解读大脑的认知地图：海马-前额叶环路如何通过几何变换表征抽象与泛化

原创 Cell Press CellPress细胞科学 

生命科学Life science

作为世界领先的全科学领域学术出版社，细胞出版社特与“中国科学院青年创新促进会”合作开设“青促会述评”专栏，以期增进学术互动，促进国际交流。

2023年第十一期（总第139期）专栏文章，由中国科学院深圳先进技术研究院脑所研究员、中国科学院青促会优秀会员蔚鹏飞，就Cell Reports中的论文发表述评。

长按图片扫描二维码阅读论文

从先前的经验中抽提出知识并将知识应用在新的情境环境中，这对动物的生存是至关重要的。在空间记忆研究领域，知识的泛化表现为在一种感官条件（比如白天）下学习到的导航指引规则能够应用于另一种感官条件（比如黑夜）下的机体导航。因此，动物在新的环境中不需要从头开始学习就能够快速适应面临的新环境。在人和实验动物上的大量研究已经证实海马对于记忆情景的细节是必不可少的，而跨情景的记忆泛化需要前额叶皮层(PFC)参与。因此，记忆泛化依赖于海马和前额叶皮层之间的分布式神经环路。此外，将过去的事件系统地组织成一个类似地图的表征（即“认知地图”）可以促进记忆的泛化。

海马中的位置细胞对环境中的特定位置进行响应，在空间认知地图中编码导航信息。但目前尚不清楚认知地图是如何在海马-前额叶环路进行转换以支持知识的泛化。来自美国布兰迪斯大学心理学系的Shantanu Jadhav教授团队近期在Cell Press细胞出版社旗下Cell Reports期刊上发表了题为“Geometric transformation of cognitive maps for generalization across hippocampal-prefrontal circuits”的论文，在这一问题上提供了新见解。在该项研究中，作者首先训练5只大鼠执行一项已知的需要海马-前额叶相互作用的空间记忆任务。在这个任务中，大鼠必须从“W”字型迷宫的边缘侧（左侧或者右侧）先走到中心位置，然后从中心处选择并走到相反的一侧来获得奖赏，这个空间记忆任务的关键是学习和记住正确的走入-走出顺序。在某个环境下学会这个任务后，通过在熟悉的环境和陌生的环境之间进行切换来检验动物在不同活动环境中泛化导航规则的能力（图1）。

在大鼠执行空间记忆任务的同时，作者也使用高密度电极阵列记录了海马和前额叶皮层中部分神经元群的活动，通过分析来定量比较海马和前额叶神经表征的内在结构，以及这些表征结构在动物空间导航策略泛化过程中的动态变化。作者发现，海马CA1细胞在环境切换时出现广泛的重映射（图2），这表明即使动物执行相同的空间记忆任务，海马的表征图也保持着不同环境的特异性。与海马的整体重映射形成鲜明对比的是，作者发现前额叶的表征在不同的环境中是稳定的，表明新环境和熟悉环境共享相同的前额叶表征图。此外，通过对群体神经元的活动进行数据降维分析，海马和前额叶这两种表征图的几何神经流形有不同的几何结构。前额叶的流形几何支持规则信息变量的抽象进而可泛化到现有变量类下的新条件，而海马的几何结构缺乏这种抽象性。综上所述，这些发现阐明了认知地图是如何被组织成不同的几何表征，并以此来支撑在保持记忆特异性的同时进行抽象和泛化。

▲图1 先前的经验知识促进了动物体在新环境中的学习

（A）实验设计。作者训练5只大鼠来执行空间记忆任务，并在熟悉的环境和新颖的环境之间进行切换。在这个连续的交替“W”字形迷宫任务中（图1A，左），大鼠必须从“W”轨道的右或左侧进入到中心位置，然后从中心处正确地选择并走到相反的一侧来获得奖赏。动物首先在一个环境中学习任务，在接下来的一天，它们被带到一个视觉上不同的新“W”字形迷宫（N）进行训练，然后再回到熟悉的环境(F)重新学习前一天的任务，最后重新暴露在新的环境（N’）中（图1A，右）。

（B, C）经过从头学习后，大鼠（n = 5）在新环境中获得任务的速度更快。注：B图中每对虚线（从头学习）和实心（新学习）线代表一种动物（用颜色编码）。

▲图2 海马神经表征显示全局重映射，而前额叶空间表征跨环境泛化

（A）同时记录的在不同环境（N, F和N’）下4个CA1细胞和4个前额叶细胞的二维放电图。（B, C）群体向量(Population vector , PV)相似度, 亮线表示新环境之间（N-N’）的相似度，蓝线表示熟悉环境和新颖环境之间的相似度（F-N’）。注：CA1细胞在不同环境下有显著差别，前额叶没有明显差异。

论文摘要

在不断变化的环境中进行导航需要具备抽提环境中的信息来指导决策的能力，这对生物体适应不同的生活环境至关重要，并且这种能力需要海马-前额叶环路的完整性。海马在认知地图中编码导航信息，但目前尚不清楚认知地图是如何通过海马-前额叶环路转换以此来支持抽象和泛化。本项研究中，当大鼠在不同的环境中执行泛化了的导航规则时，我们同时记录海马-前额叶的神经元群活动。我们发现，海马的表征图维持了不同环境的特异性，而前额叶表征图则泛化了不同的环境。此外，虽然这两种表征图都组织成流形几何结构，但它们有不同的几何结构。前额叶的流形几何支持规则信息变量的抽象进而可泛化到现有变量类下的新条件，海马的几何结构却缺乏这种抽象性。综上所述，这些发现阐明了认知地图是如何被组织成不同的几何表征，在支持抽象和泛化的同时保持记忆的特异性。

The ability to abstract information to guide decisions during navigation across changing environments is essential for adaptation and requires the integrity of the hippocampal-prefrontal circuitry. The hippocampus encodes navigational information in a cognitive map, but it remains unclear how cognitive maps are transformed across hippocampal-prefrontal circuits to support abstraction and generalization. Here, we simultaneously record hippocampal-prefrontal ensembles as rats generalize navigational rules across distinct environments. We find that, whereas hippocampal representational maps maintain specificity of separate environments, prefrontal maps generalize across environments. Furthermore, while both maps are structured within a neural manifold of population activity, they have distinct representational geometries. Prefrontal geometry enables abstraction of rule-informative variables, a representational format that generalizes to novel conditions of existing variable classes. Hippocampal geometry lacks such abstraction. Together, these findings elucidate how cognitive maps are structured into distinct geometric representations to support abstraction and generalization while maintaining memory specificity.

向下滑动阅览摘要原文

中文内容仅供参考，请以英文原文为准

述评人简介

蔚鹏飞

中国科学院深圳先进技术研究院脑所研究员

中国科学院青促会优秀会员

蔚鹏飞，中国科学院深圳先进技术研究院脑认知与脑疾病研究所研究员，深圳理工大学教授，国家优秀青年基金获得者、中国科学院青促进会优秀会员、广东省自然科学一等奖获得者、深圳市青年科技奖获得者、深圳市地方级高层次领军人才、科技创新2030重大项目课题负责人。中国生理学会脑节律专委会委员，深圳市军民融合领域评审专家。致力于神经调控研究和应用领域的关键技术研发，发展基于人工智能的计算神经行为学研究方法体系，研发高时空精准的非侵入式闭环脑机接口-神经环路调控技术，应用于神经康复和认知障碍干预的临床研究中。以第一或通讯作者在Nature Communications、Molecular Psychiatry等期刊发表学术论文11篇，被Nature、Cell等期刊及其子刊多次引用，论文总引数达856次，其中单篇最高总引达280次。授权国家发明和实用新型专利65项，技术孵化企业已获数千万融资。

Pengfei Wei, researcher at the Brain Cognition and Brain Diseases Institute of Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, professor of Shenzhen University of Technology, winner of the National Excellent Young Scientists Fund, outstanding member of the Youth Innovation Promotion Association of the Chinese Academy of Sciences, and the first prize winner of the Natural Science Award of Guangdong Province , the winner of the Shenzhen Youth Science and Technology Award, the local high-level leader talent in Shenzhen, and the one in charge of the Science and Technology Innovation 2030- Major Project. Member of the Brain Rhythm Professional Committee of the Chinese Association for Physiological Sciences, and an evaluation expert in the field of military-civilian integration in Shenzhen. Committed to the R&D of key technologies in the field of neuromodulation research and application, the development of computational neurobehavioral research method systems based on artificial intelligence, the development of highly spatiotemporal and precise non-invasive closed-loop brain-computer interface-neural circuit regulation technology, applied to neurorehabilitation and cognitive disorder intervention in clinical. Published 11 academic papers as the first or corresponding author in Nature Communications and Molecular Psychiatry, which were cited many times by Nature, Cell and other journals and their sub-journals. 65 national invention and utility model patents have been authorized, and technology incubation enterprises have received tens of millions of financing.

中国科学院青年创新促进会（Youth Innovation Promotion Association，Chinese Academy of Sciences）于2011年6月成立，是中科院对青年科技人才进行综合培养的创新举措，旨在通过有效组织和支持，团结、凝聚全院的青年科技工作者，拓宽学术视野，促进相互交流和学科交叉，提升科研活动组织能力，培养造就新一代学术技术带头人。

Youth Innovation Promotion Association (YIPA) was founded in 2011 by the Chinese Academy of Science (CAS). It aims to provide support for excellent young scientists by promoting their academic vision and interdisciplinary research. YIPA has currently more than 4000 members from 109 institutions and across multiple disciplines, including Life Sciences, Earth Science, Chemistry& Material, Mathematics & Physics, and Engineering. They are organized in 6 discipline branches and 13 local branches.

阅读原文