一个小脑颗粒细胞爬纤维计算学习跟踪长时间间隔

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 小脑的学习

背景情况:

• 经典的小脑学习需要短时间 (∼150毫秒) 来将粒细胞 (GrCs) 与Purkinje细胞 (PkCs) 中的爬纤维 (CF) 错误信号联系起来.
• 小脑的作用扩展到需要更长时间预测的行为,需要在几秒钟的时间尺度上学习的机制.

研究的目的:

• 为了研究小脑电路 (GrC-CF-PkC) 如何在几秒长的间隔内学习预测.
• 了解时间信用分配在操作条件与延迟奖励中的神经基础.

主要方法:

• 在前肢操作者调节延迟水奖励期间,同时对小鼠的GrC和CF活性进行成像.
• 对GrC活动模式的分析,包括激增活动和CF在回应奖励时的升.
• 计算CF依赖的GrC→PkC可塑性规则以建模突触变化.

主要成果:

• 小鼠学会预测奖励时间,表现出GrC活动,在奖励交付之前以不同的速度加快.
• 在奖励交付时发生了广泛的,时间锁定的CF峰值,加强了GrC的预期活动.
• 学习的GrC激活随着更长的奖励延迟而延长,CF峰值足以塑造GrC突触时间.
• PkCs表现出能够在几秒钟的时间间隔内产生连续的升级活动的能力,整合了运动和奖励信息.

结论:

• 大脑小脑学习在GrC中建立了新的时间基础,通过CFs将预测器与延迟的奖励信号联系起来.
• 这种机制非常适合跟踪认知任务中常见的长时间间隔.
• 这项研究揭示了小脑电路的策略,以支持对秒长预测的学习.