边界向量细胞编码大鼠中未来偏向的位置谱

《Hippocampus》：Boundary Vector Cells Encode a Future-Biased Spectrum of Positions in the Rat

　　

空间调谐是海马结构（hippocampal formation）中神经放电的标志性特性。然而，这种调谐往往与动物的瞬时当前位置相关性较差，而更与其过去或未来状态的整合版本相关。这种编码是偏向过去还是未来状态，以及其呈现固定还是多尺度编码的程度，在不同回路和细胞类型间有所差异。子下丘脑（subiculum）边界向量细胞（boundary vector cells, BVCs）的时间编码特性尚未明确。为解决这一问题，研究人员重新分析了Lever等（2009）先前描述的边界向量细胞记录，并采用多种方法。首先，研究人员探究在老鼠位置与BVC放电之间增加时间偏移是否会提高放电率图（firing rate map）中的表观空间调谐。结果发现，将BVC放电与未来状态对齐可最大化率图的空间调谐。这一结果在第二项分析中得到印证，该分析并非优化率图空间调谐，而是优化放电率图预测BVC放电的能力。第二项分析还允许研究人员探究该编码是否聚焦于特定时间范围，或者编码是否捕获多个尺度的行为。为此，对于给定记录，研究人员提问：“观察到的放电与行为状态的时间积分在多大程度上最为一致？”研究人员观察到细胞间存在广泛的时间常数谱，表明BVCs形成对未来状态的多尺度编码。BVCs中观察到的偏移和积分速率的分布与子下丘脑其他非BVC神经元无显著差异。综合来看，这些发现表明BVCs与其他子下丘脑神经元共同形成对未来状态的多尺度编码。

**边界向量细胞编码大鼠未来偏向位置谱：时间动态与多尺度整合**

**研究背景与问题**

海马体形成（hippocampal formation）中的神经活动（如位置细胞、网格细胞）通常表现出空间调谐（spatial tuning），但这一调谐往往与动物的瞬时位置相关较弱，而更依赖于长时间整合的过去或未来状态。这种时间编码的偏向性（前瞻性或回顾性）及其尺度特性在不同脑区和细胞类型中差异显著。子下丘脑（subiculum）中的边界向量细胞（boundary vector cells, BVCs）对环境中边界（如墙壁、陡边）或大型物体在特定距离和方向上的刺激敏感，但其时间编码特性尚不清楚。此前研究表明，CA1位置细胞、内嗅皮层网格细胞等具有前瞻性编码（future-biased coding），而内嗅皮层速度细胞、侧内嗅皮层细胞则编码过去状态。此外，多尺度时间积分（multiscale temporal integration）在记忆中至关重要，但BVCs是否也具有多尺度编码及偏向方向是未解之谜。本研究旨在通过重新分析Lever等（2009）记录的BVC数据，结合率图优化和最大似然模型，揭示BVCs时间编码的偏向性及时间尺度谱。

**主要关键技术方法**

研究人员重新分析了Lever等（2009）从6只雄性Lister Hooded大鼠背侧子下丘脑（dorsal subiculum）记录的电生理数据，采用两种互补方法。方法一：通过时间偏移（temporal offset）优化率图调谐，计算空间信息（spatial information, s.i.）和零滞后自相关（zero-lag autocorrelation, ZLAC）的峰值。方法二：基于最大似然估计（maximum likelihood estimation, MLE）建立模型，将BVC放电建模为时间偏移和/或时间积分位置（time-integrated position）的函数。时间积分采用三种核（kernel）：盒形（boxcar）、高斯（Gaussian）、指数（exponential），通过10折交叉验证和贝叶斯信息准则（Bayesian Information Criterion, BIC）评估模型预测能力，并使用线性混合效应模型（Linear Mixed-Effects model, LME）进行统计推断。参数估计的可靠性通过类内相关系数（intra-class correlation, ICC）评估。

**研究结果**

**3.1 BVC空间调谐对未来位置更优**
通过率图方法，研究人员发现将BVC放电与未来位置对齐（正偏移）时，s.i.和ZLAC值显著提高。35个BVC中，33个（s.i.）和35个（ZLAC）的峰值偏移为正，中位数分别约120 ms和150 ms（约一个theta周期）。空间偏移（spatial offset）分析未能产生相同效果，且时间偏移改善显著优于空间偏移。与子下丘脑非BVC神经元（n=74）相比，两者的最优偏移分布无显著差异。

**3.2 未来位置更好预测BVC放电**
采用MLE模型，优化时间偏移参数后，BIC显示模型预测能力显著提升（F(3, 15,250)=5.21, p=0.02）。优化偏移中位数为102.9 ms（正偏向），其中69%细胞为正偏移，29%接近零，仅3%为负。ICC表明偏移估计可靠性良好。

**3.3 时间积分进一步改善BVC放电预测**
在模型中引入时间积分后，所有三种核（盒形、高斯、指数）均显著降低BIC（改善812-940单位），其中高斯核优于其他两种（p<0.05）。时间偏移与指数核的交互作用显著（p<0.05），但与其他核无交互。积分窗口宽度在细胞间高度变异：高斯核sigma中位数2511 ms（CV=0.71），盒形核宽度中位数2905 ms（CV=0.92），指数核tau中位数246 ms（CV=1.43），表明BVCs编码多尺度未来位置。

**3.4 BVC与非BVC的时间偏移和积分窗口相似**
非BVC神经元（n=69）的分析显示相同模式：优化偏移中位数122.7 ms（正偏向），高斯核最佳，积分窗口宽度高度变异（CV≥0.66）。BVC与非BVC在参数分布上无显著差异，提示子下丘脑整体具有多尺度未来编码特性。

**讨论与结论**

本研究通过两种互补分析证实，BVCs偏向于编码未来位置，且其放电与时间积分的位置估计最为一致。时间积分窗口在不同细胞间广泛分布，形成多尺度谱。这一发现与内嗅皮层网格细胞、速度细胞等多尺度时间编码一致，但BVCs主要呈前瞻性（prospective）而非回顾性（retrospective）。高斯核的优越性暗示BVCs编码的是噪声位置估计的平均值，而非简单平均或指数折扣。研究还发现，约30%的BVCs无显著时间偏移，可能与功能亚型（如痕迹细胞）相关。BVCs的未来偏向性支持海马体后继表征（successor representation）假说，即海马活动编码当前状态下未来状态的概率。此外，多尺度编码可能支持时间折扣（temporal discounting）和边界校准（boundary calibration）功能。研究结论翻译如下：结合多种互补分析，本研究显示BVCs偏向于编码未来位置，且该编码与时间积分版本的位置最为一致。在细胞间，积分窗口宽度存在变异。因此，研究得出结论：BVCs编码大鼠中未来偏向的位置谱（a future-biased spectrum of positions in the rat）。