《PLOS Computational Biology》：Inferring effective neuronal circuits via network flux counting
编辑推荐：
从神经元群体活动中提取环路机制，因神经元属性的异质性和突触连接强度的多样性而颇具挑战。标准推断方法（如广义线性模型（Generalized Linear Models, GLMs））通常同时对全部神经元活动进行参数回归。这种全局拟合方法可能面临可辨识性困难——
从神经元群体活动中提取环路机制，因神经元属性的异质性和突触连接强度的多样性而颇具挑战。标准推断方法（如广义线性模型（Generalized Linear Models, GLMs））通常同时对全部神经元活动进行参数回归。这种全局拟合方法可能面临可辨识性困难——例如，在兴奋-抑制平衡网络中，对强且相反的权重进行统计估计时会出现病态条件问题。本文提出基于通量的有效耦合（FLux-based Effective Coupling, FLEC）框架，该框架将峰电位序列直接映射至网络状态空间上的概率通量。FLEC不采用单一全局拟合，而是通过独立量化每种网络构型的转移速率来推断连接性和响应异质性。研究表明，在强耦合网络中，FLEC的性能优于GLMs和格兰杰因果（Granger Causality）方法，同时在标准情境下与GLM性能相当。此外，当与最大熵原理（Maximum Caliber）结合构建最小动力学模型时，该框架比最大熵（Maximum Entropy）模型能更准确地捕捉时间统计特征（如峰间间隔）。FLEC对参数变化和未观测的隐藏单元具有鲁棒性，并已应用于蝾螈视网膜的多电极记录数据，为非线性和神经环路推断提供了一种系统化的、基于计数的工具。
研究背景与问题
神经环路的信息处理依赖于神经元之间的突触连接及其内在响应特性。从实验观测的神经元峰电位序列中推断环路结构，是计算神经科学的核心挑战之一。这一推断面临两个根本性困难：其一，需要将神经元的内在兴奋性与来自网络的突触输入区分开，因为高发放率既可能源于强上游输入，也可能源于高内在兴奋性；其二，需要从净输入信号中分辨不同突触来源的具体权重和类型。尤其严重的是，在强耦合环路（如兴奋-抑制平衡网络）中，强兴奋电流与强抑制电流相互抵消，导致回归问题病态化，标准推断方法（如广义线性模型（Generalized Linear Models, GLMs）和格兰杰因果（Granger Causality, GC））难以可靠地识别参数。GLM虽然显式建模了神经元的非线性激活，但通常需要同时拟合所有传入突触权重以匹配神经元的总聚合输入，在强耦合条件下易产生病态估计和不稳定解。GC基于线性自回归过程，难以捕捉神经环路固有的非线性峰电位生成和突触交互。
研究内容与结论
针对上述问题，研究人员提出了基于通量的有效耦合（FLux-based Effective Coupling, FLEC）框架。FLEC的核心思想是将推断视角从全局回归拟合转向对系统概率流的计数统计。通过将峰电位序列映射至网络状态空间，FLEC仅利用一个自由参数（滑动窗口宽度）即可同时恢复有效连接性和神经元异质性。研究结果表明：在弱耦合兴奋-抑制平衡基序中，FLEC性能与GLM相当；在强耦合情境下，FLEC显著优于GLM和GC，保持高推断精度。FLEC还能有效区分直接因果与间接相关，在共同输入、链式和循环三种典型基序中均正确识别因果结构。此外，将FLEC推断的转移速率与最大熵原理（Maximum Caliber, Max Cal）结合构建马尔可夫跳跃过程（Markov Jump Process, MJP），比标准最大熵（Maximum Entropy, Max Ent）模型更准确地预测峰间间隔（Inter-Spike Interval, ISI）分布。FLEC对隐藏单元和参数变化具有鲁棒性，通过粗粒化策略可扩展至大规模网络。将FLEC应用于蝾螈视网膜神经节细胞（Retinal Ganglion Cells, RGCs）的多电极记录数据，推断出与视网膜生理学一致的侧抑制和弱相互兴奋的功能连接模式。
关键方法
研究人员采用了以下关键技术方法：其一，滑动窗口映射方法，将多神经元峰电位序列转换为网络状态空间中的跳跃过程轨迹，窗口宽度（约20 ms）是框架中唯一的自由参数；其二，通量与占据时间计数统计，通过计算状态转移通量并除以驻留时间获得转移速率矩阵；其三，有效耦合推断，通过比较不同网络构型下的条件发放率，以自然对数增益定义耦合强度；其四，最大熵原理（Max Cal）建模，基于推断的转移速率构建最小马尔可夫跳跃过程模型以重建峰电位序列；其五，粗粒化策略，通过比较边缘耦合（g）与条件耦合（w）区分直接连接与间接路径。数值模拟采用漏电积分-发放（Leaky-Integrate-and-Fire, LIF）网络模型，大型网络（100神经元）使用Brian 2模拟器生成；生物数据来自蝾螈视网膜多电极记录（N=53个神经元）。
研究结果
同时推断结构、异质性与因果性： 在完全连接的兴奋-抑制平衡基序中，FLEC正确捕获了突触权重的符号（兴奋/抑制）和相对大小，并通过重建响应函数区分了神经元2的较低生物物理阈值（-60 mV）与神经元1和3（-50 mV），证明FLEC无需先验假设即可分离突触贡献与内在生物物理特性。在三种典型基序测试中，FLEC在共同输入情境下正确避免了虚假连接推断，在链式结构中识别直接连接并忽略间接相关，在循环回路中捕获了反馈环的方向性。
强耦合情境下的优越性能： 系统扫描突触权重范围后，在弱耦合区间FLEC性能与GLM和spkGC相当，GC表现较差；在强耦合区间（权重>15），GLM性能退化，而FLEC保持高精度（余弦角>0.85）。在动力学统计重建方面，FLEC结合Max Cal构建的MJP比Max Ent模型更准确地预测ISI分布，因为Max Ent仅约束静态发放率和同步相关，而FLEC显式约束了状态间的转移结构。
粗粒化可扩展性与隐藏单元鲁棒性： 在5神经元网络中仅观测3神经元子集时，FLEC在隐藏输入强度约为观测连接一半时仍能正确识别符号和相对强度。在100神经元随机兴奋-抑制网络中，FLEC对子采样基序的推断优于原始峰电位相关性，且在符号推断上对抑制性连接预测正确率（91%）显著高于兴奋性连接（36%），反映了系统性的负有效耦合偏差。
视网膜功能连接推断： 对蝾螈视网膜RGC三元组的推断揭示了以强侧抑制和弱相互兴奋为特征的基序，与RGC生理学一致。条件耦合（w）与边缘耦合（g）的一致性支持推断连接的稳健性。基础条件耦合以负值为主，而驱动耦合（当第三神经元活跃时）趋向正值，研究人员将其解释为共享视觉刺激作为未观测共同驱动源的统计代理。
讨论与结论
FLEC提取的是有效连接性，即净因果影响，不等同于解剖学突触连接。方法依赖充分的转移统计量，网络状态空间随神经元数量指数增长，限制了可同时推断的基序规模，用户需在较小基序的高统计置信度与较大网络的采样稀疏性之间权衡。在视网膜应用中，视觉刺激动态可能影响推断结果，但FLEC捕获的相互抑制模式与视网膜去相关信号的稀疏编码机制一致。针对弱相互作用检测的局限，研究人员探索了基于非平衡驱动的扰动策略，周期性向抑制性神经元注入电流可改善弱权重的推断而不显著影响强权重的检测，为结合光遗传学等靶向扰动技术提供了方向。研究结论表明，FLEC提供了一种系统化的、基于计数的非线性神经环路推断工具，在强耦合情境下优于传统回归方法，并能通过粗粒化策略分层推断大规模网络结构。
