后顶叶皮层单神经元手眼协调运动的组合编码（Compositional Encoding of Hand-Eye Coordinated Movements for Single Neurons in the Posterior Parietal Cortex）

《Cell Reports》：The compositional encoding of hand-eye coordinated movements for single neurons in the posterior parietal cortex

　　

人类后顶叶皮层（PPC）已知在手眼（H-E）协调中发挥作用，然而其底层编码机制仍然不确定。研究人员在1名人类参与者的11个临床会话中，从运动皮层（MC；n = 251）和PPC（n = 161）记录了412个单神经元，该参与者执行了一项H-E协调的中心-外出任务。尽管MC神经元表现出可忽略的、由眼球运动引起的调制，但79%的PPC神经元具有加性可分离的神经表征，可被分解为独立的手部运动调谐曲线和眼部运动调谐曲线。由于这种可分离性，表征可被分离并以加性方式重组，同时保持结构相似性。因此，仅基于单效应器（single-effector，SE）运动训练的组合解码器，其解码性能可与基于协调H-E运动训练的解码器相媲美（手部：66% vs. 69%；眼部：34% vs. 36%）。研究结果表明，在简单的中心-外出任务中，MC手部运动代码不受眼球运动影响，并且组合性可用于在PPC中模块化解码H-E协调运动。

**论文解读：后顶叶皮层单神经元手眼协调运动的组合编码**

**研究背景与问题**

后顶叶皮层（PPC）是背侧视觉通路的核心脑区，负责将视觉信息转化为行动指令，对手眼（H-E）协调至关重要。尽管非人灵长类研究已广泛探索PPC中H-E协调的编码机制，但人类层面的证据仍有限，且其底层编码方式尚不清楚。人类病变研究间接证实PPC损伤可导致视神经共济失调或空间忽视，表明视觉-动作转换受损。以往脑机接口（BMI）研究虽已分别解码手部和眼部运动，但对同时发生的协调运动解码尚未系统探索。此外，运动皮层（MC）中多变量运动表征具有组合性（即一种运动变量可表示为独立代码的加性组合），但视觉信号能否与运动信号在PPC中组合编码仍属未知。因此，本研究旨在测试PPC中的H-E表征是否具备组合结构，并验证这种结构是否支持组合解码。

**研究开展与主要结论**

研究人员在1名慢性四肢瘫痪参与者（RD，男性，40岁，C3/C4损伤，保留有限肩臂运动）上，使用64通道NeuroPort Utah电极阵列在11个临床会话中采集神经元活动，覆盖MC（251个神经元）和PPC上顶小叶（SPL；161个神经元）。参与者执行中心-外出任务，包括单效应器（SE）试验和双效应器（ME）试验。研究发现：MC神经元几乎不受眼动调制，而SPL中约79%的神经元具有加性可分离的神经表征，即联合调谐面可分解为独立的手部和眼部调谐曲线。SPL中约50%的神经元为混合选择性（同时对手和眼响应），其手部和眼部调谐在SE与ME情境间具有概括性。仅用SE数据训练的组合解码器在保留的ME测试集上，其解码精度与直接用ME数据训练的解码器相当（手部：66% vs. 69%；眼部：34% vs. 36%）。这些结果首次在人类SPL中证明H-E协调运动编码具有组合性，支持可扩展、高效的BMI解码策略。

**主要技术方法**

研究采用中心-外出任务与行为追踪，记录皮层层面的单神经元活动（NeuroPort Utah阵列，k-medoids聚类分拣）。核心分析方法包括：非参数估计调谐曲线（TC）与调谐面（TS）；通过交叉偏导数能量检验加性分离性，结合置换检验与Benjamini-Hochberg错误发现率（FDR）校正；利用置换检验评估效应器选择性；使用圆形核回归平滑调谐面，构建高斯似然并进行最大后验（MAP）解码。样本队列来源为1名人类参与者，数据采集覆盖11个临床会话。

**研究结果**

* **单神经元具有可组合且可分离的手眼表征**：示例SPL神经元的ME调谐面可分解为独立的手部与眼部調谐曲线，而其SE调谐曲线亦可加性组合成二维调谐面，表明H-E表征在单神经元水平具备可分离与可组合特性。

* **单神经元表征是可加性分离的**：基于交叉偏导数能量检验，MC中全部251个神经元（100%）均通过可分离性检验；SPL中127个神经元（79%）无显著交互项，34个（21%）存在统计显著的交叉导数能量。对于含交互项的SPL神经元，分解显示加性成分幅值（平均峰峰值1.43 ± 0.15 Hz）显著大于残差交互成分（0.73 ± 0.06 Hz），且残差仅解释总方差约26.7%。Hessian矩阵分析表明，平均交互曲率仅为手部主曲率的20%和眼部主曲率的30%。重建表面与经验表面之间的平均决定系数（R2）在MC为0.64，在SPL为0.57，平均Pearson相关系数分别为0.79与0.74。

* **SPL中的神经元是混合选择性的**：选择性分类显示，MC中约85%的神经元为手选择性，<1%为眼选择性，约14%为无选择性。SPL中约50%的神经元为混合选择性（手+眼），约39%为手选择性，约4%为眼选择性，约7%为无选择性。此外，对同向与反向H-E运动条件的比较未发现神经元对特定运动组合的偏好性编码。

* **神经元表征在实验情境间具有可概括性**：在MC中，手选择性神经元在ME与SE情境下，调谐曲线幅度与偏好方向（PD）显著相关（r = .75与r = .82）。在SPL中，混合选择性神经元的手部调谐在跨情境间保持高相关（幅度r = .60，PD r = .58），眼部调谐幅度中等相关（r = .45），而PD相关性较弱（r = .15），表明眼表征相对较弱且噪声较大。

* **组合式单效应器模型能解码多效应器行为**：仅用SE数据构建的组合调谐面与ME调谐面在Pearson相关、基线FR和峰值FR上均高度相似。在SPL群体上，ME模型的手部解码精度为69%、眼部为36%，SE组合模型分别为66%和34%。倒置衰减曲线显示两种解码器的性能缩放几乎一致，且都趋于相似的渐近上限。此外，结合MC与SPL群体进行ME解码，手部精度相对SPL单独解码有所提升（52.8% vs. 42.2%），但眼部精度基本不变（28.3% vs. 27.7%），与MC主要贡献手部信息相符。

**讨论与结论**

研究讨论指出，SPL中手与眼运动代码作为H-E协调运动神经表征的独立成分，这是撰文的核心发现。该发现表明在解码某些协调行为时，眼动活动可被分离或边缘化处理。研究者进一步提出识别组合性的三个充分必要条件：加性可分离性、混合选择性、可概括性。当这三个条件同时满足时，基于SE模块构建的模型可有效解码ME行为，从而减少BMI训练负担并提升解码泛化能力。研究还从数学上证明单神经元可加性分离可推广到群体水平的线性投影。结论部分指出，在常见BMI任务中，SPL神经元采用可分离、混合选择性和可概括性的H-E协调运动编码，这些属性共同提供了一个组合性框架，将模块化神经表征与模块化解码架构直接关联，并为未来构建更灵活的多效应器BMI奠定基础。