皮层层级中罕见类别化、高度可分化的表征

《Nature》：Rarely categorical, highly separable representations along the cortical hierarchy

　　

神经科学中长期存在一场争论，即单个神经元是否组织成功能不同的群体并以不同方式编码信息（类别化表征1,2,3）及其对神经计算的意义。研究人员系统分析了复杂任务期间43个皮层区域如何编码认知、感觉和运动变量（来自国际脑实验室公开Brainwide Map数据集的14,000多个单元4），并研究了这些特性沿感觉?认知皮层层级5的变化。研究人员发现神经编码的结构具有尺度依赖性。在全皮层尺度上，神经选择性呈类别化，其跨区组织反映了解剖连接性；然而在单个区域内，类别化表征罕见且仅限于初级感觉区，神经元反应反而非常多样。通过理论论证与经验证据，研究人员证明神经反应的多样性实现了高维表征，从而具备高可分性，使得线性读出能以多种任意方式分离实验条件。事实上，当计入每个区域实际编码的信息时，所有皮层区域均表现出最大可分性。结果表明皮层回路优先选择多样性而非类别化结构，支持一种面向高维、高度可分神经表征的计算机制。

研究背景方面，神经科学长期争议神经元是否形成功能特异的类别化群体以编码信息，以及这种结构对神经计算的影响；传统上通过在单神经元反应中寻找易解释的调谐曲线来探索结构，而在大尺度神经元群体中涌现有趣结构，包括单神经元反应统计与群体反应层面；已有研究在部分脑区报告类别化或非类别化表征，但神经群体是否、在何处及如何细分为功能聚类仍无定论；同时表征几何的分析虽能提供编码策略与学习、灵活行为的见解，但神经空间中的维度与条件空间中反应剖面聚类的关联仍属开放问题；因此研究人员利用大规模公开数据集系统分析皮层广泛区域的反应剖面和表征几何，厘清尺度依赖的编码结构及其计算含义，论文发表于《Nature》。

主要关键技术方法方面，研究人员使用国际脑实验室IBL公开Brainwide Map数据集，包含小鼠在执行决策任务时43个皮层区约14,000个单元的记录；采用降秩回归(reduced-rank regression, RRR)编码模型，以共享时间基函数描述单神经元对8个任务与行为变量的时变反应，估计时间聚合的选择性剖面α_n^v；通过 silhouette score 与高斯零模型评估选择性空间中的聚类质量以判断类别化；借助独立条件数M_IC的迭代线性解码算法量化种群编码的独立条件数目；引入α?多样性（即回归系数空间的参与比(participation ratio, PR)）统一度量选择性多样性；计算表征维度（条件质心活动的PR）与线性可分性(separability)（平衡二分法可被线性解码的比例）；在 Meso?scale 将区域按解剖连接模块合并，比较模块内与全皮层的聚类；使用线性SVM进行跨区域与模块的解码，并以Rand指数对齐功能聚类与解剖标签；理论上推导聚类数与表征维度的关系，并在合成数据验证多样性?维度?可分性链路。

研究结果部分保留原文小标题并简述如下：

Response profiles of individual neurons：研究人员用RRR模型拟合单神经元对8个变量的时变反应，交叉验证R²显著优于每条件 PSTH；仅保留ΔR²大于阈值的神经元以避免无选择性“噪声”细胞；模型捕捉到区域层级与平均反应时长的正相关，与既往内在时标研究结果一致；各区域的平均选择性剖面差异足够大，使跨区与跨模块的解码准确率高于随机，且二区解码表现与解剖连接性负相关，表明选择性剖面反映大尺度解剖组织。

Selectivity reflects anatomical organization：区域间平均选择性剖面的余弦相似度与Allen小鼠脑连接图谱的解剖连接性显著相关；用线性SVM可从单神经元选择性剖面解码其所属区域与模块，准确率高于随机；独立条件数M_IC从低级区（如初级体感鼻区SSp?n为5）到高级区（次级运动区MOs为16）沿皮层层级显著增加，显示高阶区域编码更多变量组合。

Single regions are rarely categorical：在个体区域内以silhouette score比对高斯零模型，仅初级视皮层VISp、初级听皮层AUDp、初级体感上肢区SSp?ul等少数早期感觉区呈显著聚类，其余大多数区域无类别化；该趋势在更换聚类算法（Leiden）、使用条件空间活动剖面、以及ePAIRS测试中均一致；类别化仅见于层级低端，高端前额叶等区域呈高度多样、非聚类分布。

Mesoscale clustering in cortical modules：将非单独类别化的区域按解剖模块合并后，躯体运动、内侧、外侧模块显现显著聚类，前额叶模块仍非类别化；聚类标签与区内解剖标签的Rand指数显著高于随机，全皮层合并则呈强类别化且聚类与模块标签对齐，说明大尺度脑组织中因各区特异选择性差异而产生 Meso?scale 类别结构。

Functional implications of neural diversity：提出α?多样性（选择性系数空间的PR）统一量化不均匀选择与类别化两种结构；高α?多样性区域如MOs分布均匀多样，低α?多样性如SSp?n沿少数变量拉长；α?多样性与M_IC正相关，与silhouette score负相关，联结单神经元选择性结构与种群几何属性。

Structure in the selectivity space：不均匀选择性表现为某些变量主导，类别化由silhouette捕获；α?多样性兼顾二者，模拟与实证中α?多样性随独立条件数增加、聚类程度降低而变化，提供跨区可比的单一度量。

Diversity enables high dimensionality：表征维度以条件质心活动的PR衡量，低多样性区如SSp?n维度低，高多样性区如MOs维度高；理论上条件空间与神经空间维度等同，类别化限制有效维数不超过聚类数，而不均匀选择性使方差集中于少数方向降低PR；实证中表征维度沿皮层层级上升，与α?多样性正相关，与聚类负相关。

Diversity predicts linear separability：定义可分性为平衡二分法中线性解码超过置乱阈值的比例；MOs比SSp?n具更高解码准确度与可分性；全皮层区域中α?多样性越高可分性与平均可解码性(average decodability, AD)越大；若仅考虑独立条件，几乎所有区的可分性接近最大（除味觉皮层GU略低），说明在合并重叠条件后皮层表征占据高维非结构空间以保证高线性可分性。

讨论部分总结：研究人员指出脑具明确解剖组织，并在跨区选择性剖面中反映，但单区内仅少数初级感觉区呈功能聚类的类别化表征，反应多样性通过提升表征维度促进线性可分性；全脑尺度则因区际差异呈类别化。文中界定类别化为silhouette显著高于多元高斯零模型，非类别化包含连续分布等偏离零模型的情形，并区分刺激类别与反应剖面类别的概念差异；讨论模块化与细胞类型可能未在功能组织直接体现离散聚类，引用转录组连续丝状排列以解释；与人猴视听觉系统Meso?scale特权轴研究结果兼容，局部高级视皮层内亦无结构；提醒在分析独立条件时变量均可解码，需谨慎解释特定变量解码意义；指出类别化与隐式模块化在计算属性上等价；局限包括任务单一、仅用任务相关反应与选定变量、未涉自发活动，未来多任务可能显露更多聚类，与RNN理论相吻合；结论翻译为：脑具清晰解剖组织并反映在跨区神经元反应剖面中；多数单区为非类别化，仅部分初级感觉区呈功能聚类；反应多样性提升表征嵌入维度从而促进可分性；聚类沿皮层层级递减，表征维度与独立条件数递增；反应剖面空间结构关联活动空间几何结构，有助于理解神经元反应属性的计算含义。