Nature | “未感先动”：运动神经元如何未卜先知，让你快人一步
游离的DNA
生物探索
2025年11月3日 16:36
上海
引言
想象一个场景：你是一位经验丰富的足球守门员，正面临一场至关重要的点球大战。当对方球员助跑、起脚的瞬间，你并不会等到看清足球的精确轨迹才做出扑救动作，那早已为时已晚。相反，你的大脑会根据球员的身体姿态、眼神、习惯脚法等一系列线索，瞬间形成一个关于射门方向的“概率地图”。你的身体会提前紧绷，向概率最高的方向预先倾斜。这一刻，你不是一个被动的反应者，而是一个主动的预测者。
我们日常生活中充满了这样“预判”的时刻：预判楼梯的最后一级而调整步态，预判朋友递来水杯的重量而调整手部力量。长久以来，我们对大脑运动系统的理解，更多聚焦于它如何发起我们主动想做的动作。但我们的大脑是如何为那些由外界触发、需要我们回应的事件做准备的呢？它是否也会像守门员一样，在事件发生前就悄悄地进行“排练”？
10月29日，《Nature》的研究报道“Sensory expectations shape neural population dynamics in motor circuits”，为我们揭开了这层神秘面纱。研究人员通过一系列巧妙的实验和计算模型，为我们呈现了一幅震撼的图景：我们大脑的运动系统，远不止是一个单纯的指令“执行者”，它更像一位深邃的“预言家”，持续不断地对即将到来的感觉信号进行预测，并将这些“预言”转化为神经活动中的“预备姿态”，从而让我们能够以惊人的效率与这个变幻莫测的世界互动。这项研究不仅回答了“是什么”，更深入探讨了“为什么”和“怎么样”，带领我们一窥大脑进行高效感觉-运动整合的底层逻辑。
会“思考”的反射：当大脑皮层介入本能反应
要探究大脑如何为“意外”做准备，我们首先需要一个能够量化“意外”和“准备”的实验平台。研究人员设计了一个非常巧妙的人体实验。他们邀请了20名健康的参与者坐进一个名为KINARM的外骨骼机器人系统中。这个设备可以精确地追踪参与者的手臂运动，并能对他们的肘关节施加精确的机械力，也就是一种可控的“扰动”(Perturbation)。
实验开始了。参与者需要将手保持在一个中心目标点上。屏幕上会给出一个视觉线索：一个由两个箭头组成的圆形提示，这两个箭头的大小直观地表示了接下来手臂肘关节将被“推向屈曲”或“推向伸展”的概率。例如，一个巨大的“伸展”箭头和一个微小的“屈曲”箭头，意味着有极高的可能性（比如 100%）会发生一次让肘部伸展的扰动。反之亦然。还有一些情况是 50%/50% 或者 75%/25%，代表了不同程度的不确定性。在一段短暂且不可预测的延迟后，机器人会根据预先提示的概率，随机施加一个方向的力。参与者的任务是：在感受到这个扰动后，尽快、尽可能准确地将手移回一个较大的目标区域。
这个设计的核心在于，它将一个抽象的“期望”(Expectation)，也就是对未来感觉输入的概率预测，转化为了一个可以精确控制的变量。现在，关键问题来了：当参与者“预料”到手臂很可能被往外推时，他们的大脑和身体会发生什么变化？
首先，行为数据给出了最直观的答案。当参与者 100%确定扰动方向时，他们能最快、最有效地抵消扰动 带来的位移。而当扰动发生的概率较低时（例如，在预期75%屈曲的情况下，却发生了25%概率的伸展），他们的手臂会被推得更远，纠正动作也更慢。这种行为上的“渐变模式”(graded manner)清晰地表明，参与者确实利用了概率线索来调整他们的应对策略。
但这仅仅是冰山一角。更有趣的发现隐藏在肌肉的电活动中。研究人员使用表面肌电图(electromyography, EMG)记录了参与者肱二头肌的活动。当手臂被意外拉伸时，肌肉会产生一种名为“牵张反射”(stretch reflex)的保护性收缩。这种反射有两个关键组成部分：
1. 短潜伏期反射(Short-latency reflex, SLR)：发生在肌肉被拉伸后约 20-50毫秒，这是一个由脊髓直接调控的快速、自动的反应，就像膝跳反射一样，几乎不受大脑皮层的直接影响。
2. 长潜伏期反射(Long-latency reflex, LLR)：发生在约 50-100毫秒后，这个反射的信号需要“长途跋涉”到大脑皮层（特别是运动皮层）再返回到肌肉，因此它被认为是受大脑高级中枢调控的。
实验结果令人震惊。无论概率提示是什么，所有参与者在扰动发生后的短潜伏期反射（SLR）强度都基本相同。这说明，大脑的“期望”并没有预先去调整脊髓这个最底层的“硬件”设置。然而，在长潜伏期反射（LLR）的窗口期，奇迹发生了：肌肉的反应强度与之前提示的概率呈现出完美的正相关！当参与者预期有100%的概率发生伸展时，他们的肱二头肌在LLR阶段产生了最强的收缩反应。当预期概率降至75%、50%、25%时，反应强度也随之逐级减弱。
这是一个极其关键的证据。它第一次清晰地将抽象的“感觉期望”与一个受大脑皮层调控的特定神经回路，跨皮层反馈通路(transcortical feedback pathway)，直接联系了起来。这不再是模糊的“准备状态”，而是一个可以被精确测量的、由期望驱动的神经生理信号。大脑并没有让整个系统都进入“战备状态”，而是巧妙地将准备信号“储存”在更高级的运动皮层中，等待合适的时机，以一种更灵活、更智能的方式介入。
那么，这个存在于皮层中的“期望”信号，在神经元层面究竟是什么样子的？为了回答这个问题，我们需要更进一步，直接“聆听”大脑中神经元的交谈。
解码运动皮层的“悄悄话”：神经元如何给未来打分
人类实验有力地证明了运动皮层的参与，但要真正理解其工作机制，我们必须深入到单个神经元的活动层面。为此，研究人员训练了两只猕猴来完成一个与人类实验非常相似的任务。这使得他们能够使用先进的“神经像素探针”(Neuropixels probes)，一种能够同时记录成百上千个神经元活动的高密度电极，来监听大脑多个核心区域的“神经交响乐”。
他们重点关注了四个与运动控制和决策密切相关的脑区：
初级躯体感觉皮层(Primary somatosensory cortex, S1)：负责处理来自身体的触觉、压觉等感觉信息的“第一站”。
初级运动皮层(Primary motor cortex, M1)：向脊髓发出运动指令的“总指挥部”。
背侧前运动皮层(Dorsal premotor cortex, PMd)：参与运动规划和准备的关键区域。
背外侧前额叶皮层(Dorsolateral prefrontal cortex, dlPFC)：与决策、工作记忆等高级认知功能相关。
当猴子看到不同概率的视觉线索，并等待扰动发生时，这些脑区的神经元在“想”什么呢？
为了从数千个神经元复杂混乱的放电活动中梳理出有意义的信息，研究人员使用了一种强大的数据分析技术，称为“解混淆主成分分析”(demixed Principal Component Analysis, dPCA)。你可以把它想象成一个超级智能的“混音师”。一场交响乐中，各种乐器（神经元）的声音混杂在一起，dPCA能够巧妙地将代表“概率信息”的旋律、代表“扰动方向”的和弦，以及代表“时间流逝”的节奏等不同维度的信号分离开来，让我们能清晰地听到每一个主题。
分析结果清晰地勾勒出了一幅大脑内部的分工图：在准备阶段（看到线索之后，扰动发生之前），一个编码“概率期望”的神经信号赫然出现。这个信号在背侧前运动皮层（PMd）中出现得最早、最强，随后在初级运动皮层（M1）中也逐渐增强。相比之下，作为感觉输入门户的初级躯体感觉皮层（S1），在这个阶段几乎是“沉默”的，它对未来的概率预测表现得漠不关心。
更令人惊叹的是这些“期望信号”在神经活动空间中的几何结构。当研究人员将数千个神经元的集体活动投射到一个低维空间时，他们发现，对应五种不同概率的神经活动，形成了五个泾渭分明、且排列有序的“状态簇”。100%伸展和100%屈曲的神经活动状态相距最远，而75%、50%、25%这些混合概率的状态，则精确地排列在这两个极端之间的路径上。这种简单而优美的线性编码方式，意味着大脑运动系统用一种极其高效的方式来表征不确定性——期望的强度直接对应于神经活动状态空间中的“距离”。
为了进一步确认这种“期望信号”的广泛性，研究人员在其中一只猴子身上，将记录范围扩大到了更深层的脑区，包括与运动协调密切相关的丘脑(Thalamus)的几个核团，以及大脑内侧壁的辅助运动区(Supplementary motor area, SMA)。结果再次印证了此前的发现：在与运动相关的丘脑核团(VLa, VLpd)和SMA中，都存在着强烈的概率期望信号。然而，在丘脑中负责传递初级感觉信息的核团(VPL)，则和S1一样，几乎没有表现出任何准备活动。
这再次强调了一个核心观点：对未来感觉输入的预期，不是由感觉系统本身来准备的，而是由运动系统主动“建模”和“预演”的。感觉系统更像一个忠实的“信使”，负责在事件发生时传递信息；而运动系统则是一个运筹帷幄的“将军”，早已根据情报（概率线索）部署好了不同的兵力（神经准备状态）。
那么，这种神经层面的“排兵布阵”真的能影响最终的“战局”吗？研究人员通过分析单次试验中的神经活动与行为的关联，给出了肯定的回答。他们发现，在扰动发生前，M1和PMd中“期望信号”的强度，能够显著预测猴子在扰动发生后最初150毫秒内的手臂运动速度。这意味着，神经准备状态的微小波动，会直接转化为行为上的差异。这为“感觉期望塑造运动反应”这一假说提供了坚实的神经-行为关联证据。
经验的烙印：当大脑在没有提示时悄然学习
到目前为止，我们看到的都是大脑如何利用明确的外部线索（视觉提示）来形成期望。但在现实世界中，许多期望是我们在与环境的互动中，通过经验逐渐学习和积累的。比如，你反复拿起一个看起来很轻但实际很重的杯子，几次之后，你的大脑就会自动更新对它的重量预期。
那么，我们大脑的运动系统是否也能通过“经验”来积累这种感觉期望呢？研究人员设计了实验的第二个版本——“适应性实验”(Adaptation experiment)。在这个实验中，猴子会经历两种交替出现的试验模块：一种是和之前一样的“视觉提示模块”，另一种是“适应性模块”。在适应性模块中，屏幕上不会出现任何概率提示，但实际的扰动会以一个固定的概率（例如，75%的概率伸展，25%的概率屈曲）持续出现。
这相当于给大脑出了一道“推理题”：你能在没有任何线索的情况下，仅凭一次次的“体验”，自己摸索出潜在的扰动规律吗？
答案是肯定的。猴子的行为数据显示，在进入适应性模块后的大约10到20次试验内，它们的反应行为就逐渐调整到了与该模块隐藏的概率相匹配的模式。这表明，它们的大脑确实在悄然学习和适应环境的统计规律。
更关键的问题是，这种内隐学习到的期望，是否也以同样的方式编码在运动皮层中呢？研究人员再次分析了神经数据，结果发现，在适应性模块中，PMd和M1再次成为了主角。随着试验次数的增加，一个代表着“习得概率”的神经信号，在这两个脑区中也逐渐浮现并增强。其神经表征的形式，与视觉提示模块中观察到的高度相似。
这个发现意义重大。它揭示了运动系统中感觉期望的两种形成通路：一种是依赖于外部明确指令的“快速通道”，另一种则是通过内部经验积累的“慢速通道”。而像PMd和M1这样的核心运动脑区，似乎是这两条通路的共同交汇点。它们不仅能“听懂”高级认知脑区传来的指令，也能“学会”从与环境的互动中提取统计规律，并将这两种信息都转化为一种统一的、可供快速调用的神经准备状态。这展示了运动系统在适应性和学习能力上的惊人之处。
虚拟大脑的启示：高效预测背后的“警报”信号
我们已经看到，大脑运动系统能够基于期望进行准备，并且这种准备能提升行为表现。但从计算的角度来看，这个系统为何如此设计？它高效运作的背后，是否存在着某些关键的、不可或缺的要素？
为了探究这些深层次的计算原理，研究人员转向了计算神经科学，他们使用了一个名为“MotorNet”的开源工具箱，构建了一个“虚拟大脑”，一个由循环神经网络(Recurrent Neural Network, RNN)控制的、模拟真实手臂和肌肉生物力学特性的闭环模型。
他们让这个虚拟模型像人类和猴子一样，执行相同的概率期望任务。通过成千上万次的训练，神经网络模型逐渐学会了如何根据概率线索来优化其对扰动的反应。令人惊讶的是，当研究人员用dPCA分析这个训练好的模型的内部“神经活动”时，他们发现了与猴子大脑中几乎如出一辙的神经几何结构，一个清晰的、按概率大小线性排列的“期望维度”。
这个虚拟模型的成功，本身就是对生物学发现的有力支持。但它的真正价值在于，研究人员可以像“上帝”一样，对它的内部机制进行随意的“手术”和“修改”，从而测试各种假设。
首先，他们进行了一项“虚拟脑损毁”实验。他们选择性地“沉默”了模型中代表概率期望的那个神经维度，即在不改变网络其他部分的情况下，强制将这个维度上的所有活动清零。结果，模型虽然仍能对扰动做出反应，但其行为中所有与概率相关的渐变效应都完全消失了。这从因果层面证实了，正是这个“期望维度”的神经活动，驱动了整个系统的预测性行为。
接下来，研究人员进行了最关键的一项探索。他们注意到，在真实的生物系统中，感觉信号的传递是需要时间的。从手臂受到冲击，到信号传递到大脑，存在着几十毫秒的延迟。大脑是如何在这种延迟下，依然能做出快速反应的呢？
在最初的模型设计中，研究人员不仅给了模型关于扰动方向的本体感觉反馈，还额外给了一个非常简单的、不包含任何方向信息的“条件无关信号”(condition-independent signal)。这个信号就像一个纯粹的“警报”，它只在扰动发生的瞬间，告诉模型“有事发生！”，但并不说明发生了什么事。这个设计的灵感来源于他们在猴子大脑S1和VPL中观察到的一个现象：在扰动发生后，这些初级感觉区域会产生一个非常快速、强烈、但对扰动方向不敏感的神经响应。
现在，研究人员开始“操纵”这个警报信号的传递时间。他们发现，当这个警报信号在扰动发生后 20毫秒 左右到达模型时，模型能最有效地利用预先准备好的期望信息，产生高效的校正动作。然而，如果他们将这个警报信号的延迟增加到 50毫秒 以上，那么预先准备的“期望”就几乎变得毫无用处，模型的行为优势也随之消失。
更引人深思的是，如果他们完全移除这个警报信号，只给模型提供包含方向的、但有延迟的本体感觉信息，那么模型虽然最终也能学会完成任务，但它无法发展出基于概率期望的预测性准备策略。这一系列模型实验揭示了一个深刻的计算原理：大脑的预测性运动控制，依赖于一个“两步走”的信息处理策略。
1. 准备阶段：运动系统基于期望，预先设置好一个最有可能的“默认应对方案”（体现在“期望维度”的神经活动上）。
2. 执行阶段：一个快速、模糊的“警报”信号（条件无关信号）充当了“发令枪”。它一旦抵达，就会立即触发这个默认方案，让身体先动起来。随后，更精确、但更慢的定向感觉信息到达，再对这个初始动作进行微调和修正。
这是一种在信息不完全和存在延迟的情况下，所能采取的近乎最优的策略。大脑并非等待所有信息都明朗后才行动，因为它等不起。它选择相信自己的“预言”，并由一个最简单的触发器来启动预案。这正是我们能在复杂多变的环境中如此敏捷、高效地行动的秘密。
重塑我们对运动控制的理解：从“执行者”到“预言家”
这项研究，照亮了我们过去知识体系中的一个盲区，深刻地重塑了我们对大脑运动控制的理解。
过去，我们常常将运动皮层视为一个忠实的“执行者”，它接收来自更高级认知区域的指令，然后将其翻译成肌肉收缩的命令。但这项工作有力地证明，运动系统本身就是一个积极的、充满智慧的“预言家”。它不仅规划和执行我们“想做”的动作，更在持续不断地对外部世界可能施加于我们身体的“感觉后果”进行建模和预测。
研究揭示的“期望编码”的简单线性几何结构，展现了大脑在表征不确定性信息时的高度效率。而对“条件无关”警报信号的依赖，则为我们解释了大脑如何在与生俱来的信息传递延迟下，依然能够实现快速、灵活的反馈控制，这为“最优反馈控制理论”(Optimal Feedback Control Theory)提供了坚实的神经基础。
此外，研究结果也为我们思考一些神经系统疾病提供了新的视角。例如，在帕金森病或小脑共济失调等疾病中，患者不仅在主动发起运动时遇到困难，他们调整和适应外部扰动的能力也显著下降。这是否与他们大脑运动系统内形成和利用感觉期望的能力受损有关？未来的研究或许可以从这个角度切入，开发出新的诊断和康复策略。
最终，这项研究引领我们回到了那个古老而迷人的哲学命题：我们的大脑，究竟是在被动地感知世界，还是在主动地创造我们对世界的“实相”？从运动控制这个最基本的层面来看，答案似乎愈发清晰。我们的大脑并非一块等待外界信息输入的“白板”，而是一个永远在主动提问、主动预测、主动构建模型的“引擎”。我们每一次看似简单的互动，每一次灵巧的闪避，每一次精准的抓握，背后都凝聚着大脑这位深邃“预言家”无数次的无声计算。而正是这种生生不息的预测，才让我们得以在这个充满不确定性的世界里，舞出如此优雅而精准的生命之蹈。
参考文献
Michaels JA, Kashefi M, Zheng J, Codol O, Weiler J, Kersten R, Lau JC, Gribble PL, Diedrichsen J, Pruszynski JA. Sensory expectations shape neural population dynamics in motor circuits. Nature. 2025 Oct 29. doi: 10.1038/s41586-025-09690-9. Epub ahead of print. PMID: 41162709.