2021-11-13

Rapid Neural Reorganization during Retrieval Practice Predicts Subsequent Long-term Retention and False Memory

提取过程中的快速神经重组可预测随后的长期记忆和错误记忆

DOI：https://doi.org/10.1101/2020.04.02.020321

注：引用块中为机翻。

---

摘要

记忆提取（retrieval）可以诱发对记忆的强度和内容的改变，产生增强或扭曲的回忆。但巩固（consolidation）如何影响这些由提取诱发的相互矛盾的结果仍是未知的。我们使用8次提取练习预测后的回忆，展示了快速神经重组。记忆提取练习触发了在24小时（长期）而不是30分钟后的延迟后的记忆，并增加了在这两种延迟后的错误记忆。通过在记忆提取练习中逐步增加的后顶叶皮质（posterior parietal cortex,PPC）的多体素表征显著性（multi-voxel representation distinctiveness）预测了长期记忆增益；通过在记忆提取练习中内侧颞叶（medial temporal lobe,MTL）的不稳定性表征特异性预测了错误记忆。与记忆相关的神经网络在记忆提取练习中逐渐重构，腹外侧（ventrolateral）和内侧前额叶（medial prefrontal）皮质分别是长期记忆增益和错误记忆的功能性连接的中心。我们的研究演示了记忆提取练习过程中的动态神经重组，在此过程中，记忆被分配到离散但可塑的表征中，用于后续的巩固。

---

引言

人们一直尝试通过记忆策略提升记忆能力，记忆提取练习通过提取（即主动回忆）记忆中的信息强化记忆。几天或数月的提取练习可以触发长期、稳固的记忆，这意味着记忆巩固的存在。每次提取可以立即诱发记忆强度和内容的短暂改变，使得记忆轨迹不稳定，并被当前的经验改变，潜在地造成错误记忆。但通过记忆提取练习重组记忆，并巩固产生两种似乎相冲突的效果的神经认知机理研究很少。

心理学理论将提取练习的好处归因于更好地获取目标记忆，但不同理论强调的方面不同。迁移适应加工理论（transfer appropriate processing theory）强调提取练习和测试阶段的心理操作上的相似性增加了目标记忆的可获取性，情景语境叙述（episodic contextual accounts）强调提取练习和测试的情景语境相似性。最近的神经认知模型指出提取练习能够改善神经的轨迹以区分不同的记忆表征（举例：不同记忆之间的区别的增强）。然而，重新激活记忆能够使其神经表征不稳定，从而被当前的经验改变，进而引发新的学习和错误记忆。这种由提取引发的学习被认为涉及记忆相关的神经的动态组装，这种组装重构表征以适应不断改变的环境需求。因此，提取一定通过改变与记忆相关的脑系统内部和之间的联系，重塑了原来的表征。然而，对如何使用神经结构和连接通路在提取时的动态改变来预测巩固后的记忆输出的理解有较大差异。

一个关于提取练习的基础性的问题是，提取诱发的记忆轨迹的瞬间改变是如何转变为稳定表征的，这种表征既支持后续长期记忆，又仍足够可塑。基于系统巩固模型，记忆最初依靠内侧颞叶，内侧颞叶恢复皮层整体的编码能力，然后通过强化皮层连接数天或数周，被转换成稳定表征。最近的人和动物的模型的证据表明，新获取的知识可以在编码后被转换为稳定的皮层图，尤其是在后顶叶皮质。重要的或与未来相关的信息的记忆，诸如强烈训练的记忆，通过学习诱发的突触饱和网络增加和功能性连接增强，被设为高优先级。通过后续的离线巩固，尤其是在睡眠期间，优先级高的连接被转换，用于巩固为长期记忆。鉴于这种观点，提取练习能够活动地为目标信息设置优先级，以便后续转换为长期记忆。然而，一个最近的模型指出，重复的提取可能引发更快的在线巩固。提取引发的在线修正与提取后的离线巩固之间，影响后续记忆的相互作用方式仍未知。

使用位置方式的神经图像研究提供了在提取练习过程中，PFC、PPC和MTL之间接合的信息；但是很少提供提取诱发的记忆表征重塑的多维本质。对fMRI数据的多元分析能评估编码和提取过程中的活跃的记忆表征，使用鉴别性的多体素活动特征来描述与独立记忆事件相连的代表性的空间的显著性。这种方式使得我们能评估提取练习中PFC、PPC和MTL中的神经的代表性变化，以及这些变化如何影响后续的记忆输出。

除了局部脑区域，记忆提取涉及到广泛分布的脑系统组成的复杂网络，这些系统包括用于提取搜索的PFC，用于相关记忆的MTL和代表指定提取内容的PPC。因此涉及到，与记忆相关的MTL、PFC和PPC的动态组合，如何支持提取练习过程中记忆的动态重组。网络神经科学提供基于图的网络方法，以洞察在学习过程中，区域间的功能性连接是如何逐渐重构的；学习包括运动学习和记忆学习。至今，没有研究调查过提取练习是如何重新配置基于记忆的大规模脑网络以预测巩固后的后续记忆输出的。

通过8次提取练习和历时两天的预期的巩固范式，结合先进的多体素代表性特征和网络参数分析，我们整合事件相关的fMRI提出了一些重要问题。在记忆获取阶段，被试被训练获得48个面部-景观联想。复杂的与面部相关的景观在情绪效价上是一半消极一半中性的，目的是识别情节性记忆的提取练习的泛化的作用。接下来，被试在进行8次有提取练习（RP）的记忆练习阶段和没有提取（NR）的练习阶段时进行fMRI扫描，每次尝试16次，每次使用每张脸作为线索。剩下的16项试验作为基线条件，在记忆练习阶段没有出现。此后，在扫描仪外进行了两次线索回忆测试，以评估30分钟（短期）和24小时（长期）间隔后面部场景关联的记忆保持情况。对每个参与者的记忆表现进行评分，包括他们对面部场景关联的记忆（即联想记忆），以及在描述相关场景时给出错误信息的错误记忆。对RP和NR条件中涉及的神经活动和区域间连接性的多变量和网络分析（8次）使我们不仅能够跟踪记忆相关神经表征和网络配置的动态变化，而且能够确定哪些特定变化预测不同的记忆结果。基于提取诱导的学习和系统整合模型，我们假设提取练习会在诱发错误记忆的同时提高人脸-场景关联的长期记忆，不同的提取引起的记忆相关神经表征和网络结构的变化可以预测记忆结果的这两个方面。

---

结果

提取练习促进巩固后的长期记忆，并诱发错误记忆

在记忆练习过程中，参与者被要求对与每种线索相关的记忆的生动性进行评分，包括提取练习（RP）和不提取（NR）两种情况。他们报告RP的逼真度评级（平均值±标准差，3.19±0.43）高于NR状态（1.74±0.26）（t（56）=24.93，p<0.001；与成像数据相关的逼真度评级见补充图S1）。

我们首先在即时（短期）和延迟（长期）测试中考察了提取练习对记忆保持的有效性。我们观察到，在RP延迟测试中，面部场景关联的长期保持率（相对于其相应的基线）优于NR状态（7.6±3.3%）（t（56）=4.37，p<0.001；图1B）。在即时测试中未观察到短期保留的可靠差异（t（56）=-1.38，p=0.17；图1B）。此外，我们通过从延迟测试中减去即时测试中的保留性能来计算长期保留增益。配对t检验显示，固结后，RP条件下的长期保持率得分（18.1±4.6%）显著高于NR条件下的长期保持率得分（0.60±4.6%）（t（56）=4.19，p<0.001；图1C）。此外，我们还通过进行2×2重复方差分析（ANOVA），检验了相关场景的情感配价是否影响RP和NR条件下的长期保留增益，配价（负性与中性）和条件（RP与NR）为受试者因素。该分析揭示了条件的主效应（F（1,56）=17.56，p<0.001），但既没有配价的主效应（F（1,56）=2.68，p=0.11），也没有条件间的配价相互作用（F（1,56）=1.78，p=0.19）（图S3），这表明与人脸相关的两种场景的长期保持增益模式相似。

然后，我们比较了参与者在RP和NR条件下即时和延迟测试中回忆的错误细节的记忆分数（相对于基线）。有趣的是，在24小时后的延迟试验中，我们观察到RP条件下的错误记忆显著高于NR条件下的错误记忆（t（49）=2.49，p=0.016），在30分钟后的立即试验中，错误记忆也有轻微的显著影响（t（49）=1.92，p=0.06）（图1D）。平均而言，RP组（1.4±0.15）在两次延迟中的错误记忆得分显著高于NR组（0.94±0.11）（t（49）=2.87，p=0.006）（图1E）。总之，这些结果表明，提取练习提高了巩固后记忆面孔-场景关联的长期记忆增益，并且总体上诱发了错误记忆。

提取引起的神经表征变化及其与记忆结果的联系

接下来，我们研究了在8次提取实践中提取引起的记忆相关神经表征的动态变化。我们的分析仅限于从NeuroSynth平台上的大规模荟萃分析中获得的提取相关大脑系统（见方法）。为了验证该掩模的有效性，我们对RP（或NR）条件下的多体素活动模式进行了一组相似性分析，这些活动模式与来自NeuroSynth的规范提取相关激活图相关（图2A）。配对t检验显示RP条件下的模式相似性高于NR条件下的模式相似性（t（49）=5.51，p<0.001；图2B）。对该相似性度量在8次运行中的动态变化的进一步分析表明，RP条件下的神经模式相似性方差（可变性）小于NR条件下的神经模式相似性方差（可变性）（t（49）=-3.47，p=0.001；图2C）。这些结果表明，与NR条件相比，RP条件下与提取相关的大脑系统的参与程度更大。

然后，我们通过分析每次运行中RP和NR试验的典型提取相关脑掩模中试验间多体素神经活动模式的不同性，研究了提取实践中各个试验中记忆相关神经表征差异性的动态变化（图2D）。该分析显示，在RP条件下进行的8次试验中，试验间神经模式显著线性增加（斜率t检验：t（49）=3.31，p=0.008，在Bonferroni校正多次比较后，下文称为“校正”（图2E），但在NR条件下，试验间神经模式显著线性增加（t（49）=2.37，p=0.16校正）（图2F）。补充方法和结果（图S4-S5）中提供了RP和NR试验条件特定神经模式保真度和试验特定神经特征变化的额外分析。

此外，最近的神经认知模型假设，提取练习可以细化神经痕迹和功能路径，以访问目标记忆表征，从而导致记忆变得更加区分彼此10。因此，我们将整体提取相关的规范化脑蒙版分解为涉及PPC、MTL和PFC的三个系统（图3A），并计算每个试验中RP和NR试验的相应试验间神经模式区分度。我们仅在PPC中观察到在RP条件下的8次运行中神经显著性线性增加（斜率的t检验：t（49）=3.47，p=0.005校正），在PFC中（t（49）=2.58，p=0.08校正），但在MTL中未观察到显著影响（t（49）=1.72，p=0.70校正）（图3B）。然而，在这三个系统中，我们没有观察到NR状态的任何可靠线性增加（所有p>0.16校正）。我们进一步观察到，在RP条件下（图3B），最终试验的试验间神经显著高于第一次试验（t（49）=3.55，p<0.001）和PFC（t（49）=2.91，p=0.005），但在NR条件下（所有t（49）<1.08，p>0.28）。关键的是，我们只发现PPC最终运行的显著性与RP条件下的长期记忆增益正相关（r=0.37，p=0.009），而与NR条件下的长期记忆增益无关（r=-0.06，p=0.67）（图3C）。有趣的是，MTL最终运行的试验间神经差异性与RP条件下的错误记忆呈正相关（r=0.38，p=0.01），但在NR条件下（r=0.13，p=0.40）（图3D）。总的来说，这些结果表明，提取练习导致了PPC、PFC和MTL中试验间中性显著性的异质动态，PPC中较高的显著性预测更好的长期记忆增益，MTL中较高的显著性预测更多的错误记忆。

提取诱导大脑网络重组以预测长期记忆增益

为了跟踪大规模大脑网络的动态组装，包括PPC、PFC和MTL提取练习中的15个节点，我们使用上下文相关心理生理相互作用（gPPI）的广义形式，为每次运行构建了一个由15×15个成对链接组成的网络（图4A）。总体而言，我们观察到RP条件下的整体网络效率显著提高（斜率t检验：t（49）=2.78，p=0.0077），但NR条件下的整体网络效率显著降低（t（49）=-2.05，p=0.046）（图4B）。后续统计测试显示RP条件下的斜率明显高于NR条件下的斜率（所有t（49）>3.37，p<0.0015）（图4C）。其他分析还揭示了PPC、PFC和MTL在提取练习中网络配置的动态变化（图S7）。

然后，我们研究了记忆相关的大脑网络在提取练习中的动态重新配置如何促进巩固后的长期保留。我们通过训练一个支持向量回归（SVR）模型来实现网络行为预测分析，该模型基于RP（或NR）条件下8次运行的网络特征。特征选择程序表明，从作为输入特征的所有8次运行的前1%链接获得的信息提供了预测长期保留增益的最稳健的准确性（图S8A）。图5A中显示了从每次运行中选择的链接。

然后，通过使用上述选定链接，我们进行逐步预测分析，以将预测值的变化描述为8次运行的函数（图5B）。RP条件下的最高预测值在前5次运行中达到0.74（r（预测，观察）=0.74，p<0.001置换测试），并自那时起保持在稳定水平。RP条件下的预测优于NR条件（图5B；灰色线）。为了说明RP条件下的网络特性，我们使用8次运行中选定的链路进行了基于图论的网络分析（图5A）。这些分析显示，PPC、PFC和MTL中节点的介数中心性显著增加（斜率的t检验：t（49）>17.27，均p<0.001），PPC的增加比PFC和MTL更显著（t（49）>9.6，均p<0.001；图5C）。在15个淋巴结中，右侧VLPFC显示出最显著的增加，远远高于其他淋巴结（所有t（49）>4.2，所有p<0.001；图5D）。这些结果表明，在提取练习中，记忆相关大脑网络的动态重构可以预测巩固后的长期保留增益，右侧VLPFC成为中心。

 VLPFC和PPC动态重组预测试验间神经模式的特异性

鉴于VLPFC和PPC是在提取练习中参与记忆相关神经网络动态重组的两个关键节点，我们进一步假设它们的功能协调将促进神经表征模式的独特性，以预测长期记忆增益（图5E）。为了验证这一假设，我们仅使用右侧VLPFC和PPC节点之间的链接作为输入特征，实现了额外的预测分析。该分析再次表明，这些节点之间的连接强度高度预测长期记忆增益（r（预测，观察）=0.66，p<0.001；图5F），表明在提取练习期间这些区域之间的通信能力对后续记忆结果至关重要。

此外，我们还研究了VLPFC网络连通性与PPC节点试验间神经模式差异性之间的关系，PPC节点被认为是提取内容特定表示的“输出缓冲区”（38,42）。我们观察到，VLPFC和PPC节点之间有效连接的连接强度对最终试验中PPC的试验间神经模式特异性具有积极预测作用（r=0.29，p=0.04；图5G）。这些结果表明，在提取练习中，正确的VLPFC和PPC之间的功能连接对于预测PPC的试验间神经模式特异性和长期保留增益至关重要。

提取过程中的MPFC和MTL动态重组预测错误记忆

为了研究提取诱导的网络重构如何导致错误记忆，我们使用与预测长期记忆增益相同的程序对错误记忆分数进行了网络行为预测分析。假设错误记忆在30分钟和24小时间隔内表现出相似的模式，我们使用这两个间隔的平均错误记忆分数进行预测分析。

特征选择程序再次显示，从作为输入特征的所有8次运行的前1%链接获得的信息产生了预测错误记忆的最佳结果（图S8B）。我们将逐步预测值绘制为8次运行的函数，预测值在前5次运行中达到0.55（r（预测，观察）=0.55，p<0.001置换测试），在RP条件下的最终运行中增加到0.74。所选特征如图6A所示。RP条件下的预测也优于NR条件（图6B）。与作为预测长期保留收益枢纽的右侧VLPFC不同，基于图论的选定链路网络分析显示PFC、MTL和PPC的介数中心度逐渐增加（斜率t检验：t（49）>7.15，均p<0.001），MPFC的增加最为显著（图6C）。后扣带回皮质和右侧海马的中间性中心性也比其他节点显著增加（所有t（49）>3.23，所有p<0.0024；图6D）。有趣的是，我们发现所选链接的平均连接强度对MTL最终运行的试验间神经显著性具有积极预测作用（r=0.39，p<0.01；图6e）。综上所述，这些结果表明，提取诱导的记忆相关脑网络的动态重构可以预测MTL中的错误记忆和试验间差异性，在MPFC中效果最为显著。

---

讨论

通过跟踪神经表征和网络结构的动态变化，我们研究了记忆如何通过提取和随后的巩固而重塑的神经认知机制。提取练习提高了巩固后的长期记忆，时间间隔为24小时，而不是30分钟，并且总体上增加了错误记忆。这些行为效应与提取引起的记忆相关多体素神经模式的动态变化以及PPC、PFC和MTL节点之间功能连接的逐渐重新配置有关。VLPFC成为预测长期记忆增益和精炼PPC中神经模式特异性的关键环节的枢纽，而MPFC对预测MTL中错误记忆结果和神经特异性的选定环节的影响最为显著。我们的研究结果表明，提取逐步完善记忆相关的神经表征，并重新配置功能路径，不仅促进长期记忆增益，而且产生记忆扭曲。

在行为层面上，24小时后而不是30分钟后，复述练习促进了长期记忆。这与先前的研究一致，这些研究报告了长期记忆而非即时记忆的提取练习的益处1,3。这表明，提取练习对记忆的好处是依赖于时间的，包括离线整合，将提取到的记忆转换为长期存储。我们推测，对目标记忆痕迹的多次提取尝试可能会优先考虑或“标记”这些记忆，将其视为重要的或与未来相关的记忆，从而将它们调整到超坐标位置，以便长期存储。这一观点可以很容易地解释我们对联想记忆增益（重要的中心信息）的观察，而对不太重要的细节的错误记忆。然而，没有经过提取练习的记忆很可能被设置为“不太重要”，因此随着时间的推移会被遗忘。众所周知，睡眠对于离线整合至关重要32。因此，睡眠过程中的过程可能在为后续整合20确定“标记”信息的优先级方面发挥作用，从而获得更好的长期记忆增益。

值得注意的是，我们观察到与人脸相关的负面和中性场景具有相似的长期记忆增益模式。与之前的研究33类似，我们观察到的益处可以概括为两种刺激。此外，我们的NR操作似乎类似于记忆抑制任务22,34。然而，我们没有在行为层面上观察到抑制诱导的遗忘。因此，考虑到我们在提取练习中的先验假设在不同的实验环境中，我们将谨慎地将这种情况视为自愿抑制。有人可能会推测，在RP而非NR条件下，提取诱发遗忘12可能有利于长期记忆增益。我们的数据似乎与这一假设相悖，因为我们没有观察到提取诱发的遗忘，但在延迟测试中，RP条件下的长期记忆显著增加。未来关于记忆抑制和提取诱发遗忘范式的研究可能会直接解决这些可能性。

有趣的是，我们发现RP而非NR试验的试验间神经差异性可以预测MTL中的错误记忆。这与之前的研究结果一致，即MTL，尤其是海马体有助于错误记忆38。MTL对于情景记忆至关重要，包括情景上下文绑定和回忆39。情景语境可以作为重要的线索来支持提取练习9的好处，但情景语境的不匹配会导致人类的错误记忆40。因此，MTL可以参与新皮质集合中记忆的在线恢复，通过这一过程，记忆变得不稳定，在提取练习中容易改变。根据这一观点，MTL中的试验间神经差异性是产生错误记忆的原因，最有可能是由于在多次提取尝试期间提取介导的新信息学习和/或不匹配的情节背景。

除了提取引起的局部神经表征的变化外，我们发现大规模脑网络之间的功能连接在8次运行中得到加强，在RP条件下比NR条件下具有更高的全局网络效率。区域间的连通性被认为反映了遥远地区之间信息流的功能通信路线41。在记忆相关的大脑网络之间以更高的效率加强连通性可能反映出在提取练习中逐渐建立更有效的路径，通过这些路径，目标信息可以重新加权，作为未来使用的重要信息。此外，我们基于网络的预测结果表明，在8次运行中，提取诱导的大脑网络动态重构对于预测长期保留增益至关重要，在最初的5次运行中，中间性中心性快速增长。最显著的影响出现在右侧VLPFC中。由于中间性反映了通过网络42的信息流传输，因此VLPFC可以作为一个枢纽，在提取练习中驱动动态网络重新配置。MTL的动态轨迹一般较低，但与PFC和PPC相似，表明这些系统在提取练习中不断参与。考虑到离线整合后观察到的长期保留收益，我们推测上述网络重新配置可能是为建立相关连接做准备，以便为后续整合到长期存储中进行优先排序。

我们进一步发现，在提取练习中，正确的VLPFC与PPC的连接为预测巩固后的长期保留收益提供了最多的信息。VLPFC被认为是一个关键位点，它对情景提取进行自上而下的调节，包括策略选择和抑制无关信息。PPC被认为是一个“输出缓冲区”，通过汇聚来自其他皮质输入的多模态信息，对提取到的记忆内容进行主动表示29,44。因此，我们推测，VLPFC与PPC之间的连接性逐渐增强，这可能是有效功能协调的基础，有助于在提取练习中恢复PPC中锚定的目标记忆表征。通过反复主动提取，这些节点之间的路由逐渐建立，因此目标信息可以作为高优先级重新加权，以便整合到长期存储中。事实上，我们观察到VLPFC-PCC功能连通性对PPC中的试验间神经差异性具有积极预测作用，而PPC中更具辨别性的神经模式进一步预测巩固后更好的长期记忆增益。最近的啮齿动物模型认为，长期记忆的形成涉及到早期的“标记”和随后支持记忆的皮层网络的重新称重45,46。因此，VLPFC可以驱动评估信号，以重新加权重复重新激活的记忆事件，这在提取练习中是重要的，通过该信号，PPC中的目标信息的表示可以被优先化到超级坐标位置，以便后续合并。这种前额叶调制不同于背外侧PFC对海马神经活动的自上而下控制，后者与自主记忆抑制有关22,34。关键的是，在提取练习中重新加权的记忆痕迹似乎在离线巩固过程中变得成熟，因为我们没有在即时回忆中观察到记忆增益，这可能是因为它们仍然不稳定，没有成熟到稳定的英语18，并且在立即召回期间未与其他产品完全隔离。事实上，最近的数据表明睡眠对于保存新形成的记忆是至关重要的37。需要进一步研究，以确定记忆痕迹如何通过VLPFC和PPC协调优先于提取练习的机制，以促进以后的巩固。

结合神经网络重组预测长期记忆增益，我们发现记忆相关神经网络在提取练习中的重新配置可以预测错误记忆结果。与VLPFC和PPC不同，VLPFC和PPC似乎对预测长期记忆增益至关重要，我们发现MPFC和PCC的中间值增加最显著。这表明MPFC和PCC在检索实践中的功能协调在产生错误记忆中起着关键作用。这种解释与先前关于情景记忆系统结构性质的发现是一致的。也就是说，MPFC和PCC可以充当支架式主动重建情景记忆以供将来使用的接口，并由此导致检索诱导的新学习以在随后的再调用中产生错误记忆47。此外，已知这些节点支持自动签名记忆48的回忆，这可能通过整合一个人的自动签名记忆来干扰目标记忆。

最后，我们发现，所选链接的平均连接强度对最终运行中MTL的试验间神经差异性具有积极预测作用，而后者的测量结果进一步与更多的错误记忆相关。MTL参与了在检索实践中在线恢复情景记忆的建设性过程，通过它，记忆表征在每次检索时变得不稳定，因此当前经验的新信息很可能整合到现有记忆中，导致记忆表征在每次检索时不稳定49。通过强调检索实践通过动态重组神经表征和网络连接来重塑记忆，从而产生虚假记忆，这扩展了检索实践对记忆保留的益处研究的中心思想。总之，我们的研究结果提供了新的证据，表明不同的检索诱导的动态神经重组机制，通过这种机制，检索实践可以导致看似矛盾的记忆结果，一方面包括巩固后的长期保留增益，另一方面，总体上是错误记忆。

总之，我们的研究表明，在检索实践中快速的神经重组可以预测巩固后的长期记忆增益和错误记忆结果。我们的发现表明了一种动态的神经重组机制，通过这种机制，记忆被安排成更离散但更具延展性的表征，通过快速重组大脑功能路径，随后巩固为长期记忆。我们的发现可能有助于制定有效的干预措施和策略，以改善健康人群和临床人群的记忆。

---

材料和方法

被试 略
实验材料/素材选择 略
实验设计和流程 略
记忆表现和行为分析（标准与方法） 略
（脑电）图像获取 略
图像预处理 略

单变量GLM分析

为了评估记忆练习期间与任务相关的大脑反应，在RP和NR条件下分别建立了感兴趣的回归模型，并与SPM8中的标准血液动力学反应函数（HRF）进行了卷积。此外，还包括每个参与者在重组过程中的运动参数，以回归出头部运动对大脑反应的潜在影响。我们在GLM框架中使用一阶自回归模型（AR（1））包括使用1/128 hz截止值的高通滤波以去除高频噪声和对序列相关性的校正。
在提取练习过程中，针对RP（或NR）条件下与任务相关的大脑反应以及在个体受试者水平上生成的较低水平固定，将对比参数估计图像提交给后续的多体素表示稳定性和保真度分析，以及基于图论的脑网络分析。
为了进一步评估记忆练习阶段每个RP或NR试验的试验性大脑反应，每个线索运行被建模为一个单独的回归器，并与SPM8中实施的HRF进行卷积。这导致每次运行总共有32个回归器，其中16个RP试验和16个NR试验。其他参数设置与上述单变量GLM相同，用于与任务相关的大脑反应估计。最初在个体受试者水平上生成的每个检索到的试验与固定的对比参数估计图像，分别在RP和NR条件下进行8次试验间多体素模式特异性和试验特异性神经特征的后续分析。

———
ROI选择
为了定义与记忆相关的大脑面罩，我们使用Neurosynth平台进行功能磁共振成像数据的大规模自动合成(http://neurosynth.org)以“记忆检索”作为搜索词，在整个大脑水平上生成一个反向推理面具。然后，我们使用高度阈值p<0.001（或z评分>3.0）和空间范围簇大小大于30个体素的标准来细化掩模。然后，基于空间连续体素将整个大脑面具分割成15个不同的ROI或簇。这些ROI包括左腹外侧前额叶皮质（l_VLPFC）、右腹外侧前额叶皮质（r_VLPFC）、左背外侧前额叶皮质（l_DLPFC）、眶下额叶回（orbIFG）、背前扣带皮质（dACC）、内侧前额叶皮质（MPFC）、右上额叶皮质（r_SFG）、右海马左海马（l_HPC）、左内侧颞回（l_MTG）、前内侧颞叶（aMTL）、右外侧顶叶皮质（r_LPC）、左外侧顶叶皮质（l_LPC）、楔前叶（PrC）和后扣带皮质（PCC）。
———
神经模式相似性与保真度
计算了三个多体素神经模式度量，以描述在检索实践过程中检索引起的多体素模式相似性的变化。第一个是指在检索实践中超过8次的神经模式相似性。检索诱导的神经激活模式的z评分图首次从Neurosynth平台获得，作为使用上述定义的整体大脑面罩的标准参考。然后，在每次运行中，从同一遮罩中分别提取RP和NR条件下的多体素活动模式。然后，我们计算了RP和NR各自多体素模式的Pearson相关系数，以及每次运行的标准参考图。此后，对相关系数进行Fisher z变换，并提交计算RP和NR的8次运行的神经表征稳定性s_相似性。
补充方法中描述了其他两个指标，即反映条件相关神经保真度和检索实践中的试验特定神经模式相似性。
公式略
———
试验间神经模式特异性
计算了一个神经模式显著性度量，以描述在8次检索实践过程中RP（或NR）试验中试验间多体素活动模式差异性的变化。在每次运行中，从遮罩中提取RP（或NR）条件下每个试验的多体素活动模式。然后，我们计算了它们对应的皮尔逊相关系数与其他剩余试验在相同运行条件下的活动模式。将这些系数转换为Fisher的z分数并取平均值，然后从1中减去平均值，得出每次运行的显著性度量。然后，我们将线性方程函数[f（x）=a×x+b，其中变量x是游程数]拟合到动态神经模式显著性。
其中n是每种条件下的试验总数，Ti是与试验i相关联的试验相关活动模式，Tj是来自相同运行条件的试验j的试验相关活动模式。由于最后一次运行（本研究中的第8次运行）代表了记忆练习后的最终大脑状态，我们使用第8次运行与先前研究24实施的记忆性能进行了进一步的相关性分析。
公式略
———
网络搭建
网络节点由上面定义的15个ROI组成。对于每个参与者，通过使用广义形式的上下文相关心理生理相互作用（gPPI）分析，为每次运行中的每个任务条件（即RP或NR）创建15×15连通矩阵。gPPI方法被广泛用于评估特定种子或ROI与大脑其他部分的任务依赖性功能连接，消除了整体任务激活和常见驱动输入的潜在混淆。具体而言，提取每个种子ROI的平均时间序列，然后解卷积，以揭示神经元活动（即生理变量），并与对比RP条件和固定条件（即二元心理变量）的任务设计向量相乘，形成心理生理相互作用（PPI）向量。该相互作用向量与SPM8中的标准HRF卷积，形成感兴趣的PPI回归。GLM中还包括代表任务设计（RP与固定）的心理变量以及每个种子ROI的平均校正时间序列，以消除总体任务相关激活和常见驱动输入对大脑连通性的影响。为了确保正常性，对每个任务条件的连通性值进行Fisher z变换。请注意，为了节省计算资源，此分析仅包括15个ROI内的体素。对每个种子ROI进行单独的gPPI分析，以评估其与剩余ROI的任务相关功能连通性。
———
基于网络的脑行为预测分析
从gPPI分析得到的网络矩阵被提交给后续的基于机器学习算法的大脑行为预测分析，使用LIBSVM工具箱(http://www.csie.ntu.edu.tw/~cjlin/libsvm/）。在基于机器学习的预测模型中，使用了一种略去一项的方法来训练单独的模型来预测个体巩固后的长期记忆增益以及错误记忆结果。例如，为了预测个体的长期保留增益，我们使用剩余个体的数据训练了一个支持向量回归（SVR）模型。这种方法被迭代计算所有个体的预测长期保留分数。然后，我们计算预测准确度的预测分数和观察分数之间的皮尔逊相关系数，以量化大脑行为关系的强度。预测准确性的统计显著性通过排列测试程序进行评估。对于每个排列，我们随机洗牌行为分数，然后计算大脑行为预测的准确性。这个过程在每次运行中重复1000次。此后，按照降序对1000个置换预测值进行排序，并通过将位置编号（预测精度所在位置）除以1000计算0.01和0.05的显著性p值。
———
两步预测程序用于计算大脑行为预测值
首先，我们提取了8次运行的所有链接作为输入特征来训练SVR模型，以预测个体的长期记忆增益（或错误记忆分数）。在该模型中，我们获得了每个链接的预测权重，并按降序排序。随后，仅选择权重高于特定标准的链接，并将其作为模型中的输入特征，用于后续逐步预测过程。按照该领域的惯例，我们实施了一组不同的阈值，并获得了前1%的链接，以实现最佳预测精度（图S7A）。其次，我们将前1%的链接预测回每次跑步，以累积的方式跟踪他们在8次跑步过程中的进化轨迹，然后训练一个逐步预测模型来预测个体的长期记忆增益（或错误记忆分数）（图4A）。此外，这些选定的链接通过叠加到玻璃大脑模板上进行图论分析和网络可视化。
———
整体效率
全局效率表示网络中的平均反向最短路径长度，与特征路径长度成反比。全球效率定义为  公式略
———
中间性
作为网络分析中最常用的指标之一，介数中心性表示信息通过节点的程度，节点在网络中的影响力越大42。它是根据具有从预测分析中选择的特征的网络来计算的。具体而言，对合并后个人的长期保留收益进行预测的链接被保留，其余链接被设置为0。此后，将生成的网络输入GRETNA进行网络分析(https://www.nitrc.org/projects/gretna/). 节点i的介数中心性定义如下： 公式略
———
统计分析
分别使用R（3.4.1）和MATLAB（R2016a）对行为和成像数据进行统计测试。除非另有说明，否则数值表示为平均值±s.e.m。当假设正态性时，重复的方差分析和Student t检验用于评估相同方差的兴趣条件之间的差异。皮尔逊相关和线性回归用于评估变量之间的关系，并在适当时进行线性拟合。报告双尾p值用于统计检验。对预测分析进行置换检验。
———
数据可用性 略

图与图例 略