《PLOS Computational Biology》：Granger sensori-behavioral functional taxonomy of neuronal ensemble activity from two-photon calcium imaging data
编辑推荐：
理解神经元群体如何相互作用以编码和转换感觉信息是计算神经科学中的一个基本挑战。然而，现有的大多数研究将神经编码、行为读出和功能连接视为相互独立的问题。双光子钙成像能够在体同时记录大型神经元群体，这些群体由多样化的刺激驱动并引发不同的行为。然而，由于放电活动的间
理解神经元群体如何相互作用以编码和转换感觉信息是计算神经科学中的一个基本挑战。然而，现有的大多数研究将神经编码、行为读出和功能连接视为相互独立的问题。双光子钙成像能够在体同时记录大型神经元群体，这些群体由多样化的刺激驱动并引发不同的行为。然而，由于放电活动的间接且含噪观测、缓慢的时间动力学以及外部刺激与内源性神经过程之间的潜在相互作用，从这些数据中提取有向功能连接度量以及神经元的编码和读出特性仍然十分困难。在此，研究人员引入了一个统一的概念性和操作性建模与推断框架，用于直接从双光子成像数据中提取神经元之间、外部刺激到神经元以及神经元到行为的Granger因果（GC）效应，其意义遵循Granger的时间可预测性。受交集信息（intersection information）框架的启发，研究人员还识别了编码感觉刺激特征并影响行为读出的神经元。所得的GC网络连同功能感觉-行为相关性分类学（称为G-taxonomy）提供了一个强大的统计分析框架，该框架通过整合状态空间建模与推断、变分推断和点过程等多种技术得以实现。研究人员将所提出的框架应用于模拟数据以及在小鼠听觉皮层（A1）在被动听音和主动音调辨别过程中记录的双光子成像实验数据。模拟研究显示，所提出的方法相较于现有技术有显著改进。对小鼠A1实验数据的分析识别出具有不同感觉-行为相关性的不同细胞群，以及与正确与错误行为相关的功能连接变化。总之，这项工作提供了一种有原则且数据驱动的方法论，用于在同一个统计框架内揭示神经元、感觉刺激和行为之间的有向交互，为分布式皮层群体如何将感觉输入转换为行为相关表征提供了新的见解。
论文解读：基于Granger因果的神经元群体感觉-行为功能分类学
一、研究背景与问题
大脑通过大规模神经元网络的协调活动处理感觉输入，并产生引发行为的读出信号。理解信息如何在这些网络中流动和处理是神经科学的核心目标。然而，现有研究大多将神经编码、行为读出和功能连接视为相互独立的问题：要么聚焦于大脑如何编码感觉信息（如感受野），要么旨在根据神经表征预测行为（如选择概率模型），这种割裂的研究方式掩盖了大脑与行为之间的交互，严重限制了我们对脑功能的理解。近年来提出的交集信息（Intersection Information, II）框架试图提取神经表征中与行为相关的信息，但该方法受限于非参数估计的挑战，仅适用于小规模神经元群体，且行为空间仅限于简单的二元决策任务。此外，在双光子钙成像等间接测量神经元放电的数据模态中，荧光观测是放电活动的含噪且时间模糊的替代信号，现有方法通常采用两阶段策略——先反卷积推断 spikes，再计算信息度量——这种策略对 spike 反卷积精度高度敏感，且偏向于获取一阶统计量，可能损害对高阶统计量的恢复。
二、研究内容与意义
针对上述问题，研究人员提出了一种统一的概念性和操作性建模与推断框架，用于直接从双光子成像数据中提取神经元之间、外部刺激到神经元以及神经元到行为的Granger因果（Granger Causality, GC）效应。该框架将刺激和行为纳入N个神经元的网络中，构建一个大小为N+2的增广网络，从而将GC链接的概念扩展为从刺激到神经元的链接（即刺激编码）、从神经元到行为的链接（即行为解码）以及刺激与行为在神经元活动条件下的交互（即交集）。由此，研究人员定义了三种神经元类别：Granger刺激（GS）神经元、Granger行为（GB）神经元和Granger交集（GI）神经元，统称为G-taxonomy。这一框架的优势在于：在检测神经元间GC链接时，外部刺激作为混杂因素被显式建模和控制；在赋予神经元感觉-行为相关性标签时，神经元间的内源性交互网络效应作为混杂因素被排除。
三、关键技术方法
研究人员提出的逆问题求解方案包含三个主要部分。第一，高效的网络参数估计：采用期望最大化（EM）框架，整合了Pólya-Gamma增广、迭代加权最小二乘（IRLS）、固定区间平滑、卡尔曼滤波和变分推断等技术，直接从双光子荧光数据中联合估计网络参数、感受野和行为参数，无需中间spike反卷积步骤。第二，Granger形式主义中的全模型与简化模型定义：通过比较包含特定来源变量与排除该变量的模型预测能力，量化各效应。第三，统计检验框架：使用偏差差统计量并通过Youden's J统计量量化每个检测到的效应，随后采用Benjamini-Yekutielli程序控制错误发现率（FDR）。在实验数据方面，研究人员分析了来自小鼠听觉皮层（A1）的两组双光子成像数据：一组为被动听音实验（N=9个神经元，L=50个试次），另一组为主动音调辨别任务实验（来自10个实验，共1798个神经元，其中225个对音调有显著响应，分析中随机采样N=10个神经元并使用全部50个可用试次）。
四、研究结果
模拟研究验证： 研究人员构建了一个包含10个神经元的检测任务网络，其中包含主刺激和次刺激（作为混杂因素），通过50次重复试验生成模拟数据。模拟结果显示，所提出的框架在检测GC链接以及GS、GB、GI三类神经元标签方面实现了完美检测，而两阶段PSTH方法和2P Data基准方法在识别GC链接和GS神经元方面表现不佳。进一步的扰动分析表明，在刺激信噪比降低（10 dB和5 dB）、spiking模型失配（Poisson生成但Bernoulli推断）以及网络子采样（从50个神经元中随机选择10个）等更现实的条件下，所提出的方法表现出更高的鲁棒性。
被动听音实验中识别Granger感觉神经元： 研究人员将框架应用于小鼠A1皮层2/3层在被动听音条件下的双光子成像数据，识别出5个GS神经元（神经元2、3、5、7、9）。通过检查这些神经元在刺激开启与关闭试次中的平均响应，发现GS神经元的响应曲线在两种条件下明显不同，而非GS神经元的响应曲线则广泛重叠。J统计量与视觉观察一致：神经元2、3、7和9的J统计量为0.99，而神经元5为0.82。该分析揭示了两个关键优势：其一，GS标签是在整个网络活动的条件下检测的，可以排除可能被错误归因于刺激的网络效应（如神经元4的响应差异实际上源于来自GS神经元9的GC链接）；其二，参数化统计检验相比常用的非参数检验具有更高的统计功效，能够在有限试次和持续时间条件下检测出显著性。
音调辨别任务中的G-taxonomy分析： 研究人员将框架应用于小鼠A1 L2/3在纯音辨别任务（go/no-go任务）中的双光子成像数据。分析结果显示：被动条件下的GC链接数量显著多于错误试次，错误试次的链接数量显著少于正确与错误类别合并后的数量。通过G-taxonomy细化分析发现：仅GS神经元在刺激呈现早期表现出正确与错误试次间的显著差异，且不延伸至刺激结束之后；仅GB神经元主要在刺激前和刺激期间表现出响应差异；GI神经元在刺激后整个区间内表现出正确与错误试次间持续显著的响应差异；而同时为GS和GB但非GI的神经元仅在刺激前区间表现出短暂差异。进一步的lick/no-lick细分分析显示，在lick试次中，GS、GB和GI神经元在正确（hit）与错误（false alarm）试次间表现出显著差异，且GI神经元的差异持续整个试次；而在no-lick试次中，各类别神经元在正确（correct rejection）与错误（miss）试次间均未表现出显著差异。
五、讨论与结论
研究人员讨论指出，所提出的框架相较于现有II框架具有多方面优势：采用Granger机制替代部分信息分解（PID），通过层次参数化生成模型实现高效估计并随网络规模良好扩展；参数化模型允许将刺激表示为多元时变信号，无需对刺激的相关特征做先验假设；整合多种技术避免两阶段处理从而最小化估计偏差。同时，研究人员也承认若干局限性：当前模型假设线性向量自回归动力学和固定时间延迟，可能无法完全捕捉真实皮层回路中的非线性或时变依赖；Granger形式主义的"预测可分离性"要求可能受到脑-wide振荡活动的影响；分析限于相对较小的神经元子集；GC反映预测性影响而非直接突触连接。总之，这项研究提出了一个统一且统计基础扎实的框架，用于直接从双光子数据中揭示有向功能交互和网络活动的感觉-行为相关性，通过联合建模刺激、神经活动和行为响应，捕捉了感觉信息如何在不同行为状态下动态重组网络连接，为研究分布式神经群体如何将感觉输入转化为行为相关计算提供了有力工具。
