《Proceedings of the National Academy of Sciences》：Distinct contributions of hippocampal pathways in learning regularities and exceptions revealed by functional footprints
1. 结果
1.1. 例外学习的个体差异性
参与者完成了一项基于反馈的概念学习任务，该任务采用规则加例外的类别结构。每个概念（即喜阳与喜阴花朵）包含锚点、相似项和例外项，它们分别与概念锚点相差1个和2个特征。学习过程分为早期（前4个区块）和晚期（后2个区块）两个阶段。学习结束时，参与者对锚点的学习表现良好（最后两个学习区块的准确率平均值M = 89.49%，标准差SD = ±13.10），相似项的表现较低（M = 68.17%，SD = ±12.84），而例外学习表现最低且个体间变异较大（M = 47.52%，SD = ±16.65）。这种个体差异性为研究例外学习的神经机制提供了重要机会。
1.2. 早期MSP相关足迹激活与规则性学习相关
为了表征海马通路在早期与晚期学习中对概念规则性及其例外编码的相对作用，计算了不同刺激类型在每个学习区块中解剖学衍生的通路足迹内的平均激活。利用混合效应回归估计了参与者特异性通路参与指数与早期和晚期学习准确性之间的关系。结果发现，学习表现与通路相关端点激活之间存在显著的交互作用：早期学习中对规则性（即锚点）的学习（β = 1.60, 95% CI [0.26, 2.94], P = 0.02）以及晚期学习中对例外项的学习（β = 2.20, 95% CI [0.91, 3.49], P = 0.001）。具体而言，在早期学习中，锚点表现与较高的MSP相关足迹激活（β = 1.74, 95% CI [0.89, 2.59], P < 0.001）和较低的TSP相关足迹激活（β = -0.92, 95% CI [-1.64, -0.21], P = 0.012）显著相关。这些效应在参与者内置换检验中均稳健（P < 0.01）。而在晚期学习中，锚点学习与MSP相关（β = 0.74, 95% CI [-0.41, 1.89], P = 0.20）或TSP相关（β = -0.32, 95% CI [-1.11, 0.48], P = 0.43）足迹激活无关。
1.3. 晚期TSP相关足迹激活与相似项和例外学习相关
研究还评估了TSP相关足迹在晚期学习中对相似项和例外项编码的参与假设。正如预测，在晚期学习中，相似项的准确性与较高的TSP相关足迹激活（β = 0.82, 95% CI [0.11, 1.54], P = 0.025）和较低的MSP相关足迹激活（β = -1.58, 95% CI [-2.48, -0.68], P < 0.001）显著相关。这些效应在随机置换检验中也稳健（P < 0.001）。TSP对相似项的参与是晚期学习特有的，因为在早期学习中未发现相似项学习表现与MSP（β = -0.47, 95% CI [-1.40, 0.46], P = 0.32）或TSP相关（β = 0.20, 95% CI [-0.60, 0.99], P = 0.63）足迹激活的关联。
类似地，在晚期学习中，例外项的准确性与较高的TSP相关足迹激活（β = 0.62, 95% CI [0.09, 1.15], P = 0.02）和较低的MSP相关足迹激活（β = -1.24, 95% CI [-1.87, -0.61], P < 0.001）显著相关。这些效应同样稳健（P < 0.001）。正如假设，TSP相关足迹参与例外学习仅在晚期学习中被观察到；早期学习中的例外学习表现与MSP（β = 0.23, 95% CI [-0.62, 1.08], P = 0.60）或TSP相关（β = -0.11, 95% CI [-0.84, 0.61], P = 0.76）足迹激活无关。
1.4. 海马亚区激活不能完全解释学习动态
研究发现学习表现与通路足迹内的激活存在稳健关联；然而，这些效应可能是由整个亚区的激活所驱动，而与通路约束无关。为了检验研究结果的特异性，研究了海马亚区和内嗅皮层（ERC）的单变量激活与不同刺激类型学习表现的关系。与通路发现相反，除了晚期学习中对相似项表现的ERC激活（β = -1.30, 95% CI [-2.47, -0.12], P < 0.05）外，没有任何区域显示其激活与任何刺激类型的学习表现相关（所有P > 0.12）。
1.5. 早期前部海马激活与规则性学习相关
鉴于ERC更靠近海马前部，通路足迹必然在海马长轴上覆盖范围不同（即MSP相关足迹相对更靠前，TSP相关足迹更靠后）。海马长轴与反映不同空间尺度过程的功能梯度相关。这提出了另一种可能性，即观察到的足迹效应是由于前部与后部海马的不同功能参与所致，而非这些区域与通路的关系。为了检验这种替代解释，研究了前部和后部海马内的激活是否与学习相关。结果发现，在早期学习中，较高的前部海马激活（β = 1.28, 95% CI [0.49, 2.08], P < 0.05）和降低的后部海马激活（β = -1.28, 95% CI [-2.08, -0.49], P < 0.05）与锚点表现显著相关。然而，未观察到其他效应（所有P > 0.23）。当从前后部平均值中排除足迹相关体素的激活时，也观察到了这种结果模式。这些对照分析表明，海马通路互连区域，而非整个亚区或前后部分区，为将神经参与与复杂学习联系起来提供了有意义的靶点。
2. 讨论
本研究引入了一种多模态技术——通路足迹法，它利用弥散加权成像（DWI）和任务态功能磁共振成像（fMRI）来研究海马通路在学习中的参与。具体而言，我们估算了连接海马亚区和ERC的白质流线，并将单变量激活分析限制仅包含这些连接端点（即足迹）的区域。通过根据单突触通路（ERC-CA1）或三突触通路（ERC-DG-CA3-CA1）对ERC和海马亚区之间的足迹进行分类，我们检验了海马通路分别支持学习规则性和特异性项目的假设。确实，与神经生物学和计算框架一致，我们发现MSP相关足迹激活与跨经验规则性（即锚点）的早期学习相关。另一方面，在晚期学习中，TSP相关足迹激活支持必须与概念规则性协调的特异性项目（即相似项和例外项）的编码。这与先前证明在概念规则性学习后例外学习得到促进的研究一致。值得注意的是，这些发现是通路足迹法特有的；将海马划分为亚区以及前部和后部范围的常规方法未揭示与学习的此类关系。因此，我们提出通路足迹法为与海马通路相对参与相关的神经特征提供了更精确的估计。通过关注MSP和TSP之间的互连区域，我们为海马在复杂学习中的动态作用提供了独特的实证支持。
我们的研究结果表明，海马的理论互补功能在学习过程的不同时间点被涉及，这可能是由于我们所采用的学习任务需求快速演变。我们发现早期学习中的MSP相关足迹激活与学习概念锚点（代表概念规则性的刺激）相关，这与海马在泛化中的作用一致。最近的研究已经确立了海马在类别构建和已学习类别泛化中的作用。计算上，泛化被认为源于模式完成和整合机制。这些将新信息纳入现有记忆的记忆功能通常由CA1支持，CA1是MSP中的关键区域。然而，我们未发现CA1的单变量激活与学习存在联系。相反，只有当我们将分析基于其解剖结构时，我们才能够涉及MSP在构建概念规则性中的功能。这种效应发生在学习早期，表明MSP可能独特地构建概念规则性，供TSP在后期用于编码特异性项目。
我们确实发现，一旦概念规则性建立，TSP就参与形成灵活概念的相似项和例外项的学习，这与其理论作用一致。我们任务中的例外项是独特的，因为它们在视觉上更类似于另一个概念的规则性而非其自身，推测需要形成独立的神经模式。尽管相似项不像例外项那样独特，但它们在特征空间中位于例外项和锚点之间的独特位置，需要它们与概念规则性进行协调。神经和计算建模工作都表明，编码例外项需要在记忆中形成独特的表征，尤其是在海马内。特异性元素的区分得到DG和CA3激活以及DG和CA3之间白质连接和CA3和CA1之间白质连接的支持。然而，CA3呈现出相反的功能，也有证据表明其参与模式整合。TSP在学习中的作用源于其跨越的多个海马亚区，这需要一种超越传统技术的方法，传统技术单独考虑亚区的单变量激活。相反，通过利用弥散加权成像和任务态fMRI，正如我们在此所做的那样，通路足迹法提供了对海马通路的全面研究，特别关注其亚区内互连的激活。我们的研究结果表明，在晚期学习中将相似项和例外项与已形成的概念规则性协调时，TSP表现出更高的参与度，其程度与学习成功相关。
通路足迹法的一个潜在混淆是足迹可能仅仅反映海马亚区的单变量信号。然而，检查这种更传统的表征亚区参与的方法揭示了与学习的有限联系。具体而言，只有晚期学习中的ERC失活与相似项表现相关。ERC通常表现出对先前活跃表征的神经适应性，例如在一个环境中学习的网格编码可以推广到新环境。然而，由于海马亚区激活与学习之间缺乏任何其他关系，这种解释是模糊的。同样，另一个担忧可能来自MSP和TSP沿海马长轴的不同位置。亚区位于一个解剖梯度上，使得CA3和CA1更靠前，DG更靠后，导致沿前后范围的功能差异。然而，将海马分为前部和后部范围并不能解释通路足迹效应。有趣的是，我们确实发现学习锚点与早期前部海马激活和后部海马失活相关。这与在类似学习范式中海马长轴特化一致：前部海马持有泛化概念，后部海马形成更项目特异性的表征。可能在早期学习中有必要编码规则性，这与我们的通路足迹结果一致，但同时抑制与特异性项目学习相关的区域。通常，BOLD反应中的失活被解释为稀疏表征的表现，定义为相对较少激活神经元的独立模式，然而神经元放电差异与BOLD反应之间的联系仍不清楚。尽管如此，没有发现与学习相似项或例外项的神经联系，导致对海马长轴参与学习的图像不完整。总体而言，这些对照分析突出了通路足迹法在测量学习神经特征方面的精确性，为研究海马通路对学习以及众多认知功能的贡献引入了一条有前景的途径。
通路足迹法通过结合结构和功能神经影像模式，为了解海马通路在学习中的作用提供了一个有见地的窗口。信息从ERC到达海马，并通过海马通路从一个亚区传递到另一个亚区。理论上，通路的端点（即足迹）代表海马亚区的计算特定区域：携带信息被接收和解包的路径点。这些信息的后续处理可能以功能上不同的方式参与亚区的其余部分，然后传递给通路中的下一站。我们的研究结果表明，这种通过通路的信息流根据学习经验的背景调动不同的功能。例如，当从相似经验中提取规则性（即学习概念锚点）时，MSP相关足迹激活与成功的规则性学习相关。在需要模式分离和分化的条件下（即学习概念规则性的例外），我们观察到与学习结果相关的TSP相关足迹激活增强。我们的结果提供了令人信服的证据，表明足迹法索引了MSP和TSP相关过程在学习中的相对参与。
总之，我们揭示了海马通路在学习中的动态参与；MSP在早期学习中提取概念规则性，TSP在晚期学习中编码特异性元素。这一在人类中的实证证据，支持了 prominent 理论和计算模型，是通过一种分析创新——通路足迹法——实现的。通过具有通路解剖学约束的研究海马参与，可能为表征海马在学习、记忆和广泛认知中的作用提供一种有前景的多模态方法。
3. 方法
3.1. 参与者
这部分工作部分基于先前报告的数据集。研究经多伦多大学研究伦理委员会批准。参与者从多伦多大学社区招募（N = 43，24名女性，19至33岁，平均23.5岁）。纳入标准包括右利手、视力正常或矫正至正常、无神经或心理疾病诊断。在研究前从每位参与者处收集书面同意，他们因参与而获得每小时20美元的补偿。6名参与者因未能遵循实验指令（N = 2）、技术问题（N = 3）和未能估算白质纤维（N = 1）而被排除出数据集。
3.2. 概念学习任务
参与者在MRI扫描仪中执行概念学习任务。视觉刺激背投在屏幕上，参与者通过附着在MR头线圈上的镜子可见。任务包括学习将由三个二元值特征维度组成的卡通花朵分类：外层花瓣形状、内层花瓣形状和花心颜色。参与者被指示学习如何根据花朵维度值的组合正确地将花朵分类为喜阳与喜阴。类别基于规则加例外结构，有两个概念“锚点”，每个概念有两个“相似”项（与其概念锚点相差1个特征），每个概念有一个“例外”项（与其各自锚点相差2个特征）。实际上，例外项在视觉上更类似于对立概念的锚点而非其自身。在每个试验中，参与者被视觉呈现一朵花3.5秒，在此期间他们通过按下MR兼容按钮盒上的两个按钮之一做出概念决策。在可变持续时间的注视屏幕后，显示纠正性反馈，包括花朵图像及其正确概念，持续2秒。为了通过使相似项和例外项成为罕见事件来进一步支持规则加例外类别结构，概念锚点显示更频繁（每个6次试验/轮次），多于相似项和例外项（每个2次试验/轮次）。一个学习轮次包括24次试验，试验顺序随机化。整个实验包括6轮次（总共144次试验），持续约40分钟。
3.3. MRI采集
全脑成像数据在位于多伦多大学的多伦多神经影像设施的3T Siemens Prisma系统上采集。采集高分辨率T1加权MPRAGE结构体积（TR = 2 s, TE = 2.4 ms, 翻转角 = 9°, FOV = 256 mm, 矩阵 = 256 × 256, 1 mm 各向同性体素）用于配准和分割。采集两个斜冠状T2加权结构图像，垂直于海马主轴（TR = 4 s, TE = 66 ms, 矩阵 = 512 × 512, 面内分辨率0.43 × 0.43 mm, 层厚2 mm, 40层, 无间隔）。在概念学习任务期间使用T2*加权EPI脉冲序列采集功能图像（TR = 2 s, TE = 30 ms, 翻转角 = 90°, FOV = 220 mm, 矩阵 = 130 × 130, 层厚 = 1.7 mm, 多波段因子 = 4），实现全脑覆盖，体素大小为1.7 mm各向同性。还在学习任务前后分别采集两次弥散加权图像（轴向回波平面成像, GRAPPA = 2, 多波段因子 = 2, b值 = 1000, TR = 4 s, TE = 70 ms, 64个方向, FOV = 220 mm, 2 mm 各向同性体素, 70层, 采集时间 = 298 s；序列还包括4次重复的b值=0图像）。额外采集两个反向相位编码的b值=0图像用于畸变校正。
3.4. 感兴趣区域
使用海马亚区自动分割（ASHS）工具和普林斯顿年轻成人3T ASHS图谱，利用T2加权图像分割海马亚区和ERC。该方法生成参与者特异性的感兴趣区域（ROIs），包括双侧半球的内嗅皮层（ERC）和海马亚区齿状回（DG）、CA1、合并的CA2和CA3（此处标记为CA3）以及下托。这些ROIs使用ASHS提供的线性变换配准到参与者的T1解剖空间。我们还使用ASHS Penn记忆中心T1仅用图谱（PMC-T1）和每位参与者的T1加权图像，通过ASHS分割了前部和后部海马。所有ROIs使用高级标准化工具（ANTs）配准到参与者特异性轮次的BOLD空间。
3.5. 海马通路重建
我们在人类海马中处理白质通路的弥散详细方法先前已有报道。我们首先使用MRtrix3创建参与者特异性的全脑纤维追踪。该方法的核心依赖于约束球形反卷积（CSD），这是一种复杂的数学模型，用于估计每个体素内的纤维方向分布。与更简单的张量模型相比，这种方法能够准确解析交叉纤维，这对于解剖复杂区域至关重要，并提供了对潜在白质结构更精确的估计。
为了确保结果的解剖有效性并最小化假阳性，我们随后使用解剖约束来分离感兴趣的通路。基于个体全脑纤维追踪，我们使用海马亚区和ERC的分割来创建海马连接矩阵，其中每个条目代表区域对之间的流线密度。使用这些连接组，我们然后重建了海马回路特异性的纤维。我们专门选择了每对解剖定义ROI之间的纤维，使用connectome2tck。此过程有效过滤了伪迹纤维，并确保重建的通路被约束为解剖学上合理的。ERC和CA1之间量化的纤维被标记为MSP。另一方面，TSP包括DG-CA3和CA3-CA1之间的纤维。由于难以分离这些特定纤维，ERC-DG之间的连接未包含在分析中。关键的是，此分析的目的是生成这些精确的、参与者特异性的海马通路，其端点随后作为我们主要fMRI分析的功能ROI。
3.6. 海马通路特异性足迹
分离的纤维包含两组端点。例如，MSP特异性纤维在ERC和CA1上都有端点。这些端点的纤维追踪密度被保存为单独的图像（即足迹掩模），使用tckmap。这些密度图被用作ROI，其中评估的激活将代表通路端点参与。这为每个MSP（即ERC-CA1）和TSP（DG-CA3和CA3-CA1）连接产生了单独的足迹掩模。这些足迹掩模中的每个体素代表端点的密度，或者更一般地，代表流线着陆在该体素上的密度。来自ERC（即CA1的更下部）和来自CA3（即CA1的更上部）的纤维端点在CA1上没有重叠。然后使用高级标准化工具（ANTs）将足迹线性配准到每位参与者每个轮次的BOLD图像。然后我们使用足迹来掩蔽每个刺激类型、在每个轮次和每位参与者中的BOLD信号。测量的激活特定于每个ROI上的通路足迹（即特定体素位置）。因此，通过用足迹而不是整个ROI体积来掩蔽BOLD图像，每个体素中的信号按流线密度加权，使我们能够通过解剖学来约束对通路功能的搜索。
3.7. 功能磁共振成像（fMRI）数据预处理
功能体积使用基于Nipype 1.5.1的fMRIPrep 20.2.1版进行预处理。对于每位受试者发现的每个BOLD轮次（跨越所有任务区块），执行了以下预处理。首先，使用fMRIPrep的自定义方法生成参考体积及其去头皮版本。基于使用双回波GRE（梯度回波）序列计算的相位差图估计B0不均匀性图（或场图），并使用受epidewarp.fsl脚本和人类连接组计划（HCP）管道中进一步改进启发的SDCFlows自定义工作流进行处理。然后将场图配准到目标EPI参考轮次，并使用FSL的fugue和其他SDCflows工具转换为位移场图（适用于ANTs等配准工具）。基于估计的磁化率失真，计算校正后的EPI参考，以便与解剖参考进行更精确的配准。然后使用flirt（FSL 5.0.9）和基于边界的配准成本函数将BOLD参考配准到T1w参考。配准配置为9个自由度以解释BOLD参考中剩余的畸变。在使用mcflirt（FSL 5.0.9）进行任何时空滤波之前，估计相对于BOLD参考的头部运动参数（变换矩阵，以及六个相应的旋转和平移参数）。BOLD时间序列（包括应用时的
