[论文解读] Combinatorics of Place Cell Coactivity and Hippocampal Maps

Andrey Babichev, Daoyun Ji+2 more|arXiv (Cornell University)|Sep 5, 2015

Memory and Neural Mechanisms参考文献 45被引用 6

一句话总结

本文提出一种现象学模型，从共发放模式的庞大组合空间中选择生物上合理的发放细胞集合，基于共发放频率和邻近结构的简单规则。所得到的细胞集合复合体在生物上合理的时间内准确编码了环境的拓扑结构，表明仅需一小部分关键的共发放组合即可实现有效的空间表征。

ABSTRACT

It is widely accepted that the hippocampal place cells' spiking activity produces a cognitive map of space. However, many details of this representation's physiological mechanism remain unknown. For example, it is believed that the place cells exhibiting frequent coactivity form functionally interconnected groups---place cell assemblies---that drive readout neurons in the downstream networks. However, the sheer number of coactive combinations is extremely large, which implies that only a small fraction of them actually gives rise to cell assemblies. The physiological processes responsible for selecting the winning combinations are highly complex and are usually modeled via detailed synaptic and structural plasticity mechanisms. Here we propose an alternative approach that allows modeling the cell assembly network directly, based on a small number of phenomenological selection rules. We then demonstrate that the selected population of place cell assemblies correctly encodes the topology of the environment in biologically plausible time, and may serve as a schematic model of the hippocampal network.

研究动机与目标

• 解决在海马体中仅极少数可能的发放细胞共发放组合能被生理实现的挑战。
• 识别出一个最小的、功能相关的共发放发放细胞群（细胞集合）子集，该子集仍能编码环境的完整拓扑结构。
• 基于现象学选择规则而非详细的突触可塑性机制，构建海马网络的示意图模型。
• 证明所选的细胞集合网络能够以与完整共发放复合体相当的速度和可靠性捕捉环境的拓扑结构。

提出的方法

• 从尖峰发放数据构建共发放复形 $\mathcal{T}$，其中每个单形对应一组共发放的发放细胞。
• 应用两种选择规则：(1) 基于共发放频率的阈值选择；(2) 基于邻近关系的选择，使用最近共发放邻居的数量。
• 使用持久同调评估所得到的细胞集合复合体 $\mathcal{T}_0$ 的拓扑保真度。
• 通过参数（如最小共发放阈值 $n_0$ 和邻域大小 $n_0$）控制网络架构，确保拓扑正确性。
• 比较 $\mathcal{T}_0$ 和完整复形 $\mathcal{T}$ 的学习时间 $T_{\min}$，以验证模型的效率。
• 使用连续性指数 $\xi$ 量化细胞集合复合体的空间一致性，$\xi \approx 0.7$ 表明强空间一致性。

实验结果

研究问题

• RQ1 一个小型、生物上合理的发放细胞共发放组合子集能否编码环境的完整拓扑结构？
• RQ2 哪些现象学选择规则能高效减少可能共发放模式的组合爆炸，同时保留拓扑信息？
• RQ3 不同的选择策略（基于阈值 vs. 基于邻近）如何影响所得到的细胞集合网络的拓扑准确性和学习速度？
• RQ4 所选的细胞集合复合体能否在合理的时间范围内实现与完整共发放复合体相当的拓扑保真度？
• RQ5 实现细胞集合复合体正确表征环境拓扑所需的最小网络参数（如 $n_0$）是什么？

主要发现

• 基于邻近的选择方法在 $n_0 \geq 7$ 时，生成的细胞集合复合体 $\mathcal{T}_0(n_0)$ 正确编码了环境的拓扑结构，包括路径连通性和贝蒂数。
• 当 $n_0 \geq 7$ 时，复合体 $\mathcal{T}_0(n_0)$ 达到正确的拓扑特征，具有稳定的 $1D$ 环路且无虚假孔洞，表明空间表征准确。
• $\mathcal{T}_0$ 的学习时间 $T_{\min}$ 与完整共发放复合体 $\mathcal{T}$ 接近，证实了高效的拓扑编码。
• 所选复合体的连续性指数 $\xi$ 范围为 0.67 至 0.71，表明强空间一致性和生物合理性。
• $\mathcal{T}_0(n_0)$ 中的单形数量接近发放细胞的数量，表明网络架构紧凑且高效。
• $\mathcal{T}_0(n_0)$ 的路径连通性随 $n_0$ 增加而改善，且当 $n_0 > 2$ 时，复合体变为连通，支持稳健的空间导航表征。