大脑新皮质分层结构实现自我监督预测学习的计算理论

作者及机构
本研究由Kevin Kermani Nejad（牛津大学生理学、解剖学与遗传学系神经回路与行为中心；布里斯托大学智能系统实验室）、Paul Anastasiades（布里斯托大学转化健康科学系）、Loreen Hertäg（柏林工业大学 & 柏林伯恩斯坦计算神经科学中心）和Rui Ponte Costa（牛津大学；布里斯托大学）共同完成，发表于*Nature Communications*（2025年7月4日，DOI: 10.1038/s41467-025-61399-5）。

学术背景
新皮质（neocortex）通过多层结构构建对世界的内部表征，但其底层神经环路和计算原理尚不明确。传统观点认为，感觉信息通过丘脑传递至第4层（L4），再经第2/3层（L2/3）整合后传递至第5层（L5）。然而，近期研究发现L5可直接接收丘脑输入，形成平行通路。受自监督学习（self-supervised learning）算法启发，本研究提出新皮质通过L2/3整合L4传递的延迟感觉输入和自上而下（top-down）的上下文信息，预测即将到来的感觉刺激，并通过与L5实际输入的比对实现自我监督学习。研究旨在揭示新皮质分层结构的计算意义，并解释实验观察到的层特异性稀疏性（sparsity）和失匹配响应（mismatch responses）。

研究流程与方法
1. 模型构建
- 网络架构：模拟新皮质微环路，设计包含L4、L2/3和L5的三层子网络。L4接收丘脑输入(x_{t-1})，L2/3整合延迟的L4输入和自上而下上下文信息，L5同时接收丘脑直接输入(x_t)和L2/3的预测输出。
- 学习规则：结合预测成本（predictive cost）和重构成本（reconstruction cost）。预测成本通过比较L2/3输出与L5活动生成误差信号，反馈至L2/3驱动可塑性；重构成本防止L5表征坍塌（representational collapse）。
- 生物学验证：模型中的L2/3→L5突触可塑性规则与实验观察的“去极化依赖的突触权重切换”一致（Sjöström & Häusser, 2006）。

1. 任务设计

   • 时序Gabor任务：生成动态Gabor斑块序列，其方向由自上而下上下文（-18°, 0°, +18°）决定。L2/3需基于过去输入和上下文预测下一时刻输入。
     
   • 感觉运动任务：模拟小鼠视觉流与运动速度耦合实验（Jordan & Keller, 2020），通过中断耦合引发失匹配响应，分析L2/3和L5的误差信号。

2. 分析方法

   • 解码性能：使用线性分类器评估L2/3和L5对当前及过去输入的编码能力。
     
   • 稀疏性量化：采用Treves-Rolls指标计算层间激活稀疏性。
     
   • 反馈连接测试：对比最优反馈（reciprocal weights）、随机反馈和无反馈对学习的影响。

主要结果
1. 预测学习能力
- L2/3在Gabor任务中预测准确率达93%，L5对当前输入分类准确率为89%（随机模型11%）。延迟输入（L4→L2/3）是预测未来输入的关键，移除后L2/3无法区分未来状态（图3c）。
- 噪声与遮挡鲁棒性：L2/3→L5连接使模型对噪声和部分遮挡输入具有强健的重构能力（图5a-b）。L2/3可完整重构遮挡输入，而L5仅编码可见部分。

1. 层特异性稀疏性

   • 自监督学习自然产生与实验一致的层间稀疏性梯度：L2/3 > L4 > L5（图6a）。L2/3稀疏性随神经元数量增加而提升，支持其在人类进化中的扩张可能（图6b）。
     
   • 关键环路元件（如L2/3→L5连接或L4延迟）的缺失会消除稀疏性（图6f）。

2. 失匹配响应

   • 在感觉运动任务中，模型复现了L2/3去极化、L5超极化的失匹配响应（图7c），且误差幅度与运动速度线性相关（图7d）。开放环路（open-loop）条件下，失匹配响应符号反转，与实验一致（图S13）。
     
   • 光遗传学模拟：增强L5活动可逆转L2/3失匹配误差符号，而增强L2/3活动则放大L5误差（图8）。

结论与意义
本研究提出新皮质通过L4-L2/3-L5通路实现时间自监督学习，L2/3作为预测引擎，L5作为感觉输入编码器。其科学价值包括：
1. 理论创新：首次将自监督学习映射至新皮质分层环路，解释了层特异性功能（如稀疏性、失匹配响应）的计算基础。
2. 实验预测：提出可通过光遗传操控测试L2/3和L5的预测-误差反馈机制。
3. 进化启示：L2/3的扩张可能增强预测能力，支持人类新皮质的高级认知功能。

研究亮点
1. 跨学科方法：融合机器学习（对比预测编码，contrastive predictive coding）与神经生物学实验数据。
2. 环路机制解析：阐明延迟输入、反馈连接和并行通路在预测学习中的作用。
3. 应用潜力：为类脑计算架构设计提供生物启发，如抗噪声的预测编码算法。

补充价值
模型扩展至递归网络（RNN）后，可整合更长时序信息（图S14），为分层时间预测（hierarchical temporal prediction）提供新思路。