编辑推荐：
本文聚焦海马体神经元集合在睡眠中的再激活现象，研究发现长时间睡眠（17 - 20h）时，再激活模式会逐渐从学习阶段模式转变为回忆阶段模式（再激活漂移），且快速眼动睡眠（REM）和非快速眼动睡眠（NREM）对其有拮抗作用，这为理解记忆巩固机制提供关键线索。
研究背景
睡眠在记忆巩固中发挥着关键作用，大量研究表明睡眠能够促进先前习得记忆的回忆，这与系统巩固密切相关。在这个过程中，海马体扮演着至关重要的角色，它被认为是近期获得记忆的临时存储区域，这些记忆在睡眠中会被重新激活。之后，记忆痕迹的再激活会促使其转移到其他皮质区域进行巩固和长期存储。这一假说得到了众多人类和动物研究的支持，例如，啮齿动物的电生理实验显示，在经历新的学习情境后，再激活的速率会增加，且再激活的内容能够预测后续的记忆表现。此外，抑制或延长通常伴随海马体再激活的尖波涟漪（SWRs），会分别破坏或促进后续的记忆回忆，特定内容的再激活事件被破坏也会导致相应记忆的回忆受损。
然而，目前对海马体神经元活动再激活的研究大多集中在短暂（<1h）的睡眠期或清醒行为期间，这些研究可能仅涉及了更复杂再激活过程的初始阶段。虽然有研究在较长（4 - 6h）时间内检测到了再激活事件，且发现近期经历的神经元模式在整个睡眠期间会优先被再激活，但并不清楚特定经历的神经特征在长时间内是否保持不变，还是会因早期巩固或其他网络过程而发生某种形式的修改和重排。
实验设计
研究人员选用了 3 只雄性 Long - Evans 大鼠，在其双侧海马体背侧 CA1 区域植入 32 - 四极微驱动器，进行 128 通道无线记录。实验过程涵盖了约 24h 的连续记录，其中包括在奶酪板迷宫上学习新的目标位置、在家庭笼中进行长时间（约 20h）的安静休息 / 睡眠以及回忆之前学习的目标位置。
在训练阶段，大鼠被训练在奶酪板迷宫上寻找隐藏的奖励，学会后在后续试验中能直接获取奖励。实验过程中，通过头顶摄像机和定制的跟踪软件（positrack）监测动物的位置。为了记录细胞群体活动，研究人员采用了新的 64 - （两只动物）和 128 通道（一只动物）无线记录系统，该系统能够放大和传输宽带（0.7Hz 至 9kHz）信号，并在 20kHz 进行数字化处理。
实验方法
- 数据处理与分析：对记录的宽带信号进行数字高通滤波（0.8 - 5kHz），通过计算 800 - 9000Hz 范围内的功率来提取动作电位，使用主成分分析（PCA）提取尖峰特征，并利用自动聚类软件（KlustaKwik）将检测到的动作电位分离成多个单单元，手动优化聚类结果，仅保留具有清晰不应期（<2ms）和明确聚类边界的单元用于后续分析。通过计算马氏距离进一步确认聚类分离的质量。利用 t - 学生随机邻域嵌入（t - SNE）方法排除不稳定的聚类，以确保分析的细胞具有稳定的放电模式。
- 睡眠分类：手动离线分离探索和不动或安静休息期。通过绘制 theta/delta 比率与速度的关系图，手动识别行为状态。theta/delta 场功率比通过 Thomson 的多锥法在 1600ms 段（测量窗口之间间隔 800ms）进行测量。清醒行为包括运动期和 / 或存在 theta 振荡（在 theta/delta 比率中可见），且瞬态不动时间不超过约 2.5s。休息期则是速度和 theta - delta 比率均低于预设阈值（速度：<4cm/s）的时期。通过观察局部场电位（LFP）的特征，如 REM - theta 和慢波场振荡，来识别安静休息段。
- 尖波涟漪检测：对局部场电位进行带通滤波（150 - 250Hz），减去参考信号以消除常见噪声（如肌肉伪影），计算滤波信号的功率（均方根）并在 CA1 锥体层的电极上求和。将 SWR 检测阈值设置为背景均值以上 7 个标准差，且在第一个不动期设置阈值后，在所有其他会话中保持不变。
- 量化聚类特征稳定性：使用前 12 个聚类特征评估波形的时间稳定性，计算每个特征在相应时间间隔（第 5、10、15 小时）的均值，并使用第一个小时的均值和标准差进行 z 评分。通过三种不同方法估计细胞的分离情况，包括比较细胞自身不同时间的波形相似性、其他细胞与该细胞早期波形的相似性以及跨细胞和细胞内的距离比较。计算每个细胞在实验不同时间间隔（第 7、15、21 小时）前 10 个 PCA 聚类特征的均值和标准差，并进行 z 评分，以测试聚类特征是否偏离初始值。
- 行为评估：通过计算多余路径来评估动物在奶酪板上学习和回忆目标位置的能力。当大鼠离开起始箱后，测量其到达四个目标中任意一个的路径长度（动物位置在目标位置 10cm 半径范围内），然后记录离开目标后到达下一个目标的路径长度，重复此过程直到访问完所有目标。计算最优路径（起始位置与第一个目标或后续访问目标之间的直线距离），将实际路径长度除以最优路径长度，得到多余路径与最优路径的倍数。
- 模型构建与分析：训练两个独立的具有 Poisson 发射的隐马尔可夫模型（pHMM），分别基于奶酪板任务前（获取）和后（回忆）的神经数据。仅使用跑步期（速度 > 5cm/s）的数据，对神经数据进行 100ms 的时间分箱。通过交叉验证的最大似然法确定模型的状态数 M，所有模型参数使用期望最大化（EM）算法计算。为每个会话和细胞计算获取和回忆的速率图，使用最大熵模型推理范式重建细胞放电概率的二维空间分布，仅考虑跑步期（速度 > 5cm/s），将细胞活动进行 10ms 的时间分箱，通过最大化对数似然来确定最可能的 H (t) 值，从而生成速率图。
实验结果
- 再激活漂移现象：使用 pHMM 模型识别不同的锥体细胞集合活动，发现该模型能够解码动物的位置，且解码精度高于标准贝叶斯解码程序。在长时间休息期间，再激活模式发生漂移，早期主要解码获取阶段的 pHMM 状态，后期获取和回忆状态的解码概率相似或获取状态的解码略有偏好。通过计算漂移分数发现，漂移分数随时间逐渐增加，在休息期的后半段达到正值，且前半段的变化速度更快。这表明再激活模式逐渐从与获取阶段相似转变为与回忆阶段相似。
- REM 和 NREM 对再激活漂移的影响：观察发现平滑后的漂移分数在 NREM 期间倾向于增加，而在 REM 期间则减少，说明 NREM - REM 周期驱动了漂移分数的波动。量化分析表明，NREM 时期对漂移分数的累积效应为正，REM 时期为负，且两者的影响差异达到两个数量级。相邻 NREM 和 REM 时期的漂移分数变化呈负相关，且 NREM 到 REM 的漂移分数变化相关性更强，这意味着 NREM 时期推动再激活集合向回忆阶段的方向漂移，而 REM 时期则起到相反的作用。
- 细胞类型对再激活漂移的贡献：根据学习和回忆期间的放电率变化，将锥体细胞分为稳定放电率的持续细胞和放电率变化的细胞（增加或减少）。研究发现，仅使用持续细胞进行再激活漂移分析时，漂移分数在整个休息期保持稳定接近零，表明其再激活模式在睡眠期间高度相似且一致。而其他两组细胞（增加和减少细胞）产生的漂移分数变化与使用所有细胞计算的结果相似，这说明放电率变化的细胞群体是再激活漂移的主要驱动因素。进一步分析发现，增加组细胞在 NREM 期间的放电率变化与漂移分数变化呈正相关，减少组细胞则呈负相关，且相邻 REM 和 NREM 时期的放电率变化也存在相关性，NREM 时期对后续 REM 时期的影响更强。
- 中间神经元与再激活漂移的关系：部分中间神经元的活动与漂移分数变化密切相关，约 25.2% 的中间神经元的放电率与漂移分数变化显著相关。在 REM 和 NREM 时期，这些中间神经元的放电率与漂移分数变化的关系呈现出相反的趋势，即如果在 REM 时期呈正相关，在 NREM 时期则为负相关，反之亦然。这表明中间神经元的活动在一定程度上反映了再激活漂移的过程，且其与 REM 和 NREM 时期存在特定的耦合关系。
研究结论
- 再激活漂移的意义：本研究首次揭示了在空间学习后长达 17 - 20h 的休息期内，海马体中再激活的神经元模式会逐渐发生重组。这种重组表现为从学习阶段的模式逐渐转变为与后续回忆阶段相似的模式，为理解大脑如何在睡眠中处理和巩固记忆提供了重要的证据。再激活漂移现象可能与海马体位置地图的表征漂移相关，反映了大脑在睡眠过程中对空间信息的动态处理和更新，有助于解释日常认知地图的变化以及新学习情境的编码机制。
- 睡眠阶段的调控作用：REM 和 NREM 睡眠对再激活漂移具有拮抗作用，这一发现为深入理解睡眠在记忆巩固中的作用机制提供了新的视角。NREM 睡眠期间，再激活漂移加速，可能有助于新的记忆模式的形成和整合；而 REM 睡眠则起到平衡作用，减缓漂移速度，可能有助于稳定已有的记忆。这种睡眠阶段之间的平衡调控机制对于维持大脑正常的记忆功能至关重要。
- 细胞层面的机制：研究表明，再激活漂移主要由部分锥体细胞的放电率变化驱动，而持续放电的细胞则维持相对稳定的再激活模式。这一结果提示不同类型的锥体细胞在记忆巩固过程中具有不同的功能，为进一步研究神经元在记忆处理中的分工提供了线索。此外，中间神经元的活动与再激活漂移相关，其在 REM 和 NREM 时期的不同反应可能参与了对再激活过程的精细调控，为揭示神经元网络在睡眠记忆巩固中的作用机制提供了新的方向。
- 潜在的应用价值：本研究的发现可能对理解和治疗与记忆相关的疾病具有潜在的应用价值。例如，对于记忆障碍患者，深入了解睡眠中记忆再激活的机制，可能有助于开发新的治疗方法，通过调节睡眠阶段或神经元活动来改善患者的记忆功能。同时，这些研究结果也为人工智能领域的记忆模型构建提供了生物学参考，有助于开发更高效的记忆存储和检索算法。
