镜像神经元究竟在“看见”什么？Science Advances揭示前运动皮层对动作运动学的动态群体编码

认知神经科学前沿文献分享

基本信息

Title:Dynamic population coding of kinematic structure across executed and observed actions in primate premotor cortex

发表时间:2026-06-19

发表期刊:Science Advances

获取原文:

1. 添加小助手:PSY-Brain-Frontier即可获取PDF版本

引言

镜像神经元（MirN）发现三十年来，争论没断：编码的是动作的目标（"为了吃"还是"为了放"），还是运动学细节（手形、腕角、速度曲线）？支持前者强调"同抓握、目的不同则反应不同"；支持后者强调同抓握下神经元对手形、腕角有选择性。

更关键的是，单神经元层面的"执行—观察一致性"长期偏低——宽松定义下能匹配两条件的细胞只占少数；用更严格的排序一致性指标，作者此前在 PMd / PMv 报道的一致性甚至在机会水平附近。这把问题推向另一个尺度：执行-观察的对应关系不出现在单个神经元，而出现在群体组织方式上。

但还有第三个答案：运动学本身。早期"直接匹配"框架强调 MirN 编码运动学细节，被 Umiltà 等人"无目标动作不反应"实验质疑；后续显示多数 MirN 仍对无目标动作有反应，只是不如对有目标动作强——两种解释可能并不互斥。Bonini 等人报道 PMv 中 70.9% 抓握相关神经元有抓握选择性、12.8% 只编码目标：抓握和目标信息常共存。

研究把问题从"单细胞是否严格镜像"推进到"群体如何组织动作信息"。问三件事：抓握信息在群体中如何分布、随时间怎么变？执行与观察间是否存在可对齐的群体几何？神经活动与多维手部运动学存在怎样的耦合？由于 MirN 只占"抓握相关神经元"一部分，作者还纳入只在执行中活跃的 non-MirN，区分 MirN 独有 vs 更广义的群体现象。

实验设计与方法逻辑

2 只成年恒河猴，左侧 PMd 和 PMv 细胞外单单位记录。任务两条件：执行（GE）——动物完成到达-抓握；观察（GO）——动物保持不动，看实验者做同样动作。4 种物体对应 4 种抓握构型（指尖捏、钩握、整手捏、精确捏）。每个试次包含物体呈现（~1.25 s 前）、运动期、保持期，神经活动按物体呈现和运动起点双重对齐。

共记录 433 个神经元：285 个 MirN（执行和观察中都显著反应），148 个 non-MirN（只在执行中反应）。主要分析使用 240 个 MirN + 129 个 non-MirN（每个抓握每条件 ≥ 9 个试次）。两只猴、两脑区结果一致，数据合并。

分析工具：

• 100 ms 滑窗的 Poisson 朴素贝叶斯分类器评估抓握可分性；

• 跨时间（cross-temporal）解码检验编码稳定性；

• PCA、典型相关分析（CCA）寻找共享群体几何；

• 神经与运动学的双向线性回归。

运动学记录包括食指、拇指、腕部 3D 位置 / 速度，加上握距及变化率；猴与人执行者都做了同样记录。Fig. 1 给出脑区定位、神经活动时间进程总览。

核心发现

发现一：抓握信息分布式、随时间重构

Fig. 2 给出基础事实：MirN（GO、GE）与 non-MirN 都能显著分类 4 种抓握。GO 条件下信息随动作展开逐渐增强、在动作末和保持期最显著；GE 条件下信息从物体呈现阶段就开始出现，执行期达峰。

Figure 2. Grasp configurations are classified through a distributed and dynamic neural population code

重要的是信息分布。抓握选择性最强的 1/3 神经元 ≈ 全体群体；中间 1/3 仍能显著分类；剔除前 2/3 后运动和保持期仍保留较弱但显著信息。没有"少数高选择性细胞承担一切"——这与"少数经典镜像细胞"驱动的直观印象不同。

Fig. 2D–F 把这一点画得最清楚：强分类集中在对角线，远时间点泛化有限——群体编码不是静态标签，而是沿时间演化。Fig. 2G–I 删掉"某一时间点最选择性一半神经元"后，解码损伤被限制在该时间窗附近。如果选择性由固定细胞承担，应出现跨时间点扩散性损伤——但没有。这指向一个"动态重构"图像：抓握表征由瞬时招募的不同子集承担，不同时点上的"主要贡献者"在变。

这种动态性有功能意义：动作展开过程中存在多个可能未来，早期阶段难以确定最终构型；接近完成时构型确定，群体状态随之稳定——所以时间泛化最差出现在运动期，最好出现在保持期。

发现二：执行—观察匹配出现在群体几何

Fig. 3H 用基于响应排序的"一致性指数（CI）"统计：240 个 MirN 中只有 67 个通过 100 ms 动作前至保持期末的 CI 阈值，被分类为 congruent。严格的执行-观察一致性在单细胞层面并不普遍。

Figure 3. Neuronal selectivity emerges dynamically across time and conditions

接下来作者没有停在单细胞，转去问群体几何。Fig. 4A–C 用 CCA 在 GE / GO 之间找最相关的抓握维度：两种条件存在显著对齐的典型维度；Fig. 4D 显示同一抓握在执行与观察中的轨迹落点接近但不重合。CCA 找到的是"两套表征中对抓握编码贡献最大的对齐方向"，比单细胞 CI 更能说明群体层面的共享结构。

Figure 4. CCA identifies shared structure across conditions and neuronal populations

Fig. 5 / Fig. 6 在原始群体空间和 CCA 空间分别做跨条件解码。原始空间下 GO→GE 与 GE→GO 的显著解码集中在运动中后段和保持期；CCA 空间下显著期更长、强度更高——但都依赖于那 67 个 congruent 细胞。Incongruent 细胞单独无法在原始空间下做出显著跨条件分类（Fig. 5C, F）。

Figure 5. Classification of grasp configuration generalizes across conditions in the original neural space

Figure 6. Classification in canonical space generalizes across conditions and popu-lations

整体上，"执行-观察匹配"在群体层面是部分、渐变、不对称的，不是"开关"——同一抓握的执行和观察轨迹在共享子空间内落点接近但不重合，且匹配强度随时相变化。

发现三：MirN 与 non-MirN 共享抓握相关群体几何

如果前面的结论只在 MirN 中成立，那仍可能被理解为"镜像系统特异"。但作者进一步显示，类似的组织原则也存在于更广泛的前运动皮层抓握相关神经元中。

Fig. 4B / Fig. 4E 在 GE 内做 MirN–non-MirN 的 CCA：两群体之间能找到显著相关的典型维度，且不同抓握在这些维度上仍可分。Fig. 6G–H 显示 MirN-GE 与 non-MirN-GE 之间的跨群体解码在运动和保持期显著。

更有意思的是 Fig. 4C/F 与 Fig. 6I/J：MirN-GO 与 non-MirN-GE 之间也存在弱但可测的跨群体解码——"观察—抓握几何"并不被经典 MirN 定义完全包住，non-MirN 中同样保有可对齐的抓握相关结构。

这一点有理论意义：它提示"是否对观察有反应"和"是否能参与抓握表征"是两件分离的事。前运动皮层的抓握表征更像一种"分布式资源"，MirN 只是其中被观察到参与观察过程的一个子集。把 MirN 看作"动作理解的特化系统"可能是一种范畴错置——更准确的说法是：前运动皮层整体存在一套动态、可对齐的抓握表征几何，MirN 是其中响应观察过程的部分。

发现四：神经活动与多维运动学双向耦合

Fig. 7 先看运动学本身。猴与人执行者的运动学空间都支持 4 种抓握分类；最强信号沿跨时间矩阵对角线，提示运动学结构本身也随时间演化。猴—人之间跨执行者解码在运动中后期显著（Fig. 7B, E），CCA 空间下两方向都稳定（Fig. 7C, F）——不同执行者抓握运动学几何存在部分重叠。

Figure 7. Grasp configuration classification from kinematics within and across agents

Fig. 8 走双向回归。神经低维活动可预测手指 / 腕位置与速度、握距及变化率；运动学主成分也能预测神经低维轨迹。模型预测的信号仍支持抓握分类——说明回归捕捉的是任务结构相关方差，不是简单的时间共变。

Figure 8. Neural activity and kinematics are mutually predictive

时间分辨上，运动早期 200 ms 窗口训练的回归模型就能保留可解码性（fig. S7），时间错配窗口效果显著下降——回归捕捉的是有时间结构的信号，不是时间本身的共变。

跨执行者泛化上，共享子空间内无重训迁移神经-运动学映射：观察训练的模型可迁移到执行、预测猴运动学并保留抓握结构；执行训练的模型则不能（Fig. 9）。这种不对称提示"执行时群体活动有更多非共享成分"——可能因为执行端叠加了运动命令、感觉反馈、内部预期等多源信号，而观察端相对"纯净"。

Figure 9. Cross-­condition regression generalization

个体相关性方面，93% 的 MirN（GE）/ 79%（GO）显示出与运动时长的显著时间分辨相关；non-MirN 是 121/129 ≈ 94%（fig. S8, table S2-S3）。这意味着与运动时长的耦合不是 MirN 独有，而是前运动皮层抓握相关神经元的更普遍特性。

归纳总结和点评

从"单细胞是否严格镜像"挪到"群体如何组织"。MirN / non-MirN、GE / GO 之间的共享维度都指向"这是更广义的抓握相关群体表征"。作者在讨论中点明："渐变、非开关"的对齐解释了为什么有的研究强调共享、有的强调条件特异——两种结论可能都正确，只是在不同尺度上看。运动学、目标、群体几何之间更像是协同关系而非竞争关系。

不对称的跨条件 / 跨执行者泛化是亮点。"观察→执行"可迁移，"执行→观察"不可——观察端运动学映射相对纯净，执行端叠加了非观察共有的运动命令成分。这一点对"运动前运动皮层如何把视觉信号转化为运动表征"的理论模型有意义：可能不是简单的前馈解码，而是经过一个"观察态先学习、执行态再细化"的过程。

局限需要点明。研究使用伪群体（跨试次拼接）；神经与运动学分试次记录，并未同步。4 个抓握与物体绑定，未完全解耦"物体—抓握—目标"。67 个 congruent MirN 是基于响应排序的统计定义，不等于传统意义上"对同抓握反应最强"的镜像细胞。双向回归仍是相关分析，不等于因果——运动学信息可能由其他脑区传入前运动皮层。

对脑机接口的提示。观察态可用作解码器训练数据并部分迁移到执行，提供"观察-校准"路径的神经基础。这一发现与近年侵入式脑机接口的"观察-执行"协同校准策略在方向上吻合——观察数据可作为弱标签用于解码器初值，再在少量执行数据上快速微调。

理论含义再延伸。这种"动态、分布式、共享几何"的群体表征，与工作记忆、前额叶决策等领域近年观察到的"时变群体编码"原则一致——皮层计算可能更普遍地依赖动态重构的子集，而不是固定标签神经元。MirN 现象只是这种更广泛计算原则在动作系统中的一个具体体现。

请打分

这篇刚刚登上 Science Advances 的研究，是否实至名归？我们邀请您作为“云审稿人”，一同品鉴。精读全文后，欢迎在匿名投票中打分，并在评论区分享您的深度见解。

暑期提升

分享人：BQ

审核：PsyBrain 脑心前沿编辑部

你好，这里是「PsyBrain 脑心前沿」

专注追踪全球认知神经科学的最尖端突破

视野直击 Nature, Science, Cell 正刊 及核心子刊与顶级大刊

每日速递「深度解读」与「前沿快讯」

科研是一场探索未知的长跑，但你无需独行。欢迎加入PsyBrain 学术社群，和一群懂你的同行，共同丈量脑与心智的无垠前沿。

点击卡片进群，欢迎你的到来

一键关注，点亮星标 ⭐ 前沿不走丢！

一键分享，让更多人了解前沿