跨脑区通信不再被局部活动淹没：优先学共享动态，还能指出非线性落在哪一段

跨脑区建模现在可以先把共享动态挑出来，再谈非线性。 此前的跨区模型要么不优先提取共享动态，要么把全部参数限制为线性，无法同时满足优先化与非线性两项要求。 在猕猴S1与M1、大鼠CA1与CA3共四组区域对上，CroP-DYNO在多个潜状态维度上预测目标群体活动的表现均优于非优先化的非线性RNN模型和优先化的线性模型CroP-LDM。

模型能把非线性定位到具体部件，而不是笼统地说整体是非线性的。 全线性或全非线性的模型无法区分非线性究竟出现在共享潜动态的演化里，还是出现在潜状态到目标活动的映射里。 在感觉运动数据中，只把共享潜状态到目标活动的映射设为非线性，即可达到与灵活选择非线性配置相当的预测精度；在海马数据中，跨区交互的非线性可落在映射或潜动态上，而CA1与CA3内部的定位各不相同。

交互强度可以量化，并与已知解剖方向对上。 直接预测精度受目标群体噪声和自身可预测性影响，不能跨目标比较交互强弱。 用偏R²衡量源群体在目标自身可解释方差之外的贡献后，M1→S1强于S1→M1，CA3→CA1略强于反向，且CA3内部交互最强，分别与感觉运动投射和Schaffer侧支通路、CA3 recurrent回路的已知解剖一致。

方法在猕猴S1–M1运动任务与大鼠CA1–CA3工作记忆任务的同时记录上得到验证，覆盖跨区与区内两类交互，推理阶段只需源脑区活动即可估计共享潜状态。非线性定位停留在模型层面，指出的是非线性结构在何处最有助于预测跨群体活动，而非直接指认神经环路中的生物来源。

文中明确说明，因果滤波只保证源活动在时间上先于目标活动，所得交互强度反映相关而非功能因果，共享输入或共同任务变量也可能产生同样的预测关系。作者提出可用电刺激或光遗传等扰动实验检验这些假设，并把扩展到多群体、非平稳交互与其他神经模态列为后续方向。