基于共享神经子空间构建组合性任务的神经机制研究
一、 研究概况
本研究由Sina Tafazoli、Flora M. Bouchacourt、Adel Ardalan、Nikola T. Markov、Motoaki Uchihara、Marcelo G. Mattar、Nathaniel D. Daw及Timothy J. Buschman共同完成，主要作者单位包括普林斯顿大学神经科学研究所、普林斯顿大学心理学系以及纽约大学心理学系。该研究成果以题为《Building compositional tasks with shared neural subspaces》的论文形式，于2025年10月24日在线发表在顶级学术期刊《自然》（*Nature*）上。
二、 学术背景
本研究属于系统神经科学与认知神经科学领域，核心关注大脑如何实现认知的灵活性。人类和动物能够将简单的行为组合起来，执行复杂多变的任务，这种“组合性”被认为是实现通用智能的关键。在人工神经网络中，通过在不同任务间复用（reuse）表征和计算组件，可以实现快速的任务切换和新任务学习。然而，大脑是否以及如何利用类似的“组合性”原理来灵活适应不断变化的环境需求，尚不清楚。具体而言，大脑是否在不同任务中复用共享的感觉、认知和运动表征？大脑又如何灵活地调用这些共享表征来执行特定任务？本研究旨在通过训练猴子执行一系列组合性任务，并结合多脑区神经记录，直接探究这些问题。
三、 研究流程详述
本研究包含以下几个主要步骤：
1. 行为任务设计与动物训练： 研究设计了三个在感觉-运动维度上具有组合关系的视觉分类任务。实验对象为两只成年雄性恒河猴（编号Si和Ch）。视觉刺激是在两个独立维度上变化的参数化混合体：形状（从“兔子”到“T形”渐变）和颜色（从“红色”到“绿色”渐变）。任务要求猴子根据当前任务规则，对刺激的特定特征进行分类，并通过眼动扫视到四个目标位置之一来报告分类结果。 - 任务S1（形状-轴1）：根据刺激的形状分类（更像兔子 vs. 更像T形），并沿轴1（左上或右下目标）做出反应。 - 任务C2（颜色-轴2）：根据刺激的颜色分类（红色 vs. 绿色），并沿轴2（右上或左下目标）做出反应。 - 任务C1（颜色-轴1）：根据刺激的颜色分类（同C2），但沿轴1做出反应（同S1）。 因此，C1任务可以看作结合了C2任务的“颜色分类”子任务和S1任务的“轴1运动反应”子任务，体现了任务间的组合性。猴子以区块（block）为单位执行同一任务，当其在最近102次（S1/C1）或51次（C2）试次中表现达到或超过70%正确率时，任务会切换。关键的是，任务切换时猴子不会收到明确提示，它们必须通过试错反馈来推断当前是哪个任务（任务推断，task inference）。反应轴总是在区块间切换，这为猴子提供了部分线索。
2. 神经电生理记录： 在猴子执行任务的同时，研究者从五个皮层和皮层下脑区同时记录单个神经元的活动： - 外侧前额叶皮层（lateral prefrontal cortex, LPFC）：480个神经元 - 额叶眼动区（frontal eye fields, FEF）：149个神经元 - 顶叶皮层（parietal cortex, PAR）：64个神经元 - 前下颞叶皮层（anterior inferior temporal cortex, AIT）：239个神经元 - 纹状体（striatum, STR，主要为尾状核）：149个神经元 记录使用钨丝单电极（针对LPFC和FEF）和线性多通道探针（针对PAR、AIT和STR）。神经信号以40 kHz采样，并经过离线排序以分离出单个神经元的活动。实验者在对实验条件不知情的情况下进行神经元分选。
3. 数据分析方法： 研究采用了多种先进的神经数据分析技术来解码和表征任务相关信息： - 广义线性模型（Generalized Linear Model, GLM）：用于量化单个神经元对任务变量（如颜色类别、形状类别、任务身份、反应方向、奖励）的编码贡献。 - 线性分类器解码：训练线性分类器，根据神经群体活动模式解码刺激的颜色类别、形状类别和眼动反应方向。这是定义和识别“神经子空间”（neural subspace）的核心工具。例如，一个能根据LPFC活动解码颜色类别的分类器，就定义了一个表征颜色信息的“颜色子空间”。 - 跨任务泛化分析：这是检验“共享性”的关键方法。将在任务A（如C2）上训练的分类器，直接应用于任务B（如C1）的神经数据，测试其解码性能。若性能显著，则表明两个任务使用了共享的神经表征子空间。 - 交叉时间相关性分析：用于探究不同子空间（如感觉与运动）之间信息转换的动态过程。分析颜色子空间中的表征与运动子空间中的表征在不同时间点上的相关性，以揭示信息流的方向和时序。 - 目标维度降维（Targeted Dimensionality Reduction, TDR）：一种降维技术，用于将高维神经活动投影到由任务变量（如颜色、反应轴）定义的特定低维空间，以可视化神经群体活动的动态轨迹。 - 任务信念解码：在任务切换后的探索期，使用在任务后期（高表现期）训练的分类器，解码猴子在刺激呈现前（注视期）的神经活动，以量化其内部关于“当前是哪个任务”的“信念”（belief）。 - 压缩指数（Compression Index, CPI）：量化任务相关和任务无关感觉表征被放大或抑制的程度，定义为颜色子空间与形状子空间中刺激可分性比值的对数。
四、 主要研究结果详述
1. 任务相关信息的广泛表征与任务特异性调制： 所有五个记录脑区都表征了任务相关的认知变量。在LPFC中，任务身份信息在整个试次中持续存在。刺激呈现后，首先出现颜色和形状类别信息，随后是反应方向信息，最后是奖励信息。然而，这种表征是任务特异性的：在需要颜色分类的任务（C1， C2）中，颜色信息被强烈表征，而形状信息被削弱；反之，在需要形状分类的任务（S1）中，形状信息被增强，颜色信息被削弱。这表明大脑并非简单地编码所有刺激特征，而是根据任务需求动态地选择性地增强或抑制特定信息维度。
2. 跨任务共享的神经子空间： 核心发现是，表征任务相关信息的神经子空间在不同任务间是共享的。 - 共享感觉子空间：在LPFC中，训练于C2任务的颜色分类器，能够成功解码C1任务中的颜色类别，反之亦然。这表明两个颜色分类任务（C1和C2）使用了相同的“颜色类别子空间”。尽管这两个任务要求不同的运动反应（轴1 vs. 轴2），但共享表征的是抽象的颜色类别信息，而非具体的运动指令。类似地，训练于S1任务的形状分类器也能在C1任务中解码出微弱的形状信息（尽管被抑制）。然而，在其他脑区（如AIT， FEF， PAR），颜色信息的跨任务泛化较弱或延迟，表明共享性在脑区间存在差异。 - 共享运动子空间：训练于S1任务的反应方向（轴1）分类器，能够成功解码C1任务中的反应方向（也是轴1），反之亦然。这表明S1和C1任务共享了“轴1运动反应子空间”。与感觉信息不同，运动反应的共享性在所有记录脑区都更广泛。
3. 任务执行中的顺序性子空间参与与信息转换： 研究发现，在执行一个任务时，大脑会顺序性地调用这些共享子空间，并将信息从一个子空间转换到另一个子空间。以C1任务为例：刺激呈现后，神经活动首先在共享的颜色子空间（来自C2）中编码颜色类别信息；随后，该信息被选择性地转换到共享的运动子空间（来自S1）中，以生成沿轴1的特定眼动反应。交叉时间相关性分析证实，颜色子空间中的表征能够预测未来运动子空间中的反应方向。重要的是，这种转换是任务特异的：在C1任务中，颜色信息被转换为轴1的反应，而不是轴2的反应；而在C2任务中，颜色信息则被转换为轴2的反应。TDR可视化清晰地展示了神经活动轨迹在任务开始时沿颜色维度分离，随后转向正确反应轴维度的动态过程。
4. 任务信念动态调控共享子空间的参与： 猴子在任务切换后需要推断当前任务。研究发现，LPFC在注视期就编码了猴子对当前任务的内部“信念”。当猴子从S1-C2序列切换到C1任务时，它们初始表现偏向于认为仍是S1任务（因为C1和S1使用相同的反应轴），随着试错反馈的积累，它们逐渐更新信念，认识到是C1任务。这种内部任务信念的动态变化，直接调控了共享子空间的参与程度： - 随着猴子对“当前是C1任务”的信念增强，共享颜色子空间中的表征强度逐渐增加。 - 相应地，任务无关的形状子空间中的表征强度逐渐减弱，且出现时间延迟。 - 相反，共享运动子空间（轴1反应）的参与在整个过程中保持稳定，因为无论任务是S1还是C1，都需要相同的运动输出。 - 任务信念的强度与颜色表征的增强程度、以及形状表征的抑制程度（通过CPI量化）显著相关。这表明，任务信念作为一个“控制信号”，通过放大任务相关感觉表征、抑制任务无关感觉表征的“缩放”（scaling）机制，来灵活地组合任务组件。
5. 快速抑制无关运动轴： 与感觉信息的渐进式调制不同，对无关运动轴的抑制非常迅速。当任务从使用轴2（C2）切换到使用轴1（C1或S1）时，编码轴2反应的神经元活动在几个试次内就被快速、强烈地抑制。这与猴子行为上能快速推断反应轴的变化相一致。
五、 结论与意义
本研究得出结论：大脑能够通过组合性地调用一系列共享的神经表征子空间来灵活执行多种任务。这些子空间编码了抽象的任务组件信息（如颜色类别、形状类别、特定运动轴）。执行一个具体任务时，大脑根据对当前任务的内部信念，动态地选择并顺序性地调用相关的共享感觉和运动子空间，将信息从感觉子空间转换到运动子空间，从而产生恰当的行为。任务信念通过“缩放”机制（放大相关、抑制无关表征）来实现对共享子空间的灵活控制。
科学价值： 1. 机制性突破：为大脑实现认知灵活性提供了具体的神经机制解释，即“共享子空间的组合性调用”，将抽象的计算神经科学概念（如组合性、复用）与具体的神经群体活动模式联系起来。 2. 连接人工智能与神经科学：将人工神经网络中“表征复用”和“组合性”以实现高效学习与泛化的思想，在大脑中找到了神经证据，促进了两个领域的交叉对话。 3. 解释持续学习：揭示了共享表征如何促进知识在不同任务间的迁移（如学会C2的颜色分类有助于执行C1），而缩放机制如何通过抑制干扰来支持持续学习（continual learning），为解决“稳定性-可塑性困境”提供了新视角。 4. 脑区功能分化：揭示了前额叶皮层在形成和维持跨任务共享的抽象表征方面可能具有核心作用，而其他脑区（如颞叶视觉区）可能更偏向于维持稳定的感觉表征。
六、 研究亮点
七、 其他有价值内容
研究还讨论了共享表征与任务特异性表征的权衡：共享表征有利于知识迁移和泛化，但可能增加任务间干扰；而任务特异性表征则相反。本研究发现，大脑通过动态缩放机制来管理这种权衡，在复用共享组件的同时，通过抑制无关维度来减少干扰。这提示大脑采用了一种混合策略，而非非此即彼。此外，作者提出，这种基于共享子空间和缩放控制的机制，可能支持更广泛的“序列组合性”，即通过灵活串联不同的子空间组件，理论上可以实现无限多样的复杂行为，这为理解高级认知的神经基础开辟了新的思路。