关于海马-压后皮层轴中通信子空间的研究报告
本研究由Joaquin Gonzalez（纽约大学格罗斯曼医学院精神病学系、神经科学研究所）、Mihály Vöröslakos、Deren Aykan、Nina Soto、Noam Nitzan、Rachel Swanson、Mursel Karadas、Zhe Sage Chen（纽约大学格罗斯曼医学院精神病学系、神经科学研究所、神经科学系、纽约大学坦登工程学院生物医学工程系）及György Buzsáki（纽约大学格罗斯曼医学院神经科学研究所、神经科学系、纽约大学神经科学中心）共同完成。该研究成果以《海马-压后皮层轴中的子空间通信》为题，于2026年4月1日在线发表在《自然》期刊上。
一、 研究背景与目标
本研究的核心科学领域是系统神经科学，特别是大脑不同区域间如何进行信息传递与整合的神经环路机制。海马体对于空间导航和记忆形成至关重要，但其如何灵活地将上游输入转换为下游输出，以适应不同经验和大脑状态，其具体的环路水平机制尚不明确。传统上，脑区间通信被认为由解剖连接和局部神经元动态共同决定，但具体哪些神经元参与接收输入、哪些负责发送输出，以及这些群体是否重叠、如何协调，仍是未解之谜。近年来，有理论提出，有效的通信可能通过将神经活动对齐到一个共享的低维“通信子空间”来实现，信息在此子空间内选择性流动。
为了深入探究这一问题，研究团队旨在揭示海马-压后皮层轴（Hippocampal–Retrosplenial Cortex axis）这一与记忆和导航密切相关的环路中，信息传递的精细机制。具体研究目标包括：1） 识别海马体内部（如齿状回、CA3、CA2、CA1）以及海马体与压后皮层之间，是否存在特定的低维通信子空间；2） 探究这些子空间在不同行为任务和大脑状态（如清醒探索与睡眠）下的动态变化与重组能力；3） 阐明构成这些子空间的神经元群体具有哪些生理和解剖学特征；4） 探索这些子空间在记忆巩固（如睡眠回放）中扮演的角色。
二、 详细研究流程
本研究采用了先进的大规模在体电生理记录技术，结合创新的计算分析方法，对行为小鼠的海马-压后皮层环路进行了系统性的探究。具体流程如下：
1. 实验对象与大规模神经记录： 研究使用成年雄性C57BL小鼠作为实验对象。团队进行了两类互补的实验： * 实验一（高密度探针记录）： 使用定制化的1024通道SiNAPS硅探针，对头固定清醒小鼠的海马亚区（CA1、CA2、CA3、齿状回）进行大规模同步记录。该探针系统实现了高密度、高通道数的神经信号采集。 * 实验二（自由行为记录）： 使用Neuropixels 2.0探针，在自由活动的小鼠进行新颖线性迷宫学习任务时，同步记录海马CA1、CA3区以及压后皮层第5/6层的神经元活动。小鼠需要探索两个不同的空间环境（迷宫），以研究环境变化对通信子空间的影响。此外，还进行了头固定状态下的气味刺激实验，以及利用艾伦脑科学研究所公开的Neuropixels视觉编码数据集，以比较不同行为模态（空间导航、嗅觉、视觉）下的子空间特性。
在所有记录中，研究人员根据尖峰波形特征将神经元分类为锥体神经元和中间神经元，后续分析主要聚焦于锥体神经元。
2. 核心分析方法：部分典型相关分析 为了识别脑区间的通信子空间，并排除第三方脑区活动可能带来的虚假相关，研究采用了部分典型相关分析这一线性降维技术。该方法的创新之处在于，它能够识别两个脑区之间的低维通信子空间，同时控制或排除第三个记录脑区活动的影响。例如，在分析CA1和压后皮层之间的通信时，可以排除CA3活动的影响，从而更纯粹地刻画CA1-压后皮层之间的直接功能连接模式。研究将PCCA得到的、能最大化脑区间快速时间尺度（约10毫秒）相关性的神经元线性组合，定义为“通信子空间”。通过构建替代数据（打乱时间标签）进行统计检验，确定了具有显著性的子空间维度。
3. 数据工作流程与分析： * 预处理： 将尖峰时间对齐并平滑，得到每个神经元的连续发放率序列。 * 子空间识别与特征提取： 对每个记录会话，应用PCCA识别CA1与上游（CA3、CA2、DG）及下游（压后皮层）脑区之间的通信子空间。计算每个神经元在子空间中的权重（贡献度），据此定义“子空间成员”（权重高的神经元）和“非成员”。 * 子空间性质分析： 量化了子空间权重分布的稀疏性（基尼系数）、不同子空间之间的相对方向（主角度，用于衡量“旋转”），以及子空间在跨环境（两个迷宫）时的稳定性与重组。 * 神经元特性关联分析： 分析了子空间成员的生理特性（如发放率、爆发性）和解剖位置（基于探针通道深度区分的深部/浅部亚层）。这些特性是在任务前的非快速眼动睡眠期中测量的，以避免学习过程的干扰。 * 行为与子空间功能关联： 使用均匀流形近似与投影对CA1群体活动进行降维可视化，比较子空间成员与非成员在保留迷宫相关时空结构（流形几何）上的差异。采用“同伴预测”方法，评估上游子空间成员的活动对下游成员尖峰时间的预测能力。 * 睡眠期反应分析： 将任务（迷宫探索）期间定义的通信子空间，投影到任务前和任务后的睡眠期神经活动上，计算子空间相关性。特别关注了与记忆巩固相关的海马尖波涟漪事件期间的反应。此外，使用贝叶斯解码器分析睡眠期的“回放”事件，探究其与特定子空间（如CA1-CA3 vs. CA1-压后皮层）反应强度的关系。 * 计算建模验证： 训练循环神经网络来学习从CA3子空间活动到压后皮层子空间活动的映射，以验证子空间旋转在人工网络中是否也是一种有效的计算策略。
三、 主要研究结果
1. 识别出灵活重组的输入输出子空间： 研究成功在海马-压后皮层轴中识别出低维通信子空间。这些子空间能够将相同的神经元池进行不同的线性组合（即“旋转”），以支持不同脑区伙伴（如CA1-CA3与CA1-压后皮层）之间不同的交互模式。具体而言，CA1区与不同伙伴脑区形成的子空间之间接近正交，这意味着CA1能够通过重组共享的神经元池，实现选择性的信息路由和输入-输出转换。计算模型表明，这种子空间旋转是人工神经网络实现高效映射的一种策略。
2. 子空间具有环境依赖性与稳定性： 在两迷宫实验中，尽管单个神经元的空间表征（位置野）发生了重塑，但神经元参与子空间的权重幅度在不同环境中高度相关。然而，子空间本身发生了“重映射”——即神经元组合方式发生了改变。当将一个环境中定义的子空间权重应用到另一个环境的神经活动上时，其相关性显著下降。这表明，通信子空间能够根据环境上下文进行灵活重组，同时保持核心神经元成员的参与。
3. 子空间成员具有特定的生理与解剖特征： 子空间成员并非随机选择。生理上，成员神经元在任务前睡眠期就表现出更高的基础发放率（在所有脑区）和更强的爆发性（在海马区内）。解剖上，成员神经元显著偏向于分布在CA3-CA1-压后皮层轴的深部亚层。这种深部偏向在空间导航和视觉处理任务中均存在，但在气味处理任务中则逆转为浅层神经元占主导，提示不同行为模态可能通过不同的输入通路（如内侧与外侧内嗅皮层）选择性招募不同的CA1细胞群体。
4. 子空间成员主导任务相关的群体编码： 在迷宫导航任务中，子空间成员（尽管其位置野特性与非成员相似）的群体活动更好地保留了与动物位置和任务进程相关的时空结构。它们的活动在时间上更协调，并且上游（如CA3）子空间成员的活动能更好地预测下游（如CA1）成员的活动，优于仅基于空间位置信息的预测。这表明子空间成员是驱动任务相关低维表征的核心神经元群体。
5. 睡眠期子空间反应存在差异并与记忆巩固相关： 任务期间定义的通信子空间在任务后的睡眠期，特别是在海马尖波涟漪事件期间，表现出特异性的反应。CA1-CA3子空间在睡眠期的反应显著增强，且其反应强度与海马回放事件的质量正相关。相反，CA1-压后皮层子空间在睡眠期的反应较弱，且其高强度反应时段反而与较低的回放保真度相关。进一步分析神经元对的发放相关性发现，经历迷宫探索后，CA3与CA1成员神经元之间的相关性选择性增强，而CA1非成员到压后皮层成员的相关性则减弱。这提示海马内部（CA3-CA1）的连接表现出更高的可塑性，而海马到新皮层（CA1-压后皮层）的输出则相对稳定。
四、 研究结论与意义
本研究提出了一种新的模型，来解释海马-新皮层系统如何平衡可塑性与稳定性以实现灵活编码。该模型包含多层次嵌套机制： 1. 几何转换层： CA1通过旋转预先存在的神经元池构成的低维子空间，实现快速、上下文依赖的输入-输出转换。 2. 预先配置的层状组织层： 跨脑区（CA3-CA1-压后皮层）的深部亚层为稳定通信提供了基础架构，而浅层则为灵活招募提供了可能。 3. 系统尺度功能分离层： CA3-CA1子空间优先灵活性，支持快速编码；而CA1-压后皮层子空间则保持稳定性，以维护长期表征。这种在同一脑区内通过正交旋转实现读出分离的机制，能有效防止灾难性干扰。 4. 时间分复用层： 清醒状态通过快速的海马可塑性优先进行编码，而睡眠状态则驱动皮层环路的渐进式修改。
这项工作的科学价值在于，它首次在活体动物中大规模、多脑区同步记录的层面上，实证揭示了大脑高级认知环路中信息传递的“子空间”原理。它阐明了海马体作为信息接口，如何通过动态重组有限的神经元资源，实现高效且灵活的信息路由和转换。这为理解记忆编码、巩固以及脑区间协调工作的基本机制提供了全新的环路和计算框架。
五、 研究亮点
六、 其他有价值内容
研究还通过模拟和对照分析，验证了PCCA方法即使在神经元发放率存在差异的情况下，也能稳健地识别出真正交互的细胞群体。此外，对艾伦研究所公开数据集的分析，扩展了研究结论的普遍性。作者在讨论部分将发现与经典的“海马两阶段记忆巩固模型”、“模式分离/完成”以及大脑皮层“腹侧-背侧通路”（“what” vs. “where”）等理论进行了深度整合，提出了海马-新皮层轴可能延续了“何处”与“何物”信息流相对分离处理的假说，为未来研究提供了富有启发性的理论框架。