我们考虑了一个基本的内层视网膜连接模型，其中双极细胞和无长突细胞相互连接，且这两种细胞类型均投射至神经节细胞，调节其向大脑视觉区域的响应输出。我们推导出了一个关于视网膜神经节细胞对刺激的时空响应的解析公式，并考虑了无长突细胞抑制的作用。该分析揭示了网络的两个重要功能参数：(i) 双极细胞与无长突细胞之间相互作用的强度，以及 (ii) 这些响应的特征时间尺度。这两个参数对 RGC 对光响应的时空特征具有深远的综合影响。模型的准确性通过忠实重现药物遗传学实验结果得到了证实，这些结果是通过刺激表达在神经节细胞和无长突细胞亚类上的兴奋性 DREADDs（Designer Receptors Exclusively Activated by Designer Drugs，仅由设计药物激活的设计受体）获得的，从而以一种复杂、纠缠的方式改变了内层视网膜网络对视觉刺激的活动。我们的数学模型使我们能够以实验上不可行的方式探索和破译这些复杂效应，并为视网膜动力学提供了新见解。
英文摘要：
We consider a model of basic inner retinal connectivity where bipolar and amacrine cells interconnect, and both cell types project onto ganglion cells, modulating their response output to the brain visual areas. We derive an analytical formula for the spatio-temporal response of retinal ganglion cells to stimuli taking into account the effects of amacrine cells inhibition. This analysis reveals two important functional parameters of the network: (i) the intensity of the interactions between bipolar and amacrine cells, and, (ii) the characteristic time scale of these responses. Both parameters have a profound combined impact on the spatiotemporal features of RGC responses to light. %We show that, depending on these parameters value, retinal ganglion cells can change their spatio-temporal response (e.g. from monophasic to biphasic). The validity of the model is confirmed by faithfully reproducing pharmacogenetic experimental results obtained by stimulating excitatory DREADDs (Designer Receptors Exclusively Activated by Designer Drugs) expressed on ganglion cells and amacrine cells subclasses, thereby modifying the inner retinal network activity to visual stimuli in a complex, entangled manner. Our mathematical model allows us to explore and decipher these complex effects in a manner that would not be feasible experimentally and provides novel insights in retinal dynamics.
Sparse Coding Predicts Optic Flow Specificities of Zebrafish Pretectal Neurons
斑马鱼前顶盖神经元表现出特异性的大视场光流模式与旋转或旋转的身体运动。我们调查的假设，这些特异性反映了输入统计的自然光流。利用计算机图形学模拟水下场景中的自运动，生成逼真的运动序列。用运动检测器估计局部视网膜运动，并在四个群体的定向调谐的视网膜神经节细胞中编码，表示为两个有符号的输入变量。然后将此活动用作两个学习网络之一的输入：稀疏编码网络（竞争学习）和反向传播网络（监督学习）。这两种模拟都开发了与神经生理学研究（Kubo et al. 2014）中发现的特异性相当的光流特异性，并且各种神经元响应的相对频率最好通过稀疏编码方法建模。我们的结论是，在斑马鱼前顶盖的光流神经元反映的光流统计。预测的矢量感受野显示了典型的光流场，但也显示了“Gabor”和偶极形图案，这些图案可能反映了通过线性叠加重建所需的差场。
A statistical significance test for spatio-temporal receptive field estimates obtained using spike-triggered averaging of binary pseudo-random sequences
The Brain-Inspired Decoder for Natural Visual Image Reconstruction
University of Chinese Academy of Sciences（中国科学院大学）；Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Shenzhen-Hong Kong Institute of Brain Science-Shenzhen Fundamental Research Institutions（深港脑科学创新研究院-深圳基础研究机构）；Chengdu University of Traditional Chinese Medicine（成都中医药大学）
The Gabor-Einstein Wavelet: A Model for the Receptive Fields of V1 to MT Neurons
Quantum Lucid Research Laboratories（Quantum Lucid研究实验室）；Howard University Hospital（霍华德大学医院）
我们的视觉系统在检测移动物体方面非常有效。这一过程由连接初级视觉皮层（V1）和中颞区（MT）的神经元介导。有趣的是，自从Kuffler对视网膜神经节细胞进行开创性实验以来，数学模型对于促进我们对视觉神经元感受野的理解至关重要。然而，现有的模型并没有被设计来描述V1到MT运动处理流中高度专业化的神经元的最显著属性;并且它们也无法做到这一点。在这里，我们介绍了Gabor-Einstein小波，一个新的家庭的功能代表感受野的V1 MT神经元。我们发现，空间和时间在视觉皮层中的混合方式类似于它们在狭义相对论（STR）中的混合方式。因此，我们通过要求：（i）波载波的相对论不变性，以及（ii）最小可能的参数数量来约束Gabor-Einstein模型。从这两个约束，sinc函数作为载波的自然描述符出现。V1到MT神经元的低通到带通时间频率滤波特性的特定分布（Foster et al 1985; DeAngelis et al 1993 b; Hawken et al 1996）可以通过Gabor-Einstein基础清楚地解释。此外，它这样做的方式天生代表运动处理流的神经元层次。我们的分析和计算机模拟表明，沿运动处理流的时间频率滤波特性的分布是大脑联合编码空间和时间的方式的直接影响。我们通过证明STR和联合皮层时空编码的相似数学结构揭示了这一基本联系。这种联系将为大脑如何表达视觉信息提供新的生理…
A new inference approach for training shallow and deep generalized linear models of noisy interacting neurons
Sorbonne Université（索邦大学）；INSERM（法国国家健康与医学研究院）；CNRS（法国国家科学研究中心）；Institut de la Vision（视觉研究所）；Laboratoire de physique de l’École normale supérieure（巴黎高等师范学院物理实验室）；PSL University（巴黎文理研究大学）；Université de Paris（巴黎大学）；Institute of Science and Technology Austria（奥地利科学技术研究所）；Max Planck Institute for Dynamics and Self-organization（马克斯·普朗克动力学与自组织研究所）
Higher-Order Convolution Improves Neural Predictivity in the Retina
Institut de la Vision & Laboratoire des Systèmes Perceptifs Sorbonne Université, CNRS, INSERM, & École Normale Supérieure（视觉研究所及感知系统实验室，索邦大学，CNRS，INSERM，以及巴黎高等师范学院）；Institut de la Vision Sorbonne Université, CNRS, INSERM（视觉研究所，索邦大学，CNRS，INSERM）；Sensory Processing and Computation Unit & Laboratoire des Systèmes Perceptifs Italian Institute of Technology & École Normale Supérieure（感知与计算单元及感知系统实验室，意大利理工学院及巴黎高等师范学院）
