学习如何受环境影响是神经科学的一个基本问题，因为将学习推广到不同环境的能力对于驾驭世界是必要的。在条件任务中观察到快速上下文泛化的一个示例，其中性能从一个上下文快速泛化到另一个上下文。确定这种能力背后的神经基质的一个关键问题是海马体 （HPC） 如何在不同环境中表示与任务相关的刺激，因为 HPC 细胞表现出随环境变化（重新映射）的场所特异性活动。在这项研究中，我们使用钙成像来监测大鼠在多个空间环境中执行调节任务时的海马神经元活动。我们研究了编码空间位置（位置细胞）和任务相关信息的海马细胞是否可以保持其任务表示，即使它们的空间编码在新的空间环境中重新映射。为了评估任务表示的一致性，我们使用先进的降维技术与机器学习相结合，开发了群体水平 HPC 活动的多种表示。结果表明，即使空间上下文的地点单元表示发生变化，与任务相关的神经表示也保持稳定，从而展示了在不同空间上下文中任务的神经表示的相似嵌入几何形状。值得注意的是，这些模式不仅在同一只动物的不同环境中一致，而且在不同动物之间也非常相似，这表明海马体中存在标准化的神经编码或“神经语法”。 这些发现弥合了记忆和导航研究之间的关键差距，揭示了海马体如何在不同的空间环境中保持认知一致性。这些发现还表明，海马功能受动物之间共享的神经框架控制，这一观察结果可能对理解记忆、学习和相关的认知过程具有广泛的影响。展望未来，这项工作为探索海马编码策略的基本原理开辟了新的途径。

展开剩余97%

东莞富临医疗科技有限公司是Miniscope专家，我们为中国客户提供：Miniscope 微型荧光显微镜产品与解决方案。

一、引言

学习如何在跨情境中实现泛化，同时保持对特定情境的局部适应性，是神经科学与哲学领域的核心问题之一。泛化能力缺陷或不当泛化是多种疾病的特征，包括自闭症、精神分裂症和创伤后应激障碍。尽管其重要性，关于泛化的许多问题仍有待解答。

海马体（HPC）在学习、记忆和导航中起关键作用，损伤该区域会破坏情境学习。情境的许多方面，包括动物的空间位置以及局部和远端线索的存在，可由海马体中的“位置细胞”表征。因此，许多海马体细胞在不同环境中的活动会发生显著变化（即位置细胞重映射），即使任务可以在这些不同情境中泛化。一个主要的未解问题是：海马体中任务相关刺激的表征（同样存在于海马体中）如何在位置细胞重映射的背景下保持稳定？另一个问题是，不同动物是否使用相同或相似的神经策略解决这一问题。

直到最近，由于需要在多种环境和学习阶段追踪大量细胞的活动，研究情境学习的神经机制仍具有挑战性——这些任务在钙成像技术发展之前难以实现。本研究利用钙成像技术详细探索了海马体神经元动态，填补了海马体认知地图研究与海马体记忆和学习基础研究之间的空白。传统上分离的记忆与导航研究领域正在逐渐融合。

本研究探讨了学习和记忆的两个基本问题。第一个问题涉及学习在不同情境中的持久性。海马体细胞受空间变量调制，导致在不同环境中细胞活动发生显著变化；在这种重映射过程中，条件反射相关的神经表征如何保持稳定？第二个问题是海马体神经表征的不变性和一致性程度，不仅限于个体内部跨情境，还包括不同个体之间；海马体中是否存在学习与记忆的标准神经编码或“神经语法”？跨动物编码的共性将表明，海马体的功能不仅由个体经验决定，还受到标准化的神经算法框架的指导。这一发现将为学习和记忆的神经机制提供关键见解，帮助识别驱动行为的特定脑回路和算法。

为回答这些问题，我们训练大鼠完成一项依赖海马体的条件反射任务，该任务可在不同空间情境中快速泛化。我们在不同情境中观察同一任务，寻找位置细胞群体提供的空间位置表征的变化，同时任务特征的表征保持不变。我们发现，尽管位置表征发生变化，条件反射任务表征在动物将学习从一个环境泛化到另一个环境时保持稳定。更令人惊讶的是，我们还发现任务神经表征在不同动物间具有一致性。

本研究表明，尽管存在众所周知的位置细胞重映射现象，但在群体水平上存在跨环境的稳定任务特征神经表征。这些表征在不同个体间也表现出一致性，表明海马体对条件反射任务存在标准化的神经编码或“神经语法”。这一新发现提示海马体中可能存在联想学习的通用编码机制，这一原则可能重新定位我们研究记忆的方法，并挑战当前对认知过程的理解。

二、结果

我们训练了5只自由活动的大鼠在两种不同环境（标记为A和B）中完成条件反射任务。大鼠在训练开始前已熟悉环境（图1a，图S1）。环境A为无气味的矩形围栏，带有金属网地板和墙壁及白色照明；环境B为带有丁香精油气味的椭圆形围栏，白色实心地板和墙壁及红色照明（图1b）。两种环境在房间内的位置相对于外部线索相同（见方法）。

图 1.实验训练范式和结果。动物在进行眨眼条件反射之前探索了环境 A 一次，直到它们达到学习标准。标准定义为在连续三次训练 （A（n-2） 、 A（n-1） 和 A（n）） 的 50 次试验中达到 70% 的条件反应 （CRs） 或在前四次训练中平均超过 70% 的 CRs。在环境 A 中满足标准后，允许动物在环境 B 中进行一次探索，然后在环境 B 中进行两次微量眨眼条件反射测试（B（1） 和 B（2））。b. （上图）环境 A 和 B 的示意图。环境 A 是一个矩形外壳，有金属丝墙、地板和天花板，用白光照明，没有香味。环境 B 是椭圆形的，地板和墙壁都是纯白色的，没有天花板，用红光照亮，并散发着丁香油的香味。这两个环境都提供了从顶部和侧面可见的远端线索。（下）单次会话期间环境 A 和 B 中的动物轨迹，使用 DeepLabCut 提取。c.跟踪眨眼条件反射 （tEBC） 范式。250 ms 的音调（条件刺激，CS）之后是 500 ms 的跟踪间隔，然后是 100 ms 的眼睑休克（无条件刺激，US）。使用植入眼睛上方的 EMG 电极记录眼睑活动。未经训练的动物仅在对 US 做出反应时眨眼（无条件反应，UR）;受过训练的动物在 CS 之后和 US 之前的跟踪间隔内开始眨眼（条件反应，CR）。d.动物 （n=5） 在 tEBC 任务中的表现。动物在环境 A 中自由移动时学习了 tEBC，并成功地将这种学习转移到环境 B。虚线表示性能标准。在环境 A 的标准会话 （平均值 74.75 ± 6.49%） 和环境 B 中的测试会话 （平均值 77.70 ± 11.68%;双尾 t 检验，t（24） = −0.83，p > 0.05） 中未发现显著差异。误差线表示标准误差。

2.1 动物能轻松跨环境迁移条件反射任务

在研究初期，自由活动的大鼠（图1b）接受了痕迹性眨眼条件反射（tEBC）训练（图S2），这是一项依赖海马体的经典条件反射任务，作为联想记忆形成的稳健模型。该范式包括呈现250毫秒的条件刺激（CS，音调），随后是500毫秒的痕迹间隔，然后是100毫秒的非条件刺激（US，眼睑电击）（图1c）。电击和眨眼通过插入眼睑肌肉的导线记录。随着训练进行，大鼠对音调表现出条件性眨眼（CR）。动物达到标准（50次试验中70% CR）连续三个训练会话（称为“标准会话”）或最近四个训练会话平均超过70%时，视为学会任务（图1d）。动物学会任务所需的会话数存在显著差异，平均为20±4.2次训练会话。最快的两只大鼠在14次会话中达到标准，最慢的大鼠在24次会话后达到标准（图S2）。达到标准后，大鼠被引入环境B，在两天内（每天一次会话）评估其执行tEBC的能力。比较分析显示，环境A的标准会话与环境B的测试阶段在表现（以% CR衡量）上无显著差异（环境A标准会话均值为74.75±6.49，环境B测试会话均值为77.70±11.68，双尾t检验(24)=−0.83，p>0.05）（图1d），表明tEBC学习成功迁移到新环境。

钙成像（CaImg）实现了在两种环境中对同一海马体细胞的多会话纵向监测。在标准和测试会话中，我们平均每会话每动物记录459.85±265.31个细胞，环境A和环境B记录的细胞数量无显著差异（双尾t检验(24)=−0.56，p>0.05）。平均132±95个细胞同时出现在环境A的最后标准会话和环境B的第一测试会话中。这与环境A的倒数第二会话A(n−1)和最后会话A(n)中同时出现的细胞数量（平均155±115个）无显著差异。

2.2 海马体位置细胞表征在不同环境中存在差异

为识别位置细胞，我们将实际互信息（MI）与通过500次循环移位位置数据计算的MI进行比较。若细胞的MI高于通过自举MI分数提供的零分布的95百分位，则视为位置细胞。使用这一95%截断值，标准和测试会话中平均9.3%±4.2%的细胞符合位置细胞标准。环境A和环境B之间符合位置细胞标准的细胞比例无显著差异（环境A平均为8.1%±3.3%，环境B平均为11.1%±4.9%，双尾t检验t(23)=−1.9，p>0.05）（图2a，图S3）。所有标准和测试会话的平均MI分数为1.08±0.18，环境间平均MI无差异（环境A平均MI为1.08±0.17，环境B平均MI为1.08±0.21，双尾t检验t(4805)=−0.5，p>0.05）。

图 2.放置单元格 在环境 A 和环境 B 之间重新映射。在环境 A 中的标准会话和环境 B 中的测试会话期间放置单元格的百分比。浅色条表示单个会话中的平均值，深色条表示环境 A 和 B 中的总体平均值。平均而言，9.3% ± 4.2% 的细胞被归类为放置细胞。环境 A 和 B 之间的位置细胞百分比没有显著差异（环境 A 的平均值：8.1% ± 3.3%;环境 B 的平均值：11.1% ± 4.9%;双尾 t 检验，t（23） = -1.9，p > 0.05）。环境 A 和 B 中特定单个单元的示例活动图。黄色表示最高发射速率。这个单元展示了环境之间的重新映射，在两个上下文中显示了相对于外部线索的不同位置字段。c.位置场中心之间的距离分布（由最高的钙事件率决定），比较会话 A（n） 和 A（n-1） 与会话 A（n） 和 B（1）。与环境 A 中两个连续会话之间的偏移相比，当动物被移动到环境 B 时，位置野中心偏移显着更多（Wilcoxon 秩和检验，p = 0.002;双侧 t 检验，t（1430） = −2.5，p = 0.01;双样本 Kolmogorov-Smirnov 检验，p = 3.6 × 10）。棕色阴影区域表示距离直方图之间的重叠。d.将中心位置随机排序 500 次后，放置字段中心之间的中位数距离分布。会话 A（n） 到 A（n-1） 的实际中位数小于所有随机的中位数（p = 0，蓝色虚线），而会话 A（n） 到 B（1） 的中位数大于或等于随机中位数的 56%（p = 0.56，黄色虚线）。棕色阴影区域表示随机分布之间的重叠。e.基于会话 A（n-1）、A（n） 和 B（1） 的钙事件的群体向量相关性 （PVC）。对于两个会话中存在的细胞，在会话 A（n-1） 和 A（n） 之间发现显著的正相关 （p = 0.0023，r = 0.11）。相比之下，共享细胞的会话 A（n） 和 B（1） 之间没有显着相关性 （p > 0.05，r = −0.04）。这些发现表明，钙事件模式在会话 A（n-1） 和 A（n） 之间显著相似，但在会话 A（n） 和 B（1） 之间则不然。虚线表示最佳拟合线。（a.u. = 任意单位）。

我们的分析显示，单个海马体细胞对环境A和B表现出不同的空间表征，改变了位置细胞和位置野相对于远端线索的配置——这一过程称为“位置细胞重映射”（图2b）。我们通过多种方法确认了这种重映射。首先，我们通过比较环境A的最后两个标准会话（会话A(n−1)和A(n)）中钙事件率最高点（假定的位置野中心）的距离，与从环境A会话n转换到环境B会话1时的距离变化（两种环境的中心对齐，见方法）。数据显示，从A转换到B时，这些假定的位置野中心的变化显著大于在环境A内保持不变时的变化（Wilcoxon秩和检验p=0.002，双尾t检验t(1430)=−2.5，p=0.01，双样本Kolmogorov-Smirnov（KS）检验p=3.6×10^(−4)）（图2c）。其次，为补偿环境大小的差异，我们还将位置野中心之间的距离与100次随机重排后的预期距离进行比较，发现会话A(n)与会话A(n−1)比较时，位置野中心的中位距离小于所有中位重排值（p=0），而会话A(n)与会话B(1)比较时，位置野中心的中位距离大于或等于56%的重排值（p=0.56）（图2d）。第三，考虑到细胞可能有多个位置野，我们使用钙事件数据计算了会话A(n−1)、A(n)和B(1)的群体向量相关性（PVC）。使用同时出现在会话A(n−1)和A(n)中的细胞时，这两个会话的PVC显示显著正相关（p=0.0023，r=0.11）。相反，使用同时出现在会话A(n)和B(1)中的细胞时，未发现相关性（p>0.05，r=−0.04）。这一结果表明会话A(n−1)和A(n)之间的钙事件模式显著相似，而会话A(n)和B(1)之间无显著相似性（图2e）。

我们随后使用机器学习算法确定环境A和B之间神经嵌入的差异。为此，我们将CEBRA算法应用于标有环境A会话A(n)空间坐标的钙成像数据（所有模型使用75%数据训练，25%数据验证）。CEBRA的选择基于其在解码神经活动模式时的效能和可解释性，优于PCA和Isomap等方法（见方法）。然后测试该模型在应用于未用于训练的神经数据时解码动物在环境A和B中位置的能力。结果显示，模型运行500次后，预测会话A(n−1)位置的准确性显著高于随机预期（所有双尾t检验，每只大鼠：大鼠1：t(998)=−34.3，p=5.0×10^(−171)；大鼠2：t(998)=−72.5，p=0；大鼠3：t(998)=−1.96，p=0.05；大鼠4：t(998)=−53.7，p=2.6×10^(−299)；大鼠5：t(998)=−20.0，p=4.1×10^(−75)）（图3a–b）。相反，当将在A(n)数据上训练的模型应用于环境B时，模型的预测准确性显著低于基于随机位置数据训练的模型，表明环境A和B之间的位置细胞编码差异甚至大于随机预期（所有双尾t检验，每只大鼠：大鼠1：t(998)=84.1，p=0；大鼠2：t(998)=18.8，p=7.4×10^(−68)；大鼠3：t(998)=74.7，p=0；大鼠4：t(998)=13.1，p=2.0×10^(−36)；大鼠5：t(998)=154.4，p=0）（图3c–d）。这些发现共同表明，在环境转换时位置细胞发生显著重映射，且个体大鼠的位置编码神经嵌入随情境切换而变化。

图 3.在环境 A 中训练的模型可以解码环境 A 中的位置，但不能解码环境 B 中的位置。使用会话 A（n） 中存在的细胞在会话 A（n） 中的钙迹线和位置数据上训练的模型，使用存在于 A（n） 和 A（n-1） 中的细胞，预测环境 A（n-1） 中的位置，其准确性明显高于在随机位置数据上训练的模型。该模型运行了 500 次，并评估了预测的准确性。在大鼠中，根据实际数据训练的模型明显优于洗牌模型（双侧 t 检验：大鼠 1：t（998） = −34.3，p = 5.0 × 10−171;大鼠 2：t（998） = −72.5，p = 0;大鼠 3：t（998） = −1.96，p = 0.05;大鼠 4：t（998） = −53.7，p = 2.6 × 10−299;大鼠 5：t（998） = −20.0，p = 4.1 × 10−75）。误差线表示标准误差。一个星号 （*） 表示 p ≤ 0.05，三个星号 （***） 表示 p < 10^(−74)。b. （顶行）在环境 A（n） 中解码动物位置的模型性能可视化。左图：在会话 A（n） 的训练数据上演示的训练模型。中间：相同的模型适用于会话 A（n） 中保留的跟踪数据 （25%）。右：用于预测会话 A 中动物位置的模型 （n−1）。（底行）相同的模型使用随机位置数据进行训练。此处显示的是大鼠 4 的模型，其中在真实数据上训练的模型在解码会话 A（n-1） 中的位置方面明显优于在随机数据上训练的模型（500 次模拟，t（998） = −53.7，p = 2.6 × 10^(−299）。出于可视化目的，使用任意单位 [a.u.] 的标准化值绘制与环境角落的距离。c.使用会话 A（n） 和 B（1） 中存在的单元格，在会话 A（n） 中的数据上训练的模型被应用于环境 B（1）。该模型的预测准确性明显低于在随机位置数据上训练的模型（双侧 t 检验：大鼠 1：t（998） = 84.1，p = 0;大鼠 2：t（998） = 18.8，p = 7.4 × 10^(−68);大鼠 3：t（998） = 74.7，p = 0;大鼠 4：t（998） = 13.1，p = 2.0 × 10^(−36);大鼠 5：t（998） = 154.4，p = 0）。误差线表示标准误差。三个星号 （***） 表示 p < 10^(−35)。d. （顶行）模型使用存在于 A（n） 和 B（1） 中的单元格，根据会话 A（n） 中的位置和钙轨迹数据进行训练。左：在会话 A（n） 的训练数据上演示的模型。中间：相同的模型适用于会话 A（n） 中保留的跟踪数据 （25%）。右：用于预测会话 B（1） 中动物位置的模型。（底行）相同的模型使用随机位置数据进行训练。此处显示的是 Rat 4 的模型，其中洗牌模型在解码会话 B（1） 中的位置方面明显优于在会话 A（n） 上训练的模型（500 次模拟，t（998） = 13.1，p = 2.0 × 10^(−36）。出于可视化目的，使用任意单位 [a.u.] 的标准化值绘制与环境角落的距离。

2.3 海马体在两种环境中表征条件反射任务，且任务表征与空间表征无关

我们随后研究了条件反射相关数据在环境A和B中是否同等表征。通过视觉检查可明显发现，单个细胞在条件反射期间的钙事件率（图4a）和钙信号（图4b）存在变化。为量化这种变化，我们设计了“CSUS互信息”（CSUS-MI）指标，类似于空间互信息；这使我们能够评估每个细胞的钙活动捕获的任务相关信息程度。我们计算了每个细胞的CSUS-MI，并将其与通过打乱CS和US时段并重新计算MI 500次生成的对照分布进行对比。使用钙事件数据，我们发现10.7±4.9%的细胞包含与动物处于CS或US时段相关的显著CSUS信息（称为CSUS-MI2，因条件反射时段分为2个区间；见方法）（图S4a）。若使用钙信号，这一关系更为显著：19.9±8.2%的细胞包含与CS或US时段相关的显著信息（图S4a）。重要的是，这两种MI指标在环境A和B之间均无显著差异（双尾t检验，使用钙事件数据t(23)=0.48，p>0.05；使用钙信号数据t(23)=−0.52，p>0.05）。

图 4.识别单个细胞中的 CS 和 US 调节。响应 CS、US 和/或痕量期的 6 个示例细胞的刺激期时间直方图 （PSTH）。条形表示 50 次试验中相加的钙事件。阴影区域表示不同的刺激周期：蓝色 （CS）、绿色 （轨迹） 和红色 （US）。响应 CS、US 和/或痕量期的 8 个示例细胞的平均钙痕量，在 50 次试验中取平均值。阴影区域与面板 a 一致（a.u. = 任意单位）。c.散点图说明了空间互信息 （MI） 和 CSUS 互信息 （MI） 之间的显著正相关。数据点表示分箱化的观测值，误差线显示标准误差。红色实线表示原始未分箱数据集的线性回归分析中的最佳拟合。左图：CSUS-MI2 （r2 = 0.04，p = 2.1 × 10−104）。右图：CSUS-MI5 （r2 = 0.09， p = 1.7 × 10−237）。d.马赛克图显示了受空间和/或 CSUS 信息调制的细胞的比值比。如果细胞的互信息超过随机值的 95%，则细胞被归类为显著调制。左：与没有空间调节的细胞相比，具有显着空间调节的细胞被 CSUS-MI2 显着调节的几率高 1.35 倍（Fisher 精确检验，p = 0.001）。右图：CSUS-MI5 的类似结果，其中具有显著空间调节的细胞受到 CSUS-MI5 显著调节的几率高出 1.27 倍（Fisher 精确检验，p = 0.002）。e.在调节和非调节期间放置字段重新映射。（左）比较调节期（例如，在 CS/US 试验期间）和非调节期（例如，试验间隔）期间位置场中心之间的空间距离的热图。颜色表示场心之间距离的绝对差异：颜色变化最小的区域（蓝色）表示两种情况之间的位置场中心相似，而更多的黄色区域表示距离的显着差异（Mantel 统计量 = 534.58，p > 0.05）。（右）显示空间钙活性的两个细胞的示例。上图：热图显示运动期间的钙事件发生率，但不显示调节期间的钙事件发生率（例如，试验间期）。下图：CS/US 调节期间的钙事件发生率。深蓝色表示最低事件率，黄色表示最高事件率。这些结果表明，试验期间的钙事件并不局限于细胞的位置场。f.CS（左）和 US（右）期间钙事件在会话 A（n）（蓝色）和 B（1）（黄色）中的分布。在环境 A 和 B 之间，在 CS（左）或 US（右）期间，海马放电未观察到显着差异（CS：双尾 t 检验，t（1174） = 0.68，p > 0.05;US：双尾 t 检验，t（1174） = 1.20，p > 0.05;KS 检验，两种比较的 p > 0.05）。

我们随后扩展了这一分析，以确定单个细胞的钙事件或信号是否包含关于条件反射任务时段的信息。为此，我们将CSUS时段分为5个等长区间，计算这些区间的CSUS-MI（称为CSUS-MI5，见方法），然后将这些互信息值与打乱数据提供的对照进行比较。使用钙事件数据，我们发现15.5±7.8%的细胞包含这一信息，而使用钙信号数据时为10.0±7.8%（图S4b）。同样，这两种互信息指标在环境A和B之间无显著差异（双尾t检验，使用钙事件数据t(23)=−0.32；使用钙信号数据t(23)=−1.1，p>0.05）。比较会话A(n)与会话A(n−1)的CSUS-MI2值时，与会话A(n)与会话B(1)的比较无显著差异（Wilcoxon秩和检验p>0.05，双尾t检验t(1431)=0.86，p>0.05）。相比之下，CSUS-MI5在比较会话A(n)与会话A(n−1)和会话A(n)与会话B(1)时存在微小但显著的差异（Wilcoxon秩和检验p=0.049，双尾t检验t(1431)=−2.2，p=0.03）（图S4c）。

这些结果表明，条件反射任务在环境A和B中均被表征，且表征任务的细胞比例在两种环境间无差异。

我们随后检查了包含空间信息的细胞与包含CSUS信息的细胞之间的重叠，发现空间MI与CSUS-MI2（线性回归，r²=0.04，p=2.1×10^(−104)）及空间MI与CSUS-MI5（线性回归，r²=0.09，p=1.7×10^(−237)）之间存在显著正相关（注：统计计算基于未分箱数据，但图表为可视化目的展示分箱数据）（图4c）。进一步分析显示，具有显著空间调制的细胞相比无空间调制的细胞，更可能被CSUS显著调制：若细胞具有显著CSUS-MI2，则其具有显著空间MI的几率高1.35倍（Fisher精确检验，p=0.001）；若细胞具有显著CSUS-MI5，则高1.27倍（Fisher精确检验，p=0.002）。我们随后探究条件反射期间发生的钙事件是否局限于位置细胞的“发放”野。因此，我们计算了条件反射期间钙事件的平均位置与非条件反射运动期间的平均位置。我们使用Mantel检验分析这一数据，该检验通过评估两个距离矩阵之间的相关性来确定它们代表的空间模式是否显著相关。在所有会话中，我们发现Mantel统计量为534.58；通过与10,000次重排结果比较，确定该统计量不显著（p>0.05）；即条件反射期间的空间发放模式与非条件反射期间的模式通常不相似（图4d）。换句话说，条件反射期间的发放空间分布与非条件反射期间有本质差异，这一结果与条件反射相关反应局限于细胞位置野的假设不符。

我们随后评估了任务表征在环境间的一致性。比较同时出现在会话A(n)和B(1)中的细胞时，细胞对CS或US的反应无差异（双尾t检验，CS：t(1174)=0.68，p>0.05；KS检验p>0.05；US：t(1174)=1.20，p>0.05；KS检验p>0.05）（图4e）。

2.4 条件反射任务表征在环境间保持一致

我们随后使用钙成像数据和环境A中带时间戳的CS/US时段训练CEBRA模型，仅使用在环境A和B中均记录的细胞。然后使用该训练模型解码动物在环境A的额外会话及环境B中是否处于CS或US时段。所有模型在环境A的额外会话中均能成功解码CS和US时段（与打乱数据相比，所有双尾t检验，每只大鼠：大鼠1：t(998)=6.7，p=2.5×10^(−11)；大鼠2：t(998)=16.1，p=7.4×10^(−52)；大鼠3：t(998)=83.5，p=0；大鼠4：t(998)=80.1，p=0；大鼠5：t(998)=61.0，p=0）（图5a,c）。所有五个模型在环境B中的解码准确性显著高于随机水平（所有双尾t检验，每只大鼠：大鼠1：t(998)=10.4，p=2.6×10^(−24)；大鼠2：t(998)=2.7，p=7.6×10^(−3)；大鼠3：t(998)=75.3，p=0；大鼠4：t(998)=63.7，p=0；大鼠5：t(998)=106.3，p=0）（图5b–c）。

图 5.在环境 A 中训练的模型可以在上述机会水平上解码环境 A 和 B 中的 CS 和 US 周期，包括细粒度的时间解码。CEBRA 模型使用来自环境 A 的钙成像数据和带时间戳的 CS/US 周期进行训练，仅使用在环境 A 和 B 中记录的细胞。该模型用于解码动物在环境 A 的另一个会话中是否处于 CS 或 US 期;与洗牌数据相比，所有模型都成功地解码了这些时期（所有双侧 t 检验：大鼠 1：t（998） = 6.7，p = 2.5 × 10^(−11;大鼠 2：t（998） = 16.1，p = 7.4 × 10^(−52;大鼠 3：t（998） = 83.5，p = 0;大鼠 4：t（998） = 80.1，p = 0;大鼠 5：t（998） = 61.0，p = 0）。条形表示标准误差;显著性表示为 ***p < 10−10。面板 A 中的相同模型现在应用于环境 B;他们明显优于机会水平（所有双侧 t 检验：大鼠 1：t（998） = 10.4，p = 2.6 × 10−24;大鼠 2：t（998） = 2.7，p = 7.6 × 10^(−3;大鼠 3：t（998） = 75.3，p = 0;大鼠 4：t（998） = 63.7，p = 0;大鼠 5：t（998） = 106.3，p = 0）。误差线表示标准误差，*p < 10^(−3，***p < 10−10。c. （顶行）在 CS/US 期间训练的 CEBRA 模型，分为两个时间区间（数据来自大鼠 4）。对于前三个图形，使用来自会话 A（n） 的位置和钙轨迹数据，使用 A（n） 和 A（n-1） 中存在的单元格对模型进行训练。第一个图：应用于会话 A（n） 中的训练数据的训练模型。第二张图：用于从会话 A（n） 的保留数据 （25%） 解码 CS/US 期间的模型。第三个图：应用于会话 A （n−1） 的模型。对于前最后三个图形，使用来自会话 A（n） 的位置和钙轨迹数据，使用 A（n） 和 B（1） 中存在的单元格对模型进行训练。第四张图：应用于会话 A（n） 的训练数据的训练模型。第五张图：用于从会话 A（n） 的保留数据 （25%） 解码 CS/US 期间的模型。第六张图：应用于会话 B（1） 的模型。（底行）同一模型在随机数据上训练。在解码会话 A（n-1） 和会话 B（1） 方面，使用会话 A（n） 数据训练的模型明显优于使用随机数据训练的模型（分别为双侧 t 检验，t（998） = 83.5，p = 0 和 t（998） = 75.3，p = 0）。d.CEBRA 模型在环境 A 的数据上进行训练，以解码 CS、跟踪和 US 周期中的时间顺序，分为五个部分，应用于环境 A 中的备用会话（会话 A（n-1））。该模型显著优于机会性（所有准确性双侧 t 检验：大鼠 1：t（998） = 41.5，p = 3.3 × 10−220;大鼠 2：t（998） = 28.7，p = 7.8 × 10−133;大鼠 3：t（998） = 122.6，p = 0;大鼠 4：t（998） = 118.5，p = 0;大鼠 5：t（998） = 62.6，p = 0）。条形表示标准误差;显著性表示为 ***p < 10−10。e.来自图 d 的相同五个模型现在应用于环境 B，在解码 CS/US 周期的时间方面优于在随机数据上训练的模型，表明细粒度时间编码在环境中是稳定的（所有双侧 t 检验的准确性：大鼠 1：t（998） = 55.1，p = 4.9 × 10−305;大鼠 2：t（998） = 9.3，p = 1.1 × 10−19;大鼠 3：t（998） = 71.4，p = 0;大鼠 4：t（998） = 62.6，p = 0;大鼠 5：t（998） = 106.2，p = 0）。条形表示标准误差;显著性表示为 ***p < 10−10。f.与图 c 中的分析相同，但针对在 CS/US 周期上训练的 CEBRA 模型，分为五个时间区间。顶部：显示了调节期的五个分区。来自大鼠 3 的数据表明，在解码会话 A（n-1） 和会话 B（1） 时，在会话 A（n） 上训练的模型优于在随机数据上训练的模型（分别为双侧 t 检验，t（998） = 88.9，p = 0 和 t（998） = 71.4，p = 0）。g.混淆矩阵显示 5 个 CS/US 时间箱的 CEBRA 解码，如面板 f 所示。上行：使用会话 A（n） 中的数据训练的模型。底行：在随机数据上训练的模型。沿对角线的颜色越暗表示模型精度越高。h.使用基于会话 A（n） 的数据训练的模型（CSUS2 和 CSUS5 除法）解码会话 A（n−1） 和 B（1） 的模型准确性。对于 CSUS2 和 CSUS5，在会话 A（n） 中训练的模型解码会话 B（1） 的准确性与解码会话 A（n−1） 时获得的准确性相似（CSUS2：双侧 t 检验，t（8） = −0.13，p > 0.05;CSUS5：t（8） = 0.32，p > 0.05）。条形表示标准误差

我们随后在环境A会话A(n)数据上训练额外模型，以确定其能否解码条件反射时段内的时序（CSUS5），包括在环境A的另一次会话（A(n−1)）和环境B（B(1)）中。所有模型在训练后均能准确解码环境A(n−1)（所有双尾t检验，每只大鼠：大鼠1：t(998)=41.5，p=3.3×10^(−220)；大鼠2：t(998)=28.7，p=7.8×10^(−133)；大鼠3：t(998)=122.6，p=0；大鼠4：t(998)=118.5，p=0；大鼠5：t(998)=62.6，p=0）（图5d,f,g）。值得注意的是，解码环境B(1)的结果表明，CS/US时序的精细层面在跨环境中可解码，提示任务编码的精细水平在两种环境中均稳定（所有双尾t检验，每只大鼠：大鼠1：t(998)=55.1，p=4.9×10^(−305)；大鼠2：t(998)=9.3，p=1.1×10^(−19)；大鼠3：t(998)=71.4，p=0；大鼠4：t(998)=62.6，p=0；大鼠5：t(998)=106.2，p=0；精确率、召回率、F1分数和受试者工作特征曲线下面积的结果也显著，数据未展示，见方法）（图5e–g）。

值得注意的是，对于CSUS2和CSUS5，在会话A(n)上训练的模型解码会话B(1)的准确性不低于解码会话A(n−1)（双尾t检验，CSUS2：t(8)=−0.13，p>0.05；CSUS5：t(8)=0.32，p>0.05）（图5h）。

我们随后使用CEBRA分析CS/US时段细胞表征的嵌入几何。首先，我们将条件反射任务分为CS和US时段（CSUS2），考察2、3、5、7和10个潜在变量的嵌入几何。我们比较了会话A(n−1)、A(n)、B(1)和B(2)之间的相似性，以及各会话的打乱版本。

对于所有5只大鼠，嵌入几何显示出与打乱对照相比高度显著的相似性。这一显著性在考察多达10个潜在变量时仍保持（所有双尾t检验，2个潜在变量所有比较p<1×10^(−5)；3个潜在变量p<1×10^(−4)；5个潜在变量p<1×10^(−5)；7个潜在变量p<1×10^(−5)；10个潜在变量p<1×10^(−4)）（图6a–c）。当CS/US时段分为5段（CSUS5）时，这种高度相似性仍保持（所有双尾t检验，2个潜在变量所有比较p<1×10^(−12)；3个潜在变量p<1×10^(−7)；5个潜在变量p<1×10^(−6)；7个潜在变量p<1×10^(−5)；10个潜在变量p<1×10^(−5)）（图6d–f）。这种高度显著的相似性表明任务神经表征在环境A和B间保持一致。

图 6.环境 A 和 B 之间神经表示的高度一致性。每只大鼠的一致性评分，用 2、3、5、7 和 10 个潜在值计算。较亮的条形表示实际数据的一致性百分比，而相邻的深色条形表示随机数据的一致性。x 轴下方的示意图说明了每个比较中包含的数据集（有关数据集的位置和标签，请参阅 figure 6b ）。对于条件反射期的 CSUS2 划分（分为 CS 和 US 分量），与洗牌数据相比，所有 5 只大鼠在实际数据中环境 A 和 B 之间的一致性都表现出显著更高的一致性。这种一致性在最多 10 个潜在值时仍然很重要。b.从 Rat 5 开始，CSUS2 具有 2、3、5、7 和 10 个潜在值的一致性测量示例。c. CSUS2 所有大鼠的平均一致性评分。图例遵循面板 a 的格式。条形表示标准误差。实际数据与随机数据的一致性得分在所有潜在维度上均存在显著差异（所有双侧 t 检验：2 个潜在数据，p < 1 × 10^(-5);3 个潜在数据，p < 1 × 10^(-4);5 个潜在数据，p < 1 × 10-5;7 个潜在数据，p < 1 × 10-5;10 个潜在数据，p < 1 × 10^(-4）。d. 每只大鼠的一致性评分，如图 a 所示，但对于 CSUS5，其中调节期分为五个时间箱。与洗牌数据相比，所有 5 只大鼠在实际数据中环境 A 和 B 之间的一致性都显著更高;这在 latent 中最多保持 10 次。e.从 Rat 3 开始，CSUS5 具有 2、3、5、7 和 10 个潜在值的一致性测量示例。f.CSUS5 所有大鼠的平均一致性评分。图例与面板 c 的图例匹配。条形表示标准误差。对于所有潜在维度，观察到实际数据和随机数据之间存在显著差异（所有双侧 t 检验：2 个潜在值，p < 1 × 10^(-12);3 个潜在值，p < 1 × 10^(-7);5 个潜在值，p < 1 × 10^(-6);7 个潜在值，p < 1 × 10^(-5);10 个潜在值，p < 1 × 10^(-5）。

2.5 条件反射任务表征在动物间保持一致

考虑到任务表征在环境A和B间的相似性，我们思考是否存在跨动物的通用任务表征。为回答这一问题，我们探究了不同受试者间条件反射任务的编码相似性。为每只动物建立基于钙信号模式和条件反射任务结构的独特模型后，计算所有动物特定模型间的相似性分数。与打乱数据训练的模型相比，这些训练模型间存在显著一致性。值得注意的是，这种一致性在区分CS和US时段的模型中明显，也在识别CS呈现、痕迹间隔和US传递五个离散时段的更精细模型中明显（类似图6d–g的模型）。当条件反射时段分为2段（CSUS2）时，跨动物模型的相似性与单个动物内模型间的相似性无显著差异（所有测试潜在变量数量：2个潜在变量：t检验(188)=−0.45，p>0.05；3个潜在变量：t检验(188)=−1.57，p>0.05；5个潜在变量：t检验(188)=−0.40，p>0.05；7个潜在变量：t检验(188)=−0.22，p>0.05；10个潜在变量：t检验(188)=0.40，p>0.05）（图7a–b）。这一关系在条件反射时段分为5段（CSUS5）时也成立：跨动物模型的相似性与单个动物内模型间的相似性无显著差异（2个潜在变量：t检验(188)=−0.79，p>0.05；3个潜在变量：t检验(188)=0.25，p>0.05；5个潜在变量：t检验(188)=−0.42，p>0.05；7个潜在变量：t检验(188)=0.70，p>0.05；10个潜在变量：t检验(188)=0.30，p>0.05）（图7c–d）。

图 7.动物之间的条件反射表示之间高度一致。CSUS2 具有 2、3、5、7 和 10 个潜伏期的动物间一致性。较大的图表突出显示了图表中具有两个潜在值的括号区域。调节期分为 2 个时间箱 （CSUS2）：无论潜在值的数量如何，动物模型之间的相似性与个体动物模型之间的相似性没有显著差异（2 个潜在值：t（188） = -0.45，p > 0.05;3 个潜在值：t（188） = -1.57，p > 0.05;5 个潜在值：t（188） = -0.40，p > 0.05;7 个潜在值： t（188） = −0.22，p > 0.05;10 个潜在值：t（188） = 0.40，p > 0.05）。误差线表示标准误差。c.CSUS5 具有 2、3、5、7 和 10 个潜伏期的动物间一致性。较大的图表突出显示了图表中具有两个潜在值的括号区域。d.调节期分为 5 个时间区间 （CSUS5）;无论潜在值的数量如何，动物模型之间的相似性与动物内模型的相似性仍然相当（2 个潜在值：t（188） = −0.79，p > 0.05;3 个潜在值：t（188） = 0.25，p > 0.05;5 个潜在值：t（188） = −0.42，p > 0.05;7 个潜在值：t（188） = 0.70，p > 0.05;10 个潜在值：t（188） = 0.30，p > 0.05）。误差线表示标准误差。

三、讨论

我们的研究为海马体功能提供了重要见解，表明海马体不仅通过神经编码变化响应环境变化，还在不同情境中保持任务相关信息的稳定性。这些机制支撑了认知灵活性和在新情境中应用学习行为的能力。

3.1 跨环境任务抽象

研究的关键发现是海马体在环境变化时保持稳定任务表征（如眨眼条件反射所需），尽管存在神经编码差异。这种在不同环境中泛化学习任务的能力支持了认知地图不仅限于空间导航的模型，如Tolman-Eichenbaum Machine（TEM）。根据该模型，“空间”地图整合任务相关信息，使海马体能够在共享认知需求但感官或环境细节不同的新环境中利用学习行为。

3.2 模式分离与完成

来自神经科学各个领域的证据导致了 HPC 函数理论的发展，该理论认为 HPC 将涉及等效动作或关系（例如类似任务）的状态视为等效，从而导致学习很容易在环境之间转移。该理论与 HPC 主要执行竞争性“模式分离”的理论形成鲜明对比。情境记忆的主流理论以及细胞和系统层面的基础仍有待阐明。在我们的研究中，海马位置细胞对不同环境的不同编码为模式分离提供了证据：海马体区分不同的环境。这种分离减少了记忆之间的干扰，允许根据特定的环境线索进行更准确的回忆。另一方面，在不同环境中对 eyeblink 任务的一致解码表明模式完成。这个过程允许海马体从部分或广义线索中重建完整的记忆或习得的反应，即使上下文细节发生变化，也能执行学习到的任务。

我们的结果补充了以前的工作，这些工作将 HPC 确定为模式完成器和模式分隔符。研究表明，当任务需求发生变化时，位置单元格可以不同地代表相同的环境，但当位置具有相似的任务需求时，则显示相似的触发模式。在最近的工作中，大鼠在执行同一任务的变体时暴露在两个不同的环境中：在第一个环境中接近对象 A，在第二个环境中接近对象 B;该研究揭示了两种情况下事件的反相关海马放电模式。这表明海马体编码了项目和位置之间特定于上下文的关联，而不仅仅是特定行为。这项研究强调了当环境不同但需要相似行为时，海马体在稳健模式分离中的作用，表明即使是微小的任务变化也会导致显著的神经元模式分离。相比之下，我们的研究使用的任务在两种环境中保持不变，并在两种情况下发现了一致的海马种群水平任务表示。这种一致性可能反映了任务可以在环境之间通用化，而无需海马体区分任务需求。因此，海马体似乎根据不同环境中任务需求的相似或不同程度来平衡模式分离和完成。

3.3 非空间海马体表征

关于海马体锥体细胞是否同时编码情境的空间和非空间方面存在持续争论。我们的发现表明，对条件反射任务的响应与位置野位置无关，部分记录细胞能同时表征空间位置和任务（图4）。这与之前研究形成对比，后者发现条件反射反应更紧密关联特定空间位置。差异可能源于任务设计：本研究空间位置无关紧要，使锥体细胞能够独立于位置编码任务相关特征。

3.4 个体内与个体间一致性

神经表征在不同测试会话中的稳定性表明，一旦海马体回路被训练，其功能架构在不同情境中保持显著一致。这种个体内一致性支持神经回路不仅具有反应性，还在处理特定刺激时具备稳健、预定义角色的理论。此外，不同动物执行相同任务时相似神经编码模式的观察表明，可能存在物种特异性、进化保守的神经代码。

四、方法

4.1 实验模型与受试者详情

所有程序遵循西北大学机构动物护理与使用委员会及NIH指南。五只雄性Long Evans大鼠（275–325克）购自Charles River Laboratories，注射AAV9-GCaMP8m，植入2毫米GRIN透镜，并在两种装置中训练和测试眨眼条件反射（图1）。动物单独饲养，光照周期12/12小时。

4.2 GCaMP7c注射、透镜植入、EMG植入

GCaMP8注射和透镜植入按Wirtshafter和Disterhoft（2022及2023）所述完成。简要流程：大鼠用异氟烷麻醉（诱导4%，维持1–2%），在立体定位坐标Bregma AP −4.00毫米、ML 3.00毫米处开颅。注射0.06微升GCaMP8m（AddGene提供，包装为AAV9的pGP-AAV-syn-jGCaMP8m-WPRE，滴度1.3×10^(13) GC/毫升）后，用真空泵和25号针头吸除组织至胼胝体水平条纹。插入2毫米GRIN透镜（Go!Foton提供，CLH透镜，直径2.00毫米，0.448间距，工作距离0.30毫米，波长550纳米）并用牙科水泥固定。

4.3 行为环境与训练

使用两种行为装置：环境A为78.7厘米×50.8厘米无气味矩形围栏，金属网地板和墙壁，白色照明；环境B为50.1厘米×34.9厘米带丁香精油气味的椭圆形围栏，白色实心地板和墙壁，红色照明。两种环境在房间内相对于外部线索的位置相同（见图1b和S1）。

4.4 钙成像

钙成像使用UCLAMiniscopeV4微型显微镜完成，物镜模块采用两个3毫米直径、6毫米焦距消色差透镜，发射模块采用一个4毫米直径、10毫米焦距消色差透镜。

4.5 量化与统计分析

均值表示为均值±标准差。

4.6 位置与速度分析

位置由顶置相机以30赫兹采样，使用DeepLabCut后处理追踪，从像素转换为厘米，并用标准差2厘米的高斯滤波器平滑。速度通过计算关注时间点前后坐标的斜边得出。

4.7 视频预处理与细胞识别

视频预处理与细胞识别按Wirtshafter和Disterhoft（2022及2023）所述进行。简要流程：视频以15帧/秒录制，使用CIATAH软件处理，空间下采样并逐帧减去均值后，用带通FFT滤波器（70–100周期/像素）归一化，TurboReg运动校正，转换为相对荧光（dF/F0）。

4.8 位置细胞识别与空间互信息计算

位置细胞通过动物运动速度≥4厘米/秒时的互信息识别。MI计算针对所有细胞，无钙事件率标准。显著性要求计算MI高于500次位置打乱后MI分数的95百分位。 了计算每个细胞的 MI，将训练环境分为 2.5 厘米× 2.5 厘米的区间。找到每个箱子的每个细胞的钙事件率和动物的占用率。用滤光片宽度为 3 cm 且 Sigma 为 0.5 cm 的高斯核对速率和占用率进行平滑处理。在移动期间计算互信息如下

使用钙迹线的互信息按上述方式计算，除了 Ps 是每个 bin 的钙事件概率，而是 Ps 的值是 bin 中钙迹线的平均值。

我们使用钙事件和钙痕量数据计算了 MI。使用钙事件数据和钙痕量数据检测到的地方细胞数量之间没有显著差异，（配对 t 检验 t（24）=1.01，p>0.05）。请注意，所有放置单元和放置场测量都包括调节期，因为动物在调节期间经常移动。我们还在排除调节期的情况下计算了结果，发现没有显著差异。

4.9 计算 CSUS 互信息

CSUS 互信息的计算与空间互信息的计算非常相似。从 CS 音调开始时开始的 1.3 秒周期被分为 2 个区间 （CSUS-MI2） 或 5 个区间 （CSUS-MI5） （ 图 3c – 3d ）。然后使用以下公式计算互信息：

4.10 重映射量化

位置细胞中心被定义为当动物以 5cm/s 或更快的速度移动时具有最大钙事件数量的占用标准化位置。位置被装箱到 2.5 厘米见方的箱子中。环境 A 和 B 以及环境 A 和环境 B 的地点单元中心用于调整各个日期的每个环境，以及将环境 A 与环境 B 对齐。

使用钙事件数据计算两个环境之间的群体向量相关性。识别了两个数据集（例如会话 A（n） 和 A（n-1） 或 A（n） 和 B（1））中存在的神经元，并使用 0.75 秒分箱将其钙事件时间转换为速率。然后使用每个神经元随时间的活动的 z 分数归一化对这些放电率进行归一化。然后计算每个环境中每个神经元的平均钙事件率。两种环境中射击率的种群向量之间的相关性是

东莞富临医疗科技有限公司是Miniscope在亚洲的代理商， 为亚洲客户提供“微型荧光显微镜（单/双）”与供应“钙成像”

公司地址：广东省东莞市樟木头镇塑金国际1号楼810

发布于：广东省