[论文解读] Data-driven modeling of the olfactory neural codes and their dynamics in the insect antennal lobe

Eli Shlizerman, Jeffrey A. Riffell+1 more|arXiv (Cornell University)|Nov 29, 2013

Neurobiology and Insect Physiology Research参考文献 47被引用 11

一句话总结

本研究构建了一个数据驱动的神经网络模型，用于模拟昆虫触角球的神经活动，该模型利用投影神经元的多通道记录，再现了特定气味的神经编码。通过整合电生理数据，该模型揭示了侧向抑制如何在低维气味空间中塑造出稳健且正交的神经轨迹，从而通过阈值跨越动力学实现可靠的气味辨别，对理解嗅觉中的神经决策机制具有重要意义。

ABSTRACT

Recordings from neurons in the insects' olfactory primary processing center, the antennal lobe (AL), reveal that the AL is able to process the input from chemical receptors into distinct neural activity patterns, called olfactory neural codes. These exciting results show the importance of neural codes and their relation to perception. The next challenge is to \emph{model the dynamics} of neural codes. In our study, we perform multichannel recordings from the projection neurons in the AL driven by different odorants. We then derive a neural network from the electrophysiological data. The network consists of lateral-inhibitory neurons and excitatory neurons, and is capable of producing unique olfactory neural codes for the tested odorants. Specifically, we (i) design a projection, an odor space, for the neural recording from the AL, which discriminates between distinct odorants trajectories (ii) characterize scent recognition, i.e., decision-making based on olfactory signals and (iii) infer the wiring of the neural circuit, the connectome of the AL. We show that the constructed model is consistent with biological observations, such as contrast enhancement and robustness to noise. The study answers a key biological question in identifying how lateral inhibitory neurons can be wired to excitatory neurons to permit robust activity patterns.

研究动机与目标

• 利用真实的电生理记录，对昆虫触角球中嗅觉神经编码的动力学进行建模。
• 识别产生不同气味剂独特且稳定神经活动模式的神经回路连接结构（连接组）。
• 研究侧向抑制如何提升信噪比，并在输入存在变异性的情况下实现稳健的气味识别。
• 基于气味空间中的神经轨迹动力学，开发一种生物上合理的决策机制。

提出的方法

• 收集了在不同气味剂刺激下，触角球中投影神经元的多通道细胞外记录。
• 应用主成分分析（PCA）降低神经放电率（iFR）响应的维度，识别出具有正交轴的低维气味空间。
• 构建了一个包含兴奋性投影神经元（PNs）和抑制性局部神经元（LNs）的神经网络模型，并校准以重现观测到的神经动力学。
• 通过数据推断模型的连接性，侧向抑制被调节以在气味空间中产生稳定且正交的固定点。
• 基于气味空间中的阈值跨越事件，制定了一个决策算法，其中重复的刺激暴露会累积证据以指向特定气味剂。
• 通过比较模拟的神经轨迹与实验数据，对模型进行了验证，结果显示轨迹形状和收敛动力学高度一致。

实验结果

研究问题

• RQ1 触角球中的神经动力学如何为不同气味剂生成独特、稳定且可重复的神经编码？
• RQ2 侧向抑制在塑造这些神经编码并提升信噪比方面发挥什么作用？
• RQ3 如何将触角球中神经活动的动力学建模为一种基于重复刺激暴露的决策过程？
• RQ4 支持稳健气味辨别功能的底层神经回路（连接组）具有何种结构？
• RQ5 数据驱动模型能否再现观测到的低维、正交的神经活动轨迹？

主要发现

• 该模型成功再现了实验观测到的神经编码，在每个测试气味剂的低维气味空间中均表现出独特、稳定且正交的轨迹。
• 包含侧向抑制的神经网络可实现对比度增强，提升信噪比，从而实现对相似气味剂的可靠辨别。
• 气味空间中的神经轨迹被吸引至正交的固定点，从而实现不同气味响应之间的最优分离。
• 基于阈值跨越动力学的决策机制能有效整合重复刺激暴露中的证据，实现高置信度的气味感知。
• 该模型预测，复杂气味混合物会导致阈值跨越的竞争，其中主导气味剂通过侧向抑制抑制较弱的气味剂。
• 模拟与实验的气味空间中的轨迹表现出高度一致性，验证了该模型的生物学合理性与预测能力。