视网膜神经节细胞抑制机制的滤波模型比较与跨物种泛化研究
Neda Shahidi, Fernando Rozenblit, Mohammad H. Khani, Helene M. Schreyer, Matthias Mietsch, Dario A. Protti, Tim Gollisch | PLOS Computational Biology 2025 | 10.1371/journal.pcbi.1013031
标签: #计算神经科学 #视网膜神经节细胞 #多电极阵列 #视觉编码模型 #抑制性机制
一、做什么 🔬
研究背景：视觉系统对动态光强变化的编码高度依赖兴奋与抑制信号的动态平衡。传统线性-非线性（LN）模型仅依赖单一刺激滤波器，难以捕捉神经节细胞在复杂对比度与频率调制下的瞬态响应与适应特性。当前计算模型虽引入抑制模块，但相减、相除与反馈三种抑制机制的适用边界、跨物种泛化能力及与细胞动力学特征的匹配关系缺乏系统性对照。
核心问题：
- 能否通过统一计算框架量化相减、相除与反馈三种抑制模型对神经节细胞放电的预测增益？
- 抑制机制的预测优势是如何随细胞时间常数（快/慢型）与刺激频率变化的？
- 包含显式抑制模块的模型能否在对比度与频率连续变化的非平稳刺激下保持高泛化能力？
研究模型：分离的墨西哥钝口螈、小鼠与普通狨猴视网膜组织，结合多电极阵列记录全视野闪烁光刺激下的神经节细胞放电活动。
技术路线：
- 统一框架构建：将四种模型（相减、相除、反馈、LN）映射至共享拓扑结构，固定部分参数以控制自由度差异。
- 白噪声拟合：使用高斯白噪声光强序列训练模型，通过最大似然估计与块坐标上升算法优化滤波器与非线性函数。
- 性能量化评估：采用每比特信息量（bits/spike）与解释方差（R²）在独立测试集上评估预测精度。
- 非平稳刺激泛化测试：利用对比度扫描（0-100%）与频率扫描（0-15 Hz）正弦光刺激，检验模型在动态统计特性下的外推能力。
二、发现什么 📊
核心发现1：相减与相除抑制模型显著超越反馈模型与基线LN模型
图1：相减与相除模型在97%与96%的细胞中预测精度超越LN模型，最佳抑制模型分布为相减型46%、相除型42%、反馈型12%。
| 维度 | 说明 |
|---|---|
| 做了什么 | 在统一框架下训练四种模型，使用高斯白噪声刺激记录钝口螈（607个细胞）、小鼠（335个）与狨猴（370个）视网膜神经节细胞放电，以每比特信息量（bits/spike）评估独立测试集预测性能。 |
| 发现什么 | 相减模型在97%细胞、相除模型在96%细胞、反馈模型在85%细胞中优于LN模型。最佳抑制模型带来的超额信息增益在钝口螈为0.03-0.94 bits/spike，小鼠为0.01-0.29 bits/spike，狨猴为0.001-0.23 bits/spike。 |
| 说明什么 | 引入显式抑制机制是提升单细胞视觉编码预测精度的必要条件。相减与相除机制在表型预测上具有高度等效性，而依赖放电触发的反馈模型因信号稀疏性导致预测效能受限。 |
核心发现2：抑制模型的优势呈现显著的细胞动力学与物种依赖性
图2：相减模型在钝口螈慢速细胞中预测优势显著（慢OFF型差值0.08 bits/spike，慢ON型差值0.1 bits/spike，p<<0.0001），而相除模型在小鼠与狨猴群体中整体略优（p<0.003）。
| 维度 | 说明 |
|---|---|
| 做了什么 | 基于脉冲触发平均（STA）提取时间滤波器，通过主成分分析将钝口螈细胞聚类为快/慢与ON/OFF亚型，逐细胞对比相减与相除模型的超额预测性能差异。 |
| 发现什么 | 钝口螈慢速OFF与ON细胞中，相减模型预测精度分别高出相除模型0.08与0.1 bits/spike（p<<0.0001）。快速细胞差异微小（慢OFF型差值0.026 bits/spike，p=0.005）。小鼠与狨猴群体中相除模型整体占优（p<0.003）。 |
| 说明什么 | 抑制机制的计算优势并非绝对，而是与细胞内在时间常数强相关。相减机制更擅长捕捉慢速动力学下的持续调制与去抑制释放，相除机制在快速响应群体中具备更稳健的泛化基线。 |
核心发现3：相除抑制依赖延迟滤波器实现瞬态响应截断，相减抑制呈现多样化时序拓扑
图3：相除模型的抑制滤波器在57%-79%的细胞中滞后兴奋滤波器1-2帧（钝口螈30-70 ms，小鼠/狨猴20-30 ms），而相减模型中32%的细胞抑制滤波器超前兴奋滤波器1-3帧。
| 维度 | 说明 |
|---|---|
| 做了什么 | 提取各模型分支的兴奋与抑制时间滤波器，计算互相关峰值偏移量以量化时序延迟，分析非线性函数对称性，并对比单细胞在测试序列中的放电率预测轨迹。 |
| 发现什么 | 相除模型中57%（钝口螈）、79%（小鼠）、70%（狨猴）细胞的抑制滤波器滞后兴奋滤波器1-2帧，且57%-90%细胞的抑制非线性函数高度对称。相减模型中仅40%（钝口螈）滞后，32%（钝口螈）、23%（小鼠）、28%（狨猴）超前1-3帧。 |
| 说明什么 | 相除机制通过固定的延迟抑制实现快速瞬态响应的精准截断，符合前馈抑制的生物学特征。相减机制允许抑制信号超前或形态解耦，通过兴奋基线较低时的抑制解除维持慢速调制，两种拓扑结构在计算上收敛于同等预测精度。 |
三、说明什么 💡
领域意义：计算神经科学长期争论视网膜抑制应以何种数学形式嵌入编码模型。该研究证实相减与相除抑制在表型预测上具备功能等效性，打破了“单一最优模型”的假设。学界共识从寻找通用抑制算子转向“时间尺度依赖的机制匹配”：快速视觉处理依赖延迟相除抑制实现瞬态锐化，慢速调制依赖相减抑制维持动态范围。
临床/转化价值：
- 视网膜假体与视觉脑机接口的刺激编码算法可直接集成相除/相减混合模块，提升动态对比度下的神经激活保真度。
- 青光眼与黄斑变性导致的神经节细胞时间常数改变，可通过模型参数偏移实现早期电生理标志物筛查。
- 为生成式视觉AI提供生物启发的非线性滤波先验，优化视频流压缩与动态场景重建算法。
与我们产品的关联：该研究依赖高通量多电极阵列记录与视网膜离体培养体系。3Brain HD-MEA可直接复现其跨物种放电记录流程，并支持更高密度（4096通道）的抑制性微环路解析。Cellink BIO X6可用于构建视网膜类器官或三维共培养体系，验证模型在发育或病理状态下的泛化边界。
与我们的产品
| 产品 | 关联度 | 应用场景 |
|---|---|---|
| Cellink BIO X / BIO X6 | ⭐⭐⭐ | 构建视网膜类器官或三维神经节细胞共培养模型，用于验证计算模型在发育与病理微环境中的参数漂移。 |
| 3Brain HD-MEA / CorePlate | ⭐⭐⭐⭐⭐ | 直接替代论文中的传统多电极阵列，提供4096通道高密度记录，精准捕捉抑制性微环路的时空放电模式，支持相减/相除机制的活体验证。 |
| Celvivo | ⭐⭐ | 适用于视网膜组织长期活体成像与微环境调控，辅助观察抑制性突触可塑性对模型时间常数的动态影响。 |
| SIEVEWELL | ⭐ | 适用于高通量细胞筛选与形态学分析，与电生理计算模型形成互补，但不直接参与放电预测算法开发。 |
参考文献
- Shahidi N, Rozenblit F, Khani MH, Schreyer HM, Mietsch M, Protti DA, Gollisch T. Filter-based models of suppression in retinal ganglion cells: Comparison and generalization across species and stimuli. PLoS Comput Biol. 2025. DOI: 10.1371/journal.pcbi.1013031
- Pillow JW, Shlens J, Paninski L, Sher A, Litke AM, Chichilnisky EJ, Simoncelli EP. Spatio-temporal correlations and visual signalling in a complete neuronal population. Nature. 2008. DOI: 10.1038/nature07140
- Schwartz GW, Okawa H, Dunn FA, Morgan JL, Kerschensteiner D, Wong RO, Rieke F. The spatial structure of a nonlinear receptive field. Nat Neurosci. 2012. DOI: 10.1038/nn.3200
- McFarland JM, Cui Y, Butts DA. Inferring nonlinear neuronal computation based on physiologically plausible inputs. PLoS Comput Biol. 2013. DOI: 10.1371/journal.pcbi.1003143
转发语：视网膜神经节细胞怎么编码动态光信号？这篇PLOS Comp Biol新文用统一框架对比了相减、相除与反馈三种抑制模型，发现没有绝对赢家，只有“快慢匹配”。做视觉计算与MEA电生理的同行可以直接参考。
联系人：李东伟
📞 18045130660 🌐 https://www.biokingdom.top
📥 下载原文PDF：PLOS Comput Biol 2025 Filter-based models of suppression