《PLOS Computational Biology》：Combining sampling and attractor dynamics in spiking models of head direction systems
编辑推荐：
神经群体能够在整合不确定的感觉信号的同时维持导航相关变量的稳定表征。实验证据表明，果蝇和小鼠的头部朝向（HD）表征的精度取决于感觉线索的可靠性，这凸显了输入不确定性在基于吸引子的神经回路中的影响。在不确定性条件下，神经动力学如何在保持稳定性的同时进行计算？在此
神经群体能够在整合不确定的感觉信号的同时维持导航相关变量的稳定表征。实验证据表明，果蝇和小鼠的头部朝向（HD）表征的精度取决于感觉线索的可靠性，这凸显了输入不确定性在基于吸引子的神经回路中的影响。在不确定性条件下，神经动力学如何在保持稳定性的同时进行计算？在此，研究人员提出一个脉冲神经网络，该网络统一了两个原则——通过吸引实现稳定性以及通过波动实现不确定性——并将HD回路重新解释为一个不确定性感知的积分器，而非确定性的罗盘。具体而言，该网络采用基于采样的概率推断，其中神经群体通过在可能的世界假设之间快速波动来表征输入不确定性，同时沿着吸引子流形维持头部朝向的稳定表征。这一公式解释了经典的HD“活动凸包”为何变得不精确，即由于快速波动，反映了角速度输入的不确定性。研究人员的实现产生了可实验检验的预测：相关的阈下电压波动、多时间尺度非线性交互模式以及凸包运动的特征统计量。通过将概率推断与吸引子动力学结合在单个回路中，研究人员的框架揭示了神经群体如何跨越物种，通过波动同时表征估计值及其不确定性，同时保持稳定性，这可能是噪声生物系统中不确定性感知计算的一般原则。
**论文解读：结合采样与吸引子动力学的头部朝向系统脉冲模型**
**研究背景与问题**
动物在导航过程中需要维持头部朝向（head direction, HD）的内部表征，以支持觅食、归巢、避险等行为。经典模型通常将HD回路视为吸引子网络，利用循环连接维持稳定的活动凸包，以表征当前朝向。然而，真实感觉输入存在噪声，动物必须评估输入可靠性以指导决策。实验证据表明，果蝇和小鼠的HD表征精度依赖于感觉线索的可靠性，例如在输入不确定时活动凸包变宽。这引出一个核心问题：神经回路如何在保持稳定朝向估计的同时，表征输入的不确定性？传统吸引子模型将噪声视为扰动，而基于采样的概率推断模型利用神经变异性探索后验分布，但尚未在连续吸引子流形中整合。因此，本研究旨在构建一个统一框架，同时实现稳定性与不确定性表征。
**研究内容与结论**
研究人员提出一个脉冲神经网络（spiking neural network, SNN），将基于采样的概率推断与吸引子动力学相结合，将HD回路重新解释为不确定性感知的积分器。网络从噪声泊松神经元编码的角速度输入中采样，通过Langevin动力学在连续吸引子流形上积分，从而维持HD估计并反映输入不确定性。模型复现了实验观测到的现象，如活动凸包随角速度变化、黑暗条件下估计漂移等，并产生可检验预测：阈下电压相关模式、多时间尺度交互结构、不确定性依赖的凸包运动以及偏斜的凸包速度分布。该模型表明，HD回路中的随机波动并非纯粹噪声，而是概率推断的功能性表征，可为下游区域提供不确定性信号。论文发表在《PLOS Computational Biology》。
**主要关键技术方法（不超过250字）**
研究人员采用基于第一性原理推导的脉冲编码网络（Spike Coding Network, SCN）理论。关键技术包括：（1）Langevin采样：通过神经交互实现对数概率梯度（漂移项），并通过相关电压波动（扩散项）驱动网络探索后验分布；（2）软圆形吸引子先验：在笛卡尔坐标（x,y）中引入软约束，使网络在二维空间中探索，同时维持朝向的圆形流形；（3）多时间尺度突触连接：快速连接（～毫秒）维持兴奋/抑制平衡，慢速连接（～数十毫秒）实现非线性动力学和圆形约束。模型无需具体解剖结构，而是聚焦于计算原理。无特定样本队列来源。
**研究结果**
**A spiking network unifies sampling and attractor dynamics**
研究人员构建了一个脉冲网络，通过Langevin采样从噪声泊松角速度输入中推断瞬时应速度，并利用软圆形先验将积分结果吸引至圆形流形。网络输出通过线性读出获得HD估计，活动凸包的波动反映输入不确定性。该机制统一了采样推断与吸引子动力学。
**Mechanisms for integrating velocity samples on an attractor**
网络通过快速和慢速循环交互实现角速度采样与积分：慢速非线性交互维持圆形吸引子，相关电压波动驱动网络探索后验分布。模型复现了经典现象：凸包位置随朝向变化，高噪声输入导致更快漂移，活动率随角速度增加。凸包短时运动速度可恢复角速度后验分布，表明波动编码不确定性。
**Visual reset through multimodal integration**
引入视觉锚点线索后，网络根据线索可靠性加权整合，实现快速重校准。当视觉线索与角速度一致时，网络迅速对齐；冲突时，根据可靠性解决歧义。重校准过程短暂偏离圆形流形，产生第二维度探索，与小鼠实验观测一致。
**Physiological signatures of sampling in head direction systems**
模型产生四项可检验预测：
- **Prediction 1: Structured subthreshold voltage correlations**：相似调谐的神经元呈现正相关的阈下电压波动，相反调谐的神经元呈现负相关。
- **Prediction 2: Multi-timescale interaction structure**：快速连接显示近邻抑制和长程兴奋，慢速连接显示近邻兴奋和长程抑制，可被短时与长时相关性测量检测。
- **Prediction 3: Uncertainty-dependent bump movement**：输入噪声增大时凸包抖动增加，反映不确定性，可被光遗传抑制输入验证。
- **Prediction 4: Asymmetries and skew in bump velocity distributions**：泊松编码导致后验偏斜，凸包速度分布呈非对称性，尤其低可靠性时明显。
**讨论与结论**
**总结讨论部分**：
研究人员提出，神经回路可通过在连续吸引子内嵌入基于采样的推断，同时维持稳定内部表征和传递输入不确定性信息。具体而言，HD系统可被视为不确定性感知的积分器，其中凸包波动不仅反映噪声，更编码角速度的不确定性。这一视角将经典吸引子模型与概率计算框架相连接，并为下游回路提供隐式可靠性信号。模型预测在实验上可检验，如阈下电压相关模式、多时间尺度交互结构等。未来工作可扩展至更高维流形（如网格细胞的环面表征）及决策任务，并引入可塑性学习非线性交互。
**翻译研究结论部分**：
研究人员提出，这两个要求如何能在单个脉冲网络中通过将基于采样的推断嵌入连续吸引子来实现调和。具体而言，研究人员将推断实现为从噪声脉冲输入中对角速度的Langevin采样，并结合一个软圆形先验，该先验将积分后的速度向量输入稳定为头部朝向（HD）估计。这统一了两种通常分开处理的计算：支持持久群体编码的吸引子动力学，以及变异性反映不确定性而非简单噪声的概率计算。虽然研究人员不声称该模型是任何特定HD系统的完整回路级复制，但研究人员的目的是识别在基于吸引子的脉冲回路中进行基于采样的推断所需的条件，以启发未来实验。因此，该模型提供了与连接性、不同时间尺度上的神经活动相关性、阈下输入及其他凸包运动学测量相关的可实验检验预测。
