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
稳定的群体协方差常被用于支持连接保持不变，但活动统计与连接并非一一对应。本文用网络模型直接检验这一推断是否必然成立。
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) 学习要么发生在 PMd/M1 的上游（Hinput），要么发生在 PMd/M1 内部（Hlocal），本文用 modular RNN 同时实现两种情形并与实验对表——注意这张框架图与 C03 图 1 的四假说表同源，这里把 Hplan/Hmap 收起、只留最针锋相对的一对。(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。这张图定义了全文的"裁判规则"：模型与数据比的不是能不能学，而是学完之后这两个指标像不像。
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。这张图负责回答"你有什么资格用这个模型下结论"——先检验模型能否复现若干关键观测，再解释模型预测及其局限。
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）。这一张图就是标题里"surprisingly"的全部含义——按直觉 Hlocal 应该把协方差搅得天翻地覆，实际上它只需要动一点点。全文的批判性结论（协方差稳定不能反推连接稳定）和建设性线索（PMd/M1 变化格局分辨两假说）都从这组对比里长出来。
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"。低维性则暗示大量突触按同一模式协同改变，这为后面"少数调控信号即可指挥学习"的讨论提供后续分析的依据。
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。这张图回答了一个真正生物学的问题：突触无时无刻不在涨落，微弱的学习痕迹凭什么存活？答案是结构性免疫——在此模型及所测随机噪声下，噪声对任务相关变化的影响较小，这也为"不稳定突触上的稳定记忆"（Susman 2019、Rule 2020）提供了一个解法。
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。这张图的价值是"给实验家的图纸"：想分辨学习发生在哪里，就用足够大的扰动，然后盯着 M1 与 PMd 的协方差变化是否同步。
来源：原文 Fig. 8，PDF 第 9 页。
图 8 · 重联合任务：把区分做到极致。 (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？