2021年9月10日下午，来自北京脑科学与类脑研究中心的柳昀哲研究员，应北京大学麦戈文脑研究所、磁共振成像研究中心高家红教授的邀请，在北京大学综合科研楼开展了题为“TDLM measures replay in both animals and humans”的学术报告。

　　柳昀哲研究员目前研究基于认知图谱(cognitive map)的强化学习机制，如神经活动重现(neural replay)。未来将利用无创神经成像(M/EEG, fMRI)和侵入性电生理技术(iEEG, ePhys)，解析高级认知过程的计算神经机制。在本场讲座中，柳昀哲研究员报告其团队的主要成果，用时域延迟线性模型(temporal delayed linear modelling ,TDLM) 研究任务相关的重激活序列的统计规律。

　　什么是replay

　　如何测量replay

　　TDLM的运用

　　神经replay序列最早是在小鼠的海马区发现的。从诺贝尔奖John O’Keefe 等人的研究得出，许多海马细胞只有在特定物理位置的时候被激活。老鼠在清醒和活动时，每一个海马的位置细胞编码空间中的一个特定位置。在休息期间，这些细胞有时会自发地以快速序列的方式fire，标记出动物先前跑过的相同路径。这些序列被称为replay。

　　那这种replay现象只在啮齿类动物中发现过，人类海马区是否也存在相同的认知机制？柳昀哲研究员2019年发表在cell上的文章，首次通过认知任务证明了人类海马存在相同的replay过程。如何测量这个replay序列呢？在这里，柳昀哲研究员介绍了一个通用分析工具包—时域线性延迟建模(TDLM)，用于描述啮齿动物电生理和人类神经影像数据中内部神经表征。

　　该假设有一个序列，A->B->C->D，由顶部的四个图标指示。在任务期间，向被试展示这些图片，并要求他们在进行MEG扫描时找出这些物体的正确顺序。右图红色和蓝色的方块表示前向和后向的状态转换。

　　TDLM的第一步是从任务态数据构建状态解码模型（decoding model），然后解码静息态数据。从全脑电信号分布中，根据解码模型中beta权重，解码每个图标对应的神经序列。右图为解码状态空间图。

　　TDLM的第二步是使用线性回归对解码状态的时间结构进行量化。第一级广义线性模型(GLM)在每个time lag产生一个状态*状态回归系数矩阵。在第二级GLM中，该矩阵转换为右图，重复此过程生成time lag序列（右）,使用回归系数预测后面的最佳state。

　　通过Transition of interest 的前向和后向状态转换为灰色的State Permutation，使用非参数置换检验来检验序列的统计显著性，为了控制多次比较，阈值被定义在所有测试time lag上的最大值的95%。右图可以看出前向和后向之间存在明显差异。

　　总结

　　综上所述，研究与任务相关表征相关的自发活动的能力对于理解当前感觉之外的认知过程非常重要。柳昀哲研究员报告的TDLM是一个通用分析框架，用于探究神经表征的序列规律。它是根据人类神经成像数据开发的，可以扩展到其他数据源，包括啮齿动物电生理记录。它为replay（或一般的神经序列）的跨物种研究提供了希望，并有可能使人类和动物的复杂任务研究成为可能。

　　最后，柳昀哲研究员详细地回答了问题，在同学们热烈的掌声中本次报告圆满结束。

　　参考文献

      Liu, Y., Dolan, R. J., Higgins, C., Penagos, H., Woolrich, M. W., Ólafsdóttir, H. F., ... & Behrens, T. E. (2021). Temporally delayed linear modelling (TDLM)measures replay in both animals and humans. Elife, 10, e66917.

　　整理人：段雪儿

　　审核人：高家红