编辑推荐：
本文通过结合大规模数值模拟与简化的神经元群体模型，深入探讨了神经元组装序列重播的机制。研究发现，即使在前馈连接较弱的情况下，通过组装内兴奋性循环连接的放大作用，神经元序列仍可成功重播。研究进一步揭示了膜电位分布和突触动力学在决定重播成功率与速度中的关键作用，并提出了可准确预测重播条件的解析理论框架。
引言
神经元组装（Neuronal Assemblies）按特定顺序激活的概念在神经科学中由来已久。从皮层的前馈链（synfire chains）到海马体重播（hippocampal replay），精确的脉冲时序被认为对多种脑功能至关重要。已有研究表明，具有弱前馈连接（feedforward connectivity）的神经元序列，可以通过组装内循环连接（recurrent connections）的放大作用进行重播，但其背后机制尚不明确。
本研究通过模拟具有不同兴奋性（excitatory, E）和抑制性（inhibitory, I）连接性的脉冲网络，发现仅含兴奋性神经元的网络即足以产生这种放大效应。为了解释脉冲网络的行为，我们引入了膜电位分布（membrane-potential distributions）的群体模型（population model），并解析描述了不同连接结构如何决定重播速度：较弱的前馈连接会产生更慢、更宽的活动脉冲（activity pulse），而循环连接可以维持这种脉冲的传播。当神经元膜时间常数（membrane time constant）远大于脉冲宽度时，脉冲传播更为容易。我们的模拟和解析结果共同预测了神经元组装重播的条件。
序列在脉冲网络中的检索
我们首先通过模拟包含嵌入序列的泄漏积分放电（Leaky Integrate-and-Fire, LIF）神经元网络的脉冲活动来探索序列检索的机制。为了研究网络回忆嵌入序列的能力，我们首先确保其处于低发放的异步不规则（Asynchronous-Irregular, AI）状态。然后，通过同时激发序列中第一个组装的所有神经元来引发重播。
研究模拟了三种类型的脉冲网络模型，并在每个网络中嵌入了一个由10个组装构成的序列。如果连接性足够强，活动脉冲会成功地在整个序列中传播；否则，脉冲会消失，序列无法被检索。我们定义成功的“回忆”/“检索”/“重播”为：由第一个组装产生的活动脉冲成功按顺序传播到最后一个组装，并且每个组装中至少有90%的神经元平均只发放一次。成功检索时，我们测量渐近脉冲宽度（以半高全宽FWHM表示）和传播速度。
第一个网络模型包含兴奋性-抑制性组装，类似于先前的研究。每个组装由500个兴奋性细胞和125个抑制性细胞组成，嵌入在一个包含20,000个兴奋性细胞和5,000个抑制性细胞的大网络中。模拟结果表明，如果前馈连接概率pf足够高，即使没有循环连接概率pr，序列也能被检索。然而，当pf较低时，增加pr可以补偿前馈连接的不足，使重播得以成功。脉冲的宽度和速度取决于pf和pr的组合，较高的连接性导致更窄、更快的脉冲。
第二个网络模型仅使用兴奋性细胞构成组装，抑制性细胞提供全局抑制。结果与第一个模型相似，表明组装特异性的反馈抑制并非脉冲放大所必需。第三个模型是最小模型，完全不含抑制性神经元和背景连接，仅由兴奋性组装序列构成。结果表明，仅靠兴奋性循环连接就足以放大弱前馈脉冲，实现序列重播，但过高的总连接性会导致活动爆发（bursting）或爆炸（exploding），使重播失败。
最小脉冲模型揭示关键重播机制
通过研究最小脉冲模型（仅含兴奋性神经元），我们进一步阐明了重播对循环和前馈连接、突触延迟（synaptic delay）以及膜电位分布的依赖性。
改变突触延迟显著影响成功重播脉冲的速度。延迟越短，最大脉冲速度越快。然而，无论突触延迟如何，成功重播的最小速度大致相同，这表明膜泄漏电流（leak currents）可能对过慢的脉冲传播有消散作用。膜时间常数（20 ms）因此成为决定重播能否成功的关键因素之一。
膜电位分布的属性（如宽度和与阈值的距离）也显著影响重播。模拟显示，当膜电位分布完全处于阈值以下时（即存在一个间隙），需要一定强度的前馈输入才能引发任何活动。循环连接可以降低成功重播所需的最小前馈连接强度，但这个过程会减慢重播速度。这些观察结果定性地表明，膜电位分布的状态是重播成功的核心决定因素。
用于重播的时间离散群体模型
为了建模重播事件期间神经元组装膜电位分布的动力学，我们提出了一个时间离散的群体模型。该模型基于几个关键假设：忽略重播期间泄漏电流的影响（分离时间尺度）；膜电位分布具有固定的有限宽度U和形状，仅其平均值在突触输入下发生移动；神经元发放后其贡献被忽略（不考虑重置和不应期）；忽略背景连接；使用时间离散步骤来近似快速的突触动力学。
模型将序列中第i个组装在时间步t的膜电位分布建模为一个静态形状的概率密度函数，其右边缘位置为x(i)t。该位置根据来自组装自身循环连接（权重R）、前一个组装的前馈连接（权重F）以及外部输入J的贡献而增加。组装的活动度定义为在时间步t内其分布跨越发放阈值的部分面积。成功的序列检索定义为在有限时间内，最后一个组装的分布完全跨越阈值。
我们考虑了两种分布形状：与脉冲网络AI状态观测结果相似的截断高斯分布（clipped Gaussian），以及便于解析推导的矩形分布（rectangle distribution）。数值模拟表明，两种形状产生定性上相似的重播行为。模拟结果再现了脉冲网络的关键特征：较强的连接性导致更快、更窄的脉冲传播；而依靠循环放大进行的重播则速度较慢、脉冲较宽。
群体模型预测重播的解析条件
从群体模型中，我们推导出了几个关键的解析条件，用于预测重播的成功与速度。
首先，如果前馈连接足够强（F > U），则不需要循环连接，脉冲也能以最大速度（每时间步一个组装）传播。其次，对于任何不接收外部输入的组装（i>1），成功检索的一个必要条件是R + F > U（当初始分布紧贴阈值时，即x0=0）。这个条件在脉冲网络模拟中得到了验证，表现为pr和pf参数空间中一条倾斜的边界线，其下方重播失败。
第三，如果膜电位分布与阈值之间存在间隙（x0> 0），则引发活动需要满足F > x0，这设定了前馈连接强度的下限。最后，我们推导出了脉冲传播速度S（单位：组装数/时间步）与连接性之间的关系。在长序列极限下，该关系由条件(R/U)(1/S - 1)* (F/U) >= 1/S近似描述。这个条件成功预测了脉冲网络中快速重播事件的速度，表明我们的群体模型具有良好的预测能力。
这些解析条件共同表明，神经元组装重播的成功与否及其动态特性，根本上取决于循环与前馈连接的相对强度、膜电位分布的属性以及突触动力学的速度。
讨论
我们的研究结果表明，兴奋性循环连接对神经元序列的重播具有关键的放大作用，且这种作用并不依赖于抑制性神经元介导的平衡放大机制。膜电位分布的特性（尤其是其宽度U和与阈值的距离x0）以及膜的泄漏特性，共同决定了重播的成败和速度。
本研究的主要假设和局限性包括：要求每个组装有足够多的神经元（M）和突触输入以确保群体平均行为的有效性；模型适用于神经元平均只发放一次的成功重播 regime，无法预测活动爆发；模型的准确性在脉冲传播足够快（相对于膜时间常数）时最高。
我们的发现与海马体回放的研究尤其相关。海马CA3区锥体神经元具有较长的膜时间常数（~50 ms）和强大的自身突触连接，这可能有利于通过循环放大机制重播弱前馈序列。这支持了海马序列可能首先在CA3区被学习和重播，然后传递到CA1区的假说。
尽管抑制在我们的最小模型中并非必需，但生物大脑中的抑制 likely 通过调节膜电位分布和防止活动失控来调制重播。未来的工作可以探索将我们的理论框架扩展到包含抑制性电流的情况。
总之，通过将脉冲网络模拟与新的解析理论相结合，我们的研究为理解神经元组装序列重播的机制提供了新的见解，并强调了膜电位分布在调节这一重要脑功能中的核心作用。
