Parte 3: Un gradiente de dopamina controla el acceso a la memoria de trabajo distribuida en la corteza del mono a gran escala

Contacto: Audrey Hu Whatsapp/hp: 0086 13880143964 Correo electrónico:audrey.hu@wecistanche.com

Haga clic aquí para la Parte 2

DETALLES DEL MÉTODO

Resumen de datos anatómicos

En este estudio, combinamos datos anatómicos post mortem sobre densidades de receptores, conectividad de materia blanca, densidades de neuronas y recuentos de espinas dendríticas. Cada una de estas cuatro medidas anatómicas se cuantificó originalmente utilizando diferentes parcelaciones de la corteza. Aún no se han cuantificado grandes secciones del lóbulo temporal ni para los datos de autorradiografía del receptor ni para los datos de conectividad del trazado del tracto. La recopilación de estos datos está en curso y estará disponible en estudios futuros. Con la excepción de las densidades de los receptores en la corteza parietal posterior (Impieri et al., 2019; Niu et al., 2020, 2021), todas las densidades de los receptores D1 se informan por primera vez en este estudio. Los datos de conectividad para diez de las 40 áreas corticales se usan aquí por primera vez, pero se describirán con más detalle en una próxima publicación del laboratorio Kennedy. Esto nos permitió expandir el cálculo de la jerarquía cortical a 40 regiones.

Cistanche puede mejorar la memoria

Una nota sobre la notación

Los subíndices entre corchetes, como ½k, se utilizan para indicar las propias áreas corticales. Subíndices que no están entre paréntesis, como los que se utilizan para indicar poblaciones de neuronas dentro de un área cortical. Los superíndices se utilizan para proporcionar más información aclaratoria. Usamos la convención de que los objetivos se enumeran antes que las fuentes, de modo que gi;j denotaría la fuerza de una conexión de la población neuronal j a la población neuronal i. Los valores de los parámetros se enumeran en la Tabla S6.

Cuantificación de la densidad del receptor en la corteza: autorradiografía in vitro

Para crear un mapa de alta resolución y alta fidelidad de la arquitectura de los receptores de dopamina corticales, utilizamos autorradiografía cuantitativa de receptores in vitro (Palomero-Gallagher y Zilles, 2018). La autorradiografía anterior del receptor de dopamina se ha centrado en secciones relativamente pequeñas de la corteza (Goldman-Rakic ​​et al., 1990; Impieri et al., 2019; Lidow et al., 1991; Niu et al., 2020; Richfield et al. , 1989). Para crear un mapa más completo de los receptores de dopamina corticales, medimos la densidad del receptor D1 en 109 áreas corticales y los receptores D1 y D2 en los ganglios basales.

Los animales fueron sacrificados mediante una dosis letal intravenosa de pentobarbital sódico. Los cerebros se extrajeron inmediatamente del cráneo y el tronco encefálico y el cerebelo se diseccionaron muy cerca de los pedúnculos cerebrales. Se separaron los hemisferios y luego se cortaron en un bloque rostral y uno caudal mediante un corte en el plano coronal de sección entre los surcos central y arqueado. Estos bloques se congelaron en isopentano a 4{{30}}C a 5{{50}}C y luego se almacenaron en bolsas de plástico herméticas a 70C. Cada bloque se seccionó en serie en el plano coronal (grosor de sección de 20 mm) utilizando un micrótomo criostato (CM 3050, Leica, Alemania). Las secciones se montaron descongeladas en portaobjetos recubiertos de gelatina, se secaron por congelación durante la noche y se procesaron para visualizar los receptores D1 o D2, los cuerpos celulares (Merker, 1983) o la mielina (Gallyas, 1979). etiquetar los receptores dopaminérgicos D1 y D2 de acuerdo con los protocolos publicados anteriormente (Palomero-Gallagher y Zilles, 2018) (Zilles et al., 2002) que abarcan una preincubación, la incubación principal y un paso final de enjuague. Para la visualización del receptor D1, las secciones primero se rehidrataron y las sustancias endógenas se eliminaron durante una preincubación de 20-minutos a temperatura ambiente en un tampón Tris-HCl 50 mM (pH 7,4) que contenía NaCl 120 mM, KCl 5 mM, KCl 2 mM CaCl2 y MgCl2 1 mM. Durante la incubación principal, las secciones se incubaron con [3H]SCH 23390 0,5 nM solo (para determinar la unión total), o con [3H]SCH 23390 0,5 nM y 1 mM del desplazador mianserina (para determinar la proporción de desplazable, no -unión específica) durante 90 minutos a temperatura ambiente en el mismo tampón que se usó para la preincubación. Finalmente, el procedimiento de enjuague consistió en dos pasos de lavado de 20 minutos en un tampón frío seguido de una breve inmersión en agua destilada. Para la visualización del receptor D2, las secciones se preincubaron con tampón Tris-HCl 50 mM (pH 7,4) que contenía NaCl 150 mM y ascorbato al 1 por ciento. En la incubación principal, las secciones se incubaron con [3H] racloprida 0,3 nM sola o con [3H] racloprida 0,3 nM y 1 mM del desplazador butaclamol 1 mM durante 45 minutos a temperatura ambiente en el mismo tampón que se usó para la preincubación. . El enjuague consistió en seis pasos de lavado de 1 minuto en un tampón frío seguido de un breve baño en agua destilada. La unión específica es la diferencia entre la unión total y la no específica. Dado que los ligandos y los protocolos de unión utilizados dieron como resultado una unión desplazable, que era menos del 5 por ciento de la unión total, la unión total se considera equivalente a la unión específica. Las secciones se secaron en una corriente de aire frío, se expusieron junto con escamas de plástico de radiactividad conocida contra películas sensibles al tritio (Hyperfilm, Amersham) durante seis (para el receptor D1) u ocho (para el receptor D2) semanas, y posteriormente autorradiografías procesadas por densitometría con una técnica de análisis de imagen basada en video (Palomero- Gallagher and Zilles, 2018)(Zilles et al., 2002). Las autorradiografías se digitalizaron con una cámara CCD y se almacenaron como imágenes de valores grises de 8- bits con una resolución espacial de 2080x1542 píxeles. Los valores de gris (g) en las escalas coexpuestas, así como las condiciones experimentales, se usaron para crear una curva de regresión con la cual los valores de gris en cada píxel de una autorradiografía se transformaron en densidades del sitio de unión (Bmax) en fmol/mg de proteína por medio de la fórmula max=$

(Ecuación 1)

donde R es la concentración de radiactividad (CPM) en una balanza, E la eficiencia del contador de centelleo utilizado para determinar la cantidad de radiactividad en el tampón de incubación, B el número de desintegraciones por unidad de tiempo y radiactividad, Wb el peso de proteína de un estándar , como la actividad específica del ligando, KD la constante de disociación del ligando y L la concentración libre del ligando durante la incubación. Únicamente con fines de visualización, las autorradiografías se codificaron posteriormente con pseudocolores mediante la mejora del contraste lineal y la asignación de rangos de densidad igualmente espaciados a una disposición espectral de once colores.

Las áreas corticales se identificaron mediante análisis citoarquitectónico y las densidades de los receptores se midieron en sitios comparables en las secciones adyacentes procesadas para la visualización de los receptores. La densidad media del receptor para cada área en una serie de 3 a 5 secciones por animal y receptor se determinó mediante perfiles de densidad extraídos verticalmente a la superficie cortical utilizando un software interno basado en MATLAB (Pal-Omero-Gallagher y Zilles, 2018).

Trazado de vías retrógradas

Los datos de conectividad interáreas de este documento son parte de un esfuerzo continuo para mapear el conectoma cortical del macaco mediante el rastreo de tractos retrógrados (Markov et al., 2013, 2014a, 2014b). Para cada área objetivo, se inyectó un marcador retrógrado en la corteza. El trazador fue captado en las terminales del axón en esta área y transportado retrógradamente a los cuerpos celulares de las neuronas que se proyectaron hacia el objetivo. Estos cuerpos celulares podrían estar en todo el cerebro. Cada uno de estos cuerpos celulares en la corteza se contó como una neurona marcada (LN). Se contó el número de neuronas marcadas en todas las áreas corticales excepto en el área diana inyectada. Las áreas corticales que envían axones al área de destino se denominan áreas de origen. Como existen diferencias incontrolables en el volumen del marcador y la absorción entre infecciones, estimamos la fuerza de las conexiones de la siguiente manera. Para una infección dada. se contó el número total de cuerpos celulares en la corteza fuera del área inyectada (objetivo). El número de neuronas marcadas dentro de un área cortical de origen se dividió luego por el número de neuronas marcadas en toda la corteza (excluyendo el área objetivo), para dar una fracción de neuronas marcadas (FLN). El FI N se promedió entre todas las infecciones en un área objetivo dada. Para este cálculo. incluimos todas las áreas en todo el hemisferio cortical (áreas 91).

El subículo (SUB) y la corteza piriforme (PIR) tienen una estructura laminar cualitativamente diferente a las áreas neocorticales y, por lo tanto, las conexiones supra e infralaminares (y, por lo tanto, el SLN) de estas áreas no están definidas. Por lo tanto, eliminamos todas las conexiones de estas áreas de los siguientes cálculos (áreas, SLN=89). Estos datos de conectividad están disponibles en el sitio web de core-nets.

Estimación de la jerarquía cortical

Siguiendo (Markov et al., 2014a), estimamos la posición jerárquica h de cada área utilizando los valores SLN de sus conexiones. Las conexiones de retroalimentación tienden a originarse en las capas supragranulares, mientras que las conexiones de retroalimentación tienden a originarse en las capas profundas del área fuente (Barone et al., 2000; Felleman y Van Essen, 1991). Además, si un área objetivo ocupa una posición jerárquica mucho más alta que el área fuente, una mayor proporción de neuronas emerge de las capas supragranulares del área fuente que si las dos áreas están cerradas en la jerarquía (Barone et al., 2000). . Asimismo, para las conexiones de retroalimentación, una mayor distancia jerárquica entre áreas implica que el área superior envía una mayor proporción de su protección desde las fuentes infragranulares. Esto implica que la fracción de neuronas provenientes de las capas supragranulares en una determinada conexión da una estimación de la posición jerárquica relativa de dos áreas conectadas (Barone et al.2000:Markoy et a.2014a). Aquí. A continuación (Markey et al., 2014a), estimamos un conjunto de niveles jerárquicos (uno por área) que mejor predice los valores SLN para todas las conexiones en el conjunto de datos.

El modelo para estimar la jerarquía tiene la forma

g(E(SLNJ))= X (Ecuación 4)

donde g es una función que relaciona el SLN de la conexión entre áreas con la distancia jerárquica entre ellas. es un vector columna de longitud nareasSLN, que contiene los valores de jerarquía a estimar. X es una matriz de incidencia de forma nconns×nareasSLN, donde los iconos ({{0}}) son el número de conexiones observadas (distintas de cero) entre áreas corticales en el conjunto de datos restante. Cada fila en X representa una conexión y cada columna representa un área cortical. Todas las entradas de cada fila valen 0 excepto la columna correspondiente al área de origen, que tiene un valor de -1, y el área de destino (destinatario), que tiene un valor de 1 (Strang, 1993).

Integración de conjuntos de datos anatómicos Todos los datos anatómicos se asignaron a las parcelaciones apropiadas en la superficie Yerkes19. Para el presente estudio, asignamos todos los datos al subgrafo de Lyon de 40 áreas (Markov et al., 2014b), ya que las áreas en esta parcelación eran generalmente más grandes que las del Julich Macaque Brain Atlas (Impieri et al., 2019; Niu et al., 2020; Rapan et al., 2021; este artículo) y los sitios de inyección de Queensland (recuento de columna vertebral) (Elston, 2007), y más cerca de las descripciones estándar de área que Vanderbilt (densidad neuronal) (Collins et al., 2010) secciones. Las densidades de los receptores se cuantificaron en 109 regiones corticales definidas por la ciudad y la arquitectura del receptor. El método para la delineación de los bordes de la región cortical se describe en (Impieri et al., 2019; Niu et al., 2020; Rapan et al., 2021). Utilizando el mismo método, los anatomistas (NPG, MN, LR) identificaron áreas corticales sobre la base del receptor y la citoarquitectura. Ver Figura 1 para la definición de las áreas. Los anatomistas dibujaron cuidadosamente (NPG, MN, LR) y revisaron de forma independiente (NPG, MN, LR, SFW) bordes definidos en la superficie cortical de Yerkes19 (Donahue et al., 2016) para permitir la comparación con otros tipos de datos. Los datos del receptor D1 se mapearon en el atlas de Lyon de la siguiente manera. Para cada área en el atlas de Lyon, buscamos superposiciones con áreas en el Julich Macaque Brain Atlas. Si más del 50 por ciento de los vértices dentro del área también estaban en el Julich Macaque Brain Atlas, se calculó la densidad del receptor D1 para el área. A todos los vértices dentro de cada área de Julich se les asignó el valor medio de esa área. Promediamos la densidad del receptor D1 en todos los vértices que se encuentran tanto en el área de Lyon como en el Julich Macaque Brain Atlas, realizando así un promedio ponderado de las densidades del receptor D1 según el grado de superposición espacial. A treinta y dos de las 40 áreas de Lyon se les asignó la densidad del receptor D1 de esta manera, y las ocho áreas restantes no se superpusieron lo suficiente con el Julich Macaque Brain Atlas. Debido a la fuerte correlación positiva entre la densidad del receptor/neurona D1 y la jerarquía (Figura 1), para las simulaciones, inferimos valores para las ocho regiones restantes mediante regresión lineal con la jerarquía como variable independiente y la densidad del receptor/neurona D1 como la variable dependiente.

Los datos de autorradiografía in vitro cuantifican con precisión la densidad de receptores en la corteza. Sin embargo, es importante tener en cuenta que la densidad de neuronas también varía a lo largo de la corteza. Collins et al. (2010) midieron la densidad de neuronas en toda la corteza del macaco utilizando el método del fraccionador isotrópico (también conocido como sopa de cerebro). En el artículo original, la corteza se dividía en 42 regiones y se mostraba en un mapa plano, con puntos de referencia anatómicos etiquetados (Figuras 2 y S1 de ese artículo). SFW dibujó los bordes de estas regiones en la superficie Yerkes19 con referencia al artículo original (Collins et al., 2010), varios artículos anatómicos del mismo grupo (Beck y Kaas, 1999; Cerkevich, et al., 2014; Kaas, 2004), los atlas Julich Macaque (109 áreas) y Lyon (Markov- 132) (Donahue et al., 2016; Markov et al., 2014b), y fueron evaluados de forma independiente por anatomistas (LR, MN , GNP). Los datos de densidad neuronal cubrieron toda la corteza. Como tal, asignamos densidad neuronal a cada área en el atlas de Lyon, ponderada por la superposición espacial con las regiones originales en el atlas de Vanderbilt. La densidad del receptor D1 se dividió por la densidad de la neurona para dar la densidad del receptor D1/neurona en cada área. La densidad de neuronas fue en unidades de neuronas por gramo. Para estimar la densidad del receptor en fmol por neurona, usamos la cifra previamente reportada de que el 8 por ciento del tejido cerebral es una proteína (McIlwain y Bachelard, 1972).

Esto equivale a multiplicar por una constante y no afecta las correlaciones ni el efecto del gradiente de dopamina en el modelo. El atlas de Lyon utilizado para definir los datos de conectividad interareal (Markov et al., 2014b) ya está disponible en la superficie de Yerkes19 (Donahue et al., 2016). El subgráfico completo de áreas inyectadas, incluida la conectividad bidireccional, se ha ampliado de 29 áreas en Donahue et al. (2016) a las 40 áreas utilizadas en este trabajo. Para los datos del recuento de la columna vertebral, SFW dibujó los contornos de los 27 sitios de inyección en la superficie Yerkes19 con referencia a los documentos originales (la mayoría de los cuales tenían una descripción anatómica sustancial y mapas dibujados a mano), así como documentos anatómicos citados dentro del artículos originales (Cavada y Goldman-Rakic, 1989; Preuss y Goldman-Rakic, 1991; Seltzer y Pandya, 1978) y el Lyon y Julich Macaque Brain Atlases. La comparación directa con los mapas dibujados a mano fue posible para las áreas V1, V2, MT, LIPv, 7a, V4, TEO, STP, IT, Ant. Usando., Publicar. King, TEpd, 12vl, A1, 3b, 4, 5, 6, 7b, 9, 13, 46, 7 m (Elston, 2007). Las áreas 10, 11 y 12 se describieron con referencia a Preuss y Goldman-Rakic ​​(1991). La inyección en el área TEa utilizó los mapas de Seltzer y Pandya (1978) para la definición del área. Usamos estos mapas para aproximar la ubicación de la inyección. El área STP se identificó con la región correspondiente STPp en el atlas de Felleman y Van Essen (1991). El área FEF se identificó como situada en el banco anterior de la cara medial del surco arqueado, como lo describe Elston (2007). Todos los sitios de inyección identificados en la superficie cortical fueron verificados de forma independiente por MN, LR y NPG. Los datos del recuento de la columna vertebral se expresaron según los sitios de inyección, en lugar de áreas corticales completas. Como tal, encontramos el número de vértices de cada sitio de inyección superpuestos con cada área en el atlas de Lyon.

Para cada área de Lyon, el conteo de espinas fue un promedio de los conteos de espinas de todos los sitios de inyección que se superponen con el área, ponderado por el número de vértices de cada sitio de inyección contenido dentro del área. De esta manera, estimamos los recuentos de espinas en células piramidales en 24 de las 40 regiones del atlas de Lyon. Basado en la fuerte correlación positiva entre el recuento de espinas y la jerarquía cortical (r=0.61, p=0.001), y siguiendo trabajos previos (Chaudhuri et al., 2015; Mejias y Wang 2021), inferimos el recuento de espinas para las regiones restantes en función de la jerarquía mediante regresión lineal. Los neuroanatomistas (NPG, LR, MN) clasificaron cada una de las 109 áreas corticales para las que se dispone de datos del receptor D1 como granulares o agranulares, y según la proporción del tamaño del cuerpo celular entre las capas III y V. Delineaciones de los bordes de las áreas para cada atlas, y los datos anatómicos en el espacio Yerkes19 están disponibles en la base de datos BALSA. Descripción general de los modelos dinámicos Primero describimos la estructura de conectividad de nuestro modelo de circuito local y cómo la dopamina modula la eficacia de estas conexiones. Luego describimos un modelo dinámico a gran escala, en el que el circuito local se usa como bloque de construcción y se coloca en cada una de las 40 áreas corticales. Describimos los diversos pasos para construir el modelo a gran escala, incluido cómo conectar las áreas corticales, aplicar la heterogeneidad de excitación y el gradiente de dopamina. Por último, describimos cómo simulamos tareas de memoria de trabajo, lesiones e inhibición transitoria en este modelo. Descripción del circuito cortical local Describimos un circuito cortical local que contiene poblaciones de cuatro tipos distintos de neuronas. Esto está conceptualmente relacionado con modelos computacionales previos de memoria de trabajo que involucran múltiples tipos de interneuronas (Tanaka, 1999; Wang et al., 2004a), y utiliza una reducción de campo medio de un modelo de picos (Brunel y Wang, 2001; Wong y Wang , 2006). Las células PV, CB/SST y CR/VIP diferían en el umbral y la pendiente de su función de entrada-salida (curva fI) (Bacci et al., 2003), local (Adesnik et al., 2012; Jiang et al., 2015; Mun˜ oz et al., 2017; Pfeffer et al., 2013; Tremblay et al., 2016) y conectividad de largo alcance (Lee et al., 2013; Wall et al., 2016), tasas de adaptación (Kawaguchi , 1993; Mendonc¸ an et al., 2016; Schuman et al., 2019), y la relación NMDA/AMPA (Lu et al., 2007). La estructura de conectividad y las fortalezas del circuito local se basan en una síntesis de estudios anatómicos y fisiológicos y se capturan en la matriz de conectividad local G (Tablas S1–S3; Jiang et al., 2015; Kalisman et al., 2005; Lee et al., 2013; Ma et al., 2012; Markram et al., 1997; Pfeffer et al., 2013; Silberberg y Markram, 2007; Walker et al., 2016). Tenga en cuenta que la probabilidad de conexión y la fuerza sináptica entre tipos neuronales generalmente se correlacionan positivamente (Jiang et al., 2015). Esto simplifica el proceso de identificación de las fuerzas relativas de las conexiones entre las poblaciones neuronales en el circuito. Agrupamos las neuronas piramidales en dos poblaciones separadas. Cada una de estas poblaciones es selectiva para una característica visual particular (como una región del espacio visual). Las células piramidales excitan todos los tipos de células en el circuito, con diferentes fuerzas. Modelamos dos compartimentos en las celdas piramidales. Un compartimento representa el soma y las dendritas proximales y el otro las dendritas distales. La dendrita se modela como una función no lineal simplificada, adaptada de Yang et al. (2016). Las células piramidales se dirigen al soma y las dendritas proximales de otras células piramidales en la misma área cortical (Kalisman et al., 2005; Markram et al., 1997; Petreanu et al., 2009). Cada tipo de neurona inhibitoria tiene un patrón único de conectividad.

El primer tipo de célula inhibidora se dirige al área perisomática de las células piramidales. Estas células expresan parvalbúmina (PV) y aumentan rápidamente (Jiang et al., 2015; Kawaguchi, 1993, 1995). Son células en cesta con axones que se ramifican a grandes distancias, lo que les permite inhibir las células piramidales en poblaciones vecinas (Helmstaedter et al., 2009; Kawaguchi, 1995). También inhiben otras neuronas PV (Jiang et al., 2015; Pfeffer et al., 2013). En comparación con otras neuronas inhibitorias, las neuronas PV reciben una menor proporción de entradas excitatorias a través de los receptores NMDA (Lu et al., 2007; Wang y Gao, 2009). El segundo tipo de neurona inhibidora se dirige a las dendritas distales de las células excitatorias. En primates no humanos, las células que se dirigen a las dendritas expresan calbindina (DeFelipe et al., 1989). El tipo de célula que se dirige a las dendritas mejor caracterizada en roedores es la célula de Martinotti, que expresa somatostatina (CB/SST) (Wang et al., 2004b). Estas células se dirigen a todos los demás tipos de células mientras evitan otras células de Martinotti (Jiang et al., 2015). También reciben una fuerte proyección lateral de las células piramidales en las columnas vecinas (Adesnik et al., 2012) y reciben la mayor parte de su excitación a través de los receptores NMDA (Lu et al., 2007). El tercer tipo de interneurona expresa calretinina y péptido intestinal vasoactivo (CR/VIP) (Tremblay et al., 2016) y se dirige a las neuronas inhibidoras CB/SST (Lee et al., 2013). Aunque la expresión génica de PV, SST y VIP se ha utilizado para distinguir con éxito clases de interneuronas que no se superponen en primates (Hodge et al., 2019; Krienen et al., 2020), en primates, los anticuerpos SST a menudo marcan relativamente pocas células ( Hendry et al., 1984; Mueller et al., 2018, 2020). SST a menudo, pero no siempre, se coexpresa con CB (González-Albo et al., 2001; Lake et al., 2016). Las células que expresan CB y SST muestran un patrón de expresión similar en las capas y áreas corticales del macaco (Dienel et al., 2020). CR se expresa en la mayoría de las neuronas VIP en la corteza de los primates (Gabbott y Bacon, 1997; Lake et al., 2016), y tanto VIP como CR muestran una expresión similar en las capas y áreas corticales del macaco (Dienel et al., 2020). ). Sin embargo, la investigación de las similitudes y diferencias de tipos de interneuronas entre especies está en curso y no se ha resuelto (Hodge et al., 2019; Kooijmans et al., 2020; Krienen et al., 2020). En nuestro modelo, los tres tipos de interneuronas deberían interpretarse de manera más adecuada según sus objetivos sinápticos, en lugar de otros marcadores celulares. Consulte la Tabla S6 para conocer todos los valores de los parámetros. Modulación de dopamina La densidad de los receptores de dopamina D1 por neurona se volvió a escalar, de modo que el área con densidad mínima sin procesar min se estableció en cero, y el área con máxima densidad sin procesar max se estableció en uno, con todas las demás áreas en el medio.

Interacciones de población interáreas La mayoría de las conexiones interáreas contienen una mezcla de axones que se proyectan desde capas profundas y superficiales. Las conexiones de larga distancia en las células excitatorias se dirigen principalmente a las dendritas distales (Petreanu et al., 2009; Tabla S4). Por lo tanto, en el modelo, asumimos que las conexiones de larga distancia se dirigen a las dendritas de las células excitatorias. Las células CR/VIP reciben las entradas de larga distancia más fuertes de todas las células inhibitorias, mientras que CB/SST recibe las más débiles (Lee et al., 2013; Wall et al., 2016; Tablas S5 y S6). Esto sugiere que las conexiones de largo alcance desinhiben efectivamente la dendrita en el área objetivo al excitar las interneuronas CR/VIP, al mismo tiempo que excitan la dendrita, para maximizar la probabilidad de que la información pase del área fuente al área objetivo. Siguiendo a Mejias y Wang (2021), asumimos que las conexiones de retroalimentación se dirigen a las células inhibidoras con más fuerza que las conexiones de sala de alimentación. Es más probable que las células excitatorias en diferentes áreas corticales con los mismos campos receptivos estén conectadas funcionalmente (Zandvakili y Kohn 2015). Esto se refleja en nuestro modelo de la siguiente manera. En el área fuente, hay dos poblaciones excitatorias, 1 y 2, cada una sensible a una característica particular de un estímulo visual (como una ubicación en el campo visual). Así mismo en la zona objetivo, hay dos poblaciones 1 y 2, sensibles a las mismas características visuales. Suponemos que el 90 por ciento de la producción de la población 1 en el área de origen va a la población 1 en el área objetivo y el 10 por ciento restante a la población 2. Lo contrario es cierto para la población 2 en el área de origen (se dirige al 10 por ciento de la población). 1, 90 por ciento de la población 2; Tablas S4 y S6).

El circuito desinhibitorio en los campos oculares frontales. Los campos oculares frontales (áreas 8m y 8l en el modelo) tienen un porcentaje muy alto de neuronas de calretinina y relativamente menos neuronas de parvalbúmina y calbindina (Pouget et al., 2009). Para dar cuenta de esto en el modelo, aumentamos relativamente las entradas de largo alcance a las celdas CR/VIP en las áreas 8m y 8l, como se detalla en la Tabla S6. Estos cambios son críticos para la actividad persistente en las áreas 8l y 8m, pero por lo demás no afectan mucho el comportamiento del modelo. Sin este cambio, la superposición entre el patrón de actividad de retardo simulado y el patrón de actividad de retardo experimental (como en la Figura 3A) sigue siendo extremadamente alta (17/19 áreas correctas, chi-cuadrado=12.31 p {{15} }.0004), y el patrón de actividad depende tanto de la conectividad de largo alcance (p=0.001) como de la distribución del receptor D1 (p=0.008), pero no del recuento de espinas (p=0.19), y las lesiones en las áreas 8l y 8m tienen un efecto menor sobre la actividad persistente distribuida. Todos los demás resultados no cambian. También aumentamos la fuerza relativa de las conexiones CR/VIP locales y redujimos la fuerza relativa de las conexiones fotovoltaicas locales en FEF, pero descubrimos que esto no tuvo efecto en el comportamiento del modelo, por lo que las simulaciones en el documento se presentan sin los cambios locales en FEF.

CUANTIFICACIÓN Y ANÁLISIS ESTADÍSTICO

Correlación entre la densidad del receptor D1 y otras características anatómicas Muchos aspectos de la anatomía del cerebro están autocorrelacionados espacialmente, con áreas cerebrales cercanas que muestran una anatomía similar. Esta autocorrelación espacial no se tiene en cuenta en las pruebas estadísticas convencionales, que a menudo asumen la independencia de los puntos de datos. No tener en cuenta la autocorrelación espacial puede conducir a correlaciones falsas entre mapas cerebrales. Para superar este problema, generamos mapas cerebrales sustitutos aleatorios, con una autocorrelación espacial que coincidía estrechamente con el mapa de jerarquía (Burt et al., 2020). Esto se hace permutando primero aleatoriamente los valores en el mapa de jerarquía y luego suavizando y redimensionando el mapa permutado para recuperar la autocorrelación espacial perdida. El suavizado se realiza mediante una suma ponderada de kernel local de los valores de las k regiones vecinas más cercanas, donde k se elige para que coincida mejor con la autocorrelación del mapa de jerarquía original (Burt et al., 2020). A continuación, cada uno de los mapas sustitutos generados aleatoriamente se correlaciona con el mapa del receptor D1. El valor p corregido espacialmente es entonces la fracción de mapas sustitutos que muestran una correlación de Pearson más fuerte (negativa o positiva) con el mapa del receptor D1 que con el mapa de jerarquía.

Para comparar la densidad D1R entre áreas corticales granulares y agranulares, utilizamos una prueba de suma de rangos de Wilcoxon no paramétrica. Para comparar la densidad de D1R entre áreas con internopiramidización, externopiramidización e iguales tamaños de pirámide de capa III y capa V, utilizamos una prueba no paramétrica de Kruskall-Wallis. Comparación de los patrones simulados y experimentales de actividad de retraso En las Figuras 3A y 3B comparamos el patrón de actividad del modelo con el patrón experimental e investigamos su dependencia de las características anatómicas. Los datos de electrofisiología experimental se tomaron de un megaanálisis realizado por Leavitt et al. (2017) de más de 90 estudios de electrofisiología de la actividad del período de retraso durante las tareas de memoria de trabajo. Primero dividimos la corteza en áreas de actividad persistente y actividad no persistente tanto para los datos experimentales como para la simulación (Tabla S7). Las áreas se clasificaron en el grupo de actividad persistente si al menos 3 estudios más observaron actividad persistente del período de retraso que la falta de dicha actividad. Se excluyeron las áreas que se evaluaron en menos de tres estudios. De las áreas que se han estudiado en al menos tres estudios, clasificamos un área con actividad persistente, si más del 50 por ciento de los estudios han encontrado actividad persistente. Sin embargo, las conclusiones no dependen de este umbral, ni del número mínimo de estudios (Tabla S8). Las áreas en la simulación se clasificaron como de actividad persistente si, durante los últimos 500 ms de la prueba, tenían índices de activación promedio de al menos 5 Hz mayores que los índices de activación de referencia previos al estímulo. Para barajar las conexiones anatómicas, barajamos las conexiones dentro de las filas de la matriz FLN, de modo que la distribución de las conexiones y la fuerza de las conexiones en cada área se mantuvieran constantes, cambiando la identidad de las conexiones. El mismo reordenamiento se aplicó a la matriz SLN. Las densidades de receptores D1 y los recuentos de espinas se mezclaron por separado. Los resultados se visualizaron utilizando una versión personalizada de Raincloud Plot (Allen et al., 2019) para permitir la visualización simultánea de la distribución y los resultados de simulación individuales. El valor p se calcula como la fracción de simulaciones basadas en datos anatómicos mezclados que produce un patrón de actividad de retraso que se superpone con los datos experimentales tan bien como (o mejor que) la simulación original.

Lesión de áreas corticales En las Figuras 3C–3H, simulamos los efectos de una lesión en áreas corticales individuales. Hacemos esto eliminando todas las conexiones de entrada y salida del área lesionada en las matrices de conectividad WE; E y WI; E. Para el análisis estadístico de la relación entre las características anatómicas y los efectos de la lesión, eliminamos las áreas V1 y V2 del análisis. Esto se debió al hecho de que estas áreas eran cruciales para la propagación del estímulo visual, pero no para la memoria de trabajo per se (Figura 3; Figura S5). Realizamos un enfoque de regresión lineal paso a paso.