Neural ensemble reactivation in rapid eye movement and slow-wave sleep coordinate with muscle activity to promote rapid motor skill learning
Notice bibliographique
Résumé
Neural activity patterns of recent experiences are reactivated during sleep in structures critical for memory storage, including hippocampus and neocortex. This reactivation process is thought to aid memory consolidation. Although synaptic rearrangement dynamics following learning involve an interplay between slow-wave sleep (SWS) and rapid eye movement (REM) sleep, most physiological evidence implicates SWS directly following experience as a preferred window for reactivation. Here, we show that reactivation occurs in both REM and SWS and that coordination of REM and SWS activation on the same day is associated with rapid learning of a motor skill. We performed 6 h recordings from cells in rats' motor cortex as they were trained daily on a skilled reaching task. In addition to SWS following training, reactivation occurred in REM, primarily during the pre-task rest period, and REM and SWS reactivation occurred on the same day in rats that acquired the skill rapidly. Both pre-task REM and post-task SWS activation were coordinated with muscle activity during sleep, suggesting a functional role for reactivation in skill learning. Our results provide the first demonstration that reactivation in REM sleep occurs during motor skill learning and that coordinated reactivation in both sleep states on the same day, although at different times, is beneficial for skill learning. This article is part of the Theo Murphy meeting issue 'Memory reactivation: replaying events past, present and future'.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».