《Nature Neuroscience》研究：全脑尺度解析小鼠决策任务中运动编码的结构特征

第一作者与机构
本研究的共同第一作者为Ziyue Aiden Wang（斯坦福大学）和Balint Kurgyis（斯坦福大学），合作团队包括斯坦福大学、霍华德休斯医学研究所Janelia研究园区、贝勒医学院等机构的研究人员。论文于2025年10月1日在线发表于《Nature Neuroscience》，DOI: 10.1038/s41593-025-02114-x。

学术背景
神经科学领域长期认为大脑通过感觉-运动转换实现行为决策，但运动相关神经活动在感觉和运动区的广泛分布机制尚不明确。既往研究多局限于局部脑区或单一行为范式，缺乏全脑尺度的系统性分析。本研究旨在通过高通量神经记录与机器学习方法，揭示小鼠决策任务中运动编码的全脑分布规律，并解析其与神经计算的关系。

研究流程与方法
1. 实验设计与数据采集
- 行为任务：训练28只转基因小鼠完成听觉引导的延迟舔舐决策任务（记忆引导运动任务）。小鼠需根据纯音频率（12 kHz左舔、3 kHz右舔）在1.2秒延迟后执行方向性舔舐以获得奖励。
- 神经记录：使用2-5个Neuropixels探针同步记录超过5万个神经元的活动，覆盖前外侧运动皮层（ALM）、延髓、中脑、纹状体和丘脑等十余个脑区，空间定位通过Allen共同坐标框架（CCF v.3）标准化。
- 行为捕捉：300 Hz高速摄像记录口面部及肢体运动，通过DeepLabCut标记鼻、舌、下颌等关键点，并开发基于自动编码器（autoencoder）的16维运动特征嵌入方法。

1. 数据分析框架
   
   • 三种预测模型：
     
     • 标记点回归：手动标记运动轨迹，线性回归预测神经活动。
       
     • 嵌入方法：卷积自动编码器提取低维运动特征，通过瓶颈层（bottleneck）重构视频帧，预测神经活动。
       
     • 端到端学习：深度残差网络直接从视频像素预测神经活动，采用批归一化（batch normalization）和ReLU激活函数优化训练。
       
   • 时间偏移分析：通过平移视频帧时间窗（±102 ms，步长6.8 ms）区分运动前导（motor command）与跟随（reafferent）的神经信号。

主要结果
1. 运动编码的脑区异质性
- 延髓（medulla）的运动预测解释方差最高（0.176±0.06），显著高于中脑（0.104±0.004，p<0.001），符合运动控制层级理论。端到端模型的预测性能最优（比标记点方法提升330%）。
- 丘脑核团间存在显著差异：腹后核（VP）解释方差高于腹前外侧核（VAL）（p×10⁻³），且空间连续性检验表明编码结构非随机分布（p<0.0001）。

1. 感觉-运动信号的时间解析

   • 延髓神经元活动显著领先运动（平均时间偏移+19.3 ms），符合其运动指令输出功能；而丘脑后核（PO）活动滞后运动（-11.6 ms），体现感觉反馈特性。ALM皮层浅层偏向感觉编码，深层偏向运动输出，与已知解剖层级一致。

2. 非指令运动与决策的交互

   • 通过视频解码发现，延迟期未受指令的运动（如下颌摆动）可预测未来选择（ROC AUC=0.66），且个体小鼠运动模式高度特异（Calinski-Harabasz聚类评分p<0.001）。
     
   • 神经元分为三类：选择调制型（ALM占比高）、运动调制型（延髓为主）及混合型。在剔除运动相关活动后，前脑仍保留显著选择编码（AUC>0.65），证实决策信号的独立性。

结论与价值
本研究首次在全脑尺度绘制了运动编码的拓扑图谱，揭示了感觉-运动信号在微观尺度的交织规律。方法学上，端到端模型的高预测性能为神经-行为关联研究设立新标准。科学意义在于：
1. 为闭环感觉运动理论提供实证，挑战传统脑区功能割裂观点；
2. 开发的时间偏移分析法可推广至其他行为范式；
3. 非指令运动的量化框架为认知神经研究中运动混淆因素的排除提供工具。

研究亮点
- 技术创新：融合Neuropixels全脑记录、三维CCF配准与多模态机器学习，实现单神经元精度的时空解析。
- 发现突破：首次报道丘脑核团间运动编码的平滑梯度变化，提示亚结构功能分化可能被低估。
- 跨学科应用：端到端模型的成功表明，数据密集型方法在神经动力学研究中具有潜力，尽管可解释性仍需平衡。

其他价值
研究公开了超过5万神经元的完整数据集（DANDI: 10.48324/dandi.000363），配套代码（GitHub: druckmann-lab/mapvideoanalysis）为领域内可重复研究提供资源。