PsyBrain 脑心前沿 / 综合神经科学：顶刊文献解读专题 / A · 文献解读 / A010 · 镜像神经元究竟在“看见”什么？ScienceAdvanc

A010 镜像神经元究竟在“看见”什么？Science Advances揭示前运动皮层对动作运动学的动态群体编码

来源：公众号 PSY-Brain_Frontier ｜发布：2026-06-27 ｜原文链接

认知神经科学前沿文献分享

基本信息

Title: Dynamic population coding of kinematic structure across executed and observed actions in primate premotor cortex

发表时间: 2026-06-19

发表期刊:Science Advances

获取原文:

添加小助手: PSY-Brain-Frontier 即可获取PDF版本
点击页面底部“阅读原文”跳转论文网页

引言

镜像神经元（MirN）发现三十年来，争论没断：编码的是动作的目标（"为了吃"还是"为了放"），还是运动学细节（手形、腕角、速度曲线）？支持前者强调"同抓握、目的不同则反应不同"；支持后者强调同抓握下神经元对手形、腕角有选择性。

更关键的是，单神经元层面的"执行—观察一致性"长期偏低——宽松定义下能匹配两条件的细胞只占少数；用更严格的排序一致性指标，作者此前在 PMd / PMv 报道的一致性甚至在机会水平附近。这把问题推向另一个尺度：执行-观察的对应关系不出现在单个神经元，而出现在群体组织方式上。

但还有第三个答案：运动学本身。早期"直接匹配"框架强调 MirN 编码运动学细节，被 Umiltà 等人"无目标动作不反应"实验质疑；后续显示多数 MirN 仍对无目标动作有反应，只是不如对有目标动作强——两种解释可能并不互斥。Bonini 等人报道 PMv 中 70.9% 抓握相关神经元有抓握选择性、12.8% 只编码目标：抓握和目标信息常共存。

研究把问题从"单细胞是否严格镜像"推进到"群体如何组织动作信息"。问三件事：抓握信息在群体中如何分布、随时间怎么变？执行与观察间是否存在可对齐的群体几何？神经活动与多维手部运动学存在怎样的耦合？由于 MirN 只占"抓握相关神经元"一部分，作者还纳入只在执行中活跃的 non-MirN，区分 MirN 独有 vs 更广义的群体现象。

实验设计与方法逻辑

2 只成年恒河猴，左侧 PMd 和 PMv 细胞外单单位记录。任务两条件：执行（GE）——动物完成到达-抓握；观察（GO）——动物保持不动，看实验者做同样动作。4 种物体对应 4 种抓握构型（指尖捏、钩握、整手捏、精确捏）。每个试次包含物体呈现（~1.25 s 前）、运动期、保持期，神经活动按物体呈现和运动起点双重对齐。

共记录 433 个神经元：285 个 MirN（执行和观察中都显著反应），148 个 non-MirN（只在执行中反应）。主要分析使用 240 个 MirN + 129 个 non-MirN（每个抓握每条件 ≥ 9 个试次）。两只猴、两脑区结果一致，数据合并。

分析工具：

100 ms 滑窗的 Poisson 朴素贝叶斯分类器评估抓握可分性；
跨时间（cross-temporal）解码检验编码稳定性；
PCA、典型相关分析（CCA）寻找共享群体几何；
神经与运动学的双向线性回归。

运动学记录包括食指、拇指、腕部 3D 位置 / 速度，加上握距及变化率；猴与人执行者都做了同样记录。Fig. 1 给出脑区定位、神经活动时间进程总览。

核心发现

发现一：抓握信息分布式、随时间重构

Fig. 2 给出基础事实：MirN（GO、GE）与 non-MirN 都能显著分类 4 种抓握。GO 条件下信息随动作展开逐渐增强、在动作末和保持期最显著；GE 条件下信息从物体呈现阶段就开始出现，执行期达峰。

Figure 2. Grasp configurations are classified through a distributed and dynamic neural population code

重要的是信息分布。抓握选择性最强的 1/3 神经元 ≈ 全体群体；中间 1/3 仍能显著分类；剔除前 2/3 后运动和保持期仍保留较弱但显著信息。没有"少数高选择性细胞承担一切"——这与"少数经典镜像细胞"驱动的直观印象不同。

Fig. 2D–F 把这一点画得最清楚：强分类集中在对角线，远时间点泛化有限——群体编码不是静态标签，而是沿时间演化。Fig. 2G–I 删掉"某一时间点最选择性一半神经元"后，解码损伤被限制在该时间窗附近。如果选择性由固定细胞承担，应出现跨时间点扩散性损伤——但没有。这指向一个"动态重构"图像：抓握表征由瞬时招募的不同子集承担，不同时点上的"主要贡献者"在变。

这种动态性有功能意义：动作展开过程中存在多个可能未来，早期阶段难以确定最终构型；接近完成时构型确定，群体状态随之稳定——所以时间泛化最差出现在运动期，最好出现在保持期。

发现二：执行—观察匹配出现在群体几何

Fig. 3H 用基于响应排序的"一致性指数（CI）"统计：240 个 MirN 中只有 67 个通过 100 ms 动作前至保持期末的 CI 阈值，被分类为 congruent。严格的执行-观察一致性在单细胞层面并不普遍。

Figure 3. Neuronal selectivity emerges dynamically across time and conditions

接下来作者没有停在单细胞，转去问群体几何。Fig. 4A–C 用 CCA 在 GE / GO 之间找最相关的抓握维度：两种条件存在显著对齐的典型维度；Fig. 4D 显示同一抓握在执行与观察中的轨迹落点接近但不重合。CCA 找到的是"两套表征中对抓握编码贡献最大的对齐方向"，比单细胞 CI 更能说明群体层面的共享结构。

图10

Figure 4. CCA identifies shared structure across conditions and neuronal populations

Fig. 5 / Fig. 6 在原始群体空间和 CCA 空间分别做跨条件解码。原始空间下 GO→GE 与 GE→GO 的显著解码集中在运动中后段和保持期；CCA 空间下显著期更长、强度更高——但都依赖于那 67 个 congruent 细胞。Incongruent 细胞单独无法在原始空间下做出显著跨条件分类（Fig. 5C, F）。

图11

Figure 5. Classification of grasp configuration generalizes across conditions in the original neural space

图12

Figure 6. Classification in canonical space generalizes across conditions and popu-lations

整体上，"执行-观察匹配"在群体层面是部分、渐变、不对称的，不是"开关"——同一抓握的执行和观察轨迹在共享子空间内落点接近但不重合，且匹配强度随时相变化。

发现三：MirN 与 non-MirN 共享抓握相关群体几何

如果前面的结论只在 MirN 中成立，那仍可能被理解为"镜像系统特异"。但作者进一步显示，类似的组织原则也存在于更广泛的前运动皮层抓握相关神经元中。

Fig. 4B / Fig. 4E 在 GE 内做 MirN–non-MirN 的 CCA：两群体之间能找到显著相关的典型维度，且不同抓握在这些维度上仍可分。Fig. 6G–H 显示 MirN-GE 与 non-MirN-GE 之间的跨群体解码在运动和保持期显著。

更有意思的是 Fig. 4C/F 与 Fig. 6I/J：MirN-GO 与 non-MirN-GE 之间也存在弱但可测的跨群体解码——"观察—抓握几何"并不被经典 MirN 定义完全包住，non-MirN 中同样保有可对齐的抓握相关结构。

这一点有理论意义：它提示"是否对观察有反应"和"是否能参与抓握表征"是两件分离的事。前运动皮层的抓握表征更像一种"分布式资源"，MirN 只是其中被观察到参与观察过程的一个子集。把 MirN 看作"动作理解的特化系统"可能是一种范畴错置——更准确的说法是：前运动皮层整体存在一套动态、可对齐的抓握表征几何，MirN 是其中响应观察过程的部分。

发现四：神经活动与多维运动学双向耦合

Fig. 7 先看运动学本身。猴与人执行者的运动学空间都支持 4 种抓握分类；最强信号沿跨时间矩阵对角线，提示运动学结构本身也随时间演化。猴—人之间跨执行者解码在运动中后期显著（Fig. 7B, E），CCA 空间下两方向都稳定（Fig. 7C, F）——不同执行者抓握运动学几何存在部分重叠。

图13

Figure 7. Grasp configuration classification from kinematics within and across agents

Fig. 8 走双向回归。神经低维活动可预测手指 / 腕位置与速度、握距及变化率；运动学主成分也能预测神经低维轨迹。模型预测的信号仍支持抓握分类——说明回归捕捉的是任务结构相关方差，不是简单的时间共变。

图14

Figure 8. Neural activity and kinematics are mutually predictive

时间分辨上，运动早期 200 ms 窗口训练的回归模型就能保留可解码性（fig. S7），时间错配窗口效果显著下降——回归捕捉的是有时间结构的信号，不是时间本身的共变。

跨执行者泛化上，共享子空间内无重训迁移神经-运动学映射：观察训练的模型可迁移到执行、预测猴运动学并保留抓握结构；执行训练的模型则不能（Fig. 9）。这种不对称提示"执行时群体活动有更多非共享成分"——可能因为执行端叠加了运动命令、感觉反馈、内部预期等多源信号，而观察端相对"纯净"。

图15

Figure 9. Cross-condition regression generalization

个体相关性方面，93% 的 MirN（GE）/ 79%（GO）显示出与运动时长的显著时间分辨相关；non-MirN 是 121/129 ≈ 94%（fig. S8, table S2-S3）。这意味着与运动时长的耦合不是 MirN 独有，而是前运动皮层抓握相关神经元的更普遍特性。

图16

归纳总结和点评

从"单细胞是否严格镜像"挪到"群体如何组织"。MirN / non-MirN、GE / GO 之间的共享维度都指向"这是更广义的抓握相关群体表征"。作者在讨论中点明："渐变、非开关"的对齐解释了为什么有的研究强调共享、有的强调条件特异——两种结论可能都正确，只是在不同尺度上看。运动学、目标、群体几何之间更像是协同关系而非竞争关系。

不对称的跨条件 / 跨执行者泛化是亮点。"观察→执行"可迁移，"执行→观察"不可——观察端运动学映射相对纯净，执行端叠加了非观察共有的运动命令成分。这一点对"运动前运动皮层如何把视觉信号转化为运动表征"的理论模型有意义：可能不是简单的前馈解码，而是经过一个"观察态先学习、执行态再细化"的过程。

局限需要点明。研究使用伪群体（跨试次拼接）；神经与运动学分试次记录，并未同步。4 个抓握与物体绑定，未完全解耦"物体—抓握—目标"。67 个 congruent MirN 是基于响应排序的统计定义，不等于传统意义上"对同抓握反应最强"的镜像细胞。双向回归仍是相关分析，不等于因果——运动学信息可能由其他脑区传入前运动皮层。

对脑机接口的提示。观察态可用作解码器训练数据并部分迁移到执行，提供"观察-校准"路径的神经基础。这一发现与近年侵入式脑机接口的"观察-执行"协同校准策略在方向上吻合——观察数据可作为弱标签用于解码器初值，再在少量执行数据上快速微调。

理论含义再延伸。这种"动态、分布式、共享几何"的群体表征，与工作记忆、前额叶决策等领域近年观察到的"时变群体编码"原则一致——皮层计算可能更普遍地依赖动态重构的子集，而不是固定标签神经元。MirN 现象只是这种更广泛计算原则在动作系统中的一个具体体现。

···

图17