PsyBrain 脑心前沿 / 科研分析：认知神经科学前沿的结构化精读 / O · 综合神经科学 / O017 · NatCommun稀疏连接与全局噪声：大脑多脑区时间计算

O017 Nat Commun | 稀疏连接与全局噪声：大脑多脑区时间计算的动态平衡法则

来源：公众号 PSY-Brain_Frontier ｜发布：2026-06-13 ｜原文链接

认知神经科学前沿文献分享

基本信息

Title: Independence and coherence in temporal sequence computation across the fronto-parietal network

发表时间: 2026-06-11

发表期刊: Nature Communications

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

时间信息的处理是工作记忆、运动规划等高级认知功能的基础。然而，大脑并没有一个单一的“秒表”。相反，时间表征广泛分布在包括次级运动皮层（M2）和后顶叶皮层（PPC）在内的多个高级皮层区域中。这就引出了一个核心的科学问题：当多个脑区共同参与计时时，它们是共享同一个“全局时钟”（协同模式），还是各自维护独立的“局部时钟”（独立模式）？

现有的通讯子空间（communication subspace）假说认为，脑区间的交互是通过选择性的、低维的群体活动模式来实现的。但在时间处理上，大脑如何在这两种计算模式之间灵活切换，其底层的神经动力学机制仍是未解之谜。此外，现有的循环神经网络（RNN）模型大多局限于单一回路，缺乏对共享低频噪声和稀疏长程兴奋等生物学约束的考量，难以与真实的跨脑区通讯数据对齐。

为了填补这一空白，研究者设计了一种全新的“交替间隔任务”，并结合大视场双光子钙成像技术与双RNN计算模型，试图揭示M2-PPC网络如何在连贯性与独立性之间维持微妙的平衡。这项工作不仅没有重复旧有的单脑区计时研究，而是直击了分布式神经网络如何兼顾计算鲁棒性与灵活性的研究缺口。

研究核心总结

本研究通过精巧的行为学范式与计算建模，将额顶网络的时间计算机制拆解为以下四个核心发现。

一、M2与PPC通过相似的高维顺序活动表征时间

研究者训练小鼠执行交替间隔（AI）任务，要求小鼠在连续的试验中交替预测6秒和12秒的奖励间隔。这意味着小鼠必须根据前一次的等待时间来持续更新内部状态。大视场双光子成像结果显示，在小鼠掌握任务后，M2和PPC的神经元群体均展现出了覆盖整个时间间隔的顺序激活（sequential activity）模式。

进一步的降维与解码分析表明，M2和PPC在表征流逝时间时，依赖的是分布广泛、维度较高的群体活动子空间，且两者的表征格式高度相似。将两个脑区的神经元混合解码，并没有比单独使用某一脑区获得更高的准确率，这暗示两者的内部时钟并非完全独立，而是存在深度的相互关联。

Fig 1. 交替间隔（AI）任务的设计要求小鼠根据前一次的等待时间预测下一个时间间隔，从而促使大脑持续更新内部状态。

Fig 2. 大视场双光子钙成像揭示，M2与PPC在任务中展现出高度相似的神经元顺序激活模式与时间编码比例。

二、时间表征中同时存在“独立”与“协同”两种错误模式

为了探究这两个脑区是如何协同计算的，研究者分析了它们在时间解码上的错误类型。结果发现，解码错误并非随机发生，而是呈现出两种截然不同的模式：一种是“独立错误”，即一个脑区保持了正确的时间估计，而另一个脑区出错；另一种是“协同错误”，即两个脑区产生了相同的时间偏差。

令人惊讶的是，在所有测试的小鼠中，独立错误的发生率始终高于协同错误，且两者的比例稳定维持在约2:1。这一高度保守的比例表明，M2和PPC既没有完美同步，也没有完全各自为政，而是处于一种中间的平衡态。

Fig 3. 神经数据的解码分析显示，M2与PPC的计时错误明确分为独立错误与协同错误，且独立错误占据主导地位。

三、行为信号与时间信息在共享子空间中实现降维解耦

既然M2和PPC之间存在协同，那么究竟是哪些共享的群体动力学支撑了这种协调？研究者开发了一种基于典型成分消融的表征探测方法（CARP）。

分析揭示了一个显著的分离现象：M2和PPC之间共享的最大方差维度（即前几个典型成分）主要编码的是舔水等行为信号；而真正用于时间协调的信息，则广泛且均匀地分布在多个低方差的共享维度中。这意味着，额顶网络在共享强烈的行为状态波动的背景下，依然能够通过高维的分布式代码来对齐它们的时间表征。

Fig 4. CARP分析表明，M2与PPC共享的高方差维度主要被行为信号占据，而时间信息则隐蔽地分布于多个低方差维度中。

四、稀疏连接与共享全局噪声共同塑造了计算模式的切换

为了从机制上解释上述现象，研究者构建了一个包含RNN-A和RNN-B的“双RNN模型”。该模型仅引入了两个关键的生物学约束：极稀疏的跨网络兴奋性连接（概率为0.001），以及注入到两个网络的共享1/f型全局噪声。

经过训练，该模型不仅完美复现了实验中观察到的2:1错误比例，还重现了行为与时间信息在子空间中的分离。通过双局部李雅普诺夫指数（DLIC）分析，研究者发现：沿着共享噪声轴的扰动会促使每个网络快速回到自身的局部吸引子，从而引发“独立错误”；而沿着时间编码轴的扰动则会迫使两个网络重新同步，从而产生“协同错误”。

Fig 5. 引入稀疏连接与共享1/f噪声的双RNN模型，成功复现了真实大脑中额顶网络的关键动力学与突触组织特征。

Fig 6. DLIC分析揭示，耦合强度与扰动方向的几何对齐关系，从根本上决定了网络是走向独立还是协同。

研究意义

这项研究真正推进了我们对大脑分布式计算法则的理解。首先，它在理论上提出了一个统一的动力学框架：大脑并非通过复杂的专属回路来切换工作模式，而是巧妙利用了“稀疏的长程连接”（作为同步的源泉）与“广泛共享的全局噪声”（作为独立的源泉）之间的博弈，实现了时间感知中鲁棒性与灵活性的共存。

其次，在方法学上，本研究引入的CARP和DLIC分析方法，为解剖多脑区群体动力学提供了一套通用且可扩展的数学工具。这套工具不仅适用于时间编码，未来也可直接用于解析空间导航等其他连续变量的跨脑区表征。

最后，这项工作也清晰地界定了研究边界。虽然M2和PPC在解码表现上高度一致，但它们的时间群体代码在几何结构上是否完全等价仍有待验证。同时，模型中起关键作用的“共享1/f噪声”在生物学上很可能源自丘脑的非特异性输入，这为未来通过光遗传学操纵丘脑-皮层回路来人为切换大脑的“独立/协同”计算模式指明了具体的实验方向。

分享人：饭鸽儿

审核：PsyBrain 脑心前沿编辑部

💡 关于我们

👋 你好，这里是「PsyBrain 脑心前沿」

🧠 专注追踪全球认知神经科学的最尖端突破

🔍 视野直击 Nature, Science, Cell 正刊及核心子刊与顶级大刊

📄 每日速递「深度解读」与「前沿快讯」

科研是一场探索未知的长跑，但你无需独行。欢迎加入 PsyBrain 学术社群，和一群懂你的同行，共同丈量脑与心智的无垠前沿。

👇点击卡片进群，欢迎你的到来👇