Intan RHD2000旋转动力学减少了感觉和记忆表征之间的干扰

感官刺激以连续流的形式到达。通过学习刺激序列中的统计规律，大脑能够预测未来的刺激。这种学习需要将即时的感官信息与近期遇到的刺激的记忆相联系。然而，新的感官信息也可能干扰短期记忆。大脑如何防止这种干扰尚不清楚。在此，我们表明，感官表征在神经空间中随时间旋转，形成独立的记忆表征，从而减少对未来感官输入的干扰。我们在小鼠中使用了一种隐性学习范式，来研究刺激序列中的统计规律是如何在初级听觉皮层中被学习和表征的。小鼠经历了常见的刺激序列（例如 ABCD）和不常见的序列（例如 XYCD）。在四天的学习过程中，常见相关刺激（例如 A 和 C）的神经群体表征趋于一致。这有助于对即将到来的刺激进行预测，但也导致意外的感官输入覆盖了之前刺激的感官表征（后测）。令人惊讶的是，我们发现之前刺激的记忆在第二个正交维度中持续存在。对功能性细胞类型的无监督聚类显示，这第二个记忆维度的出现由两种不同类型的神经元支持；一个“稳定”群体在整个序列中保持其选择性，一个“转换”群体动态地反转其选择性。这种持续和动态表征的组合导致了神经群体编码维度的旋转。这种旋转动态可能是一个普遍原则，通过它皮层保护先前事件的记忆免受输入刺激的干扰。

东莞富临医疗科技有限公司是 Intan 亚洲代理商，为亚洲客户供应 Intan 电生理产品与配套产品

一、正文

预测是关键的神经计算；它们能改善刺激处理并加快行为反应。预测基于经验：我们利用先前学到的跨时间关联来预期未来的刺激。这些关联可以从刺激序列中的统计规律中学习到，无需监督或明确的任务。然而，尽管其重要性，预测的学习和表征所基于的神经机制在很大程度上是未知的。特别是，大脑如何同时表征当前和先前的感官输入以允许跨时间学习关联尚不清楚。

为了解决这个问题，我们记录了小鼠听觉皮层的情况，当时它们正在获取四个和弦序列的经验（图 1A，见支持信息）。和弦之间转换的统计规律在序列内创造了可学习的预测（图 1B）。

图 1.感觉输入中统计规律的神经编码。（A）内隐序列学习范式的示意图。动物每天听 1500 个听觉和弦序列。序列中嵌入了统计规律：68% 的预期试验（ABCD、XYC*D），20% 的意外试验（ABC*D、XYCD），12% 的混合刺激。（B）硅探针长期植入右侧听觉皮层。动物在 4 天内经历了这些序列。所有小鼠最初对这些序列都不熟悉。四种试验类型的图例（颜色在整篇论文中保持一致）。（C）两个示例神经元对听觉序列的反应，一个偏好 AB 上下文（上），另一个偏好 C 刺激（下）。灰色条表示刺激期。（D）N 维放电率活动投影到编码轴上的示意图。轴定义为与训练分类器垂直（详情见补充材料）。（E）第 1 天（左）和第 4 天（右）试验期间 A/X 信息的群体编码。放电率活动投影到每个个体动物的 A/X 感觉轴上（训练期用橙色勾勒），进行 z 分数标准化，并在动物间合并。平均值和标准误（E）所有四种试验类型在时间轴上显示的预测情况。正向预测和负向预测分别表示 X（绿色）和 A（紫色）的编码。浅灰色和深灰色条形分别标记 AB 与 XY 以及 C 与 C* 之间的显著差异（p ≤ 0.001，t 检验，Bonferroni 校正）。（F）A/X 刺激沿 A/X 感觉轴的编码（E 中的橙色框）。沿轴的绝对距离的平均值和标准误，综合了所有试验。绝对距离使得条件能够合并，因为负编码条件被翻转。因此，正值表示正确的编码强度。（G）对 C/C* 刺激的 A/X 后预测（E 中黑色框标记的 C/C* 时期）。例如，C* 试验在 A/X 感觉轴上被编码为 X。（H）第 1 天和第 4 天试验中 C/C* 信息的群体编码（如 D 所示）。蓝色框标记 C/C* 感觉轴的训练期。正向预测和负向预测分别表示 C*（浅蓝色）和 C（深蓝色）的编码。（I）沿 C/C* 感觉轴的 C/C* 编码（如 F 所示）。试验按预期（ABCD，XYC*D）和意外（ABC*D，XYCD）进行划分。（J）对 A/X 刺激的 C/C* 预测（A/X 时期）例如，X 试验在 C/C* 感觉轴上被编码为 C*（如 H 图中的黑框所示）。对于所有图版，p 值：* ≤ 0.05，** ≤ 0.01，*** ≤ 0.001

具体来说，序列开始于两种情境和弦对中的一种，要么是“A”和“B”刺激对（AB 情境），要么是“X”和“Y”刺激对（XY 情境）。这些情境预测了接下来的和弦：在 68%的试验中，AB 情境后跟 C 和弦，XY 情境后跟 C*和弦。所有序列都以 D 和弦结束。然而，在一部分试验（20%）中，动物意外地听到了另一个刺激（即罕见序列：ABCD*和 XYCD；其余 12%的试验是模糊刺激，此处未分析）。每个感官刺激的总体可能性在各种条件下是平衡的。因此，在每个序列的开始，动物对于它将经历的和弦没有先验预期。只有在呈现情境刺激（AB/XY）之后，动物才能预测即将到来的 C/C*刺激。最初是无知的，动物连续 4 天每天经历 1500 个刺激序列。

为了追踪期望如何塑造神经反应，我们在 4 天的序列体验中，从 7 只小鼠的听觉皮层记录了 522 个神经元（见支持信息）。虽然所有记录都是长期的，但个体神经元并未在记录会话中被跟踪。个体神经元对情境和弦（A 与 X 和 B 与 Y）以及预测刺激（C 与 C*）都表现出选择性（见图 1C）。为了测量每天神经群体中的刺激表征，我们为序列中的每个和弦定义了一个编码轴。编码轴被定义为垂直于最佳分类每个刺激对的群体反应的超平面的向量（图 1D，分类器是一个线性支持向量机，在刺激开始后 10 - 110 毫秒的平均活动上进行训练，详见支持信息和图 S2 的分类器性能）。为了确保无偏分类器，试验类型是平衡的（即 ABCD、ABCD*、XYCD 和 XYC*D 试验的数量相等），并且所有分析都在保留的数据上进行。为了测量每个刺激的群体编码，我们将神经活动投射到编码轴上（图 1D）。这些有符号的投影代表每个刺激的相对编码强度（例如，沿 A/X 轴，X 为正，A 为负，如图 1E 所示）。

图 S2.所有四个分类器均准确解码了刺激表征。（A）A/X 感觉分类器的分类器准确率。准确率通过 AUC 测量（详情见补充信息）。A/X 训练时间为 10 - 110 毫秒（时间轴上的橙色部分）。每只小鼠的 AUC 以单独的点显示。小鼠间的平均值和标准误在各天以线表示。与随机表现（AUC = 0.5）相比有显著差异（p ≤ 0.05）用黑色星号表示（所有差异均显著）。（B）B/Y 感觉分类器的分类器准确率。B/Y 训练时间为 185 - 285 毫秒（时间轴上的黄色部分）。（C）C/C* 感觉分类器的分类器准确率。C/C* 训练时间为 360 - 460 毫秒（时间轴上的浅蓝色部分）。（D）A/X 记忆分类器的分类器准确率。A/X 记忆训练时间为 360 - 460 毫秒（时间轴上的深蓝色部分）。

图 1E 显示了 A/X 感官编码的时间演变。正如预期的那样，群体在其呈现期间强烈编码 A/X 刺激（图 1E，橙色阴影区域；呈现期间的平均编码，D1 = 0.37，D4 = 0.32，p < 1/5000，自助检验，图 1F）。然而，在感官刺激之后，此信息迅速衰减。A/X 感官分类器对 B/Y 刺激的解码很弱（图 S4），表明 A/X 感官信息的编码独立于 B/Y 表征。

C/C*刺激在其呈现期间也得到了强烈的表征（图 1H，蓝色阴影区域）。与先前研究检查对罕见刺激的反应类似，在第一天，意外的 C/C*刺激比预期的刺激编码更强（图 1I；D1 差异 = 0.079，p = 0.033，置换检验）。重要的是，因为我们的范式是平衡的，预期和意外反应之间的差异不能归因于刺激，而仅仅归因于序列内其上下文定义的期望。与适应一致，预期和意外试验的编码强度在几天内都下降了（图 1K；预期 D4 - D1 = -0.092，p = 0.016；意外 D4 - D1 = -0.17，p = 0.0002，置换检验）。

此外，在 A/X 呈现期间，对预期的 C/C*刺激有预测性编码：当呈现 A 或 X 时，神经群体分别开始编码 C 或 C*（图 1H，黑框，和图 1J；D1 = 0.13，p < 1/5000；D4 = 0.19，p < 1/5000，置换检验）。这种效应随着经验增加而增强（D4 - D1 = 0.056，p = 0.038，置换检验）。实际上，到第 4 天，A/X 期间 C/C*的预测反应几乎与对 C/C*刺激本身的感官反应一样强。

为了直接展示相关刺激之间的关系，我们在由 A/X 感官和 C/C*感官编码轴定义的二维状态空间中绘制了群体活动。这些轴是独立的（但不一定正交，如下所示），因此这个空间允许我们在序列期间追踪 A/X 感官和 C/C*感官信息的演变。在第 1 天，在 A/X 刺激呈现期间的神经活动沿着 A/X 轴演变，反映了神经群体中 A/X 感官信息的编码（图 2A，左）。然而，到第 4 天，A/X 刺激诱发的神经活动沿着一个旋转的轴演变（图 2A，右）。现在，A/X 刺激诱导了它们预测的刺激（A 和 X 分别对应 C 和 C*）的编码。随着经验的增加，预测增加，反映在神经轨迹的第一主成分（PC）的角度在几天内增加（图 2A，插图，和图 2B，D1 = 19 度，D4 = 31 度。D4 - D1 = 12 度，p≤1/5000，置换检验，详见支持信息）。在第 4 天 C/C*刺激开始前也立即观察到了预测（图 2D，正方形点在 C/C*开始前；在 D1 时沿 C/C*轴从 300 - 350 毫秒的距离为 -0.028，p = 0.29，在 D4 时为 0.059，p = 0.024，自助检验；随着经验增加，效果增强，D4 - D1 = 0.088，p = 0.0084，置换检验）。

图 2.A/X 与 C/C* 表示形式之间的对齐有助于预测和后预测。（A）在第 1 天（左）和第 4 天（右）将神经活动投影到 A/X-C/C* 状态空间中。x 轴表示投影到 A/X 感觉轴上的神经活动的大小；y 轴表示投影到 C/C* 感觉轴上的相同神经活动。活动显示自 A/X 时期（-10 至 170 毫秒）开始。标记饱和度随时间增加（顶部关键）。插图显示灰色的神经轨迹的主成分（PC），黑箭头的大小与每个 PC 所解释方差的百分比相匹配（见图 3F 中的图）。（B）在第 1 天和第 4 天 A/X 时期内第一 PC 角度的增加。4. 每天显示的基于重抽样法计算的角的平均值和标准差。（C）A/X 与 C/C* 感觉轴之间的角度在不同日有所变化。用琴形图展示的基于重抽样法计算的角（星号表示与 90 度相比存在显著差异）。水平条表示 D4 至 D1 的范围。差异。（D）在 C/C* 刺激期间（340 至 520 毫秒）的神经活动投影到 A/X-C/C* 状态空间中（如 A 所示）。（E）在第 1 天和第 4 天 C/C* 期间第一主成分角度的减小。（F）在 C/C* 期间 A/X 编码（360 - 460 毫秒）。正值表示正确的 A/X 编码。预期和意外的试验分别用黑色和灰色表示。注意负的 A/X 值表示事后预测。对于所有面板，p 值：* ≤ 0.05，** ≤ 0.01，*** ≤ 0.001.

这些结果表明了一种进行预测的简单机制：A/X 和 C/C*的神经表征通过经验变得一致。这种一致性意味着一个感官输入，它使神经活动沿着 A/X 感官轴移动，也会诱导沿着 C/C*感官轴的移动（如图 2A 和 2D 所示）。为了测试这一点，我们测量了 A/X 感官轴和 C/C*感官轴之间的角度。在第 1 天，角度为 94 度，这表明不同的刺激最初在听觉皮层中由独立的、正交的表征表示。然而，经过经验后，角度显著减小，使两个表征轴对齐（图 2C；D4 为 77 度，D4 - D1 = -17，p = 0.032，置换检验；或者每天以 -4.7 度的斜率，p = 0.034，置换回归检验，跨越天数；见支持信息）。这些结果与经验为相关刺激形成共同表征一致。

虽然 A/X 和 C/C*表征的对齐有助于预测，但在这个机制中没有固有的时间因果关系。因此，人们可能会预期 C/C*刺激也会诱导相关 A/X 刺激的表征。确实，C/C*刺激沿着 A/X 感官轴驱动神经活动（图 1E，黑框，和图 1G；D1 = 0.077，p = 0.0008，D4 = 0.16，p < 1/5000，自助检验）。同样，这种效果在几天内增强（图 1G，D4 - D1 = 0.086，p = 0.003，置换检验）。与对 A/X 刺激的反应一样，C/C*刺激也在二维 A/X - C/C*状态空间中沿着一个角度驱动神经活动，编码 A - C/X - C*关联（图 2D）。这种效果也随着经验增加：轨迹的角度在几天内旋转，从主要编码 C/C*转向反映 A - C/X - C*关联（图 2E，D4 - D1 = -20.07 度，p = 0.0002，置换检验）。

这是一种后测：过去事件的表征受到新传入信息的影响。后测是一种常见的心理现象，被认为有助于感知；随着收集到更多信息，我们对世界的先前信念会更新。我们的结果表明预测和后测反映了相同的潜在机制：它们都由相关刺激下的神经表征的对齐来解释。实际上，投射到 A/X - C/C*感官状态空间中的神经活动的维度随着经验减少，表明只有一个潜在变量（图 3F，在 C/C*期间，第一 PC 解释了 D1 和 D4 诱发反应的 95%和 98%的方差，两者通过置换检验均 p≤1/5000 具有随机性；D4 - D1 = 3%，p = 0.011，置换检验）。共同表征的形成可能是由于单个神经元选择性的变化或由于群体之间的相互作用（图 S3，见支持信息）。

图 3.记忆表征与感觉表征相互正交。（A）A/X 记忆轴训练示意图。训练使用的是 C/C* 期间（360 - 460 毫秒）的平均神经活动。试验类型按 A/X 分类：（ABCD，ABC*D）与（XYCD，XYC*D）。（B）第 4 天 A/X 记忆信息的神经群体编码。训练期以蓝色框标出。正投影和负投影分别表示 XY（绿色）和 AB（紫色）的记忆编码。AB 与 XY 试验之间的显著差异由灰色条表示（p≤0.001，t 检验，Bonferroni 多重比较校正）。（C）第 4 天 A/X 记忆 - C/C* 感觉状态空间中的神经活动投影。与图 2D 类似，但此处 x 轴为投影到 A/X 记忆轴上的神经活动大小。活动显示在 C/C* 期间（340 至 520 毫秒）。（D）A/X 记忆轴与 C/C* 感觉轴之间的夹角偏差。（E）示意图展示了三个感兴趣轴之间的角度：A/X 感觉轴、C/C* 感觉轴和 A/X 记忆轴（从第 4 天开始显示）。虚线箭头表示从 A/X 感觉轴到 A/X 记忆轴的旋转。（F）C/C* 呈现期间（340 - 520 毫秒）状态空间的维度。维度通过 A/X 感觉 - C/C* 状态空间（灰色，图 2D）和 A/X 记忆 - C/C* 状态空间（橙色，图 3C）中神经活动的第一主成分的解释方差百分比（PEV）来测量。小提琴图显示了引导 PEV 的分布。每个状态空间内维度的差异（灰色和黄色）在所有天数上均显著（p≤1/5000，置换检验）。对于所有面板，p 值：* ≤ 0.05，** ≤ 0.01，*** ≤ 0.001

图 S3.（A-C）三种可能的机制示意图，用于对 A/X 和 C/C* 感觉表征进行对齐。（A）A/X 和 C/C* 选择性神经元的输入发生变化，使得相关刺激在听觉皮层内引发相似的反应。这种机制无法预测 A/X 和 C/C* 反应之间的时间差异。（B）从 A/X 到 C/C* 表征的单向侧向连接。这种机制预测 1）A/X 时间应先于 C/C*，2）参与 A/X 表征的细胞比例应更大，因为 C/C* 在 A/X 展示期间变得活跃。（C）A/X 和 C/C* 表征之间的双向侧向连接。这种机制预测存在反复的时间延迟（例如，在 A/X 展示期间 A/X 先于 C/C*，反之亦然）。（D）在第 1 天 A/X 展示期间达到显著 A/X（橙色）和 C/C*（蓝色）编码的时间。编码的统计显著性在 y 轴上（-log(p 值)）。垂直虚线表示沿每个编码轴达到显著的时间（p ≤ 0.001，Bonferroni 校正）。插图显示观察到的时间差异（“滞后”，红色垂直线）及其零分布（灰色直方图）。（E）在呈现 C/C* 期间达到显著 A/X（橙色）和 C/C*（蓝色）编码所需的时间。（F）与 D 相同，但为第 4 天的情况。（G）与 E 相同，但为第 4 天的情况。（H）每个分类器（A/X 和 C/C* 感觉轴）中细胞百分比的接收者操作特征（ROC）。每一天都用单独的一条线表示（D1=蓝色，D2=橙色，D3=绿色，D4=红色）。（I）每天参与 A/X 和 C/C* 感觉分类器的细胞百分比没有显著差异。小提琴图显示了通过引导法计算的 ROC 曲线的 AUC 分布。

然而，由于后测，A/X 信息丢失。具体来说，在意外序列（ABCD*和 XYCD）期间，后测导致 A/X 编码反转，交叉编码错误的情境（图 2D，粉色和绿色线）。后测对意外刺激的影响随着经验增加（图 2F，D1 上 A/X 意外编码 = -0.022，p = 0.57，自助检验；D4 = -0.16，p < 1/5000，自助检验；D4 - D1 = -0.13，p = 0.003，置换检验；在所有天数中，斜率 = -0.08，p = 0.007，置换检验）。因此，虽然感官轴对齐有助于预测（和后测），但它也可能扭曲感官表征的历史。

然而，准确记录刺激历史仍然很重要。实际上，近期事件的短期记忆对于学习预测是必要的，因为它允许跨时间的关联。因此，我们测试了在 C/C*刺激期间听觉皮层是否仍然保留 A/X 信息。使用 C/C*期间的神经活动，我们训练了一个分类器来区分 A/X 情境（图 3A 和 S2）。这定义了一个“A/X 记忆”轴，它代表了 A/X 情境的记忆，但令人惊讶的是，它不代表 A/X 刺激本身（图 3B 和 S4）。这表明感官和记忆表征是独立的。重要的是，在二维 A/X 记忆 - C/C*状态空间中，A/X 信息不再被传入的 C/C*刺激覆盖（图 3B，C）。这是因为 A/X 记忆轴与 C/C*感官轴正交（图 3D 和 3E；第 4 天角度 = 94 度，随着天数略微、不显著地向正交性减小，斜率 = -3.95，p = 0.052，置换回归，D4 - D1 = -9.8，p = 0.12，置换检验）。此外，与 A/X - C/C*感官状态空间不同，A/X 记忆 - C/C*状态空间的维度随着经验增加（图 3F，D4 - D1 期间 C/C*期间 PC1 解释的方差 = -10%，p = 0.013，置换检验）。总之，这些结果为情境的独立记忆表征提供了证据，避免了来自 C/C*刺激的干扰。

A/X 的感官和记忆表征的重要性反映在它们对 C/C*刺激表征的影响上。在逐次试验的基础上，A/X 记忆编码的强度（在 C/C*开始前 50 毫秒）与对意外 C/C*的反应呈正相关（图 S5；在第 4 天，斜率 = 0.11，p = 0.01；与预期的 C/C*编码强度无显著负相关，斜率 = -0.03，p = 0.21，自助线性回归）。这与之前关于预测的工作一致，该工作表明对意外刺激的反应增强（而预期的减少，图 1K）。有趣的是，我们发现 A/X 感官和 C/C*编码之间存在相反的关系，表明两种不同的 A/X 表征在感官预测中可能发挥不同的作用（图 S5；预期试验：斜率 = 0.09，p = 0.02，意外试验：斜率 = -0.19，p ≤ 1/5000，自助法线性回归）

图 S5.C/C* 感觉编码的强度与 A/X 感觉编码和记忆编码的强度均相关。所有图表均展示了 C/C* 感觉编码强度（y 轴）与 A/X 编码强度（x 轴）之间的关系。正值和负值分别表示沿正确方向和错误方向的编码。A/X 编码由 C/C* 开始前 50 毫秒（300 - 350 毫秒）估计得出。C/C* 编码由 C/C* 期间（360 - 460 毫秒）估计得出。（A）在预期试验中（ABCD，XYC*D），A/X 感觉编码与 C/C* 编码准确性相关（通过自助法线性回归）。（B）在意外试验中（ABC*D，XYCD），A/X 感觉编码与 C/C* 编码准确性呈负相关。（C）在预期试验中，A/X 记忆编码准确性与 C/C* 编码呈弱负相关。（D）在意外试验中，A/X 记忆编码准确性与 C/C* 编码呈正相关。

接下来，我们感兴趣的是了解在序列期间 A/X 情境信息是如何从感官表征转换为记忆表征的。这种转换使得 A/X 感官表征与 C/C*表征对齐以促进预测，同时仍然保持与 C/C*正交的独立 A/X 记忆轴，从而抵抗干扰。有两种一般机制可以支持这种转换。首先，感官和记忆表征可能由独立的神经元群体来表示。这将允许代表刺激的神经元形成关联而不破坏记忆表征。或者，A/X 感官和记忆表征可能使用相同的神经元群体，但在序列过程中发生变化，使得 A/X 记忆和 C/C*表征是正交的。为了区分这些假设，我们检查了单个神经元如何随着时间对 A/X 情境进行编码。

我们的结果表明，听觉皮层中的单个神经元具有不同的动态。一些神经元在整个试验过程中保持对 A/X 情境的偏好（图 4A，顶部），而其他神经元在试验期间改变其偏好（图 4A，底部）。为了量化整个群体的这些时间动态，我们使用了一种无监督聚类算法。聚类揭示了两个广泛的神经元功能簇（见图 S6 进行 d-prime 事后聚类验证和沿记录阵列的细胞类型）。首先，“稳定”细胞在整个序列中保持其情境偏好（图 4B，绿色和黄色）。其次，“转换”神经元在序列期间转换其 A/X 情境偏好（图 4B，红色和蓝色）。令人惊讶的是，这两个广泛的群体捕获了听觉皮层中大多数单个细胞的动态（图 4C）。请注意，时间动态不是由于神经元对序列中的第一个和第二个和弦具有随机偏好。稳定和转换神经元的数量大于对每个刺激具有独立选择性的细胞的预期数量（图 S8，见支持信息）。

图 4.稳定和转换神经元将上下文表征从感觉旋转至记忆。（A）两个示例神经元随时间变化的 A/X 选择性。左列显示对 A（紫色：ABCD、ABC*D）和 X（绿色：XYCD、XYC*D）的平均放电率。右列显示神经元随时间变化的选择性，定义为对 A 和 X 试验的放电率差异的 z 分数（试验类型平衡）。（B）无监督聚类选择性发现四个簇。每个簇的平均选择性反应（均值和标准误差）如图所示。紫色和粉色为转换（32%的神经元；分别有 35%和 65%最初偏好 AB 和 XY，之后转换为偏好 XY 和 AB）；绿色和黄色为稳定（68%的细胞；分别有 42%和 58%偏好 AB 和 XY）。（C）总群体（N=522）的选择性轮廓，按簇分组。颜色饱和度表示 z 分数放电率差异（XY-AB）。y 轴上的颜色与 B 中的簇组匹配。（D）稳定和转换细胞对 A/X 感觉和记忆轴均有贡献。重新定向分类器权重，使得正值表示与 A/X 期间偏好相匹配。（D）在任何时间点选择性均不显著（p≤0.025，经邦费罗尼校正）的细胞在事后分析中从簇中移除（标记为“无”），这使得稳定簇中的神经元占总数的40%，而切换的神经元占13%。（E）稳定细胞和切换细胞的组合如何导致A/X感觉轴向A/X记忆轴旋转的示意图。稳定细胞对A/X刺激的放电率反应在A/X和C/C*期间相同（见感觉轴和记忆轴之间的匹配）。切换细胞在记忆期间反转其放电率偏好。这种组合导致编码空间的旋转。（F）所有细胞的A/X感觉轴（x轴）和A/X记忆轴（y轴）的分类器权重。线条显示了每种细胞类型的引导线性回归的均值和标准差。（G）经验增加了对A/X感觉轴和记忆轴做出贡献的神经元权重之间的相关性。斜率（如F图所示）随天数变化。对于所有面板，p值：* ≤ 0.05，** ≤ 0.01，*** ≤ 0.001

图 S6.（A）计算出的簇间敏感性指数（d-prime）。使用 Phenograph 算法发现了神经元时间选择性的四个簇（见图 4，详情见补充材料）。计算了所有簇组对之间的 d-prime（红色线条）；灰色分布为零 d-prime 分布，通过置换检验（1000 次重排）估计得出。稳定细胞为簇 1 和 3，切换细胞为簇 2 和 4。（B）记录阵列上功能簇的估计位置。切换（红色）、稳定（绿色）和无（灰色）细胞根据其估计的电极位置绘制（x 轴 - 前后（AP），y 轴 - 深度（DV），基于植入坐标；6 个探针有 4 个探针臂，间隔 200 微米）。为清晰起见，在前后（AP）方向上添加了小的随机抖动，这不代表实际差异。

图 S8.（A）在 A/X 和 B/Y 刺激期间具有特定刺激偏好的细胞数量。列表示 A/X 期间偏好（A、0（无）或 X）。行表示 B/Y 期间偏好（B、0（无）或 Y）。每个方框包含选择性标签（例如 AB）以及相应的观察到的细胞数量（所有天数的总和）。（B）独立模型与稳定和切换模型之间的模型比较。每个模型计算出的 R2（灰色）和调整后的 r2（黑色）。每组条形图/模型上方的数字为调整后的 r2。请提供需要翻译的原文。无论是稳定型还是切换型模型，其调整后的 R² 值（分别为 0.99 和 0.99）都高于独立模型（分别为 0.92 和 0.94）。（C、D）分别为独立模型（C）和简化独立模型（D）的参数拟合情况。左图：观察到的选择性概率（点）和模型拟合（线）。X 轴为 A/X 期间的选择性；Y 轴为 B/Y 期间的选择性；Z 轴为具有每种组合选择性类型的细胞百分比。右图：每个概率的参数拟合。星号表示观察值大于零的概率。（E、F）与（C、D）相同，但分别为稳定与切换模型（E）和简化稳定与切换模型（F）。

接下来，我们检查了稳定和转换神经元类型如何对情境的感官和记忆表征做出贡献。为此，我们检查了每种细胞类型对每个轴的贡献（即它们的分类器权重）。稳定和转换神经元都对 A/X 感官轴有显著贡献（图 4D，橙色）。具体来说，A/X 感官轴对稳定和转换神经元朝向其最初偏好刺激的活动进行正加权（偏好是在 A 或 X 和弦呈现期间定义的；稳定神经元的平均权重在几天内合并为 0.18，转换神经元为 0.14，两者 p ≤ 1/5000，自助检验）。换句话说，在 A/X 期间，稳定和转换神经元都增加其对（最初）偏好和弦的活动，从而创建 A/X 感官轴（图 4E）。

类似地，A/X 记忆轴依赖于稳定和转换神经元的活动（图 4D，蓝色）。然而，虽然稳定神经元具有正权重（平均分类器权重 = 0.17，p ≤ 1/5000，自助检验），但转换神经元现在具有负权重（-0.12，p ≤ 1/5000，自助检验；显著低于 A/X 感官权重，差异 = 0.27，p ≤ 1/5000，置换检验）。转换神经元的负权重反映了它们在序列过程中偏好的变化。这是有道理的，神经元的偏好随时间转换；因此，记忆轴反映了这种新的偏好（图 4E）。

感官轴和记忆轴权重之间的关系在单个神经元中也很明显。稳定神经元的权重在感官和记忆分类器之间呈正相关（图 4F，绿色，几天内合并的神经元斜率 = 0.5，p < 1/5000，自助回归），而转换神经元的权重呈负相关（图 4F，红色，斜率 = -0.42，p < 1/5000，自助回归）。稳定和转换之间的差异在所有日子都很显著（D1 = 0.41，p = 0.047；D2 = 1.08，p = 0.0006；D3 = 1.18，p = 0.0006；D4 = 1.1，p = 0.0004，置换检验）。经验增加了权重在几天内的相关性（图 4G；稳定权重的 D4 - D1 斜率 = 0.47，p = 0.018；转换 = -0.22，p = 0.19，置换检验），并增加了群体之间权重的差异（D4 - D1 = 0.68，p = 0.015，置换检验）。总之，这些结果表明感官和记忆表征都依赖于整个群体，反对独立群体代表感官和记忆信息的假设。

我们的结果表明，稳定和转换细胞类型的组合如何导致 A/X 表征旋转，从感官表征转向几乎正交的记忆表征（图 4E）。因此，记忆表征与 C/C*感官轴正交。现在，新的刺激输入（C/C*），它沿着相关的 A/X 感官轴驱动神经活动，不会沿着这个正交的 A/X 记忆轴诱导运动（图 3C）。我们在小鼠听觉皮层短期记忆表征中观察到的神经反应动态与在灵长类动物工作记忆表征中观察到的动态相似（图 S4）。确实，在猴子中都可以看到稳定和动态的表征，并且它们对工作记忆的相对贡献一直存在争议。我们的结果展示了这两种反应类型的组合如何将感官表征转换为记忆表征，从而减少对未来刺激的干扰。

图 S4. （A、B）第 1 天（A）和第 4 天（B）的 A/X 记忆编码。将放电率活动投影到单个动物的 A/X 记忆轴上（训练期用蓝色框标出），进行 z 分数标准化处理，并在动物间进行合并。图中显示了随时间变化的平均值和标准误。正投影和负投影分别表示 XY（浅绿色）和 AB（浅紫色）编码。浅灰色和深灰色条分别表示 AB 与 XY 以及 C 与 C* 之间的显著差异（p ≤ 0.001，Bonferroni 校正 t 检验）。（C、D）第 1 天（C）和第 4 天（D）的神经活动投影到 A/X 记忆 - C/C* 状态空间。x 轴是神经活动在 A/X 记忆轴上的投影；y 轴是神经活动在 C/C* 感觉轴上的投影。活动显示在 C/C* 刺激期（340 至 520 毫秒）前后。标记饱和度随时间增加。插图显示了神经轨迹的主成分（PC）以灰色表示，黑色箭头大小与每个 PC 解释的方差百分比相匹配。（E-G）在序列的三个刺激期中 A/X 感觉（橙色）和记忆（蓝色）编码的比较。沿每个轴的正确距离的平均值和标准误，合并了所有试验。为了合并在各种条件下，负编码条件被翻转。因此，正值表示正确的编码强度。D1 和 D4 之间的显著差异由水平条表示（置换检验）。(E) A/X 时期（10 - 110 毫秒）的神经活动。在 A/X 时期，所有天数的 A/X 感觉编码都比 A/X 记忆编码更强（p≤1/5000，置换检验）。(F) B/Y 时期（180 - 280 毫秒）的神经活动。在 B/Y 时期，第 1 天 A/X 感觉编码略强于 A/X 记忆编码（p = 0.042，置换检验），而在后续天数中 A/X 记忆编码强于 A/X 感觉编码（D2 p = 0.0002，D3 p = 0.022，D4 p = 0.021，置换检验）。(G) C/C* 时期（360 - 460 毫秒）的神经活动。在 C/C* 时期，所有天数的 A/X 记忆编码都强于 A/X 感觉编码（p≤1/5000）。(H) A/X 分类器的跨时间性能。一系列 A/X 分类器在序列中进行训练（25 毫秒窗口，以 10 毫秒为步长移动）。颜色表示所有训练时间（x 轴）和测试时间（y 轴）组合的编码强度（仅使用保留数据）。白色条标注了 A/X、B/Y、C/C* 时期（以及 75 毫秒的刺激间隔）的指示时间。请注意，低跨时间解码性能反映了序列中 A/X 表征的时间动态。对于所有面板，p 值：* ≤ 0.05，** ≤ 0.01，*** ≤ 0.001

总之，我们已经展示了预测背后的一个简单神经机制：相关表征随着时间变得对齐，使得情境刺激唤起预测的刺激表征。这种机制也导致后测，即基于新的刺激输入更新以前的事件。最后，我们表明神经元群体通过将信息动态旋转到正交轴来保留事件的准确历史。这种动态旋转是单个神经元层面稳定和动态表征组合的结果

二、补充信息
01.内隐学习范式
研究人员采用内隐序列学习范式训练小鼠进行预测。每日实验中，小鼠头部固定并聆听1500组四音和弦序列（如ABCD）。所有声音信号均通过Matlab生成，采样率为140 kHz，并通过MF1-S扬声器（频率范围1kHz-65kHz，由Intan Technologies生产）播放至左耳。声音强度设置为70分贝声压级。

02.神经元记录
0201.实验动物
所有动物实验流程均通过研究机构伦理委员会审批，符合美国国立卫生研究院标准。研究人员使用7只成年雄性PV cre+/- C57BL6小鼠进行记录和被动学习实验。动物饲养于反向光周期环境中，实验在隔音行为舱内进行。

0202.神经信号记录
研究人员使用Intan RHD2000系统（Intan Technologies）以30kHz采样率记录神经活动。信号通过32通道放大器板放大并数字化后，经SPI接口电缆传输至USB接口板。扬声器模拟信号同步传输至接口板，用于后期神经活动与声音时序对齐。所有数据（包括声音时序与神经活动）均通过Intan记录系统软件保存。

03.植入手术
研究人员在麻醉状态下将32通道硅记录阵列植入听觉皮层。6只小鼠沿A/P轴植入四探针阵列（每探针含8电极），1只小鼠植入单探针阵列（共32电极）。所有探针均定位于右听觉皮层（前囟坐标：-2.7 AP，4.8 ML）。探针插入深度为970-1400微米以靶向初级听觉皮层。研究人员使用牙钻在目标坐标上方开颅（约3mm×3mm），缓慢植入硅探针并避免血管。采用特殊材料保护脑组织并稳定探针，通过三颗微型自攻螺钉固定头柱与电极。接地线绕至对侧螺钉，所有植入物通过骨水泥固定于颅骨。

04.术后恢复
小鼠术后恢复数日，期间给予镇痛药物。研究人员通过渐进式头部固定训练使小鼠适应实验操作。探针位置通过组织学验证，电极损伤通过星形胶质细胞标记（GFAP绿色荧光）确认。

05.神经活动分析
研究人员使用专用软件从30kHz原始信号中分离单神经元活动，数据经350Hz高通滤波及公共平均参考处理后进行簇分析。仅保留单神经元数量≥5的动物数据，最终纳入7只小鼠共522个单神经元活动记录。

06.放电率计算
研究人员通过峰间期反推瞬时放电率，经1ms平滑窗处理后降采样至1000Hz。实验数据按试次分段：序列任务覆盖音A/X前70ms至音D后355ms，单音任务覆盖音C/C*前70ms至后280ms，最终经20ms平滑窗处理。所有预处理（分段与平滑）通过特定软件完成，其余分析基于Python 3.5.5实现。

07.编码轴（分类器）训练
所有分类器采用相同训练流程，仅训练时段与条件分组存在差异。研究人员为每只小鼠每日数据单独训练分类器，特征向量为声音呈现期平均放电率（经10ms感觉响应延迟校正）。跨时间解码采用25ms滑动时间窗（步长10ms），分类标签根据实验条件分组（如AB试次=0 vs XY试次=1）。

08.分类器类型
研究人员使用随机梯度下降算法训练线性分类器，其损失函数为铰链损失，等效于标准支持向量机（SVM）。训练过程通过特定软件包中的函数实现，所有代码基于Python3环境编写。

09.分类器正则化
为减少过拟合，研究人员采用弹性网络正则化以增加权重向量稀疏性。参数统一设置为：L1比率（L1与L2惩罚比例）0.65，正则化强度0.01，学习率0.00001，迭代次数1000。

10.交叉验证测试
训练前保留10%试次作为测试集用于交叉验证。训练集与测试集均包含均衡条件样本（如ABCD、ABCD、XYCD、XYCD），确保分类器无偏。每次对比通过100次训练数据重排保证全样本覆盖，最终分类器参数取100次训练结果的均值。

11.分类器准确性评估
研究人员通过接收者操作特征曲线（ROC）下面积（AUC）量化分类器性能，利用软件包中的函数计算真阳性率与假阳性率关系。

12.编码轴投影
线性分类器定义的超平面法向量构成一维编码轴。神经群体活动通过向量点积投影至该轴，经Z分数标准化后合并跨动物数据。正值表示正标签条件（如XY环境）的强编码，负值表示负标签条件（如AB环境）的强编码。显著性通过Bonferroni校正的t检验（阈值p≤0.001）判定，所有分析仅基于测试集数据。

13.编码强度/准确性的轴距离分析
研究人员通过计算试次在超平面上的平均投影距离评估特定时间段内的编码强度。例如，在分析A/X编码时（图1F、J），研究人员对A条件试次（ABCD、ABCD）的投影值取反后计算整体均值；分析C/C编码时（图1G、I）对C条件试次（ABCD、XYCD）进行类似处理。所有试次合并后报告平均超平面距离。

14.统计显著性检验
研究人员采用自助法（5000次重采样）估计编码强度均值的分布，通过观察值分布生成零假设分布，计算平均编码强度小于等于零的概率作为p值。线性回归的跨天变异性通过自助值评估，天间差异显著性则通过置换检验（4999次标签重排）判定。

15.C/C*刺激前的预测编码
研究人员发现，在C/C刺激开始前50毫秒，A/X感觉轴已携带A/X刺激的记忆（第1天强度=0.092，p=0.0008；第4天=0.077，p=0.004）。第4天时，C/C感觉轴在刺激出现前即编码预测信息（AC/XC*预测强度=0.059，p=0.024）。该预测效应随实验天数增加（第4天与第1天差异=0.088，p=0.0084）。

16.A/X与C/C*感觉表征对齐的神经机制
研究数据表明，A/X感觉表征与C/C*感觉表征通过经验逐渐对齐。研究人员提出三种潜在机制（图S3）：

输入连接重塑：听觉皮层中A/X与C/C*神经元的输入连接发生改变，使两类神经元对关联刺激产生共同响应（图S3A）。

单向侧向连接：A/X神经元通过单向连接激活C/C神经元，导致A/X刺激引发C/C延迟响应（图S3B）。

双向侧向连接：A/X与C/C*神经元间形成双向连接，在各自刺激呈现期间引发循环延迟（图S3C）。

17.时间动态证据
研究人员通过编码显著性时间差验证模型：

A/X刺激期：第1天A/X轴编码早于C/C*轴26.5毫秒（p≤1/5000），第4天缩短至17.8毫秒（p=0.0002）（图S3D,F）。

C/C*刺激期：第1天C/C*轴编码早于A/X轴51.4毫秒（p=0.0002），第4天缩短至18.9毫秒（p=0.0056）（图S3E,G）。
该时序特征支持双向连接机制，表明学习使表征动态趋于同步。

18.细胞参与比例分析
通过权重阈值法构建类ROC曲线（图S3H），四天内A/X与C/C*感觉分类器的细胞参与比例无显著差异（D1 p=0.13，D4 p=0.30）。此结果排除单向连接假说（预期A/X神经元占比更高），进一步支持双向交互模型。

东莞富临医疗科技有限公司是 Intan Technologies 在亚洲的代理商， 为亚洲客户提供“技术服务”与供应“电生理产品”