研究者用机器学习来加速解码，揭秘海马神经元群体活动如何编码位置信息

来源：brainnews

神经元通常被认为是编码单个变量的专一功能单元，然而许多神经元被观察到对不同感觉、认知和行为变量的混合变量起反应。从这种表征形式可以看出，信息是分布在多个神经元上的。 

在本文中，作者在海马齿状回（dentate gyrus，DG）和CA1亚区中观察到了这种分布式编码过程，并通过对自由移动的小鼠进行钙成像，从数百个细胞的活动中解码出动物的位置、运动方向和速度。经过分析发现，单个神经元的响应特性仅部分预测了它们对编码位置的重要性。 

非位置细胞能够编码位置，并在与其他神经元组合时协助位置编码，且大多数神经元都编码多个变量并对所有变量的编码都有所贡献。破坏神经活动之间的相关性会降低解码性能，这种表现差异主要出现于CA1。 

越来越多的研究发现，在包括海马和内嗅皮层在内的许多大脑区域中，神经反应是非常多样化的，并且随时间变化很大；比如，位置细胞可能以有序（网格细胞）或无序的方式在单个或多个位置做出响应，并且多次通过同一位置通常会引起不同的响应。假设每个神经元对多个变量（混合选择性）产生非线性响应，这也许可以解释部分多样性。此外，某些变量可能因为在实验中未引起观察者的注意，而被当作为噪声。而某些变量只有在解读神经元群体的活动时才能被有效解码，所以基于混合选择性的神经编码是呈现高度分布性的。

最近有研究显示，神经元反应的混合选择性成分在复杂的认知任务中很重要，因为它是神经表示的高维特征。而位置细胞放电也是高度可变的，以至于这种可变性可以捕获由于在空间记忆中的学习而引起的变化。那么就存在一个问题：海马神经元群体活动如何编码位置信息？

为了回答这一问题，本文作者研究了海马的两个亚区-DG和CA1-的神经元群体活动，其中DG的神经元反应是高度稀释且多样的，而CA1与空间导航相关。实验中利用了钙成像（自由活动神经元超微成像）方法观察神经元的编码活动，并使用机器学习来解码神经元对位置编码的贡献，从而解析神经元编码位置的特性。

首先作者在DG和CA1区埋植显微成像镜头，当小鼠在旷场寻找蔗糖颗粒时，记录其DG颗粒细胞和CA1锥体细胞的神经元活动，利用算法分离提取细胞活动中的时间和空间成分（图1）。

图1 神经元钙成像记录（D、F空间成分，E、G时间成分）

接下来将脑区划分为多个子区从而动物的X和Y坐标离散化，并为每对离散位置训练一组线性分类器，将线性分类器的输出结果经算法组合后定为动物位置的即时估计位置，即是解码位置。运用同样方法，亦可解码动物的速度和方向（图2），这是首次利用DG神经元活动来解码动物的位置、方向以及速度。

图2 通过神经元活动解码动物的位置、方向和速度

为了更好地了解神经编码，作者尝试确定单个神经元的响应特性中某个特征，理论上这个特征对于编码可被解码的变量应是十分重要的，而这些响应特性可能与单个神经元对解码器准确性的贡献无关。

为此作者展示了一个极端情况：即便当动物在两个不同的位置时，某个被刺激的神经元也有同样的活动（图3A）。因此这一个神经不是位置特异性的（非位置细胞），然而对于编码器而言，这一神经元和其他位置选择性神经元（位置细胞）是同等重要的，因为它也对群体编码做了贡献。

因此，尽管位置细胞的活动只能部分预测动物的位置（分布部分重叠），但通过同时读取非位置细胞与位置细胞的活动，线性解码器将为两个神经元分配相等的权重，可无误地解码位置（图3B）。

图3  不调谐神经元对于编码位置的贡献（神经元1：位置细胞；神经元2：非位置细胞）

接下来进一步分析解码器分配给细胞的权重：对每一对位置进行解码后，结合输出权重为一个重要指数（ω），根据该指数对神经元进行排名，来确定在群体中输入神经元对于编码位置的重要性。

另一方面，将对于记录的活动的空间信息和混洗后的数据获得的空间信息（正确归一化）之间的差异定义为空间信息的重要性（significance of spatial information，SSI）。SSI是单细胞的属性，而重要指数取决于单细胞对群体编码的贡献。因此，对每个单元格的SSI及其重要指数之间的关系进行分析，结果发现两者间具有相关性，这表明某些单个响应特性至少可以部分说明细胞在编码位置中的重要性（图4）。对运动的方向进行相似的分析，也发现了同样的相关性。

以上这些分析结果表明，单个神经元的性质仅能部分预测细胞对解码的重要性，并且这种重要性并不是单细胞的内在特性，因为其依赖于解码器所使用的神经元群体中其他细胞。

图4  重要指数和空间信息之间的关联性

至此，作者已经从神经元活动中解码出了至少两个变量，那么是否存在某种形式的特化，致使不同的神经元群体编码不同的变量呢？

于是作者对比了位置信息与方向信息的重要指数（图5），发现在DG和CA1中两个指数之间都存在正相关性，这暗示了对编码某个变量很重要的神经元也对编码另一个变量很重要。而若单独观察只对一个变量编码很重要的神经元，能够从最重要的神经元中解码位置信息并以此编码方向信息，反之亦然，表明即使对是一个变量最重要的神经元也都携带着另一个变量的信息，即神经元对解码的变量具有混合选择性。

图5 运动位置和方向的表征信息分布在DG和CA1神经元中

结合上述结果，证明大多数神经元编码多个变量并贡献给所有变量。

最后，作者发现破坏了神经元活动之间的相关性，但同时保持它们的空间调谐不变，会对CA1而非DG中的解码性能产生影响，证明神经元间的联系是重要的。

综上所述，从群体水平上解码的编码信息比单细胞水平丰富，基于细胞群体方法分析可以更准确地表征海马的神经编码，并且能够通过神经表征的分布性特质来揭示DG和CA1空间编码的强大鲁棒性。