運動野における複雑なエンコーディングと単純なデコーディングのメカニズムの発見

核心概念

運動野の神経活動には行動関連信号と行動非関連信号が混在しており、行動関連信号の抽出が困難であった。しかし、本研究で提案した手法により、行動関連信号を正確に抽出することができ、それにより運動野の複雑なエンコーディングと単純なデコーディングのメカニズムが明らかになった。

要約

本研究では、運動野の神経活動から行動関連信号と行動非関連信号を正確に分離する新しい手法を提案した。この手法を用いて、以下の知見を得た:

行動非関連信号は神経活動の大部分を占め、神経次元全体に均等に分布している。これにより、行動関連信号の解析が困難になっていた。

従来見過ごされていた弱い線形チューニングを示す神経細胞や小分散主成分で構成される信号が、実は複雑な非線形的に行動情報をエンコーディングしていることが明らかになった。これらの信号は運動制御の冗長性を支えており、行動が予想以上に高次元の神経空間に分布していることを示唆している。

小分散主成分の信号は線形デコーダでは捉えきれない非線形情報を含んでいるが、大分散主成分の信号と組み合わせることで線形デコーダの性能を大幅に向上させ、特に低速度の運動制御に寄与していることが分かった。

行動非関連信号の除去により、線形デコーダが非線形デコーダと同等の性能を発揮することが明らかになった。これは、運動野が線形のreadoutメカニズムを採用している可能性を示唆している。

以上の結果から、運動野では複雑なエンコーディングが行われているものの、最終的な出力は単純な線形readoutによって生成されていることが明らかになった。

統計

弱い線形チューニングを示す神経細胞の好みの方向は、行動関連信号と非関連信号の間で大きく異なる。
行動関連信号の分散は非関連信号に比べて少ない次元で説明できる。
行動関連信号の分散は非関連信号に比べて偏りが大きい。
小分散主成分で構成される信号は、線形デコーダでは捉えきれない非線形情報を含んでいる。
小分散主成分の信号を大分散主成分の信号に加えることで、線形デコーダの性能が大幅に向上する。特に低速度の運動制御に寄与している。

引用

"弱い線形チューニングを示す神経細胞は、実は複雑な非線形的に行動情報をエンコーディングしている"
"小分散主成分の信号は線形デコーダでは捉えきれない非線形情報を含んでいる"
"行動関連信号と行動非関連信号は互いにほぼ直交しており、相関が低い"

抽出されたキーインサイト

Revealing unexpected complex encoding but simple decoding mechanisms in motor cortex via separating behaviorally relevant neural signals

by Li,Y., Qi,Y.... 場所 www.biorxiv.org 11-13-2022

https://www.biorxiv.org/content/10.1101/2022.11.13.515644v6

深掘り質問

運動野以外の脳領域でも同様の複雑なエンコーディングと単純なデコーディングのメカニズムが存在するのだろうか?

本研究において示されたように、運動野において複雑なエンコーディングと単純なデコーディングのメカニズムが存在する可能性があります。他の脳領域においても同様のメカニズムが見られるかどうかは、その脳領域が担当する機能やタスクによって異なります。一部の脳領域では、複雑な情報が複数のニューロンによってエンコードされ、それが単純な方法でデコードされる可能性があります。これは、情報処理の効率性や信号の伝達速度を最適化するために進化的に発展してきた可能性があります。したがって、他の脳領域においても同様のメカニズムが存在する可能性がありますが、具体的な研究が必要です。

行動非関連信号の生成メカニズムはどのようなものなのか?また、それらの信号が運動制御にどのように関与しているのか?

行動非関連信号の生成メカニズムは、通常、行動に直接関連しない情報やノイズなどが含まれることがあります。これらの信号は、運動制御において不要な情報や干渉要因として機能する可能性があります。例えば、他の脳領域からの信号や周囲の環境からのノイズが行動非関連信号として作用することがあります。これらの信号が運動制御にどのように関与しているかは、主に情報処理や信号伝達の複雑さに影響されます。行動非関連信号が運動制御に影響を与える場合、それは運動パフォーマンスや運動計画の精度に影響を及ぼす可能性があります。

本研究の知見は、BMIの開発などの応用分野にどのように活かすことができるだろうか?

本研究の知見は、脳機能の理解や脳-機械インターフェース（BMI）の開発などの応用分野に重要な示唆を与える可能性があります。具体的には、運動制御や運動計画における脳内メカニズムの理解を深めることで、BMI技術の改善や新たな応用の開発に貢献することが期待されます。また、行動非関連信号の影響を排除する手法や適切な信号抽出手法の開発は、BMIの信頼性や精度向上に役立つ可能性があります。さらに、本研究で提案されたフレームワークや手法は、他の脳領域や異なるタスクにも適用可能であり、脳機能の解明や臨床応用に新たな展望をもたらすことが期待されます。