当输入难以识别时,运动皮层如何编码纠正性运动?

模型集成让 LFADS 推断运动皮层输入,发现两只猕猴的初始与纠正性伸手共享编码。

直接答案

在三只猕猴中的两只身上,推断进入初级运动皮层(M1)的输入,对视觉指令的初始运动和在线纠正表现出相似的调谐,提示二者共享一套输入编码,只是此前被 M1 自身的动力学掩盖。论文的关键限定是可识别性:第三只猴的数据仅处于边缘可识别或不可识别,因此共享编码的结论只在模型集成结果一致时成立,并非普遍适用。

1篇文献引用

本文由 WisPaper 驱动的搜索和论文分析生成。

为何 M1 的输入难以分离

M1 的活动混合了两个来源:皮层自身产生的活动模式,以及从其他区域传来的信号。用动力系统解释伸手运动时,研究者把 M1 视为一个短暂自主的系统:它的旋转式动力学由初始状态设定,并由一个不随条件变化的信号触发。这一图景适合短暂、基本开环的伸手动作,却几乎没有为间歇性的外部信号留出位置;而当目标移动、动作必须在中途修正时,猴子恰恰需要这类信号。

因此,论文面对的是一个推断问题。如果一段群体反应既可以用内在动力学解释,也可以用外部输入解释,那么仅凭数据可能无法判断究竟是哪一种。作者把这种情况称为不可识别性:不同的模型,或不同的超参数设置,可以同样好地拟合记录到的放电率,却暗示出不同的输入结构。任何关于 M1 如何编码纠正指令的论断,都取决于能否先证明这些输入可以被还原出来。

LFADS 分离内在动力学与推断输入

作者用潜因子动力学分析(LFADS)对放电数据建模,这是一种循环神经网络自编码器。对每个试次,它估计一个初始状态,让学到的动力系统(生成器)向前演化,产生低维因子,再通过广义线性模型把这些因子映射回放电计数。当自主生成器无法重建数据时,一个旁路控制器会加入随时间变化的输入流;因此,一处被推断出的输入,标记的是群体活动无法由皮层自身动力学简洁解释的时刻。

数据来自三只雄性猕猴 M1 的 Utah 阵列记录,猴子执行随机目标追踪任务,手臂运动被双连杆外骨骼限制在水平面内。前一个目标一被触到,新目标就立即出现,且不要求猴子停下或保持,因此它们产生连续绕行的轨迹,需要频繁在线修正。正是这一设计,才让纠正性输入变得可观察。

输入通过提升解码表现证明自身价值

LFADS 只用电生理数据训练,不使用行为数据,因此与行为的一致程度构成对拟合的外部检验。加入外部输入后,运动学解码优于不含输入的模型:含输入时 r² = 0.75 ± 0.08,不含输入时 r² = 0.39 ± 0.08,数值为跨猴的平均 ± 标准差。用 LFADS 去噪后的单试次放电率解码,也优于直接用原始放电率解码(r² = 0.46),说明模型还原出了可用的单试次轨迹,而不只是平均结构。

推断出的输入本身是稀疏的:较高的基尼系数表明活动在时间上高度集中,而稀疏性在接近运动学解码最优的输入惩罚值处达到峰值。因此作者关注的是幅度大、持续时间短的偏移,而非低平的基线。这一点对解读很重要,因为稀疏的瞬态与持续驱动是两种不同的对象,而用来得到它的惩罚参数会影响模型报告的内容。

输入时序锁定目标出现而非伸手动作

把各次目标呈现对齐后取平均,三只猴的推断输入幅度都在目标出现后约 50 ms 达到峰值。这一峰值与以往报道的、从视觉运动线索到 M1 活动开始变化之间的潜伏期相吻合。当作者提高判定输入的门槛时,峰值在 50 ms 附近变得更尖锐,说明最大的瞬态也是时序最一致的。

决定性的比较针对同一个瞬态做两种对齐:相对目标呈现的潜伏期,与相对运动起始的潜伏期。相对目标呈现的潜伏期,其方差和半高宽都小于相对初始运动的潜伏期(两者均 p < 0.001,置换检验)。作者据此认为,这些瞬态与视觉输入有关,而反应时的差异并不能由输入时序的波动解释,可能来自这些输入与 M1 动力系统当前状态的相互作用。这是对时序模式的解释,而非对相互作用的直接测量。

输入以手为中心坐标携带目标方向

为检验这些瞬态是否有意义,作者按手到目标的方向对目标分箱,再对每个箱内的输入取平均,得到类似调谐曲线的结果。用输入解码目标位置只在很窄的时间窗内有效:一旦解码窗口的起点晚于目标呈现后 50 ms,表现就急剧下降。相比之下,放电率在整个试次中都能稳定预测目标位置。作者的解释是,输入短暂地编码了运动,却持续改变了系统状态,因此这种编码在 M1 活动的后续演化中得以延续。

输入还带有坐标框架。一个非线性解码器预测目标位置时,以手为原点优于以肩为原点:猴 RS 为 r² = 0.70 对 0.53,MK 为 0.63 对 0.39,RJ 为 0.46 对 0.21(每只猴均 p < 0.001,校正 t 检验),每只猴的第二个记录时段结果类似。作者将此与 M1 上游的额顶伸手网络中手中心的表征相比较,同时提醒:手与肩的二元比较只是对参考框架的粗略描述。

初始与纠正性运动共享输入编码

推断输入不仅出现在目标呈现之后,也出现在纠正性子运动前后;后者由手部速度的局部极小值识别。在运动起始前 350 至 50 ms 的窗口内对输入取平均,作者得到了初始运动和纠正运动各自的调谐曲线。两种表征高度相似:总体相关为 0.89(95% CI [0.83, 0.93]),各猴分别为 RS 0.93、MK 0.97、RJ 0.82。

这是论文的核心编码结果。作者指出,如果输入是准确的,这一结果会令人意外,因为放电率对延迟运动与非延迟运动的调谐有所不同,且在试次不同时点也不一致。他们给出两种解读。若输入是引导 M1 进入新状态的准备性信号,这种相似性与以往关于准备活动在不同情境中保持一致的发现相符。另一种可能是,大脑其余部分无需区分指令与纠正,观察到的差异来自输入遇到一个已处于不同状态的系统。论文还报告,在最大速度附近没有输入,这与先前关于初始冲量修正时机的假设不符。

模型集成判断输入何时可信

可识别性问题借助已知真实值的模拟来回答。LFADS 能准确、可靠地还原单试次轨迹,但它对动力学与输入的分离,在某些模拟情形下可识别,在另一些情形下则不可识别。由不同超参数构成的模型集成充当诊断工具:集成成员结果一致时,输入可识别;结果分歧时,拟合无定论。与持续输入的网络相比,瞬态输入的网络给出更好的集成一致性和与真实值更高的一致性。

应用到猴子数据上,由去相关输入、快速衰减和慢速衰减三种设置构成的集成,在两只动物上结果一致,支持对输入编码的有意义推断。对第三只猴 RJ,部分集成结果仅在 p < 0.05 水平显著,说明这些数据只是边缘可识别,初始与纠正的比较没有定论。作者无法确定原因;他们列出试次数较少、阵列位置、采样到哪些神经元、输入时间常数,以及 RJ 明显更慢的运动等可能因素,并强调在没有真实输入的情况下,任何此类解释都只是推测。

共享编码如何改变对 M1 角色的理解

真正值得关注的,不只是输入存在,而是在剥离内在动力学之后,指令与纠正的输入调谐看起来相同。作者认为,这指向运动功能比原先设想更明显的分区化:M1 作为运动生成器,纳入运动情境,而输入传递目标信息,无需为反映当前运动细节而做复杂调制。他们还将这一结果与控制论视角联系起来,即外部输入在准备和执行期间持续稳定并修正神经轨迹。

边界由可识别性而非任务设计划定。作者并不知道理想的超参数取值,也因计算成本无法探索全部参数空间,因此跨其他 LFADS 设置(包括生成器正则化)的稳健性仍未检验。他们的内部检验是:输入时序一致性、稀疏性、纠正前是否出现以及可解码性,都在相近的超参数取值处达到峰值;外部检验则是初始运动的结果与顶叶皮层编码结果一致。可以带走的结论是有条件的:集成结果一致时,进入 M1 的输入似乎用一套以手为中心的编码同时表示初始伸手和纠正性伸手;不一致时,如 RJ 的情况,同样的分析无法就编码给出结论。

本文引用的文献

1

Combatting nonidentifiability to infer motor cortex inputs yields similar encoding of initial and corrective movements

LFADS 模型集成推断出稀疏的 M1 输入,其时序锁定目标出现,并在三只猕猴中的两只身上对初始与纠正性运动表现出相似调谐,而第三只猴的数据仅处于边缘可识别。