桥接认知地图：空间交替任务与海马-前额叶环路的分层主动推断模型

认知问题解决受益于辅助导航与规划的认知地图。先前研究表明，用于物理空间导航的认知地图涉及海马（HC） allocentric 编码，而用于抽象任务空间的认知地图则调动内侧前额叶皮层（mPFC）任务特异性编码。解决具有挑战性的认知任务需要整合这两类地图。多走廊设置中的空间交替任务即是例证：诸如啮齿动物等动物在迷宫走廊中执行交替模式后获得奖励。现有研究证实了 HC-mPFC 环路参与空间交替任务，且其受损会损害任务表现。然而，解释该环路如何整合任务相关与空间信息的完备理论尚缺。我们提出了一种新颖的分层主动推断模型，通过融合物理与任务空间认知地图，阐明 HC-mPFC 环路如何解决空间交替任务。通过一系列仿真，我们证明该模型的双层利用受生物学启发的方法——克隆结构认知图，获得了用于物理（HC 地图）与任务（mPFC 地图）空间内导航的有效认知地图。模型通过两层间的互惠交互解决空间交替任务。重要的是，破坏层间通信会损害困难决策，与实证发现一致。同一模型展示了在多种交替规则间切换的能力。然而，抑制两层间信息传递会导致持续行为，与实证发现一致。总之，我们的模型为 HC-mPFC 环路如何支持空间交替任务及其受损如何削弱任务表现提供了机制性解释。