C03 · A neural population mechanism for rapid learning
Perich, M.G., Gallego, J.A., & Miller, L.E. (2018). Neuron, 100, 964–976. doi:10.1016/j.neuron.2018.09.030
在力场适应中，PMd 相对 M1 的 output-null 活动呈现与学习进程相关的变化，而所拟合的 output-potent 映射保持较好的泛化。视觉旋转任务未出现同样的模型变化。
核对版本：Zotero VR 集合中的本地 PDF（2026-09-18）；Zotero 条目 · 打开原文。图下页码均为该 PDF 的文件页序，从 1 开始，可能不同于期刊印刷页码。
背景
快速适应伴随群体活动改变，但变化可能来自局部回路、脑区间映射或上游输入。仅看平均放电变化无法区分这些解释。
研究思路
作者用M1和PMd群体模型比较区内与跨区预测，并将PMd活动分成相对于M1线性读出的potent和null成分。力场与视觉旋转提供两类适应对照。模型稳定性可以限制部分解释，但不能直接证明突触连接未变。
方法
两只雄性恒河猴（猴 C 11.7 kg、猴 M 10.5 kg），双手平面 manipulandum（手柄位置 1 kHz 采样），做带可变 instructed delay（0.5–1.5 s）的八方向 center-out 伸手（半径 8 cm，目标为 2 cm 方块），听觉 go cue 后 1 s 内到达并保持 0.5 s。M1 和 PMd 各植入 96 通道 Utah 阵列，三个 epoch 的数据统一离线分选以保证同一神经元贯穿全程；剔除串扰与高同步 spike 的重复通道。力场为 F = k·R(85°)·ṗ（k = 0.15 N·s/cm），顺/逆时针分 session 施加，猴 C 三 CW 两 CCW、猴 M 四 CCW，共 9 个 CF session；视觉任务为 30° 的位置依赖旋转（光标旋转但动力学不变），猴 C 两 CW 两 CCW、猴 M 三 CCW，共 7 个 VR session。每 session 依次为 Baseline、Force（或 Rotation）、Washout，CF session 各段奖励数分别为 170–225、201–337、153–404。为压掉 savings，CF 与 VR 隔天交替、扰动方向逐日对调、两次暴露之间常隔多天。行为指标取运动开始 150 ms 后的起飞角误差（相对该目标 Baseline 均值）。各 session 隔离出猴 C 137–256 个 PMd、55–93 个 M1 神经元，猴 M 66–121 个 PMd、26–51 个 M1；GLM 分析只用平均放电 > 5 Hz 的细胞，跨猴跨任务合并共 918 个 M1、2221 个 PMd 神经元，其中 Basic 模型显著拟合的为 M1 522/918（57%）、PMd 612/2221（28%）。分析管线：spike 以 50 ms 分箱、方差稳定化后与 100 ms 高斯核卷积成平滑放电率，PCA 得 latent 活动；维度用 Machens 2010 的噪声阈值法估计（解释剩余方差的 95%），M1 中位数 8.5、PMd 中位数 14，后续固定用 M1 8 维、PMd 16 维（5–20 范围内结论不变）。output-potent/null 子空间由 Baseline 数据上拟合的 PMd→M1 线性 MIMO 模型做 SVD 分解得到。GLM 为 Linear-Nonlinear-Poisson 模型，输入包括位置、速度、加速度（卷积 raised-cosine 基函数、前移 150 ms 补偿延迟）加上各群体的 latent 活动，用 Force/Rotation 末段 50% 的稳定 trial 训练（约 10,000 个样本，十折交叉验证），回测适应早期的 Early/Late block，性能用相对伪 R²（rpR2，Full 模型对纯运动学 Basic 模型的似然改进），模型误差定义为其相对 Late 的百分比变化，显著性阈值 p = 0.01。
主要结果
适应行为与经典曲线一致：进力场后起飞角误差在几十个 trial 内衰减到平台，Washout 出现镜像 aftereffect；大量 M1、PMd 神经元的放电形式在适应中发生复杂改变。但群体协方差结构（即 neural manifold）全程稳定——代表 session 里与 Baseline 的相关 M1 r ≥ 0.85、PMd r ≥ 0.93，跨 session 的变化与 Baseline 内随机对半分组的参照分布无法区分。
维度估计显示 PMd 流形一致地比 M1 高维（中位数 14 对 8.5，且对记录神经元数稳健），这保证了 PMd 相对 M1 存在 output-null 子空间。判决实验结果干净利落：两个局部模型 M1-M1 与 PMd-PMd 在适应全程泛化良好，Early 与 Late block 的 rpR2 分布几乎重合，单 trial 预测性能的时间曲线平稳得与剧烈变化的行为形成反差——在所测模型和灵敏度下不支持 Hlocal。跨区模型则分道扬镳：Pot-M1 全程准确预测 M1 spike，Null-M1 在适应早期显著恶化（p < 0.01），恶化与恢复的时间过程与行为误差平行；把 potent 与 null 合在一起的 PC-M1 也像 Null-M1 一样随行为失效。换 Factor Analysis、换维度数（5–20）、直接用全部单神经元活动做输入，结论全部不变。Washout 提供了有用的反演检验：用 Baseline 训练的 Null-M1 在 Washout 头 8 个 trial 里预测显著变差、随后 8 个 trial 恢复，Pot-M1 则两个窗口都好——去适应与适应在 Null-M1 上留下互为镜像的痕迹，正好是 Hplan 的签名，同时不支持所设定的 Hmap 预测。
活动的时序结构进一步支持"计划先在 null 空间里改"：单方向示例里，go cue 前的 PMd 活动先沿 output-null 轴偏离 Baseline，运动期才在 output-potent 轴上调制（图 6a）；CCA 滞后分析显示 output-null 领先 output-potent 平均 35 ms（16 个 session，t-test p = 0.02），且 Force 末段与 Baseline 的滞后分布一致。按 go cue 对齐的 Mahalanobis 距离分析显示，从 Early 到 Late 显著增长的改变集中在 planning 窗口的 output-null 活动（p < 0.05）——计划期变化的确主要发生在零空间里。视觉运动旋转（此处 VR 指 visuomotor rotation）的对照提供了重要区分：行为误差的幅度与时间过程与力场几乎雷同，单神经元同样剧变，但所有 GLM 模型（包括 Null-M1）全程泛化良好，Washout 也未检出相应模型预测性能的变化。在这两种所测适应任务中，Null-M1 的预测下降主要见于 curl field，不能由行为变化这一笼统因素充分解释；结合 Tanaka 2009 的模型，VR 适应发生在 PMd 上游是与结果相容的解释（Hinput），力场适应才走 PMd 的 null 空间（Hplan）。
逐图解读
来源：原文 Fig. 1，PDF 第 30 页。
图 1 · 四个假说与四种模型的判决表。 简化层级图：PMd 输入 M1，M1 输出驱动适应后的行为。四个模型分别描述 M1 内部（蓝）、PMd 内部（橙）、PMd→M1 的输出映射（深蓝）、PMd 局部活动与 M1 的关系（绿），每个小插图给出该假说下行为（灰线）与被建模连接性（彩色线）的预期时间过程。Hlocal 预测四个模型全崩；Hplan 预测只有 null→M1 的模型崩；Hmap 预测两个跨区模型崩而局部模型无恙；Hinput 预测谁都不崩。后面每个结果都回到这张表对号入座——把假设写成可判死的形式，是这篇文章方法学的骨架。
来源：原文 Fig. 2，PDF 第 31 页。
图 2 · 任务、植入与力场适应行为。 (a) 带可变 instructed delay（0.5–1.5 s）的 center-out 任务，这段延迟是后面分析 planning 活动的时间窗；(b) M1 与 PMd 各一个 96 通道 Utah 阵列（CS 中央沟、PCD 中央前凹、AS 弓状沟），双区同时记录是全文方法学的前提；(c) 两个 CW、五个 CCW session 里每个目标的第一次到达轨迹——刚进力场时手被推得东倒西歪；(d) 全部 session 的起飞角误差（浅灰为单 session，4-trial 平滑；黑线为中位数）：误差在前几十个 trial 快速衰减，Washout 有镜像 aftereffect。行为复现经典单日适应曲线，为"只在早期测试模型泛化"搭好舞台。
来源：原文 Fig. 3，PDF 第 33 页。
图 3 · 局部模型未见明显变化。 (a) GLM 用运动学加同区群体 latent 活动预测单个 left-out 神经元的 spike；(b) 维度估计直方图，PMd（中位数 14）一致高于 M1（8.5）——PMd 多出的维度正是 output-null 子空间存在的几何前提；(c) 用 Force 末段训练、回测适应早期；(d) 示例神经元在 Early/Late trial 的真实 spike（黑）与模型预测（彩色）；(e) Early（空柱）与 Late（实柱）的 rpR2 分布几乎重合；(f) 单 trial 预测性能（30-trial 平滑）全程平稳，与剧烈变化的行为误差（灰）形成反差；(g) 模型误差无显著差异。在所测模型和灵敏度下不支持 Hlocal：力场学习不伴随 M1 或 PMd 内部功能连接的可检出变化。
来源：原文 Fig. 4，PDF 第 35 页。
图 4 · 核心结果：potent 稳、null 变。 (a) 层级示意：PMd 维度更高，多出的自由度构成 output-null 子空间，分析把"送往 M1 的输出"与"群体的其他计算"拆开；(b) PMd latent 活动投影到两个子空间后分别作为 GLM 输入预测 M1 spike；(c) 全 session 时间过程——Pot-M1（蓝）全程平稳，Null-M1（绿）的预测误差在适应早期恶化、随行为改善同步恢复，只有它的时间曲线与行为平行；(d) Early/Late 定量比较，仅 Null-M1 显著恶化（p < 0.01）。全文的一句话就在这张图里：PMd 送往 M1 的映射没变，变的是 PMd 在零空间里的活动。
来源：原文 Fig. 5，PDF 第 37 页。
图 5 · Washout 的反演检验。 用 Baseline 数据训练 GLM、预测 Washout 早期 trial——两者动力学环境相同、只是适应状态不同。结果只有 Null-M1 在头 8 个 trial 里预测显著变差（p < 0.01），随后 8 个 trial 恢复到 Baseline 模型的水平；Pot-M1 两个窗口都好。适应让 Null-M1 失效、去适应让它再失效一次，一来一回把 output-null 活动与学习状态的捆绑关系钉得很紧，也说明 Baseline 的 null→M1 关系在适应后被完整恢复。
来源：原文 Fig. 6，PDF 第 38 页。
图 6 · 计划先在零空间里变。 (a) 单个 reach 方向按 trial 块平均的 PMd 子空间活动（黑为 Baseline，红到橙为适应过程）：go cue 前的活动先沿 output-null 轴偏离，运动期才在 output-potent 轴上出现调制；(b) CCA 在不同时间移位下比较两个子空间，五个示例 session 的峰相关都落在零点左侧；(c) 全部 16 个 CF+VR session 的峰滞后直方图平均 –35 ms（t-test，p = 0.02），Force 末段（红）分布与 Baseline 一致——null 领先 potent 的次序不因学习而改变；(d) 按 go cue 对齐、跨 session 平均的归一化 Mahalanobis 距离显示 Late 适应期 M1 与两个 PMd 子空间的神经状态都偏离 Baseline；(e) 把 planning 与 movement 窗口拆开比较，Early（实柱）到 Late（空柱）显著增长的只有 planning 窗口的 output-null 活动（p < 0.05）。配合图 4，结果支持准备活动先调整、再经相对稳定映射影响执行的模型，但尚非直接因果证明。
来源：原文 Fig. 7，PDF 第 40 页。
图 7 · 对照：视觉旋转下谁都不变。 同两组猴子适应 30° 视觉旋转（a–c），行为误差的幅度与时间过程和力场几乎雷同，单神经元活动同样剧烈改变，协方差同样稳定——但 (d, e) 所有 GLM 模型包括 Null-M1 全程泛化良好（所有比较 p > 0.01），(f) Washout 里也未检出相应模型预测性能的变化。这张图是全文最重要的对照：Null-M1 的失效不是行为变化的平凡后果，而是力场学习特有的。结合 Tanaka 2009 的计算模型，VR 适应更可能发生在 PMd 上游（顶叶一带），对应 Hinput；这也与 Krakauer 1999 以降运动学、动力学内部模型分离的心理物理传统严丝合缝。
讨论与解读边界
这项研究以跨阶段预测检验几种学习假说。它支持一种群体层面的解释：在所研究的快速力场适应中，准备活动的调整可与相对稳定的下游统计映射并存。output-null 是相对于基线拟合的 PMd→M1 线性映射定义的子空间，并非一组没有解剖输出的神经元。Null-M1 的跨阶段预测下降也不意味着该子空间在任意时间都与 M1 无关。
统计映射稳定不能证明突触权重不变，领先约35 ms也不能单独确定因果传递方向。两个子空间的活动均可变化；主要学习差异集中于准备期 output-null，不是全部学习痕迹都只在那里。视觉旋转的阴性结果针对模型泛化，不否认行为后效应。上游学习是与结果相容的解释，尚未定位到特定脑区。
思考问题
- 若在相同数据上估计非线性或时变 PMd→M1 映射，映射稳定的结论是否保持？
- 对准备期 output-null 活动施加定向扰动，是否会改变适应速率而不立即产生运动？