多感觉抑制性神经元可以实现类贝叶斯非线性加权感觉组合

《Frontiers in Human Neuroscience》：Multisensory suppressive neurons can implement Bayesian-like nonlinearly weighted sensory combination

　　

引言：研究人员探讨了多感觉整合中的两个相关问题：抑制性多感觉和多模态神经元有何作用，以及神经元如何实现多感觉整合心理物理学中常见的加权线索平均的早期阶段？轻度抑制性多感觉和双眼神经元处于实现加权平均的理想位置。在众多可能的加权平均中，两个最有趣的理论可能性是最大似然估计（MLE）——一种贝叶斯方法——和由Erwin Schr?dinger为双眼平均提出的非线性幅度加权。MLE方法对可靠性（以逆相对方差表示）进行加权，这在神经元中比非线性幅度加权更难以实现。方法与结果：研究人员在三种皮层多感觉神经元类别上测试了这两种模型。研究人员发现，抑制性听觉-视觉、视觉-触觉和听觉-触觉神经元非常适合实现其两个输入的加权平均，这一结果与研究人员先前在双眼抑制性神经元中的发现一致。实际的神经发放率更接近Schr?dinger的非线性加权平均，但该Schr?dinger模型的输出与严格实现的MLE可靠性加权平均的输出高度相关。讨论：一种可能的解释是，进化推动了感觉整合朝向类贝叶斯结果，并在至少早期的神经水平上，稳定于一种在神经系统中比逆相对方差加权更容易实现的非线性近似。

**论文解读：多感觉抑制性神经元实现类贝叶斯非线性加权感觉组合**

**研究背景与问题**

多感觉整合（multisensory integration）是神经科学的核心问题之一，旨在理解大脑如何将来自不同感官的信息（如视觉、听觉、触觉）融合为统一的感知。已有研究（如Ernst & Banks, 2002; Alais & Burr, 2004）表明，人类心理物理行为符合贝叶斯（Bayesian）框架下的最优整合模型——最大似然估计（Maximum Likelihood Estimation, MLE）。MLE通过逆相对方差（inverse relative variance）对单感觉通道的可靠性（reliability）进行加权平均，从而最小化联合响应方差。然而，MLE在神经实现上面临根本性困难：神经元需要实时估计并存储各通道的方差信息，这在大脑机制中尚不明确。此外，心理物理研究也发现了一些与MLE预测偏离的现象（如Butler et al., 2010; Meijer et al., 2019），提示可能存在替代或补充机制。

另一个长期未解的问题是：抑制性多感觉神经元（suppressive multisensory neurons）的感知功能是什么？这些细胞在多感觉刺激下发放率低于其最佳单感觉响应，最早在响尾蛇视-红外整合中被发现，后续在哺乳动物皮层（如猫、雪貂、猴）中也有报道。但传统研究多聚焦于增强性（facilitatory）多感觉神经元，抑制性神经元的作用尚不明确。本研究旨在同时回答这两个问题：抑制性神经元是否可能作为加权平均的神经基础，以及它们能否实现类贝叶斯（Bayesian-like）的信息组合。

**研究内容与意义**

研究人员在《Frontiers in Human Neuroscience》上发表的论文中，通过分析来自雪貂、猫和猴的多种皮层多感觉神经元数据，检验了两种加权平均模型：贝叶斯MLE模型（基于逆相对方差加权）和Schr?dinger非线性幅度加权模型（magnitude-weighted averaging）。结果表明，抑制性多感觉神经元（尤其是其多感觉响应介于两个单感觉响应之间的“中间”神经元）非常适合执行加权平均。虽然实际神经发放率更接近Schr?dinger模型，但该模型与MLE模型的输出高度相关（r > 0.83），因此Schr?dinger模型可作为类贝叶斯计算的近似实现，避免了对方差信息的依赖。这一发现揭示了抑制性神经元在感觉整合中的新角色，并为贝叶斯类计算的神经基础提供了简洁的替代方案。

**主要关键技术方法**

研究人员使用了来自Meredith实验室的公开数据集，包括雪貂后顶叶皮层（PPr）的视觉-触觉神经元（n=35个“中间”抑制性细胞）、雪貂前听皮层（AAF）的听觉-触觉神经元（n=14个）、猫外纹皮层（PLLS）的听觉-视觉神经元（n=7个），以及先前报道的猴V1双眼抑制性神经元（n=35个）。主要方法为：针对每个神经元，计算单感觉（视觉、听觉或触觉）和双感觉刺激下的平均发放率（firing rate）及其方差；然后分别用归一化后的MLE模型（公式7）和Schr?dinger模型（公式8）拟合双感觉发放率，其中归一化常数a用于校正系统性的高估或低估；通过比较决定系数（r²）和校正赤池信息准则（AICc）评估模型优劣，并计算两模型预测值之间的相关性。

**研究结果**

**CASE II——雪貂视觉-触觉抑制性神经元**
在35个符合“中间”标准的视觉-触觉抑制性神经元中，Schr?dinger模型（r² = 0.96）对双感觉发放率的拟合显著优于MLE模型（r² = 0.91），AICc差异为24.12，表明MLE模型几乎无支持。两模型预测值高度相关（r = 0.99），Schr?dinger模型可替代MLE而不需方差信息。

**CASE III——雪貂听觉-触觉抑制性神经元**
14个听觉-触觉“中间”神经元中，Schr?dinger模型（r² = 0.98）远优于MLE模型（r² = 0.65），AICc差值为8.62，足以排除MLE模型。两模型相关性为0.83。

**CASE IV——猫听觉-视觉抑制性神经元**
7个听觉-视觉“中间”神经元中，Schr?dinger模型（r² = 0.99）略优于MLE模型（r² = 0.98），AICc差值仅为1.05，不足以排除MLE。两模型相关性高达0.99。

**关于多感觉联合方差**
仅29%（16/56）的抑制性神经元的多感觉方差低于任一单感觉方差（符合MLE方差降低预测）。听觉-视觉神经元中这一比例最高（71.4%），恰好也是MLE拟合最好的数据集。此外，多感觉发放率方差与均值高度相关（平均r = 0.80），呈泊松样（Poisson-like）关系，而非MLE规则。

**讨论与结论**

研究人员在讨论部分指出，Schr?dinger模型可通过倒数性增益控制（reciprocal divisive gain control）或上丘（Superior Colliculus）神经模型导出，且与Ding & Sperling（2006）、Baker等（2012）及Ohshiro等（2011）的独立推导一致。尽管MLE在理论上最优，但神经网络可能更易实现幅度加权近似——进化可能选择了“足够好”的局部最优解。研究结论部分（Preliminary conclusions）总结如下：由于在五个不同神经发放率数据集（三个多感觉抑制性神经元、双眼抑制性神经元、条件性抑制性视觉-前庭神经元）中，Schr?dinger模型均优于贝叶斯模型，研究人员认为Schr?dinger模型对应一种通用的神经机制，用于平均多个神经输入。三个独立实验室从基本神经原理推导出Schr?dinger型模型的事实加强了这一结论的可靠性。由于Schr?dinger模型产生的平均发放率与拟合较差的贝叶斯MLE模型高度相关，建议对已用MLE建模的心理物理数据（包括未显示方差降低的数据集）进行检验，以评估Schr?dinger样模型的表现。