신경 집단 코드의 기하학적 안정성: 영역별 변이, 행동 관련성 및 회로 의존성

초록

현재 신경 집단에서의 표현 신뢰도 모델은 시간적 안정성, 즉 집단 중심이 세션과 날짜에 걸쳐 보존되는지 여부에 초점을 맞추고 있다. 이러한 틀은 근본적인 질문을 남겨둔다: 자극 간 쌍별 거리 구조가 세션 내 독립적 관찰에서 얼마나 신뢰롭게 재현되는가? 우리는 이 속성, 즉 기하적 안정성이 기존 프레임워크가 포착하지 못하는 표현 분석의 독립적인 축을 구성한다고 주장한다. 우리는 기하적 안정성을 분할-반분 표현 유사성 행렬 간의 스피어만 순위 상관계수(Shesha)로 정식화하고, 이것이 시간적 안정성 및 디코딩 정확도와 경험적으로 분리 가능함을 보여준다. 시각 변별 과제(Steinmetz et al., 2019)에서 68개 뇌 영역에 걸친 229개의 영역-세션 관찰을 통해, 기하적 안정성은 시행별 신경-행동 결합을 예측하는 반면(ρ=0.18, p=0.005), 중심 표류는 그렇지 않았다(ρ=0.002, p=0.976). 줄무늬체가 가장 안정적이고(S=0.44) 해마가 가장 덜 안정적인(S=0.19) 영역 계층 구조는 시간적 안정성 계층 구조와 대략 반대 방향으로 나타난다. 방향적으로 일관된 후각 데이터(Bolding & Franks, 2018)는 재귀적 흥분성 결합이 희박한 피드포워드 입력으로부터 자극 패턴을 완성함으로써 분할-반분 RDM 일관성을 증폭시키는(ρ=+0.64, p=0.010) 끌개 네트워크 모델을 동기부여하며, 이는 기하적 안정성이 어떻게 발생하는지에 대한 회로 수준의 설명을 제공한다. 이러한 결과는 기하적 안정성을 시간적 표류 측정과 직교하고 재귀적 연결성이 해마 회로에서 표현 안정성과 순차적 역학을 어떻게 균형 맞추는지에 대한 최근 설명을 보완하는, 기능적으로 관련 있고 회로 의존적인 신경 집단 코드의 속성으로 확립한다.

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.