编辑推荐：
在神经科学研究中，不确定性在感觉处理至关重要，但缺乏定量研究。研究人员以初级体感皮层前肢区（fS1）为对象，开展振动频率辨别任务研究。结果表明 fS1 神经表征编码多种不确定性，且随学习动态变化。该研究为理解大脑决策机制提供新视角。
在复杂多变的世界里，我们的大脑时刻都在处理着各种不确定的信息。想象一下，你走在大街上，周围的声音、光线、触感等各种感觉信息不断涌入大脑，而大脑需要在这些充满噪声和不确定性的信息中做出判断和决策。例如，听到汽车的喇叭声，大脑要迅速判断声音的来源和危险程度，从而决定是否需要躲避。在这个过程中，不确定性起着关键作用。然而，以往的神经科学研究在对大脑中不确定性的定量研究方面存在不足，大多采用相关性或代码驱动的方法，这些方法往往受到诸多限制，难以全面、准确地分析神经不确定性。
为了填补这一空白，首尔国立大学医学院的 Soonho Shin、Sang Jeong Kim 等研究人员开展了一项极具创新性的研究。他们以初级体感皮层前肢区（fS1）为研究对象，利用深度学习方法，对小鼠在振动频率辨别任务中的神经活动不确定性进行量化研究。该研究成果发表在《Experimental & Molecular Medicine》杂志上，为我们理解大脑在感觉处理和决策学习过程中的神经机制提供了全新的视角。
研究人员主要运用了以下几种关键技术方法：
- 行为实验：对 15 只 8 - 16 周龄的转基因小鼠进行一系列行为训练，包括习惯化训练、振动适应训练等，使其适应实验环境和任务要求。之后进行振动频率辨别任务，通过记录小鼠对不同频率振动刺激的舔舐反应，评估其行为表现。
- 双光子（2P）钙成像技术：在小鼠 6 - 7 周龄时进行手术，在其 fS1 区域植入定制装置，用于后续的钙成像实验。实验中，使用 2P 显微镜对 fS1 层 2/3 的锥体细胞进行成像，记录神经元对振动刺激的钙信号变化，以此反映神经元的活动情况。
- 深度学习模型（Transformer 模型）：开发了一种改进的 Transformer 模型 ——neuron transformer，用于处理可变长度的神经活动序列数据。该模型无需位置编码，能够有效学习神经群体模式，从而解码刺激和反应信息，并通过蒙特卡罗随机失活（MCD）技术量化神经不确定性。
下面来详细看看研究结果：
- 小鼠学习成果显著：经过 8 天的训练，小鼠在振动频率辨别任务中的正确反应率达到 97.4%。训练初期，小鼠的预运动（premovement）明显减少，反应时间也逐渐缩短。通过分析小鼠对不同刺激的反应，绘制出心理物理学曲线（psychometric curve），发现小鼠在面对 240Hz - 360Hz，尤其是 280Hz - 320Hz 的振动刺激时，决策难度较大，不确定性较高。
- fS1 层神经元功能动态变化：在任务过程中，fS1 层 2/3 的锥体细胞表现出不同的荧光模式。对 “go”（600Hz）刺激有反应的神经元，部分只在 “hit” 情况下有反应，部分在 “hit” 和 “miss” 情况下均有反应；舔舐诱导的神经元在错误警报（false alarm，FA）和意外奖励（unexpected reward，UR）时活动增加。随着学习的进行，“go” 神经元和舔舐神经元在所有观察到的神经元中的比例显著增加。
- 刺激和反应解码有效：利用 neuron transformer 模型对 fS1 的神经群体活动进行分析，发现该模型能够有效解码刺激（200Hz 与 600Hz）和反应（舔舐与不舔舐）信息。随着学习的推进，模型对刺激和反应的解码能力不断提高，且能够区分不同类型的反应，排除了简单的刺激 - 反应混淆因素。
- 神经不确定性量化及变化规律：通过在模型中应用 MCD 技术计算方差来量化神经不确定性，发现学习过程中神经不确定性呈现动态变化。在第 5 天前逐渐降低，第 6 天因周末实验暂停而升高，之后又降低。在不同频率下，200Hz 和 “toss - up” 频率（240Hz - 320Hz）的神经不确定性较高。基于反应类型分析，“hit” 和 “probe lick” 情况下神经不确定性显著降低，且小鼠的任务表现（d'）与神经不确定性呈显著负相关。
- 学习前后神经不确定性差异明显：在学习初期（前 3 天，naive 阶段），小鼠 fS1 的神经不确定性在频率和反应类型上没有显著差异；而在学习后期（后 3 天，expert 阶段），200Hz 时神经不确定性显著降低，“toss - up” 频率处升高，且基于反应类型的神经不确定性在正确试验（“hit”、“correct reject”）中明显降低，在 “miss” 时异常高。
- 前后试验关系影响神经不确定性：研究发现，在 naive 阶段，前一次试验的反应类型对当前试验的神经不确定性影响不大；而在 expert 阶段，当之前的试验为 “miss”、“reward omission”（RO）或 “UR” 时，当前试验的神经不确定性会有显著差异，表明学习后小鼠可能会对个体经历的不确定性进行差异化评估。
研究结论和讨论部分指出，该研究通过使用无位置编码的 Transformer 模型，突破了传统研究方法的限制，为神经解码提供了更有效、实用的框架。研究结果表明，不确定性在 fS1 中的神经表征受多种复杂因素影响，不仅与刺激相关，还与决策过程密切相关，且在学习过程中动态变化。这一研究成果有助于我们更深入地理解大脑在不确定环境中的决策机制，为后续研究神经递质（如多巴胺、去甲肾上腺素）与不确定性的关系，以及探索与不确定性相关的疾病（如精神分裂症、自闭症谱系障碍）的发病机制和治疗方法提供了重要的理论基础。同时，该研究在深度学习技术应用于神经科学研究方面也具有重要的创新意义，为跨学科研究开辟了新的道路。
