空间认知的神经机制：内嗅-海马系统中的左右交替θ节律扫描映射

本研究通过Neuropixels多通道记录技术，揭示了内嗅皮层网格细胞(MEC)与海马位置细胞在自由活动大鼠中呈现θ节律(5-10Hz)驱动的左右交替空间扫描现象。研究人员发现这种扫描模式由副下托(PaS)方向细胞通过网格-方向联合细胞(conjunctive grid×direction cells)调控，能延伸到动物从未到达的空间区域，并在REM睡眠期持续存在。该发现为理解空间导航的神经计算提供了新机制，表明内嗅-海马系统通过这种"环视"采样机制构建环境的空间表征。

　　

在探索大脑如何构建空间认知这一重大科学问题上，内嗅皮层网格细胞(grid cells)和海马位置细胞(place cells)组成的定位系统一直是研究焦点。这些细胞分别通过六边形网格状放电模式和位置特异性放电，构成了大脑的"GPS系统"。然而长期以来，科学家们困惑于这个系统如何在动态环境中实现实时导航——当动物移动时，神经表征如何快速更新？当面临路径选择时，系统如何预测未到达的空间？这些问题关系到空间认知的基本计算原理。

挪威科技大学Kavli系统神经科学研究所的Abraham Z. Vollan、Richard J. Gardner等研究人员在《Nature》发表的研究，通过高密度Neuropixels探针记录技术，在大鼠自由探索时同步监测内嗅皮层(MEC)、副下托(PaS)和海马的神经活动。他们发现了一种前所未见的空间采样机制：在θ振荡的每个周期中，网格细胞和位置细胞群体会沿着动物头部轴向左右两侧交替"扫描"周围空间，形成规律性的空间探测波。这种扫描不受实际运动轨迹限制，甚至能延伸到物理屏障之外从未到达的区域，并在REM睡眠期间持续存在。

研究采用多项关键技术：1) 使用384-1,522通道Neuropixels探针同步记录多个脑区神经元活动；2) 开发潜在流形调谐(LMT)模型解码未访问空间表征；3) 通过交叉相关分析鉴定功能连接；4) 结合线性轨道、开放式场地和睡眠等多行为范式；5) 采用相位进动和θ周期跳跃分析单细胞活动模式。

左右交替θ扫描的发现
研究发现网格细胞群体在θ节律的每个周期(约125ms)会产生向外延伸的直线轨迹，方向在左右两侧交替变换。在快速直线奔跑时，这种交替扫描尤为明显，扫描角度相对头部轴向偏移23.9±2.7°，平均长度22.5±1.4cm。通过群体向量(PV)相关性解码，在16只大鼠的72.9±5.8%θ周期中检测到这种扫描，三重交替(左-右-左或右-左-右)比例达79.8±2.24%，显著高于随机水平。

方向信号的神经基础
研究在副下托发现了一类特殊的"内部方向细胞"，其群体活动在θ周期中呈现左右交替的"闪烁"模式。这些细胞与经典头方向细胞(HD cells)不同，更倾向于编码解码的内部方向而非实际头部朝向。通过功能连接分析发现，这些细胞通过网格-方向联合细胞(conjunctive grid cells)与爆发型(bursty)网格细胞形成连接，传导方向信号。

跨模块协调与尺度不变性
研究观察到不同空间尺度的网格模块(grid modules)表现出协调的扫描活动。扫描长度与网格间距呈线性关系(r=0.95)，平均占模块间距的19.7±0.5%。这种比例关系使得扫描在网格环面(toroidal)单元上保持几何一致性。海马位置细胞的扫描活动与内嗅皮层同步但延迟19.4±3.9ms，提示信号从内嗅向海马传递。

超越物理边界的空间表征
在限制性环境(如线性轨道)中，扫描会延伸到轨道两侧未访问区域。通过LMT模型重建发现，单个网格细胞能对物理屏障外的位置保持周期性调谐。这种表征在黑暗环境和新颖环境中持续存在，表明其源于内部计算而非感觉输入。

睡眠中的持续活动
在REM睡眠期，方向信号和扫描活动保持与清醒时相似的交替模式(70.1±1.8%交替)。而在慢波睡眠(SWS)中，虽然仍存在方向对齐的扫描样轨迹，但失去了θ节律的严格交替性。这表明节律性交替依赖于局部环路特性而非外部输入。

空间采样的最优策略
通过计算建模发现，左右交替是一种最优的空间覆盖策略。模拟的"扫描生成智能体"通过最小化连续扫描的重叠，自发产生约30°的左右交替模式，与实际神经数据高度吻合(r=0.36±0.08)。这种机制能在不增加行为采样的情况下高效构建空间地图。

这项研究揭示了内嗅-海马系统实现空间认知的一种基础算法——通过θ节律化的左右交替扫描，神经系统能够持续更新当前位置与周围环境的关系。这种机制不仅解释了既往观察到的θ相位进动(phase precession)和周期跳跃(cycle skipping)现象，还为理解空间记忆和导航障碍的神经基础提供了新视角。特别值得注意的是，该系统能够独立于实际经验构建空间表征，这一发现对人工智能中的空间建模具有重要启示意义。研究建立的LMT解码框架也为分析高维神经数据提供了新工具。