靶向神经元刺激通过星形胶质细胞相互作用调节工作记忆：来自尖峰神经元 - 星形胶质细胞模型的洞察

《iScience》：Targeted neuronal stimulation modulates working memory via astrocytic interactions: Insights from a spiking neuron-astrocyte model

　　

要点：
• 神经元-胶质细胞相互作用的时间层级管理着工作记忆（WM）
• 靶向神经元刺激通过星形胶质细胞钙动态调控工作记忆
• 通过时空刺激可实现工作记忆的增强、干扰和增益

摘要
脑刺激为认知增强提供了有前景的途径，但传统范式往往忽视星形胶质细胞的主动作用，并将刺激视为全或无的干预手段，而未考虑空间信息或时间动态之间的竞争。我们提出一种脉冲神经元-星形胶质细胞网络模型，并整合二维记录和刺激阵列，以研究靶向神经元刺激如何通过神经胶质相互作用调控工作记忆（WM）。工作记忆依赖于一个时间层级：快速神经元放电、突触谷氨酸释放以及缓慢的星形胶质细胞钙信号传导。在三个实验中，我们证明：（1）靶向兴奋性刺激通过重新激活星形胶质细胞钙动态来恢复突触受损网络的工作记忆；（2）抑制性刺激通过阻断必要的神经胶质反馈环路来破坏工作记忆维持；（3）在样本阶段的兴奋性刺激可增强新颖模式的工作记忆编码。我们的研究强调了刺激方案中时空精确性的重要性，并确立星形胶质细胞作为关键介导者，为仿生记忆系统提供了新框架。

图形摘要

引言
工作记忆（WM）是我们保持和处理信息的动态工作空间，支撑着我们的意识，并指导着我们做出的每一个决策。当这种能力下降时——如阿尔茨海默病中所示——个体在基本认知任务中面临困难，从遵循简单指令到维持有条理的思想过程。近期神经刺激技术的进步开辟了新的治疗干预途径。然而，许多研究采用了一刀切的方法，将刺激视为二元工具——在特定区域内开启或关闭——而未考虑关键因素，如空间特异性、时间模式以及神经元与星形胶质细胞之间的复杂相互作用。这种过度简化可能解释了为什么刺激效果在个体间差异巨大，有时甚至会产生悖论性结果。相比之下，我们的研究专门考虑了这些维度，同时在脉冲神经元-星形胶质细胞网络（SNAN）中探索星形胶质细胞在WM任务中的动态作用，阐明其中起作用的潜在机制。

细胞交响乐的核心是星形胶质细胞，它们长期被其神经元对应者所掩盖，但正日益被认为是脑功能的精密调节者。这些星形细胞与神经元建立突触三重体，并通过钙信号传导、神经递质调节和代谢支持积极参与信息处理。然而，在体内研究星形胶质细胞群体面临独特挑战。虽然我们可以通过膜片钳等技术轻松探查单个细胞，但捕获活体中星形胶质细胞网络的动态行为仍然难以捉摸。细胞水平与网络水平理解之间的这一差距阻碍了靶向治疗策略的发展。

脑刺激方法包括非侵入性技术，如经颅直流电刺激，它可能通过靶向背外侧前额叶皮层等特定区域来增强WM，以及侵入性方法如脑深部刺激（DBS），后者通过增加海马活动和连接性对改善阿尔茨海默病患者的记忆力具有意义。根据上下文、状态和方法的不同，刺激可能产生兴奋性或抑制性影响。选择性神经元刺激技术包括频率调制和电流操控。在星形胶质细胞中，主要刺激方法包括用于受体特异性药理学激活的DREADDs和用于时间精确的光控驱动的光遗传学。尽管取得了这些进展，实现对组合神经活动的精确时空控制仍然是一个挑战，因此限制了研究只能使用简化的刺激方案。

先前的研究表明，在海马中刺激星形胶质细胞足以诱导突触增强，增强记忆分配，并改善超越单纯神经元刺激所能达到的认知表现。这些发现强调了将星形胶质细胞纳入计算模型以理解刺激对认知过程影响的重要性。在此基础上，我们的研究深入探讨星形胶质细胞在脑功能中的作用，展示了如何通过对神经元进行精确计时和空间模式刺激来调控星形胶质细胞活动，从而增强或破坏神经元动态和工作记忆表现。这种方法突出了快速/缓慢神经元和星形胶质细胞活动的时间层级，以及刺激时机和模式与细胞相互作用的关键互作，以实现记忆操控的刺激方案。

一些先前的计算模型利用刺激来研究内侧隔刺激对海马神经元振荡的影响，或开发多区域计算理论。然而，许多这些模型采用简化的刺激方案，且往往忽视星形胶质细胞的动态贡献和局部脑网络的空间复杂性，这主要是由于在实现精细时空控制方面存在技术限制。鉴于信号处理已确立依赖于皮层微回路中的神经元-星形胶质细胞相互作用，这一疏忽尤为显著。特别是，星形胶质细胞介导的非突触通讯具有柱状和层特异性。重要的是，近期电极技术的进步正在弥补这一差距，使得能够以高信噪比进行同时记录和刺激。此外，与可能产生更广泛系统性影响的药理学干预相比，电刺激在空间精确性方面具有优势。鉴于这些技术能力，将空间精确性纳入计算模型已不再仅仅是一种可能性，而是迈向开发更准确、更具洞察力的神经回路表征以设计靶向治疗干预的关键一步。

在本研究中，我们在一个由71×71个兴奋性神经元、35×35个抑制性神经元、70×70个星形胶质细胞以及超过28.8万条突触组成的SNAN中，研究神经元刺激对WM表现的影响。该模型纳入了几乎1:1.1的星形胶质细胞与神经元比例，反映了参与WM的前额叶皮层等区域的组成。此外，突触连接遵循受生物启发的距离依赖性规则，促进局部聚类，这是皮层组织的标志。通过兴奋性和抑制性刺激，我们进行了三个实验，分别旨在增强、干扰和增益WM。我们的发现突出了变量时间层级的关键作用，以及二维空间结构内重叠区域信息的重要性。以基于阈值的方式运行，该层级控制信息的保留。星形胶质细胞被证明是这些过程的关键贡献者，强调了它们在WM动态中的关键作用。为了促进研究，我们使用8×8的记录电极阵列和4×4的刺激阵列，每个阵列对兴奋性和抑制性神经元具有不同的敏感性。兴奋性和抑制性神经元、星形胶质细胞与电极阵列的空间对齐确保了二维结构，使得能够在机制性和探索性框架下分析网络成分与刺激效果之间的相互作用。据我们所知，这是首篇讨论通过靶向神经元刺激来操控WM并提出星形胶质细胞作为核心调节者的研究论文，同时利用了神经元、突触和星形胶质细胞动态的不同时间常数。

在实验1中，我们通过施加离线刺激方案来研究兴奋性刺激如何影响突触受损网络中的WM，其中刺激在第一个测试阶段之后给予，以调控信息的巩固。通过评估记录的数据，我们估计了一个表现不佳区域的地图，并自动激活附近的刺激电极。这种靶向刺激通过改善星形胶质细胞钙动态和恢复神经元活动来增强WM表现，共同减轻了突触损伤的影响。在实验2中，我们使用在线刺激方案检查抑制性神经元刺激对健康网络中WM的影响，其中刺激与任务同时施加。实时采样和评估记录数据使我们能够选择性地破坏特定模式，损害星形胶质细胞中钙波的编码，并损害WM表现。这突出了抑制性调节平衡在认知过程中的关键作用。实验3在样本（训练）阶段采用在线刺激方案来增益WM编码。通过利用共享网络区域作为锚定点，并利用星形胶质细胞的延迟反应，我们引入新信息并实现对新颖模式在测试中的改进回忆准确性。这种方法展示了精确的空间和时间调控策略。此外，所提出的模型也具有作为新兴生物变换器中记忆缓冲器的应用潜力，这些变换器利用神经元-星形胶质细胞网络。

结果
网络架构
SNAN模型具有四个不同的神经元和星形胶质细胞层，均匀排列在二维空间中。兴奋性网络最大且最密集，直接连接到71×71输入层，而较稀疏的抑制性（35×35）和星形胶质细胞（70×70）层镜像兴奋性空间模式（图1A）。突触连接遵循受生物启发的距离依赖性规则，产生局部聚类，其中兴奋性神经元连接到40个附近的兴奋性神经元和10个抑制性神经元，抑制性神经元仅连接到30个兴奋性神经元。每个星形胶质细胞通过释放胶质递质与重叠的2×2区块中的兴奋性神经元相互作用，并通过缝隙连接与其他星形胶质细胞互连。此外，两个电极阵列（4×4刺激、8×8记录）与兴奋性层对齐，电极敏感性由指数衰减函数建模以捕获空间差异。

图1 脉冲神经元-星形胶质细胞网络架构和电极敏感性地图
显示完整标题
图形查看器
（A）网络由与兴奋性神经网络（71×71神经元）一对一直连的输入层组成。抑制性神经网络有35×35个神经元。星形胶质细胞网络有70×70个单元。
（B）每个星形胶质细胞与2×2区块的兴奋性神经元相互作用，相邻星形胶质细胞表现出重叠的神经元交互区域。
（C）兴奋性-抑制性突触连接是距离依赖性的。示例展示了两个神经元的连接。
（D）刺激和记录电极的空间排列和敏感性确保对整个神经元-星形胶质细胞网络的全面覆盖。

我们的模型的记忆机制不依赖于突触权重的永久性改变。与突触结构重连不同，我们的模型依赖于瞬时的、活动依赖的功能连接变化，这是WM的标志。星形胶质细胞的胶质递质释放动态缩放局部突触权重（公式9，gWM因子），有效地为记忆期间预激发局部功能子网络，其中编码和回忆由谷氨酸和钙水平跨越特定阈值来管理。对于记忆编码（"记住"条件），如果星形胶质细胞通过其四个交互神经元绑定的累积谷氨酸量超过阈值，则向星形胶质细胞注入固定幅度的电流（公式16和17）。这种注入导致细胞内肌醇三磷酸（IP3）水平升高（公式18），随后触发细胞内钙离子浓度增加（公式20）。这种升高的钙状态作为输入模式的临时瞬态表示，通过星形胶质细胞内钙浓度的缓慢衰减而持续存在。对于"回忆"条件，星形胶质细胞应超过钙阈值和谷氨酸阈值（后者低于记住阈值）才能触发与WM相关的整细胞活动（公式30、31、32、33和34）。WM回忆特征的延长神经元放电仅在此星形胶质细胞钙信号仍存在时新输入模式到达时触发。由于这种短期记忆固有的时间有限性——星形胶质细胞钙的衰减和突触谷氨酸的清除确保旧模式的信息在数秒内自然消退——网络避免了灾难性干扰。这为回忆创造了有限的时间窗口，有效地"重置"了网络编码新信息的能力，并防止旧模式的干扰，与生物WM已知的容量和持续时间限制一致。

实验1：通过兴奋性刺激增强突触受损网络中的工作记忆
在本实验中，我们证明刺激受损区域的兴奋性神经元通过激活星形胶质细胞改善WM表现。星形胶质细胞在此过程中起关键作用，因为其缓慢的钙上升时间和相关活动与延迟匹配样本（DMS）WM范式中的延迟期相关。DMS任务在样本阶段和测试阶段之间涉及短暂的间隔，在此期间星形胶质细胞将信息存储为内部钙波。

我们的仿真设置包括一个样本阶段后跟两个测试阶段。记录数据的评估和刺激事件发生在两个测试阶段（测试1和测试2）之间，在3.2秒的时间戳处（图2A）。当第一个输入模式施加到网络时，通过时间层级发生多种机制，其中最快的是神经元活动（图3A和3B）。兴奋性和抑制性神经元均开始按照二维输入模式的形状放电，导致突触激活并触发神经递质释放（图4A）。

谷氨酸等神经递质对相邻星形胶质细胞的影响，只有在其积累到足够数量后才能实现；因此，该过程的速度比神经元活动慢（图3C）。由足够谷氨酸积累所产生的神经元-星形胶质细胞电流（JGlu），与尖峰活动相比表现出延迟激活（对比图3A和3B与图3C）。一旦释放的谷氨酸达到适当浓度（在图4B中以红色标识），它便会增加星形胶质细胞内的IP3水平，进而提高其Ca2+浓度。然而，该过程比谷氨酸积累更慢，原因在于涉及了额外的机制以及星形胶质细胞相较于神经元和突触的动态速度更慢（公式16、17、18、19、20、21、22、23、24、25、26、27、28和29）。钙离子分布图（图4C）和视频S1显示，星形胶质细胞的钙响应经历了比JGlu激活更长的延迟，使其成为WM机制时间层级中最慢的动态过程。重要的是，这些较慢的机制不仅表现出延迟触发，而且需要更长的持续时间才能实现完全效应。对于星形胶质细胞而言，要参与WM的整体细胞活动，其细胞内Ca2+水平必须超过一个定义阈值（在图4C中以红色高亮显示），且与星形胶质细胞结合的谷氨酸量必须高于特定阈值（在图4A中以不同颜色标识）。

图2 兴奋性刺激对受损网络工作记忆表现的影响（实验1）

(A) 样本阶段始于0.05秒（每个模式：0.22秒，间隔0.3秒）。测试1始于1.6秒，测试2始于4秒（每个模式：0.2秒，间隔0.4秒）。根据需要，刺激于3.2秒时施加0.4秒。

(B) 椭圆形状的损伤模式降低了网络功能，损伤强度从80%（顶部）到60%（底部）。

(C) 施加的损伤显著影响每个输入模式。

(D) 基于记录电极由Enhance算法检测到的表现不佳区域。数值代表每个输入图像中被标记的次数。

(E) Enhance算法成功地将刺激电极引导至被输入模式和损伤模式共同激活的区域。

(F) 样本阶段的神经元-星形胶质细胞电流。0.27秒、0.57秒、0.87秒和1.17秒的快照（模式"5"、"P"、"H"和"9"）显示损伤区域的电流不完整，导致钙编码不佳（见H）。该电流需要强烈的谷氨酸释放（公式17）。

(G) 模式"5"、"P"、"H"和"9"的放电频率在测试1中测量（1.6–1.88秒、2–2.28秒、2.4–2.68秒、2.8–3.08秒），并在测试2中以间隔偏移至4–4.28秒、4.4–4.68秒、4.8–5.08秒和5.2–5.48秒重复测量。在受损网络中，测试1的放电频率相比测试2降低，由于刺激作用差异为100–300 Hz。

(H) 刺激后损伤区域的钙水平恢复（快照：1.5、3、3.95和5.47秒）。注意，"刺激后"一词仅指刺激之后的"时间"，在健康条件下没有施加刺激。

(I) 在健康条件下，相似度指数在两个测试阶段保持一致，且在受损网络中得到改善。

图3 实验1中关键模型变量在健康状态和受损状态下的活动图

随时间变化的活动图，展示了兴奋性神经元电压（A）、抑制性神经元电压（B）、神经元到星形胶质细胞电流（C）以及星形胶质细胞到神经元电流（D），比较健康状态（左）与受损状态（右），其中受损区域由灰色带高亮显示。在两个测试阶段之间的3.2秒施加的刺激增强了所有变量的表现，如测试1到测试2的改善所证实。

图4 兴奋性刺激对实验1中受损网络谷氨酸和钙动态的影响

(A) 与星形胶质细胞结合的谷氨酸随时间变化。

(B) 在测试2期间，刺激显著增加了与星形胶质细胞结合的谷氨酸，与测试1相比。

(C) 星形胶质细胞内细胞钙浓度随时间变化。颜色变化表示超过了[????2+]Thr(WM)。

(D) 测试阶段之间的刺激导致损伤区域钙水平升高。注意(C)和(D)的颜色图不同，以便更好地可视化。

视频（16.56 MB）视频S1：所有实验的模拟

在健康条件下，在样本阶段，兴奋性神经元放电导致突触释放足够的谷氨酸，从而相对于输入模式在二维空间中形成适当的神经元-星形胶质细胞电流（图2F），这继而导致样本阶段之后星形胶质细胞中的信息正确编码（图2H）。在测试阶段，当足够的谷氨酸与那些具有适当细胞内Ca2+水平的星形胶质细胞结合时，便启动了星形胶质细胞的整体细胞活动（图3D），导致输入电流结束后神经元放电延长（图3A）。此外，在健康网络中，星形胶质细胞内的钙动态和神经元放电在整个样本阶段和测试1阶段保持稳定，导致Enhance算法不进行刺激，这在图3A的尖峰图和视频S1中显而易见。这导致测试1和测试2阶段的模拟结果相同，包括神经元放电频率（图2G）、与星形胶质细胞结合的谷氨酸（图4B）以及相似度指数（图2I）。相似度指数是一种类似相关性的度量指标，通过评估每个输入模式的记录电极数据来计算。为每个输入模式生成参考掩膜，以表示记录电极中最活跃的区域。然后将记录数据与这些参考掩膜进行比较，为每个模式生成唯一的相似度指数。

突触功能障碍可促进神经发育和神经退行性疾病。我们通过操纵特定网络区域的突触强度和谷氨酸及胶质递质动态效率来模拟突触损伤（公式9、10、11和15）（图2B）。突触损伤破坏了神经元通信，降低了神经元放电频率，并减少了突触释放的谷氨酸量，从而损害WM表现。在样本阶段，星形胶质细胞内以钙波形式进行准确信息编码需要高谷氨酸浓度。然而，在损伤区域中无法满足此要求，导致不准确的神经元-星形胶质细胞电流（图2F），进而导致样本阶段后星形胶质细胞内细胞Ca2+的信息编码不准确（图2H）。有效回忆需要神经元释放适度谷氨酸以及星形胶质细胞内足够的钙水平，以触发星形胶质细胞整体细胞活动来支持WM功能。在测试1中，突触损伤导致神经元放电频率降低（图2G、3A和3B）和谷氨酸释放减少（图4A和4B）。尽管一些损伤区域表现出足够的谷氨酸释放以潜在激活星形胶质细胞整体细胞活动，但由于样本阶段编码不准确（图2F）导致的星形胶质细胞钙水平不足，阻碍了有效的WM功能。这导致星形胶质细胞整体细胞活动（图3D）、神经元放电频率（图2G、3A和3B）、谷氨酸释放（图4A和4B）以及测试1阶段的相似度指数（图2I）降低。模型表现的这种降低被Enhance算法检测到，触发相应刺激电极的激活（图2E）。Enhance算法从记录的尖峰活动中检测WM表现的不一致性。鉴于输入模式的时序，算法分析样本阶段和测试1阶段的记录数据来构建表现不佳区域图，随后激活这些区域附近的刺激电极。此分析在测试1之后、3.2秒标记处进行。在此之前，系统记录数据。在3.2秒时间戳，Enhance算法接收记录的数据和输入模式的时序作为输入，如果检测到表现不佳的区域则启动刺激并持续400毫秒。通过比较损伤模式（图2B）与从记录数据构建的表现不佳区域图（图2D），可以明显看出Enhance算法有效检测到了样本阶段和测试1阶段被输入模式激活的大部分损伤区域。

在测试1和测试2阶段之间对表现不佳区域的刺激导致强烈的谷氨酸释放，即使在受损区域也是如此，这提高了这些区域的星形胶质细胞钙水平。在测试2阶段，由刺激建立的足够星形胶质细胞钙与回忆所需的较低谷氨酸要求的结合，导致WM活动恢复，表现为神经元放电频率、谷氨酸释放和相似度指数的增加。这些发现凸显了星形胶质细胞钙动态在维持WM表现中的关键作用，并表明靶向刺激可以有效补偿突触损伤的影响。

总之，实验1通过采用样本阶段后接两个测试阶段的方式（图2、3和4），模拟了健康神经网络和受损神经网络的DMS WM任务。该实验采用离线刺激方案来研究靶向兴奋性神经元刺激如何影响并潜在恢复受损网络功能。它揭示了一个相互关联机制的时间层级，快速神经元放电导致较慢的谷氨酸释放，随后是星形胶质细胞钙升高。突触损伤通过减少这些机制的活动来破坏它们，从而损害样本阶段的星形胶质细胞钙编码。Enhance算法通过分析样本阶段和测试1阶段的神经元活动来检测这些缺陷，并在测试2前触发兴奋性神经元刺激。这种刺激增强了谷氨酸释放并提高了星形胶质细胞钙水平，最终导致测试2中神经元放电、谷氨酸释放和WM表现的改善。这一过程凸显了星形胶质细胞在对抗突触损伤和恢复WM功能中的关键作用。

实验2：抑制性刺激对健康网络WM的破坏

在本实验中，我们证明了对相关区域中抑制性神经元的精确时序刺激可以破坏健康网络的WM表现。本工作中的抑制性刺激指的是调节抑制性神经元活动的技术，抑制性神经元对于维持平衡和控制神经回路中的兴奋性至关重要。通过操纵这种平衡，抑制性刺激既可以增强也可以破坏认知功能，在认知神经科学中根据语境和应用具有双重作用。与抑制性刺激相关的增强效果包括改善抑制控制，从而在停止信号任务和Go/No-go等任务中获得更优表现。此外，抑制性刺激已被用于调节注意力网络、增强训练诱导的可塑性以及通过靶向执行功能来改善认知表现，特别是在应对与发育障碍相关的缺陷方面。另一方面，抑制性刺激也可能破坏认知过程，如在Stroop效应中所观察到的，该效应涉及兴奋性-抑制性额小脑环路。在本实验中，我们研究抑制性刺激如何破坏WM表现。我们采用在线刺激方案来评估仅在样本阶段施加抑制性刺激以及在样本和测试阶段均施加抑制性刺激的效果。然后将这些条件与基线（即无抑制性刺激）进行比较。模拟包括四个输入模式（A、U、H和J），其中选择模式H和J进行破坏（图5A）。

图5 实验2中抑制性刺激对WM破坏的影响

(A) 输入模式和刺激事件的时间安排。

(B) 自动选择的靶向模式H和J的刺激电极。

(C) 样本阶段的抑制性刺激减少了神经元-星形胶质细胞电流；虽然网络右侧显示出一些韧性，但其活动仍低于未刺激条件。

(D) 抑制性刺激导致目标模式（H和J）的部分编码。

(E) 模式A、H、U和J的释放谷氨酸（在1.98、2.36、2.78和3.18秒捕获）显示，当在样本阶段施加抑制性刺激时目标模式的选择性减少，当在测试阶段也施加刺激时进一步减弱。注意，先前模式的残余谷氨酸在后续评估中可见，说明了谷氨酸清除的时间延迟。

(F) 目标模式的尖峰频率降低，计算区间为1.8–2.08秒、2.2–2.48秒、2.6–2.88秒和3–3.28秒。

(G) 测试后的星形胶质细胞钙浓度在抑制性刺激同时发生在样本阶段和测试阶段时最低。

WM模型中由星形胶质细胞驱动的突触学习过程依赖于足够的谷氨酸释放来触发星形胶质细胞内的钙升高。当抑制性神经元受到刺激时，兴奋性神经元的放电频率降低，导致突触释放的谷氨酸减少。在本实验中，我们旨在对靶向模式诱导此效应。

为此，我们利用了一种在线干扰算法。该算法每隔10毫秒对每个电极记录的数据进行采样，并生成该时间段内的活动图谱。这些图谱随后与目标模式（H和J）的活动掩膜进行比较，如果检测到95%的相似度，则激活紧邻目标模式掩膜的刺激电极（图5B）持续200毫秒，同时暂停对记录电极的采样。通过比较有抑制性刺激和无抑制性刺激的样本阶段条件，发现靠近被刺激区域的更少区域达到有效星形胶质细胞钙离子升高所需的谷氨酸阈值（图5C）。因此，在这些区域相邻的星形胶质细胞中，样本阶段后编码信息的数量减少（图5D）。这种类型的调节之所以成为可能，归功于神经元、突触和星形胶质细胞时间常数之间的内在竞争，我们利用编码过程激活的延迟来操纵这一机制。这解释了瞬时抑制（样本阶段的抑制性刺激）如何传播为持久性功能障碍（测试阶段的工作记忆表现下降）。值得注意的是，这些延迟反应也可以作为一种抵御调节的防御机制。活动重叠的区域，例如被模式J和H同时激活的网络右侧部分，表现出对抑制性刺激的更强韧性。这是由于谷氨酸等物质的清除速率较慢。由于谷氨酸动态慢于神经元放电动态，随着输入模式的顺序应用，一个模式的残余谷氨酸会影响后续模式的评估（图5E和4B）。这意味着顺序信息之间的共享神经资源可能提供缓冲效应以抵御干扰。在测试期间，在样本阶段未被干扰的模式A和U被成功回忆。然而，在样本阶段被干扰的模式H和J的回忆受损。这种损害源于样本阶段编码不完整导致的星形胶质细胞钙离子水平不足。需要足够的钙离子水平来触发支持工作记忆的整细胞星形胶质细胞活动。因此，整细胞活动减少导致一系列效应：胶质传递物释放减少、神经元放电减少以及兴奋性突触的谷氨酸释放减少（图5E），解耦了对信息维持至关重要的兴奋性-星形胶质细胞相互作用。这些综合效应最终导致相似度指数降低（图S1）。此外，如果干扰算法在测试期间仍然活跃，所有测量指标，包括放电频率、谷氨酸释放、胶质传递物释放和相似度指数，都会进一步恶化（图5和S1）。实验2中关键动态随时间的变化如图S1所示。

实验3：通过兴奋性刺激增强健康网络的工作记忆

该实验专注于通过刺激兴奋性神经元来增强工作记忆，以提高回忆准确性，尤其是针对非匹配模式。实验1表明，刺激表现不佳的区域可以改善受损网络的工作记忆，而实验2表明，靶向抑制性刺激可以干扰特定模式的工作记忆。实验3利用了这些发现的互惠性质：如果刺激活跃区域可以改善已存储模式的回忆，那么在样本阶段刺激与新模式相关联的区域应该能增强它们在测试阶段的回忆过程。因此，基于这些见解，在实验3中，通过在样本阶段利用在线刺激方案，我们激活了与新模式活动模式相对应的神经元和星形胶质细胞群体。我们探讨了这一过程如何使网络为增强的编码和随后对这些模式的改善回忆做好准备。

在实验性神经科学研究中，评估工作记忆表现通常使用匹配和非匹配模式范式。匹配模式是在样本和测试阶段完全相同的刺激，而非匹配模式仅在测试阶段出现。高水平的工作记忆表现特征是对匹配模式的准确回忆，而非匹配模式则导致较低的表现。我们通过工作记忆增强指的是在样本阶段通过靶向在线刺激来增强测试阶段中非匹配模式的表现。

工作记忆依赖于神经元和星形胶质细胞活动之间的精确相互作用，其中编码信息需要神经元充足的谷氨酸释放以及相邻星形胶质细胞内钙离子浓度的后续升高。通过刺激有效增强工作记忆的能力取决于几个关键条件。首先，必须确定与目标模式相关的神经活动模式。其次，刺激工具必须足够精确，以在与目标模式空间分布相匹配的位置引发神经活动。选择与样本阶段参与相同的神经元簇招募的新型刺激模式可以促进这一过程。与以往研究通常将刺激视为泛化的全或无现象不同，我们的方法专注于精确的空间和时间刺激，利用考虑每个模式激活位置的二维空间布局。

必须强调的是，在此上下文中"增强"并不指从头创建记忆。相反，我们正在研究学习过程的修改。在样本阶段应用的刺激作为催化剂，增强编码机制并改善目标模式（非匹配模式）在测试阶段的回忆。这种增强反映在与目标模式相关的神经元放电增加以及随后星形胶质细胞钙离子活动增加。这导致这些模式的相似度指数增加，尽管它们并未在样本阶段被明确呈现。

在该实验中，我们在样本阶段向网络呈现模式"9"和"C"。在整个测试阶段，我们引入模式"9"、"P"、"C"和"5"（图6A）。模式"9"和"C"被认为是匹配样本，模式"P"和"5"是非匹配的。在基线条件下，没有任何刺激时，网络对匹配模式"9"和"C"表现出更高的神经元放电频率和更高的相似度指数，表明成功回忆。相比之下，非匹配模式"P"和"5"的表现显著较低，反映了工作记忆在处理新信息时的预期局限性（图6和S2）。然而，在样本阶段应用特定的兴奋性刺激，靶向通常在处理模式"P"和"5"时活跃而在应用模式"9"和"C"时不活跃的神经元群体，增强了编码过程。在测试阶段，我们观察到非匹配模式的工作记忆表现显著改善，以与无刺激条件相比的神经元放电频率和相似度指数增加为证（图6）。

图6 兴奋性刺激对实验3中健康网络工作记忆增强的影响

（A）输入模式和刺激区间的时间序列。（B）用于靶向网络激活的电极配置。（C）在测试期间分别在1–1.28秒、1.4–1.68秒、1.8–2.08秒和2.2–2.48秒测量的模式"9"、"P"、"C"和"5"的兴奋性神经元放电频率。（D和E）样本阶段的刺激导致这些频率的改善，（D）星形胶质细胞网络内钙离子水平编码过程的增强，以及（E）目标模式相似度指数的显著改善。

驱动这种工作记忆增强的潜在机制与早期实验中建立的原则保持一致。在样本阶段的靶向兴奋性刺激导致被刺激神经元释放充足的谷氨酸。这进而触发相邻星形胶质细胞内钙离子的升高，启动了新模式编码过程，尽管它们并未直接作为输入呈现。这种刺激使星形胶质细胞网络对后续测试阶段中这些模式的反应更加迅速。本实验所有关键变量的时间动态如图S2所示。

讨论

工作记忆在日常认知功能中起着核心作用，其完整性影响我们的行为和学习能力。增强工作记忆有望辅助治疗神经调节性疾病中出现的认知障碍，其中患者通常难以集中注意力、组织信息和遵循指示。大脑刺激可能有助于提高这些认知能力。虽然神经元长期以来一直是主要关注对象，但星形胶质细胞——一种胶质细胞——正逐渐成为大脑功能和认知健康的关键参与者，但其作用才开始被理解。传统研究技术如膜片钳和单细胞成像为单个神经元和星形胶质细胞的行为提供了有价值的见解。然而，这些方法在捕捉理解复杂认知功能（如工作记忆）所需的群体水平动态方面存在局限。此外，星形胶质细胞活动在不同物种和个体之间的变异性使体内研究复杂化。这凸显了替代方法的必要性。计算模型越来越受到欢迎，允许研究者模拟大脑回路、操纵特定参数并分析结果。这些模型使得能够探索细胞和网络水平机制，这些机制是工作记忆等认知功能的基础。此外，新兴的神经形态硬件电路可以加速这些模拟的计算时间。

虽然先前的计算调查已探索了神经元-星形胶质细胞通信的各个方面，但在考虑刺激范式时，它们通常排除星形胶质细胞或将刺激简化为全或无的方法。这种在跨空间和时间的神经和胶质细胞结合活动控制方面的精确性缺乏是一个重大局限，经常限制研究努力仅限于简单的刺激方案。为弥补这些不足，我们开发了一个具有两个电极阵列用于记录和刺激的大规模二维SNAN。该模型旨在评估星形胶质细胞群体在各种刺激形式和不同操作背景下的机制和功能角色。其他工作记忆模型要么忽略二维空间框架，要么简化系统和方程之间的相互作用，但空间分辨率和动态对我们的实验和结果都是必不可少的。

大多数工作记忆模型，包括我们的模型，可以使用单次学习方法存储有限数量的短期样本。这与长期记忆（LTM）模型不同，后者需要大量输入数据、重复暴露和永久性变化（如突触权重的修改）来编码和存储信息。在工作记忆模型中，记忆存储依赖于暂时性变化，如突触强度的局部短期变化、突触的谷氨酸释放、星形胶质细胞的胶质传递物释放以及星形胶质细胞内的暂时性钙离子升高。这些变化随时间恢复到稳态，限制了记忆的容量和持续时间。相反，LTM模型涉及持久的突触修饰，如长时程增强和长时程抑制，这使信息和大量数据的编码和维护能够在较长时间内进行。从工作记忆到长期记忆的转换通常需要巩固过程，如演练和睡眠。

分层相互作用以各种形式存在于大脑各处。在神经胶质相互作用中，星形胶质细胞可以利用各种神经递质途径（如内源性大麻素）来补偿突触活动的损伤。它们的局部活动促成了较慢的整细胞活动的出现，并进而影响网络水平的工作记忆表现。最新发现进一步强调了星形胶质细胞介导的皮质神经元之间非突触通信的柱状和层特异性性质。在我们的研究中，我们利用空间和时间特异性来实施刺激方案。通过采用在线/离线协议的抑制性/兴奋性刺激，我们揭示了神经元-星形胶质细胞系统中工作记忆机制依赖于分层快慢时间动态。星形胶质细胞的较慢动态充当局部网络的条件门控以保持信息，而不是逐个脉冲调节神经元放电。操纵神经元放电——这些级联事件的源头——根据刺激的情境和方法产生不同结果。我们证明可以利用星形胶质细胞的延迟反应进行记忆操纵。然而，应指出的是，这种延迟反应虽然在乍看之下使星形胶质细胞显得反应迟缓，但可以解释为神经元活动的保险机制，将星形胶质细胞定位为各种功能中的关键次要参与者。这种保险机制在我们的实验2中对干扰抵抗的观察中尤为明显，其中神经元活动、谷氨酸清除速率和星形胶质细胞反应之间的时间间隙创造了抵御瞬时扰动的缓冲，确保即使主要神经元编码受损时也保持部分信息的稳定性和连续性。

实验1和2展示了神经元刺激在SNAN中对工作记忆的双向影响。在实验1中，离线兴奋性刺激通过靶向表现不佳的区域恢复了受损网络的工作记忆表现，重新建立了受损区域的星形胶质细胞钙离子动态。

相反，实验2展示了在线抑制性刺激如何通过抑制样本阶段的兴奋性神经元放电来破坏工作记忆，使谷氨酸释放量降低到星形胶质细胞钙信号所需的阈值以下。这导致了不完整的模式编码，并在测试阶段引发了不准确的回忆。重要的是，实验2还展示了延迟反应如何被利用来破坏工作记忆编码，同时揭示了这种延迟反应也可以作为一种防御机制来对抗干扰，特别是在网络中用于顺序信息的共享区域。两个实验都揭示了相同的时间层次：快速神经元放电 → 中等速度的谷氨酸释放 → 缓慢的钙信号 → 胶质传递物释放量的调节。这些发现突出了神经胶质交互作用在工作记忆中的重要性，以及定向干预如何既能恢复认知功能，又能破坏信息维持所必需的关键兴奋性-星形胶质细胞交互作用。在实验3中，我们在实验1和实验2所得见解的基础上进一步展开，这两个实验突显了网络中顺序模式之间共享神经元簇的重要性。在实验1中，这些区域展现了对突触损伤的韧性，可作为检测受损区域的可靠指标。实验2进一步揭示这些共享区域对抑制性刺激具有抵抗力，强调了它们在维持网络稳定性中的关键作用。基于这些见解，实验3利用共享区域作为锚点，通过样本阶段在线刺激方案将新信息引入模型。这种选择性干预增强了编码过程，导致对新颖模式的回忆能力增强。这再次展现了我们方法相比"全或无"刺激方案的优势——如果在此背景下应用后者，很可能导致模式回忆的非选择性改善。此类方法忽略了匹配样本与非匹配样本之间的区别，无法体现定向的工作记忆增强。然而，我们的方法使我们能够选择性地操控特定模式的工作记忆。这一框架为治疗干预开辟了新的途径。尽管实验3展示了通过定向神经元刺激增强对未见模式的工作记忆的可行性，但它也强调了当前研究的局限性和未来方向。要通过刺激实现工作记忆的可靠操控和全新信息的编码，需要解决几个关键挑战。首先，大规模高精确度记录方法的发展至关重要，以精确定位与特定信息相关的神经元放电时空模式。如今，达到仅需几百个甚至单个神经元的精确刺激/记录水平正变得越来越可行，因为多个研究组已通过实验证明可以在最低可检测免疫反应或几乎无胶质瘢痕的情况下实现这种程度的控制。然而，将这些方法扩展到更大的神经元群体仍是一个持续存在的挑战。其次，需要更全面地理解支配工作记忆的所有潜在机制，并开发更精细的刺激技术来精确操控这些机制。所提出的模型的其他潜在应用也可能出现在人工智能领域。SNAN可以作为构建类似Transformer的AI组件的平台。这些模型依赖于一种时间读写机制来缓冲即时记忆。星形胶质细胞凭借其作为记忆缓冲器的能力，可以为此挑战提供一种生物启发的解决方案。在AI架构中引入类星形胶质细胞组件可能有助于缩小语言模型和视觉模型等AI工具之间的差距，使它们成为更具整合性的系统，从而反映大脑进行跨域信息综合的能力。研究局限性尽管我们的模型为星形胶质细胞在工作记忆中的作用提供了新的见解，但有必要承认其局限性，这些局限性也为未来研究铺平了道路。首先，我们的模型代表了一个简化的皮层微回路。生物学上的工作记忆是复杂的多区域网络的新兴属性，包括前额叶皮层和海马。我们的工作提供了一个基础的"构建模块"，但未来的研究应将这些局部SNAN整合到更大规模的架构中，以探索区域间通信。其次，虽然受生物数据约束，但我们的模型参数源自文献而非直接拟合特定的体内记录数据，这使其定位为一个机制性模型而非定量模型。在此背景下，我们考虑了与认知任务相关的事件驱动型星形胶质细胞Ca2?瞬变。因此，我们的分析侧重于这些事件驱动型响应，确保结果稳健且对初始条件不太敏感。第三，我们的网络依赖于其固有的动力学和短时可塑性（例如谷氨酸释放、钙动力学）来实现工作记忆，没有明确的有监督或无监督学习规则来调节突触权重（例如STDP）。最后，我们的研究专注于使用抽象刺激的标准DMS任务。未来的调查应使用更自然主义的输入以及更广泛的工作记忆范式来测试这些原理的稳健性。这些改进有助于更全面地理解星形胶质细胞在认知功能中的作用。总之，除了快速的神经元活动之外，工作记忆还依赖于较慢的星形胶质细胞节律。传统的刺激范式将脑刺激视为"全或无"的干预过程，从而忽略了这些神经胶质交互作用。通过在SNAN中实施空间分辨的刺激，我们的工作填补了当前模型中的一个关键空白，即考虑了星形胶质细胞钙动力学和网络中局部刺激效应的角色。通过三个实验——工作记忆的增强、破坏和扩充——我们证明工作记忆操控依赖于一个神经胶质时间层次：快速神经元放电通过谷氨酸释放引发级联反应，进而激活较慢的星形胶质细胞钙动力学。我们的结果支持了以下假说：星形胶质细胞活动不仅仅是辅助性的，而在介导神经元刺激对工作记忆的影响方面起着关键作用。我们还展示了刺激的双重性质：根据上下文和刺激参数，它既可以稳定也可以破坏神经元活动。在突触受损的网络中，兴奋性刺激通过靶向表现不佳的区域并重新激活星形胶质细胞钙信号来恢复工作记忆。相反，精确计时的抑制性刺激会破坏健康网络中的工作记忆编码。此外，在样本阶段进行的定向兴奋性刺激能够增强对新颖模式的工作记忆编码。最佳工作记忆表现依赖于兴奋性和抑制性动态之间的平衡，而星形胶质细胞在编码和回忆中起着至关重要的作用。最后，我们的大规模模型可以作为生物启发的AI记忆系统的基础构建模块。在AI架构中引入类星形胶质细胞组件可能有助于生成式AI、语言模型和视觉模型更好地模拟大脑的跨域信息处理能力。未来的研究应致力于在突触上纳入长时增强效应，并扩展模型以包含受刺激影响的其他神经递质通路，如胆碱能系统。这些进展将进一步完善我们对神经胶质交互作用及其在认知功能中关键作用的理解。资源可用性主要联系人如需进一步信息和资源，请联系主要负责人，Mahmood Amiri博士，医学生物学研究中心，健康技术研究所，克尔曼沙阿医科大学，伊朗克尔曼沙阿（[e-mail]）。材料可用性本研究未产生新的独特试剂。数据与代码可用性•数据：未生成新数据。•代码：原始代码已存档于https://github.com/Research-lab-KUMS/working-memory-stimulation。•任何其他信息可向主要联系人索取。致谢我们感谢尊敬的审稿人提供的富有洞察力的评论。本工作的资助来自人类前沿科学计划（RGP0045/2022）和佛兰德斯研究基金会（FWO，G032226N）。作者贡献P.N.，软件、形式分析、方法学和原创草稿撰写；M.A.，概念构思、方法学、监督以及审阅与编辑；H.P.，概念构思以及审阅与编辑。利益声明作者声明无竞争利益。STAR★方法关键资源表试剂或资源 | 来源 | 标识符软件与算法MATLAB | MathWorks | https://www.mathworks.com/Adobe Illustrator | Adobe | https://www.adobe.com/products/illustrator.htmlAdobe Premiere Pro | Adobe | https://www.adobe.com/products/premiere.htmlBioRender | BioRender | https://www.biorender.com/工作记忆刺激MATLAB代码 | 本研究 | https://github.com/Research-lab-KUMS/working-memory-stimulation在新标签页中打开表格方法细节所提出的SNAN包含四个不同的层（图1）。每层的大小不同，但所有网络组件——包括兴奋性神经元、抑制性神经元和星形胶质细胞——均在二维空间内均匀分布。兴奋性网络最大，具有最高的细胞密度，而抑制性网络和星形胶质细胞网络更为稀疏，以与兴奋性层对齐。输入层（71×71）与兴奋性神经元网络建立一对一连接，保持相同维度。抑制性神经元网络结构为35×35网格。星形胶质细胞网络（70×70）镜像了兴奋性神经元的空间排列，其中每个星形胶质细胞与重叠的2×2块中的兴奋性神经元进行交互。这种配置强调了星形胶质细胞对兴奋性神经元活动的局部影响（图1B），与神经元-胶质细胞交互作用的生物学数据一致。每个星形胶质细胞通过缝隙连接与最多四个相邻星形胶质细胞耦合。神经元采用Izhikevich神经元模型实现，星形胶质细胞采用Ullah模型实现，该模型类似于Li-Rinzel模型，但有细微差异。表S1–S5在补充文件中提供了常数参数值。存在两个用于记录和刺激的电极网格。由于神经元和星形胶质细胞在二维空间内均匀分布，每个电极网格具有两个灵敏度矩阵，分别用于记录和刺激兴奋性神经元和抑制性神经元。电极网格由4×4刺激电极和8×8记录电极组成。这些网格的放置与兴奋性神经元网络的维度对齐。每个电极的灵敏度使用相对于电极中心到周围神经元距离的指数衰减函数来建模。该函数针对兴奋性和抑制性网络分别进行参数化，以考虑其空间密度差异。为减轻有限网络尺寸引起的边缘效应，对电极放置进行了偏移，确保其灵敏度峰值保持在网络边界内。所得灵敏度分布如图1D所示，其中红色区域代表灵敏度峰值区域。为计算记录数据，将每个电极的兴奋性和抑制性神经元的灵敏度矩阵分别与各自的膜电位相乘，然后求和以获得最终值。神经元模型采用Izhikevich神经元模型来实现兴奋性和抑制性神经元：dV(i,j)/dt = 0.04(V(i,j))2 + 5V(i,j) ? U(i,j) + 140 + I(i,j)Sum (公式1)dU(i,j)/dt = a(bV(i,j) ? U(i,j)) (公式2)当V(i,j) ≥ 30 mV时：{V(i,j) ← c; U(i,j) ← U(i,j) + d (公式3)其中兴奋性神经元的ISum为：I(i,j)SumE = I(i,j)App + I(i,j)StimE + ST(i,j)NE × (I(i,j)Noise) + I(i,j)SynEE + I(i,j)SynIE (公式4)抑制性神经元的ISum为：I(p,q)SumI = I(p,q)StimI + I(p,q)SynEI (公式5)对于兴奋性和抑制性神经元，公式1、2和3完全相同，唯一区别在于变量的上标。对于兴奋性神经元，i, j ∈ {1, …, 71}；对于抑制性神经元，p, q ∈ {1, …, 35}，它们代表神经元在二维方格上的坐标。变量V为膜电位，IApp为第一层施加的输入电流，IStim为来自电极的刺激电流，INoise为网络中的随机噪声电流，ISyn为突触电流（EE：兴奋性到兴奋性，IE：抑制性到兴奋性，EI：兴奋性到抑制性），ST因子代表强度，用于在方程中模拟损伤。在健康网络中，ST变量等于1；在受损网络中，其值在零到一之间，根据损伤强度确定。模型中纳入了两个主要噪声源以模拟生物学变异性。第一个是背景噪声，即神经元的恒定基线活动水平，通过随时间向兴奋性神经元随机施加固定电流来建模（INoise）。第二个是翻转噪声，为输入模式引入变异性（IApp）。样本阶段的模式翻转噪声水平设为2%，测试阶段的设为5%，在所有模拟中保持不变。这些噪声源对于评估网络性能的稳健性至关重要。根据神经元类型和激活突触数量，突触电流按以下方式计算：I(i,j)SynEE = Σ(从k=1到N(i,j)In) g(k)SynEE(i,j) × (E(k)SynE ? V(i,j)PostE) / (1 + exp(V(k)PreE / SSyn)) (公式6)I(i,j)SynIE = Σ(从k=1到N(i,j)In) g(k)SynIE(i,j) × (E(k)SynI ? V(i,j)PostE) / (1 + exp(V(k)PreI / SSyn)) (公式7)I(p,q)SynEI = Σ(从k=1到N(p,q)In) g(k)SynEI(p,q) × (E(k)SynE ? V(p,q)PostI) / (1 + exp(V(k)PreE / SSyn)) (公式8)其中索引I和E分别代表抑制性和兴奋性，VPre和VPost为突触前和突触后神经元电压。ESynI = ?90为抑制性突触的突触反转电位，ESynE = 0为兴奋性突触的突触反转电位。每个神经元的传出（外发）连接数是固定的（EE = 40，EI = 10，IE = 30），但传入连接数（NIn）是随机的。每个兴奋性神经元与40个附近的兴奋性神经元和10个相邻的抑制性神经元形成突触，而抑制性神经元仅与30个相邻的兴奋性神经元建立连接（图1C）。这种组织方式导致了局部聚集，这是生物神经元网络中常见的特征。

对于每种突触电流，VPre 充当具有斜率 SSyn 的激活函数。每个连接的强度由 gSyn 决定，定义如下：

g_Syn^(EE(k)) (i,j) = S_Syn^(EE(k)) (i,j) × η_Syn^(EE) (1 + g_WM^(m,n) (i,j))（公式 9）

g_Syn^(IE(k)) (i,j) = S_Syn^(IE(k)) (i,j) × (η_Syn^(IE))（公式 10）

g_Syn^(EI(k)) (p,q) = S_Syn^(EI(k)) (p,q) × (η_Syn^(EI))（公式 11）

其中，η_Syn 决定突触权重，g_WM 是星形胶质细胞对工作记忆的整细胞调制，S_Syn 变量是突触数量的缩放强度因子。损伤模式会修改这些因子，首先修改神经元的尺度，然后修改该神经元的传入突触。我们模型中的连接遵循一个受生物学启发的距离依赖规则，定义如下：

f_R(r) = { (1/λ)exp(-(1/λ)r) 若 r > 0；0 若 r < 0 }（公式 12）

x_Post = ?x_Pre + r·cos(?)?, y_Post = ?y_Pre + r·sin(?)?（公式 13）

其中，λ 是突触连接距离指数分布的均值，r 是连接的半径，? 表示连接的角度，决定突触后神经元相对于突触前神经元在二维空间中的方向（在 0 到 2π 之间均匀分布），x_Post 和 y_Post 是突触后神经元的坐标，x_Pre 和 y_Pre 是突触前神经元的坐标。这些变量对于每种类型的突触连接各不相同（在补充表格中定义）。这两个公式导出了突触连接数量 (NIn)。通过计算激活的突触数量，我们可以计算到每个神经元的输入强度（SoI），计算方式如下：

SoI_Syn^(EE) (i,j) = N_In^(EE) (i,j)(已激活)的数量 / N_In^(EE) (i,j)的数量（公式 14）

其中，N_In(Activated) 定义为具有大于 0.001 阈值的突触电流。因此，正如我们在之前的工作中讨论的，当涉及突触损伤时，突触释放的谷氨酸可以更准确地定义如下：

d(Glu_Neuro^(i,j)) / dt = ((-Glu_Neuro^(i,j) / τ_Glu + r_Glu × SoI_Syn^(EE) (i,j)) × S_T_NE (i,j)（公式 15）

其中，Glu_Neuro 是从突触前轴突末端释放到突触间隙的谷氨酸，r_Glu 是谷氨酸释放速率。

神经元与星形胶质细胞的相互作用

在该模型中，神经元通过三突触中释放的谷氨酸与星形胶质细胞相互作用。每个星形胶质细胞与一个 Na = 2 × 2 的神经元区块相互作用。与星形胶质细胞结合的谷氨酸总量 GluAstro 计算如下：

GluAstro^(m,n) = Σ_(i,j)∈Na (Glu_Neuro^(i,j))（公式 16）

J_Glu = { 5，若 GluAstro^(m,n) > GluThr^(mem)（在 t = t0 时）；0，对于 t0 < t < t0 + t_Glu；0，其他情况 }（公式 17）

其中，t0 是模拟的时间步。如果与星形胶质细胞结合的谷氨酸（GluAstro）超过记忆阈值（GluThr^(mem) = 3.4 μM），则对星形胶质细胞施加持续 t_Glu = 60 ms 的固定电流 J_Glu = 5。我们采用 Gordleeva 等人（2021）提出的固定电流注入模型（J_Glu = 5），仅在谷氨酸大量积累时触发整细胞响应。这与实验性的三维成像发现一致，表明全局钙事件与频繁的局部活动是分离的，并且主要在高强度神经元状态下被招募。

星形胶质细胞模型

为实现星形胶质细胞的内部动力学，我们使用了经过少量调整以适应工作记忆实现的 Ullah 模型。为求解这些方程，采用了固定时间步长为 0.1 ms 的四阶龙格-库塔方法。

d(IP3^(m,n)) / dt = IP3* - IP3^(m,n) / τ_IP3 + J_PLCδ^(m,n) + J_Glu^(m,n) + dif_IP3^(m,n)（公式 18）

J_PLCδ = v4([Ca2?]? + (1-α)k4)[Ca2?] / ([Ca2?]? + k4)（公式 19）

其中，m, n ∈ {1, …, 70} 是星形胶质细胞的索引，IP3* 是 IP3 的稳态浓度，J_PLCδ 表示磷脂酶 Cδ（PLCδ）产生的 IP3，J_Glu 是由于与星形胶质细胞结合的高浓度谷氨酸产生的输入电流，dif_IP3 表示 IP3 在星形胶质细胞网络中的空间扩散。IP3 升高导致 Ca2? 增加，其建模方式如下：

d[Ca2?]^(m,n) / dt = J_ER^(m,n) + J_Leak^(m,n) - J_Pump^(m,n) + J_In^(m,n) - J_Out^(m,n) + dif_Ca^(m,n) - ζ_Global × W_Global^(m,n)（公式 20）

dh^(m,n) / dt = a2(d2·IP3^(m,n) / 3 + d1·IP3^(m,n) / 3 + d3(1 - h^(m,n)) - [Ca2?]^(m,n) · h^(m,n))（公式 21）

J_ER = c1·v1·[Ca2?]3·h3·IP33 / (3·(c0/c1 - (1 + 1/c1)[Ca2?])) / ((IP3 + d1)([Ca2?] + d5))3（公式 22）

J_Leak = c1·v2·(c0/c1 - (1 + 1/c1)·[Ca2?])（公式 23）

J_Pump = v3·[Ca2?]2 / (k23 + [Ca2?]2)（公式 24）

J_In = v6·IP32 / (k22 + IP32)（公式 25）

J_Out = k1·[Ca2?]（公式 26）

其中，[Ca2?] 表示星形胶质细胞的胞质钙浓度，其他变量描述钙的动态变化。变量 h 是内质网（ER）表面激活的 IP3 受体（IP3Rs）的比例，dif_Ca 表示星形胶质细胞网络中的空间钙扩散，W_Global 表示工作记忆中整细胞活动的时间窗口，ζ_Global 是该活动的消耗因子，J_ER 是钙从内质网（ER）流入胞质的通量，J_Leak 是钙从 ER 泄漏到胞质的通量，J_Pump 是通过肌浆/内质网 Ca2?-ATP 酶（SERCA）泵重新摄取到 ER 中的通量，J_In 和 J_Out 分别对应通过质膜的钙交换，涉及泵、通道和被动泄漏机制。这些过程共同帮助维持钙稳态。

该模型中的星形胶质细胞通过 Cx43 间隙连接耦合，Ca2? 和 IP3 分子向邻近星形胶质细胞的空间扩散由 dif_Ca 和 dif_IP3 表示，建模如下：

dif_Ca^(m,n) = d_Ca · (Δ[Ca2?])^(m,n)（公式 27）

dif_IP3^(m,n) = d_IP3 · (Δ[IP3])^(m,n)（公式 28）

每个星形胶质细胞最多与四个其他星形胶质细胞耦合。项 Δ[Ca2?] 和 Δ[IP3] 是离散拉普拉斯算子，可以通过将下式中的 ?? 替换为 Ca2? 和 IP3 项来表示：

(Δ[??])^(m,n) = ([??]^(m+1,n) - [??]^(m,n)) + ([??]^(m-1,n) - [??]^(m,n)) + ([??]^(m,n+1) - [??]^(m,n)) + ([??]^(m,n-1) - [??]^(m,n))（公式 29）

星形胶质细胞对工作记忆的整细胞调制

星形胶质细胞的整细胞活动对于工作记忆机制，在检测到强烈的神经元活动时触发，前提是该特定区域之前已被激活以编码信息。在该模型中，强烈的同步神经元活动仅在连接到神经元层的输入层保持活动一段时间时才会发生，这导致与星形胶质细胞结合的谷氨酸（GluAstro^(i,j)，公式 16 中）超过召回阈值 GluThr^(rec) = 1.6 μM，该阈值远低于记忆阈值（GluThr^(mem) = 3.4 μM）。

WWM 条件：
{ [Ca2?]^(m,n) ≥ [Ca2?]Thr^(WM)
I_Input^(i,j) > 0
GluAstro^(m,n) ≥ GluThr^(rec) }（公式 30）

W_WM^(m,n) = { 1，t0 < t ≤ t_Con + t_WM - t0；0，其他情况 }（公式 31）

W_Global^(m,n) = Θ([Ca2?]^(m,n) - [Ca2?]Thr^(WM)) × W_WM^(m,n)（公式 32）

d(Gli_Global^(m,n)) / dt = -Gli_Global^(m,n) / τ_Gli + r_Gli × W_Global^(m,n)（公式 33）

g_WM^(m,n) = η_WM × Gli_Global^(m,n)（公式 34）

其中，t_Con 表示 WWM 条件被持续满足的持续时间。这包括将胞内钙浓度保持在阈值 [Ca2?]Thr^(WM) = 0.15 μM 以上，同时确保高水平的突触活动，这通过向神经元施加活跃的输入电流和总结合谷氨酸水平大于 GluThr^(rec) = 1.6 μM 来建模。由于工作记忆是来自传入消息的神经元活动的延伸，其活动与任何输入信号或刺激（I_Input = I_App + I_Stim）的激活相关联。该条件也是稳定模型行为所必需的。WWM 窗口在 WWM 条件不再满足（t_Con）后保持打开 0.1 秒（t_WM）。在 WWM 活动期间，会建立一个二级监测窗口 W_Global，以确保在整细胞信号激活期间 Ca2? 水平保持在所需阈值以上。在 W_Global 内的每个时间步，模型使用海维赛德阶跃函数 Θ 检查胞内钙浓度是否仍高于所需阈值。当满足此条件时，W_Global 触发胶质传递物的释放，表示为 Gli_Global。释放过程遵循速率 r_Gli，并以时间常数 τ_Gli 衰减，释放量在最大值 1 处饱和。该释放的振幅进一步受参数 η_WM 调制，从而通过公式 9 中指定的整细胞调制因子 g_WM 影响突触活动。

记录和刺激电极

在设计二维电极层时，我们考虑了两个关键变量：电极的坐标和每个电极的灵敏度。在该模型中，坐标基于最大的网络即兴奋性神经元层来设定，定义为：

x_Elec(i_Elec) = x_Offset + (i_Elec - 0.5)(NxE - 2·x_Offset)，i_Elec = 1, …, Ex（公式 35）

y_Elec(j_Elec) = y_Offset + (j_Elec - 0.5)(NyE - 2·y_Offset)，j_Elec = 1, …, Ey（公式 36）

其中，x_Elec 和 y_Elec 表示沿 x 和 y 轴的电极坐标，Ex 和 Ey 是沿每条轴的电极数量（记录电极为 Ex = Ey = 8，刺激电极为 Ex = Ey = 4），NxE = NyE = 71 是沿每条轴的兴奋性神经元数量，xOffset 和 yOffset 表示距网络边缘的偏移量。由于网络尺寸是有限的，添加这些偏移量是为了将电极的灵敏度峰值保持在网络边界内。此外，代码中还添加了归一化函数以确保消除边缘效应。电极的坐标对于兴奋性和抑制性神经元网络是一致的。唯一的区别在于它们的灵敏度，计算方式如下：

S(d) = exp(-d2 / (2λ2))（公式 37）

其中，S 是电极的灵敏度，d 是神经元与电极位置之间的欧几里得距离，λ 决定灵敏度的空间范围（记录电极 λRec = 2.5，刺激电极 λStim = 5.5）。较大的 λ 值导致更宽的空间灵敏度，因为高斯函数随距离衰减更慢。网格索引 (i_n, j_n) 处的神经元与坐标 (x_Elec, y_Elec) 处的电极之间的欧几里得距离 d 计算如下：

d(i_n, j_n) = √((i_n·βxE - x_Elec(i_Elec))2 + (j_n·βyE - y_Elec(j_Elec))2)（公式 38）

其中，x_Elec(i_Elec) 和 y_Elec(j_Elec) 参见公式 35 和 36，i_n 和 j_n 是神经元索引。缩放因子（β）考虑不同的网络大小：

βxE = max(NxE, NxI) / NxE（公式 39）

βyE = max(NyE, NyI) / NyE（公式 40）

βxI = max(NxE, NxI) / NxI（公式 41）

βyI = max(NyE, NyI) / NyI（公式 42）

其中，NxI = NyI = 35 表示沿每条轴的抑制性神经元数量。max() 函数确保神经元网格中神经元数量较少的一侧被放大以匹配较大网格的空间范围。这是必要的，因为兴奋性和抑制性神经元群体虽然神经元数量不同，但应在二维空间中占据相同的物理区域。因此，对于兴奋性神经元，βxE = βyE = 1（无缩放），而对于抑制性神经元，βxI = βyI = 71/35 ≈ 2。

刺激方案

我们模型中刺激器的控制参数包括刺激振幅、类型以及在网络中激活电极的位置。在脑深部刺激（DBS）中，一种选择性刺激兴奋性或抑制性神经元的方法是利用它们的频率敏感性。在我们的模型中，我们通过根据预期刺激向兴奋性或抑制性神经元施加电流来抽象这一方法（公式 1）。基于实验结果，兴奋性和抑制性神经元的刺激振幅分别保持在 20 μA 和 50 μA 的安全范围内。刺激方案在实验 1 和实验 2 中自动实施，在实验 3 中手动实施。通过向兴奋性神经元施加电流，在这种背景下，我们增强工作记忆；相反，向抑制性神经元施加电流会破坏工作记忆。

在实验 1 中，我们旨在通过自动离线刺激兴奋性神经元来改善受损网络中的工作记忆表现。评估在测试 1 的 3.2 秒标记处进行。增强算法在样本和测试 1 阶段分三步评估记录数据，以检测受损网络中表现不佳的区域并激活相关的刺激电极。在第一步中，它单独分析样本阶段中所有 64 个记录电极针对四种模式之一的数据，重点关注输入模式施加的时期。该算法计算每个电极曲线下的面积，识别每种模式的最大活动水平，并应用一个阈值过滤器，该阈值设为最大值的二分之一。超过此阈值的数据被分配值 1，低于此阈值的数据被分配 0。此过程生成四个强活动掩膜，每种输入模式一个。随后，刺激器评估测试 1 阶段的记录数据，涵盖每种模式的输入持续时间（200 ms）和工作记忆期间（100 ms）。为了关注样本阶段激活的区域，算法将相应的样本阶段活动掩膜与测试 1 数据相乘。然后计算每个电极曲线下的面积，识别 64 个电极中每种模式的最大值，并计算这些最大值的平均值。最后，如果电极在测试 1 期间计算的面积大于 5% 但小于此平均最大值 75%，则标记为表现不佳的区域。此过程生成四个表现不佳区域的掩膜，每种应用模式一个。在第二步中，四个表现不佳区域的掩膜被相加以创建一个单一掩膜来估计受损区域（图 2D）。鉴于每四个记录电极位于单个刺激电极下方，算法激活一个刺激电极的条件是：其对应的记录电极中至少有两个被标记为表现不佳一次或更多次。最后，在第三步中，选定的刺激电极在 3.2 秒时间戳处激活 400 ms。

在实验 2 中，我们旨在通过自动在线刺激抑制性神经元来破坏特定模式的工作记忆机制。四种样本阶段使用的模式（A、H、U、J）中选择了两种模式（H、J）进行破坏。破坏算法首先生成对应于所选模式（H、J）的记录电极的参考活动掩膜。然后它实时比较记录数据与这些参考掩膜，以激活相应的刺激电极进行抑制性刺激。为此，它以 10 ms 的间隔采样来评估记录数据，计算每个电极曲线下的面积，并应用基于采样间隔的预定义阈值。

超过阈值的数值标记为 1，低于阈值的数值标记为 0。这种二值分类识别具有强烈活动的网络区域，同时最小化背景噪声的影响。随后，生成的二值数据与模式 H 和 J 的活动掩模进行比较。如果采样数据与任一掩模的相似度达到或超过 95%，则相邻的刺激电极（图 5B）将被激活 200 毫秒，在此期间采样过程会暂停。这种相似度比较在概念上类似于相似度指数的计算，但在采样参数上有关键区别。在这里，我们以 10 毫秒的间隔进行采样，窗口之间的位移为 10 毫秒，而相似度指数使用 8 毫秒的采样窗口和 2 毫秒的位移。
量化与统计分析
本研究中不包含量化或统计分析。
补充信息 (1)PDF (965.43 KB) 文档 S1. 图 S1 和 S2 以及表 S1–S5