脑内存在的睡眠和觉醒调节系统,分别由众多的神经核团和递质组成,彼此间形成相互作用、相互制约的神经网络,调节睡眠觉醒的发生与维持,受昼夜节律和机体内稳态系统的调节。关于睡眠内稳态调控的机制以及参与内稳态调控的核团、脑区,我们还知之甚少。本研究采用Sprague-Dawley大鼠,采取开始于不同时间点的完全睡眠剥夺以及夺眠后的睡眠反弹,利用高度自动化的睡眠觉醒生物解析系统,结合免疫组织化学染色方法,观察不同睡眠张力条件下c-Fos蛋白表达的差异,探讨睡眠内稳态调控机制；flip-flop睡眠觉醒调控机制在睡眠内稳态调控中的作用；发现参与这一机制的调控脑区或核团。前相夺眠(时间为7：00-13：00)对睡眠反弹期睡眠-觉醒结构的影响主要为：非快动眼睡眠(NREM睡眠)强度增加,在1.5-3Hz频率段,Delta波活动增强；NREM睡眠向Wake的转换次数由基础状态下的26次减少到16次,而Wake向NREM睡眠的转换次数也由基础状态下的37次减少到23次；短时程的NREM睡眠数量减少,尤其是持续时间为32-64 sec的NREM睡眠数量减少到原来的38%,持续时间为64-128 sec的NREM睡眠数量减少到原来的33%,而长时程的NREM睡眠,特别是持续时间为1024-2048 sec的NREM睡眠数量则显著增加,为基础状态下的9倍。与前相夺眠的影响不同,后相夺眠(时间为13：00-19：00)睡眠反弹期的睡眠-觉醒结构特征表现为：Wake量减少同时伴有NREM睡眠量的增加,由30 min/2 h增加到60 min/2 h；睡眠转换次数虽增加,但不具有统计学意义；NREM睡眠时程的变化主要为,持续时间为512-1024 sec长时程的NREM睡眠数量增加到基础状态下的3.5倍。免疫组化染色结果显示：前、后相睡眠剥夺,分别经过2 h睡眠反弹,腹外侧视前区核心部(VLPO cluster)的c-Fos的阳性神经元数量分别增加到睡眠剥夺结束时的2.6和2.5倍；视前正中核(MnPO)的c-Fos阳性神经元的表达数量增加到夺眠后的1.1和1.5倍；结节乳头体核腹侧部(VTM) c-Fos阳性神经元数量分别减少至夺眠后的27%和51%；而结节乳头体核背侧部(DTM)前相睡眠反弹期,c-Fos阳性神经元数量减少至夺眠后的24%；前相睡眠反弹,蓝斑核(LC)的c-Fos阳性神经元数量减少至夺眠后的28%；前、后相的睡眠反弹,背侧中缝核(DRN)的c-Fos阳性神经元的表达数量减少到夺眠后的52%和44%。同时,睡眠反弹也使c-Fos蛋白在梨状皮层(Piriform)与扣带回皮层(Cingulate)的表达增加,前者前相睡眠反弹期增加到夺眠后的2倍,后者前、后相的睡眠反弹分别增加至夺眠后的1.5和1.6倍。对于快动眼睡眠(REM睡眠)调控区域的影响主要表现为：前、后相的睡眠反弹分别使腹外侧导水管周围灰质(vlPAG)、外侧脑桥被盖(LPT) c-Fos阳性神经元数量减少至前相夺眠结束时的80%和52%；,前相的睡眠反弹,被盖背外侧核(LDTg)的c-Fos阳性神经元数量减少至夺眠结束时的65%,而脑桥脚被外侧(PPT),前、后相的睡眠反弹使c-Fos阳性神经元数量分别减少至夺眠结束时的73%和75%。结果表明：VLPO cluster与NREM睡眠的调控关系更为密切；VLPO、MnPO的神经元活性在睡眠量增加、睡眠强度加深时达到最强,而不是在睡眠张力增加时达到最高值；VLPO cluster的神经元活性的增强,使TMN区的觉醒相关神经元受到抑制,从而保证了睡眠的顺利进行；梨状皮层与扣带回皮层区域也参与了睡眠内稳态的调控过程；由于REM-on、REM-off区域神经元在夺眠后的睡眠反弹期活性均降低,因此睡眠反弹期REM睡眠的量、REM睡眠的强度均无显著变化。1.前相睡眠反弹,NREM睡眠强度增加,睡眠、觉醒状态转换次数均显著较少,状态更趋于连续性出现；短时程NREM睡眠数量减少,长时程NREM睡眠数量增多。2.后相睡眠反弹,NREM睡眠的量显著增加,睡眠、觉醒状态转换更为频繁；长、短时程的NREM睡眠数量均有增加趋势。3.VLPO、MnPO的神经元活性在睡眠量增加、睡眠强度加深时达到最强,而不是在睡眠张力增加时达到最强。4.VLPO cluster的神经元活性增强,使TMN区的觉醒相关神经元受到抑制,从而保证了睡眠的顺利进行。5.Piriform、Cingulate皮层区域可能参与睡眠内稳态的调控。脑波(EEG)解析是睡眠学研究中的重要手段,EEG解析过程中的一大不便是脑波的解析需耗费大量的时间。EEG解析过程中很容易被忽视的但却是非常重要的一个问题是epoch长度的设置。本研究旨在发现EEG解析过程中,既能够准确反映实验动物的睡眠-觉醒状态,又能为睡眠研究者节约时间的最佳的Epoch长度的设置。我们选取了常用的大鼠、小鼠EEG脑波作为分析对象,分别以4,8,10,20,以及30秒的epoch长度加以解析,并用睡眠学常用衡量指标：睡眠-觉醒的量、睡眠-觉醒状态持续时间、睡眠-觉醒状态转换次数以及睡眠深度对分析结果加以评价,以求发现最佳epoch的设置。在以睡眠觉醒量、REM及NREM睡眠的深度对睡眠进行衡量时,epoch设置为4,8,10,20,以及30秒对分析结果没有影响。但是,如果睡眠研究中的衡量指标是睡眠觉醒状态转换次数和睡眠觉醒状态持续时间时,则以较短的epoch长度分析脑波后,将获得较多睡眠觉醒状态转换次数,同时也将得到较短的睡眠觉醒状态持续时间。因此,epoch长度的设置取决于实验目的所需。如果睡眠研究所需研究对象为睡眠觉醒的量以及REM及NREM睡眠的深度,则以epoch为30秒来对EEG进行解析,这样可以节约大量时间,同时也可达到以其他较短时间epoch分析相同的效果；但如果研究对象为睡眠-觉醒状态转换次数、睡眠-觉醒状态持续时间时,则epoch设置为4秒为最佳选择,这时可以非常准确逼真地刻画出动物的睡眠觉醒状态。1.Epoch长度的设置取决于实验目的所需。2.对睡眠觉醒量、睡眠深度进行分析时,epoch设置为30秒可以节约大量时间,同时也可达到以其他较短时间epoch分析相同的效果。3.Epoch设置为4秒可以非常准确逼真地刻画出动物的睡眠觉醒状态,但耗费解析时间。睡眠学研究中传统的脑波解析主要是基于时域,也就是以波形来鉴别睡眠觉醒的状态。研究者主要通过直观的观测EEG的每个epoch的波形,以此作为状态判断的依据。该工作量大,繁重,且很容易引入人为主观判断。该研究旨在编写一组简便的基于相对门限的算法程序,对EEG信号中的三种常见状态Wake,REM及NREM睡眠进行全频率的分析。提取小鼠24h的脑波信号的各类频率及时域特征,编写该程序所用软件为Matlab 7.0 (Mathworks, Natick, MA)。该算法主要分为五步：1、确定EMG能量比值；2、高、中、低三个能量区以一级门限5.5和6划分；3、获得θ/δ比值作为二级门限划分的依据；4、中间能量区划分依据θ/δ比值的不同进一步划分为Wake和NREM状态；5、低能量区划分依据θ/δ比值的不同进一步划分为REM和NREM状态。该程序对脑波进行自动识别,对状态的判断与人为判断总一致率大于91%,其中Wake判断的准确程度达到97%,NREM达到95%。该程序对脑波三种状态的自动识别中,迅速、可靠,可以避免人为脑波识别的主观判断同时又为睡眠研究者节约大量时间。1.该程序对脑波进行自动识别,对状态的判断与人为判断总一致率为90.6±1.4%。2.该算法对Wake的判断准确率达到94.60±3.24%,对NREM睡眠判断的准确率达到92.62±3.05%。3.该程序对脑波状态的自动识别,迅速、可靠,可以避免人为脑波识别的主观判断同时又为睡眠研究者节约大量时间。