由中国科学院上海生命科学研究院神经科学研究所的王立平研究员、北京大学唐世明教授以及上海脑科学与类脑研究中心闵斌研究员等人领导的国际研究团队，于2022年2月11日在《Science》期刊上发表了一项题为“Geometry of sequence working memory in macaque prefrontal cortex”的研究论文。该研究首次揭示了大脑在记忆序列信息时采用的神经编码几何结构，为理解序列工作记忆的神经机制提供了突破性见解。
序列记忆是许多高级认知功能，如语言、情节记忆和空间导航的核心基础。日常生活中，我们常常需要记住一系列事件或项目的顺序。然而，大脑如何编码和储存序列信息，尤其是如何在短时工作记忆中保持特定项目的时空顺序，仍是神经科学领域一个长期悬而未决的根本性问题。
此前，关于序列工作记忆的神经编码存在两种主要假说。一种认为，大脑为每一个特定的序列建立一个独立的、整体的神经表征，即“整体编码”。另一种则是“因子化编码”假说，认为大脑会分离序列中的抽象时间结构和具体的项目内容。例如，可能存在不同的“记忆槽”，分别存储序列中不同序位上的项目信息，或者将时间顺序和项目信息进行解绑（Disentangling）。这种因子化的、解绑的表示方式被认为有助于大脑更高效地进行泛化和推理，因为改变序列中的某个属性（如更换某个序位的项目）不会影响到对其他部分的表征。然而，大脑额叶皮层（prefrontal cortex, PFC）的神经群体究竟如何实现这种表征，其具体的几何和计算原理尚不明确。
从单神经元层面，经典的“增益调制”理论认为，不同信息（如序位和空间位置）通过乘法机制在单个神经元上结合，形成对复合特征的选择性。在群体层面，近年的研究提出，高级认知功能可能依赖于高维神经状态空间中的低维流形（manifolds）。本研究旨在探究猕猴在执行序列工作记忆任务时，其外侧前额叶皮层（lateral prefrontal cortex, LPFC）的神经活动模式，以回答几个关键问题：是否存在支持序列记忆解绑表征的低维神经流形？神经元如何整合序位和项目信息？这些表征在单神经元和群体层面是如何组织的？以及能否用统一的数学模型来描述这些计算？
本研究包含以下几个核心环节：行为范式训练、在体神经活动记录、数据处理分析以及多层次的计算建模与验证。
1. 行为范式与研究对象： 研究训练了两只猕猴（猴1和猴2）执行一项视觉空间序列延迟复述任务。在每次试验中，屏幕中央首先呈现一个注视点。在样本期，会依次呈现一个由2个或3个空间位置组成的序列（位置从屏幕上排列成一个环的6个可能位置中无放回地抽取）。序列呈现完毕后，进入持续2.5至4秒的延迟期，在此期间猕猴需要将整个序列保存在记忆中。随后，一个“开始”信号出现，猕猴需通过眼跳按正确顺序依次看向记忆中的位置以复述序列。猕猴在整个任务中表现良好，准确率显著高于随机水平，并表现出首因效应（primacy effect）和随着序列长度增加错误率上升等现象。
2. 神经活动记录： 研究人员使用双光子钙成像技术，对猕猴LPFC脑区的神经元活动进行大规模记录。他们向该脑区注射了编码钙指示剂GCaMP6s的病毒，使其在神经元中表达。通过双光子显微镜，研究团队分别从两只猴子的多个视野（猴1：20个视野，3609个神经元；猴2：13个视野，1716个神经元）中记录了数千个神经元在任务各个时期（特别是延迟后期）的钙信号。这种方法能够以较高的空间分辨率和细胞特异性，同时观测大量神经元的活动动态。
3. 数据分析流程： - 单神经元表征分析： 首先，研究人员对每个神经元在延迟后期的活动进行线性回归分析，模型包含空间项目（6个位置）和序位（1、2、3）两个变量。这可以量化神经元对位置或序位的选择性，并识别出对“位置×序位”组合表现出联合编码（conjunctive coding）的神经元。 - 群体状态空间分析： 这是本研究的核心分析方法。研究者将所有神经元的回归系数向量（代表不同“位置-序位”组合下的群体活动模式）作为高维神经状态空间中的点。通过主成分分析（PCA）等方法，他们探索了这些状态点在高维空间中的几何结构。具体而言，他们试图将高维空间分解为多个独立的低维子空间。 - 单试次解码分析： 为了验证群体表征的稳定性和泛化能力，研究者训练了线性解码器，试图仅根据单次试验的神经活动，实时解码出当前记忆中某个特定序位（如第一位）对应的空间位置。解码器在训练集上学习后，会被用于测试集、新的序列、不同长度的序列甚至错误试次，以检验其鲁棒性。 - 单神经元与子空间关系分析： 为了理解群体几何结构是如何从单神经元活动中涌现出来的，研究者将每个神经元的反应轴（一个单位向量）投影到之前识别出的各个序位子空间中，计算其在每个子空间中的贡献强度和对齐角度，从而分析单神经元如何跨子空间贡献信息。 - 解剖结构分析： 利用双光子成像提供的空间信息，研究者分析了具有相似编码特性（如同一个序位子空间贡献大，或偏好相同空间位置）的神经元在皮层上的空间分布，检验是否存在功能聚类。 - 跨日稳定性分析： 对于同一记录区域在不同日期的数据，研究者测试了基于一天数据训练的解码器在另一天数据上的表现，以评估神经编码的长期稳定性。
1. 发现解绑的序位子空间几何结构： 对猕猴LPFC神经群体活动进行状态空间分析后，研究揭示了一个清晰且简单的几何结构。在记忆长度为3的序列时，高维神经状态空间可以被分解为三个近乎正交的二维子空间，每个子空间专门编码序列中一个特定序位（第一、第二、第三位）的信息。这些子空间之间夹角很大，说明它们代表了独立的信息维度。进一步量化子空间重叠程度的“方差解释比”分析也证实，一个序位子空间中的信息无法有效解释另一个序位子空间的数据方差，这种正交性在打乱序位标签后会消失。重要的是，这种几何结构在行为正确的试次中稳定存在，而在错误试次中变得模糊甚至消失，表明其与行为表现直接相关。
2. 子空间内呈现环形空间编码： 在每个序位子空间内部，对应于六个不同空间位置的状态点呈现出环形排布，这与视觉刺激本身在屏幕上的环形排布一致。这个“环”的大小（即不同位置表征的分离程度）随着序位增加而减小：第一位的位置信息编码最强（环最大），第二、三位依次减弱。这种强度梯度与行为上回忆准确率随序位下降的趋势相符。在错误试次中，环形结构也变得不明显。
3. 数学模型验证因子化表征： 研究者提出了一个简化的数学模型：序列的记忆表征可以被近似为“一个共享的空间布局模板”与“一个序位特异的调制向量”进行矩阵乘法后的结果。模型拟合度非常高，支持了群体层面的因子化表征假说。这意味着序列记忆可以数学上表达为各序位空间编码向量的简单叠加，而每个序位的编码向量是通过一个共享的空间基础模式被一个序位特异的因子调制而成。
4. 单试次解码验证稳定性和泛化性： 解码分析证实，即使在单个视野内的单次试验中，也能稳定地解码出各序位对应的位置信息。解码在延迟期内保持稳定。更重要的是，这些序位子空间显示出强大的泛化能力：使用一部分序列训练的解码器，可以成功解码出未参与训练的新序列中对应序位的位置；用长度2序列训练的解码器，可以推广到解码长度3序列的前两位，反之亦然；甚至在部分序位回忆错误、部分序位回忆正确的试次中，对于回忆正确的那个序位，解码器依然能准确工作。这强有力地证明了序位子空间是抽象的、独立于具体项目内容的，符合解绑表征的核心特征。
5. 序位子空间是分布式和群体水平的表征： 对单神经元贡献的分析表明，序位子空间并非由一小簇专用神经元编码，而是广泛、分布式地由大量神经元共同贡献。约有三分之一到三分之一的神经元对一个特定的序位子空间有显著贡献，且三个子空间所依赖的神经元群体存在大量重叠。更重要的是，对于一个同时参与多个子空间编码的神经元，它在不同子空间中的最优空间偏好角度通常并不相同。这意味着，单个神经元在不同序位上的空间调谐曲线可能会发生偏移，而不仅仅是强度被调制。因此，经典的“单神经元增益调制”模型（即单个神经元有固定的空间偏好，其反应强度在不同序位被一个标量调制）无法完全解释数据。增益调制是在整个神经元群体的集体水平上，通过矩阵乘法（而非标量乘法）实现的。
6. 神经编码与行为模式的关联： 研究发现，三个序位子空间并非完全正交，而是呈现一种“压缩编码”的模式：相邻序位子空间的重叠度比不相邻的高，且重叠度随序位增加而增加（第二与第三序位的重叠大于第一与第二序位的）。这种几何特性恰好可以解释猕猴在行为上表现出的经典“序列记忆效应”：邻近序位间更高的混淆率导致了主要的顺序错误是相邻项互换（转置梯度）；而第一位子空间与其他子空间重叠度最低，使其编码更精确，可能导致了回忆准确率最高的“首因效应”。子空间内的环形结构则解释了常见的“空间邻近错误”。
7. 功能解剖与跨日稳定性： 解剖分析发现，神经元对特定空间位置的偏好表现出小尺度（<150微米）的功能聚类，即偏好相似位置的神经元倾向于在空间上靠近。然而，神经元对特定序位子空间的贡献度则没有显示出明显的空间聚类，这进一步支持了序位信息是分布式编码的观点。此外，基于某一天数据训练的解码器，在数天后记录的同一批神经元上仍能有效工作，表明这种编码几何结构具有长期稳定性。
本研究的主要结论是，猕猴外侧前额叶皮层采用一种简单而优雅的几何结构来实现序列工作记忆。这种结构的核心是多个低维、近乎正交的“序位子空间”，它们同时、重叠地存在于同一群神经元的活动空间中。每个子空间使用一个共享的低维空间基础模式来编码项目内容，但该模式受到一个序位特异性因子的调制。序列的整体记忆表征就是各个序位编码向量在神经状态空间中的叠加。
这项研究的科学价值极其重大。它首次从神经群体的几何结构角度，为序列记忆的因子化解绑表征假说提供了直接、强有力的实验证据。它揭示了大脑如何将“时间顺序”信息转换为“空间化”的、可同时保持的神经活动模式，部分印证了Karl Lashley在七十年前关于序列行为可能依赖于空间化神经模式的猜想。研究指出，经典的“增益调制”计算可能主要发生在群体层面而非单神经元层面，这更新了我们对前额叶皮层信息整合方式的理解。此外，研究发现的几何结构，特别是其正交性和压缩编码特性，为解释序列工作记忆的行为规律（如容量限制、首因效应、转置错误）提供了潜在的神经机制。