计算神经科学新突破：关系神经控制技术揭示视觉皮层表征关系的网络级构型

本研究通过开发关系神经控制(RNC)技术，在计算机模拟环境中探索视觉皮层的表征关系。研究人员利用深度学习编码模型生成大规模fMRI响应数据，发现控制图像能对齐或解耦不同视觉脑区的单变量和多变量响应，揭示视觉皮层共享和独特表征内容随皮层距离和类别选择性的变化规律。该研究为理解视觉信息处理的网络机制提供了新范式，相关成果发表在《Nature Human Behaviour》。

　　

人类视觉系统是一个由多个皮层区域组成的复杂网络，这些区域通过层级连接共同表征视觉信息。尽管过去半个世纪的研究已经对单个视觉区域的功能特性有了深入认识，但我们对这些区域之间的表征关系仍知之甚少。传统神经科学研究采用"原子化"方法，使用实验者精心挑选的有限刺激集来逐个研究视觉区域，这种方法不仅可能引入实验者偏差，更无法捕捉视觉系统作为互联网络的工作机制。虽然解剖学和功能连接研究从网络层面考察了视觉系统，但这些研究忽略了网络编码的表征内容。

为解决这些挑战，来自德国柏林自由大学等机构的研究团队Alessandro T. Gifford等人开发了关系神经控制(RNC)技术，系统地探索了人类视觉皮层早期、中期和高级区域之间的表征关系。研究人员利用深度学习编码模型生成大规模的功能磁共振成像(fMRI)响应数据，通过计算模拟发现了能够对齐或解耦不同脑区神经响应的控制图像，从而揭示了这些区域共享或独特的表征内容。这项开创性研究发表在《Nature Human Behaviour》杂志，为理解视觉信息处理的网络机制提供了全新视角。

研究团队采用了几项关键技术方法：首先利用自然场景数据集(NSD)训练参与者特异性的深度神经网络编码模型，生成73,000张图像的计算机模拟(fMRI)响应；开发单变量和多变量关系神经控制算法，通过遗传优化寻找控制图像；使用多维标度(MDS)分析网络层面的表征关系构型；最后通过独立参与者实验验证计算发现。研究对象包括8名NSD参与者的fMRI数据和6名新参与者的验证实验数据。

RNC提供准确去噪的计算机模拟fMRI响应
研究团队首先训练了针对V1-V4、EBA、FFA、PPA和RSC等视觉区域的编码模型，这些模型能准确预测未见过的fMRI响应，噪声天花板归一化解释方差达53.29%-78.14%。通过编码模型生成的计算机模拟响应比实际fMRI数据噪声更低，且能扩展到所有73,000张NSD图像，使每位参与者的图像条件数量增加约7倍。

RNC控制早期和中期视觉皮层的单变量fMRI响应
研究发现控制图像能显著驱动或抑制大多数视觉区域对的单变量响应。随着皮层距离增加，区域间单变量响应的解耦程度增加而相关性降低，表明独特表征内容随皮层距离增加。遗传优化生成的简化图像显示，V1对高空间频率敏感，而V4对类物体形状敏感。

RNC控制早期和中期视觉皮层的多变量fMRI响应
多变量分析发现，控制图像批次能显著对齐或解耦所有区域对的表征相似性矩阵(RSM)。与单变量结果一致，多变量响应的解耦程度也随皮层距离增加。进一步分析表明，V1和V4共享的表征内容源于相似的视网膜拓扑特性，均匀图像区域会抑制对应视野位置的体素响应。

RNC控制高级视觉皮层的单变量和多变量fMRI响应
研究扩展到高级视觉区域EBA、FFA、PPA和RSC，发现具有相似类别选择性的区域(如EBA与FFA同属"有生命物体"组，PPA与RSC同属"场景"组)表现出更强的表征对齐和更弱的解耦，表明类别选择性影响高级视觉区域的表征关系。

视觉区域间表征关系围绕典型网络构型适应性变化
多维标度分析揭示了视觉皮层网络的典型构型：早期和中期区域的距离反映其层级位置；高级区域按类别选择性聚类；早期/中期区域比高级区域更相似。控制图像产生的构型可以否定一两个但不否定全部三个属性，表明表征关系围绕典型构型适应性变化。

计算机模拟发现的控制图像调控独立参与者的体内fMRI响应
通过fMRI实验验证发现，计算机模拟确定的控制图像能有效调控独立参与者V1和V4的单变量和多变量响应，成功完成了从计算机模拟发现到实验验证的完整实证循环。

这项研究通过创新性地结合计算机模拟和实验验证，首次系统揭示了人类视觉皮层网络层面的表征关系构型。关系神经控制技术不仅证实了已知的视觉区域特性(如V1对高空间频率、V4对物体形状的偏好)，更重要的是发现了网络层面的新规律：表征相似性随皮层距离减小而增加，随类别选择性相似而增加。这些发现为理解视觉信息如何在皮层网络中分布式表征提供了全新视角，建立的RNC方法也可推广到其他感觉系统和认知功能的研究。该研究代表计算神经科学方法的重要进步，展示了计算机模拟探索与实验验证相结合的策略在解决复杂神经科学问题中的强大潜力。

研究还提出了几个值得深入探索的方向：同时控制整个视觉网络(而非成对区域)可能发现新的表征关系构型；结合时间分辨的脑电或皮层内记录可以区分前馈和反馈信号对表征关系的贡献；将该方法应用于更前侧参与视觉处理的区域(如腹外侧前额叶皮层)将拓展我们对感知-认知交互的理解。这些发现和工具为未来研究视觉信息处理的网络机制奠定了重要基础。