编辑推荐：
本文研究了视觉皮层神经元对自然视频的编码机制。通过 SpikeShip 方法分析发现，与群体放电率向量相比，时间脉冲序列能更精确地编码自然视频，且具有稳定性，这为理解神经编码提供了新视角，有助于揭示大脑信息处理的奥秘。
研究背景
在多个皮层区域，神经元对感觉输入的表征会随时间发生渐进性变化，这种表征漂移在处理自然刺激（如自然视频）时尤为明显。表征漂移被认为是由经验依赖的可塑性、行为状态和兴奋性的缓慢变化等多种因素共同导致的。虽然它可能使神经表征根据经验灵活适应，但也引发了大脑如何维持感觉输入稳定编码的问题。
以往研究表明群体放电率向量存在表征漂移，同时也有研究指出皮层神经元群体可以基于多神经元放电模式中脉冲的相对时间来编码信息。若表征漂移主要由影响神经兴奋性进而影响放电率的调制效应引起，那么时间序列可能在一定程度上不受放电率波动的影响，从而提供更稳定的编码机制。不过，量化大神经群体中时间脉冲序列的信息且独立于放电率仍是一个重大计算难题。本研究利用 SpikeShip 方法，对比分析了视觉皮层中神经元的放电率和脉冲时间编码，以探究大脑对自然视频的编码方式。
实验方法
- 实验数据：使用来自 Allen Brain Institute 的 MindScope Program 的公开数据集，通过 Neuropixel 硅探针记录 32 只小鼠六个视觉区域（V1、LM、AL、PM、RL、AM）的神经元活动，这些数据是在小鼠观看自然视频时获取的。
- 分析方法
- SpikeShip 方法：基于最优传输理论，将每个脉冲序列视为 “质量” 的集合，计算不同时期脉冲序列间的差异。该方法能捕捉所有神经元间相对脉冲时间关系中的信息，不依赖于任意定义的特征，对放电率波动不敏感，且计算成本低，适用于大神经群体。
- 对比分析：计算群体放电率向量（通过计算每个神经元在一定时间窗口内的脉冲数除以窗口长度得到）的欧氏距离，与 SpikeShip 计算的结果进行对比。采用 t 分布随机邻域嵌入（t - SNE）、聚类分析（k - Means、高斯混合模型 GM、HDBSCAN）、判别指数计算等方法，评估不同编码方式对自然视频的分类和聚类性能。
- 其他分析：计算全局曲率，衡量自然视频像素在帧间的变化率，探究其与神经元活动和编码性能的关系；通过计算皮尔逊相关性，分析神经元表征随时间的变化以及不同编码方式之间的相似性。
实验结果
- 脉冲序列与群体放电率向量的信息对比：通过对自然视频的分析，发现当分析的神经元数量较多时，时间脉冲序列在区分不同子视频方面比群体放电率向量更精确。t - SNE 嵌入显示，SpikeShip 能将不同子视频清晰聚类，而群体放电率向量存在大量重叠。聚类性能指标（如调整兰德指数 ARI）和判别指数也表明，SpikeShip 的表现明显优于群体放电率向量。此外，SpikeShip 和群体放电率向量之间的信息存在适度冗余，且不同视觉区域的这种冗余程度相似。
- 神经表征在短时间尺度上的相关性：研究发现，群体放电率向量的表征在时间上具有相关性，相邻子视频的放电率向量在低维嵌入空间中距离更近，而 SpikeShip 表征的脉冲序列在电影各时期之间不相关。具体表现为，群体放电率向量中相邻子视频的距离比随机子视频的距离小约 3 倍，且随着子视频时间差的增加，距离逐渐增大，约 7 秒时达到饱和；而 SpikeShip 在连续子视频对和随机子视频对之间未发现距离差异。
- 群体放电率向量和脉冲序列的表征漂移：在同一实验 session 内，群体放电率向量的表征存在明显漂移，不同重复实验中其在低维嵌入空间的轨迹逐渐偏离；而 SpikeShip 量化的脉冲序列编码稳定，Pearson 相关性始终接近 1。在分析更长的视频（NM3）时，同样发现 SpikeShip 能更好地聚类不同子视频，而群体放电率向量表现较差。
- 编码对全局曲率的依赖：计算自然视频的全局曲率发现，神经元的活动数量与曲率之间存在强相关性，表明放电率受运动变化（包括运动起始）的强烈驱动。当全局曲率较高时，SpikeShip 的聚类效果更好；当全局曲率较低时，群体放电率向量的聚类效果更好。通过联合 SpikeShip 和放电率的信息进行分类，发现对于 1 秒长度的子视频，SpikeShip 的最优贡献比例为 80%；对于更短的子视频，两者的最优权重约为 50%。
研究讨论
- 脉冲序列和放电率的不同表征漂移：本研究利用 SpikeShip 发现，脉冲序列基本不存在表征漂移，而放电率存在显著漂移。尽管目前尚不完全清楚放电率表征漂移的精确机制，但已有研究提出了行为状态变化、兴奋性缓慢改变和突触权重矩阵变化等多种解释。对于脉冲序列在更长时间尺度（如几天或几周）上是否存在表征漂移，还需进一步研究，目前有两种假设：一是神经元放电的顺序结构可能会随时间缓慢变化，反映神经元之间突触连接的改变；二是突触权重的变化对放电率表征的影响可能大于对神经元顺序放电模式的影响，脉冲序列可能具有较少的经验依赖可塑性。
- 自然视频的脉冲时间编码：本研究表明神经元间的脉冲时间关系能高精度编码自然视频内容。下游神经元可通过单神经元对不同突触输入序列的辨别能力以及神经元群体中的递归相互作用来读取这些信息。建模研究显示，通过脉冲时间依赖的可塑性和抑制性反馈，神经元群体可以有效学习不同的脉冲序列。与以往研究不同，本研究聚焦于高维神经群体中的相对脉冲时间，且发现脉冲时间编码的优势在大神经元群体中才更为明显。此外，本研究中观察到的神经元顺序放电与其他脑区的时间编码方式不同，其具体机制可能是前馈激活和递归神经相互作用的结合。
- 研究局限性：一是本研究大多分析相对较长的子视频，在短时间尺度上研究自然电影编码需要大量神经元，因为神经元放电稀疏，且 SpikeShip 在处理大量活跃神经元时优势才明显，未来研究应使用更多神经元记录来探索短时间尺度的编码；二是本研究仅关注记录 session 内的表征漂移，无法确定脉冲时间关系的稳定性是否能持续多天或几周，这方面的研究可能有助于揭示放电率表征漂移的机制。
本研究通过对视觉皮层神经元编码自然视频的研究，揭示了时间脉冲序列在神经编码中的稳定性和精确性，为理解大脑的信息处理机制提供了新的重要依据，也为后续研究神经编码的长期稳定性和短时间尺度编码等问题指明了方向。
