抽象的表象は、脳が異なる経験にまたがって共通する構造を抽出し、個々の状況を超えて知識を汎化することを可能にする。先行研究では、表象の幾何学が抽象化を支える上で重要な役割を果たすことが示されてきたが、どのようにニューロン集団の構成がこのような汎化可能な表象を生み出すのかはいまだ明らかでない。ここでは、制御された計算モデルとヒト海馬の単一ニューロン記録の解析を組み合わせることで、ニューロン選択性が抽象的表象の出現にどのように寄与するかを調べた。まず、課題関連情報を増やすことだけで文脈をまたぐ汎化が向上するかどうかを検証するために、人工ニューラル集団の構成を操作した。刺激選択性および応答選択性をもつニューロンの数を増やすと符号化の強度は高まったが、文脈間での汎化は改善しなかった。これに対して、カテゴリー選択性をもつニューロンを導入すると文脈間汎化が増大し、抽象化にとっては集団が表す情報の種類が重要であることが示された。ヒト海馬ニューロンの解析でも同様の原理が確認され、カテゴリー様ニューロンと同一性様ニューロンは刺激符号化の増加を同程度に生み出したが、カテゴリー様ニューロンの方が文脈間汎化の改善を大幅に強めた。さらに解析を行うと、カテゴリー様ニューロンは集団の幾何学を再形成することで抽象化に影響を与えることが分かった。具体的には、カテゴリーに関係する分離の強度ではなく、文脈間でのカテゴリー軸の整列が、汎化と最も強く結びつく幾何学的性質であった。媒介分析はさらに、カテゴリー様ニューロンは、文脈間での幾何学的整列を高める能力を通じて、主として抽象化に寄与することを示した。これらの知見は、ニューロン選択性を抽象的計算へと結びつける集団レベルのメカニズムを明らかにし、柔軟な汎化は単に神経情報量を増やすことだけでなく、変化する条件下でも課題に関係する関係を保持する幾何学へと情報を整理することに依存することを示唆する。
https://doi.org/10.64898/2026.08.25.746980