计算模型用于研究不匹配负性信号协议中的新颖性检测机制,以及该机制在精神分裂症患者中的受损情况

《European Journal of Neuroscience》:Computational Modelling of Novelty Detection in the Mismatch Negativity Protocols and Its Impairments in Schizophrenia

【字体: 大 中 小 】 时间:2026年03月27日 来源:European Journal of Neuroscience 2.4

编辑推荐:

  摘要 人类听觉系统能够迅速区分新声音和熟悉声音,这一过程通过“不匹配负波”(MMN)反映出来,MMN是一种基于脑电图(EEG)的听觉新颖性检测生物标志物。在精神疾病状态下,尤其是精神分裂症(SCZ)中,MMN会受损,但导致这种缺陷的神经机制仍不清楚。在本研究中,我们结合了计算建

  摘要

人类听觉系统能够迅速区分新声音和熟悉声音,这一过程通过“不匹配负波”(MMN)反映出来,MMN是一种基于脑电图(EEG)的听觉新颖性检测生物标志物。在精神疾病状态下,尤其是精神分裂症(SCZ)中,MMN会受损,但导致这种缺陷的神经机制仍不清楚。在本研究中,我们结合了计算建模和遗传分析来探究与SCZ相关的细胞异常如何影响听觉新颖性检测。我们开发了一个“整合-发射”脉冲网络模型,该模型能够检测四种类型的听觉新颖性,包括刺激缺失。基于网络亚群体之间的短期抑制性突触以及存在与最近经历的刺激序列节奏相位锁定的神经元输入的假设,我们展示了该模型能够可靠地再现类似MMN的新颖性检测,并允许系统地测试与SCZ相关的细胞改变。我们还证明,所需的相位锁定理论可以在一个具有脉冲时序依赖性可塑性(STDP)的反馈突触的同步放电链网络中实现。我们对这种新颖性检测网络的模拟揭示了:锥体细胞的兴奋性降低(与离子通道功能障碍相关)和棘突密度下降都会损害新颖性检测,其中后者产生的缺陷更为严重。我们的工作提供了一个灵活的脉冲网络模型,用于听觉新颖性检测,它可以将细胞水平上的异常与可测量的MMN缺陷联系起来,从而改进对其机制的解释,并有助于解释SCZ的异质性。

缩写

AMPAR - 羟基-3-羟基-5-甲基-4-异噁唑丙酸受体
ACC - 前扣带皮层
AUC - 脑电图曲线下面积
EEG - 脑电图
ERP - 事件相关电位
GABAR - 甘氨酰胺酸受体
IAF - 整合-发射
MMN - 不匹配负波
NMDAR - N-甲基-D-天冬氨酸受体
PFC - 额前叶皮层
SCZ - 精神分裂症
STDP - 脉冲时序依赖性可塑性

1 引言

人类听觉系统在区分新声音和熟悉声音及听觉模式方面非常有效。检测新听觉刺激有助于我们转移注意力并相应地规划行动,但它也会产生事件相关电位(ERP),这些电位可以通过脑电图(EEG)在意识和非意识操作模式下进行测量(Alho 1992)。不匹配负波(MMN),定义为新声音和熟悉声音引发的ERP之间的差异,是检测听觉新颖性最常用的EEG生物标志物(N??t?nen 1982; Lakatos等人2020)。MMN在临床上具有重要意义,因为它在精神疾病中受损,特别是在精神分裂症(SCZ)中(Light和N??t?nen 2013)。然而,由于听觉系统的复杂性,听觉新颖性检测的神经机制以及在SCZ中的损伤机制仍然不完全清楚。阐明这些机制可能有助于将与SCZ相关的细胞水平改变与临床观察到的缺陷联系起来。计算建模提供了一种有效的方法来研究新颖性检测,并整合不同模式(如遗传数据和细胞水平结构数据)中的疾病相关信息,以测试大脑疾病如何影响新颖性检测的假设。有两种主要的机制解释MMN:刺激特异性适应(SSA)认为神经元会适应标准音调的重复呈现,因此物理上不同的音调会引发更大的反应,从而产生MMN信号;模型调整(预测编码)假设大脑会建立最近刺激的内部模型,模型预测与传入输入之间的不匹配会产生MMN(Garrido等人2009; Carbajal和Malmierca 2018)。在计算工作中,研究者通常遵循两条路径:一种是在脉冲网络中实现SSA的生物物理详细模型(Han等人2023),另一种是在抽象的非脉冲水平上操作的更高层次的预测编码/模型调整公式(Lieder等人2013; Adams等人2022; Poublan-Couzardot等人2023)。也有结合两者元素的混合方法提出(Wacongne等人2012; López-Caballero等人2025)。然而,某些MMN现象——尤其是缺失MMN——很难用生理上现实的脉冲神经元网络模型来解释,因为它们似乎需要在没有感官输入的情况下产生预期相关活动的机制(May和Tiitinen 2010; Garrido等人2009; Carbajal和Malmierca 2018)。受到神经元振荡活动可能有助于实现此类预期信号的提议(May和Tiitinen 2010)的启发,我们开发了一个生物物理学上合理的脉冲网络,它将类似SSA的适应性与与刺激节奏相位锁定的输入结合起来。尽管没有实验证据支持这种架构,但我们在这里展示了在具有弱赫布式可塑性反馈突触的同步放电链中可以形成与节奏刺激的相位锁定。我们提出的新颖性检测网络架构允许模型对多种类型的异常产生新颖性反应——包括缺失——同时保持与可能在精神疾病中改变的细胞水平机制的明确联系。在这项工作中,我们使用脉冲神经元网络的计算建模来研究听觉新颖性检测及其如何受到与SCZ相关的细胞水平异常的损害。我们开发了一个“整合-发射”(IAF)模型网络,能够检测MMN范式中常用的四种类型的听觉新颖性:频率异常、缺失的刺激、持续时间比标准音调长的异常(以下简称“持续时间异常”),以及持续时间比标准音调短的异常(以下简称“逆持续时间异常”)。我们证明了我们在各种条件下提出网络模型在新颖性检测中的稳健性,并研究了由离子通道表达改变(Hoffman等人2019; M?ki-Marttunen等人2024)和棘突密度下降(Shelton等人2015)引起的SCZ相关锥体细胞兴奋性降低如何影响新颖性检测。尽管这两种改变都会损害异常检测,但我们的模拟表明,棘突密度下降的影响比神经元兴奋性降低更为显著。因此,这项工作具有双重目的:介绍一个用于听觉新颖性检测的机制性脉冲网络框架,并将其应用于SCZ的背景下,以确定细胞异常如何转化为可测量的MMN缺陷。通过将细胞水平上的改变与可测量的听觉新颖性检测缺陷联系起来,我们的模型为开发有针对性的治疗策略和根据不同的神经生理特征对患者进行分层提供了框架。

2 方法

2.1 听觉途径中的新颖性检测网络模型

可以使用许多不同的协议记录MMN信号,其中异常声音在音高、音素(如果使用基于人声的刺激)、持续时间、刺激间隔或强度方面与标准声音不同,甚至当刺激被省略时也是如此(Garrido等人2009)。本研究的目的是提出一个能够检测四种类型不匹配的脉冲神经元网络模型,即频率异常、缺失的刺激、持续时间异常和逆持续时间异常。为了描述允许新颖性检测的神经机制,我们引入了一个由多个神经元群体组成的脉冲神经元网络。我们做了以下假设(它们的有效性在第4节中讨论):

- 存在兴奋性和抑制性神经元群体,它们对每个音调都有选择性反应,兴奋性神经元群体通过短期抑制性突触投射到其他群体。其中一些群体在接收到短暂或持久的听觉刺激时做出反应,而一些群体则需要持久的听觉刺激才能被激活。还有一些神经元群体(与上述群体不同)与2-Hz刺激呈现频率相位锁定,并具有不同的相位移动。这些神经元群体与一个“输出”群体相互作用,该群体能够检测不同类型的听觉不匹配。为了在上述假设下开发一个网络模型,我们考虑了选择性响应标准音调(S)的兴奋性(ES)和抑制性(IS)群体,以及选择性响应异常音调(D)的兴奋性(ED)和抑制性(ID)群体。我们还模拟了两种延迟激活的群体:兴奋性、刺激编码的延迟激活(ESD)和兴奋性、编码频率异常刺激的延迟激活(EDD),它们与ES和ED相似,但需要更长的输入才能激发。为了激活这些神经元,我们使用了一个持续时间是标准音调两倍的刺激,并在相同时间结束。此外,我们还模拟了一个兴奋性神经元群体,它从与2-Hz刺激呈现频率相位锁定的群体接收输入(EP),以及另一个相位与较长持续时间异常的前半部分对齐的群体(EP2)。最后,我们模拟了一个兴奋性群体,它从所有六个兴奋性群体接收输入(单向突触,连接概率为0.5),并作为一个输出群体(EO)。所有兴奋性突触连接都被假设为短期抑制性的,这允许重复的标准刺激引发与异常刺激不同的网络反应。抑制性连接(来自IS和ID群体的神经元到EP和EP2群体的神经元)同样以0.5的连接概率形成,但没有表现出短期抑制。网络在图1A中示意;逐步示意图显示在图S1–S4中。图1展示了模型网络和假设的不匹配检测机制。我们在这里只模拟了一个额外的特定频率调谐群体,除了标准音调调谐的群体和一个调谐到特定刺激呈现速率(2 Hz)的起搏群体,但我们的框架可以扩展到描述任何数量的此类异常和起搏信号。在这项工作中,短刺激持续50毫秒,长刺激持续100毫秒,因此它们在短刺激开始前50毫秒启动。我们假设上述网络可以通过以下机制执行异常检测:首先,ES和ED群体通过抑制性突触投射到输出群体EO。重复的标准刺激引发的反应比异常刺激弱,因此EO对异常刺激反应,而对重复的标准刺激没有反应(图S1)。其次,检测缺失的群体EP从相位锁定的神经元接收兴奋性输入(未在模型中明确模拟),这些神经元被认为独立于听觉刺激(然而,这些神经元的激活可能依赖于通过可塑性机制的听觉刺激历史)。这些输入被来自频率敏感神经元群体IS和ID的抑制性输入所抵消,因此EP群体只有在没有频率敏感神经元群体活跃时才会激发(图1B)。当检测缺失的群体EP激发时,它会激活输出群体(图S2)。第三,延迟激活的群体ESD在长刺激而非短刺激时激发(图1B,C)。在较短的刺激中引入第一个较长刺激时,ESD激发并使输出群体也激发(图S3)。第四,长刺激不仅抑制EP群体,还抑制EP2群体(图1C),否则EP2群体会在EP群体之前的相位激发(图1B)。类似于EP,EP2群体通过短期抑制性突触投射到输出群体。因此,EP2在对重复的长刺激保持沉默,但在使用较短的刺激作为异常刺激时激发(图1C),并导致输出群体激发(图S4)。这些机制在图1D中示意——有关我们拟合模型以再现这些机制的方法,请参见第3节。我们将神经元建模为泄漏的IAF单元,它们接收由羟基-3-羟基-5-甲基-4-异噁唑丙酸受体(AMPARs)、N-甲基-D-天冬氨酸受体(NMDARs)和甘氨酰胺酸(GABARs)介导的基于电导的突触输入,以及与刺激频率编码和起搏神经元输入相对应的方波脉冲电流。每个群体由个神经元组成,我们对抑制性和兴奋性神经元使用了具有相同膜特性的单室模型。来自ES、ED、ESD、EDD和EP2群体的谷氨酸能输入到输出群体EO都是短期抑制性的,根据以下方案(改编自Wang 1999):

2.2 模型参数的优化

我们使用网格搜索方法获得了具有良好异常检测性能的模型参数。我们进行了四项MMN实验(频率偏差、刺激缺失、持续时间偏差和逆持续时间偏差),涉及大量参数组合(5种刺激幅度;来自ES和ED群体的5种兴奋性突触电导;来自EP和EP2群体的5种兴奋性突触电导;7种来自ESD和EDD群体的兴奋性突触电导;2种NMDA/AMPA比率;6种抑制性突触电导;2种抑制强度;ESD和EDD群体的2种膜电容;总共42,000种参数组合)。测试的参数范围见表S2A。我们考虑了那些在偏差刺激下80%的输出(EO)神经元至少放电一次,并且偏差后EO峰放电次数至少是标准刺激下平均EO峰放电次数的六倍的网络作为可接受的模型。

2.3 偏差检测的量化

为了评估网络活动,我们使用了一个受MMN启发的指标来量化偏差检测,计算了由偏差刺激(或刺激缺失)在输出群体中引发的平均峰值数量,以及由标准刺激引发的峰值数量。对于每个刺激,我们包括了从预期刺激开始前150毫秒到刺激开始后350毫秒内的峰值,并通过将峰值数量除以间隔时间(0.5秒)来获得放电率。然后我们定义了偏差检测指数。

2.4 基于脉冲时序依赖性可塑性的建模(STDP)

在第3.3节中,我们测试了作为一个同步 Fire ?ette 链组织的网络如何通过 STDP 与以特定节奏到达的外部听觉刺激同步。我们实现了基础神经元群体(神经元)和70个(除非另有说明)同步 Firette ?ette 群体(每个群体中40个神经元),这些神经元作为 IAF 神经元接收(静态的)AMPA介导的突触电流,以确保信号在链中的传递。我们在这些前馈突触中引入了5毫秒的突触传输延迟。为了避免过度兴奋,我们为每个兴奋性群体引入了抑制性群体,这些抑制性群体与相应的兴奋性群体双向连接。我们从链中的每个兴奋性群体引入了表现出 STDP 的反馈突触回到基础群体。我们使用 Brian 2(Stimberg 等,2019年)中可用的标准 STDP 公式实现了突触权重更新规则:

这里, 和 分别代表突触前和突触后的轨迹; 是跳跃大小, 是轨迹的衰减常数, 表示狄拉克δ函数。当突触前神经元放电时,使用当前的突触权重 在突触后神经元中启动一个 AMPAR 介导的电流;突触前轨迹增加了一个常数 ,突触权重则减少当前的突触后轨迹值:

当突触后神经元放电时,突触后轨迹减少了一个常数 (公式(4)),突触权重增加当前的突触前轨迹值:

这意味着如果突触前和突触后神经元都放电,前突触后顺序会导致突触前轨迹增加(公式(3)),然后在突触后神经元放电时突触权重增加其值(公式(6)),从而增强突触;而后突触前顺序则会使突触后轨迹变得更负(公式(4)),然后其值被加到 (公式(5)中,从而导致突触减弱。权重更新被限制在固定的范围内(0到2400 pS)。这种实现允许突触效能根据突触前和突触后活动的相对时序进行演变,遵循标准的基于配对的 STDP 规则,其中小的峰值间隔对突触权重的影响最大。学习率参数被设置得不对称,并且 和 的值通过网格搜索进行了优化(见第3节)。初始突触权重被设置为一个较低的值(使用了 的值),这不会影响信号通过同步 Firette ?ette 链的传播。为了分析峰值活动及其同步情况,我们使用了一种爆发检测方法来量化同步的群体活动,该方法将峰值活动分为独立的爆发,如果两个连续峰值之间的间隔超过一个常数(Chiappalone 等,2006年;M?ki-Marttunen 等,2013年)。在这里,我们使用了最大50毫秒的峰值间隔。对于每次模拟,我们计算了与上一个周期相比时序恰当的刺激后活动周期(群体爆发),即群体爆发中的第一个峰值不早于上一个爆发中最后一个峰值的450毫秒,且最后一个峰值不晚于上一个爆发中最后一个峰值的550毫秒。我们还确保没有过长的活动周期,即持续时间超过75毫秒的群体爆发。

2.5 在建模中使用基因数据

为了研究离子通道表达改变对偏差检测的影响,我们使用了CommonMind RNA表达数据(Hoffman 等,2019年),这些数据来自两个区域:前扣带皮层(ACC,其中251个是对照组,227个是SCZ患者)和前额叶皮层(PFC,其中215个是对照组,211个是SCZ患者)。我们采用了M?ki-Marttunen等人(2024年)的方法来应用这些数据进行建模。与M?ki-Marttunen等人(2024年)的研究不同,后者使用了生物学和生物物理学上详细的神经元建模,这里我们使用了简化的IAF模型,这些模型不允许将离子通道表达的信息整合到模型中。因此,我们使用了Hay模型(Hay等人,2011年)作为代理,来估计离子通道表达改变对锥体细胞放电行为的影响。简而言之,我们首先使用了所有与快速或慢速神经传递相关的SCZ风险基因列表(Devor等人,2017年)及其基因家族中的姐妹基因(M?ki-Marttunen等人,2024年的表S2)。然后我们从Trubetskoy等人(2022年)的数据中提取了这些基因中的高风险变异体。虽然Trubetskoy等人(2022年)的研究采用了多种互补策略将单核苷酸多态性(SNPs)分配给可信基因,但在我们的分析中,我们采用了一种更简单的方法:如果SNPs的坐标落在基因边界内,就将其分配给相应的基因。只有当至少一个SNP在其边界内的值小于时,这些基因才被保留为感兴趣的基因。特别是,我们关注了可以使用Hay模型(2011年)进行建模的基因(表S1A)。我们通过一组在SCZ与健康对照组(CTRL)中差异表达的基因来补充这组基因(表S1B)。为此,我们分析了PFC和ACC的CommonMind死后RNA表达数据。表达数据使用DESeq2方法(Love等人,2014年)进行了标准化。我们还使用了一个插补工具CIBERSORTx(Steen等人,2020年)来获取这些脑区的神经元表达估计值,而不是使用Zhang等人(2016年)的参考单细胞RNA数据集。我们只考虑了成功插补的基因,并且进一步将分析限制在那些在脑皮层神经元细胞中显示出“中等”或“高”水平蛋白质表达的基因上,或者根据人类蛋白质图谱的单细胞RNA测序数据显示出在兴奋性神经元中高特异性的基因上。然后,我们根据251个(ACC)或215个(PFC)对照组中相应基因的平均表达值,对每个受试者的基因表达进行了标准化。当多个SCZ相关基因影响单个模型参数时,我们使用了表达水平因子的平均值来得到一个单一因子。Hay模型(2011年)的锥体细胞模型包括196个组成部分,描述了以下离子电流:高电压激活的Ca2+电流( )、低电压激活的(LVA)Ca2+电流( )、非特异性阳离子电流( )、瞬态( )和持续性( )Na+电流、毒蕈碱K+电流( )、瞬态( )和持续性( )K+电流、Ca2+-激活的SK电流( )、Kv3.1介导的K+电流( ),以及泄漏电流( )。这些电流的子单位表达的变化通过改变基础电流的最大传导性( )来建模。与M?ki-Marttunen等人(2024年)类似,我们将CACNA1C和CACNA1D的表达归因于 ,CACNA1I的表达归因于 ,HCN1的表达归因于 ,KCNQ3的表达归因于 ,KCNB1和KCND3的表达归因于 。为了确定表达改变对内在兴奋性的影响,我们模拟了锥体细胞对一系列体电流(0到1.0 nA,间隔0.1 nA)的尖峰响应。我们分别对每个受试者模拟了模型,其中传导性根据上述方式进行了受试者和电流种类特定的调整。我们确定了f-I曲线,即电流注入最后15.5秒内的尖峰频率与电流幅度的关系。然后对获得的结果进行了细化,特别是获得的受试者特定曲线下面积(AUC),以便在IAF模拟中进一步使用:

IAF模型的膜电容对于受试者 被乘以 ,其中 是对照组受试者的平均AUC。为了使皮质适应的IAF模型的膜电容与IAF模型在相应的f-I实验中产生完全相同的AUC,我们对其进行调整。然后我们对SCZ群体的膜电容进行了平均,以估计由离子通道表达改变所介导的SCZ诊断对膜电容的影响。

2.6 统计测试

我们使用Wilcoxon秩和检验(U检验)来检测SCZ和CTRL受试者之间的组间差异(非参数;双侧;正态近似)。我们使用了Bonferroni校正来校正多重(即协议数量)比较。

2.7 代码可用性

所有模拟都是使用Brian 2(Stimberg等人,2019年)或NEURON模拟器(Hines和Carnevale,2001年)v. 8.2.6版本运行的,通过Python(3.9.20)接口进行。我们的模拟脚本可以在ModelDB上找到,访问编号为2019882(https://modeldb.science/2019882)。

3 结果

3.1 开发了一个能够检测频率和刺激缺失基于MMN的新颖性的尖峰网络模型

为了描述基于健康和疾病状态下的尖峰神经元网络动态的新颖性检测,我们引入了一个多神经元群体网络(见第2节和图1)。我们首先进行了一系列网格搜索实验,以找到适当的参数范围(刺激幅度、突触电导、膜电容和抑制强度),在这些参数范围内,实现了适当的尖峰反应以及偏差与标准之间的不同反应。然后我们进行了大规模的网格搜索,以优化新颖性检测(见表S2A)。在频率偏差、刺激缺失、持续时间偏差和逆持续时间偏差协议中,我们分别获得了7249、10,118、15,022和7,199组参数组合的强偏差检测结果(总共42,000组)(见图2A)。共有16组参数组合支持所有四种协议中的检测(见图2A)——这些参数在表S2B中列出。所有九个神经元群体对四种MMN协议的反应行为在图2B中进行了说明。图2展示了四种不同类型MMN协议中的尖峰网络模型拟合情况以及四种协议中各个亚群体的放电行为。(A)维恩图显示了在频率偏差(蓝色)、缺失(绿色)、持续时间偏差(红色)和逆持续时间偏差(青色)MMN协议中产生可接受新颖性检测的参数组数量(共42,000组)。十六组参数组合在所有四种协议中都产生了可接受的新颖性检测结果。(B)根据十四种可接受模型中的一种,绘制了四个MMN协议中每个亚群体(每个40个神经元)的群体尖峰栅格图。总的来说,我们的网格搜索方法产生了能够在典型MMN刺激协议中有效检测新颖性的尖峰网络。

3.2 新颖性检测网络的稳健性

为了展示新颖性检测网络的稳健性,我们通过额外的实验验证了该模型。首先,我们展示了该网络可以在一个移动偏差范式中检测到新颖性,在该范式中,一系列五个相同的刺激(无论是标准频率还是偏差频率的短音调或长音调)在每次转换后形成一个新的标准(见图3A,B)。在同一实验中,我们还测试了当四种类型的音调分别作为标准时的刺激缺失情况(见图3A,B)。在这些转换中,异常检测指数的大小与图2中使用的MMN协议相当或更大(图3C)。图3在图形查看器中打开PowerPoint

这种新颖性检测网络在移动范式中表现良好,显示出对NMDAR的依赖性,并且对于引入突触延迟具有鲁棒性。(A–C)使用另一种刺激序列进行实验,其中四种刺激(短标准、短异常、长标准、长异常)以五个音调的序列重复出现,并包括了它们之间所有可能的转换以及所有遗漏情况。(A)根据默认参数集的模型输出群体活动。阴影区域代表异常情况,即转换为新的音调类型或遗漏情况。图表下方的插图显示了随时间变化的标准(蓝色)和异常(红色)音调对应的刺激。(B)对所有16个模型重复了(A)中的实验。图表显示了由异常(蓝色阴影)和前一个音调(灰色阴影)引起的平均 firing rate 曲线。(C)根据(B)中的数据确定的异常检测指数的箱形图。洋红色条形代表图2中使用的MMN协议,青色条形代表未用于模型拟合的替代异常。(D, E)有和没有NMDAR介导电流的异常检测。(D)根据默认参数集的模型,在有(黑色)和没有(洋红色)NMDAR介导电流的情况下输出群体活动。(E)在有(黑色)和没有(洋红色)NMDAR介导电流的情况下,16个模型和10次不同随机数种子重复实验中由异常(蓝色阴影)和前一个音调(灰色阴影)引起的平均 firing rate 曲线。通过将脉冲列与标准差为25毫秒的高斯函数卷积得到 firing rate 曲线。插图显示了每种协议中异常检测指数的箱形图。(F, G)有和没有突触延迟的异常检测。(F)根据默认参数集的模型,在没有(黑色)和有1(深绿色)、2(绿色)或5(浅绿色)毫秒突触延迟的情况下输出群体活动。(G)在有(黑色)和没有(绿色)突触延迟的情况下,16个模型和10次不同随机数种子重复实验中四种MMN协议中的平均 firing rate 曲线。插图显示了每种协议中异常检测指数的箱形图。我们还模拟了在NMDAR被阻断时所有四种MMN协议中的异常检测。与实验观察结果类似(Farley等人,2010年),NMDAR阻断的模拟显示对异常和标准的反应都降低了(图3D,E)。然而,我们的模拟表明,在没有NMDAR激活的情况下,异常检测指数也降低了(图3E)。生物网络包括由轴突和树突信号传导以及突触前神经递质释放引起的延迟,在突触前动作电位诱导突触后神经元中的AMPAR、NMDAR或GABAR介导的电流时并未考虑这一点。我们测试了在新陈代谢延迟存在的情况下新颖性检测网络的功能。当使用小延迟(或2毫秒)时,所有MMN协议中的异常检测保持不变,但当使用大延迟(毫秒)时,刺激遗漏的检测能力丧失了(图3F,G)。接下来,我们测试了个体群体在异常检测中的作用。在这些实验中,我们移除了某些群体,并在没有选定群体的情况下进行了四种不同的实验,并记录了输出群体的 firing activity。当在2-Hz刺激呈现的交替阶段有反应的EP2群体被移除时,逆持续时间异常的检测能力丧失了,而其他三种类型的异常仍被检测到(图S5A)。同时移除EP和EP2群体消除了遗漏和逆持续时间的检测,但保留了频率和持续时间的检测(图S5B)。相比之下,移除延迟激活的群体(ESD, EDD)以及EP2群体消除了所有持续时间异常的检测,但保留了频率异常和遗漏刺激的检测(图S5C)。当只有对音调敏感的群体(ES, ED, IS, 和 ID)和输出群体存在而其他群体被移除时,网络只检测到频率异常(图S5D)。我们验证了网络对于网络规模的小变化和神经元兴奋性的变化具有鲁棒性(图S6A,B)。当网络规模减半(20个神经元)或增加到60个神经元时(图S6A),以及当神经元的膜电容变化减少到0.2平均值()或增加到0.4平均值(图S6B)时,网络仍能检测到异常。然而,当神经元膜电容的变化太小时(标准差() 0.1平均值()),逆持续时间异常就不再被检测到(图S6B)。我们还确保了当输入随机听觉刺激而不是节奏性音调输入时,网络不会产生由于相位锁定的神经元活动引起的异常检测伪影(图S6C)。虽然可以预期刺激编码神经元群体(ES, ED)的激活是及时的,但相位锁定的群体在其活动的时间上可能会显示出较大的偏差。在这里,我们展示了遗漏刺激的检测并不依赖于2-Hz相位锁定群体的完美定时激活。为此,我们为每个相位锁定的神经元从均匀分布中随机化了一个相位,其中抖动幅度范围从0(无抖动)到20毫秒。2到5毫秒的抖动对任何MMN协议中的异常检测影响很小,但20毫秒的抖动几乎消除了遗漏的检测,并且也轻微削弱了逆持续时间异常的检测(图S6D,E)。最后,我们测试了网络是否也能检测到双重异常(频率和持续时间都异常;图S7A,B),并在使用小于或大于2赫兹的刺激速率时表现良好(图S7C,F)。总的来说,我们的异常检测网络模型在移动范式中以及当某些群体被移除时表现符合预期。尽管我们的网络在许多方面都进行了简化,但在添加了生物学中通常出现的不确定性(如延迟和参数变化)时,网络仍然能够稳健运行。

3.3 刺激停止后的 rhythmic 激活可以通过 STDP 驱动的同步到刺激速率在 synfire 链中实现

在我们的网络模型中,需要与刺激速率相位锁定的神经元来检测遗漏,但听觉通路不太可能有能够高精度锁定所有可能的频率和这些节奏的多个相位的神经元。在这里,我们展示了一个作为 synfire 链组织的网络,其反馈突触表现出 STDP,即使在刺激停止后也能忠实地以节奏方式 firing。我们模拟了一个由一个基础群体组成的网络,该群体接收刺激编码的听觉刺激,以及另外70个神经元群体,每个群体由50个神经元组成,它们以前馈方式(连接概率0.5)连接,并且有5毫秒的传输延迟。每个链群体都与基础群体通过兴奋性突触弱连接,这些突触的强度最初较弱,但其强度遵循经典的 STDP 规则。基础群体每500毫秒接收到一个方波脉冲刺激(2-Hz 刺激速率)持续12秒,每个刺激导致链群体以大约600毫秒的序列 firing。我们假设基础群体在突触前神经元之后立即 firing 的突触被加强,直到网络基本上成为一个 synfire 环,并在没有听觉刺激的情况下持续振动,而其他突触保持较弱或进一步减弱。为了测试这一假设,我们首先选择了在没有 STDP 的情况下产生稳健 synfire 链活动的神经元和突触参数(图4A)。然后我们优化了 STDP 学习率参数 和 ,以允许与潜在节奏同步。我们通过进行网格搜索来实现这一点,其中 范围从0.02到0.045, 被选择为 ,其中 范围从0.7到4.0(图4B)—我们选择这个范围较大,以便探索不同的动态机制。我们用不同的随机数种子重复了每次实验20次。当 很小或 强度为负时,网络未能在 秒时达到足够的突触权重以在同步刺激停止后继续 firing(图4C)。相比之下,当 很大且 接近零时,网络变得异常兴奋,并在同步阶段的最后表现出双重激活甚至无休止的尖峰响应(图4B 条纹方块;图4D)。然而,当选择 和 的中间值时(,),我们观察到与2-Hz刺激速率的稳健同步以及刺激间活动的缺失(图4B 白色方块和图4E–H)。我们使用这些可塑性参数进行了其余的分析。图4在图形查看器中打开PowerPoint

一个作为 synfire 链组织的网络,其反馈突触遵循经典的 STDP 规则,可以同步到2-Hz节奏性刺激,从而在刺激停止后仍然保持相同的节奏 firing。(A)在没有 STDP 的情况下整个网络的脉冲列,-轴代表时间,-轴代表神经元索引。基础群体,神经元1–50,每500毫秒接收一次节奏性刺激,其激活通过整个 synfire 链(神经元51–3550)传播。插图:在第一次刺激期间和之后前四个群体的活动放大视图。(B)对节奏性刺激的最佳同步的网格搜索。-轴代表 pre–post addition 参数,-轴代表缩放参数(= )。每种参数组合进行了20次重复实验,使用不同的随机数种子。方块的颜色代表在预期时间 postcessation(12,000毫秒 + 500毫秒 - 60毫秒 12,000毫秒 + 500毫秒 + 60毫秒)观察到尖峰活动的模拟比例。蓝色代表在预期刺激 postcessation 时间附近没有产生尖峰活动的参数组合,白色代表所有模拟都产生的参数组合(每个间隔至少需要五个尖峰才能算作阳性 hit)。方块的格子表示在非预期时间 postcessation(12,000毫秒 + 500毫秒 + 60毫秒 12,000毫秒 + 500毫秒 + 440毫秒)观察到尖峰活动的模拟比例。清晰的方块代表在预期刺激 postcessation 时间之间没有产生尖峰活动的组合,而完全条状的方块代表所有模拟都产生的组合。(C–E)使用面板 B 中指示的参数的示例脉冲列,即()=(0.024 nS, 3;C),(0.032 nS, 0.9;D),和(0.028 nS, 3;E)。在最初的12秒(灰色阴影区域)内,基础群体接收到一个节奏性的2-Hz刺激。(F–H)在最后一个刺激周期(11.5–12秒;F)以及第一个(12–12.5秒;G)和第七个(15–15.5秒;H)postcessation 周期内(E)的脉冲列的放大视图。插图进一步放大了(实际或预期)刺激的时间。(I–L)从第1个到第10个(I),第11个到第50个(J),第61个到第70个(K)以及第51个到第60个(L)群体到基础群体的突触权重的演变。在基础群体之后立即 firing 的群体(如第1个、第2个、第61个和第62个群体)的权重减少了(尽管在某些模拟中,由于周期逐渐缩短,在10秒后它们又增加了;面板I和K)。在第11个到第50个群体中,那些在基础群体的 firing 时间之前和之后时间间隔较远的群体保持接近初始强度(J)。相比之下,第51至第60组神经元由于同步化现象(L)导致突触权重显著增加。(M)刺激停止时(=12秒)突触权重的分布情况。第51、54、57和60组中的突触由于激活时间的不同,其连接强度也有所差异;而第61组中的突触则始终在基础组激活后不久就活动,因此其连接强度显著减弱。(N)基础组在最后一次同步化刺激前的20毫秒到刺激停止后30毫秒内的激活时间分布(蓝色),以及预期刺激停止后的第一个周期内的激活时间分布(橙色)。在表现出强烈同步化现象的网络中,第51至第60组神经元在同步化过程中得到了增强,而其他组的神经元则减弱或变化不大(图4I–M)。最后一次刺激引起的激活周期的突释动力学(11.5–12.0秒;图4F)与没有外部刺激时的第一个周期(12.0–12.5秒;图4G)大致相同,即使在第七个没有外部刺激的周期中,序列激活模式也得以保持(图4H)。然而,我们观察到随着时间的推移,激活周期逐渐缩短(图4H,O)。在许多模拟中,基础组在最后一次刺激下的响应呈现出双峰形态:新增强的突触在最后一次刺激到来前20毫秒时使神经元放电,然后在刺激开始后5毫秒时再次放电(图4N;蓝色)。第一次非刺激引起的响应在突释时间统计上与第一次刺激时非常相似,只是缺少了刺激后5毫秒的重新激活(图4N;橙色),这表明神经元成功适应了2赫兹的刺激频率。我们测试了网络对刺激频率变化的鲁棒性,模拟了0.75、1.0、1.5、1.75、2.0、2.5、3.0和4.0赫兹的频率。在1.75–3.0赫兹的频率下,有95%的模拟显示在刺激停止后至少三个周期内突释时间仍然正常;而在0.75–1.5赫兹的频率下,刺激停止后没有活动;4.0赫兹的频率则导致了过度增强(图S8A)。然而,如果我们将小刺激频率下的突触链长度调整为更长以覆盖整个刺激间隔(0.75赫兹时为190个神经元群体,1.0–1.5赫兹时为130个神经元群体),或者将4.0赫兹刺激间隔下的突触链长度缩短(40个神经元群体),我们也观察到了成功的同步化(图S8B)。随机刺激协议(刺激时间遵循平均为2赫兹的泊松过程)没有产生任何同步化现象(图S8C)。综合来看,我们的分析表明,与基础组连接的具有STDP的节律性活跃点神经元,由于其最佳的激活时间,其突触可以通过同步化现象得到显著增强(例如通过MMN协议中的标准听觉刺激),而其他突触则会减弱。在没有额外的稳态机制的情况下,我们的模型显示周期会逐渐缩短,但这为神经元群体锁定到delta频段刺激频率的概念提供了验证,这对于我们的建模框架中的MMN现象是必要的。

3.4 SCZ细胞水平表型对新颖性检测的影响:皮层检测假说

第3.1节开发的网络模型是抽象的,并不直接对应于特定的脑区。尽管听觉刺激中的新颖性检测和MMN的产生可能依赖于整个大脑的多个脑区,但先前的研究强调了皮层(N??t?nen等人2007年;Fishman和Steinschneider 2012年)或皮下(Pérez-González等人2005年;Malmierca等人2009年)区域的贡献。由于皮下神经元和回路在结构和功能上与皮层神经元不同,因此在精神分裂症大脑中新颖性检测的变化是否发生在皮层或皮下区域应该具有关键性影响。在本节中,我们探讨了与SCZ相关的细胞水平表型对预测的新颖性检测的影响,假设所有模拟的神经元群体都是皮层神经元。首先,我们使用了CommonMind数据(Hoffman等人2019年),其中包括426名受试者(211名SCZ,215名CTRL)的前额叶皮层(PFC)和478名受试者(227名SCZ,251名CTRL)的前扣带回皮层(ACC)中离子通道编码基因的批量RNA表达。我们使用DESeq2(Love等人2014年)对表达水平进行了标准化,并借助Zhang等人2016年的参考单细胞RNA数据集,使用CIBERSORTx(Steen等人2020年)获得了这些脑区的神经元表达估计值。我们关注了GWAS(Trubetskoy等人2022年)确定的基因或差异表达基因,这些基因很可能在皮层中表达,如M?ki-Marttunen等人2024年所进行的那样。然后,我们计算了这些基因影响Hay模型(Hay等人2011年)每个参数的受试者特定因子。接着,我们对不同幅度的直流(DC)刺激下的神经元响应进行了受试者特定的单细胞模拟,即我们估计了f-I曲线(图5A,B)。当使用PFC或ACC的数据时,SCZ组的AUC分别比CTRL组小6.7%和16.1%(图5A,B)。由于在LIAF模型中发射率与膜电容成反比(假设漏电导固定),我们将这些数据作为SCZ模型中的膜电容参数变化进行了实现:所有兴奋性神经元(EO、ES、ED、EP、EP2、ESD、EDD群体)的膜电容在SCZ组中分别比CTRL组大19.2%和7.2%。图5在图查看器中打开

SCZ皮层中离子通道编码基因的表达改变和突触密度降低可能会损害皮层的新颖性检测。(A, B)基于PFC(A)或ACC(B)的尸检RNA表达数据调整了离子通道电导后的V层锥体细胞的f-I曲线。浅灰色曲线代表对照组受试者,浅粉色(A)和浅绿色(B)曲线代表SCZ受试者。粗曲线代表所有群体的中位数f-I曲线(黑色:对照组受试者,粉色/绿色:SCZ受试者)。插图:对照组(灰色)或SCZ组(粉色/绿色)受试者的AUC箱形图。(C)在CTRL条件下(黑色),以及根据PFC(紫色)或ACC(绿色)的离子通道表达数据调整膜电容后,皮层输出群体对四种协议(频率异常、刺激缺失、持续时间异常、持续时间反常)的响应的尖峰列。(D)三种条件下尖峰列数据的发射率曲线(用标准差为25毫秒的高斯函数平滑处理),在16个可接受模型中取平均值。所有模拟都显示了CTRL响应 > SCZ PFC响应 > SCZ ACC响应的趋势。(E, F)在四种协议中,对每种异常(E)或标准(F)刺激(从刺激开始前50毫秒到刺激开始后450毫秒)的总发射率分布。星号表示CTRL和SCZ之间的统计学显著差异(U检验,/4)。(G)根据(E)和(F)的数据计算的新颖性检测指数分布。星号表示CTRL和SCZ之间的统计学显著差异(U检验,/4)。(H)在CTRL条件下(黑色),以及当兴奋性突触电流减少19%以模拟SCZ中突触密度降低(黄色,如Shelton等人2015年报告)时,皮层输出群体对四种协议的响应的尖峰列。(I–L)重复(D)–(G)实验,但将SCZ的突触电导降低19%。然后我们使用调整后的膜电容进行了四种MMN协议的网络模拟(图5C)。模拟显示输出群体对标准和异常刺激的响应都减弱了(图5D)。所有类型的异常刺激响应(图5E)以及在持续时间反常协议中对标准的响应(图5F)在幅度上显著减少(/4),但在ACC中,异常检测指数在频率()、刺激缺失()和持续时间异常()协议中的幅度上显著减少(图5G)。对于PFC,在持续时间异常协议中(图5E)和对标准的响应在持续时间反常协议中(图5F)的幅度也显著减少(/4),但异常检测指数没有显著变化(图5G)。我们还模拟了皮层兴奋性神经元(EO、ES、ED、EP、EP2、ESD、EDD群体)的突触密度降低的情况。将兴奋性突触电导降低19%后,响应幅度降低(图5H–K),并在所有协议中显著降低了异常检测指数(图5L)。

3.5 新颖性检测作为皮下现象:皮层SCZ相关细胞变化对皮层新颖性检测投射的影响

尽管动物研究表明,与皮下区域相比,皮层区域的听觉新颖性检测更强(Lao-Rodríguez等人2024年),但也有证据表明在皮下区域,特别是在下丘脑和丘脑中也存在听觉新颖性检测神经元(Anderson等人2009年;Pérez-González等人2005年;Reches和Gutfreund 2008年;Malmierca等人2009年)。在这里,我们探讨了在假设所有模拟的神经元群体都是皮下神经元的情况下,SCZ相关细胞水平表型对预测的新颖性检测的影响。具体来说,我们的新颖性检测网络的内在特性和功能可能与丘脑-丘脑前馈网络相匹配,其中输出群体对应于丘脑MGB中的神经元群体,而其他群体对应于IC中的神经元群体(见第4节)。然而,SCZ诊断对细胞水平特性(如离子通道的表达和突触密度)以及回路异常的影响在皮层中比在皮下区域更常见(参见Lewis和Sweet 2009年;Berdenis van Berlekom等人2020年;Duncan等人2025年)。同样,我们在图5实验中使用的SCZ相关改变主要发生在皮层区域。因此,这些数据仅允许我们研究SCZ如何影响新颖性检测的皮层投射和可能的后处理,尽管SCZ中的预测皮下动态可能与CTRL中的相同。因此,我们在这里引入了一个额外的、类似皮层的输出群体,以便基于这些数据进行模型预测。我们将之前描述的输出群体(EO)与一个大小相同的皮层输出群体(CO)连接起来()。我们使用的膜属性与多层锥体细胞的Hay多室模型(Hay等人2011年)相匹配,即膜电容为580 pF,漏电导为4 nS(图6A)——这两个参数在以这些值为中心的神经元群体中显示出30%的标准偏差,与其他群体相似(见第3.1节)。为了模拟活体内的变异性,随机膜电流引起了自发的波动和尖峰。我们调整了EO到CO群体的连接强度以及随机膜电流的幅度,以匹配对标准刺激(8次尖峰/秒)和异常刺激(20次尖峰/秒)的实验数据(Ulanovsky等人2003年)——最佳拟合参数为=3 S和=1.75 nA(图6B)。我们运行了得到的网络模型,并评估了不同刺激协议下皮层输出群体的活动(图6C),使用了所有16个可接受的参数集(见第3.1节)。该模型在所有四种刺激协议中都显示出对新刺激的强烈信号,与标准刺激相比(图6D)。接下来,我们使用皮层输出作为最终输出,影响EEG信号,并测试了不同SCZ相关细胞水平改变对这一输出的影响。图6在图查看器中打开

引入一个皮层输出群体并将其属性拟合到动物异常实验的电生理数据。(A)最佳拟合的IAF模型,用于Hay模型(Hay等人2011年)的皮层锥体神经元的f-I曲线。插图:具有不同膜电容的IAF模型的AUC(-轴)。最佳拟合是通过(B)获得的,它表示皮层输出群体对标准刺激(蓝色)和异常刺激(橙色)的发射率,当使用不同水平的噪声和(皮下)输出群体的连接强度时。虚线表示从猫身上记录的数据(Ulanovsky等人,2003年)。最佳拟合是在噪声水平为1.75 nA和连接强度为3 S时获得的。(C)在频率异常协议期间,皮层输出群体的示例尖峰序列。蓝色阴影区域表示确定对异常刺激反应的时间间隔,而灰色区域表示确定对标准刺激反应的时间间隔。对标准刺激的四种反应的发射率被平均化了。(D)在所有四种协议中,皮层输出群体在异常刺激及其后的第一个标准刺激期间的示例尖峰序列。(E)在所有四种协议中,对异常刺激(左)和标准刺激(右)的16个模型和20个种子的发射率曲线平均值。顶部和中间条形显示了对异常刺激(蓝色)和标准刺激(灰色)的20个随机数种子的发射率的平均值和标准差。底部条形显示了异常检测指数的平均值和标准差(白色)。接下来,我们以与图6A中默认Hay模型相似的方式,将IAF模型中的膜电容拟合到每个针对受试者调整后的Hay模型模拟中。这些拟合表明,根据PFC或ACC数据,SCZ中的膜电容平均值分别为631或678 pF(图7A,B插图),而默认Hay模型拟合的膜电容为580 pF。基于这些数据的IAF模型模拟如图7C,D所示。图7在图形查看器中打开 PowerPoint。

SCZ皮层中离子通道编码基因表达改变和棘突密度降低可能在死后测量,这会损害皮层的新颖性检测能力。(A,B)第V层锥体细胞的f-I曲线,其离子通道电导基于PFC(A)或ACC(B)的死后RNA表达数据进行了调整。浅灰色曲线代表对照组受试者,而浅粉色(A)和浅绿色(B)曲线代表SCZ受试者。粗曲线代表各群体间的中位数f-I曲线(黑色:对照组受试者,粉色/绿色:SCZ受试者)。插图:对照组(灰色)或SCZ(粉色/绿色)受试者的AUC箱形图。(C,D)根据(A)和(B)的数据拟合的最佳IAF模型的f-I曲线。(E)在CTRL条件下,皮层输出群体对四种协议(频率异常、刺激缺失、持续时间异常和逆持续时间异常)的尖峰序列(黑色),以及当膜电容根据PFC(紫色)或ACC(绿色)的离子通道表达数据调整到SCZ样本模拟时的尖峰序列。(F)三种条件下尖峰序列数据的发射率曲线(用标准差为25 ms的高斯函数平滑处理),并在16个可接受模型中进行了平均。所有模拟都显示出一种趋势:CTRL反应 > SCZ > PFC反应 > ACC反应。(G,H)在四种协议中,对每个异常(G)或标准(H)刺激的总发射率分布(从刺激开始前50毫秒到刺激开始后450毫秒),在16个可接受模型中。星号表示CTRL和SCZ(PFC或ACC;U检验,/4)之间的统计学显著差异。(I)根据(G)和(H)的数据计算的新颖性检测指数分布。星号表示CTRL和SCZ(U检验,/4)之间的统计学显著差异。(J)在CTRL条件下,皮层输出群体对四种协议的尖峰序列(黑色),以及当兴奋性突触电流减少了19%以模拟SCZ中棘突密度降低时的尖峰序列(黄色)。(K–N)重复(F)–(I)的实验,比较CTRL和SCZ(19%突触电导)。接下来,我们模拟了皮层输出群体,其膜电容分别设置为580 pF(CTRL)、631 pF(SCZ,PFC)或678 pF(SCZ,ACC)。模拟显示皮层输出群体对标准和异常刺激的反应都减弱了(图7E,F)。对于ACC,在所有协议中,SCZ对异常和标准刺激的反应都显著减弱,而对于PFC,在频率和刺激缺失协议中,对异常刺激的反应显著减弱,在刺激缺失协议中,对标准刺激的反应也显著减弱(图7G,H)。在两个大脑区域中,刺激缺失协议中的异常检测指数显著降低(在ACC和PFC中),但在其他协议中则没有(图7I)。最后,我们模拟了假定的丘脑-皮质突触的电导降低对新颖性检测的影响。与所有兴奋性群体的突触电导都降低的实验(图5E,F)类似,皮层输出群体的突触电导降低仅降低了对标准和异常刺激的反应(图7J,K)。然而,模拟表明,在频率异常、刺激缺失和持续时间异常协议中,对异常反应的降低具有统计学意义(图7L),而对标准刺激的反应降低在任何协议中都没有统计学意义(图7M)。总的来说,我们的模拟表明,即使异常检测发生在皮下区域,接收皮下信号的兴奋性皮层群体中的SCZ样改变也会降低新颖性检测的幅度。在PFC中测量的SCZ相关离子通道表达差异并未显著影响异常检测指数,而在ACC中测量的差异显著降低了频率异常协议中的异常检测指数,而突触电导的降低(为了模拟SCZ中突触后棘突数量的减少)降低了频率异常和缺失协议中的异常检测指数。

4 讨论

我们开发了一个能够检测四种类型的标准听觉刺激偏差的尖峰网络:频率异常(激活与标准不同的音高敏感神经元)、刺激缺失、持续时间异常(比标准更长)和逆持续时间异常(比标准更短)。我们展示了该网络在一系列实验中的稳健性能,其中刺激或神经元属性发生了轻微改变。我们还探讨了该网络在存在SCZ相关细胞水平改变情况下的行为,即离子通道编码基因表达改变和突触后棘突密度改变。我们的分析表明,兴奋性神经元的EPSC降低了19%以及离子通道编码基因表达的变化(这降低了神经元的兴奋性)都会损害新颖性检测能力,但前者的影响更为显著。无论我们将新颖性检测网络解释为主要在皮层工作(假设所有兴奋性神经元都受到SCZ相关细胞水平改变的影响)还是主要在皮下工作(只有皮层输出群体受到影响),这一观察结果都是如此,尽管前者的解释导致了更大的整体效应。这项研究的一个关键方面是其假设和建模选择。我们的模型是以一种简化但仍具有生物学意义的方式构建的,建模选择主要是为了优化听觉新颖性检测。因此,没有证据表明听觉通路中的网络严格按我们建议的方式组织。所建议的神经元群体可能代表多种神经元类型(特别是抑制性群体),甚至是来自不同大脑区域的神经元,而不仅仅是特定的解剖区域。然而,据我们所知,我们的建模选择与现有文献并不矛盾。在这里,我们根据先前的发现和模型以及替代方案讨论了我们的每个假设和建模选择。我们模型中的一个核心假设是新颖性检测依赖于SSA。除了非常上游的耳蜗核(Ayala等人,2013年)之外,大多数听觉通路中的大脑区域都观察到了SSA,包括下丘(IC)(Ayala等人,2013年)、上橄榄复合体(SOC)(Finlayson和Adam,1997年)、丘脑(Anderson等人,2009年)和听觉皮层(Ulanovsky等人,2003年)。因此,自然可以假设编码听觉新颖性的神经元直接或间接地从表现出SSA的神经元接收输入。尽管尚未确认SSA的机制,但已经提出突触前短期抑制可能是发生在超过100毫秒时间尺度上的适应的核心机制(Wehr和Zador,2005年)。因此,我们构建的网络依赖于突触前短期抑制的模型(Tsodyks和Markram,1997年;Wang,1999年)。在这项工作中,我们假设频率调谐的神经元分为两组:一组只对长刺激作出反应,另一组对长和短刺激都作出反应。这种长通滤波射电行为在体内已经观察到(Ehrlich等人,1997年;Brand等人,2000年;Sayegh等人,2011年),但也有关于仅对短、中或长刺激作出反应的神经元的证据(Ehrlich等人,1997年;Aubie等人,2014年)。之前的一项理论研究表明,改变膜时间常数可以解释对听觉刺激的反应延迟(Aubie等人,2012年)。—因此,我们通过允许不同的膜时间常数(电容)来实施长通滤波持续时间敏感性,这些常数被拟合以优化异常检测。然而,如果像在Ehrlich等人(1997年;Aubie等人,2014年)中观察到的那样,仅对持续时间敏感的神经元在听觉通路中占主导地位,那么持续时间异常的检测可以通过更简单的方式实现,即每个神经元群体不仅以频率选择性的方式作出反应,还以频率和持续时间选择性的方式作出反应。这意味着持续时间异常的检测在概念上可以与我们建模框架中的频率异常检测相同:重复引入具有特定频率和持续时间的音调会抑制编码该频率和持续时间的神经元的突触,而音调的频率或持续时间的改变将激活其他突触不受到短期抑制的神经元。为了允许检测缺失的标准刺激,大脑必须知道要预测什么,以及重要的是,何时预测。之前的模型(例如,Wacongne等人,2012年;Lieder等人,2013年)通过假设一种“缓存”来规避这个问题,即一种保存最近输入刺激的记忆并在延迟后重新播放的神经元群体。虽然没有直接证据支持这种行为或这种记忆痕迹射击的出现机制,但我们也不知道听觉通路中是否存在这样的神经元或输入的直接证据。然而,有一些发现间接支持了我们的假设。例如,有些皮质和皮下神经元表现出强烈的节律性活动(在Bean,2024年的综述中)。例如,丘脑下核神经元在体外显示出delta-theta频段的自发节律性射电(Bevan和Wilson,1999年)。同样,丘脑中继神经元也以其在delta频段中产生自发的节律性动作电位爆发而闻名(Timofeev等人,2012年)。还观察到,低频皮质振荡可以通过以1.5-Hz频率重复的节奏性刺激而变得相位锁定。因此,可以自然地假设,在接近的刺激呈现频率2.0 Hz下重复的标准刺激也会使某些群体以该频率射击。为了论证我们网络架构的合理性,我们在这里提出,对节奏性听觉刺激的相位锁定可能是通过反馈突触中的STDP机制对刺激频率的跟随而出现的。然而,仍有待证明大脑中是否存在这种所需的长突触 fire 链。输出群体的作用。在我们所有的模拟中引入输出群体,旨在展示大脑中的单一群体能够以集中化的方式编码多种类型的听觉新颖性。然而,这并不是诱导MMN信号或将动物的注意力引向听觉新颖性原因的必要条件,也没有证据表明大脑确实以这种方式运作。不过,假设存在这样的集中化群体对于量化网络的新颖性检测能力是有用的。在应用SCZ的模拟中,我们假设所有神经元要么是皮层的,要么是皮下层的,但如上所述,它们也可以分布在不同的皮层和皮下区域。表S2显示,对某些类型异常的最佳检测可能与其他类型异常的检测存在部分冲突,这表明不同类型的异常可能需要分别的网络来处理,但这个问题也可以通过使用更复杂的模型并调整额外的模型参数来解决。然而,有一个大脑区域在解剖学和功能上都与我们模拟的新颖性检测网络相匹配,那就是IC。IC直接接收来自上游听觉区域的输入,即耳蜗核和上橄榄复合体(Adams 1979;Grothe等人1994)。大约30%的IC神经元具有抑制性,并且它们与IC内的其他神经元以及其他大脑区域的神经元相连,包括丘脑(Peruzzi等人1997;Oberle等人2023)。重要的是,IC表现出强烈的快速抑制作用,这种抑制作用以双耳交互的形式出现,这对于声音定位非常重要(Sanes等人1998)——这些相同的网络机制可能也构成了我们网络中用于检测缺失刺激所需的相位锁定群体。IC神经元还显示出广泛的(超过10倍)兴奋性相关属性的多样性,例如对EPSP起始和阈值刺激强度的反应时间(Tan和Borst 2007),这可能导致产生响应长但不是短听觉刺激的群体,例如我们模型中描述的ES和ED群体。对2-Hz刺激的相位锁定可能通过皮层-丘脑通路介导(Lesicko和Geffen 2022),但需要进一步的研究来验证这一点。另一方面,2-Hz频率下的相位锁定要求以及实现这一要求的STDP可能更适合皮层电路而不是皮下电路。在我们的框架中,假设听觉通路中存在接收与刺激率不同相位锁定的输入的神经元,这对于检测缺失刺激是必要的。在这项工作中,我们展示了这些神经元的同步时间不需要完美对齐就能成功检测到缺失刺激(图S6D,E),并且网络也能容忍小的和中等的突触延迟(图3F,G)。我们还展示了在以synfire链形式组织的前馈网络中,相位锁定可以在响应节奏性听觉刺激时产生,该网络具有遵循STDP规则的反馈连接(图4)。尽管这种synfire链模型依赖于简化假设——例如相对快速的传播速度(数十个群体在半秒内)和群体内的高尖峰时间精度——但它作为一个概念证明是有效的。在未来的工作中,可以通过结合广域Ca2+成像与事后结构或分子显微镜的实验数据,在更慢和更异质的网络模型中测试这种机制的合理性,以将群体动态与突触可塑性标志物联系起来。如果大脑中存在以这种方式运作的网络并介导缺失的MMN,那么在MMN实验开始时,检测到缺失刺激的偏差应该会很弱,因为STDP通常需要几分钟才能完全生效(参见Bi和Poo 1998)。在这种情况下所需的synfire链可能通过可塑性规则产生,正如Zheng和Triesch(2014)所建议的。在他们的研究中,通过STDP,从随机连接中产生了短的synfire链,模型还产生了短的synfire环(Zheng和Triesch 2014)。或者,如果大脑的其他部分自然存在相位锁定到许多不同频率和相位的群体,听觉通路中的神经元可能会根据刺激率与其中一个群体相位锁定,正如Luz和Shamir(2016)所示,尽管是在与我们不同的频率范围内。需要注意的是,节奏性输入的学习也可以通过其他方式实现,例如Socolovsky和Shamir(2021)中使用的方法。所有这些理论分析都指出了我们提出的缺失检测机制的可行性;然而,需要实验研究来确认听觉通路神经元是否存在相位锁定的输入。我们的大多数模拟实验都是使用用于拟合模型参数的四种MMN协议进行的:短标准音到短异常音、短标准音后跟缺失、短标准音到长标准音以及长标准音到短标准音。我们还测试了网络是否能够成功检测到以游走范式方式引入的所有其他四种音调组合中的新颖性,以及其他标准序列中的缺失(图3A–C)。我们可以预期,如果添加额外的音调作为“标准”和“异常”音调之外的替代刺激频率,模型的功能同样良好。然而,如果没有对网络进行更彻底的重新设计,网络将无法检测到更复杂的模式,如级联或多标准控制序列(Harms等人2014)。SCZ与许多与神经元形态和电生理学相关的细胞水平表型有关。在这项工作中,我们考虑了两种影响皮层锥体神经元行为的中心改变,即突触棘的19%丧失(Shelton等人2015)和离子通道编码基因的表达改变(Hoffman等人2019)。除此之外,NMDA受体功能低下长期以来一直被提出是MMN缺陷的核心机制,这一点得到了人类药理学研究的支持,其中NMDA拮抗剂如氯胺酮能够可靠地降低MMN幅度(Umbricht等人2000;Javitt等人2008)。GABA能性中间神经元,特别是parvalbumin阳性细胞的功能障碍,也与兴奋性-抑制性平衡失调和异常听觉振荡有关(Gonzalez-Burgos和Lewis 2012;Metzner等人2019)。这些改变可能会与这里模拟的兴奋性缺陷相互作用,可能加剧它们的影响。其他报道的表型包括树突形态的改变以及少突胶质细胞和髓鞘相关的异常;这些变化可能会进一步降低缺失和持续时间异常反应所需的时间精度和传导(Kalus等人2000;Takahashi等人2011;Valdés-Tovar等人2022)。在系统层面,实证发现表明,SCZ中的不同类型的听觉异常受到的影响并不相同。几项研究报告称,与频率异常相比,持续时间异常的MMN损伤更为严重(Todd等人2012;Erickson等人2016),这与我们的模型预测不同类型的异常可能对细胞水平改变有不同的敏感性相符。此外,关于皮层与皮下结构对MMN生成相对贡献的持续辩论(Kraus等人1992;Grimm和Escera 2012)直接反映在我们对网络的双重解释中,这些解释得出了关于SCZ相关损伤的趋同但不同的预测。我们的计算分析在提供机制上的预测方面很有价值,未来的观察可以与之进行对比。通过不同的方式扰动兴奋性驱动和NMDA受体功能的药理学操作可以澄清MMN缺陷是由兴奋性丧失、突触适应还是受体功能低下更强烈驱动的。通过体外切片记录进一步验证我们的模型,可以测试棘丧失和兴奋性变化如何影响电路层面的SSA和缺失反应。最后,患者分层研究——比较SCZ亚组或遗传风险携带者——可能会揭示特定形式的MMN缺陷(例如,缺失与持续时间异常)是否与特定的细胞表型相关。由于我们的模型可以根据个体基因表达数据进行调整,因此可以个性化预测听觉新颖性检测缺陷,并有助于解开SCZ的异质性。鉴于实验对中心机制的支持以及对所提出群体背后的神经元类别的识别,我们的模型可以结合有针对性的遗传和结构精神病数据重新使用,以更好地解释SCZ中MMN缺陷的机制,为理解该疾病的病理生理学铺平道路。

作者贡献
Ahmed Eissa:概念化(同等贡献);研究(同等贡献);撰写——原始草稿(同等贡献);撰写——审稿和编辑(同等贡献)。
Jan Fredrik Kismul:研究(同等贡献);撰写——审稿和编辑(同等贡献)。
Atle Br?then Pentz:数据管理(同等贡献);撰写——审稿和编辑(同等贡献)。
Torbj?rn Elvs?shagen:概念化(同等贡献);数据管理(同等贡献);资源提供(同等贡献);撰写——审稿和编辑(同等贡献)。
Christoph Metzner:概念化(同等贡献);撰写——审稿和编辑(同等贡献)。
Ibrahim Akkouh:数据管理(同等贡献);撰写——审稿和编辑(同等贡献)。
Srdjan Djurovic:数据管理(同等贡献);资源提供(同等贡献);撰写——审稿和编辑(同等贡献)。
Alexey Shadrin:数据管理(同等贡献);撰写——审稿和编辑(同等贡献)。
Marja-Leena Linne:概念化(同等贡献);撰写——审稿和编辑(同等贡献)。
Gaute T. Einevoll:概念化(同等贡献);撰写——审稿和编辑(同等贡献)。
Ole A. Andreassen:概念化(同等贡献);资源提供(同等贡献);撰写——审稿和编辑(同等贡献)。
Tuomo M?ki-Marttunen:概念化(同等贡献);研究(同等贡献);项目管理(同等贡献);撰写——原始草稿(同等贡献);撰写——审稿和编辑(同等贡献)。

致谢
本研究得到了芬兰科学院(330776, 336376, 和 370305)和柏林爱因斯坦基金会(A-2020-613)的支持。作者希望感谢CSC Finland(项目2003397)和Sigma2 Norway(项目NN9529K/NS9529K)提供的计算资源。数据是在CommonMind联盟的支持下生成的,该联盟得到了Takeda Pharmaceuticals Company Limited、F. Hoffmann-La Roche Ltd以及NIH资助(R01MH085542, R01MH093725, P50MH066392, P50MH080405, R01MH097276, RO1-MH-075916, P50M096891, P50MH084053S1, R37MH057881, AG02219, AG05138, MH06692, R01MH110921, R01MH109677, R01MH109897, U01MH103392)和IRP NIMH的合同HHSN271201300031C的支持。用于研究的脑组织来自以下脑库收藏:Mount Sinai NIH脑和组织存储库、宾夕法尼亚大学阿尔茨海默病核心中心、匹兹堡大学NeuroBioBank和脑组织存储库以及NIMH人类脑收藏核心。CMC领导团队包括:Panos Roussos, Joseph Buxbaum, Andrew Chess, Shahram Akbarian, Vahram Haroutunian(Mount Sinai伊坎医学院),Bernie Devlin, David Lewis(匹兹堡大学),Raquel Gur, Chang-Gyu Hahn(宾夕法尼亚大学),Enrico Domenici(特伦托大学),Mette A. Peters, Solveig Sieberts(Sage Bionetworks),Thomas Lehner, Stefano Marenco, Barbara K. Lipska(NIMH)。开放获取出版由Tampereen yliopisto和Tampereen ammattikorkeakoulu提供,作为Wiley - FinELib协议的一部分。

伦理声明
本研究仅使用了CommonMind联盟先前收集的、完全匿名化的数据,没有涉及任何新的人类参与者或新的数据收集。根据适用的机构政策,这种二次分析不需要IRB或同等机构的伦理批准。

利益冲突
T.E.从Cumulus Neuroscience Ltd.和Sumitomo Pharma America, Inc.获得了酬金。O.A.A.是HealthLytix的顾问,并从Lundbeck和Sunovion获得了演讲酬金。

数据可用性声明
支持本研究发现的数据可以从ModelDB模型仓库获取(https://modeldb.science/2019882)。

同行评审
本文的同行评审历史可在https://publons.com/publon/10.1111/ejn.70453查看。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号