神経集団符号の幾何学的安定性：領域変動、行動関連性、および回路依存性

要旨

現在の神経細胞集団における表現信頼性のモデルは、時間的安定性、すなわちセッションや日を超えて集団重心が保存されるか否かに焦点を当てている。この枠組みでは、基本的な疑問が未解決のまま残されている。それは、一セッション内での独立した観察間において、刺激間のペアワイズ距離構造がどの程度確実に再現されるかという問題である。我々は、この性質である幾何学的安定性が、既存の枠組みでは捉えられていない表現分析の独立した軸を構成すると論じる。幾何学的安定性を、分割半分表現非類似度行列間のスピアマンの順位相関（Shesha）として形式化し、これが時間的安定性およびデコード精度の両方から経験的に解離可能であることを示す。視覚弁別課題（Steinmetz et al., 2019）における68脳領域を網羅する229の領域-セッション観測において、幾何学的安定性は試行毎の神経-行動カップリングを予測するが（ρ=0.18、p=0.005）、重心ドリフトは予測しない（ρ=0.002、p=0.976）。領域階層では、線条体が最も安定（S=0.44）で海馬が最も不安定（S=0.19）であり、これは時間的安定性の階層とはおおよそ逆方向である。方向的に一致する嗅覚データ（Bolding & Franks, 2018）は、アトラクタネットワークモデルを動機づける。このモデルでは、再帰的興奮性結合が、疎なフィードフォワード入力から刺激パターンを完成させることにより、分割半分RDMの一致性を増幅し（ρ=+0.64、p=0.010）、幾何学的安定性が生じる回路レベルの説明を提供する。これらの結果は、幾何学的安定性を、時間的ドリフト測定とは直交し、再帰的結合が海馬回路における表現安定性と逐次ダイナミクスのバランスをとるという最近の説明を補完する、機能的に関連した回路依存的な神経集団コードの特性として確立する。

English

Current models of representational reliability in neural populations focus on temporal stability: whether population centroids are preserved across sessions and days. This framing leaves a fundamental question unanswered: how reliably does the pairwise distance structure among stimuli reproduce across independent observations within a session? We argue that this property, geometric stability, constitutes an independent axis of representational analysis that existing frameworks do not capture. We formalize geometric stability as the Spearman rank correlation between split-half representational dissimilarity matrices (Shesha) and show that it is empirically dissociable from both temporal stability and decoding accuracy. Across 229 area-session observations spanning 68 brain regions in a visual discrimination task (Steinmetz et al. 2019), geometric stability predicts trial-by-trial neural-behavioral coupling (ρ= 0.18, p = 0.005) while centroid drift does not (ρ= 0.002, p = 0.976). The regional hierarchy, with striatum most stable (S = 0.44) and hippocampus least (S = 0.19), runs roughly opposite to the temporal stability hierarchy. Directionally consistent olfactory data (Bolding \& Franks 2018) motivate an attractor network model in which recurrent excitatory coupling amplifies split-half RDM consistency by completing stimulus patterns from sparse feedforward input (ρ= +0.64, p = 0.010), providing a circuit-level account of how geometric stability emerges. These results establish geometric stability as a functionally relevant, circuit-dependent property of neural population codes, orthogonal to temporal drift measures and complementary to recent accounts of how recurrent connectivity balances representational stability with sequential dynamics in hippocampal circuits.