MARC

 008250123s2024        us                              c    eng  d
■001000017160626
■00520250211151051
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382781594
■035    ▼a(MiAaPQ)AAI31141429
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a616
■1001  ▼aQian,  Lechen.▼0(orcid)0000-0001-6767-9773
■24510▼aNeural  Circuit  Mechanisms  Underlying  Contingency  Learning
■260    ▼a[Sl]▼bHarvard  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a108  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Uchida,  Naoshige;Murthy,  Venkatesh.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2024.
■520    ▼aStudies  on  animal  learning  have  shown  that  the  efficacy  of  both  associative  learning  and  responding  depends  on  contingency,  the  extent  to  which  the  likelihood  of  an  outcome  changes  by  a  presentation  of  a  stimulus.  However,  how  neural  representations  in  the  mesolimbic  dopamine  system  and  ventral  striatum  are  modulated  by  contingency  remain  unclear.  Chapter  I  of  my  dissertation  focuses  on  this  by  examining  mice  trained  in  a  Pavlovian  conditioning  degradation  task.  I  observed  that  anticipatory  licking  for  odors  previously  associated  with  rewards  significantly  diminished  when  unpredicted  rewards  were  introduced  but  remained  stable  with  predicted  additional  rewards.  Furthermore,  dopamine  (DA)  axonal  signals  in  the  Olfactory  Tubercle  (OT)  and  Nucleus  Accumbens  (NAc),  measured  using  photometry,  mirrored  these  behavioral  changes.  While  dopamine  signals  are  commonly  thought  to  resemble  the  temporal  difference  (TD)  error  in  TD  learning  models,  previous  studies  suggested  these  models  couldn't  explain  the  contingency  degradation  phenomenon.  However,  our  findings  indicated  that  DA  responses  in  various  experimental  conditions  align  closely  with  a  TD  learning  model  incorporating  state  transitions  reflective  of  task  structure.  Furthermore,  we  showed  that  recurrent  neural  networks  (RNNs)  trained  in  the  task  using  a  TD  learning  framework  recapitulate  dopamine  responses  and  develop  state  representations  consistent  with  the  task  states,  merely  from  observations.  Based  on  these  results,  we  provided  a  theoretical  framework  linking  TD  errors  to  contingency  and  causal  learning.Many  studies  of  reinforcement  learning  in  rodents  have  involved  the  olfactory  system.  Previous  studies  have  indicated  that  neural  activity  related  to  the  odor  valence  have  been  observed  in  the  OT,  a  relatively  understudied  structure  situated  in  both  the  olfactory  pathway  and  the  ventral  striatum.  In  Chapter  II,  I  examined  how  valence  representations  of  odor  cues  evolve  over  time  in  the  two  distinct  neuronal  populations  in  the  OT,  and  how  stable  these  representations  are  under  different  conditions  in  contingency  learning  using  2-photon  microscopy.  As  the  idea  of  representational  stability  and  drift  are  vigorously  debated,  this  study  will  add  valuable  biological  data  to  inform  conceptual  ideas  of  neural  representations  in  the  brain.Together,  these  results  provided  new  insights  into  the  neural  circuits  involved  in  the  representation  of  contingency  in  the  mammalian  brain.
■590    ▼aSchool  code:  0084.
■650  4▼aNeurosciences
■650  4▼aCellular  biology
■650  4▼aMolecular  biology
■653    ▼aContingency
■653    ▼aDopamine
■653    ▼aVentral  striatum
■653    ▼aTD-learning
■653    ▼aTemporal  difference
■690    ▼a0317
■690    ▼a0379
■690    ▼a0307
■71020▼aHarvard  University▼bBiology,  Molecular  and  Cellular.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160626▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books