🧠 神経科学

The limbic navigation system as a hierarchical RNN

本論文は、経路統合学習を通じて、脳の辺縁系ナビゲーションシステムの主要な神経表現、回路モチーフ、および動的な現象を再現することに成功した階層型リカレントニューラルネットワークを導入しており、神経メカニズムと空間行動を結びつける生物学的に解釈可能な枠組みを提示している。

原著者： Ji, Z., Zhang, H., Gorantla, K., Burgess, N.

公開日 2026-10-21

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Ji, Z., Zhang, H., Gorantla, K., Burgess, N.

原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ⚕️ これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。免責事項の全文を読む

動物がどのようにして家に帰り道を見つけるのかを理解するために、科学者たちは脳内にある「辺縁系ナビゲーションシステム」として知られる特殊なネットワークに注目しています。このシステムは、内部コンパスおよび地図として機能し、生物がランドマークを見る必要なく、自身の位置や方位を追跡することを可能にします。これは、特定のパターンで発火する異なる種類の神経細胞に依存しています。ある細胞は動物がどちらを向いているかを信号として送り、別の細胞は移動速度を測定し、第三のグループは空間内の位置を示す格子状のパターンを作り出します。数十年にわたり、研究者たちはこれらの異なる信号がいかにして処理され、統合されるのかを解明しようと試みてきました。一部のモデルは個々の細胞の発火パターンを再現することには成功していますが、それらはしばしば脳を単一の平坦な機械として扱っており、実際の脳が方向と速度を別々の、かつ接続された段階を経て処理しているという事実を見落としています。

ユニバーシティ・カレッジ・ロンドンの研究チームは、この溝を埋めるために新しい種類のコンピュータモデルを構築しました。彼らは、脳の階層構造を模倣するように設計された「階層型リカレントニューラルネットワーク」を作成しました。コンピュータにパッケージ化された単一の速度と方向の信号を与えるのではなく、動物がどれくらい旋回しているかという入力と、どれくらい前方に進んでいるかという入力を、別々に与えました。このモデルは、情報が特定の順序で伝達される4つの明確な層で構成されており、それはまるで原材料が段階的に加工されて完成品へと変わっていく工場の組立ラインのようです。最初の層は旋回信号を処理し、後の層はそれらの方向を速度と組み合わせることで、二次元空間における動物の正確な位置を算出します。

研究者たちが、動きのみに基づいて自分の位置を把握するという「経路統合（path integration）」のタスクを実行するようにこのシステムを訓練した際、ネットワークは単に数学的な問題を解くだけでなく、それ以上のことを学習しました。ネットワークは、ラットやマウスの脳に見られる実際の生物学的細胞と驚くほど似た内部表現を自発的に発達させたのです。モデルの最初の層は、動物が左または右に曲がったときに発火する細胞を生み出し、これは角速度細胞を反映していました。信号が第2層に移動すると、細胞は方向そのものにより集中するようになり、頭部方向細胞に似たものとなりました。より深い層では、ネットワークは、脳の嗅内皮質で見られる有名なグリッド細胞（格子細胞）と同じように、格子状に発火する細胞を生成しました。決定的なことに、モデルは方向と位置を組み合わせた細胞も生成しましたが、これは自然界で見られる複雑なタイプの細胞であり、単純なコンピュータモデルではめったに見られないものです。

研究者たちは、モデルに脳のような姿をとるよう強制したわけではなく、単にタップル（課題）を学習させただけでした。しかし、形成された内部の接続は既知の生物学的パターンと一致していました。ネットワークは、活動が円滑に循環できる環状の構造を発達させましたが、これは安定した方向感覚を維持するために不可欠であると考えられている特徴です。また、細胞間に特定の非対称な接続を作り出し、それによって動物が回転した際に内部マップを正しくシフトさせることができました。科学者たちがモデルの堅牢性をテストしたところ、モデルは訓練中に見たことのないはるかに長い距離をナビゲートできることが分かり、これはモデルが特定の経路を暗記したのではなく、移動に関する一般的な原理を学習したことを示唆しています。

これらの各パーツがどのように連携しているかを確認するために、チームは特定の細胞グループを無効化するという仮想実験を行いました。左への旋回を検知する細胞を抑制すると、モデルの内部的な方向感覚は継続的に右へとドリフト（漂流）し始めました。方向を感知する層と位置を感知する層の間の接続を遮断すると、位置を示す格子状のパターンが崩れ、その形を失い始めました。これらの結果は、動物の特定の脳領域を損傷させると同様の方向感覚喪失を招くという現実世界の実験結果を反映しており、モデルが異なる細胞タイプ間の因果関係を捉えていることを裏付けています。

最終的な高度なテストとして、研究者たちはモデルにリズムのあるパルスを導入しました。これは、移動中に発生するゆっくりとした電気的振動である、脳の自然な「テータ波」を模倣したものです。2つの旋回細胞グループが、この波のリズムに合わせて互いに抑制し合うようにすることで、モデルは内部マップを前後にスワイプ（掃引）し始めました。これにより、「テータ・スウィープ（テータ掃引）」、つまり脳が動物の現在位置の左右にある場所を次々と短期間にシミュレートする現象が生じました。この挙動は、実際の動物において最近観察されているものですが、研究者が明示的にプログラミングすることなく、シミュレーションの中で自然に発生しました。

この研究は、脳の複雑なナビゲーションシステムが、単なるパーツのランダムな集まりではなく、方向と速度が個別に処理された後に統合される、高度に組織化された階層構造であることを示唆しています。この構造を尊重したモデルを構築することで、研究者たちは、実際のニューロンとその回路の挙動を再現できる「デジタルツイン」を作り上げました。このアプローチは、脳の仕組みに関するアイデアを検証するための強力な新しい方法を提供し、科学者が生きている動物に対して行うのが困難または不可能な仮想実験を行うことを可能にします。この研究は、脳のナビゲーションシステムの特定のアーキテクチャが、単なる生物学的な偶然ではなく、動いている世界の中で位置を追跡するという問題に対する必然的な解決策であることを示しています。

技術要約：階層型RNNとしての辺縁系ナビゲーションシステム

問題提起
既存のタスク駆動型リカレントニューラルネットワーク（RNN）による空間ナビゲーションモデルは、グリッド細胞や頭方向細胞の表現を再現することに成功している。しかし、これらのモデルは通常、低次元の速度入力（例：アロセントな $v_x, v_y$ ）に依存しており、単一のタスクに対して単一のネットワークを用いて学習を行う。その結果、脳の自己定位回路における階層的な組織化を捉えることができていない。脳の回路では、異なる領域（背側囲索核、外側乳頭核、前背側視床、後亜丘部、および嗅内皮質など）が、経路統合を行う前に、特定の計算的役割（角速度、頭方向、線形速度）を個別に処理している。現在の単一RNNアプローチでは、創発した機能的サブモジュールを解剖学的に異なる領域へとマッピングすることや、相互接続された領域間における情報の流れを説明することに苦慮している。

手法
著者らは、自己方位および自己定位を同時に行うように設計された**階層型リカレントニューラルネットワーク（HRNN）**を導入する。このモデルは、辺縁系ナビゲーションシステムの機能モジュールに対応する4つのスタックされた「バニラ」RNNレイヤーで構成されている：

第1レイヤー： 生の角速度（ $\omega_t$ ）を入力として受け取る。
第2レイヤー： 第1レイヤーからの入力を受け取り、方位（頭方向）を予測する。
第3レイヤー： 第2レイヤー（方位）からの入力と線形速度（ $s_t$ ）を組み合わせて受け取る。
第4レイヤー： 第3レイヤーからの入力を受け取り、2次元の位置を予測する。

ネットワークは、20タイムステップにわたって、方向細胞（第2レイヤー由来）と場所細胞（第4レイヤー由来）のターゲット活動を同時に再構成するように、クロスエントロピー損失関数を用いて学習される。学習データは、角速度と線形速度が特定の分布からサンプリングされた、2.2m $\times$ 2.2mのアリーナ内でのシミュレーション軌跡で構成される。モデルはReLU活性化関数を採用し、最初の2つのレイヤーに対してL2正則化を適用している。

主要な貢献と結果

多様な細胞型の創発：
HRNNを学習させると、層ごとに生物学的な細胞型に類似した神経応答特性が自然に発生する：

角速度（AV）細胞： 主に第1層および第2層に見られ、第1層により高い割合で存在する。これらの細胞は、2つのバランスの取れたサブグループ（反時計回りの回転を好むAV+と、時計回りの回転を好むAV-）に分かれている。
頭方向（HD）細胞： 第1層および第2層に見られる。第1層と比較して、第2層では著しく強い方向チューニング（高い平均ベクトル長）を示し、これは外側乳頭核から後亜丘部への進行を反映している。
速度細胞： 第3層および第4層に存在し、第3層では線形チューニングを示し、第4層ではしばしば非線形または飽和的なチューニングを示す。
グリッド細胞： 第3層は結合型グリッド細胞（方向と位置の両方にチューニングされている）を示し、第4層は純粋なグリッド細胞が豊富であり、これは内側嗅内皮質（mEC）の第3層と第2層の間の遷移を再現している。

解剖学的モチーフの回復：
学習された回路は、明示的なハードコーディングなしに、生物学的システムで見られる特定の構造的・動的なモチーフを回復する：

リングアトラクタ力学： 第1層および第2層は、摂動を受けた際にネットワーク状態が多様体へと引き戻されるリングアトラクタ多様体を示し、これは頭方向回路のダイナミクスと一致している。
非対称結合： ネットワークは非対称な再帰結合を発達させる。AV+細胞は、わずかに反時計回りにシフトしたAV+細胞と強く結合し、一方でAV-細胞は時計回りにシフトしたAV-細胞と結合する。この非対称性により、角速度入力がリング多様体上の活動バンプを正しい方向にシフトさせることが可能になる。
空間コーディングにおける方向シフト： 第3層の方向細胞は第4層に対して非対称に投影し、位置を更新するために運動の方向に集団活動をシフトさせる。

摂動分析と汎化性能：

汎化： 短いシーケンスで学習されているにもかかわらず、HRNNははるかに長いタイムスケールでの経路統合を遂行する。
因果的摂動： AV+またはAV-のサブポピュレーションをノックアウトすると、方向表現が反対方向に連続的にドリフトする。第2層から第3層への接続をプルーニング（除去）すると、経路統合の精度が低下し、グリッド細胞の発火パターンが劣化する。これは、齧歯類における実験的な病変研究と一致している。

テータ周期によるテータスィープ：
第1層におけるAV+とAV-のサブポピュレーション間に、テータ周期に応じて交互に抑制をかけるテータ周期的な相互抑制を導入し、活動バンプを固定するための皮質フィードバックを加えることで、HRNNは双方向の左右テータスィープを再現する。これらのスィープは、パラ亜丘部や嗅内皮質で観察されるものであり、学習された非対称結合と課された振動的抑制の結果として出現する。
モデル比較：
制御アーキテクチャ（Flat RNN、Unstructured HRNN、およびFully Connected Multi-module RNN）との比較により、提案されたHRNNの特定のモジュール化された入出力構成と階層的なルーティングが極めて重要であることが示された。他のモデルもタスクを学習することはできるが、層固有の細胞分布（例：第3層における結合型グリッド細胞と第4層における純粋なグリッド細胞の濃縮）や、強力なリングアトラクタ力学、および組織化された非対称結合を確実に再現できるのはHRNNのみである。

意義
本論文は、階層型タスク駆動型RNNを、空間ナビゲーションにおける神経表現、回路モチーフ、および集団ダイナミクスを結びつけるための、生物学的に解釈可能なフレームワークとして確立している。角速度と線形速度の処理を異なる階層のレイヤーに分離することで、モデルは辺縁系ナビゲーションシステムの機能的組織を再現している。著者らは、このHRHRNが「デジタルツイン」として機能し、実験的に検証可能な予測（例：AV+細胞またはAV-細胞のノックアウトによる特異的な影響）を生成し、生体内（in vivo）では困難な標的を絞ったイン・シリコ（in silico）摂動を可能にすると主張している。本研究は、特定の計算タスクに基づいて訓練された規範的モデルが、神経系の構造的原理を再発見できることを示唆しており、メカニズム重視のモデルに対する補完的な視点を提供している。

関連論文