基于海马体CA3与CA1区之间的稀疏至稠密编码转换

《Nature》：Sparse-to-dense coding transformation between hippocampal areas CA3 and CA1

　　

海马体对于空间记忆与导航至关重要，其包含位置细胞^{1,2,3,4,5,6,7}：即在海马CA1与CA3区发现的、具有空间选择性的神经元，这两个海马亚区在解剖连接上存在显著差异⁸。先前研究发现CA1与CA3位置细胞之间存在高度相似的空间编码^3,9,10,11。这引发了一个问题：为何作为连续处理阶段的两个亚区会表现出相同的神经编码？本研究假设，CA1与CA3空间编码之间缺乏差异源于实验范式：使用小型场地。为验证此假设，研究人员在飞行距离长达200?m的蝙蝠飞行隧道中同步记录了CA1与CA3神经元的活动。他们发现了CA1与CA3之间存在高度不同的神经编码：CA1神经元表现出稠密的空间编码，包含多个位置场¹²，而CA3神经元则表现出超稀疏的空间编码，主要包含单一位置场。尽管存在这一显著差异，但在从6?m到200?m的5种不同环境尺寸中，两个亚区的位置场大小非常相似。利用神经网络模型，研究人员证明这种稀疏至稠密的转换有助于快速学习新的空间地图。他们还发现，在一个多分隔的大型环境中，位置细胞受到轨迹历史的强烈调节——这是一种可持续超过100?m的上下文效应（回溯性编码）。总而言之，通过使用大型自然主义环境，研究人员揭示了一种CA3至CA1的编码转换，其作用是将空间信息重新格式化为更高效、更压缩的神经代码。

导航和空间记忆是动物在自然环境中生存的关键能力。海马体在这些空间功能中扮演着核心角色，并包含多种空间细胞——其活动与动物在空间中的位置相关，共同构成环境的精细认知地图^13,14,15,16。其中一种空间细胞类型是位置细胞，它们存在于海马体中。在小环境中，这些细胞通常表现为当动物经过空间中一个限定的特定位置（称为位置场）时发放率高，而在该场外活动性则低得多^{1,2,3,4,5,6,7}。海马体包含几个不同的亚区，其中都含有位置细胞，包括CA1区和CA3区。CA3区位于CA1区的上游，并向CA1区发出大量投射^8,17。这两个亚区在解剖连接上存在显著差异：CA1区几乎没有内在兴奋性连接，而CA3区具有强烈的复发性连接；此外，CA1区是从海马体到下托和皮层的主要输出通路，而CA3区则不是^8,17,18,19。尽管解剖连接存在这些根本性差异，但在小型实验设置中，CA1和CA3位置细胞的基本空间编码特性却非常相似，主要由具有相似场大小和空间信息量的单一位置场构成^3,9,10,11。关于CA1和CA3在环境改变时的重映射特性^3,4,20,21，以及位置场长期稳定性的差异^22,23,24,25，已有重要报道，但在小型稳定环境中，这两个区域的基本空间神经编码似乎相当相似。一些研究报告了CA1和CA3之间在位置场大小、发放率或位置细胞比例方面的微小差异^{3,10,11,26,27,28}；然而，总体而言，这些差异相对较小，特别是考虑到这两个区域在解剖结构上的巨大差异。虽然CA1和CA3位置细胞在小环境中都表现出单一位置场¹¹，但有一项研究——调查了大鼠在较大环境（1.8?m?×?1.4?m的盒子）中探索时CA1和CA3位置细胞的空间表征——显示每个神经元的位置场数量略有增加，但并未发现两个亚区在位置场数量或场大小上存在差异²⁶。另一项研究²⁹在大鼠跑动较长的线性轨道（18?m）上记录了CA3位置细胞，发现主要是单一位置场，但该研究未记录CA1，因此无法直接比较两个亚区。总的来说，基于直接比较啮齿类动物CA1和CA3位置细胞的实验，迄今尚未发现这两个脑区在基本神经编码特性上存在显著差异。这提出了一个问题：为何海马体包含两个解剖结构高度不同但空间神经编码非常相似的连续处理阶段CA3和CA1？

研究人员推测，这个难题产生的原因在于，迄今为止CA1和CA3位置细胞只在相对较小的环境中进行了直接比较——他们假设，在数百米或数公里等更自然主义的空间尺度下，CA1和CA3之间的空间编码可能存在根本性差异。在之前的工作¹²中，研究人员在飞翔的哺乳动物（埃及果蝠）中记录了CA1神经元，它们在一条200米长的隧道中飞行，发现CA1位置细胞表现出具有不同大小的多个位置场（在大型环境中导航的啮齿类动物中也观察到CA1的多场特性³⁰）。这种多场多尺度空间编码与在蝙蝠和啮齿类动物小型实验室环境中观察到的CA1单场编码有本质区别。然而，迄今为止，尚未在如此具有生态空间尺度的大型环境中对CA3进行过记录。本研究在蝙蝠飞行的长距离飞行隧道（130米、180米和200米）以及较短隧道（6米和15米）中同步记录了CA1和CA3位置细胞。与啮齿类研究相似，在较小环境中，他们发现CA1和CA3之间的空间编码没有差异：两个区域的位置细胞都表现出具有相似场大小的单一位置场。相反，在大规模环境中，他们发现CA1和CA3位置细胞之间存在主要差异。与CA1位置细胞相比，CA3位置细胞在长隧道中主要只表现出单一位置场。总体而言，研究结果表明，海马CA3亚区与CA1亚区之间存在稀疏至稠密的编码转换。此外，在一个多分隔的大型环境中，他们发现了神经编码中的记忆效应，这种效应在CA1中比在CA3中更显著。这些海马亚区之间的根本性神经编码差异——此处通过使用非常大的环境得以揭示——表明CA1和CA3在真实世界、大规模生态设置中具有不同的功能作用。

CA3的稀疏编码与CA1的稠密编码
研究人员训练蝙蝠在一条长飞行隧道（130米、180米或200米）中来回飞行（图1a和扩展数据图1a,b；每只蝙蝠在一个隧道长度下测试）。蝙蝠在隧道两端的两个球形着陆平台（球）之间飞行，在那里它们可以降落以获取食物和休息。训练后，研究人员使用无线神经记录仪在5只在长隧道中飞行的蝙蝠的背侧CA1和背侧CA3中记录神经元，并在另外9只仅记录背侧CA1的蝙蝠中进行记录（图1b,c，方法和扩展数据表1）。总体而言，他们从14只蝙蝠的背侧CA1记录了810个推测的锥体神经元，从5只蝙蝠的背侧CA3记录了457个推测的锥体神经元。位置细胞分别占CA1和CA3锥体神经元的76.3%和58.6%，表现出显著的空间调谐和明显的位置场（CA1中有618个，CA3中有268个是位置细胞；数字汇集了三个大型环境的数据；显著的位置细胞是基于与脉冲打乱相比的空间信息定义的；方法）。他们对每个飞行方向的数据分别进行了分析，因为在性环境中，位置细胞的发放率图在两个运动方向之间是独立的^12,31。

与之前的报告¹²一致，CA1位置细胞在长隧道中每个方向表现出多个位置场，场大小各异（示例见图1d，底行，和扩展数据图2b；总体：图2a,b，灰色）。与CA1位置细胞形成鲜明对比的是，绝大多数CA3位置细胞表现出具有单一位置场的发放率图（示例见图1d，顶行，和扩展数据图2a；总体：图2a；比较CA3（紫色）与CA1（灰色）的场数量；单个蝙蝠的分布见扩展数据图3a）。具体来说，CA3中73.7%（339个显著位置细胞×方向中有250个）具有单一位置场，而CA1中仅有29.6%（986个中有292个）具有单一位置场。此外，许多CA1位置细胞具有5个甚至≥10个场（31.9%（618个中有197个）在至少一个方向上具有≥5个场）——表明存在多场发放，这在CA3中几乎从未发生（图2a；仅0.7%（268个中有2个）的CA3位置细胞具有≥5个场）。CA1和CA3神经元群体在位置场数量上的差异非常显著（图2a，底部；Wilcoxon秩和检验，P?=?4?×?10^–56）——在三个不同的大规模隧道中均如此（见图2a顶部和扩展数据图3a中的单个蝙蝠和隧道）。这些发现无法用CA1和CA3之间脉冲分类质量的差异来解释（扩展数据图4j–l）。尽管位置场数量存在显著差异，但CA1和CA3的位置场大小几乎相同：两个区域都表现出类似的对数正态场大小分布（总体：图2b，底部；Wilcoxon秩和检验，P?=?0.66；见图2b顶部和扩展数据图3b中的单个蝙蝠）。每个图的峰值发放率在CA1和CA3之间也相似（扩展数据图4a）。CA1和CA3的发放率图都非常稳定（图2c；中位相关性，CA1为r?=?0.78，CA3为r?=?0.86；通过会议前半部分与后半部分发放率图的皮尔逊相关性评估；见扩展数据图4c，顶部，为奇数与偶数航班的稳定性，其结果相似；注意CA1和CA3之间的稳定性差异（Wilcoxon秩和检验，P?=?8?×?10^–9）并非CA1更稠密编码的副产品（扩展数据图4d））。CA3位置细胞表现出比CA1位置细胞高得多的空间信息（图2d；P?=?10^–72），以及更低的空间覆盖度（图2e；P?=?9?×?10^–31）和更稀疏的发放率图（P?=?7?×?10^–59；图2f和扩展数据图3c–e）。啮齿类动物的既往研究报告了CA3比CA1具有更高的空间信息、更高的稳定性和更低的空间覆盖度^10,11；然而，与本研究中发现的CA3与CA1之间在位置场数量上的巨大差异（图2a）相比，先前报道的差异非常小——这一差异是通过使用非常大的环境揭示的。CA3的稀疏编码和CA1的稠密编码在两个区域的近远端解剖范围内都有发现（扩展数据图5）。因此，研究结果表明，在大型环境中，位置细胞在CA3表现出超稀疏编码，而在CA1则表现出稠密编码。

CA3稀疏编码促进快速学习
研究人员接下来考察了观察到的CA3稀疏单一位置场编码与CA1稠密多位置场编码的潜在功能意义。利用模拟，他们比较了两种编码方案——稀疏和稠密——的空间编码性能，其参数与他们分别来自CA1和CA3的实验数据匹配（与之前仅针对CA1所做的类似¹²；方法）。使用最大似然解码器来比较这两种方案的模拟数据的解码误差。在较小环境中，两种编码方案性能相当，但随着环境变大，CA1稠密编码显著优于CA3稀疏编码（图3a–c，比较灰色与紫色线）。具体来说，在大型环境中，CA3的平均解码误差和灾难性解码误差（解码误差大于环境大小的5%）的概率都比CA1高十倍以上（图3a,b）。此外，精确编码大型环境所需的最小神经元数量，CA1稠密编码远低于CA3稀疏编码（图3c）。具体来说，研究人员发现在大型环境中，CA3需要的神经元数量是CA1的四倍才能达到给定的解码误差：CA3/CA1所需神经元数量的压缩因子约为4（扩展数据图7b）。CA1稠密多位置场编码相对于CA3稀疏单一位置场编码的优势，不能归因于CA1和CA3之间平均发放率的差异（扩展数据图7c–f），当使用在长隧道中记录的实证发放率图进行解码时，这种优势也很明显（扩展数据图7g）。总而言之，这些结果表明，为了精确编码大型环境中的位置，CA1稠密编码比CA3稀疏编码有效得多。这就引出了一个问题：CA3中存在非常稀疏编码的可能优势是什么？

为了考察CA3稀疏编码的潜在用途，研究人员借鉴了另一个也表现出稀疏至稠密网络架构的脑系统——斑胸草雀的鸟鸣系统。具体来说，在斑胸草雀的大脑中，HVC区包含表现出非常稀发放电的神经元，每个神经元在鸣唱产生期间通常只发放一个脉冲爆发^34,35，类似于长隧道中的CA3位置细胞，它们表现出单一位置场。HVC区的这些超稀疏编码神经元随后投射到RA区，在RA区，神经元具有稠密的发放模式，在鸣唱持续期间发放多次³⁵，类似于CA1位置细胞。有观点认为，鸟鸣中（HVC → RA）的稀疏至稠密架构是快速运动学习鸣唱所必需的^36,37。因此，研究人员假设，他们在此发现的CA3 → CA1的稀疏至稠密架构对于快速学习空间地图是必需的；例如，获取新环境的表征或学习熟悉环境中地标排列的空间变化。为了验证这一点，他们借鉴了鸟类歌唱系统的理论工作³⁶，构建了一个简化的模型，该模型依赖于CA3和CA1之间的直接连接来执行空间学习。他们使用了两种不同的突触学习规则：节点扰动规则（图3d–f和扩展数据图8a）和权重扰动规则（扩展数据图8b和方法）。为此，他们在模拟中生成了一组待学习的CA1目标图；这些图的空间覆盖度和位置场统计量是从长200米隧道中的实验CA1数据中抽取的。他们发现，如果来自CA3的输入图具有稀疏表征（即单一位置场或双位置场），那么学习新的CA1输出图的速度要快得多，相比于多个位置场（图3e）。具体来说，当CA3输入图只有一个位置场而不是六个位置场时，学习速度快了十倍以上（图3e）。注意，他们的理论模型是刻意简化的，没有考虑来自其他区域的贡献，例如来自CA2或内嗅皮层到CA1的输入（方法）。稀疏至稠密架构的另一个优势通过突触权重的分布在模拟中得以揭示。具体来说，他们发现，对于更稀疏的CA3图（单一位置场），从CA1到CA3的学习后的突触权重分布变得明显更稀疏，表现为分布具有更重的尾部（扩展数据图8a–c，右侧）。他们最近的理论工作³⁸表明，这种重尾突触权重分布——这里仅当CA3图具有单一位置场时出现——有助于在持续的突触可塑性（例如空间学习期间发生的可塑性）中稳定CA1空间表征。值得注意的是，当他们进行扰动已学习地图的模拟时，稀疏CA3 → 至稠密CA1架构在学习时间上也表现出优势：当CA3神经元具有单个或两个位置场的稀疏编码时，学习速度更快（图3f和扩展数据图8d），并且对CA1神经元的突触输入变化更局部化于扰动区域（扩展数据图9g），相比于稠密CA3输入的情况。这个结果直观地解释了为什么空间稀疏输入会导致更快的学习³⁶（图3e–f）——输入层的稀疏图有助于分离位置，因此在学习过程中减少不同环境区域之间的干扰。换言之，学习过程中CA3和CA1之间的每次突触调整都会导致输出图的局部变化，不同环境区域之间的干扰最小——因此能够实现更快、更高效的学习。

研究人员接下来寻求在实验上验证模型假设，具体是学习应发生在CA3和CA1之间的突触上的假设（注：CA3 → CA1突触的可塑性此前已被许多实验研究证实^39,40,41,42）。这意味着在学习熟悉环境中的局部空间变化时，海马体内的神经元变化应主要反映在输出层CA1，而不是输入层CA3。为了在实验上验证这一点，他们在180米长的隧道环境中引入了一个小的局部扰动，并预计会在扰动位置附近看到CA1神经元变化的过度表征，但CA3神经元中没有。具体来说，他们在两个连续的会话之间将一个显著地标的位置移动了7.5米（扩展数据图1b，橙色三角形，和1d），同时保持所有其他地标不变。他们记录了2只蝙蝠在CA1中的233个位置细胞×方向，在CA3中的73个位置细胞×方向（他们将分析限制在隧道最西端140米处，围绕扰动地标；方法）。他们发现，CA1中有31%的位置细胞×方向，CA3中有30%在两个会话之间显著改变了它们的发放率图，至少在一个空间仓（见图4a中的三个示例细胞；前两个细胞上方的橙色点显示显著变化；对仓数量进行了邦费罗尼校正；以及见图4b）。在CA1和CA3中，变化都分布在整个隧道中（图4c，顶部；见背景变化）。这些均匀的变化可能是由于噪声或表征漂移^12,25,43,44。除了这些空间上均匀的变化外，CA1神经元——而非CA3神经元——还在扰动地标附近显示出发放率变化的局部过度表征（图4c，左上，见峰值）。当匹配CA1和CA3的细胞数量时，也观察到了这种局部过度表征（扩展数据图9b）。值得注意的是，CA1和CA3之间的这种差异不能归因于位置场相对于地标的分布差异，因为CA1和CA3位置场都没有表现出对地标的过度表征（扩展数据图9c,d）。这表明CA1和CA3位置细胞对局部空间扰动的反应存在真实差异，支持了他们的模型假设，即学习发生在CA3和CA1之间的突触权重上，并且CA3表征在环境发生局部扰动时保持稳定。这一结果与他们在CA3中发现的稍高的图稳定性一致（图2c和扩展数据图4c–e），也与啮齿类动物研究报告的CA3位置细胞对环境中的微小变化不太敏感^4,20，并表现出更高的图稳定性^10,11相一致。

模型的第二个假设是CA1图的形成依赖于来自CA3的输入，这意味着在一个新环境中，CA3图的稳定应先于CA1。事实上，在蝙蝠首次接触长隧道时，CA3发放率图的稳定速度快于CA1（扩展数据图9f，左侧）。总体而言，这些发现（图4和扩展数据图9f）支持了他们的模型假设，因此进一步证实了这样一个结论：海马CA3 → CA1网络的稀疏至稠密架构可能在促进空间地图快速学习中发挥关键作用。

强烈而长程的回溯性编码
现实世界中的自然导航需要高级认知功能，如路径规划、记忆和决策。为了研究CA3和CA1在更复杂设置下的稀疏和稠密编码，研究人员构建了一个非常大的非对称T型迷宫，需要做出选择。具体来说，180米长的隧道一端连接着两个额外的10米分隔区：（1）一个直线分隔区，是长180米隧道的直接延伸；（2）一个转弯分隔区，与180米隧道垂直（扩展数据图1b，顶部）。蝙蝠自由探索所有分隔区，并自愿降落在环境三个末端的三个着陆球上（n?=?4只蝙蝠）。他们还进行了第二个行为会话，其中通往短分隔区的连接处被封锁（扩展数据图1b，底部）。他们比较了两个行为会话（有选择与无选择）以及环境不同分隔区中的空间编码，但未发现选择可用性或神经元隔室化隧道的影响（扩展数据图10）。

重要的是，这个独特的设置使他们能够考察在未来和过去行为对非常大环境中CA1和CA3神经元空间编码的影响。先前在啮齿类动物跑动于小迷宫中的研究表明，CA1中的一些位置细胞（以及CA3中程度较轻）不仅代表动物的当前位置，还编码未来的轨迹——这些神经元通常被称为分割细胞（因为它们根据未来路径“分割”其反应），这种未来编码被称为前瞻性编码^{45,46,47,48,49,50}。此外，啮齿类CA1中的一些位置细胞也被证明代表动物的过去轨迹——称为回溯性编码^45,46,47,48。在这里，研究人员研究了CA3和CA1中的稀疏编码和稠密编码神经元如何在距离动物当前位置数十或数百米的非常长的距离上表征未来的空间选择和过去的轨迹。

为了研究海马的前瞻性和回溯性编码，他们重点关注公共180米隧道段中的发放率图（图5a；会话1：黑色矩形用于前瞻性编码，绿色矩形用于回溯性编码）。为了分析前瞻性编码，他们比较了在这个公共区域中两种类型的向前飞行（向东）之间的发放率空间图，根据它们结束的位置：（1）在直线分隔区（去直线），或（2）在转弯分隔区（去转弯）（示例细胞：图5b，左侧，深蓝色和红色）。对于回溯性编码，他们比较了返回飞行（向西），根据它们开始的位置：（1）来自直线分隔区（来自直线）或（2）来自转弯分隔区（来自转弯）（图5b，右侧，深蓝色和红色）。他们首先将分析重点放在CA1上，在那里他们记录的神经元比CA3多。

研究人员发现，许多CA1神经元在来自转弯和来自直线的返回飞行之间的发放率图存在显著差异。许多细胞的空间调谐在两种情况下在长隧道的大部分区域完全重映射（图5b，右侧，以及图5c,d和扩展数据图11a和12a–c；比较发放率图（顶部）和脉冲序列图（底部）中的深蓝色与红色飞行；注意来自转弯和来自直线的飞行是交替进行的）。这种重映射效应有时延伸至距离连接处130米远的地方，这相当于大约15秒的飞行时间（示例：扩展数据图11a，细胞56）。值得注意的是，在第二个会话中，连接处被封锁，发放率图与来自直线轨迹的图非常相似（图5b–d和扩展数据图11a；比较浅蓝色与深蓝色）。与这些强烈的过去轨迹效应相反，当比较去直线和去转弯的飞行时，他们发现未来轨迹对发放率图的影响弱得多（图5b，左侧，和扩展数据图12d,e）。接下来，他们为四种飞行类型（去直线、去转弯、来自直线、来自转弯）构建了群体向量，并计算了它们之间在隧道位置上的相关性。在向前飞行方向上，去直线和去转弯之间的群体向量相关性在整个隧道中都很高，仅在接近连接处时显著下降（图5e，左侧，黑色线）。这表明去转弯和去直线飞行的发放率图之间具有高度相似性——即弱的前瞻性编码。相比之下，对返回飞行进行相同分析则显示出来自转弯与来自直线飞行的发放率图之间的低相似性（图5e，右侧，绿色线，和扩展数据图13a）。回溯性群体向量相关性在转弯后约90米内较低（图5e（右侧），比较绿色与顶部灰色控制线在约90–180米位置），然后在隧道中部，相关性急剧增加，表明收敛到相同的图（图5e，右侧）；红色箭头表示绿色和顶部灰色曲线的收敛点）。当检查单个会话时，这种转变甚至更为突然，并且在不同会话之间发生在略有不同的位置（图5f）。总而言之，这些结果表明存在强烈的回溯性编码（过去编码）但较弱的前瞻性编码（未来编码）。

研究人员也在CA3位置细胞中观察到了回溯性编码（扩展数据图11b；群体向量分析见扩展数据图13a，底部），但其稳健性不如CA1，即使在匹配了两个亚区的神经元数量之后也是如此（图5g（左侧，针对蝙蝠2）和扩展数据图13e，左侧，针对所有蝙蝠的所有细胞，以及13f，左侧，仅针对同步记录的CA1和CA3细胞）。因此，回溯性信息已经存在于CA3中，但在CA1中变得更加稳健。值得注意的是，当他们将分析限制在CA1和CA3中稀疏的单一位置场图时，CA1在稳健回溯性编码方面的优势消失或大大减弱（图5g，右侧，和扩展数据图13e–f，右侧）。这表明CA1中增强的回溯性编码源于CA1更稠密的空间编码，而不是源于其他脑区到达CA1的额外回溯性输入。

两种不同的回溯性图取决于蝙蝠来自哪里，反映了上下文编码。研究人员假设，依赖于上下文的空间图的学习得益于从CA3到CA1的稀疏至稠密编码转换。为了验证这一假设，他们使用了一个类似于图3d–f所示的建模框架，但这里的优化过程为CA3和CA1之间的单组突触权重，以最小化两个空间图之间的误差，从而允许同时形成两个依赖于上下文的CA1表征。他们发现，如果来自CA3的输入图具有稀疏表征，那么CA1中这种依赖于上下文的图学习要快得多（扩展数据图8e和13g）。因此，他们提出CA3–CA1网络的稀疏至稠密架构可能有助于快速学习和压缩关于当前位置（图2和3）以及过去轨迹和上下文（图5）的信息。

研究人员假设回溯性编码是一种记忆效应，源于起始分隔区的差异。他们还测试了替代解释。首先，他们证明回溯性编码不能归因于在连接处执行90°转弯这一具有挑战性的运动动作时回声定位率、注意力或唤醒度的增加；这是通过使用掉头飞行作为对照来证明的（扩展数据图14）。其次，他们证明回溯性编码不能归因于转弯后3D飞行轨迹或飞行速度的差异（扩展数据图13b–d）。因此，他们得出结论，强烈的回溯性编码可能是由于起源分隔区身份的差异——即过去上下文的差异：蝙蝠来自哪个分隔区的记忆。

讨论
通过在非常大的环境中研究神经活动，研究人员对海马体计算的功能原理提出了两个新的见解。首先，他们确定了海马体两个连续解剖亚区之间神经编码的根本性和实质性差异：CA3的稀疏编码 → CA1的稠密编码（图1和2）。其次，他们发现海马位置细胞中存在强烈而长程的回溯性编码（图5）。总体而言，他们的发现表明，CA3–CA1网络中的稀疏至稠密编码转换可能有助于精确编码当前位置（图3）、稳健编码过去轨迹（图5）以及快速学习（图3）。

过去的研究，那些考察啮齿类海马体相对较大环境中空间编码的研究，曾暗示CA1和CA3表征之间存在关键差异。一项研究³⁰使用了一条48米的之字形轨道，报告了CA1神经元的多场现象，而另一项研究²⁹使用了一条18米长的直线线性轨道，报告了CA3神经元的单场现象。尚不清楚这是CA1和CA3之间的真实差异，还是仅仅源于环境大小和几何形状的差异——特别是，直线轨道可能有利于单一位置场，而之字形布局可能由于在之字形转弯点的重映射而促进多场现象。在这里，研究人员通过在同一大型环境中（且在同一动物和会话中）同步记录CA1和CA3神经元的活动，控制了这些环境大小和几何形状的差异，从而能够直接证明CA1与CA3之间神经编码的对比是真实的。

先前的理论研究已经提出，稠密和稀疏编码都提供了计算上的优势和劣势（参见方法中的“附加讨论”部分）。研究结果表明，海马体可能利用了稠密和稀疏编码的优点：虽然CA1稠密编码允许高效的位置编码（图3a–c），但CA3稀疏编码允许更快的学习（图3e–f）。CA3稀疏编码的一个主要缺点是其空间编码的精度较低。由于CA3是CA1的主要输入，而CA1是海马体到皮层的主要输出投射，研究人员提出CA3的功能作用是作为海马系统中的一个隐藏层，促进学习，而CA1的功能作用是将CA3的信息重新格式化为更高效、更压缩的代码，因此在CA1中使用更少的神经元来表示与CA3相似量的位置信息（图3c和扩展数据图7b）。这种压缩可能通过CA3到CA1的随机投射^51,52在机制上实现。压缩后的信息随后从海马CA1区发送到皮层，在那里皮层区域即使从CA1神经元的一个相对较小的子集中也能准确解码信息。这种重新格式化的概念也可以解释为什么CA3–CA1的编码转换和压缩在大型环境中比在小环境中更显著（图2g）。他们推测，这是由于系统在大规模导航中面临更高的表征负载。因此，他们预测，稀疏 → 至稠密编码转换在更大的、多公里的环境中会更加明显：CA3神经元将开始表现出不止一个位置场，以覆盖巨大的环境——但CA1中的位置场数量会增长得更快，达到每个神经元数十或数百个场。这一预测有待未来测试。

稀疏 → 至稠密编码转换的另一个可能解释（与重新格式化的解释不互斥）是，CA3中的稀疏编码可能主要代表动物在空间中的位置——而CA1中的稠密编码可能编码各种额外信息，例如导航目标、奖励或社会信息——所有这些在蝙蝠和啮齿类动物的CA1神经元中都有强烈表征^{53,54,55,56,57,58}。此外，CA3中通过单一位置场的稀疏编码可能支持在CA1中快速学习空间 × 其他变量的联合地图⁵⁷，其中CA1中的每个位置场作为一个独立的单元，将动物在该特定位置的体验信息绑定在一起。这些关于动物体验其他方面的额外信息可能来自海马体外部（例如，内嗅皮层）到达CA1，在那里它可以与主要从CA3到达的单场输入整合。最后，他们注意到CA3和CA1之间的稀疏至稠密编码转换可能只构成更广泛稀疏至稠密信息处理层次中的一个阶段，从最稀疏的区域齿状回，经过CA3，到CA1，并可能延伸到高度稠密的下托^10,28（参见方法中的“附加讨论”部分）。

他们进一步在一个非常大的多分隔环境中研究了海马位置细胞，发现了一个强烈而长程的回溯性信号，但前瞻性信号弱得多。这些结果值得注意有两个原因。首先，这证明了在超过100米的非常大空间尺度上的回溯性编码。其次，回溯性编码只发生在环境的一半区域（图5e，右侧）——据他们所知，这种类型的重映射以前在啮齿类动物的小环境中没有报道过。考虑到海马体在空间工作记忆中的既定作用^47,59，这一点尤其有趣。通过使用比通常研究大得多的环境，他们能够有效地观察到回溯性信号在飞行中途“耗尽”，揭示了工作记忆缓冲区可能的功能极限。

CA1和CA3位置细胞都表现出这种强烈的长程回溯性编码，与相对较弱的前瞻性编码形成对比。然而，在稀疏编码的CA3位置细胞中发现的回溯性编码不如在稠密编码的CA1位置细胞中发现的回溯性编码稳健（图5g，左侧）。此外，他们的学习模拟表明，稀疏的CA3输入允许在CA1中更快地学习依赖于上下文的地图（扩展数据图13g）。总而言之，这些结果表明，CA3和CA1之间的稀疏至稠密编码转换允许信息的压缩和更快的学习——无论是关于当前位置还是过去轨迹。

实验中的蝙蝠没有参与明确的记忆任务，这与啮齿类动物的许多多分隔实验形成对比，在后者中动物需要交替左右轨迹以获得奖励，依靠其工作记忆做出正确选择^45,46,47。他们实验中缺乏记忆任务可能解释了他们观察到的较弱的前瞻性编码，因为未来的选择是任意的且无关紧要。或者，较弱的前瞻性编码可能是由于在接近连接处的最后一刻做出的选择。在未来的研究中，探索需要长距离基于记忆导航的其他实验设计将很有趣。

总体而言，他们的发现强调了在自然主义、大规模和复杂的环境中研究海马导航回路的重要性。他们提出，为了充分理解系统不同组成部分对系统功能的贡献，通常需要探索系统的极限——例如，通过扩展空间尺度。他们证明，采取这种更自然主义的方法可以揭示海马系统的计算约束及其空间编码的基本原理。最后，这项研究提出了未来在现实生活导航中更高需求下研究大脑导航和记忆系统的必要性。