Nature解答20年谜题，多重任务的神经元

在发表于5月19日《自然》（Nature）杂志上的一篇论文中，Miller和哥伦比亚大学的同事们报告称，发现额叶前皮质的一些神经元对于完成复杂的认知任务，例如学习新的行为至关重要。研究的资深作者Stefano Fusi领导哥伦比亚大学研究小组，开发了一种计算机模型证实没有这些神经元，大脑只能学习少数的行为任务。

　　

生物通报道  在过去的几十年里，神经学家们通过解密执行特定任务（如识别物体的位置和颜色）的单个神经元的功能，在大脑功能定位方面取得了极大的研究进展。

然而，有许多的神经元，尤其是执行诸如思考和计划等复杂功能大脑区域中的神经元，并不适合于这种模式。这些神经元并不会唯独对一种刺激或任务产生反应，它们会以不同的方式对多种多样的事物做出反应。大约20年前，麻省理工学院的神经科学家Earl Miller在对受到训练执行复杂任务的动物开展研究记录它们神经元的电活动时，就注意到了这种不同寻常的活动模式。

Miller回忆说：“前不久我们开始注意到，在额叶前皮质存在有一堆神经元，它们无法按照传统的一种神经元一条信息的方式进行归类。”

在发表于5月19日《自然》（Nature）杂志上的一篇论文中，Miller和哥伦比亚大学的同事们报告称，发现这些神经元对于完成复杂的认知任务，例如学习新的行为至关重要。研究的资深作者Stefano Fusi领导哥伦比亚大学研究小组，开发了一种计算机模型证实没有这些神经元，大脑只能学习少数的行为任务。

Fusi说：“你需要很大比例的这些神经元。它赋予了大脑巨大的计算优势。”

多任务的神经元

Miller和其他首先观察到这种神经元活性的神经科学家们，发现尽管很难对这种模式进行预测，但它们并非是随机。“在相同的情况下，神经元总是以相同的方式运作。只是它们有可能在一个任务中传递一种信息，而在另一个任务中传递完全不同的信息，”Miller说。

例如，一个神经元有可能在一个任务过程中区分两种颜色之间的差别，而在不同的情况下发出运动命令。

Miller和同事们认为，这种类型的神经元灵活性是诸如大脑能够在匆匆忙忙中学习如此多新东西，这样的认知灵活性的关键。“你可以招募一堆的神经元来完成一大堆不同的任务，它们所要做的就是根据任务要求来进行改变，”他说。

首先，这种理论会遭遇阻力，“是因为它违背了传统的思维：通过弄清每个神经元完成的每项任务，来了解大脑的发条装置，”Miller说。

在新研究中，Fusi和哥伦比亚大学的同事们构建出一个计算机模型，利用Miller和他的前毕业生Melissa Warden收集的实验数据，更精确确定了这些灵活的神经元在认知中所起的作用。这些数据来自于Miller的研究：训练猴子完成极为复杂的一项任务。动物看着两张图片，要求它们记住这些图片以及它们出现的顺序。

在这个任务过程中，称作“混合选择性神经元”（mixed selectivity neurons）这些灵活神经元，显示大量的非线性活动，这表明它们对于组合因子做出的反应，不能以它们对单个因子的反应为基础进行预测。

扩大能力

Fusi的计算机模型揭示，这些混合选择性神经元对于大脑功能执行许多复杂任务至关重要。当计算机模型只包含完成一种功能的神经元时，大脑就只能学习非常简单的任务。然而，当灵活的神经元被加入到这一模型中时，“一切都变得更加容易，你可以构建出一个神经系统，完成非常复杂的任务，”Fusi说。

这些灵活的神经元大大扩展了大脑完成任务的能力。在计算机模型中，没有混合选择性神经元的神经网络在能力耗尽前可以学习大约100种任务。Miller说，当将混合型神经元加入到这一模型中时，大脑的能力显著扩展到了数以亿计的任务，变得“几乎无限”， 就像人脑一样。

混合选择性神经元尤其在额叶前皮质起主导作用，大多数思想、学习和计划都发生于这一区域。现在，Miller正试图弄清楚大脑是如何将所有这种活动进行分类，生成协调的信息的。

（生物通：何嫱）

生物通推荐原文摘要：

The importance of mixed selectivity in complex cognitive tasks

Single-neuron activity in the prefrontal cortex (PFC) is tuned to mixtures of multiple task-related aspects. Such mixed selectivity is highly heterogeneous, seemingly disordered and therefore difficult to interpret. We analysed the neural activity recorded in monkeys during an object sequence memory task to identify a role of mixed selectivity in subserving the cognitive functions ascribed to the PFC. We show that mixed selectivity neurons encode distributed information about all task-relevant aspects. Each aspect can be decoded from the population of neurons even when single-cell selectivity to that aspect is eliminated. Moreover, mixed selectivity offers a significant computational advantage over specialized responses in terms of the repertoire of input–output functions implementable by readout neurons. This advantage originates from the highly diverse nonlinear selectivity to mixtures of task-relevant variables, a signature of high-dimensional neural representations. Crucially, this dimensionality is predictive of animal behaviour as it collapses in error trials. Our findings recommend a shift of focus for future studies from neurons that have easily interpretable response tuning to the widely observed, but rarely analysed, mixed selectivity neurons.