在海马体的复杂神经网络中，如何把来自外界纷繁复杂的感官信息——比如气味、空间位置、物体特征——整合成稳定而独特的记忆片段，一直是神经科学领域的核心谜题。传统观点认为，外侧嗅周皮质（Lateral Entorhinal Cortex, LEC）和内侧嗅周皮质（Medial Entorhinal Cortex, MEC）分别作为嗅觉和空间信息的主要门户，向海马体输送信号。然而，这些高维度的输入如何在齿状回（Dentate Gyrus, DG）这一“门控”结构中汇聚，并被转化为稀疏且高度特异的表征，长期以来缺乏直接的实验证据。特别是在面对新奇环境时，大脑是瞬间完成地图绘制，还是需要经历漫长的学习优化？这种跨模态的信息整合究竟是发生在输入层面，还是在下游的DG颗粒细胞（Granule Cells, GCs）中经过重塑？为了解答这些关于记忆编码基础机制的问题，一项发表在《Nature Neuroscience》上的研究通过精巧的实验设计，为我们揭开了这层神秘面纱。
为了解决LEC与MEC输入在DG中的动态整合机制及时程问题，研究人员对头部固定的小鼠进行了连续五天的双光子钙成像（two-photon calcium imaging）。他们记录了小鼠在熟悉的与全新的虚拟环境中导航时，LEC和MEC轴突投射到DG的活性，以及DG颗粒细胞的群体活动。此外，研究还结合了群体向量解码（population-vector-based decoding）算法来分析空间与情境的解码效率，并通过药理学与病毒示踪技术明确了不同输入的投射特异性。实验涵盖了两种不同的虚拟环境范式：一种是走廊式的线性轨道（Exp1），另一种是包含物体、气味和声音刺激的开放式线性环境（Exp2），样本涉及来自多个数据集的23只小鼠的LEC、MEC轴突及DG GCs。
多日轴突记录显示LEC和MEC投射至DG在熟悉和新奇虚拟环境中的表现
研究人员通过在LEC或MEC注射腺相关病毒（AAVs）诱导轴突富集表达GCaMP6s，结合腹腔注射罗丹明B标记血管以跨天识别同一视野，发现LEC输入主要定位于DG外分子层外层，而MEC输入位于中层。在连续五天的记录中，小鼠在4米长的虚拟环境中交替跑动于熟悉和新奇环境，确保了GCs、LEC及MEC轴突活性的稳定追踪。
LEC和MEC输入在DG中的活性及空间调谐随学习改善程度低于靶GCs
定量分析显示，MEC输入的平均活性和具有位置野（Place Fields, PFs）的细胞比例最高，LEC最低，而GCs的空间信息量（Spatial Information, SI，单位为bits×s-1）最高。值得注意的是，LEC和MEC输入的空间表征在新奇环境暴露的第一天就迅速形成并保持稳定，而GCs的空间信息量和试次间可靠性（trial-to-trial reliability）则随着经验积累逐渐提升，表明DG的表征是渐进式优化的。
DG中具有一致PFs的LEC/MEC输入和GCs比例在新奇情境学习中随时间增加
通过计算跨天的PF相关性，研究发现MEC轴突的一致性高于LEC，但均低于GCs。在高相关性的分类中，GCs的比例在新奇环境中随天数显著增加，揭示了DG群体编码稳定性的独特学习依赖性。
LEC/MEC输入与GCs在速率重映射（rate remapping）与全局重映射（global remapping）上的偏好差异
活动差异评分（Activity Difference Score, ADS）分析表明，GCs表现出显著的速率重映射，而MEC输入主要表现出全局重映射（PF交叉相关系数接近零）。LEC输入由于空间调谐较弱，几乎无法区分情境。这说明GCs结合了速率和全局重映射来实现情境鉴别，而MEC主要依赖全局重映射。
GCs而非EC输入的空间位置和情境解码随天数改善
利用解码器预测情境和位置时，发现增大集合大小可降低所有群体的解码误差。但在新奇环境中，只有GCs的解码精度随天数显著提高，且达到90%解码准确率所需的时间从第一天的14.9秒缩短至第五天的4.3秒。计算情境解码效率（Contextual Decoding Efficiency, CDE）和空间解码效率（Spatial Decoding Efficiency, SDE）指数显示，GCs的能量效率显著高于LEC/MEC轴突。
MEC输入传递的运动速度信息在GCs中呈稀疏表征
MEC LII层神经元编码运动速度，研究发现约51%的MEC输入呈正速度调制，而LEC仅5%，GCs为12%。这表明大部分速度信息通过MEC传递给DG，且在GCs中表现为稀疏编码。
LEC嗅觉与MEC线索信息在DG汇聚
在包含相同物体但空间分布不同的开放式虚拟环境（Exp2）中，研究通过分类器分析发现，LEC轴突主要编码气味（占调谐轴突的28%），而MEC轴突主要编码物体（9%）和空间网格样活动（20%）。有趣的是，GCs表现出更高的物体表征粒度，倾向于编码单个物体（8%），特别是需要穿过的拱形物体（object 2）由73%的GCs编码，远高于MEC的23%。
从EC输入到DG的物体与空间表征信息含量提升
比较不同模态的信息传递，发现GCs编码单个物体时具有更高的SI和可靠性。气味相关的LEC输入与GCs具有相似的SI，但GCs显示出更高的ADS。这证实了EC到DG的信息传递具有强烈的模态依赖性，并在GC层面通过情境特异性调制增强了SI。
虽然线索、目标和空间调谐的MEC输入共同编码情境特征，但DG位置细胞定义了空间编码精度
通过移除特定类别神经元进行解码分析，发现移除DG位置细胞会显著降低情境和空间解码，而移除MEC的特定类别影响不显著。这表明尽管MEC输入提供了丰富的线索，但DG位置细胞在空间辨别中起着核心作用。
Exp1与Exp2的比较证实GCs比MEC/LEC输入具有更强的情境鉴别能力
在Exp2（环境相似性更高）中，MEC输入表现出更高的表征重叠，而GCs仍保持了较高的鉴别力。尽管Exp2的情境解码误差高于Exp1，但GCs的空间解码误差在两实验中无差异，且只有GCs在Exp1中表现出显著的学习相关改进。
这项研究首次通过纵向双光子成像揭示了DG如何将瞬时的、高维度的LEC（嗅觉）和MEC（空间/物体）输入转化为缓慢进化、稀疏且能量高效的表征。结论表明，DG不仅是模式分离（pattern separation）的关键位点，能够在新奇环境相似性极高的情况下依然保持卓越的鉴别力，还通过渐进式学习机制优化了空间地图。更重要的是，研究发现了GCs在物体表征上的高粒度特性，这与Marr的理论模型相呼应，即重叠的MEC输入在DG被分离为稀疏的正交化信息流。该研究阐明了DG作为多模态情境参考框架的环路机制，为理解海马体如何在复杂环境中构建稳定记忆痕迹（memory engrams）提供了关键的实验依据，也为未来探索阿尔茨海默病等记忆障碍的神经环路基础指明了新的方向。
