Tracking the Fidelity of Internal Neural Representations with Error-In-Variables Regression

想象一下，你的大脑是一个超级先进的 GPS，不断计算着你在哪里、面向哪个方向以及移动得有多快。为了实现这一点，它依赖于一群微小而勤奋工作的神经元，这些神经元就像传感器一样，通过产生与外部世界相对应的模式来发挥作用。但问题在于：你大脑内部的“地图”并不总是与外界看到的“地图”一致。有时，由于信号微弱，GPS 会发生漂移；有时，由于房间太暗，它会感到困惑；有时，它仅仅是根据直觉决定走一条捷径。长期以来，科学家们一直试图通过观察外部世界（例如追踪老鼠位置的视频）并假设大脑的内部地图是该视频的完美副本，来弄清楚这些神经元究竟在想什么。但如果大脑的地图实际上是有些摇摆不定的，甚至与摄像机看到的情况完全不同呢？如果我们假设摄像机是完美的，我们可能会认为大脑出现了故障或混乱，但实际上，大脑只是在做它自己的事情。

这正是这项新研究介入并试图解决误解的地方。研究人员在神经科学领域工作，他们想要构建一种更好的方法，以便在不被我们测量的那些嘈于、不完美的外部数据所误导的情况下，倾听大脑内部的思想。他们开发了一种聪明的统计工具，这个工具就像一个侦探，能够将神经元的“真实”内部感觉从“嘈杂”的外部测量中分离出来。通过这样做，他们可以观察出是一个神经元失去了节奏，还是仅仅因为我们的测量尺在滑动。理解大脑的内部地图如何偏离现实，对于理解我们如何导航世界、如何记忆事物以及当我们的内部指南针开始失效时会发生什么至关重要。

侦探的新工具：误差变量回归法 (Error-in-Variables Regression)

这篇论文介绍了一种名为误差变量 (EIV) 回归的新方法。你可以把它想象成试图在一个回声巨大且麦克风不稳的房间里猜一位歌手真实的嗓音。如果你只是记录声音并试图判断歌手的音高，你可能会因为回声而认为歌手跑调了。但如果你能通过数学手段“减去”回声和麦克风的晃动，从而听到歌手真实的声音呢？这正是这个新工具对脑细胞所做的事情。

过去，科学家使用“传统的调谐曲线 (conventional tuning curves)”。想象一下，你正试图根据一张模糊、抖动的照片来绘制城市地图。如果照片很清晰，你的地图看起来就很棒。但如果照片很模糊（可能是因为相机在移动或光线不好），你的地图就会变得模糊不清，你可能会认为街道变宽了或者建筑物位置不对。论文表明，当科学家在脑部数据上使用这些旧方法时，经常会看到“模糊”的地图，并得出结论认为神经元变得混乱或失去了精确度。

新的 EIV 方法说：“等等！也许神经元本身其实非常敏锐且精确，而是测量过程本身是模糊的。”它引入了一个隐藏变量——一个“潜在 (latent)”的内部状态，代表大脑实际认为正在发生的事情。然后，模型会计算现实世界（视频摄像机）在多大程度上匹配这种内部想法。它使用一个被称为 $\kappa$ (kappa) 的特殊旋钮来控制这种匹配程度：

• 如果 $\kappa$ 很高，摄像机和大脑完全同步。模型表现得像一个标准的监督式地图。
• 如果 $\kappa$ 很低，摄像机和大脑完全不同步。模型表现得像一个无监督的侦探，忽略摄像机，仅通过观察大脑的模式来寻找它自己的地图。
• 妙处在于，模型可以使用一种称为“交叉验证 (cross-validation)”的技术来自动调节这个旋钮。它观察数据并询问：“什么样的 $\kappa$ 设置最符合逻辑？”

用“假大脑”测试理论

在将该工具应用于真实动物之前，作者先在合成数据（计算机模拟的大脑）上测试了它。他们创建了一个包含 30 个神经元和 1,000 个时间步的虚构场景。他们设置了三个不同的“保真度”水平（即内部地图与外部世界匹配的程度）：

1. 高保真度 ($\kappa = 8.0$)： 内部地图与摄像机几乎完美匹配。
2. 中等保真度 ($\kappa = 3.0$)： 存在一些漂移和噪声。
3. 低保真度 ($\kappa = 0.5$)： 内部地图与摄像机完全不同。

在这些模拟实验中，神经元的“真实”调谐（即它们如何响应内部地图）保持完全一致。但是，随着摄像机中的噪声增加，旧的“传统”地图变得越来越平坦，看起来像是神经元失去了调谐能力。然而，新的 EIV 模型成功地恢复了所有三种情况下的锐利、真实的调谐曲线。它正确地识别出神经元并没有改变，改变的是大脑与摄像机之间的关系。模型还准确预测了用于创建这些虚构数据的 $\kappa$ 值，证明了它能够自主找到正确的监督水平。

现实世界测试 1：小鼠的头部方向

研究人员随后将这一工具应用于来自小鼠前背侧丘脑核 (ADn) 的真实数据，该脑区以充当“指南针”而闻名。他们在三种不同情况下记录了小鼠：

1. 光照： 小鼠可以看到一切。
2. 黑暗： 小鼠处于黑暗中，依靠记忆和其他感官。
3. 固定头部： 小鼠被固定在一个漂浮球上，因此无法转动头部，但房间会在它周围旋转。这干扰了它的平衡感（前庭输入）。

在光照条件下，小鼠的内部指南针和摄像机匹配良好。模型找到了一个较高的 $\kappa$，意味着大脑正在准确地追踪世界。
在黑暗条件下，匹配程度变差了。模型找到了一个较低的 $\kappa$，显示出小鼠的内部方向感开始偏离摄像机所观察到的位置。
在固定头部的条件下，漂移非常严重。模型找到了一个极低的 $\kappa$。小鼠的内部指南针旋转速度与房间不同，或者产生了混乱，尽管神经元本身的放电仍然呈现出非常有序的环状模式。

这里有一个重大发现：当科学家使用旧方法时，他们看到调谐曲线在黑暗和固定头部条件下变得平坦，并认为神经元变得“嘈杂”或“损坏”了。但 EIV 模型显示，神经元实际上仍然保持着锐利和精确。它们仍然针对小鼠的内部方向感进行调谐。问题不在于神经元，而在于小鼠的内部方向感与现实世界脱节 (decoupled) 了。大脑仍在履行职责，但它所使用的“地图”已不再与“摄像机”对齐。

研究还观察了这种不匹配随时间的变化。他们发现，在固定头部条件下，误差（内部地图与摄像机之间的差异）并非随机存在，而是开始像波浪一样振荡。有时大脑与世界接近，有时则会大幅漂移，形成了一种周期性的“迷失与找回方向”的律动模式。

现实世界测试 2：大鼠的网格细胞

接下来，他们将该工具测试在大鼠的网格细胞 (grid cells) 上，这种神经元在大鼠移动时会呈现蜂窝状的放电模式。他们在圆形竞技场中记录了大鼠，首先是在黑暗中，然后在带有视觉线索的光照环境下。

同样，旧方法显示大鼠的位置图在黑暗中看起来模糊且信息量减少。但 EIV 模型揭示了，大鼠位置的内部表示实际上比模糊的地图要锐利得多。

• 空间信息： 模型计算出，与测量位置相比，这些神经元携带了更多关于大鼠内部位置的信息，尤其是在黑暗中。
• 聚类： 当观察脉冲（spikes）发生的位置时，旧方法显示脉冲在黑暗中是分散的。而 EIV 方法显示，相对于大鼠的内部地图，这些脉冲是紧密聚类的，就像在光照条件下一样。

模型还比较了三种不同的处理方式：

1. 全监督模式 (忽略不匹配)： 这强迫大脑的地图去匹配摄像机，导致产生了一个模糊、分散的地图。
2. 全无监督模式 (完全忽略摄像机)： 这找到了一个清晰的地图，但该地图发生了旋转或偏移，以至于看起来完全不像大鼠实际的运动。
3. EIV 模式 (黄金分割点)： 它找到了完美的中间地带。它既保持了地图的锐利和聚类特性，又使其与大鼠的实际运动保持足够的对齐，从而发挥作用。

解码未来

最后，团队提出了一个问题：“如果我们使用这个新工具，能否比以前更好地预测大鼠的位置？”他们尝试仅通过大脑活动来解码大鼠的位置，而不看摄像机。

• 在光照下，新方法只比旧方法稍好一点，因为摄像机已经是一个很好的引导。
• 在黑暗中，新方法的表现显著优于旧方法。通过将 $\kappa$ 旋钮调节到正确的位置，模型可以比容易被噪声干扰的旧方法更准确地预测大鼠的位置。

他们还检查了模型的连贯性。如果将神经元分为两组，这两组是否对大鼠所在位置的判断一致？是的。EIV 模型显示，即使在黑暗中，两组神经元也在讲述关于大鼠内部位置的同一个故事，而旧方法则暗示它们处于混乱状态。

总结

这篇论文不仅提供了一个新的数学技巧，更提供了一种全新的思维方式。它表明，当我们观察到的脑部测量数据显得杂乱或“模糊”时，可能并不是因为大脑出了问题，而是因为大脑的内部地图已经偏离了外部世界，而我们却试图强行让它们匹配。通过使用这种误差变量回归法，科学家终于可以看清大脑真实的、锐利的信号，即使在周围环境嘈杂、黑暗或混乱的情况下也是如此。事实证明，大脑通常比我们认为的更加精准；它只是有时正在导航着一张与我们手中的地图不同的地图。