Neuron：如何从混杂神经活动中拆解独立计算过程？全新无监督算法SCA问世

认知神经科学前沿文献分享

基本信息

Title:Sparse component analysis: A method that uncovers separable computations within neural population activity

发表时间:2026-07-02

发表期刊:Neuron

影响因子:16.9

获取原文:

1. 添加小助手:PSY-Brain-Frontier即可获取PDF版本

研究背景

在过去的十几年里，认知神经科学经历了一次概念视角的转换：研究者不再仅仅关注单个神经元的调谐特性，而是越来越依赖“潜变量”（latent factors）来理解神经群体是如何进行计算的。潜变量是跨神经元共享的低维信号，它们共同演化以实现特定的功能。

然而，一个脑区通常不会只做一件事。为了实现灵活的复杂行为，神经网络往往会调用多套不同的潜变量来执行多个子计算（例如运动的准备、执行与姿态维持），并将它们组合起来。这就带来了一个棘手的数据分析难题：当我们记录下高度混杂的单神经元活动时，如何从中提取出对应着不同计算过程的独立潜变量？

传统的无监督降维方法（如PCA）通常无能为力，它们提取出的成分往往和单神经元一样混杂。为了解决这个问题，领域内开发了许多监督学习方法（如dPCA或TDR），或者依赖于人为划分的时间窗口（如将数据切分为“准备期”和“执行期”）。但这些方法都有一个致命弱点：你必须预先知道数据里存在哪些计算过程，以及它们发生在什么时间。如果我们面对的是一段连续的、未知的复杂行为，监督方法就失效了。

为了打破这一瓶颈，哥伦比亚大学和西北大学的研究团队开发了一种全新的无监督降维方法：稀疏成分分析（Sparse Component Analysis, SCA）。这项近期发表在 Neuron 上的研究表明，无需任何行为标签或时间先验知识，SCA就能从混杂的神经数据中精准拆解出独立的计算过程。

研究核心总结

SCA算法的核心逻辑建立在一个关于大脑计算的基本假设上：组合性（compositionality）。如果大脑是通过组合不同的子计算来实现灵活行为的，那么这些子计算在时间上必然是非同步的（non-synchronous）。例如，运动准备必须在执行之前，且两者的持续时间可能各自变化。

基于此，SCA在成本函数中引入了两个关键约束：第一是“时间稀疏性”，鼓励每个潜变量只在特定的时间窗口内激活；第二是“正交性”，鼓励不同的潜变量占据正交的神经维度，以避免计算间的相互干扰。通过这种方式，SCA能够自动将混叠的信号解耦。

Fig 1. SCA算法的核心逻辑。不同于PCA倾向于混合信号，SCA通过寻找在时间上稀疏且在正交维度上演化的潜变量，能够从模拟的混杂神经活动中完美还原出非同步的底层真实计算过程。

研究者首先将SCA应用于经典的猕猴中心触达（center-out reaching）任务。在这个任务中，猕猴需要经历延迟期（准备）、向外触达（执行）、保持目标位置（姿态维持）以及返回起始点。

在不提供任何任务阶段信息的情况下，SCA自动提取出了三类截然不同的潜变量。第一类在目标出现后迅速上升并在延迟期保持，对应“准备”；第二类在运动发生时短暂且强烈地激活，对应“执行”；第三类则在手部停留在目标位置时保持高活动，对应“姿态维持”。相比之下，PCA提取的成分在整个试验周期内持续波动，无法区分这些独立的认知与运动过程。更有趣的是，SCA发现猕猴在进行“返回运动”时，调用了与“向外运动”相同的执行维度，只是活动轨迹发生了反转，这直接证明了运动皮层在序列动作中对核心计算模块的重复利用。

Fig 2. 猕猴触达任务中的SCA结果。SCA自动将神经活动拆解为对应准备（维度1、2）、执行（维度6-8）和姿态维持（维度4、5）的独立潜变量，而PCA的成分则将这些过程完全混叠。

触达任务的阶段是相对明确的，那么在更长、更连续的运动中，SCA能否发现未知的计算过程？研究者分析了猕猴进行单臂手摇车（cycling）任务的运动皮层数据。猕猴需要根据指令向前或向后摇动踏板，完成0.5到7圈不等的距离。

SCA不仅成功分离出了准备、稳态执行和姿态维持因子，还意外地发现了一类特殊的“停止因子”（stopping factors）。这类潜变量只在运动即将结束前的大约500毫秒内激活，其活动强度与最终的停止位置和骑行方向高度相关。此外，SCA清晰地展示了大脑的组合性策略：无论是摇4圈还是7圈，大脑调用的准备和停止因子是完全相同的，区别仅仅在于稳态执行因子持续的时间不同。

Fig 4. 单臂骑行任务中的潜变量分离。SCA不仅识别出了准备、稳态执行和姿态因子，还揭示了在运动终止前特异性激活的“停止”因子，证明了长时序连续运动同样由离散的计算模块组合而成。

为了验证SCA的普适性，研究者将其应用于更复杂的场景。在猕猴双臂骑行任务中，尽管运动皮层的单神经元普遍表现出对双臂运动的混合选择性，SCA却成功提取出了严格区分“左臂专属”和“右臂专属”的潜变量。当猕猴进行双臂协同运动时，这两套潜变量被同时激活，完美体现了复杂行为对基础计算模块的线性叠加。

在秀丽隐杆线虫（C. elegans）的交配行为数据中，SCA同样表现出色。线虫的交配包含寻找外阴、转弯、交配等离散的行为模式（motifs）。SCA提取出的潜变量不仅在时间上与这些特定行为高度对齐，其权重矩阵还精准映射到了已知负责这些行为的特定单神经元上。

Fig 3. Comparisons of SCA with super­vised approaches (A) Schematic illustrating how supervision25 was used to identify orthogonal subspaces, one p...

Fig 5. 双臂骑行任务中的组合性。SCA无监督地分离出了仅在左臂或右臂运动时激活的独立因子，并揭示了双臂协同运动本质上是这两套独立因子的组合调用。

Fig 6. 线虫交配行为的SCA分析。SCA提取的潜变量与特定的交配行为模式（如转弯、交配）在时间上高度吻合，并且成功定位了驱动这些行为的关键单神经元。

标准的SCA假设潜变量与神经元放电之间是线性关系。为了适应更复杂的神经编码模型，研究者进一步开发了非线性SCA。他们将SCA的稀疏性和正交性约束嵌入到一个包含隐藏层的自编码器神经网络中。

在单臂骑行数据上的测试表明，非线性SCA发现了与线性SCA高度相似的计算模块（准备、执行、姿态、停止），但它只需要极少的维度（约10维）就能达到线性SCA需要40维才能实现的重建精度。这表明，只要保留对潜变量稀疏性和正交性的约束，SCA的框架可以无缝扩展到非线性流形中，同时作为一种有效的正则化手段防止模型过拟合。

Fig 7. SCA identifies compositionality in a multitask network (A) Network architecture. Stimuli arrived in two ‘‘channels’’ (analogous to two stimu...

Fig 8. 非线性SCA的表现。通过结合自编码器架构与SCA约束，非线性SCA用更少的维度重构了神经活动，同时依然保持了对底层计算过程（如准备、执行、停止）的精准解耦。

研究意义

这项研究为认知神经科学提供了一个强大且通用的数据分析工具。SCA的最大贡献在于，它证明了我们可以在不依赖任何外部标签、不预设时间窗口的情况下，仅凭神经群体活动本身的统计特性（时间稀疏性与维度正交性），就能“盲解”出大脑底层的计算模块。

从理论意义上看，SCA在多个物种和任务中取得的成功，为大脑计算的“组合性”（compositionality）假说提供了强有力的实证支持。无论是猕猴的连续运动，还是人工神经网络的多任务处理，复杂行为似乎都是由一系列在正交子空间中独立演化、在时间上灵活调用的基础计算模块拼装而成的。

从方法学边界来看，SCA并不会“无中生有”。当数据中确实不存在稀疏的独立过程时（例如高度重叠的计算），SCA会退化为类似PCA的结果，而不会产生误导性的假阳性结论。这种严谨性使得SCA不仅可以作为验证已知假设的工具，更能在面对自然主义行为或复杂认知任务时，成为发现未知神经计算过程（如本研究中偶然发现的“停止”信号）的探照灯。

分享人：饭鸽儿

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