连接认知地图：空间交替任务和海马前额回路的分层主动推断模型
摘要：空间交替任务的认知问题解决受益于有助于导航和规划的认知地图。以前的研究表明，物理空间导航的认知地图涉及海马体（HC）的分配代码，而抽象任务空间的认知地图涉及前额叶皮层（mPFC）的任务特定代码。解决具有挑战性的认知任务需要整合这两种类型的地图。在多个走廊环境中进行空间交替任务的例子中，动物（如啮齿动物）在迷宫走廊中执行交替模式时会得到奖励。现有研究证明了HC-mPFC回路在空间交替任务中的参与以及对其打断会损害任务表现。然而，还缺乏一个全面的理论来解释这个回路如何整合任务相关和空间信息。我们提出了一个新颖的层次性主动推理模型，阐明了HC-mPFC回路如何通过融合物理和任务空间的认知地图来解决空间交替任务。通过一系列模拟，我们证明了该模型的两层通过基于生物的方法（克隆结构认知图）获取了在物理（HC地图）和任务（mPFC地图）空间内的有效认知地图。模型通过两层之间的相互作用来解决空间交替任务。重要的是，破坏层间通信会损害复杂决策，与实证结果一致。同样的模型展示了在多个交替规则之间切换的能力。然而，禁止两层之间的消息传递会导致持续性行为，与实证结果一致。总而言之，我们的模型对HC-mPFC回路如何支持空间交替任务以及对其打断如何影响任务表现提供了一个机制性解释。
作者：Toon Van de Maele, Bart Dhoedt, Tim Verbelen, Giovanni Pezzulo
论文ID：2308.11463
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2023-08-23