Меню Закрыть

Расшифровка регионов: Расшифровка регионов России | Автомобильный портал Воронежа

Содержание

Расшифровка регионов России | Автомобильный портал Воронежа

Код (регион) Субъект РФ Код Субъект РФ
01 Республика Адыгея 48 Липецкая область
02 Республика Башкортостан 49 Магаданская область
03 Республика Бурятия 50,90,150 Московская область
04 Республика Алтай 51 Мурманская область
05 Республика Дагестан
52
Нижегородская область
06 Республика Ингушетия 53 Новгородская область
07 Кабардино-Балкарская Республика 54 Новосибирская область
08 Республика Калмыкия 55 Омская область
09 Республика Карачаево-Черкессия 56 Оренбургская область
10
Республика Карелия 57 Орловская область
11 Республика Коми 58 Пензенская область
12 Республика Марий Эл 59 Пермская область
13 Республика Мордовия 60 Псковская область
14 Республика Саха (Якутия)
61
Ростовская область
15 Республика Северная Осетия-Алания 62 Рязанская область
16 Республика Татарстан 63 Самарская область
17 Республика Тыва 64 Саратовская область
18 Удмуртская Республика 65 Сахалинская область
19 Республика Хакасия 66, 96 Свердловская область
20 Заменяется на 95 67 Смоленская область
21 Чувашская Республика 68 Тамбовская область
22 Алтайский край 69 Тверская область
23, 93
Краснодарский край
70 Томская область
24 Красноярский край 71 Тульская область
25 Приморский край 72 Тюменская область
26 Ставропольский край 73 Ульяновская область
27 Хабаровский край 74 Челябинская область
28 Амурская область 75 Читинская область
29 Архангельская область 76 Ярославская область
30 Астраханская область 77, 99, 97, 177 г. Москва
31 Белгородская область 78, 98 г. Санкт-Петербург
32 Брянская область 79 Еврейская автономная область
33 Владимирская область 80 Агинский Бурятский авт. округ
34 Волгоградская область 81 Коми-Пермяцкий автономный округ
35 Вологодская область 82 Корякский автономный округ
36 Воронежская область 83
Ненецкий автономный округ
37 Ивановская область 84 Таймырский (Долгано-Ненецкий) автономный округ
38 Иркутская область 85 Усть-Ордынский Бурятский автономный округ
39 Калиниградская область 86 Ханты-Мансийский автономный округ
40 Калужская область 87
Чукотский автономный округ
41 Камчатская область 88 Эвенкийский автономный округ
42 Кемеровская область 89 Ямало-Ненецкий автономный округ
43 Кировская область 95 Чеченская Республика
44 Костромская область 99, 77, 97, 177 г. Москва
45 Курганская область  94  Территории, находящиеся за пределами РФ
и обслуживаемые Управлением режимных
объектов МВД России
46 Курская область
47 Ленинградская область

Коды регионов на автомобильных номерах РФ [расшифровка]

01 — Республика Адыгея

02 — Республика Башкортостан

03 — Республика Бурятия

04 — Республика Алтай

05 — Республика Дагестан

06 — Ингушская Республика

07 — Кабардино-Балкария

08 — Республика Калмыкия

09 — Карачаево-Черкессия

10 — Республика Карелия

11 — Республика Коми

12 — Республика Марий Эл

13 — Республика Мордовия

14 — Республика Саха (Якутия)

15 — Северная Осетия

16 — Татарстан

17 — Республика Тува

18 — Удмуртская Республика

19 — Хакасия

20, 95 — Чеченская Республика

21 — Чувашская Республика

22 — Алтайский край

23, 93 — Красноярский край

24 — Краснодарский край

25 — Приморский край

26 — Ставропольский край

27 — Хабаровский край

28 — Амурская область

29 — Архангельская область

30 — Астраханская область

31 — Белгородская область

32 — Брянская область

33 — Владимирская область

34 — Волгоградская область

35 — Вологодская область

36 — Воронежская область

37 — Ивановская область

38 — Иркутская область

39 — Калининградская область

40 — Калужская область

41 — Камчатская область

42 — Кемеровская область

43 — Кировская область

44 — Костромская область

45 — Курганская область

46 — Курская область

47 — Ленинградская область

48 — Липецкая область

49 — Магаданская область

50, 90 — Московская область

51 — Мурманская область

52 — Нижегородская область

53 — Новгородская область

54 — Новосибирская область

55 — Омская область

56 — Оренбургская область

57 — Орловская область

58 — Пензенская область

59 — Пермская область

60 — Псковская область

61 — Ростовская область

62 — Рязанская область

63 — Самарская область

64 — Саратовская область

65 — Сахалинская область

66, 96 — Свердловская область

67 — Смоленская область

68 — Тамбовская область

69 — Тверская область

70 — Томская область

71 — Тульская область

72 — Тюменская область

73 — Ульяновская область

74 — Челябинская область

75 — Читинская область

76 — Ярославская область

77, 97, 99, 777 — Москва

78, 98, — Санкт-Петербург

79 — Еврейская автономная область

80 — Агинский Бурятский автономный округ

81 — Коми-Пермяцкий автономный округ

82 — Корякский автономный округ

83 — Ненецкий автономный округ

84 — Таймырский автономный округ

85 — Усть-Ордынский Бурятский автономный округ

86 — Ханты-Мансийский автономный округ

87 — Чукотский автономный округ

88 — Эвенкийский автономный округ

89 — Ямало-Ненецкий автономный округ

Регистрационные номерные знаки СССР, их ГОСТы и расшифровка буквенных индексов

Индекс Субъект Республика
АБ Алтайский край (последняя серия, после АЛ) Российская СФСР
АВ серия «Совтрансавто» для машин, выезжающих за границу (3-я буква — только «латинского типа»), кроме АВА, АВД, АВМ — Азербайджан. все регионы
АГ Азербайджан (после АЗ, до АЖ) Азербайджанская ССР
АД Армения (последняя серия, после АР) Армянская ССР
АЕ серия «Совтрансавто» для машин, выезжающих за границу (3-я буква — только «латинского типа») все регионы
АЖ Азербайджан (последняя серия, после АГ) Азербайджанская ССР
АЗ Азербайджан (первая серия, до АГ) Азербайджанская ССР
АК Акмолинская (Целиноградская) область Казахская ССР
АЛ Алтайский край (первая серия, до АБ) Российская СФСР
АМ Амурская область Российская СФСР
АН Андижанская область Узбекская ССР
АП Алма-Атинская область (без Алма-Аты) Казахская ССР
АР Армения (первая серия, до АД) Армянская ССР
АС Астраханская область Российская СФСР
АТ Алма-Ата, город Казахская ССР
АХ Архангельская область Российская СФСР
АШ Ашхабадская область Туркменская ССР
АЮ Актюбинская область Казахская ССР
БА Башкирия (первая серия, до БШ) Российская СФСР
БЕ Белгородская область Российская СФСР
БН Брестская область Белорусская ССР
БР Брянская область Российская СФСР
БУ Бурятская АССР Российская СФСР
БХ Бухарская область Узбекская ССР
БШ Башкирская АССР (последняя серия, после БА) Российская СФСР
ВА Восточно-Казахстанская область Казахская ССР
ВВ Воронежская область (первая серия, до ВЖ) Российская СФСР
ВГ Ворошиловградская область (вторая серия, после ЛУ) Украинская ССР
ВД Волгоградская область (вторая серия, после СГ) Российская СФСР
ВЕ серия «Совтрансавто» для машин, выезжающих за границу (3-я буква — только «латинского типа»), только Украинская ССР Украинская ССР
ВЖ Воронежская область (вторая серия, после ВВ) Российская СФСР
ВИ Винницкая область Украинская ССР
ВК Восточно-Казахстанская область (Усть-Каменогорск) Казахская ССР
ВЛ Владимирская область Российская СФСР
ВМ серия «Совтрансавто» для машин, выезжающих за границу (3-я буква — только «латинского типа») все республики
ВН Волынская область Украинская ССР
ВО Вологодская область Российская СФСР
ВР Воронежская область (третья 3 серия), кроме BPH — Латвия Российская СФСР
ВС серия «Совтрансавто» для машин, выезжающих за границу (3-я буква — только «латинского типа»), кроме BPH — Латвия все республики
ВТ Витебская область Белорусская ССР
ГА Грузинская ССР Грузинская ССР
ГБ Горно-Бадахшанская область Таджикская ССР
ГВ Горьковская (Нижегородская) область (вторая серия, после ГО) Российская СФСР
ГГ Грузинская ССР Грузинская ССР
ГД Грузинская ССР Грузинская ССР
ГК Гродненская область Белорусская ССР
ГО Горьковская (Нижегородская) область (первая серия, до ГВ) Российская СФСР
ГР Грузинская ССР Грузинская ССР
ГС Гомельская область Белорусская ССР
ГУ Гурьевская область (первая серия) Казахская ССР
ДА Дагестанская АССР Российская СФСР
ДБ Душанбинская область Таджикская ССР
ДД Джизакская область Узбекская ССР
ДЖ Джамбульская область Казахская ССР
ДК Джезказганская область Казахская ССР
ДН Днепропетровская область (первая серия, до ДП) Украинская ССР
ДО Донецкая область (вторая серия, после СЛ, до ДЦ) Украинская ССР
ДП Днепропетровская область (вторая серия, после ДН) Украинская ССР
ДР Дрогобычская область (с 1960 — в составе Львовской обл.), ДРБ … ДРГ Украинская ССР
ДЦ Донецкая область (вторая серия, после ДО) Украинская ССР
ЕА Эстонская ССР (вторая серия, после ЭС) Эстонская ССР
ЖИ Житомирская область (кроме сочетания ЖИД) Украинская ССР
ЖЖ Житомирская область (только сочетание ЖЖН) Украинская ССР
ЗА Закарпатская область Украинская ССР
ЗК Западно-Казахстанская область Казахская ССР
ЗП Запорожская область (первая серия, до ЗР) Украинская ССР
ЗР Запорожская область (вторая серия, после ЗП) Украинская ССР
ИВ Ивановская область Российская СФСР
ИК Иссык-Кульская область Киргизская ССР
ИР Иркутская область (первая серия, до ИС) Российская СФСР
ИС Иркутская область (вторая серия, после ИР) Российская СФСР
ИФ Ивано-Франковская область (вторая серия, после СЯ) Украинская ССР
КА Калининская (Тверская) область (вторая серия) Российская СФСР
КБ Кабардино-Балкарская АССР Российская СФСР
КВ Кировская область Российская СФСР
КГ Карагандинская область Казахская ССР
КД Кировоградская область Российская СФСР
КЕ Кемеровская область (первая серия, до ЦХ) Российская СФСР
КЖ Калужская область (вторая серия) Российская СФСР
КЗ Кзыл-Ординская область (вторая серия) Казахская ССР
КИ Киев (город), (первая серия, до ХТ) Украинская ССР
КК Краснодарский край (без Сочи), (первая серия, до ЦП) Российская СФСР
КЛ Калининградская область (первая серия) Российская СФСР
КМ Коми АССР Российская СФСР
КН Курганская область Российская СФСР
КО Костромская область Российская СФСР
КП Каракалпакская АССР Узбекская ССР
КР Крымская область (первая серия, до ЦС) Украинская ССР
КС Карельская АССР Российская СФСР
КТ Кокчетавская область (вторая серия) Казахская ССР
КУ Курская область Российская СФСР
КФ Кашкадарьинская область Узбекская ССР
КХ Киевская область (без города Киев) Украинская ССР
КЦ Калмыцкая АССР Российская СФСР
КЧ Камчатская область Российская СФСР
КШ Куйбышевская область (первая серия, до УК) Российская СФСР
КЩ Кустанайская область (первая серия) Казахская ССР
КЭ Красноярский край (вторая серия, после КЯ) Российская СФСР
КЮ Кулябская область Таджикская ССР
КЯ Красноярский край (первая серия, до КЭ) Российская СФСР
ЛА Латвийская ССР (первая серия, до ЛТ) Латвийская ССР
ЛБ Ленинабадская область Таджикская ССР
ЛВ Львовская область (первая серия) Украинская ССР
ЛГ Ленинградская область (без г. Ленинград), (вторая серия, после ЛО), Ленинград (город) Российская СФСР
ЛД Ленинград (город) (вторая серия, после ЛЕ) Российская СФСР
ЛЕ Ленинград (город) (первая серия, до ЛД) Российская СФСР
ЛИ (первая серия, до ЛЛ) Литовская ССР
ЛК Литовская ССР (третья серия, после ЛЛ) Литовская ССР
ЛЛ Литовская ССР(вторая серия, после ЛИ, до ЛК) Литовская ССР
ЛО Ленинградская область (без г. Ленинград), (первая серия, до ЛГ), Ленинград (город) Российская СФСР
ЛП Липецкая область Российская СФСР
ЛТ Латвийская ССР (вторая серия, после ЛА) Латвийская ССР
ЛУ Луганская (Ворошиловградская) область (первая серия, до ВГ) Украинская ССР
МА Магаданская область кроме МАС — московская служебная Российская СФСР
МБ Минская область (без г. Минск) Белорусская ССР
МВ Молдавская ССР (вторая серия, после МД) Молдавская ССР
МГ Могилёвская область Белорусская ССР
МД Молдавская ССР (первая серия, до МВ) Молдавская ССР
МЕ Московская область (без г. Москва) Российская СФСР
МЖ Московская область Российская СФСР
МИ Минск (город) Белорусская ССР
МК Москва (город), (вторая серия) Российская СФСР
МЛ Молодечненская область (до 1960) Белорусская ССР
ММ Москва (город), (третья серия) Российская СФСР
МН Москва (город), (четвертая серия) Российская СФСР
МО Москва (город), (первая серия) Российская СФСР
МР Мордовская АССР Российская СФСР
МС Марийская АССР Российская СФСР
МТ Москва (город), (пятая серия) Российская СФСР
МУ Мурманская область Российская СФСР
МХ Марыйская область Туркменская ССР
МШ Мангышлакская область Казахская ССР
НА Наманганская область Узбекская ССР
НБ Новосибирская область (вторая серия, после НС) Российская СФСР
НИ Николаевская область Украинская ССР
НО Новгородская область Российская СФСР
НР Нарынская область Киргизская ССР
НС Новосибирская область Российская СФСР
НТ Красноводская область Туркменская ССР
ОБ Оренбургская область (первая серия, до ОГ) Российская СФСР
ОГ Оренбургская область (вторая серия, после ОБ) Российская СФСР
ОД Одесская область (первая серия, до ОЕ) Украинская ССР
ОЕ Одесская область (вторая серия, после ОД) Украинская ССР
ОМ Омская область Российская СФСР
ОО серия «Совтрансавто» для машин, выезжающих за границу (3-я буква — только «латинского типа») все регионы
ОР Орловская область Российская СФСР
ОТ серия «Совтрансавто» для машин, выезжающих за границу (3-я буква — только «латинского типа») все регионы
ОШ Ошская область Киргизская ССР
ПА Павлодарская область Казахская ССР
ПЕ Пензенская область Российская СФСР
ПК Приморский край (вторая серия, после ПР) Российская СФСР
ПМ Пермская область (первая серия, до ПТ) Российская СФСР
ПО Полтавская область Украинская ССР
ПР Приморский край (вторая серия, после ПК) Российская СФСР
ПС Псковская область Российская СФСР
ПТ Пермская область (вторая серия, после ПМ) Российская СФСР
РВ Ровенская область Украинская ССР
РД Ростовская область (вторая серия, после РО и до РП) Российская СФСР
РО Ростовская область (первая серия, до РД) Российская СФСР
РП Ростовская область (третья серия, после РД) Российская СФСР
РР серия «Совтрансавто» для машин, выезжающих за границу (3-я буква — только «латинского типа»), кроме РРС — г. Ростов-на-Дону все регионы
РТ серия «Совтрансавто» для машин, выезжающих за границу (3-я буква — только «латинского типа») все регионы
РЯ Рязанская область Российская СФСР
СА Саратовская область (перая серия, до СЖ) Российская СФСР
СБ Сталинабадская (Душанбинская) область Таджикская ССР
СВ Свердловская область (первая серия, до СФ) Российская СФСР
СГ Сталинградская (Волгоградская) область (первая серия, до ВГ) Российская СФСР
СД Сурхандарьинская область Узбекская ССР
СЕ Северо-Осетинская АССР Российская СФСР
СЖ Саратовская область (вторая серия, после СА) Российская СФСР
СИ Сырдарьинская область Узбекская ССР
СК Северно-Казахстанская область Казахская ССР
СЛ Донецкая область (вторая серия) Украинская ССР
СМ Смоленская область (последняя серия — СМУ) Российская СФСР
СН Самаркандская область Узбекская ССР
СО г. Сочи с пригородами Российская СФСР
СП Семипалатинская область Казахская ССР
СР серия «Совтрансавто» для машин, выезжающих за границу (3-я буква — только «латинского типа») все регионы
СС Ставропольский край (вторая серия, после СТ) Российская СФСР
СТ Ставропольский край (первая серия, до СС) Российская СФСР
СУ Сумская область Украинская ССР
СФ Свердловская область (вторая серия, после СВ) Российская СФСР
СХ Сахалинская область Российская СФСР
СЯ Ивано-Франковская (Станиславская) область (первая серия), (выдавались до переименования Станислава в Ивано-Франковск в 1962) Украинская ССР
ТА Тамбовская область Российская СФСР
ТБ Татарская АССР (последняя серия, после ТТ) Российская СФСР
ТВ Тувинская АССР Российская СФСР
ТГ Тургайская область Казахская ССР
ТД Курган-Тюбинская область Таджикская ССР
ТЕ Тернопольская область Украинская ССР
ТЗ Ташаузская область Туркменская ССР
ТК Талды-Курганская область Казахская ССР
ТЛ Тульская область (вторая серия, после ТУ) Российская СФСР
ТМ Тюменская область (вторая серия, после ТЮ) Российская СФСР
ТН Ташкент (город) Узбекская ССР
ТО Томская область Российская СФСР
ТР Туркменская ССР Туркменская ССР
ТС серия «Совтрансавто» для машин, выезжающих за границу (3-я буква — только «латинского типа») все регионы
ТТ Татарская АССР (первая серия, до ТБ) Российская СФСР
ТУ Тульская область (первая серия, до ТЛ) Российская СФСР
ТУР для автотранспорта, сдаваемого напрокат иностранным туристам (до 1981 года) все регионы
ТШ Ташкентская область (кроме г. Ташкент) Узбекская ССР
ТЮ Тюменская область (первая серия, до ТМ) Российская СФСР
ТЯ Тянь-Шаньская (Фрунзенская) область Киргизская ССР
УД Удмуртская АССР Российская СФСР
УК Куйбышевская (Самарская) область (вторая серия, после КШ) Российская СФСР
УЛ Ульяновская область Российская СФСР
ФЕ Ферганская область Узбекская ССР
ФИ Фрунзенская область Киргизская ССР
ХА Харьковская область (первая серия, до ХК) Украинская ССР
ХБ Хабаровский край Российская СФСР
ХЗ Хорезмская область Узбекская ССР
ХК Харьковская область (вторая серия, после ХА) Украинская ССР
ХМ Хмельницкая область Украинская ССР
ХО Херсонская область Украинская ССР
ХТ Киев (город) (последняя серия, после КИ) Украинская ССР
ЦВ Краснодарский край (третья серия) Российская СФСР
ЦП Краснодарский край (вторая серия) Российская СФСР
ЦС Крымская область (вторая серия, после КР) Украинская ССР
ЦХ Кемеровская область Российская СФСР
ЧБ Челябинская область (вторая серия, после ЧЕ) Российская СФСР
ЧВ Черновицкая область Украинская ССР
ЧЕ Челябинская область (первая серия, до ЧБ) Российская СФСР
ЧИ Чечено-Ингушская АССР Российская СФСР
ЧК Черкасская область Украинская ССР
ЧН Черниговская область Украинская ССР
ЧР Чарджоуская область Туркменская ССР
ЧТ Читинская область Российская СФСР
ЧУ Чувашская АССР Российская СФСР
ЭС Эстонская ССР (первая серия) Эстонская ССР
ЮА Московская область (без г. Москва) Российская СФСР
ЮБ Московская область (без г. Москва) Российская СФСР
ЮВ Московская область (без г. Москва) Российская СФСР
ЮГ Московская область (без г. Москва) Российская СФСР
ЮК Южно-Казахстанская (Чимкентская) область Казахская ССР
ЯК Якутская АССР Российская СФСР
ЯР Ярославская область Российская СФСР

Индекс автомобильных номеров СССР — это… Что такое Индекс автомобильных номеров СССР?

Индекс ГАИ Субъект Республика
АБ Алтайский край, 2 серия Российская СФСР
АВ серия для выезда за границу все республики
АГ Азербайджанская ССР, 2 серия Азербайджанская ССР
АД Армянская ССР, 2 серия Армянская ССР
АЕ серия для выезда за границу все республики
АЖ Азербайджанская ССР, 3 серия Азербайджанская ССР
АЗ Азербайджанская ССР, 1 серия Азербайджанская ССР
АИ Абхазская АССР Грузинская ССР
АК Целиноградская область (Акмолинская область) Казахская ССР
АЛ Алтайский край, 1 серия Российская СФСР
АМ Амурская область Российская СФСР
АН Андижанская область Узбекская ССР
АП Алма-Атинская область Казахская ССР
АР Армянская ССР, 1 серия Армянская ССР
АС Астраханская область Российская СФСР
АТ Алма-Ата Казахская ССР
АФ Адыгея Российская СФСР
АХ Архангельская область Российская СФСР
АШ Ашхабадская область Туркменская ССР
АЮ Актюбинская область Казахская ССР
БА Башкирская АССР, 1 серия. Российская СФСР
ББ Башкирская АССР, 3 серия. Российская СФСР
БЕ Белгородская область Российская СФСР
БИ Бишкек Киргизская ССР
БН Брестская область Белорусская ССР
БР Брянская область Российская СФСР
БУ Бурятская АССР Российская СФСР
БХ Бухарская область Узбекская ССР
БШ Башкирская АССР, 2 серия. Российская СФСР
ВА Восточно-Казахстанская область Казахская ССР
ВВ Воронежская область, 1 серия. Российская СФСР
ВГ Ворошиловградская область, 2 серия Украинская ССР
ВД Волгоградская область, 2 серия Российская СФСР
ВЕ серия для выезда за границу Украинская ССР
ВЖ Воронежская область, 2 серия. Российская СФСР
ВИ Винницкая область Украинская ССР
ВК Восточно-Казахстанская область Казахская ССР
ВЛ Владимирская область Российская СФСР
ВМ серия для выезда за границу все республики
ВН Волынская область Украинская ССР
ВО Вологодская область Российская СФСР
ВР Воронежская область, 3 серия. Российская СФСР
ВС серия для выезда за границу все республики
ВТ Витебская область Белорусская ССР
ВХ Волгоградская область, 3 серия. Российская СФСР
ГА Грузинская ССР Грузинская ССР
ГБ Горно-Бадахшанская область Таджикская ССР
ГВ Горьковская область (Нижегородская область), 2 серия. Российская СФСР
ГГ Грузинская ССР Грузинская ССР
ГК Гродненская область Белорусская ССР
ГЛ Горный Алтай, юр. лица Российская СФСР
ГО Горьковская область (Нижегородская область), 1 серия. Российская СФСР
ГР Грузинская ССР Грузинская ССР
ГС Гомельская область Белорусская ССР
ГУ Гурьевская область, 1 серия Казахская ССР
ГТ Гурьевская область, 2 серия Казахская ССР
ГЯ Горный Алтай, физ. лица Российская СФСР
ДА Дагестанская АССР Российская СФСР
ДБ Душанбинская область Таджикская ССР
ДД Джизакская область Узбекская ССР
ДЖ Джамбулская область Казахская ССР
ДК Джезказганская область Казахская ССР
ДН Днепропетровская область, 2 серия. Украинская ССР
ДО Донецкая область, 2 серия. Украинская ССР
ДП Днепропетровская область, 1 серия. Украинская ССР
ДР Львовская область (Дрогобычская область), 1 серия. Украинская ССР
ЕА Эстонская ССР, 2 серия. Эстонская ССР
ЕЕ серия для выезда за границу все республики
ЕС Санкт-Петербург, 3 серия. Российская СФСР
ЖА Джалал-Абадская область, 1 серия Киргизская ССР
ЖИ Житомирская область, 1 серия Украинская ССР
ЖЖ Житомирская область, 2 серия Украинская ССР
ЖБ Житомирская область, 3 серия Украинская ССР
ЗА Закарпатская область Украинская ССР
ЗК Западно-Казахстанская область Казахская ССР
ЗН Запорожская область, 3 серия. Украинская ССР
ЗП Запорожская область, 1 серия. Украинская ССР
ЗР Запорожская область, 2 серия. Украинская ССР
ИВ Ивановская область Российская СФСР
ИК Иссык-Кульская область Киргизская ССР
ИР Иркутская область, 1 серия. Российская СФСР
ИС Иркутская область, 2 серия. Российская СФСР
ИФ Ивано-Франковская область, 2 серия. Украинская ССР
КА Калининская область (Тверская область) Российская СФСР
КБ Кабардино-Балкарская АССР Российская СФСР
КВ Кировская область Российская СФСР
КГ Карагандинская область Казахская ССР
КД Кировоградская область Украинская ССР
КЕ Кемеровская область, 1 серия. Российская СФСР
КЖ Калужская область Российская СФСР
КЗ Кзыл-Ординская область Казахская ССР
КИ Киев, 1 серия. Украинская ССР
КК Краснодарский край, 1 серия. Российская СФСР
КЛ Калининградская область, 1 серия. Российская СФСР
КМ Коми АССР Российская СФСР
КН Курганская область Российская СФСР
КО Костромская область Российская СФСР
КП Каракалпакская АССР Узбекская ССР
КР Крымская область, 1 серия. Украинская ССР
КС Карельская АССР Российская СФСР
КТ Кокчетавская область Казахская ССР
КУ Курская область Российская СФСР
КФ Кашкадарьинская область Узбекская ССР
КХ Киевская область Украинская ССР
КЦ Калмыцкая АССР Российская СФСР
КЧ Камчатская область Российская СФСР
КШ Куйбышевская область (Самарская область), 1 серия. Российская СФСР
КЩ Кустанайская область, 1 серия Казахская ССР
КЭ Красноярский край, 2 серия. Российская СФСР
КЮ Кулябская область Таджикская ССР
КЯ Красноярский край, 1 серия. Российская СФСР
ЛА Латвийская ССР, 1 серия. Латвийская ССР
ЛБ Ленинабадская область Таджикская ССР
ЛВ Львовская область, 2 серия. Украинская ССР
ЛГ Ленинградская область, 2 серия. Российская СФСР
ЛД Ленинград, 2 серия. Российская СФСР
ЛЕ Ленинград, 1 серия. Российская СФСР
ЛИ Литовская ССР, 1 серия. Литовская ССР
ЛК Литовская ССР, 3 серия. Литовская ССР
ЛЛ Литовская ССР, 2 серия. Литовская ССР
ЛО Ленинградская область, 1 серия Российская СФСР
ЛП Липецкая область Российская СФСР
ЛТ Латвийская ССР, 2 серия. Латвийская ССР
ЛУ Ворошиловградская область (Луганская область), 1 серия. Украинская ССР
МА Магаданская область (но МАС — Москва) Российская СФСР
МБ Минская область Белорусская ССР
МВ Молдавская ССР, 2 серия. Молдавская ССР
МГ Могилёвская область Белорусская ССР
МД Молдавская ССР, 1 серия. Молдавская ССР
МВ Молдавская ССР, 2 серия. Молдавская ССР
МЕ Московская область, 2 серия. Российская СФСР
МЖ Московская область, 1 серия. Российская СФСР
МЗ Московская область, 3 серия. Российская СФСР
МИ Минск Белорусская ССР
МК Москва, 2 серия Российская СФСР
МЛ Молодечненская область Белорусская ССР
МЛ Московская область, 4 серия Российская СФСР
ММ Москва, 3 серия Российская СФСР
МН Москва, 4 серия Российская СФСР
МО Москва, 1 серия Российская СФСР
МП Приднестровье Молдавская ССР
МР Мордовская АССР Российская СФСР
МС Марийская АССР Российская СФСР
МТ Москва, 5 серия Российская СФСР
МУ Мурманская область Российская СФСР
МХ Марыйская область Туркменская ССР
МШ Мангышлакская область Казахская ССР
МЯ Крымская область Украинская ССР
НА Наманганская область Узбекская ССР
НБ Новосибирская область, 2 серия. Российская СФСР
НВ Навоийская область Узбекская ССР
НЖ Кустанайская область, 2 серия Казахская ССР
НИ Николаевская область Украинская ССР
НК Нагорный Карабах Азербайджанская ССР
НН Нижегородская область, 3 серия Российская СФСР
НО Новгородская область Российская СФСР
НР Нарынская область Киргизская ССР
НС Новосибирская область, 1 серия. Российская СФСР
НТ Красноводская область Туркменская ССР
ОА Оренбургская область, 3 серия. Российская СФСР
ОБ Оренбургская область, 1 серия. Российская СФСР
ОГ Оренбургская область, 2 серия. Российская СФСР
ОД Одесская область, 1 серия. Украинская ССР
ОЕ Одесская область, 2 серия. Украинская ССР
ОМ Омская область Российская СФСР
ОО серия «Совтрансавто» все регионы
ОР Орловская область Российская СФСР
ОШ Ошская область Киргизская ССР
ПА Павлодарская область Казахская ССР
ПЕ Пензенская область Российская СФСР
ПК Приморский край, 2 серия. Российская СФСР
ПМ Пермская область, 1 серия. Российская СФСР
ПО Полтавская область Украинская ССР
ПР Приморский край, 1 серия. Российская СФСР
ПС Псковская область Российская СФСР
ПТ Пермская область, 2 серия. Российская СФСР
РА Ростовская область, 4 серия. Российская СФСР
РВ Ровенская область Украинская ССР
РД Ростовская область, 2 серия. Российская СФСР
РО Ростовская область, 1 серия. Российская СФСР
РП Ростовская область, 3 серия. Российская СФСР
РР серия «Совтрансавто» все регионы
РТ серия «Совтрансавто» все регионы
РЯ Рязанская область Российская СФСР
СА Саратовская область, 1 серия. Российская СФСР
СБ Сталинабадская область (Душанбинская) Таджикская ССР
СБ Самарская область, 3 серия. Российская СФСР
СВ Свердловская область, 1 серия. Российская СФСР
СГ Волгоградская область (Сталинградская область), 1 серия. Российская СФСР
СД Сурхандарьинская область Узбекская ССР
СЕ Северо-Осетинская АССР Российская СФСР
СЖ Саратовская область, 2 серия. Российская СФСР
СИ Сырдарьинская область Узбекская ССР
СК Северо-Казахстанская область Казахская ССР
СЛ Донецкая область (Сталинская область), 1 серия. Украинская ССР
СМ Смоленская область Российская СФСР
СН Самаркандская область Узбекская ССР
СО Сочи Российская СФСР
СП Семипалатинская область Казахская ССР
СР серия «Совтрансавто» все регионы
СР Санкт-Петербург Российская СФСР
СС Ставропольский край, 2 серия. Российская СФСР
СТ Ставропольский край, 1 серия. Российская СФСР
СУ Сумская область Украинская ССР
СФ Свердловская область, 2 серия. Российская СФСР
СХ Сахалинская область Российская СФСР
СЯ Ивано-Франковская область (Станиславская область), 1 серия. Украинская ССР
ТА Тамбовская область Российская СФСР
ТБ Татарская АССР, 2 серия. Российская СФСР
ТВ Тувинская АССР Российская СФСР
ТГ Тургайская область Казахская ССР
ТД Курган-Тюбинская область Таджикская ССР
ТЕ Тернопольская область Украинская ССР
ТЗ Ташаузская область Туркменская ССР
ТК Талды-Курганская область Казахская ССР
ТЛ Тульская область, 2 серия. Российская СФСР
ТМ Тюменская область, 2 серия. Российская СФСР
ТН Ташкент, 1 серия. Узбекская ССР
ТО Томская область Российская СФСР
ТР Туркменская ССР Туркменская ССР
ТТ Татарская АССР, 1 серия. Российская СФСР
ТУ Тульская область, 1 серия. Российская СФСР
ТФ Таласская область Киргизская ССР
ТШ Ташкентская область Узбекская ССР
ТЮ Тюменская область, 1 серия. Российская СФСР
ТЯ Тянь-Шаньская область Киргизская ССР
УД Удмуртская АССР Российская СФСР
УК Куйбышевская область (Самарская область), 2 серия. Российская СФСР
УЛ Ульяновская область Российская СФСР
УT Уральская область Казахская ССР
ФЕ Ферганская область Узбекская ССР
ФИ Фрунзенская область Киргизская ССР
ХА Харьковская область, 1 серия. Украинская ССР
ХБ Хабаровский край Российская СФСР
ХГ Хакасия Российская СФСР
ХЗ Хорезмская область Узбекская ССР
ХК Харьковская область, 2 серия. Украинская ССР
ХМ Хмельницкая область Украинская ССР
ХО Херсонская область Украинская ССР
ХТ Киев, 2 серия. Украинская ССР
ЦВ Краснодарский край, 3 серия. Российская СФСР
ЦЛ Целиноградская область Казахская ССР
ЦП Краснодарский край, 2 серия. Российская СФСР
ЦС Крымская область, 2 серия. Украинская ССР
ЦХ Кемеровская область, 2 серия. Российская СФСР
ЧА Чукотский АО Российская СФСР
ЧБ Челябинская область, 2 серия. Российская СФСР
ЧВ Черновицкая область Украинская ССР
ЧД Челябинская область, 3 серия. Российская СФСР
ЧЕ Челябинская область, 1 серия. Российская СФСР
ЧИ Чечено-Ингушская АССР Российская СФСР
ЧК Черкасская область Украинская ССР
ЧМ Чимкентская область Казахская ССР
ЧН Черниговская область Украинская ССР
ЧП Карачаево-Черкесия Российская СФСР
ЧР Чарджоуская область Туркменская ССР
ЧС Чуйская область Киргизская ССР
ЧТ Читинская область Российская СФСР
ЧУ Чувашская АССР Российская СФСР
ША Гурьевская область, 1 серия Казахская ССР
ЭС Эстонская ССР, 1 серия. Эстонская ССР
ЮА Московская область Российская СФСР
ЮБ Московская область Российская СФСР
ЮВ Московская область Российская СФСР
ЮГ Московская область Российская СФСР
ЮК Южно-Казахстанская область (Чимкентская область) Казахская ССР
ЮМ Московская область Российская СФСР
ЮО Южная Осетия Грузинская ССР
ЯК Якутская АССР Российская СФСР
ЯР Ярославская область Российская СФСР

ОКАТО — Общероссийский классификатор объектов административно-территориального деления : коды 2021 года, расшифровка

01 000 000 000 Алтайский край г Барнаул
03 000 000 000 Краснодарский край г Краснодар
04 000 000 000 Красноярский край г Красноярск
05 000 000 000 Приморский край г Владивосток
07 000 000 000 Ставропольский край г Ставрополь
08 000 000 000 Хабаровский край г Хабаровск
10 000 000 000 Амурская область г Благовещенск
11 000 000 000 Архангельская область г Архангельск
12 000 000 000 Астраханская область г Астрахань
14 000 000 000 Белгородская область г Белгород
15 000 000 000 Брянская область г Брянск
17 000 000 000 Владимирская область г Владимир
18 000 000 000 Волгоградская область г Волгоград
19 000 000 000 Вологодская область г Вологда
20 000 000 000 Воронежская область г Воронеж
22 000 000 000 Нижегородская область г Нижний Новгород
24 000 000 000 Ивановская область г Иваново
25 000 000 000 Иркутская область г Иркутск
26 000 000 000 Республика Ингушетия г Магас
27 000 000 000 Калининградская область г Калининград
28 000 000 000 Тверская область г Тверь
29 000 000 000 Калужская область г Калуга
30 000 000 000 Камчатский край г Петропавловск-Камчатский
32 000 000 000 Кемеровская область — Кузбасс г Кемерово
33 000 000 000 Кировская область г Киров
34 000 000 000 Костромская область г Кострома
35 000 000 000 Республика Крым г Симферополь
36 000 000 000 Самарская область г Самара
37 000 000 000 Курганская область г Курган
38 000 000 000 Курская область г Курск
40 000 000 000 Город Санкт-Петербург город федерального значения
41 000 000 000 Ленинградская область г Санкт-Петербург
42 000 000 000 Липецкая область г Липецк
44 000 000 000 Магаданская область г Магадан
45 000 000 000 Город Москва столица Российской Федерации город федерального значения
46 000 000 000 Московская область г Москва
47 000 000 000 Мурманская область г Мурманск
49 000 000 000 Новгородская область г Великий Новгород
50 000 000 000 Новосибирская область г Новосибирск
52 000 000 000 Омская область г Омск
53 000 000 000 Оренбургская область г Оренбург
54 000 000 000 Орловская область г Орёл
56 000 000 000 Пензенская область г Пенза
57 000 000 000 Пермский край г Пермь
58 000 000 000 Псковская область г Псков
60 000 000 000 Ростовская область г Ростов-на-Дону
61 000 000 000 Рязанская область г Рязань
63 000 000 000 Саратовская область г Саратов
64 000 000 000 Сахалинская область г Южно-Сахалинск
65 000 000 000 Свердловская область г Екатеринбург
66 000 000 000 Смоленская область г Смоленск
67 000 000 000 Город федерального значения Севастополь
68 000 000 000 Тамбовская область г Тамбов
69 000 000 000 Томская область г Томск
70 000 000 000 Тульская область г Тула
71 000 000 000 Тюменская область г Тюмень
73 000 000 000 Ульяновская область г Ульяновск
75 000 000 000 Челябинская область г Челябинск
76 000 000 000 Забайкальский край г Чита
77 000 000 000 Чукотский автономный округ г Анадырь
78 000 000 000 Ярославская область г Ярославль
79 000 000 000 Республика Адыгея (Адыгея) г Майкоп
80 000 000 000 Республика Башкортостан г Уфа
81 000 000 000 Республика Бурятия г Улан-Удэ
82 000 000 000 Республика Дагестан г Махачкала
83 000 000 000 Кабардино-Балкарская Республика г Нальчик
84 000 000 000 Республика Алтай г Горно-Алтайск
85 000 000 000 Республика Калмыкия г Элиста
86 000 000 000 Республика Карелия г Петрозаводск
87 000 000 000 Республика Коми г Сыктывкар
88 000 000 000 Республика Марий Эл г Йошкар-Ола
89 000 000 000 Республика Мордовия г Саранск
90 000 000 000 Республика Северная Осетия-Алания г Владикавказ
91 000 000 000 Карачаево-Черкесская Республика г Черкесск
92 000 000 000 Республика Татарстан (Татарстан) г Казань
93 000 000 000 Республика Тыва г Кызыл
94 000 000 000 Удмуртская Республика г Ижевск
95 000 000 000 Республика Хакасия г Абакан
96 000 000 000 Чеченская Республика г Грозный
97 000 000 000 Чувашская Республика — Чувашия г Чебоксары
98 000 000 000 Республика Саха (Якутия) г Якутск
99 000 000 000 Еврейская автономная область г Биробиджан

MITT — Крупнейшая туристическая выставка России

MITT — самая крупная в России и ближнем зарубежье международная туристическая выставка, которая проходит в Москве уже более 26 лет.

Выставка MITT признана мировым сообществом как эффективное b2b мероприятие для решения бизнес-задач в сфере туризма. Ежегодно на MITT съезжается самая масштабная аудитория представителей турбизнеса из российских регионов и всего мира.
 

УЧАСТНИКИ ВЫСТАВКИ

Традиционно участники MITT 1 500+ экспонентов из 200+ стран и регионов мира, в т.ч. из 52 регионов России — представители всех сегментов туристической индустрии:

  • Ведущие операторские компании по выездному и внутреннему туризму, принимающие туроператоры
  • Национальные офисы по туризму
  • Региональные администрации
  • Туристические агентства
  • Отели, гостиничные сети и другие объекты размещения
  • MICE — агентства
  • Авиа и транспортные компании
  • IT-компании, предлагающие решения для туриндустрии
  • Системы поиска и он-лайн бронирования
  • Страховые компании
  • Медицинские центры и клиники, представляющие лечение в России и за рубежом
     

ПОСЕТИТЕЛИ ВЫСТАВКИ 2021

10 446 уникальных посетителей — представителей туристических агентств, объектов размещения, туроператоры и организаторы корпоративных поездок и мероприятий и другие участники туристической индустрии из 51 страны и 80 регионов России.
 

УЧАСТИЕ В MITT — это возможность для стран, регионов и туристических компаний:

  • Найти новых партнеров и клиентов среди масштабной аудитории посетителей (53% специалистов посещают только MITT среди других туристических выставок),
  • Представить новые направления и услуги на российском рынке,
  • Укрепить имидж стабильной и надежной компании, повысить узнаваемость бренда
  • Увеличить объемы и значительно расширить географию продаж
  • Сэкономить время и провести переговоры с топ-менеджерами ведущих туристических компаний на одной площадке за 3 выставочных дня (50%посетителей — первые лица компаний)
  • Воспользоваться современными сопутствующими сервисами самой большой выставочной площадки Восточной Европы — Крокус Экспо
     

ПОСЕЩЕНИЕ MITT позволяет специалистам туриндустрии найти новых партнёров, сравнить предложения на рынке, ознакомиться с трендами отрасли и выбрать лучшие предложения для бизнеса, получить полезные контакты, познакомиться с первыми лицами ведущих игроков рынка и государственных структур.

Выставка MITT содействует развитию российского регионального туристического рынка и укреплению международного сотрудничества, создает единое коммуникационное бизнес-пространство для специалистов туристической отрасли всего мира.

— Институт развития образования

— Институт развития образования

Новости


Институт развития образования Свердловской области продолжает обновляться

В новом учебном году управленческая команда Института развития образования продолжит трансформацию, начатую в предыдущем. В фокусе работы при этом останутся педагоги, ученики и качество образования. Так обобщила 9 сентября ближайшие перспективы развития ИРО его ректор, кандидат социологии Светлана Тренихина, выступая на традиционном ежегодном совещании коллектива.ПОДРОБНЕЕ >>>

Началось обучение тьюторов для «Школы современного учителя»

Более тридцати педагогов-тьюторов подготовит для Свердловской области Академия Минпросвещения России. Партнером в организации и сопровождении двухнедельного обучения, которое началось сегодня, 6 сентября, выступает Институт развития образования. Пройдя это обучение, педагоги затем будут осуществлять методическое сопровождение своих коллег – слушателей программы «Школа современного учителя». ПОДРОБНЕЕ >>>

Первого сентября в Свердловской области открываются почти сто новых «Точек роста»

Еще 98 «Точек роста» откроются 1 сентября в 66 муниципальных образованиях Свердловской области. Теперь с учетом созданных ранее в регионе будут работать уже 197 таких центров. Опыт и перспективы их воздействия на качество образования оказались в центре внимания онлайн-секции, которая состоялась на днях, 24 августа, в рамках областного Августовского педагогического совещания. Презентации к выступлениям ее участников приложены к этой новости.ПОДРОБНЕЕ >>>

Лидеры Свердловской области в образовании встретились с политическим лидером региона

Крупные компании Свердловской области ведут сегодня «дичайшую» конкуренцию за квалифицированных специалистов. Главными среди компетенций, формируемых средними школами, являются умение проектировать свою жизнь и осуществлять свои планы. При этом главная задача педагога – дать ученику возможность раскрыться. Традиционные образовательные технологии при этом должны дополняться дистанционными, но оставаться ведущими.ПОДРОБНЕЕ >>>

Стартовал областной конкурс руководителей образовательных организаций «Лидер в образовании – 2021»

В Свердловской области в четвертый раз стартовал областной конкурс руководителей образовательных организаций «Лидер в образовании». Помимо призов этого конкурса его участники имеют шанс одновременно получить премию Губернатора Свердловской области. Такую возможность предусматривает п. 7 Положения о премиях Губернатора Свердловской области работникам системы образования, утвержденного Указом Губернатора Свердловской области от 28.08.2018 № 411-УГ.ПОДРОБНЕЕ >>>

Просвещение с 17 по 19 августа 2021 года проводит Августовский педсовет (онлайн)

Группа компаний «Просвещение» приглашает руководителей муниципальных органов управления образованием, директоров школ, организаций системы профессионального образования, дошкольных образовательных организаций, руководителей профессиональных сообществ, педагогов, воспитателей, родителей всех заинтересованных лиц с 17 по 19 августа 2021 года принять участие в Августовском педсовете «Просвещение».ПОДРОБНЕЕ >>>

Конкурс ИРО к юбилею Достоевского превратился в заочный семинар

Не только состязанием, но и своеобразным заочным семинаром стал конкурс методических разработок, который провела в мае-июне кафедра филологического образования ИРО. Участники конкурса, посвященного 200-летнему юбилею Федора Достоевского, представили целый ряд идей, связанные с преподаванием творчества русского классика в школе.ПОДРОБНЕЕ >>>

ИРО Свердловской области исследовал и оценил готовность 56 муниципалитетов региона к реализации программ воспитания

К реализации рабочих программ воспитания, которая начнется 1 сентября, полностью готовы образовательные организации (ОО) в Каменске-Уральском, Нижнем Тагиле и Сосьве. Ненамного им уступают коллеги в Новоуральске, Лесном, Североуральске, Пышме, Верхней Туре, Алапаевске, Горноуральске, Кушве и ЗАТО Уральский.ПОДРОБНЕЕ >>>

Участникам конференции по оценке качества образования представили первые данные об итогах ГИА-21

Самыми сложными предметами для российских школьников остаются химия и биология. По предварительным данным о результатах ЕГЭ-2021, почти каждый пятый выпускник, сдававший экзамен по этим предметам, не преодолел минимального порога. В то же время 543 человека – это самый высокий результат для естественнонаучных предметов — получили по химии 100 баллов . А самый высокий средний балл выпускники показали на ЕГЭ по русскому языку, литературе и географии.ПОДРОБНЕЕ >>>

Журналистов в Свердловской области начинают растить с детского сада

Дети Свердловской области приобретают навыки журналистской работы уже с детского сада. Во всяком случае, екатеринбургского детского сада № 422 «Лорик», где обучение этим навыкам используют как технологию воспитания и развития. В частности, умение брать интервью помогает ненавязчиво вводить детей в общение со сверстниками и взрослыми. И знания норм речевого общения, полученные при этом, дети затем используют в реальных жизненных ситуациях.ПОДРОБНЕЕ >>>

ИРО откроет доступ к пакету онлайн-курсов, предоставленных партнерами

Доступ к новому пакету образовательных онлайн-курсов откроет в ближайшее время ИРО Свердловской области. Эти курсы разработали несколько производственных предприятий и некоммерческих организаций.  Право на такой открытый доступ предоставляют пять соглашений, которые Институт заключил сегодня, 29 июня, в рамках форума «Педагоги России».ПОДРОБНЕЕ >>>

Календарь



Время выполнения php скрипта: 0.0315 секунд

Транскриптомное и клеточное декодирование региональной уязвимости головного мозга к нейрогенетическим расстройствам

Когорты, диагностическая классификация и получение МРТ

Анеуплоидии половых хромосом [Национальные институты здравоохранения — Бетезда, США (NIH)]: этот набор данных был подробно описан ранее 37,38,39 . Вкратце, мы включили 297 пациентов с различным дополнительным количеством X- и / или Y-хромосом и 165 здоровых людей контрольной группы (79 женщин) (дополнительная таблица 1). Пациенты были набраны через веб-сайт Национального института здоровья (NIH) и группы поддержки родителей.Наличие анеуплоидии половых хромосом подтверждено тестированием кариотипа. Критерии исключения включали травму головы в анамнезе, неврологическое состояние, приведшее к грубым аномалиям головного мозга, и мозаицизм (определяемый визуализацией 50 метафазных распространений в периферической крови). Здоровые люди из контрольной группы были включены в продольные исследования типичного развития мозга 40 . Критерии исключения для контроля включали использование психиатрических препаратов, регистрацию в службах специального образования, историю лечения психических заболеваний или предварительный диагноз состояния здоровья, влияющего на нервную систему.Полномасштабный IQ был измерен с помощью WASI. Объекты сканировались на сканере GE Signa 1,5 Тл (аксиальные срезы = 124 × 1,5 мм, TE = 5 мс, TR = 24 мс, угол поворота = 45 °, матрица сбора данных = 256 × 192, FOV = 24 см) с использованием испорченного -градиентное вызванное эхо (3D-SPGR) изображение последовательности. Протокол исследования был одобрен институциональным наблюдательным советом (IRB) в Национальном институте психического здоровья, и было получено информированное согласие или согласие всех лиц, участвовавших в исследовании, а также согласие их родителей, если ребенок находился в возрасте до совершеннолетие (клиническое испытание, рег.нет. NCT00001246; Clinicaltrials.gov).

Синдром Дауна / трисомия 21 [NIH]: Этот набор данных был подробно описан ранее 2 . Вкратце, мы включили 26 пациентов (13 женщин) с синдромом Дауна и 42 здоровых пациента контрольной группы (21 женщина) (дополнительная таблица 1). Всем участникам с СД был поставлен хромосомный диагноз трисомии 21 в соответствии с отчетом родителей или прямым тестированием, без случаев мозаицизма. В дополнение к генетическим критериям включения участники также должны были не иметь в анамнезе приобретенных травм головы или других состояний, которые могли бы вызвать серьезные аномалии головного мозга.Полномасштабный IQ измерялся следующим образом: для участников в возрасте до 18 лет применялись Шкалы дифференциальных способностей, второе издание 41 , а для участников 18 лет и старше — Краткий тест на интеллект Кауфмана, второе издание 42 . . Визуализацию проводили без седации на том же сканере 3-T General Electric с 8-канальной головной катушкой. Т1-взвешенные изображения с высоким разрешением (0,94 × 0,94 × 1,2 мм) были получены с использованием калиброванной намагниченности последовательности быстрого градиентного эхо-сигнала (128 срезов; матрица сбора данных 224 x 224; угол поворота = 12 °; поле зрения [FOV ] = 240 мм).Протокол исследования был одобрен IRB в Национальном институте психического здоровья, и информированное согласие или согласие было получено от всех лиц, участвовавших в исследовании, а также согласие от их родителей, если ребенок не достиг совершеннолетия ( Регистрационный номер клинического исследования NCT00001246; Clinicaltrials.gov).

Синдром опухоли-аниридии Вильмса (WAGR) [NIH]: в общей сложности 31 пациент с гетерозиготными делециями смежных генов возрастающей переменной длины на коротком плече хромосомы 11 (делеция 11p13), и 23 здоровых человека из контрольной группы участвовали в комплексном генотипе / исследование фенотипа, одобренное NIH IRB и с информированного согласия их родителей / законных опекунов (дополнительная таблица 1).Здоровые люди из контрольной группы были проверены и исключены на предмет наличия в анамнезе неврологических и психологических нарушений. Хромосомные делеции охарактеризованы с помощью анализа микросателлитных маркеров и сравнительной геномной гибридизации олигонуклеотидного массива. Нейропсихологические оценки проводились с использованием стандартных психологических тестов. Всем участникам была выполнена структурная МРТ-томография головного мозга. Контроль качества изображений включал визуальную проверку необработанных изображений на предмет артефактов движения, а также качество сегментов поверхности и объема.Результаты обработки изображений были проверены на предмет ошибок сегментации поверхности и объема с помощью FML и AR. МРТ-изображения головного мозга были получены с разрешением 1 мм 3 с использованием трехмерной Т1-взвешенной последовательности TFE на 3,0 Тл сканере Philips Achieva MRI, оборудованном 8-канальной фазированной головкой катушки. Параметры последовательности были следующими: TR = 8,3 мс, TE = 3,8 мс, задержка TI = 1031 мс, 160 кадров. В общей сложности был получен 171 срез в сагиттальной плоскости с матрицей сбора данных 240 × 240 и полем обзора 240 мм.Протокол исследования был одобрен IRB в Национальном институте психического здоровья, и информированное согласие или согласие было получено от всех лиц, участвовавших в исследовании, а также согласие от их родителей, если ребенок не достиг совершеннолетия ( Регистрационный номер клинического исследования NCT00758108; Clinicaltrials.gov).

Синдром Тернера (Х-моносомия) [Институт психиатрии, психологии и нейробиологии — Лондон, Великобритания (IoPPN)]: Эта когорта и связанные с ней данные были подробно описаны ранее 43,44 .Мы включили в это исследование 20 женщин с Х-моносомией (синдром Тернера) (TS) и 36 здоровых женщин из контрольной группы (дополнительная таблица 1). Вкратце, участники с TS были набраны в рамках университетской программы исследований поведенческой генетики, проводимой в сотрудничестве с South London and Maudsley NHS Foundation Trust и обычно разрабатываемых с помощью местной рекламы. Кариотип определяли для каждого участника с TS путем анализа 30 метафазных распространений с использованием обычных цитогенетических методов.Ни один из участников не страдал какими-либо психическими или медицинскими расстройствами, которые могли бы серьезно повлиять на функцию мозга (например, эпилепсия, нейрохирургия, травмы головы, гипертония, шизофрения), как было определено структурированным клиническим собеседованием и обследованием, а также просмотром медицинских записей. Структурные данные МРТ получали с помощью МР-системы GE Signa 1,5 T Neuro-optimized (General Electric, Милуоки, Висконсин). 3D-SPGR изображения корональной зоны всей головы (TR = 14 мс, TE = 3 мс, матрица сбора данных 256 × 192, 124 × 1.Срезы 5 мм) были получены от всех испытуемых. Этическое одобрение было получено от местного этического комитета, и от всех участников было получено информированное письменное согласие (конкретный справочный идентификатор комитета по этике был у реорганизованного комитета по этике Института психиатрии. Наличие активного одобрения комитета по этике подтверждено оригинальными публикациями 43,44 ).

Велокардиофациальный синдром (VCFS) [IOPPN]: Вкратце, все пациенты с VCFS и контрольные субъекты были обследованы на медицинские состояния, влияющие на функцию мозга, посредством полуструктурированного клинического интервью и стандартных анализов крови 45,46 .Полномасштабный интеллект был измерен с помощью Canavan et al. сокращенная версия шкалы интеллекта взрослых Векслера — пересмотренная версия 47 . Мы включили 27 контрольных (11 женщин) вместе с 29 участниками (13 женщин) с клиническими признаками VCFS (дополнительная таблица 1) и делецией 22q11.2, обнаруженной с помощью флуоресцентной гибридизации in situ (FISH; Oncor Inc, Гейтерсбург, Мэриленд, США). Субъекты сканировались на сканере 1,5 T GE Signa в больнице Модсли в Лондоне, Великобритания. Для каждого субъекта было получено 3D-SPGR изображение всей головы (TR = 11.9 мс; TE = 5,2 мс; Матрица сбора данных 256 × 192; Срезы 124 × 1,5 мм). Этическое одобрение было получено от местного этического комитета. Все субъекты (или их опекуны, если субъекты моложе 16 лет) дали письменное информированное согласие после того, как процедура была полностью объяснена (конкретный справочный идентификатор комитета по этике находился у реорганизованного комитета по этике Института психиатрии. Наличие активного одобрения комитета по этике подтверждено оригинальные публикации 45,46 ).

Контроль качества изображения

Каждый из наборов данных пациента / контроля, используемых в текущей рукописи, был взят из предыдущих исследований.Таким образом, предыдущие процедуры контроля качества для каждого набора данных можно найти в исходных документах (см. Разделы выше). Кроме того, каждая реконструкция кортикальной поверхности проверялась вручную на предмет топологических дефектов, скремблирования пациентов и контрольных элементов, чтобы избежать систематической ошибки.

Создание сетей морфометрического сходства

Все T1-взвешенные (T1w) сканы были обработаны с использованием конвейера CIVET Монреальского неврологического института 48 (v1.1.10). Из-за отсутствия мультимодальной визуализации оценивались только морфометрические характеристики серого вещества, полученные на основе T1-взвешенных сканирований (толщина коры при КТ, площадь поверхности SA, объем серого вещества GM, средняя кривизна MC, внутренняя кривизна IC).Значения GM оценивались с использованием объемов T1w каждого испытуемого. Вершинные значения CT и SA были оценены с использованием полученных реконструкций пиальной поверхности из CIVET, в то время как показатели MC и IC этих поверхностей были оценены с использованием свободно доступного программного пакета Caret5 49 . Эти поверхностные сетки (~ 80 000 вершин на сетку) были включены в нашу региональную парцелляцию (ниже), где оценки характеристик по вершинам были усреднены в пределах заданной области парцелляции.Представления кортикальной поверхности были построены с использованием BrainsForPublication v0.2.1 (https://doi.org/10.5281/zenodo.1069156).

Для каждого объекта сначала были масштабированы региональные морфометрические признаки (CT, SA, GM, MC и IC) (шкала Z для каждого признака по регионам) для учета вариации в распределении значений между признаками. После нормализации были созданы сети морфометрического сходства (MSN) путем вычисления региональных парных корреляций Пирсона в наборах морфометрических признаков, что дало ассоциативную матрицу, представляющую силу MS между каждой парой кортикальных областей 16 .Для всех людей региональные оценки MS (то есть узлового сходства) рассчитывались как среднее MS между данной корковой областью и всеми остальными. Ранее мы продемонстрировали, что существует чрезвычайно высокая пространственная согласованность ( r = 0,91) между топографией регионарного МС, полученной только на основе данных T1-взвешенной МРТ, и региональной МС, полученной с помощью других модальностей (например, комбинация T1w и диффузионно-взвешенной визуализации). 16 ).

Кортикальная парцелляция

Мы сгенерировали кортикальную парцелляцию из 308 областей ( N, = 152 LH областей), используя алгоритм обратного отслеживания, чтобы ограничить размер посылки примерно 500 мм 2 , с границами атласа Десикана-Киллиани в качестве отправных точек 50,51 .Это разбиение использовалось в предыдущих исследованиях визуализации коннектомов структурных 19,52,53 и функциональных 20 , а также в нашем первом исследовании MSN 16 .

Статистический анализ различий MSN

Для каждой когорты групповые эффекты заболевания на узловое сходство были смоделированы с использованием базовой функции «lm» в R, с полом и возрастом, включенными в качестве ковариант. Линейная регрессия проводилась с использованием стандартной процедуры наименьших квадратов (МНК).Эта модель была адаптирована для каждой области, и была извлечена двусторонняя статистика T (контраст = пациент — контроль) (представленная на рис. 2a как оценка Z для построения графика). Для групп SCA мы совместно смоделировали эффект дозировки каждой хромосомы следующим образом:

$$ {\ mathrm {{NS}}} _ i \ sim {\ mathrm {{intercept}}} + \ beta 1 \ left ({{\ mathrm {{возраст}}} \ right) + \ beta 2 \ left ({{\ mathrm {{sex}}}} \ right) + \ beta 3 \ left ({{\ mathrm {{Xan}}}}} \ right) + \ beta 4 \ left ({{\ mathrm {{Yan}}}} \ right), $$

(1)

, где NS i — оценка узлового сходства между субъектами в области и , а Xan и Yan — количество дополнительных хромосом X и Y (соответственно).Это было сделано после исключения каких-либо значимых взаимодействий между Xan и полом или Xan и Yan для вариации узлового сходства 1 .

Для сравнений +21, −X, −22q11.2, −11p13 пациент-контроль по узловому сходству (NS i ) использовалась следующая модель:

$$ {\ mathrm {{NS} }} _ i \ sim {\ mathrm {{intercept}}} + \ beta 1 \ left ({{\ mathrm {{age}}}} \ right) + \ beta 2 \ left ({{\ mathrm {{sex} }}} \ right) + \ beta 3 \ left ({{\ mathrm {{Dx}}}} \ right), $$

(2)

где Dx — бинарная классификация пациентов и контрольных групп.

Эти процедуры привели к картам изменений MS для шести различных состояний CNV, которые были приняты в последующие анализы (+ X, + Y, +21, -X, -22q11, -11p13).

Интерпретация региональных различий морфометрического сходства

Из-за нулевого центрированного характера регионального распределения MS (дополнительный рис. 3a) мы аннотировали региональные карты изменения MS ( T -статистика) для определения основных эффектов на границе уровень (т.е. на уровне межрегиональных МС).Для каждого CNV мы сначала вычислили изменение MS по краю между пациентами и контрольной группой (т.е. уравнения (1) или (2) для каждого края или попарную корреляцию). Затем для десяти лучших положительных (красный на рис. 1b) и десяти отрицательных (синий на рис. 1b) региональных статистических данных MS T мы взяли абсолютную сумму соответствующих им краевых значений T для каждого из четырех возможных виды краевого эффекта:

  • гиперцепление = край с положительным весом в контроле и положительный край T -статистика для эффекта CNV (т.е.е. регионы, которые морфометрически похожи в контроле, становятся более похожими с помощью CNV)

  • дедифференцировка = край с отрицательным весом в контроле и положительный край T -статистика для эффекта CNV (т. Е. Области, которые морфометрически не похожи в контроле, становятся менее разными с помощью CNV)

  • развязка = край с положительным весом в контроле и отрицательный край T -статистика для эффекта CNV (т.е.е. области, которые морфометрически похожи в контроле, оказываются менее похожими CNV).

  • гипердифференцировка = край с отрицательным весом в контроле и отрицательный край. T -статистика для эффекта CNV (т.е. области, которые морфометрически не похожи в контроле, становятся более непохожими на CNV)

Эти четыре эффекта изображены в легенде Дополнительного Рис. 3b.

Получение наборов генов для каждого CNV

Привязки генов AHBA к положениям хромосом были выполнены в соответствии с указаниями из ссылки. 54 . Эти назначения определили наборы генов, используемые для всех анализов на уровне хромосом. Наборы генов для двух субхромосомных CNV в нашем исследовании были определены следующим образом. Набор генов с делецией 11p13 (WAGR) был определен с использованием известного распределения проксимальных и дистальных контрольных точек в исследуемой когорте пациентов WAGR (относительно сборки генома NCB136 / hg18, на которую ссылается браузер генома USCS). Мы использовали медианные проксимальные и дистальные контрольные точки для пациентов, чтобы определить репрезентативный хромосомный сегмент для использования в анализе, который охватывал в общей сложности 45 генов AHBA (дополнительный набор данных 1), включая гены критических областей WAGR ( WT1 и PAX6 ).Поскольку данные о точках останова для конкретного пациента не были доступны для когорты с делецией 22q11.2 (VCFS), мы определили набор генов для этого CNV, используя контрольные точки останова для наиболее распространенного типа делеции A-D (наблюдается у> 85% пациентов). 55 , который включает 20 генов из набора данных AHBA.

Транскриптомное сопоставление данных нейровизуализации

Методы сопоставления данных экспрессии генов микроматрицы от шести взрослых доноров, предоставленных Атласом человеческого мозга Аллена (AHBA), с левым полушарием ( N, = 152 области) нашей парцелляция была подробно описана в другом месте 8,16,52 , где мы показали, что данные экспрессии генов устойчивы к исключению данного донора из анализа.Вкратце, мы использовали FreeSurfer recon-all для реконструкции и разделения коры головного мозга каждого донора AHBA, используя соответствующий T1-взвешенный объем 56 . Образцы ткани были отнесены к ближайшему центроиду левого полушария нашего парцелла в естественном пространстве каждого субъекта. Для двух субъектов с данными правого полушария мы сначала отразили координаты образцов правого полушария, а затем выполнили картирование. Средняя региональная экспрессия была оценена для каждого гена среди участников ( N = 6), а затем региональные значения каждого гена были нормализованы ( Z — оценка), в результате была получена матрица генома 152 (области) × 15043 (гены). данные по широкому выражению для левого полушария.Код и данные, лежащие в основе выравнивания AHBA, доступны в Интернете по адресу https://github.com/RafaelRomeroGarcia/geneExpression_Repository.

Частичная регрессия по методу наименьших квадратов различий РС

Этот метод, применяемый в аналогичных анализах, объединяющих данные нейровизуализации и экспрессии генов мозга, был описан ранее 8,19 (см. Также дополнительный рисунок 1). Здесь мы используем регрессию PLS для ранжирования генов AHBA по их многомерному пространственному выравниванию с кортикальными изменениями MS в каждом из шести различных состояний CNV (+ X, + Y, +21, -X, -22q11, -11p13).Как подробно описано ниже, этот ранжированный список генов для каждого условия CNV (дополнительный набор данных 1) обеспечивает объединяющую основу для проверки предпочтительного пространственного выравнивания между CNV-индуцированным изменением MS и пространственной экспрессией, определяемой пользователем интересующими наборами генов (например, гены в пределах vs. без области CNV, наборы генов, определяющие разные типы клеток и т. д.).

Вкратце, регрессия PLS — это метод обработки данных, тесно связанный с анализом главных компонентов (PCA) и регрессией OLS. Здесь мы используем алгоритм SIMPLS 57 в R (пакет «pls» 58 ), где матрица независимых переменных ( X ) и зависимая переменная ( Y ) центрированы, что дает X 0 и Y 0 соответственно.Затем первый компонент взвешивается по w 1 и q 1 для расчета оценок факторов (или оценок компонентов PLS) T 1 и U 1 .

Этот T 1 представляет собой взвешенную сумму центрированной независимой переменной:

$$ T_1 = X_0w_1 + E_1, $$

(3)

и U 1 — взвешенная сумма центрированной зависимой переменной:

$$ U_1 = Y_0q_1 + E_2, $$

(4)

Веса и оценки факторов рассчитываются для обеспечения максимальной ковариации между T 1 и U 1 , что является отходом от обычного PCA, где оценки и нагрузки рассчитываются для объяснения максимальной дисперсии в Х 0 .

Алгоритм SIMPLS предоставляет альтернативу, при которой матрицы не дефлируются весами при вычислении новых компонентов, и, в результате, легче интерпретировать компоненты на основе исходных центрированных матриц.

Поскольку компоненты вычисляются для объяснения максимальной ковариации между зависимыми и независимыми переменными, первый компонент не должен объяснять максимальную дисперсию в зависимой переменной. Однако по мере увеличения количества рассчитываемых компонентов они все более склонны объяснять меньшую дисперсию зависимой переменной.Мы подтвердили, что первый компонент ( U 1 , используемый для анализа ранга генов) для каждого CNV-специфичного PLS объясняет наиболее относительную дисперсию.

Для каждого CNV мы использовали U 1 для ранжирования генов по их нагрузкам PLS (от больших положительных до больших отрицательных нагрузок PLS, рис. 1a). Полярность компонентов PLS была фиксированной, так что ранги генов имели одинаковое значение для всех CNV. Таким образом, для всех карт изменения MS, вызванного CNV, гены с большими положительными массами PLS имели более высокую, чем среднюю экспрессию в областях коры, где MS увеличена у носителей CNV по сравнению с контролями (т.е.е., красные области на рис. 1b), и экспрессия ниже средней в областях коры, где MS снижена у носителей CNV по сравнению с контролем (т.е. синие области на рис. 1b). И наоборот, гены с большими отрицательными весами PLS имели более высокую экспрессию в кортикальных областях, где MS снижается у носителей CNV по сравнению с контролем (т.е. синие области на рис. 1b), и ниже, чем средняя экспрессия в корковых областях, где MS увеличивается в CNV. носителей относительно элементов управления (т.е. красные области на рис.1б). Гены среднего ранга с меньшим весом PLS показали градиенты экспрессии, которые слабо связаны с паттерном кортикальных изменений MS.

Важно отметить, что T 1 и U 1 являются первыми весами компонентов PLS в общем измерении переменных X и Y . Таким образом, в нашем анализе, сравнивающем экспрессию гена AHBA с кортикальными изменениями РС (как в приведенном выше примере интерпретации), общее измерение находится на уровне узлов.Однако в нашем анализе, сравнивающем индивидуальную экспрессию гена пациента с индивидуальными картами коркового рассеянного склероза, общим измерением были люди, а не области мозга (см. Ниже).

Анализ обогащения генов с медианным рангом

Ранжированные списки генов, предоставленные PLS-регрессией экспрессии AHBA и изменением MS, предоставили общую основу для проверки того, была ли пространственная экспрессия данного набора генов неслучайно связана с наблюдаемым пространственным паттерном изменения MS. В частности, мы количественно оценили эту степень пространственного соответствия или данный набор генов, используя объективную и простую меру среднего ранга набора генов.Это позволило интерпретировать обогащение ранга генов как по отношению к центру рангового распределения, так и по отношению к крайним точкам списка. Статистическая значимость наблюдаемых медианных рангов набора генов была установлена ​​путем сравнения с нулевыми медианными ранговыми распределениями из 10 000 перестановок рангов генов ( P RAND ).

Для полных хромосомных CNV средние ранги оценивались для хромосом 1:22, X, Y и псевдоавтосомной области (PAR или X | Y). Для построения графика результаты с полными хромосомами представлены на рис.1b, а результаты для всех хромосом и генов PAR показаны в дополнительном наборе данных 2. Для субхромосомных делеций (−22q11.2 / VCFS и −11p13 / WAGR) мы выполнили дополнительные варианты нашего теста P RAND ( P RAND- Cis и P RAND- Trans ), только сравнивая наблюдаемые медианные ранги с таковыми для 10 000 наборов генов эквивалентного размера, повторно взятых из соответствующей хромосомы (т. Е. Хромосомы 22 для -22q11.2 и хромосома 11 для −11p13).

Учитывая, что наборы генов CNV сильно различались по размеру, а наименьший набор генов (+ Y) был примечателен тем, что был единственным набором генов, у которого наблюдаемая медиана ранжирования упала ниже номинального значения P RAND = порог 0,05 , мы провели дополнительный анализ, чтобы изучить взаимосвязь между размером набора генов CNV и статистической значимостью наблюдаемых средних рангов набора генов CNV относительно нулевого распределения P RAND .Мы решили вложить эти анализы в контекст Х-хромосомы, которая была CNV, которая содержала наибольшее количество сцепленных генов в AHBA. В различных подвыборках набора генов X-хромосомы, начиная от заданного размера Y-хромосомы (наименьшего CNV для всей хромосомы) до полного размера X-хромосомы, мы сгенерировали 10 000 средних рангов генов из + X PLS- ранжированный список генов в каждой подвыборке, а также медианные ранги генов из случайных выборок всего (перекрывающегося AHBA) генома сопоставимого размера набора (дополнительный рис.2в). Поскольку пары подмножеств X-хромосомы и случайные подмножества были произвольно сопоставлены, значения подвыборки P были рассчитаны путем тестирования медианы медианных рангов генов X-хромосомы против 10000 нулевых медианных рангов генов, сгенерированных случайными выборками. Это было выполнено для каждого размера подвыборки (дополнительный рисунок 2c), чтобы оценить прогнозируемое значение P для средних рангов наборов генов CNV, размер которых аналогичен CNV (+ Y, +21), наблюдаемым в нашем исследовании.

Из-за того, что MS change отображает интегрированную информацию из нескольких отдельных анатомических показателей (например,грамм. толщина коры, площадь поверхности и т. д.), мы проверили, способны ли карты анатомических изменений для каждой из этих индивидуальных особенностей РС восстановить предпочтительную взаимосвязь между кортикальными градиентами экспрессии генов CNV в состоянии здоровья и влиянием CNV на анатомию коры головного мозга у пациентов. Чтобы добиться этого, мы повторили аналитические шаги, описанные выше для каждого CNV, заменив карту изменений MS картами изменений для каждой отдельной метрики, используемой как часть нашего сопоставления MS с пятью функциями (дополнительный рис.2а): объем серого вещества, толщина коры, площадь поверхности, средняя кривизна и внутренняя кривизна. Ранги генов, полученных из PLS из всех этих анализов, оценивали для статистически значимого экстремального ранжирования наборов генов CNV ( P RAND <0,05, дополнительный набор данных 3).

Анализ обогащения онтологии генов

Функциональное обогащение оценивалось с использованием анализа обогащения онтологии генов (GO) на основе рангов. Во-первых, мы разделили полные списки генов с рейтингом PLS для каждого CNV, чтобы они содержали только гены, которые были определены как экспрессируемые в мозге (см. Ниже).Затем каждый уточненный список генов CNV только для мозга был введен в GOrilla 59,60 , упорядоченный по шкале PLS отдельно в возрастающем и убывающем порядке, чтобы получить обогащение для обоих хвостов списка генов. Полный вывод можно найти в дополнительном наборе данных 4.

Создание карт экспрессии генов клеточного класса

Мы собрали данные пяти различных одноклеточных исследований с использованием посмертных образцов коры головного мозга у людей в постнатальном периоде 61,62,63,64,65 , чтобы избежать предвзятости, связанной с методологией сбора данных, анализом или установлением пороговых значений.

Чтобы получить наборы генов для каждого типа клеток, категориальные определения были основаны на каждом отдельном исследовании согласно соответствующим методам и вариантам анализа в исходной статье. Все наборы генов клеточного типа были доступны как часть соответствующих статей. Для Zhang et al. 61 и Darmanis et al. 64 статей, эти данные уже были опубликованы в другом месте 66 , и поэтому были повторно использованы в настоящем исследовании. Этот подход привел к первоначальному включению 58 классов клеток, многие из которых перекрывались на основании номенклатуры и / или составляющих генов.Гены в каждом из этих 58 типов клеток собраны в дополнительном наборе данных 5.

Мы создали пространственные карты экспрессии для каждого набора генов клеточного типа, вычислив средний балл региональной экспрессии для каждого набора генов в массиве данных микрочипов AHBA (рис. . 2а). Затем мы выполнили иерархическую кластеризацию этой матрицы экспрессии для каждого типа ячейки, используя критерий статистики разрыва 22 . Этот неконтролируемый анализ позволил нам определить, могут ли наборы генов клеточного типа из различных исследований быть сгруппированы в биологически обоснованные кластеры по их шаблонной экспрессии на кортикальном листе.Кластеризация специфических для исследования наборов генов в соответствии с известными классами клеток была взята, чтобы указать, что градиенты экспрессии генов в кортикальном листе частично организованы по типу клеток.

Конвергенция топографии экспрессии клеточного типа позволила нам сгруппировать отдельные исследуемые списки генов клеточного типа в канонические классы клеток. В контексте решения иерархической кластеризации N = 3 из рис. 2a мы выполнили апостериорное присвоение каждого типа ячеек, специфичных для исследования, в классы ячеек на основе визуализации распределенного стохастического соседства t (tSNE). ) решение (рис.2b) по данным с рис. 2. Это решение четко организовало типы ячеек для конкретных исследований в семь канонических классов, которые были полностью вложены в иерархическое решение кластеризации N = 3 из рис. 2a. Этими семью классами были: астроциты (Astro), эндотелиальные клетки (Endo), микроглия (Micro), возбуждающие нейроны (Neuro-Ex), тормозящие нейроны (Neuro-In), олигодендроциты (Oligo) и OPCs.

Чтобы получить карты экспрессии для каждого из этих семи классов ячеек, мы сначала свернули по спискам генов конкретного исследования, чтобы создать единый общий список генов для каждого класса ячеек, а затем вычислили средневзвешенное выражение для каждого набора генов класса ячеек. в каждом регионе нашей 152 парцелляции AHBA (рис.2в). Веса для каждого базового типа клеток вычислялись путем оценки евклидова расстояния каждого типа клеток от центроида их соответствующего класса клеток с использованием PCA. В двух исследованиях нейроны не подразделялись на возбуждающие и тормозные, поэтому эти наборы генов были исключены из этого отнесения к классам клеток. Кроме того, только одно исследование включало аннотацию типа «Per» (перицит), и, таким образом, этот набор генов также был исключен.

Сравнение кортикальных карт общей экспрессии класса клеток

Для проверки карт экспрессии отдельных классов клеток, полученных в результате интеграции исследований экспрессии отдельных клеток и данных микрочипов AHBA (рис.2c), мы вычислили пространственную корреляцию карты экспрессии каждого клеточного класса с установленными картами кортикальной микроструктуры из различных нейровизуальных исследований in vivo и посмертных гистологических исследований, включая карты цитоархитектуры 67 миелоархитектуры 19 и градиенты эволюционной 24 , онтогенетический 24 и межиндивидуальное (аллометрическое) анатомическое масштабирование 23 (дополнительный рисунок 4).

Для цитоархитектонических карт 2 февраля 2018 г. из репозитория BigBrain 67 открытого доступа была получена объемная гистологическая реконструкция посмертного мозга человека 65-летнего мужчины с разрешением 100 мкм (https: // большой мозг.loris.ca/main.php). Используя ранее определенные поверхности границы слоя I / II, слоя IV и белого вещества 25 , мы разделили кортикальную мантию на супрагранулярные (слой I / II к слою IV) и инфрагранулярные полосы (слой IV до белого вещества). Толщина ленты рассчитывалась как евклидово расстояние между соответствующими поверхностями. Чтобы приблизиться к плотности ячеек, мы расширили недавнюю работу над профилями микроструктуры BigBrain 68 и сгенерировали профили микроструктуры в над- и инфрагранулярных диапазонах.Затем профили интенсивности с использованием пяти эквиолюметрических поверхностей в пределах заранее определенных поверхностей BigBrain были усреднены для получения приблизительного значения плотности. Вычисления были выполнены для 163 842 совпадающих вершин в каждом полушарии, а затем усреднены в пределах каждой кортикальной области в нашей парцелляции.

Миелоархитектура (перенос намагниченности или MT) и карты анатомического масштабирования, использованные в этих сравнительных анализах, были взяты из предыдущих исследований 19,23,24,67 .

Тестирование пространственной перестановки для сравнения кортикальных карт

Чтобы оценить специфичность соответствия между парами кортикальных карт, мы сгенерировали 10000 поворотов (т.э., спины) коркового слоя 16,53 . Это сопоставление обеспечивает сопоставление набора регионов с самим собой и позволяет переставлять любые региональные меры, контролируя при этом пространственную смежность и симметрию полушария.

Сначала мы получили координаты сферической поверхности каждой из наших 308 областей на шаблоне fsaverage в Freesurfer. Затем они были повернуты вокруг трех главных осей на три случайно сгенерированных угла. Учитывая раздельные кортикальные проекции левого и правого полушария, вращение применялось к обоим полушариям.Однако, чтобы сохранить симметрию, одинаковые случайные углы были применены к обоим полушариям с оговоркой, что знак углов был изменен для вращения вокруг осей y и z .

После каждого поворота координаты повернутых областей согласовывались с координатами начальных областей с использованием евклидова расстояния в порядке убывания среднего евклидова расстояния между парами областей на повернутой и невращающейся сферах (т. Е. Начиная с повернутой области, которая в среднем наиболее удален от неповоротных областей).

Связывание анатомических изменений, вызванных CNV, с картами экспрессии клеточного класса

Наш анализ градиентов экспрессии для ранее сообщенных сигнатур экспрессии одной клетки (см. Выше) дал полный набор генов для каждого из семи канонических классов клеток. Мы оценили взаимосвязь между корковой экспрессией этих классов клеток и кортикальными изменениями MS в каждом CNV, рассматривая две дополнительные особенности. Во-первых, мы определили наборы генов клеточного класса, которые занимали значительно крайние позиции в каждом ранжированном списке генов CNV из AHBA ( P RAND <0.05). Этот основанный на ранге критерий обеспечивает тест на степень пространственной связи между корковой экспрессией каждого класса клеток и каждой картой изменений CNV. Затем среди классов клеток, которые соответствовали этому критерию на основе ранга для данного CNV, мы исследовали экспрессию генов CNV, чтобы определить классы клеток, которые экспрессировали гены CNV, которые (i) были независимо зарегистрированы как экспрессируемые в мозге на основании протеомных данных (см. ниже), и (ii) занимали крайние позиции (<5-го или> 95-го центиля) рядом со списком генов клеточного класса в соответствующем ранжированном списке генов CNV.

Проверка данных по экспрессии генов у носителей CNV

Гены, чувствительные к дозировке (DS), были определены как гены в области CNV, которые, как сообщалось, показали статистически значимое кратное изменение в соответствии с изменением числа копий генома (т.е. дупликационных носителей по сравнению с контролем или уменьшилось количество носителей с делецией по сравнению с контролями).

Предыдущие отчеты позволили нам определить гены DS в +21 для двух разных типов тканей: мозга 30 и LCL крови 31 .Гены DS головного мозга были определены как все гены хромосомы 21, которые, как было определено, демонстрируют стабильную в развитии и статистически значимую повышающую регуляцию у пациентов по сравнению с контрольной авторами предыдущего исследования посмертной ткани мозга (см. Дополнительную таблицу 3 из ссылки 30 ). Набор генов LCL DS был определен как все гены хромосомы 21, которые, как было обнаружено, значительно активированы в LCL от постнатальных носителей CNV +21 по сравнению с контролями (см. Таблицу 3 из ссылки 31 ). Для каждой ткани гены хромосомы 21, не чувствительные к дозе (nDS), были определены как гены в наборе данных AHBA, которые не попадали в соответствующий набор DS тканей.

Для анеуплоидий X-хромосомы, DS X-сцепленные гены были определены с использованием предыдущего исследования микроматрицы 29 эффектов дозировки X-хромосомы на экспрессию генов в LCL от участников с широким диапазоном дополнений X-хромосомы. Х-сцепленные гены LCL DS были определены как все Х-сцепленные гены с уровнями экспрессии, показывающими значительную положительную связь с вариациями количества Х-хромосом в широком диапазоне кариотипов, охватывающем моносомию Х-хромосомы (т.е. -X CNV), эуплоидию и X -хромосомные состояния дупликации (т.е., + X CNV). Этот критерий (см. Дополнительный информационный текст S3 из ссылки 29 ) определил 40 генов DS для -X и + X CNV. Нечувствительные к дозировке гены для этих состояний CNV были определены как все Х-сцепленные гены в наборе данных AHBA, которые не попадали в набор генов DS.

Мы использовали сравнения медианного ранга, чтобы проверить, демонстрируют ли гены DS и nDS паттерны корковой экспрессии, которые по-разному коррелировали с кортикальными изменениями MS в каждом CNV (рис. 3b, слева). В частности, наблюдаемое различие между средними рангами наборов DS и nDS сравнивали с различиями 10 000 перестановок рангов генов ( P RAND ).

Разница в среднем ранге между двумя наборами генов может быть обусловлена ​​различием в общем распределении рангов между наборами генов или подгруппой генов в одном или обоих наборах с крайними рангами. Мы использовали ранговый децильный анализ, чтобы различать эти два сценария. В частности, мы (i) вычислили разницу в доле генов в наборах генов DS и nDS для каждого дециля ранжированных списков генов CNV и (ii) проверили децили со значительными различиями при P RAND < 0.05 (см. Рис. 3б, справа). Для всех четырех примеров сравнения наборов генов DS-nDS (+21 набор, полученных из мозга; +21, -X, + X наборов, полученных из LCL), медианные ранговые различия между наборами генов DS и nDS были обусловлены небольшой подгруппой гены DS с экстремальным рангом (DS SS , рис. 3b, c, дополнительный набор данных 6).

Для всех трех CNV, рассмотренных в этих анализах (+21, + X, -X), средний ранг для этих генов CNV DS SS имел полярность, противоположную полярности, наблюдаемой для набора генов CNV в целом (см. .Рис. 3в, 1б). Это наблюдение подразумевает, что наблюдаемые кортикальные изменения MS в +21, + X и -X CNV могут быть связаны с двумя противоположными кортикальными градиентами экспрессии гена CNV: для генов DS SS и для генов nDS. Чтобы проверить этот вывод, мы сравнили кортикальный паттерн изменения РС для каждого из этих CNV по данным нейровизуализации с кортикальным паттерном дифференциальной экспрессии DS SS в сравнении с наборами генов nDS, рассчитанными из посмертных данных AHBA (рис. 3d). .

Связь экспрессии периферических генов и анатомии головного мозга

Эти анализы стремились подтвердить взаимосвязь между экспрессией гена CNV и кортикальным РС с использованием оси межиндивидуальных вариаций.Мы могли проверить взаимосвязь между индивидуальными вариациями экспрессии генов и кортикальным РС, используя подгруппу из 55 носителей CNV в нашем исследовании, у которых мы собрали измерения экспрессии гена LCL, а также сканирование мозга sMRI. Все участники исследования несли дополнительную Х-хромосому (11 XXX, 23 XXY, 11 XXYY) и происходили из когорты анеуплоидии по половым хромосомам Национального института здоровья. Подробности сбора данных sMRI и расчета карты MS для этой когорты уже были описаны выше.В рамках ранее опубликованного исследования экспрессии генов, мы также создали qRT-PCR (количественная полимеразная цепная реакция с обратной транскрипцией) для измерения экспрессии генов в ткани LCL от этих участников для 11 DS X-сцепленных генов. Эти 11 генов были отобраны на основе микроматричного скрининга по всему геному для выявления эффектов дозировки Х-хромосомы на экспрессию гена LCL в условиях анеуплоидии половых хромосом 29 . Методы генерации, предварительной обработки и анализа этих данных qRT-PCR были подробно описаны ранее 29 .Вкратце, РНК экстрагировали стандартными методами (Qiagen), а qRT-PCR выполняли с использованием платформы Fluidigm. Для обработки данных анализ с Ct> 23 считался невыраженным. Данные экспрессии были нормализованы относительно усредненной экспрессии двух генов домашнего хозяйства ACTB и B2M, которые не экспрессировались по-разному в разных группах ни в данных микроматрицы, ни в данных rtPCR.

Перед тем, как установить взаимосвязь между экспрессией генов и кортикальным РС у этих 55 + X носителей, мы сначала масштабировали экспрессию генов и данные РС по индивидуумам в каждой группе кариотипов, чтобы устранить эффекты между группами кариотипов.Это позволило нам проверить, было ли в любой данной группе кариотипа + X большее нарушение экспрессии гена DS связано с кортикальной картой MS, которая больше напоминала карту изменений + X MS (рис. 1b). Для этого мы использовали регрессию PLS, чтобы связать индивидуальные вариации в экспрессии генов и индивидуальные вариации кортикального рассеянного склероза (см. Выше). Регрессия методом частичных наименьших квадратов определила главный компонент ковариации между экспрессией генов и кортикальным РС у пациентов и включила нагрузки на этот компонент: по одной для каждого гена и по одной для каждой корковой области.Нагрузки на корковые области от этого компонента PLS затем сравнивали с + X кортикальной картой изменений МС, чтобы проверить те области, которые наиболее чувствительны к дозировке Х-хромосомы, также и те, которые больше всего различаются в зависимости от индивидуальных вариаций в экспрессии DS, сцепленного с X-хромосомой. гены среди носителей дополнительной Х-хромосомы. Это сравнение карт состояло из вычисления пространственной корреляции между нагрузками PLS и карты изменений + X MS и сравнения этой корреляции с распределением 10000 корреляций, заданных случайными пространственными поворотами карты изменений + X MS (т.е.е., P SPIN ).

Определение генов, специфичных для мозга

Нельзя предположить, что все гены, включенные в набор данных AHBA, экспрессируются в головном мозге. В нашем аналитическом подходе к ранжированию генов, основанном на многомерной корреляции (через регрессию PLS) между их экспрессией в мозге и анатомическими изменениями, вызванными CNV, гены высокого ранга должны демонстрировать некоторые пространственные вариации в своей экспрессии, так что они имеют ненулевую экспрессию в по крайней мере, в некоторых областях мозга. Отсутствие фильтрации анализа GO и одноклеточных анализов по экспрессии мозга, следовательно, может привести к риску артефактического повышения значений GO терминов (и обогащения клеточного типа), связанных с экспрессией мозга.

Таким образом, для анализов обогащения ГО и анализов обогащения отдельных клеток, подробно описанных выше, мы сначала установили пороговое значение для нашего полногеномного набора генов ( N = 15043), чтобы он содержал только гены, которые были определены как экспрессируемые в мозге через белок человека. Атлас (HPA; https://www.proteinatlas.org/) база данных экспрессии нормальной ткани. Гены, уровни экспрессии которых не были обнаружены (как определено с помощью HPA) в коре головного мозга, были исключены, что дало список из N = 7971 генов с обнаруженной экспрессией в головном мозге (дополнительный набор данных 7).

Сводка отчетов

Дополнительная информация о дизайне исследований доступна в Сводке отчетов по исследованиям природы, связанной с этой статьей.

Точность декодирования в рибосомных A- и P-сайтах: влияние мутаций в трех различных областях декодирующего домена в 16S рРНК | Исследование нуклеиновых кислот

Абстрактные

Участие определенных регионов Escherichia coli 16S рРНК в точности декодирования было исследовано путем анализа влияния мутаций рРНК на ошибки считывания в сайтах A и P рибосом.Мутации в области 1400-1500, петли 530 и области 1050/1200 (спираль 34) вызывали считывание стоп-кодонов и сдвиг рамки во время элонгации и стимулировали инициацию от кодонов, не относящихся к AUG, при инициации синтеза белка. Эти результаты указывают на участие всех трех областей 16S рРНК в функциях декодирования как на сайтах A, так и на сайтах P. Функциональное сходство всех трех классов мутантов согласуется с непосредственной физической близостью области 1400–1500, петли 530 и спирали 34 и предполагает, что все три области рРНК содержат кодирующий домен в рибосоме.

Введение

Для точного декодирования мРНК необходимо активное участие рибосомных компонентов. Участие рибосомных белков в этом процессе было продемонстрировано классическим генетическим анализом, который показал участие нескольких рибосомных белков в декодировании верности (1). Хотя в этих исследованиях не было выделено мутаций рибосомной РНК, данные из многих различных источников идентифицировали рРНК как незаменимый компонент на всех этапах трансляции. Сайты взаимодействия тРНК, мРНК и других лигандов с рРНК были идентифицированы с помощью перекрестного связывания, химического отпечатка стопы и сайт-направленного мутагенеза (обзор в 2).Среди первых полученных сшивок тРНК-рибосома была сшивка нулевой длины между основанием 34 антикодона тРНК, связанной с сайтом P, и C1400 16S рРНК (3). Многие последующие биохимические и генетические исследования подтвердили важность области 1400-1500 малой субъединицы рРНК в связывании тРНК и антибиотиках, декодировании и взаимодействии субъединица-субъединица. Более того, Purohit и Stern (4) показали, что короткий олигорибонуклеотид, который имитирует область 1400-1500 малой субъединицы рРНК, может взаимодействовать с аминогликозидными антибиотиками и тРНК способом, который удивительно похож на взаимодействие интактной молекулы 16S рРНК с ними. лиганды.

В свете большого количества данных, связывающих область 1400-1500 16S рРНК с декодированием, эта область была названа центром декодирования или сайтом декодирования. Однако другие участки молекулы 16S рРНК также участвуют во взаимодействиях рибосома-тРНК-мРНК (5). Более того, сайт-направленное перекрестное сшивание мРНК-рРНК показало, что, как и область 1400-1500, петля 530 и области 1050/1200 спирали 34 (рис. 1) также находятся рядом с сайтом кодон-антикодон. взаимодействие (6). Чтобы подчеркнуть вклад нуклеотидов рРНК за пределами области 1400-1500 в декодирование, термин «декодирующий домен» был использован для обозначения всех областей 16S рРНК, которые влияют на декодирование (7).

Функциональная роль определенных сайтов в рРНК была проанализирована путем изучения эффектов мутаций в этих сайтах на определенные функции рибосом (8,9). В настоящем исследовании мы проанализировали влияние мутаций в трех различных регионах декодирующего домена на выбор тРНК во время фаз инициации и элонгации трансляции. Как и ранее охарактеризованные мутации замены оснований в петле 530 и спирали 34 (10,11), мы обнаружили, что различные мутации в области 1400-1500 16S рРНК способствуют считыванию стоп-кодонов и сдвигу рамки считывания во время элонгации.Это указывает на то, что эти мутации влияют на отбор тРНК на участке А рибосомы. Однако мутации в тех же трех областях 16S рРНК, а также отсутствие посттранскрипционной модификации оснований A1518 и A1519 увеличивают частоту инициации кодонов, не относящихся к AUG, что указывает на то, что декодирование P-сайта также затронуто в этих мутантах. . Вместе наши данные показывают, что на выбор тРНК как в сайтах A, так и в P влияют одни и те же три области 16S рРНК, и это согласуется с представлением о том, что эти три области находятся в непосредственной близости от сайта взаимодействия кодон-антикодон в рибосоме. .

Материалы и методы

Штаммы бактерий

Штамм

M41 и его производное recA⁻ MC140 использовали в качестве стандартных штаммов дикого типа (12). Устойчивые к касугамицину ( ksgA ) мутанты были получены от покойного доктора Питера ван Книппенберга (Университет Лейдена). Мутация ksgA19 была перенесена в генетический фон MC41 путем трансдукции штамма MC86 (MC41 thr34 :: Tn10) до треониновой независимости с помощью фага P1, полученного на штамме, содержащем ksgA19, и скрининга на устойчивость к касугамицину.Полученный штамм был обозначен как MC178.

Рисунок 1

Вторичная структура E.coli 16S рРНК (57), показывающая сайты мутаций и посттранскрипционных модификаций, проанализированных в этом исследовании. Указаны идентичности оснований дикого типа.

Рисунок 1

Вторичная структура E.coli 16S рРНК (57), показывающая сайты мутаций и посттранскрипционных модификаций, проанализированных в этом исследовании. Указаны идентичности оснований дикого типа.

Таблица 1

плазмид LacZ, использованных в этом исследовании

Таблица 1

плазмид LacZ, используемых в этом исследовании

рРНК и

плазмид lacZ

Мутантная рРНК была экспрессирована из двух разных наборов плазмид в этом исследовании. В pKK3535 интактный оперон rrnB конститутивно транскрибируется с нативных промоторов P 1 P 2 (13). В pNO2680 (14) рРНК транскрибируется с промотора λ P l .В присутствии термочувствительного репрессора l cI (поставляемого на устойчивой к неомицину плазмиде pSC101 pLG857; 12) транскрипция кодируемой плазмидой рРНК репрессируется при 30 ° C, но может быть индуцирована при перемещении культуры до 42 ° C. C. Ряд замен одиночных оснований в 16S рРНК, включая C1395U, C1400, C1407U, G1505U, C1192U и G529U, был осуществлен на плазмидах, полученных из pNO2680 (15, 16). Мутации в положениях A792 и G1530 / A1531 переносились на плазмидах, полученных из pKK3535, которые, кроме того, содержали мутацию C1192U устойчивости к спектиномицину (17,18).

Серия плазмид pSG, содержащих мутации сдвига рамки считывания и нонсенс-мутации на 5′-конце гена lacZ , была описана ранее, и соответствующие последовательности приведены в таблице 1 (11,12). Плазмида pSG25 происходит из pACYC184 и совместима как с плазмидой pLG857, полученной из pSC101, кодирующей l-репрессор, так и с плазмидами pNO2680 и pKK3535, содержащими rrnB , производными от pBR322. Кодон инициации AUG в плазмиде pSG25 lacZ дикого типа ограничен с 5′- и 3′-сторон сайтами Eco RI и Hin dIII соответственно.Плазмиды, содержащие кодоны, отличные от AUG, конструировали путем замены фрагмента Eco RI -Hin dIII из 20 п.н. парами комплементарных синтетических олигонуклеотидов, содержащих инициирующие кодоны AUN или NUG. Первичная структура всех мутантных плазмид была подтверждена нуклеотидным секвенированием, и соответствующие последовательности перечислены в таблице 1.

Культуральная среда и условия роста

Бактерии обычно культивировали в среде Лурия-Бертани (LB).При необходимости добавляли антибиотики в следующих концентрациях: тетрациклин, 12,5 мкг / мл; неомицин, 50 мкг / мл; ампициллин, 250 мкг / мл; касугамицин, 100 мкг / мл. Активность β-галактозидазы в клетках, несущих как мутантную рРНК, так и плазмиды pSG, измеряли после разведения ночных культур и роста при 42 ° C (для плазмид, полученных из pNO2680) или 37 ° C (для pKK3535 и его производных) в течение 150 минут и анализировали. как описано ранее (12).

Выделение и секвенирование β-галактозидазы

Для выделения β-галактозидазы из штаммов, содержащих конструкцию lacZ и плазмиду рРНК, полученную из pNO2680, 2 мкл среды LB инокулировали 200 мл клеток, которые выращивали в течение ночи при 30 ° C.Экспрессию мутантной рРНК индуцировали выращиванием этих культур при 42 ° C в течение 3–5 часов. Клетки собирали и β-галактозидазу выделяли, очищали и секвенировали, как описано ранее (19).

Результаты

Мутации в центре декодирования 16S рРНК снижают точность декодирования сайта A

Ранее мы описали создание мутаций в положениях C1395, C1400, C1407 и G1505. Делеция мутаций C1400 и C → U в положениях 1395 и 1407 имела доминантный летальный фенотип, и мутантные рРНК могли экспрессироваться только временно с индуцибельного промотора (15).Мутации в G1505 мало влияли на жизнеспособность клеток и в сочетании с мутациями C1395U, △ C1400 или C1407U подавляли летальность мутаций с одним основанием. В рамках нашего анализа влияния определенных регионов 16S рРНК на функции декодирования мы исследовали влияние этих мутаций на считывание стоп-кодонов и сдвиг рамки. Штаммы, несущие плазмиды, кодирующие термочувствительный аллель репрессора λ cl, и конструкции lacZ , содержащие стоп-кодоны или сдвиги рамки считывания в 5′-части кодирующей области, были трансформированы плазмидой рРНК дикого типа (pNO2680) и каждым из мутантов. Плазмиды рРНК и транскрипцию мутантной рРНК индуцировали переносом культур до 42 ° C.Данные в таблице 2 показывают, что мутации в C1400, C1395, C1407 и G1505 вызывали от 2 до 5 раз повышение уровня считывания стоп-кодонов и сдвига рамки. Считывание стоп-кодонов происходит путем связывания близкой к родственной тРНК с терминирующим триплетом в сайте A, в то время как сдвиг рамки может быть связан с событиями декодирования сайтов A и P (20). Эти данные показывают, что одним из эффектов мутаций в центре декодирования является нарушение взаимодействия кодон-антикодон в сайте A и снижение точности удлиняющихся рибосом.

Таблица 2

Влияние мутаций рРНК на считывание стоп-кодона и сдвиг рамки считывания

Таблица 2

Влияние мутаций рРНК на считывание стоп-кодона и сдвиг рамки считывания

Характеристика событий сдвига рамки считывания рибосом с помощью секвенирования белков

Механизм сдвига рамки считывания, вызванный мутациями рРНК, описанными в предыдущем разделе и в нашей предыдущей работе (11,16), был дополнительно проанализирован N-концевым секвенированием β-галактозидазы, выделенной из штаммов, несущих выбранные мутации рРНК, и конструкции lacZ сдвига рамки считывания. .Секвенирование белка β-галактозидазы, выделенной из штамма, экспрессирующего мутацию рРНК C1407U и сдвиг рамки считывания pSG12DP-1 lacZ , дало следующую последовательность: M I T (L + R) S L G I R I P (рис. 2). Это предполагает, что в месте сдвига рамки (UUG GGA UAA) GGA-декодирующая тРНК Gly скользит назад на одно основание на 5′-перекрывающийся кодон глицина GGG. Этот сайт сдвига рамки считывания, где последовательность повторяющихся нуклеотидов граничит с 3′-стороной стоп-кодоном в рамке считывания, представляет собой «подвижную остановку» и был тщательно изучен Weiss et al. (21). Их анализ выявил важность перекрывающегося родственного кодона в новой рамке считывания и прилегающего стоп-кодона в исходной рамке считывания. Усиливающий эффект стоп-кодона предполагает, что проскальзывание тРНК происходит, когда тРНК Gly находится в Р-сайте, а стоп-кодон находится в А-сайте. Секвенирование белков показало, что в положении 4 были извлечены аргинин, а также ожидаемый лейцин (рис. 2). Происхождение аргинина в этом положении неизвестно, но оно может происходить из-за (неправильного) считывания кодона лейцина CUG декодирующей CGG тРНК Arg через несоответствие кодона и антикодона во втором положении.

Сдвиг рамки в направлении +1 также охарактеризован с помощью секвенирования белков. Наши предыдущие анализы показали, что мутация G529U дает 6-кратное увеличение сдвига рамки +1 в конструкции pSGlac7 (16). Секвенирование β-галактозидазы, выделенной из штамма, экспрессирующего мутацию рРНК G529U и сдвиг рамки считывания pSGlac7, дало последовательность M R V S G P N (фиг. 3; данные последовательности белков не показаны). Эта неожиданная последовательность предполагает, что трансляция началась не с AUG, а с нижележащего кодона GUG, за которым следует связывание тРНК Arg , декодирующей AGG, на одно основание вне кадра и продолжение трансляции в +1 рамке считывания (рис. .3). Стоп-кодон UAG, который следует за кодоном предполагаемого инициатора GUG, может вызывать паузу трансляции, которая способствует связыванию тРНК вне рамки считывания с сайтом A. Предложенный механизм сдвига рамки имеет некоторое сходство с запрограммированным сдвигом рамки рибосом в дрожжевом элементе Ty3 (22). На стыке рамок считывания GAG3 и POL3 в Ty3 последовательность из семи оснований GCG A GUU декодируется как аланин-валин. Показано, что низкая доступность тРНК Ser , декодирующей AGU, вносит вклад в событие сдвига кадра Ty3.Как в Ty3, так и в предлагаемом сдвиге рамки в конструкции pSGlac7 проскальзывание тРНК не требуется. Хотя инициация трансляции мРНК pSGlac7, по-видимому, происходила в кодоне GUG, эта конструкция lacZ не имеет узнаваемой последовательности Шайна-Дальгарно на соответствующем расстоянии выше по течению. Следовательно, для инициации в GUG может потребоваться, чтобы рибосомы инициировались в кодоне bona fide AUG, оканчивались на кодоне UAG в рамке и повторно инициировались на предыдущем кодоне GUG путем обратного сканирования (23,24).Различные элементы этой модели изображены на рисунке 3. Оба типа событий сдвига рамки считывания, описанные здесь, стимулируются мутациями в области G517, G529, C1400 и спирали 34 (таблица 2; 10,11,16). Это предполагает, что мутации в каждой из этих трех областей 16S рРНК вызывают проскальзывание тРНК, нарушая контакты тРНК-мРНК в P-сайте, и способствуют связыванию тРНК вне рамки, ослабляя жесткость отбора тРНК в A-сайте.

Рисунок 2

N-концевое секвенирование β-галактозидазы, очищенной из штамма, несущего мутацию рРНК C1407U, и конструкцию со сдвигом рамки считывания pSG12DP-1 lacZ .Показан выход в пмоль выбранных аминокислот ПТГ из первых девяти циклов секвенирования. На нижней панели представлена ​​интерпретация этого события сдвига рамки считывания, полученная путем наложения последовательностей белка и мРНК. Кодон GGG, декодированный путем обратного (-1) проскальзывания GGA-декодирующей тРНК Gly , выделен жирным шрифтом.

Рисунок 2

N-концевое секвенирование β-галактозидазы, очищенной из штамма, несущего мутацию рРНК C1407U, и конструкцию со сдвигом рамки считывания pSG12DP-1 lacZ .Показан выход в пмоль выбранных аминокислот ПТГ из первых девяти циклов секвенирования. На нижней панели представлена ​​интерпретация этого события сдвига рамки считывания, полученная путем наложения последовательностей белка и мРНК. Кодон GGG, декодированный путем обратного (-1) проскальзывания GGA-декодирующей тРНК Gly , выделен жирным шрифтом.

Рисунок 3

Предлагаемый механизм сдвига кадра (после повторной инициации) в конструкции pSGlac7 +1 framehift. Две нижние строки показывают последовательность белка, полученную в результате N-концевого секвенирования β-галактозидазы, очищенной из штамма, экспрессирующего мутацию рРНК G529U, и конструкции pSGlac7.

Рисунок 3

Предлагаемый механизм сдвига кадра (после повторной инициации) в конструкции pSGlac7 +1 framehift. Две нижние строки показывают последовательность белка, полученную в результате N-концевого секвенирования β-галактозидазы, очищенной из штамма, экспрессирующего мутацию рРНК G529U, и конструкции pSGlac7.

Влияние мутаций декодирующего домена на распознавание кодонов в сайте P

Триплет AUG в подавляющем большинстве случаев является наиболее распространенным инициирующим кодоном у всех организмов, GUG и UUG используются нечасто, а AUU, AUA и AUC используются редко, если вообще используются.Инициаторная тРНК уникальна тем, что связывается непосредственно с Р-сайтом рибосомы. Факторы инициации и рибосомные белки участвуют в выборе правильного инициирующего кодона мРНК и тРНК и активно дискриминируют неинициаторные тРНК и кодоны. Пытаясь охарактеризовать эффекты мутаций рРНК на функцию P-сайта, мы исследовали их влияние на уровни инициации от кодонов, не относящихся к AUG. Мы предположили, что мутации, которые влияют на функцию декодирования в сайте P, могут изменять частоту инициации из триплетов инициации, не относящихся к AUG.Кодон инициации AUG плазмиды lacZ дикого типа pSG25 был заменен на GUG, UUG и CUG (pSG431, pSG414 и pSG413 соответственно) или AUA, AUC и AUU (pSG416, pSG415 и pSG417 соответственно). Декодирование этих триплетов с помощью тРНК Met во время инициации из нестандартных инициирующих кодонов включает несоответствия одноосновного кодона и антикодона в первом или третьем положениях и, таким образом, аналогично считыванию кодонов UGA с помощью тРНК Trp или UAA и UAG. кодоны тРНК Gln в сайте A (25–27).Данные в таблице 3 показывают, что мутации в петле 530 (G529U) и спирали 34 (U1199C / C1200U и U1199G / C1200G), а также мутации в области C1400, описанные в предыдущем разделе, стимулировали инициацию каждой из кодоны инициации, не относящиеся к AUG. Однако только некоторые из мутаций спирали 34 способствовали неправильному кодированию. Таким образом, мутация C1192U в спирали 34, которая придает устойчивость к спектиномицину (28), не влияла на считывание стоп-кодонов, сдвиг рамки считывания или события инициации (таблицы 2 и 3), что согласуется с ее отсутствием влияния на рост клеток или in vitro. параметров трансляции (29).Чтобы охарактеризовать эти аберрантные события инициации, β-галактозидазу очищали от выбранных штаммов и подвергали N-концевому секвенированию. Анализ последовательности β-галактозидазы, выделенной из штамма, несущего конструкцию pSG413 lacZ и мутацию рРНК G529U, показал, что, как и предполагалось, инициация происходила в кодоне CUG (рис. 4). Аналогичным образом секвенирование белков показало, что в штамме, несущем плазмиду pSG415 lacZ и мутации рРНК U1199G / C1200G, инициация происходила в предсказанном кодоне AUC (рис.5). Эти данные ясно показывают, что мутации в трех различных областях 16S рРНК влияют на взаимодействия кодон-антикодон в сайте Р рибосомы, в то время как данные, представленные в предыдущем разделе и в наших предыдущих анализах (10,11,16), показывают, что эти же области рРНК участвуют в отборе тРНК на сайте A и в поддержании рамки считывания. Сходство функциональных эффектов этих мутантов предполагает, что петля 530, область C1400 и спираль 34 все участвуют в модуляции взаимодействий тРНК-рибосома на нескольких этапах во время трансляции.Более того, выделение супрессорных / антисупрессорных мутаций в эквивалентных положениях в дрожжевых митохондриальных и цитоплазматических малых субъединицах рРНК (в условиях, когда вся рРНК является мутантной) предполагает участие этих трех областей рРНК в декодировании у всех организмов (7).

Рисунок 4

N-концевое секвенирование для определения инициирующего кодона, используемого в конструкции pSG413 lacZ . β-Галактозидазу очищали из штамма, экспрессирующего мутацию рРНК G529U, и конструкции pSG413 lacZ .Показан выход в пмоль для выбранных аминокислот ПТГ, проанализированных для первых пяти циклов.

Рисунок 4

N-концевое секвенирование для определения инициирующего кодона, используемого в конструкции pSG413 lacZ . β-Галактозидазу очищали из штамма, экспрессирующего мутацию рРНК G529U, и конструкции pSG413 lacZ . Показан выход в пмоль для выбранных аминокислот ПТГ, проанализированных для первых пяти циклов.

Инициирование трансляции требует участия трех факторов инициации IF1, IF2 и IF3.IF3 участвует в выборе тРНК инициатора, которая связывается с сайтом P малой субъединицы. Фактор взаимодействует с антикодонным участком стебель-петля тРНК и дестабилизирует инициирующие комплексы, содержащие неинициаторные тРНК или неканонические инициирующие комплексы (30). Эксперименты по перекрестному связыванию показали, что IF3 взаимодействует как с центральным, так и с минорным 3 ‘доменами 16S рРНК (31) и 30S рибосомных субъединиц, содержащих мутации в положениях G791 и A792 в петле 790 или с G1530 / A1531 на 3’-конце 16S. Было показано, что рРНК нарушает связывание IF3 (17,18,32).Из-за влияния этих мутаций рРНК на взаимодействия рибосома-IF3, мы проанализировали их влияние на выбор кодонов инициации AUG. Эти данные, представленные в таблице 3, показывают, что мутанты A792U, A792G и G1530A / A1531G не увеличивают инициацию от кодонов, не относящихся к AUG. Это указывает на то, что уменьшение взаимодействия рибосома-IF3 per se не влияет на выбор кодонов инициации AUG, но вместо этого предполагает, что анализируемые здесь мутации рРНК влияют на инициацию, снижая точность отбора тРНК в Р-сайте рибосомы.

Таблица 3

Влияние мутаций рРНК на инициацию с кодонов, не относящихся к AUG

Таблица 3

Влияние мутаций рРНК на инициацию с кодонов, не относящихся к AUG

Рисунок 5

N-концевое секвенирование

для определения инициирующего кодона, используемого в конструкции pSG415 lacZ , с использованием β-галактозидазы, очищенной из штамма, экспрессирующего мутацию рРНК U1199G / C1200G. Показан выход в пмоль для выбранных аминокислот ПТГ, полученный для первых четырех циклов.

Рисунок 5

N-концевое секвенирование

для определения инициирующего кодона, используемого в конструкции pSG415 lacZ , с использованием β-галактозидазы, очищенной из штамма, экспрессирующего мутацию рРНК U1199G / C1200G. Показан выход в пмоль для выбранных аминокислот ПТГ, полученный для первых четырех циклов.

Взаимодействие G1505 с другими участками 16S рРНК

Наше более раннее исследование показало, что летальные эффекты мутаций в положениях 1395, 1400 и 1407 подавлялись второй мутацией в положении 1505 (15).В рамках нашей характеристики механизма подавления были исследованы уровни ошибок трансляции, поддерживаемые комбинациями двойных мутантных рРНК C1395U / G1505U, △ C1400 / G1505U и C1407U / G1505U. Эти данные (таблица 2) показали, что в целом каждая из двойных мутантных рРНК увеличивала сдвиг рамки считывания и считывание стоп-кодонов в той же (или большей) степени, чем любая из мутаций с одним основанием, и, таким образом, указывали, что двойные мутантные рРНК были активны в перевод. Супрессорный эффект замен оснований в положении 1505 не ограничивается мутациями в области C1400, поскольку Джемиоло и его коллеги восстановили мутацию G1505A как внутригенный супрессор двух летальных трансверсий в G1207 (33; D.Джемиоло, личное сообщение). G1505 находится в области рРНК, которая образует незначительную перекрестную связь с IF3 (31). Взаимодействие G1505U и G791A, другой мутации, которая снижает связывание IF3, исследовали путем объединения обеих мутаций в плазмиде, полученной из pNO2680. Измерения скорости роста штаммов, экспрессирующих различные рРНК, показали, что мутант дикого типа и мутант G1505U имели неразличимое время удвоения (относительное время удвоения = 1), в то время как мутант G791A / G1505U рос медленнее, чем мутант G791A (относительное время удвоения 1.8 и 1.3 соответственно). Таким образом, мутации в положении 1505 могут взаимодействовать либо положительно, либо отрицательно с вредными мутациями в разных положениях в 16S рРНК. Отрицательное влияние G1505U на скорость роста мутанта G791A вместе с эффектами мутаций, содержащих G1505U, на точность трансляции (таблица 2), указывает на то, что подавление области C1400 и мутантов G1207 заменами оснований в G1505 не является результатом секвестрации. кодируемых плазмидой рРНК в необработанной или неактивной форме субъединицы.Более правдоподобная гипотеза состоит в том, что положения G791, G1207, C1395, C1400, C1407 и G1505 все находятся в или около сайта связывания для основного лиганда, такого как IF3, и модулируют его сродство к субъединице 30S.

Влияние

ksg / A-зависимого диметилирования A1518 и A1519 на декодирование сайтов A и P

Считается, что антибиотик касугамицин ингибирует синтез белка, вмешиваясь в Р-сайт рибосомы (34). Однако также сообщалось о влиянии касугамицина на декодирование A-сайта (35).Устойчивость к антибиотику может возникать из-за мутаций в метилазе KsgA, которая модифицирует A1518 и A1519 около 3′-конца 16S рРНК. Метилазодефицитные штаммы ksgA⁻ дефектны во взаимодействиях субъединица-субъединица и IF3 и демонстрируют повышенные уровни считывания стоп-кодонов и сдвига рамки считывания (35). Влияние немодифицированного A1518 / A1519 на декодирование в сайте P было протестировано путем трансформации штаммов ksgA⁻ , дефицитных по метилазе, с диапазоном конструктов инициирующих кодонов lacZ из .Данные, представленные в таблице 4, показывают, что штаммы ksgA⁻ также демонстрируют повышенные уровни инициации от кодонов, не относящихся к AUG. Эти данные предполагают, что помимо изменений в первичной структуре, изменения в паттерне посттранскрипционной модификации 16S рРНК могут влиять на точность декодирования как в A, так и в P сайтах.

Таблица 4

Влияние ksgA-зависимой модификации рРНК на инициацию с кодонов, не относящихся к AUG

Таблица 4

Влияние ksgA-зависимой модификации рРНК на инициацию с кодонов, не относящихся к AUG

Обсуждение

В экспериментах по химической защите и сшиванию были определены специфические основания в 16S рРНК, которые участвуют в связывании тРНК с сайтами A, P и E рибосом, и помогли определить ориентацию тРНК на рибосоме (6).Представленные здесь данные показывают, что мутации в нескольких из этих положений, таких как G529, который был связан с функцией сайта A, и C1400, который был связан с функцией сайта P, влияли на декодирование как в A, так и в P сайтах. Это предполагает, что мутации в петле 530, области 1400-1500 и мутации в спирали 34 все приводят к искажению сайта взаимодействия кодон-антикодон, что приводит к потере различения между родственными и близкими к родственным тРНК в соседнем A и P сайтов.Влияние мутаций рРНК на отбор тРНК может быть аналогично влиянию вызывающих ошибки аминогликозидных антибиотиков, которые, как считается, усиливают неспецифические взаимодействия тРНК-рибосомы за счет точных взаимодействий кодон-антикодон (36). Ослабление специфических контактов мРНК-тРНК также согласуется с эффектами мутаций рРНК на проскальзывание тРНК, что приводит к ошибкам рамки считывания (Таблица 2 и Рис. 2). В этом контексте важно, что антибиотики стрептомицин и неомицин, а также мутации, увеличивающие количество ошибок в рибосомных белках S4 и S5, и ограничивающие ошибки мутации в рибосомном белке S12, как было показано, влияют на взаимодействия тРНК-рибосомы как на Участки A и P (37).Однако важное функциональное различие между этими рибосомными мутантами заключается в том, что, хотя антибиотики и мутации рибосомных белков по-разному влияли на взаимодействия тРНК-рибосомы в рибосомных сайтах A и P, мутации рРНК, описанные здесь, имели такой же эффект увеличения ошибок при декодировании оба сайта.

Область 1400-1500 16S рРНК

ТРНК, связанные с сайтами A и P, снижают или усиливают реактивность нескольких нуклеотидов в области 1400–1500 по отношению к химическим зондам (5) и аминогликозидным антибиотикам, которые нарушают декодирование, защищают A1408, G1491 и G1494 (34).Кроме того, было показано, что положения +4 и +7 на мРНК могут быть сшиты с основаниями C1402 и C1395 соответственно (38). Следовательно, эффекты 1400-1500 мутаций области на декодирование, вероятно, происходят из-за прямого нарушения взаимодействий тРНК-мРНК-рибосома. Хотя нуклеотиды, окружающие C1400, первоначально были изображены как одноцепочечные, недавние филогенетические и мутационные анализы показали, что нуклеотиды, прилегающие к C1400, спарены с нуклеотидами, примыкающими к A1500 (39; рис.1). Таким образом, предлагается соединить C1407 с G1494, и были получены генетические доказательства существования пар оснований G1401-C1501, C1404-G1497 и G1405-C1496 (40,41). Например, в анализируемой здесь мутации C1407U пара U-G заменила нативную пару C-G. Анализы рибосом, несущих нарушения в третичных парах оснований или делеции в области 1400-1500, Офенганд и соавторы показали, что на инициацию, а также на связывание тРНК с сайтами A и P влияют мутации (40-42 ).Это согласуется с нашими результатами, которые показывают, что нарушение центра декодирования мутациями C1395U, AC1400, C1407U и G1505U влияет на поддержание рамки считывания и влияет на взаимодействия тРНК-мРНК-рибосома в соседних сайтах A и P.

Спираль 34

Выделение явно UGA-специфической супрессорной мутации в положении C1054 в E.coli 16S рРНК привело к разработке модели терминации UGA (43). Эта модель предполагает, что распознавание кодона терминации UGA происходит посредством спаривания оснований между триплетом UGA и любым из тандемных триплетов UCA по основаниям 1199–1204 в спирали 34.Однако последующий анализ показал, что мутации в положениях C1054 / C1200 или рядом с ними вызывают считывание всех трех стоп-кодонов, а также повышают уровни сдвига рамки считывания (11). В этом исследовании мы продемонстрировали, что эффекты мутаций в спирали 34 не ограничиваются фазой элонгации трансляции, но также влияют на точность декодирования в сайте P во время инициации. Другая модель спаривания оснований рРНК-мРНК для терминации была предложена Tate et al. (44), основанный на сшивании терминирующего триплета UAA в положение A1408.Однако представленные здесь данные показывают, что мутация C1407U, которая изменяет предложенную последовательность распознавания для терминирующих триплетов, не только влияет на считывание всех трех стоп-кодонов и сдвиг рамки, но также влияет на точность декодирования при инициации. Более того, мутации в C1395, C1400 и G1505 вызвали тот же паттерн ошибок декодирования сайтов A и P, что и для мутации C1407U. Хотя эти результаты подчеркивают важность спирали 34 и области C1400 в поддержании рамки считывания и взаимодействиях тРНК-мРНК как в сайтах A, так и в сайтах P, они не подтверждают специфическое участие любого из этих регионов в терминации.Следовательно, эффекты мутаций в обеих этих областях 16S рРНК, скорее всего, происходят из нарушения взаимодействий тРНК-мРНК-рибосома в целом, а не из-за специфического влияния на процесс терминации. Прямые доказательства связывания спирали 34 с взаимодействиями мРНК-рибосома были получены в экспериментах по сайт-направленному сшиванию, которые показали, что, хотя положения +4 и +7 мРНК были сшиты с C1395 и C1402 соответственно, положение +6 было сшито с U1052 в спирали 34 ( 38,45).Кроме того, тетрациклин, антибиотик, который ингибирует связывание тРНК в сайте A, защищает A892 в центральном домене и U1052 и C1054 в спирали 34 от химической модификации (46). Таким образом, хотя в спирали 34 нет tRNA-зависимых перекрестных связей или химической защиты, перекрестные связи мРНК и антибиотические следы вместе с представленными здесь генетическими данными указывают на участие спирали 34 в функциях декодирования при инициации и удлинении.

Петля 530

Генетические доказательства, связывающие петлю 530 с функцией декодирования, были получены в результате выделения бессмысленной супрессорной мутации в положении G517 в митохондриях дрожжей (47) и мутаций, придающих устойчивость к вызывающему ошибки антибиотику стрептомицину в хлоропластах и ​​микобактериях (48,49).Участие петли 530 в декодировании и устойчивости к антибиотикам как в цитоплазматических рибосомах E.coli , так и в цитоплазматических рибосомах дрожжей было впоследствии установлено посредством сайт-направленного мутагенеза оперонов рРНК (10,16,50,51). Анализ летальной мутации G530A Пауэрсом и Ноллером (52) предположил, что эти мутантные рибосомы могут быть специфически дефектными во взаимодействиях EF-Tu-рибосомы. Кроме того, было обнаружено, что антибиотики и мутации рибосомных белков, которые способствовали неправильному кодированию, по-разному влияли на тРНК-зависимую защиту G530, но не на защиту A1492 / A1493 в сайте A (53).Эти находки привели к развитию модели, которая предполагает, что конформация петли 530 по-разному реагирует на связывание родственных и не родственных тройных комплексов во время начального распознавания и проверки тРНК (52,53). Согласно этой модели, петля 530 влияет на связывание тРНК через свое влияние на взаимодействие рибосома-EF-Tu. Однако наши результаты показывают, что петля 530 может играть гораздо более прямую роль во взаимодействии тРНК-рибосомы и на нескольких стадиях трансляции. Мутация G529U влияет на поддержание рамки считывания и точность декодирования как во время фазы инициации, так и фазы удлинения трансляции.Связывание инициаторной тРНК с сайтом Р рибосомы не включает EF-Tu, и, по крайней мере, некоторые из событий сдвига рамки рибосомы, на которые влияют мутации в петле 530, включают проскальзывание родственных тРНК в сайте Р (а не неправильную транслокацию не- родственных тРНК или не в фазе связывания тРНК с сайтом A). Эти соображения, вместе с функциональным сходством мутации G529U с изменениями спирали 34 и области C1400, предполагают, что все три области рРНК содержат кодирующий домен и что изменения в любой из трех областей имеют сходные эффекты на взаимодействия тРНК-рибосомы. .Эта интерпретация согласуется с данными о перекрестном связывании мРНК, которые показывают, что петля 530, спираль 34 и область C1400 образуют перекрестные сшивки с мРНК между положениями +4 и +11 (38,45,54). С таким расположением декодирующего домена также согласуются недавние данные Heilek и Noller (55), которые определили рРНК-соседство рибосомного белка S5 с использованием реагента для расщепления Fe (II) -EDTA, привязанного к аминокислоте 21. Использование этого реагента , расщепления наблюдались в петлях 420 и 530, центральном псевдоузле, областях 920 и 1400 и спирали 34, что указывает на тесную физическую близость всех этих областей 16S рРНК.

Благодарности

Мы признательны Эдварду Минану, докторам Джону Аткинсу и Рэю Гестеланду за проведение анализов секвенирования белков, Стивену Лодмеллу и Стивену Грегори за конструирование некоторых плазмид pSG и Барбаре Бахманн, Мелвину Сантеру и Мэтью Фирпо за предоставление плазмид и бактериальных штаммов. Мы благодарим доктора Джорджа К. Пеннаббла за его эрудированные идеи, Дэвида Джемиоло за то, что он поделился неопубликованными результатами, и наших коллег из лабораторий Дальберга и Циммермана за их комментарии к этой рукописи.Эта работа была поддержана грантами GM19756 для A.E.D и GM22807 для R.A.Z от Национальных институтов здравоохранения.

Список литературы

1.,

Nature New Biol.

,

1971

, т.

234

(стр.

261

264

) 2. ,

Анну. Rev. Biochem.

,

1991

, т.

60

(стр.

191

227

) 3,,,,. ,

Proc. Natl. Акад. Sci. США

,

1982

, т.

79

(стр.

5450

5454

) 4,. ,

Природа

,

1994

, т.

377

(стр.

659

662

) 5,. ,

J. Mol. Биол.

,

1990

, т.

211

(стр.

135

145

) 6. ,

евро. J. Biochem.

,

1995

, т.

182

(стр.

501

506

)

7.,. ,

Рибосомная РНК, структура, эволюция, процессинг и функция в биосинтезе белка

,

1995

Boca Raton, FL

CRC Press

(стр.

277

309

) 8,,,,,,,,. ,

Biochem. Cell Biol.

,

1995

, т.

73

(стр.

859

868

) 9,,. ,,,,. ,

Трансляционный аппарат. Структура, функции, регулирование, эволюция

,

1993

New York, NY

Plenum Press

(стр.

489

500

) 10,,. ,

Nucleic Acids Res.

,

1992

, т.

20

(стр.

4221

4227

) 11,.,

J. Mol. Биол

,

1994

, т.

243

(стр.

402

412

) 12,. ,

Proc. Natl. Акад. Sci. США

,

1993

, т.

90

(стр.

9214

9218

) 13,,,,,,. ,

Плазмида

,

1981

, т.

6

(стр.

112

118

) 14,,,. ,

Proc. Natl. Акад. Sci. США

,

1985

, т.

82

(стр.

1069

1073

) 15,,,,.,

Nucleic Acids Res.

,

1988

, т.

16

(стр.

8129

8146

) 16,,,,,. ,

РНК

,

1995

, т.

1

(стр.

89

94

) 17,,,,,,,,,. ,

Proc. Natl. Акад. Sci. США

,

1990

, т.

87

(стр.

3700

3704

) 18,,,. ,

J. Biol. Chem.

,

1996

, т.

271

(стр.

4693

4698

) 19,,,,.,

EMBO J.

,

1993

, vol.

12

(стр.

2559

2566

) 20,. ,

Translational Control

,

1996

Plainview, NY

Лаборатория Колд-Спринг-Харбор Пресс

(стр.

653

685

) 21,,,. ,

Колд-Спринг-Харбор Symp. Quant. Биол.

,

1987

, т.

52

(стр.

687

693

) 22,,. ,

Ячейка

,

1993

, т.

74

(стр.

93

103

) 23,. ,

J. Mol. Биол.

,

1990

, т.

213

(стр.

811

818

) 24,. ,

Nucleic Acids Res.

,

1989

, т.

17

(стр.

5501

5507

) 25,. ,

J. Mol. Биол.

,

1971

, т.

58

(стр.

459

468

) 26,,. ,

J. Mol. Биол.

,

1966

, т.

18

(стр.

48

57

) 27,,,.,

Proc. Natl. Акад. Sci. США

,

1987

, т.

84

(стр.

8031 ​​

8034

) 28,,. ,

Nucleic Acids Res.

,

1984

, т.

12

(стр.

4653

4663

) 29,,,,. ,

EMBO J.

,

1990

, vol.

9

(стр.

735

739

) 30,,,. ,

Genes Dev.

,

1990

, т.

4

(стр.

1790

1800

) 31,,,,,,.,

Nucleic Acids Res.

,

1986

, т.

14

(стр.

4803

4821

) 32,,. ,

Proc. Natl. Акад. Sci. США

,

1989

, т.

86

(стр.

4927

4931

) 33,,. ,

Nucleic Acids Res.

,

1991

, т.

19

(стр.

4259

4265

) 34,,,,. ,

EMBO J

,

1991

, т.

10

(стр.

3099

3103

) 35,,.,

FEBSLett.

,

1984

, т.

177

(стр.

119

124

) 36. ,,,,,. ,

Молекулярные основы действия антибиотиков

,

1981

New York, NY

Wiley

(стр.

402

547

) 37,. ,

EMBO J.

,

1996

, vol.

15

(стр.

1149

1154

) 38,,,,,. ,

Nucleic Acids Res.

,

1993

, т.

21

(стр.

283

2859

) 39,,. ,

Microbiol. Ред.

,

1994

, т.

58

(стр.

10

26

) 40,,,,,. ,

Биохимия

,

1992

, т.

31

(стр.

12012

12022

) 41,,,. ,

Biochemistry

,

1993

, vol.

32

(стр.

7172

7180

) 42,,,,,,. ,

Biochemistry

,

1989

, vol.

28

(стр.

1012

1019

) 43,,,. ,

Proc. Natl. Акад. Sci. США

,

1988

, т.

85

(стр.

4162

4165

) 44,,. ,

Nucleic Acids Res.

,

1990

, т.

18

(стр.

6537

6544

) 45,,. ,

EMBO J

,

1991

, т.

10

(стр.

2613

2620

) 46,. ,

Природа

,

1987

, т.

327

(стр.

389

394

) 47,. ,

Nucleic Acids Res.

,

1989

, т.

17

(стр.

4535

4539

) 48,,,. ,

Genetics

,

1989

, т.

123

(стр.

281

292

) 49,,,,. ,

Противомикробные средства. Chemother.

,

1994

, т.

38

(стр.

228

233

) 50,,. ,

EMBO J.

,

1994

, vol.

13

(стр.

906

913

) 51,,. ,

Nucleic Acids Res.

,

1988

, т.

16

(стр.

9631

9639

) 52,. ,

Proc. Natl. Акад. Sci. США

,

1993

, т.

90

(стр.

1364

1368

) 53,. ,

J. Mol. Биол.

,

1994

, т.

235

(стр.

156

172

) 54,,. ,

J. Biol. Chem.

,

1995

, т.

270

(стр.

12794

12800

) 55,. ,

Наука

,

1996

, т.

272

(стр.

1659

1662

) 56. ,

Краткий курс по бактериальной генетике

,

1991

Plainview, NY

Cold Spring Harbor Laboratory Press

57.,

Nucleic Acids Res.

,

1994

, т.

22

(стр.

3502

2507

)

© 1997 Oxford University Press

Декодирование подкатегорий человеческого тела из областей коры головного мозга, реагирующих как на тело, так и на лицо

Основные моменты

Подкатегории тела Пол и вес могут быть декодированы на основе активности мозга.

Области мозга, реагирующие на тело и лицо, содержат информацию о подкатегориях тела.

Кодировка подкатегории тела не зависит от размера изображения.

Abstract

Наша визуальная система может легко классифицировать объекты (например, лица и тела) и далее дифференцировать их на подкатегории (например, мужские и женские). Эта способность особенно важна для объектов социальной значимости, таких как человеческие лица и тела.Хотя многие исследования продемонстрировали селективность категорий лиц и тел в мозгу, остается неясным, как представлены подкатегории лиц и тел. Здесь мы исследовали, как мозг кодирует две важные подкатегории, общие для лиц и тел, пол и вес, и зависит ли нейронная реакция на эти подкатегории от визуального сходства низкого уровня, визуального или семантического сходства высокого уровня. Мы записали активность мозга с помощью фМРТ, пока участники рассматривали лица и тела, которые различались по полу, весу и размеру изображения.Результаты показали, что пол тела может быть декодирован из областей мозга, реагирующих как на тело, так и на лицо, причем первые демонстрируют более последовательное инвариантное декодирование, чем вторые. Вес тела также можно было декодировать в областях, реагирующих на лицо, и в распределенных областях, реагирующих на тело, и это декодирование также было инвариантно к размеру изображения. Вес лиц может быть декодирован из веретенообразной области тела (FBA), а вес может быть декодирован по стимулам лица и тела в экстрастриарной области тела (EBA) и распределенной области, реагирующей на тело.Пол хорошо контролируемых лиц (например, исключая прически) не может быть декодирован из областей, реагирующих на лицо или тело. Эти результаты демонстрируют, что участки мозга, реагирующие на лицо и тело, кодируют информацию, которая позволяет различать пол и вес тела. Более того, нейронные паттерны, соответствующие полу и весу, были инвариантны к размеру изображения и иногда могли обобщаться на стимулы лица и тела, предполагая, что такая подкатегориальная информация кодируется визуальным или семантическим кодом высокого уровня.

Ключевые слова

Восприятие тела

Восприятие лица

EBA

FBA

OFA

FFA

Рекомендуемые статьиЦитирующие статьи (0)

© 2019 Авторы. Опубликовано Elsevier Inc.

Рекомендуемые статьи

Цитирующие статьи

Расшифровка различных сенсорных модальностей выявляет общие супрамодальные признаки сознательного восприятия

Значимость

Выдающаяся цель когнитивной нейробиологии — понять взаимосвязь между нейрофизиологическими процессами и сознательными переживаниями.Более или менее неявно предполагается, что общие супрамодальные процессы могут лежать в основе сознательного восприятия в различных сенсорных модальностях. Мы протестировали эту идею напрямую, используя анализ декодирования мозговой активности после околопороговой стимуляции, исследуя общие нейронные корреляты сознательного восприятия между различными сенсорными модальностями. Наши результаты по всем протестированным сенсорным модальностям выявили специфическую динамику супрамодальной мозговой сети, что интересно, включая первичные сенсорные коры, не связанные с задачами.Наши результаты являются прямым доказательством общего распределенного паттерна активации, связанного с сознательным доступом в различных сенсорных модальностях.

Abstract

Все больше исследований выделяют общие области мозга и процессы, опосредующие сознательный сенсорный опыт. Хотя большинство исследований проводилось в визуальной модальности, неявно предполагается, что аналогичные процессы задействованы и в других сенсорных модальностях. Однако существование супрамодальных нейронных процессов, связанных с сознательным восприятием, до сих пор убедительно не доказано.Здесь мы стремимся напрямую обратиться к этой проблеме, исследуя, могут ли нейронные корреляты сознательного восприятия в одной модальности предсказать сознательное восприятие в другой модальности. В двух отдельных экспериментах мы представили участникам последовательные блоки почти пороговых задач, включающие субъективные отчеты о тактильных, визуальных или слуховых стимулах во время одного и того же получения магнитоэнцефалографии (МЭГ). Используя анализ декодирования в постстимульный период между сенсорными модальностями, наш первый эксперимент выявил супрамодальные пространственно-временные паттерны нейронной активности, предсказывающие сознательное восприятие слабой стимуляции.Поразительно, что эти супрамодальные паттерны включали активность в первичных сенсорных областях, не имеющих прямого отношения к задаче (например, нейронная активность в зрительной коре головного мозга, предсказывающая сознательное восприятие слуховой стимуляции, близкой к пороговой). Мы тщательно воспроизводим наши результаты в контрольном эксперименте, который, кроме того, показывает, что соответствующие шаблоны не зависят от типа сообщения (т.е. от того, было ли сообщено о сознательном восприятии при нажатии или удержании нажатия кнопки). Используя стандартные парадигмы для исследования нейронных коррелятов сознательного восприятия, наши результаты показывают общую сигнатуру сознательного доступа к сенсорным модальностям и иллюстрируют позднюю во времени и широко распространенную трансляцию нейронных репрезентаций даже в не связанные с задачами первичные сенсорные области обработки.

В то время как мозг может обрабатывать огромное количество сенсорной информации параллельно, сознательный доступ возможен только к некоторой информации, которая играет важную роль в том, как мы воспринимаем окружающую среду и действуем в ней. Таким образом, выдающейся целью когнитивной нейробиологии является понимание взаимосвязи между нейрофизиологическими процессами и сознательными переживаниями. Однако, несмотря на огромные исследовательские усилия, точная динамика мозга, которая позволяет сознательно получать доступ к определенной сенсорной информации, остается нерешенной.Тем не менее, был достигнут прогресс в исследованиях, направленных на выделение нейронных коррелятов сознательного восприятия (1), в частности, предполагающих, что сознательное восприятие — по крайней мере, если оно используется в качестве отчетности (2) — внешних стимулов в решающей степени зависит от задействования широко распределенного мозга. сеть (3). Чтобы изучить нейронные процессы, лежащие в основе сознательного восприятия, нейробиологи часто подвергают участников воздействию стимулов, близких к пороговым (NT), которые соответствуют их индивидуальным порогам восприятия (4).В экспериментах с NT существует вариабельность от испытания к испытанию, при которой сознательно воспринимается около 50% стимулов с интенсивностью NT. Из-за фиксированной интенсивности физические различия между стимулами в пределах одной и той же модальности могут быть исключены как определяющий фактор, приводящий к регистрируемым ощущениям (5). Несмотря на многочисленные методы, используемые для исследования сознательного восприятия внешних событий, большинство исследований нацелены на одну сенсорную модальность. Однако любой конкретный нейронный паттерн, идентифицированный как коррелят сознания, требует доказательств того, что он в некоторой степени обобщает, например.g., через сенсорные модальности. Мы утверждаем, что это пока убедительно не показано.

В визуальной области было показано, что сознательный опыт, подлежащий отчету, присутствует, когда первичная зрительная кортикальная активность распространяется на иерархически расположенные ниже по течению области мозга (6), требуя активации лобно-теменных областей для полной отчетности (7). Тем не менее, недавнее исследование магнитоэнцефалографии (МЭГ) с использованием задачи визуальной маскировки выявило раннюю активность первичной зрительной коры как лучший предиктор сознательного восприятия (8).Другие исследования показали, что нейронные корреляты слухового сознания связаны с активацией лобно-височных, а не лобно-теменных сетей (9, 10). Кроме того, повторяющаяся обработка данных между первичной, вторичной соматосенсорной и премоторной корой была предложена как потенциальные нейронные сигнатуры тактильного сознательного восприятия (11, 12). В самом деле, повторяющаяся обработка данных между областями коры высшего и низшего порядка внутри определенной сенсорной системы считается маркером сознательной обработки (6, 13, 14).Более того, альтернативные теории, такие как концепция глобального рабочего пространства (15), расширенная Dehaene et al. (16) постулируют, что лобно-теменное взаимодействие помогает «транслировать» релевантную информацию по всему мозгу, делая ее доступной для различных когнитивных модулей. В различных электрофизиологических экспериментах было показано, что этот процесс происходит относительно поздно (~ 300 мс) и может быть связан с повышенной вызванной активностью мозга после появления стимула, такого как так называемый сигнал P300 (17⇓ – 19). Такая поздняя активность мозга, кажется, коррелирует с перцептивным сознанием и может отражать глобальную трансляцию интегрированного стимула, делающего его сознательным.Взятые вместе, теории и экспериментальные данные свидетельствуют в пользу различных «сигнатур» сознания от повторяющейся активности в сенсорных областях до глобальной трансляции информации с участием лобно-теменных областей. Хотя это обычно подразумевается, до сих пор неясно, связаны ли похожие пространственно-временные паттерны нейронной активности с сознательным доступом к различным сенсорным модальностям.

В текущем исследовании мы исследовали сознательное восприятие в различных сенсорных системах, используя многомерный анализ данных МЭГ.Наше рабочее предположение состоит в том, что активность мозга, связанная с сознательным доступом, должна быть независимой от сенсорной модальности; то есть нейронные процессы, связанные с надмодальным сознанием, должны демонстрировать пространственно-временное обобщение. Такую гипотезу лучше всего проверить, применяя методы декодирования к электрофизиологическим сигналам, записанным при исследовании сознательного доступа в различных сенсорных модальностях. Применение многомерного анализа паттернов (MVPA) к электроэнцефалографии (ЭЭГ) и измерениям МЭГ обеспечивает повышенную чувствительность при обнаружении экспериментальных эффектов, распределенных в пространстве и времени (20–23).MVPA часто используется в сочетании с методом прожектора (24, 25), который включает в себя перемещение небольшого пространственного окна по данным для выявления областей, содержащих декодируемую информацию. Комбинация обоих методов обеспечивает пространственно-временное обнаружение оптимальной декодируемости, определяя, где, когда и как долго определенный паттерн присутствует в активности мозга. Такой многомерный анализ декодирования был предложен в качестве альтернативы в исследованиях сознания, дополняя другие традиционные одномерные подходы к идентификации нейронной активности, прогнозирующей сознательный опыт на уровне одного исследования (26).

Здесь мы получили данные МЭГ, в то время как каждый участник выполнял три различных стандартных задачи NT на трех сенсорных модальностях с целью характеристики супрамодальных мозговых механизмов сознательного восприятия. В первом эксперименте мы показываем, как нейронные паттерны, связанные с перцептивным сознанием, могут быть обобщены в пространстве и времени внутри и, что наиболее важно, между различными сенсорными системами, с помощью классификационного анализа восстановленной мозговой активности на уровне источника. В дополнительном контрольном эксперименте мы воспроизводим основные результаты и исключаем возможность того, что наблюдаемые нами закономерности связаны с подготовкой / выбором ответа, несмотря на необходимость сообщать об обнаружении стимулов в каждом испытании в наших экспериментах.

Результаты

Поведение.

Мы исследовали частоту обнаружения участниками NT, фиктивного (отсутствие стимуляции) и улова (интенсивность стимуляции выше порога восприятия) отдельно для начального и контрольного экспериментов. Для контроля ложных тревог и корректировки показателей отклонения в ходе эксперимента использовались пробные и фиктивные испытания.

Во время начального эксперимента участникам приходилось ждать экрана ответа и нажимать кнопку в каждом испытании, чтобы сообщить о своем восприятии (рис.1 А ). Однако во время контрольного эксперимента для управления картированием моторной реакции использовался специальный экран ответа. В каждом испытании участники должны использовать различное отображение ответов в зависимости от цвета круга, окружающего вопросительный знак, во время экрана ответов (рис. 1 C ).

Рис. 1.

Планы экспериментов и поведенческие результаты. ( A и B ) Первоначальный эксперимент. ( C и D ) Контрольный эксперимент. ( A ) После переменного интервала между испытаниями между 1.3 и 1,8 с, в течение которых участники фиксировались на центральной белой точке, тактильный / слуховой / визуальный стимул (в зависимости от пробега) предъявлялся в течение 50 мс с индивидуальной интенсивностью восприятия. Через 500 мс после предъявления стимула на экране появлялся вопросительный знак, и участники указывали свое восприятие, нажимая одну из двух кнопок (т.е. стимуляция «присутствовала» или «отсутствовала») правой рукой. ( B и D ) Средние групповые уровни обнаружения стимуляции NT составляли около 50% при различных сенсорных модальностях.Фальшивые испытания, отмеченные белым (без стимуляции), и испытания по отлову, отмеченные черным (высокоинтенсивная стимуляция), значительно отличались от состояния NT, выделенного серым, в рамках одной и той же сенсорной модальности для обоих экспериментов. Планки погрешностей отображают SD. ( C ) В контрольном эксперименте использовали идентичные временные параметры; однако для управления картированием моторной реакции использовался специальный дизайн экрана ответа. В каждом испытании участники должны использовать разное отображение ответов в зависимости от цвета круга, окружающего вопросительный знак, на экране ответов.Два цвета (синий или желтый) использовались и отображались случайным образом во время контрольного эксперимента. Один цвет был связан с правилом отображения ответа «нажимайте кнопку, только если есть стимуляция» (для обнаруженного состояния, близкого к пороговому), а другой цвет был связан с противоположным отображением ответа: «нажимайте кнопку, только если стимуляция отсутствует. ”(Для необнаруженных околопороговых условий). Связь между отображением одного ответа и определенным цветом (синим или желтым) была фиксированной для одного участника, но была предопределена случайным образом для разных участников.

Для первоначального эксперимента и для всех участников ( n = 16), уровни обнаружения для экспериментальных испытаний NT составляли 50% (стандартное отклонение: 11%) для слуховых пробежек, 56% (СО: 12%) для визуальных пробежек и 55% (стандартное отклонение: 8%) для тактильных пробежек. Частота обнаружения для проб по уловам составляла 92% (SD: 11%) для слуховых пробежек, 90% (SD: 12%) для визуальных пробежек и 96% (SD: 5%) для тактильных пробежек. Средняя частота ложных тревог в мнимых испытаниях составляла 4% (SD: 4%) для слуховых пробежек, 4% (SD: 4%) для визуальных пробежек и 4% (SD: 7%) для тактильных пробежек (рис.1 В ). Частота обнаружения экспериментальных испытаний NT во всех сенсорных модальностях значительно отличалась от таковых при испытаниях отлова (слуховой, T 15 = -14,44, P <0,001; визуальный, T 15 = -9,47, P <0,001; тактильные, T 15 = -20,16, P <0,001) или фиктивные испытания (слуховые, T 15 = 14,66, P <0,001; визуальные, T 15 = 16,99, P <0,001; тактильно, Т 15 = 20.66, P <0,001).

Подобные результаты наблюдались для контрольного эксперимента у всех участников ( n = 14). Частота обнаружения для экспериментальных испытаний NT составляла 52% (SD: 17%) для слуховых пробежек, 43% (SD: 17%) для визуальных пробежек и 42% (SD: 12%) для тактильных пробежек. Частота обнаружения при испытаниях по улову составляла 97% (СО: 2%) для слуховых пробежек, 95% (СО: 5%) для визуальных пробежек и 95% (СО: 4%) для тактильных пробежек. Средняя частота ложных тревог в мнимых испытаниях составляла 11% (СО: 4%) для слуховых пробежек, 7% (СО: 6%) для визуальных пробежек и 7% (СО: 6%) для тактильных пробежек (рис.1 В ). Частота обнаружения экспериментальных испытаний NT во всех сенсорных модальностях значительно отличалась от таковых при испытаниях отлова (слуховой, T 13 = -9,64, P <0,001; визуальный, T 13 = -10,78, P <0,001; тактильные, T 13 = -14,75, P <0,001) или фиктивные испытания (слуховые, T 13 = 7,85, P <0,001; визуальные, T 13 = 6,24, P <0,001; тактильно, Т 13 = 9.75, P <0,001). В целом поведенческие результаты сопоставимы с результатами других исследований (27, 28). Время индивидуальной реакции и характеристики приведены в приложении SI, таблица S2.

Нейронная активность, связанная с событиями.

Чтобы сравнить постстимульную обработку для «обнаруженных» и «необнаруженных» испытаний, вызванные ответы были рассчитаны на уровне источника для начального эксперимента. Как общая закономерность для всех сенсорных модальностей, поля, связанные с событиями на уровне источника (ERF), усредненные по всем источникам мозга, показывают, что стимулы, зарегистрированные как обнаруженные, приводили к выраженной постстимульной нейрональной активности, тогда как незарегистрированные стимулы — нет (рис.2 А ). Подобные общие закономерности наблюдались для контрольного эксперимента с идентичным одномерным анализом ( SI Приложение , рис. S2). ERF значительно различались в течение усредненного временного цикла со специфичностью, зависящей от сенсорной модальности, на которую нацелена стимуляция. Слуховые стимулы, о которых сообщалось, выявляют значительные различия по сравнению с необнаруженными испытаниями сначала между 190 и 210 мс, затем между 250 и 425 мс, и, наконец, между 460 и 500 мс после появления стимула (рис.2 A , Левый ). Визуальная стимуляция, о которой сообщалось, как обнаруженная, вызывает большое увеличение амплитуды ERF по сравнению с необнаруженными испытаниями с 230 до 250 мс и с 310 до 500 мс после начала стимула (рис. 2 A , средний ). Тактильная стимуляция, о которой сообщалось, как обнаруженная, вызывает раннее увеличение амплитуды ERF между 95 и 150 мс, а затем более позднюю активацию между 190 и 425 мс после начала стимула (рис. 2 A , справа ). В нашем протоколе такое раннее различие ERF для испытаний тактильной NT может быть связано с экспериментальной установкой, в которой стимуляция слуховых и зрительных целей возникла из фоновой стимуляции (постоянный белый шум и отображение на экране), тогда как тактильные стимулы остаются изолированными временными сенсорными целями (материалы ). и методы ).

Рис. 2.

NT исследует связанные с событиями реакции для различных сенсорных модальностей: слуховых ( слева, ), зрительных ( по центру, ) и тактильных (, справа, ). ( A ) Абсолютное значение на уровне источника (базовая линия, скорректированная для целей визуализации) среднего связанного с групповым событием (сплошная линия) и SEM (заштрихованная область) в обнаруженном (красный) и необнаруженном (синий) состоянии для всех источников мозга . Значимые временные окна отмечены нижними сплошными линиями (черная линия: P с поправкой Бонферрони <0.05) для сравнения обнаруженных и необнаруженных испытаний. Карты относительной локализации источников представлены в B для усредненного периода времени. ( B ) Исходная реконструкция значимого периода времени, отмеченного в A для контраста обнаруженных и необнаруженных испытаний, замаскированная на P с кластерной коррекцией <0,05.

Локализация источника этих конкретных интересующих периодов времени была выполнена для каждой модальности (рис. 2 B ).Слуховое состояние демонстрирует значительную раннюю активность источника, в основном локализованную в двусторонней слуховой корке, верхней височной борозде и правой нижней лобной извилине, тогда как поздний значимый компонент был в основном локализован в правой височной извилине, двусторонней прецентральной извилине и левой нижней и средней лобной извилине. Наблюдается большая активизация визуальных условий, включая первичные визуальные области; веретеновидная и известковая борозда; и активация большой лобно-теменной сети, включая двустороннюю нижнюю лобную извилину, нижнюю теменную борозду и поясную кору.Ранний контраст тактильной вызванной реакции показывает большое различие в активации мозга, включая первичные и вторичные соматосенсорные области, но также большое участие правой лобной активности. Поздний контраст тактильной вызванной реакции представляет активацию мозга, включая левую лобную извилину, левую нижнюю теменную извилину, двустороннюю височную извилину и дополнительную двигательную зону.

Различия во времени между обнаруженными и необнаруженными стимулами наиболее отчетливо проявляются через 150-200 мс (см. Топографии в приложении SI , рис.S5). Это отличается при сравнении уловов и фиктивных испытаний, где можно наблюдать ранние различия (т. Е. До 150 мс) ( SI Приложение , рис. S1 и S5). Разница в задержке между обработкой тактильной стимуляции и другими модальностями менее выражена для этого состояния, когда цель явно присутствует или отсутствует. На сенсорном уровне для всех сенсорных модальностей различия начинаются относительно очаговыми ( SI Приложение , рис. S5) в предположительно сенсорных областях обработки и со временем становятся все более широко распространенными.Эти вызванные позже эффекты реакции описательно подобны тем, которые наблюдаются для стимулов, близких к пороговым, что подчеркивает их предполагаемую значимость для обеспечения сознательного доступа.

Декодирование и многомерный прожекторный анализ по времени и областям мозга.

Мы исследовали обобщение активации мозга во времени внутри и между различными сенсорными модальностями. С этой целью мы провели многомерный анализ восстановленной активности мозга на уровне источника из первоначального эксперимента.Анализ обобщения по времени, представленный в виде временной матрицы между 0 и 500 мс после начала стимула, показывает значительную точность декодирования для каждого условия (рис. 3 A ). Мы обучаем и тестируем наши классификаторы на 50% набора данных с одинаковой долей испытаний, исходящих из каждого отдельного цикла сбора данных, с компенсацией потенциальной усталости или эффекта привыкания в ходе экспериментов. Как видно на черных ячейках, расположенных по диагонали на рис. 3 A , перекрестное проверочное декодирование выполнялось в рамках той же сенсорной модальности.Однако недиагональные эритроциты на фиг. 3 A представляют анализ декодирования между различными сенсорными модальностями. Внутри каждой ячейки данные, представленные по диагонали (пунктирная линия), показывают среднюю точность классификаторов для определенного момента времени, используемого для процедуры обучения и тестирования, тогда как недиагональные данные показывают потенциальную способность классификатора обобщать декодирование на основе другого обучения и тестирования. процедура по временным точкам. Действительно, мы наблюдали способность одного и того же классификатора, обученного в конкретный момент времени, обобщать свою производительность декодирования на несколько временных точек (см. Внедиагональное значимое декодирование внутри каждой ячейки на рис.3 А ). Чтобы оценить этот результат, мы вычислили среднюю продолжительность значимого декодирования в моменты времени тестирования на основе различных моментов времени обучения (рис. 3 B ). В среднем, декодирование в рамках одной и той же модальности, обобщение классификатора начинается через 200 мс, и мы наблюдали значительную максимальную точность классификации через 400 мс (рис. 3 B , Top ).

Рис. 3.

Повременный обобщающий анализ внутри и между сенсорными модальностями (для испытаний NT).Матрицы 3 × 3 результатов декодирования представлены во времени (от начала стимуляции до 500 мс после). ( A ) Каждая ячейка представляет результат MVPA прожектора с анализом обобщения времени от времени, где точность классификатора была значительно выше вероятности (50%) (замаскировано на P исправлено <0,005). Для каждой матрицы временного обобщения классификатор был обучен в определенной временной выборке (вертикальная ось: время обучения) и протестирован на всех временных выборках (горизонтальная ось: время тестирования).Черная пунктирная линия соответствует диагонали матрицы временного обобщения, то есть классификатору, обученному и протестированному на одной временной выборке. Эта процедура применялась для каждой комбинации сенсорной модальности; то есть, представленный в строке Верхний представляет собой анализ декодирования, выполненный классификаторами, обученными слуховой модальности и протестированными на слуховой, визуальной и тактильной ( Левый , Центральный и Правый столбцы, соответственно) для двух классов: обнаруженные и необнаруженные испытания.Ячейки, очерченные осями черных линий (на диагонали), соответствуют декодированию одной и той же сенсорной модальности, тогда как клетки, очерченные осями красных линий, соответствуют декодированию различных модальностей. ( B ) Сводная информация о средней производительности обобщения по времени и декодирования с течением времени для всех анализов внутри модальности ( верхний : среднее значение на основе трех черных ячеек A ) и межмодального анализа ( низ : среднее на основе шести эритроцитов A ).Для каждой конкретной временной точки обучения по оси x вычислялась средняя продолжительность способности классификатора к значительным обобщениям в моменты времени тестирования и отражалась по оси y . Кроме того, нормализованные средние значимые точности классификаторов за все время тестирования для конкретной временной точки обучения представлены в виде градиента цветовой шкалы.

Ранние различия, характерные для тактильной модальности, были уловлены классификационным анализом, показывая значительную точность декодирования уже через 100 мс без сильного временного обобщения для этой сенсорной модальности, тогда как слуховые и зрительные условия показывают значительное декодирование, начинающееся примерно через 250-300 мс после появление стимула.Такая ранняя динамика, специфичная для тактильной модальности, могла бы объяснить недиагональную точность для всех межмодальностей декодирования, в которых задействована тактильная модальность (рис. 3 A ). Интересно, что анализ обобщения во времени, касающийся декодирования между сенсорными модальностями (эритроциты на рис. 3 A ), выявил значительную максимальную генерализацию около 400 мс (рис. 3 B , Bottom ). В целом, анализ с обобщением по времени выявил временные кластеры, ограниченные поздней активностью мозга с максимальной точностью декодирования в среднем через 300 мс для всех условий.Сходство этого временного кластера по всем трем сенсорным модальностям предполагает универсальность такой активации мозга.

Ограниченные соответствующими значимыми временными кластерами (рис. 3 A ), мы исследовали основные источники мозга, полученные в результате анализа прожектором внутри и между условиями (рис. 4). Декодирование в рамках той же сенсорной модальности показало более высокую значительную точность в соответствующей сенсорной коре для каждого конкретного состояния модальности (рис. 4, графики мозга по диагонали).Кроме того, декодирование с помощью прожектора слуховой модальности выявило также сильное вовлечение зрительной коры (рис.4, верхний ряд и левый столбец ), в то время как декодирование соматосенсорной модальности выявило вовлечение теменных областей, таких как предклинье (рис.4, низ ). ряд и правый столбец ). Однако анализ декодирования прожектором между различными сенсорными модальностями выявил более высокую точность декодирования в лобно-теменных областях мозга в дополнение к различным первичным сенсорным областям (рис.4, графики мозга вне диагонали).

Рис. 4.

Пространственное распределение значимых прожекторов, декодирующих MVPA внутри и между сенсорными модальностями. Показаны исходные карты головного мозга для средней точности декодирования, ограниченной связанным с временным обобщением значимым по времени кластером (см. Рис. 3 A ). Карты мозга были пороговыми, показывая только 10% максимальной достоверной точности декодирования для каждого соответствующего кластера по времени. Очертание черной линией отделяет все карты мозга декодирования между сенсорными модальностями от перекрестной проверки в рамках одного анализа декодирования сенсорных модальностей по диагонали.

Декодирование и многомерный прожекторный анализ по всем сенсорным модальностям.

Мы дополнительно исследовали возможность декодирования обобщенных паттернов мозговой активности по всем сенсорным модальностям в одном анализе путем декодирования обнаруженных и необнаруженных испытаний по всем блокам вместе (рис. 5 A ). Первоначально мы выполнили этот конкретный анализ с данными из первого эксперимента и отдельно с данными из контрольного эксперимента, чтобы воспроизвести наши результаты и контроль потенциального смещения моторной реакции ( SI Приложение , рис.S3). Откладывая отображение ответа до момента после предъявления стимула случайным образом во время контрольного эксперимента, нейронные паттерны в течение соответствующих периодов предположительно не могут быть искажены выбором / подготовкой ответа. Важно отметить, что анализ, выполненный в контрольном эксперименте, использовал идентичные данные в приложении SI , рис. S3 B и C , но только назначение испытаний (т. Е. Два класса определения) для декодирования было различным: «обнаружено и не обнаружено» ( SI Приложение , рис.S3 B ) или «ответ против отсутствия ответа» ( SI Приложение , рис. S3 C ). Только декодирование сознательного отчета (то есть обнаруженного в сравнении с необнаруженным) показало значительные кластеры по времени ( SI Приложение , рис. S3 A и B ). Этот результат исключает мешающее влияние моторного отчета и снова убедительно свидетельствует о существовании общего супрамодального паттерна, связанного с сознательным восприятием.

Рис. 5.

Повременное обобщение и анализ декодирования прожектором мозга по всем сенсорным модальностям (для испытаний NT).Показаны обобщенные результаты как начального, так и контрольного экспериментов. ( A ) Результаты декодирования представлены во времени (от начала стимуляции до 500 мс после). Показан результат MVPA прожектора с временным обобщающим анализом «обнаруженных» и «необнаруженных» испытаний по всем сенсорным модальностям. На графике показаны временные кластеры, в которых точность классификатора была значительно выше вероятности (50%) (замаскировано на P исправлено <0,005). Черная пунктирная линия соответствует диагонали матрицы временного обобщения, т.е.е., классификатор обучен и протестирован на одной и той же выборке времени. Горизонтальные черные линии разделяют временные окна (W1, W2 и W3) ( B ) Сводка среднего временного обобщения и производительности декодирования с течением времени ( A ). Для каждой конкретной временной точки обучения по оси x вычислялась средняя продолжительность способности классификатора к значительным обобщениям в моменты времени тестирования и отражалась по оси y . Кроме того, нормализованные средние значимые точности классификаторов за все время тестирования для конкретной временной точки обучения представлены в виде градиента цветовой шкалы.На основе этого резюме были изображены три временных окна для исследования пространственного распределения декодирования прожектором (W1, [0–250] мс; W2, [250–350] мс; W3, [350–500] мс). ( C ) Пространственное распределение значимого декодирования MVPA прожектора для значимых временных кластеров, изображенных в A и B . Для карт мозга был установлен порог, показывающий только 10% максимально значимой ( P скорректировано <0,005) точности декодирования для каждого соответствующего кластера по времени.

Мы исследовали сходство результатов временного обобщения путем объединения данных из обоих экспериментов (рис. 5 A ). Мы проверили значительную временную динамику паттернов мозговой активности по всем нашим данным, принимая во внимание, что менее стабильные или похожие паттерны не выдерживают групповой статистики. В целом, способность одного классификатора к обобщению во времени, кажется, линейно увеличивается после критического момента времени около 100 мс. Мы показываем, что в то время как ранние паттерны (<250 мс) довольно недолговечны, временная обобщаемость увеличивается, показывая значения стабильности после ~ 350 мс (рис.5 В ). Чтобы проследить за потенциальными генераторами, лежащими в основе этих временных паттернов, мы изобразили результаты прожектора из трех конкретных временных окон (W1, W2 и W3), касающиеся декодирования временного обобщения и распределения нормализованной точности во времени (рис. 5 C ). W1 от начала стимуляции до 250 мс обозначает первое значительное декодирование прожектором, обнаруженное в этом анализе, W2 от 250 до 350 мс обозначает первый период обобщения, когда точность декодирования низка, и, наконец, W3 от 350 до 500 мс обозначает второй период обобщения по времени. где была обнаружена более высокая точность декодирования (рис.5 В ). Изображение результатов выделяет предклинье, островок, переднюю часть поясной извилины, а также лобные и теменные области, в основном задействованные в течение первого значимого временного окна (W1), в то время как главный значительный кластер второго временного окна (W2) расположен над левым прецентральным моторным кортикальным слоем. Интересно, что окно позднего времени (W3) показывает более сильное декодирование по сравнению с первичной сенсорной корой, где точность наиболее высока: язычная и калькариновая борозда, верхняя височная извилина и извилина Хешля, а также правая постцентральная извилина (рис.5 С ). Источники, представленные при анализе прожектором, предполагают сильное совпадение с функциональными сетями мозга, связанными с обнаружением внимания и значимости (29), особенно в самые ранние периоды времени (W1 и W2) ( SI Приложение , рис. S4).

Обсуждение

Чтобы нервный процесс был сильным соперником в качестве нейронного коррелята сознания, он должен иметь некоторое обобщение, например, по сенсорным модальностям. Это — несмотря на неявное предположение — никогда напрямую не проверялось.Чтобы решить эту важную проблему, мы исследовали стандартный эксперимент NT, нацеленный на три различных сенсорных модальности, чтобы изучить общую пространственно-временную активность мозга, связанную с сознательным восприятием, с использованием многомерного анализа и анализа прожектором. Наши результаты и выводы во многом зависят от актуальности задачи «парадигм, основанных на отчетах», в отличие от «парадигм отсутствия отчетов» (30). Участники выполнили задачу по обнаружению и сообщили о своем восприятии для каждого испытания. Было показано, что такие протоколы могут вызывать дополнительные поздние (после 300 мс) компоненты активности мозга по сравнению с другими парадигмами (31).Наши результаты, касающиеся реакций, вызванных постстимулом, согласуются с предыдущими исследованиями для каждой конкретной сенсорной модальности, показывая более сильную активацию мозга, когда стимуляция считалась воспринимаемой (27, 28, 32). Важно отметить, что, используя преимущества декодирования, мы предоставляем прямые доказательства общих электрофизиологических коррелятов сознательного доступа через сенсорные модальности.

ERF Различия во времени между сенсорными модальностями.

Наши первые результаты предполагают значительные временные и пространственные различия, когда для исследования сенсорно-специфических вызванных реакций использовался одномерный контраст между обнаруженными и необнаруженными испытаниями.На уровне источника глобальная средняя активность группы выявила различные значимые периоды времени в соответствии с целевой сенсорной модальностью, где можно наблюдать модуляцию вызванных ответов, связанных с обнаруженными испытаниями (рис. 2 A ). В слуховой и зрительной модальностях мы обнаружили в основном значимые различия через 200 мс. В слуховой области устойчивые ответы, модулируемые восприятием и вниманием, примерно через 200 мс от начала звука, были обнаружены в двусторонней слуховой и лобной областях с использованием МЭГ (33, 34).Предыдущее исследование с использованием MEG подтвердило эффекты, связанные с осознанием, через 240-500 мс после целевой презентации во время визуальной презентации (35).

Наши результаты показывают ранние различия в переходных ответах (для обнаруженного контраста по сравнению с необнаруженным) для соматосенсорной области по сравнению с другими сенсорными модальностями и были ранее идентифицированы с помощью ЭЭГ примерно через 100 и 200 мс (36). Более того, предыдущие исследования МЭГ показали, что ранняя модуляция амплитуды сигнала мозга (<200 мс) связана с тактильным восприятием в задачах NT (28, 37, 38).Такие различия менее выражены в отношении контраста между попытками улова и фиктивными испытаниями по сенсорным модальностям ( SI Приложение , рис. S1). Раннее различие ERF для испытаний тактильной NT может быть связано с экспериментальной установкой, в которой стимуляция слуховых и зрительных целей возникла из фоновой стимуляции (постоянный белый шум и отображение на экране), тогда как тактильные стимулы остаются изолированными временными сенсорными целями. Несмотря на эти различия, анализ обобщения во времени смог уловить сходную активность мозга, происходящую в разных временных масштабах в этих трех сенсорных модальностях.

Локализация источников, выполненная с одномерными контрастами для каждой сенсорной модальности, предполагает различия в активации сети с некоторым вовлечением схожих областей мозга в поздних временных окнах, таких как нижняя лобная извилина, нижняя теменная извилина и дополнительная моторная область. Однако качественно похожие топографические закономерности, наблюдаемые при таком анализе, нельзя однозначно интерпретировать как аналогичные процессы в мозге. Важный вопрос заключается в том, можно ли использовать эти паттерны нейронной активности в рамках определенной сенсорной модальности для декодирования субъективного отчета о стимуляции в другом сенсорном контексте.Многовариантный анализ декодирования, который мы провели в следующем анализе, был направлен на ответ на этот вопрос.

Идентификация общей мозговой активности по сенсорным модальностям.

Анализ многомерного декодирования использовался для уточнения пространственно-временного сходства между этими различными сенсорными системами. В целом, стабильные характеристики сигналов мозга были предложены как временная стабилизация распределенных корковых сетей, участвующих в сознательном восприятии (39). Используя точное временное разрешение сигнала МЭГ и анализ обобщения во времени, мы исследовали стабильность и временную динамику мозговой активности, связанной с сознательным восприятием через сенсорные системы.В дополнение к временному анализу в этом исследовании мы также использовали анализ на уровне источника как указание на возможное происхождение эффектов в мозге. Присутствие сходной мозговой активности может быть выявлено между модальностями с использованием такой техники, даже если значительная модуляция ERF распределяется во времени. Как и ожидалось, анализ обобщения времени между модальностями, включающий тактильные прогоны, показывает недиагональное значимое декодирование из-за ранней значительной активности мозга для тактильной модальности (рис.3 А ). Этот результат предполагает существование ранних, но схожих паттернов мозговой активности, связанных с сознательным восприятием в тактильной области по сравнению со слуховой и зрительной модальностями.

Как правило, результаты декодирования выявили значительный временной кластер, начинающийся около 300 мс, с высокой точностью классификатора, что говорит в пользу поздней нейронной реакции, связанной с сознательным отчетом. Фактически, мы наблюдали способность одного и того же классификатора, обученного в определенные моменты времени с определенным условием сенсорной модальности, обобщать свои характеристики декодирования по нескольким временным точкам с той же или другой сенсорной модальностью.Этот результат говорит в пользу надрамодальных паттернов мозговой активности, которые стабильны и стабильны во времени. Кроме того, анализ прожектором по областям мозга дает попытку изобразить активацию сети мозга во время этих значительных кластеров обобщения времени. Обратите внимание, что, как видно из множества других исследований с использованием декодирования (22, 23, 40, 41), средняя точность может быть относительно низкой, но все же остается значительной на уровне группы. Обратите внимание, однако, что в отличие от многих других когнитивных нейробиологических исследований, использующих декодирование (41, 42), мы не применяем практику «субсредних» испытаний для создания «псевдо» единичных испытаний, что естественным образом повышает среднюю точность декодирования (43).Кроме того, статистическая строгость нашего подхода подчеркивается тем фактом, что представленные результаты декодирования ограничиваются очень значимыми эффектами ( P исправлено <0,005; Материалы и методы ). Важно то, что мы повторили наши результаты — применяя идентичные очень консервативные статистические пороги — во втором контрольном эксперименте, глядя на контраст отчета о сознательном восприятии независимо от активности двигательной реакции ( SI Приложение , рис.S3). Наши результаты согласуются с результатами предыдущих исследований в обосновании важности поздних паттернов активности как важнейших маркеров сознательного доступа (7, 44) и процессов принятия решений (10, 45).

Из-за настроек нашего протокола с небольшим количеством «ловушек» и «фиктивных» испытаний, мы решили сконцентрировать наш анализ на контрасте стимулов, близких к пороговым (обнаруженные и необнаруженные). Однако остаются интересные вопросы относительно обработки необнаруженных целей по сравнению с отсутствием стимулов.В будущих экспериментах следует исследовать такие вопросы, уравновешивая количество фиктивных испытаний («цель отсутствует») и испытаний, близких к пороговым, чтобы исследовать точную обработку необнаруженных целей в различных модальностях с использованием техник декодирования, аналогичных тем, которые представлены в этом эксперименте.

Кроме того, в этом исследовании мы исследовали области мозга, лежащие в основе временной динамики сознательного отчета, используя декодирование прожектором источника мозга. Зная ограничения такого анализа MEG и используя пространственно грубое разрешение сетки для вычислительной эффективности (3 см), мы ограничили отображение результатов основной максимальной точностью декодирования 10% по всем областям мозга прожектора.Некоторые из областей мозга, обнаруженные в нашем анализе прожектором, а именно глубокие структуры мозга, такие как островок и передняя поясная кора, являются общими с другими функциональными сетями мозга, такими как сеть значимости (46, 47). Также ранее было обнаружено, что верхняя лобная кора и теменная кора активируются когнитивными задачами, требующими внимания (48). Следовательно, мы подчеркиваем, что из нашего исследования нельзя сделать вывод, что наблюдаемая сеть, обозначенная на рис. 5 C , предназначена исключительно для сознательного сообщения.В самом деле, декодирование с помощью ловли и мнимых испытаний также может вызывать схожую модель временного декодирования между модальностями по сравнению с анализом околопороговой стимуляции, говоря в пользу аналогичного зажигания общей сети при нормальном восприятии высококонтрастных стимулов для трех сенсорных модальностей. цель нашего эксперимента ( SI Приложение , рис. S6). Даже если этот дополнительный анализ должен проводиться с осторожностью из-за небольшого количества испытаний для этих состояний в нашем протоколе ( SI Приложение , Таблица S1), он информативен в отношении участия обычных сетей мозга, обрабатывающих восприятие, в нашей задаче. .Фактически, мозговые сети, идентифицированные в этом исследовании, имеют общие области мозга и динамику с сетями внимания и значимости, которые остаются соответствующими механизмами для выполнения задачи NT. Интересно, что эта часть сети, по-видимому, более задействована во время начальной части процесса, до вовлечения моторных областей мозга (Fig. 5 C и SI Приложение , Fig. S4).

Некоторые области мозга, участвующие в моторном планировании, были идентифицированы с помощью нашего анализа, такие как прецентральная извилина, и в принципе могут иметь отношение к предстоящему нажатию кнопки, чтобы сообщить о субъективном восприятии стимула.Мы специально нацелены на такое смещение моторной подготовки в рамках контрольного эксперимента, в котором участник не мог априори предсказать, как сообщить о сознательном восприятии (т.е.нажатии или удержании нажатия кнопки) до тех пор, пока не появится ответная подсказка. Важно отметить, что мы не обнаружили какого-либо значимого декодирования, когда испытания, используемые для анализа, были отсортированы по типу ответа (например, с фактическим нажатием кнопки участником или без него) по сравнению с субъективным отчетом об обнаружении ( SI Приложение , рис.S3 B и C ). Такие результаты могут говорить в пользу общего моторного планирования (49) или деятельности, связанной с процессами принятия решений, в таких парадигмах принудительного выбора (50, 51).

Позднее вовлечение всех первичных сенсорных кортик.

Некоторые результаты декодирования внутри модальностей выявили неспецифическое первичное вовлечение коры, в то время как декодирование выполнялось с использованием другой сенсорной модальности. Например, во время слуховой стимуляции, близкой к пороговой, основная точность декодирования нейронной активности, предсказывающей сознательное восприятие, была обнаружена не только в слуховой, но и в зрительной коре головного мозга (рис.4, верхний ряд и левый столбец ). Интересно, что наш окончательный анализ показал и подтвердил, что первичные сенсорные области сильно участвуют в декодировании сознательного восприятия через сенсорные модальности. Более того, такие области мозга в основном были обнаружены в течение последнего исследованного периода времени после первого основного поражения лобно-теменных областей (рис. 5). Эти важные результаты предполагают, что сенсорная кора из определенной модальности содержит достаточно информации, чтобы позволить декодирование перцептивного сознательного доступа в другой другой сенсорной модальности.Эти результаты указывают на позднюю активную роль первичной коры над тремя различными сенсорными системами (Рис. 5). В одном исследовании сообщалось об эффективном декодировании категорий визуальных объектов в ранней соматосенсорной коре с использованием функциональной МРТ (FMRI) и многомерного анализа паттернов (52). Другой эксперимент с фМРТ показал, что сенсорная кора, по-видимому, модулируется через общую надрамодальную лобно-теменную сеть, что свидетельствует об общности механизма внимания в отношении ожидаемой слуховой, тактильной и визуальной информации (53).Однако в нашем исследовании мы демонстрируем, как локальная мозговая активность из разных сенсорных областей обнаруживает определенную динамику, позволяющую обобщать с течением времени для декодирования поведенческого результата субъективного восприятия в другой сенсорной модальности. Эти результаты говорят в пользу интимных кросс-модальных взаимодействий между модальностями восприятия (54). Наши результаты повторяют более ранние сообщения (для нескольких модальностей в одном исследовании) о том, что сознательный доступ к околопороговым стимулам не вызван различиями в ранней, в основном восходящей активацией, а скорее включает более поздние широко распространенные и повторно входящие нейронные паттерны (2, 3 , 6).

Наконец, наши результаты показывают, что первичные сенсорные области остаются важными в латентный период после начала стимула для разрешения восприятия стимула по различным сенсорным модальностям. Мы предполагаем, что эта сеть могла бы улучшить обработку поведенческих сигналов, в данном случае сенсорных целей. Хотя интеграция классически унимодальных первичных сенсорных областей коры в иерархию обработки сенсорной информации хорошо известна (55), некоторые исследования предполагают мультисенсорную роль первичных корковых областей (56, 57).

Сегодня остается неизвестным, как такие мультисенсорные реакции могут быть связаны с несенсорным сознательным восприятием человека у человека. Поскольку сенсорные модальности обычно переплетаются в реальной жизни, наши выводы о супрамодальной сети, которая может поддерживать как сознательный доступ, так и функции внимания, имеют более высокую экологическую ценность, чем результаты предыдущих исследований сознательного восприятия для одной сенсорной модальности.

На самом деле, наши результаты согласуются с продолжающимися дебатами в нейробиологии, которые спрашивают, в какой степени мультисенсорная интеграция проявляется уже в первичных сенсорных областях (57, 58).Исследования на животных предоставили убедительные доказательства того, что неокортекс по сути является мультисенсорным (59). Здесь наши результаты говорят в пользу мультисенсорного взаимодействия в первичной и ассоциативной коре головного мозга. Интересно, что предыдущее исследование фМРТ с использованием многомерного декодирования выявило различные механизмы, управляющие аудиовизуальной интеграцией первичной и ассоциативной коры, необходимой для пространственной ориентации и взаимодействия в мультисенсорном мире (60).

Заключение

Мы успешно охарактеризовали общие закономерности во времени и пространстве, предполагая обобщение связанной с сознанием активности мозга на различные сенсорные задачи NT.Наше исследование прокладывает путь для будущих исследований с использованием методов с более точным пространственным разрешением, таких как функциональная магнитно-резонансная томография, для детального изображения задействованной сети мозга. В этом исследовании сообщается о значительном пространственно-временном декодировании различных сенсорных модальностей в эксперименте по восприятию, близкому к пороговому. Действительно, наши результаты говорят в пользу существования стабильных и надрамодальных паттернов мозговой активности, распределенных во времени и вовлекающих, казалось бы, не связанные с задачами первичные сенсорные коры.Стабильность паттернов мозговой активности при различных сенсорных модальностях, представленная в этом исследовании, на сегодняшний день является наиболее прямым доказательством общей сетевой активации, ведущей к сознательному доступу (2). Более того, наши результаты дополняют недавние замечательные демонстрации применения методов декодирования и временного обобщения к MEG (21–23, 61) и показывают многообещающее применение методов MVPA для анализа прожектором на уровне источника с акцентом на временную динамику сознания. восприятие.

Материалы и методы

Участники.

Двадцать пять здоровых добровольцев приняли участие в первоначальном эксперименте, проведенном в Тренто, и 21 здоровый доброволец принял участие в контрольном эксперименте, проведенном в Зальцбурге. У всех участников было нормальное зрение или зрение с поправкой на нормальное, неврологических или психических расстройств не было. Три участника начального эксперимента и один участник контрольного эксперимента были исключены из анализа из-за чрезмерного количества артефактов в данных MEG, что привело к недостаточному количеству испытаний на одно условие после отклонения артефакта (менее 30 испытаний по крайней мере для одного условия).Кроме того, в каждом эксперименте шесть участников были исключены из анализа, потому что частота ложных срабатываний превышала 30% и / или частота обнаружения, близкая к пороговой, превышала 85% или была ниже 15% по крайней мере для одной сенсорной модальности (из-за ошибки определения порога и сложность использования отображения кнопок ответа во время контрольного эксперимента, также остается менее 30 испытаний по крайней мере для одного релевантного состояния в одной сенсорной модальности: обнаружено или необнаружено). Остальные 16 участников (11 женщин, средний возраст 28 лет.8 л; SD, 3,4 года) для начального эксперимента и 14 участников (9 женщин, средний возраст 26,4 года; SD, 6,4 года) для контрольного эксперимента сообщили о нормальном тактильном и слуховом восприятии. Комитет по этике Университета Тренто и Университета Зальцбурга, соответственно, одобрил протоколы экспериментов, которые использовались с письменного информированного согласия каждого участника.

Стимулы.

Чтобы участник не слышал никаких слуховых сигналов, вызванных пьезоэлектрическим стимулятором во время тактильной стимуляции, в течение всего эксперимента (включая тренировочные блоки) подавался бинауральный белый шум.Слуховые стимулы подавались бинаурально с использованием MEG-совместимых трубных внутриканальных наушников (SOUNDPixx; VPixx Technologies). Короткие всплески белого шума длительностью 50 мс генерировались с помощью Matlab и умножались с помощью окна Ханнинга для получения мягкого включения и смещения. Участники должны были обнаружить короткие всплески белого шума, близкие к их порогу слуха (27). Интенсивность таких кратковременных целевых слуховых стимулов определялась до эксперимента, чтобы они возникали в результате фоновой стимуляции постоянным белым шумом.Визуальные стимулы представляли собой эллипсоид Габора (наклон 45 °; радиус 1,4 °; частота 0,1 Гц; фаза 90; сигма Гаусса 10), обратно проецируемый на полупрозрачный экран проектором Propixx DLP (VPixx Technologies) с частотой обновления 180 °. кадров в секунду. На черном фоне экрана в качестве точки фиксации использовался центральный серый круг фиксации (радиус 2,5 °) с центральной белой точкой. Стимулы предъявлялись в течение 50 мс в центре экрана на расстоянии 110 см. Тактильные стимулы подавались с помощью стимуляции в течение 50 мс на кончик левого указательного пальца с использованием модуля пьезоэлектрического стимулятора (Quaerosys) для одного пальца с стержнями 2 × 4, которые можно поднять максимум на 1 мм.Модуль был прикреплен к пальцу с помощью ленты, а левая рука участника была смягчена, чтобы предотвратить любое непреднамеренное давление на модуль (28). Для контрольного эксперимента (проведенного в другой лаборатории, например, в Зальцбурге) установки визуальной, слуховой и тактильной стимуляции были идентичны, но мы использовали другую систему вибротактильного стимулятора MEG / MRI (CM3; Cortical Metrics).

Задача и оформление.

Участники выполнили три блока задачи восприятия NT. Каждый блок включал три отдельных прогона (по 100 испытаний каждый) для каждой сенсорной модальности: тактильной (Т), слуховой (А) и визуальной (V).Короткий перерыв (~ 1 мин) отделял каждую пробежку, а более длительные перерывы (~ 4 мин) предоставлялись участникам после каждого блока. Внутри блока прогоны чередовались в одном и том же порядке внутри темы и были псевдослучайно распределены по темам (то есть, тема 1 = TVA-TVA-TVA; тема 2 = НДС-НДС-НДС;…). Участников попросили зафиксировать центральную белую точку в сером центральном круге в центре экрана на протяжении всего эксперимента, чтобы минимизировать движения глаз.

Был проведен короткий обучающий цикл с 20 попытками, чтобы убедиться, что участники поняли задание.Затем, в ходе трех различных тренировок перед основным экспериментом, индивидуальные пороги восприятия участников (тактильные, слуховые и визуальные) определялись в экранированной комнате. Для первоначального эксперимента использовалась процедура лестницы один вверх / один вниз с двумя произвольно чередующимися лестницами (одна вверх и одна вниз) с фиксированными размерами шагов. Для контрольного эксперимента мы использовали байесовский протокол активной выборки для оценки психометрического наклона и порога для каждого участника (62).После определения с помощью этих лестничных процедур все интенсивности стимуляции, близкие к пороговой, оставались стабильными в течение каждого блока всего эксперимента для данного участника. Все значения интенсивности стимуляции можно найти в приложении SI, приложение , таблица S1.

Основной эксперимент состоял из задачи обнаружения (рис. 1 A ). В начале каждого пробега участникам говорили, что в каждом испытании слабый стимул (тактильный, слуховой или визуальный в зависимости от пробежки) может быть представлен через случайные промежутки времени.Через пятьсот миллисекунд после начала действия целевого стимула участникам предлагалось указать, почувствовали ли они стимул, с помощью вопросительного знака на экране (максимальное время ответа: 2 с). Ответы давались с использованием MEG-совместимых блоков ответов с указательным и средним пальцами правой руки (сопоставление кнопок ответа было уравновешенным среди участников). Затем испытания были разделены на совпадения (обнаруженный стимул) и пропущенные (необнаруженный стимул) в соответствии с ответами участников. Испытания без ответа были отклонены.Испытания по улову (интенсивность стимуляции выше порога восприятия) и фиктивному (отсутствие стимуляции) были использованы для контроля ложных тревог и корректировки показателей отклонения в ходе эксперимента. Всего было проведено девять прогонов по 100 испытаний в каждом (всего 300 испытаний для каждой сенсорной модальности). Каждое испытание начиналось с переменного интервала (от 1,3 до 1,8 с, случайное распределение), за которым следовали экспериментальный стимул, близкий к пороговому (80 за запуск), мнимый стимул (10 за запуск) или стимул улова (10 за запуск), равный 50. мс каждый.Каждый запуск длился около 5 мин. Весь эксперимент длился ∼1 час.

В контрольном эксперименте использовались идентичные временные параметры. Однако для управления картированием двигательной реакции использовался специальный дизайн экрана ответа. Для каждого испытания участники должны использовать разные карты ответов, связанные с цветом круга вокруг вопросительного знака на экране ответов. Использовались два цвета (синий или желтый), которые отображались случайным образом после каждого испытания во время контрольного эксперимента.Один цвет был связан с правилом сопоставления ответов «нажимайте кнопку, только если есть стимуляция» (для условия, близкого к пороговому, обнаружено), а другой цвет был связан с противоположным правилом сопоставления ответов «нажимайте кнопку, только если есть стимуляция». нет стимуляции »(для околопорогового состояния, не обнаружено). Связь между отображением одного ответа и определенным цветом (синим или желтым) была фиксированной для одного участника, но была предопределена случайным образом для разных участников. Важно отметить, что откладывая отображение ответа до момента после предъявления стимула (для индивидуума) непредсказуемым образом, нейронные паттерны в течение соответствующих периодов предположительно не могут быть искажены выбором / подготовкой ответа.Оба эксперимента были запрограммированы в Matlab с использованием пакета инструментов Psychophysics Toolbox с открытым исходным кодом (63).

Сбор и предварительная обработка данных MEG.

MEG было записано с частотой дискретизации 1 кГц с использованием 306-канальной (204 планарных градиентометра первого порядка, 102 магнитометра) системы VectorView MEG для первого эксперимента в Тренто и системы Triux MEG для контрольного эксперимента в Зальцбурге (Elekta -Neuromag Ltd.) в помещении с магнитным экраном (AK3B; Vakuumschmelze). Перед экспериментами для каждого участника были получены индивидуальные формы головы, включая реперные точки (назион и преаурикулярные точки) и около 300 оцифрованных точек на коже черепа с помощью дигитайзера Polhemus Fastrak.Положение головы людей относительно датчиков МЭГ непрерывно контролировалось в течение прогона с помощью пяти катушек. Движение головы внутри и между блоками не превышало 1 см.

Данные были проанализированы с использованием набора инструментов Fieldtrip (64) и набора инструментов CoSMoMVPA (65) в сочетании с MATLAB 8.5 (MathWorks). Сначала к непрерывным данным применялся фильтр верхних частот с частотой 0,1 Гц (КИХ-фильтр с полосой перехода 0,1 Гц). Затем данные были сегментированы от 1000 мс до начала до 1000 мс после начала целевой стимуляции и уменьшены до 512 Гц.Испытания, содержащие физиологические артефакты или артефакты приобретения, были отклонены. Процедура полуавтоматического обнаружения артефактов выявила статистические выбросы испытаний и каналов в наборах данных с использованием набора различных итоговых статистических данных (дисперсия, максимальная абсолютная амплитуда, максимальное значение z). Эти испытания и каналы были удалены из каждого набора данных. Наконец, данные были визуально проверены, и все оставшиеся испытания и каналы с артефактами были удалены вручную. Среди испытуемых было отклонено в среднем пять каналов (± 2 стандартное отклонение).Плохие каналы были исключены из всего набора данных. Подробный отчет об оставшемся количестве испытаний по каждому условию для каждого участника можно найти в приложении SI, таблица S1. Наконец, во всех дальнейших анализах и в каждой сенсорной модальности для каждого субъекта случайным образом было выбрано равное количество обнаруженных и необнаруженных испытаний, чтобы предотвратить любую систематическую ошибку в зависимости от условий (66).

Анализ источников.

Нейронная активность, вызванная началом стимула, была исследована путем вычисления ERF.Для всех анализов на уровне источника предварительно обработанные данные подвергались фильтрации нижних частот с частотой 30 Гц и проецировались на уровень источника с использованием анализа формирователя луча с линейно ограниченной минимальной дисперсией (LCMV) (67). Для каждого участника были рассчитаны модели головы с одной оболочкой реалистичной формы (68) путем сопоставления форм головы участников либо с их структурной МРТ, либо — когда не было индивидуальной МРТ (три участника и два участника, для начального эксперимента и контрольный эксперимент, соответственно) — со стандартным мозгом из Монреальского неврологического института (MNI), деформированным до индивидуальной формы головы.Сетка с разрешением 1,5 см на основе шаблона мозга MNI была преобразована в объем мозга каждого участника. Общий пространственный фильтр (для каждой точки сетки и каждого участника) был вычислен с использованием полей отведений и общей ковариационной матрицы с учетом данных из обоих условий (обнаруженных и необнаруженных или пойманных и фиктивных) для каждой сенсорной модальности отдельно. Ковариационное окно для расчета фильтра формирователя луча было основано на 200 мс до и 500 мс после стимула. Затем с помощью этого общего фильтра было оценено пространственное распределение мощности для каждого испытания отдельно.Полученные данные были усреднены относительно начала стимула во всех условиях (обнаруженный, необнаруженный, пойманный и фиктивный) для каждой сенсорной модальности. Только для целей визуализации к усредненным данным на уровне источника применялась базовая коррекция путем вычитания временного окна от предварительного стимула в 200 мс до начала стимула. Основываясь на значительном различии между связанными с событиями полями двух состояний во времени для каждой сенсорной модальности, локализация источника была выполнена с ограничением конкретных интересующих временных окон.Все исходные изображения были интерполированы из исходного разрешения на раздутую поверхность головного мозга шаблона MNI, доступного в программном пакете Caret (69). Соответствующие координаты MNI и метки локализованных областей мозга были идентифицированы с помощью анатомического атласа мозга (атлас AAL; ссылка 70) и атласа сетевой парцелляции (29). Анализ источников данных МЭГ — это по своей сути недооцененная проблема, и единственного решения не существует. Кроме того, невозможно избежать утечки из источника, что еще больше снижает точность любого анализа.Наконец, мы напоминаем читателю, что мы не ожидаем точности более 3 см от наших результатов, потому что мы использовали стандартную локализацию источника LCMV с сеткой 1,5 см. Другими словами, исходные графики следует рассматривать как довольно убедительные доказательства только для основных областей мозга.

Декодирование MVPA.

MVPA-декодирование выполнялось в течение периода от 0 до 500 мс после начала действия стимула на основе нормализованных (оцененных по z) данных источника с пониженной частотой дискретизации до 100 Гц (то есть с временными шагами 10 мс).Мы использовали многомерный анализ паттернов, реализованный в CoSMoMVPA (65), чтобы определить, когда и какой тип общей сети между сенсорными модальностями активируется во время задачи обнаружения, близкого к пороговому. Мы определили два класса для декодирования, связанных с поведенческим результатом задачи (обнаруженный и необнаруженный). Для декодирования в рамках одной и той же сенсорной модальности исходные данные однократного испытания были случайным образом отнесены к одному из двух фрагментов (половина исходных данных).

Для декодирования всех сенсорных модальностей вместе исходные данные однократного испытания были псевдослучайно назначены одному из двух фрагментов с половиной исходных данных для каждой сенсорной модальности в каждом фрагменте.Данные были классифицированы с использованием процедуры двойной перекрестной проверки, когда байесовский классификатор предсказал условия испытаний в одном фрагменте после обучения на данных из другого фрагмента. Для декодирования между различными сенсорными модальностями исходные данные одного испытания одной модальности были назначены одному тестируемому блоку, а испытания из других модальностей были назначены обучающему блоку. Количество целевых категорий (например, обнаруженные / необнаруженные) было сбалансировано в каждом обучающем разделе и для каждой сенсорной модальности.Данные испытаний в равной степени разделены на блоки (т.е. у нас есть одинаковое количество трех прогонов и испытаний блока для каждой модальности в каждом отдельном блоке, используемом для классификации). Разделы обучения и тестирования всегда содержали разные наборы данных.

Во-первых, метод временного обобщения был использован для изучения способности каждого классификатора в разные моменты времени в обучающей выборке обобщать для каждой временной точки в наборе тестирования (21). В этом анализе мы использовали особенности локальных окрестностей во временном пространстве (временной радиус 10 мс: для каждого временного шага мы включали в качестве дополнительных функций предыдущую и следующую временные точки выборки).Мы сгенерировали матрицы временного обобщения точности декодирования задач (обнаружено / необнаружено), сопоставив время обучения классификатора со временем его тестирования. Обобщение точности декодирования с течением времени рассчитывалось для всех испытаний и систематически зависело от конкретного меж- или внутрисенсорного декодирования. Сообщаемая средняя точность классификатора для каждой временной точки соответствует среднему групповому значению индивидуального эффекта: способности классификаторов отличать обнаруженные испытания от необнаруженных испытаний.Мы суммировали временное обобщение, сохранив лишь значительную точность для декодирования каждой сенсорной модальности. Точности значимых классификаторов были нормализованы между 0 и 1, yt = xt − min (x) max (x) −min (x), [1]

, где x — переменная всех значимых точности декодирования, а xt — заданная значимая точность в момент времени t. Затем нормализованная точность (yt) была усреднена для значительного времени тестирования и условий декодирования. Количество значимых обобщений классификатора по временным точкам тестирования и соответствующие усредненные нормализованные точности были представлены по измерению времени обучения (рис.3 B и 5 B ). Для всех значимых моментов времени, определенных ранее, мы провели «прожекторный» анализ по источникам мозга и структуре временного соседства. В этом анализе мы использовали особенности локальных окрестностей в исходном и временном пространстве. Мы использовали временной радиус 10 мс и радиус источника 3 см. Все результаты значимой точности прожектора были усреднены по времени, и только максимальная достоверность 10% была указана на картах мозга для каждого условия декодирования сенсорной модальности (рис.4) или для всех условий вместе (рис. 5 C ).

Наконец, мы применили тот же тип анализа ко всем сенсорным модальностям, взяв все блоки вместе с обнаруженными и необнаруженными испытаниями NT (уравновешенными в каждой сенсорной модальности). Для контрольного эксперимента мы уравняли испытания на основе дизайна 2 × 2 с отчетом об обнаружении (обнаружено или необнаружено) и типом реакции («нажатие кнопки = ответ» или «нет ответа»), так что мы получили такое же количество испытаний. внутри каждой категории (т.е., класс) для каждой сенсорной модальности. Мы выполнили аналогичный анализ декодирования, используя другое определение класса: либо обнаруженный, либо необнаруженный, либо ответ против отсутствия ответа ( SI Приложение , рис. S3 B и C ).

Статистический анализ.

Показатели обнаружения в экспериментальных испытаниях были статистически сравнены с показателями вылова и фиктивных испытаний с использованием зависимых выборок t тестов. Что касается данных МЭГ, то основной статистический контраст был между испытаниями, в которых участники сообщали об обнаружении стимула, и испытаниями, в которых они этого не делали (обнаружено vs.необнаружены).

Вызванный ответ на уровне источника тестировался на уровне группы для каждой из сенсорных модальностей. Чтобы устранить полярность, статистические данные были рассчитаны на основе абсолютных значений откликов, связанных с событиями на уровне источника. На основе глобального среднего значения всех точек сетки мы сначала определили соответствующие периоды времени с максимальной разницей между условиями (обнаруженные и необнаруженные), выполнив групповой анализ с последовательными зависимыми тестами t между 0 и 500 мс после появления стимула с использованием скользящего окна. 30 мс с перекрытием 10 мс.Значения P были скорректированы для множественных сравнений с использованием поправки Бонферрони. Затем, чтобы получить пространственные генераторы, способствующие этому эффекту, обнаруженные и необнаруженные условия были сопоставлены для конкретных периодов времени с помощью группового статистического анализа с использованием непараметрических критериев перестановки на основе кластеров с рандомизацией Монте-Карло по точкам сетки, контролирующим множественные сравнения (71).

Результаты многомерного анализа прожектором, различающего условия, были протестированы на уровне группы путем сравнения полученных индивидуальных карт точности с уровнем вероятности (50%) с использованием непараметрического подхода, реализованного в CoSMoMVPA (65), приняв 10000 перестановок для генерации нулевого распределения.Значения P были установлены на P <0,005 для коррекции на уровне кластера для контроля множественных сравнений с использованием беспорогового метода кластеризации (72), который использовался и подтверждался для данных MEG / EEG (40, 73) . Результаты обобщения по времени на уровне группы были определены порогом с использованием маски с скорректированным z-показателем> 2,58 (или P , скорректированным <0,005) (Фиг.3 A и 5 A ). Временные точки, превышающие этот порог, были идентифицированы и сообщены для каждого временного интервала обучающих данных, чтобы визуализировать, насколько долгое обобщение было значимым для данных тестирования (рис.3 B и 5 B ). Карты мозга со значительной точностью, полученные в результате анализа прожектором в ранее определенные моменты времени, были представлены для каждого условия декодирования. Максимальные 10% усредненной точности были изображены для каждого значимого кластера декодирования на картах мозга (рис. 4 и 5).

Доступность данных.

Версия данных с пониженной дискретизацией (до 100 Гц) доступна в общедоступном репозитории OSF (https://osf.io/E5PMY/). Исходные необработанные данные без повторной выборки доступны по разумному запросу у соответствующего автора.Код анализа данных доступен в репозитории GitLab соответствующего автора (https://gitlab.com/gaetansanchez).

Благодарности

Эта работа была поддержана Европейским исследовательским советом (ERC) (Окно в сознание [WIN2CON], Стартовый грант ERC [StG] 283404). Мы благодарим Джулию Фрей за ее огромную поддержку во время сбора данных.

Сноски

  • Вклад авторов: G.S. и N.W. спланированное исследование; G.S., T.H., M.F. и G.D. проводили исследования; Т.Х. и Г.Д. предоставили новые реагенты / аналитические инструменты; G.S. проанализировал данные; и G.S. и N.W. написал газету.

  • Авторы заявляют об отсутствии конкурирующей заинтересованности.

  • Эта статья представляет собой прямое представление PNAS.

  • Размещение данных: версия исходных данных с пониженной дискретизацией (до 100 Гц) доступна в общедоступном репозитории OSF (https://osf.io/E5PMY/). Исходные данные без повторной выборки доступны по разумному запросу у соответствующего автора.Код анализа данных доступен в репозитории GitLab соответствующего автора (https://gitlab.com/gaetansanchez).

  • Эта статья содержит вспомогательную информацию в Интернете по адресу https://www.pnas.org/lookup/suppl/doi:10.1073/pnas.1

    4117/-/DCSupplemental.

  • Copyright © 2020 Автор (ы). Опубликовано PNAS.

Декодирование областей ускоренного развития человека | The Scientist Magazine®

Геном шимпанзе был опубликован в 2005 году, -2, когда я работал постдоком в Калифорнийском университете в Санта-Круз, а вскоре после этого последовали геномы 12 других позвоночных.В то же время ученые-вычислители были заняты разработкой алгоритмов для сканирования ДНК на наличие схожих участков у разных видов. Такое сохранение последовательности предполагает, что эти области отвечают за критические функции. Я вывел это сравнительное геномное сканирование на новый уровень, написав компьютерную программу для определения последовательностей ДНК, которые сохранились у других животных, но быстро изменились у людей с тех пор, как мы произошли от нашего общего предка с шимпанзе. Эта эволюционная подпись предсказывает потерю или изменение функции у человека.Мои коллеги и я использовали этот шаблон, состоящий из двух частей, для определения наиболее быстро развивающихся регионов человеческого генома, известных как ускоренные области человека (HAR). Мы опубликовали первые 202 HAR в 2006 году. 3

Возникла захватывающая, но устрашающая закономерность: только горстка HAR была в генах. Фактически, мы понятия не имели, что делает подавляющее большинство этих предположительно функциональных и уникальных последовательностей ДНК человека, не говоря уже об их роли в эволюции человека. HAR короткие — в среднем всего 227 пар оснований в длину, что намного меньше размера гена.Они выглядели как то, что мы тогда называли «мусорной ДНК», и не стояли бы на первом месте в чьем-либо списке геномных регионов для изучения, если бы не их убедительная сохранность у большинства животных и заметные различия у людей.

Люди страдают множеством болезней, которые не поражают шимпанзе или менее серьезны для них.

Благодаря инновациям в технологии секвенирования, породившим изобилие геномов, а также некоторым корректировкам вычислительных методов в различных лабораториях, объединенный список идентифицированных HAR теперь включает почти 3000 сегментов генома. 4 Но исходная тенденция все еще сохраняется; почти все HAR находятся вне генов, некоторые довольно далеко от любого гена в геноме.

Так что же делали HAR, что сделало их последовательности такими неизменными на протяжении всей эволюции млекопитающих? Как несколько человеческих мутаций в каждом HAR изменили его функцию? Десять лет спустя моя группа, которая сейчас базируется в Институте Гладстона в Сан-Франциско, и другие продолжают исследовать эти вопросы в надежде лучше понять, чем люди отличаются от всех других видов.

Уникальные регуляторы генов человека

ЧЕЛОВЕЧЕСКОЕ ДЕРЕВО: Эта диаграмма 1931 года иллюстрирует эволюцию приматов от общего предка. Более поздние открытия показали, что многие особенности здесь ошибочны, но общее разветвление различных групп приматов продолжает влиять на изучение биологии человека и сегодня. © SHEILA TERRY / SCIENCE SOURCE Не обращая внимания на человеческую ДНК на мгновение, HAR-области являются одними из наиболее консервативных. последовательности в геномах млекопитающих. Некоторые из них, например, почти идентичны между шимпанзе и утконосом.Эта близкая идентичность предполагает, что информация, закодированная в этих последовательностях, имеет решающее значение, и что изменения в последовательностях изменят их важные инструкции. Это делает человеческие мутации в HAR поистине неожиданными.

Возникает соблазн предположить, что эти мутации разрушают или изменяют регуляторные функции генов, изменяя время и место включения генов. Первые два функционально охарактеризованных HAR поддерживают эту идею.

HAR1 кодирует не белок, а длинную РНК, тип молекулы, которая направляет белки или модулирует их экспрессию. 5 Мы предсказали, что РНК HAR1 может складываться в трехмерную структуру, потому что ее консервативная последовательность имеет палиндромные области, которые соединяются, образуя серию взаимосвязанных «стеблей», которые выглядят как лестницы — подумайте о раскрученной двойной спирали ДНК. Это расчетное предсказание было подтверждено экспериментами по зондированию структуры РНК с использованием РНК HAR1 человека и шимпанзе, синтезированных in vitro для идентификации стеблей. Помечая молекулы HAR1 в эмбрионах человека и макака, мы обнаружили, что РНК функционируют в нейронах во время формирования паттерна и расположения коры, 6 структуры мозга, которая значительно увеличилась в размерах в ходе эволюции человека. 7 Какие именно гены регулирует HAR1, еще предстоит определить.

HAR2 (также известный как HACNS1 ) не кодирует ни белок, ни РНК. Скорее, HAR2 функционирует как энхансер, последовательность ДНК, которая работает для увеличения или уменьшения уровня экспрессии гена. 8 Энхансер может располагаться в тысячах пар оснований от гена, который он регулирует. Ген активируется, когда он находится в физической близости со своим энхансером.Исследования на мышах показали, что человеческий HAR2 активен в нескольких тканях эмбриона, включая те, которые дают начало запястью и большому пальцу руки, структурам, которые трансформировались у наших предков после их отделения от общего предка с шимпанзе. Еще раз, гены, которые подвергаются регуляции HAR2 , все еще неясны, хотя GBX2, фактор транскрипции, который контролирует правильную экспрессию генов, участвующих в морфогенезе эмбриона, является одним из многообещающих кандидатов.

Основываясь на этих первоначальных открытиях, исследователи выявили роль других HAR в регуляции генов благодаря достижениям в методах измерения экспрессии генов на уровне отдельной клетки, отслеживания места связывания белков с ДНК и оценки других эпигенетических свойств генома.(См. «Масштабирование до одиночных чисел», The Scientist , май 2016 г .; «Silencing Surprise», The Scientist , июнь 2015 г.) Интегрируя эту новую информацию в вычислительные модели, мы с коллегами предсказали, что около 5 процентов HAR функционируют как некодирующие РНК, в то время как большинство из них являются энхансерами, контролирующими экспрессию генов во время эмбрионального развития. 9

Чтобы более конкретно проверить эту гипотезу, моя команда начала исследовать функцию почти 100 наиболее быстро развивающихся HAR, многие из которых, как мы подозревали, обладают энхансерной активностью.Мы вводим оплодотворенные яйца мышей или рыб репортерной конструкцией, которая содержит последовательность HAR шимпанзе перед геном, который метит любые клетки эмбриона, в которых HAR функционирует как энхансер. На данный момент две трети HAR, протестированных на энхансерную активность, включали ген во время развития. 4 Для 26 энхансеров HAR мы повторили эксперимент с человеческими последовательностями. Восемь HAR показали различия в их энхансерной активности при наличии человеческих мутаций. 4 Эти различия изменяют способ экспрессии генов в развивающейся конечности ( HAR2, 2xHAR114 ), глазу ( HAR25 ) и центральной нервной системе ( 2xHAR142, 2xHAR238, 2xHAR164, 2xHAR170, ANC516486 / HARE). 4,10 Поскольку было исследовано относительно небольшое количество временных точек, вероятно, что даже более высокий процент протестированных HAR является активными энхансерами в какой-то момент во время эмбрионального развития или во взрослых тканях, возможно, с различиями между человеком и шимпанзе.

Многие HAR расположены рядом с генами, которые контролируют фундаментальные процессы развития, 9 , поэтому их измененная регуляторная функция может иметь серьезные последствия для биологии человека. Подтверждая это, человеческая версия одного энхансера HAR ( ANC516 / HARE5 ) активна раньше в развитии и в большей области мозга по сравнению с HAR шимпанзе.HARE5 человека увеличивает экспрессию своего гена-мишени Frizzled 8, влияя на размер и развитие мозга мышей. 10

Эти эксперименты демонстрируют, что HAR могли изменять ключевые программы развития в ходе эволюции человека. Исследование HARE5 — это наиболее близкие исследователи, которые подошли к тому, чтобы показать, что последовательность HAR влияет на орган, который важен для эволюции человека. Возможно, что человеческие мутации в HAR могут влиять на человеческие черты, такие как мелкая моторика, разговорная речь и познание.Но связать мутации HAR с инновациями в организме сложно, учитывая очевидные ограничения на тестирование эффектов генетических изменений у людей или обезьян. Установление этих связей — наша самая большая задача в будущем.

Появление HAR

Самый недавний общий предок человека и шимпанзе, вероятно, жил около 6 миллионов лет назад. Летопись окаменелостей показывает, что с тех пор наши два вида постоянно менялись по-разному. Знание того, когда HAR мутировал в ходе эволюции человека, может помочь исследователям связать его с чертами, которые изменились в то же время.И наоборот, поскольку мы выясняем, на какие биологические процессы влияют мутации HAR, возраст мутаций может помочь датировать появление признаков, которые трудно отличить от окаменелостей.

ПОНИМАНИЕ, УСКОРЕННЫЕ РЕГИОНАМИ ЧЕЛОВЕКА: участки генома, которые в значительной степени консервативны у млекопитающих и даже у всего животного царства, но различаются у людей, известны как ускоренные области человека (HAR). Расшифровка их функции может оказаться ключом к пониманию того, что отличает человека от других организмов.Например, 2xHAR.142 и 2xHAR.114, как и многие другие HAR, действуют как энхансеры, которые увеличивают или уменьшают уровень экспрессии гена.
См. Полную инфографику: WEB | PDF © NOVIE STUDIO, 2016, ВСЕ ПРАВА ЗАЩИЩЕНЫ Оценить, когда возник HAR, сложно, потому что эти расчеты основаны на сравнении с геномами гомининов, которые отделились от наших предков в разное время в прошлом. Без этих молекулярных указателей человеческого происхождения трудно сказать, возникла ли HAR сразу после раскола человека и шимпанзе или всего несколько поколений назад.Но секвенирование древней ДНК начинает проливать свет на эту проблему. 11 Например, сравнивая последовательность HAR человека с последовательностью HAR архаичного гоминина, исследователи могут оценить, мутировал ли HAR до, после или в течение периода времени нашего общего предка. 12 Этот подход показал, что скорость появления мутаций HAR была немного выше до того, как мы отделились от неандертальцев и денисовцев. 3,13 В результате большинство мутаций HAR имеют возраст в миллионы лет и являются общими с этими вымершими гомининами (но не с шимпанзе).

СРАВНЕНИЕ ВИДОВ: Эта круговая карта генома показывает общий генетический материал между хромосомами людей (внешнее кольцо) и (от внутреннего кольца наружу) шимпанзе, мыши, крысы, собаки, курицы и рыбок данио. Цвета образуют тепловую карту, узор которой представляет собой горячие точки общего генетического материала. © MARTIN KRZYWINSKI / SCIENCE SOURCES Однако некоторые HAR эволюционировали гораздо позже. Около 10 процентов мутаций в HAR являются полиморфными, что означает, что только часть людей несет мутированные последовательности, в то время как другие имеют последовательность ДНК, наблюдаемую у шимпанзе. 4 Эти полиморфные изменения в HAR произошли относительно недавно в эволюции человека — вряд ли им больше 1 миллиона лет. Но такие новые мутации HAR обнаруживаются у людей по всему миру, что указывает на то, что они предшествовали миграциям людей на большие расстояния, которые начались около 60 000 лет назад.

По мере того как будет секвенироваться все больше геномов человека из разных популяций, будет интересно увидеть, связаны ли какие-либо черты с переносом мутированной или предковой версии полиморфных HAR.Этот подход уже выявил важные с медицинской точки зрения черты, связанные с предками неандертальцев, в других частях генома человека. 14 Например, кровь имеет тенденцию к более быстрому свертыванию у тех из нас, у кого ДНК неандертальца находится в одной такой области, в то время как другая последовательность неандертальцев связана с депрессией.

Силы, создавшие HAR

С точки зрения статистики, вероятность того, что высококонсервативная последовательность ДНК изменится несколько раз за 6 миллионов лет эволюции, близка к нулю, если только силы, которые отбирали мутации в ее последовательности, внезапно не изменятся.Например, HAR2, по-видимому, включает ген, участвующий в развитии конечностей человека, благодаря потере последовательностей, которые удерживают его выключенным у эмбрионов других видов. 15

ФУНКЦИЯ ГВОЗДЕЙ НАПРАВЛЕНИЯ: Остающейся проблемой в изучении ускоренных областей человека (HAR) является установление их специфических функций во время развития и других биологических процессов. Но современные технологии стволовых клеток могут дать ответ.
См. Полную инфографику: WEB | PDF © NOVIE STUDIO, 2016, ВСЕ ПРАВА ЗАЩИЩЕНЫ

Исследователи прошли долгий путь к освещению функций HAR и их потенциальной роли в эволюции человека, но мы все еще далеки от понимания их конкретных функций в развитии и других процессах.Одна из основных проблем, с которыми мы сталкиваемся, — это установление причинно-следственной связи. К счастью, новые технологии позволили создать клетки мозга, сердца и печени из биопсии кожи приматов 16 и редактировать ДНК этих клеток в лаборатории. Эти достижения позволяют исследователям проверить, изменяют ли конкретные человеческие мутации способность HAR активировать гены в клетках человека или приматов. 17 Кроме того, поскольку активность энхансера теперь может быть проанализирована с помощью высокопроизводительных геномных методов, можно перейти от тестирования HAR по одному к параллельному исследованию тысяч из них.Эти захватывающие открытия обещают ускорить исследования функции HAR и эволюционных сил, сформировавших HAR.

Высокопроизводительные вычисления и разработка алгоритмов по-прежнему будут иметь решающее значение для исследований HAR. Мой анализ, обнаруживший, что оригинальные 202 HAR, все еще работал бы сегодня, если бы я реализовал его на одном настольном компьютере, а не на компьютерном кластере из 1000 узлов. Вместо того, чтобы ждать окончания программы, мы потратили последнее десятилетие, показывая, что HAR являются ключевыми регуляторами эмбрионального развития.Это огромный шаг вперед по сравнению с HAR, которые рассматриваются как причудливая мусорная ДНК неизвестного назначения. Заглядывая вперед, когда все наши геномы будут проанализированы и появятся инструменты для точного редактирования HAR в клетках человека, кажется возможным выяснить, что произошло, когда каждая из этих эволюционно консервативных последовательностей внезапно мутировала у людей.

Кэтрин С. Поллард — специалист по биостатике в Институте Гладстона в Сан-Франциско, Калифорния.

Каталожные номера

  1. Международный консорциум по секвенированию генома человека, «Первоначальное секвенирование и анализ генома человека», Nature , 409: 860-921, 2001.
  2. Консорциум по секвенированию и анализу шимпанзе, «Исходная последовательность генома шимпанзе и сравнение с геномом человека», Nature , 437: 69-87, 2005.
  3. К.С. Поллард и др., «Силы, формирующие наиболее быстро развивающиеся области в геноме человека», PLOS Genet , 2: e168, 2006.
  4. М.Дж. Хубиш, К.С. Поллард, «Изучение происхождения и функций ускоренных регионов человека проливает свет на их роль в эволюции человека», Curr Opin Genet Dev , 29: 15-21, 2014.
  5. К.С. Поллард и др., «Ген РНК, экспрессируемый во время коркового развития, быстро эволюционировал у людей», Nature , 443: 167-72, 2006.
  6. А. Бениаминов и др., «Отличительные структуры между шимпанзе и человеком в некодирующей РНК головного мозга», РНК , 14: 1270-75, 2008.
  7. С. Геркулан-Хаузель, «Замечательный, но не выдающийся человеческий мозг как увеличенный мозг приматов и связанные с этим затраты», PNAS , 109 (Дополнение 1): 10661-68, 2012.
  8. С. Прабхакар и др., «Специфическое для человека усиление функции усилителя развития», Science , 321: 1346-50, 2008.
  9. J.A. Capra et al., «Многие ускоренные области человека являются усилителями развития», Philos Trans R Soc Lond B Biol Sci , 368: 20130025, 2013.
  10. J.L. Boyd et al., «Различия между человеком и шимпанзе в энхансере FZD8 изменяют динамику клеточного цикла в развивающемся неокортексе», Curr Biol , 25: 772-79, 2015.
  11. Дж.Краузе, С. Пэабо, «Генетические путешествия во времени», Genetics , 203: 9-12, 2016.
  12. R.E. Грин и др., «Проект последовательности генома неандертальца», Science , 328: 710-22, 2010.
  13. К.С. Pollard et al., «Анализ ускоренных участков ДНК человека с использованием архаичных геномов гомининов», PLOS ONE , 7: e32877, 2012.
  14. C.N. Симонти и др., «Фенотипическое наследие смешения современных людей и неандертальцев», Science , 351: 737-41, 2016.
  15. К. Сумияма, Н. Сайто, «Мутация потери функции в репрессорном модуле специфически активированного человеком энхансера HACNS1», Mol Biol Evol , 28: 3005-07, 2011.
  16. I. Gallego Romero et al., «Панель индуцированных плюрипотентных стволовых клеток шимпанзе: ресурс для сравнительной функциональной геномики», eLife , 4: e07103, 2015.
  17. С. Вейер, С. Паабо, «Функциональный анализ сайтов связывания факторов транскрипции, которые различаются у современных и древних людей», Mol Biol Evol , 33: 316-22, 2016.

ESA — Расшифровка загадочной области Марса

Наука и исследования

19.10.2006 1574 просмотры 1 классов

Прибор OMEGA

Mars Express дал ученым-планетологам новые выдающиеся ключи к разгадке тайны так называемой «загадочной области» Марса.

В 1970-х годах орбитальные полеты вокруг Марса показали, что южной весной большие области около южного полюса Марса стали намного темнее, чем остальная часть сезонной ледяной шапки.Как могла эта область находиться в полярном регионе и не быть покрыта ярким льдом? Заинтригованные ученые-планетологи назвали этот район «загадочной областью» южной сезонной шапки.

Тайна стала еще более загадочной в конце 1990-х годов, когда новые наблюдения показали, что температура в загадочной области была близка к -135º по Цельсию. При такой температуре должен был присутствовать лед из углекислого газа. Таким образом, ученые разработали идею, что плита прозрачного льда из углекислого газа толщиной в один метр покрывает загадочную область, позволяя видеть темную поверхность под ней.

Однако новые наблюдения с помощью прибора OMEGA Mars Express показывают, что такая интерпретация не может быть правильной. OMEGA измеряет количество видимого и инфракрасного излучения, отражающегося от поверхности Марса. При этом он обнаруживает на поверхности минералы и лёд, записывая на диаграмме конкретные длины волн поглощаемого ими излучения.

Лед с диоксидом углерода (сухой лед) сильно поглощает инфракрасный свет определенной длины волны. «Мы видим только слабое поглощение в инфракрасном диапазоне, что может указывать на небольшое количество льда с углекислым газом в загадочной области», — говорит Ив Ланжевен, Institut d’Astrophysique Spatiale, Орсе, Франция, который руководил анализом результатов OMEGA.

Единственный способ согласовать явно противоречивые наблюдения — это то, что в этой области действительно есть толстая плита сухого льда, но ее поверхность настолько сильно покрыта пылью, что немногие солнечные лучи проникают в более глубокие слои и обратно. .

Как пыль попадает на плиту? Ответ могут дать таинственные отметины, которые усеивают загадочную область. Известные как пятна, «пауки» и «веера» в зависимости от их формы, они были обнаружены в 1998–1999 гг. Агентством Mars Global Surveyor НАСА.

Ученые-планетологи считают, что они вызваны солнечным светом, проходящим через чистый лед и нагреванием почвы под ним. Это приводит к увеличению давления в пузырьках углекислого газа подо льдом, пока гейзер не извергается, выбрасывая пыль на поверхность, создавая пятна и вентиляторы. В этой модели пауки возникают в результате эрозии подстилающей поверхности быстрыми потоками газа подо льдом. Ланжевен считает, что этот процесс может внести значительный вклад в загрязнение ледяной поверхности пылью, которое наблюдало OMEGA.

«С точки зрения физики это простой процесс, который во многом поможет объяснить наши наблюдения», — говорит Ланжевен. Однако остаются серьезные вопросы, например, почему пауки, пятна и веера наблюдаются только в небольшой части загадочной области? И почему участки, не покрытые пятнами и веерами, уже относительно темные.

Чтобы прояснить эти моменты, Ланжевен должен дождаться следующего южного весеннего равноденствия на Марсе в 2007 году. В течение долгой зимы Солнце не видно с южного полюса, и над загадочной областью должен образоваться чистый слой льда.Ланжевен хочет наблюдать загадочную область вблизи точки весеннего равноденствия, прежде чем Солнце коснется ее и не запустит процесс вентиляции. Это подскажет ему, когда образуются пылевые гейзеры и являются ли они единственным источником пылевого загрязнения ледяной плиты.

Итак, южная полярная область Марса, хотя и не такая загадочная, как раньше, по-прежнему имеет несколько загадок.

Примечание редакции

Эти результаты были опубликованы в выпуске научного журнала Nature от 17 августа 2006 года в статье под названием «Нет признаков чистого льда CO 2 из« загадочных »областей в южной сезонной полярной шапке Марса», автор Ю.Langevin et al. ( Nature 442, 790-792, 17 августа 2006 г.) | DOI: 10.1038 / nature05012).

Для получения дополнительной информации

Ив Ланжевен, соисследователь OMEGA, Institut d’Astrophysique Spatiale — IAS, Орсе, Франция
Электронная почта: yves.langevin @ ias.u-psud.fr

Жан-Пьер Бибринг, главный исследователь OMEGA, Institut d’Astrophysique Spatiale — IAS, Орсе, Франция
Электронная почта: jean-pierre.bibring @ ias.u-psud.fr

Агустин Чикарро, научный сотрудник ESA Mars Express Project
Электронная почта: agustin.chicarro @ esa.int

Нравиться

Спасибо за лайк

Вам уже понравилась эта страница, вам может понравиться только один раз!

Расшифровка кинематики руки на основе реакций в сенсомоторной коре при хватании

Рука, сложный эффектор, имеющий десятки степеней свободы [1], позволяет нам гибко, точно и без усилий манипулировать объектами. Утрата функции руки — например, вследствие травмы спинного мозга — может иметь разрушительные последствия для качества жизни [2].У пациентов с интактной сенсомоторной корой некоторая степень независимости может быть восстановлена ​​с помощью интерфейсов мозг-машина (ИМТ), которые задействуются в центральных нервных путях, опосредующих ловкость рук [3]. Преобразование шаблонов активности нейронной популяции в управляющие сигналы для внешних устройств имеет решающее значение для развития таких интерфейсов.

Движения «дотянуться до захвата» традиционно декодировались из областей коры головного мозга, связанных с планированием и выполнением движений. Первичная моторная, премоторная и задняя париетальная кора были главными мишенями для предыдущих ИМТ, давая замечательный контроль над роботизированной конечностью как у нечеловеческих приматов [4-7], так и у пациентов с тетраплегией [8-11].Однако в центре внимания большинства исследований по декодированию были движения, выполняемые проксимальной конечностью (локтем и плечом) [12, 13]. Дистальной части конечности (суставы запястья и пальцев), критически важной для взаимодействия с объектами, уделялось сравнительно мало внимания (но см. [14]), в первую очередь из-за большей сложности мануального поведения [15] и трудности одновременного отслеживания десятков суставов кисти [14]. 16].

Важным дополнением к нейронным сигналам, участвующим в управлении движениями, являются сигналы, отвечающие за передачу сенсорной обратной связи о последствиях этих движений [17].Действительно, двигательный аппарат получает постоянную проприоцептивную обратную связь от суставов и мышц, которая сигнализирует о положении тела в пространстве, о силах, которые оно прилагает, и опосредует корректирующие ошибки двигательные приспособления [18]. Проприоцептивные нарушения приводят к серьезным нарушениям моторного поведения, что приводит к медленным, требующим усилий и неточным движениям [19–21]. Два корковых поля в соматосенсорной коре (SC) — области 3a и 2 Бродмана [22, 23] — содержат нейроны, которые реагируют на активные и пассивные манипуляции с суставами и мышцами [24–26], на силы, прикладываемые мышцами, и на крутящие моменты. применяется к суставам [27].Однако подавляющее большинство предыдущих исследований проприоцептивных репрезентаций в SC было сосредоточено на проксимальных отделах конечностей, особенно во время движений с вытягиванием.

Связанные с руками ответы индивидуальных нейронов SC были охарактеризованы во время пассивных отклонений суставов кисти [26, 28] и во время активных движений руки [29]. Однако степень, в которой движения рук и позы кодируются в популяциях SC нейронов, не исследовалась. Один из способов ответить на этот вопрос — оценить нашу способность декодировать кинематику руки по ответам популяций нейронов SC.Более ранние исследования декодирования были сосредоточены на транспортном компоненте (то есть достижении), который в первую очередь затрагивает проксимальную конечность [30–32]. Те, которые включали движения дистальных конечностей, либо пытались классифицировать небольшой набор дискретных поз рук [33], либо декодировать (одномерные) апертуру непрерывного захвата или силу захвата [34]. В той степени, в которой соматосенсорные нейроны несут подробную информацию о движениях рук, эти нейронные представления могут использоваться для передачи искусственной проприоцептивной обратной связи посредством интракорковой микростимуляции (ICMS) [35–37], параллельно с усилиями по передаче искусственной тактильной обратной связи через ICMS [38, 39]. .

Целью настоящего исследования является оценка степени, в которой кинематика руки может быть декодирована из ответов популяций сенсомоторных нейронов, главной новинкой является попытка декодирования состояния руки из SC. С этой целью мы обучили двух обезьян схватывать 35 объектов разного размера, формы и ориентации, отслеживая при этом изменяющуюся во времени кинематику их рук с помощью системы отслеживания движения на основе камеры. Мы одновременно регистрировали ответы в ручных представлениях M1 и SC с использованием хронически имплантированных электродных решеток.Затем мы сделали вывод об идентичности объекта (далее именуемой «классификация»), а также о непрерывной совместной кинематике (далее именуемой «декодирование») по нейронным сигналам, в то время как рука формировалась, чтобы схватить объект (до контакта). Во-первых, мы показываем, что нейронные сигналы как в M1, так и в SC несут достоверные изображения руки, используя эти сигналы для классификации объектов до того, как они будут схвачены, или для восстановления изменяющихся во времени совместных траекторий. Во-вторых, мы показываем, что разные корковые поля в M1 и SC несут разное количество информации о состоянии руки.Наконец, мы обнаружили, что можем лучше расшифровать позу, чем движение, в отличие от того, что было показано для моторных репрезентаций проксимальной конечности, предполагая возможные различия в кортикальном кодировании проксимальной и дистальной конечностей. Наши результаты подчеркивают перспективность использования сигналов M1 для достижения контроля над рукой во время схватывания в настройках ИМТ и демонстрируют, что популяции SC несут достоверное представление изменяющейся во времени конфигурации руки, которая в принципе может быть использована для восстановления проприоцепции с помощью ICMS.

2.1. Животные и хирургия

Мы сделали записи у двух самцов макак-резус в возрасте от 6 до 15 лет и весом от 8 до 11 кг. Обезьяна 2 была имплантирована дважды (обезьяна 2a и 2b) с интервалом в 2 года между периодами записи и с использованием различных методов записи. Все процедуры с животными выполнялись в соответствии с правилами и положениями Комитета по уходу и использованию животных Чикагского университета. За обезьянами ухаживали штатные сотрудники животноводства, а ветеринарные врачи наблюдали за здоровьем животных.

Хирургические процедуры включали имплантацию штифта для фиксации головы на череп, трепанацию черепа, имплантацию герметичной записывающей камеры (обезьяна 2a) и имплантацию электродных матриц штата Юта (UEAs, Blackrock Microsystems, Inc., Солт-Лейк-Сити, штат Юта, США, США). обезьяны 1 и 2b) и плавающие массивы микроэлектродов (FMA, Microprobes для наук о жизни, Гейтерсбург, Мэриленд; обезьяна 1) или полупостоянные электродные матрицы Microdrive (Grey Matter Research, Bozeman, MT [40, 41]; обезьяна 2a). Все процедуры выполнялись в асептических условиях и анестезия, индуцированная кетамином HCl (20 мг кг –1 , в / м) и поддерживаемая изофлураном (10–25 мг –1 кг в час, ингаляция).

2.2. Поведенческая задача

Мы обучили обезьян схватывать 35 предметов, различающихся по форме, размеру и ориентации, чтобы вызвать широкий диапазон поз рук (рисунок 1 (A), вставка и дополнительный рисунок 1) (доступно на сайте stacks.iop.org/ JNE / 17/046035 / mmedia). На протяжении всего сеанса обезьяна с фиксированной головой сидела на стуле лицом к роботизированной руке с тремя степенями свободы (рис. 1 (A), вверху). Рука обезьяны опиралась на мягкий подлокотник и оставалась практически неподвижной во время схватывания. В начале каждого испытания объект прикреплялся к роботизированной руке с помощью слабого магнита и предъявлялся животному.Задача обезьяны заключалась в том, чтобы схватить объект и приложить достаточную силу захвата, чтобы при втягивании робота объект отключился от его магнитной связи с роботом и остался в руке обезьяны (рис. 1 (C)). Животных приучили держать локоть на подлокотнике, чтобы минимизировать движения проксимальной конечности. Неподвижность проксимальной конечности обеспечивалась встроенным в подлокотник фотодатчиком, который приводил к преждевременному прекращению испытания без вознаграждения, если руку поднимали, чтобы подвергнуть ее воздействию света.

Увеличить Уменьшить Сбросить размер изображения

Рис. 1. Поведенческая задача и экспериментальная установка. (А) Экспериментальный аппарат. В каждом испытании роботизированная рука представляла животному один из 35 объектов (вставка, дополнительный рисунок 1 и дополнительная таблица 1). (B) Отслеживание движения. Мы разместили 30 светоотражающих маркеров на суставах животного и отслеживали их трехмерное положение с помощью системы отслеживания движения Vicon с 14 камерами.Для совместных названий и мест, см. Дополнительный рисунок 2. (C) Структура исследования. Мы сосредоточили наш анализ на интервале от начала движения руки обезьяны до момента непосредственно перед контактом с объектом. На изображениях показаны позы рук в начале движения (синяя рамка), при максимальной диафрагме (оранжевая рамка) и во время захвата (зеленая рамка) для трех объектов-примеров. (D) Размещение массива: массивы электродов Юты (UEA, фиолетовый, обезьяна 1 и 2b), массивы плавающих микроэлектродов (FMA, зеленый, обезьяна 1) и массив серого вещества (обезьяна 2a).Размеры выборки см. В дополнительной таблице 2. R: ростральный, M: средний.

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

2.3. Кинематика

Мы записали кинематику кисти и локтя с помощью системы отслеживания движения на основе камеры (Vantage, VICON, Лос-Анджелес, Калифорния). С этой целью мы разместили 30 светоотражающих маркеров на суставах кисти, запястья и проксимальной части конечности (рисунок 1 (B), дополнительный рисунок 2). Десять камер использовались для захвата кинематики первой обезьяны с частотой 250 Гц, а четырнадцать камер использовались для захвата кинематики второй обезьяны с частотой 100 Гц.Затем мы пометили каждый маркер с помощью программного обеспечения Nexus (VICON, Лос-Анджелес, Калифорния) и выполнили обратную кинематику (OpenSim [42]) из полученных в результате положений маркеров, изменяющихся во времени, чтобы вывести изменяющиеся во времени углы суставов конечности (22 степени свободы для обезьяны 1). и 30 степеней свободы для обезьяны 2). Углы суставов были сглажены скользящим средним за 50 мс, и на их основе вычислены угловые скорости. Для каждого испытания мы определяли начало движения (палец и запястье), максимальное раскрытие пальцев и контакт с объектом (пальцем и ладонью).Для обезьяны 1 мы вручную пометили эти события для всех испытаний. Для обезьяны 2 мы пометили только подмножество испытаний, а затем использовали совместные угловые кинематические траектории, охватывающие 200 мс до и после каждого кадра, в качестве признаков для обучения мультиклассового линейного дискриминантного классификатора различать 6 классов: все интересующие события и « нет ». мероприятие’. Отношение правдоподобия журнала использовалось, чтобы определить, какое из событий было более вероятным по сравнению с «отсутствием события». Были наложены дополнительные ограничения, чтобы гарантировать, что начало движения предшествует максимальной диафрагме, а максимальная диафрагма — захвату.Среди всех сеансов обезьяны 2 среднее значение и стандартная ошибка отклонения модели от событий, помеченных рукой, составили 16 ± 9,5 мс для начала движения пальца, 21 ± 8,8 мс для начала движения запястья, 11 ± 8,8 мс для максимальной апертуры. , –25 ± 9,7 мс для контакта ладони с объектом и –48 ± 12,1 мс для контакта пальца с объектом.

По всем испытаниям и объектам средний интервал ± стандартное отклонение между началом движения запястья и максимальной апертурой составлял 524 ± 164 мс, 466 м ± 70 мс и 426 ± 110 мс, а интервал между максимальной апертурой и первым контактом с пальцами составлял 273 ± 115 мс, 447 ± 24 мс, 114 ± 43 мс для обезьян 1, 2a и 2b соответственно.

2.4. Электрофизиология

Мы записали нейронные сигналы от обезьян 1 и 2b, используя UEA, помещенные в пре- и постцентральные извилины, а для обезьяны 1 — от FMA, размещенных в заднем и переднем берегах центральной борозды (рисунок 1 (D)). . Для обезьяны 2a мы записали нейронные сигналы с помощью набора электродов с регулируемой глубиной (SC96), расположенных над центральной бороздой (рис. 1 (D)). Мы использовали автономную сортировку пиков (Offline Sorter, Plexon, Dallas, TX), чтобы удалить непересечения пороговых значений без пиков и изолировать отдельные единицы в сигнале, прошедшем фильтрацию верхних частот.

Двигательные единицы, зарегистрированные с гребня прецентральной извилины, были классифицированы как ростральные M1 (rM1), тогда как единицы, зарегистрированные с глубины переднего банка центральной борозды, были классифицированы как каудальные M1 (cM1) [43]. Происхождение соматосенсорных единиц было определено анатомическим расположением и ручным функциональным картированием до записи (как ранее описано в [29]).

2,5. Предварительная обработка нейронных данных

Изменяющаяся во времени частота срабатывания всех записанных нейронов была вычислена путем суммирования всех событий в 10-миллисекундных ячейках.Затем мы мягко нормализовали скорости стрельбы (разделенные на их диапазон плюс небольшое приращение) и свернули полученные скорости с помощью гауссова ядра со стандартным отклонением 15 мс.

2.6. Сшивание сеансов

Для достижения достаточного размера выборки из каждого кортикального поля мы объединили данные всех сеансов для каждой обезьяны (дополнительная таблица 2). С этой целью мы сначала выровняли кинематику каждого состояния (объекта) на максимальную апертуру руки. Затем мы исключили испытания, в которых животное приняло стратегию захвата для данного объекта, которая отличалась от стратегии, использованной для того же объекта в других испытаниях, чтобы гарантировать, что объединенные нейронные ответы были связаны с аналогичной кинематикой.В частности, мы отказались от испытаний, в которых любая одна изменяющаяся во времени траектория угла сустава показывала корреляцию с ее изменяющимся во времени усредненным пробным углом, который был ниже 0,7. Остальная кинематика была достаточно стабильной от испытания к испытанию, чтобы гарантировать усреднение по испытаниям. Затем мы использовали средние кинематические трассы от 600 мс до максимальной апертуры до непосредственного контакта пальца с объектом, оцениваемое как среднее время до контакта пальца в пределах каждой обезьяны (273, 447 и 114 мс для обезьян 1, 2a, 2b, соответственно). .

2.7. Классификация

Чтобы оценить степень, в которой захват различных объектов включает в себя различные паттерны кинематики и нейронной активности, мы попытались классифицировать 35 объектов, используя кинематические или нейронные данные. В частности, мы использовали многоклассовый линейный дискриминантный анализ, где независимыми переменными были среднее положение сустава или нейронная активность в течение интервала, охватывающего 150 мс до контакта пальца с объектом, когда рука почти достигла своего окончательного положения перед захватом.Мы обучили классификатор, используя все, кроме одного, случайно выбранного испытания из каждого класса (объекта) и протестировали его на оставшемся испытании. Мы выполнили случайный пробный отбор 10 раз и сообщили о средних показателях по складкам.

2,8. Декодирование

Для непрерывного декодирования мы подгоняем стандартный фильтр Калмана ко всем записанным стыкам. Фильтр Калмана включает две оценки некоторой переменной, которая в нашем случае была суставным углом или суставной угловой скоростью в какое-то время. Эти оценки следующие:

где — оценка на основе прошлой кинематики; — матрица перехода состояний; — гауссовский процесс с нулевым средним и ковариационной матрицей; оценка на основе текущей нейронной активности; наблюдается пиковая активность с накопленными лагами / опережениями за интервал для акаузальных фильтров и для причинных с шагом 30 мс; — матрица модели наблюдения; и представляет собой гауссовский процесс с нулевым средним и ковариационной матрицей.Мы использовали алгоритм слияния, чтобы получить единственную наилучшую оценку для каждого времени (см. Подробности в [44, 45]).

Чтобы получить параметры фильтра (), мы подобрали модель, используя 80% случайно выбранных испытаний, подтвердили гиперпараметры в половине оставшихся испытаний (10%) и оценили производительность модели в другой половине (10%). Мы использовали регуляризацию L2-нормы, которая штрафует L2-норму матрицы B на величину, определяемую гиперпараметром λ. Работоспособность оценивалась с помощью коэффициента детерминации ().Чтобы сравнить наши результаты с предыдущими, мы также вычислили корреляцию Пирсона и нормированную среднеквадратичную ошибку (rRMSE), ошибку прогноза, выраженную как пропорцию диапазона движения сустава (см. [14] для деталей и дополнительный рисунок 3).

2.9. Оптимальная задержка с одной задержкой

Чтобы найти оптимальную асинхронность между кинематикой и нейронными откликами, мы протестировали модель с нейронными данными, сдвинутыми относительно кинематики в разной степени (при + -250 мс, + -200 мс, + -150 мс, + -90 мс, + -50 мс, + -3 мс, + -2 мс, + -1 мс, 0 мс) с использованием модели с одним запаздыванием и причинного фильтра (половинное ядро ​​Гаусса).Затем мы нашли отставание или опережение, при котором эффективность перекрестной проверки была максимальной для каждого сустава. Мы использовали это отставание / опережение для всех суставов для каждой модели с одним отставанием. Асинхронность оптимизирована отдельно для позы и движения.

2.10. Элементы управления

В фильтре Калмана автокорреляция в наблюдаемом процессе фиксируется матрицей A в уравнении (1). Чтобы исключить возможность того, что кинематика была предсказуемой только по их прошлому состоянию, мы случайным образом смещали пики в каждом испытании (с сохранением количества пиков) и пересчитывали производительность декодирования.Кроме того, мы сравнили стандартный декодер с фильтром Калмана с другими типами линейных и нелинейных декодеров, включая фильтр Винера, каскадный фильтр Винера, усиление экстремального градиента, плотную нейронную сеть с прямой связью, рекурсивную нейронную сеть, стробируемый рекуррентный блок и долгосрочный краткосрочный Сеть памяти подробно описана в [32] (дополнительный рисунок 4).

3.1. Сложность задачи и связанные с ней нейронные реакции

Во-первых, мы хотели охарактеризовать сложность хватательного поведения — до какой степени животное производило разные движения рук при хватании разных предметов? — и связанных с ними нейронных реакций в сенсомоторной коре головного мозга.Большой и разнообразный набор объектов вызвал различные формы рук и нейронные реакции в M1 и SC (рисунок 2 (A)). Чтобы охарактеризовать сложность задачи, мы сначала выполнили анализ главных компонентов (PCA) кинематики руки и обнаружили, что только 7–8 главных компонентов объясняют большую часть (95%) ее дисперсии (рис. 2 (B)). Затем мы оценили, несут ли остальные компоненты какую-либо информацию о задаче. С этой целью мы спроецировали кинематику на подмножество ПК, удаляя ПК в порядке убывания, и вывели идентичность объекта с помощью спроецированной кинематики.Мы обнаружили, что даже после вычитания первых восьми ПК мы все еще могли классифицировать объекты с гораздо большей вероятностью (рис. 2 (C)) (см. [46]). Эффективность классификатора была тесно связана с тем, насколько различалась кинематика для разных объектов — более стереотипные схватывания приводили к худшим результатам классификации, как и ожидалось (дополнительный рисунок 5). Эти результаты показывают, что обезьяны производили различные конфигурации рук объектно-зависимым образом.

Увеличить Уменьшить Сбросить размер изображения

Рисунок 2. Захват предметов различной формы вызывает разную кинематику и нейронные реакции . (A) Пример позы рук непосредственно перед контактом с соответствующими средними кинематическими траекториями 12 суставов, которые больше всего двигаются вместе с вызванной пиковой активностью популяций нейронов, объединенных из всех сессий из каудального отдела M1 (темно-синий, N = 24), рострального M1 (голубой, N = 32), область 3a (оранжевый, N = 25) и кожные нейроны из областей 1 и 2 (желтый, N = 6) для 5 захваченных объектов (средний горизонтальный блок, точка, большой диск, направленный наружу, вертикальный кольцо и большая сфера, подробности см. на дополнительном рисунке 1).Испытания были привязаны к максимальной апертуре руки (t = 0). Номенклатура рук описана на дополнительном рисунке 2. (B) Совокупный процент отклонения от количества основных компонентов кинематики для двух обезьян. (C) Классификация объектов на основе кинематики, спроецированной на уменьшающееся количество основных компонентов (абсцисса показывает количество удаленных компонентов, ранжированных по дисперсии) для всех обезьян. Пунктирная горизонтальная линия указывает вероятность случайного выбора объекта (1/35).Планки погрешностей обозначают стандартную ошибку средней эффективности классификации по сеансам. (D) Классификация объектов на основе нейронных сигналов (вверху — M1, внизу — SC) в зависимости от размера выборки нейронов. Планки погрешностей обозначают стандартную ошибку среднего.

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

Затем мы спросили, отражены ли эти объектно-зависимые различия кинематики в ответах нейронов. Мы обнаружили, что у всех обезьян всего лишь 5 нейронов в популяции было достаточно для достижения результатов классификации выше случайности.Производительность постоянно увеличивалась с увеличением размера популяции как в M1, так и в SC (рисунок 2 (D)).

3.2. Декодирование кинематики однократного испытания из сигналов M1 и SC

Затем мы оценили степень, в которой ответы популяций нейронов в M1 и SC передают информацию о кинематике руки, изменяющейся во времени. Мы обнаружили, что можем точно декодировать однократную кинематику большинства суставов в сеансах, для которых у нас было достаточно одновременно записанных нейронов (средняя производительность по суставам: R 2 = 0.52 для 44 нейронов M1 у обезьяны 1, R 2 = 0,43 и 0,39 для 36 нейронов M1 и 37 SC, соответственно, у обезьяны 2b; рисунок 3 (А), дополнительный рисунок 3). Кроме того, декодеры M1 значительно превзошли декодеры SC (рисунок 3 (B)).

Увеличить Уменьшить Сбросить размер изображения

Рисунок 3. Декодирование кинематики однократного испытания из сигналов M1 и SC. (A) Шесть совместных угловых траекторий, полученных во время одного захвата каждого из пяти объектов (черный), а также те же траектории, декодированные из ответов 36 нейронов M1 обезьяны 2b (фиолетовый).Номенклатура рук описана на дополнительном рисунке 2. (B) Производительность одноканального кинематического декодера для одного сеанса каждой из двух обезьян с одинаковым количеством нейронов в M1 и SC (N = 15 и 36 для обезьян 1 и 2b, соответственно) . Каждая точка соответствует средней производительности декодирования для одного соединения, усредненной по 5 кратным перекрестным проверкам со случайно выбранными нейронами из записанной совокупности. Звездочки указывают на значимость знакового рангового теста Уилкоксона для сопоставленных выборок: *** — альфа-уровень 0.001. В этом анализе использовались только сеансы с достаточным количеством одновременно регистрируемых единиц (обезьяны 1 и 2b).

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

Чтобы оценить степень зависимости производительности от декодера, мы реализовали 8 других линейных и нелинейных декодеров (дополнительный рисунок 4). Мы обнаружили, что производительность разных декодеров была очень схожей, и поэтому в основном тексте сообщается о производительности фильтра Калмана, учитывая его простоту и распространенность.

Как и ожидалось, производительность была немного ниже, если мы ограничили декодер как причинный, как это требуется в онлайн-приложениях (дополнительный рисунок 6 (A)).

3.3. Кинематика декодирования, усредненная по испытаниям от сигналов M1 и SC

Мы записали данные в течение многих сеансов, которые по отдельности не давали достаточного количества нейронных сигналов для декодирования кинематики однократного испытания. Чтобы расширить наш набор данных, мы объединили нейронные ответы всех сеансов от каждой обезьяны и использовали эти объединенные ответы для декодирования кинематической траектории для каждого объекта, усредненной по испытаниям и сеансам (см. Методы).Важно отметить, что мы подтвердили, что для сеансов с достаточным размером выборки производительность декодирования для однократной и средней кинематики была сопоставима и дала аналогичные выводы о кинематических представлениях в M1 и SC (дополнительный рисунок 6 (B)). Затем мы сравнили производительность декодирования усредненной по испытаниям кинематики от M1 и SC, используя эти нейронные ответы, объединенные по сеансам. Для обезьян 1 и 2b, как и их однократные аналоги, усредненные по испытаниям декодеры, основанные на ответах M1, имели тенденцию превосходить декодеры, основанные на ответах SC (дополнительный рисунок 6 (C), знаковый ранговый тест Вилкоксона для сопоставленных выборок: Z = 4.0 и 4,5 для обезьян 1 и 2b, соответственно, p <0,0001. Однако для обезьяны 2a все было наоборот (Z = –4,4, p <0,0001). Разница между обезьянами, вероятно, связана с соответствующими местоположениями записей SC (область 3a по сравнению с областью 2; см. Дополнительную таблицу 2 для выборки кортикальных полей).

3.4. Сравнение областей коры

Далее мы выполнили более подробный анализ того, как информация о положении рук распределяется в пределах M1 и SC (рисунок 4). Учитывая небольшие образцы, собранные из каждого коркового поля в данном сеансе, мы объединили данные от каждой обезьяны по сеансам и расшифровали усредненную по испытаниям кинематику, убедившись, что этот подход не вносит систематических ошибок (дополнительный рисунок 6 (B)).

Увеличить Уменьшить Сбросить размер изображения

Рисунок 4. Сравнение корковых полей. (A) Слева: совокупное распределение точности (R 2 ), с которой усредненная пробная кинематика для всех углов суставов была декодирована на основе откликов rM1 и cM1. Справа: Кумулятивные распределения усредненной по пробам точности декодирования для индивидуальных углов суставов на основе различных кортикальных полей SC. (B) Производительность объектного классификатора на основе нейронных ответов для обезьяны 2 (включая как 2a, так и 2b) с каждой кортикальной областью, оцениваемой отдельно.Каждая точка указывает на эффективность классификации для одного периода перекрестной проверки. Звездочки на всех графиках указывают на значимость одностороннего U-критерия Манна-Уитни: n.s. — не значимо, * — альфа-уровень 0,05 *** — альфа-уровень 0,001. Сеансы обезьяны 2 (а и б) были объединены для этого анализа. Мы отказались от обезьяны 1, так как у нас не было достаточного количества единиц из всех показанных здесь подполей.

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

Каудальная область M1 содержит больше кортикомотонейрональных (CM) клеток, которые создают моносинаптические связи с мотонейронами, чем его ростральный аналог, и эти нейроны CM считаются критическими для высококвалифицированных движений, особенно рук [43].Однако при сравнении производительности между областями (сохраняя размер выборки равным), мы обнаружили, что декодирование, основанное на сигналах от рострального M1, систематически превосходило декодирование сигналов от каудального M1 (односторонний U-критерий Манна-Уитни: Z = 1,83, p = 0,033). (рис. 4 (A), слева), что противоречит нашим ожиданиям.

В то время как нейроны в области 3a Бродмана демонстрируют почти исключительно проприоцептивные ответы, нейроны в области 2 демонстрируют смешанные проприоцептивные и кожные ответы [47]. Кожные реакции на растяжение кожи, вызванные движением суставов, могут мешать проприоцептивным представлениям руки или способствовать им.Мы обнаружили, что популяции нейронов в области 3a показали значительно лучшую производительность, чем проприоцептивные нейроны в области 2 и нейроны в областях 1 и 2, которые классифицируются как кожные во время ручного картирования (односторонний U-критерий Манна-Уитни: область 3a против области 2 , Z = 2,3, p = 0,0107; область 3a по сравнению с кожей, Z = 1,95, p = 0,0253; область 2 по сравнению с кожей, Z = 0,329, p = 0,37) (рисунок 4 (A), справа).

Мы также оценили нашу способность классифицировать объекты на основе ответов, вызванных в разных корковых популяциях, и обнаружили, что результаты согласуются с результатами нашего анализа кинематического декодирования: rM1 более информативен в отношении идентичности объекта, чем cM1, а область 3a более информативна. идентичности объекта, чем были области 1 и 2 (рисунок 4 (B)).

3.5. Декодирование совместных групп

Затем мы исследовали, кодируют ли выбранные субпопуляции M1 и SC преимущественно движения разных частей руки. В самом деле, и M1, и SC соматотопически организованы [48-52], поэтому случайное размещение электродов могло бы привести к лучшему декодированию для одних областей руки, чем для других. Имея это в виду, мы разделили суставы на 7 групп — дистальные, проксимальные, межфаланговые, пястно-фаланговые, запястно-пястные суставы кисти, лучезапястные суставы (пронация-супинация, сгибание, разгибание) и проксимальные суставы рук (локтевые) — и оценили среднее значение декодирования. производительность для каждой группы (рисунок 5 (A)).За исключением нескольких дистальных суставов кисти, все группы суставов были хорошо декодированы, и точность декодирования улучшилась по мере увеличения диапазона движения сустава ( r = 0,5, p = 5,3 × 10 -7 для M1 и r = 0,46, p = 5,1 × 10 -6 для SC; рисунок 5 (B)). Значимые положительные корреляции с вариацией движений наблюдались в пределах пястно-фаланговых суставов ( r = 0,79, p = 2,4 × 10 -7 для M1 и r = 0.53, p = 0,0025 для SC), запястно-пястной ( r = 0,63, p = 0,002 для M1 и r = 0,64, p = 0,002 для SC) и запястья ( r = 0,74, p = 0,024 для M1 и r = 0,88, p = 0,0016 для SC) групп суставов, но не внутри дистальных ( r = 0,16, p = 0,62 для M1 и r = –0,07 , p = 0,83 для SC) или проксимальный ( r = 0,36, p = 0.25 для M1 и r = 0,15, p = 0,63 для SC) стыков. Эти наблюдения предполагают, что массивы воздействовали на нейронные популяции, которые охватывали представление всей руки как в M1, так и в SC, и что производительность декодирования частично зависела от диапазона совместных движений.

Увеличить Уменьшить Сбросить размер изображения

Рисунок 5. Производительность декодирования с разбивкой по объединенным группам.(A) Расположение суставов с цветовой кодировкой по группам: дистальный (углубление, фиолетовый), проксимальный (выступ, синий), межфаланговый (ip, розовый), пястно-фаланговый (mcp, зеленый), запястно-пястный (cmc, желтый), запястье (коричневый) ), локоть (оранжевый). (B) Производительность одиночного совместного декодирования с цветовым кодированием согласно схеме в A как функция кинематической дисперсии для всех сеансов обезьяны 2b с использованием популяций M1 (N = 16 в каждом сеансе) и SC (N = 19). Каждая точка обозначает среднее значение 5-кратной перекрестной проверки каждой DoF. Черные линии показывают наилучшее линейное соответствие между кинематической дисперсией и характеристиками декодера всех степеней свободы.Звездочки обозначают значимость коэффициента корреляции, обозначенную цветом по объединенной группе: *** — альфа-уровень 0,001, ** — альфа-уровень 0,01, н.с. — не значимо. В этом анализе использовались только сеансы с достаточным количеством одновременно регистрируемых единиц в обеих областях (обезьяна 2b). Обезьяна 1 была выброшена из-за неполного набора записанных суставов.

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

3,6. Расшифровка кинематической синергии

Было показано, что кинематика суставов руки демонстрирует систематическую корреляционную структуру, при этом некоторые суставы имеют тенденцию двигаться вместе.Одна возможность состоит в том, что только паттерны сильно коррелированных движений суставов могут быть декодированы по нейронной активности в M1 и SC, а более тонкие аспекты движений рук — нет. Для этой гипотезы мы выполнили анализ главных компонентов (PCA), спроецировали кинематику на последовательно сокращенные наборы главных компонентов (ПК), удалив ПК в порядке убывания собственных значений (то есть сначала компоненты с более высокой дисперсией). Затем мы декодировали кинематику в этом сокращенном пространстве из нейрональных сигналов в M1 и SC.Вероятность результатов рассчитывалась путем случайной перестановки времен всплесков в каждом испытании, чтобы исказить временную структуру нейронного ответа, что предсказуемо привело к плохой производительности. Мы обнаружили, что компоненты более высокого порядка (с низкой дисперсией) все еще могут быть декодированы с большей вероятностью (рисунок 6), несмотря на тот факт, что 95% дисперсии в кинематике можно объяснить только с помощью 7-8 главных компонентов (рисунок 2 (B) ). Обратите внимание, что траектории, проецируемые на компоненты кинематики более высокого порядка, все еще зависят от объекта и, следовательно, находятся под волевым управлением (рис. 2 (C)) [46].

Увеличить Уменьшить Сбросить размер изображения

Рисунок 6. Расшифровка синергетических движений. Средняя производительность кинематики декодирования, спроектированная на уменьшение количества главных компонентов (ось x представляет количество удаленных компонентов, ранжированных по дисперсии) с использованием популяций нейронов M1 (синий) и SC (красный). Серые полосы показывают эффективность декодирования со случайным смещением всплесков. Планки погрешностей обозначают стандартную ошибку среднего.В этом анализе использовались только сеансы с достаточным количеством одновременно регистрируемых единиц (M1 и SC у обезьяны 1 и M1 только у обезьяны 2b).

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

3,7. Расшифровка поз и движений

В приведенном выше анализе мы показали, что изменяющиеся во времени позы могут быть напрямую декодированы по нейронной активности. Этот подход отличается от подхода, принятого для кинематики проксимальных конечностей или применения активности M1, связанной с проксимальными конечностями, для управления курсором, которые обычно включают декодирование скоростей суставов или конечных точек из нейронных ответов и затем их интеграцию для получения позы [6, 11, 53 –55].Действительно, даже SC-декодеры для достижения движений, по-видимому, работают лучше при декодировании скорости конечностей, чем положения конечностей [30]. Имея это в виду, мы оценили, кодируют ли ответы нейронов в M1 и SC позы или движения во время захвата. С этой целью мы реконструировали угловые скорости суставов на основе сенсомоторных реакций и сравнили их с нашими реконструкциями угловых положений. Для этого анализа мы использовали единственную задержку, определенную для достижения максимальной производительности (для положения и движения отдельно в каждой области) (рисунок 7 (A)), потому что модели с несколькими задержками позволяют интегрировать (от скорости до сигнала положения) или дифференциация (от положения до сигнала скорости), тем самым затемняя различие между кодированием позы и движением [29].Используя 20 единиц из каждой корковой субпопуляции, мы обнаружили, что позы можно реконструировать значительно лучше, чем движения (рисунок 7 (B)) (знаковый ранговый тест Вилкоксона для сопоставленных выборок: Z = 2,91 и 2,01, p = 0,004 и 0,044, для M1. у обезьян 1 и 2b соответственно; Z = 3,42, p = 0,0006 для SC у обезьяны 2b) в отличие от того, что наблюдалось для проксимальной конечности [11, 30, 56].

Увеличить Уменьшить Сбросить размер изображения

Рисунок 7. Расшифровка поз и движений. (A) Оптимальные нейронные задержки для каждого сустава обезьяны 2b для M1 (синий) и SC (красный). Планки погрешностей указывают среднее значение и стандартную ошибку среднего значения задержек для каждой области. «Ведущие» обозначают нейроны, больше похожие на сенсорные, кинематика которых определяет реакцию нейронов. (B) Производительность декодирования позы ( y -ось) и движения ( x -ось) декодирования для случайно выбранной популяции из 36 M1 (синий) или SC (красный) нейронов. Каждый маркер показывает производительность одного сустава в среднем за 5 раз.Разные символы маркеров обозначают разных обезьян. В этом анализе использовались только сеансы с достаточным количеством одновременно регистрируемых единиц (M1 и SC у обезьяны 2b и M1 только у обезьяны 1).

Загрузить рисунок:

Стандартный образ Изображение высокого разрешения

4.1. Декодирование высокой размерности

Большинство исследований по декодированию на сегодняшний день сосредоточено на непрерывном движении с несколькими степенями свободы, обычно включая плечо и локоть [4, 5, 7, 13, 57–59] и, реже, запястье [8, 9 ] и суставы пальцев [14, 60].Из-за сложности пространства кинематики руки большинство предыдущих попыток декодировать позы рук были либо дискретными, сосредоточенными на классификации конечного числа конфигураций пальцев и запястий [33, 61–63], либо ограничивались несколькими распространенными непрерывными движениями пальцев. такие как щипок, совок, захват и сгибание / разгибание пальца целиком, а также апертура всей руки [8, 9, 64, 65]. По мере появления новых технологий отслеживания рук [16, 66, 67] одновременное декодирование десятков суставов становится все более управляемым [14].Здесь мы показываем, что до 30 степеней свободы могут быть декодированы с помощью относительно небольшой популяции сенсомоторных нейронов даже с помощью простого линейного декодера.

4.2. Декодирование из M1

Наш подход аналогичен описанному в [14] , в котором 27 степеней свободы кинематики захвата были реконструированы из ответов нейронов задней теменной коры и M1. Декодеры, построенные на основе одной общей области двух исследований, M1, показали сопоставимые характеристики (дополнительный рисунок 3).

Анатомически M1 можно разделить на две области: ростральную и каудальную M1. Большая часть нейронов в каудальной части M1 напрямую связана с мотонейронами в спинном мозге и может быть особенно актуальной для ловкого ручного управления, тогда как нейроны в ростральной области составляют большую часть нейронов, которые контактируют в основном с межнейронами спинного мозга и лишь косвенно управляют ими. мышцы [43]. Вопреки предсказаниям, основанным на анатомии, мы обнаружили, что декодеры, построенные с сигналами от рострального M1, на самом деле превзошли декодеры, построенные с сигналами от каудального M1.Поскольку схватывание настолько привычно и включает в себя четко коррелированные модели движений суставов, он может не составлять «экспертного» поведения и, следовательно, может не требовать прямой связи с мышцами. Если бы животные выполняли нецепительные ловкие движения руками, мы могли бы обнаружить преимущество каудального M1 [68].

4.3. Декодирование из SC

Предыдущие попытки расшифровать кинематику из активности SC были сосредоточены на движениях проксимальных конечностей. Декодирование достигаемых движений из комбинированной активности M1 и SC дало лучшую производительность, чем при использовании только сигналов M1 [5, 34].Декодирование кинематики конечностей с использованием электрокортикографических (ЭКоГ) сигналов от SC достигло той же эффективности, что и с сигналами ЭКоГ от M1 [31, 33] .

В настоящем исследовании мы впервые декодируем кинематику руки по пиковой активности нейронов в областях 3a и 2 Бродмана и обнаруживаем, что обе области дают производительность намного выше вероятности для всех степеней свободы. Область 3a показала производительность, сравнимую с M1, что согласуется с более ранними наблюдениями, что реакции отдельных единиц в областях 3a и 4 тесно связаны с изменяющимися во времени позами рук [29].Область 2, которая находится ниже области 3a, но также получает кожный ввод, показала значительно худшую производительность, чем M1, что согласуется с гипотезой о том, что кожный ввод в эту область затемняет проприоцептивные представления еще до контакта. Хотя ранее было показано, что движение активирует кожные нейроны в отсутствие контакта [47, 69], наши результаты предполагают, что кожные сигналы затемняют, а не дополняют полученные от мышц и сухожилий сигналы о положении руки.

4.4. Расшифровка позы и движения

Было показано, что нейроны моторной коры и проприоцептивных областей соматосенсорной коры преимущественно кодируют скорость проксимальной конечности (движение), а не ее положение (позу) [56, 70]. В соответствии с этим открытием, декодеры скоростей обычно превосходят декодеры положения суставов как онлайн [11], так и офлайн [30, 56]. Однако это предпочтительное кодирование и декодирование движения по сравнению с позой было протестировано исключительно для проксимальной конечности.Когда мы напрямую сравнили расшифровку позы и движения руки, мы обнаружили, что первая может быть расшифрована более точно, чем вторая. Важно отметить, что для этого анализа мы ограничили декодер одной задержкой. Действительно, декодеры с несколькими задержками позволяют линейно интегрировать сигналы движения, которые преобразуют их в сигналы положения. Как и следовало ожидать, тогда разница в производительности между декодерами положения и движения менее выражена для моделей с несколькими задержками по сравнению с их аналогами с одной задержкой (дополнительный рисунок 7), а декодеры с несколькими задержками иногда дают преимущество для декодирования положения даже в проксимальном отделе конечности [34].Предпочтение позы в нашем анализе подразумевает различие между проксимальным и дистальным представлением конечностей, которое может быть унаследовано от различных инерционных и биомеханических свойств руки и кисти и хорошо подходит для поддержки стереогнозии [29].

4.5. Методы декодирования

Применение машинного обучения для кинематического / курсорного декодирования становится стандартной практикой [32]. Однако степень, в которой недавно разработанные подходы к декодированию надежно улучшают производительность декодеров большой размерности (кинематики руки, например.ж.) систематически не исследовалась. Здесь мы применили различные линейные и нелинейные подходы к декодированию движений рук (подробно описанные в [32]) и обнаружили, что производительность улучшилась с помощью некоторых, но не всех нелинейных методов, при этом максимальное увеличение производительности было достигнуто с помощью Support Векторная регрессия, плотная нейронная сеть и LSTM (дополнительный рисунок 4). Однако улучшение обычно минимально, ограничивается в основном хорошо декодированными DoF и может не оправдать добавленную вычислительную сложность и возможность переобучения.Обратите внимание, однако, что алгоритм, который лучше работает в автономном режиме, не обязательно лучше работает в режиме онлайн [54, 55].

4.6. Роботизированное управление конечностями с обратной связью

Основное применение кинематических декодеров — управление интерфейсами мозг-машина, направленное на восстановление движения у пациентов с сенсомоторными нарушениями (Bensmaia & Miller 2014). Действительно, предполагаемые движения могут быть выведены из нейронных сигналов в сенсомоторной коре и преобразованы в управляющие команды для внешнего устройства, такого как роботизированная конечность.Хотя ранее был достигнут замечательный контроль для руки и кисти робота, с возможностью независимого управления до 10 степеней свободы [8], управление самой рукой остается относительно примитивным, ограничиваясь лишь немногими из множества ее потенциальных степеней свободы. Здесь мы показываем, что информация о 30 степенях свободы может быть одновременно восстановлена, используя быстрый и простой подход с относительно небольшим количеством нейронов. Обратите внимание, однако, что описанное здесь декодирование было выполнено в автономном режиме, и необходимо проверить значение настоящих результатов для онлайн-декодирования [32, 54, 55, 71, 72].

Ловкость рук робота сильно ограничена из-за отсутствия сенсорной обратной связи о положении руки. Одним из подходов к передаче проприоцептивной обратной связи может быть стимуляция проприоцептивных нейронов в SC [35–37]. Наши результаты показывают, что SC — особенно область 3a — точно отражает положение рук, которое в принципе может быть использовано для передачи интуитивной сенсорной обратной связи о состоянии конечностей. Однако успех тактильной обратной связи посредством внутрикортикальной микростимуляции (ICMS) зависел от соматотопической организации кожных представлений в SC.Хотя проприоцептивные репрезентации демонстрируют некоторую соматотопическую организацию [23, 28, 73, 74], эта организация обычно более грубая, чем та, которая наблюдается в тактильных репрезентациях в коре головного мозга, и может зависеть от того, активно ли генерируются движения или накладываются на конечность [29, 75].

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *