IF50.5｜神经活动基础模型预测新刺激类型反应

大规模视觉皮层数据训练的基础模型，可跨小鼠、跨刺激域泛化，并预测神经元解剖特征。

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

深度人工神经网络已能根据感觉输入、行为和内部状态准确模拟神经活动，在视觉研究中，数据驱动模型已超越任务驱动方法，可系统分析神经元表征和计算原理。然而，模型通常局限于训练分布，难以泛化到合成或参数化刺激，而参数化刺激在视觉研究中具有重要历史地位。基础模型在自然语言和图像生成等领域的成功，展示了大规模预训练带来的强大泛化能力，为神经科学提供了新范式。

科学问题

卡在哪里： 此前模型在自然视频域内预测良好，但对合成或参数化刺激泛化差；且单个实验数据量有限，难以训练出高精度模型。

本文要回答： 构建小鼠视觉皮层的基础模型，实现跨小鼠、跨刺激域的泛化，并探索其预测神经元结构特征的能力。

技术路线

作者主要用了：双光子钙成像、深度神经网络、迁移学习、参数化刺激、MICrONS功能连接组。

作者收集14只清醒小鼠约135,000个神经元的自然视频反应，用8只小鼠数据训练共享的深度神经网络核心（foundation core），该核心包含透视、调制、核心和读出四个模块。然后将核心冻结，仅用新小鼠的少量自然视频数据微调其他模块，得到基础模型。同时训练仅用单只小鼠数据的个体模型作为对照。通过比较两者在自然视频和多种新刺激域（静态图像、Gabor斑块、相干噪声等）上的预测精度，评估基础模型的泛化能力和数据效率。

图 1　Fig. 1。图1展示模型架构：左侧为小鼠视觉皮层多脑区（V1、LM、RL、AL）和多层（L2/3、L4、L5）的活体记录示意；右侧为ANN信息流，从输入（视觉刺激、眼位置、运动、瞳孔大小）到输出（神经活动）。四个模块：透视模块用光线追踪推断视网膜激活，调制模块处理行为变量，核心模块由3D卷积和LSTM组成，读出模块线性组合核心特征。

核心亮点

亮点 1｜模型预测精度超越前最佳

在与Sinz等人相同的数据集上，本模型预测V1神经元对自然视频反应的CCnorm中位数比前最佳动态模型提高25-46%（图2a）。在新收集的多脑区数据上，模型对高级视觉区（LM、RL、AL）的预测精度与V1相当（图2c）。消融实验显示，透视模块和调制模块分别贡献2.3%和2.8%的性能提升，3D卷积比2D卷积提高0.88%，Poisson损失比MSE损失提高9.6%。

*图 2　Fig. 2。图2a比较本模型与Sinz等人模型在相同数据上的预测精度，显示本模型CCnorm显著更高（*P<0.01）。图2b展示预测精度随训练数据量增加而提高，图2c显示不同脑区（V1、LM、RL、AL）的预测精度相似，表明模型对高级视觉区同样有效。

亮点 2｜基础核心实现跨小鼠泛化

基础模型在新小鼠上仅需不到30分钟自然视频训练数据即可达到CCnorm>0.65，而个体模型需要超过60分钟（图3b）。在漂移Gabor斑块刺激上，基础模型用16分钟训练数据达到CCnorm>0.55，个体模型需要超过1小时（图3d）。在MICrONS数据集上，基础模型将中位CCnorm从个体模型的0.48-0.65提升至0.58-0.76（扩展数据图4）。

图 3　Fig. 3。图3a示意训练和测试范式：自然视频训练基础核心，然后迁移到新小鼠。图3b-g显示基础模型（蓝）与个体模型（红）在不同刺激域上的性能对比，基础模型在所有域上均优于个体模型，且所需训练数据更少。

亮点 3｜参数化调谐可在硅片复现

对3只新小鼠约30,000个神经元，基础模型在未见过参数化刺激的情况下，预测的OSI和DSI与体内测量高度相关（图4d,f）。对于强方向调谐神经元（OSI>0.5），体内外偏好方向中位差异仅4°（图4e）。空间调谐方面，强调谐神经元（SSI>8）的偏好位置中位距离为0.02显示器宽度（约2°视角）（图4i）。

图 4　Fig. 4。图4展示参数化调谐的体内外比较：a为实验范式，b-c为示例神经元的调谐曲线。d-i显示OSI、DSI、偏好方向、SSI和偏好位置的体内外估计高度一致，验证了模型在无参数化刺激训练下的调谐预测能力。

亮点 4｜功能条码预测解剖特征

在MICrONS数据集中，模型读出的512维特征权重（功能条码）可预测视觉脑区，平衡准确率68%（图5d），预测11种形态学定义的兴奋性细胞类型，平衡准确率32%（图5e）。控制2P深度后，加入功能条码仍显著提升细胞类型预测（似然比检验P<10^-9）。功能条码还成功预测了树突形态和突触连接（见伴随论文）。

图 5　Fig. 5。图5展示MICrONS数据集上的应用：a为模型示意，读出位置和特征权重；b为两个示例神经元的电镜重建；c显示读出位置准确反映视网膜拓扑组织；d-e显示功能条码预测脑区和细胞类型的混淆矩阵；f为11种细胞类型在皮层深度上的分布。

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： 双光子钙成像、深度神经网络、迁移学习、参数化刺激、MICrONS功能连接组
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事视觉神经科学、计算神经科学或希望利用大规模神经数据构建预测模型的研究者。

带走一句

大规模多动物数据预训练的核心可迁移到新个体，大幅减少所需训练数据，并实现跨刺激域泛化，为构建脑基础模型提供了可行路径。