Una sottorete oressigenica all'interno dell'ippocampo umano
CasaCasa > Blog > Una sottorete oressigenica all'interno dell'ippocampo umano

Una sottorete oressigenica all'interno dell'ippocampo umano

Oct 28, 2023

Natura (2023) Cita questo articolo

785 accessi

92 Altmetrico

Dettagli sulle metriche

Solo di recente sono diventate disponibili tecniche di sondaggio dei circuiti più specifiche per informare precedenti rapporti che implicavano l'ippocampo dei roditori nell'elaborazione appetitiva oressigenica1,2,3,4. È stato riportato che questa funzione è mediata almeno in parte da input ipotalamici laterali, compresi quelli che coinvolgono neuropeptidi ipotalamici laterali oressigeni, come l'ormone concentratore di melanina5,6. Questo circuito, tuttavia, rimane sfuggente negli esseri umani. Qui combiniamo trattografia, elettrofisiologia intracranica, potenziali evocati cortico-sottocorticali e istologia 3D di pulizia del cervello per identificare un circuito oressigenico che coinvolge l'ipotalamo laterale e converge in una sottoregione dell'ippocampo. Abbiamo scoperto che la potenza a bassa frequenza è modulata da segnali di cibo dolce e grasso e questa modulazione era specifica dell’ippocampo dorsolaterale. Le analisi strutturali e funzionali di questo circuito in una coorte umana che mostrava un comportamento alimentare disregolato hanno rivelato una connettività inversamente correlata all’indice di massa corporea. Collettivamente, questo approccio multimodale descrive una sottorete oressigenica all'interno dell'ippocampo umano implicata nell'obesità e nei disturbi alimentari correlati.

L'elaborazione appetitiva oressigenica si basa sull'integrazione di segnali sensoriali, interocettivi e ormonali per governare i comportamenti consumativi1,7. La disregolazione di questo processo porta a comportamenti alimentari disadattivi come le abbuffate ed è associata all'obesità8. Studi sui roditori hanno dimostrato che le sottopopolazioni neuronali dell'ippocampo rispondono ai segnali alimentari e codificano la memoria del luogo del cibo1,2. Le proiezioni dall'ipotalamo laterale (LH) sono fondamentali per questa funzione oressigenica dell'ippocampo, poiché il disturbo di questo circuito porta a un comportamento alimentare disregolato5. Si è scoperto che queste proiezioni dell'LH esprimono l'ormone concentrante la melanina (MCH)9, un neuropeptide oressigenico prodotto nell'area dell'LH (si riferisce all'LH e alle sue adiacenze, comprese parti della zona incerta)5. È stato riportato che i neuroni di proiezione contenenti MCH influenzano il valore di ricompensa del cibo con la sovraespressione di MCH collegata allo stato obeso10,11.

Il circuito sottostante in cui interagiscono l'LH e l'ippocampo e la sua rilevanza per il processo appetitivo oressigenico negli esseri umani, che include il processo pre-orale guidato dai segnali, devono ancora essere esaminati. Qui caratterizziamo il coinvolgimento strutturale e funzionale dell'ippocampo umano nell'elaborazione appetitiva legata al cibo.

Utilizzando la trattografia probabilistica in dati normativi ad alta risoluzione dal rilascio del 7T Human Connectome Project (HCP) (n = 178), abbiamo scoperto che le interconnessioni LH (linee di semplificazione) definite dalla trattografia convergono nella sottoregione dell'ippocampo dorsolaterale (dlHPC) (Fig. 1a ). Successivamente abbiamo studiato il coinvolgimento funzionale di dlHPC nell'elaborazione di un gusto gradevole. Per brevità, ci riferiamo al volume dell'ippocampo al di fuori della sottoregione dlHPC come sottoregione non-dlHPC. Più specificamente, abbiamo testato le seguenti ipotesi: (1) la dinamica spettrale dlHPC discrimina tra segnali dolce-grasso e neutri; e (2) la dinamica spettrale differirà tra gli elettrodi in contatto diretto con dlHPC e quelli in contatto diretto solo con la sottoregione non dlHPC. Abbiamo misurato l'attività potenziale del campo locale (Fig. 1b) utilizzando elettrodi intracranici (n = 54; 34 contatti dlHPC, 20 contatti non dlHPC) impiantati nell'ippocampo umano mentre i partecipanti (n = 9) eseguivano un paradigma di attività di incentivazione dolce-grasso12 (Figura 1a supplementare). Le caratteristiche demografiche e cliniche di tutti i partecipanti sono descritte nella Tabella supplementare 1. In questo paradigma, gli individui sono stati guidati per 1 secondo con un'immagine rappresentativa di una soluzione dolce-grassa o neutra dal gusto da successivamente consegnare per il consumo. Abbiamo scoperto che la potenza a bassa frequenza normalizzata dal prestimolo specifica per condizione (intorno a 3-14 Hz, con un picco principalmente sostenuto di circa 4-6 Hz; di seguito indicato come cluster di potenza a bassa frequenza per riflettere la gamma di frequenze di questo cluster ) nel dlHPC era significativamente più alto (P <0,05, test di permutazione basato su cluster non parametrico accoppiato, utilizzando la dimensione del cluster con distribuzione nulla per correggere confronti multipli) durante l'anticipazione della soluzione dolce-grassa rispetto a un gusto neutro (Fig. 1c) . Mentre le frequenze più alte possono riflettere una maggiore attività locale, si ritiene che le frequenze più basse siano vantaggiose nell'instradare le informazioni attraverso aree distanti poiché il loro periodo più lungo soddisfa la richiesta temporale di velocità di conduzione attraverso molteplici ritardi sinaptici13. Questo profilo è stato osservato immediatamente dopo il segnale (circa 110 ms) ed è stato localizzato nei contatti all'interno della sottoregione dlHPC (Fig. 1d, e).

 0.2mm; (2) more than 20% of FD over 0.2 mm; or (3) any FD > 5 mm (ref. 58). Global signals were extracted within the cerebrospinal fluid, white matter, grey matter and whole-brain masks. XCP Engine v.1.0 was used to perform denoising of the preprocessed BOLD output from fMRIPrep, using the estimated confound parameters58,59. This included demeaning and removal of any linear or quadratic trends and temporal filtering using a first-order Butterworth bandpass filter (0.01–0.08 Hz). These preliminary preprocessing steps were then followed by confound regression of ICA-AROMA noise components, together with mean white matter, cerebrospinal fluid and global signal regressors. All regressors were band-pass filtered to retain the same frequency range as the data to avoid frequency-dependent mismatch59. Whereas preprocessing was performed on the diffusion MRI data from the binge-eating-prone cohort to prepare the images for probabilistic tractography using the FSL suite60,61, the normative HCP diffusion MRI data had already been preprocessed (with the minimal preprocessing pipeline). The diffusion-weighted images were corrected for motion and geometric distortions using the topup and eddy functions, similar to that applied in the HCP’s preprocessing pipeline. For each participant, diffusion and T1-weighted images were co-registered using boundary-based registration./p> 25 (referred to as obese/overweight group)./p>