人类大脑如何实时获知身体各部位的位置、姿态及运动状态，实现无须视觉监督的自如行动？这种感觉被称为本体感觉(proprioception)，它就像一种“第六感”，让我们无需时刻观察自己的肢体就能自由移动。

  本体感觉涉及一个复杂的传感器网络，这些传感器嵌入我们的肌肉中，将有关肢体位置和运动的信息反馈给我们的大脑。然而，人们对大脑如何将从肌肉接收到的不同信号组合在一起却知之甚少。

  如今，在一项新的研究中，瑞士洛桑联邦理工学院的Alexander Mathis及其团队通过探索我们的大脑如何创造一种连贯的身体位置和运动感来揭示这个问题。相关研究结果于2024年3月21日在线发表在 Cell 期刊上，论文标题为“Task-driven neural network models predict neural dynamics of proprioception”。

  Mathis教授指出：“普遍共识认为，感知系统应能有效利用环境的统计规律，这一观点已成功解释了视觉与听觉系统诸多特性。然而，将其拓展至本体感觉领域，我们需要首先明确肌肉内分布式传感器所传递信息的统计特性。”

  为此，这些作者利用肌肉骨骼建模来产生上肢的肌梭(muscle spindle)信号，从而生成一系列 “大规模、自然的运动清单(large-scale, naturalistic movement repertoire)”。然后，他们利用这些运动清单在 16 项计算任务上训练数千个“任务导向”神经网络模型，每项任务都反映了关于本体感觉通路(包括脑干和体感皮层的部分)进行计算的科学假说。

  这些模型共涵盖了16种不同的计算任务，以全面考察不同的神经网络架构与计算目标如何塑造对本体感觉信息的“类脑”编码。研究人员发现，那些在预测肢体位置和速度任务中接受训练的神经网络模型表现最为有效，这表明我们的大脑会优先整合分布式肌梭输入来理解身体运动和位置。

  图片来自Cell, 2024, doi:10.1016/j.cell.2024.02.036

  这项新的研究凸显了任务驱动建模在神经科学中的潜力。与直接预测神经活动的传统方法不同，任务驱动的神经网络模型可以让人们深入了解感官处理的基本计算原理。

  更重要的是，这项工作开辟了神经科学研究的新路径，深化对本体感觉处理机制的理解，有望推动神经义肢技术实现重大突破，使假肢使用者能够更为自然、直观地掌控假体。

  参考资料：

  Alessandro Marin Vargas et al. Task-driven neural network models predict neural dynamics of proprioception. Cell, 2024, doi:10.1016/j.cell.2024.02.036.

  Unraveling the 'sixth sense': New study explores how the brain senses body position and movement

  https://medicalxpress.com/news/2024-03-unraveling-sixth-explores-brain-body.html