小鼠压后皮层通过递归神经动力学实现空间推理：多假设编码与动态计算机制

本研究针对大脑如何通过内部假设解决空间歧义这一认知难题，揭示了小鼠压后皮层(RSC)通过递归神经动力学形成多假设编码的机制。研究人员结合行为学、电生理记录和人工神经网络(ANN)建模，发现RSC神经元能同时编码空间位置、感觉信息和任务假设状态，其低维动态特性使相同感觉输入可因不同内部状态产生差异化解读。该成果发表于《Nature Neuroscience》，为理解复杂认知推理的神经基础提供了新范式。

　　

在认知神经科学领域，大脑如何通过内部生成的假设来解决感官信息的歧义性，一直是未解之谜。日常生活中，我们常遇到看似相同实则含义迥异的场景——比如两扇完全相同的门，只有通过记住它们的相对位置才能正确区分。这种需要整合时空信息的"空间推理"能力，对动物导航和人类认知至关重要。然而，传统研究多关注外部线索引导的决策过程，对于大脑如何自发形成、维持和更新内部假设来完成这类复杂计算的神经机制知之甚少。

针对这一科学难题，来自麻省理工学院和霍华德休斯医学研究所的研究团队创新性地设计了一项结合行为学、神经电生理和计算建模的研究。他们训练小鼠在圆形竞技场中完成一项需要整合先后出现的相同视觉标志物（landmark）相对位置信息的导航任务。通过记录小鼠压后皮层(retrosplenial cortex, RSC)的神经元活动，并构建人工神经网络(artificial neural network, ANN)模型，揭示了RSC通过递归神经动力学实现空间推理的计算原理。这项突破性成果发表在《Nature Neuroscience》杂志上。

研究采用了三项关键技术方法：(1)开发了包含16个可移动四极阵列的慢性记录系统，在小鼠自由行为时同步记录RSC中50-90个神经元活动；(2)设计了两阶段导航任务，通过控制标志物可见距离制造空间歧义，要求小鼠通过路径整合(path integration)和标志物相对位置关系推断正确目标；(3)构建递归ANN模型模拟空间推理过程，采用外部地图(external map)和内部地图(internal map)两种输入模式，与神经数据进行比对分析。

空间假设与导航变量的联合编码
研究人员发现RSC神经元表现出独特的"混合编码"特性：单个神经元能同时表征小鼠位置(LMO/LM1/LM2阶段)、运行速度以及任务假设状态。通过解码分析证实，RSC群体活动可准确区分小鼠所处的任务阶段（准确率>70%），且空间调谐曲线会随假设状态改变而发生显著重组。这种动态编码特性使RSC能将新感觉信息转化为明确的空间表征。

基于递归动力学的假设依赖性计算
ANN建模显示，128个隐藏单元的递归网络能完美模拟小鼠行为。在仅看到第一个标志物时(LM1)，网络维持两个位置假设（LM1a/LM1b状态）；当遇到第二个相同标志物时，根据运动轨迹信息选择正确假设进入LM2状态。关键的是，相同感觉输入会因先前内部状态不同而驱动网络活动到状态空间的不同位置，实现刺激的正确解读。

稳定的低维动力学约束
PCA分析揭示ANN和RSC活动均受低维动力学支配（相关维度d≈3）。尽管编码模式随任务阶段变化，神经元间的相关性结构在LM1/LM2状态间保持稳定（R=0.74）。这种稳定的动态框架使网络能在不同计算模式（如多假设编码与单位置编码）间灵活切换，而不需重组基本回路。

RSC满足假设计算的需求
通过匹配小鼠运动轨迹的实验设计，研究发现RSC在第二个标志物出现前就已编码不同假设（LM1a vs LM1b），且这种编码能预测后续行为选择（准确率66%）。等距映射(isomap)显示神经轨迹平滑演化，邻近状态在时间上保持相关性，证实RSC活动符合动力系统的核心特征。

这项研究首次证明新皮层通过递归神经动力学实现基于内部假设的空间推理。RSC的低维活动空间形成"假设-位置"联合表征的连续吸引子，使相同感觉输入能因内部状态不同产生差异化解读。该机制超越了传统"重置式"路径整合模型，为理解更复杂的认知过程（如情景推理、决策制定）提供了统一框架。从临床角度看，这些发现可能为空间认知障碍（如阿尔茨海默病的早期导航缺陷）提供新的解释视角。研究者特别指出，这种计算原理可能普遍存在于前额叶皮层(PFC)、顶叶皮层(PPC)等高级认知区域，构成"认知推理"的通用神经机制。