人类黑质中新奇敏感的多巴胺能神经元预测陈述性记忆形成的成功（2018）

图1

任务，行为和录制位置

（A）Lisman-Grace模型的简化摘要。

（B）任务。 上图：在示例试验期间向受试者呈现的屏幕。 底部：显示每个屏幕的时间长度。

（C）行为。 显示所有会话的识别准确度，排序等级。 绿色条表示具有偶然准确性的会话; 黄色条表示具有位于SN之外的记录的会话。

（D和E）Talairach空间中微电极记录位点的位置Y = -16（D）和Y = -17.2（E）。 等高线表示SN和STN的地图集边界[21]。 如果至少有一个记忆选择性神经元，则接触用红色着色（见 SN神经元区分新颖和熟悉的刺激 和 细胞类型分析）在此位置记录，否则记录为蓝色。

（F）皮质记录的位置。 显示的是六个记录会话中记录的ECoG接触的中位数，其中有一个术中X射线图像可用（见 STAR方法）。 看到 图S2D表示来自个别主题的示例。 显示的重建大脑是模板大脑[22].

查看大图 | 查看高分辨率图像 | 下载PowerPoint幻灯片

亮点

•人类黑质（SN）神经元受到刺激新奇的调节

•黑质中的记忆选择性神经元被假定为多巴胺能

•SN神经元对正面振荡的锁相可预测记忆的形成

•验证Lisman和Grace的VTA / SN-hippocampus环模型在人类中的预测

总结

多巴胺有助于将信息编码到长期声明式记忆中。 这个过程取决于海马的新信号，但仍不清楚基于声明性记忆的信息如何调节中脑多巴胺能神经元。 我们记录了执行识别记忆任务的人类患者中的单个黑质（SN）神经元和皮层视野电势。 我们发现，刺激性新颖性调节了SN神经元的25％。 细胞外波形形状和解剖学位置表明这些记忆选择性神经元被认为是多巴胺能的。 记忆选择神经元的反应在刺激发作后527毫秒出现，在单次试验后改变，表明识别的准确性。 SN神经元锁相到额叶皮层频率振荡，并且这种协调的程度预示着成功的记忆形成。 这些数据表明，人类SN中的多巴胺能神经元受到记忆信号的调节，并证明了海马-基底神经节-额叶皮层回路中信息流的进展，以进行记忆编码。

介绍

陈述性记忆的形成依赖于海马突触通过长期增强和抑郁迅速改变其力量的能力[1]。 突触可塑性的强度和持续时间取决于细胞外多巴胺水平[2, 3]，一种神经调节剂，从黑质（SN）和腹侧被盖区（VTA）的多巴胺能神经元突出的轴突末端释放到海马体内[4]。 海马声明性记忆的强度受多巴胺释放的调节：SN / VTA激活的程度[5, 6和海马内的多巴胺水平[2, 7调制编码的成功。 当动物暴露于新环境时，多巴胺水平升高并促进海马体的长期增强。 然而，当海马多巴胺受体被阻断时，这种增强的新环境记忆丧失[8]。 虽然这些和其他观察结果表明SN / VTA神经元在陈述性记忆中释放多巴胺的关键作用[9, 10, 11]，调节这种反应的潜在机制很难理解。

研究SN / VTA多巴胺能神经元如何表示奖励和奖励期望错误[12, 13, 14]揭示了对SN / VTA在经典条件反射和强化学习中作用的机制理解[15]。 此外，在人类中，SN神经元也会响应奇数球范式中的罕见声音[16]并编码决策结果[17]。 相比之下，对于SN / VTA在获取陈述性记忆中的作用知之甚少。 虽然SN多巴胺能神经元在调理过程中对新型刺激有反应[13, 18, 19, 20]，在声明性记忆任务期间不存在SN神经元的记录。 因此，SN神经元是否区分熟悉的新刺激以及这种激活是否与记忆编码成功相关仍然是未知的。

已经提出多巴胺能系统和海马体形成多突触环，其开始于海马新奇信号，其瞬时激发SN / VTA中的多巴胺能神经元，其反过来通过激活海马多巴胺受体导致海马可塑性增强（图1一个） [9, 23]。 虽然最初的假设涉及SN和VTA，但我们的重点仅在于SN，因此我们将以下讨论限制在与SN相关的预测中。 此外，我们不限制多巴胺能SN神经元的讨论，因为GABAergic神经元反过来抑制多巴胺能（DA）神经元[24]，使他们的回答与假设同等相关。 海马-SN / VTA环假设[9, 23对陈述性记忆做出了三个具体的预测：首先，它预测了在陈述性记忆任务过程中，刺激神经调节了SN神经元的活动。 其次，它预测相对于刺激发作，这种调节首先出现在海马体中，然后是SN。 第三，如果与声明性记忆有关，则新刺激过程中的SN活动应可预测记忆形成的成功或失败，如以后的行为所评估。 在这里，我们通过记录单个SN神经元的活动并将其活动与行为评估的记忆强度相关联，直接在人体中测试这三个预测。

我们的受试者进行了识别记忆任务，我们和其他人已经描述了人类海马中的新奇信号神经元[25]。 这些记忆选择性神经元被正在进行的θ振荡调制的程度可以预测记忆形成的成功或失败[26]。 多巴胺被认为对于该任务中记忆形成的成功是必不可少的，提出了SN神经元的活动是否通过正在进行的θ振荡另外协调的问题。 θ频率和其他低频振荡对于协调皮层和皮质下区域之间的信息流动至关重要[27, 28, 29]，包括SN / VTA，海马和皮层。 然而，SN神经元和皮层之间神经活动的协调是否也在声明性记忆形成中起作用尚不清楚。 在这里，我们同时记录了SN神经元的活动以及额叶上的皮质场电位，以评估SN神经元的活动是否与皮质活动相协调以及这种协调是否预示着记忆形成的成功。

成果

任务和行为

23科目（28会议;见 表S1）在丘脑底核（STN）中植入深部脑刺激（DBS）装置，用于治疗帕金森氏病（PD）或特发性震颤，进行连续识别记忆任务。 排除了两个记录会话，因为受试者在偶然级别进行，并且排除了三个会话，因为记录是在SN之外进行的（参见 数字1D和1E）。 因此，23会议仍然需要进行分析。

要求受试者查看一系列图像并将每个图像识别为新颖或熟悉（图1B）。 受试者按下“新”或“旧”按钮以提供答案（实验过程中按钮的标识被颠倒了）。 每个图像最多显示82次。 第一个演示称为“新颖”，其余两个演示称为“熟悉”。 受试者表现良好，平均识别准确率为8％（±XNUMX％，±SD； 图1C）。 同样，受试者继续学习，表现为在第二次熟悉的演示中表现显着提高（87％±13％），而与第一次（74％±12％，t [22] = 5.62，p = 0.0005，排列配对t测试）。 除非另有说明，否则仅使用正确的试验进行分析。 从提问屏幕出现到按下按钮之间的中位时间为0.69±0.99 s，新型（1.12±1.06 s）和熟悉的响应（1.05±0.90 s）之间的反应时间无显着差异，t [22] = 1.17，p = 0.26，排列配对t检验）。 我们使用的图像分别属于三种不同的视觉类别（动物，风景和水果）之一。 反应时间随视觉类别的变化无明显差异（单向方差分析：F [2,44] = 2，p = 0.13）。 这些行为数据一起表明，患者可以准确地执行任务。 术前神经心理学评估测试与该观察结果一致（见 表S1).

心脏电生理学

我们鉴定了从SN记录的66良好分离的假定单个神经元。 数字1D和1E显示Talairach空间中所有记录位置的位置，由立体定位坐标确定（另见 STAR方法 和 数字S2E和S2F）。 使用尖峰分选质量指标定量评估神经元的分离（图S1）。 在整个手稿中，我们可互换地使用术语神经元，单位和细胞来指代推定的单个神经元。 对于每个微电极，我们还使用位于微电极尖端上方3 mm的低阻抗电极触点记录了场电势（图S2一个）。 此外，我们使用沿背侧额顶脑表面放置的硬膜下条状电极记录皮质表面（脑电图[ECoG]）信号，延伸到中央沟的前部和后部（数字S2B-S2D）。 我们使用术中成像和正中神经刺激的组合来定位ECoG电极及其相关皮层区域的位置（参见 STAR方法 和 数字S2C和S2D）。 所有ECoG录音的中位数如下所示 图1F.

SN神经元响应视觉刺激

我们首先测试神经元在考虑所有试验时是否改变了它们对图像开始的放电率，无论新奇/熟悉程度如何（见 STAR方法）。 我们发现14/66（21.2％，p = 0.002，与零分布相比； 图2A）神经元响应于图像发作而改变其放电频率（将刺激发作后0–1.5 s内的峰值与刺激发作之前−0.5–0 s内的窗口进行比较）。 在这些“图像响应”神经元中，有五个相对于基线提高了放电速度（示例神经元显示在 图2C）和9降低了他们的射击率（示例中显示的神经元） 图2D）。 增加放电速率的神经元的反应速度明显低于降低放电速率的神经元（224.8±138.5 ms与426±141.9 ms，t [12] = 2.58，p = 0.03，置换t检验；参见 图2B）。

在许多人类大脑区域，神经元区分视觉类别[30]。 因此，我们接下来询问SN神经元的响应是否在图像的三个不同视觉类别（动物，风景和水果）之间有所区别。 我们没有发现SN类神经元的证据：单向排列方差分析未显示调整为视觉类的大量神经元（N = 6，9.1％，p = 0.16； 图2一个）。 与内侧颞叶（MTL）相反[30]，我们没有在SN中找到视觉类别信号。

SN神经元区分新颖和熟悉的刺激

我们接下来测试了SN神经元是否表明刺激是新的（第一次显示）或熟悉（显示第二次或第三次）。 在这里，我们将这些神经元称为记忆选择性（MS）神经元[25]。 我们通过比较新颖和熟悉试验之间刺激发作后神经元的反应来测试SN神经元的反应是否表现出这种模式。 我们首先关注的是相对于熟悉的刺激具有较大的新颖射击率的亚组（参见 STAR方法）。 我们确定了11这样的神经元（数字3A–3C； 与零分布相比，为16.6％，p = 0.002； 也可以看看 图S3一个）。 我们将这个MS神经元子集称为“新奇”神经元。 当第二次看到图像时，这种新颖和熟悉的刺激之间的反应差异已经很明显（图3D，中间）。 比较同一图像的第二次和第三次呈现时，响应仍然存在，但并没有进一步增强（t [10] = 1.36，p = 0.21，置换配对t检验；请参见 图3D，对）。 此外，新颖刺激与熟悉刺激之间的响应差异并不取决于相同图像的两次连续显示之间的延迟（F [3,30] = 0.22，p = 0.88，单向置换方差分析；请参见 图3E）。

接下来，我们测试了其他SN神经元是否响应熟悉的图像而提高了放电速度。 我们发现有6个神经元（9％，p = 0.01，与无效分布相比；另请参见 图S3B）与新颖图像相比，熟悉程度显着提高。 与新颖的神经元相似，在相同图像的第二次和第三次展示之间，这种“熟悉的”神经元的响应没有进一步改变（t [5] = 0.7，p = 0.06； 图3D），并且不受同一张图片连续显示之间的延迟长度调制（F [3,15] = 2.12，p = 0.14； 图3E）。 总之，这些数据证明了大部分SN神经元的放电率（16.6％和9.0％; 图3A）由声明性记忆任务中的图像的新颖性或熟悉性调制。 重要的是，经过一次学习试验后，这种反应的变化是显而易见的图3D）新奇和熟悉的神经元。

我们将17新奇和熟悉的神经元一起称为MS神经元（图3一个）。 4 MS神经元也被认为是图像响应神经元（即，它们显示所有一起考虑的试验的射速变化;见 图2）。 这种小的重叠的原因是对非优选的刺激类别没有反应。 为了证明这一点，我们将仅新颖或熟悉的试验（取决于神经元对哪种试验敏感）的放电率与基线放电率进行了比较。 这表明，与基线（−0–1.5 s，7.23±17.9 Hz，t [0.5] = 0，p = 6.2）相比，MS细胞在图像呈现期间的发射速率（20.9–16 s，1.38±0.042 Hz）明显更高。 （排列配对t检验），但仅针对其首选的试验类型（新颖或熟悉；请注意，这不是通过选择，因为选择MS神经元时不会考虑基线放电率）。

我们进行了额外的控制分析，以验证此记忆信号不是由于其他因素造成的，例如电极漂移或慢速点火率变化。 首先，我们证实在基线期间没有类似的差异：新奇型和熟悉型MS神经元都没有显示出这样的差异（图3D，左； 新奇神经元[t [0] = 10，p = 0.07]和熟悉度神经元[t [0.94] = 5，与0.58没有显着差异； p = 0.54]）。 我们还测试了如果使用基线期（-0.5-0 s）而非刺激后发作期进行选择，则会选择多少MS神经元。 该分析显示，在1个单位中，只有1.5个（66％），新颖图像和熟悉图像之间存在显着差异。 最后，我们使用混合效应回归模型来确定解释MS神经元放电速率方差的因素。 作为预测因素，我们使用图像熟悉度和试验次数（加上神经元簇ID作为随机效应）。 该分析表明，即使考虑了试验次数的影响，图像熟悉度回归指标也很显着，并且对于两种MS神经元类型（新奇神经元：t [864] = 8.95，新患者的p <1e−30 /旧回归变量与t [864] = 1.67；对于试验数回归变量，p = 0.09；熟悉的神经元：t [501] = 7.24，对于新/旧回归变量与t [1] = 12，p = 501e-3.67，p = 0.0002 （用于试用号回归）。 最后，请注意，在整个实验过程中，我们随机混合了新颖和熟悉的刺激。 总之，这些控制分析证明了响应的差异不能归因于电极漂移。

SN MS神经元预测行为

接下来，我们通过评估MS神经元的反应是否与受试者的行为共变，研究了MS神经元的反应（分别针对新颖性和熟悉度偏好的神经元进行了测试）是否与记忆有关。 具体来说，我们将神经反应与熟悉的刺激（至少已经显示过一次）进行了比较，这些刺激使患者正确记住（对“旧”的反应）与对他们错误忘记（对“新”的反应）的记忆。 从行为上讲，患者表现良好：他们在第一次重复（“熟悉74”）和第二次重复之后（“熟悉1”）的记忆中（真实阳性率）分别为87％和2％。 我们发现，在新的实验中，将熟悉的图像误认为是新奇的图像与正确地将它们正确定为新图像的试验相比，显着减弱了新细胞的反应，错误率的激发速率差为0.36±0.36 Hz，发射率的差为0.60±0.24 Hz进行正确的试验（请参阅 图3F; t [11] = 2.72，p = 0.02，成对配对t检验； 所使用的指标是图像新颖和熟悉之间的触发率差异（通过基准触发率归一化）。 为了进行此比较，我们排除了最初新颖的呈现方式不正确（假阳性）的试验，因此观察到的差异只能归因于被遗忘的图像（假阴性）。 但是，尽管较小，但对被遗忘的熟悉刺激的响应仍显着不同于零（图3F; t [11] = 3.98，p = 0.002，置换t检验）。 总之，这种分析表明，新奇神经元的反应指示了熟悉的刺激会被记忆还是被遗忘。 对于将放电速度提高（n = 6）到熟悉图像的神经元，这种行为与神经活动的相关性在数量上相似，但并不显着（图3F; t [5] = 2.31，p = 0.056）。

响应延迟

刺激发作后有多快，MS SN神经元的反应区分新颖和熟悉的图像？ 为了回答这个问题，我们接下来估计了新颖和熟悉的图像之间响应不同的第一个时间点。 我们比较了尖峰序列的累积和，这种方法可以高精度地估计神经元的差分延迟[31]。 我们发现图像开始后的平均差分等待时间为527毫秒（图3G）。 我们将这种潜伏期与另一位患者群体在类似的新/旧识别任务中在MTL中重新编码的MS神经元（n = 122）的潜伏期进行了比较[32, 33]。 MTL中的MS神经元具有311 ms的平均差分等待时间，与SN相比，显着更快（p = 0.013，基于经验估计的空分布（根据其随机分配区域标签来估计）。 当考虑将MS神经元的放电率分别提高到新颖性和熟悉的刺激时（与MTL中的n = 0.002个新颖性和n = 0.002个熟悉的神经元相比，分别为p = 64和p​​ = 58，神经元），该结果也是正确的。 这种响应顺序与海马体和VTA / SN之间相互作用的Lisman和Grace模型[9].

细胞类型分析

SN包含两种主要类型的神经元：抑制性GABA能神经元和投射到远程目标的多巴胺能神经元，包括纹状体，杏仁核和海马体[4, 34, 35, 36]。 使用细胞外记录，通常可以根据细胞外峰值波形的宽度和平均放电率的组合来区分不同的细胞类型[37]。 特别地，在SN中，已知多巴胺能神经元与GABA能神经元相比具有更宽的波形和更低的放电率[38, 39]，导致所有神经元的波形宽度呈双峰分布。 我们发现，在所有记录的神经元（N = 66）中，尖峰宽度的分布是双峰的（Hartigan's dip统计量：0.0717，p = 0.006 [40]。 看到 数字3H和3I）。 因此，我们接下来研究了MS神经元是否优先属于某种细胞类型。 我们发现，与非MS神经元相比，MS神经元的平均波形更长（1.15±0.23 ms与0.96±0.32 ms；波形长度以两个正峰之间的时间来测量[14波形的]； t [65] = 2.65，p = 0.012，置换t检验； 数字3H和3I）。 此外，MS神经元满足了先前工作建立的DA神经元的标准：15/17 MS神经元的波形长于0.8 ms，放电频率低于15 Hz [14, 41]。 我们还发现识别MS神经元的记录位点主要位于SN的背部（数字1D和1E）。 这些结果与致密部位的位置一致，其中大多数多巴胺能神经元位于[42, 43]。 总之，这些分析支持以下观点，即我们鉴定出的MS神经元被推定为多巴胺能。

SN-Cortex相互作用

SN神经元的活动是否与基底神经节和/或皮质表面记录的野外潜在活动有关？ 我们使用尖峰场相干性（SFC）量化尖峰场相互作用作为回答该问题的度量。 首先，SN神经元与基底神经节（STN）中记录的场电位之间的SFC明显高于θ频带的机会（图4A，左面板； 在N = 0.05个神经元的2-5 Hz中p <56时具有显着峰值，具有足够的峰值）。 请注意，由于记录触点的位置在微电极尖端上方3 mm处，因此很可能是从STN而不是SN记录了电场电势（请参见 STAR方法 和 图S2一种）。 其次，SN神经元的活动也与皮层电势相协调：SN神经元倾向于在θ的某些阶段和从皮层表面记录的ECoG信号的α频段发射更多信号（SFC在6-12 Hz时显着不同频带，N = 61，p <0.05; 图4A，右图; 见统计传说; 也可以看看 图S4 所有电极）。 这仅适用于位于中央沟前的一对ECoG接触点（标记为+2；其他接触点并不重要；请参见 图S4）。 +2 ECoG触点位于Brodmann 6区（运动前皮层）的上额回。 这一发现表明SN神经元功能在功能上与额叶的该区域相关（请参见 讨论）。 接下来，我们通过比较后来记忆的新试验与后来被遗忘的新试验来测试这种功能联系是否具有行为相关性。

基于以前的研究和模型预测[26]，我们假设在新颖图像的编码过程中尖峰场相干的程度可预测对象是否会成功编码新的记忆。 为了检验该假设，我们在后来被正确记住的试验与后来被遗忘（即确定为新颖）的试验之间比较了在观看新颖图像期间的SFC。 这种因记忆而不同的比较表明，在编码过程中，在中央沟之前测量的ECoG的θ频率范围内，后来被记忆的图像伴随着较高的SFC（N = 58个神经元，3–9 Hz，p <0.05； 图4B，右面板； 有关统计信息，请参见图例）。 请注意，此计算仅包括首次看到（新颖）图像并且受试者正确标记为“新”的试验。 因此，响应始终是相同的（“新的”），不包括这种差异是由于运动计划的差异而引起的。 与考虑所有试验的证监会相似，这种差异仅对运动前皮层（中央沟+2；前沟+2；前沟+XNUMX；前沟+XNUMX）上记录的场电势有意义。 图4B; 数字4C和4D显示了神经元的SFC和尖峰触发平均值的示例。 我们没有发现与基底神经节的野外电位记录有类似的关系（STN; 图4B，左面板； 所有p> 0.05）。 作为对照，我们还比较了两种情况下的ECoG功率，但未发现明显差异（图4E; 所有p> 0.05）。 在一起，这表明前运动皮层记录的SN神经元活动和额叶皮层潜在电位活动之间的远程SFC的程度预示着成功的记忆形成。

如何实现长距离尖峰/场协调？ 为了回答这个问题，我们接下来在患者观察新图像（相对于刺激发作的时间为0-1.5 s）中，从基底皮质的场电位记录和皮质的ECoG记录之间进行了相干分析。 STAR方法）。 这项分析表明，新存储器的成功编码与theta频率范围（5–10 Hz； XNUMX–XNUMX Hz； XNUMX–XNUMX Hz）中较高的相位相干性相关 图4F; p <0.05； 有关统计信息，请参见图例）。 与SFC的发现类似，这种影响仅在中央沟+2电极上可见（图4G）。 从中央沟+2电极记录的ECoG信号的功率在刺激发作后约500毫秒开始表现出显着的β波段功率下降，这很可能与运动准备有关（图4H）。 这种β下降之前是θ频率功率的增加（图4H），在刺激开始后不久开始。 该模式显示处理图像增加了额叶皮层中θ振荡的功率，这提供了SN神经元可以调节其活动与额叶皮质θ之间的协调程度的潜在机制。 这里，我们表明这种锁相的程度可以预测存储器编码的成功，这表明θ频率范围振荡在存储器编码期间协调区域之间的信息传递。

讨论

我们发现，人类黑质中单个神经元的活动在海马依赖性陈述性记忆任务中区分新颖和熟悉的图像。 此外，我们发现SN神经元的活动与额叶θ频率振荡的协调程度可预测成功的记忆形成。 虽然以前的工作表明人类SN神经元响应奖励预测错误[14奇数球范例中的罕见声音[和不常见的声音]16]，据我们所知，我们的数据是第一个描述人类声明性记忆形成过程中SN神经元活动的研究。

我们描述的记忆选择性细胞的电生理学特性表明这些细胞很可能是多巴胺能的。 这个结论取决于两个数据：波形的宽度和解剖位置。 与位于SN中的GABA能神经元相比，多巴胺能神经元具有相当宽的细胞外波形[38, 39, 44]。 此外，尽管整个SN中存在多巴胺能神经元，但大多数位于SN的密集区域[42, 43]。 因此，大多数多巴胺能神经元应该位于SN的背侧 - 内侧部分，这是我们发现大多数MS神经元的区域。 总之，这些标准已被证明可以单独根据电生理特征可靠地分离SN中的多巴胺能和GABA能神经元[38, 39, 44, 45, 46]。 对这一断言的明确确认将需要进行组织学分析[47]或遗传靶向[38]。 在这里，我们将这些神经元称为推定多巴胺能，以表明该结论仅依赖于细胞外记录。

第二个考虑因素是持续的神经退行性变对我们结果的影响。 该研究中的大多数受试者患有PD，因此遭受了SN中多巴胺能细胞的大量损失。 但是，我们的录音访问了一个解剖区域，即使在PD中，该区域仍然有足够的多巴胺能神经元。 PD的多巴胺能损失进展不均匀[48, 49]，某些地区比其他地区更严重。 PD患者中的死后组织分析通常显示SN的尾部中多巴胺能神经元的高损失，大约90％的细胞丢失。 相反，更多背部区域的细胞损失更为温和（50％或更低），达到与正常衰老相当的程度[49]。 事实上，一些研究成功地记录了PD患者接受STN DBS手术时假定的多巴胺能神经元[14, 41]。 对于STN中的手术目标，期望SN记录主要位于SN的背侧区域是合理的。 通过对我们的电极位置的分析证实了这一假设，其显示大多数记录位于SN的背部，其中疾病影响预计相对较小[49]。 然而，仍然不知道PD是否会影响我们记录的剩余DA神经元的波形。 虽然我们没有发现疾病严重程度与波形持续时间的相关性（见 STAR方法），这个问题仍然是个悬而未决的问题。 最后，参加我们研究的患者处于比死后分析中包括的早得多的PD阶段[48, 49因此，在SN的背部区域保留更高密度的多巴胺能细胞。

有人提出，多巴胺能调节海马记忆过程的作用是增强重要事件的突触可塑性，例如那些有益的，与受试者的目标一致或吸引注意力的事件[9, 23]。 该信号到达SN / VTA的建议途径是来自伏隔核（NA）和脑桥脑肌核（PPTg）的传入，这两种结构都参与调节动机和注意过程[50, 51]。 NA和PPTg反过来接收来自前额叶皮质（PFC）和海马的输入，使他们能够整合关于当前目标和刺激新奇的信号[23, 50, 51]。 据推测，海马新信号通过这种多突触途径引起海马内多巴胺的释放[9, 23]。 在这里，我们在SN中鉴定了与该假设相容的假定的多巴胺能神经元，因为它们响应于对新刺激的放电率的增加。 有趣的是，除了新奇的神经元之外，我们还发现了一组较小的假定的多巴胺能神经元，它们对熟悉的刺激的放电率有所提高。 这组神经元的反应特征在其他方面类似于新奇神经元（数字3D，3E和3H），但它们并不能显着指示是否会记住或忘记熟悉的刺激（但请注意，这很可能是由于缺乏统计能力）所致。 尽管这些神经元不是由Lisman和Grace的理论模型直接预测的，但是它们很可能也在学习中发挥作用。 例如，不同浓度的DA可能导致突触抑制或增强[52和DA的水平可以控制长期增强（LTP）/长期抑郁（LTD）阈值[53]。 这表明为熟悉的刺激增加DA水平的神经元可能参与维持这种稳态。 此外，不同类型的多巴胺受体具有不同的敏感性和激活阈值，并介导可塑性的不同方面，包括记忆的编码与整合[54, 55]。 总之，这些文献结合我们的发现支持了这样的假设：熟悉的神经元在可塑性机制中起作用，有助于加强已经编码的记忆。 未来的工作需要直接测试这个假设。

SN响应的潜伏期也与Lisman和Grace模型兼容，也就是说，与MTL中观察到的响应相比，SN MS响应出现的时间要晚得多。33]。 在这里，我们发现SN响应在刺激发生后527 ms首次可见，该时间大于在MTL中观察到的311 ms间隔[32]。 这种比较的一个警告是它来自两个不同的患者群体（分别是PD和癫痫）。 总之，我们的结果支持这样的观点，即在SN中观察到的关于刺激新奇的信息起源于MTL。 重要的是，SN细胞的调节程度表明受试者是否能正确识别熟悉的刺激。 该结果表明SN细胞的反应与我们的受试者进行的陈述性记忆任务在行为上相关。 这一发现也与人体研究一致，表明SN fMRI-血氧水平依赖性（BOLD）活性可预测成功的记忆形成[5, 6]。 然而，仍然不知道SN中不同细胞类型的活动与BOLD信号之间的关系是什么（但见[56]）。 相反，在这里我们在电生理学上鉴定了特定的SN细胞类型，并且表明它是刺激发作后不久推定的DA神经元的阶段性活动，其预测记忆形成。

我们观察到SN神经元的活动系统地与额叶皮层中正在进行的θ振荡的阶段相关（在前运动皮层上测量）。 这种协调在行为上是相关的，因为锁相的程度可以预测记忆形成的成功。 θ频率范围内的振荡被认为是协调MTL，基底神经节和额叶皮层之间的信息流[27, 28, 29]。 在这里，我们现在表明，在人类中，SN神经元放电与皮质θ频率振荡有关，并且这种协调在行为上与记忆形成有关。 基础神经节和额叶皮质之间θ同步的重要性已经通过先前记录的人类患者进行认知任务来确定[57, 58]。 有趣的是，缓慢的4 Hz刺激STN可提高认知任务的表现[58]。 一个关键的未知问题是我们量化的θ振荡是否与海马theta相关或同步[27, 28, 29].

STN的抗逆转刺激引起前运动皮层的短潜伏期反应，这与人类的“超直接”通路相容[59]。 因此，来自MTL的信息可以通过NA和PPTg到达SN：（1）至少有三条路径; （2）通过超直路线; 和（3）穿过纹状体，与大部分额叶皮质相互连接[60]。 使用BOLD-fMRI观察到，这种丰富的神经支配最有可能引起SN和额叶皮层的功能依赖性[61, 62]。 此外，额叶皮层的BOLD活动可预测新记忆的成功编码[63]，这个信号被认为反映了额叶皮层（包括前运动区域）在促进目标相关信息编码和组织多条信息到个体记忆中的作用[63]。 在这里，我们现在展示一种可能的机制，通过该机制，此类信息可以通过调节多巴胺能SN活性来影响记忆编码的强度。 未来的关键实验将是确定SN神经元活动是否也与海马theta振荡相协调，以及这些theta振荡与此处测量的额叶皮层theta振荡如何相关。

致谢

我们非常感谢患者愿意参与这项研究。 我们感谢Cedars-Sinai手术室工作人员的帮助，感谢Robert Zelaya和Lori Scheinost提供技术神经生理学支持，感谢Jeffrey Wertheimer对患者进行神经心理学评估。 我们感谢Ralph Adolphs和Rutishauser实验室的所有成员进行讨论。 这项研究是通过Pfeiffer基金会的种子资金实现的，后来得到了NIH NINDS（U01NS098961），NSF CAREER奖（BCS-1554105）和McKnight Endowment Fund for Neuroscience（全部到UR）的支持。

作者贡献

UR和JK设计了这个实验。 JK，UR，KB和CPM进行了实验。 JK和UR进行了分析。 ANM和KB进行了手术。 MT提供患者护理。 JK，ANM和UR撰写了这篇论文。 所有作者都在项目的各个阶段讨论了结果。

利益声明

作者声明没有竞争利益。

补充信息

文件S1。 数字S1-S4和表S1