运动前皮层中决策动态与几何编码的统一原理

研究人员针对大脑如何编码动态认知变量这一未解之谜，在灵长类运动前皮层(PMd)开展决策形成过程的神经表征研究。通过开发新型计算框架同时推断群体动力学和单神经元调谐函数，发现异质性神经活动源于神经元对同一决策变量的多样化调谐，揭示了感觉与认知变量编码的几何统一原则，为理解高级认知的神经机制提供新见解。

　　

大脑如何将瞬息万变的认知过程转化为神经活动模式？这个问题的核心在于理解动态认知变量（如决策形成过程中的选择倾向）的神经编码机制。传统研究主要关注感觉变量的编码规律，例如视觉皮层神经元对刺激朝向的调谐曲线会形成环形群体几何结构。然而，对于决策等内部认知过程，由于单次试次轨迹不可观测且神经元反应高度异质，其编码原理长期存在争议。

为解答这一难题，由Mikhail Genkin、Krishna V. Shenoy、Chandramouli Chandrasekaran和Tatiana A. Engel组成的研究团队在《Nature》发表重要成果。他们创新性地开发了能同时推断群体动力学和单神经元调谐函数的计算框架，通过对猕猴PMd区决策相关神经活动的解码，首次揭示了认知变量与感觉变量共享的几何编码原则。

研究采用三个关键技术：1）基于朗之万动力学的非参数推断方法，直接从尖峰数据中发现潜在动力学方程；2）跨条件共享优化算法，确保调谐函数在不同刺激条件下的稳定性验证；3）特征一致性模型选择策略，区分真实动态特征与数据噪声。实验数据来自两只猕猴执行颜色辨别任务时的PMd区多电极阵列记录，包含128和88个经过严格筛选的神经元。

决策动态在单神经元中的表现
通过拟合单神经元模型发现，尽管神经元表现出高度异质的经典反应模式（如斜坡型或复杂时程），但97%的神经元（184/185）都遵循相同的单势垒动力学。潜在变量x(t)的轨迹由包含线性斜率和选择相关势垒的势函数Φ(x)驱动，初始状态p₀(x)集中在势垒顶部。这种动力学在不同难度条件下保持稳定，仅改变势垒高度和斜率陡度（易刺激条件斜率：-3.21±0.68 vs 难条件：-1.45±0.32，P<10^-10），而调谐函数f_i(x)的跨条件相关性达0.91-0.94，证实几何编码的稳定性。

神经群体中的决策动态
群体模型（15个会话）与单神经元模型相比具有同等或更好的解释力（留一神经元验证似然比：48.9[24.5-88.6]，P<10^-10）。关键发现是：整个神经群体编码相同的单维决策变量，异质性反应源于神经元对该变量的多样化非线性调谐。投影到前三个主成分（解释方差88%）显示，PMd的决策流形具有比经典两池吸引子网络更高维的几何结构。

从神经动态预测行为选择
无监督模型仅凭神经活动预测选择准确率达89.9%（猴T）和73.2%（猴O），显著优于逻辑回归解码器（P=0.014）。潜在轨迹与行为选择的对应关系证实，x(t)确实表征了决策变量的单试次动态。

决策计算的机制基础
通过构建秩二循环神经网络，研究阐明PMd的高维几何源自突触电流空间的双维动态与发放率非线性的交互作用。与经典吸引子网络相比，分布式连接允许更丰富的调谐模式，但两者都产生相同的单势垒动力学，实现"动力学-几何"的解耦。

这项研究确立了认知与感觉变量编码的统一几何原理，解决了神经元反应异质性与群体编码一致性之间的悖论。方法学上，创新的非参数框架为解析其他复杂认知过程（如工作记忆、注意）的神经机制开辟新途径。理论方面，发现吸引子动力学与高维几何的共存，为理解大脑如何平衡计算鲁棒性与表征灵活性提供了关键见解。正如研究者强调的："这种统计描述揭示了神经编码与计算的原则，实现了不同机制模型与实验数据的定量比较"。