一键关注，点亮星标 ⭐️ 前沿不走丢！
认知神经科学前沿文献分享
基本信息
Title:Functional bipartite invariance in mouse primary visual cortex receptive fields
发表时间：2026.2.25
发表期刊:Nature Neuroscience
影响因子：19.5
获取原文：
添加小助手:PSY-Brain-Frontier即可获取PDF版本
引言
视觉系统最了不起的地方，不是把外界原样“拍”进脑子，而是能在输入不断变化时，依然抓住那些真正重要的特征。
现实生活里，不论物体远近、角度、光照怎样变化，我们都能较稳定地识别它。这种在变化中保持识别的能力，背后依赖的正是神经系统对“不变性”的表征。可问题在于，神经元究竟对什么保持稳定、又允许什么发生变化，并不容易直接看出来。
传统研究往往依赖条纹、光栅等参数化刺激，或者直接看语义类别，但这两条路都容易把问题限制在研究者预设的框架里，难以真正打开神经元可能偏好的高维刺激空间。
这篇文章把目光放在初级视觉皮层（V1），尤其是小鼠V1第2/3层兴奋性神经元上。作者并不满足于回答“一个神经元最喜欢什么图像”，而是进一步追问：有哪些彼此差异很大、却都能强烈激活同一个神经元的图像？围绕这个问题，他们在此前“最强兴奋输入（most exciting input, MEI）”工作的基础上，进一步提出“变异兴奋输入（varied exciting inputs, VEIs）”，试图系统描绘单个神经元的“不变性轮廓”。更重要的是，这项研究没有停留在模型推断层面，而是把模型生成的刺激重新回放给动物，在体内做闭环验证。也正是在这一过程中，作者发现了一种此前未被清楚定义的新型感受野（receptive field, RF）组织方式：同一感受野内部，竟然可以同时容纳“固定图样”和“可平移的纹理”两种功能上截然不同的子区域。这让我们重新理解V1：它未必只是简单编码边缘和方向，也可能已经在为场景分割做更精细的准备。
实验设计与方法逻辑
作者先让清醒、固定头部的小鼠观看 5,100 张自然图像，并用双光子钙成像（two-photon calcium imaging）记录V1第2/3层兴奋性神经元活动；随后训练卷积神经网络（ CNN）作为神经元反应的“数字孪生”，为每个神经元合成MEI和20张彼此差异很大但仍能强烈激活它的VEIs。接着，作者把这些刺激回放给同一批神经元做体内闭环验证，并用参数化纹理模型、自然图像分割数据集以及MICrONS功能连接组数据，逐层回答“不变性长什么样”、“它和自然图像中的边界有什么关系”、“它又如何嵌入局部皮层回路”这三个问题。
Fig. 1 | A deep neural network model accurately predicts mouse V1 responses to natural scenes.
核心发现
VEI不仅能被模型找到
也能在活体内真正激活目标神经元
论文首先证明，VEI不是模型里的“虚假最优解”，而是能在真实动物中站得住脚的刺激。图2显示，单个VEI回放后通常都能在体内引发接近MEI的反应，而图3进一步说明，这种效果并不是因为VEI只是在像素空间上“长得像”MEI：无论是随机方向扰动得到的合成对照，还是与MEI相近的自然图像块，激活效果都明显更弱。读这部分最重要的是抓住一点：作者真正找到的是一条“响应保持不变的方向”，而不是MEI附近的普通近邻。
Fig. 2 | VEIs evoked strong and selective responses in target neurons while exhibiting population-decodable differences.
Fig. 3 | VEIs evoked stronger responses than controls and generalized across different synthesis conditions.
小鼠V1感受野里存在一种新的“双分区不变性”
真正新颖的结果出现在图4。作者发现，很多神经元的VEIs并不是围绕整个感受野一起变化，而是自然分成两个互不重叠的子区：一个子区偏好固定空间图样，另一个子区则能容忍同一种纹理在局部范围内平移。更关键的是，用这种“部分纹理+部分固定图样”的参数化模型重建出来的刺激，比“整块感受野都做纹理平移”的模型更接近原始VEIs，也更能在体内保留激活效果。读图时要注意，这意味着V1里并非只有经典的简单细胞/复杂细胞连续谱，还存在一种更异质、更分区化的功能组织。
Fig. 4 | Bipartite parameterization reproduces the visual features and in vivo responses of nonparametric VEIs.
双分区结构与自然场景中的物体边界高度对齐
这项工作最有画面感的一步，是把双分区不变性放回自然场景中理解。图5表明，能够强烈激活这些神经元的自然图像块，更容易让其双分区掩膜与物体—背景边界对齐；而进一步构造的CUB-grating数据集则提示，驱动这种对齐的关键线索不只是方向差异，更突出的是空间频率（spatial frequency）突变。多数神经元的可变子区偏向更高频率，固定子区则偏向更低频率。读者需要抓住的重点是：这些神经元可能不是单纯“看见纹理”，而是在利用纹理和频率突变帮助区分边界。
Fig. 5 | Bipartite structure aligns with natural object boundaries formed by spatial frequency differences.
V1局部回路中存在由连接关系支撑的不变性层级
论文最后把功能不变性推进到连接组层面。借助MICrONS数据集，作者比较了真实存在突触连接的神经元对与解剖上接近但并未连接的对照，发现前者在MEI和VEI表征上更相似，说明“相似连相似”的规则在突触尺度依然成立。更重要的是，图6提示后突触神经元通常比其前突触输入拥有更高的不变性，而不变性较低的前突触神经元每单位轴突—树突共行距离形成的突触更多。这里最值得关注的是逻辑方向：局部回路并不只是复制表征，它可能在同一层内把较简单的输入整合成更复杂的不变性。
Fig. 6 | MICrONS functional connectomics analysis.
归纳总结和点评
这篇文章最重要的推进，不只是又发现了一类新型V1神经元，而是把视觉神经科学中“神经元最喜欢什么”这个经典问题，推进到了“神经元在什么变化下仍然保持响应”这一更接近真实视觉计算的问题。作者通过VEI、体内闭环验证、自然图像边界分析和连接组整合，较完整地搭起了一条从刺激结构到回路机制的证据链。尤其“双分区不变性”这一发现，让我们看到V1并非一个功能均匀的局部滤波器集合，而可能已经在感受野内部完成了对边界信息的分工编码。对理解视觉分割、构建更接近生物视觉的模型，这都是很有启发性的工作。
分享人：BQ
审核：PsyBrain 脑心前沿编辑部
你好，这里是「PsyBrain 脑心前沿」
专注追踪全球认知神经科学的最尖端突破
视野直击 Nature, Science, Cell 正刊 及 Nat Neurosci, Nat Hum Behav, Neuron, Sci Adv 等核心子刊与顶级大刊
每日速递「深度解读」与「前沿快讯」，为你打破信息差
科研是一场探索未知的长跑，但你无需独行。欢迎志同道合的你加入PsyBrain 学术社群，和一群懂你的同行，共同丈量脑与心智的无垠前沿。
点击卡片进群，欢迎你的到来
一键分享，让更多人了解前沿
热门跟贴