eLife︱王立平组发现因果推断在猕猴额顶环路中的神经计算机制

撰文︱齐光耀

责编︱王思珍，方以一

编辑︱夏  叶

在日常生活中，我们常常接收到多种感觉信息。正确地整合多感觉信息能够帮助我们更快、更准确地作出反应[1]。整合还是分离？这是信息的绑定问题（binding problem）[2]。然而，这一过程依赖于我们对信息来源的准确推断。例如，当你过马路时，你会接收到来自车辆的视觉信息和声音信息，这两种信息都能一定程度上反映车辆的位置信息。当你推断这两种信息来自同一来源（同一辆车）时，你会把两者整合在一起进行定位，否则将分离信息来定位。这种根据观测去推断隐藏的因果结构的过程，就是因果推断（causal inference）[3]。因果推断受到两方面因素的影响：一是自上而下的先验信息的影响，比如你过往的经历，你所处的街道；另一方面是自下而上的影响，比如两种感觉信息在空间上或时间上的差异[4]。过往的研究表明，人们通过贝叶斯规则的方式来整合这两种因素，以此获得因果结构的来自同一来源的后验概率（Posterior probability of common source, P_com）， 即对因果结构的概率性推断[3, 5]。然而，尽管过往的研究发现因果推断的计算过程服从自下而上的皮层等级结构[2]，但仍存在如下局限：一方面，以往的研究主要集中在人类脑成像方面，缺乏在单神经元水平上神经环路的理解；另一方面，以往的研究主要关注行为学表征的神经相关性，而大脑如何表征隐藏的因果结构以及动态环境下如何更新先验信息（Prior probability of common source, P_prior）和感觉表征仍然未知。

2022年10月24日，中国科学院脑科学与智能技术卓越创新中心（神经科学研究所）王立平研究组在eLife期刊在线发表题为“Neural dynamics of causal inference in the macaque frontoparietal circuit”的研究论文，首次阐述因果推断在神经环路水平上的神经表征和计算机制。博士生齐光耀和博士后方文为论文共同第一作者，研究员王立平和博士后方文为共同通讯作者。该研究利用虚拟现实系统，在清醒猕猴完成一项因果推断任务的同时进行电生理记录，并结合贝叶斯建模分析和机器学习等方法，首先在计算模型上扩展了原先静态的因果推断模型，揭示了因果推断模型中先验知识和感觉信息如何随着环境的变化而更新；其次，在环路实现水平上发现（i）额叶前运动皮层神经元表征和更新因果结构以解决多模态信息的绑定问题；（ii）为保持自身与推断环境的一致性，顶叶皮层神经元接受前运动皮层反馈，并更新对于感觉信息的表征以支持身体自我意识的可塑性。该研究发现了因果推断新的神经环路计算机制。

为了研究因果推断的神经环路表征和计算机制，研究者首先基于虚拟现实系统设计了一个可以改变视觉和本体感觉空间位置差异的因果推断任务（图1A）[6]。在这个任务中，猕猴需要根据接收到的视觉信息和本体感觉来“汇报”自己手臂的位置（图1B）。这种任务条件被称为视觉-本体感觉冲突条件（Visual-proprioceptive conflict（VPC） condition）。在这个任务中，猕猴推断视觉和本体感觉信息来自同一来源的后验概率（因果推断），并以此为权重估计最终手臂的位置[6]。除了VPC条件外，猕猴还需要进行纯本体感觉条件（Proprioception only (P) condition）和视觉-本体感觉一致条件（Visual-proprioceptive congruent (VP) condition）。这里，P和VP分别作为完全分离和完全整合情形下的参考基线。

图1 行为任务、动态因果推断模型和本体感觉偏移的结果

(图源：Qi, et al., eLife, 2022)

为了研究猕猴行为学在因果推断过程中的动态更新，结合该实验范式，研究者提出动态因果推断模型。该模型在以往贝叶斯因果推断模型的基础上增加了先验知识和本体感觉的更新部分（图1C）。模型假设如下：

首先，猕猴以贝叶斯的方式结合感觉信息（视觉和本体感觉）和先验信息以判断手臂位置（图1C）。因此，猕猴的行为输出，也就是在不同视觉差异（Disparity）下主观汇报的手臂偏离真实手臂位置的距离（本体感觉偏移，Drift），会表现出典型的因果推断特征。对于较小的Disparity，P_com应该增加（整合）；当Disparity变大时，P_com应该减少（分离）。

其次，猕猴在单个试次（Trial）水平上，当前Trial的P_prior会受到环境（先前Trial的P_com）的影响，并通过更新当前状态下的P_prior来调节先验信息的当前因果推断的影响（图1C1）。

第三，为保持与因果结构先验信念的一致性，感觉信息的早期加工同样会受到环境的影响。当本体感觉和视觉信息发生冲突时（例如，VPC任务），大脑除了降低这些信息来自一个源的先验信念（P_prior）外，同时还降低感觉表征的精度，从而平衡当前感觉信号和先验信念的可信度（图1C3）。

为了验证这些假设，研究者采用动态因果推断模型来评估猴子的行为，并研究了多脑区神经环路实现。

与模型的假设相符，猕猴的行为学结果表明：（i）猕猴的本体感觉偏移表现出对本体感觉和视觉输入之间差异的非线性依赖性，即当Disparity比较小时，猕猴倾向于整合两种信息，而当Disparity比较大时，猕猴倾向于分离两种信息（图1D）。因果推断模型很好地解释了这一点（图1D，2B），即当Disparity较小时，P_com较大，猕猴倾向于整合两种信息；而当Disparity较大时，P_com较小，猕猴倾向于分离两种信息。（ii）P_prior与感觉输入相结合，并在逐个试次的基础上根据历史信息（P_com）进行更新（图2A）。（iii）为了保持因果推断的一致性，本体感觉精度随着P_com的变化在因果推断过程中更新（图2C）。以上结果在行为学水平验证了模型的假设，即猕猴通过整合先验信息和感觉输入推断隐藏的因果结构，同时动态更新P_prior和感觉表征来适应环境变化。这为之后研究因果推断的神经环路机制奠定了理论基础。

图2 因果推断模型预测了猴子行为的动态更新

(图源：Qi, et al., eLife, 2022)

接下来，为了研究因果推断的神经机制，研究者在猕猴执行因果推断任务过程中记录了与多感觉感知和身体表征紧密相关的额叶前运动皮层（Premotor cortex，PMC）和顶叶皮层（Parietal area 5和area 7）神经元活动[7, 8]。通过信息的编码（encoding）和解码（decoding）分析，研究者解析了因果推断动态计算的神经环路机制。在单神经元水平上，研究者发现任务相关信息广泛存在于额顶环路。1）对于感觉信号，顶叶皮层神经元更多编码本体感觉手臂位置信息，而PMC神经元则更多编码整合后的手臂位置信息。2）除了PMC，顶叶皮层也存在一定比例（>5%）的编码P_com的神经元（因果推断神经元）。3）在群体神经元水平上，通过结合机器学习算法对任务成分和潜在变量--P_com进行解码分析，研究者发现隐藏的因果结构的更新只出现在PMC，且其表征因果推断早于顶叶皮层，随后通过交流子空间，将信号传递至顶叶皮层（图3A和B）；4）顶叶皮层接收来自PMC的P_com信息，并通过更新对本体感觉的编码以适应环境（图3B和C）。这些结果从神经活动角度验证了动态因果推断模型的假设和行为学观测到的结果。

图3 动态因果推断的神经实现

(图源：Qi, et al., eLife, 2022)

文章结论与讨论，启发与展望总结起来，该研究的行为和多脑区电生理数据首次揭示了因果推断在额顶环路中单神经元分辨率下的神经表征和计算机制。该研究将之前在前运动皮层上的研究延伸到顶叶皮层神经元[6]；并将之前的静态因果推断模型进行了扩展[3, 5]，提出了新的动态因果推断模型；并发现同一来源的后验概率是在前运动皮层神经元活动中逐个试次的动态更新，而输入的感觉表征的更新则在更大的时间尺度上发生在顶叶皮层的神经元活动中。该研究为回答大脑如何解决多感觉信息绑定问题和身体自我意识中的身体表征更新等科学问题提供了理论和神经环路基础。

未来可以在如下方向上进行研究：首先，该研究的结果与以前在人类和猴子的前运动皮层和顶叶皮层的镜像神经元系统的研究结果互补。未来的研究需要考察这两个系统如何共同工作，以识别自我和外部代理（foreign agents）。第二，在临床上，推断感觉来源的病理障碍会导致躯体幻觉[9]。患有代理妄想症的精神分裂症患者在更新其内部因果结构方面表现出障碍。他们在检测自己的思想和行动的来源方面表现出缺陷，因此错误地将其归因于外部代理[10]。未来的研究可以利用该研究范式在精神分裂症患者上进行进一步探索，并利用因果推断模型寻找用于诊断精神分裂症患者的生物标记物。

原文链接：https://elifesciences.org/articles/76145

该研究主要由博士研究生齐光耀和博士后方文在王立平研究员的指导下完成，博士研究生李晟豪和研究助理李俊汝也积极参与。该工作获得了科技部、临港实验室、中国科学院和上海市科委资助。

第一作者：齐光耀(左二)；第一作者和通讯作者：方文(左三)；作者：李晟豪(左一)，李俊汝(左四)

(照片提供自:王立平实验室)

第一作者：齐光耀(右)；通讯作者：王立平(左) 

(照片提供自:王立平实验室)

---

欢迎扫码加入逻辑神经科学 文献学习3

群备注格式：姓名-单位-研究领域-学位/职称/称号/职位

往期文章精选优质科研培训课程推荐【1】第十届近红外训练营（线上：2022.11.30~12.20）【2】第九届脑电数据分析启航班（训练营：2022.11.23—12.24）欢迎加入“逻辑神经科学”【1】“ 逻辑神经科学 ”诚聘编辑/运营岗位 ( 在线办公)【2】人才招聘︱“ 逻辑神经科学 ”诚聘文章解读/撰写岗位 ( 网络兼职, 在线办公)

参考文献（上下滑动阅读） 

1.  Stein, B.E. and T.R. Stanford, Multisensory integration: current issues from the perspective of the single neuron. Nat Rev Neurosci, 2008. 9(4): p. 255-66.

2. Noppeney, U., Perceptual Inference, Learning, and Attention in a Multisensory World. Annu Rev Neurosci, 2021. 44: p. 449-473.

3. Kording, K.P., et al., Causal inference in multisensory perception. PLoS One, 2007. 2(9): p. e943.

4. Shams, L. and U.R. Beierholm, Causal inference in perception. Trends Cogn Sci, 2010. 14(9): p. 425-32.

5. Sato, Y., T. Toyoizumi, and K. Aihara, Bayesian inference explains perception of unity and ventriloquism aftereffect: identification of common sources of audiovisual stimuli. Neural computation, 2007. 19(12): p. 3335-3355.

6. Fang, W., et al., Statistical inference of body representation in the macaque brain. Proc Natl Acad Sci U S A, 2019. 116(40): p. 20151-20157.

7.Blanke, O., M. Slater, and A. Serino, Behavioral, Neural, and Computational Principles of Bodily Self-Consciousness. Neuron, 2015. 88(1): p. 145-66.

8. Graziano, M.S.A. and M.M. Botvinick, How the brain represents the body: insights from neurophysiology and psychology. Common Mechanisms in Perception and Action, 2002. 19: p. 136-157.

9. Keromnes, G., et al., Exploring Self-Consciousness From Self- and Other-Image Recognition in the Mirror: Concepts and Evaluation. Front Psychol, 2019. 10: p. 719.

10. Haggard, P., Sense of agency in the human brain. Nat Rev Neurosci, 2017. 18(4): p. 196-207.

本文完