本研究由斯坦福大学医学院神经生物学系的Malcolm G. Campbell、Lisa M. Giocomo团队与斯坦福大学应用物理系的Samuel A. Ocko、Surya Ganguli团队合作完成，于2018年8月发表于《自然·神经科学》（*Nature Neuroscience*）期刊。

本研究属于系统神经科学与认知神经科学领域，聚焦于空间导航的神经机制。在导航过程中，大脑需要整合自身运动（self-motion）信息与环境感觉地标（landmark）信息，以形成对当前位置的估计。内侧内嗅皮层（medial entorhinal cortex, MEC）被认为是支持这种位置编码的关键脑区，其中包含多种功能特化的细胞类型，如网格细胞（grid cells）、边界细胞（border cells）、头方向细胞（head direction cells）和速度细胞（speed cells）。这些细胞被认为共同协作，利用自身运动线索（如运动产生的本体感觉和前庭信号）与环境地标线索（如视觉特征），在大脑中构建一个内在的空间地图，这个过程被称为路径整合（path integration）。然而，MEC细胞如何整合自身运动线索与地标线索的具体原理尚不完全清楚。例如，有证据表明网格细胞模式依赖于自身运动线索，但也有研究显示环境几何形状的改变、边界的移除或视觉地标的消失会导致网格模式扭曲或失稳，这表明地标信息也至关重要。同样，速度细胞在黑暗中仍保持速度调谐，但发放率会下降，暗示视觉输入对其有校准作用。此外，行为上测量的路径整合位置估计与MEC神经编码是否遵循相同的线索整合原则也不明确。因此，本研究旨在系统性地探究小鼠行为和MEC不同类型细胞（网格细胞、边界细胞、速度细胞）在整合自身运动与视觉地标线索时所遵循的通用原则，并建立一个理论框架来解释这些相互作用如何产生空间表征并引导导航行为。

研究流程主要包括以下几个部分：

1. 虚拟现实环境下的在体电生理记录与行为训练： 研究在21只C57BL/6小鼠上进行。首先，通过慢性植入微驱动电极阵列（微电极），在小鼠探索真实开放场地（90 cm x 90 cm）时，记录其MEC的神经元活动，并根据其空间发放特性（如网格状、边界相关、速度相关）对细胞进行分类（网格细胞n=151，边界细胞n=160，速度细胞n=33等，总计1136个细胞）。随后，立即将小鼠转移至虚拟现实（VR）线性跑道装置。该装置中，小鼠在一个固定的泡沫球或圆柱上奔跑，其运动通过编码器转换为虚拟环境中的线性位移，虚拟场景投影在半球形屏幕或环绕显示器上。VR跑道长400厘米，设有视觉地标。小鼠通过奔跑获得水奖励。研究团队开发了这套VR系统，用于在高度可控的视觉环境中精确操纵自身运动（ locomotion， 源于球体旋转）和视觉线索（包括地标和光流 optic flow）之间的关系。

2. 增益操纵实验（Gain Manipulation）： 这是本研究的核心实验范式，旨在分离并冲突自身运动与视觉线索。在基线（A期，增益为1×）后，引入增益变化期（B期）。增益定义为球体旋转与虚拟场景平移之间的转换系数。在增益降低（0.5×）条件下，小鼠需要跑两倍的真实距离（800厘米）才能使虚拟场景移动400厘米；在增益增加（1.5×）条件下，则只需跑约267厘米的真实距离。这造成了自身运动（基于球体旋转的距离）与视觉反馈（基于光流和地标位置的距离）之间的不匹配。每个会话中增益操纵的试次数量有限（增益降低5次，增益增加10次），以避免虚拟环境表征的可塑性变化。随后恢复基线（A‘期）。在整个过程中，持续记录MEC神经元的电活动。

3. 神经数据分析： 对记录的神经元活动进行离线聚类和筛选。分析主要针对在VR中具有稳定空间发放模式的网格细胞和边界细胞（通过波形匹配从开放场地中识别）。关键分析包括： * 空间稳定性与发放模式分析： 计算细胞在VR跑道上的发放率图谱，评估其在基线期和增益操纵期的稳定性。 * 交叉相关与自相关分析： 为了量化增益操纵引起的发放模式变化，计算了A期与B期发放率图谱的空间滞后交叉相关性。零滞后处的高相关表明模式锁定于视觉线索（虚拟位置）未变；非零滞后处的峰值表明模式发生了系统性偏移（相位移动）；无显著峰值则表明更复杂的重映射（remapping）。自相关分析用于检测发放场大小是否发生了缩放（rescaling）。 * 速度细胞分析： 将速度细胞的瞬时发放率与实时奔跑速度进行线性回归，比较基线期和增益操纵期回归斜率的变化。斜率不变提示主要受运动线索驱动，斜率随增益比例变化则提示主要受视觉线索驱动。通过将斜率变化转换为角度，量化了视觉线索的权重百分比。 * 局部场电位Theta振荡分析： 分析了MEC局部场电位中Theta频段（4-12 Hz）的峰值频率及其与奔跑速度的关系在增益变化下的改变。

4. 理论建模： 为了解释观察到的神经现象，研究团队构建了一个耦合振荡吸引子网络模型（coupled-oscillator attractor network model）。该模型将网格细胞表征为一个一维环状吸引子网络，其活动“峰”的相位由自身运动输入（整合了运动速度和光流速度）驱动前进。地标输入则作为一个外力，试图将吸引子相位“钉”在与地标位置对应的相位上。当增益改变导致自身运动路径整合的相位与地标输入相位不匹配时，两者之间产生竞争。模型推导出一个“退相干数”（decoherence number, D），它由速度输入失配程度、奔跑速度和地标输入强度决定。根据D的绝对值，系统可处于两种状态：亚临界态（|D| < 1），地标输入能持续纠正吸引子相位，导致网格模式发生相位移动但尺度不变；超临界态（|D| > 1），路径整合与地标输入差异过大，吸引子相位“挣脱”地标束缚，导致网格模式发生重映射和尺度缩放。

5. 行为学路径整合任务： 为了探究神经编码的线索整合原则是否反映在行为上，研究训练小鼠在一个无固定地标、仅提供随机光流线索的VR跑道上执行路径整合任务。小鼠需要奔跑200厘米以获得奖励，并在部分试次中经历一段全黑暗期。通过分析小鼠在无奖励试次中（奖励被省略）接近预期奖励位置时的自发减速轨迹，来读取其对已跑距离的内部估计。同样，在部分试次中引入增益变化，通过比较小鼠在增益变化条件下与基线条件下的奔跑速度轨迹，计算其行为上对视觉线索与运动线索的加权比例。

研究的主要结果如下：

1. MEC细胞类型在VR中的基本特性： 在VR中，许多网格细胞和边界细胞表现出稳定的空间发放场，其稳定性值与真实世界线性跑道记录相似。边界细胞的发放更集中于视觉地标附近，而网格细胞的发放则在跑道上的分布更均匀，提示两者可能受不同线索驱动。

2. 增益操纵下网格细胞与边界细胞的差异化反应： * 边界细胞： 在增益增加时保持高度稳定，发放模式几乎完全锁定于视觉地标（虚拟位置）。在增益降低时，部分细胞保持稳定，部分发生向后偏移，但整体上仍比网格细胞更紧密地跟随视觉线索。 * 网格细胞： 对增益增加和降低表现出不对称反应。在增益增加（1.5×）时，网格细胞的发放模式发生了连贯的相位移动（平均向前移动约12厘米），但模式结构（如网格尺度）基本保持不变，这对应于模型中的亚临界态。在增益降低（0.5×）时，网格细胞的发放模式发生了显著的重映射和尺度缩放。交叉相关分析显示零滞后处相关性极低，表明模式发生了剧烈改变；自相关分析显示其空间尺度缩小了约78%（理论完全缩放应为100%），这对应于模型中的超临界态。网格细胞未表现出完全的尺度缩放，表明地标输入仍有一定影响。

3. MEC速度信号的不对称整合： 速度细胞和局部场电位Theta振荡对增益变化也表现出不对称反应。在增益增加时，速度细胞发放率随速度变化的斜率显著增加，Theta频率随速度的斜率也增加，表明视觉线索（光流）的权重加大。在增益降低时，这些斜率变化不显著，表明运动线索的权重更大。量化分析显示，在增益增加时，速度细胞对视觉线索的加权平均约为53%，而在增益降低时仅为约12%。这种不对称性与网格细胞反应的不对称性相呼应。

4. 理论模型的验证与预测： 耦合振荡吸引子模型成功解释了网格细胞的不对称反应。模型指出，不对称性源于速度输入本身对视觉和运动线索的增益依赖性整合（gain-dependent integration）：在增益增加时，速度输入更依赖视觉线索，使得路径整合与地标输入失配较小（|D| < 1），系统处于亚临界态，表现为相位移动；在增益降低时，速度输入更依赖运动线索，导致失配较大（|D| > 1），系统进入超临界态，表现为重映射和缩放。模型进一步预测，对于一个中间增益值（0.75×），网格细胞反应应仍处于亚临界态，且向后移动的幅度应小于或等于增益增加时向前移动的幅度。实验数据完全证实了这一预测（增益0.75×时观察到向后相位移动，无显著尺度缩放），为模型提供了有力支持。

5. 行为学证据： 在路径整合任务中，小鼠在估计奔跑距离时，同样表现出对视觉和运动线索的不对称加权。在增益增加试次中，小鼠的行为更依赖视觉线索（加权约56%），而在增益降低试次中，则更依赖运动线索（加权约19%）。这种行为上的不对称性与在MEC网格细胞和速度细胞中观察到的神经不对称性高度一致。

结论： 本研究揭示了导航过程中，行为层面的位置估计以及MEC的空间编码（特别是网格细胞和速度细胞）整合地标与自身运动线索时，遵循一种非线性的、依赖于上下文的原则。具体而言，当视觉运动（光流）快于预期（增益增加）时，系统更依赖视觉线索来校准路径整合；当视觉运动慢于预期（增益降低）时，系统则更依赖自身运动线索，并可能使内部空间表征与地标参照系“脱钩”。研究提出的耦合振荡吸引子模型为理解这一动态过程提供了定量理论框架，将网格细胞和地标输入视为两个相互耦合的振荡器，其相互作用由退相干数D决定，并可在亚临界（相干、误差纠正）和超临界（退相干、重映射）两种状态间切换。这一框架将先前看似矛盾的研究发现（如网格细胞对自身运动的依赖性与对环境改变的敏感性）统一起来。

研究的意义与价值： * 科学价值： 首次在单个研究中系统揭示了MEC不同功能细胞类型（网格、边界、速度细胞）在冲突线索下的差异化整合策略，并将神经活动与行为输出直接关联。提出的理论模型超越了简单的线性加权假设，揭示了导航系统整合多感觉信息的非线性动力学机制，为理解空间记忆和路径整合的神经计算基础提供了重要见解。 * 应用/启发价值： 该框架有助于解释在不同环境几何形状、地标可靠性变化或感觉冲突情况下观察到的网格图扭曲、剪切、空间频率变化或重映射现象。模型揭示的状态切换机制可能反映了动物对地标可靠性信心的评估，体现了贝叶斯最优决策原则在神经回路层面的实现。此外，该研究为理解其他脑区（如海马位置细胞）在类似冲突下的反应提供了可借鉴的模型。

研究亮点： 1. 巧妙的实验范式： 利用VR精确操纵自身运动与视觉反馈的增益关系，创造了可量化、可重复的线索冲突情境。 2. 多层面、系统性分析： 同时记录了MEC多种功能细胞类型的活动，并结合了局部场电位分析和行为学测量，提供了从微观神经编码到宏观行为的完整证据链。 3. 理论与实验紧密结合： 不仅描述了现象，还通过构建严谨的物理/数学模型（耦合振荡吸引子）对现象进行定量解释和预测，并通过新的实验（中间增益0.75×）成功验证了预测，体现了“假设-建模-预测-验证”的完整科研闭环。 4. 揭示核心机制： 发现了网格细胞和速度细胞对线索整合的不对称性，并将其根源追溯到速度信号本身对线索的增益依赖性加权，最终用统一的动力学框架（亚临界/超临界状态）解释了网格细胞的不同反应模式。 5. 跨层次一致性： 首次在同一个研究体系中，展示了从突触/细胞水平的神经活动（速度细胞斜率变化）、到网络水平的表征（网格细胞相位移动/重映射）、再到整体动物行为（路径整合表现）在遵循同一套线索整合原则上的高度一致性。

其他有价值内容： 研究还发现，尽管速度细胞群体的平均反应可以预测网格细胞的群体反应模式，但单个速度细胞与单个网格细胞之间的反应并无显著相关性。这提示网格细胞可能整合了大量MEC速度细胞的输入，或从其他来源（如Theta振荡）获取速度信息，这为未来研究指明了方向。此外，研究讨论了视觉皮层等上游脑区可能为MEC提供不对称的速度信号输入，这连接了感觉处理与空间导航系统。