对《预测即将到来的刺激时无神经特征特异性预激活的证据》一文的回复

《Nature Communications》：Reply to: “No evidence of neural feature-specific pre-activation during the prediction of an upcoming stimulus”

　　

针对Abdoun等人于2026年在《Nature Communications》发表的评论，研究人员重新分析了其此前公开的数据集。Abdoun等人认为，可预测音调序列中不存在声音频率特异性信息的预期性预激活，其核心论点是声音转换方式——通常为相邻音调频率之间的转换——与解码偏差相混淆，这种偏差使得即使不涉及预测加工，有序序列的解码准确率也可能高于随机水平。Abdoun等人主要采用计算（理论零模型）和基于模拟（经验零模型）的方法支持该主张，后者通过对随机序列的时段进行重排以模拟有序序列，其重排程序是该主张的主要实证依据：通过系统性地重新排列随机序列使其越来越接近有序序列，并采用与Demarchi等人相似的解码方法，获得了与经验数据相似的预目标解码准确率参数变化。由于这些随机序列不包含对即将出现的声音的预测信息，作者由此得出结论，认为此前观察到的模式不能反映预期性预测活动。尽管这一模拟具有启发性，但研究人员指出，重排后的数据与真实数据存在显著差异——尤其在刺激呈现后——且重排过程可能在测试阶段无意中重复使用训练样本，从而可能虚高解码准确率。 尽管面临上述挑战，该批评仍提出了值得在原始研究的方法学限制内进行讨论的合理考量。然而，Abdoun等人进一步声称“基于Demarchi等人的开放数据集，没有证据表明人类听觉系统中存在特征特异性的预测相关神经活动”。但被其引用的研究（如Schubert等人2023年的工作）已引入替代分析框架，利用Demarchi范式的变化直接应对Abdoun等人提出的核心问题。通过同时应用两种方法，研究人员始终得出一致的结论。采用Schubert等人的分析方法，研究人员首先证明原始数据集同样包含特征特异性神经预激活的有力证据，这对该断言构成了挑战。此外，为将讨论从理论辩论推向深入，研究人员展示了新的实验数据，在组水平上控制了混淆问题，为听觉系统中存在特征特异性的神经预测性预激活模式提供了有力证据。最后，研究人员列出了非穷尽形式的未解决问题清单，并总结了通过与Abdoun等人开展此次宝贵讨论所获得的经验教训。

研究背景与意义

本研究是对Abdoun等人于2026年发表在《Nature Communications》上的评论文章的正式回复。此前，Demarchi等人（2019）的研究表明，人类听觉系统中存在自动且特征特异性的预测相关神经活动。然而，Abdoun等人对此提出质疑，认为在可预测的音调序列中，并未发现神经特征特异性的预激活证据。其核心论点在于，声音频率的转换通常局限于相邻频率，这种转换方式与解码过程中的固有偏差发生了混淆；即便不存在预测加工机制，这种偏差也足以导致有序序列的解码准确率高于随机水平。Abdoun等人通过构建计算零模型和模拟零模型来支持其观点，其中模拟零模型通过对随机序列的试次进行重排来模拟有序序列，并得出了与原始数据相似的参数变化模式。研究人员承认这一批评具有启发性，但也指出重排数据与真实数据在刺激呈现后存在显著差异，且重排过程可能导致训练样本的重复使用，从而人为抬高了解码准确率。更重要的是，Abdoun等人全盘否定了基于该数据集的特征特异性预测活动的存在，这与已被引用的后续研究结论相悖。因此，本研究旨在通过改进的分析方法和全新的实验数据，澄清争议，证实听觉系统中确实存在特征特异性的预测性神经预激活，相关成果同样发表于《Nature Communications》。

主要关键技术方法

研究人员采用了两种互补的策略。首先，应用了一种改良的双分类器框架（Dual-classifier framework）。该方法受Schubert等人工作的启发，分别训练自顶向下（Top-down）和自底向上（Bottom-up）的线性判别分析（LDA）分类器。训练仅使用非对角试次（即频率转换试次），排除了自我重复试次，从而规避了Abdoun等人指出的过渡偏差。测试时，将自我重复试次重新标记为预期的下一个音调，并在时间泛化（Time-generalized）模式下进行评估。其次，研究人员开展了一项全新的试点研究，招募了27名健康志愿者，使用脑磁图（MEG）记录神经活动。实验设计的关键创新在于，为每个参与者随机分配特定的有序序列，打破了频率位置与序列位置之间的系统性关联，从而在组水平上消除了解码偏差。

研究结果

替代方法探测声音频率特异性神经预激活模式

研究人员应用双分类器框架对原始数据集进行分析。结果显示，无论是自底向上还是自顶向下的神经模式，在刺激前的预期期内，均显示出随着序列有序性增加而增强的预激活效应，这验证并拓展了Demarchi等人（2019）的结论。特别地，自顶向下模式在刺激后表现出强烈的阳性效应，反映了对预测模式的激活。为了排除偏差干扰，研究人员使用Abdoun等人提供的代码对随机序列进行重排后再分析。结果显示，重排数据的效应模式与原始数据显著不同，甚至在自顶向下模式中出现了相反的趋势。这证明了新方法有效克服了原有偏差，且Demarchi数据集确实包含了清晰的预测相关神经活动证据。

展示特征特异性预期性听觉预测的新数据

为了从根本上解决争议，新的实验数据至关重要。在新的设计中，尽管每个参与者的任务是有序序列，但具体的频率顺序是随机分配的。当使用原始的分析方法（在随机序列上训练分类器，在有序序列上测试）时，结果依然显示刺激前的解码准确率随着序列规则性的增加而上升，完美复现了早期研究的模式。为了验证偏差是否被消除，研究人员回归分析了有序序列中对数频率与序列位置的关系。结果发现，斜率集中在零附近，特别是对于八音条件，89%的最高密度区间（HDI）几乎完全落在零的实用等价区域（ROPE）内，表明增加序列长度能有效控制组水平的偏差。

进一步考虑与建议

研究人员指出，虽然Abdoun等人的担忧在特定设计下是合理的，但本研究的替代分析和新数据强有力地反驳了其关于“无证据”的结论。未来的研究应采用更多的载波频率，并考虑在不同参与者甚至同一参与者内部改变转移矩阵。如果必须保留自然序列的时间自相关性（如平滑的音高过渡），则强烈推荐使用Schubert等人提出的分析框架。若仍需使用原始分析方法，必须评估并比较组间的解码偏差，确保组间差异源于神经处理机制的差异，而非偏差本身的不同。

总结与讨论

本研究通过严谨的方法学回应和新的实证数据，解决了关于听觉预测研究中解码偏差的争议。研究人员证实，尽管原始分析可能存在偏差，但特征特异性的预测性神经预激活是真实存在的。这项工作强调了在神经科学解码研究中，区分真实神经表征与分类器偏差的重要性，并为未来设计更稳健的实验范式和分析流程提供了宝贵的路线图。通过开放的科学讨论，研究不仅捍卫了原有的科学发现，还推动了整个领域对预测加工机制理解的深化。