← 返回文献列表

IT Literature Intelligence 终审版本 (VERIFIED) 论文编号: 247 | 原始基线: V0_ZCODE_BASELINE | 语义审核: pass | 图表审核: pass

Dissociation Between Local Field Potentials and Spiking Activity in Macaque Inferior Temporal Cortex Reveals Diagnosticity-Based Encoding of Complex Objects

Nielsen · The Journal of Neuroscience · 2006 · Zotero itemID=2299

这项研究先让猕猴在判别任务中"说出"复杂自然场景的哪些部位对行为判断最重要（诊断性部位，diagnostic parts），再用遮挡刺激在猕猴下颞叶（inferior temporal, IT）皮层同时记录单细胞放电与局部场电位（local field potential, LFP），发现两类信号都优先表征诊断性部位、但只有 LFP 的诊断性效应沿 TE 区前后轴系统增强。它值得一读，是因为它给出了首个随解剖部位分离的放电-LFP 解离：放电信号在 TE 各处均匀携带诊断性信息，而 LFP 只在前部携带——由此提出"计算发生地在单细胞水平可见、信息被动态路由处两种信号皆可见"这一对人类 EEG 研究有直接含义的解释原则。

研究背景

我们生活在三维世界里，远处物体常被近处物体部分遮挡；尽管缺少被遮挡形状区域的信息，部分遮挡的物体通常仍可辨认。但已有研究表明，遮挡特定形状区域——对行为重要的那些——会使人和猴子无法对部分遮挡的形状完成任务（Biederman 1987；Gosselin 与 Schyns 2001；Nielsen 等 2006），而遮挡其他区域不造成任何行为损害。IT 皮层被认为是物体识别的主要参与者：其神经元既对猴脸这类生态相关物体有选择性反应，也在猴子学会辨认任意形状后对其产生反应，并且已有证据表明 IT 神经元在随机选择的形状部分被遮挡后仍保持形状选择性（Kovács 等 1995），物体的某些部分本身足以唤起 IT 神经元反应（Tanaka 等 1991；Tsunoda 等 2001；Baker 等 2002）。此外，学习会修饰 IT 反应：形状之间的联结学习（Sakai 与 Miyashita 1991；Messinger 等 2001）以及特征任务相关性的学习（Baker 等 2002；Sigala 与 Logothetis 2002）都反映在 IT 皮层活动中。缺口在于：从未有人检验过"遮挡效应是否取决于遮挡的是形状的哪一部分"——即把被遮挡部分的行为相关性纳入考虑。由于不同形状区域通过任务训练获得行为相关性、本身是学习过程的产物，遮挡效应很可能依赖被遮挡部分的行为相关性；而且既有"基于部件"的研究（Tanaka 的还原式最优特征程序在麻醉猴上进行，Sigala 与 Logothetis 的分类维度调谐、Baker 的特征联结选择性）都从未把"整刺激的反应"与"部件单独的反应"直接对比过。

研究思路

作者的总体策略分两步走，逻辑上是"先定义行为变量，再寻找其神经对应物"。第一步：在先前研究中训练两只猕猴判别少量自然场景的成员，并用系统化的实验方法逐张确定猴子判别任务所依赖的图像部位；第二步：以这些行为学测得的诊断性/非诊断性划分为模板，用掩膜构造出只露出诊断性部位（3 个版本，可见面积分别为 10%、30%、50%）与只露出非诊断性部位（同样 3 个版本）的遮挡刺激，加上完整场景共 7 个条件，然后在被动注视范式下于 IT 皮层（TE 区）记录单细胞放电与 LFP。这个设计让"诊断性"成为一个由行为而非研究者直觉定义的变量，同时用均值亮度与整体对比配平排除低层差异，用每只猴子各自的刺激集适配其各自的判别策略。选择同时记录放电与 LFP 的深层理由是两类信号的结构差异：LFP 是源于电极尖端附近神经元群的轴突、胞体与树突电流的质量信号，估计锥体细胞 60–70% 的兴奋性连接保持在局部、仅 30–40% 投射到其他皮层区（Braitenberg 与 Schüz 1998；Binzegger 等 2004），故 LFP 反映局部加工加上来自其他脑区的输入，而放电可视为局部加工加上向连接靶区的输出——若任务相关信号出现在放电水平而 LFP 上没有，提示该信号是局部计算的；两者都出现则可能是从别处中继来的。这一推理框架是全文解释部分的基石。

方法

被试为两只成年雄性恒河猴（Macaca mulatta）。刺激呈现于距猴 97 cm 的 γ 校正 21 英寸显示器上，每幅图像占 6×6° 视角；每猴从先前研究用过的六幅自然场景中选四幅，所有修改版本的灰度均值与对比（灰度值的 SD）均与原图配平，遮挡图像的均值与 SD 只按未遮挡部分计算。记录实验用注视任务：试次从猴子注视中央点开始，经至少 100 ms 的可变基线后呈现刺激 500 ms，全程须保持注视在屏幕中心 1° 以内（巩膜搜索线圈监测，采样 200 Hz），成功注视在刺激结束 1 秒后以一滴果汁奖励；每条件每场记录至少 10 个重复试次。记录装置为带球窝关节与 18 号不锈钢导管的记录舱（Horsley-Clarke 坐标：猴 1 AP 18.1、ML 17.7；猴 2 AP 15.4、ML 16.8），五通道电极驱动配石英玻璃包覆的铂/钨电极（阻抗 1–2 MΩ）；信号分为多单元活动（500 Hz–10 kHz 带通）与 LFP（1–100 Hz 带通），用标准 spike-sorting 分离单细胞。取样刻意无偏：不按任务选择性挑选神经元，电极推进到有一个或多个神经元良好隔离即开始收集数据；两猴的记录位置按前后轴系统移动且方向相反（猴 1 由前向后、猴 2 由后向前），这一对称设计后来成为排除"会话内学习效应伪装成空间梯度"的关键对照。单细胞分析取刺激起始后 100 ms 起的 300 ms 窗（TE 神经元典型潜伏期约 100 ms），基线为刺激前 100 ms，放电密度函数以 σ=10 ms 高斯核卷积求得。核心量化指标"诊断方差"（diagnostic variance）= VGroup/Vtotal × 100%，其中 Vtotal 为放电率总方差、Vgroup 为诊断与非诊断条件均值对总均值的离差和的一半：若某细胞遮挡条件下的放电率完全由可见部位的诊断性决定则取 100%，诊断与非诊断反应相等则为 0%。LFP 原始采样 4.46 kHz，降采样到 1 kHz 后经 5–80 Hz Butterworth 带通并以刺激前 100 ms 基线做 z 变换，刺激锁定平均得视觉诱发电位（VEP）；以 P140 峰值处 20 ms 区间的平均 LFP 幅值替代放电率代入同一方差公式。每神经元对同一场景所有版本的响应构成一个"case"，仅当至少一个版本引出显著兴奋反应（对基线 t 检验，p<0.05，经 28 次比较校正）时纳入，单细胞共 423 个神经元产生 220 个视觉反应 case；LFP 共 214 个位点产生 458 个 case。

主要结果

  1. 单细胞水平：诊断性是遮挡效应的主要决定因素。 示例神经元（图 1）对完整场景有强烈视觉反应（p<10⁻⁶），三个诊断条件均显著反应（p=0.0004 与 p<10⁻⁴×2），而非诊断条件只有最大可见面积（50%）的达到显著（三个 p 值分别为 0.54、1.0、0.003）。群体水平（220 个 case，图 2）：完整刺激引起约 100 ms 典型潜伏期、贯穿整个刺激期的反应；所有遮挡条件的反应显著低于完整刺激（配对 t 检验 p<0.001），但诊断条件在三种可见面积（10/30/50%）下都显著高于同面积的非诊断条件（配对 t 检验均 p≤0.02）；诊断条件反应与可见面积无关（重复测量 ANOVA，p=0.9）——露出 10% 的诊断性部位引发的反应与露出 50% 相同。诊断与配对非诊断条件的直接比较（图 2c）：10% 面积时 147 比 70 个 case 的放电率更高（χ² 检验 p<0.001），30% 时 129 比 87（p=0.004），50% 时 127 比 90（p=0.01）；另有 90 个 case 至少在一个诊断条件下与配对非诊断条件差异显著。值得注意的是许多神经元对非诊断部位也有反应，提示判别任务的学习使神经表征按诊断性做了"相对重新加权"，而非完全废除对非诊断区域的反应。

  2. 高诊断性单细胞与高诊断性 LFP 位点都优先表征诊断性部位。 作者按诊断方差对 case 排序，取超过第 90 百分位的 22 个单细胞"高诊断性 case"（图 3a）：其平均放电密度函数显示诊断条件反应显著强于非诊断（诊断性主效应 p=0.001，与面积无交互 p=0.92）；同样，超过第 95 百分位的 23 个 LFP 高诊断性 case（图 3b）的 P140 幅值在诊断条件下显著大于非诊断（主效应 p<0.001，与面积无交互 p=0.39）。在全体水平上诊断方差越高、诊断相对非诊断的反应差越大。

  3. LFP 的 P140 成分清晰区分诊断与非诊断条件。 群体平均 VEP 在刺激后 100–200 ms 间有三个峰：约 100 ms 的负偏转 N100、约 140 ms 的正峰 P140、200 ms 的负偏转 N200（N200 分析结果类似，N100 无系统效应）。示例位点（图 5）：三个诊断条件与完整条件的 P140 幅值均显著大于零（p=0.006、0.003、<0.001；完整条件 p=0.003），而三个非诊断条件无一高于基线（p=0.83、0.20、0.23）；该位点的 P140 幅值不受可见面积影响（面积 p=0.61，诊断性 p<0.001，交互 p=0.15）。此外遮挡诊断条件的 P140 潜伏期显著长于完整条件（p<0.001、0.001、0.005），非诊断条件幅值太小、无法可靠测潜伏期。

  4. 关键解离：诊断性效应在放电水平沿 TE 前后轴均匀分布，在 LFP 水平沿前后轴系统增强。 单细胞的高诊断性 case 在记录区前后两半均匀分布（两猴 χ² 检验均 p=1），诊断方差与 AP 位置无相关（猴 1 p=0.5；猴 2 p=0.9；合并 p=0.6），内外侧（ML）轴亦无影响，上颞沟（STS）下岸与腹侧 TE 之间也无差异。LFP 则截然不同（图 4b,d）：高诊断性 LFP case 明显聚集于记录区前半（猴 1 χ² p=0.008；猴 2 p=0.005），全体 LFP case 的诊断方差与 AP 位置显著相关（猴 1 r=0.16，p=0.04；猴 2 r=0.31，p<0.001；合并 r=0.33，p<0.001）——记录位置越靠前，诊断性对 LFP 反应的影响越强。由于两猴的记录推进方向相反而梯度相同，会话顺序带来的学习效应不能解释这一空间梯度；ML 轴的总体相关（r=0.26）实由猴 2 驱动（猴 1 r=−0.04 无显著），STS 下岸与腹侧 TE 间的相关系数亦无差异。

  5. 作者由此提出解释框架：诊断性先在后部 TE 的部分神经元群中编码、再传送到前部 TE。 后部 TE 投射强烈到前部 TE；诊断性在后部 TE 表现在单细胞水平而 LFP 上不可见，在前部 TE 两种水平皆可见。一般原则是：某认知功能真正被计算的区域应表现"单细胞可见、LFP 不可见"；信息被动态路由经过的区域应"两种水平皆可见"。

图注解读

图 1 · 示例单细胞：诊断性决定遮挡条件下的反应

原文图注：Figure 1. Responses of an exemplar single unit. a, Raster plots. In these plots, each line denotes the occurrence of an action potential generated by the selected neuron (stimulus onset at 0 ms). Each plot summarizes the responses in one of the seven conditions, using the stimuli shown next to each raster plot (occluded image parts are shown as hatched regions; they were gray in the actual stimuli). The labels next to each raster plot indicate the type of condition (D, diagnostic; ND, nondiagnostic; numbers correspond to the visible stimulus size). The gray region in each raster plot corresponds to the time window used for computing the stimulus evoked firing rate. b, Average net firing rate for the selected neuron. Error bars denote SEM, asterisks indicate conditions for which a t test between stimulus and baseline firing rate yielded p < 0.05. As a reference, the diagnostic variance for this case is given in the plot.

a 是七个条件（完整场景、三个诊断 D、三个非诊断 ND，数字为可见面积百分比）的栅格图：每行一个试次、每点一个动作电位，刺激起始为 0 ms，遮挡部分在刺激小图上以斜线区域示意（实际刺激中为灰色），灰底带为计算刺激诱发放电率的时间窗。b 是该神经元的平均净放电率，误差棒为 SEM，星号标出对基线 t 检验 p<0.05 的条件，图中还给出该 case 的诊断方差作参照。读图要领是逐条件数点密度：完整场景与全部诊断条件放电密集，非诊断条件只有 50% 可见面积才有像样反应——这就是主要结果第 1 条开头的单细胞证据，诊断方差数值则把"这个细胞有多大程度只看诊断性"量化出来。

Figure 1

图 2 · 群体反应：遮挡普遍降低反应、诊断性条件显著更高

原文图注：Figure 2. Population response. a, Average normalized spike density function for the 220 visually responsive cases. Spike density functions are averaged across the three diagnostic and nondiagnostic conditions. Dashed lines correspond to the SEM. The stimulus onset occurs at time 0 ms. b, Mean net firing rate for the complete population. Errors bars show the SEM and asterisks indicate conditions with a mean significantly different from zero (t test, p<0.05). Labels for conditions are as in Figure 1. c, Net firing rate in a diagnostic condition (visible stimulus size 10%) versus the net firing rate in the matching nondiagnostic condition. Each point represents one case. A minority of cases had firing rates higher than 20 spikes/s or lower than −10 spikes/s. These cases are plotted overlying the corresponding axis. The square represents the example neuron depicted in Figure 1. The dashed line indicates equal responses in the diagnostic and nondiagnostic condition. The numbers list the cases above and below this line.

a 是 220 个视觉反应 case 的平均归一化放电密度函数（诊断与非诊断条件各自对三个面积取平均，虚线为 SEM，刺激起始 0 ms）：反应约在 100 ms 处开始、贯穿刺激期。b 是全群体的平均净放电率，星号标显著高于零的条件——注意诊断条件三种面积全都显著，非诊断条件只有 50% 显著。c 是散点图：每个点一个 case 的"10% 可见面积的诊断净放电率 vs 同面积配对非诊断净放电率"，虚线为两条件相等，方框是图 1 的示例神经元，线上/线下 case 数分别为 147/70。读图关键在 c：点群整体位于对角线上方，且这是三种面积下的普遍模式（30% 为 129/87，50% 为 127/90）。此图支撑主要结果第 1 条的群体统计。

Figure 2

图 3 · 高诊断性 case 的放电与 LFP 群体平均

原文图注：Figure 3. Population average for the high diagnosticity cases. a, Average normalized spike density function, computed across the 22 single-unit cases for which the diagnostic variance exceeded the 90th percentile of all cases. b, Average VEP for the 23 LFP cases for which the diagnostic variance exceeds the 95th percentile. The VEP component labeled with an arrow is the P140. For spiking activity and LFP, the diagnostic and nondiagnostic conditions are plotted separately; the response to the full condition is repeated in the two plots. Labels indicate the condition (D, diagnostic; ND, nondiagnostic; numbers correspond to the visible stimulus size).

a 是诊断方差超过全部 case 第 90 百分位的 22 个单细胞 case 的平均放电密度函数，b 是超过第 95 百分位的 23 个 LFP case 的平均 VEP，箭头所指为 P140 成分；两栏中诊断与非诊断条件分开画，完整条件在两栏各重复一次，条件标签同图 1。读图要点是看两类信号"高诊断性亚群"里诊断条件的反应如何整体抬升、非诊断条件如何几乎贴回基线（尤其 b 中非诊断条件的 P140 幅值不复存在）。这是主要结果第 2 条的直接证据，也把放电（毫秒级发放）与 LFP（诱发电位波形）两种完全不同的信号量纲放在同一套条件标签下对比，凸显了"诊断性"这一行为变量跨越信号类型的普适性。

Figure 3

图 4 · 记录位置对单细胞与 LFP 诊断性效应的影响

原文图注：Figure 4. Influence of recording position on the properties of single units and the LFP. a–b, Location of high diagnosticity cases in monkey 1, shown on a sagittal view of parts of the temporal lobe. In a, the two small brain pictures on the left indicate the location of the selected brain region. This region is indicated in black in the upper image; it is generated by slicing along the line depicted in the lower image. The right side in a shows the distribution of single-unit high-diagnosticity cases. b, Distribution of the high-diagnosticity LFP cases. In these plots, each dot corresponds to one case recorded from this monkey. Large dots show the location of the diagnosticity cases; small dots show the locations of the rest of the cases. To allow a better separation of different cases, the AP position of each case was randomly jittered by a small amount for display purposes only. The dashed line divides the recording region into a posterior and anterior half with equal extent along the AP axis; numbers list the diagnosticity cases in each half. Thick black lines indicate the location of the STS and the ventral end of the brain. The white matter (WM), which separates the lower bank of the STS from ventral TE in the selected slice, is shown by the gray region. The position of these landmarks is plotted as estimated during recordings. c–d, Diagnostic variance as a function of recording location. In these plots, the diagnostic variance of each case is plotted as a function of its AP position. Symbols indicate the monkey in which a case was recorded; the thick line plots the regression computed between diagnostic variance and AP position. c, Single unit data. d, LFP data. In all plots, Post and Ant label the posterior and anterior end of the recording region, respectively.

这是全文的"地图"图。a、b 把猴 1 高诊断性 case 画在颞叶局部的矢状视图上（左侧小图指示所选脑区的位置与切线，黑区为切片范围）：大点为高诊断性 case、小点为其余 case，为显示起见 AP 位置做了小幅随机抖动，虚线把记录区沿 AP 轴等分为前后两半、半区内的诊断性 case 数标注在旁，粗黑线标 STS 与脑腹侧端，灰区为分隔 STS 下岸与腹侧 TE 的白质（WM）。a 中单细胞诊断性 case 在两半基本均匀；b 中 LFP 诊断性 case 明显堆向前半。c、d 把全体 case 的诊断方差对 AP 位置做散点并叠加回归线（符号区分猴子）：c（单细胞）回归线几乎水平，d（LFP）回归线从后到前明显上扬。读图要领就是 a–b 的计数对比与 c–d 的斜率对比——这是主要结果第 4 条核心解离的原始证据：越靠前部 TE，LFP 携带的诊断性信息越强，单细胞则处处均匀。

Figure 4

图 5 · 示例 LFP 位点：P140 只对诊断条件反应

原文图注：Figure 5. Responses of an exemplar LFP site. a, Visual evoked potentials. The P140 is labeled with an arrow. Diagnostic and nondiagnostic conditions are plotted separately; the response to the full condition is repeated in both plots. Conditions are labeled as in Figure 3. b, Amplitude of the P140, averaged across trials. Error bars denote the SEM; asterisks indicate the conditions for which a t test of the peak amplitude against 0 yielded p < 0.05. As a reference, the diagnostic variance for this site is also given.

a 是该位点的各条件 VEP 波形（条件标签同图 3，完整条件在两栏重复），箭头标 P140；b 是逐试次平均的 P140 幅值，误差棒为 SEM，星号标峰值幅值对 0 的 t 检验 p<0.05 的条件，图中亦给出该位点的诊断方差。读图要领是对照两栏：诊断条件（含完整）的 P140 波形清晰、幅值显著高于零，非诊断条件的波形坍平、与零无异——也就是说这个电极尖端附近的局部神经元群对"只露 10% 的诊断性部位"有明确的诱发电位、对"露出 50% 的非诊断性部位"几乎没有任何反应。它是主要结果第 3 条的例证，也是图 4b 中前部位点聚集现象的微观缩影。

Figure 5

讨论

作者把发现放进"基于部件的表征"文献里定位：与 Tanaka 等在麻醉猴上用还原程序逐个寻找神经元最优特征的做法不同，本研究以猴子自己的判别行为为标准系统确定每张图像中允许正确识别的部位，结果证明这种"行为相关性即诊断性"是学习后刺激在记忆中编码的主要决定因素；与 Sigala 与 Logothetis（2002）、Baker 等（2002）在清醒猴上的工作方向一致（行为相关特征/特征联结对 TE 反应影响更大），但本研究首次把"整刺激的反应"与"部件单独的反应"直接对比，并同时观察了放电与 LFP 两个水平。对放电-LFP 解离的解释是讨论的核心：LFP 是电极尖端附近神经元群树突、胞体电流的质量信号（局部加工加外部输入），放电则是局部加工加输出；诊断性相关的放电活动沿 TE 前后均匀出现，而诊断性 LFP 活动只见于记录区前部——据作者所知这是首个随解剖区域变化的放电-LFP 解离。由此引出两条推论：其一，后部 TE 诊断性只表现在单细胞水平，故"某脑区 LFP 中没有任务相关信号"不等于该区没有神经元携带此类信号；其二，LFP 观察到任务相关效应不一定意味着该功能在此区完成，可能由投射到此区的脑区计算而来。由于 LFP 与人类 EEG 信号密切相关，这一原则对人类研究有深远影响：例如把人外侧枕颞复合体与"从分离部件知觉连贯物体"（知觉闭合）联系的 EEG 研究（Doniger 等 2000；Murray 等 2004），按此原则可能低估了该功能背后计算网络的规模。作者坦承的局限包括：记录区的 ML 轴梯度只由猴 2 驱动、说明侧向维度上的结论不够稳健（虽然主效应在 AP 轴两猴一致）；会话内学习效应已通过两猴相反的记录方向排除，但这是综述式论证而非直接测量；文中所建议的"用偶然性操作进一步检验"式的后续验证文中未详述。结论层面，作者主张联合分析场电位与放电能提供单种信号得不到的信息，是"把脑的结构映射到计算功能"的新颖而有力的方法。

一句话总结

在我看来，这篇文章最聪明的地方是让行为学先出场：诊断性不是研究者拍脑袋选的"显著特征"，而是猴子在判别任务里实测依赖的部位，于是"IT 皮层优先编码诊断性部位"这句话才有了干净的因果味道；而放电与 LFP 的前后轴解离更进一步——它提醒我们诱发电位里看到的效应可能只是信息的"过境痕迹"，真正完成计算的部位恰恰可能是那种单细胞有反应、场电位却安静的地方。这层方法论含义放到今天的人脑 EEG/成像解读里依然锋利，尽管"前部 TE 只是中继站"的具体解释仍是本文作者的推测而非定论。

审校与证据追溯 (Verification & Evidence)

图表审计结果

关键事实与局限性声明