[论文解读] Triangular lattice neurons may implement an advanced numeral system to precisely encode rat position over large ranges

Yoram Burak, Ted Brookings+1 more|ArXiv.org|Jun 4, 2006

Neural Networks and Applications参考文献 3被引用 8

一句话总结

该论文提出，大鼠背外侧内嗅皮层（dMEC）中的网格细胞使用余数数制（RNS）来编码空间位置，将连续的二维位置分解为多个三角形格网上的模块化、周期性相位。这种类似RNS的编码方式能够以少量神经元实现对大范围空间的高分辨率、紧凑且适合算术运算的表示，同时对噪声和损伤具有独特的鲁棒性。

ABSTRACT

We argue by observation of the neural data that neurons in area dMEC of rats, which fire whenever the rat is on any vertex of a regular triangular lattice that tiles 2-d space, may be using an advanced numeral system to reversibly encode rat position. We interpret measured dMEC properties within the framework of a residue number system (RNS), and describe how RNS encoding -- which breaks the non-periodic variable of rat position into a set of narrowly distributed periodic variables -- allows a small set of cells to compactly represent and efficiently update rat position with high resolution over a large range. We show that the uniquely useful properties of RNS encoding still hold when the encoded and encoding quantities are relaxed to be real numbers with built-in uncertainties, and provide a numerical and functional estimate of the range and resolution of rat positions that can be uniquely encoded in dMEC. The use of a compact, `arithmetic-friendly' numeral system to encode a metric variable, as we propose is happening in dMEC, is qualitatively different from all previously identified examples of coding in the brain. We discuss the numerous neurobiological implications and predictions of our hypothesis.

研究动机与目标

• 理解dMEC中的网格细胞如何在有限的格网周期下表示大范围的空间区域。
• 解决一个悖论：为何仅30–70厘米范围内的格网周期能够编码行为相关的长距离位置。
• 研究dMEC神经元的分布式、周期性放电模式是否构成一种紧凑且适合算术运算的编码方案。
• 探索使用余数数制（RNS）相较于传统神经编码方案在空间表征中的功能优势。
• 预测基于RNS编码的神经生物学意义，包括对损伤的耐受性以及在地标识别中的作用。

提出的方法

• 将dMEC网格细胞活动建模为余数数制（RNS），其中每个格网周期对应一个模数，每个相位对应一个剩余值。
• 应用中国剩余定理（CRT）证明：仅凭一组模剩余值即可实现唯一的位置重建。
• 放宽RNS框架至具有固有不确定性的实数值模数和剩余值，证明其在噪声下的鲁棒性。
• 通过多个格网上的并行、无进位算术运算模拟位置编码与更新。
• 利用实验数据得出的RNS参数估算最大可唯一编码的空间范围与分辨率。
• 提出海马体的地点细胞可能通过汇聚来自多个dMEC格网的输入来解码位置，与RNS重建一致。

实验结果

研究问题

• RQ1 dMEC网格细胞的观测放电模式能否被解释为一种用于空间编码的余数数制（RNS）？
• RQ2 RNS框架如何使少量神经元能够以高分辨率表示大范围的空间？
• RQ3 与稀疏编码或比例率编码相比，基于RNS的编码在神经系统中提供了哪些功能优势？
• RQ4 当模数为实数值且受噪声影响时，系统如何保持准确性和唯一性？
• RQ5 基于RNS编码的神经生物学预测是什么？例如损伤效应或地标特异性相位模式？

主要发现

• 由于RNS的组合能力，dMEC网格细胞系统仅使用少数几个周期在30至70厘米之间的格网，即可表示高达约100米的大范围空间位置。
• RNS框架支持并行、无进位算术运算（例如通过相位移动实现位置更新），从而实现高效的路径整合。
• 即使模数和测量值为实数且存在不确定性，RNS编码在约100米范围内仍能保持唯一可重建性，并实现亚米级分辨率。
• 该系统对部分损伤具有鲁棒性：只有在多个模数被破坏后才会出现渐进性退化，而不同于分层系统中单一生理损伤即导致特定尺度功能缺陷的情况。
• RNS模型解释了为何海马体地点细胞在大空间中不会采用稀疏、单峰的放电场，因为这将效率低下；相反，它们可能汇聚来自多个dMEC格网的输入。
• 该模型预测：在熟悉地标处，dMEC的绝对相位在不同试验中应具有可重复性，即使经过新路径后亦然，支持其在地标识别中的作用。