Pan-cortical area sensorimotor network coordination during motor learning of forelimb-reaching task in the marmoset

Dit onderzoek toont aan dat motorische leerprocessen bij marmosetten gepaard gaan met een herverdeling van taakgerelateerde activiteit en een herorganisatie van de interacties binnen het grote schaal corticale netwerk tijdens het leren van een voorpoot-bereiktaak.

De kern

Hoe de hersenen van een marmoset leren om een doel te raken: Een reis door het brein

Stel je voor dat je brein een enorme, drukke stad is. In deze stad zijn er verschillende wijken: de "bewegingswijk" (waar je je arm aanstuurt), de "voelwijk" (waar je voelt wat je hand doet) en de "beloningswijk" (waar je blij wordt van succes).

De onderzoekers in dit artikel hebben gekeken naar hoe deze wijken samenwerken terwijl een marmoset (een klein aapje) leert om een nieuwe vaardigheid te leren: het raken van een doel op een scherm met zijn pootje. Ze wilden niet alleen kijken welke wijken aan het werk waren, maar vooral hoe de communicatie tussen deze wijken veranderde terwijl het dier leerde.

Hier is wat ze ontdekten, vertaald in simpele taal:

1. De Oude Manier vs. De Nieuwe Manier

In het begin, als het aapje nog niet weet wat het doet, is de "bewegingswijk" van het brein erg druk. Het is alsof de stad vol staat met mensen die paniekvol proberen te raden hoe ze hun arm moeten bewegen. De hersenen schreeuwen: "Beweeg je hand! Beweeg je hand!"

Maar naarmate het aapje beter wordt (na een paar weken oefenen), gebeurt er iets interessants:

• Minder paniek: De activiteit die puur over het bewegen van de hand gaat, wordt rustiger. Het is alsof de mensen in de bewegingswijk zich kalmeren omdat ze de routine al kennen.
• Meer focus op het doel: Tegelijkertijd worden andere wijken actiever. De hersenen gaan meer letten op de beloning (de lekkernij die ze krijgen als ze het goed doen) en op externe signalen (waar zit het doel precies?).

De analogie:
Stel je voor dat je voor het eerst een nieuwe route naar je werk rijdt. Aan het begin moet je constant naar het dashboard kijken, de versnelling regelen en je spiegels checken (veel bewegingsactiviteit). Als je de route eenmaal kent, hoef je daar niet meer zo hard op te letten. Je brein schakelt over naar het kijken naar de verkeersborden (externe signalen) en het denken aan hoe lekker de koffie is die je op je werk gaat drinken (beloning). Je rijdt op "automaat", maar je bent slimmer en gericht op het einddoel.

2. Het Netwerk wordt een goed georganiseerd orkest

De onderzoekers keken ook naar hoe de verschillende hersendelen met elkaar "praten".

• In het begin: Het is alsof een orkest net begint te repeteren. De violen spelen iets anders dan de trompetten, en ze luisteren niet goed naar elkaar. Er is veel chaos en onzekerheid.
• Na het leren: Het orkest speelt perfect samen. De communicatie tussen de verschillende instrumenten (hersendelen) wordt sterker en voorspelbaarder. Ze weten precies wat de ander gaat doen.

De onderzoekers gebruikten een slimme wiskundige methode (een soort "luister-app") om te zien hoe goed ze het gedrag van de ene hersenpartij konden voorspellen op basis van de andere. Ze ontdekten dat deze voorspelbaarheid toenam naarmate het aapje beter werd. Het brein werd een geoliede machine waar alles soepel op elkaar aansluit.

3. De "Stabiliteit" van de hersenen

Een van de coolste ontdekkingen was dat het patroon van deze communicatie stabiel werd.

• Aan het begin was elke poging een beetje anders; het brein was aan het "proberen en fouten maken".
• Later werd het patroon van activiteit steeds hetzelfde. Het brein had een vast ritme gevonden. Het was alsof het aapje een vaste dansstijl had gevonden die perfect werkte, en het bleef die dans herhalen zonder te struikelen.

Waarom is dit belangrijk?

Deze studie laat zien dat leren niet alleen gaat over het sterker maken van één specifiek hersendeel. Het gaat over het herorganiseren van de hele stad.

1. Je stopt met het constant "schreeuwen" over de beweging zelf.
2. Je begint meer te focussen op het doel en de beloning.
3. Alle wijken in de stad gaan perfect samenwerken als één team.

Het is een bewijs dat leren een grootschalige verandering is in hoe onze hersenen met elkaar praten, niet alleen in wat ze doen. En het mooie is: dit geldt waarschijnlijk ook voor ons mensen als we iets nieuws leren, zoals een instrument spelen of een nieuwe sport.

Kortom: Het brein van het aapje veranderde van een chaotische bouwplaats in een goed georganiseerd, efficiënt kantoor waar iedereen precies weet wat hij moet doen om het doel te bereiken.

Technische samenvatting

Probleemstelling

Motorische leerprocessen impliceren veranderingen in activiteit binnen meerdere hersengebieden. Hoewel eerder onderzoek de leer-geïnduceerde veranderingen in de activiteit van individuele gebieden heeft onderzocht, blijft de vraag hoe de informatiestroom en de causale relaties binnen het brede corticale netwerk tijdens het leren veranderen, onvoldoende onderzocht. Bestaande studies in knaagdieren zijn beperkt door het ontbreken van gespecialiseerde hogere sensorimotorische gebieden die wel aanwezig zijn in primaten (zoals de dorsale en rostrale premotorische gebieden en het pariëtale cortex). Er is dus behoefte aan onderzoek dat de hersen-netwerkdynamiek tijdens motorisch leren in primaten, specifiek met een architectuur die vergelijkbaar is met die van de mens, in kaart brengt.

Methodologie

De auteurs hebben een geavanceerde analyse uitgevoerd op bestaande data van wide-field calcium imaging bij drie volwassen marmosetten (Callithrix jacchus).

1. Experimenteel Opzet:

   • Drie marmosetten (twee mannelijk, één vrouwelijk) leerden een twee-doel voorpoot-reiktaak (forelimb-reaching task). Ze moesten een manipulandum duwen (omhoog) of trekken (omlaag) om een cursor op een scherm met een doelwit te matchen.
   • De studie focuste op het leerproces over een periode van 3 tot 6 weken.
   • Imaging: Gebruik van GCaMP6s met een frame rate van 30 Hz. Het gezichtsveld (FOV) besloeg 12-14 mm en omvatte de premotorische, motorische, somatosensorische en pariëtale cortices.

2. Data-Verwerking en Dimensiereductie:

   • Non-Negatieve Matrix Factorisatie (NMF): Om de hoge dimensionaliteit van de calciumbeeldgegevens te reduceren en lokale activiteitspatronen te extraheren, werd NMF toegepast op de $\Delta F/F$-data.
   • Er werden ongeveer 50 componenten geëxtraheerd, waarna componenten die correleerden met bloedvatenpatronen werden verwijderd. Dit resulteerde in 29 tot 34 actieve componenten per dier.
   • De NMF leverde ruimtelijke "footprints" (W) en bijbehorende tijdsverlopen (H) op.

3. Analyse van Netwerk- en Causaliteitsdynamiek:

   • Lineaire Encoding Modellen: Voor elke activiteitscomponent werden lineaire modellen gebouwd om de relatie met gedragsparameters te kwantificeren (doelrichting, cursorpositie, snelheid, fouten, beloningstijdstip, mondopeningshoek). Er werden 21 Gauss-kernen met vertragingen gebruikt om tijdsafhankelijkheid te vangen. LASSO-regressie werd gebruikt voor regularisatie.
   • Embedding Entropy (EE): Om niet-lineaire causale relaties te analyseren, werd Embedding Entropy toegepast. Deze methode, gebaseerd op convergente kruis-mapping, voorspelt het tijdsverloop van één component op basis van de vertraagde embeddin van een andere component. Een hoge EE-waarde duidt op sterke voorspelbaarheid (causaliteit).
   • Netwerkanalyse: De EE-waarden werden gebruikt om een wederkerig netwerk te construeren waarbij componenten knopen zijn en de causaliteit de randen vormen.

Belangrijkste Bijdragen

• Pan-corticale Benadering: Het is een van de eerste studies die motorisch leren in primaten analyseert met een breed gezichtsveld dat de volledige sensorimotorische keten (van premotor tot pariëtale cortex) omvat, in plaats van zich te beperken tot één gebied.
• Geavanceerde Causaliteitsanalyse: Toepassing van Embedding Entropy (EE) om niet-lineaire, dynamische causale interacties te detecteren die traditionele lineaire methoden (zoals Granger-causaliteit) mogelijk missen.
• Data-gedreven Componentextractie: Gebruik van NMF om functionele netwerkkernen te identificeren zonder voorafgaande aannames over anatomische atlasgrenzen, wat cruciaal is gezien de variabiliteit in primatenhersenen.

Resultaten

1. Gedragsverbetering:

   • De variabiliteit van de cursor-baan nam af tijdens het leren, vooral bij de "omhoog"-trials (pushing).
   • Reactietijden verbeterden, hoewel er individuele verschillen waren in leerstrategieën.

2. Veranderingen in Activiteitscomponenten (Encoding Modellen):

   • Herverdeling van Activiteit: Tijdens het leren nam de afhankelijkheid van activiteitscomponenten van bewegingsgerelateerde parameters (zoals cursorpositie en snelheid) af.
   • Toename van Externe/Belonings-Signalen: Tegelijkertijd nam de afhankelijkheid van externe signalen (doelrichting) en beloningsgerelateerde signalen toe. Dit suggereert een verschuiving van een focus op de beweging zelf naar een focus op het doel en het resultaat.
   • De modellen waren stabiel over sessies heen, wat aangeeft dat de onderliggende coderingsprincipes consistent blijven terwijl de gewichten verschuiven.

3. Netwerk-herorganisatie (Embedding Entropy):

   • Toename van Causale Koppelingen: De EE-waarden (mate van voorspelbaarheid tussen componenten) namen significant toe over de sessies heen. Dit duidt op een toename van gecoördineerde activiteit in het netwerk.
   • Stabilisatie: Het patroon van causale connecties stabiliseerde naarmate het dier beter werd in de taak.
   • Richting van Causaliteit: De premotorische gebieden (vooral 6DC, 6DR, 8c) fungeerden vaak als bron-dominante knopen (sturen het netwerk aan), terwijl motorische en somatosensorische gebieden zowel bron- als doel-dominante rollen vertoonden.
   • Specifiek Effect: De toename in EE was vooral prominent in de "omhoog"-trials, wat correleerde met de gedragsverbetering in die trials.

4. Rol van Specifieke Gebieden:

   • Gebieden zoals Area 3a (somatosensorisch), 6M, 6DC en pariëtale gebieden (PE) toonden hoge centraliteit in het netwerk, wat wijst op een hub-achtige functie. Area 3a is van bijzonder belang vanwege de verwerking van proprioceptieve input, wat essentieel is voor motorische feedback.

Significantie

De studie levert bewijs dat motorisch leren bij primaten niet slechts een lokale aanpassing is, maar een brede hersen-herorganisatie omvat.

• Functionele Verschuiving: Er vindt een fundamentele verschuiving plaats van neurale codering die gericht is op de uitvoering van beweging naar codering die gericht is op externe doelen en beloningen.
• Netwerk-Integratie: Leren gaat gepaard met een versterking en stabilisatie van de causale connectiviteit tussen verschillende corticale gebieden, wat resulteert in een meer geïntegreerd en efficiënt sensorimotorisch systeem.
• Translational Value: Omdat de marmoset een hersenarchitectuur deelt met macaques en mensen (in tegenstelling tot knaagdieren), bieden deze bevindingen een waardevol inzicht in de neurale basis van motorisch leren bij hogere primaten en potentiële menselijke toepassingen.

Samenvattend toont dit onderzoek aan dat motorisch leren een dynamisch proces is waarbij het brein zijn interne communicatiepatronen herstructureert om efficiënter te reageren op externe doelen en beloningen, in plaats van alleen de beweging zelf te optimaliseren.