IF50.5｜内嗅皮层网格细胞一次性构建新环境空间地图

固定连接让网格细胞单次暴露即形成稳定地图，下游可塑性负责行为适应。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

哺乳动物导航依赖内侧内嗅皮层（MEC）的网格细胞构建外部环境的神经空间地图。网格细胞在多个规则间隔的位置放电，支持路径积分和空间表征。然而，环境特征（如视觉地标）的变化会扭曲网格放电模式的规则性，且这种扭曲在熟悉环境中可持续数天。传统观点认为，大脑要么依赖纯粹的自运动线索进行刚性路径积分（快速但易累积误差），要么通过赫布突触可塑性缓慢整合环境变化（准确但耗时）。此前在果蝇中的研究提示，赫布可塑性可在数分钟内整合新地标，但哺乳动物网格细胞对环境变化的适应速度及其机制尚不清楚。

科学问题

卡在哪里： 网格细胞对环境变化的适应速度远快于已知的赫布可塑性，但具体机制不明。此前研究未能实时追踪网格细胞群体状态在环境特征改变时的动态变化，因此无法区分固定连接与快速可塑性两种可能。

本文要回答： 揭示网格细胞如何在单次暴露后快速形成稳定空间地图，并阐明这种快速性与下游行为灵活性之间的关系。

技术路线

作者主要用了：Neuropixels 高密度电生理、虚拟现实行为学、网格细胞吸引子状态追踪、计算建模。

作者利用 Neuropixels 探针在虚拟现实（VR）环境中记录小鼠 MEC 的网格细胞，通过将同一模块的网格细胞按相位排序到二维环面神经薄片上，实时提取群体活动的“bump”轨迹作为吸引子状态。首先在完全黑暗中记录网格细胞的自发漂移，建立基线；然后在“累积地标”轨道上逐步添加视觉地标，观察 bump 轨迹如何被地标牵引；进一步在“随机环境”轨道中随机排列五个熟悉地标，检验固定地标输入假说；最后在“隐藏奖励”任务中结合行为学和药理学手段，考察网格细胞扭曲与行为适应之间的关系。

图 1　Fig. 1。图1展示了黑暗中网格细胞的识别与吸引子状态追踪。a显示四个网格细胞的放电栅格，看似无空间结构；b显示这些细胞的功率谱密度（PSD）呈现三峰结构，且与二维开放场中的网格细胞放电模式一致；c显示同一会话中网格细胞按功率谱聚类成模块；d显示模块间网格间距比例约为1.4-1.7；e展示将共模块网格细胞按相位排序到二维神经薄片；f显示群体活动形成移动的bump；g显示黑暗中bump轨迹偏离直线并发生角度漂移；h显示角度漂移符合扩散过程；i显示网格间距稳定。

核心亮点

亮点 1｜黑暗中网格细胞吸引子状态漂移

在完全黑暗中，网格细胞的群体活动在二维环面神经薄片上表现为一个活动 bump，其轨迹随距离累积发生角度扩散（扩散常数 D = 1.16 ± 0.07 deg²/m），但网格间距保持稳定（100 m 内漂移小于 5%）。这表明在没有地标时，网格细胞网络仅依赖自运动线索进行路径积分，且误差以随机游走方式累积。

图 2　Fig. 2。图2展示累积地标轨道上地标对网格细胞的影响。a为实验设计，逐步添加地标；b显示单个网格细胞在添加地标后出现空间结构；c显示bump轨迹在二维神经薄片上的投影，地标使其趋于周期性；d-e显示地标使bump轨迹更直；f显示网格细胞调谐曲线在区块内稳定、跨区块重映射，且重映射速度极快；g显示重映射前后网格细胞间相关性保持；h-i显示重映射对应bump轨迹角度或长度的改变；j-l示意固定钉扎与可塑钉扎两种模型。

亮点 2｜单次地标暴露即可诱发重映射

在累积地标轨道上，添加单个视觉地标即可导致网格细胞调谐曲线发生重映射。群体活动在区块内保持高空间相关性，但跨区块相关性显著下降（Wilcoxon rank sum test, P < 1 × 10⁻¹⁰）。重映射速度极快，平均仅需 1.29 ± 0.07 个试次即可完成，表明地标输入可以在单次暴露后重塑网格细胞群体状态。

图 3　Fig. 3。图3展示随机环境轨道中地标的弱钉扎效应及模型预测。a为实验设计，五个熟悉地标随机排列；b示意anisometry和geodesic curvature；c显示地标存在时bump轨迹anisometry显著升高；d显示地标存在时geodesic curvature显著升高；e显示地标对bump的钉扎较弱，bump位置在不同环境中变化；f-g显示固定钉扎模型能预测网格细胞在新环境中的放电；h显示动物在随机环境中仍保持任务参与；i-j显示模型模拟的网格细胞放电与真实数据高度相似。

亮点 3｜地标对网格细胞产生弱钉扎效应

在随机环境轨道中，地标导致 bump 轨迹的 anisometry 和 geodesic curvature 显著高于黑暗条件（Kolmogorov–Smirnov test, P < 1 × 10⁻¹⁰），表明地标对 bump 轨迹产生“弱钉扎”效应：地标将 bump 拉向其偏好相位，但不足以完全固定 bump 位置，因此 bump 轨迹受地标和历史共同影响，产生稳定但扭曲的空间表征。

图 4　Fig. 4。图4展示隐藏奖励任务中网格细胞扭曲与行为适应。a为实验设计，地标向前移动；b显示模拟和真实数据中解码位置在地标移动后持续扭曲，无恢复；c显示单个网格细胞放电模式在地标移动后改变；d显示模型模拟的网格细胞同样扭曲；e显示固定解码器预测的舔舐位置与真实行为不符，而BTSP解码器能快速适应；f-h显示动物行为在10个试次内恢复；i显示网格细胞稳定性与行为表现相关；j-k显示MEC沉默损害任务表现；l-m显示动物使用距离而非时间策略；n显示BTSP解码器预测的海马位置细胞放电变化。

亮点 4｜固定连接模型可预测新环境放电

基于固定地标-网格细胞连接的计算模型（每个地标对应一个固定钉扎相位）能够预测网格细胞在未见过的环境中的放电模式，且预测性能显著优于随机打乱模型。进一步引入可调学习率的赫布学习机制后，最佳学习率为零，表明网格细胞网络在短时间内几乎没有可塑性，固定连接足以解释观察到的快速重映射。

亮点 5｜下游可塑性支持行为适应

在隐藏奖励任务中，地标移动导致网格细胞群体活动持续扭曲，线性解码器无法跨环境正确解码位置。然而，动物行为在 10 个试次内迅速恢复。模拟行为时间尺度突触可塑性（BTSP）的下游解码器能够快速适应扭曲的网格细胞输入，准确预测奖励位置。MEC 药理学沉默显著损害任务表现，且网格细胞稳定性与行为表现相关，支持网格细胞参与任务但行为灵活性依赖下游可塑性。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： Neuropixels 高密度电生理、虚拟现实行为学、网格细胞吸引子状态追踪、计算建模
• 公开数据： 原文未给出公开组学登录号
• 代码： 公开仓库 https://github.com/DeepLabCut/DeepLabCut、https://github.com/GiocomoLab/mec-rapid-learning、https://github.com/MouseLand/Kilosort；本地已克隆：Kilosort、CatGT、mec-rapid-learning、phy、allenCCF、DeepLabCut
• 谁该点开原文： 研究空间导航、吸引子网络或神经可塑性的系统神经科学研究者。

带走一句

网格细胞网络采用固定连接实现一次性地图构建，而行为灵活性依赖下游可塑性；分析神经群体数据时，应区分表征稳定性与行为适应性。