Representations in the hippocampal-entorhinal system emerge from learning sensory predictions
Notice bibliographique
Résumé
The hippocampal formation and adjacent parahippocampal areas are central to intelligent behaviour such as memory and navigation. Understanding how systems in the brain generate structured representations from experience remains a fundamental goal in neuroscience. A central open question is whether a single computational principle can account for the diverse neural responses observed across the hippocampal-entorhinal circuit. Existing models often rely on hand-crafted features or specialized learning mechanisms unrelated to sensory observations, and typically express representations of only a small subset of known cell types. Further, representations learned in such models are often not empirically evaluated against neural representations observed in the navigating brain. Here, we introduce a neurobiologically-inspired and robust computational model in which diverse cell types emerge from a single learning objective with minimal hand-engineered assumptions. Our model applies contrastive graph representation learning to transitions between high-dimensional visual observations, constructing a metric space in which temporally adjacent sensory observations are mapped to nearby states. Inspired by the anatomical information flow of the hippocampal-entorhinal system, and anchored in output representations based on neural coding in the entorhinal cortex, the model gives rise to activity resembling place cells, grid cells, boundary vector cells, band cells, corner cells, and conjunctive cells among others. Across varied environments and sensory streams, the framework captures not only diverse neural response patterns but also the functional dependencies between them, mirroring the proposed sequential representational structure observed in the hippocampal-entorhinal system. Crucially, place-cell-like features of the model quantitatively reproduce remapping dynamics observed in CA1 of freely moving animals, and afford theoretical explanatory power of existing neurobiologically-informed models. This work thus offers a unified computational model of spatial coding in the hippocampal-entorhinal system and a testable framework for generating mechanistic hypotheses in silico , to be evaluated in vivo .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».