Muster vermögensaufstellung trennung

Die Mustertrennung wird seit langem gedacht, um mehrere potenzielle Berechnungen in Abhängigkeit von dem betrachteten neuronalen Code abzudecken [5]. Tatsächlich haben frühere Untersuchungen nicht immer Gehirnaktivitätsmuster auf die gleiche Weise definiert, noch wählten sie die gleichen Ähnlichkeitsmetriken und Zeitauflösung, wodurch verschiedene Formen der Mustertrennung angenommen wurden. Als die Hypothese der Mustertrennung zum ersten Mal formuliert wurde, wurden Aktivitätsmuster als binäre Vektoren definiert, die Populationen von ON- oder OFF-Neuronen darstellen, ohne eine Zeitdimension [4, 6, 44] zu berücksichtigen. Infolgedessen schlossen die darauf folgenden Modellierungsarbeiten oft die Dynamik der neuronalen Aktivität aus und verwendeten die Anzahl der gemeinsamen aktiven Neuronen zwischen zwei Populationsmustern als Maß für die Ähnlichkeit [43, 54, 71]. Zusätzlich zu diesem rein räumlichen Bevölkerungscode haben andere Aktivitätsmuster als Karten von Überschüssen definiert, die über Minuten gemittelt wurden, oder als Populationsmatrizen dieser Karten [12, 14], die die Mustertrennung mit R [72] oder NDP [73] als ihre Ähnlichkeitsmetrik messen. Nur zwei Modellierungsstudien haben die Mustertrennung untersucht, indem Spike-Züge direkt auf einer Zeitskala von weniger als einer Minute betrachtet wurden: eine betrachtete ein Eingabemuster als statische Population von ON/OFF-Neuronen, ein Ausgabemuster als Populationsvektor von Feuerraten von durchschnittlich über 500 ms und die Ähnlichkeit zwischen zwei Ausgabemustern beruhte auf der Summe der Abschussratenverhältnisse [71]; die zweite betrachtete ein Eingangsmuster als ein Ensemble von 30 ms Spike-Zügen (0 oder 1 Spitze pro Eingangskanal, d.h. ähnlich einer Population von ON/OFF-Neuronen, aber mit der Zeit einer Eingangsspitze, die einige Informationen aufgrund der Möglichkeit der zeitlichen Summation enthält) und einem Ausgabemuster als Ensemble von 200 ms Spike-Zügen, wobei R mit einem Wert von 20 ms verwendet wird, um die Ähnlichkeit zwischen den spatiotemporalen Mustern zu messen [41]. Zu verstehen, welche Berechnungen Hippocampus-Neuronen durchführen und wie sie das episodische Gedächtnis unterstützen, ist ein langjähriges Ziel in der Neurowissenschaft. Der Hippocampus ist besonders kritisch für die Diskriminierung von Erinnerungen, die inhaltlich ähnlich sind [1]. Diese kognitive Funktion wird seit langem vermutet, um durch einen neuronalen Prozess namens Mustertrennung unterstützt werden, die allgemein angenommen wird, um in der Dentate Gyrus (DG) [2–4] implementiert werden.

Die Mustertrennung ist definiert als die Transformation eines nicht gleichzeitigen Satzes ähnlicher Eingabemuster neuronaler Aktivität in weniger ähnliche Ausgabemuster [5] und wird theoretisiert, um im Hippocampus vor der Codierung einer Speicherablaufverfolgung vorzugehen, um Verwechslungen zwischen ähnlichen Erinnerungen zu vermeiden [6]. Trotz einer langen Geschichte der Forschung zu diesem Thema, vor allem in Silico [7], ist es immer noch unklar, wie die Aktivität einzelner Neuronen dieser Berechnung zugrunde liegt. Es besteht großes Interesse daran, wie die Mustertrennung und die Mustervervollständigung im Hippocampus zu seinen Funktionen im Gedächtnis und in der räumlichen Funktion beitragen (Rolls and Treves, 1998; Nakazawa et al., 2002, 2003; Wills et al., 2005; Rolls and Kesner, 2006; Kesner, 2007, 2013; Leutgeb et al., 2007; McHugh et al., 2007; Hunsaker und Kesner, 2008, 2013; Giocomo et al., 2011; Jezek et al., 2011; Kesner et al., 2012; Nakashiba et al., 2012). Hier kombinieren wir Patch-Clamp-Aufnahmen, Multiphotonen-Bildgebung und Optogenetik, um eine erste quantitative, empirische Beschreibung der Netto-Input-Output-Funktion eines Feedback-hemmenden Mikrokreises zu liefern. Dazu gehören die räumlich-zeitliche Organisation der Netto-Feedback-Hemmung, die durch eine räumlich eingeschränkte GC-Population ausgelöst wird, und die kurzfristige Nettodynamik innerhalb des Feedback-Mikrokreises. Schließlich integrieren wir unsere Daten in ein biophysikalisch realistisches Rechenmodell und untersuchen deren Fähigkeit, Mustertrennung durchzuführen. Wir finden eine moderate Rückkopplungshemmung vermitteltmustertrennungseffekt während der ta modulierten Eingabe, aber eine wesentliche Trennung, insbesondere von sehr ähnlichen Eingängen, während Gamma-Oszillationen.