皮层状态对早期视觉皮层神经元反应变异性的影响：一种系统识别方法

《PLOS Computational Biology》：Cortical state contributions to neuronal response variability in the early visual cortex: A system identification approach

本研究通过记录猫视觉皮层17和18区神经元活动，结合局部场电位（LFP）和多单位活动（MUA）信号，构建了包含刺激驱动和皮质状态驱动的卷积神经网络模型。结果表明，考虑皮质状态波动（如LFP和MUA的时空滤波）能显著提高模型预测神经元响应的准确性（方差解释率VAF提升），尤其在响应方差大的神经元中效果更明显（VAF提升中位数达40%）。同时，该模型有效改善了视觉感受野的估计质量，验证了皮质状态对单神经元活动的动态影响。

　　在早期的视觉皮层中，神经元对视觉刺激的多个特征具有选择性反应，但在重复呈现相同刺激时，它们的反应往往存在显著的不一致性。这种试次间反应的变异通常被当作随机噪声处理，通过简单的试次平均来获得刺激驱动的反应信号。然而，越来越多的研究表明，这种反应变异可能主要来源于非感官因素，尤其是大脑皮层状态的变化。本文通过记录和分析猫的视觉皮层（特别是17和18区）中神经元对自然图像的反应，以及局部群体神经信号（如局部场电位LFP和多单元活动MUA），揭示了这种反应变异与大脑状态之间的关系。

为了更好地理解这种反应变异，研究人员提出了一种紧凑的卷积神经网络模型，包含并行路径：一条用于捕捉刺激驱动的活动，另一条用于捕捉大脑状态驱动的反应变异。刺激驱动路径由空间时间滤波器、参数化整流线性单元（PReLU）和高斯映射组成，而大脑状态驱动路径则通过针对MUA和LFP的时域滤波器来提取大脑状态相关的信号。该模型的参数被优化以最大程度地预测单个神经元的放电行为。进一步的评估显示，当模型中包含大脑状态信息时，估计的神经元感受野的预测准确率和定性改善均显著优于仅依赖刺激驱动路径的模型。

研究发现，对于反应变异较大的神经元，大脑状态驱动路径的引入带来了更大的预测性能提升。这表明，不同神经元在反应变异的来源和程度上存在显著差异，这种差异可能源于它们对大脑状态变化的敏感性不同。该研究不仅展示了如何通过结合大脑状态信号和视觉刺激处理路径来更准确地预测单个神经元的反应，还为理解视觉皮层神经元如何在不同的大脑状态背景下处理视觉信息提供了新的视角。

实验过程中，研究人员使用了32通道的多电极探针进行记录，并通过Matlab和Python工具进行数据处理和模型训练。为了排除可能的信号污染，他们特别注意了MUA和LFP信号的来源，确保这些信号来自不同通道，以避免与被记录神经元的放电信号混淆。在处理过程中，对信号进行了低通滤波、去噪和高通滤波等步骤，以提取LFP和MUA信号的有效信息。

为了量化试次间的反应变异，研究人员引入了“变异比（VR）”这一指标，用于衡量神经元在不同试次中的反应差异。此外，他们还使用了全局波动指数（GFI）和同步性指数（SI）来衡量大脑状态的动态变化。GFI基于MUA信号计算，而SI则基于LFP信号。这些指标可以帮助研究人员识别大脑状态的波动，并评估其对神经元反应的影响。

模型的预测性能通过计算“方差解释率（VAF）”来评估，该指标反映了模型在预测神经元反应方面的准确性。研究发现，当模型中包含大脑状态信息时，VAF值显著提高，尤其是在反应变异较大的神经元中，这种提升更为明显。这表明，大脑状态的变化对某些神经元的反应有更大的影响，而这些影响在传统的仅基于刺激驱动的模型中未被充分考虑。

在分析模型的参数时，研究人员发现，不同神经元的LFP和MUA时域滤波器具有不同的特征。这表明，不同神经元对大脑状态变化的响应可能依赖于它们所处的神经网络环境和所处的皮层层。例如，某些神经元可能对低频LFP信号更为敏感，而另一些则对高频MUA信号更为敏感。这种神经元特异性反映了大脑状态变化在不同神经元中的不同作用机制。

此外，研究人员还探讨了大脑状态信号在不同数据集中的表现。结果显示，即使是在同一数据集中同时记录的神经元，它们的反应变异也存在显著差异。这种差异提示我们，大脑状态对神经元反应的影响是高度个体化的，不能简单地用一个统一的模型来描述。

在讨论部分，研究者提到，尽管他们的模型在一定程度上能够解释神经元的反应变异，但仍有部分变异未被完全捕捉。这可能与神经元内部的固有噪声有关，例如细胞内、电化学和突触噪声。这些噪声在不同神经元之间的相关性较低，因此可能对整体预测性能的影响较小。此外，研究还指出，大脑状态信号的引入可能有助于更好地理解神经元在不同行为状态下的反应特性，例如在清醒状态和麻醉状态下神经元反应的不同表现。

为了进一步提高模型的预测能力，研究者考虑了不同的模型架构，包括更复杂的结构，如包含更多滤波器或滤波层的深度神经网络。然而，这些方法可能会带来额外的模型参数，增加优化的复杂性和模型的可解释性。因此，他们选择了一种相对简单但有效的模型，能够捕捉大脑状态和刺激驱动反应之间的相互作用。

研究还指出，大脑状态信号可能在不同的神经元中扮演不同的角色。例如，某些神经元可能对低频LFP信号更为敏感，而另一些则可能对高频MUA信号有更强的反应。这种多样性反映了大脑状态变化对神经元反应的复杂影响，可能涉及不同的神经网络机制。

总体而言，这项研究通过引入大脑状态信号，提高了对视觉皮层神经元反应的预测性能，并揭示了不同神经元对大脑状态变化的响应存在显著差异。这些发现为理解大脑状态如何影响神经元的反应提供了新的视角，并为未来的研究提供了方法上的参考。未来的研究可以进一步探索这些差异，例如通过分析不同神经元的反应特性或在不同行为状态下的表现。此外，研究者还建议，结合更多的行为信号，如毛发运动、运动速度和瞳孔直径，可能会进一步提高模型对大脑状态变化的解释能力。