对声学统计特性的神经整合使小鼠能在噪声中检测声学目标
Neural integration of acoustic statistics enables mice to detect acoustic targets in noise
自然背景声(如雨声、风声)只能以统计特性描述,动物能否利用这些统计量在噪声中检测目标尚不清楚。研究训练小鼠在统计参数可控的声纹理中检测同类叫声,同时用 64 通道电极记录初级听皮层,并在部分试次光遗传激活小清蛋白中间神经元。结果显示试次内背景暴露越长,检测表现和叫声的神经解码越好;高跨频率相关背景下表现与编码更佳,而激活小清蛋白中间神经元在低相关背景下改善、在高相关背景下损害检测。
训练小鼠在声纹理背景中检测叫声,同时用 64 通道电极记录听皮层并光遗传操纵小清蛋白中间神经元,比较不同跨频率相关条件下的行为与神经编码。
在噪声中检测声音是听觉领域的一项重要挑战。许多自然发生的声音(雨声、风声)只能通过统计方式加以描述和预测,即所谓的声音纹理。既往研究已证明人类能够利用这种统计可预测性进行声音识别,但其神经机制仍不清楚。我们训练小鼠检测嵌入在不同统计可预测性声音纹理中的叫声,同时记录并通过光遗传学手段调控听皮层神经活动。结果显示,如果小鼠每次试验能够更长时间地采样统计信息,其行为表现和神经编码均有所改善。具有更多可利用结构的纹理,特别是更高的跨频率相关性,改善了行为表现以及对叫声的神经表征。激活小清蛋白阳性(PV)中间神经元会产生依赖于声学背景的非对称效应:在低相关性条件下改善对叫声的检测和神经编码,而在高跨频率相关性条件下则使其变差。总之,小鼠利用刺激统计信息在自然背景噪声中改善声音检测,这体现在行为表现和神经活动上,并依赖PV中间神经元进行时间整合。
中文由 AI 翻译,仅供参考,以原文为准。
来源:PLOS Biology · journals.plos.org