《Nature》学术研究报告：个体神经计算差异驱动灵活决策

研究团队与发表信息

本研究的主要作者包括Marino Pagan（现隶属英国爱丁堡大学Simons脑发育研究计划中心和发现脑科学中心，以及美国普林斯顿大学神经科学研究所）、Vincent D. Tang、Mikio C. Aoi、Jonathan W. Pillow、Valerio Mante（苏黎世大学及苏黎世联邦理工学院）、David Sussillo（斯坦福大学）以及Carlos D. Brody（普林斯顿大学神经科学研究所及霍华德休斯医学研究所）。该研究以题为《个体在灵活决策背后的神经计算变异性》的论文形式，于2024年11月28日在线发表于顶级学术期刊《自然》，正式刊载于2025年3月13日出版的第639卷。

研究背景与目标

本研究属于认知神经科学与计算神经科学的交叉领域。在日常生活中，我们能够根据情境（context）或目标任务，灵活地选择感官信息流中的相关内容，并忽略不相关信息以指导行为。例如，在嘈杂的房间里听到自己的名字，若目标是转向呼唤者，声音的位置信息将驱动行为；但若目标是基于呼唤者的身份来回应，那么声音的频率信息则变得至关重要。为实现此类灵活的、情境依赖的决策，大脑不仅需要从嘈杂的感官证据中积累信息，还需根据当前情境动态地选择相关的刺激特征进行积累。

尽管情境依赖的计算在许多认知领域至关重要，但其背后的神经机制仍未得到充分理解。此前，以Mante等人于2013年在《自然》上发表的里程碑式研究为代表，利用猕猴执行视觉决策任务，并结合循环神经网络模型，提出了“选择向量调制”（selection vector modulation, SVM）作为实现情境依赖计算的核心机制。然而，该研究以及后续多数模型研究，通常集中于寻找一种“典型”或“平均”的解决方案，忽视了不同个体间可能存在的计算策略异质性。

因此，本研究旨在深入探索灵活决策的神经计算基础，并特别关注个体间的变异性。核心科学问题在于：不同的个体（在本研究中为大鼠）是否使用不同的神经动力学方案来解决相同的灵活决策任务？如果存在这种变异性，其背后的计算原理是什么？为了回答这些问题，研究团队结合了理论框架构建、新型行为范式开发、高通量动物训练与电生理记录、以及人工神经网络建模等多种手段。

详细研究流程与方法

本研究是一个高度整合的多步骤项目，其工作流程环环相扣，涵盖了从理论预测到实验验证的完整闭环。

第一部分：开发新型行为任务与高通量训练系统 首先，为了研究情境依赖的证据选择与积累，团队为大鼠设计了一种新颖的听觉脉冲任务。在交替的试次区块中，大鼠会收到一个提示，指示它们需要判断一系列随机时间呈现的听觉脉冲中，究竟是位置（左或右扬声器）还是频率（高或低音调）特征占主导。每个脉冲同时包含位置和频率信息，但两种信息的证据强度在每个试次中独立随机设定。因此，完全相同的刺激序列，在不同情境下可能要求做出相反的选择。这种“脉冲式”刺激设计的优势在于，脉冲的高度随机性（泊松分布）提供了精确的刺激时序知识，为后续精细分析行为和神经动力学提供了强大的统计效力。

其次，为了实现大规模、标准化的动物训练以研究个体差异，团队开发了全自动、高通量的训练流程和代码。这使得他们能够训练大量的大鼠（最终分析中包括20只行为学大鼠和7只进行神经记录的大鼠）达到良好且稳定的任务表现。训练周期通常为2至5个月，表明该任务虽然复杂，但大鼠通过学习能够可靠掌握。

第二部分：建立理论框架——解构任务解决方案的空间 在实验开展的同时，团队构建了一个基于动力学系统的数学理论框架，以理解网络如何实现所需的情境依赖计算。其核心出发点是神经科学中长期存在的假设：决策过程中的证据积累沿着神经活动空间中的一条线吸引子进行，系统在线吸引子上的位置对应于累积的证据净值，并驱动最终的行为选择。

基于线性化的动力学近似和线吸引子假设，研究团队进行了一个关键的代数推导。他们证明，一个感觉证据脉冲对选择轴位置的影响，由输入向量*i*（代表脉冲如何扰动系统）与选择向量*s*（代表局部循环动力学的特性）的点积*s·i*决定。为了使一个特征在相关情境下比在不相关情境下对选择有更大的影响，其点积差值δ(s·i)必须大于0。通过巧妙的代数重写，团队将δ(s·i)分解为三个独立成分的和： 1. 间接输入调制：情境差异表现为输入向量*i*发生改变，且该改变垂直于选择轴。 2. 直接输入调制：情境差异表现为输入向量*i*发生改变，且该改变平行于选择轴。 3. 选择向量调制：情境差异表现为选择向量*s*本身发生改变，即决策脑区内部的循环动力学发生了变化。

重要的是，这三个成分的任意加权组合（只要保证总δ(s·i) > 0）都能构成任务的有效解。所有可能的解可以映射到一个三角形重心坐标系中，三角形的三个顶点分别对应100%的IMM、100%的DIM和100%的SVM。这个理论框架的意义在于，它首次定义了一个完整的“解决方案空间”，任何实现该任务且选择轴平行的网络（无论生物或人工）都可以在这个空间中找到其对应的位置。不同的位置不仅具有数学上的区别，更具有重要的生物学意义：例如，偏向“改变输入”一端意味着情境依赖的解剖学基础可能在决策脑区之外（如感觉皮层或输入通路），而偏向“改变动力学”一端则意味着情境调节发生在决策脑区内部。此外，沿三角形垂直轴（从底部慢速到顶部快速）的位置，决定了神经活动在选择轴上出现情境差异的速度，进而可能产生不同的行为特征。

第三部分：神经电生理记录与初步分析 在训练好的大鼠中，研究团队在7只大鼠的额叶定向区（一个被认为参与定向选择决策并与猕猴额叶眼动区有同源或类似功能的皮层区域）和内侧前额叶皮层植入微电极，共记录了3,495个假定单个神经元的活动。为了与先前猕猴研究进行跨物种比较，他们采用了相同的目标降维分析方法。分析显示，大鼠FOF的群体神经活动轨迹与猕猴FEF的数据在定性上高度相似：无论是相关还是不相关的刺激特征信息，都在前额叶皮层有清晰的表征（即没有观察到“早期门控”现象）；与选择相关的信息在刺激呈现期间沿着一个近乎一维的直线（选择轴）演化，且两个情境下的选择轴方向基本平行。这些相似性支持了在大鼠模型上研究该问题的有效性，并为跨物种比较奠定了基础。

第四部分：脉冲响应分析与个体差异的发现 理论框架预测，不同解决方案（在三角形中的不同位置）虽然可能产生相似的平均神经轨迹，但对单个证据脉冲的响应动态应有区别。特别是，DIM成分会导致神经活动在选择轴上的情境差异在脉冲出现后立即产生（“快速”），而SVM或IIM成分导致的差异则是逐渐产生的（“慢速”）。研究团队为此开发了基于核回归的方法，从实验数据中估计神经微分脉冲响应（即相关与不相关情境下，脉冲引起的选择轴投影活动之差的随时间变化）。

将此分析应用于7只记录大鼠的数据，他们发现了显著的个体间异质性：不同大鼠、甚至同一大鼠对不同特征（位置vs频率）的微分脉冲响应形状各异，其“斜率指数”（量化差异出现的速度）分布广泛。这表明，尽管所有大鼠都很好地完成了任务，但它们神经回路实现情境选择计算的具体动力学方式可能各不相同。

第五部分：行为学分析与神经-行为关联验证 为了探究神经动力学的差异是否反映在行为上，团队分析了动物的选择数据。他们通过逻辑回归计算了行为核，用以量化在刺激序列的不同时间点呈现的证据对最终选择的影响权重。对于每个特征，他们计算了微分行为核（相关与不相关情境下行为核的差异）。与神经数据类似，微分行为核的形状在不同大鼠和不同特征间也表现出很大的异质性。

接下来，研究检验了理论框架的一个关键预测：如果行为选择由系统在选择轴上的位置驱动，那么神经微分脉冲响应（反映脉冲如何影响选择轴位置）的形状应与微分行为核（反映脉冲如何影响最终选择）的形状存在特定关联。具体来说，快速（高DIM）的神经响应应导致一个在时间上平坦的微分行为核，而慢速（低DIM）的神经响应应导致一个随时间收敛的微分行为核。团队首先在人工工程化RNN模型（他们开发了新技术，能够构建位于三角形空间中任意指定位置的RNN，而不仅限于通过梯度下降训练得到的那些）中验证了这一预测，发现神经与行为的斜率指数确实存在强烈的负相关。随后，在实验数据中，他们使用刺激前半段的脉冲估计神经响应，使用后半段的脉冲估计行为核，以避免虚假相关。分析结果有力地支持了理论预测：大鼠的神经斜率指数与行为斜率指数之间存在显著的负相关。这一发现将看似无关的神经测量和行为测量联系起来，表明个体在解决方案空间中的位置是驱动其神经和行为变异性的共同底层变量。

第六部分：对比传统RNN训练的局限性 作为方法学上的重要对照，研究团队还指出，使用标准反向传播通过时间方法训练出的RNN，其解决方案主要集中在三角形空间的SVM角落附近。这复制了Mante等人2013年的主要结论。然而，通过他们新发展的工程化方法，可以构建出遍布整个三角形空间的、性能良好的RNN。这说明，传统训练方法倾向于探索解决方案空间中的一个有限子集，而非全部可能。因此，仅依赖训练出的RNN来推断大脑的机制可能存在偏差，而基于理论理解主动工程化网络则能提供更全面的视角。

主要研究结果

1. 成功建立大鼠灵活决策模型：开发了新型听觉脉冲任务和高通量训练系统，使大量大鼠能够学会并稳定执行情境依赖的证据积累任务，其行为表现与先前猕猴研究相当。
2. 提出并验证统一理论框架：通过数学推导，将情境依赖的证据选择计算分解为IMM、DIM和SVM三个基本成分，定义了所有可能网络解决方案构成的空间（三角形重心坐标）。该框架为理解灵活决策的计算实现提供了新的概念工具。
3. 揭示显著的个体神经计算异质性：电生理数据分析表明，不同的大鼠在执行相同任务时，其神经回路对证据脉冲的微分响应动态存在广泛差异，体现在斜率指数的不同上。这直接证明了“个体使用不同组合的解决方案”这一理论预测。
4. 发现行为层面的对应异质性：行为学分析同样显示，不同个体在证据积累的时间权重模式（微分行为核）上存在差异，且这种差异与神经异质性一样，没有统一的模式。
5. 证实神经-行为变异性的理论关联：实验数据验证了理论的核心预测：个体的神经微分脉冲响应斜率指数与其微分行为核斜率指数呈显著负相关。这一发现将神经动力学与行为输出直接联系起来，并强有力地表明，观察到的神经和行为变异性源于个体在理论解决方案空间中占据不同位置。
6. 拓展人工神经网络建模能力：开发了工程化RNN的新技术，能够生成覆盖整个理论解决方案空间的网络，突破了传统梯度下降训练的局限，展示了构建与生物数据兼容的多样化计算模型的可能性。

研究结论与意义

本研究的主要结论是，在灵活的、情境依赖的决策背后，存在着一个多样化的神经计算解决方案空间。不同的个体（大鼠）可以通过不同的神经动力学机制组合（不同程度的输入调制与选择向量调制）来实现相同的认知功能，并表现出相应的、可预测的行为特征异质性。这种异质性并非噪声，而是由底层计算原理所允许的、等效的不同实现方式所导致。

其科学价值在于： * 理论贡献：提供了一个基于动力学系统的、可量化的理论框架，用于描述和分析执行灵活决策的生物与人工系统中存在的个体变异性。它将先前看似分离的发现（如SVM）整合到一个更宏大的谱系中。 * 方法论贡献：结合了高通量动物行为学、脉冲刺激设计、理论驱动的数据分析以及新型网络工程化技术，为在细胞分辨率水平研究高等认知功能的个体差异打开了大门。 * 概念创新：挑战了寻找“单一”或“典型”神经机制的传统思路，强调了个体差异在研究复杂认知计算中的重要性。研究证明，即使是表现同样良好的个体，其内部计算策略也可能大相径庭。 * 跨物种启示：大鼠与猕猴在神经表征上的相似性，支持了使用啮齿类动物模型深入研究复杂认知神经机制的可行性。

研究亮点

1. 聚焦个体差异：将研究焦点从“平均”机制转向“个体间变异性”，揭示了认知神经计算中一个以往被忽视的重要维度。
2. 理论驱动与实验验证紧密结合：从数学原理出发提出可检验的预测（解决方案空间、神经-行为关联），并利用精心设计的实验数据进行全面验证，形成了完美的研究闭环。
3. 创新的脉冲任务与分析方法：利用高度随机的脉冲刺激和对应的核回归分析，得以精细刻画神经和行为动力学的瞬时特征，这是发现个体差异的关键技术保障。
4. 重新定义解决方案空间：通过理论分解，将任务解决方案从一个点（如SVM）扩展为一个连续的空间（三角形），极大地丰富了对该计算问题的理解。
5. 打通神经与行为的桥梁：成功地将神经元水平的动态测量与动物整体的行为选择模式通过统一的理论联系起来，为解读神经活动与认知功能的关系提供了坚实案例。

其他有价值的见解

本研究还对一些领域内长期争论的问题提供了新的视角。例如，实验数据（无关信息在前额叶仍有表征）不支持“早期门控”机制，但理论框架指出，早期门控可以是IMM或DIM的特例，因此其存在与否可能并非二元问题，而可能是解决方案空间中的一个可变异维度。此外，研究也讨论了当选择轴在不同情境下不平行（如其他研究在顶叶皮层所发现）时，理论框架可扩展为四成分的四面体空间，显示了该框架的潜在普适性。最后，研究警示，依赖于标准训练流程的人工神经网络模型可能无法捕捉生物系统中存在的全部解决方案多样性，强调了理论指导在计算神经建模中的重要性。