Intégration spectro-temporelle non linéaire distincte dans les cortex auditifs primaires et secondaires

Aug 28, 2023

Rapports scientifiques volume 13, Numéro d'article : 7658 (2023) Citer cet article

266 accès

Détails des métriques

Les animaux perçoivent les sons à travers des voies neuronales hiérarchiques qui atteignent finalement les cortex d'ordre supérieur pour extraire des caractéristiques acoustiques complexes, telles que les vocalisations. Élucider comment l'intégration spectro-temporelle varie le long de la hiérarchie des cortex auditifs primaires aux cortex auditifs d'ordre supérieur est une étape cruciale dans la compréhension de ce calcul sensoriel élaboré. Ici, nous avons utilisé l'imagerie calcique à deux photons et des stimuli bicolores avec diverses combinaisons fréquence-synchronisation pour comparer l'intégration spectro-temporelle entre les cortex auditifs primaires (A1) et secondaires (A2) chez la souris. Les neurones individuels ont montré une intégration mixte supralinéaire et sous-linéaire d'une manière spécifique à la combinaison fréquence-synchronisation, et nous avons trouvé des modèles d'intégration uniques dans ces deux domaines. L'intégration spectrotemporale temporairement asymétrique dans les neurones A1 a suggéré leur rôle dans la discrimination des directions de balayage modulées en fréquence. En revanche, l'intégration temporellement symétrique et préférant la coïncidence dans les neurones A2 en a fait des intégrateurs spectraux idéaux de sons multifréquences simultanés. De plus, l'activité neuronale d'ensemble dans A2 était sensible aux synchronisations à deux tons, et les deux tons coïncidents évoquaient des modèles d'activité d'ensemble distincts à partir de la somme linéaire des tons composants. Ensemble, ces résultats démontrent des rôles distincts de A1 et A2 dans le codage de caractéristiques acoustiques complexes, suggérant potentiellement une extraction d'informations parallèle plutôt que séquentielle entre ces régions.

Notre cerveau intègre des entrées à la fois dans l'espace sensoriel et dans le temps pour reconnaître les objets du monde extérieur. Les neurones spatio-temporels sensibles aux séquences, tels que ceux qui répondent aux bords mobiles dans la vision1 ou aux séquences de déviation des moustaches dans la somatosensation2,3,4, sont considérés comme les éléments fondamentaux de la reconnaissance d'objets dans le cortex sensoriel. Dans le cortex auditif primaire, des séquences à deux tons avec des combinaisons spectrales et temporelles spécifiques peuvent évoquer des réponses supralinéaires5,6,7 ou sublinéaires8,9,10,11 par rapport à celles évoquées par des sons purs individuels. Cette intégration non linéaire sous-tend probablement l'extraction de caractéristiques acoustiques plus complexes, telles que les balayages modulés en fréquence (FM), les séquences sonores et, finalement, les vocalisations spécifiques à l'espèce, dans le cortex d'ordre supérieur. Comprendre comment la sélectivité de la combinaison spectrotemporelle à deux tons varie du cortex auditif primaire au cortex auditif d'ordre supérieur est donc une étape cruciale pour élucider la transformation séquentielle de l'information sonore le long de la hiérarchie corticale.

Bien que le cortex auditif primaire des mammifères se caractérise par son réglage précis des fréquences de tonalité pure, des études utilisant des stimuli à deux tons ont révélé une intégration non linéaire étendue à ce stade précoce du calcul cortical. Pendant des décennies, les réponses à deux tons ont été surtout connues pour l'influence suppressive des tons précédents sur les tons en retard ("masquage vers l'avant"). Plus précisément, la suppression causée par les tonalités en dehors du champ récepteur d'un neurone est connue sous le nom d '«inhibition de bande latérale» ou «inhibition latérale» et joue un rôle essentiel dans la formation de sa sélectivité pour les directions de balayage FM9,12,13,14,15. D'autre part, bien qu'étudiée de manière moins approfondie, l'intégration facilitatrice de deux tons a été observée chez diverses espèces5,6,7, qui peuvent agir comme un «détecteur de caractéristiques» élémentaire sous-tendant l'extraction de caractéristiques acoustiques plus complexes. Il est important de noter qu'en fonction de la combinaison spécifique à deux tons, le même neurone peut montrer une intégration à la fois facilitatrice et suppressive, et leur distribution dans l'espace de stimulus à deux tons (défini selon les dimensions de fréquence et de temps - ci-après appelée "carte d'interaction spectrale") caractérise la capacité d'intégration sonore unique de chaque neurone. Même au sein de la même région enregistrée, l'hétérogénéité existe entre les neurones individuels dans leurs schémas d'intégration spécifiques à la combinaison bicolore. Par conséquent, une quantification détaillée des cartes d'interaction spectro-temporelle au niveau d'une grande population neuronale est nécessaire pour comprendre les capacités d'intégration sonore des zones corticales individuelles.

Dans les cortex auditifs d'ordre supérieur, les neurones répondent souvent fortement aux stimuli sensoriels complexes, tels que les vocalisations spécifiques à l'espèce16,17,18,19 et le langage humain20,21,22. Nous avons récemment signalé que les neurones du cortex auditif secondaire de la souris (A2) répondent préférentiellement aux piles de tonalité harmonique avec des apparitions synchrones plutôt qu'asynchrones17. Bien que cette découverte ait indiqué une intégration spectro-temporelle spécialisée dans A2, l'utilisation de jusqu'à vingt composantes de fréquence par stimulus dans l'étude précédente nous a empêchés de déterminer des modèles d'interaction spectro-temporelle détaillés dans ce domaine. Dans la présente étude, nous avons utilisé un paradigme à deux tons pour comparer les cartes d'interaction spectrotemporelle non linéaire entre A1 et A2, en utilisant l'imagerie calcique à deux photons de l'activité neuronale de la population. Nous avons constaté que ces deux zones montrent une distribution différentielle des interactions facilitatrices et suppressives le long des dimensions de fréquence et de temps de l'espace de stimulus à deux tons. Plus précisément, les neurones A1 ont montré des cartes d'interaction spectro-temporelle asymétriques dans le temps, compatibles avec leur discrimination des directions FM, tandis que l'intégration symétrique et préférant la coïncidence dans les neurones A2 en fait un intégrateur spectral de sons simultanés. Par conséquent, nos résultats montrent une division claire des fonctions entre A1 et A2 dans l'intégration spectro-temporelle, suggérant leurs contributions distinctes à la reconnaissance d'objets et aux comportements perceptuels.

Pour sonder l'intégration du son dans les dimensions spectrales et temporelles de neurones individuels, nous avons mesuré les réponses neuronales à des stimuli bicolores à l'aide d'une imagerie calcique à deux photons chez des souris éveillées à tête fixe (Fig. 1a). Deux à trois semaines après l'injection du virus adéno-associé (AAV) exprimant GCaMP6s et l'implantation de la fenêtre en verre, la carte tonotopique a été identifiée avec l'imagerie du signal intrinsèque à travers la fenêtre en verre (voir "Méthodes")23. Nous avons ciblé nos champs de vision sur A1 ou A2 et la couche imagée 2/3 (L2/3), où l'interaction supralinéaire a été signalée comme étant plus fréquente que la couche granulaire plus profonde5. Comme notre champ de vision était plus grand que la taille de A2, les images à deux photons ont été comparées aux cartes de signaux intrinsèques, et seuls les neurones à l'intérieur de la frontière de la zone fonctionnellement définie ont été inclus dans nos analyses (voir "Méthodes"). Au total, nous avons enregistré à partir de 1234 neurones A1 (9 souris, 12 champs de vision) et 435 neurones A2 (7 souris). L'interaction spectro-temporelle a été déterminée en présentant des stimuli bicolores de 70 dB SPL (Fig. 1b), avec un ton ("ton central") fixé à la meilleure fréquence de la population neuronale dans le champ de vision. L'autre tonalité ("tonalité dF") a été sélectionnée parmi neuf fréquences (dF : - 1 à + 1 octave autour de la tonalité centrale, intervalle de 0,25 octave). Chaque tonalité avait une durée de 20 ms et les délais d'apparition à apparition étaient sélectionnés à partir de neuf intervalles (dT : - 100 à + 100 ms, intervalle de 25 ms, ce qui garantissait aucun chevauchement temporel entre deux tonalités, sauf pour dT = 0. Les valeurs négatives indiquent les tonalités dF principales). Les tonalités des composants ont également été présentées individuellement pour permettre le calcul de la linéarité dans la sommation. Les gammes de dF et dT ont été choisies pour correspondre à la gamme éthologique de modulation de fréquence dans les vocalisations de souris (< 40 oct/sec)12. Plus précisément, dT = 100 ms, dF = 0,25 oct correspond à 2,5 oct/sec et dT = 25 ms, dF = 1 oct correspond à 40 oct/sec. Sur tous les neurones imagés, 65,0 ± 3,4 % (A1) et 76,5 ± 5,4 % (A2) répondaient à au moins un son. La figure 1c illustre les traces de réponse à deux tons et à un seul ton de neurones représentatifs en A1 et A2. Ces neurones, qui répondaient faiblement aux tonalités individuelles, ont montré de fortes réponses à deux tonalités avec des combinaisons spécifiques de fréquence et de synchronisation. Nous avons cartographié la distribution de l'intégration supralinéaire et sous-linéaire en calculant un indice de linéarité (LI) pour chaque paire dF-dT (Fig. 1d). LI a été calculé comme (T - L) / (T + L), où T représente la réponse à un stimulus à deux tons, et L représente la somme linéaire des réponses aux tons individuels. Ainsi, LI varie de −1 à 1, où les valeurs négatives représentent la sous-linéarité, les valeurs positives représentent la supralinéarité et 0 représente la sommation linéaire. Les cartes d'interaction spectro-temporelle résultantes pour les neurones représentatifs 1 et 2 illustraient une supralinéarité et une sous-linéarité mixtes dans des modèles uniques (Fig. 1e). Le neurone 1 dans A1 a montré une sous-linéarité globale à l'exception de la supralinéarité groupée dans le quadrant dT < 0, dF < 0. Le neurone 2 en A2 a montré une forte supralinéarité à dT = 0 (coïncidant; pointe de flèche rouge), tandis que les mêmes paires de fréquences ont entraîné une sommation sous-linéaire pour les timings décalés, même à la colonne adjacente de dT = 25 ms (pointe de flèche bleue; traces superposées avec la somme linéaire de la Fig. 1d). Ces cartes d'interaction spectro-temporelles suggèrent que les neurones 1 et 2 extraient des caractéristiques sensorielles distinctes, à savoir, des pas de fréquence ascendants et des piles multifréquences coïncidentes, respectivement.

Quantification de l'interaction spectro-temporelle à l'aide de stimuli bicolores. (a) Configuration d'imagerie à deux photons. Les zones auditives ont d'abord été cartographiées par imagerie de signal intrinsèque, qui a été utilisée pour guider l'implantation de la fenêtre chronique. En bas à gauche, réponses de signal intrinsèque seuillées à des tons purs superposés à la vascularisation corticale imagée à travers le crâne. En bas à droite, image biphotonique in vivo des neurones L2/3 en A1. (b) Schéma du stimulus sonore montrant la relation entre la fréquence et le temps pour chacune des deux tonalités de 20 ms. Le ton central correspondait à la meilleure fréquence de la population neuronale dans le champ de vision. ( c ) Réponses à chaque paire dF-dT et présentations à un seul ton dans un neurone A1 (en haut) et A2 (en bas) représentatif. Les traces sont moyennes sur cinq essais. Les schémas en médaillon montrent la relation spectro-temporelle entre les deux tons présentés. ( d ) Calcul de LI pour les réponses neuronales marquées de pointes de flèche de ( c ). LI > 0 (pointe de flèche rouge) indique une intégration supralinéaire de deux tons par rapport à la somme linéaire des deux composantes de fréquence, tandis que LI < 0 (pointe de flèche bleue) indique une intégration sous-linéaire. ( e ) Cartes d'interaction spectrale montrant le LI à travers les paires dF-dT pour le neurone 1 (A1) et le neurone 2 (A2).

La figure 2 montre plus de cartes d'interaction spectro-temporelles d'animaux représentatifs que nous avons imagés en A1 (Fig. 2a – c) et A2 (Fig. 2d – f). En général, les cartes d'interactions spectro-temporelles ont révélé des interactions mixtes supralinéaires et sous-linéaires, même au sein de neurones individuels. Ces schémas étaient plus complexes que ceux d'une étude précédente sur les ouistitis, qui rapportaient principalement des interactions facilitatrices en se concentrant sur des neurones insensibles au tonus5 (voir "Discussion") (Fig. 2b). Même dans le même champ de vision, les cartes d'interaction spectrotemporale variaient considérablement d'un neurone à l'autre. Par exemple, bien que le neurone 1 (A1, le même neurone que la figure 1c en haut) ait montré une supralinéarité groupée dans un quadrant, le neurone 3 a montré une supralinéarité globale, à l'exception d'un groupe de sous-linéarité autour de la colonne dT = 0. Dans les neurones sans réponses tonales pures, nous avons observé une sommation supralinéaire à des combinaisons dF-dT spécifiques sans sous-linéarité observée (neurone 4). Lorsque nous avons moyenné les cartes d'interaction spectro-temporelle de tous les neurones A1 de cette souris, la carte de la population a montré une sous-linéarité au centre (dT de − 50 à + 50 ms, dF de − 1 à + 0,5 oct) entourée de supralinéarité (Fig. 2c). En revanche, dans A2, nous avons observé de nombreux neurones qui intégraient de manière supralinéaire deux tons le long de la colonne de coïncidence (dT = 0 ms) (neurone 2 : le même neurone que la figure 1c en bas). Dans les neurones sans réponses tonales pures, nous avons souvent trouvé une supralinéarité pure uniquement le long de dT = 0 (neurone 5). Fait important, la supralinéarité n'a pas été observée à dT = 0, dF = 0 (tonalités se chevauchant complètement avec la même fréquence en phase, résultant en une tonalité unique à 76 dB SPL), indiquant que l'intégration supralinéaire dans ces neurones A2 nécessite des sons multifréquences. Dans A1 et A2, nous avons également trouvé des neurones avec une sous-linéarité globale (neurone 6). Lorsque nous avons fait la moyenne des cartes d'interaction spectrotemporale de tous les neurones A2 de cette souris, la supralinéarité le long de la colonne dT = 0 était évidente, suggérant une intégration spectrotemporale distincte entre les neurones A1 et A2.

Cartes d'interaction spectro-temporelle des cellules A1 et A2 chez des souris représentatives. ( a ) Image de signal intrinsèque superposée à la vascularisation corticale imagée à travers une fenêtre en verre chez une souris représentative. Le carré jaune représente le champ de vision de l'imagerie à deux photons A1. ( b ) Les cartes d'interaction spectro-temporelle, par exemple les neurones A1 chez la même souris que ( a ), montrent des interactions mixtes supralinéaires et sous-linéaires entre les paires dF-dT. ( c ) Carte d'interaction spectrotemporelle moyenne sur tous les neurones A1 de la même souris. n = 121 neurones. ( d ) Image de signal intrinsèque chez une souris représentative avec imagerie à deux photons A2. (e) Identique à (b), mais par exemple les neurones en A2. ( f ) Identique à ( c ) mais à travers les neurones A2 chez la même souris que ( d ) et ( e ). n = 35 neurones.

La figure 3 montre des analyses de population basées sur 809 (A1) et 322 (A2) neurones sensibles au son. Malgré les propriétés de réponse hétérogènes à travers les neurones individuels, les cartes d'interaction spectrotemporale de la population ont révélé des modèles uniques dans A1 et A2. La caractéristique la plus importante de la carte A2 est le contraste net entre la sommation supralinéaire pour les sons coïncidents et la large sous-linéarité pour les dT non coïncidents (Fig. 3a). En revanche, dans A1, le schéma de la carte spectro-temporelle était moins clair et la supralinéarité était répartie sur les dT. La différence d'intégration spectro-temporelle entre les neurones A1 et A2 n'a pas été expliquée par leurs propriétés de réponse de tonalité pure (Fig. 1 supplémentaire). Les amplitudes de réponse normalisées et l'indice de linéarité le long de l'axe dT illustrent le réglage précis des neurones A2 sur deux tons coïncidents (Fig. 3b). Les résultats étaient les mêmes même si nous n'analysions que les neurones purs ne répondant pas au tonus (Fig. 2 supplémentaire). Cette préférence de coïncidence explique les réponses préférentielles des neurones A2 aux piles harmoniques coïncidentes (3 à 20 composantes de fréquence) que nous avons précédemment rapportées17 (voir "Discussion"). Il est important de noter que la sommation globale proche de linéaire dans l'activité de la population A1 (Fig. 3b) ne reflète pas le manque de supra- ou sous-linéarité dans les neurones individuels. Lorsque la fraction de neurones présentant une supralinéarité statistiquement significative a été calculée pour chaque paire dF-dT, A1 a montré une large distribution de supralinéarité par rapport à une supralinéarité plus spécifique à la coïncidence dans les neurones A2 (Fig. 3c, d; "Facilitative"). En revanche, une sous-linéarité statistiquement significative a été observée plus largement dans A2, tandis que A1 a montré une sous-linéarité plus restreinte autour du centre (Fig. 3c, d; "Suppressive"). Néanmoins, la distribution des interactions facilitatrices et suppressives entre dF et dT était plus équilibrée dans A1, ce qui se traduisait par une sommation apparemment proche de linéaire au niveau de la population. En A2, une facilitation restreinte combinée à une suppression largement distribuée entraîne une sous-linéarité globale, avec un pic aigu de supralinéarité à dT = 0.

Les neurones A1 et A2 intègrent des stimuli bicolores avec des combinaisons spectro-temporelles distinctes. ( a ) Cartes d'intégration spectro-temporelle dans toutes les cellules A1 et A2. A1, n = 9 souris, 809 cellules réactives. A2, n = 7 souris, 322 cellules réactives. (b) À gauche, données récapitulatives comparant les amplitudes de réponse normalisées en A1 et A2. À droite, données récapitulatives comparant l'indice de linéarité dans A1 et A2. A1 : n = 2596 paires cellule-dF, A2 : n = 1498 paires cellule-dF. Les données sont moyennes ± SEM. ( c ) Fraction de neurones présentant une supralinéarité statistiquement significative (interaction facilitatrice) et une sous-linéarité (interaction suppressive) pour chaque paire dF-dT dans A1. (d) Identique à (c), mais pour A2. ( e ) Neurones A1 et A2 classés selon leur préférence pour les synchronisations à deux tons. La fraction de neurones préférant les stimuli coïncidents aux stimuli décalés était significativement plus élevée dans A2 que dans A1, test du Chi carré, p < 1, 00 × 10–16. ( f ) Un graphique de probabilité cumulée de l'indice d'asymétrie pour toutes les cellules sensibles au son en A1 et A2. ***p = 2,65 × 10–8, test de somme des rangs de Wilcoxon.

Nous avons ensuite classé les neurones en fonction de leur préférence pour les timings bicolores. La fraction de neurones préférant les stimuli coïncidents aux stimuli décalés était significativement plus élevée dans A2 que dans A1 (A1 : 29,3 %, A2 : 57,8 % ; test du chi carré, p <1,00 × 10–16) (Fig. 3e). Les neurones décalés préférant les stimuli pourraient être subdivisés en neurones préférant le dT négatif, préférant le dT positif et neurones symétriques. La fraction de neurones préférant un côté était beaucoup plus petite dans A2, ce qui suggère la plus grande symétrie des cartes d'interaction spectrotemporale dans les neurones individuels. Pour tester cela, nous avons calculé l'indice d'asymétrie pour les neurones individuels comme |(P - N)/(P + N)|, où P et N représentent les réponses aux stimuli bicolores avec des dT positifs et négatifs, respectivement. Nous avons constaté que l'indice d'asymétrie était significativement plus faible dans les neurones A2 que dans les neurones A1 (test de somme des rangs de Wilcoxon, p = 2, 65 × 10–8) (Fig. 3f). Pris ensemble, ces résultats suggèrent l'extraction d'informations sonores distinctes en A1 et A2 ; Les neurones A1 extraient mieux le changement des fréquences sonores au fil du temps, tandis que les neurones A2 sont prêts à intégrer plusieurs fréquences présentées simultanément.

L'asymétrie que nous avons observée dans les cartes d'interaction spectro-temporelle des neurones individuels pourrait prédire l'extraction des modulations de fréquence présentes dans les sons. Pour examiner directement la relation entre l'interaction spectrotemporelle bicolore et le réglage FM, nous avons mesuré les réponses de balayage bicolore et FM des mêmes cellules dans un sous-ensemble d'expériences (A1 : n = 6 souris, 9 champs de vision, 993 cellules ; A2 : n = 6 souris, 361 cellules) (Fig. 4a). Les propriétés de syntonisation FM ont été déterminées en présentant des balayages vers le haut ou vers le bas dont les taux étaient proches de ceux utilisés dans les vocalisations de souris (2,5 à 80 oct/sec, 6 taux dans chaque direction)12. Pour évoquer des réponses dans les neurones avec une large gamme de préférences de fréquence, de longs balayages FM avec une gamme de 4 octaves (4–64 kHz) ont été présentés à 70 dB SPL. De tous les neurones imagés, 39,8 % (A1) et 62,0 % (A2) ont montré des réponses excitatrices significatives à au moins un stimulus de balayage. Conformément à notre étude précédente12, la fraction de neurones réactifs dans A1 a diminué de manière monotone des balayages FM lents aux balayages rapides, reflétant probablement la plus grande énergie sonore transmise par les balayages lents (donc de plus longue durée) (Fig. 4b). En revanche, A2 a montré une plus grande fraction de neurones réactifs que A1 dans tous les taux FM (test du chi carré avec correction de Bonferroni pour des comparaisons multiples, p <0,001), mais la différence était particulièrement évidente à des taux FM plus rapides. Ce codage préférentiel des FM rapides dans A2 peut être dû au fait que ces sons contiennent davantage de composantes de fréquence quasi coïncidentes, qui sont intégrées de manière supralinéaire par les neurones A2. Nous avons calculé l'indice de sélectivité de direction (DSI) dans les neurones individuels sous la forme (U - D) / (U + D), où U et D représentent les réponses déclenchées respectivement par les balayages vers le haut et vers le bas. Fait intéressant, A2 a montré un DSI absolu significativement inférieur à A1 autour des taux FM moyens (10 oct/sec A1 : 0,56 ± 0,03, A2 : 0,41 ± 0,03, p = 2,5 × 10–3 ; 20 oct/sec A1 : 0,59 ± 0,03, A2 : 0,40 ± 0,03, p = 1,5 × 10–5 ; Wilcoxon test de la somme des rangs avec correction de Bonferroni pour les comparaisons multiples) (Fig. 4c). Ce résultat contraste avec une étude précédente ne signalant aucune différence de DSI entre les zones A1 et A224, mais cette inadéquation est probablement due à leur calcul de DSI combinant une plage extrêmement large de fréquences FM (8 à 670 oct/sec).

L'asymétrie dans l'interaction spectro-temporelle suppressive est corrélée à la sélectivité de la direction FM. (a) En haut, syntonisation par balayage FM d'une cellule pyramidale L2/3 représentative en A1. Les traces sont des réponses moyennes sur cinq essais. Les encarts en bas montrent les schémas des représentations de la fréquence par rapport au temps. En bas, une carte d'interaction spectro-temporelle à deux tons pour le même neurone. Cases jaunes : région ascendante, cases bleues : région descendante. (b) Fraction de cellules réactives à six taux FM absolus en A1 et A2. A1 : n = 6 souris, 993 cellules ; A2 : n = 6 souris, 361 cellules. ***p < 0,001 pour toutes les vitesses, test du Chi-carré avec correction de Bonferroni. (c) Moyenne (ligne continue) et SEM (ombré) de la DSI absolue à chaque fréquence FM en A1 et A2. A1 : 391 cellules sensibles au balayage ; A2 : n = 222 cellules sensibles au balayage. **p < 0,01. ( d ) En haut, le DSI des cellules pyramidales moyenné sur 10 à 40 oct / s a ​​une forte corrélation avec le biais de l'indice de linéarité pour les interactions suppressives (Biassupp), mais pas pour les interactions facilitatrices (Biasfac). p = 0,0006, test t bilatéral. Ligne rouge, courbe de régression. n = 220 cellules sensibles à la fois aux balayages FM et à deux tonalités. Valeurs inférieures, p et R de la corrélation entre le DSI et le biais de l'indice de linéarité séparés par le taux FM. *p < 0,05. Les valeurs de p sont ajustées pour des comparaisons multiples avec la correction de Bonferroni. (e) Identique à (d), mais pour A2. n = 171 cellules sensibles à la fois aux balayages FM et à deux tonalités.

Après avoir observé des différences dans les propriétés de réponse de balayage FM entre les neurones A1 et A2, nous avons examiné si des caractéristiques spécifiques des cartes d'interaction spectrotemporale expliquent ces différences. Les données théoriques et expérimentales de notre étude précédente ont montré que l'inhibition latérale corticale contribue à la sélectivité de la direction FM dans A1 dans la plage de vitesse moyenne (10-40 oct/sec) mais dans une moindre mesure pour des vitesses inférieures ou supérieures12. Nous avons donc émis l'hypothèse que l'asymétrie dans l'interaction spectro-temporale suppressive, qui reflète l'inhibition latérale9,12,13,14,15, pourrait être la source d'une sélectivité de direction FM plus élevée dans A1. Pour tester cette hypothèse, nous avons demandé lequel des types de calculs non linéaires, les interactions spectro-temporelles facilitatrices (supralinéaires) ou suppressives (sous-linéaires), montre une corrélation avec la sélectivité de la direction FM. Sur tous les neurones imagés, 220 (A1) et 171 (A2) neurones ont montré des réponses significatives aux stimuli bicolores et de balayage FM. Théoriquement, une carte d'interaction spectro-temporelle peut être divisée en deux régions en fonction de leurs contributions potentielles à la sélectivité de la direction FM (Fig. 4a). La supralinéarité dans les quadrants dF > 0, dT > 0 et dF < 0, dT < 0 (« Région vers le haut » : cases jaunes sur la Fig. 4a) prédit une sélectivité vers le haut dans la direction FM, tandis que dF < 0, dT > 0 et dF > 0, dT < 0 quadrants (« Région vers le bas » : cases bleues) suggèrent une sélectivité vers le bas dans la direction FM. En revanche, la sous-linéarité dans les mêmes régions prédit la sélectivité dans la direction opposée. Dans les neurones individuels, nous avons calculé la somme de LI dans les régions ascendante et descendante séparément pour les interactions facilitatrices (LI> 0) et suppressives (LI <0). Pour quantifier l'asymétrie entre les régions vers le haut et vers le bas, nous avons défini le "biais de l'indice de linéarité" séparément pour les interactions facilitatrices et suppressives (Biasfac et Biassupp) comme la différence de LI sommé entre les régions vers le haut et vers le bas (voir "Méthodes"). Lorsque nous avons comparé les valeurs de biais de l'indice DSI et de linéarité dans les neurones A1 individuels, nous avons trouvé une forte corrélation entre DSI et Biassupp (Fig. 4d). Il est important de noter que la corrélation était plus forte à des vitesses FM moyennes et était statistiquement significative à des fréquences FM de 20 et 40 oct/sec, conformément à la prédiction théorique de la contribution inhibitrice à la sélectivité de la direction12 (Fig. 4d et Fig. 3 supplémentaire). En A2, nous avons observé une corrélation significative entre DSI et Biassupp à 20 oct/sec, mais la corrélation globale était plus faible qu'en A1 (Fig. 4e). Par conséquent, la forte sélectivité de direction des neurones A1 s'explique au moins partiellement par l'asymétrie dans la carte d'interaction spectrotemporale suppressive, alors qu'une interaction spectrotemporale A2 plus symétrique entraîne des réponses faiblement sélectives de direction dans cette zone. Contrairement à la forte corrélation entre DSI et Biassupp, nous n'avons pas trouvé de corrélation significative entre DSI et Biasfac, quelles que soient les vitesses FM ou les zones corticales (voir "Discussion"). Par conséquent, nos résultats sont cohérents avec le rôle de l'inhibition corticale dans la formation de la sélectivité de la direction à des vitesses FM éthologiques pour les souris.

Enfin, profitant de nos grandes données de population, nous avons quantifié comment les modèles d'activité d'ensemble neuronal changent de manière non linéaire entre les représentations à un ton et à deux tons. Conformément à une étude précédente sur le ouistiti A1, nous avons trouvé de nombreux neurones qui ont montré des réponses significatives aux stimuli bicolores mais pas aux tonalités individuelles5. Parmi les neurones non réactifs à un seul ton, 53, 0% (A1) et 55, 2% (A2) ont répondu à deux tons coïncidents ou décalés (Fig. 5a). Par conséquent, les stimuli à deux tons recrutent des ensembles neuronaux qui sont distincts de la somme linéaire des ensembles recrutés à un seul ton. Pour quantifier cela, nous avons calculé les coefficients de corrélation entre les vecteurs d'activité neuronale d'ensemble dans un espace de grande dimension pour les tonalités individuelles bicolores ("mono-ton") et la somme linéaire des tonalités individuelles ("somme linéaire") (Fig. 5b). Dans A1 et A2, les représentations bicolores ont montré une corrélation globale plus élevée avec la somme linéaire que la tonalité unique, indiquant que les modèles de réponse d'ensemble à deux tons reflètent les représentations des deux tons composants (Fig. 5c). Cependant, il y avait une nette différence entre A1 et A2 lorsque nous avons séparé les tons coïncidents et décalés dans le temps. Dans A1 et A2, la somme linéaire a montré des coefficients de corrélation plus faibles avec des stimuli bicolores coïncidents que décalés (A1 coïncident : 0,62 ± 0,05, décalé : 0,73 ± 0,01, p = 0,0124 ; A2 coïncident : 0,40 ± 0,07, décalé : 0,81 ± 0,01, p = 3,77 × 10–9), mais cette différence était beaucoup plus proéminent en A2 (A1 coïncidant contre A2 coïncidant, p = 6,24 × 10–5) (Fig. 5c, d). Ces résultats indiquent que les ensembles neuronaux A2 présentent des modèles d'activité distincts pour les sons coïncidents par rapport à leurs tonalités composantes, suggérant leur contribution potentielle à la liaison perceptive des sons temporellement cohérents17,25,26,27. Fait intéressant, le coefficient de corrélation entre la somme linéaire et les deux tons décalés dans le temps était significativement plus élevé en A2 qu'en A1 (p = 6,57 × 10–6). Par conséquent, lorsque les tons sont asynchrones, les ensembles A1 intègrent et transforment de manière non linéaire les représentations des tons composants, tandis que les ensembles A2 codent plus précisément les tons composants. Prises ensemble, ces analyses au niveau de la population démontrent une division des fonctions d'intégration solides entre deux zones ; A1 intègre et transforme préférentiellement les sons décalés dans le temps, tandis que A2 effectue sélectivement l'intégration non linéaire des sons simultanés.

Les modèles d'activité d'ensemble montrent des fonctions d'intégration distinctes entre A1 et A2. ( a ) Parmi les neurones non réactifs à un seul ton dans L2 / 3, 53, 0% (A1) et 55, 2% (A2) ont répondu à des tons coïncidents ou à au moins l'un des huit décalés de deux tons. ( b ) Schéma montrant les vecteurs d'activité neuronale d'ensemble dans un espace de grande dimension pour les tons individuels à deux tons ("Tonecent" et "TonedF"), et la somme linéaire des tons individuels ("somme linéaire"). ( c ) Coefficient de corrélation entre les représentations unicolores et bicolores (lignes noires) et entre la somme linéaire et les représentations bicolores (lignes rouges) sur les dT en A1 (à gauche) et A2 (à droite). Trait plein : moyenne, grisé : SEM. ( d ) Boîtes à moustaches montrant les coefficients de corrélation entre la représentation bicolore et la représentation de la somme linéaire séparément pour les stimuli bicolores coïncidents et décalés. Encadré : 25e au 75e centiles. Moustaches : 99,3 % de couverture. Lignes rouges : médiane. Croix bleues : valeurs aberrantes. Décalé : n = 64 paires dF-dT, Coïncident : n = 8 paires dF-dT. *p < 0,05, ***p < 0,001, ANOVA bidirectionnelle suivie du test de signification honnête de Tukey.

Dans cette étude, nous avons quantifié les réponses bicolores des zones corticales identifiées fonctionnellement et avons trouvé des règles d'interaction spectrotemporelles distinctes entre A1 et A2 aux niveaux d'activité cellulaire et d'ensemble. Nos résultats montrent une division surfacique des fonctions dans l'intégration spectro-temporelle - les neurones A1 intègrent préférentiellement des séquences temporelles de tons et sont donc prêts à coder les directions de la modulation de fréquence. En revanche, l'interaction bicolore temporellement symétrique et préférant la coïncidence dans les neurones A2 permet l'intégration spectrale de tons simultanés. Il convient de souligner que nos cartes d'interactions spectro-temporelles ont révélé des interactions mixtes supralinéaires et sous-linéaires même au sein de neurones individuels (Figs. 1 et 2). Ces cartes étaient plus complexes que celles d'une précédente étude sur le ouistiti A1, qui visualisait des interactions presque purement facilitatrices5. Bien que nous ne puissions pas exclure la possibilité d'une dépendance à l'espèce dans l'intégration, cette différence est très probablement due au fait que l'étude précédente a concentré ses analyses sur les neurones non réactifs au ton pur, ce qui a limité la visualisation des réponses sous-linéaires par définition. La distribution mixte des interactions supralinéaires et sous-linéaires devrait améliorer le contraste entre les réponses neuronales aux séquences de tons préférées et non préférées, augmentant ainsi l'efficacité de codage des informations des neurones individuels.

En A2, nous avons trouvé une forte préférence pour la représentation de deux tons coïncidents plutôt que décalés dans le temps. De plus, l'activité d'ensemble pour deux tons coïncidents, mais non décalés, a montré un modèle distinct de la somme linéaire des tons individuels, contribuant potentiellement à la liaison perceptuelle de sons temporellement cohérents25,26,27. Cette propriété d'intégration multifréquence unique constitue probablement la base des représentations préférentielles des harmoniques coïncidentes dans les neurones A217. Cependant, nous avons observé quelques différences par rapport à nos travaux précédents, qui utilisaient des stimuli avec 3 à 20 composantes harmoniques. Tout d'abord, nous avons observé une supralinéarité claire de l'intégration bicolore coïncidente dans A2 (Fig. 3b), qui contraste avec la sous-linéarité globale que nous avons précédemment signalée en utilisant des harmoniques multifréquences. Compte tenu des mécanismes de normalisation prévalant dans les circuits neuronaux28, le plus grand nombre de composants sonores utilisés dans l'étude précédente peut avoir provoqué une interaction plus sublinéaire en raison du plafond de l'activité neuronale. Deuxièmement, nous avons trouvé une petite préférence des neurones A1 pour les tonalités coïncidentes par rapport aux stimuli avec de petits décalages temporels (Fig. 3b), ce qui n'avait pas été observé dans l'expérience précédente au niveau de la population. Ces résultats ne sont pas incohérents, car nous avons précédemment trouvé une petite fraction de neurones préférant la coïncidence dans A1 avec des piles harmoniques à dix tons. Très probablement, il y a une faible intégration des sons simultanés même dans A1, dont la supralinéarité diminue à mesure que le nombre de composantes sonores augmente. Cette intégration de sons simultanés peut être inhérente aux neurones A1 ou transmise de A2 par des entrées descendantes29. Néanmoins, le changement radical des modèles d'activité d'ensemble n'a été trouvé que dans A2 mais pas dans A1 (Fig. 5d), suggérant des rôles d'intégration distincts entre ces zones. Ensemble, l'utilisation de stimuli bicolores peu complexes dans la présente étude a révélé des représentations plus dynamiques des séquences de tonalité dans les neurones individuels, qui montrent à la fois des interactions supralinéaires et sous-linéaires en fonction des combinaisons spécifiques d'intervalle de fréquence.

Nous notons deux limites dans l'interprétation des résultats de nos expériences d'imagerie calcique. Tout d'abord, bien que l'imagerie calcique GCaMP nous ait fourni une grande puissance statistique pour étudier les propriétés de réponse sonore au niveau de la population, la cinétique lente de GCaMP nous a empêchés d'analyser des informations temporelles fines pouvant avoir été transmises par des réponses neuronales. Les futurs enregistrements électrophysiologiques ciblés sur A2 révéleraient une cinétique plus détaillée des réponses à deux tons, ce qui pourrait donner un aperçu des mécanismes de circuit sous-jacents à son intégration spectro-temporelle. Deuxièmement, l'imagerie calcique GCaMP est une mesure indirecte de l'activité neuronale et peut souffrir de sous-linéarité dans la lecture des nombres de pointes dans les neurones à taux de déclenchement élevés. Par conséquent, nos données peuvent être biaisées vers l'observation de plus de sous-linéarité que de supralinéarité dans l'intégration spectro-temporelle. Néanmoins, ce biais renforce encore notre conclusion pour l'intégration supralinéaire des sons coïncidents dans A2, car notre observation est probablement une sous-estimation.

Nous avons démontré que la sélectivité de la direction FM était corrélée avec une interaction suppressive mais non facilitatrice dans les réponses à deux tons. Ce résultat est cohérent avec l'idée que l'inhibition corticale façonne la sélectivité de la direction A1 FM par le biais de l'inhibition latérale9,12,13,14,15. Notre modèle de circuit précédent avait prédit que l'inhibition façonne la sélectivité de la direction aux fréquences FM moyennes (10–40 oct/s)12, et les données expérimentales actuelles appuient ce modèle (Fig. 4d). De plus, les cartes d'interaction spectro-temporelle symétriques en A2 expliquent la sélectivité directionnelle plus faible que nous avons observée dans cette zone (Figs. 3f et 4c). L'inhibition asymétrique qui génère une sélectivité de direction dans A1 provient de la ségrégation spatiale des zones sensibles aux basses et hautes fréquences12,30. En A2, la tonotopie compressée et mal ségrégée31,32,33,34,35,36 rend l'inhibition moins asymétrique et ne parvient donc pas à générer une sélectivité directionnelle.

Nos résultats peuvent sembler incompatibles avec des travaux antérieurs proposant le rôle des interactions facilitatrices à deux tons dans la sélectivité de la direction FM chez les chauves-souris6 et les marmousets5. Ce décalage pourrait être dû à la différence dans l'espace de stimulus testé entre les études, et nous n'excluons pas la possibilité que l'interaction facilitatrice explique la sélectivité de la direction à des vitesses FM plus élevées que celles que nous avons testées. Dans la présente étude, nous avons étudié les interactions temporelles bicolores à des intervalles de 25 à 100 ms avec une séparation de 0,25 à 1 octave, correspondant à des transitions de 2,5 à 40 oct/sec. En revanche, des études antérieures ont observé des interactions facilitatrices principalement à des intervalles plus courts (< 10 ms6 ou < 25 ms5), que nous n'avons pas testés dans notre étude. De nombreuses études antérieures se sont concentrées sur les interactions temporelles de courte durée, imitant les FM à grande vitesse dans l'écholocation des chauves-souris (> 100 oct/sec). Cependant, les communications vocales chez d'autres espèces contiennent généralement des FM beaucoup plus lentes, et nous avons précédemment montré que les vocalisations de la souris sont dominées par des FM inférieures à 40 oct/sec12. Nos résultats suggèrent que la dynamique du réseau inhibiteur lent12,30,37,38,39 convient à la régulation des représentations des taux de FM lente éthologiquement pertinents chez la souris. Cette idée est cohérente avec la longue fenêtre de temps observée (jusqu'à quelques centaines de millisecondes) pour l'intégration du son chez plusieurs espèces non écholocalisantes40,41,42. Bien sûr, il est possible que des mécanismes excitateurs facilitateurs contribuent au codage de balayages FM plus rapides, même chez la souris. L'existence de plusieurs mécanismes peut permettre aux circuits neuronaux de coder les directions FM avec une grande variété de paramètres de stimulation. Enfin, nous notons que les vitesses de balayage FM peuvent également expliquer l'absence de différence observée dans la sélectivité de la direction FM entre A1 et A2 dans une étude précédente24. Comme cet article précédent combinait les résultats de balayages de 8 à 670 oct/sec, la sélectivité de direction inférieure des neurones A2 que nous avons observée à la plage de vitesse moyenne (Fig. 4c) aurait pu être occluse par les réponses aux FM à grande vitesse dans leurs résultats.

Quels sont les mécanismes cellulaires et de circuit qui sous-tendent les propriétés différentielles d'intégration spectro-temporelle entre les neurones A1 et A2 ? Nous avons précédemment découvert que les neurones inhibiteurs exprimant la somatostatine contribuent à ralentir l'inhibition latérale30 et la sélectivité de la direction FM12 dans A1, et limitent la fenêtre d'intégration temporelle des sons harmoniques dans A217. Ces résultats suggèrent qu'un sous-type de neurone inhibiteur spécialisé contribue à façonner la sous-linéarité dans les cartes d'intégration spectro-temporelle des neurones individuels. Outre les interactions au niveau du circuit, les mécanismes unicellulaires pourraient également contribuer à la non-linéarité, car les conductances dendritiques sont connues pour conduire à la fois l'intégration supralinéaire et sous-linéaire. Notamment, la conductance active dans une seule dendrite peut intégrer de manière non linéaire la séquence temporelle des entrées43,44 ou des entrées coïncidentes45,46,47. Étudier si ces mécanismes cellulaires contribuent aux propriétés différentielles de réponse sonore entre les neurones A1 et A2 serait d'un grand intérêt. Nous n'excluons pas non plus la possibilité que les propriétés d'intégration spectrotemporale dans ces régions corticales soient partiellement héritées des systèmes sous-corticaux en amont. Bien que la suppression vers l'avant soit souvent considérée comme d'origine corticale puisque les neurones thalamiques peuvent suivre des trains de clics à haute fréquence48,49, la facilitation non linéaire et la suppression des stimuli à deux tons ont été largement observées dans les structures sous-corticales, y compris le nerf auditif, le noyau cochléaire et le colliculus inférieur50,51,52,53,54. Néanmoins, les fenêtres temporelles pour les non-linéarités dans ces structures périphériques sont généralement plus étroites (<20 ms), et les cartes complexes d'interactions spectro-temporelles corticales largement réparties sur les domaines fréquentiels et temporels ne s'expliqueront probablement pas simplement par l'héritage des structures en amont.

Les réponses non linéaires sélectives par combinaison trouvées dans A1 sont considérées comme une étape intermédiaire pour extraire des sons plus complexes, tels que des vocalisations spécifiques à l'espèce, dans le cortex auditif secondaire5. Fait intéressant, en comparant les cartes d'interaction spectro-temporelle à deux tons dans A1 et A2, nous avons constaté que ces zones codent des caractéristiques acoustiques qui se chevauchent mais distinctes les unes des autres. Contrairement à l'interaction facilitatrice largement répartie sur la fréquence et le temps dans A1, les neurones A2 intègrent préférentiellement des fréquences coïncidentes. Nos données suggèrent donc que ces deux domaines se spécialisent dans l'extraction de différentes caractéristiques sonores, à savoir la FM en A1 et les sons multifréquences simultanés en A2. Ces résultats semblent en contradiction avec l'idée que A2 s'appuie sur les informations encodées dans A1 comme matériaux pour construire des représentations sonores complexes. Comme A2 reçoit des entrées non seulement de A1 mais aussi d'autres zones corticales et thalamiques55, A1 et A2 peuvent former des voies d'extraction d'informations parallèles plutôt que séquentielles21,35,55,56. Par exemple, un autre cortex auditif primaire, le champ auditif antérieur (AAF), est situé à côté de A2 et a été signalé comme discriminant mal entre les directions FM57, similaire à notre découverte en A2. Cependant, nous pensons qu'il est peu probable que les propriétés d'intégration spectro-temporelle A2 soient uniquement héritées de l'AAF, car une étude a révélé que les neurones AAF étaient encore moins sensibles aux stimuli harmoniques complexes que les neurones A158, et notre étude précédente a également montré une préférence de coïncidence plus forte pour les piles harmoniques dans A2 que AAF17. Compte tenu des propriétés de réponse spectrotemporale distinctes dans les neurones A1, A2 et AAF, une dissection anatomique plus poussée de leur connectivité inter-zone sera d'une grande pertinence pour comprendre leur organisation hiérarchique.

Bien que nos données suggèrent que les neurones A2 sont plus adaptés pour intégrer des informations spectrales plutôt que temporelles, nous n'excluons pas la possibilité que l'utilisation de sons plus complexes (par exemple, des séquences de sons à trois tons ou plus) puisse révéler une interaction spectro-temporelle plus élaborée dans A2. Par exemple, une question de suivi naturelle de la présente étude est de savoir comment A1 et A2 encodent les sons multifréquences avec les FM, qui sont courants dans les vocalisations. Les informations FM de A1 sont-elles transmises à A2 puis intégrées aux informations multifréquences là-bas ? Alternativement, d'autres zones en aval reçoivent-elles des flux d'informations parallèles de A1 et A2 pour les intégrer ? Une possibilité intrigante est que les deux modèles de circuit, traitement hiérarchique ou parallèle dans A1 et A2, ne s'excluent pas mutuellement mais fonctionnent simultanément avec des contributions différentes en fonction des entrées sonores. Les futures expériences de perturbation spécifiques à la voie seront essentielles pour comprendre comment ces deux modèles de circuit soutiennent différemment notre perception des caractéristiques acoustiques naturelles.

Les souris étaient âgées de 6 à 12 semaines au moment des expériences. Les souris ont été acquises auprès de Jackson Laboratories : C57BL/6J ; Slc32a1tm2(cre)Lowl/J (VGAT-Cre); Gt(ROSA)26Sortm9(CAG-tdTomate)Hze/J (Ai9). Des animaux femelles et mâles ont été utilisés et logés à 21 ° C et 40% d'humidité avec un cycle de lumière inversée (12 à 12 h). Toutes les expériences ont été réalisées pendant leur cycle d'obscurité. Toutes les procédures ont été approuvées et menées conformément au Comité institutionnel de protection et d'utilisation des animaux de l'Université de Caroline du Nord à Chapel Hill, ainsi qu'aux directives des National Institutes of Health. Les résultats des études sont rapportés conformément aux directives ARRIVE.

Les stimuli auditifs ont été calculés dans Matlab (Mathworks) à une fréquence d'échantillonnage de 192 kHz et délivrés via un haut-parleur électrostatique en champ libre (haut-parleur ES1 avec pilote de haut-parleur ED1 ; Tucker-Davis Technologies) et une carte son (Xonar DX ; ASUS). Les haut-parleurs ont été calibrés sur une plage de 2 à 64 kHz (21 fréquences, espacées logarithmiquement) pour donner une réponse plate (± 1 dB) grâce à une détermination itérative des facteurs d'atténuation à l'aide d'un microphone à champ libre 1/4″ (4939-A-011; Brüel & Kjær) placé à la position approximative de l'oreille gauche de la souris. Les stimuli bicolores consistaient en deux tonalités SPL de 70 dB de 20 ms, avec une tonalité (tonalité centrale) fixée à la meilleure fréquence de population des neurones imagés dans le champ de vision (voir ci-dessous). L'autre tonalité (tonalité dF) a été sélectionnée parmi neuf fréquences (dF : - 1 à 1 octave autour de la tonalité centrale, intervalle de 0,25 octave). Les délais d'apparition à apparition ont été sélectionnés à partir de neuf intervalles (dT : - 100 à 100 ms, intervalle de 25 ms. Les valeurs négatives indiquent les tonalités dF principales). Les tonalités individuelles ont également été présentées par elles-mêmes pour permettre le calcul de la linéarité dans la sommation. Des stimuli sonores ont été présentés dans un ordre semi-randomisé au cours d'expériences d'imagerie à deux photons ; chaque bloc d'essais consistait en des stimuli avec toutes les paires dT/dF et les tons des composants individuels, une fois chacun, dans un ordre randomisé, et cinq blocs d'essais ont été présentés. Pour les expériences de balayage FM, des balayages FM logarithmiques vers le haut (4 à 64 kHz) et vers le bas (64 à 4 kHz) ont été présentés à des taux variables (2,5, 5, 10, 20, 40 et 80 oct/sec) à 70 dB SPL. La meilleure fréquence a été déterminée en présentant des tonalités pures de 1 s de 17 fréquences (espacées de 4 à 64 kHz) à 30, 50 et 70 dB SPL. La bande passante (BW70) a été calculée comme la moyenne de la gamme de fréquences qui ont suscité des réponses significatives et la gamme de fréquences avec un ajustement gaussien dépassant un seuil à 70 dB SPL. L'intervalle entre les essais était de cinq secondes pour tous les types de stimulus pendant l'imagerie à deux photons et de 30 s pour l'imagerie du signal intrinsèque. Les stimuli sonores avaient une montée-descente linéaire de 3 ms aux débuts et aux décalages. Les stimuli ont été délivrés à l'oreille controlatérale au site d'imagerie. La livraison du stimulus auditif a été contrôlée par Bpod (Sanworks) fonctionnant sur Matlab.

Les images de signal intrinsèque ont été acquises à l'aide d'un macroscope à objectif tandem personnalisé (composé d'objectifs Nikkor 35 mm 1: 1, 4 et 135 mm 1: 2, 8) et d'une caméra CMOS 12 bits (DS-1A-01M30, Dalsa). Toutes les souris ont d'abord été implantées avec une barre de tête en acier inoxydable personnalisée. Les souris ont été anesthésiées avec de l'isofluorane (0,8–2 %) vaporisé dans de l'oxygène (1 L/min) et maintenues sur un coussin chauffant à rétroaction contrôlée à 34–36 °C. Le muscle recouvrant le cortex auditif droit a été retiré et la barre de tête a été fixée sur le crâne à l'aide de ciment dentaire. Pour la cartographie initiale, la surface du cerveau a été imagée à travers le crâne maintenu transparent par saturation avec une solution saline tamponnée au phosphate23. Pour re-cartographier 1 à 3 jours avant l'imagerie calcique à deux photons, la surface du cerveau a été imagée à travers une fenêtre en verre implantée. Les souris ont reçu une injection sous-cutanée de chlorprothixène (1,5 mg/kg) avant l'imagerie. Les images de la vascularisation de surface ont été acquises à l'aide d'un éclairage LED vert (530 nm) et les signaux intrinsèques ont été enregistrés (16 Hz) à l'aide d'un éclairage rouge (625 nm). Chaque essai consistait en une ligne de base de 1 s suivie d'un stimulus sonore et d'un intervalle inter-essais de 30 s. Les images de réflectance ont été acquises à 717 × 717 pixels (couvrant 2,3 × 2,3 mm). Les images pendant la période de réponse (0,5 à 2 s à partir du début du son) ont été moyennées et divisées par l'image moyenne pendant la ligne de base. Les images ont été moyennées sur 5 à 20 essais pour chaque son, filtrées gaussiennes et seuillées pour la visualisation. Pour la quantification des amplitudes de réponse dans des zones individuelles, les images ont été débrouillées avec une fenêtre gaussienne 2D (σ = 200 mm) en utilisant la méthode de déconvolution de Lucy-Richardson. Les zones auditives individuelles, y compris A1, AAF, VAF et A2, ont été identifiées en fonction de leur organisation tonotopique caractéristique déterminée par leurs réponses aux sons purs (1 s ; 75 dB SPL ; 3, 10 et 30 kHz)23. Plus précisément, A1 a été identifiée comme la zone la plus caudale dont le gradient tonotopique se déplaçait de manière rosstrodorsale (faible → élevé), et cette zone inclut probablement le champ ultrasonore (UF) dans des études antérieures31. Le VAF a été identifié comme la zone la plus caudale dont le gradient tonotopique s'est déplacé de manière rostroventrale. A1 et VAF ont convergé à leurs pôles de basse fréquence chez la plupart des animaux12,17,35,36,59. L'AAF a été identifiée comme la zone la plus rostrale dont le gradient tonotopique s'est déplacé caudalement, la plupart des souris présentant un gradient caudoventral. Enfin, A2 a été identifié comme le domaine sensible au ton entre VAF et AAF, qui avait généralement un faible gradient tonotopique se déplaçant ventralement. Des protocoles plus approfondis pour l'imagerie du signal intrinsèque et la segmentation de la zone ont été décrits dans un article précédent23.

Suite à la cartographie des zones corticales auditives avec imagerie du signal intrinsèque, une craniotomie (2 × 3 mm) a été réalisée sur le cortex auditif, laissant la dure-mère intacte. Le forage a été interrompu toutes les 1 à 2 s et le crâne a été refroidi avec une solution saline tamponnée au phosphate pour éviter les dommages dus à la surchauffe. Le virus a été injecté à 5 à 10 endroits (250 µm de profondeur à partir de la surface piale, 30 nL/site à 10 nL/min). Pour l'imagerie des cellules pyramidales, AAV9.syn.GCaMP6s.WPRE.SV40 (2 × 1012 copies de génome par mL) a été injecté à des souris C57BL/6J ou VGAT-Cre×Ai9. Une fenêtre en verre a été placée au-dessus de la craniotomie et fixée avec du ciment dentaire. La dexaméthasone (2 mg/kg) a été injectée avant la craniotomie. L'enrofloxacine (10 mg/kg) et le méloxicam (5 mg/kg) ont été injectés avant que les souris ne soient renvoyées dans leur cage d'origine. Une imagerie calcique à deux photons a été réalisée 2 à 3 semaines après l'implantation de la fenêtre chronique pour garantir un niveau approprié d'expression des GCaMP6. Une deuxième expérience d'imagerie du signal intrinsèque a été réalisée à travers la fenêtre chronique 1 à 3 jours avant l'imagerie calcique pour confirmer les cartes du cortex auditif intactes. Le jour de l'imagerie calcique, des souris éveillées ont été fixées à la tête sous le microscope à deux photons dans une chambre d'insonorisation construite sur mesure. Les souris sont généralement restées éveillées sans montrer de signes de lutte intense liée au stress pendant 1 à 2 h de fixation de la tête. GCaMP6s a été excité à 925 nm (InSight DS+, Newport), et les images (512 × 512 pixels couvrant 620 × 620 µm) ont été acquises avec un microscope commercial (MOM scope, Sutter) exécutant le logiciel Scanimage (Vidrio) en utilisant un objectif 16× (Nikon) à 30 Hz. Deux champs de vision ont été imagés pour A1 chez trois souris, ce qui a donné 12 champs de vision au total. Les images ont été acquises à partir de L2/3 (200–300 µm sous la surface). Le mouvement latéral a été corrigé par un alignement d'image basé sur la corrélation croisée60. Les synchronisations de la livraison du son ont été alignées sur les images d'imagerie en enregistrant les signaux de synchronisation TTL dans le logiciel Wavesurfer (Vidrio). Les expériences ont généralement été menées sur 2 jours. Le premier jour, les meilleures fréquences des neurones individuels ont été déterminées en mesurant les réponses de tonalité pure. Le deuxième jour, des expériences bicolores ont été menées à partir du même champ de vision que le premier jour. Chez la plupart des animaux, des expériences de balayage FM ont également été menées le deuxième jour. Dans les neurones individuels, la meilleure fréquence a été calculée comme la fréquence avec la réponse la plus forte indépendamment de l'intensité du ton. La meilleure fréquence de la population a été déterminée comme le pic du meilleur histogramme de distribution de fréquence dans chaque champ de vision d'imagerie.

Les régions d'intérêt (ROI) correspondant aux corps cellulaires individuels ont été automatiquement détectées par le logiciel Suite2P (https://github.com/cortex-lab/Suite2P) et complétées par un dessin manuel. Cependant, nous n'avons pas utilisé le pipeline d'analyse dans Suite 2P après la détection du retour sur investissement, car nous avons souvent observé une sursoustraction des signaux de fond. Toutes les ROI ont été inspectées individuellement et modifiées pour les formes appropriées à l'aide d'une interface utilisateur graphique personnalisée dans Matlab. Les pixels de chaque retour sur investissement ont été moyennés pour créer une série temporelle de fluorescence Fcell-meausred(t). Pour corriger la contamination de fond, des retours sur investissement de fond en forme d'anneau (commençant à 2 pixels et se terminant à 8 pixels de la bordure du retour sur investissement) ont été créés autour de chaque retour sur investissement de cellule. De ce retour sur investissement de fond, les pixels qui contenaient des corps cellulaires ou des processus de cellules environnantes (détectés comme les pixels qui ont montré de fortes augmentations de dF/F non corrélées à celle du retour sur investissement cellulaire pendant toute la session d'imagerie) ont été exclus. Les pixels restants ont été moyennés pour créer une série temporelle de fluorescence de fond Fbackground(t). Le signal de fluorescence d'un corps cellulaire a été estimé comme suit : F(t) = Fcell_measured(t) – 0,9 × Fbackground(t). Pour assurer une soustraction de neuropile robuste, seules les ROI cellulaires qui étaient au moins 3% plus lumineuses que les ROI de fond ont été incluses. Des séries chronologiques normalisées dF/F ont été générées après qu'un petit décalage (20 au) a été ajouté à F(t) afin d'éviter la division par des valeurs de base extrêmement basses dans de rares cas. La fenêtre de détection de réponse était de 1,2 s à partir du début du son pour les sons purs de 1 s, de 1 s à partir du début du son pour les stimuli à deux tons et du début du son à 0,3 s après le décalage du son pour les stimuli de balayage FM, compte tenu de la cinétique lente des GCaMP6. Les réponses évoquées par le son ont été mesurées comme l'aire sous la courbe des traces dF/F soustraites à la ligne de base pendant la fenêtre de détection de réponse. Les cellules ont été jugées significativement excitées si elles remplissaient deux critères : 1) dF/F devait dépasser une valeur seuil fixe consécutivement pendant au moins 0,5 s dans plus de la moitié des essais. 2) dF/F moyenné sur les essais devait dépasser consécutivement une valeur seuil fixe pendant au moins 0,5 s. Les seuils d'excitation (3,3 × SD pendant la période de référence) ont été déterminés par l'analyse des caractéristiques de l'opérateur du récepteur (ROC) pour donner un taux de vrais positifs de 90 % dans les réponses tonales. Les champs d'imagerie à deux photons ont été alignés sur les champs d'imagerie du signal intrinsèque en comparant les modèles de vaisseaux sanguins, et les retours sur investissement en dehors de la frontière aréale déterminée par l'imagerie intrinsèque ont été exclus des analyses ultérieures.

Dans les expériences à deux tons, les amplitudes de réponse normalisées de la figure 3b ont été calculées pour les paires ROI-dF avec des réponses excitatrices significatives dans au moins un dT. Pour chaque paire ROI-dF, les amplitudes de réponse ont été normalisées à leur valeur maximale sur les dT, et ces valeurs ont été moyennées sur tous les dF et ROI dans chaque zone corticale. L'indice de linéarité (LI) a été déterminé à l'aide de traces dF/F moyennes sur au moins cinq essais de présentations de chaque stimulus sonore. Pour chaque retour sur investissement, LI a été calculé pour chaque combinaison dF-dT uniquement si des réponses excitatrices significatives étaient évoquées dans la paire dF-dT, le ton central ou le ton dF. LI a été calculé comme (T - L) / (T + L), où T représente la réponse à un stimulus à deux tons, et L représente la somme linéaire des réponses aux tons présentés seuls. Les amplitudes de réponse ont été calculées en tant que valeurs moyennes dF / F pendant les fenêtres de détection de réponse, et les amplitudes négatives ont été forcées à 0 afin de maintenir la plage LI entre - 1 et 1. Les cartes d'interaction spectro-temporelle ont été lissées en appliquant un filtre gaussien 2-D (écart type = 0, 4, correspondant à 0, 1 oct et 10 ms pour les axes dF et dT, respectivement) à 9 × 9 matrices LI. Les paires dF-dT avec une intégration non linéaire significative ont été déterminées en comparant la distribution des amplitudes pour les réponses à deux tons (cinq essais) à toutes les combinaisons de réponses tonales composantes additionnées linéairement (cinq essais de ton central × cinq essais de ton dF = 25 combinaisons). Les valeurs de p ont été calculées à l'aide du test de somme des rangs de Wilcoxon, et un niveau de signification relativement élevé de 0,1 a été utilisé en raison du petit nombre d'essais.

Les neurones ont été classés en fonction de leurs réponses préférentielles aux stimuli bicolores décalés ou coïncidents sur la figure 3e. Deux neurones sensibles au ton ont été classés comme préférant la coïncidence (décalage) si l'amplitude de réponse pour les deux tons coïncidents (décalés) était plus de 1,5 fois supérieure à celle des deux tons décalés (coïncidents). Parmi les neurones préférant le décalage, les neurones étaient en outre classés comme préférant le dT négatif (positif) si l'amplitude de réponse pour les dT négatifs (positifs) était plus de 1,5 fois supérieure à celle des dT positifs (négatifs). Les amplitudes de réponse pour les stimuli décalés ont été calculées comme la moyenne sur 5 dF × 8 dT décalés = 40 paires dF-dT, et celles des stimuli coïncidents ont été calculées comme la moyenne sur 5 dF. L'indice d'asymétrie sur la figure 3f a été calculé comme |(P - N)/(P + N)|, où P et N représentent la somme des amplitudes de réponse déclenchées par deux tonalités avec des dT positifs et négatifs, respectivement. Pour quantifier séparément l'asymétrie des interactions facilitatrices et suppressives entre les régions vers le haut et vers le bas, nous avons également calculé le biais de l'indice de linéarité (Biasfac et Biassupp) comme la différence de LI sommé entre les régions vers le haut et vers le bas. La région ascendante a été définie comme les quadrants combinés dF > 0, dT > 0 et dF < 0, dT < 0, et la région descendante a été définie comme les quadrants combinés dF > 0, dT < 0 et dF < 0, dT > 0. Biasfac (Biassupp) a été calculé comme la différence de LI positif (négatif) sommé entre les régions vers le haut et vers le bas.

Pour mesurer les modèles d'activité d'ensemble, nous avons combiné les neurones de toutes les souris séparément pour les données A1 et A2 et analysé les vecteurs de réponse de la population dans des espaces de grande dimension. Pour chaque paire dF-dT, un vecteur de réponse de la population de chaque zone a été créé en concaténant les amplitudes de réponse de toutes les ROI chez les souris. Les réponses non significatives ont été forcées à 0 pour le débruitage. Des vecteurs de réponse de la population ont également été générés pour les tonalités individuelles et la somme linéaire des tonalités individuelles. Le coefficient de corrélation de Pearson a été calculé entre les vecteurs de réponse de la population aux stimuli bicolores et la somme linéaire, puis moyenné sur les dF. De même, le coefficient de corrélation a été calculé entre les vecteurs de réponse de la population aux stimuli bicolores et aux tonalités individuelles, puis moyenné sur les dF et les deux tonalités.

La sélectivité de la direction a été déterminée à l'aide de traces dF/F moyennes sur cinq essais de présentations de chaque stimulus de balayage FM. DSI a été calculé comme (U - D) / (U + D), où U représente les amplitudes de réponse déclenchées par des balayages FM vers le haut et D représente celles déclenchées par des balayages FM vers le bas. Pour chaque retour sur investissement, le DSI a été calculé en utilisant uniquement les taux de FM qui évoquaient des réponses excitatrices significatives dans au moins une direction. Les amplitudes de réponse ont été calculées en tant que valeurs moyennes dF / F pendant les fenêtres de mesure de réponse, et les amplitudes négatives ont été forcées à zéro pour maintenir la plage DSI entre − 1 et 1. Les amplitudes de réponse ont été moyennées sur des débits FM de 10 à 40 oct / s dans les directions vers le haut ou vers le bas pour calculer une valeur DSI unique pour chaque retour sur investissement (Fig. 4d, e en haut) ou calculée séparément pour chaque débit FM (Fig. 4c – e en bas et Fig. 3 supplémentaire). Quatre souris incluses dans les analyses par balayage A1 ont été réanalysées à partir des données utilisées dans notre étude précédente12.

Toutes les données sont présentées sous forme de moyenne ± SEM. Les différences statistiquement significatives entre les conditions ont été déterminées à l'aide de tests paramétriques ou non paramétriques standard dans Matlab. Le test t apparié bilatéral a été utilisé pour les tests appariés, le test de somme des rangs de Wilcoxon a été utilisé pour les comparaisons de groupes indépendants et le test du chi carré a été utilisé pour la comparaison des fractions. Pour la comparaison de plusieurs groupes, soit la correction de Bonferroni a été appliquée pour ajuster les valeurs p, soit une analyse de variance à deux voies suivie du test de signification honnête de Tukey a été utilisée. Toutes les valeurs n font référence au nombre de cellules, sauf lorsqu'il est explicitement indiqué que le n fait référence au nombre de souris ou au nombre de paires cellule-son. La taille des échantillons n'était pas prédéterminée par des méthodes statistiques mais était basée sur celles couramment utilisées sur le terrain.

Les données à l'appui des conclusions de cette étude seront mises à disposition par l'auteur correspondant sur demande raisonnable.

Hubel, DH & Wiesel, TN Champs récepteurs, interaction binoculaire et architecture fonctionnelle dans le cortex visuel du chat. J. Physiol. 160, 106–154 (1962).

Article CAS PubMed PubMed Central Google Scholar

Laboy-Juárez, KJ, Langberg, T., Ahn, S. & Feldman, DE Détecteurs élémentaires de séquence de mouvement dans le cortex somatosensoriel des moustaches. Nat. Neurosci. 22, 1438-1449 (2019).

Article PubMed PubMed Central Google Scholar

Simons, DJ Intégration temporelle et spatiale dans le cortex de la vibrisse SI du rat. J. Neurophysiol. 54, 615–635 (1985).

Article CAS PubMed Google Scholar

Ramirez, A. et al. Champs récepteurs spatio-temporels du cortex du baril révélés par une corrélation inverse de l'entrée synaptique. Nat. Neurosci. 17, 866–875 (2014).

Article CAS PubMed PubMed Central Google Scholar

Sadagopan, S. & Wang, X. Interactions spectrotemporelles non linéaires sous-jacentes à la sélectivité pour les sons complexes dans le cortex auditif. J. Neurosci. 29, 11192–11202 (2009).

Article CAS PubMed PubMed Central Google Scholar

Razak, KA & Fuzessery, ZM Mécanismes facilitateurs sous-jacents à la sélectivité pour la direction et la vitesse des balayages modulés en fréquence dans le cortex auditif. J. Neurosci. 28, 9806–9816 (2008).

Article CAS PubMed PubMed Central Google Scholar

Brosch, M. & Schreiner, CE Sensibilité à la séquence des neurones dans le cortex auditif primaire du chat. Cerb. Cortex 10, 1155–1167 (2000).

Article CAS PubMed Google Scholar

Brosch, M. & Schreiner, CE Évolution dans le temps des courbes d'accord de masquage vers l'avant dans le cortex auditif primaire du chat. J. Neurophysiol. 77, 923–943 (1997).

Article CAS PubMed Google Scholar

Razak, KA & Fuzessery, ZM Mécanismes neuronaux sous-jacents à la sélectivité pour la vitesse et la direction des balayages modulés en fréquence dans le cortex auditif de la chauve-souris pâle. J. Neurophysiol. 96, 1303–1319 (2006).

Article PubMed Google Scholar

Calford, MB & Semple, MN Inhibition monaurale dans le cortex auditif du chat. J. Neurophysiol. 73, 1876–1891 (1995).

Article CAS PubMed Google Scholar

Nelken, I., Prut, Y., Vaadia, E. & Abeles, M. Réponses de la population aux sons multifréquences dans le cortex auditif du chat : familles de sons à un et deux paramètres. Entendre. Rés. 72, 206-222 (1994).

Article CAS PubMed Google Scholar

Aponte, DA et al. La dynamique du réseau récurrent façonne la sélectivité de la direction dans le cortex auditif primaire. Nat. Commun. 12, 314 (2021).

Article CAS PubMed PubMed Central Google Scholar

Zhang, LI, Tan, AYY, Schreiner, CE & Merzenich, MM Topographie et mise en forme synaptique de la sélectivité de direction dans le cortex auditif primaire. Nature 424, 201–205 (2003).

Article ADS CAS PubMed Google Scholar

Suga, N. Propriétés fonctionnelles des neurones auditifs dans le cortex des chauves-souris écho-localisées. J. Physiol. 181, 671-700 (1965).

Article CAS PubMed PubMed Central Google Scholar

Shannon-Hartman, S., Wong, D. & Maekawa, M. Traitement des stimuli de tonalité pure et FM dans le cortex auditif de la chauve-souris FM, Myotis lucifugus. Entendre. Rés. 61, 179-188 (1992).

Article CAS PubMed Google Scholar

Tian, ​​B., Reser, D., Durham, A., Kustov, A. & Rauschecker, JP Spécialisation fonctionnelle dans le cortex auditif du singe rhésus. Sciences 292, 290–293 (2001).

Article ADS CAS PubMed Google Scholar

Kline, AM, Aponte, DA, Tsukano, H., Giovannucci, A. & Kato, HK Gating inhibiteur de la liaison sensorielle dépendante de la coïncidence dans le cortex auditif secondaire. Nat. Commun. Rev.12, 4610 (2021).

Article ADS CAS PubMed PubMed Central Google Scholar

Tasaka, G.-I. et coll. Le cortex d'association temporelle joue un rôle clé dans la plasticité maternelle axée sur l'audition. Neurone 107, 566-579.e7 (2020).

Article CAS PubMed PubMed Central Google Scholar

Chong, KK, Anandakumar, DB, Dunlap, AG, Kacsoh, DB & Liu, RC Codage dépendant de l'expérience des trajectoires de fréquence dépendant du temps par des réponses off dans le cortex auditif secondaire. J. Neurosci. 40, 4469–4482 (2020).

Article CAS PubMed PubMed Central Google Scholar

Wernicke, C. Le complexe de symptômes aphasiques. Cambre. Neurol. 22, 280 (1970).

Article Google Scholar

Hamilton, LS, Oganian, Y., Hall, J. & Chang, EF Codage parallèle et distribué de la parole dans le cortex auditif humain. Cellule 184, 4626-4639.e13 (2021).

Article CAS PubMed PubMed Central Google Scholar

de Heer, WA, Huth, AG, Griffiths, TL, Gallant, JL & Theunissen, FE L'organisation corticale hiérarchique du traitement de la parole humaine. J. Neurosci. 37, 6539–6557 (2017).

Article PubMed PubMed Central Google Scholar

Narayanan, DP et al. Contraintes biologiques sur le ciblage stéréotaxique des zones corticales fonctionnellement définies. Cerb. Cortex 33, 3293–3310 (2023).

Article PubMed Google Scholar

Issa, JB, Haeffele, BD, Young, ED & Yue, DT Cartographie multi-échelle du taux de balayage de fréquence dans le cortex auditif de la souris. Entendre. Rés. 344, 207-222 (2017).

Article PubMed Google Scholar

Bregman, Analyse de scène auditive AS (MIT Press, 1990).

Réserver Google Scholar

Bregman, AS & Pinker, S. Streaming auditif et construction du timbre. Peut. J. Psychol. 32, 19–31 (1978).

Article CAS PubMed Google Scholar

Darwin, CJ Percevoir des voyelles en présence d'un autre son : Contraintes sur la perception des formants. J.Acoust. Soc. Suis. 76, 1636–1647 (1984).

Article ADS CAS PubMed Google Scholar

Carandini, M. & Heeger, DJ Normalisation en tant que calcul neuronal canonique. Nat. Rév. Neurosci. 13(1), 51–62 (2011).

Article PubMed PubMed Central Google Scholar

Keller, AJ, Roth, MM & Scanziani, M. Feedback génère un deuxième champ récepteur dans les neurones du cortex visuel. Nature 582, 545–549 (2020).

Article ADS CAS PubMed PubMed Central Google Scholar

Kato, HK, Asinof, SK & Isaacson, JS Contrôle au niveau du réseau de l'accord de fréquence dans le cortex auditif. Neurone 95, 412-423.e4 (2017).

Article CAS PubMed PubMed Central Google Scholar

Stiebler, I., Neulist, R., Fichtel, I. & Ehret, G. Le cortex auditif de la souris domestique : différences gauche-droite, organisation tonotopique et analyse quantitative de la représentation fréquentielle. J. Comp. Physiol. Sens. Neural Behav. Physiol. 181, 559–571 (1997).

Article CAS Google Scholar

Joachimsthaler, B., Uhlmann, M., Miller, F., Ehret, G. & Kurt, S. Analyse quantitative des propriétés de réponse neuronale dans les champs corticaux auditifs primaires et d'ordre supérieur de souris domestiques éveillées (Mus musculus). EUR. J. Neurosci. 39, 904–918 (2014).

Article PubMed PubMed Central Google Scholar

Tsukano, H. et al. Délimitation d'une région organisée en fréquence isolée du cortex auditif primaire de la souris. J. Neurophysiol. 113, 2900–2920 (2015).

Article PubMed PubMed Central Google Scholar

Guo, W. et al. Robustesse de la topographie corticale à travers les champs, les lames, les états anesthésiques et les types de signaux neurophysiologiques. J. Neurosci. 32, 9159–9172 (2012).

Article CAS PubMed PubMed Central Google Scholar

Romero, S. et al. Imagerie cellulaire et champ large de l'organisation des fréquences sonores dans les champs d'ordre primaire et supérieur du cortex auditif de la souris. Cerb. Cortex 30, 1603–1622 (2020).

Article PubMed Google Scholar

Issa, JB et al. Imagerie Ca2+ optique multi-échelle de l'organisation tonale dans le cortex auditif de la souris. Neurone 83, 944–959 (2014).

Article CAS PubMed PubMed Central Google Scholar

Ozeki, H., Finn, IM, Schaffer, ES, Miller, KD & Ferster, D. La stabilisation inhibitrice du réseau cortical sous-tend la suppression de l'environnement visuel. Neurone 62, 578–592 (2009).

Article CAS PubMed PubMed Central Google Scholar

Litwin-Kumar, A., Rosenbaum, R. & Doiron, B. Stabilisation inhibitrice et codage visuel dans les circuits corticaux avec plusieurs sous-types d'interneurones. J. Neurophysiol. 115, 1399–1409 (2016).

Article PubMed PubMed Central Google Scholar

Tsodyks, MV, Skaggs, WE, Sejnowski, TJ & McNaughton, BL Effets paradoxaux de la modulation externe des interneurones inhibiteurs. J. Neurosci. 17, 4382–4388 (1997).

Article CAS PubMed PubMed Central Google Scholar

Lewicki, MS & Konishi, M. Mécanismes sous-jacents à la sensibilité des neurones du cerveau antérieur des oiseaux chanteurs à l'ordre temporel. Proc. Natl. Acad. Sci. ETATS-UNIS. 92, 5582–5586 (1995).

Article ADS CAS PubMed PubMed Central Google Scholar

Alder, TB & Rose, GJ Intégration temporelle à long terme dans le système auditif anuran. Nat. Neurosci. 1, 519–523 (1998).

Article CAS PubMed Google Scholar

Margoliash, D. Paramètres acoustiques sous-jacents aux réponses des neurones spécifiques à la chanson chez le moineau à couronne blanche. J. Neurosci. 3, 1039-1057 (1983).

Article CAS PubMed PubMed Central Google Scholar

Branco, T., Clark, B. & Häusser, M. Discrimination dendritique des séquences d'entrée temporelles dans les neurones corticaux. Sciences 329, 1671-1675 (2010).

Article ADS CAS PubMed PubMed Central Google Scholar

Euler, T., Detwiler, PB & Denk, W. Signaux calciques sélectifs de manière directionnelle dans les dendrites de cellules amacrines en étoile. Nature 418(6900), 845–852 (2002).

Article ADS CAS PubMed Google Scholar

Branco, T. & Häusser, M. Gradients d'intégration synaptique dans les dendrites de cellules pyramidales corticales uniques. Neurone 69, 885–892 (2011).

Article CAS PubMed PubMed Central Google Scholar

Losonczy, A. & Magee, JC Propriétés intégratives des dendrites radiales obliques dans les neurones pyramidaux CA1 de l'hippocampe. Neurone 50, 291–307 (2006).

Article CAS PubMed Google Scholar

Schiller, J., Major, G., Koester, HJ & Schiller, Y. Pointes NMDA dans les dendrites basales des neurones pyramidaux corticaux. Nature 404, 285-289 (2000).

Article ADS CAS PubMed Google Scholar

Wehr, M. & Zador, A. Mécanismes synaptiques de la suppression directe dans le cortex auditif du rat. Neurone 47, 437–445 (2005).

Article CAS PubMed Google Scholar

Creutzfeldt, O., Hellweg, FC & Schreiner, C. Transformation thalamocorticale des réponses aux stimuli auditifs complexes. Exp. Cerveau Res. 39, 87–104 (1980).

Article CAS PubMed Google Scholar

Arthur, RM, Pfeiffer, RR et Suga, N. Propriétés de «l'inhibition à deux tons» dans les neurones auditifs primaires. J. Physiol. 212, 593–609 (1971).

Article CAS PubMed PubMed Central Google Scholar

Greenwood, DD, Merzenich, MM & Roth, GL Quelques observations préliminaires sur les interrelations entre la suppression à deux tons et la conduite à tons combinés dans le noyau cochléaire antéroventral du chat. J.Acoust. Soc. Suis. 59, 607–633 (1976).

Article ADS CAS PubMed Google Scholar

Winter, IM & Palmer, AR Dépendance au niveau des réponses de l'unité d'apparition du noyau cochléaire et facilitation par les seconds tons ou le bruit à large bande. J. Neurophysiol. 73, 141–159 (1995).

Article CAS PubMed Google Scholar

Spirou, GA, Davis, KA, Nelken, I. & Young, ED Intégration spectrale par les interneurones de type II dans le noyau cochléaire dorsal. J. Neurophysiol. 82, 648–663 (1999).

Article CAS PubMed Google Scholar

Palmer, AR & Winter, IM La fenêtre temporelle de la facilitation à deux tons dans les unités d'apparition du noyau cochléaire ventral. Audiol. Neurootol. 1, 12–30 (1996).

Article CAS PubMed Google Scholar

Ohga, S. et al. Voies de relais directes du thalamus auditif lemniscal au champ auditif secondaire chez la souris. Cerb. Cortex 28, 4424–4439 (2018).

Article PubMed PubMed Central Google Scholar

Bhaya-Grossman, I. & Chang, EF Calculs de la parole du gyrus temporal supérieur humain. Annu. Rév. Psychol. 73, 79–102 (2022).

Article PubMed Google Scholar

Bhumika, S. et al. Une période critique tardive pour les balayages modulés en fréquence dans le système auditif de la souris. Cerb. Cortex 30, 2586–2599 (2020).

Article PubMed Google Scholar

Sołyga, M. & Barkat, TR Intégration distincte de sons spectralement complexes dans les cortex auditifs primaires de souris. Entendre. Rés. 417, 108455 (2022).

Article PubMed Google Scholar

Liu, J. et al. Traitement parallèle de la dynamique du son dans le cortex auditif de la souris via des entrées thalamiques à motifs spatiaux et des circuits intracorticaux distincts. Cell Rep. 27, 872-885.e7 (2019).

Article CAS PubMed PubMed Central Google Scholar

Mitani, A., Dong, M. & Komiyama, T. L'interface cerveau-ordinateur avec les neurones inhibiteurs révèle des stratégies spécifiques au sous-type. Courant. Biol. 28, 77-83.e4 (2018).

Article CAS PubMed Google Scholar

Télécharger les références

Nous remercions Hiroaki Tsukano et Michellee Garcia pour leurs commentaires sur le manuscrit. Ce travail a été soutenu par NIDCD (R01DC017516), NIH BRAIN Initiative (RF1NS128873), Pew Biomedical Scholarship, Whitehall Foundation, Klingenstein-Simons Fellowship, Foundation of Hope (HKK) et NINDS (F31-NS111849, T32-NS007431 ; AMK).

Ces auteurs ont contribué à parts égales : Amber M. Kline et Destinee A. Aponte.

Département de psychiatrie, Université de Caroline du Nord à Chapel Hill, Chapel Hill, Caroline du Nord, 27599, États-Unis

Amber M. Kline, Destinée A. Aponte & Hiroyuki K. Kato

Neuroscience Center, Université de Caroline du Nord à Chapel Hill, Chapel Hill, Caroline du Nord, 27599, États-Unis

Amber M. Kline, Destinée A. Aponte & Hiroyuki K. Kato

Carolina Institute for Developmental Disabilities, Université de Caroline du Nord à Chapel Hill, Chapel Hill, Caroline du Nord, 27599, États-Unis

Hiroyuki K. Kato

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

AMK, DAA et HKK ont conçu le projet et analysé les données. AMK et DAA ont mené des expériences. AMK et HKK ont écrit le manuscrit.

Correspondance à Hiroyuki K. Kato.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Kline, AM, Aponte, DA & Kato, HK Intégration spectrotemporale non linéaire distincte dans les cortex auditifs primaires et secondaires. Sci Rep 13, 7658 (2023). https://doi.org/10.1038/s41598-023-34731-6

Télécharger la citation

Reçu : 10 janvier 2023

Accepté : 06 mai 2023

Publié: 11 mai 2023

DOI : https://doi.org/10.1038/s41598-023-34731-6

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.