PLOS Biology· Artoghrul Alishbayli·· 6 天前AI 评分44
声学统计量的神经整合使小鼠能在噪声中检测声学目标
Neural integration of acoustic statistics enables mice to detect acoustic targets in noise
AI 导读
PLOS Biology 发表的小鼠实验显示,当小鼠能在每次试验中更长时间采样声学统计量时,其噪声中检测叫声的行为表现和听觉皮层神经编码均改善。跨频相关性更高的声学纹理也提升行为表现与叫声的神经表征。光遗传激活PV中间神经元的作用随声学环境而异:低相关时改善检测和编码,高跨频相关时则使其变差,提示小鼠依赖PV中间神经元进行时间整合。
- 背景
- 在噪声中检出目标声是听觉系统面对的基本难题。雨声、风声这类自然声无法按波形逐一预测,只能用统计量来描述和预测,也就是所谓 sound texture。此前的研究已经显示,人类能够利用这种统计上的可预测性来识别声音,但对应的神经机制一直不清楚。缺的一环是:需要一个能在同一任务里同时测行为、记录听觉皮层活动、并且能对特定神经元群做干预的动物模型,把「利用统计量」这件事从行为现象拆到神经层面。小鼠实验就是按这个思路设计的,把背景噪声的统计可预测性做成可控变量。
- 做法
- 训练小鼠在 sound texture 背景中检测被嵌入的叫声(vocalization),这些 texture 的统计可预测性被设置成不同水平。两个核心自变量:一是每个试次内小鼠能够采样背景统计量的时间长短;二是 texture 中可利用结构的多少,具体落在跨频率相关(cross-frequency correlation)的高低上。行为层面以检出表现衡量;神经层面在听觉皮层记录活动,看叫声在神经活动中的表征质量;同时用光遗传学手段激活 parvalbumin 阳性(PV)中间神经元,观察同一任务在不同声学背景下行为和神经编码会怎么变。比较的对象是同一批动物在不同统计条件和不同光遗传条件下的表现,即利用统计结构的能力是否随采样时间和跨频相关变化,以及 PV 激活是否改写这一关系。
- 结论
- 结果分三层。第一,只要小鼠在每个试次里能更长时间地采样背景统计量,检出表现就更好,叫声的神经编码也更好。第二,背景中可利用结构更多时结果同样更好,作者具体定位到跨频率相关:跨频相关更高的 texture 里,行为表现上升,叫声的神经表征也随之改善。第三,光遗传激活 PV 中间神经元的效果随声学背景不对称——在低跨频相关条件下,激活提升了叫声的检出和神经编码;在高跨频相关条件下,同样的激活反而使检出和神经编码变差。也就是说,同一个干预在两个方向上分别表现为增益和损害,分界点是背景统计结构的高低。
- 机制
- 作者把上述现象归到听觉皮层对声学统计量的时间整合上:采样时间更长带来更好的表现和编码,说明系统是在跨时间累积统计证据,而非依赖单帧波形;跨频相关越高越有利,说明可整合的结构本身就在频率之间。PV 中间神经元被指为这一时间整合所依赖的环节。支持这一点的关键证据是激活 PV 细胞后效应方向随背景相关结构反转,说明该干预改变的是统计整合过程本身,而不只是笼统地改变反应强度。
- 意义
- 这项工作把「利用统计可预测性识别声音」从人类行为观察推进到可记录、可干预的小鼠任务上,使行为表现与听觉皮层的神经表征能在同一刺激条件下并列比较。对研究以统计方式描述的自然背景噪声(如雨、风)中的目标声检测,提供了一个变量可控的实验框架:采样时间与跨频相关是两个可以独立调节的维度。PV 中间神经元则给出了一个可用于操纵统计整合的节点,且其效应方向依赖于背景结构这一点,本身就是后续设计干预实验时必须纳入的条件。
本页是 AI 精读,不转载论文原文;完整论文(含方法、图表与参考文献)见原文
来源:PLOS Biology · journals.plos.org