Retinal processing: insights from mathematical modelling
视网膜是视觉系统的入口。虽然基于共同的生物物理学原理，视网膜神经元的动力学是完全不同的，从他们的皮质对应，提出有趣的问题建模。在本文中，我解决一些数学陈述的问题，在这种精神，讨论，特别是：（1）如何横向无长突细胞连接形状的时空尖峰反应的视网膜神经节细胞？(2)时空刺激相关性和视网膜网络动力学如何塑造视网膜输出端的尖峰训练相关性？这些问题的解决，首先，引入一个数学上易于处理的模型分层视网膜，整合无长突细胞的横向连接和分段线性整流，允许计算视网膜神经节细胞的感受野与电压和尖峰相关性的视网膜神经节细胞产生的无长突细胞网络。然后，我回顾了最近的一些结果，显示时空吉布斯分布和线性响应理论的概念可以用来表征集体尖峰响应的一组视网膜神经节细胞的时空刺激，通过有效的相互作用相对应的无长突细胞网络耦合。在这些基础上，我简要讨论了这些结果在皮层水平上的几个潜在后果。
2022-01-18 math.DS physics.bio-ph q-bio.NC
Feasibility Assessment of an Optically Powered Digital Retinal Prosthesis Architecture for Retinal Ganglion Cell Stimulation
本文提出一种通过瞳孔传输近红外光同时供能和传数据的数字视网膜假体架构，并在大鼠视网膜实验中证明其可在允许光照条件下驱动ASIC刺激器、诱发RGC反应，验证了无电缆高重复率顺序刺激的可行性。
2023-10-13 cs.SY eess.SY q-bio.NC
Differential response of the retinal neural code with respect to the sparseness of natural images
自然图像遵循我们的物理（视觉）环境结构所继承的统计数据。特别是，这种结构的一个突出方面是图像可以由相对稀疏的特征描述。为了研究这种稀疏性在神经代码效率中的作用，我们设计了一类新的随机纹理刺激，其稀疏性值受自然图像测量的启发。然后，我们测试了这种稀疏参数对在啮齿动物视网膜中离体记录的视网膜神经节细胞群体中观察到的放电模式的影响，即啮齿动物的视网膜。这些记录特别表明，尖峰定时的可靠性相对于稀疏性而变化，与在自然图像中观察到的稀疏性统计分布相比，具有全球相似的趋势。这些结果表明，在神经节细胞的尖峰模式中表示的代码可以适应自然图像的统计的这一方面。
2022-01-05 q-bio.NC
Modeling Retinal Ganglion Cell Population Activity with Restricted Boltzmann Machines
Istituto Italiano di Tecnologia（意大利理工学院）
视网膜是一个复杂的神经系统，它在视觉皮层进行高阶处理之前对视觉刺激进行编码。在这项研究中，我们评估了有关视网膜接收到的刺激的信息是否可以从视网膜神经节细胞（RGC）的放电率分布中检索，利用高密度64x64 MEA技术。为此，我们使用平均协方差限制玻尔兹曼机（英语：Restricted Boltzmann Machines），能够学习一组连续观测随机变量和一组二进制未观测随机单位的联合分布的潜变量模型，来模拟研究资助局的人口活动。这个想法是为了弄清楚二进制潜在状态是否将与不同视觉刺激相关的信息编码为联合分布中的模式。我们通过计算潜在状态和刺激之间的互信息来衡量mcRBM编码的优劣。结果表明，二进制状态可以编码与不同的刺激，使用光栅和自然场景的刺激。我们还发现，隐变量编码视网膜活动的有趣特性，解释为人口感受野。我们进一步研究了该模型学习不同模式的群体活动的能力，通过比较与正常条件下的视网膜相关的结果和在阻断GABA受体（首先是GABAC，然后是GABAA和GABAB）后的结果。正如预期的那样，如果我们阻断受体，互信息往往会减少。最后，我们强调，在这项工作中描述的计算方法可以潜在地应用于任何类型的神经数据通过MEA技术，虽然不同的技术应适用于解释的结果。
2017-01-17 cs.CV q-bio.NC
Transformation of stimulus correlations by the retina
感觉神经元反应中的冗余和相关性似乎浪费了神经资源，但可以携带有关结构化刺激的线索，并可能帮助大脑纠正反应错误。为了评估视网膜如何协商这种权衡，我们测量了神经节细胞群体的同时反应，这些神经节细胞群体呈现出在相关结构上差异很大的自然和人工刺激。我们发现，视网膜输出的成对相关性在具有广泛不同的时空相关性的刺激（包括白噪声和自然电影）之间保持相似。同时，纯粹的空间相关性往往会增加视网膜反应的相关性。对更多相关刺激的反应，神经节细胞具有更快的时间内核，并且往往具有更强的周围环境。单个细胞的这些特性，以及与神经节细胞输入的有效对比度变化相反的增益变化，在很大程度上解释了感受野测量可能的刺激之间的成对相关性的相似性。
2013-07-02 q-bio.NC
Sperry versus Hebb: Topographic mapping in Isl2/EphA3 mutant mice
在野生型小鼠中，视网膜神经节细胞的轴突建立了到中脑上丘的地形精确投影。这意味着相邻视网膜神经节细胞的轴突投射到目标中的近端位置。地形投影的精确度是分子标记（如Eph受体和肝配蛋白）和相关电活性的综合作用的结果。在Isl2/EphA3突变小鼠中，分子标记的表达水平发生变化。结果，拓扑投影被重新布线，使得视网膜细胞轴突之间的相邻关系被破坏。在这里，我们认为，相关活动的影响，提出自己的形式Hebbian学习规则可以促进恢复的地形连接，即使当分子标签进行冲突的指令。这是因为电活动的相关性携带了关于视网膜细胞空间位置的信息，而这些信息不依赖于分子标记。因此，我们认为，在Isl2/EphA3基因敲入小鼠的实验直接测试的分子标记和相关活动的发展过程中的神经连接的影响之间的相互作用。
2008-02-13 q-bio.NC
Dorsal lateral geniculate substructure in the Long-Evans rat: A cholera toxin B-subunit study
本研究描述了基于视网膜神经节细胞输入的起源眼的有色大鼠（Rattus norvegicus）丘脑背外侧膝状体核的亚结构。我们单眼眼内注射霍乱毒素（CTB），一个敏感的顺行示踪剂的B亚单位，在三个成年雄性Long-Evans大鼠。在另外四名受试者中，我们在双眼中注射荧光团缀合的CTB，在每只眼睛中使用不同的荧光团。这些受试者的大脑被固定和切片，标记的视网膜神经节细胞末端用宽视场亚微米分辨率载玻片扫描仪成像。追踪视网膜终止区以重建大脑两侧dLGN中同侧和对侧视网膜终止区的三维模型。dLGN体积为1.58 \pm 0.094 mm^{3}，其中70 \pm占整个视网膜受体LGN体积的3%。我们发现视网膜终末被起源眼很好地分离。我们一直发现三个或四个空间上分离的同侧受体区内的每个dLGN，而不是单一的紧凑区预期。这些亚结构域是否代表不同的功能亚板层仍有待确定。
2012-06-18 q-bio.NC
Optogenetic vision restoration with high resolution
大多数遗传性视网膜变性是由于感光细胞死亡。在许多情况下，神经节细胞被保留下来，从而可以刺激它们恢复视觉功能。几项研究（Bi等人，2006; Lin等人，2008; Sengupta等人，2016; Caporale等人，2011; Berry等人，2017）已经表明，有可能在神经节细胞中表达光遗传蛋白并使它们对光敏感。这是恢复视力的一种有前景的策略，因为光学靶向可能比使用视网膜假体的电刺激更精确。然而，光遗传学重新激活的视网膜的空间分辨率还没有用细粒度的刺激模式测量。由于光遗传学蛋白也在轴突中表达，因此尚不清楚这些神经元是否仅对覆盖其胞体和树突的小区域的刺激敏感，或者它们是否也会对与其轴突重叠的任何刺激做出反应，从而显着损害空间分辨率。在这里，我们记录了小鼠和猕猴视网膜在体内光遗传学治疗后对随机棋盘图案的反应。我们表明，光遗传学激活的神经节细胞是每个敏感的视觉空间的一个小区域。基于这个小感受野的简单模型准确地预测了他们对复杂刺激的反应。从这个模型中，我们模拟了整个光敏神经节细胞群体如何对不同大小的字母做出反应。然后，我们估计了患者期望的最大敏锐度，假设它可以最佳地利用这个重新激活的视网膜所传递的信息。所获得的视力高于法定盲限。这种高空间分辨率是未来临床研究的一个有希望的结果。
2018-11-16 q-bio.NC
Random wiring, ganglion cell mosaics, and the functional architecture of the visual cortex
胎盘食肉动物和灵长类动物的初级视觉皮层的等取向结构域的结构明显遵循种不变的数量规律。动态优化模型假设神经元在连接数百万个细胞的皮层回路中协调它们的刺激偏好，具体预测这些不变量。这可能表明V1的内在连接体及其功能结构遵循具有高精度和鲁棒性的单一优化原则。为了验证这一假设，关键是要仔细检查替代候选理论的定量预测。视网膜-皮层通路内的随机前馈布线代表了动态电路优化的概念上有吸引力的替代方案，因为随机维度扩展投影被认为一般表现出对刺激表示有利的计算特性。在这里，我们问是否可以解释为一个通用的随机布线的紧急属性的V1架构的定量不变量。我们推广和研究随机布线模型提出的Ringach和同事，在视觉皮层的iso-orientation域出现通过随机前馈连接之间的半规则马赛克的视网膜神经节细胞（RGC）和视觉皮层神经元。我们推导出闭合形式的表达式皮质感受野和域布局的模型预测完美的六边形RGC马赛克[.]我们的结论是，V1布局不变量是视觉皮层优化的具体定量签名，这不能用通用的随机前馈布线模型来解释。* 请参阅PDF格式的完整摘要。*
2015-10-01 q-bio.NC
Metabolically Efficient Codes in The Retina
我们测试了视网膜神经节细胞的神经编码被优化以最小的代谢成本传输视觉信息的假设。在广泛的光模式下，神经节细胞的棘波序列由稀疏，精确的棘波脉冲组成。这些爆发被视为独立的神经符号。通过重复呈现视觉刺激来测量每个突发中的噪声，并且从神经节细胞尖峰的生物病理学现实模型中的总电荷流来估计能量成本。考虑到这些成本和噪声，有效码理论预测了符号使用的最佳分布。在这个最佳代码中，噪声或代谢代价高的符号被抑制。我们发现了极好的定性和定量协议的神经节细胞在虎蝾螈视网膜的突发大小的测量分布。
2001-05-06 cond-mat.dis-nn cond-mat.soft q-bio.NC
Neural System Identification with Spike-triggered Non-negative Matrix Factorization
Peking University（北京大学）；Peng Cheng Laboratory（鹏城实验室）；University of Edinburgh（爱丁堡大学）；University of Leicester（莱斯特大学）
大脑中形成的神经元回路是复杂的，具有错综复杂的连接模式。这种复杂性也在视网膜中观察到，作为相对简单的神经元回路。视网膜神经节细胞接收来自前几层神经元的兴奋性输入，作为激发尖峰的驱动力。需要能够以系统的方式破译这些成分的分析方法。最近，一种称为尖峰触发的非负矩阵分解（STNMF）的方法已被提出用于此目的。在这项研究中，我们扩展了STNMF方法的范围。通过使用视网膜神经节细胞作为模型系统，我们表明，STNMF可以检测上游双极细胞的各种计算特性，包括空间感受野，时间滤波器，和传输非线性。此外，我们从STNMF的权重矩阵中恢复突触连接强度。此外，我们表明，STNMF可以分离成几个子集的尖峰的神经节细胞的尖峰，每个子集是由一个突触前双极细胞。总之，这些结果证实了STNMF是一种有用的方法，用于破译神经元电路的结构。
2020-03-01 cs.LG cs.NE q-bio.NC
Revealing Fine Structures of the Retinal Receptive Field by Deep Learning Networks
Tsinghua University（清华大学）；Peking University（北京大学）；University of Leicester（莱斯特大学）
深度卷积神经网络（CNN）在许多视觉任务上表现出令人印象深刻的性能。最近，它们成为神经科学中视觉系统的有用模型。然而，目前还不清楚CNN在神经元回路方面学到了什么。当具有许多层的深层CNN用于视觉系统时，由于从视网膜到更高视觉皮层的高度复杂的电路，将CNN的结构组件与可能的神经科学基础进行比较并不容易。在这里，我们解决这个问题，专注于单一的视网膜神经节细胞的生物物理模型和记录数据的动物。通过用白噪声图像训练CNN来预测神经元响应，我们发现可以揭示视网膜感受野的精细结构。具体来说，学习的卷积滤波器类似于视网膜回路的生物组件。这表明从单个视网膜细胞学习的CNN揭示了在该细胞中进行的最小神经网络。此外，当从不同小区学习的CNN在小区之间转移时，存在转移学习性能的多样性，这表明CNN是小区特定的。此外，当CNN在不同类型的输入图像之间传输时，这里是白噪声对对于自然图像，迁移学习显示出良好的性能，这意味着CNN确实捕获了单个视网膜细胞对不同输入的全部计算能力。总之，这些结果表明，CNN可以用来揭示神经元回路的结构成分，并为神经系统识别提供一个强大的模型。
2020-02-18 cs.LG q-bio.NC
An information theoretic approach to the functional classification of neurons
一群神经元通常对感觉输入表现出广泛的多样性反应。功能分类的直观概念是，细胞可以聚集在一起，这样大部分的多样性就被捕获在集群的身份中，而不是集群中的个体。我们展示了如何使用信息论来精确地做出这种直觉，而不需要在刺激或反应的空间上引入度量。应用于蝾螈的视网膜神经节细胞，这种方法恢复了经典的结果，但也提供了明确的证据，超出了以前确定的子类。此外，我们发现每个神经节细胞在功能上都是独特的，即使在同一亚类中，也只需要几个棘波就可以可靠地区分细胞。
2002-12-31 physics.bio-ph physics.data-an q-bio.NC
Predictive information in a sensory population
引导行为需要大脑对未来的感官输入做出预测。在这里，我们表明，有效的预测计算开始在视觉系统的最早阶段。我们估计有多少信息组的视网膜神经节细胞进行有关他们的视觉输入的未来状态，并表明，我们可以观察到的每一个细胞参与一组细胞，这种预测信息是接近的物理限制设置的统计结构的输入本身。视网膜中的细胞群也携带有关其自身活动的未来状态的信息，我们表明，这些信息可以进一步压缩并由下游预测神经元编码，然后表现出有趣的特征选择性。预测信息的有效表示是可以应用于神经计算的每个阶段的候选原则。
2013-06-30 q-bio.NC
Deep Learning Models of the Retinal Response to Natural Scenes
神经科学的一个核心挑战是理解行为学相关自然刺激编码的神经计算和电路机制。在多层神经回路中，非线性过程，如突触传递和尖峰动力学，对自然刺激响应的精确计算模型的创建提出了重大障碍。在这里，我们证明了深度卷积神经网络（CNN）捕获对自然场景的视网膜反应几乎在细胞反应的变化范围内，并且比线性-非线性（LN）模型和广义线性模型（GLM）更准确。此外，我们还发现了CNN的两个额外的令人惊讶的特性：当在少量数据上训练时，它们比LN对应物更不容易受到过拟合的影响，并且当测试来自不同分布的刺激时（例如自然场景和白噪声之间），它们的泛化能力更好。经过训练的CNN的检查揭示了几个属性。首先，与白噪声相比，更丰富的特征图集对于预测自然场景的响应是必要的。第二，对缓慢变化的输入的时间精确响应源自前馈抑制，类似于已知的视网膜机制。第三，在中间层中注入潜在噪声源使我们的模型能够捕获在视网膜神经节细胞中观察到的亚泊松尖峰变化。第四，通过经常性的横向连接来增强我们的CNN，使它们能够捕捉对比度适应，作为准确描述视网膜对自然场景反应的一种新兴特性。这些方法可以很容易地推广到其他感官形式和刺激合奏。总的来说，这项工作表明，CNN不仅准确地捕获了对自然场景的感觉回路反应，而且还产生了有关回路内部结构和功能的信息。
2017-02-06 q-bio.NC stat.ML
Complete structure of topographic maps in ephrin-A deficient mice
视网膜神经节细胞的轴突建立了有序的投射到中脑上丘。邻近细胞的轴突终止于近端的上丘，从而形成视觉世界的地形精确表示。坐标轴通过化学标记的分级表达在视网膜和靶中编码。仅基于化学标记的映射不能产生所需的连接特异性。额外的锐化由相邻轴突之间相关的电活动提供。在这里，我们提出了一个定量模型，它允许在一个单一的方法结合化学标记和相关活动的影响。使用这个模型，我们研究了一个完整的结构的二维地形图的突变小鼠，其中一个标签，编码水平视网膜坐标（ephrin-A），减少/消除。我们发现，在ephrin-A缺陷小鼠的地形图显示颗粒状结构，与区域的平滑映射分离的线性不连续性，让人想起骨折的首选方向的地图中观察到的。我们还证明了点奇点在地形图中的存在。
2005-03-02 q-bio.BM q-bio.NC
Learning to make external sensory stimulus predictions using internal correlations in populations of neurons
为了弥补感官处理延迟，视觉系统必须做出预测，以确保及时和适当的行为。最近的研究发现，从视网膜开始，在视觉处理的早期，神经元群体中存在关于刺激的预测信息。然而，为了利用这些信息，下游细胞必须能够从视网膜神经节细胞的尖峰活动中读出预测信息。在这里，我们调查是否下游细胞可以学习有效的编码的预测信息在其输入中的其他指导性信号的情况下，从输入本身的相关性。我们模拟由蝾螈视网膜中记录的尖峰活动驱动的学习。我们将下游细胞建模为接收一小组加权输入的二进制神经元，并量化二进制神经元中的活动与未来输入之间的预测信息。在训练期间，输入权重根据尖峰时间相关的学习规则而变化。我们的特点下学习的读数尖峰时间依赖的学习规则，发现，虽然不动点的学习动力学与绝对的最佳读数，他们传达了几乎所有的信息传达的最佳读数。此外，我们发现，学习感知器传输的位置和速度信息的移动酒吧刺激几乎有效的最佳感知器。我们的结论是，预测信息是，原则上，可读的下游神经元的角度在没有其他输入，因此表明，自下而上的预测可能在感觉处理中发挥重要作用。
2017-06-26 q-bio.NC
Reconstruction of Natural Visual Scenes from Neural Spikes with Deep Neural Networks
National Engineering Laboratory for Video Technology, School of Electronics Engineering and Computer Science, Peking University（北京大学电子信息工程学院视频技术国家工程实验室）；Peng Cheng Laboratory（鹏城实验室）；Centre for Systems Neuroscience, Department of Neuroscience, Psychology and Behaviour, University of Leicester（莱斯特大学神经科学、心理学与行为学系系统神经科学中心）
神经编码是系统神经科学中理解大脑如何处理环境刺激的核心问题之一，也是设计脑机接口算法的基石，其中对输入刺激的解码是提高物理设备性能的重要要求。传统上，研究人员一直专注于功能磁共振成像（fMRI）数据作为解码视觉场景的感兴趣的神经信号。然而，我们的视觉感知在一个快速的时间尺度毫秒的事件称为神经尖峰。很少有研究解码使用尖峰。在这里，我们实现了这一目标，开发了一种新的解码框架的基础上，深神经网络，命名为尖峰图像解码器（SID），重建自然的视觉场景，包括静态图像和动态视频，从实验记录的尖峰的视网膜神经节细胞的人口。SID是一个端到端的解码器，一端作为神经尖峰，另一端作为图像，可以直接训练，以便以高度准确的方式从尖峰重建视觉场景。与现有的fMRI解码模型相比，我们的SID在视觉刺激的重建上也表现出色。此外，借助尖峰编码器，我们表明，SID可以推广到任意的视觉场景，通过使用图像数据集的MNIST，CIFAR10，和CIFAR100。此外，通过预先训练的SID，可以解码任何动态视频，以实现通过尖峰对视觉场景的实时编码和解码。总而言之，我们的研究结果揭示了人工视觉系统的神经形态计算，如基于事件的视觉相机和视觉神经假体。
2020-01-28 cs.LG q-bio.NC stat.ML
