来源：独立研究者 | 发布时间：2026年6月28日
预印本编号：arXiv:2606.29655v1
分类：定量生物学-神经科学（q-bio.NC）

导读：传统神经科学认为，神经尽管单个神经元活动存在“漂移”，科学但神经群体的家首平均状态保持稳定，从而确保感知的现影响大性一致性。然而，脑表最新研究提出，征何这种“群体中心稳定性”并非大脑可靠性的稳定全部。研究者引入全新指标“几何稳定性”（Geometric Stability），关键规律发现大脑中刺激间的神经“关系结构”稳定性才是预测行为的关键，且与传统的科学时间稳定性呈显著负相关。

一、家首被忽视的现影响大性盲区：大脑的“关系地图”有多可靠？

当我们识别一首熟悉的歌曲时，大脑并非存储每一个声波细节，脑表而是征何存储歌曲之间的相对关系（如欢快程度、节奏快慢）。稳定这种基于相对关系的神经编码结构，在神经科学中被称为“表征几何”（Representational Geometry）。

长期以来，学界受限于“表征漂移”（Representational Drift）理论：即虽然单个神经元的响应随时间变化（如蜜蜂飞舞），但神经群体的“平均中心”（Centroid）保持稳定。主流观点认为，只要群体重心不变，大脑就能稳定识别刺激。

然而，这项研究指出一个关键盲区：群体重心稳定，不代表“关系地图”稳定。
* 比喻：城市中心坐标未变，但街道间的相对距离全乱了，地图便失效。
* 核心发现：研究者开发了名为 Shesha的测量工具，首次量化了真实的神经电生理数据中的“几何稳定性”。结果显示，几何稳定性与传统的时间稳定性几乎完全反向，且几何稳定性才是真正预测动物行为的神经指标。

二、方法论革新：如何量化“关系地图”的可靠性？

Shesha 指标的核心逻辑不在于测量绝对神经活动强度，而在于检验刺激间相对关系的排名一致性。

1. 测量原理

• 数据分割：将实验数据分为奇数次试验（Odd）和偶数次试验（Even）。
• 构建RDM：分别计算两组数据中所有刺激两两之间的“表征差异矩阵”（Representational Dissimilarity Matrix, RDM）。RDM 描述了各刺激间的相对距离关系。
• 秩相关计算：计算两张 RDM 之间的秩相关系数。
• 高相关性：说明无论哪次测量，“最像”和“最不像”的刺激对排名一致，几何稳定性强。
• 低相关性：说明关系地图混乱，几何稳定性差。

2. 与传统方法的区别

传统方法关注“平均状态是否漂移”或“能否解码出信息”，而 Shesha 专门检验内部关系结构在不同观测中是否自洽。这如同检验地图册：不管印刷质量如何波动，城市间的相对距离排名是否始终如一？

三、全脑扫描：纹状体最可靠，海马体最混乱

研究基于 Steinmetz 等人（2019）的 Neuropixels 数据集，分析了26只小鼠在68个脑区的229个观测单元。

1. 几何稳定性排名（由高到低）

1. 纹状体（Striatum）：均值 0.44[0.34-0.56] —— 最稳定
2. 运动皮层（Motor Cortex）：均值 0.38
3. 视觉皮层（Visual Cortex）：均值 0.36
4. 海马体（Hippocampus）：均值 0.19[0.13-0.25] —— 最不稳定

2. 与传统时间稳定性的“逆向排列”

当计算群体平均状态的时间稳定性（余弦相似度）时，结果呈现完全相反的顺序：
* 丘脑：0.95（最高）
* 海马体：0.94
* 纹状体：0.83（最低）

生物学解释：
* 纹状体：负责动作-奖励关联，需持续更新价值估计（导致整体模式漂移），但行动选项间的相对价值结构必须清晰（几何稳定）。
* 海马体：负责快速形成新记忆，内部编码随新体验重组（几何不稳定），但整体激活中心因持续性放电而稳定（时间稳定）。

3. 排除噪声干扰

通过500次置换检验证实，观察到的时间漂移是系统性现象（真实相似度均值0.924 vs 随机期望0.995，z=-44.7），且漂移随实验进程逐渐积累，而非突变。

四、关键发现：几何稳定性直接挂钩行为表现

研究者提出了核心假设：关系地图的可靠性是否直接决定行为表现？

1. 神经-行为耦合分析

计算每个脑区的“神经-行为耦合分数”（单次试验中神经活动强度与正确率的秩相关），并与 Shesha 值对比：

2. 核心结论

• 信息量 ≠ 可靠性：高解码准确率（信息丰富）不等于高几何稳定性（结构可靠）。
• 微观尺度关键性：几何稳定性对行为的预测仅存在于试验到试验（Trial-to-trial）的微观层面，在实验场次（Session-to-session）的宏观层面无显著关联。
• 结论：只有当刺激间的相对关系在单次试验中保持一致时，大脑才能有效追踪行为表现。

五、机制探索：嗅觉回路中的循环连接

为探究几何稳定性的来源，研究利用嗅觉系统作为天然实验室。

1. 实验设计

利用 Bolding & Franks (2018) 的 PCX-1 数据集，比较三种状态：
1. 嗅球（OB）：纯前馈输入，无循环回路。
2. 梨状皮层（PCx）+ TeLC：循环连接被切断。
3. 正常梨状皮层（PCx）：拥有完整循环回路。

2. 结果验证

• 嗅球 Shesha：0.47（最低）
• 切断循环 PCx Shesha：0.53（居中）
• 正常 PCx Shesha：0.60（最高）

尽管样本量较小（n=12）导致统计显著性不足（p=0.16），但数据严格遵循“循环连接越多，几何稳定性越高”的预期方向，为理论模型提供了生物学合理性。

六、计算模拟：吸引子动力学如何稳定关系地图

研究者构建了兴奋-抑制平衡（E/I-balanced）循环神经网络进行验证。

1. 模型机制

• 吸引子动力学：强循环连接形成“吸引盆地”，将嘈杂的输入收敛至稳定的状态。
• 变量控制：仅改变循环兴奋连接强度参数 J。

2. 模拟结果

• J=0（无循环）：Shesha = 0.27（极不稳定）。
• J=1.4（强循环）：Shesha = 0.51（恢复稳定）。
• 相关性：Shesha 随 J 单调递增（ρ=+0.64, p=0.010）。

结论：循环连接通过“图案补全”机制，将残缺输入引导至稳定吸引态，从而增强表征几何的稳定性。

七、理论对话：补充而非颠覆

本研究并未否定现有的“表征漂移”理论，而是进行了重要补充：

1. 多维稳定性：Driscoll 和 Gallego 发现的“群体平均稳定”与本文发现的“关系结构稳定”是两个正交维度。
2. 互补框架：Aitken 等人提出的“任务无关维度漂移”与 Shesha 测量的“会话内噪声”属于不同层面的稳定性失败模式。
3. 机制一致性：Wagner 等人（2026）关于海马体“混合对称性”的发现，与本模型中循环连接稳定不动点的逻辑一致，支持“循环稳定几何是皮层计算普遍原则”的观点。

注：在全脑数据中，循环连接指数与几何稳定性未呈显著相关，可能是因为感觉驱动强度的差异掩盖了循环连接的影响。

八、局限性与展望

1. 研究局限

• 样本量：嗅觉实验样本较小，统计效力有限。
• 全局指标：Shesha 仅提供整体可靠性评分，无法定位具体哪些刺激对或神经维度不稳定。
• 数据异质性：Steinmetz 与 Bolding-Franks 数据集在物种、任务、技术上差异巨大，关联属于解释性推断。

2. 核心启示

理解大脑表征需要三把不同的“尺子”：
1. 时间稳定性：群体中心是否漂移？
2. 解码准确率：能读出多少信息？
3. 几何稳定性：关系结构是否可靠？

本研究证实：在瞬息万变的现实中，系统的“关系地图”可靠性，比其“平均状态”更能决定实际表现。这一原理不仅适用于大脑，也可能为人工智能系统设计提供新视角。

Q&A

Q1：几何稳定性和传统的表征漂移有什么区别？
A：表征漂移关注神经群体“平均中心”随时间的移动（如蜜蜂群重心）；几何稳定性关注刺激间“相对关系”的一致性（如地图中地点间的相对距离）。两者测量不同属性，在真实脑区中常呈反向关系（如海马体漂移少但几何稳定性差，纹状体漂移多但几何稳定性好）。

Q2：Shesha指标是怎么计算的？
A：将实验分为奇偶两半，分别构建表征差异矩阵（RDM）。Shesha 值为两张 RDM 之间的秩相关系数。若两次测量中“最相似”和“最不相似”的刺激对排名一致，则 Shesha 值高，表明几何稳定性强。

Q3：纹状体的几何稳定性为什么比海马体高？
A：功能决定结构。纹状体需持续更新任务价值估计（导致整体模式漂移），但行动选项间的相对价值结构必须清晰稳定（几何稳定）。海马体需快速重组记忆编码（导致几何不稳定），但整体激活中心因持续放电而稳定（时间稳定）。