感覺運動皮層的計算機制必須靈活而健壯，以支持熟練的運動行為。神經元協同活動模式是計算過程的結果。跨總體的成對尖峰時間統計關系可以概括為保留單位屬性的函數網絡 （FN）。
 
本文使用猶他電極和Cereplex Exilis無線放大器（Blackrock Microsystems）記錄了獵物捕獲和自發行為期間狨猴前肢感覺運動皮層信號，并使用結合運動軌跡和網絡特征的編碼模型來預測前肢運動期間的神經元電位變化。
 
每只狨猴都被允許自由進出連接到圍欄頂部的獵物捕捉裝置。 運動由高速攝像機記錄，這些攝像機使用紅外光束斷路器開關自動觸發。圍欄內的自發行為由單獨的攝像系統連續記錄。在整個記錄過程中同時記錄了動作電位，在此期間，猴子主動伸手去尋找獵物或從事無方向的自發行為。
   
對于總體中的每個單元，研究員們在軌跡樣本中的 17 組超前和滯后時間中測試了每個運動學編碼模型——軌跡樣本的持續時間為 300-500 毫秒，范圍從完全超前到完全滯后。
   
在建立了僅從運動學中預測單個單元總體中峰值的最佳模型后，研究員們接下來將網絡項納入最佳模型，并評估由此產生的模型性能變化。
   
研究發現，更強的平均輸入與更強的運動學調整相關，也與網絡功能提供的更大性能提升相關，這可能意味著活動的單個單元預測僅依賴于功能輸入的總強度;或者，模型性能可能取決于強連接的特定結構。  
接下來研究員們評估了 FN 對獵物捕獲的特異性，與我自發的廣泛非獵物捕獲行為相比。研究員們通過計算自發 FN 點積的網絡特征項與與到達軌跡樣本相關的電位變化來訓練運動學 + 自發 FN 模型。然后，他們在使用 reachFNs 計算的網絡特征上測試了這個模型，以比較運動學 + 自發 FN 模型的泛化與原始運動學 + reachFN 模型的性能。
   
在獵物捕獲過程中重組的上下文特異性功能組（FG）也與前肢運動更緊密地聯系在一起。研究發現，全運動學模型比上下文不變的模型更準確地預測了上下文特定 FG 中單元的電位變化。
   
綜上所述，研究結果發現網絡功能的貢獻取決于強連接功能組內的結構化連接。本文確定了一個特定于上下文的功能組，該功能組對運動學高度調整，并重新組織了其自發和獵物捕獲運動之間的連接。在其余的上下文不變組中，交互在行為之間相對穩定，并且單元對運動學的調整較少。這表明在產生自然前肢運動中的作用不同，并將單元調整特性置于種群動力學的背景。
 
筆名：Liushuai
原文鏈接：https://www.nature.com/articles/s41467-024-54343-6