一项发表于《自然·神经科学》的研究开发了一种线性-非线性子空间模型，该模型通过将CNN输出相对于输入的梯度进行降维，识别出CNN捕获的最具信息量的感觉维度。研究使用在雪貂听觉皮层记录的单神经元数据训练CNN，发现局部神经群体的响应稀疏地覆盖了一个共享的刺激子空间。编码特性也因细胞类型和皮层层次而异，反映了它们在皮层回路中的位置。这些结果建立了一个解释基于深度学习的编码模型的框架。

研究背景与意义

卷积神经网络提供了强大的神经感觉编码模型，但其复杂性使得辨别支持其性能的计算变得困难。为了解决这一限制，本研究开发了一种线性-非线性子空间模型，该模型识别了CNN捕获的最具信息量的感觉维度。分析训练好的模型表明，局部神经群体的响应稀疏地覆盖了一个共享的刺激子空间，编码特性因细胞类型和皮层层次而异。

主要发现与方法学创新

研究通过记录雪貂听觉皮层在自然声音刺激下的单神经元活动，训练了CNN模型。通过将CNN“展平”为低维子空间，研究揭示了神经元如何非线性地组合声音特征。主要发现包括：1）局部神经元群体共享一个低维编码子空间，但单个神经元在该子空间内稀疏地覆盖不同区域，形成高效的群体编码；2）抑制性（窄棘波）神经元的感受野更大，且其非线性调谐曲线更可能呈对称的“U”形或倒“U”形，而兴奋性神经元则更倾向于非对称调谐；3）皮层浅层的抑制性神经元之间子空间相似性更高，提示其在局部回路中可能具有更统一的信号处理功能。

参考文献

(2026). Convolutional neural network models describe the encoding subspace of local circuits in auditory cortex. Nature Neuroscience, 29, 876–887. DOI: 10.1038/s41593-026-02216-0

该研究通过训练卷积神经网络（CNN）模型来预测雪貂听觉皮层神经元对自然声音的反应，并开发了一种“展平”技术，将复杂的CNN转化为一个低维的、可解释的线性-非线性子空间编码模型。研究揭示了局部神经群体共享一个刺激子空间，但通过非线性感受野稀疏地覆盖该空间以实现高效编码，并发现了兴奋性与抑制性神经元在子空间调谐特性上的差异。研究团队来自俄勒冈健康与科学大学等机构。