反复暴露于诸如甲基苯丙胺(METH)之类的精神刺激剂中,会在中皮质上的多巴胺系统中诱导神经元适应性,包括腹侧对段区域(VTA)。这些变化导致持续增强的神经元活性,导致多巴胺释放和上瘾的表型增加。在VTA中,GABA B受体介导的神经元抑制作用似乎降低了该系统中多巴胺能活性的一个因素。通过蛋白质磷酸酶2a(PP2A)的GABA B 2亚基的丝氨酸783(Ser783)的去磷酸化似乎触发了精神刺激剂成瘾的啮齿动物中的下调GABA B受体。因此,防止使用干扰肽的GABA B受体与PP2A的相互作用是恢复GABA B受体介导的神经元抑制的有前途的策略。我们以前已经开发了一种干扰肽(PP2A-PEP),该肽抑制了GABA B受体/PP2A相互作用,从而在病理条件下恢复受体表达。在这里,我们检验了以下假设:在甲基化小鼠的VTA中恢复GABA B受体表达减少了成瘾的表型。我们发现,在VTA和伏隔核中,GABA B受体的表达显着降低,但在甲基化小鼠的海马和体感皮层中没有显着降低。将PP2A-PEP输注到甲基化小鼠的VTA中,在VTA中恢复了GABA B受体表达,并抑制了甲基甲基诱导的运动敏化,如开放式测试中所评估的那样。此外,在有条件的位置偏好测试中,将PP2A-PEP施用到VTA中也降低了药物寻求行为。这些观察结果强调了VTA GABA B受体在控制成瘾表型中的重要性。此外,这项研究说明了
摘要假设丘脑下核(STN)在反应停止信号的快速停止运动中起着核心作用。单单元记录这种作用的证据很少,但仍然不确定该作用与STN解剖学细分所描述的不同功能如何相关。在这里,我们使用非人类灵长类动物解决了知识的差距,以及区分反应性和主动作用抑制,开关和骨骼运动函数的任务。我们发现,STN神经元的特定子集具有与反应性动作停止或切换中因果关系一致的活性。重要的是,这些神经元严格隔离到STN的腹侧区域。在其他细分中编码任务维度(例如运动本身和主动控制)中的神经元。我们建议,STN参与反应性控制仅限于其腹侧部分,进一步暗示了脉冲控制障碍中的这一STN细分。
。CC-BY 4.0 国际许可(未经同行评审认证)是作者/资助者,他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2025 年 1 月 23 日发布。;https://doi.org/10.1101/2024.07.29.605705 doi:bioRxiv 预印本
反对者:Lorenz Studer 教授 斯隆凯特琳研究所 发育生物学系 考试委员会:Anna Falk 教授 隆德大学 干细胞治疗系 András Simon 教授 卡罗琳斯卡医学院 细胞与分子生物学系 Åsa Mackenzie 教授 隆德大学 生物体生物学、生理学与环境毒理学系
图1。奖励喷口位置的变化引起的力量在不同方向上施加了力量,而不会改变奖励预测。(a)。连续测量在头部固定装置中受约束的小鼠中向后和向后的劳累的连续测量。(B-C)带有不同喷口位置的Pavlovian调节任务设计。(D-E)双向力的劳累取决于相同会话内的吐口位置。小鼠表现出与喷口位置对齐的方向(n = 12)的力量。(f)小鼠在不同方向上施加力作为条件和无条件的响应(左:CR,配对t检验,t = 9.473,p <0.0001;右:ur rign:ur,ur,成对t检验,t = 9.556,p <0.0001)。(G-H)在喷口位置变化时一致的舔行为。(i)左,与条件响应相同的舔率(配对t检验,t = 1.758,p = 0.107)。右,与无条件响应的舔速度相同(配对t检验,t = 0.0624,p = 0.951)。
神经元通过Orexin 1(OX1R)或Kappa阿片类药物(Kor)受体。鉴于OX1R激活增加了VTA DAFINF,而Kor会减少燃料,因此尚不清楚加冕的肽如何促进DA神经元的净活性。我们测试了对LH OX/DYN神经调节的光刺激是否通过肽释放来释放VTA DA神经元活性,以及基于VTA DA投影靶标(包括基底外侧杏仁核(BLA)(BLA)或内医生或内膜外壳的光学驱动的LH OX/DYN释放的效果。使用电路跟踪,光遗传学和斑块夹电生理学的组合,在男性和女性Orexin Cre小鼠中,我们显示出对VTA DA神经元的LH ox/dyn光学刺激的多样化响应,这不是由快速发射器释放介导的,并被拮抗剂封闭,并被拮抗剂驱动到Kor和Ox1r和Ox1r Signal1r。此外,在VTA中对LH OX/DYN输入的光学刺激抑制了大多数BLA验证的VTA DA神经元的结构,而VTA双向的LH ox/dyn输入的光学刺激会影响lacbsh-或machsh-progenting vta neurons的filtirection。这些发现表明,LH ox/dyn Corelease可能通过在每个人群中平衡神经元的合奏,从而影响VTA的输出,从而有助于寻求奖励的不同方面。
抽象体验单个严重的压力源足以驱动性二态精神病的发展。腹侧下调(VSUB)作为一个部位出现,由于其性别特定的组织和在压力整合中的关键作用,压力可能引起性二态适应性。使用1小时的急性约束应力模型,我们发现应力导致女性VSUB活性的净减少,而女性有效,持久且由肾上腺素能受体信号传导驱动。相比之下,雄性表现出VSUB活性的净增加,该活动是瞬时和由皮质酮信号传导驱动的。我们进一步确定了VSUB输出的性别依赖性变化,以响应压力,并响应压力而焦虑行为。这些发现揭示了与性,细胞类型和突触特异性压力后,与精神疾病相关的大脑区域和行为发生了惊人的变化,这有助于我们理解性依赖性适应,这可能会影响与压力有关的精神病风险。突出显示
。cc-by-nc 4.0国际许可证(未经同行评审证明)获得的是作者/资助者,他授予Biorxiv授予Biorxiv的许可,以永久显示预印本。这是该版本的版权所有,该版本于2024年7月13日发布。 https://doi.org/10.1101/2022.04.12.4888101 doi:Biorxiv Preprint
猕猴的腹侧额叶皮层由一组解剖上异质和高度相互联系的区域组成。总的来说,这些领域与许多高级情感和认知过程有关,最著名的是对决策的适应性控制。尽管有这种欣赏,但对在决策过程中腹侧额叶皮质的细分如何相互相互作用几乎没有什么了解。在这里,我们通过分析从猕猴中猕猴中的八个解剖学上定义的细分记录的数千个单个神经元的活性来评估区域之间的功能相互作用,这些神经元的腹侧额叶皮质的八个分区,用于执行视觉引导的两种选择性概率的任务。我们发现,刺激和奖励分娩的开始全球增加了腹侧额叶皮层之间的通信。在暂时特定的暂时性交流是通过区域之间的独特活动子空间发生的,并取决于决策变量的编码。特别是,12L和12o区域与其他区域的连接性最高,同时更有可能从腹侧额叶皮质的其他部分接收信息,而不是发送。这种功能连接的模式表明,这两个领域在决策过程中整合各种信息来源的作用。综上所述,我们的工作揭示了在决策过程中动态参与的腹侧额叶皮层的解剖连接细分之间的相互交流的特定模式。关键字:腹侧额叶皮质,轨道额皮层,渐变岛,奖励,决策,选择,结果,功能连接性介绍灵长类的腹侧额叶皮层在指导决策过程中指导自适应行为方面起着核心作用。When making a choice, neural activity within orbitofrontal cortex (OFC) and ventrolateral prefrontal cortex (vlPFC) represents the different attributes associated with the available options, such as the amount, effort, delay, risk, or probability that the option might be able to be obtained (Tremblay and Schultz, 1999; Padoa-Schioppa and Assad, 2006; Kennerley and Wallis, 2009年;The OFC and vlPFC, are not, however, anatomically homogeneous areas and each encompasses a number of distinct subdivisions that have been defined on the basis of sulcal anatomy, cytoarchitecture, and receptor density (Walker, 1940; Barbas and Pandya, 1989; Morecraft et al., 1992; Carmichael and Price, 1994; Rapan et al., 2023).最重要的是,解剖学跟踪研究表明,这些细分中的每一个都从大脑其他部位收到一套独特的投影(Barbas and Pandya,1989; Carmichael and Price,1995a,1995b,1996)。我们以前的神经生理记录研究还报道了腹侧额叶皮层(Stoll and Rudebeck,2024a)跨越腹部额叶细分的可分离编码模式,并且编码中的这种差异似乎
在足够大的对象分类数据集上进行训练时,特定的人工神经网络模型可以合理匹配核心对象识别 (COR) 行为和灵长类视觉腹侧流 (VVS) 中的潜在神经反应模式。机器学习的最新发现表明,在更大的数据集上训练更大的模型并投入更多的计算预算可以提高任务性能,但目前尚不清楚规模如何影响大脑对齐。我们在此研究了灵长类 VVS 建模的缩放定律,这些定律涉及以受控方式训练的 300 多个模型中数据集和模型大小的计算最优分配。为了评估模型的大脑对齐,我们使用了一组涵盖整个 VVS 和 COR 行为的基准。我们发现,虽然增加模型参数的数量最初会改善大脑对齐,但更大的模型最终会导致收益递减。增加数据集大小可以从经验上持续改善对齐,但我们推断,这里的规模对于非常大的数据集也会趋于平稳。将我们对模型和数据大小的最佳计算预算分配与缩放定律相结合,我们预测单凭规模不会导致大脑与当前架构和数据集的一致性取得实质性进展。