Christopher Langdon 和 Tatiana A. Engel Princeton Neuroscience Institute, Princeton University; Cold Spring Harbor Laboratory 发表在 *nature neuroscience*，2025年3月，第28卷，665-675页。

这篇研究致力于解决认知神经科学领域的一个核心难题：如何从大脑高级皮层中复杂且异质的单神经元反应中，识别出驱动行为的神经回路机制。前额叶皮层（prefrontal cortex, PFC）等脑区的神经元对感觉、认知和运动等多种任务变量表现出混合选择性（mixed selectivity），这种异质性对传统的神经回路模型构成了巨大挑战。传统的手工设计回路模型虽然能提出具体的机制假说，并可通过扰动实验进行因果验证，但难以捕捉真实神经元的复杂性。另一方面，高维递归神经网络（recurrent neural networks, RNNs）虽能重现异质反应，但其复杂的连接性却使机制解释变得困难。流行的降维方法常依赖于寻找与任务变量相关的神经活动维度，但它们忽略了变量间为完成任务所必需的因果交互（causal interactions），因此无法将这些表征与驱动行为的回路连接性联系起来。这项研究旨在弥合这一鸿沟，验证异质性神经反应是否源于低维回路机制，并发展出能够从数据中推断出行为相关计算的新方法。

为实现这一目标，研究者开发了一种名为“潜在回路模型”（latent circuit model）的新型降维方法。与以往方法不同，该模型的核心创新在于，它整合了神经反应数据和任务行为，并明确引入了任务变量间的递归交互（recurrent interactions），以捕获任务执行的因果机制。具体来说，该模型假设高维神经群体活动由一个低维潜在回路生成，这个回路由几个代表任务变量的节点（node）构成，节点之间通过兴奋性和抑制性连接交互，同时接受外部任务输入并产生行为输出。模型通过一个正交嵌入矩阵（embedding matrix）将低维潜在回路的活动映射回高维的单个神经元反应，从而同时推断出了产生任务相关动力学的低维回路连接性，以及单神经元对这些低维动力学的异质性混合。

研究的工作流程严谨而系统，分三步对模型进行了全面验证。首先，研究者将潜在回路模型应用于一个经过训练以执行上下文相关决策任务（context-dependent decision-making task）的RNN。该任务要求网络根据不同的线索（颜色或运动上下文），灵活地选择关注刺激的颜色或运动特征，并忽略无关特征。训练后，RNN单元展现出异质性混合选择性。将潜在回路模型拟合到该RNN的单元反应和行为输出时，研究者设定八个潜在节点，分别对应两个上下文节点、两个颜色感觉节点、两个运动感觉节点和两个选择节点。该模型成功解释了RNN活动96%的方差（r²=0.96）。推断出的低维递归连接揭示了一个清晰的抑制机制（suppression mechanism）：感觉节点到选择节点的兴奋性连接实现了两种不同的刺激-反应映射规则；而关键的机制在于，上下文节点对在当前上下文中无关的感觉节点存在强抑制性连接。例如，在“运动上下文”中，运动上下文节点会抑制颜色感觉节点，从而阻止无关的颜色信息驱动决策输出。

其次，为验证这一推断出的回路机制确实存在于RNN中并支持其行为，研究者基于模型推导出的RNN与潜在回路连接性的数学转换关系，进行了精巧的验证。他们将RNN的连接矩阵转换到由嵌入矩阵定义的子空间，发现转换后的连接模式与潜在回路的连接高度吻合（相关系数r=0.89），证实了这一低维结构确实嵌在高维连接中。最关键的因果验证来自扰动实验。根据模型预测，削弱潜在回路中运动上下文节点到颜色感觉节点的抑制性连接，会导致网络在运动上下文试验中对无关的颜色信息变得敏感，表现为心理测量函数（psychometric function）中决策边界的旋转。研究者将这个特定的连接扰动，通过数学转换映射为RNN连接矩阵上的一个秩一扰动（rank-one perturbation）。当对RNN施加这个对应模式的扰动时，其行为变化与潜在回路模型的预测完全一致，这强有力地证明了推断出的抑制性回路机制正是RNN执行任务的实际因果机制。通过对另一条兴奋性连接进行类似的扰动验证，也确认了感觉表征驱动选择的行为相关性。

最后，研究者将模型应用于同一任务下的恒河猴前额叶皮层的神经记录数据，以检验其在真实神经数据中的有效性。潜在回路模型为两只猴子的PFC数据（n=727和574个神经元）提供了良好的拟合。投影PFC活动到模型识别的轴上，揭示了一个与RNN中性质相似的抑制机制：当刺激与当前任务无关时，它在相应感觉轴上的表征被显著抑制。该研究对之前使用基于相关性降维方法（如回归模型）在同一数据集上得出“无关刺激未被抑制”的结论进行了澄清。研究者发现，将潜在回路模型中的递归连接强制设为0（即消除变量间的因果交互），所识别的子空间中确实也观察到了无关感觉表征的较小抑制，这与先前研究一致。这揭示了仅基于相关性的降维方法因忽略了任务变量间的因果交互，可能会偏向于揭示行为无关的表征。通过对错误试验（error trials）的分析，进一步支持了潜在回路模型所识别表征的行为相关性：在无关刺激指向相反选择的试验中，错误试验上无关刺激的表征抑制程度显著弱于正确试验，这与该机制在行为失败时解抑制的预测相符。

该研究最终得出结论，高维神经网络确实使用低维回路机制来解决认知任务，并且从神经反应数据中推断出这些机制是可行的。他们发现RNN在上下文相关决策中普遍采用了基于上下文抑制无关感觉表征的抑制机制，这与早期的经典回路模型假说在性质上是一致的。这项研究的核心价值在于，它开发的潜在回路模型成功地将降维分析与因果回路机制连接起来，赋予降维分析因果预测力，弥补了传统降维方法与神经回路模型之间的关键空白。该方法不再仅仅将降维视为寻找与任务相关的投影，而是将其提升为能够推断生成这些活动的底层回路结构及其计算的框架。这一突破为理解复杂认知功能的神经基础开辟了新途径，尤其在未来的扰动实验中因果验证这些回路机制提供了可能性和方法论基础。

该研究的亮点在于其方法论和概念上的双重创新。第一，它提供了一种统一高维异质性反应与低维可解释回路的方法。第二，它建立了低维回路连接性与高维网络连接性之间的精确数学关系，使得可以通过对高维网络的模式化扰动来因果验证低维机制，将“因果验证”这一在传统小回路模型中的金标准扩展到了复杂的高维系统。第三，它澄清了领域内的一个重要争论，指出不恰当的降维目标（仅最大化与任务变量的相关性）可能导致对神经计算产生误导性的认知，并强调了因果交互在识别行为相关神经计算中的关键作用。这一认识对未来神经数据的分析与解读具有深远影响。