额顶网络跨脑区时序序列计算中的独立性与相干性

《Nature Communications》：Independence and coherence in temporal sequence computation across the fronto-parietal network

　　

时间处理需要分布式且协调的皮层动力学，然而多个脑区如何在相干（coherence）与独立（independence）的时间表征之间灵活切换仍不清楚。研究人员使用介观（mesoscale）双光子钙成像（two-photon calcium imaging），同时记录了执行新型交替间隔计时任务（alternating-interval timing task）的小鼠次级运动皮层（secondary motor cortex, M2）与后顶叶皮层（posterior parietal cortex, PPC）的神经元群体活动。两个脑区均通过相似的高维序列活动编码流逝时间，解码分析揭示了跨脑区共享的相干时间误差以及局限于单一脑区的独立误差。通信子空间分析（communication-subspace analysis）表明时间信息分布在多个低方差共享维度中，而主导共享维度优先编码行为。具备稀疏网络间耦合（sparse inter-network coupling）与共享高方差噪声的孪生循环神经网络（twin recurrent neural network, twin-RNN）模型重现了这些实验结果。扰动与局域Lyapunov指数（local Lyapunov exponent, LLE）分析进一步表明不同共享子空间可选择性促进相干或独立模式。这些结果揭示了稀疏耦合与共享全局涨落如何使额顶时间计算兼具稳健性与灵活性。

研究背景方面，时间处理是广泛认知功能的基础，神经时间表征已在前额叶皮层、M2、PPC及基底节、小脑等皮下结构中被广泛观察到，传统上表现为神经元活动的递增（ramp-up）或递减（ramp-down）模式，而中间时刻达峰的序列活动（sequential activity）也普遍存在。非人灵长类在间隔计时任务中额叶与顶叶皮层均报道过ramp与序列模式，说明这些编码 motif 在物种间保守。对于秒级时间处理（对工作记忆、动作计划与准备至关重要），高阶皮层如M2与PPC扮演重要角色。由于时间表征脑区被认为在功能上相连，其时间表征可能全局同步；反之当各脑区需跟踪不同事件的流逝时间时，活动可能异步。当多个脑区共享时间信息时，需灵活切换于相干模式（所有区域共用一个时钟）与独立模式（每个区域维持自身局部时钟）之间。通信子空间假说（communication-subspace hypothesis）认为脑区间相互作用由选择性低维群体活动模式介导，为理解这种切换提供了框架。M2–PPC环路互为投射且支持工作记忆与感觉预测，其往复皮层–皮层连接在维持记忆痕迹中至关重要，但主导共享活动与工作记忆无关，而可能与运动信息相关；解剖上M2与PPC具有稀疏长程兴奋性投射与广泛共享输入的特征，理论上适合调节独立与相干之间的切换；且两者位于小鼠脑背侧皮层表面，便于同时大视野双光子成像与实验–模型直接比较。RNN建模研究推进了对秒级时间处理如何实现的理解，但多数现有模型聚焦单一功能环路，忽略了共享低频噪声、稀疏长程兴奋等关键生物学约束，限制了与实验的对应；因此需要具备通信子空间基础的生物学接地多RNN框架来桥接皮层间通信实验与理论模型。本研究结合行为、介观成像与建模揭示M2–PPC网络如何平衡相干与独立时间编码，研究人员假设此平衡源于稀疏脑区间兴奋与共享低频全局涨落的交互，具体通过：(1)开发新型交替间隔任务（alternating-interval task, AI任务），6秒与12秒间隔交替出现；(2)使用Diesel2p介镜（mesoscope）同时记录M2与PPC数千神经元；(3)基于数据构建并分析孪生RNN（twin-RNN）模型以在受控环路约束下检验假设。结果显示该双因子机制成立：稀疏脑区间兴奋促进相干，共享1/f型全局涨落偏向独立；分布式时间编码反映了稳健性与灵活性的权衡，使稳定计算得以支持多样行为需求。论文发表于《Nature Communications》。

主要关键技术方法方面，研究人员使用5只水限制头部固定小鼠（包括C57BL/6Jcl与Ai162品系），通过AAV（腺相关病毒）介导GCaMP8s表达（新生P1颅内注射或成年局部注射）在M2与PPC层2/3广泛表达钙指示剂；功能界定脑区时辅以单光子钙成像结合感觉刺激（体感振动刺激躯干、尾、触须）对齐Allen小鼠脑图谱；手术植入定制头板与超大颅窗（7 mm×7 mm盖玻片插件）以暴露全背侧皮层；使用定制Diesel2p介镜（mesoscope）以920 nm飞秒光纤激光双光子成像同时捕获M2与PPC的大视野（FOV约4.25×3 mm），采集层2/3（100–150 μm深）群神经元钙信号；图像预处理用TurboReg配准、Suite2p提取ROI、非负去卷积（fast-oopsi）与高斯滤波；行为上开发AI任务（6 s与12 s间隔交替，每18 s为一周期），训练小鼠习得交替预测舔取奖励；单次成像session伴持续AI任务执行；数据分析上采用对比主成分分析（contrastive principal component analysis, cPCA）降维优先保留试次内方差而压制试次间方差，用随机森林分类器解码流逝时间（1 s窗），用岭回归（ridge regression）建编码模型评估神经元与舔率、时间窗的关系；用典型相关分析（canonical-correlation analysis, CCA）与偏最小二乘（partial least squares, PLS）提取脑区间共享子空间，并开发CARP（Canonical-component Ablation–based Representation Probing，典型分量剔除表征探测）与PARP（PLS-component Ablation–based Representation Probing）量化各共享分量对时间/行为信息的解码贡献；定义相干误差（两脑区解码偏移≤1 s且至少一区偏移>1 s）与独立误差（仅一区偏移>1 s）并bootstrap检验；计算序列性指数（sequentiality index）、峰值熵（peak entropy）、时间稀疏性（temporal sparsity）、噪声相关（noise correlation）；用孪生RNN（各512单元，80%兴奋/20%抑制，Dale定律，稀疏相互连接概率p_c=10^?3）模拟M2与PPC，注入秩2的1/f粉红噪声（pink noise）模拟共享高频方差全局涨落，输入为交替6 s/12 s脉冲cue；用BPTT（backpropagation through time）与Adam优化器训练输出绝对时间与相对时间（四次函数ramp）；定义DLIC（Dual LLE-based Independence vs Coherence，双局域Lyapunov指数独立性–相干性指数）Δλ=λ_coh?(λ_indep,A+λ_indep,B)/2，其中λ_indep为单RNN沿典型方向的局域Lyapunov指数（local Lyapunov exponent, LLE）表征单吸引子收敛速率，λ_coh为两RNN典型得分差动态的LLE表征再同步速率；通过定向扰动（沿CCA分量或加权混合前2与其余分量）探察误差模式；统计上使用Wilcoxon秩和/符号秩、置换检验、bootstrap、Spearman/Pearson相关等，多次比较时注明校正。

研究结果如下：

Development of an alternating-interval task：研究人员设计了AI任务，6 s与12 s间隔交替连续出现，每18 s为一周期（6 s间隔0–6 s，12 s间隔6–18 s），要求小鼠基于前序间隔历史更新内部状态以预测下一间隔并舔取奖励。结果显示小鼠逐渐习得区分两种间隔，训练早期在12 s间隔仍于6 s附近出现预期舔（licking），后期发展为12 s处明显预期舔峰，而6 s间隔始终维持6 s预期舔峰；量化显示12 s间隔内第5 s舔率快速下降趋稳，第11 s舔率随训练渐增，早晚期session差异显著，表明小鼠学会了6 s与12 s交替的规律。

Mice learn the AI task：同上行为结果，证实头部固定小鼠可掌握AI任务，为神经记录提供需连续内部时间更新且无单试次割裂的生态学合理范式。

Single-neuron activity was similar in M2 and PPC：介观双光子同时成像M2与PPC（每sessionM2约1463±418神经元，PPC约815±590神经元），按6 s间隔峰值排序显示全时长覆盖的序列活动；单体例包括奖赏后即刻激活神经元、在6 s与12 s间放缩（temporal-scaling）神经元、数秒后达峰神经元；分类上绝对时间神经元（峰值时间比12 s/6 s∈[0.9,1.1]）M2占8.03%，PPC占8.11%；相对时间（缩放）神经元（比值∈[1.9,2.1]）M2占4.83%，PPC占5.48%；绝对时间在M2边际显著多于PPC（无整体差异但M2 p=0.03趋势）；岭回归编码模型显示与舔率、时间窗相关的神经元比例在M2与PPC间无显著差异，说明两脑区单体任务相关性与时间表征可比。

Similar sequential dynamics exhibited by population activity in M2 and PPC：群体层面峰值熵、时间稀疏性、序列性指数在两脑区间无显著差异；噪声相关分析显示同区内峰值时间近的神经元对波动相关更强（跨6 s与12 s区间均成立），跨M2–PPC对亦如此，表明时间偏好相似的神经元通过突触或共同输入相互作用。

Both M2 and PPC exhibit high-dimensional representations of time：UMAP可视化cPCA降维后18 s活动成环形流形；cPCA（选w=0.6 M2, 0.5 PPC最优）降维后用随机森林解码流逝时间（18类，1 s窗），两脑区解码准确率中等且无显著差异；最佳维度约15–50维，表明两区均用高维分布式编码时间；混合两区神经元解码并未优于单独区，暗示时间表征非独立而是相互关联。

Two types of errors in the temporal representations of M2 and PPC：解码误差分析显示存在独立误差（一区正确一区错）与相干误差（两区同偏移≤1 s且至少一区错），联合分布呈十字（独立）加对角带（相干）；两区均错时偏移差<1 s显著过多；跨session独立误差率（0.38±0.013）高于相干误差（0.17±0.010），比值约2.2±0.14且稳定跨动物；两类误差率均显著高于shuffle对照组，说明额顶网络同时具备相干与独立时间编码且平衡保守。

CARP revealed the information carried by the shared subspaces：CCA提取M2–PPC共享典型分量（canonical components），CARP剔除第N分量后解码跌幅表明：时间信息非由第1（最大共享）分量承载而是峰值在第5分量，且由至多第6分量广泛贡献（高维分布）；而舔率解码主要由第1–2分量贡献（低维）；PLS替代CCA得PARP类似结果；剔除舔率回归后残差活动CARP时间结构不变；此外典型得分差|M2–PPC|与解码时间差相关（至第9分量显著），说明时间相干性由分布广的共享维度维持，行为信息居主导大方差低维子空间。

Relationship between temporal coherence and corticocortical communication：典型分量得分差与两区解码时间差相关（至第9分量显著），即时间估计越相近，典型投影差越小，支持时间相干性由多维共享动态维系。

Twin-RNN model emulating the dynamics of M2 and PPC：为解释实验双重特征（相干/独立平衡+时间信息低方差高维共享子空间vs行为信息高方差低维共享子空间），构建twin-RNN（A/B各512单元，稀疏互连p_c=10^?3，仅兴奋投射），注入秩2共享1/f粉红噪声（模拟实验第1 CCA分量1/f谱）；训练AI任务（绝对时间线性输出+相对时间四次ramp输出）后双网络高精度；单体呈现多样时序模式（奖赏后、缩放、晚峰等）；序列性指数与实验值匹配（有共享1/f噪声优于无）；噪声类型对照：白噪声与布朗噪声（1/f²）学习性能近似1/f噪声，但若两RNN接收独立1/f噪声则学习效率剧减，说明共享低维高方差噪声是关键；学习受噪声幅值与秩影响较小但默认参数适度。

Synaptic organization of learned twin-RNN：训练后兴奋→兴奋权重大小随前后神经元峰值时间差减小而单调增（同区与跨区均然），抑制→兴奋权重在峰值近时减弱（弱抑制），稀疏互连权重亦呈峰值近强、远弱；说明时序序列由局部同峰兴奋互促+异峰抑制生成，跨区稀疏兴奋亦依时间对齐组织，与实验噪声相关结构一致；LLE分析：沿输入向量λ_indep训练中升至近0（保留输入影响），沿共享1/f噪声向量λ_indep下降（更快阻尼噪声），读出向量与噪声向量余弦相似度训练中下降（输出正交化噪声），表明网络学会保持输入、抑制噪声、使输出正交噪声维。

Sparse inter-RNN connections and common 1/f noise reproduce experimental data：瞬态扰动诱发独立与相干误差并现，联合分布十字+对角带与体内一致；默认p_c=10^?3时独立/相干误差比近似实验~2；p_c增大降低两误差率但独立/相干比下降（趋相干）；CARP on RNN：时间解码贡献分散于高序分量（第3,6,7,8,10,15,16等显著），非第1–2分量；1/f噪声解码仅第1–2分量显著；复现实验特征：最大共享维（高方差）为行为/噪声、时间信息在低方差高维共享子空间。

Connection probability and perturbation direction determine inter-RNN coherence：极端p_c=0仅独立误差，p_c=1仅相干误差；p_c从10^?5增至10^?1独立/相干误差率单调降但独立/相干比降；沿CCA分量定向扰动：前2分量（噪声主导）扰动后独立误差居多，第3–10分量（时间编码维）扰动后相干误差居多；扫描扰动方向权重d（前2分量平方权和占比）与p_c二维参数空间，独立/相干比≈2出现在限定窄域，说明实验平衡需联合调连接与扰动方向（即自然输入/噪声方向）。

DLIC reveals how perturbations along the common-noise axes preferentially induce independent errors：定义λ_indep（单RNN沿典型方向LLE，负为收敛），λ_coh（两RNN典型得分差动态的LLE，负为再同步）；DLIC Δλ=λ_coh?均值λ_indep，若Δλ大偏向独立（再同步慢于自收敛），Δλ小偏向相干（再同步相对快）；结果显示前2 CCA分量（噪声维）Δλ较大（自收敛很快但相互再同步无额外快）→扰动后各自稳于自身吸引子再同步慢→独立误差；第3–10分量（时间维）Δλ较小（再同步相对快）→相干误差；训练中前2分量λ_indep下降显著（专门阻尼噪声维扰动），而时间维Δλ变化小；解析DLIC近似∝?(v_i^TS_au_i+u_i^TS_bv_i)（S为互连权），即取决于互连与扰动方向对齐度：对齐强则Δλ小（相干），弱/反平行则Δλ大（独立）；训练期间互连与前2分量（噪声轴）对齐度相对降，与时间轴对齐度变不大，导致噪声轴DLIC大（独立偏向），时间轴DLIC小（相干偏向）。

讨论部分总结：本研究开发AI任务结合介观双光子成像与twin-RNN建模，揭示额顶M2–PPC时间编码可在相干与独立模式间灵活切换，其共享动态分层：时间信息在低方差高维子空间，行为信息在高方差低维子空间（第1–2 CCA分量）；twin-RNN仅需稀疏互连(p=10^?3)与共享1/f噪声即可复现独立/相干误差比~2与共享子空间分离；DLIC分析表明全局噪声轴（高方差共享维）因单网络自收敛快但相互再同步无额外增益（Δλ大）引发独立误差，稀疏长程兴奋（结构化互连）沿时间编码维对齐好（Δλ小）促进再同步（相干误差）；训练中网络压低互连与噪声轴对齐度、使输出正交噪声、阻尼噪声轴自收敛，而时间轴互连与对齐保留以允许相干；该框架一致于利用受控混沌调和稳定性与多样性时序模式的理论；实验中最大共享分量可能源于丘脑（非皮层–皮层）的广泛输入（板内侧丘脑弥散投射），可动态调制全局皮质模式，而 neuromodulator可调皮层–皮层功能连接以偏置相干/独立；放大共享噪声预测会增强脑区相关但每个皮质区处理更独立，可检验（如操纵丘脑核或调质）。与MEC网格模块连续吸引子对比：空间需强耦合锁模块（绝对参照），时间因无天然零点且生态需多事件独立计时，故独立误差常见，稀疏耦合+共享噪声促成恰平衡；CARP与DLIC提供通用动力学透镜可推广空间/时间编码跨脑区分析（如VR范式）。M2与PPC时间格式是否严格同种未定，未来需直接比较群体几何；本建模给出最小框架说明稀疏长程互连+广泛共享涨落足以产生实验误差结构与子空间分离，CARP+DLIC为分布式神经记录提供可扩分析工具。结论为：额顶网络时序计算中的独立性与相干性由稀疏皮层–皮层耦合与共享全局涨落（如1/f噪声）共同塑造，时间信息分布在低方差高维共享子空间，行为信息占高方差低维共享子空间，DLIC框架揭示扰动方向–互连对齐度决定独立vs相干模式，该机制使分布式时间编码兼顾稳健性与灵活性。