行为状态影响猕猴顶叶皮层中的眼位调节

《iScience》：Behavioral states affect eye position tuning in the parietal cortex of macaques

　　

**要点**
- 顶叶细胞在自发注视和约束注视期间均表现出响应
- 我们比较了两种情境下的平均注视活动、放电变异性和调谐性
- 自发注视显示出相当的活动，但变异性较低且调谐性更强
- 顶叶皮层在各种行为情境下表现出灵活的空间表征

**摘要**
后顶叶神经群体利用眼位信息计算灵活而稳定的空间位置表征，并在各种目标导向情境下规划效应器运动。在内部驱动的非目标导向行为期间，空间是如何表征的，以及这些空间表征是否受到不同行为情境和潜在脑状态的影响，仍然研究不足。我们比较了猕猴顶叶皮层（V6A区）单神经元在约束注视视觉目标期间的眼位信号与在黑暗中自主注视期间的注视活动。虽然V6A神经元的放电率在两种条件下相当，但在自发注视期间的空间调谐性比任务约束注视期间更强。此外，在约束注视期间神经反应的变异性更大。我们的结果证实了顶叶皮层空间表征的灵活性，并表明眼位信号在视觉和视觉运动处理之外的更广泛的行为情境中提供空间信息。

**图解摘要**

**引言**
尽管日常行为以响应感觉线索或刺激的目标导向运动为特征，但一些动作是自我产生的，与外部事件无关，或没有即时的目标或奖励。是否相同的神经回路和群体在这两种动作期间都被激活，以及如何激活，在很大程度上仍未得到解答。后顶叶皮层（PPC）是目标导向行为的关键区域，参与目标位置的视觉处理和效应器运动的感觉引导。眼位对这两种功能都至关重要，不出所料，注视信号影响了几乎每个PPC区域的活性。即使在缺乏视觉刺激的情况下，PPC中也会出现眼位调谐的神经活动，此时注视锚定在黑暗中的一个小注视点上。此外，眼位对神经活动的调谐强烈依赖于感觉情境和任务需求。例如，当注视目标以不同的感觉模态或背景呈现，或作为不同反应的线索时，PPC神经元会改变其空间调谐。

眼位与空间注意相关，具有注视相关活动的区域通常也会受到注意焦点的调节。空间注意的处理主要涉及背侧注意网络（DAN），即顶叶和额叶皮层的广泛网络。空间注意增加了视觉、顶叶和前额叶皮层的视觉反应，也有报道称它能降低额叶和视觉皮层各个区域的反应变异性。然而，在目标导向任务情境之外的眼位与注意之间的神经相关和关系在很大程度上尚不清楚。

与这些问题相关的是行为状态的概念，以及当脑状态发生变化时，皮层处理如何受到不同水平的注意、觉醒、预期和其他因素的影响。觉醒通过弥散的去甲肾上腺素能通路影响皮层处理，被认为对神经反应产生加性效应而不影响空间选择性。此外，最近的进展表明觉醒以及更一般的脑状态对丘脑-皮层功能相互作用、刺激诱导的变异性、神经间相关性和空间调谐在视觉皮层和联合扣带回皮层中都有各种影响。脑状态的变化也与自发的身体运动相关，通常导致视觉皮层的感觉反应增加，但来自顶叶皮层的相应证据尚缺乏。

在这里，我们通过测试不受约束的注视行为情境如何影响注视相关活动（相对于在指令延迟、目标导向任务情境中发生的约束注视视觉目标）来解决PPC中的脑状态问题。我们记录了内侧PPC中V6A区的神经活动，该区域处理与注视方向和距离相关的信号，并在暗中注意任务中表现出调节。我们研究了两种行为状态之间眼位相关的平均放电率、神经变异性、调谐选择性和眼位场结构的变化。我们预期两种情境中不同的行为投入会影响V6A神经活动，由于注意和觉醒的增加，在约束注视期间具有更高的平均放电率和更低的放电变异性，正如多项证据所建议的那样。与我们的预期相反，我们发现大多数V6A细胞在两种情境中的平均放电活动变化很小，此外，自发注视与更低的变异性及更强的调谐相关。这些发现可以在涉及两个任务情境中多个状态相关因素的不同效应的框架下进行解释。

**结果**
我们在一个视觉引导的注视任务中记录了183个单V6A细胞的活性（119个来自猕猴1 [M1]，64个来自猕猴2 [M2]），该任务包含两个不同情境的任务阶段（图1）。在第一个阶段（自发注视，图1C和1E："自由"），动物按压胸部旁边的按钮（图1A），在黑暗中自由移动眼睛，同时等待注视发光二极管（LED）的开启。在第二个阶段（视觉引导注视，图1C和1E："注视"），它们必须将注视保持在发光的LED上，持续一段时间，直到"go"信号（LED颜色变化）提示它们释放按钮以获得奖励。因此，在第一个阶段期间，注视可以在不同空间位置之间随机移动，而在每个试次的第二个阶段（FIX）期间，注视保持在发光的LED上不变。

**图1 实验装置、任务序列、眼位空间和分析**

(A) 用于注视任务的实验配置。在任务期间，眼动朝向水平面板上的十个发光二极管（LED）之一进行。

(B) 装置俯视图，显示目标面板的对侧（左）和同侧（右）配置。虚线矩形表示分析中使用的LED目标周围的注视位置。

(C) 任务序列和单个试次中眼动的示例。顶部：显示任务事件以及水平和垂直眼位轨迹。长的垂直连续线表示任务期间事件的发生。从左到右，标记显示：试次开始（主页按钮[HB]按压）、注视目标出现（LED开启）以及LED从绿色变为红色（LEDred）。标记为"FREE"或"FIX"的白色矩形框表示用于后续神经活性分析的时间间隔。底部：上述演示中自发和视觉引导扫视的速度曲线。

(D) 装置俯视图，显示注视工作区的网格。由于FREE间隔期间缺乏眼位样本，最近的目标位置被排除在分析之外。

(E) 热图，说明来自单个动物的多个试验中FREE（左）和FIX（右）的注视位置分布。最近LED周围的注视位置在FREE期间很少被注视，因此未在分析中考虑。另见图S2。

183个记录神经元中有137个（M1中99个，M2中38个）在视觉引导注视期间对至少四个不同目标显示出高于5 sp/s的平均放电率以及相对注视位置调节（ANOVA，p < 0.05），被纳入后续分析。扫视被定义为注视速度超过25°/s的事件。与分析所选神经元的注视行为同时，我们发现FREE时期扫视频繁（M1和M2分别为2.24和1.03次/s）且幅度相当大（M1为13.6°[3.5和24.7°]；M2为11.5°[5.4和18.6°]；中位数[第25和第50百分位数]），这与预期一致，即动物在头部固定时扫描黑暗环境并等待下一个注视点开启（图S2A）。在FIX期间，动物被要求保持对目标的稳定注视。注视通过眼动仪中设置的电子窗口（几个视角度）进行在线监测。因此，仅发生少量扫视（图S2B）。它们不如前者条件下记录的扫视频繁（M1和M2分别为1.01和0.39次/s），且幅度更小（M1为1.3°[0和5.5°]；M2为2.2°[0.9和6.2°]；中位数[第25和第50百分位数]）。与这一行为一致，FREE期间的注视时间短于FIX期间（M1为0.25 s [0.13–0.43 s]；M2为0.45 s [0.2–0.78 s] vs. M1为0.45 s [0.13和0.83 s]；M2为0.83 s [0.48和1.14 s]；中位数[第25和第50百分位数]；图S1B）。

为了比较不同情境下相对于相同（或最相似）眼位的神经活动，我们排除了FREE和FIX中扫视期间以及扫视前后间隔的眼位和神经信号，以避免混杂因素（每个扫视前50 ms到后100 ms）。剩余数据在6 × 5（或6 × 3）网格方块（10 × 10 cm）内进行离散化，并计算了相应的放电活动（见STAR方法）。FREE和FIX中保留的数据总量和整体分布见图1E，而每个网格位置的数据样本和注视持续时间的详细比较见图S2C。

图2显示了FREE和FIX期间三个V6A神经元平均放电活动2D矩阵的示例。请注意，为了创建没有缺失值的放电率矩阵，猴子未注视的空间部分用插值数据填充（见STAR方法和图S3，其中展示了示例神经元插值前的数据）。此外，图2还显示了矢量场（图2中，箭头从每个细胞网格指向最大放电率的方向），从而实现空间调谐的更直接可视化。第一个神经元（图2A）仅在对侧（左）和中央空间的注视期间进行测试。在FIX中，其活动总体上高于FREE，无论是考虑原始数据（平均±标准差放电率 FREE：15.3 ± 14.0 sp/s；FIX：21.2 ± 16.9 sp/s；Wilcoxon秩和检验，p = 2.2 × 10?12；总记录样本数：FREE，474；FIX，2,654），还是通过汇集/平均计算调谐图（平均放电率 FREE vs. FIX：14.8 vs. 22.8 sp/s；delta具有统计学意义：单样本、双尾t检验，t值 = 33.7，df = 99，给定100个bootstrap样本，delta标准差 = 2.1，p = 4.7 × 10?56，详见STAR方法），以及其眼位调节与FREE中相似，显示对额外人身（超出触及范围）和对侧位置的更强反应。第二个神经元（图2B）在对侧、中央和同侧空间进行了测试。收集的放电率的原始分布没有显著差异（平均±标准差放电率 FREE：15.4 ± 15.7 sp/s；FIX：14.5 ± 15.9 sp/s；Wilcoxon秩和检验，p = 0.17；总记录样本数：FREE，485；FIX，3,765）。然而，当汇集和平均相对于相同注视位置的数据以获得调谐图（从而内在地校正注视位置的轻微偏差）时，神经活动在FIX中比FREE中更高（平均放电率 FREE/FIX：12.5/13.7 sp/s；delta具有统计学意义：单样本、双尾t检验，t值 = 11.57，df = 99，delta标准差 = 2.19，p = 4.28 × 10?20）。该单元在FREE和FIX中均对中等距离位置显示出更高的活性。第三个神经元（图2C）在两个时期之间显示了更复杂的空间关系模式（另见结果中的矢量相关性部分）。基于原始数据计算的平均活性在FIX时期略高（平均±标准差放电率 FREE：10.6 ± 15.6 sp/s；FIX：13.5 ± 19.4 sp/s；Wilcoxon秩和检验，p = 3.5 × 10?4；总记录样本数：FREE，625；FIX，3,797）。

然而，在对注视位置进行池化和平均后，两种活动分布之间不再具有统计学差异（数据：平均发放速率FREE/FIX：14.0/14.7次/秒；差值无统计学显著性：单样本双尾t检验，t值=1.97，df=99，差值标准差=2.21，p=0.0520）。

图2 在两种情境下固视活动调谐的V6A神经元示例

（A）仅在中央空间和对侧空间测试的神经元。两个感受野非常相似，在相同的注视位置FIX期间的发放速率更高。场矢量在向身外空间（白色和黄色方块）的活动峰值方向收敛。

（B）在猴子注视对侧、中央和同侧空间时测试的神经元，在中等和远距离位置显示出较高的活动。

（C）在覆盖对侧、中央和同侧空间的位置测试的神经元，在FREE和FIX之间表现出复杂的反应关系。

三个示例神经元的反应场（色彩图）以及基于FREE和FIX时段的平均发放速率叠加的矢量场（箭头）。反应场以注视方向和距离为函数，在以动物额头（两眼之间）为中心的X、Z笛卡尔坐标系中绘制。箭头（即矢量场）指示每个空间位置的神经反应梯度（即发放速率增加的方向）。数据以均值表示。另见图S3和S4。

两种行为情境中平均活动与发放变异性比较

图2中的示例神经元具有复杂的发放速率模式，无法明确辨别整体神经活动从FREE到FIX是否发生变化的普遍趋势。

总体而言，M1（M2）中有90（31）个单位的发放速率在FIX期间与FREE期间有显著差异（单样本双尾t检验，p<0.05，基于100次Bootstrap，见STAR方法）。具体而言，M1（M2）中有57（18）个单位在FIX期间活动低于FREE，而33（13）个单位则相反，FIX期间的发放速率高于FREE。其余9（7）个单位活动无差异（p>0.05）。尽管具有统计学显著性，发放速率的差异相当小：两只猴子中大多数神经元的差异小于5次/秒（M1和M2分别为67%和79%）。事实上，在群体水平上我们发现单峰分布，均值以0次/秒为中心（M2与0无显著差异，单样本t检验，p=0.522；M1与0有显著差异，t检验p=0.012，但中位差异为?1.18次/秒；图3，左）。当将FIX与FREE之间的平均发放差异表示为FIX期间平均活动的百分比时（图3，右），尽管整体分布仍以0为中心，我们发现M1的中位差异为?10.2%（与0有显著差异，t检验p=5×10??），而M2的中位差异仅为?2.7%（无显著性，t检验p=0.270）。存在大量增益调制超过FIX活动±30%的神经元，在M1中尤为明显（图3B和3D；M1：46/99，M2：10/38）。在大多数情况下（M1和M2分别为33和7个；图3B和3D），FIX期间的活动至少降低了30%，而在其余情况中（M1和M2分别为13和3个），与FREE相比活动有所增加。总之，虽然平均发放速率分布在FREE和FIX之间没有显著差异或仅在绝对值上有轻微差异，但在群体中约三分之一的细胞中存在活动的比例性变化。

图3 FREE和FIX任务阶段中的平均发放活动差异

（A）柱状图显示了FREE和FIX时段之间平均发放速率差值的分布在两只猴子中的情况。

（B–D）柱状图显示了两只猴子中以FIX平均活动百分比表示的平均发放速率差值的分布。

所有分布与零均无显著差异（单样本t检验，p>0.05）。虚线表示中位数值。数据以均值表示。

随后我们考察了神经反应变异性的可能变化。事实上，此前的研究表明，在视觉刺激呈现期间试验间的发放变异性降低，这一效应暗示了注意力的影响。我们使用Fano因子（FF）测量FREE和FIX期间的发放速率变异性，FF的计算方式为每个网格位置的尖峰计数方差除以平均尖峰计数。假设尖峰计数服从泊松分布，FF预期等于1（方差=均值）。尽管FREE和FIX的发放速率分布非常相似（见前文），为避免与略有不同的分布相关的偏差，我们采用了部分随机子采样程序来匹配分布并重新计算FF（见STAR方法），然后计算了均值匹配的FF。FF由图4中拟合线的斜率表示（另见STAR方法）。我们发现，对于M1（图4A），FREE/FIX的分布匹配FF为1.37/1.48，差异具有统计学显著性（Z检验，p=0.035）。类似地，对于M2，FREE期间匹配FF之间的差异为1.00，FIX期间为1.23；结果显著（Z检验，p=0.031；图4B）。总之，视觉引导固视并未导致与自发固视相比神经变异性的降低，反而似乎增强了两个神经元群体中的变异性。

图4 两种任务情境中的发放活动变异性

（A和B）以均值匹配的Fano因子（FF）衡量的两种任务情境中的发放变异性。在每幅图中，FF基于将尖峰计数方差对均值进行回归计算得出（FREE为左散点图或FIX为右散点图）。每个点代表一个神经元与每个单元网格（即空间位置）组合的神经数据。红线表示回归的斜率（FF）。（A）和（B）分别显示了M1和M2的结果。

空间选择性与调制强度分析

到目前为止，我们的发现表明不同的固视情境引起了神经活动统计的一些变化。随后，我们研究了FREE和FIX期间眼位调谐的选择性和强度，并比较了两种任务情境之间的差异。为此，我们计算了一对调谐指数：偏好指数（PI）和PI深度（dPI），详见STAR方法。简言之，PI是反应选择性的度量，考虑了每个眼位位置的神经元活动幅度。接近0的值表示对所有位置的相同反应，接近1的值表示仅在一个位置有活动。dPI的范围同样从0到1，通过比较引发最高反应（偏好）的位置和引发最低反应（非偏好位置）的活动来衡量调谐强度。接近0的值表示偏好与非偏好位置之间无差异；接近0.3的值表示偏好位置引发的活动是非偏好位置的两倍；接近0.6的值表示为四倍，依此类推。为了比较两种情境之间的调谐指数值，我们首先以散点图形式绘制它们，并使用Bootstrap计算置信区间，也用于统计检验（图S5）。为评估这些空间调谐度量在个体细胞中从FREE到FIX如何变化，我们计算了每个神经元每个指数的FIX与FREE之差。结果值为零表明神经元的空间选择性（PI）和/或调谐强度（dPI）未受任务情境影响，正值（负值）则表明FIX（FREE）中的效应更强。此分析结果如图5所示。在两只猴子中，两个指数的FIX与FREE之间差异的分布均向负值偏移，表明FREE中的调制强于FIX。特别地，两只猴子（图5，左，M1/M2：中位ΔPI(FIX?FREE) = ?0.115/?0.081）的PI中位差异均显著（Wilcoxon秩和检验，p<0.05）低于零。关于dPI，我们观察到更强的向负值偏移的趋势（图5，右，M1/M2：中位ΔdPI(FIX?FREE) = ?0.109/?0.109）。总之，对调谐选择性（PI）和调制强度（dPI）的分析揭示，在非目标导向的自发固视期间，眼位效应显著强于视觉引导固视条件。这一结果与图4中FF分析相一致，该分析揭示了两只猴子在自发固视期间发放速率变异性显著降低。

图5 两种行为情境（FIX和FREE）中的调谐选择性（PI）和调谐强度（dPI）指数

（A和B）柱状图显示了对偏好指数差值（ΔPI(FIX-FREE)，左）和PI深度差值（ΔPI(FIX-FREE)，右）在FIX和FREE期间来自1号猴子（M1，上方柱状图）和2号猴子（M2，下方柱状图）神经元分布的情况。垂直虚线对应中位数值；垂直实线对应0。所有分布均为单峰，偏向负值，表明自发固视期间的选择性高于视觉引导固视期间的选择性。另见图S5。

两种行为情境中眼位场的空间关系

迄今为止的所有分析均未考虑所测试眼位的整体二维空间排列，即本研究中的单个神经元是在猴子注视各种具有精确空间关系的点时记录的（图1A、1B和1D）。为了考察这一方面，我们进行了两项相关性分析。首先，对每个神经元，我们计算了FREE和FIX期间相同网格位置的平均神经活动的相关性，排除没有固视数据的位置（图6A）。我们还在对空间网格中的缺失值进行插值后进行了这种简单的相关性分析（图6B）。其次，我们进行了矢量相关性分析，该方法此前已被用于研究顶叶皮层的参考系表征。矢量相关方法用于表征两种情境之间二维眼位场的空间关系。由于是二维且具有更大灵活性，它既允许围绕某一轴旋转（正相关）2D反应场，也允许反射（负相关），以测试可能的空间关系。不同之处在于，直接标量相关方法通常用于一维数据的情况。注意，为了获得用于计算矢量场的矩阵（矢量相关性分析的必要第一步），我们必须通过插值填补缺失值（见STAR方法）。为避免插值过程中产生伪影，我们仅选择了FREE时段具有足够数据的神经元。为此，我们开发了一个指标（损伤指数，或"DM指数"），范围为0到1。该指标考虑了缺失数据的数量及其空间分布，对特定位置的较大缺失数据集中进行惩罚（见STAR方法）。相应地，我们保留了M1中87个神经元和M2中33个神经元，其DM指数<0.40。用从相邻单元获得的平均值填充空矩阵元素作为插值的替代方法，提供了几乎相同的结果。

对选定的单元同时采用简单的皮尔逊相关分析和向量相关分析，以检查结果的一致性（见前述部分）。

图6 皮尔逊相关与向量相关分析

(A、B) 直方图显示了M1（左）和M2（右）中受调制神经群体在计算前（A）忽略缺失条目的原始神经活动上的皮尔逊相关系数ρ（A）分布，以及通过线性插值填补空间调谐图后（B）的分布。(C–E) FIX与FREE时段响应二维矩阵之间的向量相关系数（C）、尺度因子β（D）和相位角θ（E）。大多数受V6A调制的神经元呈现中等范围的系数和小于1的尺度因子，表明两种情境之间存在显著的活动相关性，且FREE情境下的响应调制更强。在A–C中，堆叠直方图的蓝色和红色部分分别表示显著（p值 < 0.05）和非显著（p值 ≥ 0.05）的相关。

关于在不进行插值的情况下FREE和FIX中放电率的简单相关（图6A），我们得到M1/M2的中位r系数分别为0.15/0.10（[?0.13 0.45]/[?0.13 0.46]，第25/75百分位）。系数分布显著右移（p = 2.3 × 10?4/0.045，M1/M2，单样本Wilcoxon符号秩检验）。我们发现两只动物的多数神经元（M1：52/87，M2：22/32）具有中等至高的相关系数（0.2），表明从FREE到FIX过渡时空间调谐关系处于中等水平。然而，仅有少数神经元这种关系达到显著水平（M1：13/87，M2：2/32；相关p < 0.05）。与分布向正值偏移一致，所有显著相关均为正值。

通过插值填补缺失数据后，相关结果相似（图6B）。新分布的中位数仍略为正值，M1/M2分别为0.15/0.07（[?0.09 0.34]/[?0.14 0.25]，第25/75百分位），但对M2而言右移不显著（p = 5 × 10?5/0.197，M1/M2，单样本Wilcoxon符号秩检验）。与未插值结果类似，多数单元呈现中等至强相关（r < ?0.2或>0.2；M1：46/87，M2：17/32），但其中仅少数相关显著（M1：22/87，M2：4/32；相关p < 0.05）。与分布轻微向正值偏移一致，大多数显著相关为正（M1：20/87，M2：3/32）。两种简单相关方法结果的一致性支持了我们选择用更为复杂的向量相关方法研究空间调谐二维结构的决定。

向量相关分析首先计算二维活动矩阵的梯度以获得向量场，然后对这些向量场进行相关，从而量化FREE和FIX中活动模式的相关性，并提供三项指标，即ρ系数、β尺度因子和角度θ。具体而言，ρ系数约+1（?1）表示FREE和FIX情境向量场之间高度相关，提示在旋转（反射）下活动模式极为相似。因此，负ρ值意味着向量场（图2，二维眼位矩阵的箭头）沿某一轴被反射，类似于图2C中的示例神经元。反过来，β值小于1表示量化活动从一个位置调制到下一个位置的向量场（即图2中的箭头）在FREE中大于FIX，而β > 1则表示FREE中的调谐弱于FIX。对于图2A中的示例神经元，向量相关分析得到系数ρ为0.74，尺度因子β为1.88，角度θ为22°。图2B和2C中神经元相应的ρ、β和θ值分别为0.25、0.58和?64.48，以及?0.4、0.43和66.98。这些数值表明单神经元在两种行为情境间表现出多样的空间关系模式。群体结果见图6C–6E。在两只猴中，我们发现大量神经元（M1：77/87，M2：28/32）呈现中等值（0.2，图6C），提示FREE和FIX之间眼位感受野具有中等程度的空间相关性。与由随机打乱其中一个向量场获得的零分布对比，ρ系数在36/87（10/32）个M1（M2）神经元中显著不同于随机水平（基于1000次打乱的置换零分布的经验p值 <0.05）。总体而言，所有三个相关系数指标均提示两种情境间存在中等程度的空间关系。

ρ系数的范围与相位角的广泛分布相呼应，提示旋转或反射的程度很广（图6E）。对本研究尤其重要的是量化任务情境下增益调制的尺度因子β，因此可视为评估空间调谐的替代指标，类似于PI和dPI。如图6D所示，β因子分布偏向小于1的值（M1/M2中位β值为0.75/0.79），表明从FREE到FIX响应感受野的空间调谐减弱。仅考虑强显著相关（ρ > 0.4或ρ < ?0.4）时，该趋势大大减弱（M1/M2中位β值为1.46/1.13）。这表明在两种情境间眼位感受野空间关系强的情况下增益调制较小，而空间关系较弱的感受野则表现出更高的响应缩放，并偏向FREE注视情境。

综合来看，这些结果表明在目标导向注视期间，与自发注视期间相比，V6A中由注视位置引起的增益调制更弱，且神经活动的调谐选择性和强度更低。此外，在视觉引导注视中响应更为多变。

讨论

我们比较了同一任务两种行为情境相关的眼位信号：(1)在内部驱动的自发眼注视期间，这种注视发生在1秒等待期，在此期间猴子可在黑暗中自由移动注视等待视觉刺激出现；以及(2)在约束性注视视觉目标的情境中。我们发现V6A神经元表现出依赖于情境的眼位调制，表现为平均放电率和变异性中等程度变化，更重要的是表现为调谐选择性和强度以及眼位感受野二维结构的显著差异。出乎意料的是，注视信号的空间调谐在不受约束的注视期间比在目标导向注视期间更强。这些发现可能反映了两种情境间脑状态的转换，以确保目标响应并适应行为需求。

我们的假设是，两种任务情境会引起脑状态转换，伴随包括空间注意和唤醒在内的多种因素变化。在不受约束的注视期间，猴子在黑暗中自由转移注视和注意于多个位置之间，同时预期一个将成为后续目标导向注视期目标的视觉刺激（LED目标）出现。在黑暗中扫描以探测即将出现的刺激时，猴子在其先前观看过的视觉场景位置之间分配注意，这一过程与内源性、自上而下的注意定向极为相似。

无论是在人类还是猴子中，自上而下的信号甚至在缺乏视觉刺激的情况下都会调节基线活动，而有机体隐性注意外围位置等待刺激出现。尽管本研究与上述研究在自由注视期的任务存在差异（隐性vs.显性注意、黑暗环境vs.空白屏幕、有无注视点），我们认为在我们这种情况下，注意的自愿分配同样通过自上而下机制调节了自发眼位活动。

从FREE过渡到FIX任务情境时，LED刺激的出现以外源性、刺激驱动的方式部署了空间注意，并引起显性注意转移（即注视LED的扫视眼动）。这提示了由于视觉显著性引起的自下而上加工。现有证据表明，自下而上和自上而下的空间注意在顶叶皮层中调动重叠的神经元群体。这些发现可能解释了我们在此报告的单峰分布，指向缺乏具有不同性质的分离神经亚群，并让人联想到顶叶皮层混合选择性的某些方面。

在FIX阶段，动物专注地注视与行为目标相关的LED。与FREE阶段不同——该阶段没有注视目标，注视和注意可独立自由转移——在FIX中注意焦点与注视位置对齐并维持1–1.5秒。此前在V6A中进行的一项采用隐性注意任务的研究报道，对于大多数任务相关神经元，当注意焦点移动到注视点时活动被抑制。在同一研究中，注意焦点从注视位置转移会产生群体中相当程度的兴奋和抑制效应。这种平衡的兴奋和抑制效应在我们研究中也明显存在，两种情境下神经群体的平均放电率分布极为相似（图3）。不同的是，在FREE情境中更为频繁发生的注意转移可能有助于锐化注视响应，以及随后相比FIX情境更高的选择性和调谐强度（图4）。与此假设一致，多项人类和猴子的神经影像及病变研究证实，与持续性注意相比，内侧后顶叶皮层在空间注意转移时更为活跃。

我们观察到的眼位调谐变化可能与行为状态转换相关的其他因素有关，如唤醒、惊讶和预期。唤醒可能通过起源于蓝斑的去甲肾上腺素系统投射直接影响后顶叶皮层，或通过与前额叶皮层的连接间接起作用，后者最近被提出作为一种"指挥者"，在从高到低唤醒状态转换期间调节各种皮层和皮层下网络活动。文献中，唤醒增强的状态会调节人类上顶叶小叶的活动。类似地，高唤醒会在小鼠中引起后顶叶皮层活动大幅增加，但不增强刺激编码。鉴于这些证据，我们想知道FREE还是FIX行为状态涉及更高的唤醒水平。我们的假设是，具有约束性注视和明确行为目标的FIX状态，连同视觉注意，也会增加警觉性以确保快速运动反应和奖励。然而，我们的假设可能不成立，实际上FREE时段的唤醒状态可能更高，此时动物以扫视在黑暗环境中扫描寻找视觉目标的出现。在此方面，视觉探索期间的扫视眼动似乎会引起丘脑-皮层相互作用调节，类似于从低到高唤醒状态转换所引起的调节。鉴于我们研究中发现的放电率变化很小，我们认为FREE和FIX之间没有显著的唤醒水平差异。

虽然我们的发现提示去甲肾上腺素能唤醒系统对两种行为情境间差异的贡献很小，但不能排除胆碱能系统的影响，该系统同样向皮层发送弥漫性上行投射，并参与选择性视觉注意和目标导向行为。有趣的是，据报道胆碱能系统的刺激会导致工作记忆任务中前额叶皮层神经元的调谐变宽。在我们研究中可能也是如此：FIX期间的胆碱能系统激活可能高于FREE，这也为我们观察到的选择性和空间调谐强度下降（图4）作出了贡献。

除去甲肾上腺素能和胆碱能影响之外，视觉系统研究显示，活跃行为状态伴随运动活动和瞳孔扩张，这不仅引发更强的感觉响应，还影响调谐。

特别地，状态相关的瞳孔扩张会导致视杆细胞和视锥细胞的差异性招募，以适应性应对变化的行为需求，并允许对生态学的刺激进行感知。不幸的是，在我们的实验装置中没有记录瞳孔测量数据，因此我们无法为这些方面提供证据。然而，在自由（FREE）阶段，除了运动活动增加（自发扫视）之外，合理推测与凝视（FIX）相比也存在瞳孔扩张的增加，这既是因为黑暗环境，也是因为对视觉刺激的预期。类似地，情境相关的瞳孔扩张可能并没有导致Franke等人发现的两类受体系统的差异性招募，而是在同一群体神经元中引起调谐的变化。本研究结果将眼位信号的作用范围扩展到更广泛的情境中。眼位信号是神经系统构建外部世界内部模型以便感知和行动的关键。在视觉引导行为中，眼位信息与物体的视网膜影像相整合，从而实现对物体位置在身体和手部坐标系中的编码。此外，在感知视野之外的目标发出的听觉刺激时，目标位置相对于头部被编码，而眼位信息有助于将头-centered坐标转换为眼-centered坐标。在我们的研究中，自由（FREE）任务情境下完全没有视觉输入，这与自发扫视同时发生。这些扫视中有一部分很可能是记忆引导的扫视，指向先前凝视的目标位置，并伴随注意力向内部（即视觉工作记忆）目标位置表征的转移。眼位信号可能在未见到的自我中心空间与视觉工作记忆表征之间提供映射，而更强的眼位调谐有助于增强这种映射。在无显性视觉刺激的情况下，自我产生的眼动过程中顶枕皮质的激活，而V6A所在的正是这一较广的区域，早在人类的一项正电子发射断层扫描（PET）研究中就已被报告。该激活被解释为自发扫视所发出的运动命令传出副本的结果，并被认为用于空间中的视觉刺激重映射。我们的发现为这一假说提供了进一步的支持。单个神经元调谐函数可在不同情境和任务时段之间发生变化，这并不新奇。Churchland和Shenoy曾报道，在达到任务中，许多运动和运动前皮层的神经元在计划期和执行期之间改变了其方向调谐。这里，我们发现单个V6A神经元的眼位调谐会随情境不同而变化，即当动物在黑暗中自由移动视线等待视觉目标出现时，与凝视目标并等待线索以产生反应时的不同。单个神经元根据其多个因素改变对某一变量调谐的这一属性，已在众多物种的多项研究中得到证明，并被描述为"混合"选择性。该属性被视为一种策略，通过赋予参与多种神经过程的单个细胞的灵活性来提升计算能力。与我们的研究结果类似，一项最近的下顶叶皮层研究报告称，在一个凝视-达到任务中，涉及跨不同任务阶段各种视觉刺激模式时，单个神经元的眼位视野发生了显著变化。作者发现，尽管单个神经元的眼位调谐视野在任务阶段之间发生变化，但群体活动在一个与编码情境信息的子空间正交（即独立）的子空间中准确地编码了眼位。这一使下游结构能够分别读取眼位和任务情境的机制是否也实施于我们的任务中，仍有待未来研究解决，这些研究可以利用多电极阵列并行记录（见研究局限性）。研究局限性不幸的是，我们的记录程序和分析方法涉及自由（FREE）情境下极不均衡的试验时长（见STAR方法），这使我们无法进行群体分析以探究此类机制。未来的研究可以利用多电极阵列并行记录进一步检验这一假说。我们研究的另一个潜在局限在于两个任务时段存在显著差异，尤其是在视觉刺激方面。尽管如此，考虑到我们从V6A的背侧部分进行记录，而根据本组多项研究报道，只有半数细胞表现出视觉反应，且绝大多数细胞对边界和阴影等复杂刺激作出反应，这与目标LED有显著差异，因此我们预期凝视信号受凝视期存在视觉刺激的影响很小。需要注意的是，顶枕皮质中有若干研究用不同感觉模态呈现的刺激（例如视觉/听觉扫视、对视觉/躯体感觉目标的达到）研究了活动。总之，我们的研究结果补充了以往关于在多种感觉和行为情境中空间表征灵活性的证据。资源可用性主要联系人关于进一步信息和资源的请求应发给主要联系人Kostas Hadjidimitrakis（[e-mail]），并将由其提供。材料可用性本研究未产生新的独特试剂。数据和代码可用性·支持本研究的数据集可从主要联系人处合理申请获得。·用于执行本文所述分析的自定义代码已在GitHub上公开发布：https://github.com/francescovaccari/NeuralDataAnalysis_MATLAB。·重新分析本文所述数据所需的任何附加信息均可向主要联系人申请获得。致谢作者感谢C. Galletti教授对早期草稿的有益讨论和评论，感谢L. Passarelli博士和M. Gamberini教授在手术程序方面的协助，感谢F. Bertozzi和G. Dal Bo'博士在记录期间提供帮助，以及M. Verdosci和F. Campisi在实验装置搭建方面的协助。本研究由NextGenerationEU（NGEU）资助，并由大学与研究部（MUR）通过国家恢复与韧性计划（NRRP）项目MNESYS（PE0000006）提供资金；本研究还由大学与研究部（MUR）PRIN2022-2022BK2NPS以及NRRP"Fit4MedRob——适合医疗机器人"资助（#PNC0000007）——BAC：SMART-tremor，在PNC0000007"Fit4MedRob——适合医疗机器人"倡议下的工业研究和实验开发项目级联招标，Mission 3提供支持。作者贡献概念化：K.H.和F.E.V；数据整理：K.H.、F.E.V.和S.D.；形式化分析与应用：K.H.和F.E.V.；资金获取：P.F.；调查实施：K.H.和F.E.V.；方法学及其开发或设计：K.H.、F.E.V.和S.D.；项目管理与行政管理：P.F.；资源——提供研究材料：P.F.；软件编程与开发：F.E.V.；监督与指导：K.H.、M.D.V.、M.F.和P.F.；验证与核实：K.H.和F.E.V.；可视化与准备：K.H.、F.E.V.和S.D.；撰写——初稿：K.H.和F.E.V.；撰写——审阅与编辑：K.H.、F.E.V.、M.D.V.、M.F.、S.D.和P.F.利益声明作者声明不存在竞争利益。STAR方法关键资源表试剂或资源 | 来源 | 标识符实验模型：生物体/品系 | 食蟹猴（Macaca fascicularis） | 博洛尼亚大学 | 不适用软件与算法 | MATLAB | MathWorks | https://ch.mathworks.com/products/matlab.html?s_tid=hp_products_matlab自定义MATLAB代码 | 博洛尼亚大学 | https://github.com/francescovaccari/NeuralDataAnalysis_MATLAB。其他 | 5通道MiniMatrix Thomas记录电极 | https://www.thomasrecording.com/5-electrode-mini-matrixETL-200眼动追踪系统 | ISCAN Inc. | http://iscaninc.com/standard-systems在新的标签页中打开表格实验模型与受试者细节本研究报道了一个数据集的分析，该数据集部分曾在我们实验室的一项以往研究中用于探讨近身空间与超身空间凝视活动的调谐。使用了两只成年年轻雄性食蟹猴（Macaca fascicularis）M1和M2，体重分别为4.4和6公斤。最初，动物被训练适应坐在灵长类椅并与实验者互动。随后，在全身麻醉（硫喷妥钠，8 mg/kg·h，静脉注射）下进行手术植入头约束系统和记录腔，按照Galletti等人所报告的程序执行。手术后进行术后镇痛（酮咯酸特罗美他辛，1 mg/kg 肌注，手术后立即给予，随后几天给予1.6 mg/kg 肌注）和抗生素护理（Ritardomicina，苄星青霉素+二氢链霉素+链霉素，每5–6天10 kg体重1–1.4 mL）。实验按照欧盟指令（86/609/EEC；2010/63/EU）和意大利国家法律（D.L. 116-92，D.L. 26–2014）关于科学目的动物保护的指南进行。方案经博洛尼亚大学动物福利委员会批准，并由意大利卫生部授权（许可编号47/2008-B；170/2015-PR；389/2019-PR；n.645/2024-PR）。在训练和记录期间，特别小心地避免任何疼痛或痛苦的临床和行为迹象。方法细节细胞外记录及重建微电极穿刺的程序与先前描述的类似。细胞活动通过细胞外记录，从顶枕裂前缘记录。V6A区域最初按Galletti等人所描述的判据基于功能特征识别，随后基于Luppino等人的细胞构筑学标准加以确认。我们使用五通道多电极记录系统（Thomas Recording）进行了多次电极穿刺。电极信号被放大（增益为10,000）并进行滤波（带通0.5至5 kHz）。每个通道的动作电位通过波形鉴别器（Multi Spike Detector；Alpha Omega Engineering）隔离，并以100 kHz采样。组织学重建按先前详述的方法进行。简言之，基于电解病变和其他线索（如穿刺在记录腔内的坐标、到达目标区域之前经过的皮质区域类型以及灰质和白质之间的通过点深度）在脑组织的组织学切片上重建电极轨迹和每个记录位点的大致位置。本研究纳入的所有神经元均被归入V6A，特别是其背侧部分（见示意图S1以显示记录位点）。行为任务每只猴子坐在灵长类椅上，头部固定，面对一个水平面板，面板上装有10个圆形LED（直径5 mm），以相对于眼睛的不同距离和方向安装（图1A）。水平面板位于眼睛水平下方10 cm处，大致在肩膀高度。目标LED排成两行（每行5个LED）：一行为中央行，沿矢状中线排列；另一行为侧行，向一侧17 cm（图1A）。每行中，LED间距为15 cm。眼睛到最近中央LED的距离为15 cm（图1A）。实验期间，LED面板首先摆放使侧向LED占据与记录位点相对的空间（图1B，"对侧"）。当神经元在每位置至少记录7个试验后仍保持良好隔离时，面板会平移，以便在中央和同侧空间呈现LED目标（图1B，"同侧"）。猴子M1/M2的瞳距分别为35和32 mm，因此对中央LED的辐辏角为13/12、7/6、4/4、3/3和2.5/2.5°（对M1/M2）。对侧向LED的相应辐辏值为11/10、8/6、6/4、5/3和3.5/2.5°（对M1/M2）。从最近到最远的侧向LED的水平偏角为36、29、21、17和14°。由于LED位于眼睛水平下方的同一水平上，仰角与辐辏相关联。在中央/侧向行中，从最近到最远的LED，仰角分别为33/24、18/16、13/12、9/9和8/7°。猴子被训练在黑暗环境中凝视其中一个点亮可变时间段的LED。任务的时间顺序以及单个试验中发生的自发和指令性眼动示例见图1C。试验开始时，猴子按下胸前主页按钮（HB，图1A）（HB按下，图1C），在任务执行期间需保持按下。经过1000 ms间隔后，在此期间动物可以自由看向任何位置，其中一个LED会变为绿色（LEDon，图1C）。

动物有最多600毫秒的时间做出眼动以注视LED（FIXon，图1C），否则该次试验将被中止。在注视开始后1秒或1.5秒，LED的颜色从绿色变为红色，表示GO信号（LEDRed，图1C）。猴子需要松开按钮以接受液体奖励。猴子与记录半球同侧的手臂被固定住，因此只能用对侧手按下按钮。注视LED以随机顺序呈现。眼动由共轭运动（旋转眼和上/下转眼）和异侧会聚运动组成。由于猴子在任务开始时可以自由注视任何方向，眼睛的初始位置在每次试验之间有所不同。在LED注视期间，眼睛位置通过以每个LED为中心的电子窗口（3×3°）进行约束。来自双眼的眼睛位置同时以100 Hz的采样率通过红外（IR）眼动仪（ISCAN Inc., Woburn, MA, USA）记录。刺激呈现和动物行为（包括眼睛位置信号）使用Labview编写的自定义软件实时监控（National Instruments, Austin, TX, USA）。在每次记录会话之前，猴子需要在每只眼睛上分别进行标定任务。除了LED照明期间外，实验在完全黑暗中完成。红外照明器和摄像机放置在猴子头部上方约15厘米处，并在猴子面前放置一面倾斜45度的反射红外的热镜。在这种配置下，动物可以透过镜子观看而不感知眼动追踪器的红外光。为防止暗适应，实验室内的灯光在整个实验会话期间会定期打开。

**量化与统计分析**

对于每个神经元和每次试验，神经活动（尖峰计数和放电率）以100毫秒部分重叠的时间窗（25毫秒步长）计算，而原始的100 Hz眼睛位置信号则以每25毫秒下采样一次（4 Hz）进行插值，以匹配神经活动的采样。左右眼的眼睛信号使用以下公式合并为注视坐标：

旋转眼 = (x_r + x_l) / 2
上/下转眼 = (y_r + y_l) / 2
会聚运动 = x_l - x_r

其中x_r,l和y_r,l分别对应右眼和左眼的水平和垂直坐标。眼动速度计算如下：

Vel.x = (Version_{t+1} - Version_t) / Δt
Vel.y = (Elevation_{t+1} - Elevation_t) / Δt
Velocity = 2√(Vel.x2 + Vel.y2)

在任务的初始阶段，当动物可以自由移动眼睛时，当眼动速度大于25°/s时检测扫视。我们丢弃每次扫视前50毫秒到后100毫秒之间的数据（图1C中标记为"FREE"的时间窗显示保留的数据），以消除存在于V6A神经元中的扫视前、扫视中和扫视后活动。

在视觉引导注视期间，尽管眼睛位置在线控制并受到约束，但由于存在以目标为中心的电子窗口（3×3°），仍然会发生一些小幅度（<5°）的扫视。因此，我们在FIX阶段应用了与FREE阶段相同的数据预处理策略，即扫视检测阈值为眼动轨迹速度>25°/s，并去除每次扫视前50毫秒到后100毫秒之间的活动。需要注意的是，此程序也有助于去除较大的微扫视（通常定义为<1°的眼动），并更严格地比较FREE阶段的结果。我们无法用当前的眼动追踪器配置可靠地检测到更小的微扫视（振幅为10–40角分），主要是因为在时间和空间分辨率方面存在限制（100 Hz，缺乏使用假眼评估空间分辨率的标定，如文献报告）。图S2详细描述了两种不同任务间隔期间扫视和注视的量化信息。

为了比较FREE和FIX阶段的眼睛位置活动，我们将注视数据分箱到一个位于注视LED面板周围的二维网格中。该网格从视线水平处向左右各延伸25厘米，从前向水平距离20到80厘米（图1D和1E）。当仅测试对侧和中央目标行时，网格从对侧25厘米延伸到同侧5厘米。注视点在目标平面以上或以下超过10厘米的数据被丢弃。因此，每个网格方块包含在10×10厘米的面积内，随后我们计算每个方块内的平均活动，前提是至少收集了5个数据点。除非另有说明，缺失值（即动物未注视网格特定位置时）在包含所有分析的二维矩阵中是允许的，除了向量相关性和两个简单相关性分析中的一个（图6B–6E）。对于需要计算向量场且无法在有空缺条目的矩阵上进行的分析（如向量相关性分析），我们使用相邻网格单元的值通过插值或平均填充缺失值（见下文）。要通过插值填充任何缺失值，数据首先沿两个矩阵维度独立插值，然后使用平均后的值替换缺失值。用于纯平均填充的程序类似（数据未显示）。或者，我们采用第二种更为保守的数据预处理方法，如果目标与注视点之间的距离在3°以内，则每个分箱被分配到最接近注视点的目标。否则，该分箱从分析中丢弃。主要结果在此第二种方法下未发生显著变化（数据未显示）。关于神经数据，我们将那些在视觉引导注视期间对至少四个LED目标具有高于5 sp/s的平均放电率且受到目标位置调制（单因素ANOVA，p < 0.05）的神经元纳入进一步分析。PI和dPI作为自发和视觉注视阶段中由注视信号引起的空间调谐的度量进行计算。

PI是考虑了每种眼睛位置的神经元活动幅度的反应选择性度量，计算如下：

PI = [n - Σ(r_i / r_pref)^(1/(n-1))]

其中n是位置的数目，r_i是第i个位置的活动，r_pref是偏好位置（最高活动）的活动。PI值在0到1之间。接近0的值表示所有位置的响应幅度相同，而接近1的值表示对单一位置的强烈偏好。

dPI使用以下公式计算：

dPI = (r_pref - r_nonpref) / (r_pref + r_nonpref)

其中r_nonpref是非偏好位置（最低活动）的活动。dPI同样在0到1之间，是衡量由注视位置变化引起的神经活动调制强度的指标。两个指数均在真实数据上计算，未通过插值或平均填充任何缺失值。为了获得每个单元的PI/dPI分布以进行统计检验，我们对二维矩阵中的活动进行了100次引导抽样。

引导抽样也用于比较每个单元的平均活动（图3）。我们使用眼睛位置活动图（FREE和FIX各一张）计算FREE和FIX之间活动的平均差异，获得每个单元的平均Δ值。对于单个单元进行统计检验时，通过对眼睛位置图随机重采样100次并计算每次重采样的差异，获得每个神经元的Δ值分布。最后，对每个单元，我们使用单样本双尾t检验（p < 0.05）检验通过引导抽样获得的Δ分布是否显著不同于0。

当需要数据插值来分析自发和指令注视期间二维眼睛位置场的空间结构时，我们首先使用DAM指数来丢弃任何缺失数据可能使结果产生偏差的单元。具体来说，DAM指数是一种考虑缺失值的数量及其在矩阵中空间分布的指标。我们认为，在给定固定信息量的情况下，当缺失值分布在整个矩阵中时，重建数据会更容易（且更准确），而不是当值集中在单个大面积缺失区域时，后者更容易产生伪影（图S3和S4）。为了考虑这些方面，DAM指数在缺失值数量增加时增大，并且在缺失值相邻聚集时也增大。DAM指数可以从"损伤度量"I开始计算，定义如下：

I = (1/N_e) × Σ(k=1到N_e) (8 - n_values_k)2

其中N_e表示矩阵中元素的总数，n_values_k是与第k个矩阵元素相邻的非缺失值的数量（最多8个）。由于I还取决于矩阵大小，可以通过在具有相同大小的矩阵上计算I来找到上界（I_max）和下界（I_min）——前者所有值为缺失值，后者无缺失值。DAM指数是归一化的结果：

DAM_index = (I - I_min) / (I_max - I_min)

DAM指数范围从0（无缺失数据）到1（完全缺失数据）。

我们进行了模拟以计算一个阈值DAM值，用于丢弃数据不足的神经元，因为通过插值重建缺失值会产生过多伪影。在此过程的开始，对于每个单元，从包含注视期间平均放电率的矩阵中随机移除元素，并计算DAM指数。然后通过插值重建相同的元素，并计算这个新矩阵（移除并重建数据以模拟类似真实数据的程序）与原始矩阵之间的R2。我们使用注视矩阵，因为它们只包含很少的缺失值或无缺失值。对每个单元重复此程序1000次。考虑重建的R2（自变量）和DAM指数（因变量）拟合了一个三次多项式，两者通过非线性单调递减函数关联（即，R2越高，DAM指数越低）。从拟合函数外推阈值DAM值（DAM指数≤0.4），以确保R2≥0.35，这通常反映良好的相关性。图S3提供了DAM指数在单个神经元中应用的示例，图S4展示了此方法背后的概念可视化。

**Fano因子分析**

FF是衡量变异性的常用指标，它不仅考虑变异本身，还考虑反应的幅度，已被用于神经科学中量化当呈现刺激时神经变异性通常如何缩小。简而言之，每个神经元的数据首先被分箱并分配到网格单元中，如前所述。以下步骤重复两次，针对两种不同的任务背景。计算每个网格单元的平均尖峰计数及其方差。所有平均和方差对被连接成两个列向量，涵盖所有空间位置和种群中所有神经元（向量长度 = 神经元数 × 网格单元数）。根据方差与均值回归的斜率计算单个"原始"FF。斜率的标准误（即FF的标准误）也通过计算获得（fitlm MATLAB函数）。

还计算了一个"分布匹配的FF"，以确保尖峰计数的潜在分布不会影响结果。首先，对于每个尖峰计数分布，计算分箱边缘为总分布（通过将两种任务背景的平均尖峰计数分布合并获得）的5%分位数。这些边缘用于将每个平均尖峰计数分布切分为分箱，产生一个简单的离散概率密度函数（pdf）。产生两个独立的分布，一个对应自发期间观察到的尖峰计数，另一个对应视觉引导注视。

然后，离散概率密度函数的每个箱都通过随机去除这两个分布之一中超出的样本来重新平衡。在此过程的最后，两种任务情境下的离散脉冲计数概率密度函数完全重叠。分布匹配通过双样本 Kolmogorov-Smirnov 检验加以控制（p ≈ 1）。相应的方差值也被移除。"分布匹配的 FF"是在这些新分布上计算得出的。考虑到子采样中的随机成分，我们重复该过程 1000 次以确保稳健性。
矢量相关性
我们应用矢量相关方法，对自发活动和视觉固视阶段活动所得到的两个二维放电率矩阵之间的关系进行量化。每个二维矩阵都被转换为一个描述响应梯度的二维矢量场（gradient MATLAB 函数）。为了计算矢量相关的估计值，我们使用了由 Hanson 等人最先开发用于分析地理数据的方法。通过应用该方法，计算出一个类似于皮尔逊相关系数的相关系数 ρ。该系数量化了两个二维矢量场之间的关联程度。该方法还定义了两个矢量场之间的旋转或反射量以及缩放关系。如果 x 和 y 是一个矢量场的两个维度，u 和 v 是另一个矢量场的维度，则使用 Hanson 等人的以下公式计算相关系数 ρ：
ρ = √(σxu2 + σyv2 + σxv2 + σyu2 + 2sξ) / √((σx2 + σy2)(σu2 + σv2))
其中 ξ = σxu·σyv ? σxv·σyu，s = sgn(ξ) = ξ/|ξ|。σx2、σy2、σu2 和 σv2 分别是 x、y、u、v 的方差，而 σxu、σyv、σxv 和 σyu 是这四个维度之间的协方差。还可以计算一个缩放因子（β）和一个相位角（θ）：
β = s·ρ·√((σu2 + σv2)/(σx2 + σy2))
θ = tan?1((σxv ? s·σyu)/(σxu ? s·σyv))
系数 ρ 的范围为 ?1 到 1，其中 1 表示两个矢量场之间存在完美的旋转关系，?1 表示一个矢量场可以通过沿某一给定轴反射另一个矢量场而得到。相位角 θ 的范围为 ?180 到 180°，它量化了为对齐两个矢量场所必需的旋转或反射角度，而因子 β 则代表两个场之间的增益关系。矢量相关得出的 β 值是一个缩放因子，它指示第一组矢量必须如何重新缩放才能与第二组矢量相匹配。换句话说，它可以被视为第一组矢量与第二组矢量之间相对大小的度量；在我们的情形中，即表示自由阶段相对于固视阶段在空间方面的神经调制更强（β > 1）或更弱（β < 1）。在 Hanson 等人的研究中，提供了一种精确计算矢量相关 p 值的方法。作为替代，我们还实现了一种基于非参数置换检验的 p 值。该过程涉及通过随机打乱第二矢量场的矢量位置来生成 nshuffle 个代理数据集，从而破坏其与第一矢量场之间任何可能存在的对应关系。对于第 k 个代理数据集，计算 ρk 系数以形成零分布。p 值通过以下方式获得：
p = (count(|ρk| > |ρobs|) + 1)/(nshuffle + 1)
其中 ρobs 是在原始数据上计算得出的，count 表示满足 |ρk| > |ρobs| 的事件数目。
所有分析均在 MATLAB 中实现。主要函数可在 https://github.com/francescovaccari/NeuralDataAnalysis_MATLAB 中找到。
补充信息 (1)PDF (980.84 KB)
文档 S1. 图 S1–S5