IF50.5｜自然注视下视网膜非线性感受野引发冗余编码

自然视频刺激下，部分视网膜神经节细胞出现强相关放电，打破高效编码的去相关预测。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

视觉系统高效编码假说认为，视网膜应去除自然场景中的时空冗余，以节省能量并保留信息。该假说成功解释了感受野结构和细胞类型组织，但其去相关预测此前仅在静态图像或人工刺激下验证。自然视觉输入受眼动和头动快速调制，注视转移在注视起始时刻引发强烈瞬态反应，可能改变视网膜输出相关性。因此，自然注视动态下的冗余减少是否成立，是理解早期视觉编码的关键问题。

科学问题

卡在哪里： 以往研究多使用静态图像或白噪声等人工刺激，缺乏包含真实注视转移的自然动态输入。视网膜在自然注视动态下是否仍能有效去相关、不同细胞类型是否存在差异，尚不清楚。

本文要回答： 本文旨在检验自然视频（含注视转移）刺激下，视网膜神经节细胞是否仍实现去相关和冗余减少，并探究其细胞类型特异性及机制。

技术路线

作者主要用了：多电极阵列、自然视频刺激、LN模型、subunit grid模型、信息论分析。

作者在离体狨猴和小鼠视网膜上，用多电极阵列记录神经节细胞对自然视频的反应。视频由自然图像根据真实注视轨迹平移生成，包含扫视和注视性眼动。通过功能聚类识别主要细胞类型，计算成对相关性和冗余度，并构建线性-非线性（LN）模型和亚单位网格模型，比较模型预测与实测相关性，以揭示非线性感受野对相关性的贡献。

图 1　Fig. 1。图1展示自然视频刺激下狨猴神经节细胞的相关性。a显示视频生成方式及示例细胞感受野；b为示例ON parasol细胞的放电栅格；c为同时记录的ON parasol细胞感受野镶嵌；d比较相邻ON parasol和OFF midget细胞对的放电率，ON parasol细胞对同步峰明显；e显示不同细胞类型成对相关性与距离的关系，ON parasol相关性最高；f显示ON和OFF parasol细胞对正相关；g显示ON parasol细胞可靠性最高；h显示自然视频下ON parasol冗余度最高，白噪声下均低；i显示冗余度与相关性正相关。

核心亮点

亮点 1｜ON parasol细胞几乎不去相关

在狨猴视网膜中，ON parasol细胞的成对相关性接近刺激光强相关性，几乎无去相关；而OFF midget细胞则高度去相关。OFF parasol和ON midget介于两者之间。ON parasol细胞响应可靠性最高，表明相关性并非为了对抗噪声。信息论分析显示，ON parasol细胞对冗余度超过20%，且冗余度与相关性紧密关联。白噪声刺激下所有细胞类型冗余度均低，说明自然刺激的时空结构是产生高冗余的关键。

图 2　Fig. 2。图2分析空间对比度对相关性的影响。a显示ON parasol细胞对在高空间对比度注视下反应更强且更相关；b显示各细胞类型在高/低空间对比度注视下的部分相关性差异，ON parasol差异最大；c显示ON和OFF parasol细胞对在高空间对比度下相关性增强；d显示ON和OFF midget细胞对无此效应；e比较实测与LN模型预测的差异，LN模型无法复现空间对比度依赖的相关性差异。

亮点 2｜高空间对比度注视引发相关放电

在ON parasol细胞中，高空间对比度的注视引发更强且更相关的反应，而低空间对比度注视则不然。这种效应也存在于OFF parasol和ON midget细胞，但OFF midget细胞无此现象。ON和OFF parasol细胞对在高空间对比度注视下也表现出正相关，而ON和OFF midget细胞对则无。线性-非线性模型无法复现这种空间对比度依赖的相关性差异，提示非线性处理参与其中。

图 3　Fig. 3。图3介绍亚单位网格模型。a为LN模型示意图；b为亚单位网格模型示意图；c显示不同细胞类型的亚单位布局；d显示亚单位非线性，ON parasol细胞阈值更高；e显示亚单位模型对自然图像反应的预测优于LN模型；f量化比较模型性能。

亮点 3｜亚单位模型捕捉非线性感受野

作者开发了参数化亚单位网格模型，将神经节细胞感受野划分为多个中心-环绕亚单位，其输出经非线性变换后求和。该模型由闪烁正弦光栅反应拟合，能捕捉细胞对空间对比度的敏感性。亚单位非线性在不同细胞类型间存在差异，例如ON parasol细胞阈值更高、整流更强。亚单位模型对自然图像和视频的预测优于LN模型，且能更准确地复现实测成对相关性，表明非线性感受野结构对冗余编码至关重要。

图 4　Fig. 4。图4展示闪烁光栅拟合的时空模型对自然视频的预测。a为闪烁光栅刺激和亚单位布局；b显示亚单位模型捕捉到LN模型遗漏的反应峰；c量化模型性能；d显示DoG LN模型优于白噪声LN模型但仍不如亚单位模型；e显示亚单位模型和DoG LN模型预测的相关性更接近实测，白噪声LN模型高估相关性。

亮点 4｜非线性注视驱动细胞类型特异性相关

通过比较亚单位网格模型与DoG LN模型预测，作者将注视分为线性与非线性两类。在狨猴parasol细胞和小鼠瞬时α细胞中，非线性注视对总相关性的贡献更大，且ON和OFF parasol细胞的正相关主要由非线性注视驱动。相反，线性细胞如OFF midget和sustained-OFFα细胞在两类注视间贡献均衡。这表明，包含显著空间结构的注视通过激活非线性感受野，引发特定类型神经节细胞的协同放电。

图 5　Fig. 5。图5揭示非线性注视驱动相关性。a显示示例图像轨迹及两个OFF parasol细胞的模型预测，非线性注视下模型预测分歧大；b显示在最大化分歧注视下，亚单位模型性能优于DoG LN模型；c显示非线性注视对总相关性的贡献在parasol细胞中更大；d总结非线性强度与去相关程度的关系。

亮点 5｜跨物种保守的非线性冗余编码

在小鼠视网膜中，瞬时α细胞（尤其是瞬时OFFα）表现出高相关性和冗余度，而持续OFFα细胞则高度去相关。与狨猴类似，高空间对比度注视增强相关性，且LN模型无法捕捉此效应。亚单位网格模型同样改善了小鼠细胞对自然视频的预测。这些结果表明，细胞类型特异性的冗余减少缺陷和非线性感受野驱动的相关性在哺乳动物中具有保守性。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： 多电极阵列、自然视频刺激、LN模型、subunit grid模型、信息论分析
• 公开数据： 原文未给出公开组学登录号
• 代码： 公开仓库 https://github.com/cortex-lab/phy、https://github.com/dimokaramanlis/KiloSortMEA、https://github.com/dimokaramanlis/subunit_grid_model；本地已克隆：KiloSortMEA、subunit_grid_model、phy
• 谁该点开原文： 从事视觉神经编码、视网膜生理或计算神经科学的研究者，尤其是关注高效编码假说和感受野模型的读者。

带走一句

分析视网膜或视觉数据时，需考虑自然注视动态和非线性感受野，否则会高估去相关能力，遗漏细胞类型特异性的冗余编码模式。