J071 哈佛最新Nat Neurosci | 1+1>2：顶叶皮层如何利用“信息增强”结构，放大决策信号？
来源：公众号 PSY-Brain_Frontier ｜ 发布：2025-11-02 ｜ 原文链接
PsyBrain 脑心前沿 | 公众号 PSY-Brain_Frontier
一键关注，点亮星标 ⭐️
不错过每日前沿资讯
认知神经科学前沿文献分享
基本信息
Title:Specialized structure of neural population codes in parietal cortex outputs
发表时间：2025.10.31
Journal：Nature Neuroscience
影响因子：20.0
获取原文：
- 后台回复“文献”即可获取PDF版本
- 点击页面底部“阅读原文”即可跳转论文原网页
引言：从“全场广播”到“加密通讯”
想象一位身处嘈杂战场的指挥官。如果他通过“全场广播”来下达指令，这个关键信息很可能被炮火声淹没，无法准确传达。但如果他使用一条通往特定作战单元的“加密通讯”频道，指令就能被清晰接收并立即执行。
我们的大脑，这个宇宙中最复杂的通讯网络，也面临着同样的挑战：在数十亿神经元持续不断的“背景噪音”中，一个脑区（如下达决策命令的顶叶皮层）如何确保其指令被特定的下游伙伴脑区精准无误地接收？
长久以来，我们知道大脑各区域间存在着广泛的交流，但信息传递的可靠性与特异性究竟遵循何种法则，很大程度上仍是未解之谜。一个核心问题是：那些共同构成一条“输出通路”、投射到同一目标的神经元们，是否会使用一种特殊的“语言”或“编码”来保护并强化它们传递的信息？
近日，发表于《自然·神经科学》（Nature Neuroscience）的一项里程碑式研究，为我们揭示了惊人的答案。来自哈佛大学的 Houman Safaai、Christopher D. Harvey 及合作者们发现，这些大脑中的“专线”通路，确实采用了一种高度特异化、非随机的网络结构来主动增强信息。而最令人称奇的是，这套精密的编码机制，仅在动物做出正确、成功的行为决策时才会被激活。
研究背景
要理解这项研究的精妙之处，我们首先需要掌握几个核心概念，它们是解码大脑沟通法则的“钥匙”。
- 神经群体编码：交响乐而非独奏
大脑中真正有意义的信息，极少由单个神经元的活动来承载。相反，信息被编码于大量神经元的集体活动模式中——这就是“神经群体编码”（neural population code）。这好比一支交响乐队，动人的旋律并非来自某一件乐器，而是源于所有乐器在指挥下协同演奏的和谐乐章。同样，一个决策或一种感知，也是由整个神经元集群的放电模式共同描绘的。因此，研究神经元之间的相互作用，是理解大脑功能的关键 。
- 输出通路：大脑中的“专线”
“输出通路”（output pathway）指的是在一个脑区内，所有轴突都投射到同一下游目标区域的神经元亚群。过去，大多数研究在记录神经元活动时，并不知道它们的“收件地址”，这相当于将发往不同目的地的信件混在了一起。本研究通过“逆行标记”技术（在目标脑区，如前扣带皮层ACC和压后皮层RSC，注射示踪剂，这些示踪剂会沿着轴突“逆流而上”，从而精准标记出来源脑区，即后顶叶皮层PPC中的特定神经元）克服了这一局限，首次实现了对这些大脑“专线”通讯的独立监听 。
Fig. 1 | Differences in the activity of neurons projecting to distinct cortical targets.
- 成对相关性：信息编码的双刃剑
神经元群体的活动并非彼此独立，而是存在着复杂的“噪声相关性”（noise correlations），即在相同任务条件下，神经元活动在逐次试验间的协同波动。这种相关性对信息编码而言，是一把双刃剑：
- 信息限制 (Information-Limiting, IL) 相关性：当两个功能相似的神经元（例如，都偏好“向左转”的决策）同步发放增强时，它们的相关性通常是IL的。这增加了信息的冗余度，使信号更稳健，但也限制了群体能编码的总信息量。好比两位记者报道了完全相同的新闻，虽然证实了事件的真实性，却没有提供额外细节 。
- 信息增强 (Information-Enhancing, IE) 相关性：当神经元之间存在特定的协同模式时（例如，在特定决策下，一个神经元发放增多，而另一个则减少），它们的相互作用可以是IE的。这产生了“协同效应”，使得神经元群体编码的信息量能够超越其所有成员独立编码信息量的总和。这就像两位记者从不同角度报道同一事件，他们的信息整合起来，描绘出了一幅远比各自独立报道更完整的画面 。
因此，这项研究的核心不仅在于探究相关性是否存在，更在于揭示其类型（IL还是IE）以及它们是如何被组织起来的。
Fig. 2 | Vine copula modeling of neural activity.
- 后顶叶皮层 (PPC)：决策的“中央处理器”
后顶叶皮层（Posterior Parietal Cortex, PPC）是大脑中一个至关重要的联合皮层，它作为感觉与运动的接口，深度参与了整合证据、形成决策以及指导导航等复杂认知过程。正因为它需要与众多其他脑区（如ACC和RSC）紧密协作来完成任务，PPC成为了研究脑区间通讯和决策群体编码机制的理想模型系统 。
研究核心总结
核心发现一：输出通路在“内部”沟通更紧密
研究首先发现，在PPC内部，投射到同一目标区域的神经元对（例如，两个都投射到ACC的神经元）之间的成对噪声相关性，显著强于随机选取的、投射目标不明的邻近神经元对。即便在排除了动物自身运动行为的干扰后，这一现象依然存在，并且在动物做出正确决策的试验中比错误决策时更强 。这一结果首次证明，构成输出通路的神经元并非一群乌合之众，而是一个功能上紧密耦合的整体。更重要的是，相关性的强度与行为的成功与否直接挂钩，这强烈暗示了它在认知功能中的关键作用，而非简单的背景噪音。
Fig. 3 | Single-neuron information in labeled projection neurons and nonlabeled cells.
核心发现二：相关性结构经过精心设计以“增强”信息
研究团队进一步量化了这些相关性对信息的实际影响。他们发现，对于投射到同一目标的神经元对，其“相互作用信息”（interaction information）平均为正值，且显著大于普通神经元对，这意味着它们之间的相关性主要是信息增强（IE）型的。同样，这种信息增强效应在正确决策时表现得尤为强烈，而在错误决策时几乎消失 。
至此，一个更为深刻的图景浮现出来：单个神经元所编码的决策信息，在正确与错误试验之间其实并无显著差异 。这意味着，动物犯错，并非因为单个神经元“算错了”，而是因为整个神经元网络未能成功地进入那种具有协同效应的、能够增强信息的特殊状态。认知错误，在某种意义上，是一种网络层面的“协同失灵”，而非单个细胞的“编码失败”。
Fig. 4 | Pairwise interactions between pairs of nonlabeled neurons and pairs of neurons projecting to the same target.
核心发现三：信息增强效应源于一种特殊的网络拓扑结构
这种信息增强效应从何而来？通过图论分析，研究者发现，在输出通路中，IE和IL相互作用的排布并非随机，而是呈现出一种高度有序的网络拓扑结构。具体来说，在正确决策时，网络中(+,+,+)和(+,-,-)（+代表IE，-代表IL）这两种“三元组”基序（triplets）的数量显著富集。这种拓扑结构可以用一个“双池模型”（two-pool model）来完美诠释：功能相似的神经元（如，都编码“向左转”决策的神经元池）之间，富集了池内信息增强（within-pool IE）的相互作用；而功能相反的神经元（如，“向左转”池与“向右转”池）之间，则富集了跨池信息限制（across-pool IL）的相互作用。
这是一种经典且高效的工程设计范式。池内的IE相互作用如同一个“信号放大器”，使得池内神经元的集体信号（如“向左转！”）更强、更一致。而跨池的IL相互作用则扮演了“噪声抑制器”的角色，通过降低竞争信号池（如“向右转！”）的干扰，极大地提升了信噪比。这种“对内协同，对外抑制”的精密架构，确保了最终传递给下游脑区的决策信号清晰明确、毫不含糊。
Fig. 5 | The presence of network structure of interaction information in populations projecting to the same target.
核心发现四：该网络结构对群体信息的贡献随群体规模超线性增长
最后，研究者通过数学模型将群体总信息量分解为三个部分：来自单个神经元的独立信息、来自相关性存在的非结构化相互作用信息，以及源于上述特殊网络拓扑的结构化相互作用信息。他们发现，这个“结构化”部分的信息增益，仅在输出通路神经元群体中、且仅在正确决策时才显著为正。更令人振奋的是，它的贡献度随着神经元群体规模的增大，呈现三阶式的超线性增长，远快于其他两个组分。
这意味着，这种特殊的网络结构为信息传递带来了实实在在的“红利”。虽然对于小规模群体，这份红利可能尚不显著，但其超线性的增长规律表明，随着参与神经元数量的增加，它将变得越来越重要。这揭示了大脑可扩展计算的一个基本设计原则：通过构建精巧的动态协作网络，大脑的通讯系统能够在其规模扩大时，实现效率的同步提升。这是一种极其高效的设计，暗示了该网络拓扑是神经系统为解决大规模、高保真通讯难题而演化出的核心方案。
Fig. 6 | The contribution of network structure of interaction information to the population information.
Abstract
Cortical neurons projecting to the same target area may form specialized population codes to transmit information, but whether and how they do so remains unclear. We used calcium imaging in mouse posterior parietal cortex, retrograde labeling and statistical multivariate models to address this question during a delayed match-to-sample task in virtual reality. We found that neurons projecting to the same area have elevated pairwise activity correlations. These correlations are structured as information-limiting and information-enhancing motifs that shape interaction networks and collectively enhance information about the mouse’s choice beyond what is contributed by pairwise interactions. This network structure is unique to subpopulations that project to the same target and was not observed in surrounding neural populations with unidentified projections. Furthermore, this structure is only present when mice make correct, but not incorrect, behavioral choices. Therefore, cortical neurons comprising an output pathway form a population code with a unique correlation structure that enhances population-level information to guide accurate behavior.
推荐相关阅读
周报-20251020|认知神经科学前沿动态周览**⭐️[解读链接]****
周报-20251006 | 近两周解读的29篇顶刊论文汇总 | 认知神经科学前沿动态 ⭐️[解读链接]
周报-20250922 |认知神经科学前沿动态周览 *⭐️[解读链接]***
Nature |决策过程的动力学机制与神经模式转变 ⭐️[解读链接]
Nature |颠覆认知 ! “神经振荡”不成立？耶鲁团队提出大脑“伽马事件”新理论 ⭐️[解读链接]
Science |中国将领衔未来25年全球脑计划，剑指灵长类大脑地图 *⭐️[解读链接]***
Neuron |大脑如何区分现实与想象？伦敦大学学院团队最新研究揭秘“现实信号”的神经密码 ⭐️[解读链接]
Nature | 视觉系统新发现：压缩式的物体识别机制 ⭐️[解读链接]
Nat Hum Behav｜你不是天生就爱跟风：社会特征学习理论揭示人类“随大流”背后的秘密 *⭐️[解读链接]***
Nature |“读心术”成真？从瞳孔变化中解码大脑皮层完整时空动态 ⭐️[解读链接]
PNAS｜刷短视频停不下来？研究揭示“新奇感”是驱动人类探索的古老密码 *⭐️[解读链接]***
Neuron | 最强脑发育数据库RBC开放下载，6000+青少年大脑数据揭示精神健康的秘密 ⭐️[解读链接]
Nature 子刊综述｜大脑预测误差的核心回路 *⭐️[解读链接]***
前沿交流 | 欢迎加入认知神经科学前沿交流群！⭐️[解读链接]
核心图表、方法细节、统计结果与讨论见原文及其拓展数据。
点击左下角 “阅读原文” 可跳转到论文源网站界面。
分享人：饭哥
审核：PsyBrain 脑心前沿编辑部
PsyBrain 脑心前沿
带你了解心理学、脑科学的前沿知识与技术流程
预览时标签不可点
阅读原文
不喜欢
微信扫一扫
关注该公众号
知道了
微信扫一扫
使用小程序
取消 允许
取消 允许
取消 允许
× 分析
微信扫一扫可打开此内容，
使用完整服务