厦门免费医学论文发表-Aβ病理学APP/PS1小鼠模型中CA1背腹轴上群体编码的差异破坏
乌达桑卡尔·乔卡纳坦，克里希南·帕德马纳汉
抽象
阿尔茨海默病 （AD） 的特征是一系列行为改变，包括记忆力减退和精神症状。虽然有证据表明分子病理学，如β淀粉样蛋白（Aβ），会导致AD，但目前尚不清楚这种组织病理学如何引起这种不同的行为缺陷。一种假设是，Aβ对大脑区域的神经元回路产生不同的影响，这取决于不同区域的神经生理学和连通性。为了验证这一点，我们在淀粉样变性的 APP/PS1 小鼠模型中记录了背侧 CA1 （dCA1） 和腹侧 CA1 （vCA1） 中的大型神经元群，这两个海马区域已知在结构和功能上是多样化的。尽管 Aβ 病理水平相似，但当动物在虚拟现实环境中导航时，dCA1 和 vCA1 在神经元种群活动方面表现出明显的中断。在dCA1中，与年龄匹配的C57BL / 6对照组相比，APP / PS1小鼠的成对相关性和熵（活动模式多样性的量度）降低。然而，在vCA1中，与年龄匹配的对照组相比，APP/PS1小鼠的成对相关性和熵增加。最后，使用最大熵模型，将种群活动的微观特征（相关性）与种群代码的宏观特征（熵）联系起来。我们发现，与对照组相比，APP/PS1小鼠的模型在预测dCA1活性方面表现增强，但在预测vCA1活性方面表现下降。综上所述，我们发现 Aβ 在不同的海马区域发挥不同的作用，这表明 AD 的各种行为缺陷可能反映了神经元回路中潜在的异质性以及 Aβ 病理学在这些回路中引起的不同破坏。
作者摘要
阿尔茨海默病 （AD） 患者会出现一系列认知缺陷，例如记忆力减退和执行功能障碍，以及行为症状，例如激动和焦虑。然而，目前尚不清楚这些无数的缺陷是如何从AD的分子和细胞标志（如β淀粉样蛋白（Aβ）斑块）中产生的。在目前的研究中，我们试图通过研究神经活动在Aβ病理学的背景下是如何被破坏来弥合这一差距的。我们在Aβ病理学小鼠模型中记录了两个不同大脑区域（海马体的背侧和腹侧CA1亚区）中大量神经元的活动，因为动物在虚拟现实环境中导航。使用统计方法来量化群体代码的特征，我们发现 Aβ 模型中神经元活动的破坏在这两个区域是不同的。这些结果表明，Aβ在不同的大脑区域发挥不同的作用，这可能反映了大脑回路中潜在的异质性。
数字
图10图1图2图3图4图5图6图7Fig 8Fig 9图10图1图2图3
引文： Chockanathan U， Padmanabhan K （2024） Aβ 病理学 APP/PS1 小鼠模型中 CA1 背腹轴种群编码的差异中断。PLoS 计算生物学 20（5）： 编号：E1012085。 https://doi.org/10.1371/journal.pcbi.1012085
编辑 器： Lyle J. Graham，巴黎笛卡尔大学，法国国家科学研究中心
收到： 2023年2月4日;接受： 2024年4月17日;发表： 5月 6， 2024
版权所有： © 2024 Chockanathan，Padmanabhan。这是一篇根据知识共享署名许可条款分发的开放获取文章，该许可允许在任何媒体上不受限制地使用、分发和复制，前提是注明原作者和来源。
数据可用性： 本文中用于分析的所有数据和代码均在 https://github.com/uday-chockanathan/AD_dvCA1 公开提供。
资金：K.P.得到了美国国家科学基金会职业资助1749772、国家健康资助R01MH11392、R01NS135763、施密特基金会、罗切斯特大学研究奖和胱氨酸病研究基金会的支持。加州大学得到了美国国家普通医学科学研究所 T32 GM007356资助。资助者在研究设计、数据收集和分析、发表决定或手稿准备方面没有任何作用。
利益争夺： 作者声明不存在相互竞争的利益。
介绍
阿尔茨海默病（Alzheimer's disease， AD）患者会出现一系列神经和精神症状，包括记忆力减退[1]、激越[2]和焦虑[3]。相当多的努力集中在确定这些缺陷背后的分子和细胞机制上。从这项工作中，已经确定了该病的两个标志，即淀粉样蛋白β（Aβ）斑块和tau神经原纤维缠结[4]。尽管包括动物模型在内的许多研究已经记录了这种病理学对行为的影响[5–7]，但它们留下了一个关键问题，即分子和细胞水平的微观变化如何导致AD患者的一系列症状。
这种联系仍然是一个开放的调查领域，原因有很多。首先，在患者身上看到的行为异质性不容易映射到独特的细胞病理学。其次，单一病理可能以不同的方式影响不同的神经元回路，从而对由这些回路产生的行为产生不同的影响。最后，将神经元的多参数内在细胞和突触特性（电路结构）与引起行为（电路功能）的种群活动动力学联系起来仍然具有挑战性。
解决这些挑战的一种方法是研究由于Aβ病理学对网络分子、细胞和突触成分的聚集效应而引起的神经元群体活动的变化[8,9]。由于神经生理学源于回路的分子、细胞和解剖学特性，因此控制着行为，因此它是这些不同分析层次之间的桥梁。在动物模型中研究这种联系需要两个关键要素。首先，模型大脑区域的电路在结构和功能上应该是多样化的。其次，大脑区域应表现出明显的 Aβ 病变。海马体的CA1区域是满足这两个条件的一个区域。
海马体具有广泛的功能，从情景记忆到情感处理[10\u201212]。沿海马纵轴的回路对这些不同的功能有不同的贡献[13]，背侧海马体在情景记忆和空间认知中起着巨大的作用[14]，而焦虑和社交记忆似乎主要体现在腹侧海马体中[15,16]。这种差异源于多个组织层次的多样性，从基因表达[17]到神经结构和功能[15,18]，再到传入和传出解剖学连接[19\u201222]。Aβ斑块积聚和整个海马体的神经元丢失在AD中已得到充分证实[23–25]。
因此，海马体是一种解剖学和功能上的异质结构，在 AD 中被破坏。然而，大多数海马生理学研究，尤其是AD研究，都集中在海马背侧[26]。腹侧海马体中 Aβ 斑块的病理生理效应是否与背侧海马体中的病理生理效应相似在很大程度上是未知的，这对于理解分子和细胞水平的病理学元素如何通过神经回路的中介影响行为至关重要。
我们通过对老年对照组和APP / PS1小鼠在虚拟现实环境中运行时对海马背侧和腹侧CA1中的神经元群进行高密度记录来解决这个问题。尽管两个区域的Aβ斑块数量相似，但种群活动的特征，如发射和熵的相关性，在海马体的纵轴上受到不同的破坏。我们的研究结果强调了由单一病理学引起的网络功能变化的多样性，提供了一个框架，通过神经生理学将分子和细胞病理学与行为联系起来。
结果
为了研究 Aβ 病理学沿 CA1 背腹轴的影响，我们在虚拟现实环境中对清醒的雄性 C57BL/6 和 APP/PS1 小鼠（14-19 个月）进行了细胞外记录。小鼠头部固定并放置在非电动跑轮上。将一个1.9米的虚拟一维轨道的图像投射到鼠标前面的曲面屏幕上（图1A和1B），使得滚轮的运动导致虚拟轨道位置的相应变化[27,28]。当老鼠到达赛道的尽头时，会提供加糖牛奶奖励，老鼠被送回赛道的起点。C57BL/6 和 APP/PS1 小鼠的跑步行为（包括跑步速度和在虚拟赛道上完成的圈数）没有显着差异（图 1C-1G）。在小鼠习惯于转轮和虚拟环境的 7 天后，对背侧和腹侧 CA1 进行开颅手术。经过12-18小时的恢复期后，将动物放置在转轮上，并将128通道电极阵列降低到背侧或腹侧CA1中（图1H）。在两天内获得持续 1-2 小时的细胞外电生理记录，允许在动物清醒和行为时识别单个神经元的尖峰（动作电位）（图 1I-1L）。
缩略图 下载：
PPT的PowerPoint幻灯片
巴布亚新几内亚放大图片
TIFF的原始图像
图 1. 实验设置和尖峰分选。
（A） 左图：头部固定式虚拟现实录像设备示意图。右图是老鼠头部的特写，显示了用于甜牛奶奖励输送、头帽和开颅手术部位的舔嘴。（B） 从鼠标视角和俯视图看到的虚拟轨迹快照。（C） C57BL/6 鼠标的运行速度的代表性迹线。（D） APP/PS1鼠标运行速度的代表性轨迹。（E） C57BL/6 和 APP/PS1 小鼠的跑步时间比例无显著差异（标准±平均值：C57BL/6 = 9.4 ± 6.4%，APP/PS1 = 14.9 ± 10.9%，p = 0.21，双侧 Wilcoxon 符号秩检验，nC57BL/6型= 来自 4 只动物的 12 次记录会话，nAPP/PS1= 来自 6 只动物的 15 次记录）。每个点表示一个录制会话。（F） C57BL/6 和 APP/PS1 小鼠的平均跑步速度无显著差异（标准±平均值：C57BL/6 = 5.2 ± 1.4 cm/s，APP/PS1 = 6.3 ± 2.3 cm/s，p = 0.16，双侧 Wilcoxon 符号秩检验，nC57BL/6型= 来自 4 只动物的 12 次记录会话，nAPP/PS1= 来自 6 只动物的 15 次记录）。每个点表示一个录制会话。（G） C57BL/6 和 APP/PS1 小鼠在虚拟赛道上完成的圈数无显著差异（平均±标准：C57BL/6 = 10.3 ± 9.0，APP/PS1 = 17.4 ± 20.3，p = 0.51，双侧 Wilcoxon 符号秩检验，nC57BL/6型= 来自 4 只动物的 12 次记录会话，nAPP/PS1= 来自 6 只动物的 15 次记录）。每个点表示一个录制会话。（H） 电极阵列涂有荧光染料并靶向背侧或腹侧 CA1。（I-L）上图：来自 C57BL/6 和 APP/PS1 小鼠的背侧和腹侧 CA1 的原始宽场电生理痕迹示例。在每条迹线中，来自两个不同单元的尖峰以独特的颜色突出显示。底部：原始迹线中突出显示的两个单位的峰值时间栅格图。（M-P）在面板 M-P 中突出显示的每个单元的自动相关图以各自的颜色显示。每对单元的交叉相关图以灰色显示。请注意自相关图中明显的不应期，而交叉相关图中没有此类效应。
https://doi.org/10.1371/journal.pcbi.1012085.g001
从传递的原始信号中，我们使用 Kilosort 2 [29] 对多个相邻通道进行尖峰分选，并使用 Phy 2 [30] 手动整理生成的推定单元（神经元）。在随后的分析中，仅包括其自动相关图（图1M-1P）和特征平均波形（图2A-2D）中具有明确不应期的单元。在 C57BL/6 和 APP/PS1 小鼠的 dCA1 和 vCA1 中鉴定出大量同时记录的神经元（图 2E-2H）。从每个 dCA1 记录会话中，在 C57BL/6 小鼠中鉴定出 33-133 个单位，在 APP/PS1 小鼠中鉴定出 26-44 个单位。从 vCA1 记录会话中，在 C57BL/6 小鼠中平均鉴定出 61-178 个单位，在 APP/PS1 小鼠中鉴定出 29-174 个单位。此外，根据其平均波形的谷峰时间，将单位分为兴奋性或抑制性（S1图）[31,32]。在 dCA1 中，兴奋性单位占 C57BL/6 小鼠单位的 73%，APP/PS1 小鼠占单位的 60%，而在 vCA1 中，兴奋单位占 C57BL/6 小鼠单位的 61%，APP/PS1 小鼠占单位的 59%。在dCA1或vCA1中，C57BL/6和APP/PS1小鼠的兴奋性或抑制性单位比例无显著差异。
缩略图 下载：
PPT的PowerPoint幻灯片
巴布亚新几内亚放大图片
TIFF的原始图像
图 2. 识别单个单元的大量种群。
（A-D）C57BL/6 和 APP/PS1 动物中 dCA1 和 vCA1 的代表性记录会话中所有单元的平均波形。对于每个单元，波形显示在幅度尖峰最大的通道以及最多四个相邻通道上。（E-H）上图：来自四个组中每个组的人动样本，其中栅格图上给定行的颜色是指图 a-d 中该单元的平均波形。下图：鼠标同时运行速度。
https://doi.org/10.1371/journal.pcbi.1012085.g002
记录完成后，处死小鼠，取出大脑并切片以确认探针在dCA1或vCA1中的位置，并用刚果红染色Aβ斑块。在APP/PS1小鼠的海马背腹轴和皮层中发现了Aβ斑块，但在C57BL / 6动物中没有（图3A）。使用载玻片扫描仪对切片进行数字化，并手动对斑块进行限制。我们发现 dCA1 和 vCA1 之间的相对 Aβ 斑块面积（图 3B）或 Aβ 斑块密度（图 3C）没有显着差异。此外，我们发现 Aβ 斑块负荷与 dCA1 或 vCA1 中神经元的平均放电速率之间没有关联（图 3D、3E 和 S2）。这与早期的研究一致，即Aβ病理学对皮质群体神经元活动的影响可能是异质的[33]。
缩略图 下载：
PPT的PowerPoint幻灯片
巴布亚新几内亚放大图片
TIFF的原始图像
图 3. APP/PS1 小鼠 dCA1 和 vCA1 之间的 Aβ 斑块负荷无显着差异。
（A） 来自 C57BL/6 和 APP/PS1 小鼠的代表性组织学切片，对 Aβ 斑块进行刚果红染色（红色）和对细胞核进行 Hoechst 染色（蓝色）。Aβ斑块存在于APP/PS1动物的背侧和腹侧CA1中，但不存在于C57BL/6动物中。黄色箭头表示单个 Aβ 斑块。（B） APP/PS1小鼠背侧和腹侧CA1的Aβ斑块面积无显著差异（平均±标准：dCA1=9.2×10−3± 1.5×10−2， vCA1 = 4.0×10−3± 2.7×10−3，p > 0.99，双侧 Wilcoxon 符号秩检验，n = 6 只动物）。每个点表示一只动物。（C） APP/PS1 小鼠背侧和腹侧 CA1 之间的斑块密度无显著差异（标准±平均值：dCA1 = 26.8 ± 13.6，vCA1 = 28.2 ± 19.8，p > 0.99，双侧 Wilcoxon 标志秩检验，n = 6 只动物）。每个点表示一只动物。（D）dCA1神经元平均放电速率与dCA1 Aβ斑块密度（r = -0.30，p = 0.68，Spearman秩相关系数，n = 5只动物）之间无显著相关性。每个点表示一只动物。黑色实线表示最小二乘回归，黑色虚线表示回归的 95% 置信区间的边界。（E）vCA1神经元平均放电速率与vCA1 Aβ斑块密度无显著相关性（r = 0.66，p = 0.18，Spearman秩相关系数，n = 6只动物）。每个点表示一只动物。灰色实线表示最小二乘回归，灰色虚线表示回归的 95% 置信区间的边界。
https://doi.org/10.1371/journal.pcbi.1012085.g003
由于平均放电速率可能不足以捕捉Aβ对神经元活动的影响，我们选择从信息编码的角度来解决这个问题。海马体的神经元已被证明可以编码有关社交互动、焦虑和空间位置的信息[16,34,35]。鉴于AD患者[36]和小鼠模型[37]的空间认知缺陷，我们专注于空间表征。在我们的实验中，我们没有发现经典的“位置”细胞的证据，当动物访问其环境的特定区域时，这些神经元会优先激活（图4A和S3）。重要的是，我们在 dCA1 或 vCA1 中没有发现在虚拟赛道的同一部分重复激活的神经元（图 4A）。我们使用空间稳定性评分[38,39]对此进行了量化，发现APP/PS1小鼠在两个海马亚野中的空间调节稳定性都降低了。然而，两组中大多数神经元的稳定性得分接近于零，表明给定记录会话的前半部分和后半部分的空间调谐不同（S4图）。这可能部分是由于动物的年龄较大，这与相对于年轻动物的局部细胞调谐退化有关[26]。此外，在头部固定设置中，动物不会在振动器上接收前庭输入或气流感觉;他们必须依靠视觉和本体感觉输入。结合先前对小鼠视力[40,41]和本体感觉[42]中与年龄相关的损伤的观察，这些限制可能会严重损害老年动物在虚拟环境中的空间认知，并且可以解释我们的实验中缺乏清晰的位置场。
缩略图 下载：
PPT的PowerPoint幻灯片
巴布亚新几内亚放大图片
TIFF的原始图像
图 4. APP/PS1小鼠dCA1和vCA1的空间信息显著降低。
（A）代表性神经元（黑点）的尖峰活动，在虚拟轨迹（灰线）上与动物轨迹叠加。直方图显示沿虚拟轨道的每个部分的相应神经元的平均放电速率。（B） 在 dCA1 中，APP/PS1 小鼠相对于 C57BL/6 对照±空间信息减少（平均标准：C57BL/6 = 0.132 ± 0.048，APP/PS1 = 0.128 ± 0.051，p < 0.005，双侧 Wilcoxon 秩和检验，nC57BL/6型= 305 个单位，来自 5 个录制会话，nAPP/PS1= 180 个单位，来自 4 个录制会话）。对于C57BL/6小鼠，dCA1中的空间信息明显大于具有相似平均发射速率的圆形洗牌尖峰列车（平均±标准：经验= 0.132±0.048，洗牌= 0.124±0.035，p<0.001，双侧Wilcoxon秩和检验，n实证= 305 个单位，来自 5 个录制会话，n洗牌= 来自 5 个记录会话的 30500 个模拟单位），但不适用于 APP/PS1 小鼠（平均±标准：经验 = 0.128 ± 0.051，洗牌 = 0.123 ± .047，p = 0.39，双侧 Wilcoxon 秩和检验，n实证= 180 个单位，来自 4 个录制会话，n洗牌= 18000 个模拟单位，来自 4 个录制会话）。（C） 在 vCA1 中，相对于 C57BL/6 对照，APP/PS1 小鼠的空间信息减少（标准±平均值：C57BL/6 = 0.138 ± 0.065，APP/PS1 = 0.112 ± 0.035，第 < 10 页−6，双侧 Wilcoxon 秩和检验，nC57BL/6型= 689 个录制会话的 6 个单位，nAPP/PS1= 651 个单位，来自 8 个录制会话）。对于C57BL/6小鼠，vCA1中的空间信息明显大于具有相似平均发射速率的圆形随机刺突序列（平均±标准：经验= 0.138±0.065，随机= 0.123±.049，第<10页−6，双侧 Wilcoxon 秩和检验，n实证= 来自 6 个记录会话的 689 个神经元，n洗牌= 来自 6 个记录会话的 68900 个模拟神经元），但不适用于 APP/PS1 小鼠（平均±标准：经验 = 0.112 ± 0.035，洗牌 = 0.110 ± 0.031，p < 0.89，双侧 Wilcoxon 秩和检验，n实证= 来自 8 个记录会话的 651 个神经元，n洗牌= 来自 8 个记录会话的 65100 个模拟神经元）。
https://doi.org/10.1371/journal.pcbi.1012085.g004
先前对现实世界和虚拟环境中海马体活动的研究表明，没有明确位置场的神经元仍然可以通过塑造位置细胞序列的试验间变异性来影响空间编码[43,44]。事实上，我们注意到跨区域以及对照组和APP / PS1动物之间的神经元反应的统计特性似乎不同。为了从模型不可知的角度来看，我们计算了空间信息，该信息量化了神经元的放电速率在多大程度上降低了动物位置的不确定性，使我们能够识别单个细胞的编码属性，无论它们是否具有经典定义的位置字段。我们发现，APP/PS1小鼠神经元的空间信息低于dCA1中C57BL/6小鼠的空间信息（图4B），与先前在自由移动小鼠中的研究结果一致[26,45]。在vCA1神经元中，我们还发现APP/PS1小鼠的空间信息低于对照组（图4C）。对于两个区域的C57BL / 6神经元，平均空间信息明显大于圆形洗牌的尖峰序列的预期。然而，APP/PS1 神经元的平均空间信息与 dCA1 或 vCA1 中的平均空间信息没有显着差异，这进一步证明了空间信息在 Aβ 病理学的背景下退化。即使只考虑兴奋性神经元，这些结果也成立（S5图）。此外，由于 C57BL/6 和 APP/PS1 小鼠 dCA1 和 vCA1 神经元放电速率的平均值和方差相似（S6 和 S7 图），这些发现可能不是两种菌株之间平均活性变化的简单结果。相反，它们表明在 Aβ 病理学的背景下，dCA1 和 vCA1 神经元的海马空间信息含量退化。
在没有明确位置的细胞的情况下发生空间信息中断这一事实说明了海马体表征的分布性。最近的几项研究提供了证据表明，海马体中的空间编码不仅仅是由单个细胞完成的，而是涉及神经元群（包括位置和非位置细胞）的相关活动[43,44]。此外，神经元相关性的破坏与一系列神经系统疾病有关[46–48]。因此，我们假设 Aβ 病理学的一个后果是神经元之间功能连接的改变。我们首先计算了神经元对之间的活性相关性（图5A），发现与C57BL/6小鼠相比，APP/PS1小鼠dCA1的成对相关性降低（图5B），这与早期的研究一致[49]。然而，有趣的是，在 vCA1 中，APP/PS1 动物的相关性大于 C57BL/6 动物（图 5C），表明 Aβ 病理学对背腹海马轴神经元连接的功能组织存在差异影响。这些结果是使用 10ms 的时间区间大小获得的。然而，这些发现在长达 100 毫秒的箱大小范围内都是正确的（图 5D 和 5E）。
缩略图 下载：
PPT的PowerPoint幻灯片
巴布亚新几内亚放大图片
TIFF的原始图像
Fig 5. Pairwise correlations in APP/PS1 mice are decreased in dCA1, but increased in vCA1.
(A) Matrices of correlation coefficients for all neurons in representative recording sessions. (B) In dCA1, mean correlations were lower in APP/PS1 mice than in C57BL/6 mice (mean ± std: C57BL/6 = 0.047 ± 0.066, APP/PS1 = 0.034 ± 0.063, p < 10−5, two-sided Wilcoxon rank-sum test, nC57BL/6 = 500 unit pairs from 5 recording sessions, nAPP/PS1 = 400 unit pairs from 4 recording sessions). (C) In vCA1, mean correlations were higher in APP/PS1 mice than in C57BL/6 mice (mean ± std: C57BL/6 = 0.014 ± 0.02, APP/PS1 = 0.021 ± 0.033, p < 10−4, two-sided Wilcoxon rank-sum test, nC57BL/6 = 600 unit pairs from 6 recording sessions, nAPP/PS1= 800 个录制会话的 8 个单位对）。（D） 在 dCA1 中，当 5ms、25ms、50ms、75ms 和 100ms 的加标活动分箱时，APP/PS1 小鼠的相关性显着低于 C57BL/6 小鼠（对于所有箱大小，p < 10−5，双侧 Wilcoxon 秩和检验，nC57BL/6型= 500 个录制会话的 5 个单位对，nAPP/PS1= 400 个录制会话的 4 个单位对）。误差线显示均值的标准误差。（E） 在 vCA1 中，当 5ms、25ms、50ms、75ms 和 100ms 分箱时，APP/PS1 小鼠的相关性显着高于 C57BL/6 小鼠（对于所有 bin 大小，p < 10−6，双侧 Wilcoxon 秩和检验，nC57BL/6型= 600 个单位对，来自 6 个录制会话，nAPP/PS1= 800 个录制会话的 8 个单位对）。误差线显示均值的标准误差。（F） 16 个单元神经元群体的图形可视化。圆圈表示神经元，线表示超过阈值 0.06 的相关性。每个神经元的空间位置与其近似的相对物理位置相对应。比例尺表示 100μm。（G） 在 dCA1 图中，APP/PS1 小鼠的平均程度小于 C57BL/6 小鼠（标准±平均值：C57BL/6 = 0.66 ± 0.10，APP/PS1 = 0.54 ± 0.08，第 < 10 页−6，双侧 Wilcoxon 秩和检验，nC57BL/6型= 来自 5 个录制会话的 500 个样本，nAPP/PS1= 来自 4 个录制会话的 400 个样本）。（H） 在 vCA1 图中，APP/PS1 小鼠的平均度大于 C57BL/6 小鼠（标准±平均值：C57BL/6 = 0.48 ± 0.15，APP/PS1 = 0.57 ± 0.13，第 < 10 页−6，双侧 Wilcoxon 秩和检验，nC57BL/6型= 来自 6 个录制会话的 600 个样本，nAPP/PS1= 800 个录制会话的 8 个样本）。（I） 在 dCA1 图中，APP/PS1 小鼠的聚类系数小于 C57BL/6 小鼠（标准±平均值：C57BL/6 = 0.85 ± 0.06，APP/PS1 = 0.81 ± 0.07，第 < 10 页−6，双侧 Wilcoxon 秩和检验，nC57BL/6型= 来自 5 个录制会话的 500 个样本，nAPP/PS1= 来自 4 个录制会话的 400 个样本）。（J）在vCA1图中，APP/PS1小鼠的聚类系数大于C57BL/6小鼠（标准±平均值：C57BL/6 = 0.69 ± 0.13，APP/PS1 = 0.76 ± 0.09，p < 10−6，双侧 Wilcoxon 秩和检验，nC57BL/6型= 来自 6 个录制会话的 600 个样本，nAPP/PS1= 800 个录制会话的 8 个样本）。
https://doi.org/10.1371/journal.pcbi.1012085.g005
与发射速率等指标一样，成对相关性和功能连通性的平均变化将网络的复杂架构表示为单个值，这通常会掩盖理解功能所需的网络拓扑的关键方面。受功能性磁共振成像（fMRI）[50\u201252]的研究以及之前使用图论方法研究CA1神经元群间功能相互作用的研究[28]的启发，我们通过研究我们在记录中观察到的功能连接的拓扑结构，以我们的相关结果为基础。为此，我们构建了种群的网络图[53]，其中节点表示神经元，边缘表示大于0.06的成对相关性（图5F）。对于每个记录会话，我们从总体中获取 100 个 16 个单元的子样本，并计算网络每个节点上的平均入射边缘数。我们发现，在 dCA1 网络中，APP/PS1 小鼠的平均度小于 C57BL/6 小鼠（图 5G）。相比之下，在vCA1中，APP/PS1小鼠的网络度大于C57BL/6小鼠（图5H）。在计算聚类系数时，我们发现了类似的结果，聚类系数量化了网络节点形成密集连接组的程度。APP/PS1动物的背侧CA1网络比C57BL/6动物的聚集性要少（图5I），而APP/PS1动物的vCA1网络比C57BL/6动物的聚集性更强（图5J）。即使排除中间神经元并仅考虑兴奋性神经元，这些相关性和网络结构结果仍然成立（S8图）。综上所述，这些发现表明，APP/PS1小鼠网络中断的性质取决于所研究的大脑区域，dCA1群体变得不那么同步，而vCA1群体变得更加同步。
虽然成对相关性在塑造全球活动模式方面起着关键作用[44,54]，但神经元群体或集合表现出复杂的相互作用，而不仅仅是成对的神经元[55]。先前的研究表明，研究整体活动对于理解感官知觉[56\u201259]、社会认知[60\u201261]和空间导航[43\u201244]至关重要。此外，最近的两项研究表明，集合统计分布的变化可以作为神经精神疾病的标志物[46,49]。因此，跨神经元群体的集成活动模式代表了网络功能的基本特征。因此，我们试图了解 C57BL/6 和 APP/PS1 小鼠之间的集合特性是否不同，以及这些破坏在背侧和腹侧 CA1 中是如何变化的。
一种方法是简单地量化在总体中观察到的模式分布。如果我们将模式定义为活跃神经元（表示为 1）和非活跃神经元（表示为 0）的组合（图 6A），那么在 16 个神经元群体中，将有 2 个16可能的模式。这些模式中的每一个都可以被认为是网络的一种状态，因此模式的概率分布反映了神经元群体的组织。某些模式会比其他模式更频繁地出现;例如，鉴于神经元活动的稀疏性，当所有神经元都处于非活动状态时，沉默期将比具有 12-14 个共活跃神经元的时期更频繁地发生（图 6B）。当我们使用 16 个神经元亚群比较 C57BL/6 和 APP/PS1 小鼠之间活动模式的概率分布时，出现了有趣的主题。在 dCA1 中，分布较窄，表明与 C57BL/6 小鼠相比，APP/PS1 小鼠的模式多样性较低。相比之下，在vCA1中，与C57BL / 6小鼠相比，APP / PS1小鼠的模式分布更宽（图6B）。量化这些分布的一种方法是计算熵（参见材料和方法）。我们发现，与APP/PS1动物相比，C57BL/6动物的dCA1活动模式更加多样化，导致更高的熵（图6C）。令人惊讶的是，在vCA1中，与C57BL / PS6小鼠相比，APP / PS1小鼠的模式分布熵更高，表明模式集更多样化（图6D）。熵的这些差异在一系列亚种群大小中都是正确的（图6E和6F）。为了确保由此产生的差异不仅仅是平均神经元活动差异的结果，我们验证了即使在匹配 C57BL/6 和 APP/PS1 组中亚群的平均放电率后，这些结果也成立（S9 图）。因此，这些结果反映了随着种群活动的进化，神经元种群访问的不同状态或模式数量的潜在差异（图6G和6H）。这些数据表明，观察到的模式多样性反映了整个海马体网络组织的基本原理，并且该组织在 dCA1 和 vCA1 中受到不同的影响。
缩略图 下载：
PPT的PowerPoint幻灯片
巴布亚新几内亚放大图片
TIFF的原始图像
Fig 6. Population entropy in APP/PS1 mice is decreased in dCA1, but increased in vCA1.
(A) Schematic of pattern identification and quantification using a 3-neuron cartoon population. A pattern is the combination of active and inactive neurons within a 10ms non-overlapping time window and can be conceptualized as a vertical column of the population spiking raster. In this 3-neuron population, there are 23 possible patterns, though only 5 appear during this sample. Each pattern is assigned a unique shade of blue in the raster and in the probability distribution. (B) Left: representative examples of 16-neuron pattern probability distributions from dorsal and ventral CA1 in C57BL/6 and APP/PS1 mice. Right: visualizations of high, median, and low probability example patterns drawn from the corresponding probability distribution on the left. Open circles indicate inactive neurons and filled circles denote active neurons. The spatial position of each circle corresponds to its approximate relative physical position (jitter added to better visualize overlapping neurons). Scale bars denote 100μm. (C) In dCA1 populations, the entropy was lower in APP/PS1 mice than in C57BL/6 mice (mean ± std: C57BL/6 = 522 ± 68 bits/spike, APP/PS1 = 489 ± 62 bits/spike, p < 10−6, two-sided Wilcoxon rank-sum test, nC57BL/6 = 2500 samples from 5 recording sessions, nAPP/PS1 = 2000 samples from 4 recording sessions). These data were generated using 16-unit subpopulations. (D) In vCA1 populations, the entropy was higher in APP/PS1 mice than in C57BL/6 mice (mean ± std: C57BL/6 = 471 ± 82 bits/spike, APP/PS1 = 484 ± 72 bits/spike, p < 10−6, two-sided Wilcoxon rank-sum test, nC57BL/6 = 3000 samples from 6 recording sessions, nAPP/PS1 = 4000 samples from 8 recording sessions). These data were generated using 16-unit subpopulations. (E) In dCA1, APP/PS1 mice had a significantly lower entropy with subpopulation sizes of 6, 8, 10, 12, 14, and 16 (asterisks denote p < 10−6, two-sided Wilcoxon rank-sum test, nC57BL/6 = 2500 subsamples from 5 recording sessions, nAPP/PS1 = 2000 subsamples from 4 recording sessions). Error bars show the standard error of the mean. (F) In vCA1, APP/PS1 mice had a significantly higher entropy with subpopulation sizes of 8, 10, 12, 14, and 16 (asterisks denote p < 10−3, two-sided Wilcoxon rank-sum test, nC57BL/6 = 3000 subsamples from 6 recording sessions, nAPP/PS1 = 4000 subsamples from 8 recording sessions). Error bars show the standard error of the mean. (G) Probability distributions for dCA1 patterns grouped by number of coactive units. Pattern probabilities were averaged across 2500 subsamples from 5 recording sessions in C57BL/6 mice and across 2000 subsamples from 4 recording sessions in APP/PS1 mice. These data were generated using 16-unit subpopulations. (H) Probability distributions for vCA1 patterns grouped by number of coactive units. Pattern probabilities were averaged across 3000 samples from 6 recording sessions in C57BL/6 mice and across 4000 samples from 8 recording sessions in APP/PS1 mice. These data were generated using 16-unit subpopulations.
https://doi.org/10.1371/journal.pcbi.1012085.g006
Calculations of entropy are an accounting of the macroscopic states or patterns generated by ensembles of neurons, while the time varying correlations shown in Fig 5 provide a microscopic detailing of the features of activity that might be constraining and shaping those states. We wanted to see if the pairwise interactions that reflect neuronal activity at the microscopic scale could be used to predict the macroscopic distributions of activity across the populations. To do this, we turned to a class of models called maximum entropy models, which aim to predict the distribution of patterns that occur across neural population while assuming as little as possible about the interactions governing that population [44,54,55,62]. In the second order models used here, the goal is to predict the probability distribution of patterns observed by considering only the activity (firing rate) of each neuron and the pairwise correlation between neurons. The model uses two sets of parameters: [1] a hi term for each neuron that describes its mean activity level and [2] a Jij term for every pair of neurons that describe their coactivity. Using these terms, we generated a synthetic probability distributions for all possible patterns and then compared the probabilities from the model to those measured in the data, again using 16-neuron subpopulations (Fig 7A). We visualized the synthetic and empirical probabilities using scatter plots, in which each point corresponded to a single pattern (Fig 7B), and we quantified the difference between the two probability distributions (data vs. model) using the Kulback-Leibler divergence (KLD). In dCA1, we found that the points in the scatter plots were closer to the unity line in APP/PS1 mice than in C57BL/6 mice (Fig 7B). This was reflected in the KLD, which was smaller in APP/PS1 mice, indicating a better agreement between the empirical and predicted pattern probabilities, than in C57BL/6 mice (Fig 7C). In vCA1, however, the KLD was higher, indicating a worse fit in the APP/PS1 animals than in the C57BL/6 animals (Fig 7D). These results, held true over a range of subpopulation sizes (Fig 7E and 7F) and showed that, in APP/PS1 mice, the functional interactions that shape macroscopic patterns of neuronal activity were differentially affected in dorsal and ventral CA1. Consistent with previous findings [49], relative to C57BL/6 mice, pairwise interactions were better able to predict the activity of the overall population in APP/PS1 mice in dCA1. On the other hand, activity patterns in APP/PS1 populations in vCA1 were less determined by those same pairwise interactions. Taken together, these results suggest that not only are the macroscopic and microscopic elements of network activity across the CA1 region of hippocampus differentially affected in the APP/PS1 model, but that the relationship between the microscopic interactions that govern correlations and the macroscopic features of global activity and network organization are altered by Aβ pathology.
thumbnail Download:
PPTPowerPoint slide
PNGlarger image
TIFForiginal image
Fig 7. Prediction of pattern probabilities by pairwise interactions in APP/PS1 mice is improved in dCA1, but worsened in vCA1.
(A) Schematic of maximum entropy model. From the population spike rasters, two sets of terms were fitted: a set of activity terms hi and a set of pairwise interaction terms Jij. From these terms, a synthetic pattern probability distribution was generated in which the mean activity of each neuron and the coactivity of every pair of neurons was identical to that of the empirical distribution but was otherwise unstructured. The predicted and empirical pattern probabilities were then compared. (B) Representative examples of maximum entropy model predicted probabilities and empirical probabilities, generated using 16-unit subpopulations. Each point denotes a single pattern and the grey line denotes unity. (C) In dCA1 populations, the KLD was lower in APP/PS1 mice than in C57BL/6 mice (mean ± std: C57BL/6 = 1.9×10−2 ± 1.8×10−2, APP/PS1 = 1.4×10−2 ± 9.3×10−3 bits/spike, p < 10−6, two-sided Wilcoxon rank-sum test, nC57BL/6 = 2500 samples from 5 recording sessions, nAPP/PS1 = 2000 samples from 4 recording sessions). These data were generated using 16-unit subpopulations. (D) In vCA1 populations, the entropy was higher in APP/PS1 mice than in C57BL/6 mice (mean ± std: C57BL/6 = 4.3×10−3 ± 2.7×10−3, APP/PS1 = 6.6×10−3 ± 3.3×10−3, p < 10−4, two-sided Wilcoxon rank-sum test, nC57BL/6 = 3000 samples from 6 recording sessions, nAPP/PS1 = 4000 samples from 8 recording sessions). These data were generated using 16-unit subpopulations. (E) In dCA1, APP/PS1 mice had a significantly lower KLD with subpopulation sizes of 6, 8, 10, 12, 14, and 16 (asterisks denote p < 10−4, two-sided Wilcoxon rank-sum test, nC57BL/6 = 2500 subsamples from 5 recording sessions, nAPP/PS1 = 2000 subsamples from 4 recording sessions). Error bars show the standard error of the mean. (F) In vCA1, APP/PS1 mice had a significantly higher KLD with subpopulation sizes of 6, 8, 10, 12, 14, and 16 (asterisks denote p < 10−6, two-sided Wilcoxon rank-sum test, nC57BL/6 = 3000 subsamples from 6 recording sessions, nAPP/PS1 = 4000 subsamples from 8 recording sessions). Error bars show the standard error of the mean.
https://doi.org/10.1371/journal.pcbi.1012085.g007
The KLD between the predicted and empirical pattern distributions provided a measure of the error of the maximum entropy model. However, it is averaged over a diverse array of population patterns. Different patterns had different numbers of co-activated neurons (Fig 6B). To understand whether certain categories of patterns were predicted less accurately by the maximum entropy models than others, we examined patterns by the number of coactive neurons in both CA1 subfields in C57BL/6 and APP/PS1 mice. First, we found that the gap between the empirical and predicted probabilities for patterns with many coactive neurons was higher than those with few active neurons (Fig 8A). To dissect how these variations in prediction error related to the KLD, we calculated the total prediction error for each pattern category, where category was defined by the total number of coactive neurons, regardless of the specific combinatorial pattern of that activity. As expected, individual patterns with larger numbers of coactive neurons had a higher per-pattern prediction error than those with lower numbers of coactive neurons (S10 Fig), likely reflecting higher order functional relationships between large groups of neurons beyond that which could be explained by pairwise interactions. However, the total prediction error, summed over all patterns in a given category, was greatest for patterns with 4–5 coactive neurons (Fig 8B and 8C). This was because the per-pattern prediction error for patterns with 4–5 coactive neurons (S10 Fig) was relatively poor and because this pattern category occurred more frequently in the empirical activity than categories with larger numbers of coactive neurons (Fig 6G and 6H). Only patterns with nonzero empirical probability were included in the KLD and error calculations. Thus, across both strains of mice and in both CA1 subfields, the largest contribution to the KLD came from the prediction error of patterns with 4–5 coactive neurons. For these patterns, and for most of the other categories, the total prediction error was lower in the APP/PS1 animals than the C57BL/6 animals in dCA1 (Fig 8B). This result was consistent with the decreased KLD in APP/PS1 mice in dCA1 (Fig 7C). In vCA1, the total prediction error curve was increased in APP/PS1 mice, relative to C57BL/6 mice (Fig 8C), consistent with the elevated KLD in APP/PS1 mice in vCA1 (Fig 7D). These findings indicate that in both dorsal and ventral CA1, the disruptions to population activity in APP/PS1 mice primarily arose from alterations in the coactivity of ensembles of 4–5 neurons. This was due to the fact that such patterns occur with sufficiently high empirical probability (Fig 6G and 6H) and that they have a sufficiently high per-pattern prediction error (S10 Fig). While the pattern prediction error was decreased in dCA1 in the APP/PS1 animals, it was increased in vCA1, suggesting that the effects of Aβ pathology percolated across the hippocampus in different ways.
thumbnail Download:
PPTPowerPoint slide
PNGlarger image
TIFForiginal image
Fig 8. Disruptions in APP/PS1 population activity arise from disruptions to patterns with 4–5 coactive neurons.
(A) Representative examples of maximum entropy model predicted probabilities and empirical probabilities, generated using 16-unit subpopulations. Each point denotes a single pattern and the grey line denotes unity. The color of the point corresponds to the number of coactive neurons in the pattern. (B) In dCA1, the total prediction error for APP/PS1 mice was lower than that for C57BL/6 mice across almost all pattern categories. The prediction error for patterns with 4–5 coactive units contributed most to the overall prediction error. Pattern probabilities were averaged across 2500 subsamples from 5 recording sessions in C57BL/6 mice and across 2000 subsamples from 4 recording sessions in APP/PS1 mice. These data were generated using 16-unit subpopulations. Error bars show the standard error of the mean. (C) In vCA1, the total prediction error for APP/PS1 mice was higher than that for C57BL/6 mice across almost all pattern categories. The prediction error for patterns with 4–5 coactive units contributed most to the overall prediction error. Pattern probabilities were averaged across 3000 subsamples from 6 recording sessions in C57BL/6 mice and across 4000 subsamples from 8 recording sessions in APP/PS1 mice. These data were generated using 16-unit subpopulations. Error bars show the standard error of the mean.
https://doi.org/10.1371/journal.pcbi.1012085.g008
We have thus far examined the population code from three perspectives. The pair-wise correlations capture the interactions between the individual neurons, the entropy represents the diversity of patterns across the population, and the maximum entropy models reveal the extent to which the features of the network can be used to predict the global structure of the population. The distributions of each of these three properties for 16-unit subsamples varied between dCA1 and vCA1 as well as between C57BL/6 and APP/PS1 mice (Fig 9A). One can think of each of these measures as a feature of a high dimensional description of the population code, each of which can then be represented as a single dimension in a coding space. Thus, plotting the mean correlation, the entropy, and the KLD of the maximum entropy model for each ensemble of neuronal activity for an ensemble population of 16 neurons (black: C57BL/6 dCA1, gray: C57BL/6 vCA1, red: APP/PS1 dCA1, pink: APP/PS1 vCA1) allows us to see the relative position of the neural population code within this space (Fig 9B). It should be noted that these are not independent dimensions; populations with stronger pairwise correlations also had more patterns with multiple coactive units, as expected (Fig 5B,5C,6G and 6H). This, in turn, was associated with a larger entropy, given the increased diversity of patterns (Fig 6E and 6F), and poorer fit of the pairwise maximum entropy model, given the difficulty of predicting the occurrence of such highly coactive patterns using only pairwise interactions (Fig 7E and 7F). Nevertheless, this visualization revealed key insights. First, in the C57BL/6 mice, the dCA1 and vCA1 population clusters occupy different portions of the space, suggesting that the structure of the population code in dorsal and ventral CA1 is fundamentally different. Our analyses therefore reveal the consequences of the diverse anatomical and physiological properties of networks and circuits on the population code along the dorsal ventral axis of CA1 [13]. Perhaps more striking, however, was the effect that Aβ pathology has on this population code. The networks in the APP/PS1 animals resided in an entirely new part of the coding space, suggesting that Aβ pathology fundamentally altered all aspects of the population code. Second, the effects of Aβ pathology on population activity depended on whether that population was in dCA1 or vCA1. Finally, the dorsal and ventral CA1 clusters were closer to one another in the APP/PS1 mice than in the C57BL/6 animals.
thumbnail Download:
PPTPowerPoint slide
PNGlarger image
TIFForiginal image
Fig 9. A signature of the differential impact of Aβ pathology on population activity is visible in the three-dimensional space defined by pairwise correlations, entropy, and the KLD of the maximum entropy model.
(A) Distribution of correlation coefficients (top), entropy (middle), and KLD of the maximum entropy model (bottom) in dorsal and ventral CA1 in C57BL/6 and APP/PS1 mice (nC57BL/6 dCA1 = 2500 samples from 5 recording sessions, nAPP/PS1 dCA1 = 2000 samples from 4 recording sessions, nC57BL/6 vCA1 = 3000 samples from 6 recording sessions, nAPP/PS1 vCA1 = 4000 samples from 8 recording sessions). Each data point in these distributions represents the average over a 16-unit subsample. (B) Plot of correlations, entropy, and KLD of maximum entropy model for all recording sessions. Each point denotes a single resample (nC57BL/6 dCA1 = 2500 samples from 5 recording sessions, nAPP/PS1 dCA1 = 2000 samples from 4 recording sessions, nC57BL/6 vCA1 = 3000 samples from 6 recording sessions, nAPP/PS1 vCA1 = 4000 samples from 8 recording sessions). Each data point in these distributions represents the average over a 16-unit subsample. (C) Performance of decoder in a 4-way classification task to distinguish C57BL/6 dCA1, APP/PS1 dCA1, C57BL/6 vCA1, and APP/PS1 vCA1 samples (n = 100 iterations). (D) Performance of decoder in a 2-way classification task to distinguish C57BL/6 dCA1 from C57BL/6 vCA1 samples (n = 100 iterations) and in a 2-way classification task to distinguish APP/PS1 dCA1 from APP/PS1 vCA1 samples (n = 100 iterations), p < 10−4, two-sided Wilcoxon rank-sum test. Data in this figure were generated using 16-neuron subpopulations.
https://doi.org/10.1371/journal.pcbi.1012085.g009
To quantify these observations, we built a decoder to predict the strain identity and brain region of a subsample based on its population activity parameters (see Materials and Methods). The decoder performed significantly better than chance in a 4-way classification task (C57BL/6 dCA1 vs. APP/PS1 dCA1 vs. C57BL/6 vCA1 vs. APP/PS1 vCA1) (Fig 9C), suggesting that population activity can be used to distinguish both brain regions and mouse strains. Interestingly, however, the classifier was better able to distinguish dorsal and ventral CA1 in C57BL/6 mice than in APP/PS1 mice (Fig 9D). This suggests that in control mice, population activity varied across the longitudinal hippocampal axis, but that in APP/PS1 mice, this difference was degraded. In other words, Aβ pathology appears to have a homogenizing effect on population coding throughout the hippocampus, rendering the structure of network activity more similar in dorsal and ventral CA1. Taken together, these findings show that Aβ pathology distorts the geometry of the population code across the dorsoventral axis of the CA1 region of the hippocampus, and that the direction of that distortion varies depending on the hippocampal region.
The entropy and maximum entropy models used here quantify the dimensionality of activity across large ensembles of neurons. One mechanism that has been proposed to orchestrate this collective neural activity is oscillations in the local field potential (LFP). A well-characterized feature of hippocampal LFPs is sharp waves and ripples (SWRs), brief 150-250Hz oscillations that typically occur during periods of rest or slow-wave sleep and have been posited to be involved in memory consolidation and future planning. Previous studies have reported variations in the occurrence of SWRs across the dorsal-ventral hippocampal axis [63] as well as disruptions in the frequency and power of SWRs in multiple mouse models of Alzheimer’s disease pathology [64,65]. We therefore sought to understand how the properties of SWRs and associated changes in single-unit activity across the hippocampal axis were altered in the context of Aβ pathology (Fig 10A). Consistent with prior results in other models of Alzheimer’s disease, we found that in dCA1, SWRs occurred less frequently in APP/PS1 mice than in C57BL/6 controls (Fig 10B). However, in vCA1, there was no significant difference in the occurrence of SWRs between the two strains (Fig 10B). Though this finding did not reflect the opposing directionality of Aβ-associated disruptions in dCA1 and vCA1 found in the correlation, entropy, and maximum entropy analyses, it does extend the idea that Aβ exerts heterogeneous effects across different brain regions to the level of regional LFP oscillations.
缩略图 下载：
PPT的PowerPoint幻灯片
巴布亚新几内亚放大图片
TIFF的原始图像
图 10. 在 dCA1 和 vCA1 的 APP/PS1 小鼠中，与 SWR 相关的神经元放电速率增加减弱。
（A） 顶部：原始宽场电生理信号示例。底部：以 150-250Hz 通过的滤波信号带。绿色阴影区域表示 SWR 纪元。（B） 顶部：与 C57BL/6 对照组相比，APP/PS1 小鼠 dCA1 中 SWR 的丰度显着降低（标准±平均值：C57BL/6 = 0.76 ± 0.43 事件/秒，APP/PS1 = 0.12 ± 0.07 事件/秒，p < 0.005，双侧 Wilcoxon 符号秩检验，nC57BL/6型= 来自 4 只动物的 5 次记录会话，nAPP/PS1= 来自 5 只动物的 7 次记录）。每个点表示一个录制会话。下图：APP/PS1小鼠和C57BL/6对照组vCA1中SWRs的丰度差异无统计学意义（标准±平均值：C57BL/6 = 0.41±0.14个事件/秒，APP/PS1 = 0.31±0.29个事件/秒，p = 0.40，双侧Wilcoxon符号秩检验，nC57BL/6型= 来自 4 只动物的 7 次记录会话，nAPP/PS1= 来自 5 只动物的 8 次记录）。每个点表示一个录制会话。（C） 来自被 SWR 正调制、负调制或未调制的代表性单元的尖峰活动。 顶部：SWR 纪元开始时每个单元的尖峰栅格图，每行显示不同的 SWR 事件。绿线表示SWR纪元的开始。下图：围 SWR 时间直方图 （pSWR-TH），显示了从该记录会话开始的所有 SWR 时期每个神经元的平均活动。（D） 来自每个菌株和区域所有单元的所有 pSWR-TH。为了可视化，首先将单位分为正调制、负调制和非调制。然后，在每个类别中，按调制指数对单位进行排序。（E） 每个菌株和区域的饼图，显示正调制、负调制和非调制单元的比例。（F） 与 C57BL/6 对照相比，APP/PS1 小鼠中被 SWR 正向调节的 dCA1 单位比例显着降低（标准±平均值：C57BL/6 = 0.84 ± 0.08，APP/PS1 = 0.49 ± 0.18，p < 0.01，双侧 Wilcoxon 符号秩检验，nC57BL/6型= 来自 4 只动物的 5 次记录会话，nAPP/PS1= 来自 5 只动物的 7 次记录）。（G） 与 C57BL/6 对照相比，APP/PS1 小鼠中受 SWR 正向调节的 vCA1 单位比例显着降低（标准±平均值：C57BL/6 = 0.58 ± 0.20，APP/PS1 = 0.27 ± 0.22，p < 0.01，双侧 Wilcoxon 符号秩检验，nC57BL/6型= 来自 4 只动物的 7 次记录会话，nAPP/PS1= 来自 5 只动物的 8 次记录）。（H） APP/PS1 小鼠和 C57BL/6 对照之间受 SWR 负调控的 dCA1 单位比例无显著差异（标准±平均值：C57BL/6 = 0.07 ± 0.08，APP/PS1 = 0.10 ± 0.10，p > 0.99，双侧 Wilcoxon 符号秩检验，nC57BL/6型= 来自 4 只动物的 5 次记录会话，nAPP/PS1= 来自 5 只动物的 7 次记录）。（I）与C57BL/6对照相比，APP/PS1小鼠中受SWR负调控的vCA1单位比例显著降低（标准±平均值：C57BL/6 = 0.05 ± 0.04，APP/PS1 = 0.16 ± 0.09，p < 0.05，双侧Wilcoxon符号秩检验，nC57BL/6型= 来自 4 只动物的 7 次记录会话，nAPP/PS1= 来自 5 只动物的 8 次记录）。（J） 与 C57BL/6 对照相比，APP/PS1 小鼠中未受 SWR 调节的 dCA1 单位比例显着增加（平均±标准：C57BL/6 = 0.09 ± 0.06，APP/PS1 = 0.41 ± 0.25，p < 0.05，双侧 Wilcoxon 符号秩检验，nC57BL/6型= 来自 4 只动物的 5 次记录会话，nAPP/PS1= 来自 5 只动物的 7 次记录）。（K） C57BL/6 和 APP/PS1 小鼠之间未被 SWR 调节的 vCA1 单位比例无显着差异（标准±平均值：C57BL/6 = 0.37 ± 0.19，APP/PS1 = 0.57 ± 0.22，p = 0.07，双侧 Wilcoxon 符号秩检验，nC57BL/6型= 来自 4 只动物的 7 次记录会话，nAPP/PS1= 来自 5 只动物的 8 次记录）。（L） 在 dCA1 中，SWR 日志10与C57BL/6对照组相比，APP/PS1小鼠的APP/PS1小鼠（调制指数）显著降低（标准±平均值：C57BL/6 = 4.84±1.56，APP/PS1 = 3.61 ± 1.78 Hz，p < 10−6，双侧 Wilcoxon 秩和检验，nC57BL/6型= 305 个神经元，nAPP/PS1= 180 个神经元）。（M） 在 vCA1 中，SWR 日志10与C57BL/6对照组相比，APP/PS1小鼠的APP/PS1小鼠（调制指数）显著降低（标准±平均值：C57BL/6 = 3.50±1.49，APP/PS1 = 2.28±1.70 Hz，p < 10−6，双侧 Wilcoxon 秩和检验，nC57BL/6型= 689 个神经元，nAPP/PS1= 651 个神经元）。
https://doi.org/10.1371/journal.pcbi.1012085.g010
SWR还与单个单元的射速的一致变化有关（图10C）。在 dCA1 和 vCA1 的 C57BL/6 和 APP/PS1 小鼠中，鉴定出在 SWR 背景下正调节、负调节和非调节的神经元（图 10D），尽管这些亚群中每个亚群的频率因菌株和大脑区域而异（图 10E）。在 dCA1 和 vCA1 中，相对于 C57BL/6 对照，APP/PS1 小鼠中被 SWR 正调节的神经元比例降低（图 10F 和 10G）。此外，在vCA1的APP / PS1小鼠中，受SWR负调节的神经元比例增加，尽管在dCA1中未观察到这种效应（图10H和10I）。最后，在 dCA1 的 APP/PS1 小鼠中，SWR 期间放电速率不变的神经元比例增加，但在 vCA1 中没有观察到变化（图 10J 和 10K）。我们通过计算调制指数[66]来量化单个单位发射速率的变化幅度。在dCA1和vCA1中，相对于C57BL / 6对照小鼠，APP / PS1小鼠的调节指数降低（图10L和10M）。综上所述，这些发现表明，在海马体的APP / PS1小鼠中，SWRs对神经元活动的协调被削弱了。未来在SWRs（S11图）或其他海马LFP振荡（如θ或γ）的背景下对群体水平特征（例如相关性、熵）变化的分析可以进一步阐明不同尺度的神经活动之间的关系如何被Aβ病理学破坏[9]。
讨论
我们记录了清醒的 C57Bl/6 和 APP/PS1 小鼠在动物在虚拟现实环境中导航时在背侧和腹侧 CA1 上的大型神经元群的活动。与先前检查APP/PS1动物dCA1自发种群活动的研究一致[49]，在14-19个月大的APP/PS1小鼠中，种群活动的关键标志物，如相关性、熵和成对最大熵模型的预测误差，在虚拟现实环境中时减少。这些表明观察到的变化是 dCA1 回路上 Aβ 病理学的一般特征。然而，在 vCA1 中，我们发现与年龄匹配的对照动物相比，APP/PS1 小鼠的最大熵模型的相关性增加、熵增加和误差更大。这些结果显示了 Aβ 病理学对背侧和腹侧 CA1 的不同影响。综上所述，他们认为AD对种群活动的影响不仅仅是Aβ负荷的函数，而且是组织病理学与每个区域神经元和回路特性之间相互作用的产物。
在这两个亚区域的 APP/PS1 小鼠中观察到的对种群编码的不同影响可能来自多个来源。首先，与 vCA1 相比，Aβ 病理学可能对 dCA1 的神经元和内在回路产生不同的影响，因为这些回路是不同的。CA1区域纵轴的差异包括基因表达的变异[17,67]、神经元形态的差异以及CA1锥体细胞的不同生物物理特性[68,69]。例如，与dCA1神经元相比，vCA1神经元具有更低的树突长度、更低的顶端树突分支、更高的膜电位和更高的输入阻力[68,69]。由于这些差异，种群活动的结构会有所不同，这是我们在这项工作中发现的。然后，特定的病理学，例如Aβ积累，将对海马体的不同部分产生不同的影响，因为这些区域的网络在功能上是不同的。
第二种可能性是 Aβ 病理学对投射到背侧或腹侧 CA1 的大脑区域产生差异影响。整个纵向海马轴的传入神经支配存在很大差异。例如，内嗅皮层（EC）-海马回路的地形组织，使得背侧海马优先接收来自背外侧EC的投射，而腹侧海马优先接收来自腹内侧EC的输入[70–72]。反过来，这些 EC 子区域中的每一个都有自己独特的传入连接模式;例如，背侧和外侧EC接收来自前扣带回和脾后皮层的输入，而腹侧和内侧EC接收来自边缘下和前边缘皮层的输入[73–75]。此外，最近一项关于CA1投射神经元（CA1 projection neurons， PNs）的全脑直接输入的研究表明，与dCA1 PNs相比，vCA1 PNs从整个大脑（包括基底外侧杏仁核和梨状皮层）接收到更多样化的输入，后者的输入主要来自EC和其他海马亚区[76]。鉴于不同脑区Aβ负荷的差异[77,78]，背侧和腹侧CA1之间群体活动的差异可能是从上游回路遗传的。
我们的研究表明，存在于海马纵轴（回路的初始条件）上的网络活动差异被 APP/PS1 动物中的 Aβ 积累不同地改变。一个自然的问题是，单一的病理学如何对海马体网络产生如此异质的、通常是相反的影响？有证据表明，Aβ对神经元和突触的影响可能是异质的，其破坏复合体的确切性质取决于许多因素[33,79]。例如，Aβ水平的中度升高似乎通过增加突触前释放概率来促进突触增强（包括长期增强（long-term potentiation， LTP））[80,81]，而Aβ水平的大幅升高通过改变突触后mGluR和NMDAR信号传导导致LTP降低和长期抑制（long term depression， LTD）增强[81,82].再加上背侧和腹侧CA1神经元之间LTP和LTD的诱导和幅度差异的发现[83\u201286]，这些观察结果提示了Aβ病理学可能对背侧和腹侧海马的突触可塑性产生差异性的影响。多项研究表明，Aβ病理学与背侧海马LTP诱导或维持缺陷有关[87–89]。由于 APP/PS1 小鼠中 Aβ 病理学的不同影响，突触耦合的变化可能在不同的细胞类型和海马体的不同区域诱导 LTP 或 LTD，从而对突触强度变化产生的相关性产生不同的影响。此外，研究显示Aβ病理学小鼠模型中神经元内在兴奋性差异[90]也表明，影响尖峰时间依赖性可塑性的神经元的生物物理特性[91\u201293]可以增加或减少相关性，这取决于Aβ是否使这些神经元更易兴奋或更不容易兴奋。在这方面，APP/PS1 动物中 Aβ 病理学对相关性、熵和种群活动结构的截然影响可能反映了该病理学对个体神经元和突触的异质性影响。
我们考虑这个结果可能告诉我们网络活动如何决定行为。在AD患者中，许多认知领域（情景记忆、空间认知等）减弱[94–98]，而其他领域（压力、焦虑等）则得到增强[99–102]。这项研究的结果为这些不同影响背后的潜在机制提供了一种见解。在集成编码方案中，每个模式代表一个特定的感知或记忆[58,59]，熵或成对相关性的减少会侵蚀表征，这可能会导致认知或记忆域的损失。在其他精神疾病小鼠模型中，这种群体活动的退化被认为是知觉和认知缺陷的基础[46,103]。相比之下，相关性和熵的增加可能为增强焦虑或恐惧提供神经基质。相关性和熵增加可以被认为是泛化的增加，例如，这将改变感官体验映射到焦虑的方式。我们的研究结果表明，了解AD的行为变化可能不仅可以通过观察细胞病理学，还可以通过观察病理学对网络功能的各种影响，包括神经元群体活动改变的方式。
材料与方法
道德声明
本研究中进行的实验得到了罗切斯特大学机构动物护理和使用委员会的批准。
小 鼠
所有实验均按照监管标准进行，并得到罗切斯特大学机构动物护理和使用委员会（IACUC）的批准。该研究包括六只雄性 APP/PS1 小鼠（菌株 #034832，杰克逊实验室，巴港，缅因州）和四只雄性 C57BL6/J 小鼠（菌株 #000664，杰克逊实验室）。APP/PS1小鼠表达具有APP695swe突变的嵌合小鼠/人淀粉样蛋白前体蛋白以及突变的人早老素1 PS1-dE9[104]。在记录时，小鼠的年龄为14至19个月。手术和记录是随机的，以确保没有引入系统性偏倚。将小鼠饲养在透明笼子中，光/暗循环为12小时/12小时。所有记录均在光相中进行。小鼠未用于任何先前的实验或程序。
虚拟现实设置
使用虚拟现实MATLAB（VirMEn）工具箱基于先前发表的设计[27,28,44]生成了一维虚拟轨道。虚拟轨道被投射到一个弯曲的板上，它占据了鼠标视野的180°。跑轮轴上的旋转编码器将车轮运动信息传输到计算机，计算机相应地更新了动物在虚拟轨道中的位置。到达虚拟轨道的尽头后，老鼠从舔嘴处获得一个小的甜牛奶奖励，然后它们的位置被更新到轨道的开头。为了尽量减少环境光、声音和电磁干扰，钻机被封闭在一个电屏蔽箱中。
头部固定
在手术前，使用1-2%异氟醚混合物麻醉动物，并置于立体定向手术装置中。切除头皮，划痕，并标记 dCA1（相对于前方的坐标：相对于前方 2.5 毫米，右侧 1.5 毫米）和 vCA1（相对于前方的坐标：相对于前方的坐标：3.05 毫米尾部，右侧 3.15 毫米）的开颅部位。接下来，对头骨进行刻痕，并使用牙科水泥（Ortho-Jet Powder and Jet Liquid，Lang Dental Manufacturing Company，Wheeling，IL）和兽用粘合剂（Vetbond，The 3M Company，Maplewood，MN）将金属接地针和 3D 打印的 PLA 头架固定在头骨上。根据 IACUC 方案，使用皮下注射 0.5-1.0 mg/kg 缓释丁丙诺啡提供术后镇痛 72 小时。
运行训练
在头架植入手术后，动物被给予一天的恢复时间。随后，开始了为期7天的训练期，使小鼠习惯于跑轮，虚拟现实环境和舔嘴[105]。每天，老鼠被固定在虚拟环境中，并允许在轮子上奔跑一小时。在此习惯化阶段未进行电生理记录。
颅骨切开术
使用1-2%的异氟醚混合物麻醉动物。使用头架植入手术期间标记的部位对 dCA1 和 vCA1 进行开颅手术。在开颅部位涂上有机硅密封胶（Kwik-Cast，World Precision Instruments，Sarasota，FL）以保护开颅部位。手术后，小鼠被允许在家庭笼子中恢复12-18小时，然后进行电生理记录。该恢复期先前已被证明不会影响动物行为[105]。
电生理学
使用开源微加工硅电极阵列[106,107]进行细胞外电压记录，该阵列由分布在四个柄上的128个记录通道组成，每个通道间隔50μm。探头涂有荧光染料（Alexa Fluor，Thermo Fisher Scientific，Waltham，MA），并连接到Intan RHD 128通道头台和RHD USB接口板（Intan Technologies，Los Angeles，CA）。
恢复期过后，动物被头部固定在虚拟现实装置的滚轮上。将电极阵列放置在立体定向框架上，并被引导至开颅手术的位置。对于 dCA1，探针从脑表面降低 1-1.2 毫米，对于 vCA1，探针从脑表面降低 4-4.2 毫米。对每只小鼠进行两天的记录。对于大多数动物来说，每天的记录包括在 dCA1 中进行一次 1-2 小时的会议，在 vCA1 中进行一次 1-2 小时的会议。在0.1–3500 Hz频段以30kHz采集信号。
尖峰分拣
使用开源工具箱Kilosort 2 [29]进行预处理和尖峰排序。宽场原始电生理数据在500Hz下高通，从每个流中减去所有通道的中值信号，并去除所有通道的相关噪声。生成一组模板波形和尖峰时间，并迭代更新以重建原始数据集。使用可视化软件Phy 2[30]手动整理了由此过程产生的假定单个单元。根据波形、振幅和尖峰间间隔分布，保留、消除或合并单位。没有明确不应期的单位被淘汰。此外，每个单元在大脑中的物理位置是根据其在不同通道上的动作电位的相对大小来估计的。尖峰排序后，将数据导入 MATLAB 2019a（The MathWorks， Inc.， Natick， MA）以分析种群活动。根据平均波形的形状将单位分为兴奋性或抑制性[31,32]。兴奋性单位被确定为谷峰时间超过0.5ms的单位，而抑制单位是谷峰时间小于0.5ms的单位。
空间信息
虚拟轨道被分成 111 个箱子，每个箱子的大小为 ~1.7 厘米。对于给定的单位，每个箱子中的平均发射速率是通过将每个箱子中的尖刺数量除以动物在该箱子中花费的时间来计算的。然后通过用 5 个 bin 宽的方波卷积来平滑该地图。该分析仅包括动物速度超过 5 cm/s 的间隔。空间信息的计算公式如下[108]：
(1)
在这个等式中，px表示动物占据空间箱 x 的概率，λx表示以 bin x 为单位的点火率，λ 表示所有 bin 的平均点火率。
尖峰列车循环洗牌
生成随机的尖峰列车来计算空间信息零分布。来自每个神经元的所有尖峰都以随机间隔移动。如果移位的尖峰时间超过记录的持续时间，则改用尖峰时间的模数与记录持续时间，这样越界尖峰就会缠绕到尖峰序列的开头。对于每个神经元，这个过程重复了100次。然后使用公式（1）计算圆形洗牌尖峰列车的空间信息。
空间稳定性得分
为了量化整个录制会话期间空间调谐的稳定性，将录制会话分成两半，并为每一半生成平滑的射速图。对于给定的单位，稳定性得分被定义为两半发射率图之间的相关系数，正如之前的空间编码研究所做的那样[38,39]。
点火率差异和自举采样
为了比较不同组和大脑区域之间平均射速的异质性，进行了假设检验，以两组之间的射速方差之比（）作为检验统计量。由于无法假设正态性，因此使用 n = 10,000 个带替换的重采样的引导抽样方法来估计检验统计量的零分布。p 值定义为方差比超过 1.0 的自举样本的比例。如果 p < 0.025 或 p > 0.975，则原假设（方差比为 1.0）被拒绝。
射速相关性和图形属性
对于每个单元，通过计算滑动 10 毫秒窗口中的尖峰数量并将生成的时间序列转换为 z 分数来获得随时间变化的点火速率跟踪。计算每对迹线之间的相关系数并将其可视化为相关矩阵。为了确保平均相关值不会不成比例地加权以记录具有高神经元计数的会话，从每个会话中随机抽取 250 个单位对的子样本。矩阵被转换为图表示，其中每个神经元由一个节点表示[53]。对矩阵应用了阈值，以便任何超过阈值的相关值都保留为两个相应节点之间的边，而低于阈值的边将被丢弃。相对度数的计算方法是将图中的边数相加，然后除以图中所有节点之间可能的边总数。聚类系数基于节点三元组，定义为通过两条边（开三元组）或三条边（闭合三元组）相互连接的三个节点。聚类系数定义为闭合三元组的所有节点三元组的比例。为了确保被比较的图形具有相同的大小，为每个记录会话构建了 16 个神经元子样本的网络。使用MATLAB Brain Connectivity Toolbox[109]计算图形测量值。
熵
将每个单元的尖峰活动装箱到 10 毫秒的非重叠箱中，这样，如果在 10 毫秒间隔内至少发生一个峰值，则将为箱分配值 1，如果没有发生峰值，则分配值 0。当对给定动物中的所有单元执行此操作时，将生成分箱活动矩阵。因此，该矩阵的单列表示了10ms窗口内所有神经元的活动，我们将其称为模式[28,54,110]。因此，在 10 个单位的人口中，将有 2 个10= 1024 种可能的二进制模式。量化观察到的模式多样性的总体熵可以用以下公式来描述，其中 k 表示特定模式，pk表示该模式的概率：
(2)
[110]. 然后通过除以种群的平均发射率来对这个数字进行归一化。
最大熵建模
使用maxent_toolbox[111]对最大熵模型进行拟合。最大熵模型的核心原理是生成模式概率分布，其中单个神经元的活动和成对神经元的协同活动与经验概率分布的协同活动相匹配，但没有进一步的结构。更具体地说，最大熵模型是一组项 h我，它描述了单个神经元的平均活动，而 Jij，它描述了神经元对之间的功能耦合。给定这些术语，可以使用以下方法生成神经元群体的模式概率分布：
(3)
其中σ我表示神经元 i 的二进制状态，P预测 (σ1，σ2...σn） 表示特定模式的预测概率，Z 表示用于归一化概率分布的分区函数。目标是迭代调整项 h我和 Jij这样，它们不仅与上述约束匹配，而且还导致具有最少结构量（或最大熵）的预测模式概率分布。因此，由此产生的预测模式概率代表了神经元群在除了成对耦合之外没有任何高阶相互作用的情况下的预期行为[44,54]。
使用Kullback-Leibler散度（KLD）和预测误差量化模型预测与经验模式概率之间的拟合。对于给定模式，预测误差定义如下：
(4)
其中 pk，预测和 pk，经验分别表示给定模式的预测概率和经验概率。然后，使用给定数量的协动单元对所有模式的预测误差求和：
(5)
其中 C 表示具有给定数量的共活动单元的所有模式的集合。每个模式的平均预测误差定义为总预测误差除以 C 中以非零经验概率出现的模式数：
(6)
其中 n 表示包含集合的基数。为了与KLD保持一致，预测误差计算中仅包含以非零经验概率发生的模式。
为了确保足够大的种群，对于相关性、熵和最大熵计算，仅包括超过 16 个神经元的记录会话。对于每个会话，重复采样神经元群以生成 16 个神经元的亚群。计算每个子样本的熵、最大熵拟合和模式概率，以生成每个记录会话的值分布。
从种群活动解码大脑区域和菌株身份
每个记录会话生成 16 个神经元亚群。对于每个子样本，计算最大熵模型的平均成对相关、熵和KLD;这些在 3D 散点图中可视化。然后将数据随机分为训练（80%）和测试（20%）子集，并用于三个不同的分类任务。第一项任务的目标是预测测试集中每个点的大脑区域和菌株身份（C57BL/6 dCA1 vs. APP/PS1 dCA1 vs. C57BL/6 vCA1 vs. APP/PS1 vCA1）。对于测试集中的每个点，识别训练集中的 5 个最近邻;将这 5 个最近邻的模态恒等式指定为测试设定点的预测恒等式。准确度被定义为具有正确预测身份的测试点的比例。此过程使用不同的训练/测试集拆分重复 100 次。在对训练集中点的标识进行洗牌后，通过重复此过程来生成空分布。第二项和第三项任务的目标分别是仅预测 C57BL/6 小鼠（C57BL/6 dCA1 与 C57BL/6 vCA1）和仅预测 APP/PS1 小鼠（APP/PS1 dCA1 vs. APP/PS1 vCA1）的大脑区域。
锐波/涟漪分析
使用先前描述的方法检测了尖锐波/波纹（SWR）周期[63\u201265]。对于每个通道，宽带信号在150-250Hz下进行带通滤波。然后，在记录会话中对该信号进行平方和求和，然后用标准差 4 毫秒、宽度 32 毫秒的一维高斯核进行平滑处理。 SWR 周期被确定为该平均和平滑信号超过平均值 2 个标准差的间隔。那些短于 15 毫秒的、在上一次 SWR 结束后开始不到 1 秒的那些，或者那些在动物运动时发生的那些被消除。
为了识别发射速率由SWR调制的单元，从SWR开始前500ms到SWR开始后500ms计算了近SWR时间直方图（pSWR-TH）。对于每个单元，该窗口中的尖峰循环洗牌 500 次，并计算平均洗牌后的 pSWR-TH。SWR调制指数[66]定义为SWR开始后200ms窗口内经验pSWR-TH与平均随机pSWR-TH之间的平方差。该调制指数的显著性是通过使用 500 个随机的 pSWR-TH 生成零分布来确定的;如果经验调制指数超过 95，则认为一个单位受到 SWR 的显着调制第此 null 分布的百分位数。对于所有SWR调制单元，调制滞后定义为从SWR纪元开始到pSWR-TH极值对应的时间。对于图10C和10D中的图，使用宽度为80ms和标准差为10ms的高斯对pSWR-TH进行平滑处理。
为了比较 SWR 时期和非 SWR 时期期间的神经活动，我们为每个记录会话生成了两组尖峰训练。对于第一个尖峰序列，我们连接了每个 SWR 事件开始后 500 毫秒间隔内发生的所有尖峰。然后，对于每个 SWR 事件，我们在记录中确定了不包含 SWR 的 500 毫秒间隔。我们将所有这些间隔中发生的尖峰连接起来，以生成第二个尖峰序列。然后，我们计算了每组尖峰列车的成对相关性，如上所述。
组织处理和染色
首先用 PBS 溶液进行经心灌注，然后用 4% 多聚甲醛 （PFA） 溶液进行。将大脑从颅骨中取出，置于 4% PFA 溶液中 24 小时，然后转移到 30% 蔗糖-PFA 溶液中 48 小时。将大脑冷冻，切成100μm的冠状切片，使用含Hoechst的培养基（Hoechst 33258，Invitrogen）进行安装，并盖玻片。对于包含海马体的切片（前粒后方 1.25 毫米至 3.5 毫米），每四个 100μm 切片后，取一个 26μm 的冠状切片。用刚果红（HT60-1KT，Milipore Sigma，Burlington，MA）对这些 26μm 切片进行 Aβ 斑块染色。简而言之，将切片在 1：100 NaOH/NaCl 溶液中孵育 20 分钟，用 1：100 NaOH/Congo Red 溶液染色 20 分钟，并用 PBS 冲洗数次，然后用含 Hoechst 的培养基安装并盖玻片。
玻片成像和扫描
使用奥林巴斯VS120玻片扫描仪（奥林巴斯公司，日本东京）对用刚果红染色的海马切片进行成像。
Aβ斑块定量
将图像导入图像分析软件Qupath[112]，其中手动划定Aβ斑块边界并描绘海马亚区边界。然后将这些数据导入MATLAB，其中计算背侧和腹侧海马的斑块数量和斑块面积分数，并与这些区域的电生理特性相关。
支持信息
尖峰波形用于分离抑制性和兴奋性神经元。
显示 1/11： pcbi.1012085.s001.eps
跳到无花果共享导航
抱歉，我们无法预览此文件
1 / 11
下载
无花果分享
S1 图。 尖峰波形用于分离抑制性和兴奋性神经元。
直方图显示了所有记录的神经元的波谷-峰值时间的分布。发现双峰分布清晰，阈值为0.5ms以区分细胞类别（n兴奋= 1197 个单位，n禁止的= 628 个单位）。
https://doi.org/10.1371/journal.pcbi.1012085.s001
（每股收益）
S2 图。
Aβ斑块负荷与任一海马亚野兴奋性神经元或抑制性神经元的平均放电速率无显著相关性（A）dCA1兴奋性神经元平均放电速率与dCA1 Aβ斑块密度无显著相关性（r = -0.20，p = 0.78，Spearman秩相关系数，n = 5只动物）。每个点表示一只动物。黑色实线表示最小二乘回归，黑色虚线表示回归的 95% 置信区间的边界。（B）vCA1兴奋性神经元平均放电速率与vCA1 Aβ斑块密度无显著相关性（r = 0.37，p = 0.50，Spearman秩相关系数，n = 6只动物）。每个点表示一只动物。灰色实线表示最小二乘回归，灰色虚线表示回归的 95% 置信区间的边界。（C）dCA1抑制性神经元的平均放电速率与dCA1 Aβ斑块密度之间无显著相关性（r = -0.60，p = 0.35，Spearman秩相关系数，n = 5只动物）。每个点表示一只动物。黑色实线表示最小二乘回归，黑色虚线表示回归的 95% 置信区间的边界。（D）vCA1抑制性神经元的平均放电速率与vCA1 Aβ斑块密度之间无显著相关性（r = 0.60，p = 0.24，Spearman秩相关系数，n = 6只动物）。每个点表示一只动物。灰色实线表示最小二乘回归，灰色虚线表示回归的 95% 置信区间的边界。
https://doi.org/10.1371/journal.pcbi.1012085.s002
（每股收益）
S3 图。 dCA1 和 vCA1 中 C57BL/6 和 APP/PS1 小鼠的代表性记录会话的空间放电速率图。
对每个神经元的活动进行缩放，使具有最小和最大活动的箱分别对应于 0 和 1。
https://doi.org/10.1371/journal.pcbi.1012085.s003
（每股收益）
S4 图。 dCA1 和 vCA1 的 APP/PS1 小鼠的空间稳定性降低。
（A） 在 dCA1 中，相对于 C57BL/6 小鼠，APP/PS1 小鼠的稳定性评分显着降低（标准±平均值：C57BL/6 = -0.009 ± 0.292，APP/PS1 = -0.1845 ± 0.256，第 10 <页−6，双侧 Wilcoxon 秩和检验，nC57BL/6型= 295 个单位，来自 5 个录制会话，nAPP/PS1= 167 个单位，来自 4 个录制会话）。（B） 在 vCA1 中，相对于 C57BL/6 小鼠，APP/PS1 小鼠的稳定性评分显着降低（标准±平均值：C57BL/6 = -0.069 ± 0.285，APP/PS1 = -0.165 ± 0.285，第 < 10 页−6，双侧 Wilcoxon 秩和检验，nC57BL/6型= 613 个录制会话的 6 个单位，nAPP/PS1= 645 个单位，来自 8 个录制会话）。
https://doi.org/10.1371/journal.pcbi.1012085.s004
（每股收益）
S5 图。 APP/PS1小鼠兴奋性神经元的空间信息在dCA1和vCA1中降低。
（A） 在 dCA1 中，相对于 C57BL/6 对照，APP/PS1 小鼠的空间信息减少（平均±标准：C57BL/6 = 0.134 ± 0.050，APP/PS1 = 0.132 ± 0.054，p < 0.01，双侧 Wilcoxon 秩和检验，nC57BL/6型= 229 个单位，来自 5 个录制会话，nAPP/PS1= 124 个单位，来自 4 个录制会话）。对于C57BL/6小鼠，dCA1中的空间信息明显大于具有相似平均发射速率的圆形洗牌尖峰列车（平均±标准：经验= 0.134±0.050，洗牌= 0.123±0.035，p < 0.005，双侧Wilcoxon秩和检验，n实证= 229 个单位，来自 5 个录制会话，n洗牌= 来自 5 个记录会话的 22900 个模拟单位），但不适用于 APP/PS1 小鼠（标准±平均值：经验 = 0.132 ± 0.054，随机 = 0.124 ± .054，p = 0.13，双侧 Wilcoxon 秩和检验，n实证= 124 个单位，来自 4 个录制会话，n洗牌= 来自 12400 个录制会话的 4 个模拟单位）。（B） 在 vCA1 中，相对于 C57BL/6 对照，APP/PS1 小鼠的空间信息减少（平均±标准：C57BL/6 = 0.143 ± 0.069，APP/PS1 = 0.115 ± 0.039，第 < 10 页−6，双侧 Wilcoxon 秩和检验，nC57BL/6型= 450 个单位，来自 6 个录制会话，nAPP/PS1= 394 个单位，来自 8 个录制会话）。对于C57BL/6小鼠，vCA1中的空间信息明显大于具有相似平均放电率的圆形洗牌尖峰列车（平均±标准：经验= 0.143±0.069，洗牌=0.125±.049，p<0.001，双侧Wilcoxon秩和检验，n实证= 来自 6 个记录会话的 450 个神经元，n洗牌= 来自 6 个记录会话的 45000 个模拟神经元），但不适用于 APP/PS1 小鼠（平均±标准：经验 = 0.115 ± 0.039，洗牌 = 0.110 ± 0.035，p = 0.18，双侧 Wilcoxon 秩和检验，n实证= 来自 8 个记录会话的 394 个神经元，n洗牌= 来自 8 个记录会话的 39400 个模拟神经元）。
https://doi.org/10.1371/journal.pcbi.1012085.s005
（每股收益）
S6 图。 C57BL/6 和 APP/PS1 小鼠之间的发射速率相似。
（A） 在 dCA1 中，C57BL/6 和 APP/PS1 小鼠的总放电速率没有显着差异（标准±平均值：C57BL/6 = 4.4 ± 5.3 Hz，APP/PS1 = 5.4 ± 7.3 Hz，p = 0.43，双侧 Wilcoxon 秩和检验，nC57BL/6型= 305 个神经元，nAPP/PS1= 180 个神经元）。（B） 在 vCA1 中，C57BL/6 和 APP/PS1 小鼠的总放电速率没有显着差异（标准±平均值：C57BL/6 = 5.5 ± 9.5 Hz，APP/PS1 = 4.9 ± 7.8 Hz，p = 0.78，双侧 Wilcoxon 秩和检验，nC57BL/6型= 689 个神经元，nAPP/PS1= 651 个神经元）。（C） 在 C57BL/6 动物中，dCA1 和 vCA1 的平均± std 的总体放电速率相似：dCA1 = 4.4 ± 5.3 Hz，vCA1 = 5.5 ± 9.5 Hz，p = 0.42，双侧 Wilcoxon 秩和检验，ndCA1型= 305 个神经元，nvCA1型= 689 个神经元）。（D） 在 dCA1 中，C57BL/6 和 APP/PS1 小鼠的兴奋性神经元放电速率没有显着差异（平均±标准：C57BL/6 = 3.5 ± 4.4 Hz，APP/PS1 = 3.3 ± 3.1 Hz，p = 0.43，双侧 Wilcoxon 秩和检验，nC57BL/6型= 229 个神经元，nAPP/PS1= 88 个神经元）。（E） 在 vCA1 中，C57BL/6 和 APP/PS1 小鼠的兴奋性神经元放电率没有显着差异（标准±平均值：C57BL/6 = 2.5 ± 3.1 Hz，APP/PS1 = 2.5 ± 2.7 Hz，p = 0.36，双侧 Wilcoxon 秩和检验，nC57BL/6型= 450 个神经元，nAPP/PS1= 397 个神经元）。（F） 在 C57BL/6 小鼠中，dCA1 中兴奋性神经元的放电速率显着高于 vCA1 中的兴奋性神经元（平均±标准：dCA1 = 3.5 ± 4.4 Hz，vCA1 = 2.5 ± 3.1 Hz，p < 10−3，双侧 Wilcoxon 秩和检验，ndCA1型= 229 个神经元，nvCA1型= 450 个神经元）。（G） 在 dCA1 中，C57BL/6 和 APP/PS1 小鼠的抑制性神经元放电速率没有显着差异（标准±平均值：C57BL/6 = 7.2 ± 6.7 Hz，APP/PS1 = 10.4 ± 10.7 Hz，p = 0.16，双侧 Wilcoxon 秩和检验，nC57BL/6型= 76 个神经元，nAPP/PS1= 56 个神经元）。（H） 在 vCA1 中，C57BL/6 和 APP/PS1 小鼠的抑制性神经元放电速率无显著差异（标准±平均值：C57BL/6 = 11.2 ± 13.9 Hz，APP/PS1 = 8.7 ± 10.9 Hz，p = 0.24，双侧 Wilcoxon 秩和检验，nC57BL/6型= 239 个神经元，nAPP/PS1= 257 个神经元）。（I） 在 C57BL/6 小鼠中，dCA1 和 vCA1 中抑制性神经元的放电速率没有显着差异（平均±标准：dCA1 = 7.2 ± 6.7 Hz，vCA1 = 11.2 ± 13.9 Hz，p = 0.53，双侧 Wilcoxon 秩和检验，ndCA1型= 76 个神经元，nvCA1型= 239 个神经元）。
https://doi.org/10.1371/journal.pcbi.1012085.s006
（每股收益）
S7 图。 在 C57BL/6 小鼠中，vCA1 相对于 dCA1 的神经活动异质性增加。
比较不同区域和组的神经元放电率方差，并使用自举采样方法生成零分布。这些零分布又用于计算假设检验的置信区间和 p 值。（A） 在 C57BL/6 小鼠中，vCA1 的放电率差异明显大于 dCA1 （σ2C57BL/6 dCA1型= 27.8赫兹2, σ2C57BL/6 vCA1型= 90.0赫兹2, σ2C57BL/6 dCA1型/σ2C57BL/6 vCA1型95% CI = 0.18–0.49，第 < 10 页−6，n = 10,000 个重采样（含替换）。（B） C57BL/6 和 APP/PS1 小鼠 dCA1 的放电率差异无统计学意义 （σ2C57BL/6 dCA1型= 27.8赫兹2, σ2APP/PS1 dCA1= 53.0赫兹2, σ2C57BL/6 dCA1型/σ2APP/PS1 dCA1，95% CI = 0.28–1.09，p = 0.04，n = 10,000 次重采样（含替换）。（C） C57BL/6 和 APP/PS1 小鼠 vCA1 的放电率差异无统计学意义 （σ2C57BL/6 vCA1型= 90.0赫兹2, σ2APP/PS1 vCA1= 60.3赫兹2, σ2C57BL/6 vCA1型/σ2APP/PS1 vCA1，95% CI = 0.93–2.42，p = 0.95）。灰色区域表示零分布的 95% 置信区间，蓝色区域表示 95% 置信区间之外的区域。橙色线表示方差比为 1.0。
https://doi.org/10.1371/journal.pcbi.1012085.s007
（每股收益）
S8 图。 APP/PS1小鼠兴奋性神经元的成对相关性在dCA1中降低，但在vCA1中增加。
（A） 代表性记录会话中所有兴奋性神经元的相关系数矩阵。（B） 在 dCA1 中，APP/PS1 小鼠的平均兴奋性神经元相关性低于 C57BL/6 小鼠（平均±标准：C57BL/6 = 0.048 ± 0.071，APP/PS1 = 0.027 ± 0.049，第 < 10 页−6，双侧 Wilcoxon 秩和检验，nC57BL/6型= 500 个录制会话的 5 个单位对，nAPP/PS1= 400 个录制会话的 4 个单位对）。（C） 在 vCA1 中，APP/PS1 小鼠的平均兴奋性神经元相关性高于 C57BL/6 小鼠（平均±标准：C57BL/6 = 0.010 ± 0.020，APP/PS1 = 0.012 ± 0.018，p < 0.005，双侧 Wilcoxon 秩和检验，nC57BL/6型= 600 个单位对，来自 6 个录制会话，nAPP/PS1= 800 个录制会话的 8 个单位对）。（D） 在 dCA1 中，当 5ms、25ms、50ms、75ms 和 100ms 的加标活动分箱时，APP/PS1 小鼠的兴奋性神经元相关性显着低于 C57BL/6 小鼠（对于所有 bin 大小，p < 10−6，双侧 Wilcoxon 秩和检验，nC57BL/6型= 500 个录制会话的 5 个单位对，nAPP/PS1= 400 个录制会话的 4 个单位对）。误差线显示均值的标准误差。（E） 在 vCA1 中，当 5ms、25ms、50ms、75ms 和 100ms 分箱时，APP/PS1 小鼠的兴奋性神经元相关性显着高于 C57BL/6 小鼠（对于所有 bin 大小，p < 0.005，双侧 Wilcoxon 秩和检验，nC57BL/6型= 600 个单位对，来自 6 个录制会话，nAPP/PS1= 800 个录制会话的 8 个单位对）。误差线显示均值的标准误差。（F） 16 个单位的兴奋性神经元群体的图形可视化。圆圈表示神经元，线表示超过阈值 0.06 的相关性。每个神经元的空间位置与其近似的相对物理位置相对应。比例尺表示 100μm。（G） 在 dCA1 图中，APP/PS1 小鼠的平均程度小于 C57BL/6 小鼠（标准±平均值：C57BL/6 = 0.65 ± 0.11，APP/PS1 = 0.56 ± 0.61，第 < 10 页−6，双侧 Wilcoxon 秩和检验，nC57BL/6型= 来自 5 个录制会话的 500 个样本，nAPP/PS1= 来自 4 个录制会话的 400 个样本）。（H） 在 vCA1 图中，APP/PS1 小鼠的平均程度大于 C57BL/6 小鼠（平均±标准：C57BL/6 = 0.49 ± 0.16，APP/PS1 = 0.62 ± 0.14，第 1<0 页−6，双侧 Wilcoxon 秩和检验，nC57BL/6型= 来自 6 个录制会话的 600 个样本，nAPP/PS1= 800 个录制会话的 8 个样本）。（I） 在 dCA1 图中，APP/PS1 小鼠的聚类系数小于 C57BL/6 小鼠（平均±标准：C57BL/6 = 0.85 ± 0.06，APP/PS1 = 0.80 ± 0.07，第 < 10 页−6，双侧 Wilcoxon 秩和检验，nC57BL/6型= 来自 5 个录制会话的 500 个样本，nAPP/PS1= 来自 4 个录制会话的 400 个样本）。（J） 在 vCA1 图中，APP/PS1 小鼠的聚类系数大于 C57BL/6 小鼠（平均±标准：C57BL/6 = 0.69 ± 0.14，APP/PS1 = 0.79 ± 0.09，第 < 10 页−6，双侧 Wilcoxon 秩和检验，nC57BL/6型= 来自 6 个录制会话的 600 个样本，nAPP/PS1= 800 个录制会话的 8 个样本）。
https://doi.org/10.1371/journal.pcbi.1012085.s008
（每股收益）
S9 图。 在控制发射速率差异后，保留了C57BL / 6和APP / PS1小鼠之间的熵差异。
（A） 对于在 dCA1 的 C57BL/6 群体中采集的每 16 个单位的子样本，从 APP/PS1 dCA1 群体中鉴定出具有可比发射速率 （±0.1Hz） 的 16 个单位子样本（平均±标准：C57BL/6 = 3.88 ± 1.36Hz，APP/PS1 = 3.89 ± 1.35Hz，p = 0.14，双侧 Wilcoxon 符号秩检验，nC57BL/6型= 来自 5 个录制会话的 2500 个样本，nAPP/PS1= 来自 4 个录制会话的 2500 个样本）。（B） 对于在 vCA1 的 C57BL/6 群体中采集的每个 16 个单位的子样本，从 APP/PS1 vCA1 群体中鉴定出具有可比发射率 （±0.1Hz） 的 16 个单元子样本（平均±标准：C57BL/6 = 4.83 ± 1.62Hz，APP/PS1 = 4.83 ± 1.32Hz，p = 0.06，双侧 Wilcoxon 符号秩检验，nC57BL/6型= 来自 6 个录制会话的 4000 个样本，nAPP/PS1= 来自 8 个录制会话的 4000 个样本）。（C） 当仅限于具有匹配平均放电速率的 dCA1 群体时，APP/PS1 小鼠相对于 C57BL/6 对照的熵显着降低（平均±标准：C57BL/6 = 311 ± 74 bits/s，APP/PS1 = 309 ± 69 bits/s，p < 10−4，双侧 Wilcoxon 符号秩检验，nC57BL/6型= 来自 5 个录制会话的 2500 个样本，nAPP/PS1= 来自 4 个录制会话的 2500 个样本）。（D）当仅限于具有匹配平均放电速率的vCA1群体时，APP / PS1小鼠相对于C57BL / 6对照具有显着增加的熵（平均±标准：C57BL / 6 = 344±80 bits/s，APP / PS1 = 358±81 bits/ s，p < 10−6，双侧 Wilcoxon 符号秩检验，nC57BL/6型= 来自 6 个录制会话的 4000 个样本，nAPP/PS1= 来自 8 个录制会话的 4000 个样本）。
https://doi.org/10.1371/journal.pcbi.1012085.s009
（每股收益）
S10 图。 对于具有较多共活动单元的模式类别，每个模式的最大熵模型预测误差会增加。
（A） 在 dCA1 中，APP/PS1 小鼠每种模式的预测误差通常低于几乎所有模式类别的 C57BL/6 小鼠。在 C57BL/6 小鼠的 5 次记录会话的 2500 个子样本和 APP/PS1 小鼠的 4 个记录会话的 2000 个子样本中平均模式概率。这些数据是使用 16 个单位的亚群生成的。误差线显示均值的标准误差。（B） 在 vCA1 中，APP/PS1 小鼠中每个模式的预测误差通常高于几乎所有模式类别的 C57BL/6 小鼠。在 C57BL/6 小鼠的 6 次记录会话的 3000 个子样本和 APP/PS1 小鼠的 8 个记录会话的 4000 个子样本中平均模式概率。这些数据是使用 16 个单位的亚群生成的。误差线显示均值的标准误差。
https://doi.org/10.1371/journal.pcbi.1012085.s010
（每股收益）
S11 图 SWR 和非 SWR 时期的成对相关性。
（A）左：在非SWR时期，在dCA1中，APP/PS1小鼠的平均相关性低于C57BL/6小鼠（标准±平均值：C57BL/6 = 0.14 ± 0.11，APP/PS1 = 0.11 ± 0.12，p < 10−6，双侧 Wilcoxon 秩和检验，nC57BL/6型= 来自 5 个录制会话的 479 个单位对，nAPP/PS1= 398 个单位对，来自 4 个录制会话）。右图：在非SWR时期，在vCA1中，APP/PS1小鼠的平均相关性高于C57BL/6小鼠（平均±标准：C57BL/6 = 0.09 ± 0.10，APP/PS1 = 0.11 ± 0.11，p < 0.05，双侧 Wilcoxon 秩和检验，nC57BL/6型= 来自 6 个录制会话的 591 个单位对，nAPP/PS1= 来自 8 个录制会话的 778 个单位对）。（B）左：在SWR时期，在dCA1中，APP/PS1小鼠的平均相关性低于C57BL/6小鼠（平均±标准：C57BL/6 = 0.16 ± 0.14，APP/PS1 = 0.13 ± 0.12，p < 0.005，双侧Wilcoxon秩和检验，nC57BL/6型= 500 个录制会话的 5 个单位对，nAPP/PS1= 来自 4 个录制会话的 386 个单元对）。右图：在 SWR 时期，在 vCA1 中，APP/PS1 和 C57BL/6 小鼠的平均相关性没有显着差异（平均±标准：C57BL/6 = 0.11 ± 0.11，APP/PS1 = 0.11 ± 0.11，p = 0.77，双侧 Wilcoxon 秩和检验，nC57BL/6型= 来自 6 个录制会话的 589 个单位对，nAPP/PS1= 来自 8 个录制会话的 796 个单位对）。
https://doi.org/10.1371/journal.pcbi.1012085.s011
（每股收益）
确认
我们感谢罗切斯特大学视觉科学中心的丹尼尔·瓜里诺（Daniel Guarino）和马丁·吉拉（Martin Gira）协助构建本实验中使用的虚拟现实平台。我们还要感谢罗切斯特大学肌肉骨骼研究中心的 Jeff Fox 在玻片扫描仪和图像采集方面的技术援助。
引用
1.McKhann G、Drachman D、Folstein M、Katzman R、Price D、Stadlan EM。阿尔茨海默病的临床诊断。神经病学 [互联网]。1984年7月1日;34（7）：939 LP– 939。可从： http://n.neurology.org/content/34/7/939.abstract
查看文章Google 学术搜索
2.Lyketsos CG、Steinberg M、Tschanz JT、Norton MC、Steffens DC、Breitner JCS。痴呆症的精神和行为障碍：卡什县关于衰老记忆的研究结果。美国精神病学杂志 [互联网]。2000年5月1日;157(5):708–14.可从： https://ajp.psychiatryonline.org/doi/abs/10.1176/appi.ajp.157.5.708 pmid：10784462
查看文章PubMed/NCBIGoogle 学术搜索
3.Geda YE、Roberts RO、Knopman DS、Petersen RC、Christianson TJH、Pankratz VS 等。轻度认知障碍和正常认知老化中神经精神症状的患病率：基于人群的研究。Arch Gen Psychiatry [互联网]。2008年10月6日;65(10):1193–8.可从： https://doi.org/10.1001/archpsyc.65.10.1193
查看文章Google 学术搜索
4.Braak H， Braak E. 阿尔茨海默病相关变化的神经病理学分期。Acta Neuropathol [互联网]。1991;82(4):239–59.可从： pmid：1759558
查看文章PubMed/NCBIGoogle 学术搜索
5.Arendash GW、Lewis J、Leighty RE、McGowan E、Cracchiolo JR、Hutton M 等。阿尔茨海默病 APPsw 和 P301L 模型的多指标行为比较：较差的认知表现与前脑 tau 病理学的联系。Brain Res [互联网]。2004;1012(1):29–41.可从： https://www.sciencedirect.com/science/article/pii/S0006899304004688 pmid：15158158
查看文章PubMed/NCBIGoogle 学术搜索
6.Chen G， Chen KS， Knox J， Inglis J， Bernard A， Martin SJ， et al.与阿尔茨海默病小鼠模型中的年龄和β淀粉样蛋白斑块相关的学习缺陷。自然 [互联网]。2000;408(6815):975–9.可从： https://doi.org/10.1038/35050103
查看文章Google 学术搜索
7.Busche MA， Konnerth A. 阿尔茨海默病中神经回路功能的损害。英国皇家学会哲学汇刊B：生物科学[互联网]。2016年8月5日;371(1700).可从： http://rstb.royalsocietypublishing.org/content/371/1700/20150429.abstract pmid：27377723
查看文章PubMed/NCBIGoogle 学术搜索
8.Belmonte MK、Cook EH、Anderson GM、Rubenstein JLR、Greenough WT、Beckel-Mitchener A 等。自闭症作为一种神经信息处理障碍：研究方向和治疗目标。Mol Psychiatry [互联网]。2004;9(7):646–63.可从： pmid：15037868
查看文章PubMed/NCBIGoogle 学术搜索
9.乔卡纳坦 U， Padmanabhan K.从突触到回路再回来：在阿尔茨海默病动物模型中弥合理解水平。欧洲神经科学杂志 [Internet]。2022 年 3 月 4 日;不适用（不适用）。可从： https://doi.org/10.1111/ejn.15636
查看文章Google 学术搜索
10.Scoville WB， Milner B. 双侧海马病变后近期记忆丧失。J Neurol Neurosurg 精神病学 [互联网]。1957年2月;20(1):11–21.可从： https://pubmed.ncbi.nlm.nih.gov/13406589 pmid：13406589
查看文章PubMed/NCBIGoogle 学术搜索
11.Klüver H，Bucy PC。恒河猴双侧颞叶切除术后的“精神失明”和其他症状。美国生理学杂志。1937;
查看文章Google 学术搜索
12.布里特·莫泽 M， 莫泽 EI.海马体的功能分化。海马体。1998;619:608–19.
查看文章Google 学术搜索
13.Fanselow MS，董HW。背侧和腹侧海马体在功能上是不同的结构吗？神经元 [互联网]。2010;65(1):7–19.可从： pmid：20152109
查看文章PubMed/NCBIGoogle 学术搜索
14.Moser MB、Moser EI、Forrest E、Andersen P、Morris RG。在背侧海马体中使用微型板进行空间学习。美国国家科学院院刊 [Internet].1995年10月10日;92(21):9697–701.可从： http://www.pnas.org/cgi/doi/10.1073/pnas.92.21.9697pmid：7568200
查看文章PubMed/NCBIGoogle 学术搜索
15.Ciocchi S， Passecker J， Malagon-Vina H， Mikus N， Klausberger T. 腹侧海马 CA1 投射神经元的选择性信息路由。科学。2015;348(6234):560–3.
查看文章Google 学术搜索
16.Okuyama T， Kitamura T， Roy DS， Itohara S， Tonegawa S. 腹侧 CA1 神经元存储社交记忆。科学。2016;353(6307).PMID：27708103
查看文章PubMed/NCBIGoogle 学术搜索
17.Cembrowski MS， Bachman JL， Wang L， Sugino K， Shields BC， Spruston N. 空间基因表达梯度是 CA1 锥体神经元突出异质性的基础。神经元 [互联网]。2016;89(2):351–68.可从： http://dx.doi.org/10.1016/j.neuron.2015.12.013
查看文章Google 学术搜索
18.Kjelstrup KB， Solstad T， Brun VH， Hafting T， Leutgeb S， Witter MP， et al. 海马体空间表示的有限尺度。科学 （1979） [互联网].2008年7月4日;321（5885）：140 LP– 143。可从： http://science.sciencemag.org/content/321/5885/140.abstract
查看文章Google 学术搜索
19.Padmanabhan K、Osakada F、Tarabrina A、Kizer E、Callaway EM、Gage FH 等。通过全脑回路映射揭示主嗅球的离心输入。前神经麻醉剂。2019;115.PMID：30666191
查看文章PubMed/NCBIGoogle 学术搜索
20.梅拉 T、勒罗伊 F、巴斯 EW、奥利瓦 A、帕克 J、西格尔鲍姆 SA。连接背侧 CA2 和腹侧 CA1 的海马回路，对社会记忆动力学至关重要。Nat Commun [互联网]。2018;9(4163):1–14.可从： http://dx.doi.org/10.1038/s41467-018-06501-w
查看文章Google 学术搜索
21.Cenquizca LA，斯旺森 LW。直接海马野 CA1 轴突投射到大脑皮层其余部分的空间组织。Brain Res Rev. 2007年;56(1):1–26.PMID：17559940
查看文章PubMed/NCBIGoogle 学术搜索
22.斯旺森 LW，考恩 WM。大鼠海马形成传出连接组织的放射自显影研究。比较神经病学杂志 [Internet].1977年7月19日;172(1):49–84.可从： pmid：65364
查看文章PubMed/NCBIGoogle 学术搜索
23.Braak H， Thal DR， Ghebremedhin E， del Tredici K. 阿尔茨海默病病理过程的阶段。J Neuropathol Exp Neurol.，2011 年;70(11):960–9.
查看文章Google 学术搜索
24.Gómez-Isla T， Price JL， McKeel DW Jr.， Morris JC， Growdon JH， Hyman BT. II 层内嗅皮层神经元的严重丧失发生在非常轻微的阿尔茨海默病中。神经科学杂志 [Internet]。1996年7月15日;16（14）：4491 LP– 4500。可从： http://www.jneurosci.org/content/16/14/4491.abstract
查看文章Google 学术搜索
25.夏艾， 马斯利亚 E， 麦康洛格 L， 俞 GQ， 辰野 G， 胡 K， 等.阿尔茨海默病小鼠模型中神经回路的斑块非依赖性破坏。美国国家科学院院刊 [Internet].1999年3月16日;96(6):3228–33.可从： http://www.pnas.org/content/96/6/3228.abstract pmid：10077666
查看文章PubMed/NCBIGoogle 学术搜索
26.Cacucci F， Yi M， Wills TJ， Chapman P， O'Keefe J. 在 Tg2576 阿尔茨海默病小鼠模型中，放置细胞放电与记忆缺陷和淀粉样斑块负荷相关。美国国家科学院院刊 [Internet].2008;105(22):7863–8.可从： http://www.pnas.org/cgi/doi/10.1073/pnas.0802908105 pmid：18505838
查看文章PubMed/NCBIGoogle 学术搜索
27.Gauthier JL，坦克 DW。海马体中奖励编码的专用种群。神经元 [互联网]。2018;99（1）：179–193.e7。可从： http://www.sciencedirect.com/science/article/pii/S0896627318304768 pmid：30008297
查看文章PubMed/NCBIGoogle 学术搜索
28.Chockanathan U， Padmanabhan K. 背侧和腹侧 CA1 之间空间种群编码的差异。eNeuro [互联网]。2021年9月1日;8（5）：ENEURO.0211-21.2021.可从： http://www.eneuro.org/content/8/5/ENEURO.0211-21.2021.abstract
查看文章Google 学术搜索
29.帕奇塔里乌 M、斯坦梅茨 N、卡迪尔 S、卡兰迪尼 M、哈里斯 KD。Kilosort：用于细胞外电生理学的实时尖峰分选，具有数百个通道。bioRxiv [互联网]。2016 1 月 1;61481.可从： http://biorxiv.org/content/early/2016/06/30/061481.abstract
查看文章Google 学术搜索
30.Rossant C、Kadir SN、Goodman DFM、Schulman J、Hunter MLD、Saleem AB 等。用于大型致密电极阵列的尖峰分选。国家神经科学。2016;19(4):634–41.PMID：26974951
查看文章PubMed/NCBIGoogle 学术搜索
31.Petersen PC， Siegle JH， Steinmetz NA， Mahallati S， Buzsáki G. CellExplorer：用于可视化和表征单个神经元的框架。神经元。2021;109(22):3594–608.PMID：34592168
查看文章PubMed/NCBIGoogle 学术搜索
32.Senzai Y， Buzsáki G. 海马颗粒细胞和苔藓细胞的生理特性和行为相关性。神经元。2017;93(3):691–704.PMID：28132824
查看文章PubMed/NCBIGoogle 学术搜索
33.Busche MA、Eichhoff G、Adelsberger H、Abramowski D、heinz Wiederhold K、Haass C 等。阿尔茨海默病小鼠模型中淀粉样蛋白斑块附近的过度活跃神经元簇。科学。2008;321(5896):1686–90.PMID：18802001
查看文章PubMed/NCBIGoogle 学术搜索
34.奥基夫 J， 多斯特罗夫斯基 J.海马体作为空间地图。来自自由移动大鼠单位活动的初步证据。Brain Res [互联网]。1971;34(1):171–5.可从： http://www.sciencedirect.com/science/article/pii/0006899371903581 pmid：5124915
查看文章PubMed/NCBIGoogle 学术搜索
35.Jimenez JC， Su K， Goldberg AR， Luna VM， Biane JS， Ordek G， et al. 海马-下丘脑回路中的焦虑细胞。神经元。2018;97(3):670–83.PMID：29397273
查看文章PubMed/NCBIGoogle 学术搜索
36.Monacelli AM、Cushman LA、Kavcic V、Duffy CJ。阿尔茨海默病的空间定向障碍。神经病学 [互联网]。2003年12月9日;61（11）：1491 LP– 1497。可从： http://n.neurology.org/content/61/11/1491.abstract
查看文章Google 学术搜索
37.Reiserer RS、Harrison FE、Syverud DC、麦克唐纳议员。阿尔茨海默病 APPSwe+PSEN1ΔE9 bigenic 小鼠模型中的空间学习受损。基因大脑行为 [互联网]。2006年4月13日;6(1):54–65.可从： https://doi.org/10.1111/j.1601-183X.2006.00221.x
查看文章Google 学术搜索
38.纽曼 EL、克里默 JR、哈塞尔莫 ME。网格细胞空间调谐在全身毒蕈碱受体阻断后减少。海马体。2014;24(6):643–55.PMID：24493379
查看文章PubMed/NCBIGoogle 学术搜索
39.Savelli F. 稳定输入之间组合竞争模型中海马放置场的自发动力学。神经科学杂志。2024;44(13).
查看文章Google 学术搜索
40.斯托弗 KR，布朗 RE。阿尔茨海默病 APPswe/PS1dE9 小鼠模型中视力、学习和记忆的年龄相关变化。行为大脑研究。2012;231(1):75–85.PMID：22409975
查看文章PubMed/NCBIGoogle 学术搜索
41.科列斯尼科夫 A V， 范 J， 克劳奇 RK， 凯法洛夫 VJ.小鼠视杆视力的年龄相关恶化。神经科学杂志。2010;30(33):11222–31.PMID：20720130
查看文章PubMed/NCBIGoogle 学术搜索
42.Vaughan SK， Stanley OL， Valdez G. 衰老对小鼠本体感觉神经元和肌内纤维的影响。老年学杂志：A 系列 [互联网]。2017年6月1日;72(6):771–9.可从： pmid：27688482
查看文章PubMed/NCBIGoogle 学术搜索
43.Stefanini F、Kushnir L、Jimenez JC、Jennings JH、Woods NI、Stuber GD 等。齿状回和 CA1 中的分布式神经代码。神经元。2020;107（4）：703–716.e4。PMID：32521223
查看文章PubMed/NCBIGoogle 学术搜索
44.Meshulam L， Gauthier JL， Brody CD， Tank DW， Bialek W. 海马网络中位置和非位置神经元的集体行为。神经元 [互联网]。2017;96（5）：1178–1191.e4.可从： pmid：29154129
查看文章PubMed/NCBIGoogle 学术搜索
45.Cayzac S、Mons N、Ginguay A、Allinquant B、Jeantet Y、Cho YH。APP-PS1小鼠海马信息编码和网络同步的改变。神经生物衰老 [互联网]。2015;36(12):3200–13.可从： pmid：26391642
查看文章PubMed/NCBIGoogle 学术搜索
46.Hamm JP， Peterka DS， Gogos JA， Yuste R. 精神分裂症小鼠模型中改变的皮层集合。神经元 [互联网]。2017;94（1）：153–167.e8。可从： pmid：28384469
查看文章PubMed/NCBIGoogle 学术搜索
47.Gonçalves JT， Anstey JE， Golshani P， Portera-Cailliau C. 脆性 X 小鼠发育中的新皮层中的电路水平缺陷。Nat Neurosci [互联网]。2013;16(7):903–9.可从： pmid：23727819
查看文章PubMed/NCBIGoogle 学术搜索
48.Shuman T、Aharoni D、Cai DJ、Lee CR、Chavlis S、Page-Harley L 等。癫痫小鼠空间编码和中间神经元同步的分解。Nat Neurosci [互联网]。2020;23(2):229–38.可从： pmid：31907437
查看文章PubMed/NCBIGoogle 学术搜索
49.Chockanathan U， Warner EJEJ， Turpin L， O'Banion MKK， Padmanabhan K. 阿尔茨海默病 APP/PS1 小鼠模型中背侧 CA1 神经元群编码的改变。科学代表 2020;10(1077):1–12.PMID：31974405
查看文章PubMed/NCBIGoogle 学术搜索
50.Chockanathan U， DSouza AM， Abidin AZ， Schifitto G， Wismüller A. 使用静息态功能性 MRI 的大规模格兰杰因果关系分析自动诊断 HIV 相关神经认知障碍。计算生物学医学 2019;106。
查看文章Google 学术搜索
51.Bullmore E， Sporns O. 复杂脑网络：结构和功能系统的图论分析。Nat Rev Neurosci [互联网]。2009;10(3):186–98.可从： pmid：19190637
查看文章PubMed/NCBIGoogle 学术搜索
52.法拉哈尼 F v、卡沃夫斯基 W、莱特霍尔 NR。图论在识别人脑网络连接模式中的应用：系统评价。Front Neurosci [互联网]。2019;13.可从： https://www.frontiersin.org/article/10.3389/fnins.2019.00585 pmid：31249501
查看文章PubMed/NCBIGoogle 学术搜索
53.纽曼 MEJ。复杂网络的结构和功能。工业与应用数学学会评论。2003;
查看文章Google 学术搜索
54.Schneidman E， Berry MJ， Segev R， Bialek W. 弱成对相关性意味着神经群体中的强相关网络状态。自然界。2006;440(7087):1007–12.PMID：16625187
查看文章PubMed/NCBIGoogle 学术搜索
55.俄亥俄人 IE、机械师 F、紫癜 KP、施密德 AM、胡 Q、维克多 JD。精细皮层网络中的稀疏编码和高阶相关性。自然 [互联网]。2010;466(7306):617–21.可从： pmid：20601940
查看文章PubMed/NCBIGoogle 学术搜索
56.卢克扎克 A、巴托 P、哈里斯 KD。自发事件概述了新皮质人群中可能的感觉反应领域。神经元 [互联网]。2009;62(3):413–25.可从： pmid：19447096
查看文章PubMed/NCBIGoogle 学术搜索
57.Miller J eun K， Ayzenshtat I， Carrillo-Reid L， Yuste R. 视觉刺激招募内在生成的皮层集合。美国国家科学院院刊 [Internet].2014年9月23日;111（38）：E4053–61。可从： http://www.pnas.org/content/111/38/E4053.abstract
查看文章Google 学术搜索
58.Carrillo-Reid L， Yang W， Bando Y， Peterka DS， Yuste R. 印记和回忆皮质合奏。科学 [互联网]。2016年8月12日;353(6300):691–4.可从： http://science.sciencemag.org/content/353/6300/691.abstract pmid：27516599
查看文章PubMed/NCBIGoogle 学术搜索
59.Carrillo-Reid L， Han S， Yang W， Akrouh A， Carrillo-reid L， Han S， et al. 通过皮层集合的全息回忆来控制视觉引导行为 文章通过皮层集合的全息回忆来控制视觉引导行为。单元格 [Internet]。2019;178（2）：447–457.e5。可从： https://doi.org/10.1016/j.cell.2019.05.045
查看文章Google 学术搜索
60.Li Y， Mathis A， Grewe BF， Osterhout JA， Ahanonu B， Schnitzer MJ， et al. 清醒行为小鼠内侧杏仁核中社会信息的神经元表示。单元格 [Internet]。2017;171（5）：1176–1190.e17.可从： https://www.sciencedirect.com/science/article/pii/S0092867417312047 pmid：29107332
查看文章PubMed/NCBIGoogle 学术搜索
61.Liang B， Zhang L， Barbera G， Fang W， Zhang J， Chen X， et al.前额叶皮层代码社会探索中独特且动态的 ON 和 OFF 神经集成。神经元 [互联网]。2018;100（3）：700–714.e9。可从： https://www.sciencedirect.com/science/article/pii/S0896627318307724 pmid：30269987
查看文章PubMed/NCBIGoogle 学术搜索
62.Shlens J、Field GD、Gauthier JL、Grivich MI、Petrusca D、Sher A 等。灵长类动物视网膜中多神经元放电模式的结构。神经科学杂志 [Internet].2006;26(32):8254–66.可从： http://www.jneurosci.org/cgi/doi/ pmid：16899720
查看文章PubMed/NCBIGoogle 学术搜索
63.索萨 M、Joo HR、弗兰克 LM。背侧和腹侧海马尖波涟漪激活不同的伏隔核网络。神经元 [互联网]。2020;105（4）：725–741.e8。可从： https://www.sciencedirect.com/science/article/pii/S0896627319310086 pmid：31864947
查看文章PubMed/NCBIGoogle 学术搜索
64.Prince SM， Paulson AL， Jeong N， Zhang L， Amigues S， Singer AC. 阿尔茨海默氏症的病理学会导致空间导航过程中的抑制连接受损和空间代码的重新激活。细胞代表 2021;35(3):109008.PMID：33882308
查看文章PubMed/NCBIGoogle 学术搜索
65.琼斯 EA， Gillespie AK， Yoon SY， Frank LM， Huang Y.在阿尔茨海默病小鼠模型中，早期海马尖波波纹障碍可预测后期的学习和记忆障碍。2019年细胞代表;29(8):2123–33.PMID：31747587
查看文章PubMed/NCBIGoogle 学术搜索
66.贾达夫 SP、罗斯柴尔德 G、鲁米斯 DK、弗兰克 LM。清醒海马尖波波纹事件期间前额叶集合的协调激发和抑制。神经元 [互联网]。2016;90(1):113–27.可从： https://www.sciencedirect.com/science/article/pii/S0896627316001033 pmid：26971950
查看文章PubMed/NCBIGoogle 学术搜索
67.Thompson CL、Pathak SD、Jeromin A、Ng LL、MacPherson CR、Mortrud MT 等。神经元 [互联网]。2008 年 12 月 26 日 [引自 2018 年 7 月 11 日];60(6):1010–21.可从： https://www.sciencedirect.com/science/article/pii/S0896627308010568?via%3Dihub pmid：19109908
查看文章PubMed/NCBIGoogle 学术搜索
68.Dougherty KA， Islam T， Johnston D. 来自大鼠背侧和腹侧海马的 CA1 锥体神经元的内在兴奋性。生理学杂志 [互联网]。2012年11月15日;590(22):5707–22.可从： pmid：22988138
查看文章PubMed/NCBIGoogle 学术搜索
69.Malik R， Dougherty KA， Parikh K， Byrne C， Johnston D. 沿纵向海马轴绘制 CA1 锥体神经元的电生理和形态特性。海马体 [互联网]。2016年3月1日;26(3):341–61.可从： https://doi.org/10.1002/hipo.22526
查看文章Google 学术搜索
70.Dolorfo CL，Amaral DG。大鼠的内嗅皮层：穿孔路径投射到齿状回的起源细胞的地形组织。比较神经病学杂志。1998;398(1):25–48.PMID：9703026
查看文章PubMed/NCBIGoogle 学术搜索
71.Witter MP， Wouterlood FG， Naber PA， van Haeften T. 海马旁-海马网络的解剖组织。Ann N Y Acad Sci. 2000 年;911(1):1–24.PMID：10911864
查看文章PubMed/NCBIGoogle 学术搜索
72.van Strien NM、Cappaert NLM、Witter MP。记忆的解剖学：海马旁-海马网络的交互式概述。Nat Rev 神经科学。2009;10(4):272–82.PMID：19300446
查看文章PubMed/NCBIGoogle 学术搜索
73.琼斯BF，威特议员。扣带皮层投射到大鼠的海马旁区域和海马形成。海马体。2007;17(10):957–76.PMID：17598159
查看文章PubMed/NCBIGoogle 学术搜索
74.威特议员。内嗅-海马系统的组织：当前解剖学数据的回顾。海马-纽约-丘吉尔利文斯通-。1993;3:33.PMID：8287110
查看文章PubMed/NCBIGoogle 学术搜索
75.奇怪的 BA、Witter MP、Lein ES、Moser EI。海马纵轴的功能组织。Nat Rev 神经科学。2014;15(10):655–69.PMID：25234264
查看文章PubMed/NCBIGoogle 学术搜索
76.Tao S， Wang Y， Peng J， Zhao Y， He X， Yu X， et al. 背侧和腹侧 CA1 投射神经元的直接输入的全脑映射。前神经回路 [互联网]。2021;15.可从： https://www.frontiersin.org/article/10.3389/fncir.2021.643230 pmid：33935658
查看文章PubMed/NCBIGoogle 学术搜索
77.Whitesell JD、Buckley AR、Knox JE、Kuan L、Graddis N、Pelos A 等。全脑成像揭示了三种阿尔茨海默病小鼠模型中β淀粉样蛋白沉积的不同空间模式。比较神经病学杂志。2018;PMID：30311654
查看文章PubMed/NCBIGoogle 学术搜索
78.Liebmann T， Renier N， Bettayeb K， Greengard P， Tessier-Lavigne M， Flajolet M. 使用 iDISCO 清除方法对阿尔茨海默病标志进行三维研究。Cell Rep [互联网]。2016;16(4):1138–52.可从： http://www.sciencedirect.com/science/article/pii/S2211124716308142 pmid：27425620
查看文章PubMed/NCBIGoogle 学术搜索
79.Palop JJ， Mucke L. 淀粉样蛋白-β 诱导的阿尔茨海默病神经元功能障碍：从突触到神经网络。Nat Neurosci [互联网]。2010;13(7):812–8.可从： http://dx.doi.org/10.1038/nn.2583
查看文章Google 学术搜索
80.Abramov E， Dolev I， Fogel H， Ciccotosto GD， Ruff E， Slutsky I. 淀粉样蛋白-β作为海马突触释放概率的正内源性调节因子。Nat Neurosci [互联网]。2009;12(12):1567–76.可从： https://doi.org/10.1038/nn.2433
查看文章Google 学术搜索
81.Puzzo D， Privitera L， Leznik E， Fà M， Staniszewski A， Palmeri A， et al. Picomolar 淀粉样蛋白-β 正向调节海马体中的突触可塑性和记忆。神经科学杂志 [Internet]。2008年12月31日;28(53):14537.可从： http://www.jneurosci.org/content/28/53/14537.abstract
查看文章Google 学术搜索
82.Li S， Hong S， Shepardson NE， Walsh DM， Shankar GM， Selkoe D. 淀粉样蛋白β蛋白的可溶性寡聚体通过破坏神经元谷氨酸摄取来促进海马长期抑制。神经元 [互联网]。2009;62(6):788–801.可从： https://www.sciencedirect.com/science/article/pii/S0896627309003870
查看文章Google 学术搜索
83.Milior G， di Castro MA， Sciarria LP， Garofalo S， Branchi I， Ragozzino D， et al. CA1锥体神经元沿小鼠海马纵轴的电生理特性。Sci Rep [互联网]。2016;6(1):38242.可从： https://doi.org/10.1038/srep38242
查看文章Google 学术搜索
84.Maruki K， Izaki Y， Nomura M， Yamauchi T. 麻醉大鼠背侧和腹侧 CA1 区域之间配对脉冲促进和长期增强的差异。海马体 [互联网]。2001年1月1日;11(6):655–61.可从： pmid：11811659
查看文章PubMed/NCBIGoogle 学术搜索
85.Kouvaros S， Papatheodoropoulos C. Theta 爆发刺激诱导的 LTP：背侧和腹侧 CA1 海马突触之间的差异和相似之处。海马体 [互联网]。2016年12月1日;26(12):1542–59.可从： https://doi.org/10.1002/hipo.22655
查看文章Google 学术搜索
86.Maggio N， Segal M. 大鼠背侧和腹侧海马体急性应激对长期抑郁的差异调节。神经科学杂志 [Internet]。2009年7月8日;29(27):8633.可从： http://www.jneurosci.org/content/29/27/8633.abstract pmid：19587269
查看文章PubMed/NCBIGoogle 学术搜索
87.查普曼 PF、怀特 GL、琼斯 MW、库珀-布莱克特 D、马歇尔 VJ、伊里扎里 M 等。老年淀粉样蛋白前体蛋白转基因小鼠的突触可塑性和学习能力受损。Nat Neurosci [互联网]。1999 3 月 1;2：271.可从： pmid：10195221
查看文章PubMed/NCBIGoogle 学术搜索
88.Larson J， Lynch G， Games D， Seubert P. 年轻和老年 PDAPP 小鼠海马切片突触传递和长期增强的改变。Brain Res [互联网]。1999;840(1):23–35.可从： https://www.sciencedirect.com/science/article/pii/S0006899399016984 pmid：10517949
查看文章PubMed/NCBIGoogle 学术搜索
89.Moechars D、Dewachter I、Lorent K、Reversé D、Baekelandt V、Naidu A 等人。转基因小鼠的早期表型变化，在大脑中过度表达淀粉样蛋白前体蛋白的不同突变体。生物化学杂志.1999;274(10):6483–92.PMID：10037741
查看文章PubMed/NCBIGoogle 学术搜索
90.Šišková Z、Justus D、Kaneko H、Friedrichs D、Henneberg N、Beutel T 等。在阿尔茨海默病小鼠模型中，树突状结构变性在功能上与细胞过度兴奋性有关。神经元。2014;84(5):1023–33.PMID：25456500
查看文章PubMed/NCBIGoogle 学术搜索
91.Froemke RC， Dan Y. 由自然尖峰列车诱导的尖峰时间依赖性突触修饰。自然 [互联网]。2002;416(6879):433–8.可从： pmid：11919633
查看文章PubMed/NCBIGoogle 学术搜索
92.Froemke RC， Poo M ming， Dan Y. 尖峰时间依赖性突触可塑性取决于树突位置。自然 [互联网]。2005;434(7030):221–5.可从： https://doi.org/10.1038/nature03366
查看文章Google 学术搜索
93.qiang Bi G， ming Poo M. 培养的海马神经元中的突触修饰：对尖峰时间、突触强度和突触后细胞类型的依赖性。神经科学杂志 [Internet]。1998年12月15日;18（24）：10464 LP– 10472。可从： http://www.jneurosci.org/content/18/24/10464.abstract
查看文章Google 学术搜索
94.Monacelli AM、Cushman LA、Kavcic V、Duffy CJ。阿尔茨海默病的空间定向障碍：对过去事物的记忆。神经学。2003;61(11):1491–7.PMID：14663030
查看文章PubMed/NCBIGoogle 学术搜索
95.Greene JDW， Baddeley AD， Hodges JR. 早期阿尔茨海默病情景记忆缺陷的分析：来自门和人测试的证据。神经心理学。1996;34(6):537–51.PMID：8736567
查看文章PubMed/NCBIGoogle 学术搜索
96.默多克 BE、切纳里 HJ、威尔克斯 V、博伊尔 RS。阿尔茨海默型痴呆的语言障碍。Brain Lang. 1987;31(1):122–37.PMID：2437993
查看文章PubMed/NCBIGoogle 学术搜索
97.Appell J， Kertesz A， Fisman M.阿尔茨海默病患者语言功能的研究。Brain Lang. 1982;17(1):73–91.PMID：7139272
查看文章PubMed/NCBIGoogle 学术搜索
98.莫里斯 RG，科佩尔曼医学博士。阿尔茨海默型痴呆的记忆缺陷：综述。Q J Exp Psychol. 1986年;38(4):575–602.PMID：3544082
查看文章PubMed/NCBIGoogle 学术搜索
99.Mega MS、卡明斯 JL、Fiorello T、Gornbein J.阿尔茨海默病的行为变化范围。神经病学 [互联网]。1996年1月1日;46(1):130–5.可从： http://n.neurology.org/content/46/1/130.abstract pmid：8559361
查看文章PubMed/NCBIGoogle 学术搜索
100.阿波斯托洛娃 LG，卡明斯 JL。轻度认知障碍的神经精神表现：文献的系统评价。Dement Geriatr Cogn Disord.2008;25(2):115–26.PMID：18087152
查看文章PubMed/NCBIGoogle 学术搜索
101.Peters ME、Rosenberg PB、Steinberg M、Tschanz JT、Norton MC、Welsh-Bohmer KA 等。CIND 及其亚型中神经精神症状的患病率：卡什县研究。美国老年精神病学杂志。2012;20(5):416–24.PMID：22522960
查看文章PubMed/NCBIGoogle 学术搜索
102.黄 TJ、马斯特曼 DL、奥尔蒂斯 F、费尔班克斯洛杉矶、卡明斯 JL。轻度认知障碍与特征性神经精神症状有关。阿尔茨海默病 Dis Assoc Disord。2004;18(1):17–21.PMID：15195459
查看文章PubMed/NCBIGoogle 学术搜索
103.Hamm JP， Shymkiv Y， Mukai J， Gogos JA， Yuste R. Setd1a+/− 小鼠的异常皮质集合和精神分裂症样感觉表型。生物精神病学。2020年8月1日;88(3):215–23.
查看文章Google 学术搜索
104.Jankowsky JL， Slunt HH， Ratovitski T， Jenkins NA， Copeland NG， Borchelt DR. 小鼠中枢神经系统中多个转基因的共表达：策略比较。Biomol Eng [互联网]。2001;17(6):157–65.可从： http://www.sciencedirect.com/science/article/pii/S1389034401000673 pmid：11337275
查看文章PubMed/NCBIGoogle 学术搜索
105.Warner EJ， Padmanabhan K. C57BL/6J 小鼠头部固定自主跑步行为的性别差异。欧洲神经科学杂志 [Internet]。2020;51(3):721–30.可从： https://onlinelibrary.wiley.com/doi/abs/10.1111/ejn.14654 pmid：31849113
查看文章PubMed/NCBIGoogle 学术搜索
106.Du J， Blanche TJ， Harrison RR， Lester HA， Masmanidis SC. 使用纳米制造的神经探针进行多路复用、高密度电生理学。PLoS One [互联网]。2011年10月12日;6（10）：e26204.可从： https://doi.org/10.1371/journal.pone.0026204
查看文章Google 学术搜索
107.Yang L， Lee K， Villagracia J， Masmanidis SC. 用于高通量神经记录的开源硅微探针。神经工程学报 2020;17(1):16036.PMID：31731284
查看文章PubMed/NCBIGoogle 学术搜索
108.斯卡格斯 WE、麦克诺顿 BL、哥达 KM。破译海马密码的信息理论方法。1993年高级神经信息过程系统;1030–7.
查看文章Google 学术搜索
109.Rubinov M， Sporns O. 大脑连接的复杂网络测量：用途和解释。神经影像学。2010年9月;52(3):1059–69.PMID：19819337
查看文章PubMed/NCBIGoogle 学术搜索
110.de Ruyter van Steveninck RR、Lewen GD、Strong SP、Koberle R、Bialek W、Steveninck RRDR van 等。神经尖峰序列的可重复性和可变性。科学 [互联网]。1997年3月21日;275(5307):1805–8.可从： http://science.sciencemag.org/content/275/5307/1805.abstract pmid：9065407
查看文章PubMed/NCBIGoogle 学术搜索
111.Maoz O， Schneidman E. maxent_toolbox：MATLAB 的最大熵工具箱，版本 1.0.2。[互联网]。2017. 可从： https://orimaoz.github.io/maxent_toolbox
查看文章Google 学术搜索
112.Bankhead P， Loughrey MB， Fernández JA， Dombrowski Y， McArt DG， Dunne PD， et al. QuPath：用于数字病理学图像分析的开源软件。Sci Rep [互联网]。2017;7(1):16878.可从： pmid：29203879
查看文章PubMed/NCBIGoogle 学术搜索
您当前的位置：
