PsyBrain 脑心前沿 / 记忆与学习：顶刊文献解读专题 / A · 文献解读 / A041 · NatCommun预期落空时，大脑如何学习“识别意外”？

A041 Nat Commun | 预期落空时，大脑如何学习“识别意外”？三因子塑性规则破解失配计算之谜

来源：公众号 PSY-Brain_Frontier ｜发布：2026-03-28 ｜原文链接

认知神经科学前沿文献分享

基本信息

Title: Global error signal guides local optimization in mismatch calculation

发表时间: 2026-03-12

发表期刊:Nat Commun

影响因子: 15.7

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

研究背景

大脑如何监控自我运动感知的稳定性是神经科学的核心课题。这一过程依赖于“伴随放电（Corollary discharge）”机制：大脑将关于自身动作影响的预期信号（Top-down）发送至感官区域，与实际感官输入（Bottom-up）进行比对。若两者匹配，感官反应会被抑制；若不匹配，则产生“预测误差（Prediction error）”信号。然而，感官神经元的基准放电率通常极低，难以直接通过兴奋性信号相减来精确计算误差。此外，如何通过局部突触塑性，让抑制性中间神经元精确学习并抵消特定动作带来的感官预期，进而产生实验观察到的正、负预测误差神经元（pPE/nPE），仍缺乏统一的生物学解释。

实验设计与方法逻辑

本研究采用计算建模（Computational modeling）方法，提出了一种生物学上可行的“三因子学习规则（Three-factor learning rule）”。该模型与验证逻辑如下：核心学习规则依赖于突触前活动、突触后活动，以及一个代表全局失配程度的第三因子 c(t)（可能由蓝斑核释放的去甲肾上腺素介导）。作者首先在数学上证明了该规则在优化抑制性突触权重时等效于梯度下降法。随后，研究者在三维环境模拟及基于生理参数的电导神经元模型中运行算法，观察局部抑制环路在不同“失配”频率下的演化。最后，研究者通过重新分析小鼠在虚拟现实环境下的运动-视觉耦合实验数据，对比了接受过耦合训练（CT）与非耦合训练（NT）神经元的反应特征，验证了模型关于学习诱导功能分化的核心预测。

核心发现

发现一：全局错误信号引导局部抑制性环路实现精确的失配计算

研究发现，单纯的“预期吻合”训练只能让突触权重收敛至一个模糊的“慢学习流形（Slow learning manifold）”，无法实现唯一的误差计算解。只有引入代表失配程度且具有正负号调节作用的第三因子 c(t)，才能引导权重沿着流形精准移动，最终使局部抑制信号能够精确抵消对应的兴奋驱动。这意味着，蓝斑核（Locus coeruleus）等系统播发的全局信号，可能作为“教师信号”指导了感官区域内部的微型环路优化。

Fig. 2 中，作者通过权重演化轨迹展示了学习过程：在全局因子 c(t) 的引导下，突触权重呈现出锯齿状的收敛轨迹，最终精准到达能计算预测误差的最优解位置。

发现二：抑制性塑性驱动了正、负预测误差神经元的同步产生

模型显示，在三因子规则的作用下，感官神经元群体自发发生了功能分化。一部分神经元进化为正预测误差（pPE）神经元，在“有刺激无预期”时放电最强；而另一部分则通过学习特定的抑制性输入，进化为负预测误差（nPE）神经元，在“有预期无刺激（如动作发生但感官流中断）”时因去抑制（Disinhibition）而产生强烈响应。这一结论统一了解释了皮层如何利用单一塑性逻辑，构建出完整的双向误差监控系统。

Fig. 5 展示了模型捕捉到的失配响应特征：学习后，nPE 神经元在失配期间（图中阴影部分，刺激停止但预期持续）表现出明显的放电增强，而这一特征在学习前并不存在。

发现三：实验数据证实了学习诱导的“双峰相关性分布”特征

基于模型预测，随着传感器运动经验的积累，神经元对刺激与预期的反应相关性将从无序的单峰分布演变为功能切分的“双峰分布”。通过对真实实验数据的重分析，研究者证实接受过动作-视觉耦合训练（CT）的小鼠，其神经元群体在相关性空间中明显聚集在代表 pPE 和 nPE 的特征象限，而未接受耦合训练的对照组（NT）则维持中心对称分布。这证明了这种功能分化确实是由长期的失配学习经验驱动的。
图10

Fig. 8 对比了模型预测与小鼠实验数据：极坐标图清晰呈现了 CT 组神经元在第二和第四象限的点簇聚集，对应了模型预言的双峰特征，从而验证了环路优化的真实性。

图11

省流总结

本研究证明了一种生物学上可行的三因子学习规则，可以通过全局神经调节信号引导感官皮层的局部抑制环路优化。该模型不仅实现了失配计算的数学最优解，还成功解释了正、负预测误差神经元如何在经验驱动下同步涌现。这一机制通过将计算任务下放到感官区域，有效降低了高阶脑区的认知负载。尽管该模型为理解精神疾病中的感知失调提供了新视角，但具体的抑制性亚群分工仍需未来实验进一步闭环验证。

图12