相关变异几何导致高度次优的判别性感觉编码

2025-01-18 Sat
大脑中的相关变异性导致高度次优的感官编码学术背景大脑通过神经群体的活动来感知世界，但感官编码的计算目标是为了支持感官刺激的区分，还是为了生成感官世界的内在模型，这一问题尚未明确。实验中发现，神经群体中的相关变异性（噪声相关性）普遍存在，许多研究表明，与没有相关性的零模型相比，相关变异性可以提高感官编码的区分能力。然而，这些研究并未探讨相关变异性是否对区分性感官编码是最优的。如果感官编码的计算目标是区分性的，那么相关变异性应该被优化以支持这一目标。本文通过开发两种新的零模型，评估了神经群体中相关变异性对区分性感官编码的最优性，并发现相关变异性在多个数据集中都表现出高度次优的区分性感官编码。
论文来源本文由Jesse A. Livezey、Pratik S. Sachdeva、Maximilian E. Dougherty、Mathew T. Summers和Kristofer E. Bouchard共同撰写。作者来自多个研究机构，包括Lawrence Berkeley National Laboratory、University of California, Berkeley、University of California, San Francisco等。论文于2024年11月6日首次发表在《Journal of Neurophysiology》上，DOI为10.1152/jn.00313.2024。
研究流程1. 数据收集与预处理研究使用了三个不同的神经数据集，涵盖了不同的动物模型、脑区和记录方式：
- 视网膜数据集：通过钙成像技术记录小鼠视网膜神经节细胞（RGCs）对漂移条刺激的反应。
- 初级视觉皮层（V1）数据集：通过单单元电生理记录技术记录猕猴V1神经元对漂移光栅刺激的反应。
- 初级听觉皮层（PAC）数据集：通过微电极皮层电图（μECoG）记录大鼠PAC对音调刺激的反应。
每个数据集都经过了预处理，包括基线校正、归一化等步骤，以确保数据的可比性和分析的准确性。
2. 零模型的开发为了评估相关变异性对区分性感官编码的最优性，研究开发了两种新的零模型：
- 均匀相关性（UC）零模型：保持每个神经元的私有方差不变，但允许神经元之间的相关性随机变化。
- 因子分析（FA）零模型：将观察到的协方差分解为私有方差和共享变异性，并通过旋转共享变异性来生成零模型。
这两种零模型分别基于不同的生物学假设，UC模型假设神经元之间的相关性可以通过改变神经元之间的连接强度来调整，而FA模型则假设共享变异性来自未观察到的神经活动。
3. 线性Fisher信息（LFI）的计算研究使用线性Fisher信息（LFI）作为衡量神经群体区分性感官编码能力的指标。LFI量化了神经群体活动在区分不同刺激时的信息量。对于每个数据集，研究计算了观察到的LFI，并与零模型生成的LFI分布进行比较，以评估观察到的相关变异性是否最优。
4. 结果分析研究通过大量的子群体和刺激配对分析，发现观察到的相关变异性在多个数据集中都表现出高度次优的区分性感官编码。具体来说：
- UC零模型：观察到的LFI在大多数情况下都低于UC零模型生成的LFI分布，表明相关变异性在区分性感官编码中是次优的。
- FA零模型：观察到的LFI也普遍低于FA零模型生成的LFI分布，进一步证实了相关变异性的次优性。
此外，研究还发现，随着神经群体规模的增加，次优性变得更加明显，表明较大的神经群体在区分性感官编码中的表现更差。
主要结果1. 相关变异性的次优性研究结果表明，观察到的相关变异性在多个数据集中都表现出高度次优的区分性感官编码。具体来说：
- UC零模型：观察到的LFI在大多数情况下都低于UC零模型生成的LFI分布，表明相关变异性在区分性感官编码中是次优的。
- FA零模型：观察到的LFI也普遍低于FA零模型生成的LFI分布，进一步证实了相关变异性的次优性。
2. 生物约束的影响研究还发现，生物约束限制了神经群体实现最优相关变异性的能力。具体来说：
- UC零模型：最优相关性矩阵通常具有接近1的绝对成对相关性，这在实验数据中从未观察到。
- FA零模型：最优协方差矩阵通常具有与实验数据不同的单单元分布，表明最优协方差在生物学上是不可行的。
3. 最优子群体的指数级缩小研究进一步发现，最优子群体在神经群体规模增加时呈指数级缩小。具体来说：
- UC零模型：在视网膜和V1数据集中，几乎没有任何子群体能够达到最优。
- FA零模型：在PAC数据集中，最优子群体的比例在神经群体规模增加时迅速下降。
结论本研究通过开发两种新的零模型，评估了神经群体中相关变异性对区分性感官编码的最优性，并发现相关变异性在多个数据集中都表现出高度次优的区分性感官编码。研究结果表明，生物约束限制了神经群体实现最优相关变异性的能力，且最优子群体在神经群体规模增加时呈指数级缩小。这些发现揭示了相关变异性在感官编码中的次优性，并为理解神经计算的基本原理提供了新的视角。
研究亮点新颖的零模型：研究开发了两种新的零模型（UC和FA），用于评估相关变异性对区分性感官编码的最优性。
多数据集验证：研究在多个数据集中验证了相关变异性的次优性，涵盖了不同的动物模型、脑区和记录方式。
生物约束的影响：研究揭示了生物约束对神经群体实现最优相关变异性的限制。
最优子群体的指数级缩小：研究发现了最优子群体在神经群体规模增加时呈指数级缩小的现象。
研究意义本研究为理解神经群体中相关变异性在感官编码中的作用提供了新的视角，揭示了相关变异性的次优性及其生物学约束。这些发现不仅对神经科学领域具有重要意义，还为未来开发更有效的神经编码模型提供了理论基础。