论文 #3: From Movement to Cognitive Maps - 阅读报告

基本信息

• 标题: From movement to cognitive maps: recurrent neural networks reveal how locomotor development shapes hippocampal spatial coding
• 作者: Marco P Abrate, Laurenz Muessig, Joshua P Bassett, Hui Min Tan, Francesca Cacucci, Thomas Joseph Wills, Caswell Barry
• 发表日期: 2026 年 1 月 26 日
• 主要领域: applications to neuroscience & cognitive science
• Submission Number: 24802

关键词

recurrent neural network, spatial representations, hippocampus, development, locomotion, rats

摘要

海马体包含与动物在空间中的位置和方向相关的神经元。这些神经元共同支持环境的认知地图， enabling 回忆和导航到特定位置。

尽管最近的研究已经表征了空间神经元发育的时间线，但尚未提出统一的机制模型。此外，驱动海马体空间表征出现的过程仍不清楚。

在这里，我们结合了对产后运动发育的计算分析和海马体功能的循环神经网络（RNN）模型，展示了运动统计的变化——以及由此产生的感官体验——如何塑造空间调谐的形成。

首先，我们使用已发布的实验数据识别大鼠在开放场探索期间运动的不同发育阶段。然后，我们训练浅层 RNN 从并发视觉和前庭输入预测即将到来的视觉刺激，使它们暴露于反映逐渐成熟运动模式的轨迹。

我们的研究结果表明，这些变化的运动统计驱动了空间调谐单元的顺序出现，与大鼠观察到的发育时间线相镜像。模型生成了关于空间调谐特性如何成熟的可测试预测——我们通过海马体记录分析证实了这些预测。

关键的是，我们证明复制发育运动的具体统计——而不仅仅是加速感官变化——对于自我中心空间表征的出现至关重要。

核心贡献

1. 计算模型: 使用 RNN 模拟海马体空间编码的发育过程
2. 运动发育分析: 识别大鼠运动发育的不同阶段
3. 机制解释: 揭示运动统计如何塑造空间神经元形成
4. 实验验证: 通过海马体记录证实模型预测
5. 理论贡献: 建立具身感觉运动体验与海马体空间神经元个体发育之间的机制联系

研究意义

• 为神经发育研究提供了新的机制模型
• 解释了空间表征如何从运动经验中涌现
• 对导航脑回路的预测模型有重要意义
• 展示了计算神经科学与实验神经科学的结合

阅读笔记

• 这是一篇跨学科论文，结合机器学习（RNN）和神经科学
• 核心发现是运动发育的统计特性（而非仅仅是感官变化速度）对空间表征形成至关重要
• 模型能够生成可测试的预测，并通过实验验证
• 对于理解认知地图的形成机制有重要贡献

报告生成时间: 2026-04-13 OpenReview 链接: https://openreview.net/forum?id=8bM7MkxJee