皮层脉冲网络中输入噪声频谱结构的可解码性：跨层循环动力学对统计信息的保留与转换

《Brain Sciences》：Decodable Spectral Structure of Input Noise in a Layered Cortical Spiking Network

　　

摘要专业翻译 背景/目标：单个脉冲难以在具有汇聚、发散及非线性动力学的循环皮层回路中被追踪，这些过程会迅速改变神经活动。然而，即使单个脉冲的身份无法被识别，输入的统计特性仍可能保持可检测性。本研究探究了有色噪声的时空频谱斜率在活动经模拟皮层网络传播后是否仍可被检测。方法：研究人员构建了一个基于小鼠初级视觉皮层（primary visual cortex, V1）的生物启发式四层循环脉冲网络。将漂移光栅嵌入跨越五种频谱条件（紫、蓝、白、粉、棕噪声）的有色噪声中，同时独立改变噪声对比度与刺激驱动强度。网络运行于异步-不规则（asynchronous-irregular）状态，群体频谱通过其非周期分量（aperiodic component）进行表征。结果：群体活动随噪声频谱斜率的改变而系统性变化，而非分离为离散的颜色表征。连续解码器可从群体活动中恢复频谱指数β。解码可泛化至解码器从未见过的全新噪声图像。移除全部突触连接后，第4层（L4）解码保持不变，表明该层的频谱信号不依赖循环交互；循环作用决定该信号向其他层传递的程度。接收相同刺激但缺乏细胞动力学的前馈模型无法支持解码。解码精度在L4最高，而β对放电率的单变量效应在下一处理阶段L2/3达到峰值；增加噪声对比度可提高频谱可分辨性。在L4招募前馈抑制并未改变解码精度。结论：循环皮层动力学可在转换输入活动的同时保留其统计结构信息。该信息分布于群体活动的多个维度，并可在皮层各层间保持可恢复性。追踪群体统计特性而非单个脉冲，为研究循环回路如何转换并保留输入活动提供了可行的框架。

论文解读文章

一、研究背景与问题提出

在计算神经科学中，信息如何经神经回路传播是核心问题之一。直接追踪单个脉冲或协同脉冲模式是经典研究路径，但在循环皮层回路中，这一路径面临根本性困难：单个突触前脉冲可发散至多个突触后靶点，而汇聚输入、循环交互、非线性膜动力学及突触滤波会在每一级重塑活动。经过少数几个突触步骤后，便难以确定哪些上游神经元通过何种通路贡献了特定的下游脉冲。

然而，神经活动的另一属性可能在这种转换中幸存——其统计结构。与其追问单个脉冲能否被追踪，不如追问输入的一个明确统计属性在活动经连续处理阶段传播后是否仍可检测。这一问题同时改变了感官噪声的看待方式：若皮层回路迅速抑制外部施加的变异性，则感官噪声对下游处理影响甚微；若输入的统计特性在传播中幸存或被回路系统性转换，则外部噪声可作为探测神经计算的工具。

频谱结构提供了这样一个受控参数。许多随机信号的功率谱遵循幂律S(f) ∝ 1/f^β，其中频谱指数β提供了噪声颜色的连续度量。负值将功率移向高频，正值将功率移向低频。本研究考察的范围涵盖紫噪声（β = ?2）、蓝噪声（β = ?1）、白噪声（β = 0）、粉噪声（β = +1）和棕噪声（β = +2）。频谱结构亦与自然视觉相关：自然图像呈现近似1/f²的空间统计特性，自然影片具有类似的时间缩放；眼动与头动进一步将空间结构转化为视网膜上的时间波动。因此，频谱结构是视觉输入的生态学相关属性，而非刺激设计的任意特征。

自然刺激的统计结构已塑造了感觉处理理论。高效编码理论提出感觉回路适应自然输入的统计规律性。然而，大多数证据涉及单个神经元或较早期的感觉阶段，循环皮层回路内此类统计结构会发生什么仍不清楚。实验上回答此问题困难重重，因为自然场景的统计属性高度相关——亮度、对比度、空间频率、时间相关性、色彩内容与物体身份共同变化，难以将神经反应归因于任一属性。研究人员因此采用网络模拟：生物启发的循环脉冲网络允许精确控制刺激属性，同时提供每个神经元的同步活动访问，并可在每种刺激条件下测试同一网络。

二、研究设计与核心问题

研究人员提出了三个问题：群体活动是否依赖输入的频谱属性，抑或仅依赖噪声的存在？β能否从群体活动中恢复，且能否泛化至新的噪声场？β在皮层层级中的表征是否均匀，抑或集中于特定层？预期频谱结构以群体活动的分级属性出现，而网络动力学决定其强度与层状分布。

三、关键技术与方法

研究人员构建了四层同心球壳结构的循环脉冲网络，代表皮层L2/3、L4、L5和L6层，共1600个神经元（每层320个锥体神经元与80个快放电中间神经元）。兴奋性神经元采用Pinsky–Rinzel双房室模型，抑制性神经元采用Wang–Buzsáki单房室模型。突触连接通过距离依赖的伯努利过程生成，包含层内四类连接（PY→PY、PY→INT、INT→PY、INT→INT）及层间前馈通路（L4→L2/3→L5→L6）和L6→L4反馈通路。轴突延迟由固定突触延迟、距离依赖传导延迟及层间偏移三部分组成。背景活动采用独立Ornstein–Uhlenbeck随机电流维持。刺激为漂移光栅与有色噪声的线性叠加，仅注入L4锥体神经元。有色噪声通过在三维傅里叶域施加径向对称幂律滤波器生成。网络参数经NSGA-II多目标遗传算法两阶段优化。每个模拟缩减为每层每细胞群的13维特征向量，解码器使用其中12个特征（排除平均膜电位）。

四、研究结果

4.1 锥体与中间神经元模型具有不同的输入-输出函数

两种神经元模型对去极化电流阶跃的反应不同。Pinsky–Rinzel锥体神经元产生树突钙依赖的爆发放电，Wang–Buzsáki中间神经元产生持续非适应的紧张性放电。两者基强度相近（0.2 μA/cm²），但f–I斜率差异显著：锥体神经元为9.26 Hz/μA·cm^?2，中间神经元为20.48 Hz/μA·cm^?2，后者增益为前者的2.2倍。

4.2 网络重现层状与距离依赖的连接结构

1600个神经元经球面斐波那契晶格分布于四层同心球壳。突触连接概率随体间距离呈指数衰减，特征衰减长度261 μm。兴奋性投射在层内及邻近层间最密集，抑制性投射以层内为主。网络共含96,760个突触连接，分布于29条投射通路。

4.3 L4刺激经皮层层级传播

最高增益下，L4锥体放电率从自发活动的3.78 Hz升至15.35 Hz（增加306.5%）。下游层反应逐级衰减：L2/3增加52.3%，L5增加13.3%，L6仅增加1.0%。网络在所有条件下维持异步-不规则状态，群体频谱呈宽带特征，无主导振荡峰。

4.4 频谱斜率产生分级群体反应

群体反应随β系统性变化，而非形成五种离散状态。L2/3中间神经元放电率每单位β增加0.041 Hz（部分η² = 0.19）。经错误发现率校正后，48项层×细胞类型比较中25项显示与β的显著线性关系。线性模型充分描述反应-β关系，添加二次项未改善任何模型。标准化反应强度排序为粉>棕>蓝>白>紫，与β排序不同，反映反应均值位移与离散度的差异。

4.5 频谱斜率可从群体活动解码

五类最近质心分类器基于12个生理特征解码频谱条件。连续解码器恢复β的交叉验证相关系数r = 0.83（RMSE = 0.79）。L4解码精度最高（69.6%），L2/3次之，L5和L6接近机会水平。紫噪声灵敏度最高（62%），粉噪声最低（50%）。解码精度随噪声对比度增加而逐步提高。

4.6 解码泛化至未训练的噪声场

留一噪声场交叉验证下，L4解码精度为30.5%（机会水平20%），显著高于机会水平。转移精度随噪声对比度上升，误分类集中于相邻颜色，连续β解码器转移r = 0.43。这表明转移成分与频谱斜率相关，而非特定噪声场的偶然特征。

4.7 频谱表征在皮层层间不均匀

单变量分析中，β在L2/3解释最大反应方差（部分η² = 0.54），随后沿前馈级联逐层下降。解码分析中，L4精度最高，L2/3次之，深层显著低于浅层。两种测度均表明频谱信息分布不均，不随距输入距离简单衰减。

4.8 L4抑制不降低频谱可分辨性

招募L4前馈抑制未显著改变放电率与β的关系（交互项0.016，95% CI [?0.24, 0.21]，p = 0.89），亦未显著改变解码精度。抑制性输入的招募既不改善也不损害群体状态的可分离性。

4.9 频谱表征跨刺激增益稳定

在产生可靠网络反应的增益下，颜色排序与合并排序的一致性达Kendall's τ = 0.80（最高增益）和0.60（次高增益）。最低有效增益下排序不稳定，但解码仍显著高于机会水平，表明群体水平信息未丢失。

4.10 L4频谱信号为前馈性质，循环作用塑造其层状传播

完全断开网络后L4解码精度为63.0%（完整网络69.6%，Δ = 6.5%，p = 0.45）；去除层内循环后同样为63.0%（p = 0.51）。L4频谱信号基本由前馈驱动，不依赖循环交互；循环作用决定该信号向其他层的传递程度。

五、讨论与结论

本研究表明循环皮层动力学可在转换输入活动的同时保留其统计结构信息。该信息分布于群体活动的多个维度，并可在皮层各层间保持可恢复性。L4解码不依赖循环交互，而循环作用决定频谱信号向其他层的传播程度。网络偏好1/f样输入，部分编码偏差可能源于内在动力学。追踪群体统计特性而非单个脉冲，为研究循环回路如何转换并保留输入活动提供了可行框架。