一项在麻醉状态下的人类海马体中揭示复杂感觉处理与可塑性的研究

作者与发表信息 本研究由Kalman A. Katlowitz（第一作者）、Sameer A. Sheth（通讯作者）等来自美国贝勒医学院神经外科系、哈佛医学院麻省总医院神经内科、哥伦比亚大学生物医学工程系等十余个机构的众多研究者合作完成。该研究于2026年在线发表于国际顶级学术期刊《自然》（*Nature*）。

学术背景 意识与复杂认知功能之间的关系是认知神经科学的核心问题。一个长期存在的争论是：高级的、模式化的信息处理，如语义理解和预测性加工，是否依赖于意识状态？主流理论认为，涉及跨时间尺度整合或超越初级感觉特征的抽象运算需要意识的参与。然而，心理学和神经科学证据也表明，大量处理（如知觉辨别、统计学习）可以在意识之外发生。全身麻醉（general anaesthesia）为研究这一问题提供了一个理想的模型，它诱导了一种可逆的、行为反应消失的“无意识”状态。以往研究发现，在麻醉状态下，初级感觉皮层仍保留一定的感觉反应，但对于远离感觉和运动系统的脑区——例如海马体（hippocampus）——在无意识状态下是否仍能进行复杂的信息处理，尚不清楚。海马体是负责记忆、空间导航和情境整合的关键脑区，其与意识的关系是研究的焦点。本研究旨在探究：在全身麻醉导致意识丧失的状态下，人类海马体是否仍能进行新异刺激（oddball）辨别、语义处理乃至在线预测等高阶认知活动。

详细研究流程 本研究是一项在人类患者中进行的侵入性颅内电生理记录研究，结合了实验范式和计算建模。

1. 研究对象与数据采集：

   • 研究对象： 七名因药物难治性颞叶癫痫而计划接受前颞叶切除术的患者。所有患者在手术期间处于稳定的全身麻醉状态（主要使用丙泊酚，脑电双频指数BIS维持在45-60之间），并在术后确认对术中事件无外显记忆。
   • 记录技术： 研究使用了高密度神经像素（Neuropixels）微电极阵列，这是一种能够同时记录单个神经元放电（single-unit activity）和局部场电位（local field potential, LFP）的先进技术。电极通过机器人引导精准植入计划切除的颞叶内侧结构（主要是海马体前部）中。这种记录方式因其高时空分辨率，能够捕捉到精细的神经活动模式。
   • 实验设计： 记录在患者处于稳定麻醉状态下进行，持续约30分钟。实验分为两个主要部分：
     • 新异音调任务（Oddball Task）： 对三名患者播放一系列纯音刺激。其中80%为“标准”音调，20%为频率不同的“新异”音调，顺序随机。在部分患者中，新异音调的身份（高频或低频）在实验中途进行了平衡切换，以排除特定音调物理属性的影响。
     • 自然语言处理任务： 对四名患者播放播客节目（如《The Moth Radio Hour》或科普视频）的音频片段，持续10-20分钟，以研究对连续自然语言的神经反应。

2. 数据处理与分析方法：

   • 神经信号处理： 原始数据经过运动校正（使用DREDGE等算法）、尖峰检测与分类（使用Kilosort 2.0/4.0和phy软件手动校正）以及LFP滤波等标准流程，最终分离出651个神经元单元。
   • 核心分析框架：
     • 新异刺激分析： 计算神经元对音调的反应潜伏期、反应强度。使用广义线性混合效应模型（Generalized Linear Mixed Effects model, GLME）检验神经元对音调身份（频率）、上下文（标准 vs. 新异）及其交互作用的编码。使用支持向量机（Support Vector Machine, SVM）进行基于群体活动的试次间解码，评估信息含量。通过滑动窗口分析，追踪解码精度在整个实验过程中的动态变化。
     • 语言刺激分析： 将神经活动与每个单词的起始时间对齐。分析涉及多个语言学维度：
       • 词频： 检验神经元放电率与单词在语料库中出现频率的对数之间的相关性。
       • 语义嵌入（Semantic Embedding）： 使用词向量模型，通过线性回归预测神经元的放电模式，检验其是否编码单词的抽象语义信息。
       • 语义类别与词性： 将单词归类到12个语义类别（如动物、工具等）和11个词性类别，使用统计检验（如Kruskal-Wallis检验）分析神经元对不同类别的选择性反应。
       • 预测与惊讶度（Surprisal）： 分析神经活动是否能预测即将出现的单词的语义特征，以及神经反应是否与基于语言模型的单词“惊讶度”（即出现概率的负对数）相关。
     • 计算建模： 构建了一个连续速率递归神经网络（Recurrent Neural Network, RNN）模型，该模型包含80%兴奋性和20%抑制性神经元，以模拟实验中的新异音调检测任务。通过训练模型仅区分两种音调身份，观察其是否能自发地（作为涌现属性）学会检测新异刺激，并与人类神经数据中的可塑性模式进行比较。此外，通过对模型进行系统性“损伤”（即置零特定类型的神经元连接），探究兴奋-抑制回路在形成这些表征中的作用。

主要研究结果 1. 无意识状态下的新异刺激检测与表征可塑性： * 在海马体中，大多数记录到的神经元（70.9%）对音调刺激有反应。其中，相当一部分神经元（22.7%）能区分不同频率的音调，更多神经元（24.7%）能区分标准音调与新异音调。LFP信号（特别是伽马波段振荡）也显示出对新异刺激的特异性反应。 * 关键发现——可塑性： 新异刺激的表征并非静态。在约10分钟的实验中，对新异刺激的解码准确率随时间持续、缓慢地增强。同时，对单纯音调身份的解码准确率相应下降。神经群体反应向量的分析（欧氏距离和余弦角）表明，这种变化不是简单的反应增益调制，而是神经表征在高维空间中的旋转，即神经反应流形发生了重塑。这表明，即使在深度麻醉的无意识状态下，海马体神经网络仍能表现出与统计学习相关的可塑性。

1. RNN模型验证了学习与表征的涌现属性：

   • 仅被训练来区分两种音调身份的RNN模型，无需额外训练，其内部活动便能自发地编码“新异”上下文信息，并能解码新异刺激。模型模拟出的标准刺激与新异刺激表征之间距离的动态变化模式，与人类神经数据中观察到的趋势相似。
   • 损伤分析进一步揭示，模型中的抑制性连接（无论是抑制性到兴奋性，还是抑制性到抑制性）对于形成音调身份和新异上下文表征至关重要，这为生物神经网络实现此类功能的可能机制提供了洞见。

2. 无意识状态下的高阶语言处理：

   • 语义编码： 海马体神经元对自然语言中的单词有强烈反应。神经元的放电率与单词的词频显著相关。更重要的是，利用单词的语义嵌入向量，可以显著预测神经元的放电模式，即使只使用唯一出现一次的单词进行分析，结果依然稳健。这证明神经反应编码的是单词的抽象语义关系，而非仅仅是其声学特征或重复出现的记忆。
   • 语义与语法特征分类： 绝大多数神经元（85.6%）对至少一个语义类别表现出选择性反应，多数神经元能区分多个类别。同样，大量神经元（79.5%）能区分名词与非名词等词性信息。SVM解码器能够以高于随机水平的准确率，在单个单词的层面上对语义类别和词性进行分类。
   • 上下文整合与预测： 神经活动不仅编码当前单词的语义，还与过去单词的语义相关（可能反映短时记忆），更令人惊讶的是，还能编码未来单词的语义信息。这种“前瞻性”编码的强度与在清醒患者中观察到的水平相当。此外，神经元的反应强度与单词的“惊讶度”相关，表明其对语言序列的统计结构敏感。这些发现表明，无意识的海马体能够进行深度的语义分析和上下文整合，其程度接近清醒状态。

3. LFP与单神经元活动的关系：

   • LFP信号（特别是在伽马波段）同样编码了语义、词性等信息，但其编码强度通常弱于单神经元活动。LFP的某些特征（如非周期斜率、相位-振幅耦合）也能有效预测语言特征。这提示LFP（尤其是伽马振荡）可以作为单神经元群体活动的一个代理指标，但也可能承担其他功能角色。

研究结论与意义 本研究提供了强有力的证据，表明在全身麻醉诱导的完全无意识状态下，人类大脑中一个高级的、远离初级感觉皮层的区域——海马体——仍然能够进行复杂的感觉信息处理。这种处理不仅包括对新异刺激的检测和表征学习（可塑性），还延伸到了对自然语言的语义解析、语法特征提取和基于上下文的预测。

这项研究的科学价值在于： 1. 挑战了关于意识必要性的传统观点： 它表明，传统上认为需要意识参与的高阶认知操作（如语义理解、预测性加工）可以在无意识状态下，在海马体这一高级联合皮层中独立发生。这促使我们重新思考意识在复杂信息处理中的确切作用——意识可能并非这些过程的“执行者”，而是与这些过程的全局协调、传播或迭代修订相关联。 2. 揭示了无意识状态下的神经可塑性： 研究首次在人类无意识状态下，于海马体中观察到持续数分钟的表征可塑性，这为理解麻醉状态下可能发生的隐性学习（implicit learning）或记忆痕迹的形成提供了神经机制层面的解释。 3. 深化了对海马体语言功能的理解： 研究将海马体在语言处理中的作用从记忆巩固扩展到实时在线的情境化（contextualization）和预测，即使在无意识时也是如此，强调了海马体在语言网络中的核心地位。 4. 提供了跨层次的研究范式： 研究结合了高分辨率的人类颅内记录、精细的行为范式（新异刺激、自然语言）和计算神经科学建模（RNN），为未来研究意识与无意识认知的神经基础树立了方法论典范。

研究亮点 1. 颠覆性发现： 在无意识个体中，于高级脑区（海马体）观察到语义处理和预测性编码，直接挑战了“复杂认知需意识参与”的经典理论。 2. 方法学创新与严谨性： 首次在麻醉患者中使用Neuropixels电极进行海马体单神经元记录，获得了前所未有的高时空分辨率数据。实验设计巧妙（如平衡新异刺激、使用自然语言），分析手段全面（从单神经元到群体解码，再到计算建模）。 3. 揭示了动态学习过程： 不仅观察到了静态的神经表征，更捕捉到了无意识状态下神经表征随时间演化的可塑性，这是以往研究很少报道的。 4. 强大的计算模型验证： 通过构建生物合理的RNN模型，不仅复现了主要实验结果，还通过损伤实验揭示了抑制性回路在形成此类表征中的关键作用，将现象与机制联系起来。 5. 与清醒状态的直接比较： 研究将麻醉状态下的语言处理结果与先前在清醒癫痫患者中获得的数据进行对比，发现许多编码特性（如语义编码广度、预测性编码强度）高度相似，这极大地增强了研究发现的说服力。

其他有价值的内容 研究也坦诚地指出了其局限性：例如，麻醉状态与自然睡眠、昏迷等其他无意识状态的关系尚不明确；结果可能依赖于特定的麻醉药物（丙泊酚）；由于样本量限制，未能分析大脑半球偏侧化的影响；海马体观察到的过程可能并非其独有，而是依赖于其他脑区的输入等。这些为未来的研究指明了方向。

这项研究如同一扇窗户，让我们窥见即使在意识之光熄灭时，大脑深处依然进行着繁忙而精密的高阶信息处理。它迫使我们重新审视意识的本质——意识或许不是认知交响乐的“演奏者”，而是那束让整个乐团被“听见”的聚光灯。