认知任务中异质性神经响应的潜在环路推断揭示前额叶皮层抑制机制

本研究针对高阶皮层神经元活动异质性难以解释认知功能机制的问题，开发了潜在环路模型（latent circuit model），通过降维方法从训练好的循环神经网络（RNN）和猕猴前额叶皮层（PFC）数据中推断出低维抑制性环路机制。研究发现上下文依赖决策任务中存在无关感觉表征的抑制机制，并通过连接扰动验证了该机制的行为相关性，为理解认知灵活性提供了新视角。

　　

认知功能如何从复杂的大脑活动中产生，一直是神经科学的核心问题。高阶皮层如前额叶皮层（PFC）的神经元表现出令人困惑的异质性——单个神经元同时对多个任务变量产生响应，这种"混合选择性"现象使得传统分析方法难以揭示背后的计算机制。虽然人工循环神经网络（RNN）能模拟这种异质性活动，但其高维特性使得人们难以理解其中真正的计算原理。更令人困扰的是，当使用基于相关性的降维方法分析PFC数据时，研究者发现与任务无关的感觉表征似乎未被抑制，这与经典的小规模神经环路模型提出的抑制机制相矛盾。这种矛盾究竟源于分析方法局限，还是反映了大脑真实的工作机制？

美国冷泉港实验室（Cold Spring Harbor Laboratory）的Christopher Langdon和Tatiana A. Engel团队在《Nature Neuroscience》发表的研究解决了这一难题。研究人员开发了"潜在环路模型"这一新型降维方法，通过分析训练执行上下文依赖决策任务的RNN和猕猴PFC记录数据，发现高维网络中确实存在低维抑制性环路机制。该模型不仅能拟合神经活动，还能预测特定连接扰动对行为的影响，为理解认知功能背后的神经机制提供了新工具。

研究主要采用三项关键技术：1）潜在环路模型构建，将高维神经活动投影到低维空间并推断产生这些动态的环路连接；2）RNN训练与扰动实验，使用包含40个兴奋性和10个抑制性单元的RNN执行颜色/运动双模态决策任务；3）猕猴PFC电生理数据分析，对Mante等人2013年发表的公开数据集进行重新分析。这些方法使研究者能够跨越不同层次（计算模型与真实神经数据）验证假设。

研究结果部分揭示了多项重要发现：

"潜在环路模型"部分展示了该方法如何同时实现降维和机制解释。通过将RNN活动投影到8维空间（对应两个上下文、两个颜色、两个运动和两个选择节点），模型不仅准确拟合了活动（测试集r²=0.96），还发现连接模式呈现清晰的抑制机制：

。

"上下文依赖决策的潜在环路"部分发现，在200个训练RNN中，虽然具体连接强度存在变异，但所有网络都使用相似的抑制机制。通过分析网络活动投影证实，在颜色上下文任务中运动表征被显著抑制，反之亦然。

。

"PFC中无关刺激的表征"部分重新分析了猕猴数据，发现与RNN相似的抑制模式。潜在环路模型拟合PFC数据（猴子A测试集r²=0.88）显示，错误试验中无关表征抑制减弱，证实了该机制的行为相关性。

。

研究结论部分强调了三方面重要意义：方法学上，潜在环路模型填补了降维分析与机制解释间的鸿沟，首次实现了从高维数据中直接推断具有因果预测能力的低维环路；理论上，证明RNN确实使用与小规模神经环路模型相似的抑制机制，解决了先前研究中看似矛盾的结果；应用上，为未来通过扰动实验验证认知机制提供了新途径。

该研究的创新性在于将动力学系统分析与环路机制解释相结合，不仅证明PFC可能通过抑制无关信息实现认知灵活性，还建立了分析神经数据的新范式。正如作者指出，理解认知功能需要同时考虑"动力学如何产生"和"连接如何产生动力学"这两个层次的问题，而潜在环路模型首次实现了这两个层次的统一。