作者与机构 本项研究由来自多个机构的科研团队共同完成。主要作者包括Aishwarya Parthasarathy、Cheng Tang、Roger Herikstad、Loong Fah Cheong、Shih-Cheng Yen*和Camilo Libedinsky*。研究团队主要来自新加坡的以下机构：新加坡科技研究局（A*STAR）分子与细胞生物学研究所、新加坡国立大学（NUS）N.1卫生研究院、新加坡国立大学电气与计算机工程系、新加坡国立大学工程学院创新与设计项目、以及新加坡国立大学心理学系。其中，Shih-Cheng Yen和Camilo Libedinsky为共同通讯作者。这项研究发表于《自然-通讯》（*Nature Communications*）期刊，时间为2019年。
学术背景与研究目标 本研究隶属于认知神经科学领域，核心关注点在于工作记忆（Working Memory， WM）——即短时间内保持和处理信息的能力——的神经编码机制。传统理论认为，工作记忆的维持依赖于前额叶皮层（Prefrontal Cortex， PFC）神经元群体通过强循环连接产生的持续性活动。尤其是侧前额叶皮层（lateral Prefrontal Cortex， LPFC），被广泛认为是维持工作记忆表征的关键脑区。
然而，近年来的研究，包括本团队之前的工作，揭示了一个矛盾的现象：即使工作记忆信息在整个延迟期内都被成功保持，在记忆维持期间呈现的干扰刺激（Distractor）也会引发LPFC群体神经活动模式的显著“变形”（Code-morphing）。这就提出了一个核心科学问题：一个不断变化的（“变形的”）神经代码，如何能够编码并维持一个随时间不变（Time-invariant）的记忆信息？下游脑区如何从这样一个动态的代码中稳定地读取信息？
基于此，本研究提出了一个核心假设：LPFC的高维神经动态活动中，可能嵌入了一个低维的“子空间”（Subspace）。在这个特定的子空间内，关于记忆的信息是稳定的、不随时间变化的，而其他信息或动态变化则被隔离在子空间之外。本研究旨在通过实验数据分析、计算建模和预测验证，探究这一假设是否成立。具体目标包括：1）利用优化算法在LPFC群体活动中寻找并验证存在这样一个包含时间不变记忆信息的低维子空间；2）检验该子空间的信息是否与动物的行为表现相关；3）构建一个能够复现这些现象的计算模型，以解释其潜在的神经机制，并产生可检验的预测。
详细研究流程 本研究整合了在体神经电生理记录、复杂的数据分析算法以及计算模型构建，流程严谨且层层递进。
1. 动物行为学与神经电生理记录 * 研究对象：研究使用了两只成年雄性食蟹猴（Macaca fascicularis）。每只动物均接受了外科手术，在左侧前额叶皮层（LPFC）和额叶视区（Frontal Eye Fields， FEF）植入了多通道微电极阵列，用于记录单个神经元和神经元群体的电活动。最终，研究分析了来自LPFC的244个神经元（排除12个可能因过度聚类而重复的单元）和来自FEF的137个神经元的数据。 * 行为任务：动物被训练执行一项带有干扰刺激的延迟眼跳任务（Delayed Saccade Task with an Intervening Distractor）。单个试次流程如下：动物首先注视屏幕中央的固定点；随后，一个红色目标方块在8个可能位置之一呈现300毫秒；之后是第一个1000毫秒的延迟期（Delay 1）；接着，一个绿色干扰方块在不同于目标的位置随机呈现300毫秒；然后是第二个1000毫秒的延迟期（Delay 2）；最后，固定点消失，动物需做出眼跳至目标位置以报告记忆。该任务设计巧妙地将记忆维持（两个延迟期）与外部干扰（干扰刺激）相结合。 * 数据处理：神经元的放电率被转换为Z分数进行归一化。为了降低后续分析的维度，首先将归一化后的群体活动通过主成分分析（Principal Component Analysis， PCA）降维至58个主成分，这些成分能够解释90%的方差。这个58维的空间被定义为后续分析的“完整空间”（Full Space）。
2. 子空间识别与优化算法 为了检验核心假设，研究团队开发了一种新颖的优化算法，旨在从高维神经数据中自动发现那个隐藏的稳定子空间。 * 算法核心：该算法的目标是找到一个线性变换矩阵 U，将延迟1（D1）和延迟2（D2）的神经活动数据投影到一个新的低维空间中。优化目标函数包含两个关键部分：一是最小化D1和D2数据在该子空间中投影后的距离（促进稳定性），二是最大化该子空间中保留的关于目标位置的信息（避免信息丢失）。通过一个权重参数β来平衡这两个目标。 * 优化过程：算法使用MATLAB的fmincon函数和序列二次规划（Sequential Quadratic Programming， SQP）算法进行求解。优化所使用的数据是D1和D2最后500毫秒（即各自延迟期中最稳定的时段）的平均活动，每个目标位置使用50个试次的数据构建伪群体（Pseudo-population）。最终，研究者选择了一个8维的子空间（U）作为主要分析对象，并验证了更高维度的子空间结果一致。
3. 稳定性与信息分析 在识别出子空间后，研究者采用了多种分析方法来量化子空间内代码的稳定性，并与完整空间的结果进行对比。 * 跨时解码分析（Cross-temporal Decoding）：使用线性判别分析（Linear Discriminant Analysis， LDA）分类器。在完整空间和子空间中，分别训练一个在D1某一时间点对目标位置进行分类的分类器，然后测试其在D2不同时间点的分类性能。如果代码是时间不变的，那么训练于D1的分类器在D2的测试性能应该与在D1自身测试的性能相近。 * 状态空间分析（State-space Analysis）：在PCA降维后的状态空间中，计算代表不同目标位置的神经活动“云团”的中心。通过比较D1和D2之间对应目标云团中心的位移（Inter-delay shift）与每个延迟期内云团自身的自然波动（Intra-delay shift），来量化代码变形程度。 * 轨迹平行性分析：为了探究子空间存在的条件，研究者分析了从D1到D2，不同目标位置对应的神经活动轨迹在状态空间中的移动方向是否平行。他们计算了“相位锁定值”（Phase Locking Value， PLV）作为平行性的度量。 * 错误试次分析：将上述解码和状态空间分析应用于动物犯错的试次，比较正确与错误试次在子空间中信息内容和稳定性的差异。此外，还定义了与记忆子空间正交的“零空间”（Null Space），以探究错误是否也与其他非记忆信息的变化有关。
4. 计算模型构建与验证 为了理解实验观察到的现象背后的计算原理，并产生可检验的预测，研究者构建并测试了两种人工神经网络模型：线性子空间模型（Murray 模型）和凸点吸引子模型（Bump Attractor Model）。 * 模型比较：目标是复现四个关键观察：（1）D1和D2内部的时间不变代码；（2）干扰刺激后的代码变形；（3）存在非线性混合选择性神经元；（4）存在时间不变的记忆子空间。 * 模型结构：凸点吸引子模型包含80个具有饱和非线性激活函数的速率单元。其循环连接权重呈“墨西哥帽”状分布，使局部相邻单元相互兴奋，与远处单元相互抑制，从而能够维持代表空间位置的局部活动“凸点”。模型输入包括代表8个目标/干扰位置的特定输入，以及一个关键的“非记忆输入”（Non-memory Input）。非记忆输入在干扰期激活，随机投射到部分模型单元上。 * 模型测试：研究者测试了不同强度的干扰输入和非记忆输入组合，发现只有在加入足够强度的非记忆输入时，模型才能同时复现代码变形和稳定子空间的存在。而线性子空间模型无法复现非线性混合选择性神经元的主导地位。
主要研究结果 1. LPFC存在代码变形，但可通过优化算法找到稳定子空间 首先，研究重复并确认了先前发现：在完整（58维）空间中，跨时解码分析和状态空间分析均显示，干扰刺激的呈现导致了显著的代码变形。D1训练的分类器在D2的解码性能显著下降，且D1到D2的云团中心位移远大于延迟期内的自然波动。然而，通过上述优化算法，成功找到了一个8维的子空间。在该子空间中，D1和D2的神经活动投影高度重叠，跨时解码性能在不同延迟期之间没有显著差异，状态空间分析也显示云团中心位移与延迟期内波动无差异。这直接证实了假设：LPFC的动态活动中确实存在一个低维子空间，其中编码着时间不变的工作记忆信息。
2. 子空间的特性具有行为相关性和鲁棒性 * 泛化性：该子空间的稳定性不仅限于用于优化计算的D1和D2最后500毫秒，还泛化到了未被用于优化的时期，如干扰刺激呈现期和D2的前500毫秒。然而，它未泛化到目标呈现期和D1的前500毫秒，这可能意味着LPFC对记忆的稳定编码需要一定时间建立，或优化方法存在局限。 * 行为关联：在动物犯错的试次中，子空间内关于目标位置的信息显著减少，且D2的神经活动云团中心与正确试次相比发生了显著偏移。这表明子空间内信息的完整性对于成功的行为表现至关重要。然而，错误试次在记忆子空间和与之正交的零空间中信息都有所下降，因此尚不能断言错误仅由记忆子空间的信息衰减导致。 * 结构基础：子空间并非仅由经典的、选择性不变的神经元构成。分析表明，非线性混合选择性神经元、线性混合选择性神经元和经典选择性神经元对子空间的贡献分布相似，且仅用非线性混合选择性神经元群体也能构建出稳定的子空间。这反驳了简单解释，强调了子空间是群体活动的一种涌现属性。
3. 稳定子空间的存在依赖于特定的神经动态模式 作为对照，研究者将D2的目标位置相对于D1进行随机“洗牌”，然后再次运行优化算法。结果发现，在洗牌后的数据中无法找到一个既能保持高信息量又具备时间不变性的子空间。进一步分析显示，在真实数据中找到的子空间中，不同目标位置从D1到D2的神经活动轨迹移动方向更为平行，而这种平行移动的特性是稳定子空间能够存在的关键动态特征。
4. 凸点吸引子模型成功复现实验现象并产生新预测 在测试的模型中，只有结合了非记忆输入的凸点吸引子模型成功复现了所有关键实验观察。模型解释为：目标输入在网络上激发了一个稳定的活动凸点（记忆）。当干扰刺激呈现时，伴随的非记忆输入（可能代表觉醒、注意转移或奖励预期等信号）在网络的另一处激发了新的活动凸点。这两个凸点通过网络的循环连接相互作用，导致整个网络状态发生复杂但有序的演变（即代码变形），但原始的“记忆凸点”核心信息得以保留。优化算法能够从这种变形后的活动中抽取出代表原始记忆的稳定子空间。 该模型还产生了两个重要预测，并在神经数据中得到了验证：1）在D2期间，最初由目标激发的活动凸点仍然存在；2）D2期间神经元的空间调谐反应野比D1期间更宽。此外，模型还提出了可通过双干扰实验来区分非记忆输入具体性质的进一步预测。
研究结论与意义 本研究的核心结论是：侧前额叶皮层（LPFC）通过在高维神经动态活动中维持一个低维的“记忆子空间”，实现了在存在干扰和代码变形的情况下，对工作记忆信息的稳定编码。这为解决“动态活动如何维持稳定表征”这一神经科学难题提供了一个新的框架。 * 科学价值： 1. 提出并验证了新机制：研究超越了“持续性活动”与“动态活动”的二元争论，提出“子空间稳定性”作为二者兼容的统一解释。证明了时间不变信息可以与复杂的神经动态共存。 2. 深化对前额叶功能的理解：揭示了LPFC利用其高维表征空间的效率。不同的信息（如稳定的记忆、瞬时的干扰、行为状态等）可以同时编码在不同或重叠的子空间中，实现多功能并行处理且干扰最小。 3. 连接计算模型与神经数据：凸点吸引子模型与“非记忆输入”的假设，为代码变形现象提供了一个合理的计算神经机制，将细胞水平的连接结构与系统水平的动态特性联系起来，并启发了新的实验方向。 * 应用价值与启发：这一发现对于理解认知控制、注意、以及工作记忆相关精神疾病（如精神分裂症、ADHD）的神经基础具有潜在意义。它为未来脑-机接口（Brain-Computer Interface）技术从动态多变的神经信号中稳定解码用户意图提供了算法和理论借鉴。同时，所开发的优化算法也为从高维神经数据中提取稳定信息提供了新的工具。
研究亮点 1. 重要的科学发现：首次在实验上证明，在存在显著代码变形的LPFC群体活动中，可以通过数学方法抽取出一个包含时间不变工作记忆信息的低维子空间，并将该子空间的稳定性与动物的行为表现相关联。 2. 方法学的创新：开发了一种新颖的、结合了信息保持与投影距离最小化目标的优化算法，用于自动发现神经数据中的稳定表征子空间，该方法具有通用性。 3. 多学科交叉与深度验证：研究结合了严谨的电生理实验、复杂的计算数据分析（解码、状态空间、轨迹分析）和基于原理的计算建模，形成了从现象描述到机制解释的完整证据链。模型不仅复现了现象，还成功预测了新的神经特性，并通过实验数据加以验证，极大地增强了结论的说服力。 4. 对混合选择性功能的深入阐释：研究阐明了非线性混合选择性神经元并非记忆稳定性的障碍，相反，正是包含这些神经元的复杂群体动态，在更高的组织层次上涌现出了稳定的记忆子空间，深化了对前额叶混合选择性功能意义的理解。