奖赏调制空间编码的神经计算与动力学机制：海马位置细胞的动态表征重构

为解决海马位置细胞在奖赏相关空间导航中"过度表征(over-representation)"现象的神经机制问题，来自国内的研究团队基于连续吸引子网络框架，开发了位置整合模型(Position-Integrated Model)和速度驱动模型(Velocity-Driven Model)，通过动态增益机制成功模拟1D/2D环境中5-10cm范围内的奖赏区空间编码重组，为理解经验依赖的神经图谱重构提供了计算基础。

　　

海马位置细胞(hippocampal place cells)作为哺乳动物空间导航和情景记忆形成的神经基石，在真实或虚拟环境中会呈现独特的"过度表征(over-representation)"现象——奖赏目标区域的位置野(place fields)密度显著高于远端区域。更引人注目的是，当奖赏位置移动时，最大位置野密度区会动态追踪至新奖赏位点，形成"过度表征漂移(over-representation shift)"效应。

研究团队创新性地构建了双模型框架：位置整合模型通过位置细胞动态编码空间坐标，速度驱动模型则引入速度细胞(speed cells)解析运动速率，二者均成功复现啮齿类动物的路径整合(path integration)功能。在此基础上开发的动态增益机制，依据动物-奖赏间欧几里得距离实时调控神经活动增益，在1D线性轨道和2D方形环境中均捕捉到5-10_cm奖赏区的过度表征现象。

该计算框架首次系统阐释了奖赏位点如何重塑空间表征并触发位置野重组，不仅揭示了CA3-CA1环路在目标导向导航中的动力学原理，更为研究阿尔茨海默病等空间认知障碍疾病的神经图谱(neural remapping)异常提供了新范式。动态增益机制的数学建模，为理解经验依赖的神经可塑性开辟了定量研究路径。