清醒休息期间多运动序列学习记忆巩固相关的神经基质

《iScience》：Neural substrates related to memory consolidation of learning multiple motor sequences during wakeful rest

　　

**亮点**
• 运动序列学习练习显示出序列特异性活动，但没有交错休息活动
• 交错休息活动变得更类似于学习后休息
• 高干扰条件下的巩固可能依赖于广义表征

**摘要**
运动学习长期以来被认为独立于海马体，但最近的证据表明，海马体在清醒休息期间的运动记忆巩固中起作用。然而，海马体再激活是否支持交错休息期间的巩固仍不清楚。我们调查了在学习多个运动序列期间清醒休息时运动记忆巩固的功能磁共振成像（fMRI）证据。我们发现，虽然在练习期间感觉运动区域表现出序列特异性活动模式，但在交错休息期间这些模式在感觉运动区域和海马体中无法可靠地区分。相比之下，交错休息期间右海马体、右壳核和感觉运动区域的神经活动模式与学习后休息模式的相似性大于学习前休息模式。这些发现表明，在高干扰的多序列学习条件下，运动记忆的巩固可能与特定序列无关，而可能反映序列的广义或抽象表征，潜在地用于稳定和最小化新获得技能之间的干扰。

**引言**
运动记忆的巩固通过在完成训练后将初始脆弱的记忆转化为更稳定的记忆来增强表现。由于巩固产生的离线表现提升可能发生在练习间隔之间有足够长休息的时间以及夜间。神经影像研究表明，感觉运动区域，如初级运动皮层、纹状体和小脑，是运动记忆巩固的基础，具体是通过有助于序列学习的皮层-纹状体网络和支持运动适应的皮层-小脑网络。除了感觉运动区域外，最近的研究表明，传统上被认为与运动记忆无关的海马体，可能在运动序列学习（MSL）中发挥作用。动物研究和人类研究都提供了其在睡眠期间巩固运动记忆中的重要作用的证据。运动记忆的巩固似乎通过皮层-海马体相互作用发生，正如互补学习系统（CLS）理论所建议的那样。同时的人类脑电图-功能磁共振成像（EEG-fMRI）研究以及最近的一项动物研究表明，海马体中的尖波涟漪（SWRs）与运动皮层中的慢振荡之间的功能耦合作用在运动记忆巩固中起着关键作用。

海马体似乎参与练习后清醒休息期间的运动记忆巩固，甚至在练习中交错的短暂休息期间也参与。这些研究共同表明，由于海马体可塑性产生的记忆巩固可能发生在多个时间尺度上，从秒到天数不等。值得注意的是，秒级快速巩固可能增强交错休息期间的短期表现，这种现象被称为微离线增益（MOGs）。休息期间海马体中的神经重放或再激活被建议为运动记忆快速巩固的潜在机制。交错休息期间海马体中的血氧水平依赖（BOLD）信号与MOGs相关，功能变化后跟着分钟级的快速微观结构变化。在一项脑磁图（MEG）研究中，与练习序列相关的神经活动似乎在交错休息期间在感觉运动皮层和海马体中重放，且重放程度与MOGs相关。一项对海马体损伤健忘症患者的研究表明，与年龄匹配对照组相比，其MOGs受损，支持了海马体对快速运动记忆巩固的必要性。这些研究建议，序列特异性神经活动可能在离线期间在海马体中重放，导致MOGs。

在本研究中，我们使用功能磁共振成像（fMRI）结合多体素模式分析来调查交错休息期间海马体BOLD模式是否反映运动记忆的序列特异性再激活。我们假设，如果海马体支持快速离线巩固，那么在练习期间与特定序列相关的多元模式将在随后的短暂休息期间被恢复。确实，先前研究的证据表明，感觉运动区域中的神经活动模式可以可靠地跨运动序列区分，并由于巩固而变得更加稳定。然而，交错休息期间的BOLD活动模式如何反映假设的海马体运动序列重放仍不清楚。简而言之，我们设计了一项人类fMRI实验，参与者以伪随机顺序练习多个运动序列，中间有交错的休息期。这种随机顺序的选择是为了防止对即将到来的序列进行确定性准备并最小化计划。我们的主要目的是分析在练习期间和交错休息期间观察到的序列特异性BOLD模式之间的相似性，特别是在海马体内部。出乎我们意料的是，虽然在练习期间感觉运动区域发现了序列特异性模式的证据，但在交错休息或练习期间海马体内部没有发现任何序列特异性模式的证据。缺乏序列特异性模式促使我们进行探索性多体素相关结构（MVCS）分析，以调查更广泛的、与学习相关的表征结构是否能在海马体和感觉运动区域，包括纹状体，超出整个练习会话的延伸，通过将交错休息与学习前和学习后的静息状态（前-RS和后-RS）进行比较。我们发现，右后海马体和右壳核表现出在交错休息期间观察到的模式在学习后休息中的持续性。因此，我们开发了一种事后解释：在高干扰条件下，如同时学习多个序列，大脑可能跨序列整合信息以形成广义运动图式，即共享结构的抽象表征。

**结果**
成功学习四个运动序列
在MRI扫描仪中，25名右利手参与者使用其左侧非优势手进行了一项MSL任务，该任务由一系列在10秒主动练习期和20秒休息期之间交替的试验组成。他们的表现，以正确的序列输入速度衡量，数值越高表示表现越好（详见STAR方法），在各个区块之间显著改善（F(23, 115) = 29.35, p < 0.001, η2 = 0.26），并且序列之间存在显著差异（F(3, 15) = 9.78, p < 0.001, η2 = 0.062；图1B和S1）。然而，区块和序列之间的交互作用不显著（F(69, 345) = 1.07, p = 0.28, η2 = 0.016），表明速度改善速率保持一致，无论练习哪个序列。

图1 实验设计和行为表现
完整说明
图查看器
(A) 参与者在MRI扫描仪中进行了一项涉及多个运动序列的手指敲击任务。四个不同的手指序列以伪随机顺序在每个区块内呈现。每个序列在屏幕上显示10秒的主动练习期，随后是20秒的休息期。当参与者完成完整序列时，屏幕上显示一个星号。屏幕上可能出现多个星号。
(B) 跨参与者的组表现结果。表现通过正确序列完成速度（seq/s）衡量，数值越高表示表现越好。数据表示为均值±标准误。
(C) 微在线增益（MOnGs）衡量为练习期内第一个和最后一个正确序列之间的正确序列速度差异。跨序列的微离线增益（MOGas）衡量为一个练习期内最后一个正确序列速度与随后练习期内第一个正确序列速度之间的差异。跨序列的总学习（TLas）衡量为一个练习期内第一个正确序列速度与随后练习期内第一个正确序列速度之间的差异。数据表示为均值±标准误（黑色）。
(D) 学习阶段平均MOnG、MOGas和TLas。增益通过平均所有试验直到每位参与者达到其渐近表现水平来计算（详见STAR方法）。水平实线表示均值，垂直灰线跨越25th至75th百分位。统计显著性使用双侧t检验确定（*p < 0.05, **p < 0.01, ***p < 0.001）。

学习阶段的清醒休息被认为通过快速离线巩固支持MSL。与先前研究一致，我们将学习阶段定义为参与者达到其整体表现水平95%之前的时期。在此期间，我们量化了"微在线增益"（MOnGs）、"跨序列微离线增益"（MOGas）和"跨序列总学习"（TLas）。MOnG代表练习期内的表现变化，计算为一次试验中第一个和最后一个序列执行之间的差异。MOGas代表交错休息期内的表现变化，无论特定序列如何，计算为前一次试验最后执行与随后试验第一个序列执行之间的表现差异。TLas代表跨越练习和交错休息期的表现变化，计算为一次试验的第一个执行与下一次试验的第一个执行之间的差异（图1C；详见STAR方法）。对于所有三个指标，正值表示表现改善（正确序列速度增加），而负值表示下降。我们的结果显示了显著的MOnG（T(24) = 2.90, p < 0.01），表明参与者通过练习四个序列改善了表现（图1D）。此外，我们观察到MOGas的显著负效应（T(24) = ?2.50, p < 0.05）。相比之下，TLas，它捕获累积学习效应，显示出显著的积极效应（TLas: T(24) = 2.50, p < 0.05）。当跨整个实验的所有试验计算时，这些效应仍然显著（MOnG: T(24) = 2.56, p < 0.05; MOGas: T(24) = ?2.35, p < 0.05; TLas: T(24) = 4.01, p < 0.001）。

感觉运动区域的运动序列表征
为了识别编码期间的序列特异性活动模式，我们调查了练习期间与运动序列相关的BOLD反应。使用搜索光方法和crossnobis距离度量，我们测量了序列对之间的表征不相似度（图S2）。这一探索性分析揭示了感觉运动区域之间的显著模式不相似度（图2A），具体在双侧前运动皮层、M1和顶叶小叶（未校正p < 0.05；图2B）。

图2 练习和交错休息期间感觉运动区域内的平均不相似度
完整说明
图查看器
(A) 大脑的表面可视化，在3D表示中用紫色突出显示分析区域。组平均结果显示使用全脑搜索光方法获得的练习期间序列对的平均crossnobis距离。解剖学标志标注如下：CS（中央沟）、prCS（中央前沟）、poCS（中央后沟）、STS（颞上沟）和IPS（顶内沟）。
(B) 图2A浅紫色区域沿条带指示的感兴趣区域分析，显示练习期和交错休息期的平均crossnobis距离（±标准误）。x轴上方的矩形表示显著区域（未校正p < 0.05，双侧t检验）。仅在练习期间观察到感觉运动区域的显著效应。

接下来，我们检查了交错休息期间潜在的再激活。基于再激活将增加任务和休息状态之间相似性的前提，我们计算了一个再激活指数，量化练习与其随后休息期间不相似度的减少，其中正指数反映任务和休息之间的更大相似性（图S2）。虽然初始探索性搜索光分析在各区域识别出显著正簇，但我们进一步验证这些区域是否在交错休息期间本身表现出可靠的序列特异性表征（即平均不相似度>0）。关键的是，我们观察到这些可靠休息表征与再激活指数之间的最小重叠，表明初始正指数可能并非由稳健的序列再激活驱动（图S4）。

交错休息期间海马体缺乏再激活
为了调查序列特异性模式是否在任务期间最初编码随后再激活，我们评估了在海马体BOLD活动沿纵轴逐片的平均不相似度，在练习和交错休息期间（图S2）。总体而言，海马体中两侧的平均不相似度值在零附近波动（图3）。虽然练习期间一个孤立切片和休息期间两个孤立切片表现出负平均不相似度（双侧t检验，p > 0.05），但这种局部效应在相邻切片中未观察到。此外，没有切片产生显著正的再激活指数（图S4）。

图3 海马体沿轴的平均不相似度感兴趣区域分析
完整说明
图查看器
来自Fan图谱的预定义海马体感兴趣区域沿y轴划分为切片。

每个点代表参与者在给定切片中的平均不相似值，实线表示参与者的平均值，阴影区域表示±SEM。x轴上方的矩形标记出练习时段与插入休息时段之间存在显著差异的切片（未校正p < 0.05，双侧t检验）。

**学习后休息期神经模式的持续性**

为了探究与学习相关的巩固信号在插入休息期间的持续性，我们采用了MVPS方法，该方法近期已被一项fMRI研究成功用于证明海马再激活。首先，为了从插入休息期隔离出可能的与学习相关的巩固信号，我们应用了一般线性模型（GLM）以去除任务诱发的活动（背景连接性）。接下来，MVPS分析显示，插入休息期间的空间活动模式与后休息态（post-RS）的相似程度高于学习前休息态（pre-RS），这一点在同侧M1/S1和辅助运动皮质中尤为明显（图4A和4B，左侧），同时在 contra侧额叶和M1中也明显（图4A和4B，右侧）。这种持续性在对侧基底节中同样显著（T(24) = 3.55，未校正p = 0.002，误差发现率[FDR]校正p = 0.006）。左基底节未观察到显著效应（T(24) = 1.28，未校正p = 0.21；图5A）。

**图4 感觉运动区域的MVPS相似性分析**

(A) 与图2所示一样，大脑表面可视化展示了后-RS与插入休息相似性与pre-RS与插入休息相似性之间的差异。post-RS与pre-RS的相似性值采用全脑searchlight方法获得。正值表示post-RS与插入休息的相似性值相对于pre-RS增加。解剖学标志标注如下：CS（中央沟），prCS（中央前沟），poCS（中央后沟），STS（颞上沟）和IPS（距状沟）。

(B) 沿图2A上方以浅紫色标注的条带进行profile ROI分析，显示了post-RS（橙色）和pre-RS（蓝色）与插入休息的相似性值（±SEM）。x轴上方的矩形表示显著区域（未校正p < 0.05，配对双侧t检验）。

**图5 MSL期间插入休息与休息态在海马和基底节中的相似性**

(A) MSL任务中插入休息与学习后（post-RS）和学习前（pre-RS）休息态在双侧海马和基底节ROI中的相似性。相似性值计算为Fisher z转换后的Pearson相关系数。小提琴图中的点代表单个参与者的相似性值。第一个（25百分位）和第三个（75百分位）分位数由灰线的边缘指示，均值由实线表示。每个小提琴图上方展示了代表性受试者的ROI，以显示分析所用的区域。显著性由?? p < 0.01表示，配对双侧t检验，FDR校正多重比较。

(B) searchlight分析在右侧海马后部发现了一个包含40个体素的簇，并应用了小体积校正（SVC）到双侧海马。对于统计显著性，我们应用了体素阈值p < 0.001（未校正），并使用簇阈值p < 0.01识别显著簇。searchlight分析使用6 mm的球形半径进行，以在更细的空间尺度上评估MSL任务期间插入休息与学习前后休息态之间的相似性。

类似地，与主动任务练习对应的MVPS模式（在显式建模去除插入休息期之后；见STAR Methods），与post-RS的相似性也高于pre-RS活动。与插入休息的发现一致，任务-MVPS模式在post-RS期间也持续存在，尽管这种效应在ROI水平上表现出独特的区域特异性。这种持续性在对侧基底节中尤为明显（T(24) = 3.60，未校正p = 0.001，FDR校正p = 0.005；图S6），并且在右侧海马中也达到边际显著（T(24) = 2.11，未校正p = 0.045，FDR校正p = 0.09；图S6）。相比之下，任务-MVPS模式与post-RS和pre-RS的相似性在左基底节（T(24) = 1.25，未校正p = 0.22；图S6）和左海马（T(24) = 1.38，未校正p = 0.18；图S6）中无差异。

接下来，为了确保增强的相关性并非由时间邻近性驱动，我们研究了插入休息内BOLD活动变化的动态特征。插入休息BOLD活动分析的混合效应线性模型（表S1）显示，右侧基底节中Run（试次）存在显著主效应（β = 0.006，z = 3.229，p = 0.001），Run与条件之间存在显著交互作用（β = ?0.012，z = ?4.780，p < 0.001）。简单斜率分析显示，这种交互作用是由post-RS条件的递增线性趋势与pre-RS条件的递减线性趋势共同驱动的（图S5）。右侧海马（β = 0.006，z = 2.951，p = 0.003）、左侧海马（β = 0.006，z = 3.090，p = 0.002）和左基底节（β = 0.004，z = 2.769，p = 0.006）中也发现了类似的Run显著主效应。这些区域也观察到Run与条件之间的显著交互作用（右海马：[β = ?0.013，z = ?4.609，p < 0.001]；左海马：[β = ?0.013，z = ?5.009，p < 0.001]；左基底节：[β = ?0.011，z = ?4.876，p < 0.001]），表明与post-RS的相似性逐渐增加，而与pre-RS的相似性逐渐降低。

为确保插入休息与post-RS之间观察到的相似性增加在空间上特异性地归因于任务而非整体信号漂移或时间邻近性，我们使用Brainnetome图谱（Fan图谱）进行了全脑空间特异性分析。该分析表明，绝大多数脑区在插入休息期与pre/post-RS之间的相似性没有显著差异（图S7）。观察到的模式持续性局限于特定的学习相关网络（例如感觉运动网络），而在有效对照区域中并不存在，尽管时间条件相同。

尽管我们没有发现在插入休息期间海马存在快速的、序列特异性的模式（图3），但对海马的检查显示右半球插入休息与post-RS之间相似性略高（T(24) = 1.93，未校正p = 0.065），左半球无显著效应（T(24) = 1.26，未校正p = 0.22；图5A）。更敏感的searchlight分析在右侧海马中识别出一个包含40个超阈体素的局部簇（体素p < 0.001，簇p < 0.01，小体积校正；图5B）。该簇显示post-RS与插入休息之间的相似性显著高于pre-RS与插入休息之间的相似性。

**讨论**

近期研究的新兴证据表明，长期以来被认为与运动记忆无关的海马，通过在学习期间的清醒休息中巩固运动记忆，对MSL做出贡献。在本研究中，我们假设运动序列的巩固（潜在巩固机制）依赖于特定任务的神经表征在清醒休息期间的再激活。基于这一观点，我们设计了一项同时学习多个运动序列的实验，将其与以往研究海马在运动学习中的作用区分开来。利用表征模式分析，我们预测，与不同运动序列相关的独特多体素活动模式会在随后的插入休息期间在海马BOLD活动中可被区分。

一项最近的人类研究报告了无MOnGs情况下显著MOGs的存在。与以往聚焦于单一重复序列中MOGs的工作不同，我们采用了多序列伪随机设计，以确保离线行为变化不受为预期试次进行准备规划的混淆，尽管这种设计会引起强烈的前向和逆向干扰，而这众所周知会削弱MSL中的早期MOGs。由于我们设计中的相邻试次涉及不同的、伪随机化的序列，传统的序列内MOGs无法计算。因此，为了明确将我们的度量与标准指标区分开来，我们定义了适应的MOG以捕捉跨插入休息期间的行为动态，无论序列身份如何。我们还引入了TL以评估运动技能的整体获得。

与以往研究不同，我们观察到稳健的MOnGs伴随着负的MOG。这个负的MOG可能反映了在不同运动序列之间伪随机切换固有的转换成本和行为干扰。由于这些因素对MOG造成的不稳定性，很难确定在即时插入休息期间是否真的发生了纯粹的记忆巩固。然而，尽管处于这种高干扰环境中，TL仍显著为正，这是一个引人深思的现象。这表明，在学习过程中可能仍会形成序列无关的表征。不过，由于这些整体提升跨越了练习和插入休息两个阶段，很难将这种序列无关表征的获得完全归因于任一阶段。未来需要设计能够仔细分离在线和离线阶段的研究，以澄清它们对序列无关学习的具体贡献。

练习期间的平均不相似性在辅助运动和顶叶区域中稳健且具有统计学显著性，而在M1/S1区域中则较为稀疏。这些结果与先前的研究一致，后者揭示了感觉运动区域的分层表征，其中辅助运动和顶叶区域处理关于运动序列和动作块的高层次信息，而M1/S1处理关于单个手指运动的低层次信息。因此，M1/S1中观察到的弱不相似性可能归因于第一指按压的效应（在我们实验中四个序列间第一指按压不同），而非整个序列本身。M1/S1也未表现出与学习相关的模式分离变化，其表征由长期自然手使用塑造。

基于海马再激活支持程序性记忆巩固的观点，以及先前关于神经序列表征在学习后变得更加清晰的证据，我们假设大脑在练习过程中通过区分来编码特定序列。我们的结果显示了运动序列的神经表征在在线执行与离线休息之间的分离，为我们的初始假设提供了部分支持。与我们的预测一致，感觉运动区域在主动练习期间表现出稳健的序列特异性活动模式，确认了不同运动记忆被成功编码。然而，与我们的预测（这些特异性模式在离线期间会持续存在）相反，我们并未观察到在插入休息期间感觉运动区域或海马中存在序列特异性可区分性的直接证据。这种插入休息期间序列特异性的缺失可能表明，离线巩固并不依赖于单一序列的简单重放。我们提出两种解释来说明这种序列特异性的缺失。第一，多序列的伪随机呈现造成了高度的情境干扰，使得多种序列的记忆可能在同一次休息期间被再激活，从而模糊了序列特异性模式。考虑到我们高度干扰的设计，仍有可能是海马并非再激活确切的运动序列，而是利用抽象重组来最小化不同运动序列之间的干扰。通过这种抽象重组过程，皮质-海马交互减少了重叠序列间的干扰，甚至将知识从一个序列转移到另一个序列，从而促进学习。这种解释也与Lin等人的研究一致，后者报告在高情境干扰练习条件下辅助运动皮质与海马之间存在更强的功能连接，类似于我们实验中的条件。然而，我们研究中缺乏固定或重复序列的对照条件，无法直接评估其潜在的生物机制。第二，尽管伪随机试次顺序防止了对即将出现序列的确定性规划，但并不能排除概率性规划。参与者可能会为下一个可能的序列进行预期规划。例如，在练习序列A之后，他们可能会认为更可能出现的序列是剩余中的一个（B、C或D），而不是再次出现序列A，这在我们的伪随机顺序下是参与者会做出的合理假设。这种"概率性"规划活动可能会与先前学习序列的记忆再激活信号重叠，降低其在插入休息期间的独特性。

先前的工作表明，在运动序列练习期间形成的神经表征会持续到离线休息期间。

King等人发现，后休息态期间海马和尾状核中的多体素模式反映了运动序列练习期间观察到的模式，这与情景记忆研究发现的海马编码模式在休息期间重现以支持记忆巩固的现象相平行。虽然我们本研究也调查了交替休息期间的离线期，但我们观察到了不同的结果。为了解释缺乏序列特异性再激活这一现象，我们进行了一项探索性分析，将休息态与交替休息进行了比较，结果显示了一种普遍表征结构的持续存在。具体而言，右侧尾状核（与实践手对侧）、双侧感觉运动皮层和顶叶皮层以及右侧后海马的表征几何结构更接近后休息态而非前休息态。鉴于这些发现，我们提出了一个事后解释和假设：在高情境干扰环境下（例如同时学习多个运动序列），海马和感觉运动系统可能会在离线休息期间转向维持一种普遍表征，而非维持各自独立的序列表征。虽然海马通常通过模式分离来保持相似序列的区分，但同时学习多个序列可能需要不同的机制来最小化干扰并稳定新获得的技能。目前，我们的数据主要支持这种普遍状态的存在的存在，而非直接提供抽象表征巩固的证据。总体而言，这些发现表明，在这种特定的多序列设计下，海马和感觉运动系统在离线休息期间维持了一种普遍性的神经模式。然而，同时学习多个序列也可能积极促使海马从这些序列中提取共同特征，这是一种值得探索的可能性。由于我们当前的设计无法明确区分任务引起的干扰与向编码抽象关系结构的功能性转变，这一开放性问题为未来研究探索关于海马和多任务运动学习中海马再激活作用的新假设提供了契机。

**研究局限性**

我们的研究存在若干局限性。首先，我们使用功能性磁共振成像（fMRI）来检验关于多重序列学习（MSL）与海马再激活的假设。已知海马再激活发生在尖波涟漪（SWRs）期间，而尖波涟漪在时间尺度上相对于行为是压缩的。然而，由于fMRI的血氧水平依赖（BOLD）信号时间分辨率较低，不适合直接检测尖波涟漪，因为尖波涟漪发生在再激活的时间窗口内。因此，我们采用了一种朴素的方法，将整个交替休息期作为海马再激活可能发生的时期。这种对再激活时间窗口的朴素选择可能削弱了平均差异性分析的结果。为了克服这一局限性，未来研究应同时记录海马植入电极的电信号与BOLD信号。其次，我们未通过收集学习后保持测试的表现数据来进行脑-行为关联分析。将行为表现与脑活动联系起来对于确立所观察到的神经模式持续存在的功能意义至关重要。这能为我们提供关于运动记忆巩固的宝贵见解。最后，当前的实验设计缺乏一个以固定（重复）顺序学习序列的对照组，因此无法直接评估序列之间的干扰或泛化。此外，操纵情境干扰水平对于确定海马活动在高干扰与低干扰条件下对记忆巩固的不同贡献是必要的。

**资源可用性**

**主要联系人**
有关进一步信息和资源的请求应提交给主要联系人Sungshin Kim（[e-mail]），将由其提供。

**材料可用性**
本研究未产生新的独特试剂。

**数据和代码可用性**
• 支持本研究结果的未处理fMRI、参考T1加权图像和行为数据已存入Zenodo仓库（https://doi.org/10.5281/zenodo.22023537）。根据伦理审批和参与者同意（未授权公开分发），数据处于受限访问状态。共享数据集限于原始25名参与者中的23名，因有2人拒绝同意其数据外部共享。数据访问权限限于有资格的学术研究人员，可通过Zenodo或联系主要联系人申请。
• 自定义Python包boostrsa（基于rsatoolbox构建）可在GitHub上获取：https://github.com/SeojinYoon/boostrsa，并存档于Zenodo，网址为：https://doi.org/10.5281/zenodo.21806632。分析和可视化代码可在GitHub上获取：https://github.com/SeojinYoon/Motorconsolidation，并存档于Zenodo，网址为：https://doi.org/10.5281/zenodo.22060276。
• 重新分析本论文报告数据所需的任何附加信息均可通过合理请求向主要联系人获取。

**致谢**
本研究得到了由韩国政府资助的信息与通信技术规划与评估院（IITP）项目的支持（MSIT，科学技术信息部）（资助编号：RS-2026-25548925），以及由韩国大韩民国保健福祉部通过韩国健康产业振兴院（KHIDI）资助的韩国健康技术研发项目支持（HI19C075300）。

**作者贡献**
S.K.提出了本研究的构想。S.Y.和S.K.设计了实验。S.Y.实施了实验。S.Y.和A.C.进行了形式分析；S.Y.、A.C.和S.K.撰写了手稿。

**利益声明**
作者声明不存在利益冲突。

**手稿准备过程中生成式AI和AI辅助技术的声明**
在准备本工作过程中，作者使用了ChatGPT 4.0和Grammarly进行语法检查以编辑手稿。使用这些工具后，作者根据需要审查和编辑了内容，并对出版物的内容承担全部责任。

**STAR方法**

**关键资源表**

| 试剂或资源 | 来源 | 标识符 |
|---|---|---|
| **存档数据** | 原始和分析数据 | 本文 https://doi.org/10.5281/zenodo.22023537 |
| **软件和算法** | AFNI（功能性神经影像分析）https://afni.nimh.nih.gov/ | RRID: SCR_0052927 |
| | FSL https://www.fmrib.ox.ac.uk/fsl/ | RRID: SCR_022823 |
| | FreeSurfer https://surfer.nmr.mgh.harvard.edu/ | RRID: SCR_001847 |
| | Psychopy https://github.com/psychopy/psychopy | RRID: SCR_006571 |
| | Boostrsa https://github.com/SeojinYoon/boostrsa | https://doi.org/10.5281/zenodo.21806632 |
| | surfAnalysisPy https://github.com/DiedrichsenLab/surfAnalysisPy | N/A |
| | MotorConsolidation https://github.com/SeojinYoon/MotorConsolidation | https://doi.org/10.5281/zenodo.22060276 |
| **其他** | MRI 3T Siemens Prisma，配备64通道头线圈 | N/A |
| | 8按钮双手动 Cambridge Research Systems | N/A |

在新标签页中打开表格

**实验模型和研究参与者细节**

**参与者**
二十五名神经功能健康且右利手的被试（8名女性；年龄：均值 ± 标准差 = 25.3 ± 3.2岁，19–35岁）参与了本研究。他们提供了书面知情同意，并获得了参与报酬。本研究方案获得了韩国大韩民国首尔弘益大学机构审查委员会的批准（IRB编号：2018–05-003–032），所有研究方法均按照赫尔辛基宣言执行。

**方法细节**

**实验设计**
参与者被指示用非惯用的左手手指按压四个按钮，按照视觉呈现的序列尽可能快且准确地完成。右惯用手比非惯用的左手更容易达到更快的天花板效应，通过使用非惯用手，我们可以关注更长的学习活动，从而在表现达到平台期之前观察到快速的巩固过程。如果在序列执行过程中发生错误，参与者被指示从发生错误的元素处恢复或从头开始重新执行序列。当参与者完成一个序列时，序列数字下方会出现一个星号以激励他们提高表现。我们 also 指示他们尽可能多地获得星号。为确保参与者理解指示，他们在实验前在MRI扫描仪外进行了1-2-3-4-1的行为测试。我们确认他们按照序列多次按压按钮，并在休息期间停止按压。整个fMRI实验由两个休息态扫描运行组成，分别在四个运动序列学习任务运行之前和之后（图1A）。运动序列学习任务由四个运行组成，每个运行包含24次试验（共96次试验），总时长约50分钟。每次试验中，四个8元素序列（1-4-2-3-1-2-4-3、2-1-3-4-2-3-1-4、3-4-2-1-3-2-4-1、4-1-3-2-4-3-1-2，1代表小指，4代表食指）中的一个以10秒的时间呈现，随后是20秒的休息期，屏幕中央显示固定十字。我们有意选择了较长的刺激间期（ISI），以确保休息期间有足够的时间进行模式再激活，从而让我们能够调查模式再激活是否在该时间范围内发生。此外，这一选择也有助于更可靠地估计休息期间的活动模式，同时减少来自前一个练习期的延迟血流动力学响应的影响。重要的是，慢速块设计会减少神经表征相似性分析中的伪影。四个不同的序列以伪随机顺序在任务块中呈现，因此四个序列在连续的四次试验中全部呈现（图1A）。

**MRI采集**
我们在成均馆大学神经科学成像研究中心（CNIR）使用3T MRI扫描仪采集fMRI图像数据，配备64通道头线圈。使用耳塞和泡沫垫减少fMRI噪声和参与者头部运动。四个运行的功能扫描使用回波平面成像（EPI）序列采集，规格如下：重复时间（TR）= 2000毫秒；体素大小 = 2.0 × 2.0 × 2.0毫米；回波时间（TE）= 30毫秒；视野（FOV）= 200毫米；翻转角度（FA）= 90°；切片厚度 = 2.0毫米；矩阵 = 96 × 114 × 96个体素；时间步数 = 363。在每个功能运行之后，采集两个具有相反相位方向（后向前）的EPI图像用于畸变校正。为获取解剖参考，使用磁化准备快速梯度回波采集（MPRAGE）序列进行全脑T1加权解剖扫描，参数如下：TR = 2300毫秒；体素大小 = 1.0 × 1.0 × 1.0毫米；TE = 2.28毫秒；FOV = 256毫米；FA = 8°；切片厚度 = 1.00毫米；矩阵 = 193 × 229 × 193个体素。

**fMRI数据预处理**
T1和fMRI数据按照功能性神经影像分析（AFNI）软件建议的标准流程进行预处理。T1图像和功能性回波平面图像（EPI）数据使用AFNI的"Dimon"函数转换为体积数据，并使用AFNI的"3dWarp"将斜切面重新对齐为标准方向。使用AFNI的"3dUnifize"校正T1图像中由磁场偏差引起的不均匀性，并使用"3dSkullStrip"去除颅骨。使用AFNI的"@auto_tlrc"函数将每位参与者的脑部转换为标准蒙特利尔神经研究所（MNI）模板。对于功能数据，使用AFNI的"3dDespike"去除峰值以减少异常值的影响。然后使用AFNI的"3dTshift"进行时间校正，以最小化每个切片之间的时间差异。使用仿射变换通过AFNI的"3dAllineate"调整与运动相关的伪影。所有EPI数据的分辨率均为2.0 × 2.0 × 2.0毫米。对于两个休息态功能扫描（学习前和学习后），我们进行了额外的预处理。预处理步骤中计算的对齐参数用于计算逐帧位移（FD）。如果任何体积n的FD超过0.4毫米，则从分析中移除体积n和n?1。学习前和学习后休息态扫描中被排除的时间步百分比分别为0.74（SD = 1.65）和1.03（SD = 1.89）。

为了界定脑脊液（CSF）、白质（WM）和灰质（GM），我们在预处理后使用每位被试的高分辨率T1加权扫描。使用FMRIB自动分割工具（FSL FAST）的分割工具生成部分体积图。CSF和WM掩膜设置为仅包含部分体积图中概率为1的体素。这确保了仅使用属于这些组织的体素来计算AFNI"3dpc"的主成分。主成分是在预处理、审查、去趋势和高通滤波后的数据上计算的，以防止这些步骤对主成分产生任何影响。此外，在计算主成分之前，对CSF和WM的fMRI数据进行了Z分数标准化。伪回归量包括CSF和WM的前三个主成分、六个刚体变换及其一阶导数，共计12个运动回归量。此外，应用了去趋势和0.08 Hz截止频率的高通滤波，并整合到回归分析中。滤波使用正弦和余弦基函数进行，以尽量减少审查带来的伪影。

**量化和统计分析**

**用于模式分析的激活图**
为计算每个序列的BOLD激活水平，对练习期和休息期分别进行了GLM分析。在同一GLM中编码两个时期的两个回归量可能由于回归量与血流动力学响应卷积后的重叠而引起多重共线性问题。因此，为了解决这个问题，对练习期和休息期分别进行了GLM分析。

练习期的一般线性模型（GLM）包含四个分别编码不同序列的回归变量，以及非关注的回归变量，其中包括与头部运动相关的六个回归变量以及用于建模fMRI信号漂移的三阶多项式。休息期的GLM设计与练习期类似，不同之处在于包含四个分别编码运动序列练习后不同休息期的回归变量。GLM分析对每次fMRI扫描分别进行，共产生八张激活图：练习期四张，休息期四张。

ROI选取

为了从运动前皮层到顶叶小叶进行剖面ROI分析，我们定义了一个对角线方向的虚拟条带，以最大限度地减少SPL（顶叶后小叶）和IPL（顶叶内小叶）之间的重叠。该虚拟条带沿条带方向被等分为30个长度相等的矩形区域，在FreeSurfer模板表面上固定高度为20个单位，每个半球约包含32,000个顶点。每个矩形的顶点数因其在表面的位置而异，平均为68个顶点（标准差 = 9.13；范围 = 51–86；图S3）。

对于性能剖面分析，我们根据Fan图谱中预定义的海马体ROI，沿每个半球的y轴方向将其划分为20个切片（图S2）。对于每个切片，我们评估了体素覆盖情况与各被试全脑掩膜的关系，仅保留掩膜内包含至少10个体素的切片。该步骤在海马体左侧产生20个切片，在右侧产生19个切片。

为了定义被试特定的海马体和尾状核（壳核）ROI，我们使用FMRIB综合配准分割工具箱（FSL FIRST）对每个被试的预处理T1加权扫描进行处理。该方法产生了四个ROI的体积分割：左海马、右海马、左壳核和右壳核。为进一步优化这些ROI，我们仅保留属于灰质（GM）概率大于10%的体素。最终，左侧海马体ROI平均包含596个体素（标准差 = 82；范围：394–744），右侧海马体为620个体素（标准差 = 81；范围：465–753），左侧壳核为799个体素（标准差 = 81；范围：688–1019），右侧壳核为800个体素（标准差 = 81；范围：634–981）。

表征模式分析

为了确定感觉运动区域中运动序列的表征，我们采用了一种搜索光方法进行的表征模式分析。我们在脑掩膜内定义了半径为6毫米的球形ROI（搜索光），覆盖整个大脑（以中心点为参考，包含最近的93个体素，体积为744 mm3）。对于每个搜索光，我们通过计算练习期或休息期内与四个序列相关的激活图对之间的多元距离，构建表征不相似矩阵（RDM），从而得到一个8 × 8的RDM。对于距离度量，我们选择了交叉验证的Mahalanobis距离，由于交叉验证和多元噪声归一化，该距离是无偏且可靠的。多元噪声归一化对来自练习和交替休息条件的每个激活图分别进行，通过从GLM拟合残差中估计协方差矩阵，并使用Ledoit-Wolf最优收缩对其进行正则化。

利用这些RDM，我们衍生出两个关键指标。第一，平均不相似度通过对每个时期（练习或休息）内所有序列对之间的两两不相似度取平均来计算。第二，为了量化再激活指数，我们比较了练习期和交替休息期的活动模式。虽然如果再激活发生，相同序列的不相似度预计会降低，但练习期和交替休息期之间整体脑状态的差异会使这些值膨胀。为此，我们建立了一个基线，定义为练习期和休息期不同序列对之间的平均不相似度。再激活指数随后定义为相同序列不相似度与该基线之间的负差值，从而将序列特异性再激活与整体状态依赖性效应分离开来（图S2）。

对于感觉运动区域的剖面ROI分析（图2），我们首先使用surfAnalysisPy工具箱（https://github.com/DiedrichsenLab/surfAnalysisPy）将体积平均不相似度图转换为表面平均不相似度图。对于每个矩形，我们对顶点取平均值，并通过25名被试进行双侧t检验来评估平均不相似度的统计显著性，以确定平均不相似度是否显著大于零。

多体素相关结构（MVCS）分析

为了评估MSL如何影响海马和壳核中体素之间在更长时间尺度上的相关结构，我们将学习前的静息态（pre-RS）和学习后的静息态（post-RS）的多体素模式与基于任务的功能扫描进行了比较。为了最小化处理引入的偏差，我们对基于任务的扫描应用了与静息态功能扫描相同的去噪策略。这些策略包括截止频率为0.008 Hz的高通滤波、去趋势处理、scrubbing（剔除运动过度体素）、以及混杂回归（运动参数、一阶导数、脑脊液和白质的前三主成分）。对于基于任务的扫描，第一、第二、第三和第四次扫描中被排除的体素比例分别为2.86%（标准差 = 6.32）、3.83%（标准差 = 8.37）、4.88%（标准差 = 10.58）和4.13%（标准差 = 6.71）。为了保留空间信息并避免在不同条件间逐体素矩阵比较时受到相邻区域的污染，我们没有进行空间平滑处理。

为确保模式估计不受任务练习与交替休息之间时间邻近性的污染，我们创建了两个独立的GLM来估计正交的神经模式。对于任务练习模式，我们通过四个专用回归变量（每个对应后续的一个序列）显式建模去除交替休息期，以确保残差仅反映任务活动。对于交替休息模式，我们将四个任务序列作为混杂回归变量建模去除，确保只有交替休息期对残差模式有贡献。这些正交GLM的残差时间序列用于计算MVCS矩阵，使用与先前研究相同的方法。

MVCS分析针对每个ROI和每个关注的功能扫描（pre-RS和post-RS以及MSL任务扫描）分别进行。对于每个静息态扫描，MVCS通过计算ROI内每个体素时间序列之间的Pearson相关性来求得，从而得到一个逐体素相关矩阵。对于MSL任务扫描，采用两步法来跨四次扫描聚合数据。首先，对每个体素的BOLD时间序列在每次扫描内进行z分数标准化，然后将四次扫描的数据拼接以计算单一的MVCS矩阵。为了评估模式持续性，我们计算了经过Fisher z变换的任务MVCS矩阵上三角与静息态MVCS矩阵（pre-RS和post-RS）上三角之间的相似性（Pearson相关）。按照此流程，对于每个被试和每个ROI，所得的相似性值进行了z分数标准化以便于统计分析。配对双侧t检验用于比较pre-RS与MSL任务扫描之间的相似性值，以及post-RS与MSL任务扫描之间的相似性值。为处理多个ROI，对四个ROI应用了错误发现率（FDR）校正。

为了确定神经模式变化的动态特征，使用线性混合效应模型以如下形式预测交替休息与学习前/后静息态之间的相似性值：

Similarity ~ Run * Condition + (1 | Participant)

其中Run代表扫描次数（1–4），Condition对应交替休息与学习前静息态的比较（Pre）或交替休息与学习后静息态的比较（Post），(1|Participant)反映分配给每个被试的随机截距。除基于ROI的分析外，我们还进行了探索性的全脑搜索光分析，以识别可能在较广泛的ROI水平上无法检测到的局部化模式。我们实施半径为6毫米的球形搜索光，包含以中心为参考的最近93个体素（744 mm2）。每个球体内的所有体素必须落在全脑掩膜内。对于每个球形ROI，我们应用了如前所述的MVCS方法，生成两张z分数标准化的相似性图：一张表示pre-RS与MSL任务之间的相似性，另一张表示post-RS与MSL任务之间的相似性。我们首先检查感觉运动区域的结果图，然后检查海马和壳核。在感觉运动区域，我们使用与前述相同的矩形ROI剖面方法来比较pre-RS和post-RS的相似性值。具体来说，我们在每个矩形ROI内对相似性值取平均，然后对25名被试进行配对t检验，以评估与pre-RS期相比，交替休息模式在post-RS期的持续性（p < 0.05）。鉴于我们关于海马在运动记忆巩固中作用的强烈先验假设，我们在解剖学定义的双侧海马掩膜内应用了小体积校正。对于基于簇的多重比较校正，我们使用蒙特卡洛模拟（AFNI的"3dttest++"配合"-Clustsim"选项），体素水平阈值为p < 0.001。根据模拟结果，在p < 0.01（簇校正）水平上达到显著性的最小簇大小为18个体素（144 mm3），可通过面、边或角连接。

为了确保观察到的交替休息期与post-RS之间模式相似性的增加是由学习特异性巩固而非非特异性时间邻近性（即全局信号漂移导致时间上邻近的时间点表现出更高相关性）驱动的，我们进行了全脑对照分析。我们使用Brainnetome图谱（Fan图谱）将大脑分割为280个感兴趣区域（ROIs）。在应用被试特定的灰质掩膜后，体素覆盖不足的ROI（<10个体素）被排除。如果任何一个被试对某个特定ROI的体素数量不足，我们将从所有被试中移除该ROI，最终得到270个有效ROI。对每个区域，计算了采集模式与pre-和post-RS之间的MVCS相似性。这使我们能够确定模式持续性（post-RS > Pre-RS）是局限于运动网络的空问特异性效应，还是影响无关对照区域的局域性混杂因素。

性能测量

为了量化运动技能习得，通过正确序列输入速度来测量性能，单位为序列/秒（seq/s）。数据处理仅限于完全正确的序列完成（8次连续正确按键），所有包含错误的尝试均被排除在分析之外。对于每个成功完成的序列，计算7个按键间时间间隔（ITI）。该序列的性能定义为其估计总时长的倒数，总时长通过平均ITI乘以7计算得出。每个被试每次试验的性能通过对该次试验内所有成功完成序列的seq/s值取平均来计算（图S1）。每个块的块性能通过对给定块内呈现的四个不同序列的正确序列速度取平均获得。

采用双因素重复测量方差分析（ANOVA）来考察两个目标。首先，我们通过分析跨块速度性能的变化，评估被试是否正确学会了执行四个不同序列。其次，我们研究了四个序列之间速度性能是否存在显著差异。因素包括块（从第一块到最后一块，共24个）和四个不同序列，以速度性能为因变量。块和序列均为被试内因素，并检验了两者之间的交互作用。应用Greenhouse-Geisher校正来调整重复测量设计中可能违反球形假设的情况。

学习阶段对应于性能快速改善的时期。在此定义为从第一个块的第一次试验到截止块的最后一次试验的试验集合。与先前研究类似，我们通过拟合如下形式的指数模型来确定每个被试的截止块：

L(b) = C1 + C2·(1 - e^(-λb))

其中b代表块编号，C1代表训练前的性能，C2控制渐近线（C1 + C2），λ控制学习速率。截止块被定义为每个被试单独计算的学习达到95%的第一个块。平均而言，截止块为第15块（标准差 = 5.74，范围：4–22）。

个体性能改善通过计算微在线增益（MOnG）、序列间的微离线增益（MOGA）和序列间的总学习量（TLas）来评估。MOnG被定义为一次试验中第一次和最后一次正确完成序列之间的性能（seq/s）差异。

关于离线增益，MOGas被定义为实践期最后一次正确序列完成与后续时期第一次正确序列完成之间的表现差异。TLas被定义为实践期第一次正确序列完成与后续时期第一次正确序列完成之间的表现差异。MOGas和TLas均不论序列条件进行计算。为确保数据质量，我们对每位参与者的数据进行了严格筛选，仅纳入相应序列被正确完成的试验。这使得MOnG的平均排除率为10%（SD = 7.00，范围：2.63–29.76），MOGas的平均排除率为10%（SD = 5.75，范围：2.67–25.37），TLas的平均排除率为14%（SD = 7.86，范围：4.00–34.33）。在计算每个试验的MOnG和MOGas后，我们将结果平均至渐近块，以防止表现平稳期对增益估计的稀释。此外，尽管原则上可以在相同序列连续出现时计算序列内微离线增益（MOGws），但此类实例的数量有限。参与者之间，连续相同序列试验的平均数量为5.12（SD = 1.86，范围 = 2–8），且25名参与者中仅有9名参与者对所有四个序列均表现出有效的连续出现。此外，每个序列连续重复的次数也很少（范围 = 1–3），Seq1的平均连续出现次数为1.77（SD = 0.91），Seq2为1.66（SD = 0.99），Seq3为1.77（SD = 0.41），Seq4为1.33（SD = 0.47）。鉴于序列内重复次数有限，数据集不足以可靠地估计真实的MOG，因此未进行这些分析。统计分析使用Python（3.10.19版）和AFNI的3dttest++（25.2.05版）进行。所有统计分析的细节，包括所使用的具体检验（例如，双因素重复测量方差分析、双侧t检验和线性混合效应模型），均可在结果部分、图表和图表说明中找到。所有分析的精确n值均为25，代表参与者人数。全文中，"center"定义为均值，离散度度量以标准误（SEM）表示行为数据，以标准差（SD）表示人口统计数据、体素数量和体积数量。补充信息（1）PDF（1.39 MB）文件S1。图S1–S7和表S1