一个回路，多种流场：单次试验神经动力学的机制模型

单个神经回路在不同试次中可以呈现出性质上不同的动力学：一个回路，多种流场。标准模型通常将这种试次间变异性视为围绕固定动力系统的噪声，或视为不同状态之间的离散切换，然而这两种观点都无法刻画诸如唤醒度或任务投入度等连续内部状态变量如何逐渐重塑回路的流场。我们提出，单试次拟合可以被重新表述为对重塑共享回路流场的低维控制参数进行推断。我们通过一个低秩循环网络实现这一点，其中试次特异性的静态输入偏置充当分岔参数：它们在单个试次内保持恒定，通过改变流场而非直接随时间驱动活动来发挥作用。在教师—学生框架下，该模型仅凭活动数据便可恢复潜在动力系统及其分岔结构。 将该模型应用于小鼠运动皮层在延迟运动任务中的大规模记录数据时，模型识别出一个任务脱离轴，可将投入试次与脱离试次区分开来；并且当在计算机模拟中对该轴施加扰动时，流场会在投入与脱离两种状态之间发生因果性转换。该模型的一个生成式扩展能够重现单试次活动的分布，而所推断的潜在结构在不同记录时段和不同动物之间具有部分可迁移性，这提示运动皮层回路之间存在共享的低维结构。综上，这些结果将单试次活动拟合这一方法学问题重新界定为一个科学机遇：读取潜在动力学的控制参数，并将神经动力学的数据驱动推断与关于单一回路如何复用其动力学以实现灵活行为的机制理论联系起来。

单个神经回路在不同试次中可以表现出性质上不同的动力学：一个回路，多种流场。标准模型通常将这种试次间变异性视为固定动力系统周围的噪声，或视为不同状态之间的离散切换，然而这两种观点都无法刻画诸如唤醒或投入程度等连续内部状态变量如何逐渐改变回路的流场。我们提出，可将单试次拟合重新表述为推断能够重塑共享回路流场的低维控制参数。我们通过一个低秩循环网络实现这一点，其中试次特异性的静态输入偏置充当分岔参数：它们在单个试次内保持恒定，通过改变流场形状而非直接在时间上驱动活动来发挥作用。在教师—学生设定中，该模型仅凭活动数据即可恢复潜在动力系统及其分岔结构。将该模型应用于小鼠在延迟运动任务期间的运动皮层大规模记录数据时，模型识别出一条“脱离参与”轴，用以区分投入参与与未投入参与的试次；并且在计算机模拟扰动下，该轴能够在因果上将流场从参与状态转移到不参与状态。其生成式扩展复现了单试次活动的分布，而所推断的潜在结构在不同实验时段和动物之间具有部分可迁移性，这提示运动皮层回路之间存在共享的低维结构。总之，这些结果将单试次活动拟合这一方法学问题重新界定为一个科学机遇：读取潜在动力学的控制参数，并将基于数据驱动的神经动力学推断与关于单一回路如何为灵活行为复用其动力学的机制理论联系起来。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.01.729208v1?rss=1

🏷️ 神经动力学 单次试验建模 低秩循环网络 分岔参数 运动皮层 任务投入状态