https://www.nature.com/articles/s41586-021-04268-7#Abs1
Toroidal topology of population activity in grid cells網(wǎng)格細胞群體活動的環(huán)形拓撲結(jié)構(gòu)
摘要：
內(nèi)側(cè)內(nèi)嗅皮層是用于映射個體在物理環(huán)境中位置的神經(jīng)系統(tǒng)的一部分。網(wǎng)格細胞是該系統(tǒng)的關(guān)鍵組成部分，其放電位置呈特征性的六邊形模式，并以模塊化形式組織，共同形成動物位置的群體編碼。這種群體編碼的相關(guān)結(jié)構(gòu)在不同環(huán)境和行為狀態(tài)下保持不變，獨立于特定的感官輸入，表明內(nèi)在的、遞歸連接的連續(xù)吸引子網(wǎng)絡(luò)（CANs）可能是網(wǎng)格模式的基底。然而，網(wǎng)格細胞網(wǎng)絡(luò)是否具有連續(xù)吸引子動力學特性，以及它們?nèi)绾闻c環(huán)境輸入相互作用，此前由于細胞樣本數(shù)量較少而尚不清楚。最新研究通過同時記錄數(shù)百個網(wǎng)格細胞的活動，并進行拓撲數(shù)據(jù)分析，發(fā)現(xiàn)單個模塊中網(wǎng)格細胞的共同活性處于一個環(huán)形流形上，與二維連續(xù)吸引子網(wǎng)絡(luò)的預(yù)測相符。環(huán)面上的位置與環(huán)境中動物移動的位置相對應(yīng)，單個細胞優(yōu)先在環(huán)面的特定位置活躍，且這些位置在不同環(huán)境以及從清醒到睡眠狀態(tài)下保持不變，這與連續(xù)吸引子網(wǎng)格細胞模型的預(yù)測相符，而與前饋模型不符。這一發(fā)現(xiàn)為連續(xù)吸引子網(wǎng)絡(luò)在網(wǎng)格細胞中的動力學提供了群體水平的可視化。
連續(xù)吸引子網(wǎng)絡(luò)（CAN）是理論系統(tǒng)神經(jīng)科學中最具影響力的概念之一。CAN是一種神經(jīng)網(wǎng)絡(luò)，其中遞歸突觸連接限制了細胞的聯(lián)合活動，使其在廣泛的外部輸入下保持連續(xù)低維的共激活模式。嚙齒動物大腦中的空間映射回路非常適合分析CAN動力學，因為空間是連續(xù)且低維的，且這些回路的數(shù)據(jù)易于獲取且易于解釋。
在內(nèi)側(cè)內(nèi)嗅皮層（MEC）及其周圍區(qū)域，頭方向細胞編碼方向，而網(wǎng)格細胞編碼位置。CAN模型將這些變量的神經(jīng)表征視為在環(huán)形（一維）或環(huán)面（二維）上的周期性連續(xù)體。當細胞按照其偏好放電方向或位置排序時，網(wǎng)絡(luò)活動會穩(wěn)定為一個局部活動峰，該活動峰可以通過速度、方向輸入或外部感覺線索平滑移動。
最新研究通過高密度神經(jīng)像素探針同時記錄數(shù)百個網(wǎng)格細胞的活動，并利用拓撲數(shù)據(jù)分析發(fā)現(xiàn)，單個模塊中的網(wǎng)格細胞群體活動存在于一個環(huán)面流形上，與二維CAN模型的預(yù)測一致。環(huán)面上的位置對應(yīng)于動物在環(huán)境中的位置，而單個細胞在環(huán)面上的活動位置與其在物理空間中的位置相對應(yīng)。這一發(fā)現(xiàn)為網(wǎng)格細胞的CAN動力學提供了群體水平的可視化，支持了網(wǎng)格細胞通過環(huán)面流形表示空間信息的觀點。
環(huán)面流形的可視化
我們在自由活動的大鼠的內(nèi)側(cè)內(nèi)嗅皮層（MEC）-副海馬區(qū)域的II層和III層中記錄了總共7671個單細胞的細胞外尖峰活動。這些記錄包括4次實驗，涉及2只雙側(cè)單探針的大鼠和1只單側(cè)4探針的大鼠（每次實驗記錄的細胞數(shù)量從546到2571個；擴展數(shù)據(jù)圖1）。在記錄過程中，大鼠在正方形開放場地（OF）中覓食、在高架軌道上活動，或在小休息箱中睡覺。通過基于聚類的方法，我們在所有大鼠中識別出六個網(wǎng)格模塊（4次實驗，每次實驗的網(wǎng)格細胞數(shù)量從140到544個，占總細胞數(shù)量的7.8%到25.6%；擴展數(shù)據(jù)圖2a–d、g、h）。每個網(wǎng)格模塊聚類中包含非定向（“純”）網(wǎng)格細胞和聯(lián)合網(wǎng)格×方向細胞的混合，每個模塊的網(wǎng)格細胞數(shù)量從66到189個（包括純網(wǎng)格細胞和聯(lián)合網(wǎng)格細胞；擴展數(shù)據(jù)圖2g）。我們最初將分析限定在純網(wǎng)格細胞的子集上，因為（i）額外的方向調(diào)制可能會扭曲預(yù)期的環(huán)面拓撲結(jié)構(gòu)；（ii）在聯(lián)合細胞中檢測拓撲結(jié)構(gòu)可能需要比這里記錄的更多的細胞。
為了直觀檢查網(wǎng)格細胞群體活動的結(jié)構(gòu)，以尋找環(huán)面拓撲的跡象，我們構(gòu)建了一個包含149個純網(wǎng)格細胞的模塊的n維群體活動的三維（3D）嵌入（圖1a）。為此，我們對放電率矩陣進行了兩階段降維處理。首先，為了提高對噪聲的魯棒性，我們進行了主成分分析（PCA）。我們保留了前六個主成分，這些成分在開放場地（OF）條件下對所有網(wǎng)格模塊的方差解釋比例特別高（在睡眠期間也觀察到類似趨勢；擴展數(shù)據(jù)圖4a）。接下來，我們應(yīng)用均勻流形近似和投影（UMAP）將六個主成分降維到三維可視化中。這種可視化揭示了一個類似環(huán)面的結(jié)構(gòu)（圖1b，補充視頻1）。大鼠在開放場地中的移動伴隨著群體活動在環(huán)面流形上的連續(xù)移動（圖1b）。當將單個細胞的活動繪制在3D群體表示中時，每個細胞的尖峰都被局限在群體狀態(tài)空間的一個單一區(qū)域內(nèi)（圖1c）。細胞在場地中的放電位置的偏移與細胞在環(huán)面狀態(tài)空間中的相對放電位置相對應(yīng)。
環(huán)面拓撲結(jié)構(gòu)的量化
盡管UMAP投影能夠可視化出環(huán)面狀的點云，但這種方法并不便于直接量化狀態(tài)空間的拓撲結(jié)構(gòu)，也不便于在不同實驗之間比較表征。因此，我們轉(zhuǎn)向了持久上同調(diào)（persistent cohomology）框架，這是拓撲數(shù)據(jù)分析中的一套工具集，通過識別分配給細胞放電率點云的拓撲空間中不同維度的“洞”，來對神經(jīng)數(shù)據(jù)的結(jié)構(gòu)進行分類。在應(yīng)用這一工具集時，我們將點云中的每個點替換為一個具有相同半徑的球體。這些球體的聯(lián)合形成了一個拓撲空間，在其中可以計數(shù)不同維度的“洞”的數(shù)量。通過從零開始逐漸增加這個半徑，直到所有球體相互重疊，我們觀察到每個“洞”的壽命——即從“洞”首次出現(xiàn)到消失的半徑范圍（見擴展數(shù)據(jù)圖3C）。這些“洞”的壽命被表示為條形圖，所有條形圖的集合被稱為條碼（barcode）。對于一個環(huán)面，條碼必須顯示出四個具有顯著長度的條形：一個0維“洞”（將所有點連接為一個單一組分）；兩個1維“洞”（描述環(huán)形特征）；以及一個2維“洞”（一個空腔；擴展數(shù)據(jù)圖3B）。
持久上同調(diào)分析使我們能夠?qū)ψ鳛閁MAP中間步驟的六維表征的形狀進行分類（擴展數(shù)據(jù)圖3A）。我們?yōu)樵陂_放場地（OF）中記錄的六個網(wǎng)格細胞模塊分別構(gòu)建了條碼（來自大鼠“R”的三個模塊、來自大鼠“Q”的兩個模塊和來自大鼠“S”的一個模塊，以下分別命名為R1、R2、R3、Q1、Q2和S1）。條碼清晰地顯示出環(huán)面特征。對于所有六個模塊，我們都檢測到四個長壽命的條形，分別代表一個0維“洞”、兩個1維“洞”和一個2維“洞”。它們的壽命顯著長于在1000次數(shù)據(jù)隨機洗牌（其中尖峰時間被隨機旋轉(zhuǎn)）中獲得的任何條形的壽命（圖1e、f，擴展數(shù)據(jù)圖6Aa；P < 0.001）。這些發(fā)現(xiàn)表明，在開放場地覓食期間的網(wǎng)絡(luò)動態(tài)存在于一個低維流形上，其條碼與環(huán)面相同。我們注意到在所有模塊的條碼中都出現(xiàn)了額外的短條形，但這些是環(huán)面點云的預(yù)期特征，正如我們通過幾種連續(xù)吸引子網(wǎng)絡(luò)（CAN）模型的模擬數(shù)據(jù)以及從理想化環(huán)面采樣的點云所確認的那樣，每種情況都顯示出類似的特征（見擴展數(shù)據(jù)圖7）。
環(huán)面在網(wǎng)格畸變下依然存在
點云中環(huán)面的出現(xiàn)，以及單個網(wǎng)格細胞活動在環(huán)面上的映射（圖1c），與二維物理空間中的位置和降維后的神經(jīng)狀態(tài)空間中的位置之間的關(guān)系一致。然而，在許多環(huán)境中，這種關(guān)系可能并非等距的，因為網(wǎng)格模式會被環(huán)境的幾何特征（如墻壁和角落）或離散的地標和獎勵位置所扭曲。因此，我們探討了這些幾何特征是否會類似地扭曲點云中網(wǎng)絡(luò)活動的環(huán)面組織。我們在一個呈車輪形狀、帶有四條徑向輻條的高架跑步軌道上測試了大鼠（“車輪軌道”（WW）；圖1d、f）?？臻g自相關(guān)分析證實，在此任務(wù)中網(wǎng)格模式的嚴格周期性受到了損害（擴展數(shù)據(jù)圖2e、f）。盡管單個細胞的網(wǎng)格模式發(fā)生了畸變，但轉(zhuǎn)換后的群體活動仍然保持了環(huán)面調(diào)諧（圖1d）。持久上同調(diào)分析繼續(xù)識別出一個0維“洞”、兩個1維“洞”和一個2維“洞”，其壽命顯著超過洗牌數(shù)據(jù)的壽命（圖1f，擴展數(shù)據(jù)圖6Ab）。我們還通過計算條碼中識別出的兩個1維“洞”的角度坐標來確定神經(jīng)群體活動在環(huán)面上的映射（“上同調(diào)解碼”；擴展數(shù)據(jù)圖5）。這兩個角度坐標定義了相交于60°的方向，可識別為扭曲的環(huán)面（圖2a）。與連續(xù)吸引子網(wǎng)絡(luò)模型一致，大多數(shù)網(wǎng)格細胞在每個模塊以及不同環(huán)境中都調(diào)諧到環(huán)面上的單個位置，獨立于幾何形狀和局部地標（圖2b，擴展數(shù)據(jù)圖4f，補充信息）。
為了測試環(huán)境中位置與環(huán)面表征之間的映射關(guān)系是否忠實，我們接下來探討網(wǎng)格細胞活動是否更好地由細胞對推斷出的環(huán)面的調(diào)諧來預(yù)測，而不是由它們對物理空間的調(diào)諧來預(yù)測。對于開放場地（OF）中的五個網(wǎng)格模塊和車輪軌道（WW）中的四個網(wǎng)格模塊，關(guān)于位置的信息含量（以每尖峰比特數(shù)計）在環(huán)面上的位置比在物理空間中的位置更高（圖2c；R2、R3、Q1、Q2：在OF和WW中所有P < 0.001，W > 1932；R1：在OF中P < 0.001，W = 4010，在WW中P = 0.586，W = 2129；S1：在OF和WW中P = 1.000，在OF中W = 620，在WW中W = 129；Wilcoxon符號秩檢驗）。我們通過比較兩種泊松廣義線性模型（GLM）基編碼模型的交叉驗證預(yù)測來驗證這一差異，這兩種模型分別包括環(huán)面位置（如上所述解碼）和二維空間位置。對于兩種環(huán)境（OF和WW），在六個網(wǎng)格細胞模塊中的五個模塊中，環(huán)面協(xié)變量比物理位置協(xié)變量更接近數(shù)據(jù)的完美擬合模型（圖2d；R1、R2、R3、Q1、Q2：在OF和WW中所有P < 0.001，W > 2045；S1：在OF中P < 0.001，W = 1941，在WW中P = 1.000，W = 727；Wilcoxon符號秩檢驗）。這些差異共同指向環(huán)面結(jié)構(gòu)作為網(wǎng)格細胞群體活動的主要特征，優(yōu)于動物在物理環(huán)境中當前二維坐標的特征。
如果網(wǎng)格細胞在一個由內(nèi)在網(wǎng)絡(luò)特征決定的環(huán)面流形上運行，那么這個流形可能在不同環(huán)境中普遍表達，獨立于感覺輸入。我們通過評估在推斷出的環(huán)面上，不同網(wǎng)格細胞的放電場位置是否在開放場地（OF）和車輪軌道（WW）之間得以保持來測試這一命題（圖2b，補充信息）。為了比較環(huán)面參數(shù)化，我們對環(huán)面坐標的軸進行了對齊（擴展數(shù)據(jù)圖5b）。首先，我們比較了每個細胞在OF和WW中的環(huán)面速率圖的質(zhì)心之間的距離（圖2e、f，擴展數(shù)據(jù)圖6Ba）。這一距離顯著短于在一種環(huán)境中隨機洗牌速率圖順序的對照數(shù)據(jù)（最大可能距離√2·180 ≈ 254.6度；數(shù)據(jù)與洗牌：在所有模塊中P < 0.001）。其次，我們計算了兩個環(huán)境中二值化環(huán)面速率圖的成對皮爾遜相關(guān)性（圖2g，擴展數(shù)據(jù)圖6Ba）。與質(zhì)心比較一致，OF和WW之間的相關(guān)性在觀察數(shù)據(jù)中（所有模塊的平均值±標準誤：0.79±0.07）高于洗牌數(shù)據(jù)（r = 0.01±0.01；所有模塊P < 0.001）。當將相同環(huán)境（OF或WW）的環(huán)面參數(shù)化應(yīng)用于兩種環(huán)境的活動時，也得到了非常相似的結(jié)果（圖2f、g，16.0±3.4度；r = 0.95±0.02；所有模塊和兩種映射P < 0.001）。這些發(fā)現(xiàn)共同表明，物理空間被映射到同一個內(nèi)部低維流形上，無論具體環(huán)境如何。
網(wǎng)格細胞的類別
接下來，我們研究了為什么在模塊S1的REM睡眠期間以及在模塊R1和S1的SWS睡眠期間沒有觀察到環(huán)面結(jié)構(gòu)（圖4a，擴展數(shù)據(jù)圖6Ad）。以往對內(nèi)側(cè)內(nèi)嗅皮層放電活動的研究描述了具有不同爆發(fā)性放電和θ節(jié)律調(diào)制特征的細胞群體；因此，我們探討了環(huán)面結(jié)構(gòu)缺失是否是由于模塊成分的異質(zhì)性所致。我們利用開放場地（OF）會話中的尖峰序列時間自相關(guān)圖來量化每個細胞的時間調(diào)制特征，并通過對自相關(guān)圖矩陣進行聚類分析，得到了三個細胞類別（圖4b）。每個類別分布在多個模塊中（圖4d）。在每個模塊內(nèi)，來自三個類別的細胞顯示出重疊的網(wǎng)格間距和方向?qū)傩裕〝U展數(shù)據(jù)圖8a）。我們根據(jù)每個類別的最顯著自相關(guān)圖特征，將這些類別分別命名為“爆發(fā)性”（B）、“非爆發(fā)性”（N）和“θ調(diào)制性”（T）（圖4e）。我們還檢查了這些細胞的尖峰波形，并發(fā)現(xiàn)每個類別顯示出特征性的尖峰寬度（圖4f、g），這表明它們在形態(tài)或生物物理特性上存在差異。
在慢波睡眠（SWS）期間，細胞的放電率在類別內(nèi)部表現(xiàn)出顯著的相關(guān)性結(jié)構(gòu)，但在類別之間則沒有（擴展數(shù)據(jù)圖8b）。盡管我們的分類策略并未受到細胞方向調(diào)制的影響，但T類別包含了所有聯(lián)合網(wǎng)格細胞的80%和所有純網(wǎng)格細胞的11%，這支持了聯(lián)合網(wǎng)格細胞是一個獨特群體的觀點。相應(yīng)地，在包含最多T細胞的模塊R1和S1中，T細胞的尖峰序列之間的成對相關(guān)性與頭部方向調(diào)制的關(guān)系比與環(huán)面調(diào)制的關(guān)系更為密切（擴展數(shù)據(jù)圖8c）。當我們把模塊R1細分為三個類別時，我們發(fā)現(xiàn)在SWS期間，只有B細胞能夠檢測到環(huán)面拓撲結(jié)構(gòu)（圖4c）。通過從B細胞解碼環(huán)面位置，我們能夠恢復(fù)模塊R1中每個細胞相對于環(huán)面位置的選擇性（圖4h）。在R1的每個細胞類別中，環(huán)面調(diào)諧位置在開放場地（OF）和SWS之間得以保持（擴展數(shù)據(jù)圖8d，B類：距離為26.4°±6.1°，相關(guān)性r = 0.85±0.02；T類：43.6°±3.9°，r = 0.74±0.02；N類：29.9°±3.5°，r = 0.80±0.02；每個類別的洗牌版本的平均值在135.4°±5.2°到136.4°±6.2°之間，相關(guān)性在r = 0.00±0.07到r = 0.02±0.03之間；觀察值與洗牌值比較P < 0.001，所有3個類別和兩種測量指標均如此）。然而，在R1以及所有其他模塊中，無論是開放場地（OF）、REM睡眠還是SWS睡眠，B細胞的環(huán)面空間信息和解釋偏差最高，而N細胞和T細胞則較低（擴展數(shù)據(jù)圖8e）（信息含量：P < 10???，H > 255；Kruskal–Wallis檢驗；P < 10??，Z > 6.4；Dunn檢驗，Bonferroni校正；解釋偏差：P < 10?2?，H > 96；Kruskal–Wallis檢驗；P < 10?12，Z > 7.4；Dunn檢驗，Bonferroni校正，適用于OF、REM和SWS）。綜上所述，這些結(jié)果表明，B細胞群體（包含大多數(shù)網(wǎng)格細胞）在不同行為條件下最穩(wěn)健地表征了環(huán)面。T細胞中較弱的環(huán)面表征可能部分是由于聯(lián)合網(wǎng)格×方向細胞所攜帶的更高維度的編碼所致。實際上，對模塊S1和R1中的T細胞（這兩個模塊包含最多的T細胞）進行上同調(diào)分析揭示了一個與動物頭部方向相對應(yīng)的環(huán)形特征（擴展數(shù)據(jù)圖8f、g）。
我們的研究結(jié)果來自數(shù)百個同時記錄的網(wǎng)格細胞，表明網(wǎng)格細胞的群體活動始終跨越一個具有環(huán)面拓撲結(jié)構(gòu)的流形，環(huán)面上的運動與動物在環(huán)境中的軌跡相匹配。環(huán)面表征主要由網(wǎng)格細胞的爆發(fā)性亞類穩(wěn)定編碼。環(huán)面拓撲結(jié)構(gòu)并非簡單地從被編碼的變量繼承而來，因為二維空間本身并不具有環(huán)面拓撲結(jié)構(gòu)，而與之相反的是，蝙蝠的頭部方向的俯仰角和方位角共同跨越一個環(huán)面，因此自然地映射到環(huán)面神經(jīng)編碼上。通過上同調(diào)解碼，我們能夠在每個環(huán)境中以及在清醒和睡眠狀態(tài)下證明，單個網(wǎng)格模塊中單個網(wǎng)格細胞的環(huán)面坐標得以保持，獨立于外部感覺輸入或環(huán)境誘導(dǎo)的六邊形對稱性在速率圖中的變形。流形的均勻且一致的環(huán)面結(jié)構(gòu)表明，網(wǎng)格模式的扭曲發(fā)生在物理空間與環(huán)面網(wǎng)格編碼之間的映射中，而不是發(fā)生在網(wǎng)格編碼本身中。
環(huán)面流形在不同環(huán)境和大腦狀態(tài)下的不變性揭示了網(wǎng)格細胞活動背后的機制。盡管環(huán)面拓撲結(jié)構(gòu)可以通過連續(xù)吸引子網(wǎng)絡(luò)（CAN）機制和前饋機制產(chǎn)生，但在導(dǎo)致海馬位置細胞活動相關(guān)性結(jié)構(gòu)發(fā)生變化的條件下，不變環(huán)面流形的持續(xù)存在僅由連續(xù)吸引子網(wǎng)絡(luò)模型預(yù)測。盡管這些發(fā)現(xiàn)不排除共存的前饋機制，但它們指向內(nèi)在網(wǎng)絡(luò)連接性作為網(wǎng)格細胞系統(tǒng)剛性環(huán)面動態(tài)的基礎(chǔ)機制。至于是什么樣的網(wǎng)絡(luò)架構(gòu)保持活動在環(huán)面流形上——是通過幾何組織的，還是通過突觸權(quán)重調(diào)整從隨機連接中通過學習獲得的——仍有待確定，同樣有待確定的還有它與其他內(nèi)嗅皮層-海馬系統(tǒng)中的連續(xù)吸引子網(wǎng)絡(luò)的連接模式。
方法
大鼠
數(shù)據(jù)收集自三只實驗前未經(jīng)處理的雄性Long Evans大鼠（大鼠Q、R和S，在植入時體重為300–500克）。大鼠在手術(shù)前與3到8只同窩雄性大鼠一起群居，手術(shù)后則單獨飼養(yǎng)在大型有機玻璃籠子中（45×44×30厘米）。它們處于12小時光照–12小時黑暗的環(huán)境中，濕度和溫度受到嚴格控制。所有實驗程序均符合《挪威動物福利法》和《歐洲保護用于實驗和其他科學目的的脊椎動物動物公約》。實驗方案已獲得挪威食品安全局的批準（FOTS ID 18011和18013）。
電極植入與手術(shù)
大鼠植入了靶向內(nèi)側(cè)內(nèi)嗅皮層（MEC）–副海馬（PaS）區(qū)域的Neuropixels硅探針。兩只大鼠雙側(cè)植入了原型Neuropixels“3A階段”單探針，每個半球各有一個探針靶向MEC–PaS區(qū)域；第三只大鼠在左側(cè)半球植入了一個原型Neuropixels 2.0多探針。探針在矢狀面內(nèi)以25°的角度從前向后插入。植入坐標為：前后向（AP）位于竇前0.05–0.3毫米，側(cè)向距離中線4.2–4.7毫米。探針插入深度為4200–6000微米。植入物用牙科水泥固定。詳細的植入程序已在其他地方描述過。手術(shù)后，大鼠恢復(fù)約3小時后開始記錄。術(shù)后鎮(zhèn)痛藥物（美洛昔康和布托啡諾）在手術(shù)恢復(fù)期間給藥。
記錄程序
Neuropixels硬件系統(tǒng)和自由活動記錄的程序之前已有描述。簡而言之，電生理信號通過500倍（3A階段探針）或80倍（2.0探針）放大，低通濾波頻率為300赫茲（3A階段）或0.5赫茲（2.0），高通濾波頻率為10千赫，然后以30千赫的頻率數(shù)字化（所有步驟均由探針的板載電路完成）。數(shù)字化信號通過植入的“頭部階段”電路板進行多路復(fù)用，并通過輕質(zhì)5米拖曳電纜傳輸，該電纜使用微同軸（3A階段）或雙絞線（2.0）布線。
三維運動捕捉（使用OptiTrack Flex 13攝像機和Motive記錄軟件）通過在記錄過程中將一組五個反光標記物附著在植入物上，用于追蹤大鼠頭部的位置和方向。3D標記位置被投影到水平面上，以獲得大鼠的二維位置和頭部方向。使用Arduino微控制器生成數(shù)字脈沖，這些脈沖被發(fā)送到Neuropixels采集系統(tǒng)（通過直接TTL輸入）和OptiTrack系統(tǒng)（通過紅外LED），以便精確對齊記錄的數(shù)據(jù)流。
行為程序
數(shù)據(jù)來自手術(shù)恢復(fù)后72小時內(nèi)進行的四次記錄會話。在同一個房間內(nèi)的不同場地中，大鼠參與了三種行為范式，每次記錄時進行一種。大鼠可以獲取豐富的遠距離視覺和聲音線索。在每天的記錄中，大鼠在整個行為會話期間持續(xù)連接到記錄裝置。偶爾需要解開Neuropixels拖曳電纜中累積的扭曲。在這種情況下，正在進行的行為任務(wù)會被暫停，實驗者輕輕轉(zhuǎn)動大鼠以解開扭曲。在術(shù)前訓練期間，大鼠被限制進食，保持其體重至少為自由進食體重的90%。食物通常在每次訓練前12–18小時移除。在記錄時未使用食物限制。
開放場地覓食任務(wù)
大鼠在一個1.5米×1.5米的正方形開放場地（OF）中覓食隨機散落的食物碎屑（玉米泡芙），該場地有黑色地板，墻壁高度為50厘米。在場地的一面墻上固定了一張大白色提示卡片（高度與墻壁相同；寬度41厘米；水平放置在墻壁中間）。在手術(shù)時，每只大鼠對該環(huán)境和任務(wù)已經(jīng)非常熟悉（經(jīng)過了10–20次訓練，每次至少20分鐘）。
車輪軌道覓食任務(wù)
車輪軌道（WW）任務(wù)被設(shè)計為二維開放場地（OF）覓食任務(wù)的一維版本。軌道的幾何形狀包括一個高架圓形軌道，兩條垂直交叉的橫臂跨越圓的直徑。軌道寬10厘米，兩側(cè)各有一條1厘米高的邊緣。軌道的每個部分都安裝了一個獎勵點，位于兩個最近的交叉點之間的中點，即該部分的中心。每個獎勵點由一個高架的凹槽組成，可以通過連接的管道遠程注入巧克力牛奶。為了鼓勵覓食行為，在給定時間隨機選擇一部分凹槽（8個凹槽中的1到4個）被填充，大鼠可以自由且連續(xù)地探索整個迷宮。當大鼠消耗獎勵時，根據(jù)需要重新填充凹槽。每只大鼠在手術(shù)前都經(jīng)過訓練，達到了高效率的覓食任務(wù)表現(xiàn)（在30分鐘內(nèi)至少收集30個獎勵）。達到這種表現(xiàn)水平的訓練需要5到10次半小時的會話。
自然睡眠
在睡眠會話中，大鼠被放置在一個黑色亞克力“睡眠箱”中，該箱子底部為40×40厘米的正方形，墻壁高80厘米。墻壁的黑色涂層對紅外線透明，這使得三維運動捕捉能夠透過墻壁追蹤大鼠。睡眠箱底部鋪有毛巾，大鼠可以自由獲取水。在睡眠箱中的記錄會話期間，主房間的燈被打開，計算機揚聲器播放粉紅噪聲以減弱干擾背景聲音。睡眠會話通常持續(xù)2到3小時，但如果大鼠顯得高度警覺且不太可能入睡，則會提前終止。
尖峰分類和單細胞選擇
使用KiloSort 2.5進行尖峰分類。簡而言之，該算法包括三個主要階段：（1）原始數(shù)據(jù)對齊程序，用于檢測并校正Neuropixels探針相對于周圍組織的垂直位置變化；（2）迭代模板匹配程序，使用低秩、可變幅度的波形模板提取和分類單細胞尖峰；（3）整理程序，根據(jù)尖峰序列的自相關(guān)和交叉相關(guān)圖檢測合適的模板合并和拆分操作。為了提高KiloSort 2.5在MEC–PaS區(qū)域記錄中的性能（由于細胞密度高，該區(qū)域尖峰波形的時空重疊特別高），對標準KiloSort 2.5方法進行了一些定制。因此，上述步驟1中每批提取的尖峰最大數(shù)量增加，步驟2中的模板匹配迭代次數(shù)也增加。為了改善具有非常相似波形的細胞之間的分離，在步驟2中將模板相似度的上限從0.9提高到0.975，在步驟3中提高到1.0，并使用在MATLAB中運行的定制圖形用戶界面手動監(jiān)督步驟3中的所有合并和拆分操作。手動監(jiān)督確保KiloSort 2.5不會自動合并具有交叉相關(guān)圖低谷的單元對，在我們的數(shù)據(jù)中，這種情況通常是由于空間調(diào)制不同步導(dǎo)致的。重復(fù)多次合并和拆分操作，以確保單細胞之間的最佳分離。
如果單細胞的尖峰間隔分布中有超過1%的間隔小于2毫秒，則該單細胞被丟棄。此外，如果單細胞的平均尖峰頻率低于0.05赫茲或高于10赫茲（在整個記錄期間計算），則該單元也會被排除。
單個單位的尖峰波形
在尖峰分類過程中，Kilosort為每個單位在每個記錄通道上分配了一個2毫秒的尖峰波形模板。為了計算每個單位的代表性單個波形，計算了每個通道上模板的峰-谷振幅，并將振幅最高的三個通道的模板進行平均，以生成代表性尖峰波形。為了計算尖峰寬度，對單位的代表性波形進行了精細插值（從61個點插值到1000個點），使用三次樣條函數(shù)。尖峰寬度被定義為波形的負峰（Kilosort將波形對齊到該負峰）與隨后的正峰之間的時間差。
空間位置和方向調(diào)諧
在開放場地（OF）競技場或車輪跑道上的清醒覓食會話期間，僅使用大鼠移動速度超過2.5厘米/秒的時間段進行空間或環(huán)形分析。為了生成OF競技場的二維速率圖，將位置估計值劃分到一個3×3厘米的正方形網(wǎng)格中。每個位置箱中的尖峰率計算為記錄在該箱中的尖峰數(shù)量除以大鼠在該箱中停留的時間。為了插值未訪問箱的值，使用了兩個輔助矩陣M1和M2，將訪問過的箱在M1中設(shè)為原始速率圖的值，在M2中設(shè)為1，而將未訪問的箱在兩個矩陣中均設(shè)為零。然后對M2執(zhí)行一次圖像處理“閉合”操作（二值膨脹后跟腐蝕，填充一部分未訪問的箱），使用圓盤形結(jié)構(gòu)元素，首先將矩陣邊界向外擴展一個箱。然后，使用寬度為2.75箱的高斯核對兩個矩陣進行空間平滑處理。最后，通過將M1除以M2獲得速率圖。速率圖的空間自相關(guān)圖和網(wǎng)格評分按之前描述的方法計算。每個細胞的位置調(diào)諧選擇性通過計算其空間信息含量來量化，以每尖峰比特數(shù)表示（見“信息含量”）。
頭部方向調(diào)諧曲線是通過將頭部方向估計值劃分到6°的箱中計算得出的。每個角度箱中的尖峰率計算為記錄在該箱中的尖峰數(shù)量除以大鼠在該箱中停留的時間。然后使用σ=2箱的高斯核對得到的調(diào)諧曲線進行平滑處理，并將調(diào)諧曲線的兩端連接在一起。頭部方向調(diào)諧的選擇性使用調(diào)諧曲線的平均矢量長度（MVL）來量化。該值的計算公式為：
網(wǎng)格模塊分類
為了檢測對應(yīng)于網(wǎng)格模塊的細胞群體，我們采用了一種新方法，通過尋找在開放場地中表現(xiàn)出相似空間周期性活動的細胞簇來實現(xiàn)（擴展數(shù)據(jù)圖2）。與之前的基于聚類的網(wǎng)格模塊方法不同，這種方法不假設(shè)網(wǎng)格模式的具體幾何形狀，因此它對幾何畸變（如橢圓性）的不利影響不太敏感。
熱門跟貼