないトライアルと比較した、高速および低速の両方のスピンドル周波数範囲の増加/減少を反映しています。 被験者内コントラストを計算するために、ステージ 2 と徐波睡眠トライアルの比率を維持しながら、ベースラインおよび低速振動トライアルのランダムなセットを 100 セット描画しました。 これらすべてのランダムなトライアルセットの T マップを各被験者について平均しました。 メモリ条件ごとに個別に、1.2 ～ 1.2 秒の時間枠で 5000 個の順列を使用するクラスターベースの順列テストを使用して、t マップがゼロに対してテストされました。

2.6.5|安静時fMRI解析

3 つの静止状態ネットワークの fMRI データは、RStudio 1.4.1103 (RStudio, Inc.、ボストン、マサチューセッツ州) で分析されました。 すべての解析は、事前に選択された 3 つの静止状態ネットワーク (つまり、海馬ネットワーク、デフォルト モード ネットワーク、右実行制御ネットワーク) に対して個別に実行され、IC ごとに取得された、機能的ネットワークの接続パターンを表すノード Z 値に基づいていました。静止状態のネットワーク。 私たちは、グラフ理論分析、ユークリッド距離行列、特異値分解 (SVD) を含む 3 つの異なるアプローチでデータを分析しました。そのうち SVD が現在のデータセットに最も適していました。 静止状態ネットワークの元の構成をより正確に捉えるために、生の Z 値に対して SVD が実行されました。 閾値処理された Z 値は、m n データ行列 (参加者 4 セッションの数 m =、ノードの数 n =) を形成しました。 具体的には、閾値処理されたデータ行列には主にゼロ値が含まれていたため、次元削減のためにスパース行列の SVD が選択されました。 ネットワークごとに 2 つの主要モードが抽出され、これらを合わせるとデータの分散の 15% ～ 20% が説明されました。 各モードは、分散に基づく機能的休止状態のサブネットワークとして理解できます (映画 S1 ～ S4 を参照)。 SVD の結果、式 (2) を使用して、各サブネットワークの空間分布を記述するランク R 近似として、ネットワークの平均化された低ランク再構成が得られました。

ここで、A は、r 個の左特異ベクトルを含む U、r 個の特異値を含む S、および r 個の右特異ベクトルを含む V によって近似される元のデータ行列です。 統計的テストの準備として、それぞれの左特異ベクトル (um, i ) がその特異値 (si, i ) によってスケーリングされました。ここで、 i は行列の i 番目の行/列です。 結果 (um, I si, i ) は、i 番目のサブネットワーク上のすべてのセッションの参加者のスコアを表す列ベクトルです。 これらの値は、セッションおよび条件全体にわたる、すべての参加者に対する選択された機能サブネットワークの接続強度として解釈できます。 2 つのサブネットワークのそれぞれについて、線形混合効果モデルを使用して、取得された参加者のスコアが従属変数として分析されました。 モデルの予測変数には、固定効果として睡眠状態 (睡眠、覚醒)、セッション (1 ～ 4 または休憩前/休憩後、タスク前/タスク後)、記憶状態 (自己中心的、自己中心的) が含まれていました。 参加者は、4 つの安静状態セッションの変量効果としてモデル化されました。 赤池情報量基準 (Akaike, 1973)、ベイジアン情報量基準 (Schwarz, 1978)、および対数尤度を使用してモデルの適合性を評価しました。

3|結果

3.1|研究デザインとメモリパフォーマンス

本研究では、1- 日パラダイムを使用して空間記憶タスクの統合をテストしました (図 1a)。 fMRIスキャン中に、参加者は、人間用の水迷路の以前に検証された仮想アナログで、同種または自己中心的な空間学習と記憶の想起を実行しました（Müller et al., 2018; Schoenfeld et al., 2017）。 詳細なタスクの説明は、このデータセットの最初の出版物に記載されています (Samanta et al.、2021)。 簡単に説明すると、参加者はジョイスティックを使用して仮想島を自由に移動し、固定された目標位置に到達しました。 学習会では隠し宝箱で場所が示されました。 ただし、回収中、参加者は、宝箱が存在しない状態でも、わかる範囲で宝箱の場所をマークするように指示されました。 アロセントリック条件と自己中心条件は異なり、ランダムに割り当てられた参加者は、同じ開始位置または変化する開始位置で各試行を開始しました（図1b）。 メモリのパフォーマンスは、開始点からターゲットの場所に到達するまでの待ち時間として測定されました。 回復時、参加者は通常、他動中心状態よりも自己中心状態の方がパフォーマンスが良く、記憶能力に対する睡眠の主な効果は有意でした（図1c、表1、同種/自我F1による二元配置分散分析、62=16） .78、p < .001、およびスリープ/ウェイク F1、62=3.84、p=.05)。 学習および回復セッションの直前と直後に、機能的接続性を安静状態の fMRI で評価しました。 これは、各 9 分の安静状態 fMRI セッションを合計 4 回行うことになります。 空間学習と記憶回復の間に、睡眠ポリグラフィーを使用して睡眠構造を測定しました（表S1）。 実験条件では、参加者は約90分（93.48±1.77、平均±SEM）睡眠し、対照群は同じ時間ニュートラルな映画を視聴しました。 実験の約 2 週間後、睡眠状態にある参加者は約 90 分間の睡眠制御セッション (103.30 ± 2.66、平均 ± SEM) を完了しましたが、これは空間学習体験の直後ではありませんでした。 テストセッションで被験者が実験条件を知られないようにするために、2 つの睡眠セッションの順序のバランスは調整されませんでした。 Genzel、Bäurle らは、同様のタスク設計を使用して、 (2014) と Genzel et al., (2012) は同等の昼寝時間を取得しました。 ただし、ここでは、参加者は睡眠テスト セッションよりも睡眠コントロール セッションの方が有意に長く眠りました (Wilcoxon Sign-Rank Test、z =  2 .68、p=.01)。 このセッション効果は、睡眠実験室への慣れを示唆しています。 以前の研究との違いは、Genzel、Bäurleらの場合、異なる実験室環境を使用したためである可能性があります。 (2014); Genzel et al., 2012) 睡眠検査室 (マックス・プランク精神医学研究所) はそのように指定されましたが、ドンダース研究所の睡眠検査室は EEG 検査室にあります (したがって、あまり「家庭的」ではありません)。

3.2|テストおよびコントロールセッションでの睡眠特性

ノンレム睡眠中の時空間メカニズムは、以前の覚醒中にエンコードされた経験を統合することが示されています（Maigret et al.、2016）。 システムレベルでは、経験は睡眠中に海馬-視床-皮質ネットワーク内で再活性化され、これらの経験の長期的な表現を形成すると考えられています。 記憶の固定に関与するさまざまな振動が、これらの脳構造間のコミュニケーションを調整している可能性があります (Genzel, 2020; Genzel, Bäurle, et al., 2014)。 私たちは、ノンレム睡眠中の遅い振動だけでなく、遅い紡錘体（9 ～ 12.5 Hz）と速い紡錘体（12.5 ～ 16 Hz）にも興味を持っていました。これは、記憶固定のプロセスにおいて明確な役割を果たす可能性があります（Genzel & Robertson、2015）。 。 人間のEEGにおけるこれらの睡眠振動の以前に報告されたトポグラフィー（Adamczyk et al.、2015）に沿って、我々は前部の遅い振動と遅い紡錘体（つまり、チャネルFz）と中央の速い紡錘体（つまり、チャネルCz;結合トポグラフィーについては図 S3 を参照してください)。 睡眠テストセッションの睡眠アーキテクチャに対する空間学習体験の特定の影響を捉えるために、睡眠テストセッションと対照セッションの間で、睡眠記述、紡錘体および低速振動の特性（表S1を参照）を比較しました。 参加者は、テスト セッションと比較して、コントロール セッションの方が有意に長く睡眠をとっていることがわかりました。 テスト セッションと比較して、高速スピンドル持続時間もコントロール セッションの方が大幅に長かったです (Wilcoxon サインランク テスト、z=  2.91、p < .01)。 さらに、WASO を制御して、テスト セッションとコントロール セッション間の TST の有意差が高速スピンドル持続時間のこの差を予測できるかどうかを評価しました。 ただし、睡眠セッション間の高速スピンドル振幅の差に対する TST の有意な影響はありませんでした (重回帰、TST:=0 .53、p=.61)。 TSTの増加と同様に、高速紡錘体振幅の増加は、睡眠検査室の制御されていない慣れ効果によるものである可能性があります。 それにもかかわらず、私たちは睡眠振動の時間的関係が記憶の定着にとって重要であると仮説を立てました。 この点に関しては、以下に示すように、セッション間の差異は観察されませんでした。

図1

3.3|テストおよび制御セッションにおけるスピンドルと低速振動の結合

鋭い波のリップル、スピンドル、および遅い振動の間の結合は、学習体験を定着させるための重要な時間枠を設定する可能性があります (Genzel, Kroes, et al., 2014)。 したがって、睡眠テストとコントロールセッションの間の睡眠マイクロアーキテクチャの違いをさらに調査するために、紡錘体と遅い振動の間の時間的関係に焦点を当てました。 まず、特定された低速振動の中心付近の 1 サイクル (±1.2 秒間隔) で発生するスピンドルの最大谷の数 (%) を計算しました (図 2a)。 両方のセッションで、遅い振動と結合した同じ数の速い紡錘体 (ウィルコクソンの符号ランク検定、z =  1 .14、p=.26) と遅い振動と結合した遅い紡錘体 (ウィルコクソン) を検出しました。サインランクテスト、z {{10}}.75、p=.45)。 逆に、ほぼ同じ数の低速振動が高速スピンドル (Wilcoxon Sign-Rank Test、z=1.02、p=.31) と低速スピンドル (Wilcoxon Sign-Rank Test) に結合されました。ランクテスト、z {{20}}.10、p=.27) 学習後および睡眠制御時。 これらの発見は、紡錘体と遅い振動が互いに等しく結びついていることを示唆しています。 一般に、睡眠テストセッションの直前に行われた空間学習体験とは無関係に、両方の睡眠セッションにわたって一貫したスピンドルと低速振動の結合が検出されました。 メモリ統合が成功するかどうかは、数十ミリ秒、さらには数百ミリ秒の結合精度に依存する可能性があります (Maigret et al., 2016; Muehlroth et al., 2019)。 そこで、PETHを使用してスピンドルと低速振動の正確な調整を分析しました（図2b）。 PETH は、100- ミリ秒の時間ビン内の低速振動イベントの周囲の ±1.2 秒の時間窓で最大のスピンドルの谷が発生する可能性を示しています。 高速スピンドルは、低速振動の谷の直後と低速振動のピークの直前に同時に発生しました (クラスターベースの順列: 符号。クラスター: テスト時 400 ～ 700 ミリ秒、p < .001; 対照時 500 ～ 800 ミリ秒、p < .001）。 一方、低速紡錘体は低速振動の谷への移行と低速振動の谷と一致しました (クラスターベースの順列: 両方の符号。300 ～ 100 ms のクラスター、p < 0.001)。 この効果の堅牢性は、スピンドルの谷のタイムスタンプをランダムにシャッフルすることによって得られた参照分布に対してテストされました。 紡錘体と低速振動の結合の時間的特異性は、2 つの睡眠セッション間で差がなく、空間学習経験とは独立した一般的な結合メカニズムの存在を再度示唆しています。 これまでの研究結果では、高齢者と比較して若年者の方が粗大運動学習後に紡錘体と低速振動の結合強度が高いことが示されている（Cross et al., 2020 [preprint]; Helfrich et al., 2018）。 私たちは、空間学習の文脈における位相関係のこの一貫性を解明することに興味を持っていました。 図 2b の極プロットは、1 つの被験者例とサンプル全体の結合位相を示しています。低速スピンドルのチャネル Fz での最大スピンドル振幅 (9 ～ 12.5 Hz) の時点での瞬間的な低速振動位相 (0.3 ～ 1.25 Hz) として計算されます。 ) および高速スピンドル用のチャネル Cz (12.5 ～ 16 Hz)。 単一被験者レベルではすでに、紡錘体と低速の振動の正確な結合が見られます。これは、速い紡錘体と遅い紡錘体では異なりますが、睡眠セッション全体では比較的一貫しています（極性ヒストグラム、図 2b を参照）。 グループレベルでは、最も速い紡錘体は遅い振動の5.76と6.28ラジアンの間で発生しました（テスト：6.03±0.56、対照：6.07±0.33、円周平均±SD）が、遅い紡錘体は遅い振動の1.57と2.62ラジアンの間で発生しました。 (テスト: 1.89 ± 0.79、コントロール: 1.87 ± 0.71、円周平均 ± SD、図 2e)。 これらの発見は、PETH で示された紡錘体と低速振動の間の時間的調整と一致します。 これらの相関係の一貫性を推定するために、ペアワイズ相一貫性 (PPC; 「方法と材料」を参照) を計算しました。 最大 PPC 値は、2 つの睡眠セッション間で、高速スピンドルでも低速スピンドルでも差はありませんでした (Wilcoxon SignRank テスト、高速スピンドルの最大 PPC: z=0 .451、p=.65、低速スピンドル: 最大) PPC: z=0.067、p=.95)。 さらに、PPC には顕著な個人差が観察されました (図 2c)。 私たちは、PPC のこの変動が参加者の一般的な睡眠の質 (PSQI で測定) に関連しているかどうかに興味がありましたが、これは有意ではありませんでした (線形相関、高速紡錘体: ρ=0.30、p=)。 14、遅い紡錘体: ρ=0.15、p=.46)。 要約すると、スピンドルは、時間領域での以前の発見を裏付ける特定の位相関係を持つ低速振動と一貫して結合していました。 これまでに提示された全体的な結合結果は、2 つの睡眠セッション間で差異はありませんでした。 前述したように、睡眠コントロールでは睡眠テストセッションよりも総睡眠時間が長いことが観察されました。これは、カップリングの違いが隠された睡眠構造に補償効果をもたらした可能性があります。 したがって、睡眠テストセッションのみに関する以下の結果を示します。

3.4|スピンドル - 低速発振電力はメモリのパフォーマンスに関係します

睡眠セッション全体にわたる紡錘体と低速振動の結合の一般的な時間と位相のダイナミクスを確立した後、睡眠は他動中心性に対して明確な影響を与える可能性があるため、睡眠テストセッション中の2つの記憶状態（自我と自我）に焦点を当てて分析を進めました。対自己中心的な空間記憶。 グループ間の考えられる差異を%カップリングとPPCについてテストしました(図2a、f)。 スピンドルと低速振動の結合量も、スピンドルと低速振動位相の一貫性も、グループ間で有意な差はありませんでした (マン-ホイットニー U 検定、% 高速スピンドル: z =  1.12、p=)。 27、% 低速スピンドル: z=0 .09、p=.93、最大 PPC 高速スピンドル: z=1 .742、p=.08、最大。 PPC 低速スピンドル: z=0.083、p=.94)。 さらに、遅い振動がある場合とない場合の時間セグメントのスピンドル周波数範囲の振動パワーを比較することで、このパターンを調査しました (「材料と方法」を参照)。 低速振動トライアルは、ランダムに選択された低速振動の周囲に ±1.2 秒の時間を設定することによって構築されました。 これらの試験では、スピンドル周波数範囲のパワーは、遅い振動がなければランダムに選択された間隔とは実際に大きく異なりました（すべての t 値クラスターについて: p < .001、図 3a）。 差分マップには重要な変調クラスターが含まれていなかったため、この効果は両方のメモリ条件で同様に存在しました (図 3a)。 結論として、スピンドルと低速発振の結合の測定基準はメモリ条件間で異なりませんでした。 この結果は、行動分析におけるトレーニングの種類と睡眠の間の有意でない相互作用とも一致していました (図 1c を参照)。 したがって、さらなるテストのための統計的検出力を高めるために、2 つのメモリ条件を統合することにしました。 テストセッションでのサンプル全体を考慮して、まずスピンドルと低速振動の結合の量が単にスピンドルと低速振動イベントの発生によるランダムな副産物であるかどうかを確認しました。 得られたカップリングの量は、サンプルの 60% でランダムなサンプリング分布とは大きく異なりました (図 3b、順列テスト: p < .05、参加者あたり 1000 回の反復)。 それにもかかわらず、統計的パワーの損失と平均値への回帰を避けるために、サンプル全体の低速発振試行中にスペクトルパワー変調を計算しました（図3c）。 低速振動トライアル中のパワー変調は、スピンドル周波数範囲と以前に確立された時間間隔において、一致したコントロールトライアルとは大きく異なることがわかりました（PETH、図2bを参照）。 次に、tマップから抽出されたそれぞれのスピンドルクラスターの時間周波数点ごとに、低速発振と制御電力の差（t値で表される）とメモリ性能との間の相関分析を個別に実行しました（図3c）。 私たちは、EEGと行動の相関関係のブートストラップされた参照分布に対してテストすることにより、有意な関連性を発見しました。 このようにして、遅い振動のアップステート中に変化する記憶性能と脳波活動の特定のパターンとの間の関係を表す有意な相関クラスターを特定することができました（「材料と方法」を参照）。 高速紡錘体については、有意な負の相関クラスターが特定されました (クラスター p < .01、最大 r=.41、p < .01、図 3c 上)。 同様に、低速紡錘体の別の有意な負の相関クラスターを特定しました (クラスター p=.02、最大 r=.38、p=.02、図 3c 下部)。低速発振期間中のスピンドル電力と低速スピンドル電力は、メモリ性能の向上 (つまり、応答待ち時間の短縮) と関連していました。 これらの効果は、睡眠制御セッションの高速紡錘体クラスターまたは低速紡錘体クラスターでは観察できなかったため、睡眠テスト セッションに特有のものでした (図 S4)。 また、この相関分析を自己中心的なグループと他人中心的なグループに対して別々に実行しました（図S6）。 アロセントリックグループでは、高速スピンドルパワー変調も低速スピンドルパワー変調も記憶性能と有意な相関を示さなかった。 自己中心的なグループの結果は、サンプル全体で観察された結果とよく似ていました。 興味深いことに、低速スピンドルの出力変調は 2 つのグループで逆の傾向を示しました。 記憶性能の向上は、他動中心群の低速紡錘体の出力変調との負の関連性を示唆しています (クラスター=0 .07、最大 r=.50、p=.06、図 S6)左下の）。 この関連性は自己中心的なグループで有意に正でした (クラスター p=.03、最大 r=.61、p=.02、図 S6 右下)。 ただし、他動中心グループについては有意な結果が得られなかったため、この傾向についてはこれ以上調査しませんでした。 結論として、我々は、遅い振動と紡錘体の調整と、対照睡眠セッションとは対照的に学習後の睡眠に特有の記憶能力との関連性の証拠を発見した。 低速スピンドルの出力変調は主に自己中心的なグループによって引き起こされた可能性があります。

図2

3.5|機能休止状態のネットワークはセッション間で変化する

睡眠脳波分析の後、次に、静止状態全体にわたるネットワークレベルでの記憶の統合を調査するために、記憶タスクの学習、固定、および検索の前後の安静状態の機能的接続に焦点を当てました。 このために、4 つの安静状態セッション (つまり、1=ベースライン、2=学習後、3=休憩後、4=回復後) の fMRI データを含めました。 ) を分析に組み込みます。 私たちは特に、適切な実行制御ネットワーク、デフォルト モード ネットワーク、および海馬ネットワークに興味を持っていました。 SamantaらによるこのデータセットのTask-fMRI分析。 (2021) は、これらのネットワークの地域では、参加者が昼寝をしたときは統合期間全体で活性化が変化しましたが、起きているときは変化しなかったことを明らかにしました。 したがって、静止状態ネットワーク解析ツールである GraphICA (Ribeiro de Paula et al., 2017) を使用して、3 つの静止状態ネットワークを取得しました。 次元削減の目的で、SVD を使用して各ネットワークの一次分散モードを計算しました (「方法と材料」を参照)。 最後に、以前に特定したモードで各参加者のスコアに対するセッション、睡眠状態、記憶状態の影響をテストしました。 このアプローチにより、(1) 各ネットワーク内に含まれる機能サブネットワークの数、および (2) 実験変数のいずれかに対してネットワークの機能接続がどのように変化したかを決定できます。 右実行制御ネットワークについては、右下頭頂溝、右下頭頂葉、右背外側前頭前野を中心とした一次サブネットワークを抽出しました。 このサブネットワークでは、学習および検索セッションにおけるタスクのパフォーマンス全体にわたって機能的接続性が増加していることがわかりました (図 4a; 線形混合効果モデル、睡眠/覚醒: t62 =  0.747, p=. 46 アロ/エゴ: t62 =  0.477、p=.64、ブレイク前/ブレイク後: t193=1.676、p=.10、pre -タスク/ポストタスク: t193=2.808、p=.01)。 この増加は、休憩後から取得後への変化によって引き起こされました (t193=2.468、p=.02)。 対照的に、後帯状皮質が主に関与する主要なデフォルト モード サブネットワークは、タスク パフォーマンス前からタスク後にかけて接続性が一般に低下し、その接続性は覚醒状態と比較して睡眠時には一般的に高かった (図 4b; 線形混合効果)モデル、睡眠/覚醒: t62 =  2.616、p=.01 アロ/エゴ: t62=0.427、p=.67、休憩前/後-休憩: t193=1.726、p=.08、タスク前/タスク後: t193 =  2.126、p=.04)。 機能的接続性の低下は、休憩後から取得後までの大幅な変化によって説明できます (t193 =  2 .451、p=.017)。 ただし、睡眠の主効果は実験操作によっては説明できず、偶然に生じた可能性があります (図 S5)。 特に、主に海馬と両側の海馬傍皮質に関与する一次海馬サブネットワークは、右実行制御ネットワークと同様の接続変化を示しました。 この場合、タスクの前後での増加だけでなく、休憩前から休憩後の機能的接続性の増加も検出されました (図 4c; 線形混合効果モデル、睡眠/覚醒: t62 =  0)。 143, p=.89 アロ/エゴ: t62=0.702, p=.49、ブレイク前/ブレイク後: t193=3.749, p < .001、タスク前/タスク後: t193=4.535、p < .001)。 これは、ベースラインと学習後（t193=3.586、p < .001）、および休憩後と取得後（t193=3.338、p < .001）の間の有意な差に反映されています。 ）。 最後に、すべてのネットワークで観察された機能接続における中断後から検索後の変化が、検索時のメモリ パフォーマンスと関連しているかどうかをテストしました。 この効果は、右側の実行制御サブネットワーク (線形回帰、= 0.016、p=.90)、デフォルト モードのサブネットワーク (線形回帰、= 0.655、p) では有意ではありませんでした。=.43)、または海馬サブネットワーク (線形回帰、= 0 .596、p=.44)。 全体として、3 つのサブネットワークすべてでタスク前からタスク後までの効果が一貫して得られ、実行制御および海馬ネットワークが増加し、デフォルト モード ネットワークが減少しました。 海馬サブネットワークのみが休憩前から休憩後にかけて接続性を増加させ、睡眠の主効果がデフォルト モード ネットワークで観察されました。 私たちの睡眠分析で示されたように、因子記憶（自我対自我）は安静状態ネットワークの変化に影響を与えませんでした。

図3

図4

3.6|睡眠依存性の海馬サブネットワークと高速紡錘体と低速振動の結合

サマンタらによって実行された分析から。 (2021) から、睡眠後に楔前部/脾後皮質の活性化が低下するが、強化期間中に参加者が起きている場合には低下しないことが明らかです。 同様に、両側脾後皮質と両側扁桃体を中心とする海馬ネットワークの 2 番目の機能サブネットワークを抽出しました (図 5a 上)。 特異値スペクトル基準を使用した SVD 分解に基づいてこのサブネットワークを特定しました (「方法と材料」を参照)。 ここでは、セッション、睡眠状態、記憶状態がこの 2 番目のモードでの参加者のスコアにどのような影響を与えるかについても調査しました。 他のネットワークで検出されたタスクと休憩の主効果とは対照的に、セッションと睡眠条件の間の相互作用が観察されました (線形混合効果モデル、セッション * 睡眠相互作用 t191=2.086、p {{5} } .04）。 サブネットワークの機能的な接続は、統合期間中に昼寝をした参加者のみが低下したようです。 この効果は、学習後セッションから休憩後セッションのみへの変化を比較した場合にも残りました (対応のあるサンプル t 検定、t95=2 .3971、p=.02)。 したがって、あるセッションから次のセッションまでの差の値も計算し、それらが 0 から大きく異なるかどうかをテストしました。有意な変化は、トレーニング後から休憩後までの睡眠グループにのみ発生しました (t26 =  3.17, p=.01)、これはウェイク グループでは見られませんでした (t38 =  1 .363、p=.18)。 したがって、睡眠状態における学習後セッションと休憩後のセッション間の接続性の低下が、前述のスピンドルと低速振動の結合に関連しているかどうかに興味がありました（図3cを参照）。 再度、相関分析が実行されましたが、今回は、学習後セッションと休憩後のセッション間の低速振動制御力の差 (t 値で表されます) と海馬サブネットワークの変化スコアについて実行されました。 相関関係は、t マップから抽出されたそれぞれの紡錘体クラスターの時間周波数点ごとに計算されました。 高速紡錘体 (クラスター: p < .001、最大ピクセル: ρ =  0.38、p < .01; 図 5b、上) と低速紡錘体 (クラスター: p {{ 39}} .02, ρ =  0.30, p=.03): 低速振動アップ状態中の紡錘体の出力が高いほど、睡眠中の海馬サブネットワークの機能的接続性が大きく低下することと関連していた。 これらのクラスターは、前に示した有意な応答相関クラスターと部分的に重なっていました (図 3c を参照)。 これらの発見は、遅い振動と紡錘体の調整と海馬のサブネットワークにおける接続性の低下との間の関係の証拠を提供する。 これらは、スピンドルと低速振動の結合電力と動作について得られた結果と一致しています。 したがって、我々は、この海馬のサブネットワークの変化スコア、紡錘体と低速振動の結合、および記憶能力の間の 3 つの関係を確立することを目的としました。 スリープ中のネットワークの変更スコアを、取得時のメモリ パフォーマンスで回帰分析しました。 ただし、海馬サブネットワークにおける接続性の低下は、行動を有意に予測しませんでした (線形回帰、= 0 .01、p=.94)。 要約すると、昼寝をした参加者の安静状態のセッション全体で機能的な接続が低下する海馬のサブネットワークを発見しました。 起きていた参加者にとって、機能的な接続はほぼ安定したままでした。 この効果は 2 つの記憶条件間で差はありませんでした。 学習後から休憩後までの機能的接続性の低下は、睡眠中の紡錘体と低速振動の結合に正の相関があった。 したがって、この接続性の変化は記憶の統合と相関関係があると予想されました。 ただし、紡錘体と低速振動の結合力（図3cを参照）とは異なり、第2海馬サブネットワークにおける睡眠依存の接続性の低下は、想起時の記憶性能を予測しませんでした。

図5

4|議論

この研究では、安静状態の fMRI と睡眠 EEG データを使用して、昼寝中または起きているのと同じ時間中の空間記憶の固定化を調査しました。 被験者は、仮想水迷路のゴール位置を、異なる開始位置（他中心グループ）または同じ開始位置（自己中心グループ）のいずれかで学習しました。 睡眠脳波解析は紡錘体と低速振動の結合に焦点を当て、紡錘体を高速サブタイプと低速サブタイプに分離しました。 静止状態 fMRI は、以前に定義されたネットワーク内の接続の変化に焦点を当てていました。 紡錘体と低速振動の結合は、昼寝後の記憶能力と正の相関関係があり、また、脾後皮質を含む海馬の機能的ネットワークにおける接続性の低下とも正の相関があることを示すことができた。 この接続性の低下は、起きていたグループでは見られませんでした。 タスクに関連した接続性の増加は、実行制御ネットワークとその他の海馬ネットワークで観察されましたが、デフォルト モード ネットワークでは減少が見られました。 これらの変化は睡眠グループに特有のものではなく、参加者全員に見られました。 我々は以前の振動結合の発見を再現し、遅いスピンドルが遅い振動からダウン状態への移行期間にネストされており、速いスピンドルが遅い振動のアップ状態の直前およびその中に頻繁に発生することを示しました。 アロセントリックトレーニンググループとエゴセントリックトレーニンググループの間で、紡錘体と低速振動の結合に違いは見つかりませんでした。 スピンドルと遅い振動の間の正確な調整は、時間、位相、時間周波数領域にわたって一貫して観察されました。 驚くべきことに、これらの効果は、空間学習体験の直後に行われた睡眠テストセッションと、事前に明示的な学習がなかった睡眠制御セッションとの間で差がありませんでした。 睡眠セッション間に差が観察されなかったという事実は、総睡眠時間にも差が観察されたため、研究デザインの方法論的な制限による可能性が最も高く、対照の昼寝は常に 2 回目の昼寝でした。 安静状態の fMRI 解析は、海馬ネットワーク、デフォルト モード ネットワーク、右実行制御ネットワークを中心に行われました。 これらのネットワークは定義され、その後、データ駆動型のアプローチを使用してサブネットワークに分割されました。 私たちは、活動分析における以前の発見と一致する、安静状態のセッション全体にわたる脳全体の変化を発見しました（Samanta et al.、2021）。 右側の実行制御ネットワークの変化 (接続の増加) とは対照的に、デフォルト モード ネットワークの接続におけるタスク関連の変化 (接続の減少)。 興味深いことに、海馬ネットワークは 2 つのサブネットワークに分けることができます。1 つは海馬と海馬傍皮質を中心とする一次機能サブネットワーク、もう 1 つはハブ領域として脾後皮質を含む 2 番目の機能サブネットワークです。 一次海馬サブネットワークの機能的接続性は、タスク前からタスク後、および休憩前から休憩後まで増加しました。 第 2 海馬サブネットワークの機能的接続性は、4 つの安静状態セッション全体で減少しました。最も顕著なのは睡眠休憩中です。休憩中に眠った参加者のみで、起きていた参加者では減少しませんでした。 私たちの行動や睡眠の分析結果と同様に、記憶の状態（アロとエゴ）は、これらのネットワークのいずれの変化にも影響を与えませんでした。 私たちの発見は、機能ネットワークにおけるタスク関連および統合関連の接続性の変化が、記憶の再活性化に関連している可能性があることを示唆しています。

最後に、睡眠 EEG の結果を安静状態の接続性と記憶パフォーマンスの変化に関連付けることを目的としました。 紡錘体と低速振動の結合は、海馬の第 2 サブネットワークにおける睡眠依存性の変化と記憶能力に正の相関がありました。 これは学習後の睡眠に特有のものであり、対照睡眠セッションでは見られませんでした。 総合すると、紡錘体と低速振動の正確な結合には行動との関連性があり、記憶の定着において機能的に重要な可能性があると考えられます。 この結合は、記憶の固定化中に海馬ネットワークの機能的接続が調節されるメカニズムである可能性があります。

4.1|静止状態のネットワークでの接続の変化

一般に、タスクはタスク後の安静状態の脳活動に影響を与える可能性があることが示されています（Lewis et al.、2009）。 例えば、作業記憶、感情、運動訓練を伴う認知課題では、課題後の学習依存の自発的脳活動の調節が観察されている(Lewis et al., 2009)。 先行するタスクに関連するこのような脳領域の変調は、安静状態の固定の一形態として理解でき、おそらく睡眠関連の記憶の固定と同様のメカニズムが関与していると考えられます (Tambini & Davachi、2019)。 静止状態の接続性解析は、ネットワーク内のさまざまなボクセルの相関関係に基づいています。 ニューロンの記憶の再活性化と記憶ネットワークの強化は、記憶ネットワークの同時活性化の増加につながるはずであり、したがって、ここで測定するように潜在的にネットワーク内の接続性が増加する可能性があります。 したがって、我々の結果は、休止状態中に起こっている再活性化の変化として解釈することができます。 デフォルトモードのネットワークのタスク前からタスク後のパフォーマンスとは対照的に、実行制御ネットワークと主要な海馬ネットワークの反対の変化を示します。 実行制御および海馬ネットワークは増加しましたが、デフォルト モード ネットワークの機能的接続は減少しました。 これらの接続性の変化が再活性化の発生によって誘発される場合、結果は、タスクの後、実行制御ネットワークと海馬の両方でより多くの再活性化が起こることを示しているでしょう。 また、脾後皮質を含む第二の海馬ネットワークにおける接続性が睡眠特異的に低下することも示した。 潜在的に、このネットワークは海馬と、実行制御ネットワークの一部である頭頂皮質などの下流領域との間のリンクである可能性がある(Genzel、2020)。 したがって、このネットワークの接続性の低下は、睡眠後に実行制御ネットワークと海馬で発生する再活性化が互いにより独立していることを示していると考えられます。 対照的に、起床後、接続性の低下が見られない場合には、皮質と海馬の再活性化は依然として接続されていると考えられます。 海馬から皮質への統合が進行すると、皮質の再活性化が海馬の再活性化とは独立して起こることが以前に提案されている。 私たちの結果はこの考えを裏付ける可能性があります。 ただし、安静状態のネットワーク内の接続性の測定は非常に間接的なため、この発見は、齧歯動物の海馬と皮質ニューロンの同時記録など、より直接的な測定によって確認される必要があります。

4.2|適切な実行制御およびデフォルト モード ネットワークにおけるタスク関連の変更

私たちの発見は、サマンタらが行ったこのデータセットのタスク分析と一致しています。 （2021年）。 参加者がタスクを実行している間の学習および検索セッション全体での BOLD アクティビティの変化を測定したところ、睡眠に関連した実行制御領域の増加とデフォルト モード領域の減少が観察されました。 現在の分析では、さまざまな休止状態セッションにわたって、実行制御ネットワークのネットワーク内接続が増加し、デフォルト モード ネットワークが減少していることが観察されました。 注目すべきは、Samantaらの活動分析結果とは対照的に、現在の結果は睡眠状態に特異的ではないということである。 この不一致は、分析アプローチの違いが原因である可能性があります。 サマンタら。 (2021) は、2 つのネットワークを個別に BOLD 応答の変化を調査しましたが、機能的な接続は調査しませんでした。 彼らの機能接続分析は、実行制御ネットワークの事前定義されたハブと脳の残りの部分の間の相互作用をテストするシードベースのアプローチに基づいて構築されました。 対照的に、私たちは独立コンポーネント分析を使用してアプリオリな仮定を行わずにネットワークを定義し、これらの各ネットワーク内でのみ機能接続の変化を評価しました。 これらの方法論的な違いが、2 つの分析の異なる結果に寄与した可能性があります。 実行制御ネットワークは、視空間タスク間に注意を割り当てると考えられており、目標指向の行動とナビゲーションに関与しています。 具体的には、後頭頂皮質は、海馬で生成された他動性の空間情報と自己中心性の空間定位の皮質統合部位として機能し、目標指向のナビゲーションをガイドします（Nitz、2012; Whitlock et al。、2008）。 さらに、以前の経験のコード化に関与する、タスク後の休息時の脳領域の連続的な再生またはパターン化された再活性化の証拠があります（Hoffman & McNaughton、2002; Staresina et al.、2013）。 まとめると、タスクに関連する脳領域における空間ナビゲーションとタスク後の休息時の再生における頭頂皮質の中心的な役割に関する証拠は、我々の発見と一致します。 我々は、タスクパフォ​​ーマンス前からタスクパフォ​​ーマンス後までの安静状態で、下後頭頂葉と溝を中心とした右実行制御ネットワークの機能的接続の増加を観察しました。 初期の神経画像研究では、デフォルト モード ネットワークを、安静状態と比較してタスク実行中に機能的接続性が低下するタスクネガティブ ネットワークとして定義しました (Buckner et al., 2008)。 ただし、グラフ理論の尺度を使用すると、Lin et al. (2017) は、タスク前の休憩、タスクのパフォーマンス、およびタスク後の休憩中のデフォルト モードのネットワーク ダイナミクスの時間的に解決されたビューを提供しました。 彼らは、デフォルト モードのネットワークでは、タスク前の休憩と比較して、タスク後の休憩では、機能統合の尺度である効率が低下することを発見しました。 全体的な効率はネットワーク全体で低下し、局所的な効率は特に後帯状皮質で低下しました。 我々の結果はまた、デフォルトモードネットワークは、後帯状皮質の大きな影響を受けて、タスク休息前から休息後にかけて機能的接続性が低下することを示している。 独立成分分析 (ICA) とテンプレート マッチング手順の結果、後帯状皮質、前頭前皮質、および外側後頭頂皮質がデフォルト モードのネットワーク接続に最も強く寄与したことを指摘しておく必要があります。 サマンタらを含む以前の研究。 (2021) は、このネットワークにおける海馬および脾後皮質の機能ハブも考慮しました (Greicius et al., 2003; Vincent et al., 2006)。 これらすべての領域が一緒になって、強化中に海馬から前頭前野および脾後皮質を介して下流の頭頂領域に情報が中継される記憶ネットワークを形成すると提案されている（Genzel、2020）。 しかし、私たちの研究では、海馬と脾後皮質は主に別の海馬ネットワークの一部でした。 したがって、以前にデフォルトモードネットワークに割り当てられていた我々の研究のいくつかの発見は、海馬、側頭葉領域、および脾後皮質を含む海馬ネットワークについてここで個別に議論される。 当社の fMRI 処理パイプラインは、最大限に独立した空間ネットワークを作成する ICA に基づいていました。 したがって、機能的な静止状態のネットワーク間の相互作用をテストすることはできませんでした。 それにもかかわらず、適切な実行制御とデフォルト モード ネットワークの機能的接続における反対の傾向は、以前の研究と同じ方向を示唆しています。 デフォルトモードネットワークと実行制御ネットワークの間の逆のシフトは、休息と注意集中の間の移行を促進することが示されている（Goulden et al., 2014; Menon & Uddin, 2010）。 この転移には、刺激に関連した認知処理をサポートするための脳内のリソースの再割り当てが含まれます。 私たちの観察に基づくと、2 つのネットワーク間の機能的接続における拮抗は、休憩からタスクへの移行中に存在するだけでなく、タスク後の休憩でも持続する可能性があり、したがって、エンコードされたエクスペリエンスを強化するための関連領域のオフライン調整を反映している可能性があります。

4.3|記憶の固定における海馬ネットワークの役割

SVD を通じて、海馬ネットワーク内で機能的に関連する 2 つのサブネットワーク、つまり海馬および海馬傍皮質を中心とする 1 つの海馬サブネットワークと、主に脾後皮質を含む 2 つ目の海馬サブネットワークを特定することができました。 これらのサブネットワークは、4 つの静止状態の fMRI セッションにわたって、明確な機能接続の変化を示しました。 一次海馬サブネットワークは、学習および検索セッションでのタスク実行後に機能的接続が増加しました。 この発見は、実行制御ネットワークについて説明したのと同様の休止状態の統合の基礎となる可能性があります。 海馬は初期の記憶記憶部位として、休息後の記憶能力の向上につながる再活性化を引き起こすことがよく示されています (Dupret et al., 2010)。 また、このサブネットワークでは 90 分間の休憩後に機能的な接続が増加していることも観察されました。 一見すると、統合期間全体にわたるこの増加は、提案されているシステム統合のメカニズムに反しているように見えます (Squire et al., 2015)。 むしろ、強化期間後には海馬の関与が減少すると予想されるでしょう。 ただし、現在の対策はアクティビティそのものではなく、ネットワーク接続内で行われており、統合期間は 90 分に限定されていることに留意する必要があります。 2 番目の海馬サブネットワークには主に脾後皮質が含まれますが、内側側頭領域も含まれます。 文献では、海馬、側頭葉領域、および脾後皮質は、安静時に強いコヒーレンスを示すため、デフォルトモードネットワークの一部とみなされていることが多い(Greicius et al., 2003; Vincent et al., 2006)。 しかし、最近、「内側側頭」サブネットワークが特定され、その接続性の睡眠過多の減少が空間記憶パフォーマンスの増加と関連していた（Barnett et al., 2021; van Buuren et al., 2019）。 このネットワークの中心領域には、内側側頭葉と後脾皮質が含まれます。 これらの構造は、海馬の 2 番目のサブネットワークに対応します。 その結果、私たちの第2の海馬サブネットワークは記憶の固定化において独特の役割を果たしている可能性がある（de Sousa et al., 2019; van Buuren et al., 2019）。 機能的には、第 2 海馬サブネットワークは 4 つの安静状態セッション全体で接続性が低下しましたが、これは睡眠状態の参加者のみでした。 内側側頭葉および後脾皮質は、ヒトおよび齧歯動物モデルにおける空間ナビゲーションに関連するとされている（Epstein et al., 2017; Peigneux et al., 2004）。 これらの領域は睡眠によって機能的に調節され、深い睡眠中には徐々に切り離されます（Spoormaker et al.、2010）。 したがって、第2の海馬サブネットワークは、睡眠中の紡錘体の低速振動活動に関わる脳全体の統合メカニズムを調整している可能性がある(Cowan et al., 2020; Navarro-Labato & Genzel, 2020)。 実際、我々は、脾後皮質を中心とする海馬の第 2 サブネットワークが睡眠によって大きく調節され、紡錘体と低速振動の結合力に正の関係があり、これが記憶力の予測にもつながることを示しました。 波紋、紡錘体、および遅い振動の結合は、記憶が睡眠中に海馬の最初の記憶領域から脾後皮質を介して後頭頂皮質などの下流領域に統合されるメカニズムである可能性があります (Genzel, 2020; Hennies et al. 、2016）。 私たちの 2 番目の海馬サブネットワークは、前述した一次海馬サブネットワークにおける一般的な固定形態に加えて、睡眠が記憶の固定に有益な効果を発揮する神経基質である可能性があります。 要約すると、記憶の固定化の根底にある脳の機能的接続パターンは、単に確立された安静状態のネットワークに限定されない可能性があることを示します。 データ駆動型のアプローチを使用して、差異ベースのサブネットワークを特定しました。 具体的には、海馬ネットワークを海馬中心の睡眠非依存構成要素と脾臓後中心の睡眠依存構成要素に区別しました。 これらのネットワークは両方とも、空間メモリの統合に関与している可能性があります。 それにもかかわらず、記憶能力を予測する紡錘体と低速振動の結合力との関連によって示されるように、記憶形成に対する睡眠の有益な効果の根底にあるのは第 2 海馬サブネットワークだけである可能性があります。 私たちの発見は、記憶固定における海馬ネットワークのより洗練された見解を提供します。海馬ネットワークでは、安静状態の機能的接続性が、1- 日パラダイムにおける空間記憶タスクの学習、固定、および検索の間で異なって変化します。