猴子前内顶区视觉和运动过程中的混合选择性

针对猴子前内顶叶区域视觉与运动过程混合选择性的研究报道

研究背景

近年来,前内顶叶区域(anterior intraparietal area,AIP)在神经科学领域引起了极大的兴趣。AIP被认为是一个多视觉和躯体感觉信息的汇聚节点,包括关于物体的物理属性和他人观察到的动作,以及来自额叶皮层的运动信号和高阶信息。然而,关于这种多模态编码的基本原理仍然不清楚,特别是在多种任务和条件下AIP神经元是如何编码信息的。

传统观点认为,AIP中的神经元可以被分为几类:运动神经元(motor neurons)、视觉神经元(visual neurons)、规范神经元(canonical neurons)和镜像神经元(mirror neurons)。这些神经元分别编码物体或动作的纯运动、纯视觉或视觉与运动信息。然而,这些研究大多集中在单一任务上,缺乏对多模态编码如何在AIP中出现的理解。

论文来源

本文题为《Mixed Selectivity in Monkey Anterior Intraparietal Area During Visual and Motor Processes》,由Monica Maranesi、Marco Lanzilotto、Edoardo Arcuri和Luca Bonini撰写,隶属于意大利帕尔马大学的医学与外科系。该论文发表在学术期刊《Progress in Neurobiology》中,并于2024年4月10日上线。

研究流程

为了探索AIP中多模态编码的基本原理,研究团队对两只猴子进行了单一神经元活动的慢性记录实验。这些实验涉及以下几种任务和条件: 1. 视-运动任务(VMT):猴子需要执行一个包括抓取物体或保持静止的go/no-go任务。 2. 观察任务:猴子观看实验人员在自己的近身空间(OTP)和远身空间(OTE)执行同样的任务。 3. 视频观察任务(OTV):猴子观看目标定向或假装手部动作以及孤立物体的静态或动态视频。

研究团队分阶段分析了134个独立神经元的活动,这些神经元来自两个猴子在AIP不同位置的记录数据。其中,大多数细胞对所观察到的物体、执行的动作和观察到的动作表现出混合选择性,尤其这些信息来自猴子的近身工作空间时更为明显。

主要结果

  1. 神经元分类:基于VMT任务,研究团队将神经元分为视-运动、视觉相关、运动相关和与任务无关四类。其中,79个神经元表现为视-运动神经元,26个为视觉相关神经元,13个为运动相关神经元,16个为与任务无关神经元。

  2. 混合选择性:大多数(96%)视-运动神经元在观察任务中也会对他人的行动(无论是实时、视频或两者)做出反应。相反,仅少于10%的神经元对这些类型的刺激表现出纯选择性。大多数(超过90%)神经元在观察目标物体或自身手部视觉反馈时也会调节其放电。

  3. 行为任务聚类:基于不同任务和时期的条件之间计算马哈拉诺比斯距离,显示在基线阶段,任务在猴子的工作空间内外进行的初步分隔,而对目标物体的进一步分隔在后续的视觉和运动阶段更加明显。

  4. 实际编码与纯视觉编码的区别:在屏障条件下测试了一部分神经元,发现大多数视觉响应神经元会显著受到屏障的影响,这表明这些神经元反映了与实际编码相关的对象,而一些神经元仅对对象的3D特征进行纯视觉编码。

研究结论

研究结果表明,在AIP区域几乎所有的视-运动神经元不仅对物体和自我动作的信息进行编码,还会对他人动作进行反应。因此,传统的基于单变量选择性的分类方式显得过于简单。相反,AIP神经元展现了多种和组合的选择性,尤其是实践编码在AIP功能中的重要性,这与前运动皮层的情况类似。

值得注意的是,部分AIP神经元的活动受到视觉和运动因素的复杂、上下文相关的调制。此外,应用无监督的层级聚类分析,在不同任务和条件下发现了一些显著不同的神经元集群,揭示了这些神经元在多变量选择性和任务条件下的复杂调制特征。

研究亮点

  1. 发现新颖的混合选择性:证明了AIP区域的神经元不仅对单一类型的信息(如物体或动作)有选择性,而且表现出混合选择性。
  2. 分布式编码方式:表明AIP中的多模态编码通过不同任务和条件下的神经元部分混合选择性得以实现,而不是通过特定类别的神经元独立编码。
  3. 对传统观点的挑战:这项研究挑战了传统的基于纯选择性分类的神经元类型划分方法,提供了对AIP功能更复杂和全面的理解。

研究价值

本研究不仅在基础神经科学领域具有重要的理论意义,还对理解和治疗与前顶叶功能障碍相关的疾病(如空间忽略症和肢体失用症)具有潜在的临床应用价值。此外,这项研究还为未来的神经科学研究提供了新的方向,特别是在多变量选择性和分布式编码方面。

结语

这项研究通过详细记录和分析猴子AIP区域内单一神经元的活动,揭示了该区域神经元在视觉和运动信息处理中的混合选择性及其复杂的调制方式,对神经科学领域特别是多模态信息整合和编码机制的研究具有重要的推动作用。