《elife》期刊于2020年9月9日在线发表了一篇题为“Minimally Dependent Activity Subspaces for Working Memory and Motor Preparation in the Lateral Prefrontal Cortex”的研究论文。该研究由来自新加坡分子与细胞生物学研究所（A*STAR）、新加坡国立大学（NUS）N1健康研究所、新加坡国立大学心理学系和工程学院的Cheng Tang、Roger Herikstad、Aishwarya Parthasarathy、Camilo Libedinsky†*及Shih-Cheng Yen†*等研究者共同完成（†表示同等贡献者）。通讯作者为Camilo Libedinsky和Shih-Cheng Yen。

研究背景 该研究属于认知神经科学领域，聚焦于大脑外侧前额叶皮层在复杂行为中的信息整合机制。外侧前额叶皮层（lateral prefrontal cortex, LPFC）在灵活行为中扮演核心角色，因为它需要整合多种信息，包括感觉属性、任务规则、工作记忆内容、注意项目、运动准备和奖励预期等。研究表明，LPFC中很大比例的神经元表现出“混合选择性”（mixed selectivity），即它们同时对两种或多种类型的信息进行编码。这种混合选择性赋予了LPFC高维度的表征空间，但也带来了一个关键挑战：接收LPFC混合选择性输入的下游脑区，如何能够独立地读取某一特定类型的信息，而不受其他同时存在的信息干扰？一种可能的解决方案是，在LPFC高维状态空间内，嵌入多个低维的“信息子空间”（information subspaces）。这些子空间可以使不同类型的信息在其中被独立且干扰最小地读取。虽然已有研究在不同脑区识别出信息子空间，但迄今为止，尚没有研究明确证明两个独立的认知过程（如工作记忆和运动准备）的信息是否能同时编码于单个生物神经网络内的不同子空间中。本研究旨在填补这一空白，探究LPFC网络中是否存在两个“最小依赖”（minimally dependent）的信息子空间，分别对应于工作记忆和运动准备，并阐明其神经机制。

研究流程与实验设计 本研究采用了从清醒行为非人灵长类动物（两只成年雄性食蟹猴）的LPFC记录单神经元活动的方法，结合行为学任务、创新的数据分析算法和计算建模。

1. 实验对象与手术植入 两只实验动物预先植入了钛合金头柱。随后，通过手术将多组微电极阵列植入左侧额叶皮层，具体包括LPFC和额眼区。其中一只动物在LPFC植入了7个阵列（共192个电极），在额眼区植入了2个阵列（64个电极）。另一只动物在LPFC植入了3个阵列（80个电极），在额眼区植入了2个阵列（32个电极）。电极阵列由铂铱合金导线构成，长度在1-5.5毫米之间。所有手术均在无菌条件和全身麻醉下进行，并遵循严格的动物福利规范。术后，通过微电流刺激确认了额眼区电极的位置。

2. 行为任务与神经信号记录 动物执行一项带有干扰项的延迟扫视任务。每个试次开始时，动物需注视屏幕中心的固定点。随后，一个目标（红色方块）在八个可能位置之一短暂呈现300毫秒，接着是持续1000毫秒的第一个延迟期。之后，一个干扰项（绿色方块）在不同于目标的位置呈现300毫秒，紧接着是第二个持续1000毫秒的延迟期。最后，固定点消失，作为“开始”信号，动物需要通过眼动报告之前记忆的目标位置。神经信号使用多通道采集系统以40 kHz采样率记录，经过带通滤波后，使用隐马尔可夫模型算法进行锋电位检测和单神经元分离。行为事件（试次阶段、眼动数据）与神经活动通过同步信号进行对齐。

3. 数据分析与子空间识别方法 本研究的核心是开发一种新颖的算法，以识别LPFC中对应于工作记忆和运动准备的子空间。研究的分析主要基于从两只动物LPFC区域记录的226个单神经元的数据（不包括额眼区数据）。

a. 基础分析： - 神经元选择性分析：计算每个神经元在不同延迟期对目标位置的调谐反应（tuning），使用方差分析（ANOVA）判断其选择性。 - 跨时间解码分析：使用线性判别分析（LDA）解码器，评估在LPFC全维空间（226维）以及后续在识别出的子空间中，目标位置信息随时间变化的情况。通过“训练时间-测试时间”矩阵图来可视化信息的时间泛化特性。 - 代码变形验证：重现了先前的研究发现，即在LPFC中，第一个延迟期和第二个延迟期存在两种稳定但互不泛化的群体活动模式（称为“代码变形”，code morphing）。

b. 核心创新方法——活动解混与子空间识别： 由于在实验中，工作记忆（记住的目标位置）和运动准备（即将报告的目标位置）的标签在每次试次中总是相同的，传统的回归分析或解混主成分分析（dPCA）等方法无法有效分离这两类信息。为此，研究者开发了一种新的优化方法。 - 问题定义：将时间平均和试次平均后的第一个延迟期群体活动矩阵（D1）和第二个延迟期群体活动矩阵（D2）视为工作记忆活动（M）和运动准备活动（P）的混合。 - 优化目标：通过优化寻找混合系数a和b，使得从D1和D2中解混出的估计M和估计P之间的“互信息”（mutual information）最小化。互信息是衡量两个变量依赖程度的指标，最小化互信息意味着找到最独立（最小依赖）的M和P。 - 算法实现：使用MATLAB的fmincon优化函数，以M和P的离散分布之间的互信息为目标函数，进行多次随机初始化的优化运行。最终得到稳定的混合系数估计（a ≈ 0.12， b ≈ 0.65）。这意味着在延迟1中，运动准备活动的强度约为其自身在延迟2中强度的12%；而在延迟2中，工作记忆活动的强度约为其自身在延迟1中强度的65%。 - 子空间构建：将解混得到的工作记忆活动矩阵M和运动准备活动矩阵P分别进行正交化，得到的正交基所张成的空间即定义为“工作记忆子空间”和“运动准备子空间”。这两个子空间捕获了延迟1和延迟2中所有关于目标位置的线性可解码信息。

c. 验证分析与机制探究： - 子空间属性验证：分析信息在子空间中出现的时间动态；将群体活动投影到子空间中进行可视化，观察不同延迟期、不同目标位置的活动聚类情况；计算两个子空间之间的“主角度”（principal angles）以评估其正交性。 - 工作记忆子空间验证：计算本研究发现的工作记忆子空间与之前研究中报告的稳定工作记忆子空间之间的相似性（通过主角度比较），证实两者显著相近。 - 运动准备子空间验证： - 将同样的解混方法应用于“延迟1活动”与“扫视前活动”（运动执行期），得到一对新的解混元素（M‘ 和 S’）。 - 发现本研究的运动准备元素P与扫视前元素S’高度相关。 - 在单神经元水平，许多在延迟2和扫视前都具有选择性的神经元，其在这两个时期的调谐曲线显著相关。 - 神经元贡献分析：计算每个神经元在两个子空间中的“加载权重”（loading weight），分析是存在两个独立的神经元亚群分别贡献于两个子空间，还是同一群具有混合选择性的神经元同时贡献于两者。 - 信息干扰量化： - 解码性能：比较在仅有工作记忆活动时 vs. 在工作记忆+运动准备活动同时存在时，工作记忆子空间内的解码性能（对运动准备子空间进行类似分析）。 - 状态空间分析：计算不同目标位置活动簇之间的“簇间距离”与“簇内距离”的比值（类似于信噪比），更敏感地量化干扰。 - 错误试次分析：比较在正确试次和错误试次中，两个子空间内的目标信息量（解码性能），以探究子空间信息的行为了相关性。 - 计算建模：构建了两类人工神经网络模型来复现和理解神经数据的特性。 - 吸引子模型（Bump Attractor Model）：模拟具有局部兴奋和全局抑制连接的神经元网络产生的自维持活动“凸起”。 - 线性子空间模型（Linear Subspace Model）：基于稳定特征向量的线性动力学系统。 - 关键对比：在模型中引入或不引入“分裂归一化”（divisive normalization）机制，该机制通过缩放整体活动以维持群体平均发放率恒定。考察哪种模型能复现LPFC数据的关键特征。

主要研究结果 1. 识别出两个最小依赖的子空间 优化算法成功地将延迟1和延迟2的群体活动解混为两个互信息极低（0.08比特，远低于原始活动的0.33比特）的元素。由这两个元素定义的子空间具有不同的时间动态： - 子空间1（工作记忆子空间）：其活动幅度在目标呈现后迅速升高，并持续维持直到扫视信号出现。 - 子空间2（运动准备子空间）：其活动幅度在干扰项呈现后才开始升高，并在第二个延迟期及之后保持较高水平。 跨时间解码显示，工作记忆子空间中的目标信息在目标呈现后立即出现，并贯穿整个试次（尽管在延迟2有所下降）；而运动准备子空间中的目标信息仅在干扰项出现后才出现，并在延迟2保持稳定。

2. 子空间分别对应工作记忆和运动准备功能 - 工作记忆子空间与先前研究中发现的稳定工作记忆子空间高度相似。 - 运动准备子空间与从扫视前活动解混出的元素高度相关，且许多单神经元在运动准备和扫视前活动表现出相似的调谐特性，有力地支持了子空间2对应于运动准备的假设。

3. 单个混合选择性神经元群体构成了两个子空间 神经元加载权重的分析显示，神经元并没有分成专门负责工作记忆或运动准备的独立亚群。相反，大多数（94%）神经元同时向两个子空间贡献权重，且一个神经元在工作记忆子空间的加载权重与其在运动准备子空间的加载权重呈显著正相关。这表明，是同一个具有混合选择性的神经元群体，通过其协同活动模式，同时形成了两个信息子空间。下游脑区可以通过不同的读权重（对应于子空间的加载权重）从这一混合群体活动中独立地提取出工作记忆或运动准备信息。

4. 子空间之间存在少量但显著的信息干扰 尽管两个子空间被设计为最小依赖，但它们并非完全正交（主角度分析显示其夹角显著小于随机子空间）。状态空间分析（簇间/簇内距离比）表明，当延迟2中运动准备信息叠加到工作记忆信息上时，会导致工作记忆子空间内的信息表征出现轻微但显著（下降约7%）的干扰，反之亦然。不过，这种干扰尚未大到影响线性解码器的分类性能。

5. 错误试次中两个子空间的信息均减少 在动物做出错误反应的试次中，无论是工作记忆子空间还是运动准备子空间，其目标位置信息量（解码性能）均显著低于正确试次。这种下降是特异于子空间的，并非由于群体噪声普遍增加所致，表明这两个子空间与任务行为的成功执行密切相关。

6. 分裂归一化机制可以解释数据特性 一个关键的观察是，虽然延迟2增加了运动准备信息，但LPFC神经元的平均群体发放率在延迟1、延迟2之间并无显著变化。与此同时，工作记忆子空间中的信息在延迟2有所下降。计算模型显示，只有包含了“分裂归一化”机制的吸引子模型和线性子空间模型，才能成功地复现神经数据的所有关键特征：包括代码变形、两个子空间的存在、延迟2工作记忆信息下降、以及恒定的平均发放率。这表明，LPFC可能通过这种归一化机制，在引入新信息（运动准备）时约束总体神经活动水平，从而导致子空间内原有信息（工作记忆）的表征强度受到一定压缩。

研究结论 本研究首次在同一个生物神经网络（外侧前额叶皮层）内，证明了关于两个独立认知过程（工作记忆和运动准备）的信息可以同时编码于两个“最小依赖”的低维子空间中。这些子空间由同一群具有高度混合选择性的神经元通过其协同活动形成，使得下游脑区能够以干扰最小的方式独立读取特定类型的信息。研究还揭示了子空间之间存在少量但可测量的干扰，以及行为错误与子空间信息减少的相关性。更重要的是，研究通过计算建模提出，LPFC中可能存在的“分裂归一化”机制，是解释工作记忆信息在运动准备信息加入时发生衰减，同时维持总体活动稳定的关键。这一发现为理解大脑如何在高维混合表征中实现灵活、并行的信息处理提供了新的机制性见解。

研究的亮点与价值 科学价值与亮点： 1. 概念创新：首次在实验上证实了单个脑区皮层网络中可同时存在两个分别编码不同认知功能的“最小依赖”信息子空间，为理解认知灵活性背后的神经计算原理提供了直接证据。 2. 方法创新：针对工作记忆与运动准备标签相同的实验范式，创造性地开发了一种基于最小化互信息的优化算法，成功地从混合的群体活动中解离出独立的信号成分，为类似情况下的子空间分析提供了新工具。 3. 机制深化：将“分裂归一化”这一在感觉皮层中常见的计算原理，与LPFC的认知信息处理联系起来，并利用计算模型证明了该机制可以复现包括信息干扰和恒定发放率在内的复杂数据模式，提出了一个统一的计算框架。 4. 连接行为与神经机制：通过错误试次分析，建立了子空间信息完整性与行为表现之间的关联，增强了所发现子空间的功能相关性。 5. 理论意义：支持了前额叶皮层通过高维混合选择性和低维子空间相结合的方式，支持多任务并行处理和选择性信息路由的理论框架，加深了对大脑高级认知功能组织原则的理解。

本研究通过精密的实验、创新的分析和富有洞察力的建模，揭示了前额叶皮层处理多重信息的精巧策略，是连接神经元群体编码、认知计算理论和行为输出的一项重要工作。