Cell子刊:掌管人体时差的万能秘钥是?控制它,攻克时差易如反掌

2018 年 7 月 13 日 生物探索

飞跃时区的旅行让我们对这个世界有了更多的认知,但却让很多人饱受时差困扰。随着科学的精进,你是否想过某天能控制自己身体的计时系统呢?近日,华盛顿大学的生物学家通过激活参与设定每日节律的一小部分神经细胞,为小鼠时差症打开了治疗之门,这项成果或为解锁人类时差症带来思路。



相关研究已于7月12日以“Entrainment of Circadian Rhythms Depends on Firing Rates and Neuropeptide Release of VIP SCN Neurons”为题发表在Neuron杂志。


人体的所有基本功能都通过身体的每日或昼夜节律时钟与当地时间高度同步。在大脑最底部靠近嘴的顶部有一个小区域,提醒我们每天定时醒睡。这个主时钟被称为视交叉上核,或SCN。


当这个系统受到干扰时(例如轮班工作或穿越时区),SCN中的2万个神经元都要努力调整身体以适应新的时间表。研究人员发现,以适当的电活动模式刺激仅10%这些神经元,可导致小鼠迅速转向新的每日作息时间表。


“这就像你的手表善于计时一样,除非你能把它设定为当地时间,否则它是无用的。我们想知道生物钟是如何适应当地时间的。”通讯作者 Erik D. Herzog说。


Credit: CC0 Public Domain


首先,Herzog及其研究小组怀疑有一小部分SCN神经元参与其中,因为它会产生血管活性肠多肽或VIP(神经元用来交流和同步日常节律的一种必需化合物)。


Herzog说:“人和小鼠的SCN中仅有约2000个VIP神经元,我们假设VIP神经元就像祖母一样,负责告诉每个人该做什么。”


为了验证这个想法,第一作者Cristina Mazuski首先开发了一种方法来表征VIP神经元的正常日常放电模式。


通过记录一组神经元的毫秒级动作电位,他们能够识别两类VIP神经元:紧张型和不规则型。紧张型VIP神经元(Tonic VIP neurons)以稳定的速度放电,每一次放电发作之间的间隔相等;而不规则型VIP神经元以一对或三对(的不稳定状态)等距放电。


研究人员随后测试了VIP神经元的激活是否会改变SCN和小鼠的日常日程。


为了进行这项实验,研究人员让小鼠一整天整夜处于完全黑暗的环境中,没有任何关于时间的环境线索。通过使用一种叫做光遗传学的工具,他们每天只在同一时间激活VIP神经元,这模拟了飞到一个新的时区的过程。


Mazuski解释道:“这是了解SCN如何让生物体与当地光照时间同步的重要一步。”


接下来,研究人员测试了VIP神经元的不同放电模式,发现当VIP神经元被激活到不规则放电时,小鼠能更快地克服时差反应;当小鼠的VIP神经元受到紧张刺激时,它们适应新的局部时间会变慢。


总结来说,研究人员发现VIP神经元的不同放电模式决定了小鼠对时差的克服能力的强弱。


未来,研究人员希望研究出刺激VIP神经元进行不规则放电的方法,以早日帮助人们攻克时差限制并减少人类旅行者和轮班人员的时差反应。


责编:艾曼

End

参考资料:1)The VIPs of the nervous system—a tiny population of neurons holds a master key to the body's clock


本文系生物探索原创,欢迎个人转发分享。其他任何媒体、网站如需转载,须在正文前注明来源生物探索。

登录查看更多
0

相关内容

SCN:Security and Communication Networks。 Explanation:安全和通信网络。 Publisher:Wiley。 SIT: http://dblp.uni-trier.de/db/journals/scn/
【ICML2020-哈佛】深度语言表示中可分流形
专知会员服务
12+阅读 · 2020年6月2日
 【SIGGRAPH 2020】人像阴影处理,Portrait Shadow Manipulation
专知会员服务
28+阅读 · 2020年5月19日
【ICMR2020】持续健康状态接口事件检索
专知会员服务
17+阅读 · 2020年4月18日
【学科交叉】抗生素发现的深度学习方法
专知会员服务
23+阅读 · 2020年2月23日
新阶级论: 寒门难贵,豪门难败
凤凰财经
5+阅读 · 2019年1月29日
浅谈外泌体抑制剂——鞘磷脂酶抑制剂GW4869
外泌体之家
8+阅读 · 2018年12月19日
AI情绪识别技术背后:一场悄然来袭的“暴政”
大数据文摘
7+阅读 · 2018年10月11日
Inferred successor maps for better transfer learning
Logically-Constrained Reinforcement Learning
Arxiv
3+阅读 · 2018年12月6日
Physical Primitive Decomposition
Arxiv
4+阅读 · 2018年9月13日
Arxiv
8+阅读 · 2018年4月8日
VIP会员
Top
微信扫码咨询专知VIP会员