这篇文档是发表于《科学》（Science）期刊2024年8月16日第385卷上的一篇原创性研究论文。该研究由日本理化学研究所脑科学中心的Ayako Ouchi和Shigeyoshi Fujisawa*（*通讯作者）完成，旨在探索内侧内嗅皮层（medial entorhinal cortex, MEC）在空间导航中预测未来位置的作用。
学术背景 空间导航依赖于大脑构建并利用“认知地图”的能力。经典理论认为，海马-内嗅皮层轴在形成和使用这种以自我为中心（egocentric）和以环境为中心（allocentric）的空间表征中至关重要。在内嗅皮层中，网格细胞（grid cells）以其独特且规则的空间放电野构成了环境的空间坐标系，而边界细胞、头朝向细胞和速度细胞则分别编码环境边界、动物朝向和运动速度，共同整合感觉与运动信息，为海马提供空间信息输入。近年来，理论和实验研究表明，MEC网格细胞的群体活动构成了一个低维连续吸引子网络，动物的运动可以表示为在该网络流形上的轨迹，从而实现稳健的位置信息更新。然而，内嗅皮层的网格系统是否以及如何通过预测未来的空间信息来参与组织目标导向的轨迹序列，仍然是一个悬而未决的关键问题。本研究正是为了直接探究MEC神经元是否具有预测性编码特性，以及这种编码如何与已知的神经振荡（如theta节律）和空间表征机制相结合，从而支持导航中的前向规划。
详细研究流程 本研究包含一系列紧密衔接的实验与数据分析流程，主要研究对象为执行行为任务的大鼠及其MEC和海马CA1区的神经元活动。
1. 行为任务设计： 为了检测和量化神经元在二维空间表征中的预测性偏差，研究者设计了一个在开放场中进行的、具有明确目标导向的行为范式。大鼠需要在一个方形场地中往返于两个水源奖励端口之间。关键的是，每完成20次试验（一个区块），两个端口的位置就会改变，以确保动物的轨迹覆盖整个环境的垂直、水平和斜向方向。这种设计实质上在开放场中创造了多个方向的一维线性轨迹的集合，有助于分离不同行进方向上的神经活动。
2. 神经信号记录： 在行为任务执行期间，研究者使用高密度多通道硅电极阵列，同时记录了大鼠MEC第2/3层以及海马CA1区的细胞外单单位放电活动。电极位置通过尼氏染色进行组织学验证。
3. 预测性网格细胞的识别与量化： 这是本研究的核心分析方法。为了评估MEC神经元是否编码未来空间信息，研究者构建了神经元的发放率图谱。他们不仅使用了动物的实际位置，还创造性地将动物的轨迹位置沿其运动路径向前（未来）或向后（过去）平移一段固定距离，以此构建“投射位置”的发放率图谱。通过计算空间自相关的网格分数来衡量发放野的六边形周期性。他们发现，一部分MEC神经元在实际位置的发放率图谱中并未显示出显著的网格结构，但在未来投射位置的图谱中却表现出清晰的网格模式。这些神经元的网格分数在相对于实际位置向前平移数十厘米处达到最大值。研究者将这些神经元定义为“预测性网格细胞”。
4. 预测性网格细胞的编码原理分析： 为了理解这些细胞的编码机制，研究者假设其网格野相对于运动方向发生了偏移。他们分别构建了不同行进方向（如北到南、南到北等）的发放率图谱。结果显示，当按方向分开分析时，即使在原始（当前）位置，也能观察到清晰的网格结构；而将所有方向混合在一起时，由于不同方向偏移的网格野相互重叠，图谱变得模糊。这证实了预测性网格细胞的网格野是沿着接近方向（即运动方向）发生了前移。此外，研究者分析了这些细胞的放电活动与CA1区theta振荡（4-10 Hz）的相位关系，发现预测性网格细胞的放电强烈锁相于theta波的波谷（约180°相位）。
5. 网格细胞分类与群体特性比较： 研究者根据放电相位特性，同时鉴定了另外两类先前已知的网格细胞：一类显示相位进动（phase-precession grid cells），其放电相位在穿越网格野时从约180°提前到270°；另一类为相位锁定细胞（phase-locked grid cells），其放电锁相于theta波的波峰（约0°）。他们为预测性网格细胞设定了明确的鉴定标准：i) 在未来投射位置有显著的最大网格分数，而在原始位置不显著；ii) 放电锁相于CA1 theta波谷。基于此，从六只大鼠中总共识别出305个预测性网格细胞、558个相位进动网格细胞和241个相位锁定网格细胞。研究者进一步比较了三类细胞的特性：预测性网格细胞的最佳位置前移平均为22.5 ± 10.2 厘米，约相当于其自身网格间距的四分之一；相位进动网格细胞也有较小的正向偏移；而相位锁定细胞的偏移接近零。在速度调制方面，预测性网格细胞受速度影响的比例（25.9%）显著低于相位进动细胞（87.5%）。在解剖分布上，预测性网格细胞主要位于MEC的第3层。
6. 预测编码的行为普遍性检验： 为了探究预测性编码是目标导向行为特有的还是普遍存在于不同行为中，研究者在相同环境中让大鼠交替执行目标导向任务和随机觅食任务。结果表明，尽管网格空间表征在不同任务间存在系统性缩放，但预测性网格细胞的预测编码特性在两种行为模式下均得以保留，说明这种预测机制具有普遍性。
7. 群体解码与theta序列分析： 使用贝叶斯解码框架，研究者利用预测性、相位进动和相位锁定网格细胞的群体放电活动，重建了大鼠的位置信息。他们发现，在theta振荡周期内，解码出的位置信息随着相位变化而系统性地变化：在theta波的下降相（0°到180°），解码位置越来越反映未来的位置；而在theta波峰附近（360°），解码位置则反映当前实际位置。当从解码中移除预测性网格细胞的活动后，下降相中未来位置的表征显著减弱。这证明了三类网格细胞通过在不同theta相位放电，共同组织了一个从当前位置到未来位置的连续“theta序列”。
8. 功能连接性分析： 研究者进一步分析了预测性网格细胞与CA1位置细胞之间的功能连接。他们发现，当预测性网格细胞的网格野位于CA1位置细胞位置野的前方时，两者间的同步放电活动（通过交叉相关图峰值衡量）更频繁，且放电相位差与空间感受野的距离差呈线性关系。这提示预测性网格细胞的放电可能向CA1位置细胞传递未来位置信息。
主要结果 1. 发现了新型的预测性网格细胞：在MEC第3层鉴定出一类新型神经元，其网格野表征的不是动物当前位置，而是未来数十厘米处的投射位置。这是首次在MEC中发现明确编码未来空间位置的网格细胞。 2. 阐明了预测性网格的编码机制：预测性网格细胞的网格野沿着运动方向发生前移。当按运动方向分别分析时，其网格结构清晰可见，混合后则模糊，这解释了其编码原理。 3. 揭示了theta相位特异的细胞分工：三类网格细胞（预测性、相位进动、相位锁定）具有截然不同的theta相位偏好：分别锁相于波谷（~180°）、在波谷到波峰间进动、锁相于波峰（~0°）。这种相位分离暗示了时间编码上的功能差异。 4. 证明了群体活动形成预测性theta序列：三类网格细胞通过在不同theta相位依次放电，其群体活动能够组织起表征从当前到未来位置的轨迹序列。移除预测性网格细胞会破坏该序列中对未来位置的表征。 5. 揭示了与海马的信息流关系：预测性网格细胞与CA1位置细胞之间的功能连接强度，取决于前者网格野是否位于后者位置野的前方，支持了MEC向海马提供预测性空间输入的观点。 6. 确认了预测编码的跨行为普遍性：预测性网格细胞的特性在目标导向行为和随机觅食行为中均稳定存在，表明这是一种基础的、而非任务特异性的空间预测机制。
结论与意义 本研究得出结论：内侧内嗅皮层不仅整合空间几何信息和自身运动信息以构建认知地图，还通过一类特殊的预测性网格细胞，主动提供动物未来位置的空间表征。这些细胞与另外两类网格细胞协同工作，利用theta振荡的时序结构，在每一个theta周期内组织起从当前到未来的空间信息序列。这为MEC在空间导航中的功能增加了全新的维度——前瞻性规划。
其科学价值在于： 1. 理论突破：将MEC的功能从“现在时”的空间积分器，扩展为包含“将来时”的预测性地图生成器，深化了对认知地图动态性和前瞻性功能的理解。 2. 机制阐释：为海马-内嗅皮层环路如何生成预测性的theta序列提供了关键的细胞基础和解剖来源（MEC第3层）。预测性网格细胞在theta波谷放电，恰好早于CA1位置细胞编码未来信息的晚期theta相位，这支持了“MEC输入驱动海马预测序列”的理论模型。 3. 连接计算与生理：将连续吸引子网络模型（可更新位置信息）与行为相关的预测性编码直接联系起来，提示自我运动信息（速度、头朝向）输入到MEC网络可能是产生这种预测性偏移的机制。
研究亮点 1. 概念创新：首次明确提出了“预测性网格细胞”的概念，并提供了坚实的实验证据，这是对网格细胞经典理论的重大补充。 2. 方法精巧：设计的“多方向线性轨迹开放场任务”巧妙地结合了一维轨迹的方向控制与二维空间的覆盖，是检测二维空间中方向特异性空间偏移的理想范式。采用位置平移法来量化预测性，直观且有力。 3. 系统性的比较分析：不仅发现了新细胞类型，还将其与已知的相位进动和相位锁定网格细胞在空间偏移、相位偏好、速度调制、解剖分布等多维度进行系统比较，构建了更完整的MEC网格细胞功能图谱。 4. 多层级证据链：从单细胞特性（空间偏移、相位锁定）到群体编码（theta序列解码），再到环路水平的功能连接（与CA1的相互作用），提供了从微观到宏观、环环相扣的证据，使结论非常坚实。 5. 跨行为验证：通过对比目标导向与随机觅食任务，证明了预测性编码是一种基本特性，提升了发现的普适性和重要性。
其他有价值的内容 研究者在讨论部分提出了一个开放性问题：预测性网格细胞的预测编码机制。他们推测，MEC内部的速度细胞和头朝向细胞提供的自身运动信息，输入到具有网格结构的连续吸引子递归网络中，可能驱动了这种吸引子动力学产生向前偏移。这为未来的理论和实验研究指明了方向，即需要深入探究MEC内部的网络动力学如何实现这种基于自身运动信息的空间预测。