海马地方单元在导航期间具有面向目标的矢量场

　　受试者是从查尔斯河实验室购买的五只雄性李斯特帽子大鼠，在电生理记录时年龄在9至12个月之间 。动物被剥夺了基线体重的约85-90％
。所有动物实验均根据英国内政部法规进行（1986年英国动物科学程序法；项目许可证PPL PD8CBD97C）。研究方案符合项目许可的条款 ，该项目由伦敦大学学院的动物福利和道德审查委员会进行了审查 。没有使用统计方法来确定样本量。我们的研究没有使用单独的组
，因此均未使用随机化和盲目
。 　　用0.5–1.5％的异氟烷​​麻醉大鼠。颅骨在双侧海马（Bregma后4.2毫米，中线±3毫米）上进行双侧制成 。将电极阵列植入皮层表面 ，其中包含32个四极管（每个半球16个四极管），并将750 µm的电极变成脑
。一根骨螺钉连接到额叶皮层上的头骨上
，用作地面和参考。植入前，将四极管（元素 ，¼硬涂层
，直径为0.0005英寸；坎特尔，pf000591） 。在2周内将四扇形降低到背面CA1 ，然后大鼠继续在迷宫上进行日常训练
。使用INTAN RHD USB接口板和RHD头段获取数据。 　　蜂窝迷宫由61个六角形平台（每侧11.5厘米）组成
，采用整体六边形配置（总迷宫宽度约为200厘米） 。每个平台可以在线性执行器上独立升高或降低，其位置比降低的位置高约30厘米
。平台由LabView中的定制写入软件中生成的数字脉冲控制。使用负载电池（RobotShop ，RB-PHI-117）检测到在给定平台上的存在
，将其固定在该平台上 。使用定制电路将负载电池信号放大，并输入我们的自定义LabView软件
。 　　最初 ，对动物进行了训练
，以消耗食物奖励（蜂蜜味的玉米片）。一旦他们在家中食用食物，他们就被带到迷宫中 ，放在奖励平台上并获得食物奖励 。一旦他们毫不犹豫地在奖励平台上食用食物（1或2天后），我们就开始进行任务试验
，最初进行少量试验并逐渐增加数量，以准备录制会议。任务的运行如下
。在MATLAB中创建了13个启动平台的列表 ，是通过从13个迷宫小节中的每个平台中随机选择一个平台来创建的。提高了第一个开始平台
，将动物手动放在其上，并且试验是由实验者从定制的Labview软件开始的 。然后 ，该软件将两个相邻平台的伪随机选择
，其中两个规定：首先，至少一个平台提供了比动物当前位置更接近目标的位置 ，其次
，只要可以满足第一个规定，就从第一次选择了以前未使用的平台
。一旦负载电池系统以连续5 s的速度将其在两个选择平台之一中注册后 ，该动物的选择就进行了注册。这触发了其他两个平台的降低
，延迟4-10 s后，另一个选择序列开始了 。如果动物选择靠近目标的平台 ，则将选择是正确的
。在某些选择中，两个选择平台与目标距离相同。这些选择不包括在行为绩效分析中 。一旦动物到达目标平台
，在短暂的延迟后，将一个小金属碗的食物奖励（蜂蜜味的玉米片）放在动物旁边
。一旦动物完成了奖励 ，实验者就将动物放在迷宫旁边的固定基座上。每四个试验
， 用70％的乙醇将迷宫擦拭，并在迷宫下的衬套上旋转30°（顺时针和抗锁旋转之间交替） ，以防止动物跟随气味跟踪到目标 。 　　使用二项式Test29确认了动物正确导航迷宫的能力
，以确定正确选择的正确选择的数量是否大于正确选择的概率
。 　　在第一次记录会议（图1 、3和4）中，动物进行了13次任务试验 ，然后进行开放式觅食
，然后进行了第二组任务试验，这些试验在五只动物中有所不同（大鼠1
、4和5和7次对大鼠2和3的额外试验进行了13次试验）。在第二次记录会议中（图2） ，动物进行了13次试验
，然后进行13个试验，然后进行13次试验；两组之间进行了一系列“学习 ”试验 ，以下在“目标转换培训
”部分中详细介绍 。 　　使用kilosort30自动对尖峰进行了分类，然后使用PHY31进行手动策划
，该尖峰主要由使用自相关和互相关作为指导，主要包括合并和删除簇。在进一步分析中排除了在峰值自动相关的前2 ms中具有超过1％峰值的细胞
。细胞被归类为锥体或间神经元细胞 ，或者根据尖峰宽度
，平均速率，爆发指数（n峰值）（从自相关40-50 ms的自相关的40-50毫相关/N）和振动分数32的基础上 ，未分类（不包括进一步分析）和使用原理分析。主成分是从四个变量计算得出的
，并将前两个主要成分绘制为散点图 。锥体细胞倾向于聚集在一起，而中间神经元则散布在主簇外
。实验者通过手动绘制边界选择群集中的单元格 ，然后对波形进行视觉验证。 　　视频是使用单色USB摄像机的自定义LabView软件记录的
，每秒帧速率约为25帧（成像源） 。使用DeepLabCut33离线进行跟踪
。在DeepLabcut中，我们训练了网络 ，以识别两个位于动物植入物顶部的红外LED
，以及肩膀和背部的深色皮草斑块。动物的头部位置被视为两个LED之间的中点，其头角是LED之间的线的角度 。 　　使用20 µA的阳极电流进行10 s进行标记病变
。将动物心铁灌注于PBS ，然后是4％多聚甲醛（PFA），在4％PFA中的30％蔗糖中冻结大脑
，并切割了40 µM的冷冻切片。切片用甲三角紫染色 。 　　海马位置细胞数据通常是速度阈值，因为当动物停止移动时 ，位置细胞会失去某个位置调整
。在我们的任务中
，由于动物无法在迷宫周围自由移动，因此这似乎是一种不适当的方法。取而代之的是 ，我们通过使用必须同时满足的三个标准来排除尖锐的波浪纹波事件：（1）均值（6-12 Hz）低于平均值；（2）人口发射率2 S.D.高于平均值；（3）波纹功率（100–250 Hz）2 S.D.高于平均值 。光谱功率是通过采用连续一维小波变换（MATLAB函数'cwt'）的输出的绝对值来计算的。仅当满足所有三个标准的最小持续时间为50 ms时
，才将数据排除在外
。如果在任何条件下，仅在任何条件下（蜂窝任务 ，觅食
，目标1，目标2）仅将来自给定单元的尖峰数据用于分析 ，则在此排除后至少在相关条件下发射了至少500个尖峰。 　　视场铺有潜在的组合
，以〜7厘米的间隔（34×29总位置）沿X和Y轴排列 。然后，通过从动物的同层头方向从动物的位置减去从动物的位置到水槽位置的矢量的角度来计算每个尖峰的头部方向
。因此 ，如果动物面向水槽，这两个方向相等
，相对方向为0°。如果动物面向相反的方向，则相对方向为180° 。本文中使用的惯例是 ，正相对方向表明
，动物的头方向位于从动物到水槽的一条线的左侧（即，水槽在动物的右边） ，负方向表示相对于水槽的向右方向
。对于给定的单元
，可以计算相对方向的BINNED分布（跨越-180°至180°）。 　　然后校正该分布，以通过动物对相对方向的不均匀采样 。由于可能在整个迷宫的相对方向取样方面有差异 ，因此我们使用所有视频框架计算了每个平台（总共61个平台）的相对方向的控制分布
，其中动物占据了给定平台（如果动物的躯干在平台的外观范围内，则认为动物被视为占据平台）
。对于每个单元格 ，根据每个平台上启动的单元格的尖峰数量缩放分布。缩放后
，分布在跨平台求和 。最后，将细胞的相对方向分布除以求和的控制分布 ，从而考虑了校正的分布，考虑到动物对细胞触发尖峰的位置对相对方向的任何不均匀采样
。通过使用CircStat Toolbox34的校正分布
，我们计算了瑞利测试的圆形数据（所有Consink细胞都显着不均匀），并计算了平均方向和MRL。因此 ，每个细胞都有与每个电势水槽相关的MRL值 。候选水槽被视为具有最高MRL的潜在水槽。请注意
，还进行了相同的校正来计算同类头部方向调整
。 　　为了测试一个单元相对于候选水槽的细胞是否显着调整到方向，我们将细胞的头部方向调整 ，以使头部方向不再与迷宫上的实际位置相关联。分布如上所述
，得出每个XY位置的MRL值 。对于1,000个散装中的每一个，所有XY位置的最大MRL值均用于使MRL值分布
。如果细胞的MRL大于对照分布的第95个百分位数 ，则认为一个细胞被相对方向显着调节（扩展数据图5）。 　　为了解释由我们的洗牌程序引起的尖峰的时间结构的破坏
，我们进行了第二次测试，在该测试中 ，我们在时间上移动了尖峰列车（最小偏移60 s）
，将调音的强度重新计算到下沉的位置，并使用移动的位置和头部方向值 。MRL值的控制分布是从1,000个变化重复序列产生的 ，如果细胞的实际MRL小于该对照分布的第95个百分位数，则将其丢弃
。 　　当动物扫描环境时
，经常在爆发中发射的细胞会引起爆发，导致头部方向的涂抹 ，在我们寻找Consince细胞时可能会导致虚假负面。因此
，我们仅使用突发和每个爆发中的平均相对方向和位置来重复搜索Cons Cons，以消除涂抹效果 。爆发被定义为至少十个尖峰的列车 ，该尖峰的间隔小于或等于0.25 s
。如果将两个爆发时间分开少于0.5 s
，则将它们组合在一起。如果两个分析中的细胞都显着（15/77个细胞），则仅将爆发分析的数据（在所有情况下都产生最大的调音）进行了后续分析 。在这15个细胞中 ，我们确认两个分析都鉴定了相同的consink位置（相同细胞中的consink = 10.3 cm和不同的细胞中的距离= 85.2 cm
，p <0.001；优先相对方向的中位差异，在同一细胞中=3.3º ，而在不同的细胞中=74.9º
，p <0.001）
。 　　为了使单个Consink细胞的矢量场（例如，图1d – g） ，将视场归纳为20×16的空间箱，并计算了每个垃圾箱的平均头部方向值
，该垃圾箱的平均头方向值超过20个尖峰。 　　为了确认我们方法的有效性，我们使用下采样方法重新计算了水槽位置和首选方向（扩展数据图5D – I） 。对于每个平台上的每个单元格 ，根据中心的头方向（宽度为15º）对尖峰进行了归纳。然后根据该垃圾箱的总方向占用率对每个垃圾箱内的钉子进行降采样
。也就是说
，如果动物花费了相对较大的时间朝着特定的方向，那么朝那个方向发射的尖峰被相称的数量减少了。对于给定的单元 ，然后在平台上求和峰值
，并计算了接收器位置，首选的相对方向和调谐强度（MRL） 。每个单元重复1000次 ，并计算平均值
。 　　对于人口矢量场
，垃圾箱代替对应于迷宫平台。对于每个平台上的每个单元格，我们计算了单元格的平均同类头部方向 。然后 ，我们从这个头方向值创建了一个单位向量
，并通过将其乘以其平台相关的平均点火速率和MRL来缩放它
。最后，将这些缩放的向量汇总在所有consink细胞上 ，这些细胞在平台上触发尖峰，并根据所得矢量计算一个方向。使用在XY位置与单个单元相同的搜索来计算种群接收器位置
，将每个平台相关的头方向转换为相对方向，其贡献根据其相关矢量的长度缩放并计算MRL ，以最大MRL值的位置为下沉 。 　　为了确定动物正在发生什么平台进行事后分析
，我们使用Deeplabcut33的肩膀后面的深色皮草贴片跟踪了动物躯干的位置
。如果躯干位置位于平台的周边，则认为该动物在特定平台上。为了分析正确和错误选择（图4） ，等待周期2是根据动物的躯干移动到所选平台的时间而定义的
，并以4-S窗口为4-S窗口 。等待期2结束与新平台的过渡之间的1-S间隙确保了过渡本身对等待时间2的污染
。等待周期1被定义为上一步启动后的时间，未选择的平台降低 ，然后在下一个选择平台开始升级之前。 　　在进球转换试验中
，所有动物均进行13次试验到目标1 。这些试验完成后，有必要教导动物的目标位置切换。为此 ，我们对目标2进行了许多“简单”试验
。这些简单的试验的特征是选择平台
，这些平台都使动物更接近新目标，因此该动物将通过自己的真正选择来实现新目标。一旦动物达到了新目标 ，它就会得到正常的奖励 。这些试验通过轻松的未回报试验进行了交错，达到了目标1
。 　　每种动物的训练序列如下。RAT 1进行了四次易于试验
，然后进行了正常试验，即无法成功完成 。然后 ，它进行了两个简单的未回报试验
，然后进行了目标1，然后进行了一次简单的奖励试验 ，以实现目标2
。随后将13次正常试验运到了目标2
，所有这些试验都包括在提出的分析中。 　　RAT 2的数据来自第二个目标转换 。由于这只老鼠无法学习新的目标位置，因此第一个目标转换课程未能成功完成
。随后 ，我们在1-4个试验的6天中进行了简短的会议
，到这个新的目标位置，大鼠对这个新目标位置进行了清晰的学习。然后 ，我们使用失败的进球切换会话中的进球2作为进球1进行了第二个进球转换 。在进行13次试验到进球1之后
，我们切换了进球，动物进行了3次轻松奖励的试验
。随后 ，他进行了15次正常试验到目标2。这些试验中的最后13个均在所有分析中使用，除了分析了目标2时期两半的水槽运动的分析（补充图5）
，该分析使用了第一个13个试验 。 　　RAT 3进行了13次试验，然后进行了8个易于试验 ，在奖励试验到目标2和未回报的试验之间交替进行目标1。随后进行了17个正常试验
，以实现目标2
。在所有分析中，使用了这些试验的最后13个试验 ，除了检查对目标2次数2时的水槽运动的分析
，但使用了第2个Espoch。 　　RAT 4将13次试验列入目标1，然后进行6个简单的试验 ，在未回报的试验到目标1之间交替
，对目标2和3个额外的试验进行了奖励的试验，以及对目标2进行的21次正常试验 。对目标2进行了21个常规试验
。在所有分析中 ，使用了两次对目标2 eplement 2 Epterry的分析进行了所有分析中的最终试验。 　　RAT 5将13次试验跑到了目标1
，然后进行8次轻松试验，在未回报的试验到目标1和对目标2进行奖励的试验之间进行交替 。随后进行了正常的试验到目标2 ，但是该动物坚持不懈地进行目标1
。进行了一些尝试。进行了一些尝试，将动物“恢复到目标2的额外试验之后
，都需要进行正常的试验，但该动物的行动是必要的 ，但该动物的速度是必要的 。分析
。在其他几个会议上
，它接受了目标2的训练，最后会议的数据在补充图2中列出。1、3和4 。 　　为了确定Cons Consink细胞尖峰对距离的距离和方向的依赖性 ，我们使用了一种技术来识别单个神经元中的混合选择性
，通过量化峰值对一组变量的所有可能组合的依赖性35
。与特定变量组合相对应的模型，通过优化一组参数来训练 ，这些参数将与感兴趣的变量相对应的动物状态向量转换为射击速率
，该参数估计为投影到参数集的每个变量值的总和的指数函数。该分析使用十倍的交叉验证，将数据分为十个同等大小的分区 ，使用九个分区训练模型
，并在固定分区上进行测试，以便对每个分区进行一次测试 。The LLH increase in spike prediction relative to a mean firing rate model is calculated for each model, and the simplest model (that is, the one with the fewest number of variables) that produces a significant increase relative to the mean firing rate model, as well as, in the case of multivariable models, a significant increase over any simpler models (that is, models with fewer variables) is selected as the model that best describes the neuron’s tuning.使用Wilcoxon签名的秩检验评估显着性 ，以比较相关模型中每个测试分区的LLH增加。我们对模型进行了调整，以使用三个变量：（1）与水槽（rd）
，（2）距离水槽（DS）和（3）从动物的位置到水槽的距离（AD）的相对方向；这产生了七个可能的模型（即三变量模型，三个两变量模型和三个单变量模型）
。使用100毫米窗户构建了点火率和动物状态向量。使用跨越-180°至180°和0°至360°的18个箱子对相对方向和方向进行了归纳 分别 。使用从0厘米到动物距离水槽的最大距离的20个垃圾箱对水槽进行汇总
。 　　为了计算幻想图（图3K） ，显示了相对于目标的头部方向范围内的种群发射速率
，在所有Consink细胞中都将动物内部的尖峰组合在一起。对于每个尖峰，动物的头方向相对于目标的计算方式与相对于CONSINK的头部方向相同（请参见上面的“相对方向分析 ”） 。然后根据动物在峰值期间占据的平台分开尖峰 ，对于每个平台
，其相关的尖峰是根据与目标相对方向（30°宽的箱）进行了归纳的
。同样，对于每个平台 ，确定动物在每个相对方向箱中花费的总时间。最后
，将每个垃圾箱中的尖峰计数除以在每个垃圾箱中花费的总时间（以秒为单位），以在每个垃圾箱中产生发射速率 。然后将它们平均在所有平台上平均 ，除以Consink细胞的总数
，以相对于目标，以binned方向产生每电池发射速率
。这些值在动物内部的z得分 ，如图3i所示，并在图3K中平均。 　　为了评估蜂窝任务和开放式觅食之间的重新映射
，我们通过将视野将视野划分为1,280箱（在X方向上的40个垃圾箱，在Y方向上的32个垃圾箱） ，为所有单元格创建了速率图 。为了建立细胞稳定性的基准
，我们可以将重新映射数据进行比较以评估重要性，我们创建了与任务的第一和第二半相对应的速率图和开放场觅食时期；具体而言 ，对于每个空间箱
，我们计算了总占用率（以秒为单位），并将对应于相应速率图的第一和第二半的数据放置
。通过使用该垃圾箱的每个单元的触发速率构造每个垃圾箱 ，然后计算出Pearson的线性相关系数
，以对两个矢量进行比较，从而进行了种群矢量相关性。同样 ，通过对给定单元的二维速率图线性化并计算两个向量之间的相关性来进行位置场相关 。 　　位置场中心被视为电池速率图的质量中心。 　　除非另有说明
，否则所有统计检验均为两面和非参数
。在框图中，中央标记表明框的中值以及底部和顶部分别表示25个百分位数和第75个百分位数。晶须在盒子底部或顶部的四分位间范围内扩展到最极端的数据点 ，并使用加号符号单独绘制所有极端点 。 　　有关研究设计的更多信息可在与本文有关的自然研究报告摘要中获得
。