特定物种的感知运动噪声水平可以解释猕猴和斑马鱼在眼球快速运动（saccades）抑制能力方面的差异

《iScience》：Species-specific sensorimotor noise levels explain saccadic suppression strength differences between macaques and zebrafish

　　亮点
- 控制模型预测感觉运动噪声对眼跳前后视觉敏感度的影响
- 鲕鱼幼体的眼动和感觉噪声比猕猴更高
- 模型预测鱼类的眼跳抑制较弱，且没有后续增强
- 跨物种实验证实了这一预测，并突显了大脑的计算资源限制

摘要
主动感知需要整合关于自身产生的运动和传入信息的信息。然而，这些信息本身是变动的，并依赖于不确定的外推。视觉敏感度的眼跳抑制是感觉运动整合的一个经典例子。在这里，我们使用基于高效状态估计的控制理论模型来预测，最佳的眼跳抑制强度取决于未解释的感觉和运动变异性随时间的变化。通过使用两种截然不同的物种——猕猴和鲷鱼幼体——我们在上丘和同源的光状脉络中实验性地测量了眼跳抑制。实验量化了物种特定的眼动噪声，并估计了感觉噪声。我们发现，感觉和运动噪声水平的物种间差异及其对视觉敏感度的理论预测影响与观察到的眼跳抑制强度的差异一致。我们的结果突显了大脑的计算资源限制对于理解在相同脑区进化出的表现差异的重要性。

引言
在探索世界的过程中，我们的大脑不断协调来自变化环境中的感觉输入以及自身身体运动内部信号之间可能存在的矛盾信息。感觉和运动信息之间这种非静止关系的一个显著例子是眼跳抑制现象，即在眼跳发生时视觉敏感度会短暂降低（见图1A）。眼跳抑制是一个在从鲷鱼幼体到啮齿动物和灵长类动物/人类等多个物种中高度保守的现象。

图1 两种进化上相距较远的脊椎动物——猕猴和鲷鱼幼体——的视觉系统中的眼跳抑制
(A) 在眼跳发生时的抑制窗口内，对外部刺激的视觉感知敏感性降低。
(B) 猕猴（橙色轨迹）和鲷鱼（蓝色轨迹）的眼球水平位置。鲷鱼的眼跳执行得更慢且准确性更低。
(C) 猕猴上丘（SC）包含的神经元数量约为鲷鱼光状脉络（OT）的100倍，这使得猕猴能够用许多小范围感受野采样其显著较小的视野。相比之下，鲷鱼必须用较少的感受野覆盖更大的视野，导致视觉空间采样更加粗糙。因此，猕猴可以比鲷鱼更精确地估计视觉刺激（例如红点）的相对位置。
(D) 猕猴和鲷鱼遇到的陆地和水生栖息地的自然图像。图片来源于Cai等人。图片下方的强度轨迹描述了10秒时间窗口内每个图像的光度变化（以任意单位表示）。
(E) 陆地和水生栖息地在空间和时间频率内容上的功率谱差异示意图。陆地场景内容以高空间频率和低时间频率为主；水生场景内容以低空间频率和高时间频率为主。该图改编自Cai等人。

传统上，眼跳抑制被视为一种感知问题，其中眼跳引入了视觉系统需要处理的较大视觉扰动。然而，最近的研究将眼跳抑制重新定义为最优感觉运动控制的范畴。在这种框架下，眼球位置控制被概念性地建模为一个闭环控制系统，该系统根据感觉和运动信息的固有可靠性动态地权衡这些信息，以最佳估计眼球的状态。因此，视觉敏感度的降低被视为大脑进行即时状态估计的需求的结果。

在这样的贝叶斯估计框架内，考虑了四个不同的不确定性来源：感觉输入、眼球系统的动态特性、来自控制信号本身的信号依赖性运动噪声，以及从视网膜到高级计算区域的感觉信号的中继延迟。考虑到这些变化较大的噪声来源，特别是在快速眼球运动期间，感觉信号在估计眼球系统的即时状态方面非常不可靠。这要求减少感觉增益，如在眼跳抑制过程中观察到的那样，并表明眼跳抑制不仅仅是视觉系统的适应机制，实际上也是整体运动控制的一个功能上有益的组成部分。

上述对眼跳抑制的机制解释依赖于结合感觉和运动信号的解剖结构。在哺乳动物中，这一结构位于上丘（SC）；在较低等的脊椎动物（如鲷鱼）中，则位于同源的光状脉络（OT）。在猕猴SC和鲷鱼OT的研究表明，尽管它们在进化上相距甚远，但在这些结构中的神经元中确实可以观察到眼跳抑制现象。这至少部分是因为控制眼动的脑干回路在鲷鱼和猕猴之间相对保守。

尽管存在这种保守性，鲷鱼和灵长类动物之间的差异使我们能够从进化优化的角度考虑眼跳抑制的计算限制。例如，由于缺乏皮层，因此缺乏重要的眼跳规划和生成结构（如额眼区），鲷鱼的眼跳在大多数情况下是非目标导向的，而是反射性的（参见Dowell等人）。在鲷鱼中，已知的眼跳控制仅限于中脑和间脑结构，如OT和前视丘。此外，功能解剖学和自然场景统计表明，鲷鱼可用的感觉信息较少（与灵长类动物相比），而这又因眼球位置稳定性较差而加剧（见图1B–1E）。因此，鲷鱼较小的大脑和非常不同的自然场景统计特性为我们提供了一个理想的机会，以了解不同大脑大小的计算限制如何定量重塑在多个物种中本质相同的现象。

从理论基础出发，我们实现了一个计算模型，允许对不同感觉和运动噪声对眼跳抑制强度的贡献进行参数化。然后，使用匹配的视觉刺激方法（STAR方法），我们在处于脊椎动物进化谱两端的两类物种——猕猴和鲷鱼幼体——的同源脑结构中实验性地测量了眼跳抑制强度。我们的结果表明，感觉和运动噪声在决定这两种物种的眼跳抑制强度方面起着重要作用。

结果
眼跳抑制作为高效的感觉运动估计
眼球位置控制可以在闭环系统中优化，最近的研究表明，眼跳抑制可能是由于在快速眼球运动过程中的高效感觉运动估计引起的。根据这一框架（见图2），贝叶斯估计器根据这些信息的变化可靠性（特别是在眼跳期间）动态地平衡来自感觉和运动信息的预测。该框架可以解释为什么视觉不确定的时期（即眼跳期间）与感觉运动神经元中的感觉表征的（部分）抑制相关联。从解剖学上看，这种状态估计器可能存在于哺乳动物的SC或硬骨鱼的OT中，在这些结构中发现了眼跳抑制的神经相关性，并记录了定向运动控制的空间映射。

尽管SC和OT在解剖学上具有同源性，但它们的神经元数量——因此归属于相应解剖结构的计算资源——在猕猴和鲷鱼中存在很大差异。因此，在接下来的部分中，我们首先估计了这两种物种中的SC和OT神经资源对感觉和运动噪声范围的影响，然后研究了这些噪声范围对实验观察到的和理论预测的眼跳抑制强度的影响。

图2 眼跳抑制作为高效的感觉运动估计
示意图展示了用于闭合回路控制眼球运动的贝叶斯状态估计（改编自Crevecoeur和Kording）。为了估计视觉目标的当前位置x，其之前的位置以带有延迟δt和视觉噪声σt的形式作为视觉输入y传递，然后与来自相应放电的运动活动结合。这种结合感觉信息的外推与通过Kálmán滤波器的纯前馈运动外推相权衡。眼球位置通过带有乘性噪声εt、加性噪声ξt和缩放因子α的控制信号u移动到这个估计的目标位置。At和Bt捕捉眼球系统的动态，t是时间，dt是时间步长。K的变化对应于眼跳抑制或增强。有关模型和符号的详细信息，请参见STAR方法。

跨物种的眼跳反映了不同的基础神经资源
尽管SC和OT在解剖学上具有同源性，但这两个结构的神经元数量却大不相同。根据大脑体积和每种生物体的总神经元数量，我们估计猕猴SC的神经元数量约为鲷鱼OT的100倍（见图1C，STAR方法）。这种神经元资源的差异应直接反映在各自物种的眼动控制中，因为这两种物种在执行精确眼跳运动的能力上存在显著差异。例如，比较图1B、3A和3C：鲷鱼和猕猴的眼跳期间的眼球位置在数量上并不完全相同，鲷鱼的眼跳准确性较低，且经常出现超调或欠调。此外，眼球运动的偏移时间也有较大变化，表明由于神经元资源较少，运动控制不够精确。进一步比较感觉准确性（见图1C），我们注意到鲷鱼的视野比猕猴大得多，但神经元较少，感受野也较大。因此，鲷鱼的视野采样较为粗糙，可能导致感觉估计不够精确。总之，资源受限的鲷鱼眼动系统尽管在解剖学上保守，但在眼跳期间可能依赖于比猕猴更不确定的感觉和运动信息。如下一节所示，这直接影响了这两种物种的眼跳抑制强度。

图3 鲤鱼在眼跳期间的运动信号比猕猴的噪声更大
(A) 猕猴在眼跳期间的标准化眼球位置。灰线表示单个试验，彩色线表示平均眼球位置，阴影包络表示标准差。眼跳根据眼跳起始和偏移位置之间的差异进行了归一化（STAR方法）。N = 1,445次眼跳。
(B) 一个猕猴眼跳的示例，带有S形拟合（虚线）。偏离拟合的部分（RMS）被认为是运动噪声（详细信息见STAR方法）。
(C和D) 与(A)和(B)中的鲷鱼相同。鲷鱼的眼球运动比猕猴更为嘈杂。N = 209次眼跳。
(E) 估计的乘性（ε）和加性（ξ）运动噪声的标准差。箱形图显示了猕猴和鲷鱼在眼跳期间多个速度区间的乘性运动噪声估计的标准差。中心线表示中位数，箱子包含了第25至第75百分位数，须线延伸到数据的最小值和最大值；圆圈表示异常值。
(F) 小提琴图显示了猕猴和鲷鱼在整个眼跳前后静止阶段汇总的加性运动噪声估计分布；误差条表示标准差。

为了评估噪声水平对高效感觉估计理论预测的影响，我们首先实验量化了猕猴和鲷鱼在眼跳前后和期间的运动噪声（见图3）。我们在两种物种中记录了眼跳轨迹（见STAR方法，“噪声估计”），并估计了用于模型的噪声参数（见图3B和3D）。首先，眼动轨迹被分为眼跳前、眼跳期间和眼跳后的部分（见图3B和3D）。眼跳前和眼跳后的部分用于确定加性运动噪声ξ，因为它被建模为独立于眼跳的运动控制信号（见STAR方法，“加性运动噪声”）。为了量化乘性运动噪声?，我们对眼动轨迹的眼跳部分拟合了一个S形曲线（见图3B和3D）。从S形拟合的时间导数中，我们得出了控制信号u(t)。通过对u(t)进行分段常数近似，并结合之前确定的加性运动噪声ξ，我们用来估计ε（参见STAR方法中的“乘性运动噪声”部分）。因此我们确定，斑马鱼的运动控制比猕猴的更加嘈杂，斑马鱼的加性运动噪声大约高出10倍，而乘性运动噪声则高出33倍（见图3E）。虽然运动噪声在实验上容易量化，但估计感觉噪声则更具挑战性。这是因为目前尚不清楚猕猴或斑马鱼使用哪些视觉神经元来估计自己的眼睛位置。因此，我们没有使用基于图像的眼球位置推断的计算模型来估计感觉噪声——因为这需要对每种动物中相关神经元群体的身份做出假设——而是根据三种可能的机制来估计感觉噪声水平，这些机制都表明斑马鱼的感觉噪声水平大约是猕猴的10倍。在第一种机制中，感觉信息的精度随着可用神经元数量的增加而提高。视觉感受野通常会均匀地覆盖视觉空间（如图1C所示），这意味着不同的视觉区域激活的神经元数量相似（这里我们忽略了猕猴和斑马鱼的中央凹和颞腹侧/中央区）。然后可以根据这两种动物视觉脑区中的神经元数量来估计感觉噪声参数σ（参见STAR方法中的“脑区内神经元数量估计”、“感觉估计模型”）。SC中有大约100万个神经元，而OT中有1万个神经元，这种100的比例在考虑到感受野的二维分布后转化为10倍的差异。在第二种数学上密切相关的机制中，假设眼球位置的推断采用的是“胜者通吃”的机制，即只有激活最强烈的神经元才会传递有关物体相对于眼睛的位置的信息。在这种情况下，眼球位置的估计精度取决于单个神经元的感受野大小。据Chen等人研究，斑马鱼OT中的感受野范围大约为5°到130°，而猕猴SC中的感受野范围为0.5°到20°。因此，在这种情况下，斑马鱼视觉系统中的感觉噪声也应该比猕猴高出一个数量级。最后，在第三种机制中，我们认为只有当动物能够看到结构化的视觉环境时，才能进行眼球位置的视觉推断。先前的关于自然刺激统计的研究表明，水生环境中的高空间频率结构比陆地栖息地少。此外，由于阳光在水面的折射以及水中的漂浮颗粒，水生环境中的（时间）亮度噪声更多，这导致水生环境中的视觉刺激具有更高的时间频率（见图1D和1E）。Cai等人研究表明，陆地环境中0.1到0.7周期/度的空间频率大约多10倍，而水生环境中5-44周期/秒的时间频率大约多10倍（参见Cai等人的图4G）。这种时间噪声和水生环境中空间特征较少的自然刺激应该会阻碍精确的眼球位置推断。基于上述三种可能的机制，我们估计斑马鱼的感觉噪声可能是猕猴的10倍。正如我们在下一节中进一步展示的，我们还在模型中模拟了其他范围的感觉噪声，从而更加强有力地支持了关于物种间扫视抑制强度差异的结论。

在实验中测量了加性和乘性运动噪声水平，并估计了物种间的感觉噪声差异后，我们现在可以对两种动物的扫视抑制强度进行预测。物种间的抑制强度差异与其噪声水平一致。我们首先确定了模型参数以复现原始研究中预测的曲线。我们决定在模型中同时考虑加性和乘性运动噪声，即ε = ξ（STAR方法）。这是合理的，因为该模型的抽象程度很高，感觉和运动信息被建模为不涉及特定神经实现的抽象变量。这也进一步得到了证实，因为在两种动物中，加性（ξ）和乘性（ε）运动噪声的比率在数量级上是相似的（见图3E和3F）。然后，我们进行了进一步的模拟，测试了感觉和/或运动噪声变化多达33倍的效果，反映了我们实验中推断出的物种间噪声比率（见图1C、3E、3F和4A）。为了简化，我们没有明确表示物种间扫视持续时间的差异，但这可以做到，并且略微降低这些因素而不影响概念结果（参见STAR方法中的“噪声估计”）。图4中的贝叶斯估计模型预测了猕猴和斑马鱼在不同噪声参数范围内的扫视抑制剖面的差异。图4 (A) 模型预测的扫视抑制最佳时间进程。所有实心黑色轨迹表示最佳卡尔曼矩阵的第一个元素；垂直虚线表示扫视开始时间。不同的感觉和运动噪声组合会导致不同程度的扫视抑制。左上角的粗轨迹是根据类似猕猴的噪声参数获得的，右下角的粗轨迹是根据类似斑马鱼的参数获得的。这里显示的所有噪声参数（例如“10×”）都是相对于猕猴的参数（“1×”）。物种间的扫视长度差异可以通过修正项来考虑，稍微降低类似斑马鱼的参数（参见STAR方法）。(B) 增加的感觉噪声会减少各种运动噪声范围内的扫视抑制深度，但在研究的参数范围内，它几乎不影响其整体形状。曲线是(A)列中曲线的叠加，绿色的深浅表示相同运动噪声下不同强度的感觉噪声。(C) 增加的运动噪声会抑制扫视后的增强效应，这种效应在各种感觉噪声范围内都很显著。曲线是(A)行中曲线的叠加，洋红色的深浅表示相同感觉噪声下不同强度的运动噪声。确实，更高的感觉噪声降低了预测的扫视抑制强度的最佳值，这与感觉信息总是不可靠的观点一致，因此扫视对高效状态估计中的权衡影响较小（见图4B）。另一方面，运动噪声的影响与感觉噪声不同，斑马鱼观察到的噪声水平主要影响了扫视后的增强效应（见图4C；详见下文和图5关于我们所说的扫视后增强）。这一结果再次符合我们的直觉，即比较两种动物扫视后的眼球位置稳定性时，斑马鱼的视觉不确定性仍然很高，即使在扫视完成后也是如此。因此，如果猕猴的感觉和运动噪声比斑马鱼低，那么图4的结果预测猕猴的扫视抑制和扫视后的增强效果都会更强。图5 猕猴上丘和斑马鱼视顶盖的扫视抑制与模型预测相匹配。图5 (A) 来自猴子的示例眼球轨迹，显示基线闪光（“BL”）和测试闪光（“Test”）的时间顺序（分别发生在扫视后约200毫秒和50毫秒）。(B) 来自斑马鱼的示例眼球运动轨迹，显示了基线和测试闪光的时间顺序。这里只显示了扫视后250毫秒的测试闪光；在(E)和(G)中，汇总了20、100和250毫秒的测试闪光。(C) 来自猴子SC的示例神经元：对基线闪光（黑色）和测试闪光（橙色）的视觉反应。存在强烈的扫视抑制。(D) 来自斑马鱼视顶盖的示例神经元：对基线闪光（黑色）和汇总的测试闪光（蓝色）的视觉反应。存在扫视抑制，但比猴子SC神经元中的要弱。(E) 神经元中抑制强度的累积分布函数。突出显示了(C)和(D)中的示例神经元。83%的SC神经元（橙色）在扫视后50毫秒显示出抑制；68%的OT神经元（蓝色）在20、100和250毫秒的延迟时间内显示出抑制。SC神经元的平均抑制强度比顶盖神经元强（p < 0.001，Wilcoxon秩和检验）。(F) 猕猴SC中的抑制时间进程。虚线连续曲线表示Bellet等人的数据，其中测量了完整的时间进程（包括微扫视）；叉号表示所有神经元（虚线）和显著被抑制的神经元（实线）的数据。虚线与Bellet等人的时间进程非常吻合，后者也包括了所有测量的神经元。重要的是，我们看到系统性的扫视后增强，这与模型预测直接一致。误差条表示SEM。插图：图4A左上角所示的低感觉和运动噪声下的模型预测。(G) 斑马鱼OT神经元的抑制时间进程，类似于(F)。插图：图4A右下角所示的高感觉和运动噪声下的模型预测。为了测试物种间的扫视抑制强度差异，我们在猕猴的SC和斑马鱼的OT中记录了神经活动。我们在技术限制下尽可能地匹配了两种动物的视觉刺激参数。具体来说，对两种动物我们都展示了在纹理背景上的视觉探针闪光，并测量了SC或OT中对这些探针闪光的神经反应。关键的是，纹理背景的统计特性是根据每种动物的视觉敏锐度资源进行了优化（STAR方法）：空间频率范围与各自动物预期的感受野大小相匹配，这与我们之前进行的多物种扫视抑制比较方法类似。SC活动是通过线性多电极阵列的 electrophysiological 记录来测量的；OT活动是通过2光子钙成像来测量的。然后，我们将探针闪光在时间上的反应（在图5A-5D中称为“基线闪光”）与扫视期间的反应（在图5A-5D中称为“测试闪光”）进行了比较。由于猕猴的扫视持续时间为24-45毫秒（平均=37.6毫秒），扫视抑制大约持续40-60毫秒，因此我们选择在扫视后200毫秒显示基线闪光，以确保没有扫视的信号干扰。对于斑马鱼，已知抑制持续时间要长得多（4秒），因此我们在扫视后8秒显示基线闪光。斑马鱼的探针闪光时间更长，以便让相对较慢的钙指示剂有足够的时间进行信号整合。此外，由于钙成像同时记录了多个神经元，并且时间分辨率比电生理方法差，我们对斑马鱼使用了全场闪光，而对猕猴使用了覆盖感受野的局部闪光。图5A和5B示意性地说明了两种动物中视觉刺激呈现的时间顺序相对于扫视开始的时间。图5C和5D分别显示了SC和OT的示例神经元。在这两种情况下，当刺激在扫视后短时间内出现时，对闪光的反应明显减弱，表明两种灵长类动物和鱼类在单个神经元水平上都存在明显的扫视抑制。为了比较群体的抑制强度，我们计算了所有包含神经元的抑制指数的累积分布函数（CDFs）（STAR方法）。分布结果显示了明显的物种差异：猕猴(SC)的扫视抑制通常显著更强（统计结果详见图5的图例），并且比斑马鱼(OT)更普遍，这与模型预测一致（图4），即斑马鱼中更高的运动和感觉噪声减少了扫视期间和扫视后立即对感觉输入的折扣效益。因此，斑马鱼和猕猴在抑制强度上的差异可以通过与噪声存在下高效状态估计相关的优化原理来解释。最后，在两个物种中，我们都通过实验测试了与扫视相关的多个时间点的视觉敏感度（STAR方法）。这使我们能够进一步将实验数据与我们模型的预测进行比较，特别是在扫视后的视觉敏感度增强方面（图5F和5G）。对于两个物种，模型都再现了这样一个事实：无论抑制强度如何，扫视前后总有一段较长的时间视觉敏感度会降低。重要的是，除了正确预测了猕猴的扫视抑制会比对鱼更强——这一预测仅由独立估计的物种特异性噪声水平驱动（参见图3）之外，模型还预测了猕猴的扫视后增强（图5F和Bellet等人）比鱼更有可能发生。如前所述，这反映了两种物种在扫视后眼睛位置的稳定性的显著差异（图1B）。

总结来说，我们通过实验验证了计算模型关于感觉和运动噪声对扫视期间高效感觉运动估计影响的两个预测。首先，斑马鱼中增加的感觉噪声导致扫视抑制强度减弱。其次，增加的运动噪声导致扫视后增强减少。我们认为，我们研究中的模型与数据之间的对应关系表明，在特定物种的噪声约束下，高效的感觉运动估计可以统一解释不同脊椎动物的扫视抑制强度。

讨论
扫视抑制是一种高度保守的主动视觉现象，在多个物种中都有观察到。在这里，通过结合计算建模和同源结构中的神经生理记录，并在两个进化上相距较远的物种——猕猴和斑马鱼幼体中使用匹配的视觉刺激方案，我们展示了扫视抑制可以理解为在特定物种噪声约束下的最优状态估计。具体来说，一个贝叶斯状态估计模型预测，随着感觉噪声的增加，扫视期间的抑制会减弱，而随着运动噪声的增加，扫视后的增强会减弱。猕猴和斑马鱼的物种特异性噪声估计以及神经生理记录在生物学上证实了这些预测。这些观察结果共同支持这样的观点：扫视抑制不仅仅是一种视觉应对机制，而是一种在资源约束下的适应性状态估计策略。

我们发现的一个含义是，扫视抑制不应仅仅被视为一种视觉现象，而应放在更广泛的感觉运动优化背景下进行理解。例如，在小鼠胡须的触觉系统中，当动物自运动时，对外来刺激的反应会减少。同样，在猫、人类和非人类灵长类的触觉系统中，也发现了自愿运动期间的感觉门控现象。感觉门控进一步扩展到灵长类的本体感觉系统，以及人类的口面部和听觉系统。这些观察结果表明，在自我产生的动作（如触摸、手臂/身体运动或说话）期间，感觉增益的暂时性减少可能代表了一种高效感觉运动控制的通用计算策略。虽然感觉门控的存在似乎在感觉模式和物种之间普遍存在，但其强度可能取决于特定物种的神经资源限制和生态需求。在扫视抑制的情况下，猕猴严重依赖具有密集感受野采样的中央视觉和精确的目标导向扫视来进行视觉感知。在这种条件下，在感觉运动噪声增加的时期短暂减少感觉输入，然后在精确执行的扫视完成后短暂增强感觉输入，可能对高效的感觉估计带来实质性的好处。相比之下，斑马鱼的视野要宽得多，采样密度较低，眼动控制的精确度也显著低于猕猴。因此，斑马鱼在扫视期间以及其他情况下，眼动系统的不确定性很高。因此，在扫视期间减少感觉输入或增强扫视后的“快照”几乎没有好处。此外，自然水生环境（与陆地环境相比）包含较少的高空间频率特征和更多的时间亮度波动，这进一步增加了斑马鱼眼动系统的相对不确定性。总的来说，我们的发现表明，扫视抑制的定量差异反映了物种特定的神经资源限制的适应以及动物进化环境中统计结构的适应。

尽管贝叶斯状态估计模型很好地捕捉了物种间抑制强度的差异，但它对抑制持续时间是不敏感的，因为它使用任意时间单位进行操作。实际上，猕猴(SC)的抑制持续时间不到100毫秒，而斑马鱼(OT)的抑制持续时间则明显更长（4秒）。先前的研究表明，斑马鱼中这种延长的抑制并不是实验设计的结果，而是刺激显著性的效果，行为上显著的刺激表现出显著更短的扫视抑制持续时间。物种间抑制持续时间差异的一个潜在解释可能是斑马鱼的扫视频率较低。如果扫视作为一种获取新信息的形式（即“快照”），那么感觉抑制的时间轮廓应该与扫视间隔成比例（在自由视野的猕猴中约为每分钟180次自发扫视，在本研究中斑马鱼幼体约为每分钟2次自发扫视）。因此，更频繁采样环境的动物从较短的抑制时间中受益，而采样率较低的动物可能需要更长时间的抑制。未来的工作将需要确定扫视频率是否塑造了扫视抑制的时间轮廓。

研究的局限性
在解释当前发现时，必须考虑几个局限性。首先，由于两种物种在技术实验设计上的必要差异，猕猴和斑马鱼之间的直接神经生理比较本质上是具有挑战性的。猕猴的神经活动是通过电生理学测量的，而斑马鱼的是通过钙成像，这导致时间分辨率不同。必须根据每种动物的视野特性来匹配视觉刺激方案。对于具有前瞻性视觉的猕猴，我们使用了一个简单的屏幕和局部探针闪光，直接匹配感兴趣神经元的感受野。对于视野较大的斑马鱼，我们使用了一个完整的周围视觉刺激场所和全局刺激，因为同时记录了多个神经元，而钙成像的次优时间分辨率阻止了我们首先测量单个神经元的感受野。Soto等人表明，当使用局部刺激（移动点）时，斑马鱼的扫视抑制强度 even 更小，这表明物种间的抑制强度差异可能比这里显示的还要大。此外，猕猴的扫视是视觉引导的，而斑马鱼的扫视是自发的。两种物种的扫视大小也有很大差异，斑马鱼通常执行超过20°的扫视，而猕猴的引导扫视大小为7.5°。虽然有一些证据表明斑马鱼的扫视抑制强度与扫视大小成比例，但这种效应很小，在猕猴中没有观察到（图5F显示微扫视和较大扫视的抑制相似），因此不影响本研究的结果。尽管这些方法学差异可能影响了测量的抑制的绝对幅度和时间轮廓，但关于斑马鱼抑制较弱和扫视后增强较弱的中心论点可能没有受到影响。

第二个局限性是关于感觉噪声的估计。虽然运动噪声可以直接从扫视眼迹中推断出来，但感觉噪声只能从神经元数量、感受野特性和/或自然图像统计中间接估计。然而，由于我们有多条论据都指向感觉噪声的相对差异在一个数量级上，我们有信心我们的模型的概念预测及其基于此的结论不依赖于具体的参数选择。此外，模型中呈现的噪声效应也不依赖于所选择的物种间噪声比率的精确水平（参见图4的对角线）。另外，我们也没有明确模拟实验已知的不同扫视持续时间，也没有通过校正不同的模拟时间步长来考虑这一点，这可能将个别噪声样本的高估了两倍或更多（参见STAR方法，“噪声估计”）。这种简化在概念上并没有影响我们的结果。需要进一步的研究来调查不同物种之间扫视抑制的时间方面，即是否可以理解斑马鱼中更长的扫视抑制和扫视持续时间是对更高噪声水平的适应。

最后，这里使用的贝叶斯状态估计模型是在高抽象层面上操作的，无法捕捉扫视抑制的生物实现。因此，它无法解释任何特定物种的电路机制、抑制持续时间或涉及的神经元群体。相反，该模型最好被视为一个概念框架，将感觉和运动不确定性与感觉增益调节联系起来。尽管抽象程度很高，该模型仍然成功地捕捉了两个进化上相距较远的物种之间扫视抑制的概念差异。我们建议，像我们在这里所做的那样，对计算资源限制的影响进行理论考虑，也将有助于我们理解更广泛的多模态、综合大脑过程。

资源可用性
主要联系人
有关更多信息和资源的请求应联系主要联系人Aristides B. Arrenberg博士（[e-mail]）。

材料可用性
本研究没有生成新的独特试剂。

数据和代码可用性
•本文分析了之前发布的斑马鱼钙成像数据。预处理的数据和分析代码可以在https://doi.gin.g-node.org/10.12751/g-node.97d2tj获取。
•用于模拟计算模型的所有原始代码已通过Zenodo存放在GitHub上，并在发布日期时公开提供，网址为https://doi.org/10.5281/zenodo.22731530。
•如需重新分析本文报告的数据，可以从主要联系人处获取任何额外的信息。

致谢
本工作得到了德国研究基金会（DFG；German Research Foundation）通过特别优先计划“SPP 2205 神经处理的进化优化”（430158665和430157666；AR 1076/1-2, HA 6749/3-2, 和 AR 1076/1-1）、DFG的主要研究仪器计划（INST 37/1254-1 FUGG）以及人类前沿科学计划（HFSP）青年研究员资助RGY0079的支持。我们感谢比利时鲁汶大学的Frédéric Crevecoeur对原始贝叶斯估计模型的有益讨论，以及分享其一些未发表的代码。

作者贡献
G.S. 在斑马鱼视顶盖进行了实验，分析了斑马鱼的钙数据，生成了图表，并撰写了手稿和所有主要修订内容。
F.A.D. 重新实现了扫视抑制模型，生成了图表，并撰写了手稿。
M.P.B. 进行了猕猴实验，分析了猕猴的眼动数据，分析了猕猴的电生理数据，生成了图表，并撰写了手稿。
I.T. 分析了斑马鱼和猕猴的眼迹数据并生成了图表。
Y.Y. 进行了猕猴实验。
T.M. 进行了猕猴实验并分析了猕猴的电生理数据。
Z.M.H. 和 A.B.A. 设计了整个研究，获得了资金并撰写了手稿。

利益声明
作者声明没有竞争利益。

STAR
★方法
关键资源表
REAGENT 或 RESOURCES
SOURCE
IDENTifier
存档数据
斑马鱼钙成像数据和代码存储库
Arrenberg Lab
https://doi.gin.g-node.org/10.12751/g-node.97d2tj

实验模型：生物体/品系
Tg(HuC:H2B-GCaMP6f)jf7; nacre ?/?
Chen等人
N/
AS
Rhesus猕猴
German Primate Center
N/
软件和算法
ZebEyeTrack
Dehmelt等人
https://doi.org/10.1038/s41596-018-0002-0
MATLAB R2022b（成像分析），R2025b（模拟）
MathWorks
https://de.mathworks.com/products/matlab.html
VxPy
Hladnik等人
https://github.com/thladnik/vxPy
MScan
Sutter Instruments
https://www.sutter.com/microscopes/momPy
Charm Python 3.10
Jetbrains
https://www.jetbrains.com/de-de/pycharm/
Python 3.8.18
Python Software Foundation
https://www.python.org/downloads/release/python-3818/suite2p
Pachitariu等人
https://github.com/MouseLand/suite2p
Kilosort 1和2，附带Phy curation
Github
https://github.com/MouseLand/Kilosort

新标签页中的开放表格
所有非人类灵长类和斑马鱼实验都经过了伦理委员会的评估，并得到了图宾根地区政府的批准。对于猕猴，我们记录了两只13至14岁、体重9至13公斤的成年雄性恒河猴（A和F）的SC活动。对于斑马鱼，我们记录了受精后5-7天的7条斑马鱼幼体的钙活性，这些幼体表达了pan-neuronal GCaMP6f并且是mitfa突变的纯合子（Tg(HuC:H2B-GCaMP6f)jf7; nacre ?/?）。在当前阶段，由于所有幼体都具有幼年卵巢，因此在幼体阶段无法确定斑马鱼的性别，形态学性别鉴定只发生在后续发育阶段。在记录眼位时，我们使用了11只1-6天的珍珠贝幼虫。这些幼虫在E3溶液中、28°C的温度下、14/10的光暗周期下进行培养。通过将尖峰列与高斯核（σ = 10毫秒）进行卷积来估计发射率。只有那些相对于基线活动显示出显著视觉反应的SC神经元（t检验）被纳入分析。这是必要的，因为抑制作用于视觉反应。为了量化抑制强度，我们采用了与先前工作中类似的分析方法。首先，为了分离与眼跳本身相关的神经反应，我们将尖峰活动与离线检测到的眼跳起始对齐，并对受眼跳影响但不受视觉探针影响的试验部分进行平均处理。这种与眼跳相关的反应分别针对每个神经元、眼跳方向和背景纹理条件进行计算。接下来，我们将神经活动与探针闪光的起始对齐，并确定每次试验中眼跳起始与探针起始之间的时间偏移量。然后将与眼跳相关的反应按照这个偏移量进行时间调整，并从个体试验活动中减去，以分离出探针引发的成分。在这项研究中，我们对探针闪光导致局部亮度增加或减少的试验进行了平均处理。分析仅限于以粗糙纹理作为背景的试验。为了量化抑制程度，我们通过将0毫秒延迟条件下的平均诱发反应除以200毫秒延迟条件下的平均反应（基线）来计算每个神经元的抑制指数。诱发反应被定义为探针起始后50至200毫秒时间窗口内的平均发射率。最后，我们注意到我们的研究量化的是大眼跳的抑制现象。然而，在SC中，抑制强度似乎并不强烈依赖于眼跳的大小。例如，在图5F中，我们观察到的抑制强度与Chen等人研究的微小眼跳中的抑制强度在数量上是相似的。

斑马鱼体内钙成像
实验设置
将幼年斑马鱼嵌入1.6%的低熔点琼脂中，并去除眼睛周围的琼脂以便眼睛可以自由移动。然后将鱼放置在定制的舞台上，并浸入E3溶液中，该溶液位于一个球形刺激场中。视觉刺激场由一个直径80毫米的树脂球体组成，内含E3溶液，斑马鱼位于球体中心。这个球体作为DMD视频投影仪的投影表面，投影仪由高功率LED光源供电，能够实现360°的视觉刺激。视觉刺激以60赫兹的刷新率和625纳米的波长投射到刺激场表面。
为了测量眼睛位置，使用定制的红外LED环照亮鱼，并用带有红外滤镜的相机（Basler ace 2 R, a2A1920-160umBAS, Basler AG, Ahrensburg, Germany）以100赫兹的频率记录眼睛。允许鱼进行自发的眼跳。眼睛位置被实时提取并计算瞬时速度。眼跳的检测使用至少200°/秒的速度阈值。为了优化眼跳检测，实际的速度阈值会根据每条鱼的具体情况进行调整，以确保理想的检测效果并避免噪声干扰。为了生成和显示视觉刺激、提取眼睛位置和速度以及以闭环方式触发视觉刺激，我们使用了VxPy（版本0.1.4）。
为了测量顶盖神经元的钙活动，我们使用了可移动的双光子装置（Sutter Instruments, Novato, CA, USA），其采集速率为2.18帧/秒，图像大小为512 × 512像素，分辨率为每个像素0.88 μm × 0.88 μm。GCaMP6f在920纳米波长下被激发，发出的光通过20倍/1.0倍Zeiss水浸物镜收集。

视觉刺激
如前所述，二元高斯模糊纹理被显示在球形刺激场上。为了适应斑马鱼视觉刺激场的球形几何结构，通过在球体表面均匀分布2000个等间距的节点来生成模糊纹理。其中一半的节点被随机设置为亮状态，另一半设置为暗状态。在每个亮节点的中心放置Von-Mises-Fisher分布，浓度κ = 5.6，并重新调整对比度以确保视觉空间内的对比度和局部亮度大致均匀。由于斑马鱼的感受野比猕猴大，因此产生的图案对于斑马鱼来说更为粗糙。在20、100、250、500、1000、2000或4000毫秒的延迟后，会触发一个包含全场亮度下降的探针闪光，其时间变化呈余弦曲线。闪光从最大亮度开始，然后在500毫秒内以余弦曲线减少和增加亮度（500毫秒等于一个完整的余弦周期）。为了获得探针闪光的基线反应，还在眼跳检测后的8秒内显示一次探针闪光，以确保眼跳和探针闪光之间没有时间上的关联性。每次试验显示一次每个眼跳周围的闪光延迟，基线闪光每次试验显示两次。为了测量与眼跳相关的反应，在眼跳后不显示探针闪光，每次试验总共进行了10种条件（7种延迟、2次基线探针闪光和1次无闪光的眼跳对照）。试验是伪随机化的，并至少重复4次。那些在初次眼跳和探针闪光呈现之间出现不必要眼跳的试验被丢弃。如果鱼只是头部移动而不是眼睛移动而被错误检测到眼跳的试验也予以丢弃。

数据分析
使用suite2p软件将钙记录注册并分割成感兴趣区域（ROIs）。进一步分析注册的ROI使用自定义编写的Python（PyCharm, JetBrains, Prague, Czech Republic）和MATLAB（The MathWorks Inc., Natick, USA）代码进行。个体ROI的荧光轨迹被标准化为ΔF/F0，其中F0是一个120秒的滑动中值窗口。通过基于回归的分析识别出对探针闪光有反应的ROI，只有这些ROI被纳入进一步分析。对于每个ROI，在没有探针闪光的对照条件下，量化与眼跳相关的反应。在眼跳发生期间及之后短时间内，从所有其他条件中减去这些与眼跳相关的反应。测量每个延迟条件下探针闪光的峰值ΔF/F0反应并取平均值。对于每个ROI，通过将眼跳期间的反应除以基线反应来计算每个延迟的抑制指数，方法与猕猴的研究相同。对于图5E中的CDF图，计算了20毫秒、100毫秒和250毫秒延迟时间的抑制指数平均值。这些延迟时间大致对应于斑马鱼的眼跳持续时间，因此相当于猕猴的50毫秒延迟时间，这一时间选择是基于猕猴的眼跳持续时间。在所有对探针闪光有反应的ROI中，使用前面描述的排列检验方法识别出真正被抑制的ROI。简而言之，数据与7个潜在的模型抑制曲线进行了比较，每个模型在7个不同的闪光延迟时间点都有一个最大的抑制峰值。通过n = 10,000次排列检验，并使用Bonferroni校正的显著性阈值p < 0.05来确认最佳相关系数的模型抑制曲线。达到该显著性阈值的ROI被认为是“真正被抑制”的。

量化和统计分析
上述各方法部分提供了相应的统计信息。除非另有说明，否则使用0.05的显著性水平。分析的动物数量、ROI或眼跳数量可以在相应的图例和方法部分找到。除非另有说明，否则误差条代表标准误（SEM）。