도파민은 방향 이동 중에 머리 방향 가소성을 촉진합니다.

Nature 612권, 316~322페이지(2022)이 기사 인용

12,000회 액세스

5 인용

35 알트메트릭

측정항목 세부정보

이 기사에 대한 저자 수정 사항은 2023년 5월 24일에 게시되었습니다.

이 기사가 업데이트되었습니다.

연결 가중치에 정보를 저장하는 신경망에서는 민감도와 안정성 사이에 균형이 있습니다1,2. 새로운 정보를 통합하려면 연결이 플라스틱이어야 하지만, 너무 유연하면 저장된 정보가 손상될 수 있습니다. 잠재적인 해결책은 '학습 시기' 신호를 기반으로 작업별 정보가 풍부한 시대에만 가소성을 허용하는 것입니다. 우리는 도파민이 새로운 공간 정보를 사용할 수 있을 때, 즉 동물이 움직일 때 뇌의 공간 지도가 업데이트되도록 하는 학습 시기 신호를 제공한다고 추론했습니다. 여기에서 우리는 초파리 머리 방향 네트워크를 지배하는 도파민 뉴런이 파리가 머리 방향을 바꾸기 위해 방향을 바꿀 때 특히 활성화된다는 것을 보여줍니다. 더욱이 그들의 활동은 회전 속도의 순간적인 변동에 따라 확장됩니다. 도파민 방출과 시각적 단서를 결합하면 머리 방향 세포에 대한 단서의 영향력이 지속적으로 강화됩니다. 반대로, 이러한 도파민 뉴런을 억제하면 신호의 영향이 감소합니다. 이 메커니즘은 방향 움직임이 머리 방향 정보의 풍부한 스트림을 제공하는 순간 학습을 가속화하여 저장된 정보를 보호하기 위해 다른 시간에는 학습 속도를 낮출 수 있습니다. 우리의 결과는 뇌의 공간 학습이 높은 학습률이 높은 정보 섭취율과 일치하는 개별 시대로 어떻게 압축될 수 있는지 보여줍니다.

인공 신경망에서 학습은 일반적으로 네트워크에 풍부한 훈련 데이터 소스가 제공되는 특정 시대로 제한됩니다. 그런 다음 저장된 정보의 손실을 방지하기 위해 이 시대 외부에서는 연결이 동결됩니다4. 대조적으로, 생물학적 신경망에서 학습은 종종 연속적이고 특정 시대에 제한되지 않는 것으로 가정됩니다5. 그러나 생물학적 보상 학습 중에 도파민 뉴런은 보상 예측 오류에 의해 선택적으로 활성화되고 도파민 방출은 이러한 오류에 대한 반응으로 보상 학습을 촉진합니다6. 따라서 도파민은 작업별 정보가 풍부할 때 보상 학습을 특정 시대로 압축합니다. 그러나 유사한 학습 시기 신호가 비지도 공간 학습과 같은 다른 형태의 학습에도 적용되는지는 확실하지 않습니다.

공간 학습 중에 작업 관련 정보는 공간을 통한 움직임에서 나오며, 이는 유용한 학습 시기 신호를 제공할 수 있습니다. 실제로 일부 도파민 뉴런은 움직임7,8,9,10,11,12,13,14에 시간 고정되어 있으며 심지어 신체의 전방 가속도 또는 머리의 회전 속도와 같은 특정 운동학적 변수에도 고정되어 있습니다15,16,17 ,18. Drosophila melanogaster 뇌의 특정 도파민 뉴런에서도 움직임 고정 활동이 발견되었습니다. 여기에는 EPG 뉴런으로도 알려진 머리 방향 세포에 도파민 입력을 제공하는 ExR2 뉴런이 포함됩니다(그림 1a 및 확장 데이터 그림 1). EPG 뉴런은 파리가 새로운 환경에 들어갈 때 새로운 시각적 신호 구성을 빠르게 학습할 수 있습니다. 아마도 시각적 ER 뉴런에서 EPG 뉴런으로의 시냅스에서 Hebbian 가소성을 통해일 것입니다. 그러나 이러한 유형의 공간 학습은 파리의 시선이 고정되어 있을 때 머리 방향 맵에 편향이 발생하는 것을 방지하기 위해 파리가 머리 방향을 적극적으로 변경할 때만 허용되어야 합니다. 즉, 본질적으로 특정 스냅샷을 '과잉 학습'하는 것을 방지하기 위한 것입니다. 시각적 장면29. 우리는 파리가 머리 방향을 바꿀 때 ExR2 뉴런이 선택적으로 활성화되는지, 그렇다면 이러한 도파민 뉴런이 시각적 신호와 머리 방향 사이의 연관성을 촉진하는지 궁금했습니다.

a, 머리 방향 지도의 도식. b, 회전 및 전방 보행 속도를 측정하는 동안 ExR2 뉴런의 jGCaMP7f를 이미징합니다. c, 평균 ExR2 ΔF/F 대 회전 속도(파리당 한 줄, n = 13파리). 회색 음영은 휴식과 이동 사이의 전환을 나타냅니다. 이 범위를 벗어나면 ΔF/F와 회전 속도는 선형적으로 관련됩니다. d, 평균 ExR2 ΔF/F는 회전 및 전진 속도로 비닝되었으며, 13개의 파리에 걸쳐 집계되고 시점에 걸쳐 평균화되었습니다. 회색 상자가 비어 있습니다. e, ExR2 활동을 예측하기 위해 속도를 사용하는 선형 회귀 모델에 대한 분산 설명(조정된 R2)입니다. 각 점 쌍은 파리 한 마리입니다(n = 13). 모델은 각 파리마다 별도로 장착되었습니다. 회전 속도만으로도 높은 R2가 생성되었습니다. 전진 속도를 추가하면 약간의 추가 증가가 발생했습니다(***P = 5.3 × 10−5, 양면 쌍 t-검정). f, ExR2는 광학 흐름에 반응합니다. 고정 수직 격자가 회전하기 시작하고 광학 흐름이 시작되면 ExR2 활동이 지속적으로 증가합니다(파리 전체의 평균 ± sem, ΔF/F는 P = 0.0012, 양면 단일 표본 t-검정에서 0과 크게 다릅니다). , n = 13파리). 여기서 우리는 파리가 가만히 서 있을 때의 시험만을 분석했습니다. g, 모델 입력으로 사용된 예제 데이터. 파리는 시각적 머리 방향 신호를 사용하여 가상 환경을 걸었습니다. h, 도식적인 ER-EPG 연결. 도식의 인접한 ER 뉴런은 방위각 공간에서 인접한 수용 필드를 갖습니다. 연결 가중치는 원 크기로 표시됩니다. 가중치는 무작위로 초기화된 후 Hebbian 가소성을 통해 진화됩니다. i, 일반적인 모델 실행의 가중치. j, ER 출력 가중치의 모집단 벡터 평균과 EPG 입력 가중치 사이의 평균 순환 상관 관계; 평균(n = 섞인 데이터에 대해 훈련된 117개 시뮬레이션) ± 95% 신뢰 구간. 시뮬레이션이 끝나면 적응형 학습률과 상관관계가 더 높습니다(P = 6.2 × 10−21, 양면 Wilcoxon 부호 순위 테스트).

10 min; Fig. 3c,d). This result indicates that a burst of dopamine neuron activity can persistently strengthen the influence of a visual cue on head direction neurons. We also observed that ExR2 activation increased the bump amplitude, although this effect was more transient (Fig. 3e,f), mirroring the relatively transient increase we observed in single-cell visual response amplitude (Fig. 2e,f). None of these effects occurred in control experiments in which ATP was washed into the bath but ExR2 neurons did not express P2X2 receptors (Fig. 3c–f)./p>

1 M NaCl) in the exact same manner that ATP or dopamine solutions were normally delivered. The first deviation in current signal measured by the electrode was used to estimate the entry of the new solution. For data display, measurements are plotted relative to the earliest time when the drug (ATP or dopamine) entered the recording chamber (t = 0)./p> 0.05; *P < 0.05; **P < 0.01; ***P < 0.0005./p>15° s−1 or forward speed >2 mm s−1) were included in the analysis. The plots in Extended Data Fig. 3b were generated using data from two different 5-min epochs during a single recording, with a 5-min gap between them. The correlation between rotational speed and ExR2 activity was calculated as described above, and the resulting coefficients were smoothed with a 2D Gaussian kernel (σ = 1.5) and manually thresholded to show only the pixels with the strongest positive and negative correlations. Background (greyscale) images in Extended Data Fig. 3b show trial-averaged fluorescence from these same five imaging planes./p>10 mV) and a stereotyped time course. They are followed by a prolonged period of depolarization when the variance of the voltage trace is also diminished. These inhibitory events interfered with visual tuning measurements, and so for Fig. 2 and Extended Data Figs. 6–8, if an event occurred it was clipped out. Such clipping was required for 12% of trials. For one cell (fly 543, cell 1), the first 12 s of the first baseline trial had too much holding current applied. Those 12 s were also excluded from the analysis./p>

0 in blue and R < 0 in red, with stronger absolute correlations having more saturated color values. Correlation values are only shown for the pixels with the strongest correlations (top 15% of absolute correlation values). Note that many pixels have consistent tuning across the two trials. Pixels with positive and negative correlations are likely to arise from the right and left copies of ExR2, respectively. This analysis demonstrates that the direction-selectivity we see in the LAL arbors is preserved in the EB and BU arbors of these cells. If dopamine release from each ExR2 neuron is proportional to the fly's ipsilateral rotational velocity, then total (summed) dopamine release in the EB should be proportional to the fly's rotational speed./p>30°/sec), with one data point per fly. In the epochs with the visual cue, slopes were significantly smaller and intercepts were larger, compared to epochs of darkness in the same experiments (slope: p = 6.3 × 10−5, intercept: p = 0.0004, two-sided paired t-tests with Bonferroni correction, n = 29 flies). This indicates that the visual cue boosts ExR2 activity for low rotational speeds; however, the magnitude of this effect is very small. These results are consistent with the fact that ExR2 neurons respond to optic flow (Fig. 1f), and the movements of the cue produce a small amount of optic flow. b) We also tested the effect of jumping the visual cue by 90° during these closed-loop epochs; we found that this produced a very small and transient ExR2 response, which is likely due to the small transient increase in optic flow that the cue jump produces (compare with Fig. 1f). Shown here is the average response from a typical example fly (mean of 11 trials ± SEM). To assess the effect of the cue jump, we analyzed only those trials where the fly happened to be standing immobile for several seconds before and after the jump, in order to avoid confounds associated with jump-induced behaviors. c) Here we compare epochs of walking in darkness with epochs of open-loop cue rotation at constant velocity (with the same cue velocity used in Figs. 2, 3, and 4, i.e. ~18°/s). Left: mean ExR2 ΔF/F versus the fly's rotational speed for 8 example flies. Data are binned by rotational speed and averaged across time points. Right: slope and y-intercept of lines fit to the data for each fly in the linear portion of the curves (rotational speeds >30°/s). Visual cue rotation at constant velocity had no significant effect on the relationship between ExR2 activity and the fly's rotational speed (slope: p = 0.87, y-intercept: p = 0.15, two-sided paired t-tests with Bonferroni correction, n = 11 flies). However, this data set shows a small trend in the same direction as what we observed in the closed-loop case; because there are fewer replicates here, there is less statistical power. The main result of this experiment is simply that we find no evidence that open-loop cue movement produces any larger response than closed-loop cue movement does. The flies in this panel are the same as those shown in Fig. 1c–f./p> 0.05 criterion for significance). Changes in preferred cue position tuning were assessed using parametric Watson-Williams multi-sample tests with Bonferroni correction./p>