PsyBrain 脑心前沿 / 记忆与学习：顶刊文献解读专题 / A · 文献解读 / A061 · Neuron重磅综述：记忆的神经群体几何与动态权衡机制

A061 Neuron重磅综述：记忆的神经群体几何与动态权衡机制

来源：公众号 PSY-Brain_Frontier ｜发布：2025-12-27 ｜原文链接

PsyBrain 脑心前沿 | 公众号 PSY-Brain_Frontier

一键关注，点亮星标 ⭐️

不错过每日前沿资讯

认知神经科学前沿文献分享

基本信息

Title:Neural population activity for memory: Properties, computations, and codes

发表时间：2025.12.22

发表期刊: Neuron

影响因子：15.0

获取原文：

*添加小助手:*PSY-Brain-Frontier即可获取PDF版本
点击页面底部“阅读原文”即可跳转论文原网页

研究背景

记忆，不仅是过去经验的简单回放，更是大脑对信息进行复杂计算的产物。长期以来，我们对于记忆的理解似乎陷入了一种二元悖论：为了保留自我身份和过往经历，记忆必须足够稳定，能够抵抗时间的侵蚀；然而，为了适应不断变化的环境和学习新知，记忆系统又必须具备高度的可塑性与灵活性。

这种矛盾的需求是如何在神经回路中统一的？过去的研究多聚焦于微观的分子突触机制（如LTP）或宏观的行为表现，而对于介观层面的 “神经元群体活动” 如何编码这些相互冲突的属性，我们仍知之甚少。当前的痛点在于，虽然我们已经能通过多通道电生理或双光子成像记录到海量神经元数据，观察到诸如“印迹细胞（Engrams）”或“神经流形（Manifolds）”等现象，但缺乏一个统一的理论框架将这些群体编码特征与记忆的计算属性对应起来。

最新发表在 Neuron 上的这篇观点综述文章，从脑网络生理学的角度出发，提出了一个极具启发性的观点：记忆的本质是神经群体在相互冲突的计算需求之间寻求“权衡（Trade-offs）”的艺术。大脑并非追求单一指标（如准确性）的最大化，而是在多维度的限制中寻找一个“安全区（Safe Zone）”。

研究核心总结

本研究系统性地梳理了 神经群体活动的特征与 记忆功能属性之间的映射关系，并提出了神经回路通过“优化权衡”来解决计算冲突的理论框架。

Figure 1. Mnemonic information flow and population-activity patterns

核心观点：记忆属性与群体编码特征的非线性映射

文章指出，记忆的特定属性（如真实性、存储能力、可读性）直接依赖于神经群体活动的具体特征。研究者将这些特征定义在一个三阶张量空间中：跨神经元、跨时间点和跨试次。

Figure 2. Putative mapping of the properties of memory activity patterns onto features of neural population codes

稀疏性：稀疏的群体活动有利于提高存储容量并减少记忆干扰，即“模式分离”，但这可能牺牲单个记忆的信息丰富度。
几何结构与维度：这是近年来的研究热点。低维度的神经表征利于泛化（例如识别不同场景中的同一个人），而高维度的表征则利于存储容量和细节的区分。
相关性：神经元之间的相关性是一把双刃剑。虽然过高的相关性可能降低解码精度（限制了信息熵），但它能显著增强下游神经元读取信息的鲁棒性。

Figure 3. Illustration of population code features

核心机制：基于“目标函数”的权衡策略

研究表明，脑回路并非简单地最大化某一种编码特征，而是根据当前的认知需求，优化一个加权的“目标函数”。

Figure 4. Possible roles of neural activity geometry in population coding

钟形曲线效应：记忆的最佳性能往往出现在编码特征的中间值，而非极值。例如，在社交记忆任务中，区分“新异个体”需要低维表征以利于泛化，而记忆“熟悉个体”则需要高维表征以存储细节；大脑会根据任务需求动态调整其神经流形的维度。
双曲几何（Hyperbolic Geometry）：海马的空间表征被发现具有双曲几何特性，这种结构能够通过调节曲率半径，在有限的神经元数量下优化空间信息的层级表征。

Figure 5. Trade-offs by optimal balancing

关键策略：并行处理与表征脚手架

为了同时满足相互冲突的需求（如既要稳定又要更新），大脑采用了多种复杂的编码策略：

图10

Figure 6. Strategies of population coding for performing multiple functions

并行处理：在空间上，海马CA1区的深层锥体细胞倾向于更加稳定、僵化的编码，形成“支架”；而浅层细胞则更具可塑性，负责整合新信息。在时间上，神经元可以通过跨时间尺度的多路复用（Multiplexing），例如利用Theta振荡的不同相位分别进行编码和检索。
表征脚手架（Representation Scaffolding）：新记忆并非凭空产生，而是“挂载”在预先存在的、稳定的神经活动骨架之上。这种策略允许大脑在不破坏旧有知识结构（保持稳定性）的前提下，高效地整合新信息（实现可塑性）。

图11

Figure 7. Illustration of representation scaffolding

理论意义

该研究构建的框架超越了传统的“印迹”概念，强调了动态权衡在记忆功能中的核心地位。它提示我们，许多脑疾病中的记忆障碍（如阿尔茨海默病或创伤后应激障碍），本质上可能是神经回路偏离了最佳权衡的“安全区”，导致记忆表现过于僵化或过于发散。未来的研究应致力于通过光遗传等微扰技术，解耦并操控这些群体编码特征，以验证其在因果层面上的作用。

图12

Abstract

The brain’s memory function involves patterns of neural population spiking activity, shaped by experience and recurring over time. These neural population patterns are typically studied with respect to the three stages of acquisition, retention, and retrieval. Despite intensive investigation, the relationship between the features of population activity and the properties, computations, and codes for memory remains elusive. In this perspective, we synthesize recent advances in the study of memory from the viewpoint of brain network physiology, aiming for a comprehensive mapping between the properties and computations of memory and the features of population-activity codes. We propose that brain memory circuits implement trade-offs between conflicting demands on population codes. We anticipate that an important challenge for both discovery and translational neuroscience of memory is to study these trade-offs, delineating a safe zone in the population-activity space where neuronal circuits operate efficiently.

图13