D10 · Continuous sensorimotor transformation enhances robustness of neural dynamics to perturbation in macaque motor cortex
Zheng, C., Wang, Q., & Cui, H. (2025). Nature Communications, 16, 3213. doi:10.1038/s41467-025-58421-1
ICMS对静止与移动目标任务的影响不同：静止目标条件更容易出现反应时延长，移动目标条件的群体状态恢复较快。持续反馈输入模型为这种差异提供了可行解释。
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
拦截移动目标要求持续更新准备状态，可能改变神经群体对扰动的响应。本文比较静止与移动目标条件下的准备活动和ICMS后恢复。
研究思路
研究在延迟期不同时间施加亚阈值刺激，测量反应时及神经轨迹偏移，再用反馈控制网络检验可能解释。运动学相近减少部分混淆，但不能完全匹配两任务；模型支持的反馈机制还需通路层面的实验。
方法
两只成年雄性恒河猴做主分析：G（8.4 kg，13 岁，左手操作，记录右半球）和 L（10.0 kg，6 岁，右手操作，记录左半球），第三只 D 只进补充材料。任务：触摸屏幕中心 600 ms，目标出现（TO），要么静止要么以 −120°/s 为主（部分 session −240°/s 或 +180°/s）绕中心旋转，delay 200 ms（short）或 900 ms（long）后中心点熄灭为 GO，要求 800 ms 内触到目标（误差容差 2.8 cm）并按住 600 ms 得奖。designed static 和 designed moving trial 各占 20–30%，另有 40–60% 随机初始位置的 moving trial 防止方向预测。ICMS 用单根钨电极给 100 ms、300 Hz 的双相脉冲串，幅度定在阈值下 5–10 μA（从 30 μA 逐级加到出现肌肉抽动再往下微调；G 平均 67.5±22.1 μA，L 34.7±11.4 μA），EMG 确认基本不引起肌肉活动；时机为 PreGO（GO 前 100–0 ms）或 PreMO（GO 后 0–150 ms）。同时用 64 通道 S-probe（触点间距 75 μm）在 4–5 mm 外记录 M1 或 PMd，G 记了 14 个 session、L 15 个（每 site 每 session 刺激 trial 压在 200 以内保护组织）。分析上：ΔRT 用条件匹配的 NS trial 中位数逐 trial 做差；PCA 用 static NS trial 建 3D 子空间（解释 >60% 方差），配 bootstrap 和 Procrustes 对齐；PC1 的 cross-correlation 定 NS/ST 轨迹的时移；无偏神经状态距离借 Willett 2020 的交叉验证框架；target location 与 reach direction 的子空间用 TDR（Mante 2013 版、Sun 2022 简化版）分离；眼动用 EyeLink 以 1000 Hz 记录。
主要结果
行为上先看到干净的双向分离。ICMS 对 reach 精度和速度几乎无影响，但 RT 的变化方向取决于条件：static 条件下，PreGO ICMS 使 G 的 RT 延长 13.3 ms（95% CI [7.5, 18.2]），PreMO ICMS 延长 G 10.3 ms、L 15.0 ms——复现了 Churchland & Shenoy 的经典效应；而 moving 条件下，PreGO ICMS 反而把 RT 缩短 8.2 ms（G 和 L 都是）。效应还依赖刺激位置：static 条件的 RT 延长随刺激 site 前移（靠 PMd 侧）而增强，其中一猴达到显著（R²=0.28、p=0.04），与 PMd 和运动准备的经典关联吻合；moving 条件的缩短效应则与前后位置没有显著关系——提示两种效应背后机制不同。ΔRT 与刺激幅度无关。
神经层面给出机制的第一层：ICMS 后，static 条件的 ST 神经轨迹滞后于 NS，moving 条件的 ST 轨迹反而领先。PC1 互相关定出的时移在 static 为正、moving 为负（G：n=54，p=0.0012；L：n=59，p=0.029），与 RT 变化方向一致。定量上，ICMS 后 moving 条件的神经状态距离更小（偏离更少），状态演化速度也更快——不是"被打偏了慢慢爬回来"，而是"没怎么偏、还加速了"。
那两种条件的准备动力学到底差在哪？单神经元层面，static 的方向调谐集中在 TO 附近和运动期，moving 的方向调谐在整个 delay 后期持续增长、preferred direction 随时间变化；群体层面，static 轨迹在 GO 附近明显扭转，moving 轨迹相对笔直。TDR 把这件事看得最清楚：以 TO 后 100 ms 的活动建 target-location 子空间，moving 条件的神经状态绕该时刻的状态顺时针旋转——跟着目标转，static 条件则停在原地；以 MO 前 100 ms 建 reach-direction 子空间，moving 的神经状态逐渐向 MO 附近的状态演化，static 的运动意图表征在 TO 后早早成形并维持到 GO 之后。用作者的话说，moving 条件整个 delay 期都在做 continuous sensorimotor transformation，static 条件的"准备"在 TO 后不久就完工了。
模型检验了一种可能机制。在 Kao 的 100 兴奋 + 100 抑制平衡网络里做两种设定：static 的最优状态 x 固定、控制输入在 TO 后 200 ms 起从 feedback 切换成 feedforward；moving 的 x 每 100 ms 顺次更新、feedback 全程在线。对 100 个单元（网络的一半）在 MO 前 200 ms 打 100 ms 扰动，static 条件的 prospective motor error（若此刻出发会犯的错）显著高于 moving（p<10^-4）。也就是说，持续反馈在该模型中能够产生抗扰动差异，实际反馈来源仍待验证。眼动分析则解释了意外之喜：moving 条件下猴子在 GO 后先扫视再平滑追踪，眼动先于手（RTeye−RThand = −7.8 ms），delay 后期的扫视概率也更高——追踪目标和识别 GO 信号存在竞争；而 PreGO ICMS 只在 moving 条件显著提高 GO 附近的扫视概率，且扫视方向从离心偏向回中。作者据此提出，ICMS 在这里充当了帮助 GO 识别的隐式线索，让 RT 不升反降。
逐图解读
来源：原文 Fig. 1，PDF 第 3 页。
图 1 · 两种条件的运动学拉平。 (a, b) 任务结构：中心外展对拦截旋转目标，TO 后 delay 200/900 ms，GO 后 800 ms 内触到。(c) 一个 session 的轨迹：designed static/moving 的初始位置对应四个方向，random 条件散布各处。(d) 各方向终点相对目标的分布，两种条件都稳定地滞后或超前于目标、方差很小，紫色是 2.8 cm 容差。(e) 按方向对齐后的轨迹，两种条件弯曲模式相似。(f) 手速度：moving 的 peak speed 总体更高但随方向变化。(g) RT 的累积分布，moving 更长。这张图的任务是比较两类任务的运动学；轨迹有相似之处，但速度与反应时仍有差异。
来源：原文 Fig. 2，PDF 第 4 页。
图 2 · 核心行为结果：ICMS 的双向效应。 (a) 刺激电极与 S-probe 的排布（M1 或 PMd，相距 4–5 mm）。(b) PreGO/PreMO 的时机。(c) ICMS 后终点分布不变——在所测指标下，刺激对启动时间的影响比对终点的影响更明显。(d) ΔRT 的 violin 图加逐 trial 散点：static 各组为正、moving PreGO 为负，这是全文的行为锚点。(e) 单 session 的 ΔRT 分布，绝大多数 session 方向一致。(f, g) 刺激位置从 PMd（0 mm）到 M1（20 mm）与 ΔRT 的关系：static 条件的延长效应随位置前移而增强。读这张图留意 monkey L 只在 PreMO 显示显著延长——该猴的 RT 本来就长，PreMO 才落在关键准备窗口内，这正是 Churchland & Shenoy 框架预期的样子。
来源：原文 Fig. 3，PDF 第 5 页。
图 3 · 神经状态的偏离与恢复。 (a) ICMS 结束后单单元放电变化的热图（按结束后 100 ms 窗口内的 ΔFR 排序；G 368 个、L 430 个单元），抑制型响应居多，与刺激幅度有关。(b, c) 用同一个 static-NS 建的 PCA 子空间看 static/moving 各一条代表性轨迹：ICMS 后 ST 与 NS 分岔，static 的 ST 落在后面、moving 的 ST 跑在前面。(d, e) PC1 互相关定时移：示例 CCF 曲线和汇总箱线图。(f) 无偏神经状态距离：moving 条件 ICMS 后偏离显著更小。(g) 神经状态速度：moving 条件 ICMS 后演化更快。滞后、偏离、速度三件套合起来讲同一个故事：moving 条件不仅偏得少，还回得快。
来源：原文 Fig. 4，PDF 第 6 页。
图 4 · 单神经元层面的两种准备。 (a) 全体单元按峰值时间排序的放电热图（G 406、L 481 个），delay 期活跃与运动期活跃的单元都不少。(b) 两个示例单元：unit 1 在 static 条件整个 delay 保持同一方向调谐，在 moving 条件调谐随时间变；unit 2 在 moving 条件放电整体更高。(c) 方向信息显著的时间窗统计（G 156、L 324 个单元）：static 在 TO 附近和运动期领先，moving 在 delay 后期持续走高。这张图是"static 一次成形、moving 持续演化"在单细胞尺度上的预告，也和真实神经群体动力学的思路接上了头——单个神经元的复杂响应，要到群体子空间里才能读出条理。
来源：原文 Fig. 5，PDF 第 7 页。
图 5 · TDR 子空间里的连续转换。 (a) 用 static 条件建的 PC 子空间里看两种条件的轨迹（各方向示例，附 GO 附近放大）：static 轨迹在 GO 附近扭了个弯，moving 轨迹顺利得多。(b–d) 是全文的机制图：以 TO+0.1 s 的活动建 target-location TDR 平面，moving 条件的神经状态（四色对应四个方向）绕初始状态顺时针旋转、与目标运动同步，static 条件的状态停在原地；reach-direction 平面里 moving 状态逐渐收敛到 MO 附近的状态，static 的意图表征早早稳定。数据来自 G 的 7 个 session、181 个神经元。神经表征跟着目标转——这就是 与持续感觉运动转换相容的群体活动表征。
来源：原文 Fig. 6，PDF 第 8 页。
图 6 · 输入驱动网络模型。 (a) 框图：上游把目标信息转成最优状态 x，外部控制输入 u 把皮层网络推向最优子空间。(b) 两种条件的关键设定差异：static 的 x 固定、控制策略在 TO 后 200 ms 从 feedback 切到 feedforward；moving 的 x* 持续前移、feedback 全程在线。(c, d) 模型生成的伸手轨迹和单元 PETH：static 单元方向调谐稳定，moving 复杂多变，与图 4 的真实数据对得上。(e, f) MO 前 200 ms 对 100 个单元打 100 ms 扰动后，static 条件的 prospective motor error 显著更高。模型单独比较持续外部反馈输入的贡献，在模型设定内重现了抗扰动差异。这构成一种充分性示例，不能唯一确定动物中的反馈通路。
来源：原文 Fig. 7，PDF 第 9 页。
图 7 · RT 缩短效应的眼动解释。 (a) 示例 trial 的目标、眼位和眼速。(b) 眼、手 RT 的累积分布：moving 条件眼先于手（−7.8 ms），static 条件手先于眼（+11.2 ms）。(c) delay 后期扫视概率：moving 显著更高。(d, e) cosθ 的定义与分布：大多数扫视落在 −1 附近，即从屏幕中心射向外周目标。(f, g) PreGO ICMS 只在 moving 条件提高 GO 附近的扫视概率，且使扫视方向偏向回中。作者的解读是：拦截任务里追踪目标和识别 GO 信号彼此竞争，ICMS 恰好在 GO 前给了一个内部线索，帮猴子抓住 GO 时机。这部分证据链明显弱于主结果，作者自己也把它定位成"一个合理的解释"。
讨论与解读边界
研究结合实际微刺激、神经记录和行为比较，说明准备过程对扰动的敏感性随任务而变。动态目标条件需要持续更新视觉和动作信息；模型表明持续反馈能够减少扰动后误差，给出了可检验的计算解释。
任务间仍有反应时、速度及眼动差异，不能称为运动学完全匹配。实际ICMS干预证明了刺激效应的条件依赖性，并没有直接隔离是哪一条反馈通路产生恢复。移动目标条件下反应时缩短可能涉及刺激提示与眼动，这部分证据弱于抗延迟的主要结果；不宜推广成运动皮层普遍“越动态越抗扰”。
思考问题
- 若匹配注视、GO检测难度和反应时分布，两条件的ICMS差异还剩多少？
- 暂时阻断候选上游反馈通路，是否会特异性消除移动目标条件的快速恢复？