学术源论文发表咨询网 公告: 首页 - 网站声明 - 在线投稿 - 发表流程 - 联系我们 - 加入收藏
医学期刊
建筑期刊
教育综合
计算机类
教育期刊
新闻体育
学报刊物
水利/档案
核心期刊
农业/牧业
科技期刊
音乐/美术
工业期刊
煤炭/电力
经济期刊
其他刊物
您当前的位置:首页 > 其他类论文写作指导 > 正文
刺激表现可增强皮质下和皮质区域的尖峰不规则性-厦门杂志期刊论文发表
发布时间:2022-07-07 09:16:39  来源:  【 】   浏览:
 
刺激表现可增强皮质下和皮质区域的尖峰不规则性-厦门杂志期刊论文发表
萨利赫·法亚兹 ,穆罕默德·阿明·法哈里安 ,阿里·加齐扎德
出版日期: 2022年07月05日
 
 
抽象
刺激表现被认为可以抑制通过扇形因子 (FF) 测量的神经反应变异性。然而,试验内尖峰不规则性和试验间试验速率变异性对FF波动的相对贡献仍然难以捉摸。在这里,我们介绍了一种原则方法,用于准确估计双随机点过程的峰值不规则性和速率变异性。与先前的证据一致,分析显示刺激诱导的多个皮质和皮质下区域的速率变异性降低。然而,与以前的想法不同,峰值不规则性在时间上不是恒定的,但由于诸如爆发减少刺激后FF中的淬火等因素,可以增强。通过对神经变异性的准确解析,我们的方法揭示了以前未被注意到的神经反应变异性变化,并限制了导致观察到的速率变异性和大脑区域内峰值不规则性的候选机制。
 
作者摘要
越来越多的证据表明,神经反应变异性对于理解和约束给定大脑区域的潜在神经机制非常重要。在这里,通过分析多个大脑区域的反应,并使用一种原则性的方法将变异性成分解析为速率变异性和峰值不规则性,我们表明,与以前认为的不同,与事件相关的变异性熄灭不是一种大脑范围的现象,并且点过程变异性和非再生爆发可以增强某些皮质和皮质下区域的刺激后峰值不规则性。我们提出了可能的突触前机制,这些机制可能是在整个大脑中观察到的峰值变异性中观察到的异质性的基础。
 
引文: Fayaz S,Fakharian MA,Ghazizadeh A(2022)刺激表现可以增强皮质下和皮质区域的峰值不规则性。PLoS计算机生物学18(7):e1010256。https://doi.org/10.1371/journal.pcbi.1010256
 
编辑 器: Alireza Soltani,达特茅斯学院,美国
 
收到: 2021年8月18日;接受: 五月 27, 2022;发表: 七月 5, 2022
 
版权所有: © 2022 Fayaz等人。这是一篇根据知识共享署名许可条款分发的开放获取文章,允许在任何媒体上不受限制地使用,分发和复制,前提是注明原作者和来源。
 
数据可用性: 与vlPFC和SNr相关的数据以及本作品中使用的代码存放在Dryad doi:https://doi.org/10.5061/dryad.0cfxpnw2c 中。V1、V2、MT、PMd 和 IpN 的分析数据来自公开来源,如下所述:V1-2 数据:https://crcns.org/data-sets/vc/v1v2-1/about_v1v2-1 IpN 数据:https://crcns.org/data-sets/cb/cb-1/about-cb-1 MT 和 PMd 数据:https://churchland.zuckermaninstitute.columbia.edu/content/code。
 
资金: 作者没有为这项工作获得任何具体资助。
 
竞争利益: 作者宣布不存在相互竞争的利益。
 
介绍
虽然平均射程被广泛用作神经通信代码的代理,但射速方差也被证明在神经编码中起着重要作用,并作为区分潜在神经机制的诊断工具[1-7]。特别是,神经反应变异性被认为在发育过程中发生变化,并且与行为表现、刺激条件相关,并且在不同的神经状态下也会发生变化[8-12]。一些研究表明,在几个皮质、皮质下和小脑区域的不同条件下,峰值计数变异性会发生变化[1,3,4,10,13-17]。重要的是,许多观察结果支持,根据扇形因子(FF)测量的神经反应变异性在皮质区域对感觉或运动刺激的反应而下降[3,6,18]。当被视为双重随机过程时,神经尖峰计数的变化可能是由于总方差定律解析的两个分量(1)试验内的尖峰计数变异性,(2)试验之间尖峰参数的变异性。第一个组分将被称为试验峰值不规则性(SI或Ψ)内,并产生计数的预期方差(EVC),而第二个分量可以由试验速率变异性(RV)和形成预期计数方差(VEC)之间驱动[1,4,19]。尽管有这种普遍的理解,但尚无一种原则性方法来估计这两个组件并跟踪它们在时间上的并发变化。因此,Ψ和RV对大脑中FF刺激后减少的相对贡献尚不清楚。
 
之前估计RV成分[4](VarCE方法)的尝试表明,FF减少与VEC的减少平行(VarCE是VEC的估计)。然而,这种方法假设Ψ与射速在时间上与恒定系数φ相关(参见S1文本)。其他较新的方法也遵循相同的峰值计数变异性分解假设[1,19]。显然,如果φ也在时间上发生变化,这种假设可能会导致EVC和VEC(或等效的Ψ和RV)的严重错误估计。即使没有这些变化,VarCE也只估计VEC随时间变化的相对变化,而不是其绝对值。因此,φ的真正性质和准确估计仍然没有得到解决。
 
在这里,我们提出了一种原则性的方法,使我们能够找到VEC的绝对值并跟踪φ的变化。简而言之,我们的方法是通过将FF明确地与规范化的RV和Ψ(nRV和nΨ)相关联来工作。nΨ与φ相同,是通过调用双重随机点过程的最小假设并调整允许相对准确地估计nΨ的现有方法来估计的[19]。此外,研究表明,虽然nΨ在时间上对非平稳性进行评分是鲁棒的,但考虑到某些违反更新模型(如爆破)的情况,它可以膨胀到点过程变异性之外。
 
事实上,结果表明,与先前的假设不同,nΨ在刺激呈现期间可能显示出几个皮质下和皮质区域的剧烈变化。然而,虽然刺激后nRV在所有检查区域中都显示出普遍的减少,但刺激后nΨ变化更加异质:在某些(主要是皮质)区域减少,而在另一些区域(主要是皮质下)增加。此外,虽然我们发现FF的刺激后减少主要是由于nRV减少,但nΨ的并发变化被证明可以传达有关试验中峰值模式变化的关键信息,例如爆发的发生。我们的研究结果警告不要强烈声称刺激后反应变异在整个大脑中淬火。事件期间nRV和nΨ模式的异质性限制并对比了不同区域的潜在神经机制。
 
结果
解析神经反应变异性分量
具有确定性参数的随机过程将诱发尖峰计数的可变性,即点过程可变性。此外,在不同试验之间随机选择这些参数将带来试验之间的可变性(双重随机过程)。让我们假设一个双重随机过程,其中尖峰间区间(ISI)参数在试验中概率变化。在这种情况下,可以使用总方差定律以以下形式将尖峰计数变异性分解为至少两个分量:
 
(1)
其中 NT表示时间条盒 (T) 中的峰值计数,并γ我表示试验中的 ISI 参数。此处,第一项表示在给定恒定参数的试验中由于峰值不规则性(Ψ)而导致的峰值计数(EVC)的预期方差,第二项表示由于试验之间的速率变异性(RV)而导致的预期计数(VEC)的方差。总计数方差或变量(NT) 通过 E[N] 的简单归一化与 FF 相关T].等式 2.揭示了由 E[N] 归一化的 Ψ 的贡献T](nΨ)和由T×E[N]归一化的RVT](nRV) 到总 FF,如下所示:
 
(2)
 
 
以这种方式定义nΨ和nRV的动机来自考虑更新过程,该过程已被广泛用作峰值神经元的模型[20-29],用于足够大的时间箱,我们有:-厦门杂志期刊论文发表
 
(3)
Where and and ISI我是一个随机变量,表示从给定分布中提取的峰值间间隔,其参数在试验之间可能有所不同(有关详细信息,请参阅 S1 文本)。简单地说,虽然nΨ影响尖峰的图案化,导致更多周期性或更可变的尖峰时间,但nRV关注的是试验中峰值总体强度的可变性(S1图)。
 
根据 Eq 3,FF 是时间仓的渐近线性函数。它包括一个截距,它表示试验峰值不规则性(nΨ又名φ)内归一化,以及一个斜率,它表示试验之间的归一化速率变异性(nRV)。对于 ISI 参数没有试验间变化的简单随机点过程,对于足够大的时间箱,FF 应为常数。图1a显示,在短暂的瞬变之后,FF收敛于基于ISI分布参数的理论预测(即,对于泊松点过程为1,对于Gamma(κ,θ)为1)。另一方面,对于具有试验间速率变化的双重随机过程,FF以渐近线性方式增加作为时间箱的函数。请注意,在这种情况下,只要峰值不规则性(Gamma(κ,θ)中的κ)在试验中保持不变,表示nΨ的线的截距保持不变(图1a)。可以证明,对于一般的更新过程,nΨ等于归一化点过程变异性(nPPV),其测量方法是(可以从CV2推导,参见S1文本),并显示提供κ的稳健和无偏估计−1 [13,23,30–33] (不要与变异系数或CV混淆2这在大T的极限下基本上与FF相同)。值得注意的是,无论指数,伽马和逆高斯概率密度函数所示的ISI分布形状如何,这种等价性都适用于任何更新过程(图1a,有关一般证明,请参阅S1附录)。还要注意,虽然从理论上讲,FF渐近行为处于时间条柱的无限极限,但在实践中,对于具有足够高放电速率的神经元,线性渐近行为可以用更小的时间箱观察到(S2图)。
 
thumbnail 下载:
断续器幻灯片
巴新放大图像
断续器原始图像
图 1. 在时间上解析双重随机更新过程中的变异分量。
 
(a) 法诺因子(FF)作为具有不同ISI分布(指数,伽马和逆高斯)的简单(实线)和双随机(虚线)更新过程的时间箱的函数。对于大时间条柱(灰色阴影区域),FF 的渐近部分用于独立估计归一化尖峰不规则性 (nΨ) 作为截距,归一化速率变异性 (nRV) 作为斜率。注意双重随机过程的非零斜率(λ我 ~ N(μ = 50Hz, σ = 10Hz))。(b) 作为时间函数的双重随机伽马过程的速率参数()和形状参数()的反比。根据 n我 ~ N(0, 30) 和 t 是正值的时间,否则为零。(c)顶部,光栅图显示了随机伽马过程的多个试验实现(每个试验的速率在图b中表示),底部,FF作为时间箱(0-300ms)的函数,蓝色曲线表示FF估计值作为时间的函数。虚线表示拟合线外推到FF的线性部分;红点表示截距。每条线的斜率由条形图指示。(d)通过假设使用给定参数(黑色,经验估计见S1文本)访问每个试验的大量实现以及使用平滑FFA(绿色)和Vinci(红色)方法的估计,以经验方式进行的nRV估计。(e) 格式与 d 相同,但表示 nΨ 估计值。蓝色迹线表示 。所有指示 sem 的误差线。+
 
https://doi.org/10.1371/journal.pcbi.1010256.g001
 
事实上,通过检查FF渐近线(FFA),人们将能够使用滑动时间条柱跟踪nΨ和nRV中的时间波动。图1b显示了一个模拟的双重随机尖峰过程,其中Ψ和RV随时间并发变化。每个试验都是从更新点过程生成的,ISIs遵循双参数Gamma(κ,θ)分布。该过程有两个变异性来源:首先,每个试验的速率在试验中为50Hz,并且在试验期间变化的方差(图1b顶部)。50Hz均值附近的这种速率变化是RV的原因,其次,在每次试验中,峰值都是由伽马点过程固有的变异性产生的。在这种情况下,参数 κ 与峰值不规则性成反比,并被设置为随时间变化(例如,从 2 到 0.25 和回到 2 的时间变化)。图1c显示了在四个示例试验中这种双重随机伽马过程的峰值实现,每个试验对应于给定的速率动态。有趣的是,在给定的300ms时间箱中,FF截距和斜率与试验期间nΨ和nRV的预期变化密切相关。也就是说,与时间零后速率变异性的减少同时,斜率显示减少,而截距独立地跟随延迟(起始异步)的变化,与RV(从2到0.25,再回到2)相比。
 
在实践中,拟合FF的渐近行为虽然直观,但可能无法提供nΨ和nRV的定量最小方差估计器(例如,nΨ估计可能是嘈杂的,因为斜率的微小变化转化为截距中的大摆动)。因此,我们使用Vinci等人2016年开发的现有非参数方法(以下称为Vinci方法,参见S1 Text)使用更强大的EVC估计器[19]。一旦估计了EVC,就可以将其归一化为〈NT〉 这是 N 的平均值T跨试验(作为对E[N]的最佳估计T]) 来估计 nΨ。给定FF和nΨ,然后可以使用eq.2估计nRV。这种方法允许对nΨ和nRV进行更可靠的估计(图1d和1e)。请注意,FFA 和 Vinci 方法都需要足够多的试验次数和每个时间条柱的峰值,以便准确估计 nΨ 和 nRV。显然,最佳时间条柱的选择还取决于可变性分量在时间上变化的速度(更快的变化有利于较小的时间条柱以保持足够的时间条带分辨率,S3图),类似于任何其他时间直方图方法[34,35]。然而,如前所述,与FFA相比,芬奇估计值在一系列参数(S2图)上更健壮,并且将主要用于分析本文中的神经数据。
 
虽然 Vinci 和 FFA 估计值是通过访问类似于处理真实神经数据的条件的每个速率模式的单一实现而获得的,但在模拟的情况下,人们可以为每个速率和 κ 的组合生成大量峰值栅格来估计 nΨ 和 nRV(称为经验估计, 请参阅 S1 文本)。这种经验估计为任何方法都希望实现的nΨ和nRV提供了最佳估计,并作为衡量方法在模拟数据上性能的基准。可以看出,经验估计与使用Vinci和FFA方法的估计结果非常吻合(图1d和1e)。此外,测量尖峰生成或nPPV的固有随机性也与跟踪变化的nΨ估计相匹配(图1e)。
 
nΨ 的分解
仿真结果表明,对于更新点过程,nΨ将与nPPV相同,无论使用何种特定的ISI分布(图2a和2b),nRV捕获的试验速率变异性(图2c)或试验期间的发射速率非平稳性(图2d和2e)。在这种情况下,FFA和Vinci方法都以良好的精度跟踪nΨ和nRV的理想值(图2a和2e)。另一方面,爆破[30]明显违反了更新假设(即历史依赖于超出ISI参数的先前尖峰发生),理论上可以证明nΨ超过nPPV(S1附录),从而导致超过nPPV的更大的尖峰不规则性(图2f)。值得注意的是,即使存在与理论预测一致的显著非平稳性,例如速率噪声[36]或速率切换[7,37](图2d和2e)[38],也没有观察到经验nΨ的这种膨胀。然而,请注意,虽然Vinci和FFA容忍随机速率噪声,但它们似乎略微高估了nΨ在速率切换中,在试验中从低点火到高发射的随机和快速变化。
 
thumbnail 下载:
断续器幻灯片
巴新放大图像
断续器原始图像
图 2. 归一化点过程变异性 (nPPV) 和爆破会导致峰值不规则性 (nΨ)。
 
nΨ和nRV的经验估计(通过从每个试验中生成几个样本,参见S1文本)以及FFA和Vinci方法的估计。还显示了理论nPPV及其估计使用方法。红色方框表示总经验 nΨ;蓝框表示理论 nPPV (1/κ);深绿色框表示估计值 ;浅绿色框表示nRV的经验估计;橙色和蓝色点表示相应图中 nΨ 和 nRV 的芬奇和 FFA 估计值;(a) 速率为 10Hz 且无速率变异性的泊松过程。(b) 伽玛过程(κ = 2),无速率变异性。(c) 与 b 相同,但具有速率变异性的双重随机性。(d) 与 b 相同,但在试验中将白噪声添加到恒定速率(~ N(0,3) 和 Δt 50ms,参见 S1 文本)。(e) 与 b 相同,但在试验状态内在高费率和低费率之间切换(见 S1 文本)。(f) 对给定峰值施加概率为0.05的突发的ISI分布示例;在进程生成期间,每个峰值被替换为 5 个具有 3ms ISI 的连续峰值。
 
https://doi.org/10.1371/journal.pcbi.1010256.g002
 
事实上,nΨ不仅仅是由于时间仓期间的射速波动而扭曲,这对于我们的方法来说是幸运的,这些方法需要相对较大的时间箱,在此期间射速可能会发生变化。其他仿真证实,只要nPPV保持不变,我们对nΨ的估计值在时间仓期间对非平稳性具有很大鲁棒性(S4图)。因此,可以将nΨ分解为测量点过程变异性(nPPV)的nΨ,并作为诸如爆破之类的源的峰值不规则性的度量,其被证明具有增加nΨ的乘法和加法效应(S1附录)。
 
具有恒定φ假设的估计值不足
给定nΨ的变化,假设φ常数(即常数nΨ或时间上的尖峰不规则性)的方法可能会错误地估计nRV。例如,VarCE方法试图通过找到在试验期间保持VEC为阳性的最大常数φ(nΨ)来估计VEC,这可能会变得容易出错:
 
VarCE方法还基于使用总方差定律解析变异性源,其中VarCE和此处φ分别是VEC和nΨ的度量。
 
 
(4)
请注意,即使在φ恒定的情况下,VarCE也只能测量VEC直至加法偏移(S5a图)。更重要的是,如果真φ发生变化,并且在VEC中没有变化的情况下,VarCE会错误地报告VEC中的变化(S5b图)。
 
刺激后nΨ增强和小脑nRV减少
小脑神经元在不同条件下表现出其变异性的巨大变化[13,39-41]。我们使用我们的方法来解析在巴甫洛夫眼球调节任务期间从小鼠的插入核(IpN)记录的神经元(n = 268)之间的速率变异性和峰值不规则性[40]。图3a显示了固定在条件刺激(CS)发作(LED光)上的示例IpN神经元的周周时间直方图(PSTH)响应。CS发作后250ms,无条件刺激(美国:空气泡芙)被传递。可以看出,示例神经元在CS发作后和美国分娩前表现出强烈的兴奋。图3b顶部显示了平均FF的初始下降,然后是持续增加。可以看出,这种时间模式主要是由于速率变异性(nRV)的变化模式非常相似。nRV的这种变化模式,特别是它在CS大约500ms后的上升,可以通过查看尖峰光栅图(图3a底部)轻松验证。有趣的是,尽管nRV和FF最初有所下降,但nΨ在刺激后显示出强劲的增长。nΨ的增加只是部分由于nPPV的增加,通过指出额外的因素来衡量,这些因素提高了先前预测的观察到的峰值不规则性。
 
thumbnail 下载:
断续器幻灯片
巴新放大图像
断续器原始图像
图 3. 刺激后速率变异性的变化和小脑尖峰不规则性的增强。
 
(a)示例IpN神经元PSTH,标准偏差作为阴影区域(顶部)和20个示例试验(底部)的光栅图,与条件刺激(CS)开始(LED光)对齐,然后在250ms内进行无条件刺激(US,气泡)。 刺激开始后也显示适度增加。(c) 使用Vinci vs VarCE方法(分别为顶部和底部)的VEC和EVC估计。VarCE高估了VEC的上升(与速率变异性有关),低估了EVC(与峰值不规则性有关)。(d) IpN神经群体的平均PSTH(n = 268)神经元。黑色和灰色迹线分别显示 BIN 宽度为 10ms 和 300ms 的 PSTH。300ms bin-width 等于 Vinci 和 FFA 方法中用于可变性估计的时间 bin。(e) 平均FF和nRV(上)以及nΨ和(下)作为滑动时间箱内时间的函数(300ms,50ms滑动)。虚线表示 CS 开始,水平线表示周期上的 CS,箭头表示美国发病。(f) FF作为以刺激前和刺激后开始期(分别为-200和250ms)为中心的时间仓(300ms)内的时间仓的函数。灰色区域表示估计渐近FF的线性区域。截距的增加和斜率的减少分别与nΨ和nRV的变化一致。误差线是 sem。
 
https://doi.org/10.1371/journal.pcbi.1010256.g003
 
在小脑神经的例子中,VarCE准确地估计了VEC的变化趋势,但有些高估了它,特别是在nΨ发生变化的时候(图3c顶部)。更重要的是,由于 VarCE 中估计的φ是恒定的,因此严重错误地估计了由于峰值不规则性 VEC(即 φE[NT]) (图3c底部)。
 
与所示的神经示例类似,FF减少和随后增加的模式在整个小脑IpN群体中也是可观察到的,并且似乎主要由nRV中的时间动力学驱动。在同一时期,nΨ再次显示出强劲的刺激后增加,伴随着nPPV的并发增加,然而,这只能部分解释在nΨ中观察到的增加。nRV的刺激后减少和nΨ的增加也可以通过观察FF的线性渐近行为来验证,该行为显示刺激开始后截距增加和斜率减少。
 
刺激后增强 nΨ 消除黑质中 nRV 的减少
接下来,我们检查了另一个皮质下区域(即黑质网(SNr))的响应变异性。这个区域对于我们的分析特别有用,因为在这里,单个神经元根据其过去的价值记忆(对低价值物体的兴奋和对高价值物体的抑制)对视觉物体表现出较大的兴奋性或抑制性反应的动态范围,[42])。图4a和4b分别显示了示例神经元对高值和低值对象的响应。对于具有抑制反应的神经元,观察到FF的刺激后减少,如预期的那样。与在小脑中观察到的情况类似,这种下降主要是由于刺激后速率变异性(nRV)的下降,而不是峰值不规则性(nΨ),相反,后者显示出强劲的刺激后增加(图4c)。有趣的是,具有兴奋性反应的神经元也显示出nRV的下降。然而,这种下降被尖峰不规则性的增加所抵消,使得该神经元中的后刺激FF在尖峰变异性中没有显示出预期的淬灭(图4d)。再一次,两个神经元中nΨ的根本变化意味着使用VarCE的VEC估计是错误的(图4e和4f)。此外,使用VarCE对EVC存在严重错误估计,特别是在具有抑制反应的神经元的情况下。这是因为常数φ假设(或等效常数nΨ)不可避免地预测抑制反应的Ψ下降,这与观察到的该神经元相反(图4e)。
 
thumbnail 下载:
断续器幻灯片
巴新放大图像
断续器原始图像
图 4. 刺激后速率变异性的下降通过SNr中峰值不规则性的同时增加来补偿。
 
(a-f)格式与图3a和3c相同,但对于一个示例SNr神经元显示抑制(a,c,e)和另一个示例SNr神经元显示激发(b,d,f)到对象开始。光栅图显示每个神经元的 15 个样本试验。(g-i)与图3d和3f的格式相同,显示了302个SNr神经元的总体平均值。黑色和灰色迹线分别显示 BIN 宽度为 10ms 和 200ms 的 PSTH。使用200ms的滑动时间仓和50ms的步长用于峰值变异性的估计器。
 
https://doi.org/10.1371/journal.pcbi.1010256.g004
 
在记录的神经元群体中,刺激开始与nRV的下降有关,另一方面,nΨ对刺激开始的反应显示出强劲的增加,显示出增强的峰值不规则性(图4g和4h)。与小脑神经元类似,在刺激发作后,群体也增加,表明nPPV同时增加,但这再次未能解释nΨ的较大增加(图4h)。nRV的减少和nΨ的增加也可以通过FFA方法可视化(图4i)。有趣的是,与小脑IpN神经元不同,由于nΨ的显着增加,FF和nRV的动力学对于该区域是不同的(S6图)。事实上,SNr是一个大脑区域,它也违反了刺激后FF的假定减少[3]。
 
如Eq 2所示,这些结果是使用试验之间和试验内变异性的归一化测量获得的,以控制刺激期间的射速变化。然而,为了确保我们的发现对试验期间触发速率变化的鲁棒性,作为可能的混杂因素,我们使用另外两种方法验证了我们的结果:(1)通过使用均值匹配方法,该方法在每个时间点选择神经元的子集,并受到相似速率分布的约束[3]和(2)通过分别重复对不同反应类型的兴奋性神经元的分析, 抑制性和无刺激后反应。这两种情况导致nΨ和nRV的行为基本相同,并且在SNr群体的试验期间FF相对稳定(S7图)。
 
刺激引起皮质区域nΨ和nRV的变化
先前研究表明,刺激发作往往会降低皮质神经反应的变异性[3]。然而,如前所述,由于缺乏解析峰值变异性来源的可靠方法,目前尚不清楚nΨ和nRV如何受到刺激发作的影响。在这里,我们将我们的方法应用于多个皮质区域,包括不同组在猕猴中记录的V1,V2,中颞叶(MT),前运动皮层(PMd)和腹外侧前额叶皮层(vlPFC)区域[3,43,44]。可以看出,刺激的呈现或运动动作导致所有检查区域的平均射程显着增加和FF降低(图5a);请注意,对于V1和V2,刺激阶段发生在试验开始时,之后关闭。在所有情况下,FF的减少与nRV的刺激相关减少同时进行(图5b)。然而,几乎所有区域也都显示了nΨ的并发变化。除vlPFC外,在皮质区域的刺激表现期间,由nΨ测量的峰值不规则性降低。在vlPFC中,观察到nΨ的刺激后瞬时增加。请注意,尽管vlPFC中nΨ的瞬时增加,但由于nRV的尺寸与nΨ相比更大,因此其FF在刺激呈现期间仍然被淬灭(请注意y尺度,S6图)。通过观察时间箱中FF的截距和斜率,在刺激开和关期间nΨ和nRV的变化也很明显(图5c)。请注意,在总发射速率较低的区域中,需要较大的时间条盒才能出现FF的渐近行为(比较V1中的1000ms时间条柱和vlPFC中的200毫秒时间箱)。因此,对于发射速率低的区域,nΨ和nRV的快速时间动态可能无法通过低试验和大时间箱(例如类似于vlPFC的瞬态增加)来检测。nPPV与nΨ在区域间的关系更加异质。虽然nPPV在V1和V2中几乎没有变化,但在MT和vlPFC的刺激呈现期间,它有所下降。再一次,nPPV的变化相对较小,并且峰值不规则性的大部分变化不是由于nPPV引起的(图5b)。
 
thumbnail 下载:
断续器幻灯片
巴新放大图像
断续器原始图像
图 5. 在刺激呈递或大脑皮层运动执行期间,速率变异性和峰值不规则性的并发变化。
 
(a) 对刺激表现(区域 V1、V2、MT、vlPFC)或运动执行 (PMd) 作出反应的 5 个不同皮质区域的平均人口 PSTH。黑色和灰色迹线显示条柱宽度等于 10ms 的 PSTH 和匹配的时间条柱,分别用于估计每个区域中的 FF 和可变性分量(时间条盒 = 1000、1000、400、400、200ms,V1/2 和其余区域的 50ms)(顶部)和每个区域的 FF 动态(底部)。水平线表示周期上的刺激,箭头表示刺激的开始。(b) 皮质区域nRV(上图)和nΨ(下图)的并发时间变化。的时间动力学与 nΨ 一起绘制。(c)与图3f相同的格式,用于感觉或运动事件之前和之后的每个皮质区域。
 
https://doi.org/10.1371/journal.pcbi.1010256.g005
 
这些结果再次使用整个群体的均值匹配以及神经元内的平均值匹配来证实,这些结果显示了所有皮质区域的兴奋性,抑制性或零响应(S8 Fig均值匹配和S9 Fig响应聚类)。特别是,在所有情况下都观察到vlPFC中nΨ的瞬时增加。
 
为了检查爆破是否是观察到的nΨ超过nPPV的膨胀的原因,检测到每个峰值的突发计数,并将其与每个区域的nΨ一起绘制(图6)。有趣的是,在大多数地区(MT和PMd除外),人们观察到nΨ和爆发之间的时间动态相似,因此爆发的增加通常与nΨ超过nPPV的膨胀同时发生。我们的爆破检测方法的应用与模拟数据中的真实情况具有良好的一致性(S10图)。但请注意,此分析不能排除其他因子的贡献,这些因子可能会使 nΨ 超过 nPPV,因为突发计数和 nΨ 之间的对应关系只是相对的(即它们不具有相同的单位,因此无法计算差值)。事实上,如果不考虑所有其他因素对nΨ的影响,爆裂的影响就不能轻易地转化为nΨ单位(S1附录)。
 
thumbnail 下载:
断续器幻灯片
巴新放大图像
断续器原始图像
图 6. nΨ 的增加与某些皮质和皮质下区域的爆裂增加同时发生。
 
nΨ 中的周膜时间变化与跨区域每个峰值的突发计数的时间变化一起绘制。在所有区域中,峰值的突发概率在5-10%之间。在 V1 和 V2 中,刺激周期在零之前,以一条线标记。在该分析中仅使用无反应神经元,以避免放电速率变化的混杂效应(参见S1文本)。
 
https://doi.org/10.1371/journal.pcbi.1010256.g006
 
突触前网络中协调活动的不同方案诱导nΨ和nRV的独立变化-厦门杂志期刊论文发表
如前所述,准确估计神经变异性成分限制了作为观察到的神经反应基础的可行神经机制,并且可以作为跨区域比较的宝贵工具[4,7,45-48]。简历2先前报道的ISI在理论上和使用模拟时,作为突触前输入相关性的函数而变化[49]。但是,简历2高估了存在速率波动时的峰值不规则性[30];相反,如前所述,nΨ对速率波动是稳健的(参见S4图)。
 
具体来说,我们旨在找到突触前网络中的一些特征,这些特征控制着神经变异的不同来源。这是至关重要的,因为与其他皮质区域或皮质下和皮质区域之间的相比,vlPFC中nΨ的时间动力学差异提出了有关在不同区域产生峰值的潜在突触前和突触后因素的问题。神经模型的突触前网络特征对突触后神经元变异性有显著影响[7,50,51]。突触前网络的速率相关性[49,52]以及峰值同步[45,53–55]是这些特征之一。此外,有大量的研究表明皮质神经元的紧密平衡[53,56],这也可能会影响突触后神经元的变异性。在这里,我们展示了平衡突触前网络的统计特性如何重现在nΨ和nRV中观察到的一些模式,用于简单的基于电流的泄漏积分和放电(LIF)神经元。
 
我们首先表明,突触前网络中兴奋性和抑制性神经元(E和I Pools)的平衡池之间的试验间速率相关性程度可导致nRV的变化,突触后神经元中nΨ的变化最小。在这里,我们假设两个突触前池,一个是兴奋性的,另一个是抑制性地向一个LIF神经元发送传出(图7a)。将LIF神经元的反应变异性作为电放电速率参数中池间试验间相关性的函数进行检查(参见S1 Text)。图7b显示了从完全不相关到完全相关的放电速率(相关λ)的多个场景下LIF神经元的放电栅格我在试验中 i) 在 E 和 I 池之间。虽然射速在很大程度上不受E/I池烧成速率相关性程度的影响,但定量分析表明,nRV确实在零相关性下较高,但在相关性较高时呈稳定下降(图7c和7d)。另一方面,速率相关性对nΨ或nPPV几乎没有影响(图7d)。在仿真中,nRV 作为 E/I 池之间速率相关性函数的减少与理论预测一致(S1 文本方程 26)。进一步的分析表明,增加对兴奋池的平衡通常会导致在一系列输入发射速率范围内增加射速和降低nΨ(S11图)。
 
thumbnail 下载:
断续器幻灯片
巴新放大图像
断续器原始图像
图 7. 平衡突触前兴奋性池和抑制性池之间的放电速率相关性控制突触后nRV。
 
(a)网络模型的示意图,包括50个兴奋性(E池)和50个抑制性(I池)泊松神经元。突触电流使用相同的核对E和I连接进行建模。(b) 具有不同相关值(上)的不同试验(~N(40,4))的E/I速率分布,以及三种相关条件(相关性等于0、0、6和1)的模拟样本栅格。(c) E/I速率相关性对突触后神经元放电速率的影响。(d) E/I速率相关性对突触后神经元的nRV(左)和nΨ(右)的影响。上的影响与 nΨ 一起显示。较高的速率相关性导致突触后神经元中的nRV较低,但对nΨ或的影响最小。在c-d中,当中,当中,当发生率时,nRV、nΨ 和非随机突触前射出速率(威慑)的射程与nRV、nΨ和nΨ一起显示。威慑:非随机确定性 λ我.所有误差线均为 s.e.m。
 
https://doi.org/10.1371/journal.pcbi.1010256.g007
 
接下来,表明 E/I 池之间和内部的尖峰相关程度可以导致 nΨ 的减少或增强,而不会影响 nRV。在这里,我们假设在每个兴奋性和抑制性池中有两个相关的子池(子池#1和#2)。在第一种情况下,每个子池中神经元的池尖峰之间存在相关性(即兴奋性子池#1和子池#1中的抑制性神经元之间等)(图8a)。此外,还考虑了兴奋性和抑制性神经元峰值之间的一系列延迟(0,2和4ms,又名紧密平衡[53])。突触前E / I池(50个神经元/池)是使用相关的泊松过程生成的(Macke等人,2009)。我们将拉普拉斯分布式噪声添加到生成的相关神经元的ISI中,均值为零,标准偏差为2ms。对于相关延迟,我们将抑制性神经元的平均值更改为2-4ms,以便平均在兴奋性神经元之后转移抑制性神经元。请注意,在这种情况下,相关性存在于每个 E/I 子池内以及相应的 E/I 子池之间。图8b显示了E/I池的模拟尖峰实现,以及LIF神经元在0.3相关性[57]和0ms(左)或4ms(右)延迟下产生的尖峰。可以看出,与突触后神经元的4ms延迟相比,0ms时峰值不规则性更高(图8b顶部)。定量分析证实,nΨ的减少是E/I池之间非零延迟的池尖峰相关性之间的函数(图8c)。这种操作不会影响nRV,并且减少了最小值。在这种情况下,发射速率也随着池间尖峰相关性的函数而增加。通过增加子池的数量,在nΨ,nRV,nPPV和速率上发现了类似的结果,尽管通过增加池的数量,效果变得更弱,因为池的数量越多会导致池变小,并且池内和池之间的神经元之间基本上不相关(S12图)。
 
thumbnail 下载:
断续器幻灯片
巴新放大图像
断续器原始图像
图 8. 平衡突触前兴奋池和抑制池之间和内部的尖峰相关性控制突触后 nΨ。
 
(a) 由50个兴奋性(E池)和50个抑制性(I池)泊松神经元组成的网络模型示意图。每个池进一步划分为两个子池。池间尖峰相关性在子池之间施加(在抑制性子池#1和兴奋性子池#2之间和内部;示例子池由虚线矩形表示)。(b) E/I子池1和2中的模拟尖峰模式,以及当E/I神经元之间延迟为零(左)和4ms延迟(右)的E/I子池之间存在0.3峰值相关性时,突触后神经元中产生的尖峰。(c) 池间峰值相关性越强,对于非零延迟(2-4 毫秒),nΨ 会降低 nΨ。nRV 或受池峰值相关性影响较小。还观察到射程速率的并发增加,对于非零延迟(2-4ms),池间尖峰相关性更强。(d) 与 a 相同的网络,但仅在 E 和 I 池内具有尖峰相关性。(e) 格式与 b 相同,但对于池内相关性为零(左)和 0.3(右)。(f) 池内峰值相关性越强,nΨ就越高。nRV 或受池内峰值相关性影响较小。还观察到射程速率的并发增加,以增强池尖峰相关性。
 
https://doi.org/10.1371/journal.pcbi.1010256.g008
 
施加同步的另一种方法是假设每个E和I池内的尖峰相关性,同时排除池之间的相关性(图8d)。该方案以前曾用于解释视觉皮层输入部分失活引起的变异性降低[45]。在这种情况下,增加池内峰值相关性会增加峰值不规则性,如示例模拟栅格所示(图 8e)。与先前的观察结果一致,高相关性导致兴奋性活动的发作,在没有强抑制活性的情况下,可能导致突触后神经元的爆发样活动[45]。与池间相关性相反,nΨ的这种增加与射电速率的增加同时发生。池内的这种相关性对nRV几乎没有影响,并导致.
 
这些结果共同显示了nΨ和nRV独立变化的合理性,因为它们由不同的突触前机制控制(图7中的速率相关性与图8中的峰值相关性)。值得注意的是,在这两种情况下,通过测量的nPPV显示出与实际数据中的观察结果相似的微小变化(图3-5)。
 
讨论
整个大脑的神经元通常表现出可变的峰值模式,以响应相同的刺激或行为事件[3,46,58,59]。这种变异性反映了来自嘈杂感觉输入的单细胞水平特征[60],随机突触传递[61],可塑性[62]和适应性[63];以及网络水平特性,包括兴奋性/抑制性平衡[64],注意力和唤醒水平[65]以及神经调节作用[66]。来自这些来源的总变异性可以表述为两个累加成分:(1)由给定ISI参数的峰值随机生成引起的变异性,我们称之为尖峰不规则性(nΨ),以及(2)ISI参数的试验间变化,在更新过程中,它源于速率变异性(nRV)。通过引入一种及时准确估计nRV和nΨ的新方法,我们能够在刺激呈现期间揭示两种成分在多个皮质下和皮质区域的并发变化,与自发活动相比。重要的是,我们发现先前报道的神经变异性猝灭完全是由于在所有测试的皮质下和皮质区域观察到的nRV减少[3,4,10,17,45](图3-5)。然而,与之前假设的不规则性不同,峰值不规则性不是恒定的,而是与nRV一起显示出稳健和并发的变化。与nRV不同,nΨ在刺激表现期间不一定减少。例如,小脑中的IpN神经元和SNr神经元在刺激后nΨ中显示出强劲的增加(图3和4)。在vlPFC区域的皮质神经元中也可以观察到nΨ的增加(图5)。SNr中峰值不规则性的增加是如此明显,以至于它抵消了速率变异性的降低,导致FF测量的整体变异性没有通常的淬火。
 
准确估计峰值变异性的不同成分,使人们能够揭示编码超出平均发射速率的信息的神经策略,并且在解码方面开辟了新的可能性,以破译隐藏在神经活动中的关于外部刺激和内部过程的信息。例如,除了平均神经反应[1,3,4,6,11,17]之外,观察跨任务和时间段的试验变异性已被讨论为神经信息编码的另一个来源。此外,最近在皮质和皮质下区域发现了不同的神经变异模式[17],这可能表明这些区域有不同的编码策略。神经变异的亚组分也被证明可以传达有关刺激和神经元的信息。例如,nPPV已被证明可以在前额叶皮层的工作记忆编码效率方面分离神经元[32]。
 
nPPV,通过CV的局部测量估计[23],以前曾用于解释峰值不规则引起的总方差[3]。然而,我们的结果表明,估计的nPPV无法解释在神经数据(nΨ)中观察到的总峰值不规则性。我们提出了一种可能的机制,可以将尖峰不规则性的额外部分解释为爆裂。爆破显示nΨ膨胀超过nPPV的预测(图2f和S1附录)。此外,突触前E / I峰值中池之间和内部的相关性也被证明可以改变超出固有点过程变异性的峰值不规则性(图8)。这种时间相关的突触前活动也被证明是突触前活动引起突触后尖峰不规则性的一种方式[45,49]。因此,nΨ估计值相对于可用于衡量除nPPV外,还具有跨大脑区域的尖峰不规则性来源的影响。需要更多的研究来制定这两个尖峰不规则分量的关系,以及导致nΨ膨胀超过nPPV的潜在机制及其在神经处理和行为中的可能作用。
 
具体而言,对于IpN神经元,FF在初始下降后显示出持续的刺激后增加,这几乎与nΨ中的大刺激后激增同时发生(图3)。浦肯野细胞(PC)是IpN神经元的突触前输入,也被证明可以响应刺激开始改变其峰值规律性模式。由于分子层中间神经元的输入,它们还显示出增强的峰值不规则性[13,39,41]。尽管PC中的光遗传学操作尚未显示nPPV对行为的显着影响[13],但通过突发等机制增加nΨ超过nPPV(如图3b所示)可能会通过提高突触传递的可靠性来影响行为[67]。SNr神经元还显示出对刺激开始的响应而增加nΨ,而与兴奋性或抑制性速率变化无关,使得尽管nRV下降,刺激后FF几乎保持不变(图4)。
 
重要的是要注意,尖峰变异性的跨区域比较应小心,因为不同区域尖峰变异的意义,起源和生理功能可能不同。虽然在速率码方案中可以考虑尖峰不规则性噪声,但如果一个区域使用时态码,则它可能是信号。在许多皮质下区域[68]观察到颞代码,包括海马体[69]、隔膜[70]、小脑[71]和上橄榄核[72],而至少在某些皮质区域,速率代码可能占主导地位[46,73]。此外,感觉运动皮层与关联皮质和皮质下区域的变异性的作用可能不同,因为我们不知道或不能总是控制这些区域被认为是“真正”刺激的东西。换句话说,在关联皮层和皮质下区域以nRV和/或nΨ观察到的峰值变异性很可能对刺激,内部状态,注意力和动机的高级特征之间的复杂相互作用敏感,这些特征很难观察和控制,但仍然与编码噪声不同。
 
我们注意到,用于估计可变性分量 nRV 和 nΨ(Vinci 或 FFA)的方法需要每个时间箱足够数量的峰值。S2图表明,在估计nRV和nΨ时需要具有高时间分辨率,应通过选择具有足够尖峰(>5个尖峰/箱)的大时间箱来平衡估计精度,因此如果需要高时间分辨率,则可能不容易用于发射速率非常低的区域。事实上,对于发射速率较低的区域,对于小时间箱,nRV和nΨ的估计可能分别低于和高估(S2图)。本研究中研究的大多数区域具有足够高的发射速率,但我们可能容易对V2区域进行一些错误估计,该区域在刺激关闭期间具有低点火<5Hz(图5)。请注意,每个时间箱对足够数量的峰值的要求是由于双重随机点过程的性质,即使对于具有相同参数的大量试验重复的理想化模拟(即经验估计,S2图)也存在。低尖峰计数的问题可以通过使用基于模型的方法和对试验期间射速变化平滑度的额外假设来部分解决,但会失去一些普遍性[74]。
 
用于估计nΨ的相对较大的时间条柱可能会引起对时间条柱速变化的担忧,从而影响可变性估计。然而,理论分析和仿真结果表明,尖峰不规则性估计值对时间仓期间的这种射速变化具有鲁棒性(S4图和S1附录)。对于与稳态速率(S4a图)相比,射速波动的不同模式(S4b–S4f图),和 nΨ 基本保持不变。然而,为了确保我们对真实神经数据的主要结论的鲁棒性,我们实施了两种额外的策略来控制发射速率的变化,即均值匹配和分别考虑刺激后激发,抑制和零响应的变异性分析(S7-S9 Figs)。重要的是,这些额外的控制措施导致对所有区域的变异性分量的估计几乎相同。
 
在这项工作中,我们使用基于LIF电流的神经模拟来显示网络输入属性的差异效应,例如速率相关性和峰值相关性对nΨ和nRV的影响。特别是发现兴奋性和抑制性池之间的较高速率相关性可降低nRV,但对nΨ的影响最小(图7)。另一方面,兴奋性和抑制性池内部和之间的峰值相关性增加或减少nΨ而不改变nRV(图8)。然而,基于电导的模型最近越来越成为解释真实神经元中突触效应的更可行的替代方案[50,75]。突触模型(基于电流或电导)的选择会影响突触后神经元对突触前放电速率的峰值不规则敏感性[50]。我们注意到,我们在本文中的主要目标不是列举控制神经变异性的所有可能机制,而是为估计和解析变异性的组成部分提供更好的理解和准确的方法。显然,虽然更准确地估计神经反应变异性本身并不能确定独特的潜在神经机制,但它限制了在nΨ和nRV中产生观察到的时间动力学的可能性。
 
总之,我们的研究结果显示,在许多皮质和皮质下区域,刺激后nRV(但不是FF)中普遍存在淬灭。重要的是,我们还发现nΨ发生了显着且并发的变化,这代表了所检查的所有区域的峰值不规则性。然而,与nRV不同的是,nΨ刺激后变化的模式在各个区域之间是异质的。之前的工作[3]表明,网络噪声的显著降低和激励期间持续的私有噪声。我们的研究结果没有解决整个人群的共享和私有变异性组成部分。然而,nΨ和nRV组件都显示了神经元之间并发的刺激后变化,并且具有合理的网络级实现(图7和图8),这一事实表明它们有助于网络级噪声。另一方面,nPPV似乎对真实数据的变化具有抗性,因此可能代表每个神经元的私有噪声成分[23,30]。有趣的是,先前的模拟和体内注射[76]表明,兴奋性和抑制性网络的平衡网络是合理的模型,可以解释我们模拟中使用的恒定nPPV现象。分析同时记录的神经元以解决整个群体中nΨ和nRV的网络级组织,可以进一步解决神经元响应变异性组件中与事件相关的变化的潜在因素。
 
材料和方法
MT和PMd数据(n = 7031,4264次)记录在行为猕猴中[3]。V1和V2数据集(分别为n = 1272,296)来自5个不同会话中麻醉的猕猴[77]。我们为这两个区域中的每个区域使用具有最大神经元数量的会话,并合并了所有不同的光栅条件。vlPFC(区域8Av,46v和45)和SNr数据记录在行为猕猴中[42,44],可在[78]获得。IpN数据来自小鼠深部小脑核[40],可在[79]获得。我们只使用了在调理期间记录的前270个会话。对于所有数据集,我们删除了给定时间条带中具有非常低的放电速率(小于3个spike / bin平均值)的神经元,因为如此低的放电速率通常不允许准确解析尖峰变异性分量(使用的会话数如图5所示)。有关补充方法,请参阅 S1 文本。
 
均值匹配
均值匹配在试验期内为每个时间条箱选择神经元/条件的子群体,以便所有时间箱的速率分布保持不变。我们将 [3] 提供的代码用于 S7–S9 Figs。
 
响应极性聚类
我们使用任务的刺激前和刺激后周期来计算每个神经元两个周期的平均峰值计数。然后,我们使用配对的学生T检验计算每个神经元的刺激前和刺激后速率之间差异的p值,将它们分组为(1)兴奋(阳性和p<0.05),(2)零(p>0.05)和(3)抑制(阴性和p<0.05)组。然后,我们使用这些响应类型来计算平均值nΨ和nRV,以测试观察到的变化是否是由于速率波动引起的(S7b-S7d和S9 Figs)。
 
与vlPFC和SNr相关的数据以及本作品中使用的代码存放在Dryad中[78]。
 
德莱阿德 DOI
https://doi.org/10.5061/dryad.0cfxpnw2c
 
支持信息
速率变异性与峰值不规则性对模拟神经元峰值模式的影响。
 
显示 1/14: pcbi.1010256.s001.pdf
 
跳转到无花果共享导航
02040速率(Hz)0.2522/(-10000100020003000时间(毫秒)5101520# 试用版02040速率(赫兹)0.2522/(-10000100020003000时间(毫秒)5101520S1无花果一个b
1 / 14
 
 
下载
无花果份额
S1 图 速率变异性与峰值不规则性对模拟神经元峰值模式的影响。
(a) 在刺激前10-30 Hz和从刺激开始1秒后在零时间存在速率变异的情况。刺激开始后1秒,速率变异性降至零。在此期间,尖峰不规则性保持不变(上图),模拟尖峰列车的栅格图按基线速率从低到高(下)排序。(b) 在试验期间没有速率变异性,但在刺激开始后1秒内,峰值不规则性从2降低到0.5(上图)和一些模拟试验的光栅图。尖峰生成是用伽马尖峰间间隔完成的,其中κ是形状参数,θ是尺度参数并触发。
 
https://doi.org/10.1371/journal.pcbi.1010256.s001
 
(英文)
 
S2 图 使用 Vinci 和 FFA 方法估计 nΨ 和 nRV 对试验次数和时间箱内峰值平均数的依赖性。
(a) 每个热图显示不同 nRV(列)和 nΨ(行)的伽玛进程 (10Hz) 的估计 nΨ 值。X 轴显示时间箱内的平均峰值数,Y 轴显示试验数。调整颜色代码,使绿色表示正确估计,而红色和蓝色分别表示对真实 nΨ 值的高估和低估。每个正方形热图上的热条表示经验估计值(给定每个试验的多次重复,则可能的最佳估计值)。(b-d) 格式与 a 相同,但分别用于使用 Vinci 方法的估计 nRV 值、使用 FFA 的估计 nΨ 值和使用 FFA 的估计 nRV。
 
https://doi.org/10.1371/journal.pcbi.1010256.s002
 
(英文)
 
S3 图例 可变性中更快的时间波动有利于较小的时间条柱,以最大限度地减少总体估计误差。
(a) 在试验期间从高到低的单一变化(黑色)和使用具有不同大小的时间箱的Vinci方法估计的nRV示例。(b) 使用FFA和Vinci方法的估计nRV与真nRV之间的平方误差(MSE)平均和,通过改变a中所示nRV模式的时间条柱。与小(150ms)或大(350ms)时间仓相比,最佳时间仓(250ms)产生的MSE最小。FFA的MSE高于Vinci,但表现出类似的模式。(c) 在试验期间从高到低(黑色)在时间上快速波动的nRV的例子,以及使用具有不同时间箱的Vinci方法估计的nRV的例子。(d) 最佳时间条盒(190毫秒)产生的MSE最小,而c中所示模式的小时间条盒(150毫秒)或大时间条盒最小。请注意,与 a 相比,此示例中的最佳时间条盒更小。
 
https://doi.org/10.1371/journal.pcbi.1010256.s003
 
(英文)
 
S4 图 nΨ 估计值对时间仓期间射速的变化是稳健的。
(a-f,顶部)在500ms的时间仓内,对于κ = 2的伽马过程,射速模式。阴影显示了试验之间的射程变化,这应该只影响nRV而不是nΨ,如图2c所示。(a-f,底部)通过芬奇方法对 nΨ(红条)和估计(绿条)以及 nΨ 估计的经验估计。
 
https://doi.org/10.1371/journal.pcbi.1010256.s004
 
(英文)
 
S5 图例 VarCE可以给出VEC的错误估计。
(a) 类似于图 1b 的示例,具有时变 nRV 分量,但有一个常数 nΨ 分量(常数 κ)(前两行)。VEC和nΨ的经验估计(与φ相同)以及Vinci和VarCE方法的估计。(b) 格式与 (a) 相同,但适用于没有速率变化的情况(VEC = T2×RV = 0),但存在随时间变化的峰值不规则性(变化κ)。VarCE方法将nΨ引起的波动分配给VEC,而Vinci方法则正确地解开了两个不同的来源。
 
https://doi.org/10.1371/journal.pcbi.1010256.s005
 
(英文)
 
S6 图 与FF相比,nΨ和nRV的相对大小×T。
归一化峰值不规则性nΨ和归一化速率变异性nRV估计的时间动力学以及它们总结为几乎完全解释FF动力学的事实(使用FFA方法)。主要论文中分析的所有皮质下和皮质区域的结果均显示。还可以检查nΨ和nRV在驱动FF波动方面的相对大小和贡献。
 
https://doi.org/10.1371/journal.pcbi.1010256.s006
 
(英文)
 
S7 图 SNr中nΨ和nRV模式对发射速率变化的鲁棒性。
(a)均值匹配以及将SNr神经元聚类为具有(b)兴奋性反应,(c)抑制反应,(d)和零反应的三组,在nΨ和nRV估计中产生相似的模式,如图4所示。(a,top)图中的灰色曲线显示了使用每个时间箱的神经元子选择的平均值和sem平均值匹配的放电。(b-d, top) 中的灰色曲线是使用与用于变异性估计 nΨ 和 nRV 相同的时间条柱 (200ms) 评估的 PSTH。
 
https://doi.org/10.1371/journal.pcbi.1010256.s007
 
(英文)
 
S8 图 通过均值匹配在皮质区域中 nΨ 和 nRV 模式的鲁棒性。
皮质区域之间的均值匹配在 nΨ 和 nRV 估计值中产生相似的模式,如图 5 所示。PSTH 图中的灰色曲线显示了平均均值匹配的射速。
 
https://doi.org/10.1371/journal.pcbi.1010256.s008
 
(英文)
 
S9 图. 不同反应类型中皮质区域的 nΨ 和 nRV 模式的鲁棒性。
将皮质神经元聚类为具有(a)兴奋性反应,(b)零反应,(c)和抑制反应的三组,在nΨ和nRV估计中产生相似的模式,如图5所示。
 
https://doi.org/10.1371/journal.pcbi.1010256.s009
 
(英文)
 
S10 图 突发检测方法正确估计模拟尖峰中的突发/sp。
(a) 在刺激开始于零后 0-500ms 期间,具有两个不同爆发活动级别的峰值栅格的采样。来自平均每个峰值 11 个突发(顶部栅格)或每个峰值 5 个突发(底部栅格)的均匀分布的突发计数以 0.5 的概率添加到具有 20Hz 速率和 κ = 2 形状参数的 gamma 点过程中的正态峰值。与实际数据类似,方法参数是根据20个神经元池上的自发活动[–500,0]周期估计的,平均放电率为20Hz,基线突发计数为3突发/sp(b)通过方法估计的平均突发计数/sp与生成数据时使用的实际平均突发/sp。灰线表示统一线。
 
https://doi.org/10.1371/journal.pcbi.1010256.s010
 
(英文)
 
S11 图 nΨ随着网络从平衡激发/抑制到由激发主导的网络而减少。
(a) 包括n的网络模型示意图e兴奋性(E池)和 n我抑制性(I池)泊松神经元,速率λ。突触电流使用相同的核对E和I连接进行建模。(b)nΨ作为突触前速率(λ)的函数,随着颜色编码的兴奋比接近平衡网络(即50%)而下降得更快。(c)当兴奋比增加时,突触后神经元的放电速率作为突触前放电速率的函数而增加得更快。
 
https://doi.org/10.1371/journal.pcbi.1010256.s011
 
(英文)
 
S12 图 子池数量对突触后 nΨ 变化的影响作为池间相关性的函数。
nΨ和速率对池间相关性的敏感性随着我们增加子池的数量而降低(对于恒定数量的神经元)。nRV,并且在所有情况下基本保持不变。
 
https://doi.org/10.1371/journal.pcbi.1010256.s012
 
(英文)
 
S1 附录。 证明爆裂的影响和对nΨ上射速波动的影响缺乏影响。
https://doi.org/10.1371/journal.pcbi.1010256.s013
 
(英文)
 
S1 文本。 补充材料和方法。-厦门杂志期刊论文发表
https://doi.org/10.1371/journal.pcbi.1010256.s014
 
(DOCX)
 
确认
作者要感谢岛崎秀明为一般更新过程提供模拟峰值的代码。
 
引用
1.Goris RLT, Movshon JA, Simoncelli EP. Partitioning neuronal variability.Nat Neurosci.2014;17: 858–865.pmid:24777419
查看文章PubMed/NCBI谷歌学术搜索
2.丘奇兰MM,阿博特LF。两层神经变异。Nat Neurosci.2012;15: 1472–1474.pmid:23103992
查看文章PubMed/NCBI谷歌学术搜索
3.Churchland MM, Yu BM, Cunningham JP, Sugrue LP, Cohen MR, Corrado GS, et al.刺激发作可消除神经变异性:一种普遍存在的皮质现象。Nat Neurosci.2010;13: 369–378.pmid:20173745
查看文章PubMed/NCBI谷歌学术搜索
4.丘奇兰AK,基亚尼R,乔杜里R,王XJ,普吉特A,沙德伦明尼苏达州。方差作为决策过程中神经计算的特征。神经元。2011;69: 818–831.pmid:21338889
查看文章PubMed/NCBI谷歌学术搜索
5.Shadlen MN, Newsome WT.皮质神经元的可变放电:对连接,计算和信息编码的影响。J Neurosci.1998;18: 3870–3896.pmid:9570816
查看文章PubMed/NCBI谷歌学术搜索
6.Churchland MM,Yu BM,Ryu SI,Santhanam G,Shenoy K V.运动前皮层的神经变异性提供了运动准备的特征。J Neurosci.2006;26: 3697–3712.pmid:16597724
查看文章PubMed/NCBI谷歌学术搜索
7.Deco G, Hugues E. 神经网络机制,潜在的刺激驱动变异性减少。PLoS 计算机生物学. 2012;8.pmid:22479168
查看文章PubMed/NCBI谷歌学术搜索
8.McIntosh AR, Kovacevic N, Itier RJ.大脑信号变异性增加伴随着发育中较低的行为变异性。PLoS 计算机生物学. 2008;4.pmid:18604265
查看文章PubMed/NCBI谷歌学术搜索
9.Mišić B,Mills T,Taylor MJ,McIntosh AR.大脑噪音依赖于任务和区域特异性。J神经生理学。2010;104: 2667–2676.pmid:20844116
查看文章PubMed/NCBI谷歌学术搜索
10.Lombardo JA, Macellaio M V., Liu B, Palmer SE, Osborne LC.猕猴MT.PLoS计算生物学中刺激诱导的变异性调整的状态依赖性。pmid:30312315
查看文章PubMed/NCBI谷歌学术搜索
11.Waschke L, Kloosterman NA, Obleser J, Garrett DD. 行为需要神经变异性。神经元。2021;109: 1–16.
查看文章谷歌学术搜索
12.Voytek B, Kramer MA, Case J, Lepage KQ, Tempesta ZR, Knight RT, et al.1/f神经电生理噪声的年龄相关变化。J Neurosci.2015;35: 13257–13265.pmid:26400953
查看文章PubMed/NCBI谷歌学术搜索
13.Payne HL, French RL, Guo CC, Nguyen-Vu TDB, Manninen T, Raymond JL.小脑浦肯野细胞通过快速速率代码控制眼球运动,该代码与峰值不规则性不一致。伊莱夫。2019;8.pmid:31050648
查看文章PubMed/NCBI谷歌学术搜索
14.米切尔JF,桑德伯格KA,雷诺兹JH。空间注意解耦了猕猴区域V4的内在活动波动。神经元。2009;63: 879–888.pmid:19778515
查看文章PubMed/NCBI谷歌学术搜索
15.Schölvinck ML,Saleem AB,Benucci A,Harris KD,Carandini M.皮质状态决定了视觉皮层中的全局变异性和相关性。J Neurosci.2015;35: 170–178.pmid:25568112
查看文章PubMed/NCBI谷歌学术搜索
16.米切尔JF,桑德伯格KA,雷诺兹JH。猕猴视觉区域V4中跨单元类的差分注意力依赖性响应调制。神经元。2007;55: 131–141.pmid:17610822
查看文章PubMed/NCBI谷歌学术搜索
17.波兰E,Donner TH,Müller KM,Leopold DA,Wilke M. Thalamus表现出比皮层更少的感觉变异淬火。科学代表 2019;9: 1–12.
查看文章谷歌学术搜索
18.Rickert J, Riehle A, Aertsen A, Rotter S, Nawrot MP.运动皮质神经元运动方向的动态编码。J Neurosci.2009;29: 13870–13882.pmid:19889998
查看文章PubMed/NCBI谷歌学术搜索
19.芬奇G,文图拉V,史密斯MA,卡斯RE。将尖峰计数相关性与触发速率相关性分开。神经计算。2016;28: 2709–2733.pmid:26942746
查看文章PubMed/NCBI谷歌学术搜索
20.Rajdl K,Lansky P,Kostal L. Fano Factor:一个潜在的有用信息。Front Comput Neurosci.2020;14.pmid:33328945
查看文章PubMed/NCBI谷歌学术搜索
21.兰斯基P,萨瑟多特L,祖卡C.伽玛更新过程作为扩散泄漏整合和火神经元模型的输出。Biol Cybern.2016;110: 193–200.pmid:27246170
查看文章PubMed/NCBI谷歌学术搜索
22.筱本S,三浦K,小山S.峰间间隔局部变异的度量。生物系统。2005;79: 67–72.pmid:15649590
查看文章PubMed/NCBI谷歌学术搜索
23.Nawrot MP,Boucsein C,Rodriguez Molina V,Riehle A,Aertsen A,Rotter S.皮质尖峰列车中可变性动力学的测量。J Neurosci Methods.2008;169: 374–390.pmid:18155774
查看文章PubMed/NCBI谷歌学术搜索
24.下川 T, 小山 S, 筱本 S.将时间重定尺度伽马过程表征为尖峰训练的模型。J Comput Neurosci.2010;29: 183–191.pmid:19844786
查看文章PubMed/NCBI谷歌学术搜索
25.Omi T, Shinomoto S. 优化非 Poissonian 尖峰列车的时间直方图。神经计算。2011;23: 3125–3144.pmid:21919781
查看文章PubMed/NCBI谷歌学术搜索
26.Ostojic S. 由波动输入驱动的尖峰神经元的尖峰间间隔分布。J神经生理学。2011;106: 361–373.pmid:21525364
查看文章PubMed/NCBI谷歌学术搜索
27.Fisch K,Schwalger T,Lindner B,Herz AVM,Benda J.需要来自慢适应电流和快速电流的通道噪声来解释感觉神经元中的尖峰反应变异性。J Neurosci.2012;32: 17332–17344.pmid:23197724
查看文章PubMed/NCBI谷歌学术搜索
28.Pipa G, Grün S, van Vreeswijk C. 尖峰列车自结构对联合尖峰事件概率分布的影响.神经计算。2013;25: 1123–1163.pmid:23470124
查看文章PubMed/NCBI谷歌学术搜索
29.科亚马 S, 科斯塔尔 L.速率编码假设下尖峰间区间统计对信息增益的影响.Math Biosci Eng. 2014;11: 63–80.pmid:24245680
查看文章PubMed/NCBI谷歌学术搜索
30.Ponce-Alvarez A,Kilavik BE,Riehle A.峰值时间不规则性的局部测量的比较以及与运动皮质神经元中放电速率的相关性变异性。J Comput Neurosci.2010;29: 351–365.pmid:19449094-厦门杂志期刊论文发表
查看文章PubMed/NCBI谷歌学术搜索
31.Miura K,Tsubo Y,Okada M,Fukai T.皮质神经元的平衡兴奋性和抑制性输入将放电不规则性与速率调节分离。J Neurosci.2007;27: 13802–13812.pmid:18077692
查看文章PubMed/NCBI谷歌学术搜索
32.Pachitariu M,Brody C,Jun P,Holmes P.单个神经元尖峰训练的概率模型。马里乌斯·帕奇塔里乌。Citeseer.2015. http://www.gatsby.ucl.ac.uk/~marius/papers/SpikTrainStats.pdf
33.Holt GR, Softky WR, Koch C, Douglas RJ.猫视觉皮层神经元体外和体内放电变异性的比较。J神经生理学。1996;75: 1806–1814.pmid:8734581
查看文章PubMed/NCBI谷歌学术搜索
34.岛崎 H, 筱本 S.一种用于选择时间直方图的条柱大小的方法。神经计算。2007;19: 1503–1527.pmid:17444758
查看文章PubMed/NCBI谷歌学术搜索
35.Ambroggi F, Ghazizadeh A, Nicola SM, Fields HL.伏隔核核核和壳在激励-线索反应和行为抑制中的作用。J Neurosci.2011;31: 6820–6830.pmid:21543612
查看文章PubMed/NCBI谷歌学术搜索
36.Ermentrout GB, Galán RF, Urban NN. 可靠性、同步性和噪声。趋势神经科学。2008;31: 428–434.pmid:18603311
查看文章PubMed/NCBI谷歌学术搜索
37.Song S, Lee JA, Kiselev I, Iyengar V, Trapani JG, Tania N. 斑马鱼侧线传入神经元中自发活动间期的数学建模和分析.科学代表 2018;8: 11–13.
查看文章谷歌学术搜索
38.Gerhardt I, Nelson BL. 转换更新过程以模拟非平稳到达过程。通知 J 计算。2009;21: 630–640.
查看文章谷歌学术搜索
39.Häusser M, Clark BA.强直突触抑制调节神经元输出模式和时空突触整合。神经元。1997;19: 665–678.pmid:9331356
查看文章PubMed/NCBI谷歌学术搜索
40.Ten Brinke MM, Heiney SA, Wang X, Proietti-Onori M, Boele HJ, Bakermans J, et al.在小鼠巴甫洛夫眨眼调节期间小脑核神经元活动的动态调节。伊莱夫。2017;6: 1–27.pmid:29243588
查看文章PubMed/NCBI谷歌学术搜索
41.Shin SL, Hoebeek FE, Schonewille M, De Zeeuw CI, Aertsen A, De Schutter E. 小脑浦肯野细胞简单尖峰列车中的规则模式。PLoS One.2007;2: 1–9.pmid:17534435
查看文章PubMed/NCBI谷歌学术搜索
42.Ghazizadeh A,Hikosaka O.前额叶皮层和基底神经节输出中预期值和值不确定性记忆的常见编码。科学动态 2021;7: eabe0693.pmid:33980480
查看文章PubMed/NCBI谷歌学术搜索
43.Zandvakili A,Kohn A.协调的神经元活动增强皮质皮质体通讯。神经元。2015;87: 827–839.pmid:26291164
查看文章PubMed/NCBI谷歌学术搜索
44.Ghazizadeh A,Hong S,Hikosaka O.前额叶皮层代表几个月的物体值的长期记忆。Curr Biol. 2018;1–12.pmid:30056855
查看文章PubMed/NCBI谷歌学术搜索
45.Gómez-Laberge C,Smolyanskaya A,Nassi JJ,Kreiman G,Born RT. 自下而上和自上而下的输入增强了皮质神经元的可变性。神经元。2016;91: 540–547.pmid:27427459
查看文章PubMed/NCBI谷歌学术搜索
46.Shadlen MN,Newsome WT.噪声,神经代码和皮质组织。Curr Opin Neurobiol.1994;4: 569–579.pmid:7812147
查看文章PubMed/NCBI谷歌学术搜索
47.Softky WR, Koch C.皮质细胞的高度不规则放电与随机EPSP的时间整合不一致。J Neurosci.1993;13: 334–350.pmid:8423479
查看文章PubMed/NCBI谷歌学术搜索
48.Rajan K,Abbott LF,Sompolinsky H.递归神经网络中依赖刺激的混沌抑制。Phys Rev E —Stat Nonlinear, Soft Matter Phys. 2010;82: 11903.pmid:20866644
查看文章PubMed/NCBI谷歌学术搜索
49.萨利纳斯E,塞诺夫斯基TJ。相关突触输入对简单神经元模型中输出放电速率和变异性的影响。J Neurosci.2000;20: 6193–6209.pmid:10934269
查看文章PubMed/NCBI谷歌学术搜索
50.Cavallari S,Panzeri S,Mazzoni A.基于电流和基于电导的集成和火灾递归网络之间神经相互作用动力学的比较。前神经回路。2014;8: 1–23.
查看文章谷歌学术搜索
51.Litwin-Kumar A,Doiron B.具有集群连接的平衡皮质网络中的慢动态和高可变性。Nat Neurosci.2012;15: 1498–1505.pmid:23001062
查看文章PubMed/NCBI谷歌学术搜索
52.Doiron B, Litwin-Kumar A, Rosenbaum R, Ocker GK, JosiC K.状态依赖性神经相关性的机制。Nat Neurosci.2016;19: 383–393.pmid:26906505
查看文章PubMed/NCBI谷歌学术搜索
53.Denève S, Machens CK. 高效的代码和平衡的网络。Nat Neurosci.2016;19: 375–382.pmid:26906504
查看文章PubMed/NCBI谷歌学术搜索
54.Okun M,Lampl I.在正在进行的和感官诱导的活动中激发和抑制的瞬时相关性。Nat Neurosci.2008;11: 535–537.pmid:18376400
查看文章PubMed/NCBI谷歌学术搜索
55.萨利纳斯E,塞诺夫斯基TJ。相关的神经元活动和神经信息流。Nat Rev Neurosci.2001;2: 539–550.pmid:11483997
查看文章PubMed/NCBI谷歌学术搜索
56.Renart A, De La Rocha J, Bartho P, Hollender L, Parga N, Reyes A, et al.皮质电路中的异步状态。科学(80-)。2010;327: 587–590.pmid:20110507
查看文章PubMed/NCBI谷歌学术搜索
57.史密斯马,索默马。视觉区域V4中神经元相关性的空间和时间尺度。安实习生医学 2013;158: 5422–5432.pmid:23516307
查看文章PubMed/NCBI谷歌学术搜索
58.Tomko GJ,Crapper DR.神经元变异性:对相同视觉刺激的非平稳反应。大脑研究 1974;79: 405–418.pmid:4422918
查看文章PubMed/NCBI谷歌学术搜索
59.Carandini M.视觉皮层神经元对试验反应变异性的扩增。PLoS Biol. 2004;2: e264.pmid:15328535
查看文章PubMed/NCBI谷歌学术搜索
60.Schneeweis DM, Schnapf JL.猕猴锥光感受器的光电压:适应性,噪声和动力学。J Neurosci.1999;19: 1203–1216.pmid:9952398
查看文章PubMed/NCBI谷歌学术搜索
61.里布罗特 C, 关本 K, 特勒 A.从分子过程的随机性到突触传递的变异性。Nat Rev Neurosci.2011;12: 375–387.pmid:21685931
查看文章PubMed/NCBI谷歌学术搜索
62.费尔德曼新皮层可塑性的突触机制。Annu Rev Neurosci.2009;32: 33–55.pmid:19400721
查看文章PubMed/NCBI谷歌学术搜索
63.Clifford CWG, Webster MA, Stanley GB, Stocker AA, Kohn A, Sharpee TO, et al.视觉适应:神经,心理和计算方面。视觉研究 2007;47: 3125–3131.pmid:17936871
查看文章PubMed/NCBI谷歌学术搜索
64.Turrigiano G. 太多的厨师?皮质回路细化中的内在和突触稳态机制。Annu Rev Neurosci.2011;34: 89–103.pmid:21438687
查看文章PubMed/NCBI谷歌学术搜索
65.丰塔尼尼A,卡茨DB。行为状态、网络状态和感觉反应变异性。J神经生理学。2008;100: 1160–1168.pmid:18614753
查看文章PubMed/NCBI谷歌学术搜索
66.Marder E.神经元回路的神经调节:回到未来。神经元。2012;76: 1–11.pmid:23040802
查看文章PubMed/NCBI谷歌学术搜索
67.Zeldenrust F,Wadman WJ,Englitz B.具有突发的神经编码 - 当前状态和未来前景。Front Comput Neurosci.2018;12: 48.pmid:30034330
查看文章PubMed/NCBI谷歌学术搜索
68.Buzsáki G, Llinás R, Singer W, Berthoz A, Christen Y. 大脑中的时间编码。Springer Science & Business Media;2012.
69.Dragoi G.海马体中的细胞组装,序列和时间编码。Curr Opin Neurobiol.2020;64: 111–118.pmid:32375084
查看文章PubMed/NCBI谷歌学术搜索
70.Dragoi G,Carpi D,Recce M,Csicsvari J,Buzsáki G.尖锐波和行为大鼠θ振荡期间海马体和内隔之间的相互作用。J Neurosci.1999;19: 6191–6199.pmid:10407055
查看文章PubMed/NCBI谷歌学术搜索
71.De Zeeuw CI, Ten Brinke MM. 运动学习和小脑。冷泉哈布·博斯皮斯生物. 2015;7: a021683.pmid:26330521
查看文章PubMed/NCBI谷歌学术搜索
72.尹腾讯网.在听觉脑干中编码双耳定位线索的神经机制。哺乳动物听觉通路中的整合功能。施普林格;2002. 第99–159页.
73.Oram MW, Hatsopoulos NG, Richmond BJ, Donoghue JP.运动皮质神经元的过度同步提供了与粗时间测量的冗余方向信息。J神经生理学。2001;86: 1700–1716.pmid:11600633
查看文章PubMed/NCBI谷歌学术搜索
74.文图拉V,蔡C,卡斯RE。试验间变异性及其对两个神经元之间时变依赖性的影响。J神经生理学。2005;94: 2928–2939.pmid:16160096
查看文章PubMed/NCBI谷歌学术搜索
75.理查森。突触电导对尖峰神经元电压分布和放电速率的影响.Phys Rev E—统计物理,等离子体,流体,相关跨学科顶部。2004;69: 8.pmid:15244858
查看文章PubMed/NCBI谷歌学术搜索
76.三浦K,冈田M,阿玛瑞SI。估计变化环境下的峰值不规则性。神经计算。2006;18: 2359–2386.pmid:16907630
查看文章PubMed/NCBI谷歌学术搜索
77.Zandvakili A,Kohn A.麻醉猕猴的同步V1-V2神经元群体记录。2019. http://dx.doi.org/10.6080/K0B27SHN
78.Fayaz S,Fakharian M,Ghazizadeh A.刺激的表现可以增强皮质下和皮质区域的峰值不规则性 - 代码和数据。Dryad, Data.2022. https://doi.org/10.5061/dryad.0cfxpnw2c
查看文章谷歌学术搜索
79.Ten Brinke MM, Heiney SA, Wang X, Proietti-Onori M, Boele H-J, Bakermans J, et al.在清醒行为小鼠的眨眼调节期间,小脑穿插核神经元的眼睑行为和尖峰活动。2017. http://dx.doi.org/10.6080/K0B85697
 
上一篇:患有针对 I 型干扰素的中和自身抗体的危重 COVID-19 患者发生疱疹病毒病的风险增加-厦

下一篇: “十商”课程体系构建的理论与实践研究
咨询方式

 ---->>学术源论文咨询发表网
 ---->>咨询QQ:854727998 
 ---->>电话:
   
13889158687(微信同号)

 ---->>邮箱:lunwen133@163.com
投稿写明所投期刊,3日内回复.五日未回复可电话咨询。

工作时间:8:00-17:00   周六值班、周日休息,国家法定假日休息

学术焦点 更多>>

《健康必读》省级医学月刊 当月发
《医药前沿》国家级医学月刊 ISS
《中国健康月刊》国家医学月刊-是
《才智》省级教育类月刊-CN22-13
《商情教育经济研究》省级教育类月
《考试周刊》省级教育类月刊/国内
《科教导刊》省级教育类旬刊 ISS
《文艺生活》省级教育类月刊 ISS
学术推荐 更多>>

《中小学电教

     《中小学电教》:省教育厅主管,省电教馆主办。国内统一刊号:C

《文艺生活》

     《文艺生活》杂志是经中华人民共和国新闻出版总署批准,由湖南省

《黑龙江科技

     《黑龙江科技信息》杂志是经国家科技部和国家新闻出版总署批准在
首页   -   关于我们   -   联系我们   -   发表流程   -   网站声明   -   在线投稿   -   友情链接

咨询电话 13889158687(微信同号)  QQ咨询:854727998


投稿邮箱:lunwen133@163.com
学术源论文发表咨询网 www.xueshuyuang.com  备案号:
闽ICP备2021001903号-2
版权所有  学术源论文发表咨询网