IF50.5｜内侧前额叶神经元如何映射抽象行为结构

小鼠用同一套任务结构实现零样本推理，mFC神经元以目标进度为基元，组装成任务结构化的记忆缓冲器。

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

大脑要灵活适应新环境，不仅需要理解外部世界的规律，还需要理解自身行为模式的规律。已有大量研究揭示了大脑映射外部世界的算法，例如海马中的位置细胞和内嗅皮层中的网格细胞。然而，大脑如何映射由多个目标组成的复杂行为结构，仍然未知。额叶皮层，尤其是内侧前额叶皮层（mFC），被认为在任务结构映射中发挥关键作用，涉及图式形成、序列生成、目标编码和工作记忆等功能。但此前研究多集中于单一目标或简单序列，对于多目标、层级化任务中神经元如何追踪任务进度，以及如何将抽象结构泛化到新任务，缺乏细胞层面的机制解释。

科学问题

卡在哪里： 此前研究显示mFC神经元能追踪到单个目标的进度，但行为任务常由多个层级化目标组成。尚不清楚mFC神经元如何追踪多目标任务中的整体进度，以及如何将抽象任务结构泛化到新场景。此外，mFC中是否存在类似网格细胞模块化的任务空间表征，也缺乏直接证据。

本文要回答： 揭示mFC神经元映射抽象行为结构的细胞算法，并阐明其如何支持跨任务泛化和未来行为预测。

技术路线

作者主要用了：多电极硅探针记录、Neuropixels、广义线性模型、UMAP、聚类分析、交叉验证、睡眠分析。

作者设计了一个名为ABCD的任务：小鼠在3×3网格迷宫中按固定顺序访问四个奖励位置（a→b→c→d→a循环），奖励位置在不同任务间变化，但循环结构保持不变。小鼠先经历10个任务达到稳定表现，随后进入高任务量阶段（每天3个新任务），以鼓励结构泛化。通过硅探针记录mFC神经元活动，作者首先分析神经元对目标进度和任务状态的调谐，然后利用UMAP可视化群体活动结构，接着通过跨任务比较和聚类分析揭示模块化组织，最后用三种互补方法检验神经元是否以固定任务空间滞后锚定于特定行为步骤，并测试这些表征能否预测未来行为选择。

图 1　Fig. 1。图1展示了ABCD任务设计和行为表现。a：小鼠在3×3网格迷宫中按顺序访问四个奖励位置，奖励位置变化但循环结构不变。b：在达到峰值表现后，小鼠在最后20个试次中路径长度接近最短路径。c：高任务量阶段表现仍高于随机。d：新任务第一试次表现随任务数提高。e：关键零样本推理证据——小鼠在首次遇到新任务时，从d直接返回a的概率显著高于随机，且高于从b或c过早返回a。

核心亮点

亮点 1｜小鼠学会抽象任务结构并零样本推理

小鼠在ABCD任务中迅速学会按最短路径在目标间移动，并在新任务的第一天就表现出高于随机水平的表现。关键证据是：在首次遇到新任务时，小鼠在获得第四个奖励（d）后直接返回第一个奖励位置（a）的概率显著高于随机水平，且高于从b或c过早返回a的概率。这种零样本推理表明小鼠掌握了循环结构本身，而非仅仅记忆特定位置序列。此外，小鼠还能快速学习五目标循环（ABCDE）任务，进一步支持抽象结构的学习。

图 2　Fig. 2。图2揭示了mFC神经元的目标进度和状态调谐。a：探针位置主要在PL，也涉及ACC、IL和M2。b：极坐标图示意如何将神经元活动投影到任务结构上。c-f：示例神经元显示稳定的目标进度调谐，且在不同任务和奖励位置间保守。g：74%的神经元显著调谐于目标进度，且不受运动变量影响。h-i：UMAP可视化显示群体活动形成花瓣状结构，每个花瓣对应一个状态，且相同目标进度的点在不同状态间更接近。

亮点 2｜目标进度细胞作为基本构建块

通过广义线性模型分析，发现74%的mFC神经元稳定调谐于到下一个目标的相对进度，且这种调谐在不同任务和奖励位置间高度保守，不受运动速度、加速度、时间或物理距离的简单单调影响。这些“目标进度细胞”的调谐在ABCD和ABCDE任务中均存在，且同一神经元在不同周期任务中保持目标进度调谐。UMAP可视化显示，群体活动形成花瓣状结构，每个花瓣对应一个任务状态，且不同状态中相同目标进度的点在低维空间中更接近，表明目标进度序列是构建复杂任务结构表征的基本单元。

图 3　Fig. 3。图3展示了mFC神经元的跨任务重映射和模块化组织。a：示例神经元在不同任务间状态偏好发生旋转（重映射），但在同一任务不同会话中保持稳定。b：跨任务角度分布无零峰，表明个体神经元不泛化；但同一任务会话间角度集中在零附近。c：神经元对跨任务角度分布显示部分连贯性。d：聚类分析显示mFC神经元显著聚集成模块。e：示例模块内神经元在跨任务时保持相对角度。

亮点 3｜mFC神经元跨任务重映射但模块化组织

与预期相反，mFC神经元的状态调谐在不同任务间发生重映射，即同一神经元在不同任务中偏好不同的状态（如A→C），但在同一任务的不同会话中保持稳定。然而，部分神经元对在跨任务重映射时保持相对角度不变，表现出连贯性。基于这种成对连贯性进行聚类分析，发现mFC神经元显著聚集成模块，模块内神经元在跨任务时保持调谐关系。这表明mFC并非整体泛化，而是以模块为单位组织，每个模块可能锚定于特定的行为步骤。

图 4　Fig. 4。图4提出了结构化记忆缓冲器（SMB）模型。a：环形SMB示意图，锚定神经元（深蓝）直接响应特定行为步骤，其他神经元以固定滞后发放。b-c：当对齐到抽象状态时，神经元看似重映射；但对齐到锚定行为步骤时，滞后保持不变。d：多个SMB同时激活，瞬时群体活动编码整个未来行为序列。该模型解释了状态调谐、重映射和模块化，并预测了滞后调谐和未来选择预测。

亮点 4｜神经元以固定任务空间滞后锚定于行为步骤

作者提出结构化记忆缓冲器（SMB）模型：每个模块锚定于一个具体行为步骤（目标进度与位置的结合），模块内神经元以固定任务空间滞后（lag）从锚点发放。通过三种互补方法验证：单锚点对齐、滞后空间相似性和回归模型拟合，均发现神经元在跨任务中保持与锚点的固定滞后，即使滞后非零。例如，一个神经元可能在锚点后90°（一个状态）稳定发放，无论中间步骤如何。锚点分布覆盖所有目标进度和位置组合，且锚定在ABCDE任务中也成立。这表明mFC神经元编码的是相对于特定行为步骤的任务空间位置，而非绝对状态。

图 5　Fig. 5。图5提供了滞后调谐的三种验证。a：单锚点对齐分析，示例神经元在锚点对齐后跨任务活动一致。b：交叉验证的角度分布显示显著零峰，即使排除零滞后神经元。c：训练-测试相关性右移，表明锚定一致性。d：神经元分布在所有滞后，零滞后（锚点）过度代表。e-f：滞后空间相似性分析，空间相关在非零滞后达到峰值。g-h：回归模型拟合，预测与实测状态调谐相关性右移，即使仅考虑非零滞后。

亮点 5｜SMB活动预测未来行为选择

利用锚定神经元的滞后活动，作者测试了SMB是否能预测未来选择。在控制了过去10个试次的选择后，逻辑回归显示，在神经元的“bump time”（滞后对应的时间点）活动能显著预测小鼠未来是否会访问该神经元的锚定行为步骤，即使滞后超过一个状态（>90°）或锚点为非奖励位置。这种预测在ABCD和ABCDE任务中均成立，且仅在bump time有效，在随机时间或决策时间无效。这表明mFC中同时编码了整个未来行为序列，且这种编码与过去记忆可分离。

亮点 6｜睡眠期间SMB保持内部环形结构

为检验SMB是否在无外部任务输入时保持内部组织，作者分析了睡眠期间的神经元共活动。对于共享同一锚点的神经元对，其睡眠共活动与它们在任务空间中的环形距离呈负相关，即环形距离越近，共活动越强。这种关系在控制前向距离、空间调谐相似性和目标进度距离后依然显著。更重要的是，共享锚点的神经元对表现出比不同锚点神经元对更强的负相关，且这种关系在任务前和任务后睡眠中无显著差异。这表明SMB的内部环形结构在离线状态下得以维持，支持其作为任务结构内化表征的稳定性。

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： 多电极硅探针记录、Neuropixels、广义线性模型、UMAP、聚类分析、交叉验证、睡眠分析
• 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/kwikteam/phy、https://github.com/mohamadyelgaby/mFC_schema、https://github.com/pyControl/hardware；本地已克隆：phy、mFC_schema
• 谁该点开原文： 研究额叶皮层功能、认知地图、序列学习和计算神经科学的科研人员。

带走一句

目标进度细胞可作为构建复杂任务结构表征的基本单元，通过将其雕刻成任务结构化的记忆缓冲器，mFC能以可编程方式编码新行为序列，无需重新绑定表征。