一种基于图像计算的视网膜空间-色觉感受野模型,用于描述视网膜上侏儒型视网膜神经节细胞组成的镶嵌结构
《Journal of Computational Neuroscience》:An image-computable spatio-chromatic receptive field model of the midget retinal ganglion cell mosaic across the retina
【字体:
大
中
小
】
时间:2026年04月02日
来源:Journal of Computational Neuroscience 2
编辑推荐:
摘要
目前尚不存在能够综合考虑光学、解剖学和生理学特性的灵长类视网膜神经节细胞(RGC)马赛克图像计算模型。这些模型能够处理由空间-光谱辐射度定义的图像。在此,我们提出了一种新的计算框架,该框架通过整合已发表的解剖学、生理学和光学测量数据(这些数据均随偏心率变化),合成ON型
摘要
目前尚不存在能够综合考虑光学、解剖学和生理学特性的灵长类视网膜神经节细胞(RGC)马赛克图像计算模型。这些模型能够处理由空间-光谱辐射度定义的图像。在此,我们提出了一种新的计算框架,该框架通过整合已发表的解剖学、生理学和光学测量数据(这些数据均随偏心率变化),合成ON型侏儒RGC(mRGC)的线性空间-色觉感受野(RF)马赛克。我们利用合成的mRGC马赛克来模拟体内和体外的生理实验,并证明了该模型与现有数据的一致性。该模型能够计算出mRGC的线性空间-色觉处理阶段所提供的视觉信息表示如何影响视觉表现。所开发的计算框架仔细考虑了生理光学对mRGC反应的影响,实现了体内和体外数据的比较,并允许探索关于RF组织的不同假设(例如RF中心机制汇总的锥细胞类型的选择性)如何影响生理反应和心理物理表现。这个开源且免费提供的实现为理解mRGC的线性空间-色觉感受野表示如何塑造视觉表现提供了平台,同时也为未来结合响应非线性、时间滤波以及扩展到其他RGC马赛克的研究奠定了基础。
1 引言
在计算视觉神经科学中,一个重要目标是创建准确的计算机模拟,以了解视觉通路中的神经元如何编码和响应视觉场景。这些模拟通常被称为“数字孪生”,是对视觉系统的定量描述。它们能够建立神经表示与感知之间的联系,并为评估致盲疾病及其治疗效果提供工具。
在过去的十年中,我们构建了一个开源软件平台ISETBio(Image Systems Engineering Tools for Biology)(Wandell等人,2022年),该平台作为人类视觉系统初始阶段的数字孪生。此前,我们描述了ISETBio如何模拟(a)视网膜图像的形成,(b)锥光感受器的兴奋,(c)光转导,以及(d)注视眼动(Cottaris等人,2019年,2020年;Lian等人,2019年)。我们和其他人使用ISETBio来模拟人类视觉,包括对空间对比度的敏感性(Cottaris等人,2019年,2020年),色差对视力的影响(Nankivil等人,2024年),锥细胞捕获的自然图像信息的编码(Zhang等人,2022年),光学特性和视野中锥细胞密度对表现的影响(Kupers等人,2019年),以及初始视觉信号对判断表面属性和照明等任务的影响(Ding等人,2019年;Singh等人,2018年)。我们还使用ISETBio来帮助解释视网膜神经节细胞的实验测量结果(Godat等人,2022年)。
在这里,我们描述了ISETBio的一个扩展版本,该版本模拟了一类视网膜神经节细胞(RGC)——侏儒RGC(mRGC)的马赛克。RGC是从视网膜到大脑的信息传输的唯一途径,它们的特性肯定会影响许多任务的视觉表现。通过构成人类视神经的100万个RGC的轴突传输的脉冲列,代表了大约650万个锥细胞和1.1亿个杆细胞的信号(Osterberg & Andersen,1935年;Polyak,1941年)。在这些RGC中,mRGC是一个特别重要的亚型,占中央凹RGC的80%和周围RGC的45%。在非常中心的中央凹区域,估计mRGC占RGC总数的95%(Dacey,1993年)。
mRGC在限制空间视觉和色觉中的作用仍有争议(Patterson等人,2019年)。使用mRGC马赛克的图像计算模型来模拟性能是一个强大的工具,因为这些细胞在实验上非常难以测量和分离。我们这个人类视网膜模型有四个主要目标:
首先,模型必须区分眼睛的光学特性和光感受器的贡献与随后的视网膜后回路。这种分离对于整合关键的生理测量数据至关重要,其中一些测量是在没有眼睛光学特性的情况下在体外进行的。如果不能分离光学效应,我们将无法使用这些重要的数据。
其次,模型必须捕捉中央视网膜大部分区域的反应。这很重要,因为我们对视网膜表示如何影响不仅在中央凹而且在周边视野中的表现感兴趣。
第三,模型必须整合多种类型的数据,包括光学、解剖学和生理学测量数据。一个全面的公式是必要的,因为视网膜神经节细胞(RCG)的反应受到这三个因素的共同影响。
第四,我们希望构建一个可扩展的框架。当前的实现使用了线性空间-色觉感受野,这是一个很好的初步近似。该框架旨在随着时间的推移整合未来的扩展——如响应非线性、时间动态和额外的RGC类别——以提高模型的准确性。以下内容描述了我们的实现如何实现这些目标。
1.1 分离表示
我们的mRGC模型处理锥细胞马赛克信号。这种设计将视网膜后回路(从锥细胞到mRGC)分离出来,这是在去除眼睛光学特性的体外实验中测量的通路(Field等人,2010年;Wool等人,2018年)。这种分离也有助于解释使用自适应光学消除光学模糊的实验(Godat等人,2022年)。虽然这些组件是可分离的,但我们的实现将光学特性、锥细胞采样和mRGC回路整合成一个完整的、可计算的流程。这个完整的通路使我们能够模拟视觉刺激转化为mRGC反应的过程,匹配体内测量的条件(Croner & Kaplan,1995年;Lee等人,2012年;Reid & Shapley,1992年),并能够预测人类在自然视觉条件下的表现。
1.2 视野范围内的表示
视觉表现随视野范围而变化,我们模型的一个关键贡献是它允许连续计算从中央凹到30°范围内的视网膜上的mRGC表示。实现这一目标需要开发新的算法来合成mRGC RF马赛克。
1.3 多种数据类型
通过明确表示不同的生物阶段,我们的模型使得算法能够结合解剖学、生理学和光学数据。整合文献中的多种类型测量数据至关重要,因为目前没有任何一种数据类型能够充分约束视野范围内mRGC的特性。
1.4 可扩展性
当前的实现是一个线性空间池化模型,对于对比度适中的刺激来说是一个有用的近似。软件的模块化设计为未来的扩展提供了基础。我们可以整合已知的非线性特性,这些特性会影响mRGC的反应,包括光转导效应(Chen等人,2024年)、空间和静态非线性(这些特性在ON和OFF通路之间通常不同(Freeman等人,2015年;Hong & Rieke,2024年;Raghavan等人,2023年;Turner & Rieke,2016年)、时间动态(Benardete & Kaplan,1997年)以及响应噪声(Croner等人,1993年)。此外,mRGC模型也是开发其他类型RGC模型的合适基础,例如伞状细胞和双层细胞(Kling等人,2024年)。
1.1 模型概述
图1提供了模型概述。计算从图像的空间-光谱辐射度开始,例如由校准过的显示器产生的辐射度。使用包括色差和透镜光谱过滤的人类光学模型来计算视网膜辐照度。视网膜辐照度经过黄斑色素的光谱过滤,然后由锥光感受器马赛克进行空间和光谱采样。光学特性、黄斑色素和锥细胞马赛克的参数都根据文献中的测量结果在视野范围内变化(Cottaris等人,2019年)。
图1
完整尺寸图像
模型概述。现有的ISETBio模型计算锥细胞兴奋的马赛克。通过将mRGC的RF中心和周围子区域连接到锥细胞马赛克来获得mRGC模型。连接矩阵受到解剖学的约束,并通过生理测量的前向模拟进行优化,以确保合成的mRGC与视野范围内的光学、解剖学和生理数据一致。
mRGC马赛克扩展由空间感受野(RF)组成,其中心和周围区域的反应是来自锥细胞马赛克信号的总和。输入锥细胞马赛克与mRGC马赛克之间的连接最初基于解剖学约束确定,例如锥细胞和mRGC的密度,然后使用优化算法进行细化,以使模型的空间RF特性与生理测量结果一致。
一个关键挑战是缺乏可用于直接确定两个马赛克之间连接的体外生理数据。为了解决这个问题,我们的框架主要利用更广泛可用的体内数据来推导连接,同时在存在体外数据的情况下验证合成模型。结果模型与锥细胞的光编码、解剖学特性(包括mRGC和H1水平细胞的特性)以及体外和体内的生理数据都一致。这使得该模型能够灵活地模拟体内、体外和自适应光学条件下的视觉刺激。
1.1.1 与先前RGC计算模型的关系
我们不是第一个构建哺乳动物RGC计算模型的团队(Ly等人,2025年;Pillow等人,2005年;Somaratna & Freeman,2025年;Wohrer & Kornprobst,2009年)。我们的工作在这些早期努力的基础上进行了扩展,因为我们以这些模型未涵盖的方式扩展了RGC建模。更具体地说,据我们所知,没有先前的RGC图像计算模型试图真实地捕捉视觉系统前端编码的效果,特别是生理光学的偏心率和波长变化特性,以及锥细胞马赛克的偏心率变化的空间-色觉特性。相反,之前的RGC模型要么没有包含光学特性(Ly等人,2025年;Wohrer & Kornprobst,2009年),要么使用了简化的光学模型(Somaratna & Freeman,2025年)。同样,之前的RGC模型要么没有包含锥细胞马赛克(Wohrer & Kornprobst,2009年),要么使用了简化的锥细胞马赛克模型(Ly等人,2025年;Somaratna & Freeman,2025年)。最后,之前的模型处理的刺激是由无色光强度指定的,而不是光谱辐射度(Ly等人,2025年;Somaratna & Freeman,2025年;Wohrer & Kornprobst,2009年)。因此,之前的模型没有捕捉到刺激与生理光学之间的丰富空间-色觉相互作用及其联合效应如何影响RGC反应。实际上,我们最近已经表明,刺激与生理光学之间的空间-色觉相互作用可以对侏儒神经节细胞的反应特性产生深远影响(Cottaris等人,2024年)。
另一方面,之前的RGC计算模型关注的是RGC回路的其他重要组成部分,而我们的线性空间-色觉模型并未涉及这些内容。这些过程包括视网膜中间神经元的处理(Hennig等人,2002年;Ly等人,2025年;Somaratna和Freeman,2025年;Wohrer和Kornprobst,2009年)、时间动态(Hennig等人,2002年;Ly等人,2025年;Somaratna和Freeman,2025年;Wohrer和Kornprobst,2009年)、对比度颗粒控制(Pillow等人,2005年;Wohrer和Kornprobst,2009年)以及脉冲生成(Ly等人,2025年;Pillow等人,2005年;Wohrer和Kornprobst,2009年)。这些方向可以有益地整合到我们的建模工作中,如第4.2.2.1.1节所概述的。本文的其余部分组织如下:在第2节中,我们描述了模型的构建阶段,包括如何根据解剖数据生成mRGC感受野网格(第2.1节),如何使用解剖和生理约束将锥细胞连接到mRGC感受野中心(第2.2节),以及如何通过优化体内数据来推导锥细胞与mRGC感受野周围的连接(第2.3节)。在第3节中,我们展示了模型的首次应用,验证并讨论了这些应用。具体来说,我们展示了合成的mRGC感受野的例子(第3.1节),确认了模型中的mRGC空间感受野与体内数据(第3.2节)和体外数据(第3.3节)的一致性,展示了生理光学的显著影响(第3.4节),以及更简单的高斯差分模型如何无法捕捉到真实的周围细胞池化现象(第3.5节)。最后,我们展示了如何使用该模型来估计mRGC马赛克对视野中空间色觉对比度的贡献(第3.6节)。在第4节中,我们总结了我们的工作,讨论了模型当前阶段的应用情况,以及模型的现有局限性和计划中的扩展。
2 方法
mRGC感受野马赛克的合成分为三个阶段。在第一阶段,我们生成代表mRGC马赛克中细胞感受野中心的空间网格以及为mRGC马赛克提供输入的锥细胞在锥细胞马赛克中的位置。在第二阶段,我们将输入的锥细胞马赛克连接到mRGC马赛克中细胞的感受野中心。在第三阶段,我们将输入的锥细胞马赛克连接到mRGC马赛克中细胞的感受野周围区域。
2.1 生成mRGC感受野中心的空间位置网格(第1阶段)
我们首先生成一个代表mRGC感受野中心(x, y)位置的网格。这个过程包括三个子阶段,其组成部分在图2中有所说明。第1A阶段:我们估计沿四个主要子午线(0°、90°、180°和270°)的mRGC感受野中心密度。这些估计基于人类数据(Curcio和Allen,1990年;Watson,2014年)。我们假设ON中心的mRGC密度是总mRGC密度的一半,忽略了ON中心和OFF中心mRGC之间可能的密度差异。子午线函数在图2A中显示。第1B阶段:我们生成一个连续的二维地图,代表mRGC感受野密度图,如图2B所示。该地图是通过线性插值子午线估计值创建的,作为下一阶段网格合成算法的目标。第1C阶段:我们合成一个采样网格,代表mRGC感受野中心的(x, y)位置。该网格使用我们在早期工作中引入的迭代算法(Cottaris等人,2019年)来生成锥细胞马赛克,用目标mRGC感受野密度图替换二维锥细胞密度图。经过大约1,300次迭代后,可以获得一个典型的mRGC感受野位置网格,其密度在空间上平滑变化,与目标密度相匹配,如图2C和G所示。分别在图2D和E中展示了沿时间水平子午线在0°和20°偏心率处合成的mRGC感受野中心的示例网格。使用人类视网膜中锥细胞光感受器的子午线密度作为目标,采用相同的程序生成代表锥细胞(x, y)位置的网格。合成后的锥细胞网格中的锥细胞密度也在空间上平滑变化,并与目标密度紧密匹配,如图2F和H所示。
图2
全尺寸图像
偏心率变化的mRGC感受野位置网格。A:mRGC感受野的子午线密度函数(Watson,2014年)。B:通过插值四个子午线密度得到的二维mRGC感受野密度图。C:沿水平子午线的mRGC感受野中心的实际密度和目标密度(分别为绿色圆盘和白色虚线)。D和E:分别沿时间子午线在0°和20°偏心率处的\(2^{\circ} \times 1^{\circ}\) mRGC感受野中心网格示例。F:沿水平子午线的锥细胞的实际密度和目标密度(分别为紫红色圆盘和白色虚线)。G和H:中心5°2范围内的mRGC和锥细胞的实际密度和目标密度。
2.2 将锥细胞连接到mRGC感受野中心(第2阶段)
锥细胞与mRGC中心之间的连接受到(1)视网膜上的解剖数据限制,特别是mRGC感受野中心与锥细胞密度的比率(Watson,2014年),以及(2)来自周边视网膜的体外生理数据限制,这些数据表明:与从所有三种锥细胞类型中无差别地接收信号的OFF中心mRGC不同(Field等人,2010年;Klug等人,2003年;Patterson等人,2019年),ON中心mRGC仅从L型和M型锥细胞接收信号;(b)量化了相邻mRGC感受野中心之间的重叠程度(Gauthier等人,2009年)。锥细胞马赛克与ON中心mRGC感受野中心之间的连接在三个子阶段中建立,这里进行了总结。第2A阶段:在第一个子阶段,输入锥细胞马赛克中的每个L型和M型锥细胞都连接到一个mRGC感受野中心;一个mRGC感受野中心可以接收来自多个锥细胞的输入。在这个子阶段,每个连接的锥细胞都有单位连接权重。S型锥细胞不参与连接,因为它们不贡献于ON中心mRGC。关于这个子阶段的算法细节在补充部分A.1中提供。第2B阶段:初始的锥细胞到感受野中心的连接通常会导致相邻mRGC感受野中心的组成不均匀。这些不均匀性在第二个子阶段得到处理。在这里,锥细胞到感受野中心的连接被细化,以在mRGC感受野中心的空间紧凑性和光谱纯度之间建立平衡,这由一个参数φ量化。对于本工作的主体,所有mRGC马赛克都是通过最大化空间紧凑性来生成的,但也可以选择最大化光谱纯度,以测试mRGC感受野中心可能在一定程度上偏向于选择性地池化某些类型的锥细胞的不同情景(Field等人,2010年;Wool等人,2018年)。在这个子阶段,锥细胞保持它们的单位连接权重。关于这个子阶段的算法细节在补充部分A.2中提供。第2C阶段:在第三个子阶段,取消子阶段2A和2B中实施的互斥性约束,允许单个锥细胞连接到多个附近的mRGC感受野中心。这种分散的程度随视网膜偏心率的变化而变化,在中央凹最小,并向周边增加以匹配实验观察结果(Gauthier等人,2009年)。这是通过改变描述锥细胞到感受野中心的空间加权轮廓的超高斯分布的指数来实现的,在这个子阶段,这种分布变得非二进制的。关于这个子阶段的算法细节在补充部分A.3中提供。我们通过检查每个子阶段合成的mRGC感受野中心马赛克的关键属性来说明第2阶段。
2.2.1 仅具有收敛连接的锥细胞马赛克(第2A阶段)
在这个子阶段结束时,沿时间水平子午线在四个偏心率处合成的感受野中心马赛克示例在图3中展示,其中每个绿色椭圆代表单个mRGC的感受野空间的范围。在这个阶段,每个锥细胞的池化权重为单位。
图3
全尺寸图像
第2A阶段的mRGC感受野中心马赛克。每个面板显示了一个\(3.0^o \times 0.5^o\)的mRGC感受野中心马赛克,位于从中央凹到周边的不同视野位置。绿色椭圆表示由单个感受野中心汇集的所有锥细胞的空间区域。A:中央凹马赛克,其中感受野中心接收来自单个L型或M型锥细胞的信号。B:位于时间水平子午线\(6.0^o\)处的马赛克,其中感受野中心接收来自2-3个L/M型锥细胞的信号。C:位于时间水平子午线\(12.0^o\)处的马赛克,其中感受野中心接收来自3-4个L/M型锥细胞的信号。D:位于时间水平子午线\(20.0^o\)处的马赛克,其中感受野中心接收来自6-9个锥细胞的信号。
对于图3A中显示的中央凹马赛克,感受野中心仅连接到一个锥细胞。注意,当我们向图3A的左侧和右侧的旁中央凹区域移动时,感受野中心的大小会增加。这是由于输入锥细胞马赛克中锥细胞孔径随偏心率的增加而连续增大。这个中央凹mRGC感受野中心马赛克中的空白区域对应于模型未汇集的S型锥细胞的位置。
在图3B中显示的旁中央凹马赛克中,感受野中心主要接收来自两个锥细胞的输入,而在图3C和D中显示的更外围的马赛克中,感受野中心连接到多个锥细胞。请注意,连接到感受野中心的锥细胞数量并不完全对应于感受野中心的大小,因为锥细胞孔径和锥细胞之间的间距都随偏心率增加。然而,在所有偏心率下,mRGC感受野中心马赛克都无空间重叠或空隙地覆盖了视网膜空间,除了S型锥细胞所在的稀疏位置。
图4
全尺寸图像
第2B阶段的mRGC感受野中心马赛克。这里显示的是\(3.0^o \times 0.5^o\)的mRGC马赛克,每个马赛克都位于时间水平子午线的12°处,但在不同的空间紧凑性和光谱纯度\(\phi\)值下合成。A:\(\phi = 1.0\)(最大空间紧凑性)。B:\(\phi = 0.5\)。C:\(\phi = 0\)(最大光谱纯度)。A和C中的插图显示了黄色方框内两个相邻mRGC感受野中心内的锥细胞池化情况。C中的插图展示了算法如何通过避免接近感受野中心的不同类型锥细胞来引入感受野中心的重叠和空间无序,以最大化感受野中心的光谱纯度。
2.2.2 在不同空间紧凑性/光谱纯度权衡下合成的马赛克(第2B阶段)
这个子阶段允许对mRGC感受野内的锥细胞池化进行不同的优化,这由空间紧凑性/光谱纯度权衡参数\(\phi\)控制。在这个阶段,每个锥细胞的池化权重仍然设置为单位,与\(\phi\)的值无关。
图4展示了所有在时间子午线12°处合成的mRGC感受野中心马赛克的示例,但在不同的\(\phi\)值下合成。图4A展示了在\(\phi = 1\)下合成的马赛克,此时空间紧凑性最大,不强制执行光谱纯度约束。注意,感受野中心在视野中相对均匀地分布,没有重叠。图4B和C展示了随着\(\phi\)减小到0.5和0.0时合成的马赛克,这逐渐加强了感受野中心与相同类型锥细胞的连接。注意,这是以牺牲空间紧凑性为代价的,这从感受野中心增加的空间无序和重叠中可以看出。
通过改变\(\phi\),我们可以研究锥细胞选择性池化对mRGC感受野空间结构以及mRGC通路中的空间色觉处理可能产生的影响。目前关于周边mRGC感受野中心的电生理学证据表明选择性锥细胞池化较少(Field等人,2010年;Kling等人,2020年;Wool等人,2018年),即\(\phi\)值约为1。然而,对于更中心位置的锥细胞类型选择性程度则不太确定。例如,有解剖学证据表明中央凹的ON中心mRGC接触多个ON型锥细胞双极细胞,而OFF中心mRGC接触单个OFF型锥细胞双极细胞(Kolb和Marshak,2003年),还有电生理学证据表明旁中央凹mRGC的感受野中心似乎从多个锥细胞汇集信号(McMahon等人,2000年)。总体而言,关于那些在视网膜中心(RF中心)中汇集了来自多个锥细胞的中央凹(foveal mRGCs)是否选择性地进行这种汇集的问题仍然没有得到解答。我们的建模方法允许我们探索在任何视网膜偏心位置上选择性地汇集锥细胞的好处和权衡,尽管在本文中我们并没有进行这样的探索。
2.2.3 具有不同锥细胞连接的马赛克(阶段2C)
在建立mRGC RF中心与输入锥细胞马赛克之间连接的最后阶段,互斥性约束被解除,单个锥细胞被允许连接到多个附近的mRGC RF中心。这种锥细胞连接的多样性是通过用超高斯分布(supra Gaussian distribution)替换mRGC RF中心中的锥细胞汇集权重二进制分布来实现的,如图5所示。
图5
全尺寸图像
具有不同锥细胞连接的mRGC RF中心马赛克(阶段2C)。A:mRGC RF中心中锥细胞汇集权重的超高斯分布指数随偏心度的变化。在中央视网膜,指数被设置为10,导致权重分布平坦且没有重叠(灰色直方图)。随着偏心度的增加,指数逐渐减小,在大约15°时达到2.0(红色直方图)。B:由于超高斯分布,锥细胞汇集权重从二进制的互斥连接(灰色直方图)转变为非二进制的共享锥细胞连接(蓝色直方图)。插图展示了具有二进制和非二进制权重的锥细胞的空间排列。C、D和E:分别对应于10°、13°和18°沿时间水平子午线的马赛克,这些马赛克的锥细胞具有不同的连接方式。RF中心的椭圆包含了汇集权重≥0.1的锥细胞集合。F:与C相同的马赛克,但椭圆显示了汇集权重≥e^-0.5的锥细胞。
图5A展示了如何通过改变超高斯分布的指数来实现相邻mRGC RF中心之间逐渐增加的重叠。在中央视网膜,指数保持在10,导致权重分布平坦且相邻RF中心之间的重叠最小(图5A插图中的灰色直方图)。当偏心度超过7°时,指数减小,并在大约15°时趋近于2,导致权重分布呈高斯分布且相邻RF中心之间有显著的重叠(图5A插图中的红色直方图)。
据我们所知,目前没有关于锥细胞连接到附近mRGC RF中心的多样性随偏心度变化的生理学数据。我们实现了偏心度变化的指数,以此来平滑连接中央凹(在那里midget RF中心接收单个锥细胞输入)与周边区域(在那里mRGC RF中心之间的重叠程度已被表征)之间的差距(Kolb & Marshak, 2003; McMahon et al., 2000)。图5B展示了位于12°偏心度的mRGC的锥细胞汇集权重从二进制的互斥连接(灰色直方图)转变为非二进制的共享连接(蓝色直方图)的过程。
图5C–E展示了在三个不同偏心度下合成的具有不同连接的马赛克。在这些马赛克图中,每个绿色椭圆代表了由单个mRGC的RF中心汇集的所有锥细胞的空间范围,其汇集权重≥0.1。对于位于10°的马赛克(图5C),锥细胞连接的多样性刚刚开始。随着偏心度从右侧的9°增加到左侧的11°,RF中心之间的重叠增加。对于位于大约13°的马赛克(图5D),锥细胞多样性和RF中心之间的重叠更高,并且随着偏心度的增加而进一步增加。对于位于大约18°的马赛克(图5E),锥细胞连接的多样性已经趋于稳定,RF中心之间的重叠保持不变。
最后,图5F提供了一个与体外RF映射研究(Gauthier et al., 2009)中常见的可视化结果相似的视图。它展示了与图5D相同的马赛克,但椭圆包含了汇集权重≥e^-0.5(约0.67)的锥细胞。这种表示方式使得重叠在视觉上不那么明显。
2.3 将锥细胞连接到mRGC RF周围区域(阶段3)
2.3.1 概述
在mRGC马赛克合成的最后阶段,我们推导了mRGC RF周围区域的锥细胞汇集权重。由于没有关于周围区域大小的明确解剖学数据,这些权重是通过体内对猕猴mRGC视觉空间参考空间传递函数(\(\textrm{vSTF}(\omega )\)的表征来确定的,即mRGC细胞对刺激空间频率\(\omega \)的响应幅度变化。我们使用了Croner和Kaplan(1995)的表征,他们测量了广泛偏心度范围内mRGC群体的\(\textrm{vSTF}(\omega )\)。
我们通过数值优化将这些数据纳入模型。更具体地说,我们确定了锥细胞到mRGC RF周围区域的连接方式,以便通过模型最好地再现Croner & Kaplan的体内生理实验结果。这种方法允许我们使用通过生理光学收集的数据来确定锥细胞到mRGC RF周围区域的连接方式,这些数据以偏心度和波长依赖的方式模糊了刺激。
重要的是,优化是在遵循第2阶段建立的锥细胞马赛克与mRGC RF中心之间的连接性的同时进行的。同时,周围区域权重的空间分布的参数形式基于Packer和Dacey对猕猴H1水平细胞的空间RF的表征(Packer & Dacey, 2002),这些是线性空间mRGC RF周围区域的主要组成部分(Smith et al., 1992)。围绕实验的正向模拟进行优化,以整合来自多个不同来源的数据,这是我们RGC建模方法的一个重要创新。阶段3分为三个子阶段。阶段3A:我们首先计算用于测量猕猴mRGC中\(\textrm{vSTF}\)的刺激的视觉空间参考锥细胞马赛克响应。这是通过使用人类生理光学系统向视网膜呈现不同空间频率的消色光栅来完成的(Polans et al., 2015)。我们使用人类光学系统作为猕猴光学系统如何模糊Croner和Kaplan(1995)使用的刺激的代理。阶段3B:我们为合成mRGC马赛克的一部分目标细胞推导出周围锥细胞汇集函数,这些目标细胞覆盖了合成mRGC马赛克的整个范围。这种优化是为了使后续的目标细胞具有(a)能够用高斯差分(DoG)模型很好地近似的\(\textrm{vSTF}\)特性,(b)DoG模型的参数与Croner和Kaplan报告的相应偏心度下猕猴mRGC的DoG模型参数相匹配,同时(c)它们的周围锥细胞汇集权重保持Packer和Dacey所表征的猕猴H1样的空间特性。阶段3C:我们通过评估每个mRGC的输入锥细胞马赛克附近的周围锥细胞汇集函数来计算合成mRGC马赛克中所有细胞的周围锥细胞汇集权重,然后插值不同汇集函数计算出的权重。在周围与中心权重比率中加入少量抖动,以模拟猕猴数据中观察到的集成周围与中心比率的变化。
2.3.2 计算用于测量猕猴mRGC中vSTFs的刺激的视觉空间参考锥细胞马赛克响应(阶段3A)
我们使用ISETBio设备来计算通过生理光学系统传递到视网膜的不同空间频率的消色光栅的输入锥细胞马赛克的兴奋。这个过程捕捉了场景辐射转换为锥细胞响应时的几个关键空间-颜色效应:生理光学系统的空间和颜色过滤、眼睛惰性色素的光谱过滤,以及交错的三色锥细胞马赛克的采样。为了模拟光转导过程,锥细胞兴奋响应被转换为锥细胞调制响应。
在这些计算中,我们使用与每个合成mRGC的偏心度相匹配的人类生理光学系统,但我们调整了模型光学的散焦项,以最大化Strehl比率。Strehl比率定义为在焦点波长550 nm处光学点扩散函数(PSF)的峰值灵敏度与衍射极限PSF的峰值灵敏度之比。这是作为Croner和Kaplan实验范式的代理,他们在实验中使用了矫正透镜来最大化高空间频率下的细胞响应(与已故的Ehud Kaplan的个人交流)。
2.3.3 为部分目标合成mRGC推导周围锥细胞汇集函数(阶段3B)
Croner和Kaplan通过测量mRGC群体的\(\textrm{vSTF}\)并拟合DoG模型来报告了它们的空间RF特性。在空间频率\(\omega \)域中定义的\(\textrm{DoG}\)模型如下:
$$\begin{aligned} \textrm{DoG}(\omega ) = K_c \cdot R_c^2 \cdot \exp { [-\pi \cdot R_c \cdot \omega ]^2 } - K_s \cdot R_s^2 \cdot \exp { [-\pi \cdot R_s \cdot \omega ]^2 } \end{aligned}$$
其中\(K_c\)和\(K_s\)是RF中心和RF周围机制的峰值灵敏度,\(R_c\)和\(R_s\)是相应的特征半径。
图6
全尺寸图像
通过Croner和Kaplan的vSTF测量结果的正向模拟来推导mRGC周围区域的锥细胞权重。A:典型的猕猴mRGC \(\textrm{vSTF}\)(青色圆盘)用高斯差分模型(粗黑线)拟合。模型的中心和周围部分分别由细黑线和虚线表示。B1和B2:Croner和Kaplan(1995)记录的mRGC群体中周围与中心特征半径的比率\(R_s/R_c\),以及周围与中心积分灵敏度的比率\(K_s/K_c \times R_s^2/R_c^2\)作为偏心度的函数。虚线表示这两个比率随偏心度的变化趋势。青色圆盘表示A中所示示例\(\textrm{vSTF}\)的比率。C:通过Croner和Kaplan的vSTF测量结果的正向模拟来描绘合成mRGC中周围锥细胞汇集权重的迭代估计。更多细节见文本描述。
图6A展示了典型猕猴mRGC的\(\textrm{vSTF}\),用青色圆盘表示。实线粗线表示拟合的DoG模型,其中中心和周围部分分别由细实线和虚线表示。\(\textrm{vSTF}\)的形状由两个关键指标决定:周围与中心特征半径的比率\(R_s/R_c\),以及周围与中心积分灵敏度的比率\(K_s/K_c \times (R_s/R_c)^2\)。Croner和Kaplan记录的mRGC群体中这两个比率的分布分别由图6B1和B2中的灰色方块表示。这两个比率的平均变化以虚线显示,这些是用于推导合成mRGC中周围锥细胞汇集权重的目标值。
图6C示意性地展示了推导mRGC RF周围锥细胞汇集函数的优化过程。目标合成mRGC的\(\textrm{vSTF\)是通过Croner和Kaplan的实验正向模拟计算得出的。图6C的矩形面板中,红色和绿色轨迹分别表示输入锥细胞马赛克中的L-和M-锥细胞对空间频率\(\omega \)的漂移光栅刺激的响应时间过程\({\mathrm R}_{\textrm{cones}}(\omega ,t)\)。使用第2阶段计算的RF中心锥细胞汇集权重对这些锥细胞响应进行空间加权求和,以计算RF中心的响应\({\mathrm R}_{\textrm{center}}(\omega ,t)\)。这个操作在周围优化的整个过程中是固定的。
为了计算周围锥细胞汇集权重的空间分布,我们采用了一个参数形式,该形式基于Packer和Dacey(2002)对H1水平细胞的空间RF特性的表征,由一个窄指数空间成分和一个宽指数空间成分之和描述。具体来说,$$\begin{aligned} {\mathrm W}_s(r) = K_{\textrm{wide}} \times \exp \left[ -r/R_{\textrm{wide}} \right] + K_{\textrm{narrow}} \times \exp \left[ -r/R_{\textrm{narrow}} \right] \end{aligned}$$ (2)其中 r 是从射频(RF)中心出发的径向距离,\(K_{\textrm{wide}}\) 和 \(K_{\textrm{narrow}}\) 分别代表宽成分和窄成分的峰值灵敏度,\(R_{\textrm{wide}}\) 和 \(R_{\textrm{narrow}}\) 是相应的特征半径。从双指数分布的随机初始参数开始,我们通过在围绕 RF 中心的输入锥体马赛克附近评估 \(\textrm{W}_s(r)\) 来计算周围锥体权重的初始估计值。这些权重在图 6C 的左上角圆形面板中显示(标记为 \(i = 1\),i 表示迭代次数)。使用这些初始权重,我们计算周围锥体响应的加权和,以得出周围响应的初始估计值 \(\textrm{R}_{\textrm{surround}}(\omega ,t)\)。这个操作由图 6C 中的蓝色计算臂表示。合成 mRGC 的复合响应是通过从中心响应中立即减去周围响应得到的:$$\begin{aligned} {\mathrm R}_{\textrm{mRGC}}(\omega , t) = {\mathrm R}_{\textrm{center}}(\omega , t) - {\mathrm R}_{\textrm{surround}}(\omega , t) \end{aligned}$$ (3)\({\mathrm R}_{\textrm{mRGC}}(\omega , t)\) 的振幅调制被视为合成细胞的视觉空间参考的 STF,即 \(\textrm{vSTF}_{\textrm{mRGC}}(\omega )\)。通过对一系列空间频率进行重复,我们得到了完整的 \(\textrm{vSTF}_{\textrm{mRGC}}\) 的初始估计值,它在图 6C 的右上角矩形面板中以灰色圆盘显示,标记为 \(i = 1\)。根据 Croner 和 Kaplan 的实验程序,我们用 DoG 模型拟合计算出的 \(\textrm{vSTF}_{\textrm{mRGC}}(\omega )\)。DoG 拟合由图 6C 右上角矩形面板中的实线灰色线表示。注意,在这个过程中,我们限制 DoG 模型的形状参数 \(R_s/R_c\) 和 \(K_s/K_c \times R_s^2/R_c^2\),使其都位于猕猴 mRGC 在相应偏心率下报告的 \(R_s/R_c\) 和 \(K_s/K_c \times R_s^2/R_c^2\) 比值的狭窄范围内(Croner & Kaplan, 1995)。由于这个限制,在第一次迭代中,计算出的 \(\textrm{vSTF}_{\textrm{mRGC}}\) 与 DoG 模型拟合之间的残差很大。这个残差 \(||\textrm{vSTF}_{\textrm{mRGC}} - \textrm{DoG} ||\),在图 6C 的最右侧面板中用黄色条表示,作为优化周围权重的误差信号。算法通过调整控制周围权重的 \(\mathrm W_s(r)\) 的参数来最小化这个误差信号。这种调整也是受限的,以确保 \(\mathrm W_s(r)\) 的参数保持在猕猴 H1 水平细胞报告的值范围内(Packer & Dacey, 2002)。当 \(||\textrm{vSTF}_{\textrm{mRGC}} - \textrm{DoG} ||\) 达到最小值时,在图 6C 的迭代 \(i = N\) 中,我们得到了目标合成 mRGC 的优化周围锥体池化函数。关于这种周围优化方法的更多细节在补充部分 B.1.2.4 中提供。为马赛克中的每个细胞推导周围锥体池化权重(阶段 3C)周围锥体池化函数的优化是一个计算成本较高的过程。因此,它在稀疏的空间网格上进行(具有 \(N_{xy}\) 个节点),该网格涵盖了合成 mRGC 马赛克的空间范围。在空间网格的每个节点上,我们确定附近合成 mRGC 的 RF 中心锥体数量的范围,并为遇到的每个 RF 中心锥体数量(\(N_{c}\))推导出优化的周围锥体池化函数,我们这样做两次,一次针对 L-锥体主导的 RF 中心,一次针对 M-锥体主导的 RF 中心。一旦得到了这些 \(N_{xy} \times N_{c} \times 2\) 个周围锥体池化函数,我们就为所有合成 mRGC 计算周围锥体池化权重。对于每个合成 mRGC,我们确定 3 个最近的空间网格节点,并提取在该节点为与被检查 mRGC 的锥体数量匹配的锥体数量推导出的优化周围锥体池化函数,包括 L-锥体和 M-锥体 RF 中心主导的变体。然后我们在被检查 mRGC 附近的输入锥体马赛克中评估这六个优化的周围锥体池化函数,从而得到六组周围锥体池化权重。被检查细胞的周围锥体池化权重是通过在空间上插值这 6 组权重来确定的,插值的权重与被检查 mRGC 位置和优化模型位置之间的距离成反比,并且在光谱上根据被检查 mRGC 的 RF 中的相对 L-锥体/M-锥体权重比进行加权。2.4.1 调整周围池化方差生成 mRGC RF 周围的最后一步是对每个 mRGC 的所有周围池化权重应用一个噪声标量乘数。选择这个标量的值是为了使合成 mRGC 的周围与中心积分灵敏度比率 \(K_s/K_c \times (R_s/R_c)^2\) 的方差与 Croner 和 Kaplan 在相应偏心率下记录的猕猴 mRGC 群体的方差相匹配。操纵 \(K_s/K_c \times (R_s/R_c)^2\) 方差不需要重新计算周围池化函数。这与操纵 \(R_s/R_c\) 比率的方差不同,后者需要重新计算周围池化函数。2.5 从锥体马赛克响应计算 mRGC 响应一个完全合成的 mRGC 马赛克由两个连接矩阵组成:\(\textrm{P}_{\textrm{center}}(i,k)\),在合成阶段 2 中确定,以及 \(\textrm{P}_{\textrm{surround}}(i,k)\),在合成阶段 3 中确定,它们分别捕获 mRGC 马赛克中第 \(k^{th}\) 个细胞的 RF 中心和 RF 周围机制从输入锥体马赛克中的第 \(i^{th}\) 个锥体池化信号的权重。由于当前版本的 mRGC 模型不包含时间成分,因此第 \(k^{th}\) 个 mRGC 在时间 t 对某种刺激的响应 \(\mathrm R_{\textrm{stim}}(k,t)\) 是通过以下方式立即计算的:$$\begin{aligned}{\mathrm R}_{\textrm{stim}}(k,t)&= \displaystyle \frac{1}{\displaystyle \sum _{i} \textrm{P}_{\textrm{center}}(i,k)} \times \dots \\& \Bigg(\begin{array}{l}\sum\limits_{i} \textrm{P}_{\textrm{center}}(i,k) \cdot \textrm{C}_{\textrm{stim}}\left( i, t \right) - \\\\\sum\limits_{j} \textrm{P}_{\textrm{surround}}(j,k) \cdot \textrm{C}_{\textrm{stim}} \left( j, t \right)\end{array} \Bigg)\end{aligned}$$ (4)为了模拟对背景刺激的适应,合成 mRGC 通常作用于锥体对比响应,而不是锥体兴奋响应,因此上述方程中的 \(\textrm{C}_{\textrm{stim}}(i,t)\) 项计算如下:$$\begin{aligned} \textrm{C}_{\textrm{stim}}(i,t) = \displaystyle \frac{\textrm{E}_{\textrm{stim}}(i,t) - \textrm{E}_{\textrm{bkgnd}}(i)}{\textrm{E}_{\textrm{bkgnd}}(i)} \end{aligned}$$ (5)其中 \(\textrm{E}_{\textrm{stim}}(i,t)\) 是第 \(i^{th}\) 个锥体在时间 t 对所检查刺激的兴奋响应,\(\textrm{E}_{\textrm{bkgnd}}(i)\) 是该锥体对均匀场(零对比度刺激)的兴奋响应,其平均色度和亮度与所检查刺激的相匹配。2.6 在人类和猕猴视网膜之间等同偏心率我们构建了我们的模型来描述人类视网膜,但一些用于约束模型(Croner & Kaplan, 1995)和验证模型(Croner & Kaplan, 1995; Field et al., 2010; Gogliettino et al., 2023)的基本生理数据仅存在于猕猴身上。为了整合和/或对比人类和猕猴的数据,我们需要等同两种物种的视网膜偏心率。我们比较了两种物种的锥体密度测量结果(Curcio et al., 1990; Packer et al., 1989)在以视网膜毫米为单位与以视觉角度为单位绘制时的对齐情况。当我们以视网膜毫米为单位指定偏心率时,观察到了更好的对齐,尽管不是完美的,因此我们选择通过等同视网膜毫米来将猕猴数据与人类数据对齐。更具体地说,为了确定合成人类 RGC 的等效猕猴角偏心率,我们首先使用 Watson(2014)基于 Drasdo 和 Fowler(1974)的广角眼模型推导出的公式将人类 RGC 的角偏心率转换为其线性偏心率(以视网膜毫米为单位)。然后我们假设猕猴和人类的线性偏心率是相同的,最后将猕猴的线性偏心率转换为其对应的角偏心率(以视觉角度为单位),假设猕猴眼睛的视网膜放大因子为 221 \(\mathrm {\mu m/deg}\)(Perry & Cowey, 1985)。3 结果我们模型的一个关键特征是其对 mRGC 感受野(RF)属性的双重表示,这将神经回路与光学效应分开。第一种表示是在视网膜空间中,模拟 RF 中心和 RF 周围对锥体信号的直接池化。这描述了细胞的内在空间-颜色过滤,并且可以直接与绕过眼睛光学的解剖数据和生理测量结果进行比较(例如,在体外或自适应光学实验中 Godat et al., 2022; Tuten et al., 2018)。相比之下,第二种表示是在视觉空间中,模拟刺激通过眼睛光学系统到达 mRGC 马赛克的端到端处理。这种表示适用于传统的体内生理学和视觉功能的心理物理学评估。能够在锥体空间和视觉空间之间来回转换对于理解视网膜锥体池化如何与生理光学相互作用以生成视觉空间中的细胞处理特性至关重要,这最终决定了自然视觉性能。这种能力在解释体内生理学结果时也非常重要,以了解潜在的视网膜连接(Cottaris et al., 2024),以及将自适应光学观察条件下的结果与自然观察条件下的结果进行关联(Godat et al., 2022)。在本节中,我们展示了两种表示中合成 mRGC 的空间 RF 特性,并将合成 mRGC 的属性与通过体内和体外生理学研究表征的猕猴 mRGC 的属性进行了对比。3.1 合成 mRGC 感受野的空间特性在图 7 中展示了沿时间水平子午线在 4.5\(^o\) 处合成的 mRGC 马赛克中细胞的空间 RF 特性。图 7A 展示了马赛克以及编号的位置,这些位置标识了详细探索其空间 RF 特性的三个选定细胞的位置。图 7A 完整尺寸图像合成 mRGC 的空间 RF 特性 A:在时间水平子午线 4.5\(^\circ\) 处合成的 mRGC 马赛克的 RF 中心马赛克。B1–B3:3 个示例细胞的锥体池化图,这些细胞在 mRGC 马赛克中的位置在 A 中标记。粉色和青色圆盘分别代表 L-锥体和 M-锥体,其 RF 中心池化权重 \(\ge 0.1\),或 RF 周围权重 \(\ge 0.005\)。灰色圆盘代表在我们的模型中没有被池化的 S-锥体,或者池化权重低于标记阈值的 L-锥体/M-锥体。实线和虚线黑色线条表示 RF 中心和周围池化区域的范围。C1–C3:RF 中心(紫红色)和 RF 周围(板岩色)机制的 Y 轴积分锥体池化权重曲线。虚线表示通过对每个细胞的 \(\textrm{vSTF}\) 进行高斯差(DoG)模型拟合得到的视觉空间参考的线权重函数。D1–D3:示例 mRGC 的 \(\textrm{vSTF}\) 由灰色圆盘表示。灰色线条表示对这些 \(\textrm{vSTF}\) 的 DoG 模型拟合,紫红色和板岩色线条表示模型的中心和周围组成部分。图 7B1–B3 展示了选定细胞的锥体池化图。这里,粉色和青色圆盘分别代表 L-锥体和 M-锥体,其 RF 中心池化权重 \(\ge \) 0.1,或 RF 周围池化权重 \(\ge \) 0.005,而灰色圆盘表示根本没有被池化或池化权重低于标记阈值的锥体。实线和虚线分别表示 RF 中心和周围机制的空间池化范围。图 7B1 中显示的细胞位于 3\(^o\) 的偏心率。其 RF 中心从单个 L-锥体池化信号,其 RF 周围从总共 16 个 L-锥体和 M-锥体池化信号。图 7B2 中显示的细胞也位于 3\(^o\) 的偏心率,其 RF 中心从两个 L-锥体池化信号,其 RF 周围从 44 个 L-锥体和 M-锥体池化信号。图 7B3 中显示的细胞位于 6\(^o\) 的偏心率。其 RF 中心从 2 个 L-锥体和 1 个 M-锥体池化信号,其 RF 周围比前两个细胞的都要大。图 7B1–B3 中显示的锥体池化图展示了输入锥体马赛克与 mRGC RF 的中心和周围子区域之间的空间连接,但没有展示这些连接的强度。从这个意义上说,这些地图描绘了从详细解剖学研究中可以获得的信息类型。图7C1–C3通过提供关于这些示例细胞中锥体输入强度的信息,进一步补充了这一观点。在这里,栗色和石板色的直方图分别表示了RF中心和RF周围机制的细胞空间整合(沿y轴)的锥体池化权重。请注意,在图7C1中描绘的细胞中,周围锥体池化机制的双指数空间轮廓非常明显,其在RF中心附近有一个尖锐的峰值,而在外围区域的权重较为平缓。在另外两个展示的细胞中,这一特征不那么显著。在我们的合成mRGCs中,具有较大RF中心的细胞其周围权重的不尖锐程度比具有较小RF中心的细胞更为常见。这种观察结果是由于模型中的约束条件,这些约束条件保持了与体内测量结果一致的\(\textrm{vSTF}\)形状参数(Croner & Kaplan, 1995),同时也与H1感受野测量所指示的周围参数形式保持一致(Packer & Dacey, 2002)。在体内生理记录中,通常会测量视觉空间参照的空间传递函数(visual space–referred spatial transfer functions),以估计mRGCs的空间RF特性(Croner & Kaplan, 1995; Lee et al., 2012)。图7D1–D3中的灰色圆盘表示了三个被研究的合成mRGCs的\(\textrm{vSTF}\),相应的DoG模型拟合由虚线灰色线条表示。图7C1–C3中的虚线表示了这些DoG模型拟合的空间RF轮廓。将这些推断出的空间RF轮廓与实际的锥体池化轮廓进行对比后,可以明显看出,不能使用在生理光学条件下获得的特征来直接推断视网膜中锥体信号的空间池化特性。我们将在后面的章节中进一步讨论这个问题。
3.2 针对视野范围内体内生理学的验证
为了验证我们的模型,我们在视网膜的广泛区域内合成了mRGC马赛克,并通过使用不同空间频率的漂移无色光栅来探测它们,这些光栅是在适合所研究细胞偏心的生理光学条件下传递到视网膜的,从而计算了单个mRGC的\(\textrm{vSTF}\),模拟了Croner和Kaplan(1995)的实验范式。为了比较合成mRGCs和猕猴mRGCs,我们将计算出的合成细胞\(\textrm{vSTF}\)与Croner和Kaplan使用的DoG模型进行了拟合,并比较了周围与中心特征半径的比率\(R_s/R_c\),以及周围与中心整合敏感度的比率\(K_s/K_c \times R_s^2/R_c^2\),与Croner和Kaplan报告的比率进行了对比。
图8
全尺寸图像
针对体内测量的验证。在所有面板中,灰色方块表示Croner和Kaplan(1995)记录的猕猴mRGC群体的数据。蓝色轮廓表示66,128个合成mRGC群体中检查参数的概率密度函数,颜色饱和度编码了概率水平。实线蓝色线条代表了检查参数的5%–95%百分位数范围。左右两个面板分别对应于在两个不同人类受试者的生理光学条件下合成的马赛克。A1–A2:不同偏心度下周围与中心特征半径\(R_s/R_c\)的对应关系。虚线表示在合成mRGC周围优化过程中使用的目标值,即Croner和Kaplan记录的所有mRGC群体中\(R_s/R_c\)的平均值。A3:猕猴(灰色)和合成mRGC(蓝色)的\(R_s/R_c\)的边际直方图。B1–B2:不同偏心度下周围与中心整合敏感度的比率\(K_s/K_c \times \left( R_s/R_c \right) ^2\)的对应关系。虚线表示在合成mRGC周围优化过程中使用的目标值,即Croner和Kaplan记录的猕猴mRGC群体中观察到的趋势。B3:猕猴(灰色)和合成mRGC(蓝色)的\(K_s/K_c \times \left( R_s/R_c \right) ^2\)的边际直方图。C1–C2:不同偏心度下RF中心特征半径\(R_c\)的对应关系。洋红色圆盘表示Godat等人(2022)记录的中央凹mRGC的\(R_c\),使用猴子自身的生理光学条件在视觉空间中反投影得到的结果。
这项分析的结果如图8所示,左右两个面板分别展示了在两个不同人类观察者的生理光学条件下合成的mRGC马赛克的数据。图8A1和A2比较了猕猴mRGCs和合成mRGCs在\(R_s/R_c\)比率分布方面的差异。灰色方块表示猕猴mRGC数据,蓝色密度图表示66,128个合成mRGC群体中\(R_s/R_c\)比率的5%–95%百分位数范围。图8A1中的三个黄色圆盘对应于图7中描绘的三个示例细胞。请注意,合成mRGCs的\(R_s/R_c\)比率在两个受试者的不同偏心度下都遵循了猕猴数据。然而,合成数据并没有完全捕捉到猕猴数据中看到的全部方差,这一点从边际直方图(图8A3)中可以明显看出。为了捕捉到猕猴数据中的全部方差,我们可以考虑合成多个具有不同\(R_s/R_c\)目标值的周围池化函数,然后从多个集合中随机选择一个合成mRGC。
另一方面,图8B1–B3中展示的合成mRGC群体的整合敏感度比率\(K_s/K_c \times R_s^2/R_c^2\)既捕捉了偏心度的趋势,也捕捉了猕猴数据的方差。通过强制合成细胞的\(K_s/K_c \times R_s^2/R_c^2\)比率达到目标方差,实现了这种方差匹配,如前所述。
请注意,尽管我们在构建模型时确实使用了猕猴\(R_s/R_c\)和\(K_s/K_c \times R_s^2/R_c^2\)比率随偏心度的平均变化,但模型的推导还考虑了其他约束条件:这些约束条件包括锥体和mRGC RF的密度、H1水平细胞的空间特性,以及人类光学的影响。因此,这些验证不仅检查了我们没有以与猕猴数据不一致的方式过度约束模型,还验证了我们从一组离散的视网膜位置派生的模型中插值周围池化权重的方法是否有效。
接下来,我们检查了合成mRGCs和猕猴mRGCs在视觉空间参照的RF中心大小\(R_c\)方面的对应关系。回想一下,在合成mRGC马赛克时,RF中心的构建是独立于Croner和Kaplan的生理数据的,仅使用解剖数据和从体外生理学中获得的关于周围RF中心重叠的估计(Gauthier等人,2009年)。图8C1–C2比较了猕猴mRGCs和合成mRGCs的\(R_c\)分布。请注意,对于两种受试者的光学条件,合成mRGC的\(R_c\)遵循了猕猴mRGCs的趋势,在10\(^o\)以上的偏心度上有很好的一致性。然而,在更中心的位置,合成mRGC的\(R_c\)比猕猴mRGC测量的\(R_c\)小2–3倍。我们认为中心位置的差异并不是我们模型的缺陷,而是由几个因素造成的。首先,我们模型中的锥体马赛克的峰值密度为288,000个锥体/mm\(^2\),这接近人类报告的高密度范围(Curcio等人,1990年),而平均猕猴的峰值锥体密度约为200,000个锥体/mm\(^2\)(Packer等人,1989年;Schein,1988年)。人类较高的锥体密度意味着锥体孔径较小,这会使得我们的合成mRGCs倾向于具有较小的RF中心。其次,在急性猕猴实验中,实现的光学折射并不一定是完美的,因此由于折射误差以及典型多日急性实验中使用的收缩晶状体导致的角膜水肿,可能会产生残余模糊。这会增加生理数据中RF中心的大小,相对于我们模型中的中心视网膜。此外,尽管有眼肌麻痹,急性实验中仍可能发生残余的眼球运动(N.P. Cottaris的个人观察)。这种残余运动会人为地放大中心视网膜mRGCs的RF中心大小估计。最后,在Croner和Kaplan的猕猴mRGC \(\textrm{vSTF}\)特征描述中,刺激方向并没有优化以匹配猕猴mRGCs的任何方向偏差(Lisa Croner,个人交流),而在模拟实验中,刺激方向与细胞的视觉空间参照方向偏差相匹配,从而得到了尽可能小的RF中心大小估计。
在额外的分析中(未显示),我们使用随机光栅方向以及固定方向(如Croner和Kaplan所做的)计算了\(\textrm{vSTF}\),对于鼻子子午线方向上1\(^o\)到8\(^o\)的偏心度进行了计算。我们发现光栅方向对\(R_c\)的估计影响较小,使得估计的\(R_c\)与Croner和Kaplan报告的值更加接近。尽管如此,放大的估计值仍然低于报告的值,因此我们认为上述前两个因素可能是重要的。
进一步支持我们的论点,即合成mRGCs和猕猴mRGCs在中心位置的\(R_c\)差异并不是我们模型的缺陷的是,来自适应性光学条件下获得的中央凹猕猴mRGC \(\textrm{vSTF}\)的体内数据(Godat等人,2022年)。这些细胞的中心大小,通过为猴子受试者测量的光学条件进行了模糊处理,由图8C1和C2中的紫色圆盘表示。请注意,这些与我们的合成mRGCs的\(R_c\)值非常吻合。
图9
全尺寸图像
视网膜空间参照的RF中心大小:体外记录的合成mRGCs与猕猴mRGCs。A:在颞子午线上3.5、6.75和8.5毫米三个偏心度合成的合成mRGCs马赛克。黑色轮廓表示在\(e^{-1}\)标准化敏感度水平下计算出的RF图的增量兴奋区域的高斯椭球拟合。仅拟合了RF图的增量兴奋区域。绿色轮廓表示Gogliettino等人(2023年)的体外记录中两个猕猴mRGC马赛克的RF图。B:两个位于6.75毫米处的合成mRGCs的示例空间RF图,通过向视网膜传递白噪声刺激计算得出。对光增量兴奋的区域,即RF中心,用红色表示;对光减少兴奋的区域,即RF周围,用蓝色表示。光增量RF中心内的散布的零兴奋点对应于S锥体的位置。白线表示在\(e^{-1}\)标准化敏感度水平下拟合的光增量兴奋RF中心区域的高斯椭球等高线图。C:比较不同偏心度下合成mRGC与猕猴mRGC的RF中心大小。黑点表示从高斯椭球拟合计算出的合成mRGC的RF直径,即\(2 \times \sqrt{\sigma _{minor} \times \sigma _{major}}\),绿色方块表示在体外测量可用的两个偏心度下的猕猴mRGC的RF直径。
3.3 针对外围体外生理学的验证
我们还将合成mRGCs的空间RF特性与体外mRGC记录的猕猴数据进行了比较。由于体外数据不受光学模糊的影响,它们可以直接与我们模型的视网膜空间特性进行比较。目前这类数据仅在外围视网膜中可用。第一项研究是Gogliettino等人(2023年)的研究,他们使用白噪声刺激映射了猕猴mRGC马赛克的空间RF。为了模拟他们的实验,我们使用在衍射限制光学条件下传递到视网膜的白噪声调制无色棋盘刺激来探测合成mRGCs。为了计算合成mRGCs的空间RF,我们将合成mRGC的响应与白噪声刺激序列进行了互相关。这项分析的结果如图9所示。
在图9A中,展示了在三个偏心度3.5毫米、6.75毫米和8.5毫米合成的mRGC马赛克的空间RF。叠加的绿色实心椭圆表示Gogliettino研究中3.5毫米和8.5毫米处猕猴mRGC的空间RF。请注意,在这两个偏心度下,合成mRGC的RF中心大小与猕猴mRGCs有很好的一致性。然而,在更中心的位置,合成mRGC的\(R_c\)是猕猴mRGC测量值的2–3倍。我们认为中心位置的差异并不是我们模型的缺陷,而是由几个因素造成的。首先,我们模型中的锥体马赛克的峰值密度为288,000个锥体/mm\(^2\),接近人类报告的高密度范围(Curcio等人,1990年),而平均猕猴的峰值锥体密度约为200,000个锥体/mm\(^2\)(Packer等人,1989年;Schein,1988年)。人类较高的锥体密度意味着锥体孔径较小,这反过来会使我们的合成mRGCs倾向于具有较小的RF中心。其次,在急性猕猴实验中,实现的光学折射并不一定是完美的,因此可能存在由于折射误差以及典型多日急性实验中使用的收缩晶状体引起的角膜水肿而产生的残余模糊。这会增加生理数据中中心视网膜RF中心的大小。此外,尽管有眼肌麻痹,急性实验中仍可能发生残余的眼球运动(N.P. Cottaris的个人观察)。这种残余运动会人为地放大中心视网膜mRGCs的RF中心大小估计。最后,在Croner和Kaplan的猕猴mRGC \(\textrm{vSTF}\)特征描述中,刺激方向并没有优化以匹配猕猴mRGCs的任何方向偏差(Lisa Croner,个人交流),而在模拟实验中,刺激方向与细胞的视觉空间参照方向偏差相匹配,从而得到了尽可能小的RF中心大小估计。
在额外的分析中(未显示),我们使用随机光栅方向以及固定方向(如Croner和Kaplan所做的)计算了\(\textrm{vSTF}\),对于鼻子子午线上1\(^o\)到8\(^o\)的偏心度进行了计算。我们发现光栅方向对\(R_c\)的估计影响较小,使得估计的\(R_c\)与Croner和Kaplan报告的值更加接近。尽管如此,放大的估计值仍然低于报告的值,因此我们认为上述前两个因素可能是重要的。
进一步支持我们的论点,即合成mRGCs和猕猴mRGCs在中心位置的\(R_c\)差异并不是我们模型的缺陷的是,来自适应性光学条件下获得的中央凹猕猴mRGC \(\textrm{vSTF}\)的体内数据(Godat等人,2022年)。这些细胞的中心大小,通过为猴子受试者测量的光学条件进行了模糊处理,由图8C1和C2中的紫色圆盘表示。请注意,这些与我们的合成mRGCs的\(R_c\)值非常吻合。
图9
全尺寸图像
视网膜空间参照的RF中心大小:体外记录的合成mRGCs与猕猴mRGCs。A:在颞子午线上3.5、6.75和8.5毫米三个偏心度合成的合成mRGCs马赛克。黑色轮廓表示在\(e^{-1}\)标准化敏感度水平下计算出的RF图的增量兴奋区域的高斯椭球拟合。仅拟合了RF图的增量兴奋区域。绿色轮廓表示Gogliettino等人(2023年)的体外记录中两个猕猴mRGC马赛克的RF图。B:两个位于6.75毫米处的合成mRGCs的示例空间RF图,通过向视网膜传递白噪声刺激计算得出。对光增量兴奋的区域,即RF中心,用红色表示;对光减少兴奋的区域,即RF周围,用蓝色表示。光增量RF中心内的散布的零兴奋点对应于S锥体的位置。白线表示在\(e^{-1}\)标准化敏感度水平下拟合的光增量兴奋RF中心区域的高斯椭球等高线图。C:比较不同偏心度下合成mRGC与猕猴mRGC的RF中心大小。黑点表示从高斯椭球拟合计算出的合成mRGC的RF直径,即\(2 \times \sqrt{\sigma _{minor} \times \sigma _{major}}\),绿色方块表示在体外测量可用的两个偏心度下的猕猴mRGC的RF直径。
3.3 针对外围体外生理学的验证
我们还将合成mRGCs的空间RF特性与体外mRGC记录的猕猴数据进行了比较。由于体外数据不受光学模糊的影响,它们可以直接与我们模型的视网膜空间特性进行比较。这类数据目前仅在外围视网膜中可用。第一项研究是Gogliettino等人(2023年)的研究,他们使用白噪声刺激映射了猕猴mRGC马赛克的空间RF。为了模拟他们的实验,我们使用在衍射限制光学条件下传递到视网膜的白噪声调制无色棋盘刺激来探测合成mRGCs。为了计算合成mRGCs的空间RF,我们将合成mRGC的响应与白噪声刺激序列进行了互相关。这项分析的结果如图9所示。
在图9A中,展示了在三个偏心度3.5毫米、6.75毫米和8.5毫米合成的mRGC马赛克的空间RF。叠加的绿色实心椭圆表示Gogliettino研究中3.5毫米和8.5毫米处猕猴mRGC的空间RF。请注意,在这两个偏心度下,合成mRGC和猕猴mRGC马赛克的RF中心大小和覆盖范围有很好的一致性。为了量化合成mRGCs中视网膜空间参考的RF中心大小,我们计算了它们的RF中心直径为\(\displaystyle 2 \times \sqrt{\sigma _{\textrm{minor}} \times \sigma _{\textrm{major}}}\),其中\(\sigma _{\textrm{minor}}\)和\(\sigma _{\textrm{major}}\)是沿其短轴和长轴的高斯椭球的标准差。这种分析的结果在不同偏心率下的分布由图9C中的黑点表示,同时还有位于3.5毫米和8.5毫米处的猕猴mRGCs马赛克的RF中心直径,这些直径由绿色方块表示。值得注意的是,在3.5毫米处,合成数据与猕猴数据之间的对应关系非常好,而在8.5毫米处,合成mRGCs的RF直径平均比猕猴mRGCs的大30-40%。远周边区域的RF中心大小可能存在偏差,这是因为人类和猕猴的视网膜在周边区域有所不同。例如,在人类视网膜中,锥细胞的密度在偏心率\(>5\)毫米时变化不大,而在猕猴视网膜中,随着偏心率的增加,锥细胞密度会继续下降(Grunert & Martin, 2020)。我们观察到的RF大小偏差可能是由于猕猴视网膜的mRGC密度相对于人类视网膜更高所致。
图10
全尺寸图像
RF中心及其周围的锥细胞池化图:体外记录的合成mRGCs与猕猴mRGCs的对比。A:三个合成mRGCs在颞侧裂处偏心率为6.75毫米时的中心及周围锥细胞池化权重图。实线和虚线轮廓分别表示由RF中心和RF周围池化的锥细胞,池化权重\(>0.005 \times\)峰值中心权重。B:三个猕猴mRGCs在颞侧裂处偏心率为6.75毫米时的中心及周围锥细胞池化权重图。白色和黑色圆盘分别表示由RF中心和RF周围池化的锥细胞,池化权重与A中的相同。这些猕猴mRGCs的数据来自Field等人(2010)的体外记录。C1和C2:比较了三个猕猴mRGC细胞中中心池化机制(黄色方块和粉色圆圈)和周围池化机制(紫色星星)的短轴和长轴直径,以及相应分布(黄色、粉色和品红色直方图)在合成mRGCs群体中的情况,偏心率分别为6.75毫米(C1)和6.0毫米(C2)。
我们验证的第二个体外研究是Field等人(2010)的研究,该研究考察了单个锥细胞输入到猕猴mRGCs的RF中心和周围区域的空间布局。这一比较的结果如图10所示。图10A展示了三个合成mRGCs在颞侧偏心率为6.75毫米时的锥细胞池化图。图10B展示了Field等人(2010)研究中相同偏心率下三个猕猴mRGCs的锥细胞池化权重空间分布,改编自他们的图4。对于合成mRGCs和猕猴mRGCs来说,可视化的周围锥细胞的池化权重\(>0.005~\times\)峰值中心锥细胞权重(Greg Field,个人交流)。
请注意,合成mRGCs和猕猴mRGCs在RF中心和周围区域的范围上总体是一致的,尽管合成mRGCs的RF似乎略大于猕猴mRGCs的RF。同样值得注意的是,合成mRGCs的锥细胞池化图中的锥细胞密度高于猕猴mRGCs中的锥细胞密度。这是因为我们的模型基于人类锥细胞马赛克,而在偏心率大于5毫米时,人类锥细胞的密度高于猕猴锥细胞的密度(Grunert & Martin, 2020),这也是进行这些比较的地方。
为了更定量地对比合成mRGCs和猕猴mRGCs在RF中心和周围锥细胞池化区域的关系,我们比较了三个所示猕猴mRGCs的锥细胞池化区域直径与两个偏心率下的合成mRGCs群体的直径:一个是进行体外测量的6.75毫米位置,另一个是稍小的偏心率6.0毫米。这一分析的结果如图10C1和C2所示。三个猕猴mRGCs的RF中心池化机制的短轴和长轴直径以及RF周围池化机制的直径分别由黄色方块、粉色圆圈和品红色星星表示。合成mRGCs群体的相应分布由黄色、粉色和品红色直方图表示。请注意,在6.75毫米的合成细胞位置(图10C1),合成mRGCs的锥细胞池化区域比测量的猕猴mRGCs的更大。然而,关于如何最好地关联猕猴和人类视网膜的位置存在一些不确定性(见方法部分),而在稍小的偏心率6.0毫米(图10C2)时,模型和猕猴mRGCs之间有更好的一致性。Curcio等人(1990)对人类视网膜在6.0毫米处的锥细胞密度测量结果也与Packer等人(1989)对猴子在6.75毫米处的锥细胞密度测量结果更为匹配,而人类在6.75毫米处的测量结果则不太匹配。
这些观察结果突显了构建我们的mRGC模型时存在的一个固有问题,即我们必须使用人类和猕猴的数据来源:关于锥细胞密度和mRGC RFs在视觉空间中的密度的人类数据,关于视网膜上生理光学特性的数据,以及关于mRGC RFs和H1水平细胞的空间特性的猕猴数据,并且我们的验证是针对猕猴数据进行的。这不是理想的,因为人类和猕猴的视网膜之间存在一些差异(Grunert & Martin, 2020)。但是,鉴于两种物种的数据都不完整,这是不可避免的。然而,我们设计的建模框架可以随着新数据的出现而轻松修改。
图11
全尺寸图像
视网膜与视觉空间参考的mRGC RF图在视网膜上的对比。说明了生理光学对合成mRGCs在不同偏心率下的视觉空间参考空间RF图的影响。A:不同(x,y)偏心率下的视网膜空间参考空间RF图。每个面板中的黄色轮廓表示对单个mRGC马赛克中多达19个细胞的RF图的高斯椭球拟合。RF图是在衍射限制的光学条件下使用白噪声刺激计算得出的。B:在同一偏心率下,使用一个人类受试者的生理光学条件计算出的相同细胞的视觉空间参考空间RF图。C:在相应偏心率下使用的生理光学的点扩散函数。
在本节中,我们描述了生理光学如何与mRGCs中的RFs内的锥细胞池化相互作用,从而影响它们的视觉空间参考RF特性。图11展示了在五个水平偏心率\(x = [-16^o, -8^o, 0^o, +8^o, +16^o]\)和三个垂直偏心率\(y = [-8^o, 0^o, +8^o]\)下的这种相互作用示例。图11A中\(3\times 5\)网格的每个面板中的黄色椭圆表示对合成mRGCs在所检查偏心率下的视网膜空间参考RF图进行的高斯椭球拟合。由于RF中心机制对多个锥细胞的池化作用,视网膜空间参考RF图中出现了小的、非系统性的方向偏差,这让人联想到体外映射的RGC马赛克(Gauthier et al., 2009)。
图11B中的蓝色椭圆表示对相同细胞的视觉空间参考RF图进行的高斯椭球拟合。请注意,这些视觉空间参考RF图中存在显著且系统性的方向偏差,这是由于生理光学的特性造成的,其PSFs在图11C中有所展示。显然,PSFs的形状,特别是在周边位置,是mRGCs中视觉空间参考RF的主要决定因素。
总体而言,这项分析表明,mRGCs的空间RFs的体内和体外估计可能存在显著差异,并再次强调了从体内测量推断视网膜连接时必须考虑生理光学效应的观点。实际上,在最近正在进行的工作中(Cottaris et al., 2024),我们已经展示了基于体内测量的mRGCs周围亚区域的锥细胞连接推断的重要性。
3.5 应用于体外mRGCs响应的高斯模型在检索其空间池化特性方面的有效性
在我们的合成mRGCs中,RF中心和RF周围组件机制内的锥细胞池化的空间特性是预先知道的。这使我们能够测试从DoG模型拟合到体外测量的mRGC \(\textrm{STF}\)s来预测这些特性的能力,其中RF中心和周围机制是同时驱动的,并且在没有光学条件的情况下(Wool et al., 2018)。
图12
全尺寸图像
从DoG模型拟合到视网膜空间参考的\(\textrm{vSTF}\)s推断出的mRGC周围锥细胞池化的空间特性并不准确。检查了四个偏心率下示例合成mRGCs的实际和推断出的周围锥细胞池化之间的对应关系。左侧面板:RF中心和RF周围机制的锥细胞输入图。中间面板:由RF中心和RF周围机制池化的锥细胞输入的线权重函数,分别用粉色和板岩色直方图表示。虚线表示从DoG模型拟合到细胞的视网膜空间参考STFs推断出的线权重函数。右侧面板:通过衍射限制的光学条件传递到视网膜的刺激计算出的视网膜空间参考STFs,用灰色圆盘表示。DoG模型对计算出的STFs的拟合用虚线黑色线条表示,相应的中心和周围组件分别用粉色和板岩色线条表示。
这一分析的结果如图12所示。左侧列展示了四个示例mRGCs的锥细胞池化图。顶部两行的细胞都具有单个锥细胞输入的RF中心,而第三行的细胞具有2个锥细胞的RF中心,第四行的细胞具有3个锥细胞的RF中心。图12中间列中的粉色和酒红色直方图分别是这些细胞RF中心和周围亚区域内的y轴积分锥细胞池化权重。叠加的虚线表示由DoG模型拟合到细胞的视网膜空间参考STFs估计的中心和周围线权重轮廓,这些轮廓在图12的右侧列中用灰色圆盘表示。
请注意,尽管DoG模型对计算出的视网膜空间参考STFs(右侧列中的虚线)的拟合效果良好,但推断出的空间RF轮廓(中间列中的虚线)并没有准确捕捉到RF周围的锥细胞池化区域(中间列中的板岩色直方图)。在实际和推断出的周围池化之间的差异在顶部两个具有单个锥细胞RF中心的细胞中最为明显,并且随着RF中心大小的增加而变得不那么明显。这种差异涉及推断出的周围池化的空间范围和峰值敏感性,DoG模型估计的周围池化更为分散,峰值敏感性较弱。
也许并不令人惊讶的是,DoG模型在拟合模型细胞周围方面做得并不好,因为它们被构建为双指数函数以匹配H1水平细胞的空间特性。然而,关键点是DoG模型对可观察到的复合STFs的拟合相当好。这些观察结果表明,在从DoG模型拟合到体外STF测量结果推断mRGC RF周围特性时应谨慎。
3.6 应用
我们(Cottaris et al., 2019; Cottaris et al., 2020; Zhang et al., 2022)和其他人(Banks et al., 1987; Geisler, 1989; Sekiguchi et al., 1993)已经报告了在锥细胞马赛克层面表示视觉信息如何影响视觉性能,我们的案例是通过利用ISETBio图像可计算模型来实现的锥细胞激发。从锥体兴奋到RGC(中间视网膜细胞)反应的转变进一步塑造了可用于感知决策的信息,我们可以利用我们对ON中心mRGC马赛克的线性时空色彩RF模型来理解这类神经元提供的信息与锥体马赛克提供的信息有何不同。在本节中,我们将展示两个此类计算的例子。我们的目标是说明如何以这种方式利用我们的模型,而不是对每个案例进行全面的分析。然而,即使是这些初步的计算也提供了有趣的见解。
3.6.1 无色和彩色空间对比敏感度
我们采用计算观察者方法来计算无色和L-M锥体对立刺激的空间对比敏感度函数(CSFs),这些计算基于锥体马赛克和mRGC马赛克的表征。为此,我们计算了对不同空间频率ω的漂移光栅的反应。
对于无色光栅,L-、M-和S-锥体的对比成分光栅是同相的,\(C_L(\omega , x, y) = C_M(\omega , x, y) = C_S(\omega , x, y)\)。对于L-M光栅,L-和M-锥体的对比成分是反相的,\(C_L(\omega , x, y) = -C_M(\omega , x, y)\),而\(C_S(\omega , x, y) = 0\)。所有刺激的平均(x, y)色度为(0.30, 0.32),平均亮度为100 cd/m^2。刺激被模拟为在典型的CRT显示器上呈现,但使用了20位通道DAC,以避免量化效应的干扰。
对于我们研究的每个偏心度,我们调整光栅的方向,使其与该偏心度下的光学点扩散函数的延伸轴对齐。刺激的大小被指定为覆盖所使用的mRGC马赛克的输入锥体马赛克所跨越的区域。mRGC马赛克的大小在不同偏心度之间变化,以便在我们希望比较性能的马赛克之间获得几乎相等数量的mRGCs。
由于黄斑色素密度和光色素轴向密度的变化,锥体的基本特性会随偏心度而变化,这种变化被ISETBio捕捉到了。因此,在这些计算中,刺激是根据所使用的mRGC马赛克的偏心度来设计的。
目前,我们的mRGC模型不包括尖峰生成或响应噪声。因此,在这里描述的计算中,我们通过向合成mRGCs的无噪声响应中添加零均值高斯噪声来模拟响应的变异性。这种近似允许我们检查不同刺激和偏心度之间的相对敏感度,但预测的敏感度总体水平是任意的。鉴于高斯噪声的选择,我们使用了模板匹配计算观察者决策规则,模板由被区分的刺激的无噪声mRGC响应提供。为了比较mRGCs和锥体的计算观察者性能,我们也对锥体兴奋采用了高斯噪声近似,并使用了模板匹配决策规则。
为了估计对比敏感度,我们改变了每个测试空间频率ω的测试刺激的对比度,并将阈值对比度\(\mathrm C_{\textrm{threshold}}(\omega )\)确定为正确识别测试刺激与零对比度刺激的概率为80.6%的对比度。对比敏感度定义为\(\textrm{CSF}(\omega ) = 1/\textrm{C}_{\textrm{threshold}}(\omega )\)。
图13
全尺寸图像
计算观察者的空间CSFs。左列:通过典型人类光学系统传递到视网膜的刺激计算的CSFs。右列:通过衍射限制光学系统传递到视网膜的刺激计算的CSFs。圆盘和三角形分别表示mRGC马赛克及其输入锥体马赛克的CSFs。灰色和洋红色符号分别表示无色和L-M CSFs。A1&A2:一个\(0.6^{\circ } \times 0.6^{\circ }\)中央凹mRGC马赛克及其输入锥体马赛克的CSFs。该马赛克包含4628个mRGCs。B1&B2:一个\(2.1^{\circ } \times 2.1^{\circ }\)旁中央凹mRGC马赛克的CSFs,该马赛克在颞侧子午线上位于4\(^\circ \)的偏心度。该马赛克包含4633个mRGCs。C1&C2:一个\(4.1^{\circ } \times 4.1^{\circ }\)周边mRGC马赛克的CSFs,该马赛克在颞侧子午线上位于14\(^\circ \)的偏心度。该马赛克包含2195个mRGCs。
图13展示了在三个偏心度下计算的对比敏感度估计。通过典型人类光学系统观看的刺激的对比敏感度显示在图13的左侧面板中,圆盘和三角形分别表示mRGC马赛克及其输入锥体马赛克的敏感度。作为对比,图13的右侧面板展示了在没有色差的情况下,使用自适应光学系统观看的刺激的相应计算结果。比较左右面板有助于理解计算出的CSFs中的哪些效应起源于光学系统或锥体马赛克的采样,哪些应该归因于通过mRGCs的视网膜处理。
在中央凹,锥体兴奋水平的CSFs(图13A1中的三角形)对于无色和L-M刺激都是低通的。这是预期的,因为在光色素兴奋水平上没有空间拮抗作用,而且我们没有考虑由于注视眼动和受体后时间滤波相互作用而产生的时空耦合(Casile等人,2019年;Houston等人,2025年)。
另一方面,mRGC马赛克的无色CSF表现出轻微的低空间频率衰减,这是由于RF中心与其周围区域之间的空间拮抗作用。请注意,这种低频衰减比在衍射限制光学系统下观察到的要弱(图13A2)。这是因为生理光学模糊在高频范围内削减了敏感度,从而减少了mRGC周围区域对CSF的明显影响。我们在使用自适应光学条件测量的中央凹猕猴mRGCs的反应中观察到了类似的效果(Godat等人,2022年)。
mRGC马赛克的L-M对立CSF缺乏无色调制所见的低频衰减,因为在中央凹mRGCs中,L-M锥体对立刺激不会在其单个锥体RF中心与其周围区域之间引起显著的空间拮抗作用。这些观察结果与关于mRGC通路L-M色彩对比敏感度的已知知识一致(Mullen,1985年;Wool等人,2018年),表明L-M敏感度在低空间频率下超过无色敏感度,这与文献中的结论一致(Chaparro等人,1993年)。
在高空间频率下,计算观察者对无色和L-M调制的敏感度几乎没有差异。对于人类观察者来说则不是这样,他们对红绿色等亮度光栅的敏感度随空间频率的增加而下降得更快,无论是否存在典型的光学模糊(Mullen,1985年)(Sekiguchi等人,1993年)。尽管我们的L-M对立CSFs并不完全等同于许多人类实验中测量的红绿色等亮度CSFs,但这并不是计算观察者和人类观察者之间差异的主要来源。实际上,与理想观察者相比,人类在红绿色空间频率下更快地丢失了来自锥体的信息(Sekiguchi等人,1993年)。我们这里的示例计算表明,这种信息损失不应归因于mRGCs的线性感受野。
我们认为这是因为在高空间频率下,光学模糊主导了计算观察者的性能,而中央凹mRGCs的单个锥体RF中心对每种类型的刺激传递信息的程度相同;在高空间频率下,周围区域的影响很小。此外,我们注意到,在当前的计算中,特定的分辨率限制,即敏感度降至1的空间频率,取决于添加的高斯噪声的方差,因此有些任意。我们选择了一个相对于人类观察者来说较低的噪声水平,以便我们的计算能更全面地展示高空间频率范围内的行为。
当我们移动到更外围的位置时,CSFs的额外特征显现出来。图13B1和C1展示了在颞侧子午线上4\(^\circ \)处的计算结果。请注意,在生理光学条件下(图13B1),存在一个L-M敏感度超过相应无色敏感度的空间频率范围,L-M CSF呈现出凹槽形状。我们已经在会议摘要中报告了这一观察结果(Hong等人,2024年)。这是由于纵向色差(LCA)引入的波长依赖性离焦造成的,它改变了视网膜图像中L-和M-锥体刺激成分的空间相位。与此解释一致的是,这种凹槽在左侧的锥体和mRGCs的CSFs中都存在,但在衍射限制光学条件下(图13B2)则不存在,因为LCA为零。对于S-锥体CSFs也观察到了类似的效果(Cruz等人,2019年)。我们在摘要中展示了实验结果,表明这些效应出现在人类L-M空间CSF的测量中(Oh等人,2025年)。
比较图13A1中的基于锥体的CSFs与图13B1和C1中的CSFs,可以发现随着偏心度的增加,光学模糊的增强增加了CSFs随空间频率的衰减。类似地,比较基于mRGC的CSFs显示了随着mRGC RF中心大小的增加而引入的额外衰减。
在14\(^{\circ }\)处(图13C1和C2)还有其他值得注意的观察结果。首先,在高空间频率下,mRGC CSF的无色CSF出现了凹槽,而在锥体CSF中则没有这种现象。这似乎不太可能是光学效应,因为在图13C2中光学效应不存在的情况下这种凹槽更为明显。为了探索这种效应的起源,我们计算了不同方向的CSFs(未显示),结果表明这种凹槽依赖于方向,并与mRGCs感受野中心内单个锥体的精确对齐有关。我们在这里不再进一步探讨这一点。
我们注意到,我们的计算观察者是相对于一个可能使其比人类观察者更敏感的RGC噪声水平。如果是这样,图13中显示的凹槽可能不会通过心理物理学方法揭示出来。在进一步的模拟中(数据未显示),我们使用了两倍噪声方差,观察到除了整体敏感度降低之外,高频凹槽在敏感度阈值以下消失了。因此,图13中显示的效应,如果存在的话,最有可能在最大化心理物理敏感度的条件下揭示出来(即,明亮的适应背景、填充空间和时间积分区域的刺激、自适应光学观看)。
最后,请注意,在14\(^{\circ }\)的偏心度下,L-M相对于无色CSF的优势被逆转了。这是因为在如此高的偏心度下,L-M信号由于L-和M-锥体信号在较大的mRGC RF中心及其周围区域的混合增加而减弱。仔细比较这种效应与模型空间均匀性/光谱纯度权衡参数\(\phi \)的各种选择下的计算观察者预测,是一个有趣的未来研究方向。
3.6.2 合成mRGC马赛克的色彩对比敏感度:依赖于偏心度
作为第二个应用示例,我们检查了在L/M-锥体对比平面内沿不同方向调制的均匀场的色彩敏感度。我们使用了上述相同的计算观察者方法,并评估了其对比度随时间调制的刺激的阈值。不同色彩方向\(\theta \)上刺激的锥体对比度为:\(C_L(\theta ) = \rho \cdot \cos (\theta ); ~C_M(\theta ) = \rho \cdot \sin (\theta ); ~C_S(\theta ) = 0\)。对于每个\(\theta \),我们改变了\(\rho \)以找到其区分该调制方向与零对比度刺激的概率为80.6%的阈值。为了总结不同色彩方向上的计算阈值,我们将阈值对比点位置拟合为椭圆。
图14
全尺寸图像
合成mRGC马赛克的色彩对比敏感度:依赖于偏心度。沿着L/M-锥体对比平面的mRGC马赛克(绿色圆盘)及其输入锥体马赛克(粉色圆盘)的区分阈值,针对均匀场刺激(0 c/deg)计算得出。A:来自一个\(0.6^{\circ } \times 0.6^{\circ }\)中央凹mRGC马赛克的数据。B:数据来自一个\(2.1^{\circ } \times 2.1^{\circ }\)的中央凹mRGC马赛克,其在颞侧子午线上的偏心率为4\(^\circ \)。C:数据来自一个\(3.2^{\circ } \times 3.2^{\circ }\)的中央凹mRGC马赛克,其在颞侧子午线上的偏心率为7\(^\circ \)。D:数据来自一个\(4.1^{\circ } \times 4.1^{\circ }\)的周边mRGC马赛克,其在颞侧子午线上的偏心率为14\(^\circ \)。E:数据来自一个\(6^{\circ } \times 6^{\circ }\)的周边mRGC马赛克,其在颞侧子午线上的偏心率为25\(^\circ \)。F:数据来自一个\(9^{\circ } \times 9^{\circ }\)的周边mRGC马赛克,其在颞侧子午线上的偏心率为32\(^\circ \)。图14展示了在不同偏心率下,合成mRGC马赛克及其输入锥细胞马赛克的计算观察者阈值。请注意,计算观察者敏感度随偏心率的变化取决于刺激大小与偏心率的协变关系,人类敏感度也是如此(例如Hansen等人,2009年)。比较基于锥细胞和mRGC的计算观察者的敏感度大小取决于噪声水平的选择。在这些示例计算中,我们关注的是椭圆阈值轮廓的形状而不是大小。因此,图14中显示的每个轮廓都进行了归一化,使得沿M锥方向的阈值等于一。
有几个观察结果值得注意。首先,基于锥细胞马赛克的观察者的归一化轮廓在不同偏心率下是相似的,并且与L锥和M锥的对比轴对齐。它们在M锥方向上更加拉长,因为我们的马赛克中L锥的数量多于M锥。与轴的对齐是预期的(Stockman & Brainard, 2010),归一化形状的相似性是因为这种形状主要取决于L锥和M锥的相对数量。其次,与基于锥细胞马赛克的阈值相比,基于mRGC马赛克的阈值轮廓随偏心率的变化显著。对于中央凹mRGC马赛克,阈值椭圆在L/M锥对比平面上沿\(45^\circ \)方向高度拉长,表明当\(C_L = C_M\)时辨别阈值最高,而当\(C_L = -C_M\)时阈值最低。这种差异与基于锥细胞的计算结果不同,是由于中央凹mRGC的RF具有单一锥细胞中心,因此当周围区域包含混合类型的锥细胞时,这些中心之间会产生对立效应(Lennie等人,1991年;Mullen & Kingdom, 1996年)。这种对立效应导致低空间频率刺激的L锥和M锥信号相互抵消,从而观察到沿\(45^\circ \)方向的轮廓拉长(Stockman & Brainard, 2010;Wandell, 1995)。第三,随着偏心率的增加,轮廓首先变得不那么拉长,然后再次开始拉长,但沿的是\(135^\circ\)轴而不是\(45^\circ\)轴。这是因为我们实现的锥细胞非选择性连接模型导致随着RF中心大小的增加,对立效应逐渐减弱(Lennie等人,1991年;Mullen & Kingdom, 1996年;Wool等人,2018年)。
尽管从这个示例计算中出现的定性特征在文献中已经被理解,但这个例子说明了我们的模型能够以定量方式进行此类计算,同时考虑了色差、刺激大小、空间频率和视网膜位置。我们特别感兴趣的是探索这种阈值轮廓如何随着mRGC RF中心的空间均匀性和光谱纯度之间的权衡而变化(我们模型中的中心连接参数\(\phi\))。
4 讨论
我们开发了一个可计算图像模型,用于描述视网膜上mRGC的线性空间-色度RF马赛克。该模型扩展了我们的可计算图像锥细胞马赛克模型(Cottaris等人,2019年,2020年),通过增加了一层直接从锥细胞马赛克汇集信号的mRGC。锥细胞和mRGC之间的连接性是通过一个模拟框架推导出来的,该框架整合了解剖学、生理学和光学质量数据,所有这些数据都随偏心率而变化。通过明确建模光学和光感受器,而不是直接用刺激来表达RF,我们能够将模型与体外和体内数据联系起来,并在一系列难以比较的实验条件下进行预测。这些条件包括通过生理光学进行的心理物理和生理测量(自然观看条件)、绕过或校正光学像差的干涉测量和自适应光学技术,以及在没有自然光学的体外生理学中。
为了构建这个模型,我们必须克服当前关于mRGC特性的数据不完整的问题,即使存在这些数据,也可能来自不同的物种、不同的测量方法以及不同的偏心率。例如,有在视网膜上对mRGC线性感受场进行的体内测量(Croner & Kaplan, 1995),但生理光学会使刺激变得模糊,因此无法以我们寻求的锥细胞逐个分辨率来限制mRGC的输入。另一方面,尽管有来自体外生理学的单锥细胞分辨率连接数据(Field等人,2010),但这些数据目前仅限于较大的偏心率(\(\ge 25^o\))。因此,我们开发了一个建模框架,允许整合来自多个来源的数据。这个框架本身就是一个重要的贡献;我们预计它将对我们和其他人有用,用于整合新出现的数据,并用于建模其他类型的RGC。
我们展示了该模型能够捕捉到在体内不同偏心率下记录的猕猴mRGC的视觉空间参考空间RF特性,以及在体外记录的猕猴mRGC的视网膜空间参考空间RF特性。我们还展示了生理光学在塑造视觉空间参考空间RF特性方面起着重要作用,因此从体内测量中得出的关于视网膜电路的推断需要在光学的背景下进行评估。此外,我们展示了即使在消除了光学的体外条件下,传统的用高斯差分模型拟合空间响应的方法也可能导致对mRGC周围锥细胞池化特性的错误评估。
4.1 应用
我们使用了当前模型的早期版本来解释使用自适应光学技术在体内测量的中央凹猕猴mRGC的数据(Godat等人,2022年)。具体来说,该模型使我们能够将自适应光学测量结果与在生理光学条件下进行的体内测量结果联系起来。为此,在视网膜空间和视觉空间表示之间来回转换的能力至关重要。
我们目前正在使用该模型来评估基于体内空间RF测量结果对锥细胞输入到mRGC周围连接的推断(Reid & Shapley, 1992)。具体来说,我们正在分析色差在塑造mRGC对锥细胞隔离刺激的响应中所起的重要作用,以及这些效应如何有助于协调来自体内生理学的结果与来自解剖学和体外生理学的结果(Cottaris等人,2024年)。
在同时进行的工作中,我们利用该模型来理解ON中心mRGC马赛克的空间-色度特性如何影响人类空间-色度视觉的信息,通过对我们计算的mRGC表示进行计算观察者分析(Hong等人,2024年;Oh等人,2025年)。尽管额外的模型组件会影响这种表示,但对于阈值任务来说,由于刺激扰动较小,我们预期线性近似将足够准确,因此结果将具有信息性。
在这项工作中,我们展示了这种类型计算的例子,以说明mRGC的表示与锥细胞马赛克的表示有何不同,以及这种差异如何随偏心率变化。
4.2 局限性和未来方向
我们总结了模型目前状态的各种局限性以及我们增强模型真实性的计划。
4.2.1 人类与猕猴
在可行的情况下,我们使用了人类数据来指导模型开发,以最大化模型在预测人类表现方面的实用性。即使这不是我们的目标,我们也必须引入人类数据来描述整个视野的生理光学特性,因为目前猕猴的数据尚不可用。同时,并非所有所需的数据都对人类可用:虽然有测量视网膜上锥细胞和mRGC密度及生理光学的数据,但这些生理特征数据来自猕猴。
需要在两个密切相关的物种之间混合数据,这在两个物种的参数不同时会产生紧张关系。一个例子是远周边区域锥细胞密度的不同(Grunert & Martin, 2020),这影响了我们模型与该区域体外生理学比较的解释。随着两种物种的数据变得更加丰富,以及物种差异变得更加明显(Kim等人,2023年),我们的方法应该能够开发出更针对每个物种的差异化模型。
4.2.2 噪声、非线性和时间动态
尽管当前模型捕捉了ON中心mRGC马赛克级别的视觉表示的基本方面,但它没有考虑到mRGC的一些已知特性。这些特性包括静态和非线性、时间过滤、脉冲生成以及生理限制的响应噪声。然而,我们开发的建模框架是可扩展的,因此可以通过未来的工作包含这些组件。
对于猕猴mRGC,已有响应变异性模型(Croner等人,1993年;Pillow等人,2005年;Sun等人,2004年)的描述。此外,我们可以纳入非线性,例如(a)通过光转导级联引入的光适应效应(Angueyra & Rieke, 2013年),(b)mRGC输出中的压缩和扩展静态非线性(Pillow等人,2005年;Raghavan等人,2023年),以及(c)mRGC RF内的整流亚单元引入的空间非线性(Freeman等人,2015年;Hong & Rieke, 2024年)。在mRGC的输入中明确包含基于光电流的响应会为响应模型引入时间成分(Angueyra & Rieke, 2013年)。此外,可以添加第二个时间滤波器,这样与光电流滤波器结合使用时,将产生在猕猴mRGC中观察到的带通滤波器特性(Benardete & Kaplan, 1997年)。
我们当前的模型没有明确表示产生mRGC响应特性的视网膜电路(水平细胞、双极细胞和无长突细胞)的属性,因为我们选择了一个功能模型来描述这些属性。最近发表了一种考虑了一些这些细胞类型的互补mRGC建模方法(Somaratna & Freeman, 2025年),还有其他建模工作研究了各种视网膜中间神经元对RGC响应特性的影响(Hennig等人,2002年;Wohrer & Kornprobst, 2009年)。然而,我们注意到,这些其他视网膜细胞类型执行的一些处理在当前的锥细胞到mRGC模型中是隐含包含的,例如从H1细胞继承的周围区域的参数形式。
我们开发的框架设计为可以插入中间视网膜细胞类型的显式模型。从长远来看,明确表示不同细胞类型的作用可能是解释mRGC或其他类别视网膜神经节细胞响应非线性的有效方法。此外,使用我们的框架来建模其他细胞类别可能对那些希望解释这些细胞类别的响应本身或产生RGC响应特性的视网膜机制的人感兴趣。
表1 列出了用于计算现有mRGC马赛克和从头合成mRGC马赛克的教程列表
4.2.3 OFF mRGC马赛克
由于我们模型捕捉的是线性RF,ON mRGC和OFF mRGC之间的区别是微妙的。然而,我们的模型应该被视为仅针对ON中心mRGC的模型,因为合成细胞只汇集来自L锥和M锥的信号。这被认为是ON中心mRGC的情况,但最近的证据表明OFF中心mRGC在其RF中心利用了所有三种类型的锥细胞(Field等人,2010年;Klug等人,2003年;Patterson等人,2019年)。将S锥输入纳入OFF中心mRGC模型是直接的。
在考虑OFF中心mRGC马赛克模型时,另一个问题是如何将不同偏心率下的mRGC两个群体的密度分开。在当前模型中,ON中心mRGC(视神经节细胞)的密度被假设为所有偏心距上mRGC总密度的一半。这对于中央视网膜来说是合理的,因为在中央视网膜区域,mRGC主要依赖于一个锥细胞,而且解剖学证据表明每个锥细胞会向一个ON中心和一个OFF中心的小型双极细胞提供输入。然而,有证据表明,在人类和猕猴的视网膜中,外围ON中心mRGC(以及伞形mRGC)的响应场(RF)比它们的OFF中心对应细胞更大(Kling等人,2020年)。这意味着考虑到ON中心和OFF中心mRGC的响应场有相当程度的重叠(Gauthier等人,2009年),外围区域的ON中心mRGC细胞密度可能低于OFF中心细胞。一种处理这种mRGC密度不对称性的方法是按照偏心距来调整,类似于我们处理随偏心距变化的响应场中心重叠的方式。最后,在添加OFF中心mRGC镶嵌图时,应该考虑到ON中心和OFF中心镶嵌图之间的协调可能性,以解释最近关于ON中心和OFF中心mRGC空间布局系统性变化的观察结果(Roy等人,2021年)。
4.3 使用软件
用于合成视网膜上ON中心mRGC镶嵌图并进行相关计算的软件是ISEtbio项目的一部分,可以在https://github.com/isetbio/isetbio免费获取。关于如何使用mRGCmosaic软件的介绍可以在以下链接找到:https://github.com/isetbio/isetbio/wiki/Retinal-ganglion-cell-(RGC)-mosaics。针对ON中心mRGCmosaic的MATLAB教程可以在https://github.com/isetbio/isetbio/tree/main/tutorials/mrgc找到。这些教程展示了:(a) 如何使用我们已经在不同偏心距下合成的ON中心mRGC镶嵌图;(b) 如何根据多种设计选择构建和验证任意偏心距下的ON中心mRGC镶嵌图。目前可用的教程总结见表1。