吉林大學本碩校友、中國科學院神經科學研究所博士畢業生、目前在美國霍華德·休斯醫學研究所珍妮莉亞研究園從事博士后研究的鐘林，一直以來深深著迷于大腦的復雜性，后來他發現只有研究機器學習才能弄明白更多關于大腦認知功能的問題 [1]。正因此，他來到了上述珍妮莉亞研究園做博士后研究。而就在 6 月 18 日，由他擔任第一作者和共同通訊作者的論文發在Nature[2]。

圖 | 鐘林（來源：https://www.janelia.org/people/lin-zhong）

研究中，鐘林和所在團隊在小鼠學習多項任務的過程中，以及在無獎勵地接觸相同刺激的過程中，記錄了小鼠初級視覺皮層和高級視覺區域（HVAs，higher visual areas）中數量多達 90,000 個的神經元群體活動。

與先前的研究類似，研究團隊發現執行任務的小鼠的神經變化與其行為學習相關。然而，這些神經變化大多是在無獎勵暴露的小鼠身上復制的，這表明這些變化實際上是由于無監督學習造成的。其中，神經可塑性在內側高級視覺區域表現得最強，并且遵循視覺學習規則，而非遵循空間學習規則。

在執行任務的小鼠中，研究團隊在小鼠的前部高級視覺區域發現了獎勵預測信號的遞增現象，這可能與監督學習有關。依托這一神經科學結果，研究團隊預測無監督學習可能會加速后續的任務學習。

（來源：https://www.hhmi.org/scientists/marius-pachitariu）

可塑性源自小鼠對于刺激本身的直接響應

研究團隊在論文中寫道：在學習相關任務之后，對于小鼠視覺皮層中的大部分神經可塑性來說，其在無監督暴露于相同視覺刺激的小鼠中得到了復制。

而所發現唯一的例外存在于前視覺區域，該區域編碼了可能用于監督學習的獨特任務信號。為此，研究團隊在實驗中探究了在有監督學習和無監督學習的作用下，小鼠在學習發生前后多個視覺計算過程所呈現出的不同表現。

具體來說，研究團隊設計了一項視覺辨別任務，讓頭部固定的小鼠在線性虛擬現實通道中奔跑。小鼠需要區分兩條通道的視覺紋理模式，與此同時，這些通道以偽隨機順序重復出現。每條通道中的視覺圖案均取自自然紋理的大尺寸照片，并以“凍結”的裁剪方式獲得。為了簡單起見，研究團隊將刺激表示為“葉子”和“圓圈”。

（來源：Nature）

針對視覺刺激，研究團隊在不同類別間進行了空間頻率匹配，以便鼓勵小鼠在辨別過程中使用更加高階的視覺特征。在每次實驗之中，聲音提示會隨機地出現在通道內的任意位置，并且僅在獎勵試驗階段小鼠給出正確響應后才會提供水源。

經過大約 2 周的訓練，小鼠會在獎勵通道中表現出選擇性舔舐行為，這種舔舐發生在獎勵釋放之前的預期階段。在學習階段結束之后，研究團隊引入了無獎勵測試刺激物“leaf2”和“circle2”，這兩個刺激物源自相同照片的不同固定裁剪區域。

（來源：Nature）

隨后，研究團隊繼續使用無獎勵的“leaf2”進行訓練，直到小鼠停止針對這一刺激做出舔舐行為。此時，研究團隊引入了另一個測試刺激“leaf3”以及“leaf1”的空間隨機排列版本。結果發現，無監督組的小鼠也會在相同通道中奔跑相似的時間，但是不會獲得飲水獎勵，也不受到飲水限制。

研究團隊還對另一組小鼠進行了研究，這些小鼠在墻壁上帶有光柵的虛擬現實通道中奔跑。需要說明的是，他們僅將這些小鼠作為對照組，以用于展示單純暴露于虛擬現實環境的效果。為了確保所有小鼠均能獲得一致的視覺體驗，研究團隊設定了虛擬現實系統的運行規則：當小鼠奔跑速度超過閾值時，系統保持以固定速度運行的狀態；當小鼠奔跑速度低于閾值時，則會暫停虛擬場景的移動。學習前后的總體奔跑速度相似，任務組和無監督組之間的總體奔跑速度也相似。

需要說明的是，研究團隊僅將小鼠運動期間的時間點納入分析，由此排除了實驗小鼠通過停止奔跑以便獲取水獎勵的時間段。

在小鼠學習的前后，他們使用雙光子介觀顯微鏡同時記錄了多個視覺區域的大量神經群體活動，并針對這些數據運行了 Suite2p 程序，從而能在每次記錄中獲取 20,547 至 89,577 個神經元的活動軌跡。

（來源：Nature）

研究團隊針對每只小鼠的神經元計算了選擇性指數 d′，該指數的計算基于以下數據：在不同通道的多次試驗中，將小鼠處于奔跑狀態時的神經元反應分布進行匯總，并忽略空間位置差異。其中，d′ 值相對較高的神經元，在 leaf1 或 circle1 通道內的某些位置有著強烈反應。

（來源：Nature）

為了確定這些具有選擇性反應的神經元在小鼠腦組織中的具體分布位置，研究團隊通過將每次實驗記錄與預先計算的視覺皮層圖譜進行空間校準后，生成了能夠反映神經元位置的二維分布直方圖。借此發現，小鼠在學習之后內側視覺區域出現了許多選擇性神經元。

其中，在任務組和無監督組中，內側視覺區的區域均顯示出對自然圖像神經選擇性的相似變化；而在虛擬現實中暴露于光柵刺激的小鼠組則沒有出現這種變化。實驗期間，研究團隊沒有觀察到外側區域的變化，而前部區域僅僅在監督條件下受到調節。

與此同時，他們還在初級視覺皮層觀察到一些可塑性變化。具體來說：在無監督組中，初級視覺皮層的內側部分表現出選擇性的小幅下降；當按照刺激類型區分時，也能觀察到選擇性上的細微變化。

然而，具有選擇性的初級視皮層神經元的總體比例并未發生顯著變化，這與之前一些研究的既有相似之處也有不同之處。因此，對于神經可塑性在視覺區域的分布來說，大多不依賴于任務反饋或監督。

需要注意的是，任務組小鼠還必須學會獲取水分，以及理解“水、刺激信號、通道位置與聲音提示”之間的關聯關系。小鼠們在獎勵通道中也有著不同的表現，比如有的會在通道中停下、喝水，然后重新開始奔跑。

盡管在實驗中，小鼠的表現存在種種差異，但是這些腦區的神經可塑性變化模式與無監督學習組高度相似。這一結果表明，這些區域內的可塑性主要源自小鼠對于刺激本身的直接響應，而非其他干擾因素的影響。

預訓練后任務學習更快

為了測試小鼠在無監督訓練之后在神經可塑性的潛在功能，研究團隊先是假設這種可塑性有望讓動物更快地學習后續任務，即類似于無監督預訓練幫助人工神經網絡更快地學習監督任務。

基于此，研究團隊針對三組小鼠進行了一項行為研究。第一組的“無預訓練”小鼠接受了與上述任務小鼠類似的訓練，而第二組的“無監督預訓練”小鼠接受了 10 天的無獎勵虛擬現實跑步。第三組小鼠的設置與第二組小鼠基本相同，唯一區別在于虛擬現實預訓練階段使用的刺激是光柵圖案而非自然紋理。

（來源：Nature）

為了簡化獎勵學習任務，研究團隊采用了以下兩種方式：首先，將獎勵投放限制在獎勵通道的后半段即限制在獎勵區；其次，取消了聲音提示。

（來源：Nature）

與此同時，研究團隊還納入了一天帶有被動獎勵的初始訓練，以便鼓勵小鼠開始學習。結果發現，針對自然紋理進行無監督預訓練的小鼠通常能夠更快地完成這項任務。例如，小鼠在任務訓練的第一天開始時，會在兩條通道中無差別地舔舐，但在經過大約 10 次試驗之后，它就停止了在無獎勵通道中的舔舐行為。訓練到第 5 天的時候，這只小鼠僅在獎勵區的起始位置有選擇性地進行舔舐。相比之下，未進行預訓練或在光柵通道上進行預訓練的小鼠在主動訓練的第一天沒有能夠學會區分兩條通道。

5 天后，所有三組小鼠都具備了很高的辨別能力，但是第二組“無監督預訓練”的小鼠學習速度更快。此外，小鼠學習能力的提升大多發生在單個訓練階段內。

（來源：Nature）

研究團隊表示，經過預訓練的小鼠的辨別能力能夠得到提升，并非因為任務學習過程中的行為差異：所有三個組的小鼠在兩條通道中的舔舐位置相似，且進行的試驗次數也相近。

無監督的預訓練能幫助小鼠更快地學習監督任務

總的來說，本次研究證明對于皮質視覺區域的神經表征，無監督的預訓練會帶來實質性影響，并能幫助小鼠更快地學習監督任務。

無監督可塑性的主要區域可能是內側高級視覺皮層，因為這些區域所包含的表征能夠強烈地區分所學習到的刺激，并且無論小鼠是否經過任務訓練都會出現。盡管如此，哪怕在選擇性神經元的數量并未增加的情況下，小鼠在學習后其所有視覺區域都表現出了一些調諧上的變化。

最后，刺激的新穎性主要體現在初級視覺皮層和外側高級視覺區域的神經元反應中。研究團隊表示，這一研究結果可能與其他關于感覺皮層神經可塑性的報道有關。

在視覺皮層中，學習可導致更多神經元能夠區分已學習的刺激、能更好地分辨刺激的神經元或對已學習刺激反應更強烈的神經元；學習還能為神經元的視覺調諧增加情境依賴性，并且可使初級視覺皮層中的刺激表征正交化。這類變化通常被解釋為任務學習的結果，因為它們與任務表現密切相關。

然而，研究團隊的研究結果表明，這些變化也可能在沒有任務訓練的情況下發生。具體到初級視覺皮層，包括本次成果在內的許多研究都已表明其在選擇性和調諧方面存在變化，但部分研究也顯示選擇性神經元的數量有所增加，而包含本次研究在內的目前已有研究則并未觀察到這一現象。這種差異可能源于實驗任務的不同，或是由刺激響應的測量方式差異所導致。

與此同時，本次研究結果也可以與海馬體中的研究結果進行比較。盡管研究團隊已經表明皮層表征在本質上是視覺的而非空間的，但海馬體的表征仍有可能從其輸入中繼承一些視覺特性。因此，進一步區分同一回路中的空間學習和視覺學習可能是未來研究的一個有前景的方向。另一個頗具前景的研究方向是：為本次觀察到的神經變化尋找生理學基礎，并將其與經典學習法則或新規則相關聯。與此同時，還可以將無監督可塑性與無監督學習的經典理論和模型，以及自監督學習等方法聯系起來。

參考資料：

1.https://www.janelia.org/people/lin-zhong

2.Zhong, L., Baptista, S., Gattoni, R. et al. Unsupervised pretraining in biological neural networks.Nature(2025). https://doi.org/10.1038/s41586-025-09180-y

排版：劉雅坤