具有PV和SOM中间神经元的神经网络平均场模型揭示基于连接的伽马振荡机制

《PLOS Computational Biology》：A mean-field model of neural networks with PV and SOM interneurons reveals connectivity-based mechanisms of gamma oscillations

　　

摘要
经典的皮层振荡理论模型基于兴奋性和抑制性神经元两个群体之间的相互作用。然而，实验研究和网络模拟表明，中间神经元亚类如小清蛋白（parvalbumin, PV）和生长抑素（somatostatin, SOM）对振荡动力学产生不同的调控作用。然而，研究人员缺乏对E-PV-SOM回路中振荡机制以及与经典E-I网络中振荡机制差异的理论理解。在此，研究人员推导了一个生物上真实的典型三群体E-PV-SOM回路的平均场（mean-field, MF）模型。该模型稳健地生成振荡，其特征与实验观察一致，包括PV和SOM活动的相对时序以及光遗传扰动的效应。通过将模型简化为线性解析形式，研究人员证明伽马振荡直接产生于三群体回路的细胞特异性连接。单凭这一连接基序即可解释实验观察到的相位关系，其中PV活动始终领先于SOM神经元。总之，该平均场模型识别出一个独特的结构机制，该机制在典型E-PV-SOM回路中产生振荡，并为构建大规模、细胞类型特异性的皮层动力学模型提供了理论基元。
作者总结
在这项工作中，研究人员开发了一个计算平均场模型，该模型预测由两种主要抑制性细胞类型（小清蛋白阳性（PV）和生长抑素阳性（SOM）神经元）组成的神经元群体的集体电活动。研究人员将该平均场模型的预测与由数千个稀疏连接神经元组成的大型尖峰神经网络模拟进行比较。研究人员表明，该平均场模型捕捉了网络的关键特征，包括不同抑制性细胞类型如何塑造节律活动。特别是，研究人员发现这些抑制性神经元在产生和控制多个频率的振荡节律中发挥不同作用。利用模型的线性近似，研究人员解析地证明，振荡源于这些抑制性细胞类型之间的特定连接方案，而非需要精确调节信号延迟或时间常数。由于其简单性，该平均场模型可进行解析研究，并可作为构建具有区域特异性中间神经元组成和分层抑制性神经元层的大规模脑模型的构建模块。

**论文解读文章**

**1. 研究背景与问题提出**
皮层振荡是神经动力学的标志性特征，被认为在神经编码和信号传递中发挥重要作用。经典理论模型（如Wilson-Cowan模型）基于兴奋性（E）和抑制性（I）两群体相互作用，揭示了伽马振荡的基本机制。然而，实验证据表明，抑制性中间神经元并非均质群体，而是包含多个具有特定回路功能的亚类，其中小清蛋白阳性（parvalbumin, PV）和生长抑素阳性（somatostatin, SOM）中间神经元在控制皮层振荡中发挥互补但不同的作用。例如，在伽马振荡期间，PV中间神经元与兴奋性群体几乎同相振荡，而SOM细胞则表现出相对延迟。这些发现挑战了传统单一E-I机制的观点，要求建立新的理论框架来解释中间神经元的多样性。尽管已有网络模拟和神经质量模型探索了不同中间神经元亚类的作用，但缺乏对E-PV-SOM回路中振荡机制的理论理解，尤其是与经典两群体机制（如锥体-中间神经元伽马（PING）和中间神经元伽马（ING））的区别。因此，开展此项研究旨在：(1) 推导一个生物上真实的E-PV-SOM平均场模型，捕捉关键实验特征；(2) 通过解析分析揭示振荡产生的核心结构机制。该论文发表在《PLOS Computational Biology》。

**2. 主要关键技术方法**
研究人员采用以下关键技术方法：(1) 构建包含8000个兴奋性（E）锥体细胞和1500个抑制性中间神经元（一半为PV、一半为SOM）的稀疏随机连接尖峰网络，使用自适应指数整合-放电（AdEx）神经元模型和电导依赖性突触；(2) 基于主方程形式（从[27]发展而来）推导平均场模型，利用从突触轰击噪声中构建的传递函数（transfer function），将突触前群体率映射到突触后神经元放电率，并引入突触延迟（2毫秒）和适应电流（w）；(3) 通过线性化平均场模型（忽略突触时间常数、延迟和适应），获得三变量线性率模型，并利用特征分解进行解析稳定性分析；(4) 开展计算机内“沉默”（减少神经元数量）和“随机化”（用泊松发放代替）操作模拟光遗传实验。

**3. 研究结果**
**（一）生物真实平均场模型与尖峰网络的一致性**
通过将模型参数校准到视觉皮层生物物理范围，网络在连接概率p=7%时产生约35 Hz的低伽马振荡，与实验一致。平均场模型再现了尖峰网络的关键特征：PV细胞平均放电率最高，SOM次之，E最低；PV活动领先SOM约7–8.5 ms。稳定性分析显示，振荡在稀疏网络（p小）时消失，固定点从稳定变为不稳定（见Fig 1E）。

**（二）PV和SOM中间神经元对伽马振荡的不同贡献**
通过沉默或随机化实验：(1) 沉默PV（>70%）导致频率降低、振幅增大，最终进入癫痫样超同步状态（约500 Hz）；随机化PV得到类似结果。(2) 沉默SOM（>60%）导致振荡振幅逐渐减小，最终进入稳定非振荡态；频率略有增加。结果表明PV主要控制振荡频率和网络稳定性（防止癫痫），SOM主要维持振荡振幅。随机化SOM也消除节律，表明SOM尖峰时序对维持振幅至关重要。平均场预测与尖峰网络模拟及实验观察[33,34]定性一致，仅振幅存在定量差异（源于有限大小效应和传递函数拟合）。

**（三）中间神经元密度梯度塑造振荡节律与癫痫易感性**
SOM/PV密度比沿皮层分层和区域梯度变化（初级感觉皮层低，高级联合皮层高）。模型预测：高SOM/PV比产生慢速振荡（如α/β），低SOM/PV比产生快速振荡（如γ），与皮层功率谱观察一致。在瞬态增加E-E耦合的扰动下，高SOM/PV比配置（如PFC）更易失稳进入癫痫样活动，低SOM/PV比配置保持稳定，这与网络模拟一致，但区别于[42]（因参数设置差异，如引入突触延迟）。

**（四）连接结构而非突触动力学或适应是振荡产生的基本机制**
系统移除突触时间常数/延迟和适应后，简化平均场模型（Eq. 2）仍产生约35 Hz的稳定振荡，且PV始终领先SOM。当重新引入PV→SOM或SOM→SOM连接（在参考模型中缺失）时，振荡振幅逐渐减小直至非振荡稳定态。这表明，核心驱动机制是特定的连接结构（即无PV→SOM抑制和SOM自我抑制），而非突触或适应时间尺度。

**（五）线性平均场模型解析阐明振荡条件**
构建三变量线性率模型（Eq. 3），仅包含有效连接权重。解析证明：(1) 当矩阵A具有一对共轭复特征值时，系统振荡，且E和PV的相位严格领先于SOM（Proposition 1）。(2) 纯振荡需满足三个条件（Eq. 5-7），振荡频率主要取决于时间常数τ和连接强度J_EP、J_PE，而不依赖于J_SP。(3) 在基线性模型（Eq. 10，参数选自E-PV阻尼振荡系统加上SOM）中，频率约40 Hz，PV领先SOM约4 ms。相图（Fig 6B）显示，在无SOM→SOM和PV→SOM连接时，纯振荡位于红线（纯虚特征值）；增加这两种耦合后，系统进入阻尼振荡（实部负），且耦合强度越大，阻尼越强（Fig 6C）。(4) 线性分析证实，特定的不对称连接（无SOM自我抑制和PV→SOM抑制）是产生持续振荡的必要条件。

**4. 讨论与结论**
**讨论总结：**
该平均场模型成功再现了E-PV-SOM尖峰网络的涌现动力学，并捕捉了中间神经元亚类在伽马振荡中的不同作用：PV控制频率和稳定性，SOM维持振幅。模型预测SOM/PV密度比可解释皮层区域间的主导频率（如PFC的α/β vs. 视觉皮层的γ）。通过系统简化，明确识别了一种基于三群体回路的独特振荡机制，区别于经典两群体PING/ING机制——它不依赖于突触时间常数或延迟，而是源于弱PV→SOM和SOM→SOM耦合的特定连接结构。线性解析模型进一步证明了这种连接基序是振荡的必要条件，且PV/相位始终领先SOM。该平均场模型可作为构建大规模细胞类型特异性皮层模型的构建模块，并可用于研究跨层/区域的振荡功率组织及物种间差异。局限在于点神经元近似忽略了树突靶向差异，未来可引入细胞类型特异性突触延迟。此外，模型可扩展至VIP中间神经元，并应用于预测编码等功能研究。

**研究结论翻译：**
总之，该工作提出了一个预测相应E-PV-SOM尖峰神经网络涌现动力学的平均场模型。首先，该平均场模型再现了大量实验观察。此外，它提供了关于网络稳定性、中间神经元密度对振荡动力学的作用以及网络连接作用的预测。最后，平均场模型允许解析处理，以识别产生振荡的回路机制。通过使用线性稳定性分析，研究人员识别了E-PV-SOM网络中神经振荡的一个稳健机制，该机制仅源于SOM和PV中间神经元之间的特定连接。值得注意的是，这种连接结构与细胞类型特异性突触组织的解剖学观察相匹配。