D12 · Mixed-selective organization of reach and grasp in the primate fronto-parietal network
Fathian, A., Lehmann, S.J., Michaels, J.A., & Scherberger, H. (2026). Progress in Neurobiology, 258, 102889. doi:10.1016/j.pneurobio.2026.102889
AIP与F5对位置、朝向、握法和用手侧别表现出连续的混合选择性。群体读出仍可提取任务参数，两区的条件依赖结构呈现不同偏好。
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
混合选择性意味着一个神经元可同时受多个任务参数调制。本文进一步问，这些响应是否形成离散类别，以及复杂单细胞响应如何支持群体参数读出。
研究思路
研究重新分析两套AIP/F5数据，以回归系数、聚类检验、选择性指标、群体投影和解码比较参数组织。条件相关结构给出功能层级的描述，不直接证明解剖信息流或固定细胞类型。
方法
两只雌性恒河猴（P，4.5 kg；S，5.5 kg），两个任务用同一对猴子。记录用石英玻璃绝缘的铂/钨电极（1–2 MΩ），两台五通道微操纵器同时进 AIP 和 F5，信号放大 400 倍、16 bit、30 kS/s 采样。任务都是四阶段：注视、cue、规划、运动。数据集 1 里手柄和注视灯装在一块可电动移动的板上，猴子用左手（记录腔对侧）去抓四个位置（左、右、上、下）之一的手柄；由于手柄位置和注视位置都变过，作者按"手柄相对注视的眼中心位置"重新归并条件，加上 precision/power 两种握法共 8 个条件。数据集 2 手柄固定但朝向有五种角度，加上握法（LED 提示）、左右手（1000/2000 Hz 音调提示），共 20 个条件。最终用了数据集 1 的 353 个 AIP 单元和 585 个 F5 单元、数据集 2 的 412 个 AIP 和 482 个 F5 单元，每条件至少 7 个（数据集 1）或 5 个（数据集 2）trial。分析的核心是回归系数派生的一族指标：MSI 定义在 −1 到 +1 之间，0 为完美混合、±1 为纯选择性；nMSI 用交互项系数对比主效应系数，区分线性与非线性混合；时间动态分析把 trial 切成 60 ms 的 bin 逐 bin 算 MSI，再做跨神经元 PCA 和基于 RMS 变点的时段分割；解码用线性核 SVM 加 10 折交叉验证，重复 500 次。
主要结果
第一个答案是否定的：神经元按选择性未呈现清楚的离散聚类。ePAIRS 统计量（衡量高维参数空间里神经元贡献向量是否聚类）在所有群体中都只比随机水平高一点点——数据集 1 里 AIP 0.028、F5 0.043，数据集 2 里 AIP 0.013、F5 0.032。MSI 直方图给出更完整的画面：神经元铺满从纯到混的整个连续谱，峰值明显偏向 0（混合）一侧，而且混合不是低贡献神经元的专利——贡献总量越大的神经元反而混得越厉害。谱上仍有微弱的区域偏好：位置在 AIP 更强，握法在 F5 更强，与既往文献一致，但这些倾向被大范围的混合淹没了。
第二个答案是肯定的：群体层面参数照样读得出。用回归系数当权重对 PSTH 做加权平均（TDR 的思路），每个参数都能得到干净分离的群体响应；把神经元按 MSI 四分位拆成"混合"和"纯"两个等量子群，KS检验未发现两者权重分布有显著差异（AIP 的 P 值 0.88、0.59、0.43、0.22；F5 0.48、0.23、0.89、0.20），SVM 分类准确率也不分伯仲（各条件组合下总体准确率约 90%–92%）。也就是说 mixed selectivity 对下游读出并未阻止本文解码器读出任务变量。
时间维度上是"单神经元乱、群体稳"。逐 bin 的 MSI 在单个神经元层面波动很大，但跨神经元做 PCA，前三个主成分就能吃掉至少 80% 的 MSI 方差；变点分割显示选择性呈"时段块状"稳定，注视期与任务期明显脱钩，有些参数对的选择性横跨 cue+规划期和运动期，有些在两个期间切换。时段性的偏移也和区域分工吻合：AIP 的朝向选择性在 cue 期最强，F5 的握法选择性在运动期最突出。非线性方面，nMSI 显示多数混合神经元同时有线性和非线性成分（略有线性占优的偏移）；去掉任何一个参数或交互项，多项式核 SVM 的分类准确率都要掉 4%–11%，说明线性和交互信息分布广且部分冗余。
最有意思的是条件相关分析揭示的层级结构。在 AIP，同一位置下 precision 与 power grip 的神经响应显著正相关——物体位置的选择性不随握法变；在 F5，正相关的却是同一握法下不同位置之间的响应——握法的选择性不随位置变。数据集 2 复现了这个格局：AIP 里朝向处于层级顶端，F5 里握法最独立。换句话说，AIP 稳住的是物体相关参数，F5 稳住的是运动相关参数，两区合起来构成一条情境依赖的功能层级。意外的是左右手在两个区域的层级里都垫底——用手侧别的条件独立性较弱，但两个区域仍可能包含侧别信息。
逐图解读
来源：原文 Fig. 1，PDF 第 3 页。
图 1 · 两个数据集的任务设计。 A 是四个 epoch 的时间线：注视期双手放在传感器上盯 LED，cue 期手柄被照亮（露出位置或朝向）、旁边的 LED 指示握法，第二个任务还有音调指示用哪只手，随后是只有注视灯的规划期和运动期。B 是任务 1：手柄/注视位置在五个位置间变化，两种变化方式（变手柄或变注视）按眼中心坐标合并成四个相对位置，配两种握法共 8 条件——这个坐标系的归并是 Lehmann & Scherberger 2013 已证明位置按视网膜坐标编码的直接后果。C 是任务 2：五种手柄朝向加握法和左右手共 20 条件。读这张图要抓的重点是：两套参数集故意错开，一个考察位置×握法，一个考察朝向×握法×laterality，后文所有结论都要在两套数据里各自成立才算数。
来源：原文 Fig. 2，PDF 第 4 页。
图 2 · 八个示例神经元：选择性的各种长相。 上排（数据集 1）从左到右：只对握法有选择性的 F5 神经元、只对位置有选择性的 AIP 神经元、两个参数都调的两个 F5 神经元；下排（数据集 2）展示纯朝向、纯 laterality、朝向×laterality 混合，以及最右边那个"麻烦制造者"——只在对侧运动时才表现出握法选择性。中间列的散点把每个神经元的回归系数画在参数平面上，最下面是全体神经元系数的分布，可以看到系数连续铺开、没有分立的簇。这张图的功能和 Churchland 2012 的图 2 一样，是"问题陈述"：单神经元响应五花八门，有的选择性还会随 epoch 漂移（比如 cue 期偏握法、运动期偏位置），传统分类学在这里无从下手。
来源：原文 Fig. 3，PDF 第 5 页。
图 3 · 核心论证：选择性连续，未形成清晰互斥类别。 每个面板对应一对参数（上排数据集 1 的位置 vs 握法，下面三排数据集 2 的三对组合），左边 AIP、右边 F5；上面的直方图是 MSI 分布，下面的散点把 MSI 对贡献总量画出来，红线是沿贡献轴的滑动平均。读法有三层：直方图峰值贴近 0 说明多数神经元混合；直方图两侧的星号标出分布不对称的方向（t 检验，p<0.01），这就是"AIP 偏位置、F5 偏握法"那点微弱倾向的出处；散点上红线大致水平（甚至高贡献端更贴 0）说明混合不挑强弱神经元。结合 ePAIRS 的微弱聚类，这张图不支持用少数互斥类别概括所测响应。
来源：原文 Fig. 4，PDF 第 6 页。
图 4 · 群体能拆开读：参数特异的群体响应。 A–D 用回归系数加权的 PSTH 平均给出每个参数的"专属群体响应"：数据集 1 的握法和位置、数据集 2 的握法/朝向/laterality，在 AIP 和 F5 里各自分离良好——颜色编码四种位置或五种朝向，深浅或实虚线区分握法、左右手。这张图回应的质疑是：既然单神经元都是混的，信息还读得出来吗？答案是换个权重就行。E、F 是更有说服力的一半：把神经元按 MSI 四分位分成混合子群和纯子群，分别做 SVM 多类分类（10 折交叉验证、500 次重复），两个子群的准确率几乎一样——混合群体不吃解码的亏。
来源：原文 Fig. 5，PDF 第 7 页。
图 5 · 选择性的时间动力学：单神经元乱、群体稳。 A、C 是单神经元层面：60 ms bin 的 MSI 对全体神经元平均（上，误差线为跨神经元标准差，星号是均值显著偏离 0 的时刻），下面两个小图分别是每个神经元 MSI 的均值和标准差——标准差图清楚地显示个体神经元的选择性在整个 trial 里大幅游走。B、D 是群体层面：所有时间 bin 对之间 MSI 的 Pearson 相似度矩阵，配上前两个 MSI 主成分的 RMS 变点分割条。关键读法在相似度矩阵：注视期的 bin 与其他时段不相关（本来就没有任务信息），cue、规划、运动期内部和之间却高度相关，有些参数对还分出"运动前 vs 运动"两个块。加上前三个主成分就覆盖 80% 以上 MSI 方差（补充图），说明所构建MSI时间序列的主要变化可由较少成分描述，不等于证明原始放电具有固定低维动力学。
来源：原文 Fig. 6，PDF 第 8 页。
图 6 · 线性还是非线性混合。 nMSI 定义在 −1（纯线性混合）到 +1（纯非线性混合）之间，0 表示两者都有。直方图显示数据集 1（握法×位置）的多数神经元落在中间地带，即同时携带线性和交互式混合，分布整体略偏向线性一侧（t 检验 p<0.01），数据集 2 的对应图在补充材料里格局相同。下面的散点把 nMSI 对贡献强度画出来，红线依旧是滑动平均，说明线性/非线性的配比也不挑神经元强弱。配合 Table 1 的解码分析（去掉交互项准确率照样掉好几个百分点），这张图显示，在本文分析中非线性交互项对解码具有贡献。
来源：原文 Fig. 7，PDF 第 9 页。
图 7 · 条件相关图与层级聚类：两区条件相关结构的比较。 每个图是一个数据集的区域（AIP/F5），节点是条件，边是条件对之间神经响应的显著相关（红正蓝负，p<0.1；数据集 2 里正负边分开画，五种朝向归并成左/右、剔除 0°）。读 AIP（数据集 1）：同一位置下两种握法的节点连成正边——位置稳定不随握法变；读 F5：同一握法下不同位置连成正边——握法稳定不随位置变。右侧的树状图把这个关系正式化：AIP 里朝向和位置坐在层级顶端，F5 里握法在最上面。这是全文我最喜欢的一张图，它把"两区功能相似"这种模糊说法换成了可以检验的层级命题。
讨论与解读边界
数据表明，以少数互斥类别概括这些神经元会遗漏大量混合响应。加权群体活动、解码和时序分析说明，单细胞复杂性可以与较稳定的群体组织并存。AIP较保留物体相关参数，F5较保留握法，是所测任务中的相对倾向。
较弱聚类不等于神经元原则上不可分类，选择性指标的低维变化也不等于原始放电具有同样的自主动力学。未检出混合组和较纯组的差异不构成严格等效性证明。“功能层级”由条件相关关系定义，不能当作已证实的信息单向传递路线；用手侧别在层级中较低也不等于脑区不关心用哪只手。
思考问题
- 在新物体、新握法或不同任务规则中，两区的选择性层级会保持还是重排？
- 用未参与参数加权或特征筛选的独立试次测试，混合与较纯子群的跨条件泛化是否相同？