PNAS：大脑如何同时搞定“规律”与“特例”？

寒假提升计划

看了这么多顶刊文献，想要进行数据分析的心是不是蠢蠢欲动了？寒假期间 PsyBrain 脑心前沿团队会带来一些数据分析流程的讲解，配合示例数据和代码，带你跑通复杂的顶刊分析流程，欢迎大家关注~

如果你有感兴趣的、想学习的分析方法，欢迎给我们留言~

基本信息

Title:Distinct contributions of hippocampal pathways in learning regularities and exceptions revealed by functional footprints

发表时间：2026.1.16

发表期刊:PNAS

影响因子：9.1

获取原文：

1. 添加小助手:PSY-Brain-Frontier即可获取PDF版本
2. 点击页面底部“”即可跳转论文原网页

研究背景

记忆是一个充满矛盾的奇迹：我们既能从无数次相似的经历中提取出稳定的“规律”（例如，大多数鸟都会飞），又能精准地记住那些违反规律的“特例”（例如，企鹅是鸟但不会飞）。这种在概括化（Generalization）与特异性编码（Distinct Encoding）之间保持平衡的能力，被认为是海马体（Hippocampus）的核心功能。

长期以来，计算神经科学模型（如互补学习系统理论 CLS）提出了一种优雅的解释：海马体内部存在两条分工明确的通路。一条是单突触通路（MSP, Monosynaptic Pathway），直接连接内嗅皮层（ERC）与 CA1 区，负责快速提取共性、建立规律；另一条是三突触通路（TSP,Trisynaptic Pathway），经过齿状回（DG）和 CA3 区，负责通过模式分离（Pattern Separation）机制来编码那些独特的、容易混淆的特例。

然而，这一理论模型在人类实证研究中一直面临巨大的挑战。传统的功能磁共振成像（fMRI）研究通常将海马子区（Subfields）视为独立的“模块”（例如，整个 CA1 或整个 CA3 作为一个 ROI），或者简单地按前-后轴划分。这种粗颗粒度的分析方法往往无法捕捉到复杂的神经计算动态，导致模型预测与实验数据之间存在鸿沟。我们知道路在那儿，但却不知道车流是如何在这些道路上动态分配以支持不同类型的学习任务的。

近期发表于 PNAS 的一项研究，通过一种极具创新性的多模态成像技术 “功能足迹（Functional Footprints）”，成功地在人类大脑中验证了海马通路在概念学习中的动态分工。

研究核心总结

这项由多伦多大学与加州大学伯克利分校的研究者 Melisa Gumus 和 Michael L. Mack 合作完成的研究，巧妙结合了扩散加权成像（DWI）与功能磁共振成像（fMRI），揭示了海马通路在学习规律与特例时的独特贡献。

Fig. 1. Measuring activation of hippocampal pathway footprints during concept learning.

核心发现一：MSP 通路主导早期规律学习

研究者首先利用 DWI 追踪了每个被试海马内部的白质纤维束，定义了 MSP（ERC-CA1）和 TSP（ERC-DG-CA3-CA1）在子区上的“解剖终点”，即所谓的“足迹（Footprints）” 。在概念学习任务中，被试需要学习“喜阳”或“喜阴”的花朵分类，其中包括典型的锚点样本（Anchors/Regularities）、相似样本（Similar items）和违反规则的特例样本（Exceptions）。结果显示，在学习的早期阶段（即建立规则的阶段），MSP 相关的足迹激活与被试对锚点样本（规律）的学习表现呈显著正相关。这有力地支持了 MSP 通路负责快速提取环境统计规律、支持概括化的理论假设。

Fig. 2. Concept learning task design and performance.

核心发现二：TSP 通路主导晚期特例编码

随着学习的深入，当规则已经建立，被试开始处理那些容易混淆的相似样本和特例样本时，神经机制发生了切换。在学习的晚期阶段，TSP 相关的足迹激活显著预测了被试对相似项和特例项的学习准确率。特例样本在特征空间上更接近对立类别的锚点，因此需要极强的模式分离能力来避免灾难性干扰。TSP 通路（包含 DG 和 CA3）的延迟参与，恰好符合其通过正交化表征来解决高相似度冲突的计算角色。

Fig. 3. Distinct MSP- and TSP-related footprint activation in learning regularities versus similar items and exceptions.

方法论突破：解剖约束功能的必要性

本研究最令人印象深刻的一点是其控制分析的结果。研究者尝试使用传统的全子区分析（Whole-subfield analysis，如整个 CA1 或 CA3 的平均激活）以及海马前-后轴分析，均未能发现上述与学习行为的特异性关联。这表明，海马内的计算并不是在整个子区均匀分布的，而是高度依赖于特定的解剖连接通路。“功能足迹”方法通过利用白质纤维的解剖约束来定义功能感兴趣区（ROI），成功提取出了淹没在全子区噪声中的特异性神经信号。

Fig. 4. Traditional analyses of volume-based univariate activations do not fully capture learning dynamics.

关键意义

该研究为经典的互补学习系统（CLS）模型提供了直接的人类神经影像学证据，通过实证数据确认了：

1. 时间动态性：海马的学习机制从早期的规律提取（MSP主导）动态过渡到晚期的特例编码（TSP主导）。
2. 解剖决定功能：理解海马功能的关键在于“通路”而非单纯的“区域”。这一发现不仅解决了该领域长期以来关于海马通路功能的争议，也为未来研究记忆障碍（如阿尔茨海默病早期海马通路受损）提供了具有高灵敏度的新型神经标记物。

Abstract

Fundamental aspects of learning are theorized to be supported by hippocampal pathways: The monosynaptic pathway (MSP) extracts regularities, whereas the trisynaptic pathway (TSP) rapidly encodes exceptional items. Yet, the empirical evidence for the dynamic involvement of MSP and TSP in learning remains unresolved. We leveraged diffusion-weighted imaging to estimate the endpoints of MSP- and TSP-related white matter structures (i.e., footprints) within hippocampal subfields and the entorhinal cortex. We then measured the activation of pathway-specific footprints with functional MRI while participants learned novel concepts defined by regularities and exceptions. The functional footprint method revealed links between MSP-related footprint activation and regularity encoding early in learning and TSP-related footprint activation and exception encoding late in learning. These findings provide empirical evidence that learning concept regularities and exceptions is preferentially supported by hippocampal pathways. The pathway footprint approach provides insights into the functional dynamics of the human hippocampus, translating theoretical and computational work into empirically testable questions in humans.