Structure séquentielle de l’activité spontanée néocorticale in vivo

Résultats

Activation séquentielle des neurones au début de l’État UP.

Pour étudier la structure de l’activité spontanée corticale in vivo, nous avons enregistré à partir du cortex somatosensoriel de rats anesthésiés et non anesthésiés en utilisant des électrodes en silicium à 64 sites. Les électrodes, constituées de huit tiges d’enregistrement à huit sites espacées de 200 µm, ont permis l’isolement et la localisation de ≈50 à 200 unités simples. Figue. 1a représente un example représentatif d’activité de population sous anesthésie à l’uréthane, enregistré avec la configuration d’électrodes illustrée à la Fig. 1 b. Une alternance ≈1 Hz entre les états HAUT et BAS est visible. Figue. 1c présente un rastergramme d’un sous-ensemble des neurones enregistrés, déclenché par l’apparition de l’état UP. Les neurones présentaient des profils temporels variés. Pour quantifier cette diversité, nous avons calculé la latence de chaque neurone, définie comme un temps de pointe moyen dans les 200 ms suivant l’apparition de l’état UP. Les neurones ont affiché une distribution continue de latences, révélant que les ensembles d’états ascendants initient une propagation séquentielle de l’activité dans la population (Fig. 1 e); cette diversité a également été observée parmi les neurones enregistrés à partir d’un seul emplacement (les différences de latence maximales à un seul jarret étaient de 87 ± 14% de la latence totale répartie sur tous les jarrets; données regroupées des 15 rats). Pour vérifier que ces latences diverses ne résultaient pas d’une moyenne de fluctuations aléatoires, chaque ensemble de données a été divisé en deux, et la latence calculée pour chaque moitié des données. Les latences mesurées dans chaque moitié étaient étroitement corrélées (Fig. 1 f; R = 0,84, P < 0,001 pour 180 cellules regroupées à partir de six rats; P < 0,01 pour chaque rat individuellement).

Pour déterminer si l’activité séquentielle était un phénomène général et non spécifique à l’anesthésie à l’uréthane, nous avons enregistré à la fois de la kétamine-xylazine anesthésiée (n = 3) et des rats fixés à la tête non anesthésiés (n = 5). Sous kétamine-xylazine, des états clairs DE HAUT en BAS ont été observés, et l’activité déclenchée par l’état SUPÉRIEUR a montré une structure séquentielle similaire à celle sous anesthésie à l’uréthane (Fig. 2 a et b; corrélation des latences pour la première et la seconde moitié des données : R = 0,85; P < 0.001 pour 150 cellules regroupées > 2 Hz; P < 0,01 pour chaque rat individuellement). Chez les animaux non anesthésiés, des états ascendants et DESCENDANTS sont généralement observés pendant le sommeil à ondes lentes et les périodes de somnolence, mais pas la vigilance éveillée (9, 23). Nous avons donc limité notre analyse aux périodes où des états clairs pourraient être observés. Une activation séquentielle cohérente des neurones a de nouveau été observée (Fig. 2 c et d; R = 0,56; P < 0,001 pour 263 cellules regroupées > 2 Hz; P < 0,01 pour quatre rats sur cinq). Les latences étaient en moyenne 53 ms plus courtes (P < 0,001; Test de Kolmogorov-Smirnov) chez des rats non anesthésiés, indiquant une séquence d’activité accélérée par rapport au cas anesthésié.

Dans quelle mesure la diversité temporelle observée reflète-t-elle les propriétés des différentes classes cellulaires? Dans les enregistrements extracellulaires, la largeur du pic peut être utilisée pour distinguer les interneurones à pic rapide putatifs et les cellules pyramidales (réf. 24; voir SI Fig. 6). La relation temporelle des populations pyramidales et interneuronales putatives variait avec l’état anesthésique. Sous anesthésie à l’uréthane, aucune différence significative n’a été observée (moyenne ± SD: latencypyrame = 110 ± 17 ms, latencyintern = 109 ± 22 ms; Fig. 1 f). Chez les animaux non anesthésiés, la distribution des deux classes se chevauchait à nouveau largement avec une différence faible mais significative (latencypyrame = 53 ± 8 ms, latencyintern = 57 ± 9 ms; Fig. 2 d). Sous kétamine-xylazine, cependant, les latences des interneurones étaient nettement plus courtes (latencypyrame = 102 ± 19 ms, latencyintern = 81 ± 13 ms; Fig. 2 b). Nous concluons donc que (i) l’activité séquentielle ne reflète pas simplement les latences préférées des classes de cellules individuelles, et (ii) alors que l’activité à l’état ascendant a une structure séquentielle dans toutes les conditions étudiées, la vitesse du flux d’activité et le rôle des différentes classes de cellules varient selon les conditions.

Les Ondes Progressives Initient Des Séquences D’Activité Locales Cohérentes, Indépendantes de la Direction des Ondes.

Dans les tranches corticales (19) et les enregistrements de surface (23, 25-27), il a été rapporté que l’activité spontanée prenait la forme d’ondes progressives. Dans nos données, des ondes progressives ont été observées et pourraient se propager dans les deux sens à travers les sites d’enregistrement (Fig. 3 a et b). Nous nous sommes donc demandé si les séquences que nous avons observées reflétaient une propagation cohérente des ondes. Comme les latences neurales n’étaient pas corrélées à la position de la tige (R 2 < 0,1, P > 0,1, pour 13 rats sur 15) ou à la position verticale sur les électrodes multisite (R 2 < 0,1, P > 0,1 pour tous les rats), nous avons conclu que les séquences ne reflètent pas simplement la propagation des ondes.

La vitesse des ondes a été estimée pour chaque état ascendant par régression linéaire de la latence moyenne pour chaque emplacement de tige par rapport à l’emplacement de tige. La distribution des vitesses estimées avait un maximum à zéro, ce qui indique que l’activité commençait le plus souvent sur tous les sites d’enregistrement simultanément (Fig. 3 c). Néanmoins, la distribution de vitesse à large queue, comparée à celle obtenue après mélange des emplacements des électrodes, a confirmé que les ondes progressives se produisent dans un nombre important de cas (test de Kolmogorov–Smirnov; P < 0,01 pour 9 rats anesthésiés sur 10 et 3 rats non anesthésiés sur 5; note cette analyse sous-estime l’occurrence des ondes progressives, car elle ne peut pas détecter les ondes se propageant perpendiculairement aux tiges d’enregistrement).

Le moment auquel un neurone donné se déclenche sur un état abandonné reflète donc une interaction de la propagation globale des ondes et des facteurs locaux. Nous avons émis l’hypothèse qu’une séquence d’activité similaire est initiée dans une population locale de neurones par l’arrivée d’une onde mobile, quelle que soit la direction de l’onde. Pour tester cette hypothèse, nous avons réaligné le train de pointes de chaque cellule au moment de l’apparition de l’état ascendant à l’emplacement d’enregistrement de la cellule (Fig. 3 d, voir Matériaux et méthodes). L’hypothèse prédit que cette correction devrait augmenter la stéréotypie des séquences observées, ce qui s’est avéré être le cas. Pour étudier plus avant si les séquences locales dépendaient de la direction de propagation des ondes, nous avons extrait des données les 30% d’états ascendants avec la plus grande pente de propagation pour chaque direction. Les latences neurales après le réalignement vers le début de l’état ascendant local étaient fortement corrélées quelle que soit la direction des ondes progressives (Fig. 3 e; uréthane: R = 0,78; P < 0,001; n = 180 cellules; kétamine: R = 0,88; P < 0,001; n = 150 cellules; non anesthésié: R = 0,51; P < 0,001; n = 263 cellules). Nous concluons qu’à chaque emplacement, la même séquence d’activité stéréotypée est initiée par l’apparition de l’état ascendant, avec peu de dépendance à la direction des ondes.

Structure à Échelle Fine des Modèles de cuisson.

Nous avons ensuite demandé si la latence seule pouvait expliquer la diversité des modèles temporels après les changements d’état UP. Figue. 4 a montre des PETH déclenchés par état pour trois neurones représentatifs, calculés à partir des première et deuxième moitiés de l’ensemble de données. La similitude étroite entre les formes de PETH calculées à partir de la première et de la seconde moitié des données indique que les profils d’activité neuronale pendant les états ascendants sont plus complexes et uniques que les versions décalées de latence du même motif. Cette observation a été confirmée par l’utilisation d’une mesure « d’unicité de PETH » (voir Matériaux et méthodes), qui a révélé qu’en moyenne, le PETH d’un neurone présente des caractéristiques cohérentes qui le différencient de ≈90% des autres neurones (Fig. 4 b; uréthane, 89%; kétamine, 96%; non anesthésié, 83%; niveau de chance = 50%). Cette unicité a persisté après le déplacement des PETHS pour compenser les latences moyennes (Fig. 4 b; boîtes à lignes fines). L’application de l’analyse en composantes principales à l’ensemble des formes de PETH n’a pas révélé de grappes, suggérant une distribution continue des PETH dans la population (voir SI Fig. 7). Nous concluons que chaque neurone présente un schéma de déclenchement temporel fondamentalement unique après le début de l’état UP.

Synchronisation Scalaire des Modèles de Tir.

De nombreux systèmes de chronométrage biologique présentent une propriété « scalaire » dans laquelle la précision diminue proportionnellement à l’intervalle chronométré (22). Pour déterminer si cette propriété est maintenue pour les séquences de pics accompagnant les états ascendants, nous avons estimé le temps d’apparition et la demi-largeur de chaque PETH en ajustant une fonction gamma (Fig. 4 c; voir Matériaux et méthodes). La largeur du PETH a été corrélée avec la latence maximale pour toutes les classes de cellules, dans les conditions anesthésiques (R ureth = 0,76; R ket = 0,67) et sans médicament (R aw = 0,61). Fait important, aucune cellule n’a été observée pour présenter une demi-largeur courte et un début tardif, ce qui indique que les cellules répondant à l’état ASCENDANT avec un sursaut ou un pic chronométré avec précision ne l’ont fait qu’immédiatement après le début de l’état ASCENDANT. Cette analyse, cependant, n’exclut pas des pics précisément chronométrés tardivement dans l’état UP, s’ils font partie d’un modèle de pic prolongé temporellement (comme on le voit lorsque les neurones sont stimulés avec des stimuli structurés temporellement prolongés; refs. 28 et 29). Pour étudier cette possibilité, nous avons adapté la méthode de Schreiber et al. (30) pour mesurer la fiabilité des temps de pointe dans les états ascendants. Pour chaque neurone, les trains de pointes ont été lissés avec une Gaussienne de largeur variable, et la corrélation moyenne entre les trains de pointes de toutes les paires d’états ascendants (< R corr >) a été calculée dans une fenêtre coulissante de 50 ms (Fig. 4 d; voir Matériaux et méthodes). Cette analyse a confirmé que la fiabilité de la réponse évoquée par l’état UP diminuait avec le temps après le début de l’état UP. D’autres analyses indiquent que la valeur asymptotique de cette mesure est celle attendue d’un processus de Poisson homogène (voir SI Fig. 8).

Triplets De Pointes À Répétition Précise.

Nous avons ainsi vu que les neurones présentent des relations temporelles diverses mais cohérentes avec les ensembles d’états UP, indiquant qu’une séquence d’activité stéréotypée accompagne l’arrivée d’un état UP dans une population locale. Des modèles de pointes répétés avec précision ont été rapportés dans un certain nombre de systèmes corticaux (16-18, 21, 31, 32), bien que l’interprétation de ces résultats ait été controversée (33, 34). Nous avons émis l’hypothèse que les relations individuelles des neurones avec l’apparition des états ascendants pourraient expliquer la répétition précise des modèles de pics observés au niveau de la population. La confirmation de cette hypothèse fournirait à la fois des preuves convaincantes de la répétition précise des motifs de pointes et une explication simple de celle-ci.

Pour la traçabilité informatique, nous avons limité notre recherche aux triplets de pics se produisant sur trois cellules distinctes (35) (Fig. 5 bis). Pour chaque trio de cellules, une cellule a été désignée comme déclencheur pour le calcul de la distribution conjointe des temps de pointe des deux autres (35). Souvent, un mode clair a été observé dans ces tracés, suggérant qu’une séquence particulière s’est produite préférentiellement (par exemple, Fig. 5 b). L’emplacement du mode pourrait être prédit à partir des latences individuelles des neurones jusqu’à l’apparition de l’état SUPÉRIEUR (Fig. 5 c; P < 0,001 pour chaque rat individuellement). Les triplets répétés se sont produits préférentiellement peu de temps après le début de l’état UP (Fig. 5 d). Pour évaluer la signification statistique de ces triplets, nous avons utilisé des méthodes de mélange pour comparer le nombre de triplets observés à ceux prédits à partir de deux hypothèses nulles distinctes. Une méthode de brassage temporel a été utilisée pour étudier la prédiction d’une hypothèse de Poisson indépendante, correspondant à une activité complètement non structurée (ligne bleue sur la Fig. 5 d; voir Matériaux et méthodes SI). En référence à cette valeur nulle, un nombre important de triplets répétés s’est produit dans tout l’état UP; cependant, cette signification pourrait simplement refléter la vitesse de tir élevée pendant les périodes d’état ASCENDANT. Nous avons donc étudié un deuxième modèle « d’excitabilité commune », dans lequel les fonctions de taux de toutes les cellules étaient supposées variables mais proportionnelles dans un rapport fixe (ligne rouge sur la Fig. 5 d, voir Matériaux et méthodes SI). En utilisant cette deuxième hypothèse nulle, des triplets à répétition significative n’ont été observés que dans la première ≈100 ms après l’apparition de l’état UP, la période pendant laquelle les neurones présentent des relations temporelles précises et uniques avec l’apparition de l’état UP. Nous concluons donc que le moment et la structure des triplets répétés dans notre ensemble de données sont prédits par les relations des neurones individuels aux ensembles d’états ascendants.