D02 · Cortical population activity within a preserved neural manifold underlies multiple motor behaviors
Gallego, J.A., Perich, M.G., Naufel, S.N., Ethier, C., Solla, S.A., & Miller, L.E. (2018). Nature Communications, 9, 4233. doi:10.1038/s41467-018-06560-z
不同腕部与伸手抓握任务中，M1 主要协变模式的取向及部分潜在活动具有跨任务相似性。其中目标相关模式比某些高方差模式更有利于预测肌电。
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
同一神经元在不同运动任务中的响应可明显变化，群体协变结构却未必随之完全重组。本文比较多个熟练行为中神经流形及潜在活动的共享程度。
研究思路
研究在多任务中记录M1和肌电，利用主角度、dPCA、CCA及读出分析比较群体结构。肌肉相关对照用于检验共同输出能解释多少共享性；结果限于所测任务和记录范围。
方法
三只雄性猕猴（C、T、J，实验开始时 6、14、11 岁），M1 手区植入 96 通道 Utah 阵列（猴 C 前后在不同半球植入过两个阵列），同时埋置肌肉内 EMG 电极（FCR、FCU、ECR、ECU、FDP、FDS、EDC 等腕指肌群，每 session 记录 5–12 块，平均 8.2 ± 2.8）。任务分两套：腕任务给猴 C 和 J（各 3 个 session），含 1-D 等长收缩（用腕力矩控制光标做中心出任务）、无负载运动和弹性负载运动，猴 J 在其中两个 session 还做了 2-D 等长任务；reach-to-grasp 任务给猴 T（2 个 session）和 C（3 个 session），含握力任务（抓握气动软管把光标推到一维力目标）和球任务（抓取 24、35 或 40 mm 的球，搬运后投进容器）。每个 session 用阈值检出识别波形跨任务稳定的 units（含单单元和多单元），平均 65.9 ± 16.9 个（范围 45–91）。对每个任务用 PCA 取前 12 个 PC 张成 12-D manifold，捕获 73.4 ± 6.5% 的群体方差；随机丢掉 40% 的 units 重算，流形取向和 latent activity 都基本不变。跨任务取向比较用 principal angles，显著性阈值由 tensor maximum entropy（TME）方法生成 10,000 对 surrogate 数据确定（P<0.001），辅以 across-task/within-task VAF 比值；latent activity 的参数分解用 dPCA（需要 trial 平均，故只用于目标排布可对齐的腕任务，4 任务 × 6 目标 = 24 个条件）；跨任务 latent activity 相似性用 CCA；EMG 预测用 Wiener cascade 解码器，30 s 折的留一交叉验证。
主要结果
第一层结果直接回应假设：不同任务的 manifold 取向惊人地一致。前三个 leading principal angles 平均只有 8.4 ± 2.3°、11.3 ± 2.9°、15.1 ± 4.6°，而 TME surrogate 的显著性阈值在 31.0 ± 7.4°、38.9 ± 6.9°、44.6 ± 6.4°；把 A 任务的神经数据投影到 B 任务的流形上，VAF 达到 within-task VAF 的 83.0 ± 6.6%，远超随机取向流形的对照（P~0）。这个结果对 8–15 维的流形维度选择稳健，用单单元替代多单元也不变。要体会这个反差得记住单单元层面发生了什么：同一个 unit 在不同任务间的活动相关只有 r = 0.15 ± 0.19（腕任务，n = 1476）和 0.11 ± 0.13（抓握任务，n = 376）——单个神经元几乎换了一套活动模式，它们之间的协方差结构却基本没换。
第二层，dPCA 把同一 session 的所有腕任务放进单一 12-D 流形（捕获 12-D PCA 方差的 95.5 ± 0.5%），再按行为参数归类。任务无关的 modes（time 类加 target 类）占了总方差的六成左右（猴 C 65.5%，猴 J 59.0%）。time-related modes 的活动对 24 个任务-目标组合几乎完全相同，尽管各任务的运动输出时间过程差别很大；target-related modes 则不管什么任务都按腕伸/腕屈分成两组。任务特异的结构当然也在——比如某个 mode 带有区分 1-D 与 2-D 任务的基线偏移，而且出现在运动开始之前，像是任务特异的准备活动——但只占约四成方差。
第三层比较肌电能否解释跨任务的共同结构：EMG 群体的 4-D manifold（3.2 ± 0.8 个 modes 即可解释每个腕任务 ≥95% 的 EMG 方差）跨任务对齐程度远不如神经流形；latent activity 之间的 canonical correlations 明显高于 EMG 之间的；用各任务真实 EMG 线性组合模拟出的"神经活动"比真实数据更低维，跨任务 CC 也低两倍以上（P~0）。所测肌电的跨任务相似性低于神经群体，支持皮层结构具有超出这些肌肉变量的成分。
第四层回答"任务无关的 modes 有什么用"：只用两个 leading target-related modes 做 EMG 解码，就能达到全部 12 个 modes 解码器一半以上的精度（normalized R2 = 0.52 ± 0.32；全模式解码器 R2 = 0.53 ± 0.21），并且远好于用 time、task 或 task/target 类 modes 的解码器（P~0）。time-related modes 解释的神经方差其实更大，EMG 预测却差约 2.5 倍——起作用的不是方差大小，而是模式类型：target-related modes 抓住的是一条任务无关的神经-肌肉映射。
逐图解读
来源：原文 Fig. 1，PDF 第 2 页。
图 1 · 假设的卡通图：三个神经元、两个 neural modes、一个流形。 (a) 皮层网络的兴奋/抑制连接产生 neural modes，其组合活动解释各神经元的放电；(b) 三个神经元张成的神经空间里，群体轨迹（黑线）基本局限在 u1、u2 两个 neural modes 张成的二维流形（灰平面）上；(c) 每个神经元的放电是两个 latent activity（L1、L2）的加权组合——在所采用线性分解中，单元响应可由模式活动的加权组合近似；(d) 提出全文的两个关键问题：不同任务的流形（灰与浅紫）取向是否相似？对应任务的 latent activity（黑与紫）是否相似？这张图把 neural mode、manifold、latent activity 的术语体系一次定义清楚，也是 Gallego 组后来一系列工作（包括 2017 年那篇 manifold 综述和 D03）沿用至今的示意图。
来源：原文 Fig. 2，PDF 第 4 页。
图 2 · 两套任务与跨任务的单单元"乱象"。 (a–d) 腕任务：等长中心出任务中用力矩控制光标，各目标的力矩轨迹、速度轨迹清晰可分；(e) 三个示例 units 在四个腕任务中的活动——右侧插图显示同一 unit 跨任务的动作电位波形完全重合，说明记录稳定，但活动模式大不相同；(f–h) reach-to-grasp 任务：握力任务的光标-力轨迹和球任务，示例 units 同样波形稳定而活动剧变；(i) 汇总所有 units 的跨任务活动相关直方图：腕任务 r = 0.15 ± 0.19，抓握任务 r = 0.11 ± 0.13。这张图的作用是把"问题"立起来：波形稳定性降低了单元更换对跨任务差异的解释力，单单元活动确实跨任务大洗牌，为群体层面的稳定性分析做铺垫。
来源：原文 Fig. 3，PDF 第 5 页。
图 3 · 核心结果：不同任务的流形取向高度一致。 (a) 两个示例 session 的 principal angles（左：猴 T 的 grip vs ball；右：猴 J 的腕任务两两比较），彩色轨迹是各任务对的 12 个 principal angle，几乎全部远低于 P<0.001 的 surrogate 阈值（虚线），只有最后两个非 leading 角度接近 surrogate 水平；(b) 汇总所有猴、session 和任务对，统计 12 个 modes 中 principal angles 全部显著小的数量——大多数任务对有相当数量的 modes 通过了这一最严格的检验；(c) 换一种语言验证同一结论：A 任务数据投到 B 任务流形上的 VAF 与投到自身流形的 VAF 之比达 83.0 ± 6.6%，远超随机流形对照（P~0）。角度小是几何语言，VAF 比是方差语言，两者互相印证才让"流形保守"站得住。
来源：原文 Fig. 4，PDF 第 6 页。
图 4 · dPCA 分解：任务无关的 modes 承载大部分方差。 (a) 猴 J 一个 session 中 12 个 modes 各自的方差贡献及其与行为参数的关联，插图汇总四个参数各自关联的总方差；(b) 八个 dPC modes 的 latent activity 按 time、target、task、task/target 四类分组，每个面板 24 条轨迹对应 4 任务 × 6 目标——第一行 time modes 的 24 条线几乎重合，第二行 target modes 按伸/屈分成两组，任务特异的结构要到最后两行才出现；(c) 猴 J 和 C 的各参数总方差：任务无关的（time + target）约占六成；(d) 各任务的目标排布与配色。这是全文信息量最大的一张图：它说明"保守"不只是流形的几何取向，modes 的动态激活也有一大块跨任务不变。
来源：原文 Fig. 5，PDF 第 7 页。
图 5 · 对照：肌肉群体解释不了流形的保守性。 (a) 神经 modes（12-D manifold）与 EMG modes（4-D manifold）中 principal angles 通过 P<0.001 检验的比例对比，EMG manifold 的对齐程度明显更差；(b, c) latent activity 之间的 canonical correlations 显著高于 EMG 之间的 CC，多数比较中两者的比值远大于 1；(d–f) 反向模拟：从各任务真实 EMG 线性组合出模拟神经活动，模拟数据用更少的 modes 就能解释更多方差（更低维），跨任务 CC 却比真实数据低两倍以上（P~0）。这张图检验肌肉输出相似性这一替代解释：如果流形保守只是因为肌肉模式保守，EMG manifold 也该对齐、模拟数据的 CC 也该高——两者都不成立。
来源：原文 Fig. 6，PDF 第 8 页。
图 6 · target-related modes 提供任务无关的神经-肌肉映射。 (a) 猴 J 一个 session 的 1-D 等长任务中两条肌肉（EDC、ECU）的 EMG 预测示例（R2 分别为 0.57 和 0.43），预测仅基于两个 leading target-related modes；(b) 四类参数各取两个 leading modes 构建解码器的 normalized R2 对比：target 类（0.52 ± 0.32）显著优于其他三类（P~0），参考线是全部 12 个 dPCA modes 的解码器（R2 0.53 ± 0.21）；(c) 解码精度对 mode 方差作图：time modes 方差更大但 EMG 预测差约 2.5 倍，说明起作用的是模式类型而非方差大小。这张图把全文收在功能上——保守的 modes 不只是统计现象，其中 target 类承载着可用于跨任务肌电预测的信息，但直接命令作用尚待因果检验。
讨论与解读边界
同一记录单元跨任务活动可明显改变，而主要群体协变结构仍有重叠。principal angles、跨任务方差保留率和肌电预测提供了互补证据；肌电及模拟对照也说明，这种相似性不容易由所测肌肉活动的简单线性组合解释。
流形“大体保持”不等于所有维度、任务和时间点完全相同。任务被限定为已熟练的上肢行为，不能直接推出全身行为共享一个固定流形。目标相关模式可预测肌电，尚不能认定它们是唯一或直接的肌肉命令通路；PCA/dPCA 模式也不是独立的解剖单元。
思考问题
- 加入从未练习过的新技能后，保留的是流形取向、活动轨迹还是两者都变？
- 在匹配维数和预测方差后，目标相关模式是否仍更有效地跨任务预测肌电？