利用神经元群体内部相关性学习对外部感觉刺激的预测

为补偿感觉处理的延迟，视觉系统必须进行预测以确保及时且适当的行为。近期研究发现，从视网膜开始的视觉处理早期阶段的神经群体中，已存在关于刺激的预测信息。然而，要利用这些信息，下游细胞必须能够从视网膜神经节细胞的脉冲活动中读出预测信息。本文研究在没有其他指导信号的情况下，下游细胞能否仅从输入自身的相关性中学习对其输入中预测信息的高效编码。我们基于蝾螈视网膜记录的脉冲活动模拟学习过程。将下游细胞建模为一个接收少量加权输入的二值神经元，并量化该二值神经元活动与未来输入之间的预测信息。输入权重在训练期间根据脉冲时间依赖学习规则变化。我们刻画了在脉冲时间依赖学习规则下学到的读出，发现尽管学习动力学的固定点并非绝对最优读出，但它们传递了最优读出所传递的几乎所有信息。此外，我们发现学到的感知器传递运动条形刺激的位置和速度信息的效率几乎与最优感知器相当。我们得出结论：从下游神经元的角度看，预测信息原则上可在没有其他输入的情况下被读出，因此表明自底向上的预测可能在感觉处理中发挥重要作用。