回路模型中神经元归一化强度的异质性

1. 领域背景与文献

文献英文标题：Neuronal heterogeneity of normalization strength in a circuit model；

发表期刊：Science Advances；影响因子：12.2（2023年）；研究领域：神经科学，视觉皮层神经编码机制。

理解大脑如何整合并提取多刺激中的信息是神经科学长期以来的核心研究方向。在视觉通路中，初级视皮层神经元响应刺激的局部特征，高阶视皮层神经元则提取全局特征，而归一化是视觉神经元响应多刺激的经典计算现象，表现为神经元对多刺激的亚线性反应。领域共识：归一化现象已被证实在多个脑区、不同感觉模态和多个物种中广泛存在，被认为是神经系统的经典计算模式，同时也是选择性注意增强靶刺激神经元反应的核心机制。过往实验已经证实，不同神经元的归一化强度存在异质性，部分神经元会被额外添加的非偏好刺激强烈抑制，部分神经元对多刺激则表现出近似线性的叠加反应，且归一化强度异质性与注意介导的神经元放电调制异质性高度相关，提示二者可能存在共同的调控机制。

尽管过往研究已经明确了归一化异质性的现象特征，但其背后的环路机制尚未阐明。早期的现象级除法归一化模型可以很好地重现不同刺激条件下的神经元放电率，但无法解释其神经生理基础；后续发展的机制性环路模型大多关注同质神经元群体的试次平均反应，未考虑神经元之间的试次间相关性，也没有对归一化强度的异质性进行解析；近期的统计模型虽然指出归一化强度会影响神经元的放电变异性和神经元间相关性，但没有考虑塑造二者的网络相互作用。因此，解析归一化强度神经元异质性的环路机制，并揭示其对神经编码的功能价值，是该领域亟待解决的核心问题，本研究针对这一空白开展计算建模研究，为理解视觉皮层的信息编码机制提供了新的理论依据。

2. 文献综述解析

作者按照“现象观察-模型发展-机制瓶颈”的逻辑梳理了现有领域研究，明确指出现有研究的核心局限性，突出了本研究的必要性。现有研究在现象层面已经达成核心共识，即归一化现象广泛存在于视觉通路，不同神经元的归一化强度存在稳定异质性，且归一化强度异质性与神经元间放电计数相关性、注意调制效应存在稳定关联，这些实验结论为机制研究提供了核心基础。在模型研究层面，不同类型的模型各有优势与局限性：现象级除法归一化模型的优势是可以很好拟合实验观测的放电率数据，局限性是无法解释归一化的神经生理基础；早期机制性环路模型的优势是可以解释神经元的亚线性反应特性，局限性是仅关注同质神经元群体的平均反应，忽略了神经元异质性和试次间相关性；近期统计模型的优势是探讨了归一化强度对神经元变异性和相关性的影响，局限性是没有考虑网络相互作用对归一化异质性的塑造作用。

和现有研究相比，本研究的创新价值十分明确：首次在递归脉冲神经元环路模型中重现了实验观测到的归一化强度异质性分布，以及归一化强度与神经元间放电计数相关性的关联规律，明确了递归抑制对归一化异质性的核心决定作用，进一步首次系统揭示了异质性归一化对视觉信息编码的计算优势，弥补了现有研究忽略网络相互作用和神经元异质性的核心不足，为后续归一化机制和注意调控机制的研究提供了新的理论框架。

3. 研究思路总结与详细解析

本研究的整体研究目标是揭示视觉皮层归一化强度神经元异质性的环路机制及其计算优势，核心科学问题是网络相互作用如何塑造不同神经元的归一化强度，以及异质性归一化如何影响视觉信息的编码效率，技术路线遵循“构建仿生视觉通路脉冲神经元网络模型→验证模型符合实验观测的归一化异质性特征→解析归一化异质性的环路机制→量化异质性归一化的编码优势”的逻辑，形成了从模型构建到机制解析再到功能验证的完整闭环。

3.1 两层视觉皮层脉冲神经元网络模型构建

实验目的：构建模拟初级视皮层（V1）到高阶视皮层（V4/MT）通路的计算模型，为研究归一化强度异质性提供仿真平台。
方法细节：模型分为两层结构，前馈层模拟V1，包含5000个兴奋性神经元，建模为线性-非线性-泊松神经元，每个神经元具有Gabor感受野，分为两个亚群，分别对应两个空间分离的正交方向Gabor图像的非重叠感受野，神经元的偏好方向由风车方向图决定；递归层模拟V4/MT，包含20000个兴奋性神经元和5000个抑制性神经元，均建模为指数积分发放神经元。网络连接分为两类：85%的兴奋性连接为空间依赖性局部连接，连接概率随神经元间距离衰减；剩余15%的兴奋性连接为长程连接，仅连接偏好方向相似的神经元，不依赖空间距离；抑制性连接仅为空间依赖性局部连接。模型通过强兴奋与强抑制的平衡产生内源性脉冲变异性，符合视觉皮层的生理特征。
结果解读：模型在同质V1输入下可以产生稳定的异步发放状态，单个神经元具有泊松样的放电变异性，神经元放电率服从对数正态分布，方向调谐曲线具有异质性，调谐相似的神经元之间放电计数相关性更高，完全符合视觉皮层神经元的基本反应特征，可用于后续归一化特性研究。
文献未提及具体实验产品，领域常规使用Matlab、C语言开展计算神经科学仿真研究。

3.2 归一化强度分布特征验证

实验目的：验证模型是否能产生和实验数据一致的归一化强度异质性分布。
方法细节：分别给模型输入单个Gabor图像（位置1、位置2）和同时输入两个Gabor图像，记录每个V4/MT神经元的平均放电率，按照实验定义计算归一化指数：归一化指数=（单个刺激反应之和）/（双刺激共同反应），指数越大代表归一化强度越高，对比模型与猕猴实验数据的分布特征。
结果解读：模型中V4/MT神经元的归一化指数主要分布在1~2之间，分布范围与猕猴V4、MT区记录的实验数据完全一致；抑制性神经元的归一化指数分布比兴奋性神经元更宽，且归一化指数与神经元的方向偏好无显著相关性（n=数千神经元，P>0.05），这些特征都与实验数据一致。进一步分析发现，强递归连接是产生宽归一化指数分布的关键，弱递归连接只能产生狭窄的分布，证明网络相互作用是塑造归一化异质性的基础。

3.3 归一化强度与放电计数相关性的关系验证

实验目的：验证模型中神经元间放电计数相关性对归一化强度的依赖规律是否符合实验观测。
方法细节：计算不同归一化指数神经元对之间的放电计数皮尔逊相关系数，控制神经元方向调谐相似度的混杂影响，对比归一化指数相似与差异较大的神经元对的相关性差异。
结果解读：模型得到的规律与实验数据定性完全一致：首先，归一化指数相似的神经元对，放电计数相关性显著高于归一化指数差异大的神经元对；在平均归一化指数相同的情况下，相关性随神经元对归一化指数差异的增大而降低（n=8663个神经元，P<0.001）。其次，对于归一化指数相似的神经元对，相关性随平均归一化指数的增大先降低，在高平均归一化指数下可出现升高，该规律在猕猴MT、V4、V1区的实验数据中都得到了验证。控制调谐相似度后该规律仍然存在，排除了调谐相似度的混杂影响，证明网络连接本身直接塑造了这种相关性特征。

3.4 归一化异质性的环路机制解析

实验目的：明确神经元接收的不同突触电流组分对归一化强度的决定作用。
方法细节：将每个V4/MT神经元接收的总电流分解为V1前馈兴奋、V4/MT递归兴奋、V4/MT递归抑制三个组分，分别计算每个电流组分的归一化指数，分析其与神经元放电率归一化指数的相关性；进一步分解神经元对的电流协方差，明确抑制性电流如何影响放电计数相关性。
结果解读：神经元放电率归一化指数与递归抑制电流的归一化指数呈强负相关（皮尔逊相关系数r=-0.75，n=4163，P<0.001），而与前馈兴奋、递归兴奋的归一化指数相关性极弱，说明神经元的归一化强度主要由递归抑制决定：归一化越强的神经元，在双刺激同时呈现时接收的相对抑制量越大。协方差分解结果显示，仅含抑制性电流的协方差组分依赖于归一化指数，归一化差异越大的神经元对，抑制性电流对总电流协方差的抵消程度越大，导致总电流协方差降低，对应放电计数相关性降低，完美解释了放电计数相关性对归一化强度的依赖规律。

3.5 不同归一化强度神经元的对比度敏感性分析

实验目的：探究不同归一化强度神经元对图像对比度差异的反应敏感性。
方法细节：固定两个Gabor图像的平均对比度为0.5，逐步增大两个图像之间的对比度差异，记录不同归一化强度神经元的放电率，计算相对于等对比度条件的相对放电率变化，统计分布的标准差，对比不同归一化强度分组的差异。
结果解读：随着对比度差异增大，所有神经元的相对放电率变化分布逐渐变宽；对于相同的对比度差异，归一化强度越强的神经元，相对放电率变化分布的标准差越大（n=数千神经元，P<0.001），说明归一化越强的神经元对对比度差异的敏感性越高。具体来看，强归一化弱选择性神经元仅在单图像存在时反应最大，双图像高对比度时被强烈抑制；强归一化强选择性神经元对非偏好图像对比度升高的抑制作用更敏感，仅在偏好图像单独存在时反应最大，而异质性归一化使得神经元群体可以选择性响应不同对比度组合的刺激。

3.6 异质性归一化的神经编码优势量化

实验目的：量化不同归一化强度神经元的信息编码效率，以及异质性归一化对整体网络编码能力的提升作用。
方法细节：计算不同归一化强度分组神经元的单个尖峰线性费希尔信息，衡量编码精度；构建归一化异质性降低的对照网络，通过匹配每个神经元的输入连接数缩小归一化指数分布范围，对比默认网络（高异质性）与对照网络（低异质性）的费希尔信息，以及自然图像编码的流形容量。
结果解读：当总尖峰数低于100时，强归一化神经元每个尖峰编码的对比度和方向信息显著多于弱归一化神经元（n=多次随机抽样，P<0.01），说明强归一化神经元的信息编码效率更高。和低异质性的对照网络相比，高异质性的默认网络编码对比度信息的效率更高，仅用更少的神经元就能达到接近V1输入信息上限的费希尔信息；对于自然图像编码，高异质性默认网络的流形容量更高，同时流形维度和流形半径更低，使得不同图像的神经反应更易线性分离，明确证明异质性归一化可以提升网络的编码容量和信息编码效率。

4. Biomarker研究及发现成果

本研究为视觉皮层神经编码机制的计算建模研究，核心目标是解析归一化强度异质性的环路机制与计算功能，未针对疾病或生理过程开展生物标志物的筛选与验证研究，因此无相关Biomarker研究产出。