猴子TE区相比TEO区在特征模糊视觉分类任务学习中表现出更强的神经可塑性

《Nature Communications》：Enhanced neural plasticity in monkey TE compared to TEO during learning of a feature-ambiguous visual categorization task

本研究针对灵长类快速视觉分类的神经机制难题，通过同步记录猴子下颞叶皮层TE和TEO区的神经元活动，发现TE区在分类学习过程中表现出更强的神经可塑性。研究人员采用特征模糊的猫狗分类任务，结合单神经元记录和群体解码技术，证明TE区神经元的类别特异性、泛化能力与行为表现显著相关，而TEO区主要提供稳定的特征表征。该成果发表于《Nature Communications》，为理解 ventral visual pathway 的层次化处理机制提供了新见解。

　　

灵长类动物拥有令人惊叹的视觉分类能力，能够在瞬间将复杂的视觉信息归类，这种能力对生存至关重要。当我们看到一只猫或狗时，大脑几乎立即就能完成分类，这背后隐藏着怎样的神经机制？科学家们长期以来认为，大脑腹侧视觉通路（ventral visual pathway）的下颞叶皮层（inferior temporal cortex, IT）在这一过程中扮演关键角色。然而，IT皮层包含多个功能亚区，特别是TE和TEO两个相邻区域，它们在视觉分类中的具体分工和相互作用机制仍不明确。

早期研究显示，TE和TEO在细胞构筑和神经连接上存在差异，功能上也有所不同。更令人困惑的是，损伤研究表明，单独损毁TE或TEO区域只会导致轻度的分类障碍，而同时损毁两个区域则会引起严重且持久的功能缺陷。这一现象不符合简单的前馈层次处理模型，暗示着TE和TEO可能以并行方式协同工作。但是，这种并行处理如何在神经元水平实现？在学习过程中，这两个脑区的神经可塑性又有何差异？这些问题成为该领域亟待解决的重要科学问题。

为了解决这些疑问，研究人员在《Nature Communications》上发表了他们的最新研究成果。他们设计了一项精巧的实验，让两只雄性猕猴学习完成一项特征模糊的视觉分类任务——将一系列猫狗混合图像分类为"像猫"或"像狗"。通过在高通道密度微电极阵列上同时记录TE和TEO区域的神经元活动，研究人员能够实时追踪学习过程中两个脑区的神经表征变化。

这项研究的关键在于他们成功地将学习阶段缩短至数天，这使得追踪神经可塑性过程成为可能。研究人员特别关注图像呈现早期阶段的神经活动，排除了运动准备等 confounding factors 的影响。他们采用了一系列严谨的分析方法，包括嵌套方差分析（nested ANOVA）、效应量计算、接受者操作特征曲线（ROC）分析、群体解码（population decoding）和表征相似性分析（representational dissimilarity analysis）等，从单神经元和群体水平全面评估了两个脑区的分类表征特性。

在单神经元水平，研究人员通过嵌套ANOVA评估每个神经元对类别信息的编码程度。结果显示，TE区中受类别信息显著调制的神经元比例随着学习进程而增加，而TEO区则无此变化。效应量分析进一步证实，视觉类别对TE神经元活动的影响随着学习逐渐增强，这种增强在TEO区并不明显。

为了评估神经元群体的分类表征能力，研究人员训练了传统的类别解码器（category decoder）。结果发现，TE神经元群体的解码准确率随着学习进程单调上升，而TEO群体则保持相对稳定。更有趣的是，在学习初期，TEO的解码准确率高于TE，但随着学习进行，TE的表现逐渐超越TEO，显示出明显的时间交叉现象。

研究人员还设计了一种泛化类别解码器（generalization category decoder），通过十折交叉验证（10-fold cross-validation）策略，测试神经网络对从未见过的图像的分类能力。结果再次证实，TE区而非TEO区的泛化能力随着学习显著提升。这表明TE区不仅能够区分已见过的类别样本，还能将类别知识泛化到新样本上。

通过计算神经群体的判别指数（d'），研究人员发现，TE和TEO的组合判别力有时超过单个区域的表现，但从未达到两个区域判别力的简单相加。这一模式表明，TE和TEO提供互补且部分独立的信息，可以增强类别表征，但这种互补性并非始终存在，可能受到神经信号日间变异或神经元采样限制的影响。

表征相似性分析为类别表征的特异性和泛化性提供了直接证据。TE群体对不同类别图像的反应模式差异（特异性）随着学习逐渐增大，而对同一类别内不同图像的反应模式（泛化性）则变得越来越相似。TEO群体在这两方面均未表现出显著的学习相关变化。

行为表现与神经表征的相关分析显示，TE区的解码准确率与猴子的行为表现显著相关，而TEO区则无此关联。即使控制TEO信号和个体差异后，TE信号仍与行为表现保持独特关联。信息准则指标（AIC和BIC）比较表明，加入TEO信息并不能改善基于TE信号的行为预测模型。

研究人员还比较了正确试次和错误试次中的类别表征差异。在TE区，正确试次的类别解码准确率显著高于错误试次，且这种差异随着学习逐渐增大。TEO区的结果则在两只猴子间不一致，表明TE区更可能参与支持下游的类别成员计算。

在单神经元编码特性方面，ROC分析显示，TE神经元对"像狗"图像的编码强度随着学习显著增强，而对"像猫"图像的编码则无显著变化。偏好"像狗"图像的TE神经元数量也随着学习增加。TEO神经元未表现出类似的学习相关变化。

值得注意的是，这种学习相关的TE可塑性似乎特异于需要精细辨别的分类任务。当猴子进行汽车/卡车分类任务时，TE和TEO均未表现出系统的学习相关变化，可能是因为汽车和卡车在低层视觉特征上差异较大，不需要高级视觉处理区域的深度参与。

主要关键技术方法包括：在两只成年雄性猕猴（Macaca mulatta和Macaca fuscata）下颞叶皮层TE和TEO区植入高密度Utah阵列进行同步电生理记录；采用特征模糊的猫狗 morph 图像系列作为视觉刺激；通过嵌套ANOVA和ω2效应量量化单神经元类别选择性；利用传统和泛化类别解码器评估群体编码能力；基于表征相似性（1-r）分析群体反应模式；通过ROC曲线和AUC计算单神经元判别能力；使用判别指数（d'）量化神经群体分离程度。

研究结果表明，TE区是视觉分类学习过程中经验依赖性可塑性的主要场所，而TEO区提供相对稳定的特征基础表征。TE区在学习过程中逐渐形成更抽象、与行为相关的类别表征，这些表征与行为表现密切相关，并在正确决策时增强。相比之下，TEO区可能支持基于简单视觉特征的早期粗略分类，其表征相对固定，受学习影响较小。

这种功能差异可能源于两个区域的解剖位置和连接特性差异。TE神经元具有更大的感受野，接收来自V4和TEO的输入，并与记忆、奖励和决策相关脑区（如内侧颞叶、眶额皮层和腹外侧前额叶）有广泛连接，这使其能够整合多种信息并适应行为需求。而TEO神经元的感受野较小，连接相对有限，更专注于稳定的视觉特征编码。

尽管学习增强了TE区的类别表征，但试次间的选择预测性仍然有限且稳定，表明学习主要增强TE中的类别结构表征，而最终决策还受到下游其他变量的影响。TE提供支持改进选择的信息，但不是行为输出的唯一驱动因素。

需要特别指出的是，TE可塑性的不对称性（主要增强对"像狗"图像的编码）可能受到任务不对称性的影响，但平衡奖励设计的猴子T也表现出类似模式，表明这种不对称性可能反映了猴子采用的经济策略（"狗或非狗"），而非单纯的奖励效应。

该研究首次同步追踪了IT皮层两个关键亚区在分类学习过程中的神经可塑性变化，揭示了TE和TEO在视觉分类中的互补作用：TEO提供初始的粗略类别表征，而TE通过经验依赖性可塑性逐渐形成精细的、行为相关的类别表征。这些发现为理解腹侧视觉通路中表征转化的神经机制提供了重要见解，对发展类脑视觉系统和理解感知学习障碍具有重要意义。