4月22日，北京大学IDG麦戈文脑科学研究所举行2022年脑科学研讨会。来自美国布朗大学、加州大学戴维斯分校、杜克大学、凯斯西储大学，法国艾克斯-马赛大学和中国科学院大学等国内外高校的六位脑科学学者，在线作了精彩的学术报告，并与观众互动交流。

　　本期推出的学术笔记，根据美国布朗大学Takeo Watanabe教授所作的题为“Post training processing in learning during wakefulness and sleep”的报告整理而成。

　　撰稿：傅韵洁

　　审核：王韵

　　Takeo Watanabe教授团队使用视知觉学习（visual perceptual learning, VPL）来理解大脑认知与记忆的可塑性。VPL的两个阶段分别是训练阶段（training）及训练后阶段（post-training），训练后阶段则又包括巩固、记忆重激活和修正，以及长期记忆留存等阶段。相较于依赖于意识的训练阶段，训练后阶段则通常无需意识的参与。

　　VPL训练后，其内容需要被大脑稳定化。而当某一次训练的稳定化完成之前，即刻进行下一次不同内容的训练，则会对前一训练内容的稳定化产生干扰，即逆行性干扰（retrograde interference）。然而，除了稳定性以外，大脑也需要对学习内容保有可塑性。

　　Takeo Watanabe团队对训练后各阶段大脑在可塑性与稳定性之间如何平衡产生了兴趣，即：VPL的强化及稳定是以何种方式在训练后的各个阶段发生的。这里他们对训练后阶段的觉醒状态与睡眠状态均进行了探讨。

　　首先，Takeo Watanabe团队着眼于过度学习对学习内容稳定性的影响。过度学习（overlearning）是指在任务表现趋于平稳后持续重复训练，这种训练方式可以延长学习内容的留存时间。实验设置了非过度学习组与过度学习组，对于每个组别来说，依次进行n次（n=8/16）任务A的训练，尔后，在30分钟的间歇后进行8次任务B的训练，并在开始所有训练前及完成所有训练后分别进行测试。

　　图1 非过度学习及过度学习[1]　　

　　训练后测试表明，在非过度学习组，任务B的学习的确对任务A的学习产生了逆行性干扰；而过度学习则极大地稳定了任务A的学习结果，同时影响了任务B的习得，即：发生了顺行性干扰，提示在过度学习组的训练后阶段发生了超稳定化。

　　图2 非过度学习及过度学习下早期视觉区E/I 比值变化[1]　　

　　那么，过度学习诱导超稳定化的潜在神经机制是什么？有前人研究提出，训练后大脑的可塑性和稳定性取决于参与学习的大脑区域中兴奋性和抑制性信号的数量和/或它们的比例。因此，Takeo Watanabe团队通过使用磁共振波谱成像（magnetic resonance spectroscopy, MRS）测量早期视觉区域中谷氨酸盐与GABA的浓度比（E/I ratio）来进行进一步的探讨。结果发现，相较于基准值，非过度学习组在训练后30分钟时E/I比值高于基准值，在3.5小时后几乎回到基准值；而过度学习组的E/I比值则在训练后30分钟时显著低于基准值。基于此，Takeo Watanabe教授团队提出，相较于非过度学习时发生的由可塑化向稳定化转变的过程，过度学习时，可能首先发生了由可塑化迅速向超稳定化转变的过程，尔后再逐渐过渡到稳定化状态。

　　图3 过度学习后早期视觉区发生了超稳定化[1]　　

　　另一方面，VPL又是如何在训练后的睡眠状态下被强化或稳定化的，REM睡眠与non-REM睡眠对这一过程的贡献又是否相同呢？Takeo Watanabe团队发现，NREM睡眠期间早期视觉区的E/I比值增加，且与睡眠后的任务表现提升相关。而REM睡眠中E/I比例则发生了下降，这与睡前学习内容的稳定化相关。

　　图4 NREM和REM睡眠期间的可塑性-稳定性调节[2]　　

　　总结来说，上述发现表明，在学习后阶段的觉醒与睡眠过程中，均发生了可塑性-稳定性调节。在睡眠过程中，NREM睡眠与REM睡眠起到了不同作用：NREM睡眠促进了可塑性；而REM睡眠降低了可塑性，并提高了稳定性。

　　参考文献

　　[1] Shibata K, Sasaki Y, Bang JW, et al. Overlearning hyperstabilizes a skill by rapidly making neurochemical processing inhibitory-dominant. Nat Neurosci. 2017;20(3):470-475. doi:10.1038/nn.4490

　　[2] Tamaki M, Wang Z, Barnes-Diana T, et al. Complementary contributions of non-REM and REM sleep to visual learning. Nat Neurosci. 2020;23(9):1150-1156. doi:10.1038/s41593-020-0666-y