C10 · Small, correlated changes in synaptic connectivity may facilitate rapid motor learning
Feulner, B., Perich, M.G., Chowdhury, R.H., Miller, L.E., Gallego, J.A., & Clopath, C. (2022). Nature Communications, 13, 5163. doi:10.1038/s41467-022-32646-w
模块化 RNN 表明,少量且相关的局部权重改变可以支持快速适应,同时使群体协方差大体保持。因此,协方差稳定本身不足以排除局部突触可塑性。
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
群体协方差在学习前后大体稳定,常被解释为神经连接或局部回路没有发生明显重构。但活动统计与突触权重并不是一一对应:大量连接若只发生很小且方向相关的改变,群体活动可能仍落在原有协方差结构附近;反过来,协方差变化也未必能准确指出学习发生在哪个脑区。因此,从“活动结构稳定”直接推断“连接稳定”,存在逻辑缺口。要检验这一推断,需要在已知连接权重的系统中比较学习位置与活动结果。
递归神经网络提供了这样的反事实环境。研究者可以分别限制学习只发生在上游输入,或只发生在 PMd/M1 模块内部,再比较两种情况下轨迹、单模块活动和协方差。若两种学习都能产生稳定的协方差,那么该指标就不能单独裁决学习位置;若活动变化在 PMd 与 M1 之间的分布不同,则可能提供更有辨识度的预测。模型中的权重变化幅度、维度和抗噪能力也必须明确标注为模型结果,不能直接当成猴脑中测得的突触数据。
Feulner 等以视觉旋转适应为背景,训练模块化的 upstream–PMd–M1 网络,比较 Hinput 与 Hlocal,并用更大旋转和重新关联任务提出后续实验预测。研究希望回答:少量低维权重改变能否支持快速适应,同时保持群体协方差;哪些活动指标更可能区分学习来源;以及这种学习痕迹在特定随机噪声下是否仍能维持功能。其价值是给出反例和可检验预测,而不是宣布已经找到真实皮层的突触机制。模型与实验活动相似只说明它受到数据约束,不表示网络结构是学习过程的唯一实现。
研究思路
研究训练含上游、PMd和M1模块的RNN,分别限制学习发生在上游或运动皮层内,再比较活动、协方差和权重变化。更大旋转及重新关联任务用于提出可区分模型的实验预测;权重变化数值是模型结果。
方法
实验数据来自 C03 的原始记录再加新session:11 个 30° 旋转 session(猴 C 5 个、猴 M 6 个)、3 个无扰动对照 session(猴 C 1 个、猴 M 2 个),另有只记录 M1 的更大旋转 session(猴 C:30° 九个、45° 两个、60° 两个)。行为为 instructed-delay center-out 伸手(八目标、目标 2 cm 方块、延迟 500–1500 ms),spike 以 10 ms 分箱、50 ms 高斯平滑,只用获奖 trial;早期/晚期适应分别取扰动相的前/后 150 个 trial。两个指标都算在 go cue 前后 ±600 ms 窗口内:活动变化为 |PSTH 晚期 − PSTH 基线| 除以该神经元基线标准差再取中位数;协方差变化为两 epoch 协方差矩阵逐元素的相关系数取 1 减。统计用线性混合模型(脑区与有无扰动为固定效应,猴与 session 为随机效应,P = 0.05)。模型为三个各 400 单元的 tanh 递归模块,upstream 与 PMd 接收相同的三维输入(目标 x、y 加 go 信号),upstream→PMd→M1 全连接前馈,输出从 M1 线性读出,时间常数 50 ms、积分步长 10 ms。初始训练用全部实验 session 基线期拼出的 2238 条 4 秒真实手轨迹(90/10 训练测试划分),PyTorch 加 Adam(学习率 1e-4)、批 80、500 个训练 trial,权重(α = 0.001)与放电率(β = 0.8)正则,梯度范数裁剪 0.2;训练后模型的手轨迹、动力学与两模块的 PCA 群体活动都与对应脑区记录相符(Procrustes 分析确认区特异性)。VR 适应再训练 100 个 trial(旋转后的目标轨迹),重联合任务则打乱刺激与伸手方向的对应关系、同样给 100 个 trial。权重变化幅度 dW 定义为逐元素 |ΔW|/W 的中位数,维度用 ΔW 奇异值的 participation ratio。突触噪声模拟为在学到的 ΔW 上叠加标准差十倍于 ΔW 的随机扰动。所有模拟用 10 次网络初始化。
主要结果
实验端先立好靶子:VR 适应伴随 PMd 与 M1 可测量的活动变化,显著超出无扰动对照 session(t = 4.4,P = 0.0017),且 PMd 的变化大于 M1(t = 8.9,P < 0.0001);协方差变化虽小但同样超出对照(t = 2.6,P = 0.026)。模型端,Hinput 如预期般复现了数据——活动变化幅度相当、PMd 略大于 M1、协方差高度保持。意外在 Hlocal:限定学习只发生在 PMd/M1 内部,网络照样成功适应,协方差的保持程度与 Hinput 几乎没有差别,都落在实验观测范围内。也就是说,"协方差稳定 ⇒ 连接稳定"这条被广泛默认的推理不成立。本文 30° 旋转模拟中区分两个假说的一项稳定差别是活动变化的空间格局:Hlocal 下 M1 模块变得比 PMd 多,而实验数据(PMd > M1)更贴合 Hinput。
机制上,答案藏在权重改变本身:无论学习发生在哪里,成功适应只需要平均 1–2% 的权重变化——远小于初始从随机权重学出伸手任务时的 4–31%——而且这些改变是低维的(ΔW 的 participation ratio 很小),即"小而相关"。低维性带来在这些模拟条件下的稳健性:给学到的权重改变叠加十倍于其标准差的随机噪声后,权重变化的维度暴涨、学到的信号被完全淹没,但手的轨迹误差、模块活动、协方差全都未见明显变化——在本文所设随机噪声条件下,低维学习改变对应的行为较稳健。既然 30° 旋转分不开两个假说,模型接着设计分辨实验:把旋转加大到 60° 和 90°,两种假说仍都能学会,但协方差变化随角度增长的方式不同——Hinput 下 PMd 与 M1 同步增长,Hlocal 下 M1 增长得比 PMd 多;猴 C 的 45°/60° 初步 M1 记录看起来贴合 Hinput 的预测。更极端的"重联合"任务(网络学一套新的 cue-方向随机对应)则把区分做到极致:通过输入重联合实现学习时活动变化巨大、协方差却一丝不变(活动模式本身没换,只是被重新分配给不同目标),而 Hlocal 下两者都变——未来的判别性实验有了明确图纸。
逐图解读

来源:原文 Fig. 1,PDF 第 2 页。
图 1 · 两个假说与两个裁判指标。 (A) 学习假说的两分法:适应机制可发生于 PMd/M1 的上游(Hinput),或发生于 PMd/M1 局部网络内部(Hlocal)。该框架与 C03 中的假说体系对应,聚焦于区分上游输入改变与局部突触调整。(B) 两个量化指标:trial 平均活动的相对变化(单神经元层面)与协方差的变化(群体层面),都取基线对晚期适应的比较,示例来自猴 C 的一个代表 session。该图确立了评估模型的量化标准:重点不在于模型能否实现适应,而在于适应后神经活动幅度与协方差的变化特征能否与实验记录相符。

来源:原文 Fig. 2,PDF 第 3 页。
图 2 · 实验数据:小而可测的活动变化。 (A) 猴 C 一个 session 的手轨迹:基线前 30 个 trial、早期适应(前 150 个 trial,轨迹被旋转推弯)、晚期适应(后 150 个 trial,轨迹重新拉直),按目标着色;(B) 起飞角误差的经典适应曲线,CW 与 CCW 趋势一致故可合并分析;(C) 跨 11 个 session 的活动变化(绿点):PMd 与 M1 都显著超出无扰动对照 session(黑点;t = 4.4,P = 0.0017),且 PMd 大于 M1(t = 8.9,P < 0.0001)——这个"PMd > M1"的格局后来成为分辨两个假说的关键指纹;(D) 协方差变化同样小而显著地超出对照(t = 2.6,P = 0.026)。数据端的说服力在于:变化虽小,但不是零,模型必须连这个"小"都复现出来。

来源:原文 Fig. 3,PDF 第 4 页。
图 3 · 模型的资格证。 (A) 三模块 RNN:upstream 与 PMd 接收相同的目标位置加 go 信号输入,upstream→PMd→M1,输出从 M1 读出;(B) 模拟(上)与真实(下)的手轨迹逐目标对比;(C) 单目标示例轨迹,模型与实验的运动学几乎无差;(D, E) 模拟的 PMd、M1 群体活动(go cue 前 600 ms 到后 600 ms 的神经轨迹)与两区记录各自相符,Procrustes 分析确认 PMd 模块更像 PMd、M1 模块更像 M1。该图对基线模型的有效性进行检验:首先验证模型能否复现健康伸手行为的关键运动学与神经动力学特征,为其后续用于检验适应机制建立基础。

来源:原文 Fig. 4,PDF 第 5 页。
图 4 · 核心意外:Hlocal 也能保住协方差。 (A–C) Hinput:学完后轨迹正确旋转 30°(A),活动变化幅度与实验(黑星)相当、PMd 略大于 M1(B),协方差高度保持、与初始 de-novo 训练的参照(虚线)同量级(C);(D–F) Hlocal:同样学得会(D),活动变化中 M1 反超 PMd(E,与数据相反),但协方差照样几乎保持(F)。该对比展现了研究的核心发现:局部突触改变(Hlocal)并不必然破坏群体协方差结构,微小且相关的突触权值调整足以在维持群体协方差稳定的同时实现运动补偿。由此表明,群体统计特性的稳定性不能作为否定局部突触可塑性的充分依据。

来源:原文 Fig. 5,PDF 第 6 页。
图 5 · 小而相关的权重改变。 (A) 初始训练后 M1 模块的递归权重矩阵示例,上方标注其估计维度;(B) Hlocal 学习后该矩阵的改变量——幅度微小且维度很低;(C, D) Hinput 下各模块及跨模块连接的权重变化幅度(C,约 1–2%)与变化维度(D),n = 10 次初始化;(E, F) Hlocal 下同样格式:变化同样小、同样低维。与初始训练期 4–31% 的权重变化相比,适应所需的 1–2% 微不足道——协方差的稳定由此得到机制解释:不是没学,是学得太"轻"。权重变化的低维特性表明大量突触连接以协同模式共同改变,提示少数全局性调控信号可能足以引导局部的功能性重组。

来源:原文 Fig. 6,PDF 第 7 页。
图 6 · 低维改变的对所测随机噪声的稳健性。 (A) Hlocal 学到的 M1 权重改变(同图 5B);(B) 叠加随机连接改变后,权重变化的维度暴涨、学到的模式被完全淹没;(C) 然而有噪与无噪模型的轨迹误差变化很小(虚线为施加视觉旋转但不进行适应时的误差参照);(D, E) 活动变化与协方差变化同样不受影响;(F) 所加噪声的幅度是学习信号的十倍;(G) 维度的对比可以看出。该图考察了微弱突触可塑性在生理噪声扰动下的维持机制:在低维突触变化模式下,与任务无关的随机权重涨落主要投影在任务非敏感维度上,因而在模型测试中未显著影响运动轨迹精度与群体协方差结构。

来源:原文 Fig. 7,PDF 第 8 页。
图 7 · 用更大的旋转撕开两个假说的差别。 (A) 把扰动加大到 60° 和 90°;(B, E) 两种假说下网络都能学会(误差从灰到黑);(C, F) 活动变化:Hinput 下 PMd 变化更大(90° 时最明显),Hlocal 下相反;(D, G) 关键差别在协方差——Hinput 下 PMd(浅绿)与 M1(深绿)的协方差变化随角度同步增长(D),Hlocal 下 M1 增长远超 PMd(G);星号是猴 C 更大旋转(45°/60°,仅 M1)的初步记录,看起来贴合 Hinput 的预测而非 Hlocal。该图为后续实验设计提供了明确的预测依据:采用更大角度的视觉扰动可放大两种假说在 M1 与 PMd 协方差变化规律上的差异,有助于进一步定位学习位点。

来源:原文 Fig. 8,PDF 第 9 页。
图 8 · 重联合任务:进一步区分输入与局部可塑性。 (A) 网络学习一套新的 cue-方向随机对应("Reassociation",概念直接承自 Golub 2018 的 neural reassociation);(B) 通过输入重联合学习后误差同样归零;(C) 但活动变化巨大——与 Hlocal 同量级(F);(D) 协方差却一丝不变:因为输入信号本身没有变,只是被重新分配给不同目标,网络的活动模式集合原封未动;(E–G) 同一任务下的 Hlocal:活动变(F)、协方差也变(G)。不同模型对活动及协方差变化的预测,可用于设计进一步的判别实验;模型结果本身尚不能确定真实突触的变化位置。
讨论与解读边界
本文的贡献是提供一个模型反例,检验从群体统计量推断学习位置是否充分。实验数据对模型有约束,但模型与轨迹、低维活动相似,并不使其成为真实皮层连接的唯一实现。Hinput 与 Hlocal 在某些指标上相近,反映了现有观测的可辨识性限制。
约1–2%的权重改变和对随机噪声的稳健性均是此模型中的结果,没有在猴脑直接测量。有限幅度、特定结构噪声下性能保持,不能推广为对任意突触扰动免疫。较大旋转和重联合任务给出了可检验预测;仅M1的初步大角度数据不足以最终定位学习来源。
思考问题
- 同时记录并扰动上游、PMd与M1,哪一种跨区指标最能区分两种学习位置?
- 若噪声沿学习相关的低维权重方向集中,模型的稳健性是否仍然存在?