尽管已经提出了多巴胺系统的年龄差异基于横断面数据导致与年龄相关的认知下降,但最近的大型横截面研究报告说,仅报告衰老,多巴胺受体可用性和认知的相关性证据较弱。无论如何,纵向数据对于对多巴胺损失作为认知衰老的基础仍然具有强大的陈述至关重要。我们表现出D2/3多巴胺受体可用性的变化与健康的老年人超过5年的工作记忆变化之间的相关性(n = 128,基线时64至68岁)。Greater decline in D2/3 dopamine receptor availability in working memory-relevant regions (caudate, middle frontal cortex, hippocampus) was related to greater decline in working memory performance in individuals who exhibited working memory reductions across time ( n = 43; caudate: r s = 0.494; middle frontal cortex: r s = 0.506; hippocampus; r s = 0.423), but not in individuals who保持性能(n = 41;尾状:r s = 0.052;中额皮层:r s = 0.198;海马; r s = 0.076)。在Orbitrontal Cortex中未观察到偏链中的多巴胺 - 工作记忆链路,该链不属于核心工作记忆网络。我们的纵向分析支持了以下观点:多巴胺系统中与衰老相关的变化有助于衰老的工作记忆下降。
人类的海马体对于记忆功能至关重要,海马体受损会导致至少无法形成新的情景记忆和语义记忆(Clark et al., 2019; Corkin, 2002; Maguire, Intraub, & Mullally, 2016)。此外,有研究表明,高血压病史与海马体功能连接减弱和前瞻性记忆受损有关(Feng, Rolls, Cheng, & Feng, 2020),因此海马系统在普通人群中的运作方式与神经心理学和临床实践相关。要了解海马体如何参与记忆及其障碍,我们需要了解它与其他大脑区域的联系,尤其是与大脑皮层的联系(Aggleton, 2012; Rolls, 2018, 2021a)。海马体的连接为该记忆系统的计算运作方式提供了重大限制。如果存在双重层次组织的、分离的连接集,用于通过外嗅皮质和外侧内嗅皮质将腹侧流“什么”信息传输到海马体;以及通过海马旁回和内侧内嗅皮质将背侧顶叶流区域传输到海马体(Burwell,2000;Burwell,Witter,& Amaral,1995;Doan,Lagartos-Donate,Nilssen,Ohara,& Witter,2019;Knierim,Neunuebel,& Deshmukh,2014;Suzuki & Amaral,1994;Van Hoesen,1982),那么海马体就可以看作是连接特定事件的“什么”和“哪里”流,以便我们可以将例如谁在场(“什么”)以及他们在哪里联系起来。这将使得往返海马体的层次化组织的通路在每个阶段主要用于将信息传递到海马体进行储存,并传回大脑皮层进行回忆,并在每个阶段向海马体向前汇聚,从海马体向后发散(Treves & Rolls, 1994 ; Kesner & Rolls, 2015 ; Rolls, 2018 , 2021a )。另一种可能性是,人类海马记忆系统的层次化组织较少,信息流的分离较少,这将使不同皮质区域能够专门用于不同类型的计算。关于海马系统连接的大部分证据来自动物研究,一些主要发现总结如下和其他地方(Huang, Rolls, Hsu, Feng, & Lin, 2021 )。然而,要理解人类的海马记忆系统,就必须了解人类之间的联系,尤其是因为人类的颞叶腹侧视觉流处理已经有了很大的发展,用于进行不变的物体识别,具有大量的早期视觉皮层区域,大量发达的顶叶背侧视觉流参与与中央凹视觉和眼球运动相关的空间处理,眶额皮质奖励/情绪系统非常发达,以及啮齿类动物中不存在的后扣带皮层(Rolls,2021a)。最近的一项研究(Huang,
背景:围产期中风 (PS) 是偏瘫性脑瘫 (CP) 的主要原因。新生儿磁共振成像 (MRI) 中皮质脊髓束的受累可预测偏瘫性 CP 患者的运动结局。然而,对于 PS 出现较晚的患者,无法进行早期 MRI 检查,因此预测偏瘫严重程度仍是一项挑战。目的:评估有 PS 病史的儿童围产期缺血性中风后基底神经节、杏仁核、丘脑和海马的体积与手部运动功能的关系,并比较 PS 儿童和健康对照者的皮质下结构体积。方法:从爱沙尼亚儿童中风数据库招募患有动脉缺血性中风 (AIS) (n = 16) 和脑室周围静脉梗塞 (PVI) (n = 18) 的足月出生 PS 儿童。在儿童时期(4-18 岁)进行 MRI 检查,并计算基底神经节、丘脑、杏仁核和海马的体积。将中风患者的结果与 42 名年龄和性别匹配的健康对照者的结果进行比较。通过辅助手评估 (AHA) 评估受影响的手部功能,并通过手动能力分类系统 (MACS) 进行分类。结果:与对照组相比,AIS 儿童的同侧和对侧丘脑、同侧苍白球、伏隔核和海马的体积较小(p < 0.005)。 AIS 儿童的手部功能受损与同侧丘脑、壳核、苍白球、海马、杏仁核和对侧杏仁核较小 (r > 0.5; p < 0.05) 以及对侧壳核和海马体积较大 (r < - 0.5; p < 0.05) 相关。与对照组相比,患有 PVI 的儿童的同侧尾状核、苍白球、丘脑 (p ≤ 0.001) 和海马 (p < 0.03) 较小。在患有 PVI 的儿童中,同侧和对侧丘脑以及同侧尾状核体积较小与手部功能受损 (r > 0.55; p < 0.05) 相关。结论:无论围产期中风亚型如何,患侧丘脑体积较小与手部功能较差有关。手部功能与其他皮层下结构体积差异之间的相关性模式在 PVI 儿童和 AIS 儿童之间有所不同。皮层下结构的评估对于预测围产期中风后的运动结果非常重要。
摘要 - 海马中的数据存储在巨大的取决于齿状回的有效设计部门。在我们的演示中,结合了有关内嗅皮层,齿状回和海马解剖结构的最新数据以及设计划分中的功能。构建了三层馈送尖峰神经网络。具有简化的突触和分子过程,从啮齿动物的海马中汲取灵感。构建尖峰神经网络,该网络可以区分各种刺激或网络损害带来的激发模式和抑制比率失衡是该项目的目标。这项研究对齿状回神经元背后的分子过程的独特想法提出了对突触和连接的损害的抵抗力,这导致了神经元的不平衡刺激抑制活性。这种简化的分子和细胞推定的基于机制的尖峰神经网络在各种程度的刺激下显示出有效的知识存储,可用于认知机器人。关键字:齿状回,模式分离,不平衡网络,后传播和海马都与内存有关。I.创建尖端人工系统的简介,计算科学家采用了神经科学领域的知识。这项研究的基本问题是缺乏有关脑系统涉及的参数和认知活动的神经生物学的知识。人工智能是啮齿动物的认知过程,包括它们的各种记忆能力,在批评其神经系统的结构以及有关神经元结构及其电特征的介绍信息。工程师创建了智能设备和认知架构,这是由于动物大脑的化学,细胞和网络结构及其认知过程的能力[1,2]。
图 2 Dlg2 + / 和野生型大鼠中蛋白质 PSD-93 (A)、PSD-95 (B) 和 NR1 NMDA 受体亚基 (C) 的表达。这些是在四个大脑区域进行的评估:前额皮质 (PFC)、后皮质 (CX)、海马 (HP) 和小脑 (CB)。小脑 NR1 表达太低,无法进行分析,因此未报告。数据显示为平均值 ± SEM 积分密度图加上单个数据点。n = 12 只野生型,12 只 Dlg2 + / 。与野生型相比,Dlg2 + / 大鼠的前额皮质、后皮质、海马和小脑的 PSD-93 有所下降,而 PSD-95 或 NR1 NMDA 受体亚基水平没有变化
胶囊网络是一种近期出现的新型深度网络架构,已成功应用于医学图像分割任务。这项工作扩展了胶囊网络,使其能够通过自监督学习进行体积医学图像分割。与以前的胶囊网络相比,为了改善权重初始化问题,我们利用自监督学习进行胶囊网络预训练,其中我们的借口任务通过自重建进行优化。我们的胶囊网络 SS-3DCapsNet 具有基于 UNet 的架构,带有 3D 胶囊编码器和 3D CNN 解码器。我们在 iSeg-2017、Hippocampus 和 Cardiac 等多个数据集上的实验表明,我们的自监督预训练的 3D 胶囊网络远远优于以前的胶囊网络和 3D-UNets。代码可在此处获得。1
导致疾病易感性增加的衰老分子特征仍不清楚。本文我们展示了与年龄和衰老相关的人脑转录组学谱,该谱来自对 2202 个大脑样本(皮层、海马和小脑)的四组独立全基因组表达数据的系统整合分析,这些样本来自不同年龄段的个体(从 5-10 岁的婴儿到高达 100 岁的老年人),按几十年的年龄阶段分类。该研究提供了在皮层中检测到的 1148 个基因、在海马中检测到的 874 个基因和在小脑中检测到的 657 个基因的特征,根据稳健的伽马秩相关分析,这些基因随着年龄的增长表现出显著的差异表达变化。这些特征表明,皮层和海马之间有 258 个基因明显重叠,三个大脑区域之间有 63 个共同基因。功能富集分析和细胞类型分析着眼于皮质,提供了关于衰老特征的生物学见解。应激反应和免疫反应是上调功能。突触、神经传递和钙信号是下调功能。基于单细胞数据的细胞分析表明,生命早期阶段的神经元活动增加,而老年阶段的神经元活动减少。调控分析确定了与皮质和海马共有的 258 个基因特征相关的转录因子 (TF);揭示了 MEF2(A,D)、PDX1、FOSL (1,2) 和 RFX(5,1) 作为特征候选调节因子的作用。最后,使用深度学习神经网络算法基于衰老特征构建生物年龄预测器。本文是 Federico Manuel Giorgi 博士和 Shaun Mahony 博士编辑的题为“转录谱和调控基因网络”的特刊的一部分。
