视网膜神经节细胞兴奋与抑制交互作用的计算模型跨物种比较与泛化能力评估
Neda Shahidi, Fernando Rozenblit, Mohammad H. Khani, Helene M. Schreyer, Matthias Mietsch, Dario A. Protti, Tim Gollisch | Cell 2022 | DOI: 10.1101/2022.12.01.518577
标签: #计算神经科学 #视网膜神经节细胞 #兴奋抑制平衡 #多电极阵列 #神经编码模型 #视觉信息处理
一、做什么 🔬
研究背景：视网膜神经节细胞（RGC）对动态视觉刺激的编码高度依赖兴奋与抑制信号的精确时空调控。传统线性-非线性（LN）模型仅依赖单一刺激滤波器，无法捕捉抑制机制带来的响应瞬态化与对比度适应现象。当前领域缺乏统一计算框架来评估不同抑制结构（相减、相除、反馈）在跨物种和复杂非平稳刺激条件下的预测效能与泛化边界。
核心问题：
- 能否通过统一的参数化框架量化相减、相除与反馈三种抑制模型对RGC放电响应的预测精度？
- 抑制模型的预测优势是否随细胞动力学特征（快/慢）及物种差异发生系统性偏移？
- 基于白噪声训练的抑制模型能否有效泛化至对比度扫频与频率扫频等非平稳刺激？
研究模型：利用多电极阵列记录墨西哥钝口螈、小鼠和狨猴视网膜神经节细胞对全视野光刺激的放电响应，构建并对比四种计算编码模型。
技术路线：
- 多电极阵列记录：采集三种模式动物视网膜在动态光刺激下的单细胞放电序列。
- 统一计算框架构建：将相减抑制、相除抑制、反馈抑制与标准LN模型参数化至同一优化结构中。
- 最大似然训练：采用块坐标上升算法迭代更新滤波器与非线性函数，最大化测试集对数似然。
- 跨刺激泛化测试：将白噪声训练模型直接应用于对比度扫频与频率扫频刺激，计算滑动窗口解释方差。
二、发现什么 📊
核心发现1：前馈抑制模型在跨物种视网膜细胞中预测精度全面超越标准LN模型
图1：抑制模型整体预测精度显著优于LN模型，其中相减与相除模型在97%和96%的细胞中表现更优，反馈模型仅在85%的细胞中占优。
| 维度 | 说明 |
|---|---|
| 做了什么 | 在统一框架下训练四种模型，使用全视野高斯白噪声刺激记录三种动物视网膜RGC响应，以每比特信息量评估测试集预测性能。 |
| 发现什么 | 相减、相除、反馈模型在97%、96%、85%的细胞中预测精度超越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；最优模型分布为相减46%、相除42%、反馈12%。 |
| 说明什么 | 明确引入抑制计算模块是提升视觉神经元编码模型精度的必要条件，且前馈式相减与相除机制在表型预测上具有等效优势，反馈机制因依赖随机放电事件而效能受限。 |
核心发现2：抑制机制的计算表征具有细胞动力学特异性
图2：相减模型在钝口螈慢速细胞中优势显著，超额信息增益高出相除模型0.08-0.1 bits/spike，而快细胞及小鼠、狨猴细胞中两者差异极小。
| 维度 | 说明 |
|---|---|
| 做了什么 | 基于脉冲触发平均（STA）主成分分析将细胞分为快/慢与ON/OFF亚型，逐细胞对比相减与相除模型的超额预测信息量。 |
| 发现什么 | 钝口螈慢速OFF与慢速ON细胞中，相减模型平均超额信息量分别高出相除模型0.08 bits/spike（p<<0.0001）与0.1 bits/spike（p<<0.0001）；快细胞差异仅0.02-0.026 bits/spike；小鼠与狨猴群体中相除模型略优（p<0.003）。 |
| 说明什么 | 慢速时间窗下的神经整合更适配相减交互逻辑，而快速响应网络对抑制结构的数学形式不敏感，提示不同时间尺度的信号处理依赖不同的抑制计算通路。 |
核心发现3：相除抑制对应延迟前馈通路，相减抑制呈现滤波器相位多样性
图3：相除模型的抑制滤波器普遍滞后兴奋滤波器1-2个刺激帧（约16-60毫秒），覆盖57%-79%的细胞，且其非线性函数呈高度对称性。
| 维度 | 说明 |
|---|---|
| 做了什么 | 提取各模型最优参数下的兴奋/抑制时间滤波器波形及上游非线性函数形状，计算跨细胞滤波器滞后时间与不对称指数。 |
| 发现什么 | 57%钝口螈、79%小鼠、70%狨猴细胞的相除抑制滤波器滞后兴奋滤波器1-2帧（对应30-60ms或16-33ms）；相除非线性不对称指数<0.5的细胞占比达57%-90%；相减模型滤波器呈现超前或滞后1-3帧的多样化分布。 |
| 说明什么 | 相除抑制在生物物理上对应延迟的前馈抑制通路，通过时间错位产生短暂兴奋窗口；相减模型则通过更灵活的滤波器相位关系实现同等预测精度，提示不同计算通路可收敛至相似功能输出。 |
核心发现4：瞬态型神经节细胞对显式抑制机制的依赖度更高
图4：瞬态型ON细胞对抑制模型的依赖度显著高于持续型ON细胞，4/6个记录会话中瞬态细胞的超额预测性能更高。
| 维度 | 说明 |
|---|---|
| 做了什么 | 利用100%对比度阶跃光刺激将狨猴RGC划分为瞬态型与持续型，对比两类细胞在最佳抑制模型下的超额预测方差。 |
| 发现什么 | 瞬态ON细胞的最佳抑制模型超额性能显著高于持续ON细胞，该趋势在4个独立记录会话中稳定复现；ON与OFF细胞间无系统性差异。 |
| 说明什么 | 延迟抑制是塑造视网膜神经元瞬态放电特征的核心机制，持续型细胞可能依赖其他增益控制或内在电导特性，而非显式的前馈抑制计算。 |
核心发现5：相除与相除模型在不同刺激统计特性下呈现互补泛化能力
图5：相除模型在对比度>34%及高频段泛化能力最强，相减模型在<6 Hz低频段解释方差显著占优。
| 维度 | 说明 |
|---|---|
| 做了什么 | 将白噪声训练模型直接应用于对比度扫频（0-100%）与频率扫频（0-15 Hz）刺激，计算150ms滑动窗口内的解释方差（R²）。 |
| 发现什么 | 对比度>34%时相除模型R²持续为正且有效范围显著大于其他模型（p<<0.0001）；频率<6 Hz时相减模型低频段平均R²显著更高（p<0.03），频率>6 Hz时相除模型覆盖范围最广（p<0.004）。 |
| 说明什么 | 相除抑制机制天然适配动态增益控制，能有效处理高对比度与快频刺激；相减抑制更擅长捕获低频慢变信号的基线漂移，两者互补覆盖不同时间尺度的视觉统计特性。 |
三、说明什么 💡
领域意义：传统观点倾向于寻找单一“最优”抑制计算结构来解释视网膜编码。本研究通过统一框架证明，前馈抑制（相减/相除）在表型预测上高度等效，打破了“唯一正确模型”的假设。争议焦点从“哪种抑制更真实”转向“不同时间尺度与细胞动力学下哪种计算通路占主导”。相除机制主导高频/高对比度适应，相减机制主导慢速整合，为理解感觉系统多尺度编码提供了明确的计算边界。
临床/转化价值：
- 为视觉假体与脑机接口的刺激编码算法提供模型选型依据，避免单一LN模型导致的响应失真。
- 为青光眼、糖尿病视网膜病变等导致的神经节细胞动力学改变提供计算生物标志物，通过模型拟合残差量化抑制通路损伤程度。
- 指导类脑视觉芯片的硬件抑制回路设计，明确相减与相除模块在不同频段的算力分配策略。
与我们产品的关联：该研究依赖高通量、高信噪比的视网膜电生理记录来训练计算模型。多电极阵列是获取训练数据的核心硬件，而稳定的组织培养与原位刺激环境是保证数据质量的前提。我们的MEA平台可直接复现该实验的数据采集流程，配套培养系统可支持视网膜类器官或离体组织的长期活性维持，为后续模型验证提供标准化载体。
与我们的产品
| 产品 | 关联度 | 应用场景 |
|---|---|---|
| Cellink BIO X / BIO X6 | ⭐ | 勉强相关。可用于构建视网膜类器官模型，但本文聚焦成熟离体组织电生理，非生物打印构建环节。 |
| 3Brain HD-MEA / CorePlate | ⭐⭐⭐⭐⭐ | 核心工具。直接用于高通量视网膜/类器官电生理记录，匹配论文多电极阵列数据采集需求，支持白噪声与扫频刺激协议。 |
| Celvivo | ⭐⭐ | 潜在应用。活体成像可辅助验证计算模型预测的细胞类型空间分布，但非直接电生理记录工具。 |
| SIEVEWELL | ⭐⭐⭐ | 配套使用。适用于视网膜组织或类器官的长期培养与原位刺激，为MEA记录提供标准化微环境与稳定生理状态。 |
参考文献
- Cui Y, Wang YV, Park SJH, Demb JB, Butts DA. Divisive suppression explains high-precision firing and contrast adaptation in retinal ganglion cells. Elife. 2016. DOI: 10.7554/eLife.19460
- Pillow JW, Paninski L, Uzzell VJ, Simoncelli EP, Chichilnisky EJ. Prediction and decoding of retinal ganglion cell responses with a probabilistic spiking model. J Neurosci. 2005. DOI: 10.1523/JNEUROSCI.25.47.11003.2005
- 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
- Baden T, et al. The functional diversity of retinal ganglion cells in the mouse. Nature. 2016. DOI: 10.1038/nature16468
转发语：视网膜神经节细胞的兴奋-抑制平衡到底怎么算？这篇跨物种研究用统一框架对比了相减、相除和反馈模型，发现前馈抑制在表型预测上高度等效，但慢速细胞偏爱相减，高频高对比场景相除更稳。做视觉编码或MEA实验的同行可以直接参考模型选型。
联系人：李东伟
📞 18045130660 🌐 https://www.biokingdom.top