One Circuit, Many Flow Fields: Mechanistic Models of Single-Trial Neural Dynamics
本文提出了一种低秩循环网络模型，该模型将单次试验的神经变异性重新定义为由特定试验控制参数驱动的共享电路流场的连续形变，成功恢复了基准真值动力学，并揭示了运动皮层数据中可解释的行为参与度和任务结构。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
大脑常被想象成一个庞大且静态的机器，其中相同的电学电路以可预测的模式重复放电，从而产生相同的动作。几十年来，科学家一直用动力系统语言来描述神经活动，将大脑视为由丘陵和谷地构成的景观，引导思想和行动沿着特定的路径运行。在这一传统观点中，景观的形状是固定的；如果一个人伸手去拿杯子，他们的大脑活动会遵循一条既定的路线，而每一次尝试之间的任何差异仅仅是随机噪声，就像无线电线路中的静电。然而，最近的观察挑战了这一图景。当动物重复执行同一项任务时，其大脑活动并不仅仅是在单一路径周围轻微抖动，而是以一种有组织的、具有意义的方式发生偏移。这些偏移通常与动物的内部状态（例如其警觉程度或参与度）相关，这表明大脑处理信息的规则本身可能是灵活的，会根据情况在瞬间发生变化。
来自特拉维夫大学和艾伦研究所（Allen Institute）研究人员的一项新研究，提出了对我们理解这些波动方式的激进转变。该团队认为，与其将尝试间的差异视为需要被平均掉的单纯误差，不如说单个神经电路可以产生一个连续的不同运行模式族。他们主张，大脑不仅仅是在一张固定的地图上游走，它实际上是在重新绘制地图本身。为了测试这一点，研究人员开发了一个数学模型，将每一时刻的大脑活动视为共享电路的一种独特配置。他们发现，通过推断出每次尝试中几个隐藏的控制参数，他们可以解释大脑的内部景观是如何变形的，即如何在不改变底层布线的情况下，从一个稳定状态转变为另一个稳定状态。
研究人员首先在一个受控模拟中测试了这一想法，创建了一个具有已知规则的合成大脑电路，然后要求他们的模型仅通过观察活动来推断出这些规则。该模型成功恢复了隐藏结构，准确识别了微小的控制信号变化如何将一个具有两个稳定状态的系统转变为只有一个状态的系统。这证明了该方法能够区分随机噪声与电路运行方式中真实的、结构性的变化。随后，团队将同样的方法应用于从执行延迟运动任务的小鼠大脑中记录的真实数据。在这些实验中，小鼠必须在等待信号后舔舐喷口以获得奖励。研究人员注意到，在某些尝试中，小鼠直接忽略了信号而没有做出动作。通过分析大脑活动，该模型识别出了一个与这种脱离参与状态相关的控制空间方向。当研究人员在模拟中沿着这个方向平移了一只参与型小鼠的活动时，模型的模拟大脑活动便转化成了看起来完全像脱离状态的样子，从而在不改变物理连接的情况下，有效地将电路从“工作”切换到了“忽略”。
该研究还观察了正在执行伸手任务的猴子运动皮层的记录。其目标是观察模型能否找到与特定任务相关的控制方向，而非仅仅是像注意力之类的内部状态。研究人员发现，模型将猴子可以伸手到达的不同方向组织到了其控制空间内的一个平滑的二维平面中。在模拟中，沿着该平面移动一次尝试的活动，会导致解码出的运动发生可预测的旋转，从而匹配新的目标方向。这证明了该模型发现了一种连续的控制机制，即大脑通过平滑地调整其动力学特性来引导运动，而不是在几个离散选项之间进行切换。此外，研究人员展示了从一只猴子身上学到的这些控制参数的统计模式可以转移到执行相同任务的另一只猴子身上。这表明，大脑重塑其动力学特性的方式并非单只动物的随机怪癖，而是这些电路运行的一种共享的基本属性。
这项工作的意义在于它能够将一个方法论问题转化为一项科学发现。通过将尝试间的变异性重新定义为在低维控制空间中的运动，研究人员提供了一种直接从大脑活动中读取其内部设置的方法。该模型不仅是一个描述性工具，它还是机械性的，这意味着它能识别出可以对活体动物进行测试的具体输入模式。研究人员建议，通过使用靶向光刺激来模拟这些推断出的控制信号，科学家可以实验性地将大脑电路从一种动力学状态推向另一种状态，例如强迫一只脱离状态的动物重新投入，或改变伸手方向。这种方法超越了仅仅描述大脑在做什么，而是转向解释大脑如何灵活地重复利用相同的硬件来产生广泛的行为，为我们观察心智动态且具适应性的本质提供了一个全新的视角。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。