《Nature Neuroscience》：Representational learning by optimization of neural manifolds in an olfactory memory network
编辑推荐：
认知依赖于对相关信息的内部表征，这些信息通过将群体动力学约束到称为神经流形(neural manifolds)的活性子空间中来组织。为检验流形几何如何被经验修饰，研究人员训练幼年和成年斑马鱼进行气味辨别任务，并测量端脑区域pDp（piriform cortex
认知依赖于对相关信息的内部表征，这些信息通过将群体动力学约束到称为神经流形(neural manifolds)的活性子空间中来组织。为检验流形几何如何被经验修饰，研究人员训练幼年和成年斑马鱼进行气味辨别任务，并测量端脑区域pDp（piriform cortex同源区）的群体活性。未检测到吸引子动力学(attractor dynamics)的明显特征；然而，嗅觉辨别训练选择性地增强了代表任务相关气味的神经流形与其他表征之间的分离，这与具有精确突触平衡(precise synaptic balance)的自联想网络(autoassociative network)模型预测一致。使用流形容量(manifold capacity)框架的分析揭示了支持任务相关感觉信息分类的表征流形的多种几何修饰。流形容量在个体间预测气味辨别能力，表明表征几何与行为相关联。因此，pDp及可能相关的递归网络将信息存储在神经流形的几何中，形成联合的感觉与语义地图，可支持分布式学习过程。
研究背景方面，表征学习被认为通过改变记忆网络中的突触连接，将输入活动模式映射到神经元状态空间的特定子空间，从而组织相关信息。经典观点认为学习增强特定神经元集合间的递归兴奋，产生收敛吸引子动力学(convergent attractor dynamics)，通过模式补全支持信息分类；另一可能是学习修饰神经元状态空间几何，定义并非吸引子状态的神经流形(neural manifolds)。梨状皮层(piriform cortex)接收嗅球(olfactory bulb)分布感觉输入，其兴奋神经元通过可塑且在神经调质控制下的联络纤维系统递归连接，曾被认为形成气味对象神经元集合并以收敛动力学分类，但近期研究发现梨状皮层气味诱发活性是相位性而非持续，且试次间变异性高，未见明显离散吸引子状态。自联想记忆在斑马鱼端脑pDp（telencephalic area pDp，piriform cortex同源区）相关递归网络模型中，当小规模兴奋/抑制神经元集合连接增强并进入精确突触平衡(precise synaptic balance)态时，会从离散吸引子转变为连续表征流形。为弄清经验如何修饰表征流形，研究人员测量训练和天真斑马鱼pDp大规模群体活性并做几何分析。
论文发表于《Nature Neuroscience》。
主要关键技术方法方面，研究人员使用转基因斑马鱼（全脑表达GCaMP6s的Tg[alphaTubulin:GCaMP6s]），以离体制备结合体积双光子钙成像(volumetric two-photon calcium imaging)远程调焦以7.5 Hz体积率记录pDp活性，用CASCADE将ΔF/F转为放电率估计；样本包括幼鱼（受精后46–56天）与成年鱼，以及嗅球对照。行为上采用气味辨别任务，群养预训后单缸个别训练，以食欲行为评分量化学习。计算上构建精确平衡脉冲网络模型（1000兴奋/250抑制pDp神经元，接收1500僧帽细胞输入），并采用GLUE（Geometry Linked to Untangling Efficiency）理论用流形容量(manifold capacity)分析几何。
研究结果如下。
Basic features of neural dynamics in pDp：研究人员通过钙成像发现pDp气味诱发活性为先相位上升后慢衰减平台，神经元散布无气味相关地形；相较嗅球，pDp试次间变异性更高且刺激中增加，光遗传沉默嗅球输入后膜电位与突触电流近指数衰减（膜电位常数65±23 ms，电流60±21 ms），无全局定点吸引子持久性，支持无全局固定点吸引子动力学。
Experience-dependent modification of neural dynamics in pDp：研究人员训练幼鱼对氨基酸气味CS+与CS?联想食物，训练后CS+食欲行为显著更强；均值反应略增且有少数大反应神经元；余弦距离(cosine distance)在同气味试次间与同类别气味间接近，训练后异类（氨基酸vs胆酸）余弦距离增大，UMAP显示气味表征更可分，线性判别分析(LDA)与支持向量机分类准确率均提升，说明训练增强分类但未建立明显吸引子。
Basic analysis of manifold geometry in a computational model：研究人员用欧氏距离(dE)与马氏距离(dM)刻画流形；dE为流形中心距，dM依协方差归一故常不对称。模拟精确平衡网络引入E/I集合后，dE在所学与相关气味间增大且泛化到同类第三气味，dM沿所学→其他方向增大；破坏精确平衡致离散吸引子时效应不泛化。表明连续流形修饰与离散吸引子可借泛化性区分。
Learning-related modifications of representational manifolds in pDp：研究人员比较天真与训练鱼dE、dM矩阵，训练后氨基酸（CS+、CS?、第三氨基酸）间及氨基酸—胆酸间dE增大，胆酸间不变；dM在AA→AA与AA→BA方向不对称增大，BA→AA几乎不变，标签置换后差异消失，符合精确平衡网络而非吸引子模型。
Changes in manifold geometry support pattern classification：研究人员用GLUE理论以流形容量(manifold capacity)量化未纠缠度，训练后氨基酸相关流形容量提高，几何参数（中心分离、协变形状、方向变异性）共同提升线性可读性，流形容量跨个体预测行为辨别，证明表征几何关联计算与行为。
讨论与结论翻译：pDp及可能其他递归平衡态网络通过嗅觉地图的几何修饰存储任务相关信息，沿编码空间相关方向改善感觉信息分类；表征学习整合感觉与语义信息为连续地图，可支持分布式学习过程。研究人员得出结论，任务相关信息存于pDp神经流形几何中，形成联合感觉与语义地图，可能支持分布式学习；pDp和相关递归网络以神经流形几何而非离散吸引子存储信息。
