本研究围绕小鼠在执行决策任务过程中大脑运动相关活动的分布及其与神经计算的关系展开，通过脑区级的神经元记录和高分辨率视频追踪，揭示了运动信号在不同脑区的编码特性。研究结果表明，运动相关信号在大脑中广泛存在，但其强度在不同区域之间存在显著差异。特别是靠近运动外围区域和与运动相关的子区域中，运动信号的强度更高。这种分布特征不仅反映了大脑对运动信息的处理机制，也为理解神经活动如何与决策过程相互作用提供了新的视角。
### 大脑中运动相关信号的分布差异
研究团队记录了超过50,000个神经元的活动，并同步采集了小鼠面部和爪子的高速视频数据，用于分析神经活动与运动之间的关系。这些数据涵盖了多个脑区，包括前外侧运动皮层（ALM）、延髓、中脑、纹状体和丘脑等，这些区域构成了与运动相关的多区域神经网络。通过比较不同方法对神经活动的预测能力，研究团队发现，使用更复杂的模型（如嵌入式方法和端到端学习方法）在解释神经活动的方差方面优于基于标记的简单方法。
例如，使用嵌入式方法，研究团队通过自动编码器学习视频数据的低维表示，以更全面地捕捉运动信息的动态变化。而端到端学习方法则进一步利用视频的高维特征，从而获得更高的预测准确率。结果显示，不同脑区在视频预测神经活动的能力上存在显著差异。其中，延髓表现出最高的解释方差，而丘脑、纹状体和中脑等区域则相对较低。这种差异提示，延髓可能在控制面部运动方面具有更直接的作用，而其他脑区可能更多地参与与运动相关的计算过程。
此外，研究还发现，某些神经元的活动与运动的预测时间存在显著相关性。例如，延髓中的神经元倾向于在运动发生前就已经表现出活动，这可能意味着它们在接收和处理运动相关的信号方面具有更直接的联系。相反，一些位于丘脑和纹状体的神经元则在运动发生后才表现出活动，这可能与它们对运动信息的反馈机制有关。这些发现揭示了大脑中不同区域对运动信息的处理方式存在差异，且这些差异可能与它们在神经网络中的功能角色相关。
### 运动与感觉编码的时空关系
为了进一步分析运动与感觉编码的时空关系，研究团队采用了一种基于时间偏移的方法，即通过调整视频帧与神经活动的时间窗口，来区分哪些神经元的活动预测了运动，哪些活动是运动的结果。这一方法揭示了神经活动在时间上的非连续变化：一些神经元的活动在运动发生前就有所变化，而另一些则在运动发生后才表现出明显的活动模式。
研究团队还发现，运动相关信号在不同脑区的分布具有一定的结构特征。例如，在延髓中，神经元的活动与运动存在较强的前向关系，而在丘脑和纹状体中，活动则更倾向于滞后于运动。这种差异可能反映了不同脑区在运动控制中的不同功能角色。延髓可能主要负责执行运动指令，而丘脑和纹状体则可能更多地参与对运动的反馈处理。
此外，研究团队对前额叶皮层和中脑等脑区的活动进行了分析，发现这些区域中的神经元表现出与运动相关的编码特征。特别是中脑的某些子区域，如上丘脑（superior colliculus），其神经元活动明显领先于运动发生，这可能意味着它们在运动的发起和执行过程中扮演着关键角色。而前额叶皮层中的神经元则更多地与运动后的反馈和决策过程相关。
### 未指导的运动与决策之间的关系
研究还探讨了未指导的运动（uninstructed movements）与决策之间的关系。未指导的运动是指动物在任务中未被明确指令引导的自发行为，这些行为可能与决策过程存在潜在联系。研究团队通过分析视频数据，发现某些未指导的运动可以预测动物的决策行为，例如，在延迟阶段（delay epoch）中，动物的面部或爪子运动可能与最终选择有关。
为了进一步验证这一观点，研究团队使用了不同的分析方法，包括基于视频的决策解码和基于单个神经元的活动分析。结果显示，未指导的运动确实可以作为决策的潜在预测因子，尤其是在某些个体中。然而，这种关系并非在所有动物中都一致，有些动物在完成任务时并未表现出显著的未指导运动，这可能意味着它们采用不同的策略来完成任务。
此外，研究还发现，未指导的运动可能对决策编码产生干扰。为了区分决策编码和运动编码，研究团队采用了一种基于时间偏移的方法，即在不同时间窗口下分析神经元活动。例如，在某些情况下，如果神经元的活动与运动发生的时间一致，则可能主要反映运动编码；而如果其活动在运动发生后才显著变化，则可能与决策过程更相关。
### 不同编码方法的优劣比较
研究团队采用了多种方法来分析神经活动与运动之间的关系，包括基于标记的分析、嵌入式方法和端到端学习方法。这些方法在预测能力上存在显著差异。基于标记的分析方法虽然直观，但由于其依赖于预定义的标记点（如嘴、鼻、舌），因此可能无法全面捕捉所有运动信息。相比之下，嵌入式方法通过自动编码器学习视频数据的低维表示，从而能够更有效地提取运动相关的特征。端到端学习方法则进一步利用视频的高维信息，直接预测神经活动，其预测能力最强。
然而，这些方法在可解释性方面也存在差异。基于标记的方法虽然直观，但其预测能力受限于预定义的标记点。嵌入式方法虽然能够捕捉更丰富的运动特征，但其结果仍需要进一步解释。而端到端学习方法虽然预测能力最强，但其内部机制难以直接解读。因此，研究团队认为，嵌入式方法在理解运动编码的机制方面更具优势，而端到端方法则在预测准确率上表现更优。
### 未指导运动对决策编码的影响
为了进一步探讨未指导运动对决策编码的影响，研究团队对神经元活动进行了分类，分为与决策相关的神经元和与未指导运动相关的神经元。这一分类基于神经元活动在不同时间窗口下的预测能力。例如，在某些情况下，如果神经元的活动在未指导运动发生后才显著变化，则可能主要反映决策编码；而如果其活动在未指导运动发生前就有所变化，则可能主要反映运动编码。
研究团队还发现，未指导运动可能对决策编码产生干扰。因此，为了更准确地分析决策编码，研究团队采用了不同的方法，包括在神经元活动中减去运动相关的部分，从而仅保留与决策相关的活动。这一方法的实施需要对神经元活动进行详细的分析，并结合视频数据进行校正。
### 神经活动与运动编码的跨区域分析
研究团队还对不同脑区的神经活动与运动编码进行了跨区域分析。通过比较不同脑区的预测能力，他们发现，运动编码的强度在不同区域之间存在显著差异。例如，延髓和中脑等靠近运动外围的区域表现出更强的运动编码能力，而前额叶皮层和丘脑等更高级的脑区则表现出更强的决策编码能力。这种差异可能反映了不同脑区在神经网络中的不同功能角色。
此外，研究团队还发现，神经元的活动在不同时间点上的变化与它们的编码类型相关。例如，某些神经元的活动在运动发生前就已经有所变化，这可能意味着它们对运动的预测具有更高的敏感性。而另一些神经元的活动则在运动发生后才显著变化，这可能意味着它们对运动的反馈更为敏感。
### 研究的局限性与未来方向
尽管研究团队取得了诸多重要发现，但该研究仍存在一定的局限性。例如，所使用的视频数据可能无法完全捕捉所有类型的运动信息，特别是那些不在摄像机视野内的运动（如身体姿势的变化）。此外，不同脑区的活动可能受到多种因素的影响，包括实验条件、动物个体差异等，这些因素可能会影响运动编码的分布和强度。
为了进一步探索这些问题，研究团队建议未来可以采用更复杂的实验设计，例如在不同任务条件下进行运动编码的分析，或者结合其他类型的神经活动数据（如脑电图、光遗传学等）来更全面地理解运动与决策之间的关系。此外，研究团队还建议，未来可以通过实验手段（如神经损伤或基因调控）来验证运动编码的机制，从而更深入地理解大脑如何将运动信息与决策过程整合在一起。
### 结论
综上所述，该研究揭示了大脑中运动相关信号的广泛分布及其与神经计算之间的复杂关系。通过采用多种分析方法，研究团队发现不同脑区在运动编码和决策编码方面表现出显著差异，这些差异可能反映了大脑中不同区域的功能角色。此外，研究还强调了未指导运动在决策过程中的潜在作用，并提出了多种方法来区分运动编码与决策编码。这些发现不仅为理解大脑如何处理运动信息提供了新的视角，也为未来的研究提供了重要的理论基础和技术手段。
生物通微信公众号
