La dopamina promuove la plasticità della direzione della testa durante i movimenti di orientamento

Natura volume 612, pagine 316–322 (2022) Citare questo articolo

12k accessi

5 citazioni

35 Altmetrico

Dettagli sulle metriche

Una correzione dell'autore a questo articolo è stata pubblicata il 24 maggio 2023

Questo articolo è stato aggiornato

Nelle reti neurali che memorizzano informazioni nei pesi di connessione, esiste un compromesso tra sensibilità e stabilità1,2. Le connessioni devono essere plastiche per incorporare nuove informazioni, ma se sono troppo plastiche, le informazioni memorizzate possono essere danneggiate. Una potenziale soluzione è quella di consentire la plasticità solo durante le epoche in cui le informazioni specifiche sul compito sono ricche, sulla base di un segnale "quando apprendere"3. Abbiamo pensato che la dopamina fornisca un segnale quando apprendere che consente alle mappe spaziali del cervello di aggiornarsi quando sono disponibili nuove informazioni spaziali, ovvero quando un animale si muove. Qui mostriamo che i neuroni della dopamina che innervano la rete della direzione della testa della Drosophila sono specificamente attivi quando la mosca si gira per cambiare la direzione della testa. Inoltre, la loro attività si adatta alle fluttuazioni momento per momento della velocità di rotazione. L'abbinamento del rilascio di dopamina con un segnale visivo rafforza persistentemente l'influenza del segnale sulle cellule che indicano la direzione della testa. Al contrario, l’inibizione di questi neuroni della dopamina diminuisce l’influenza del segnale. Questo meccanismo dovrebbe accelerare l’apprendimento nei momenti in cui i movimenti di orientamento forniscono un ricco flusso di informazioni sulla direzione della testa, consentendo tassi di apprendimento bassi in altri momenti per proteggere le informazioni archiviate. I nostri risultati mostrano come l’apprendimento spaziale nel cervello possa essere compresso in epoche distinte in cui alti tassi di apprendimento sono abbinati ad alti tassi di acquisizione di informazioni.

Nelle reti neurali artificiali, l'apprendimento è generalmente limitato a epoche specifiche in cui alla rete viene presentata una ricca fonte di dati di addestramento; quindi, le connessioni vengono congelate al di fuori di questi periodi, per prevenire la perdita delle informazioni archiviate4. Al contrario, nelle reti neurali biologiche, si presume spesso che l’apprendimento sia continuo e non limitato a epoche specifiche5. Tuttavia, durante l’apprendimento della ricompensa biologica, i neuroni della dopamina vengono attivati selettivamente da errori di previsione della ricompensa e il rilascio di dopamina promuove l’apprendimento della ricompensa in risposta a questi errori6. Pertanto, la dopamina comprime l’apprendimento ricompensato in epoche specifiche in cui le informazioni specifiche per il compito sono ricche. Tuttavia, non è chiaro se un simile segnale di quando apprendere governi anche altre forme di apprendimento, come l’apprendimento spaziale non supervisionato.

Durante l’apprendimento spaziale, le informazioni rilevanti per il compito provengono dal movimento attraverso lo spazio, il che potrebbe fornire un utile segnale su quando apprendere. In effetti, alcuni neuroni della dopamina sono vincolati al movimento7,8,9,10,11,12,13,14 e persino a variabili cinematiche specifiche come l'accelerazione in avanti del corpo o la velocità di rotazione della testa15,16,17 ,18. L'attività bloccata dal movimento è stata notata anche in alcuni neuroni della dopamina nel cervello della Drosophila melanogaster19,20,21,22,23. Questi includono i neuroni ExR222, che forniscono input dopaminergici24,25,26 alle cellule della direzione della testa27, noti anche come neuroni EPG (Fig. 1a e Dati estesi Fig. 1). I neuroni EPG possono apprendere rapidamente nuove configurazioni di segnali visivi quando la mosca entra in un nuovo ambiente, probabilmente attraverso la plasticità hebbiana delle sinapsi dai neuroni visivi ER ai neuroni EPG28,29; tuttavia, questo tipo di apprendimento spaziale dovrebbe essere consentito solo quando la mosca sta cambiando attivamente la direzione della testa, per evitare di creare distorsioni nella mappa della direzione della testa quando lo sguardo della mosca è fermo, in sostanza, per evitare di "imparare eccessivamente" qualsiasi istantanea particolare. della scena visiva29. Ci siamo chiesti se i neuroni ExR2 siano selettivamente attivi quando la mosca cambia direzione della testa e, in caso affermativo, se questi neuroni della dopamina promuovano associazioni tra segnali visivi e direzioni della testa.

a, Schema della mappa della direzione della testa. b, Imaging di jGCaMP7f nei neuroni ExR2 durante la misurazione della velocità di rotazione e di camminata in avanti. c, Media ExR2 ΔF/F rispetto alla velocità di rotazione (una linea per mosca, n = 13 mosche). L'ombreggiatura grigia indica le transizioni tra riposo e movimento; al di fuori di questo intervallo, ΔF/F e la velocità di rotazione sono correlati linearmente. d, Media ExR2 ΔF/F raggruppata in base alla velocità di rotazione e di avanzamento, aggregata su 13 mosche e media sui punti temporali. I contenitori grigi sono vuoti. e, Varianza spiegata (R2 aggiustato) per modelli di regressione lineare che utilizzano la velocità per prevedere l'attività ExR2. Ogni coppia di punti rappresenta una mosca (n = 13). I modelli sono stati montati separatamente per ogni mosca. La sola velocità di rotazione produceva un R2 elevato; l'aggiunta della velocità di avanzamento ha prodotto un piccolo aumento aggiuntivo (*** P = 5,3 × 10−5, test t accoppiato a due code). f, risposte ExR2 al flusso ottico. Un reticolo verticale stazionario inizia a ruotare e l'inizio del flusso ottico determina un aumento sostenuto dell'attività ExR2 (media ± sem tra le mosche; ΔF/F è significativamente diverso da zero con P = 0,0012, test t a due lati su un campione , n = 13 mosche). Qui abbiamo analizzato solo le prove con la mosca ferma. g, Dati di esempio utilizzati come input del modello. Le mosche camminavano in un ambiente virtuale con un segnale visivo di direzione della testa. h, Connettività schematica da ER a EPG. I neuroni ER adiacenti nello schema hanno campi recettivi adiacenti nello spazio azimutale. I pesi delle connessioni sono indicati dalle dimensioni dei cerchi. I pesi vengono inizializzati in modo casuale e quindi evolvono attraverso la plasticità hebbiana. i, Pesi di un modello tipico. j, correlazione circolare media tra la media del vettore della popolazione dei pesi di output ER e dei pesi di input EPG; media (n = 117 simulazioni addestrate su dati mescolati) ± intervallo di confidenza del 95%. Alla fine della simulazione, la correlazione è maggiore con il tasso di apprendimento adattivo (P = 6,2 × 10−21, test dei gradi di segno di Wilcoxon a due code).

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>