小脑与内侧颞叶组成回路:只学预测下一状态,就能推断情境并迁移到新情境
核心概要
研究把已知解剖结构拼成一条回路:小脑前向模型在来自内侧颞叶的隐变量条件下预测下一状态,内侧颞叶再用小脑的预测误差更新该隐变量。回路只被训练做下一状态预测,却在十二个未提示的运动情境中把留出速度误差从0.0348降到0.0138,低于无情境模型的0.0223;隐变量按扰动族与参数组织,使下游运动皮层能检索旧情境并首次补偿未见过的情境。
深度剖析
一条由小脑前向模型和内侧颞叶循环模块组成的回路,仅以预测下一观测为训练目标,就学会了推断隐藏情境。 此前人类运动学习被情境推断模型很好地描述,但大脑用哪条回路实现这种推断并不清楚;小脑被认为携带多个内部模型并按情境切换,内侧颞叶被认为在推断任务中编码情境,两者又相互连接。 在十二个未提示情境上,留出速度误差从0.0348±0.0006降到0.0138±0.003;把十二个情境条件预测取平均的无情境模型为0.0223±0.00049,去掉内侧颞叶的模型为0.0228±0.0002。
情境信息集中在内侧颞叶输出的32维隐变量里,并能被线性读出。 小脑模块本身表征位置,内侧颞叶的循环隐藏状态反映朝向与速度,情境并未直接出现在这些信号中。 在留出数据上,线性解码器识别十二个情境的准确率为60.6±2.4%,随机水平为8.3%;把预测误差置零使准确率相对下降36.7±3.7%,把预测误差在不同试次间打乱则下降65.7±2.2%。
冻结回路后,隐变量把训练过的和全新的情境放进同一个结构化空间,不同扰动族各占子空间,族内按参数排列。 离散情境模型把每个情境当作独立实体,学不到情境之间的关系,因此只能检索而不能迁移。 在24个新情境下,旋转沿第一主成分按角度排列,卷曲沿第二主成分按带符号增益排列,漂移由第三、第四主成分的方向与速度构成同心环;训练范围外的新旋转沿轴延伸但间距被压缩。
接收该隐变量的运动皮层模块复现了情境依赖的检索、消退后节省、自发恢复与诱发恢复,并首次补偿未见过的扰动。 只有运动皮层或运动皮层加小脑的回路没有情境信号,只能靠与情境无关的熟练度提升;离散情境模型能检索但不能迁移。 回到−60°情境时,该回路与离散情境模型的保护指数分别为1[0.9-1.02]和1[0.9-1],另两个回路为0.7[0.5-0.78]和0.67[0.44-0.78];在全新60°情境的首次到达中,只有该回路补偿了理想值的0.28[0.19-0.34]。
启示与展望
已展示的范围是仿真:回路由小脑前向模型与代表内嗅皮层和内侧颞叶的循环模块构成,在十二个运动情境、若干记忆与认知任务上运行,并与运动皮层、运动皮层加小脑、离散情境模型三种对照比较。作者明确提出的下一步是检验新预测,例如序列反转任务中的情境推断是否依赖小脑,以及旋转或卷曲族的结构泛化是否依赖内侧颞叶。
作者指出,回路复现的是已发表数据,本身没有检验新预测;回路是示意性的,把内嗅皮层与海马合并为一个循环模块,忽略小脑的扇入扇出连接,并假设小脑与内侧颞叶权重冻结而只有运动皮层学习导航。因此当前工作无法回答海马与内嗅皮层如何分别贡献情境推断、浦肯野细胞活动的稀疏性如何影响它,以及特定细胞类型缺失会带来什么后果。
