注意对局部V1微电路的影响解释了选择性V1-V4通信 2023

Attentional effects on local V1 microcircuits explain selective V1-V4 communication

注意对局部V1微电路的影响解释了选择性V1-V4通信。

Attentional effects on local V1 microcircuits explain selective V1-V4 communication

摘要

选择性注意通过优先路由被注意的刺激，这可能是通过增加相应突触输入对高层区域神经元的影响来实现的。由于竞争刺激的输入汇聚到突触后神经元上，突触前电路可能成为注意自上而下影响的理想目标。如果这些影响使突触前电路能够选择性地驱动突触后神经元，这可能解释了选择性路由。事实上，当两个视觉刺激在初级视觉皮层（V1）中诱导出两个伽马节律时，只有被注意刺激诱导的伽马节律会驱动V4中的伽马节律。在这里，我们使用交叉谱密度的动态因果模型（Dynamic Causal Model for Cross-Spectral Densities）对诱导响应进行了建模，发现选择性驱动可以通过注意对V1内在连接的调制来解释。具体来说，处理被注意刺激的V1电路中，颗粒输入层的局部抑制减少，而超颗粒输出层的局部抑制增加。因此，突触前的注意影响及其随后的驱动足以介导选择性路由。

关键词：注意力 视觉皮层 猕猴 伽马节律 动态因果建模（DCM）

1. 引言

视觉系统已经进化为在大脑区域的层次结构中表示环境。较低区域的神经元具有较小的感受野（RFs），并向较高区域的神经元发送汇聚投射。这种汇聚创造了复杂的刺激选择性和较大的感受野。在自然观察条件下，这些较大的感受野通常覆盖多个刺激，而这些刺激通常落在初级视觉皮层（V1）中不同神经元的感受野内。当其中一个刺激被注意时，V1神经元的放电率几乎不受影响，而V4神经元的放电率与单独显示被注意刺激时的放电率相似（Luck et al., 1997; Moran and Desimone, 1985; Reynolds et al., 1999）。因此，V4区域和颞下皮层神经元的放电率主要反映被注意的刺激，而未被注意的刺激似乎被过滤掉了。

这种V1和V4放电率的模式可以通过假设注意增加了上升输入到V4的影响来建模，特别是来自V1神经元的输入，这些神经元代表被注意的刺激——参见Desimone和Duncan（1995）、Reynolds等人（1999）的“偏向竞争模型”以及Reynolds和Heeger（2009）的“归一化模型”。在这些数学模型中，注意需要选择性地处理代表被注意刺激的输入，为此，使用单独的变量来表示报告不同刺激的输入。然而，这些汇聚的输入对应于V4神经元树突上的突触，即特定于视觉刺激位置和特征的突触。给定V4神经元的所有突触输入可以通过其感受野中的多个刺激以几乎无限的方式进行划分。此外，视觉刺激的特征以及因此突触输入的划分可能会随着刺激的变化或眼睛的移动而动态变化。增强从V1到V4传递被注意刺激的突触增益将需要这些突触输入（或至少其中相当一部分）被自上而下的投射独占和动态地处理。这些投射的数量需要几乎无限，以覆盖所有可能的刺激和注意集。请注意，这个问题出现在大量被注意刺激激活的V4神经元中；因此，挑战在V4群体水平上倍增。

相比之下，在V1水平上，不同的视觉刺激由不同的神经元群体表示。由单个刺激激活的群体形成一个伽马同步的集合（Eckhorn et al., 1988; Gray et al., 1989; Lowet et al., 2017）。这样的集合具有一个优势，即它可以作为一个整体被处理，即使是由粗糙的自上而下输入。这些输入可以由来自较高区域的拓扑投射提供，该区域配备了注意显著性图。当显著性图包含局部激活峰值，反映当前的注意焦点时，这将对被注意的V1集合产生影响。自上而下的影响可能只会部分匹配V1集合。然而，目标神经元子集可以通过集合的内部同步动力学将注意效应传播到整个集合。

因此，注意处理的简约解释依赖于神经元同步；即“通过同步进行通信”（CTC）假说（Fries, 2005, 2015）。CTC提供了一种灵活且生物学上合理的机制——基于较高和较低区域之间的同步性，例如猕猴视觉区域V1和V4，来增强被注意刺激对较高区域的影响。事实上，当两个不同的视觉刺激在V1中诱导出两个局部伽马节律时，只有被注意刺激诱导的伽马节律会驱动V4中的伽马节律并建立同步性（Bosman et al., 2012; Grothe et al., 2012）。被注意的V1和V4之间的选择性同步允许被注意的V1输入在V4伽马周期的增益高峰时刻到达（Fries, 2015; Ni et al., 2016; Rohenkohl et al., 2018）。这可能导致被注意的输入对V4神经元产生更大的影响，而无需在突触或突触后水平处理这些输入。相反，自上而下的注意信号应针对被注意的V1群体，使其在与未被注意的V1群体竞争中，在以同步伽马节律驱动V4方面具有优势。

支持这一假设的一个证据是观察到被注意的V1伽马节律的频率略高于未被注意的伽马节律（Bosman et al., 2012; Ferro et al., 2021），这可能为被注意的V1伽马节律在驱动V4方面提供了竞争优势（Cannon et al., 2014; Fries, 2015）。

2. 方法

2.1. 实验细节：刺激、任务和数据收集

所有程序均由Radboud大学（荷兰奈梅亨）的动物伦理委员会批准。本研究使用了来自两只成年雄性恒河猴（Macaca mulatta）的数据。使用带有252个电极接触点的皮层电图（ECoG）网格收集局部场电位（LFP）数据，这些网格植入以覆盖两只猴子左半球的大部分区域。请注意，尽管电极没有穿透皮层组织，我们仍将信号称为LFP，因为在先前的研究中，我们发现它反映了局部神经元活动，如小感受野所示（Bosman et al., 2012）。对于每对相邻电极，LFP被减去以去除记录参考，每个结果的双极导联被称为一个（记录）位点（Bosman et al., 2012）。

猴子被训练执行一个内隐选择性注意任务（图1A）。在猴子触摸杠杆并在屏幕中心获得固定后，两个方波光栅出现在从固定点等距的位置，一个染成蓝色，另一个染成黄色，两者都在静态圆形孔径内漂移。在试验中的可变时间点，固定点呈现其中一个光栅的颜色，指示该光栅为目标，另一个为干扰物。此后可变时间点，两个光栅中的一个发生曲率变化，目标和干扰物变化的概率相等。目标的变化需要通过释放杠杆来报告以获得液体奖励。

V1和V4位点覆盖了广泛的感受野位置。两个刺激被定位以落入一个V4感受野，但分别落入V1感受野。也就是说，两个刺激激活了不同的V1位点，称为“V1a”和“V1b”，但相同的V4位点，称为“V4”。例如，激活V1a的刺激将被称为“V1a刺激”；同时记录的V1a、V1b和V4位点集合将被称为“V1a-V1b-V4三元组”（或简称“三元组”）。每个试验中行为相关的刺激（分别为无关的）将被称为“被注意的刺激”（分别为未被注意的）。相应地，我们将参考其感受野中包含被注意（分别为未被注意）刺激的V1位点为“被注意的（分别为未被注意的）V1位点”。试验分为两种条件：“注意V1a”，其中V1a刺激是目标，V1b刺激是干扰物，以及“注意V1b”，其中情况相反。

有关任务、记录和感受野映射的详细描述，请参见Bosman等人（2012）。本研究基于与Bosman等人（2012）相同的数据集。

记录的数据通过低通滤波器以250 Hz进行滤波，以获得局部场电位（LFP）。双极导联（称为（记录）位点）通过在时域中减去两个相邻电极的信号来计算，以去除共同的记录参考。

如Bosman等人（2012）所述，我们将数据分割为500 ms的非重叠时段。时段在提示开始后至少500 ms（即固定点的颜色变化）或干扰物可能发生变化后300 ms开始，并在目标发生变化时结束。方差超过时段间方差三倍的时段被拒绝；这适用于猴子K的2个时段（占猴子K所有时段的0.15%）。时段被去均值并标准化为标准差为1。为了在计算同步性时避免样本量依赖性偏差（Cohen, 2014），通过从具有更多时段的条件中随机选择时段，使各注意条件下的时段数相等。这导致猴子P每条件有Nepoch = 1253个时段，猴子K每条件有Nepoch = 590个时段。

在计算不同位点之间的交叉谱密度（CSD）之前，时段被预白化以抵消功率谱的1/f特性。为此，数据首先被下采样到250 Hz。然后使用ARfit工具箱将一阶自回归（AR）模型拟合到数据，并计算所有通道和所有时段的公共系数r，该系数假设估计数据的1/f分量。预白化时间序列的每个数据样本zw从原始数据样本zo计算如下：

其中，t表示时间步长。

对预白化后的数据，拟合了一个模型阶数为8的多变量自回归（MVAR）模型。通过Fieldtrip中的BSMART工具箱，基于估计的MVAR系数计算了功率、交叉谱密度（CSD）和相干性。

2.3 三元组形成

先前研究（Bosman et al., 2012）的目标是探讨以下情况：两个刺激（此处称为刺激A和刺激B）分别由V1中的两个不同群体（此处称为V1a和V1b）表示，并且这两个群体都将输入汇聚到V4中的同一群体。为此，作者选择了对其中一个刺激具有选择性伽马频段峰值响应的V1位点，以及对两个刺激均以伽马频段峰值响应的V4位点。由于我们旨在模拟Bosman等人（2012）所描述的精确效应，因此我们使用了相同的V1和V4位点选择标准。Bosman等人（2012）观察到的主要注意效应包括：当注意力指向激活特定V1位点的刺激时（与指向另一个刺激相比），该V1位点表现出：1）与V4位点的相干性增强；2）伽马峰值频率升高。

本研究的目标是通过拟合动态因果模型（DCM）来探讨这些注意效应背后的生成过程。为了最大化敏感性，我们使用了表现出特别强烈注意效应的V1a、V1b和V4位点的三元组。为此，我们首先计算了V1伽马峰值频率的偏移量以及V1-V4相干性随注意力的增加量。对于相干性效应的大小，我们将伽马频段（猴子P：50-80 Hz，猴子K：60-90 Hz）内的相干性值相加，并从“注意内”的总相干性值中减去“注意外”的总相干性值。然后，我们排除了所有V1-V4对，这些对的V1位点在注意力作用下伽马峰值频率出现负偏移（猴子P：67对中0对，即0%；猴子K：20对中1对，即5%），或者在注意力作用下V1-V4相干性下降（猴子P：67对中8对，即11.9%；猴子K：20对中3对，即15%）。接着，我们从剩余的V1-V4对中形成所有可能的V1a-V1b-V4三元组，通过考虑具有共同V4位点的所有V1a-V4对和V1b-V4对的组合（猴子K：16个三元组，猴子P：165个三元组；注意，三元组形成的组合性质导致猴子P中更多的位点形成了更多的三元组）。每个三元组有两个注意相干性效应大小，一个用于V1a-V4，另一个用于V1b-V4相干性。这些效应大小可以可视化为散点图中该三元组的一个点。对于每个三元组，我们计算了该点与由给定猴子所有V1a-V4和V1b-V4位点对的最大观测相干性效应幅度定义的点之间的欧几里得距离。最后，我们从每个猴子的三元组中选择了距离最小（或相干性效应大小最大）的10个三元组进行后续建模。在两只猴子中，这总共形成了20个V1a-V1b-V4三元组。对于每个三元组，进入DCM的数据——即V1a、V1b和V4之间0-100 Hz频率范围内的交叉谱密度（CSD）值数组——被称为CSD数据。

2.4 动态因果模型

**动态因果模型（DCM）** 使用贝叶斯统计方法，将一个生理学上合理的神经元活动神经质量模型拟合到实验观察到的数据中，以推断生理参数（Friston et al., 2012）。在CSD的DCM中，神经元群体被建模为神经质量（David and Friston, 2003; Jansen and Rit, 1995）。所选择的特定神经质量（典型微电路）模型的选择基于多年来在多种电生理学研究中使用动态因果建模进行的贝叶斯模型比较（Moran et al., 2013）。这种标准的功能形式继承自群体动态的平均场近似（Deco et al., 2008）。它可以被视为Jansen-Rit模型（Jansen and Rit, 1995）的表达性集合，适当地耦合以适应层间和层内连接（Bastos et al., 2012）。另一种（基于电导的）模型用包含二阶项的微分方程替换每个二阶微分方程。这些神经质量模型的扩展可以纳入方差的波动（Marreiros et al., 2009），但在当前研究中被认为过于参数化。有关进一步讨论，请参见Deco et al. (2008) 和 Moran et al. (2013)。

简而言之，每个群体的动力学通过两个操作进行建模。第一个操作对应于将突触前放电率转换为突触后去极化：它通过将输入与一个由抑制性或兴奋性突触后电位的最大幅度以及时间常数（表示被动膜和其他树突网络中空间分布延迟的速率常数的总和）参数化的α函数进行卷积，将输入的平均脉冲密度转换为群体的平均去极化。第二个操作对应于将突触后去极化转换为突触后放电率：它通过一个S形函数将神经元群体的平均去极化转换为该群体的平均放电率。当研究稳态响应时，该S形函数可以在固定点附近进一步线性化（Moran et al., 2007）。所有突触输入到给定群体的卷积（如第一个操作所述），这些输入本身是投射神经元群体的加权平均放电率，对应于图2中所示形式的二阶微分方程，捕捉每个神经元群体的活动。此类模型在EEG/MEG响应中得到了很好的确立。它们特别适合研究神经振荡，因为它们在频域中运行，并且可以通过利用复交叉谱密度矩阵的绝对值和参数进行反演（Friston et al., 2012）。我们选择了这种类型的模型，因为我们旨在研究实验观察到的注意力效应背后的机制，特别是V1伽马峰值频率的增加和V1-V4伽马相干性的增加。

本文中使用的模型由三个源或节点组成，以解释从V1a、V1b和V4位点记录的活动。这些节点具有相同的内部结构，即典型的皮层微电路，包括四个不同的神经元群体：上层颗粒层的锥体神经元群体（s）、深层锥体神经元群体（d）、颗粒层或输入层的兴奋性神经元群体（g）以及向所有层发送传入的抑制性中间神经元群体（i）（Auksztulewicz and Friston, 2015; Bastos et al., 2012）。这些神经元群体在局部微电路内的连接被称为内在连接。相反，不同微电路之间的连接被称为外在连接，包括兴奋性V1到V4的前馈投射和抑制性V4到V1的反馈投射。这种架构符合预测编码框架中反馈投射传达的预测的减法作用；有关更广泛的讨论，请参见Bastos et al. (2012)。更具体地说，每个V1微电路从s群体向V4的g和d群体发送兴奋性投射，而V4微电路从d群体向两个V1节点的s和i群体发送抑制性投射。有关所有内在和外在连接的图示，请参见图1C和图2。请注意，从s群体到g群体的内在连接、s、d和g群体的自连接以及外在反馈投射是抑制性的，尽管它们源自被认为是兴奋性的群体。这些连接被设想为由抑制性中间神经元间接介导，将源自兴奋性神经元的抑制性连接视为一种简化。该实现确保了网络中兴奋和抑制的平衡，从而确保微电路具有一个固定点吸引子，围绕该吸引子可以扩展描述微电路动力学的系统（Bastos et al., 2015a; Moran et al., 2007）。

我们将使用术语“模型架构”或简称为“架构”来指代内在和外在连接的图形，例如图1C所示；我们将使用术语“模型”来指代特定模型架构的一组估计模型参数或“后验”。我们将首先考虑图1C所示的模型架构，然后考虑一个修改后的架构。

上述神经元模型通过一个观测模型得到了补充，该观测模型解释了数据的测量过程。通常，观测模型将局部场电位（LFP）信号描述为神经元成分和噪声成分的总和。神经元成分是不同贡献神经元群体去极化的加权和。噪声成分是数据记录中固有的，由特定和非特定通道噪声组成，这些噪声在频率空间中由幅度和指数参数化。对于本研究，观测模型中添加了一个参数（w），用于解释数据的预白化处理。此外，在本研究中，只有浅层锥体神经元群体对LFP有贡献，如第2.6节所述。

神经元模型和观测模型共同构成了CSD数据的生成模型，这是一个关于参数θ和数据y的联合概率的统计模型：

其中，模型m由图2中绘制的模型结构和先验定义。Γ表示模型参数到模型频谱特征的映射，这些特征被拟合到实验观察到的数据中，因此包含了描述图2中所示神经元动力学的微分方程。N表示具有指定均值和方差的正态分布。Σ(θ)和σ分别是参数和超参数的方差。

神经元模型和观测模型参数的先验均值和方差可以在表1中找到。感兴趣的频率范围为0到100 Hz。用于构建、拟合和分析DCM的MATLAB工具箱是SPM12。表1中还包含了SPM12函数，其中每个DCM参数都可以找到。

对于不熟悉DCM的人来说，回顾一些技术问题可能是有帮助的。DCM是用于比较时间序列数据假设或模型的首选方法。DCM之所以是首选分析方法，是因为它使用变分程序，以变分自由能的形式提供证据下界（ELBO）。这可以与基于Akaike和贝叶斯信息准则（AIC和BIC）的模型证据（也称为边际似然）的替代估计进行对比，这些估计通常在采样方案中使用（Penny, 2012）。变分和采样（例如，马尔可夫链蒙特卡罗或MCMC）程序之间的关键区别在于对后验函数形式的假设。这些假设允许进行计算上和统计上高效的变分模型反演和模型比较。例如，“由于DCM的参数之间通常具有高后验相关性……标准的MCMC方案表现出较差的表现和极慢的收敛速度”（Yao and Stephan, 2021）。

然而，使用变分推断的代价是众所周知的过度自信问题（MacKay, 2003）。这意味着有必要确保变分模型反演得出的结论与采样方案一致。DCM用于表达性神经状态空间模型的验证已经与MCMC进行了比较，并针对各种采样程序进行了测试（Chumbley et al., 2007; Penny and Sengupta, 2016; Sengupta et al., 2014, 2015, 2016）。过度自信问题仅与模型参数的后验有关，而不与模型本身的后验有关（因为在贝叶斯模型比较中没有平均场近似）。然而，在解释模型参数的后验密度时，过度自信问题通常涉及可信区间的收缩。

“注意内”与“注意外”连接强度的比率，如图3F和5F中的示意图所示，评估为：

在任何给定的试验中，两个V1位点中的一个将被注意，而另一个V1位点将不被注意。这意味着这两种条件需要同时建模。在这两种条件下，注意调制被建模为一个乘数β，它调节内在V1a和V1b连接的强度。在概念上，模型中存在一个“基线”连接强度γ，从数据拟合中直接获得的β估计值预计会对V1a和V1b位点显示出相反的效果，因为对于V1a位点，它们表示从不注意条件到注意条件的调制，而对于V1b位点，它们表示从注意条件到不注意条件的调制。

两种注意条件的结果如第2.9节所述进行了合并。

请注意，为了确保比例参数（如速率和时间常数）具有非负值，所有DCM参数（电极增益除外）都具有对数正态先验。

2.6 关于观测模型的说明

如上所述，神经元模型通过一个观测模型得到了补充，该观测模型描述了模型中的每个元素如何对观测到的频谱做出贡献。这意味着从模型中观察到的功率谱原则上可以由模型中不同神经元群体的功率谱的许多不同组合构成。我们选择将观测模型限制为仅反映上层颗粒锥体神经元群体，原因有二：（1）我们的记录是通过放置在皮层表面的ECoG电极获得的。LFP随距离的衰减遵循平方反比定律，因此ECoG电极信号主要由上层颗粒神经元活动主导（Destexhe and Bedard, 2013; Nunez and Srinivasan, 2006）。（2）在所采用的DCM中，只有上层颗粒锥体V1群体投射到V4。因此，V1-V4相干性直接受到上层颗粒锥体V1群体活动功率谱的影响（而其他V1群体的影响仅是间接的）。相应地，上层颗粒锥体V1功率谱应能忠实地反映通过上述观测模型约束获得的观测数据。进一步需要注意的是，观测数据在注意条件下没有显示出伽马功率的一致差异，因此我们建模的一个目标是研究在没有相关（即上层颗粒）V1功率的注意效应的情况下，是否可以解释V1-V4相干性的强烈注意效应。它在条件之间保持不变（并且本身并不对应于任何实验条件），并与β或β相乘以计算最终的连接强度。因此，条件特定的连接强度为eγ+cβ，其中c是条件效应，对于“注意V1a”条件为+1，对于“注意V1b”条件为1。

2.7 多起点变分贝叶斯

变分贝叶斯（VB）（Friston et al., 2007）在自由能上执行梯度下降（见下文第2.8节），交替优化参数以最小化超参数集的自由能，反之亦然（优化超参数以最小化参数集的自由能）。该算法运行给定的步数（在我们的情况下为Nsteps = 128）或直到收敛，但不保证收敛到全局最小值。因此，通常的做法是重新启动算法以搜索更好的参数。在每次重新启动时，观测模型和神经元模型参数的最后后验估计值被用作自由能上新梯度下降的初始点。同时，超参数被重置为其先验值。这允许在参数空间中在最后后验估计值附近进行更广泛的搜索。

在这里，我们实现了该方案的多起点版本。每次重新启动VB时，在将先前VB执行中获得的后验均值用作下一个执行的起点之前，会向其添加最大范围为1或2的均匀噪声。在使用参数和超参数先验作为初始化执行VB之后，我们对每个噪声水平总共进行了500次随机化；每次随机化包括对每个三元组进行另外9次连续的VB重新启动，并在其间添加噪声。这导致每个三元组有1 + 9 × 500 × 2 = 9001个模型（或参数估计集）。

在拟合数据时考虑的数据特征是CSD、交叉协方差函数和从数据计算的MVAR系数的加权混合。它们的相对权重分别为1、1和1/8。

超参数先验均值小于之前的EEG DCM研究，因为ECoG数据包含较少的方差。随后的数据拟合和分析遵循贝叶斯模型反演、比较（BMC）、简化（BMR）和平均（BMA）的标准程序，在层次结构下——即参数经验贝叶斯（PEB）——模型中进行站点内和站点间效应的建模。接下来，我们将简要回顾这些程序。

2.8 自由能和模型比较

由于使用VB的多起点版本拟合数据，我们可能为每个三元组获得了9001个模型。由于收敛失败，我们为某些三元组获得了较少的模型（1842/360040或0.0051%的所有可能模型缺失；更具体地说，对于猴子P：在有反馈的DCM中，2个三元组缺失少于7个模型，在无反馈的DCM中，1个三元组缺失8个模型；猴子K：在有反馈的DCM中，所有三元组缺失少于183个模型，在无反馈的DCM中，3个三元组缺失少于10个模型）。对于每个模型，负自由能计算如下：

分别（Friston et al., 2007）。第一项是后验概率q下数据给定参数θ和模型架构的似然期望，它量化了模型及其参数对数据的拟合程度。第二项是后验与参数先验概率的Kullback-Leibler散度；它表示模型的复杂性，并对偏离先验参数值以拟合数据施加了复杂性惩罚。

模型根据其自由能（也称为ELBO）进行比较。具有较高自由能的模型（对应于较高的ELBO）提供了对数据更好的解释，并在以下部分中被报告为每个三元组的“获胜模型”（Penny et al., 2004）。

2.9 量化跨三元组的注意效应

为了量化模型中是否存在与未注意的V1相比，注意的V1的V1-V4格兰杰因果关系（GC）显著增加，我们将模型GC谱在V1位置、三元组和猴子之间进行了汇总。使用Wilson-Burg算法对模型的CSD矩阵进行谱矩阵分解来计算GC。该过程对猴子P的所有三元组和猴子K的10个三元组中的6个收敛，只有这些收敛的三元组参与平均。

首先，GC谱对在三元组形成过程中多次使用的双极位点进行了平均。然后，在将它们对齐到每个猴子的功率谱的伽马峰值频率（猴子P：65 Hz，猴子K：70 Hz）后，GC谱在两个位置的唯一V1位点和两只猴子之间进行了平均。

使用随机化测试估计了两种注意条件下GC差异的显著性。在1000次随机化中的每一次中，参与平均GC的每个唯一位点随机分配了两种条件GC谱的条件标签。然后，GC在位点上进行平均，并计算两种条件之间的差异。从每次随机化中，收集了跨频率的最大正差异和最小负差异。使用正差异分布的97.5%百分位值和负差异分布的2.5%百分位值作为模型GC的显著性阈值。这控制了总体假阳性率低于5%，并校正了跨频率执行的多重比较（Nichols and Holmes, 2002）。

为了计算V1节点内12个连接的注意调制，需要将V1a和V1b调制的估计值在两只猴子的所有20个三元组中进行汇总。

一些V1位点出现在多个三元组中（参见图S1中猴子P的标签）。当从所有三元组中组合估计参数时，这可能会引入偏差，因为它们的V1谱将由相似的参数后验分布预测。为了避免这种偏差，我们的第一步是使用PEB（Friston et al., 2016; Zeidman et al., 2019）估计重复位点的三元组中的注意调制β。通常，PEB假设一个层次模型，其中一个层次（即受试者）中的参数分布（θ(1)）可以由定义在上一层次的正态分布建模。对于注意调制参数β，PEB模型可以定义为：

第一行表示每个受试者k的数据yk由DCM生成，函数Γ(1)

k 是从第一层注意调制参数β(1)

k 到受试者k数据的非线性映射。在这里，我们将重复位点的多次迭代视为受试者。信号的均值可以在记录之间变化，并且与注意效应的计算无关，可以通过具有设计矩阵X0和参数bk的广义线性模型（GLM）建模。这里，我们使用了先验方差Cbk = 1/32。加性高斯误差项ε(1)

k 建模了观测噪声。方程的第二行对应于PEB的第二层，它表明第一层参数向量β(1)可以由具有设计矩阵X和组水平参数β(2)的GLM建模，并加上受试者间的变异性ε(2)。第二层参数具有它们自己的先验均值η和变异性ε(3)，如第三行所示。

估计的第二层PEB参数对应于唯一V1位点的注意调制，可以与在三元组中未重复的V1位点的注意调制的估计DCM参数相结合。这是再次使用PEB实现的，其中所有唯一位点被视为受试者，并假设先验方差为C′b = 1/64。

这意味着第二PEB模型结合了V1a和V1b位点的结果。然而，由于DCM处理实验设计的方式，它们在每个连接中的注意调制预期具有相反的符号。例如，如果V1a上层颗粒锥体自我抑制增加以将V1a节点的响应从不注意状态改变为注意状态，则在同一试验中，相应的V1b连接预期会减少以将V1b响应从注意状态改变为不注意状态。为了适应这种反对称性，我们简单地反转了后验V1b调制的符号，因为它们是对数正态的，因此在条件之间具有对称的幅度。作为一种简化，所有唯一V1位点的注意调制的最终估计在正文和图中被称为β或“对数调制”。

2.10 基于家庭模型比较的假设检验

如果我们假设注意调制β可以“开启”或“关闭”任意数量和组合的12个内在V1连接强度γ，那么关于这些连接的总模型数量为2^12 = 4096（我们提到12而不是24个参数，因为调制需要在V1a和V1b中以相反的符号应用，参见第2.5节）。这些模型中的每一个都是简化模型，因为它的自由参数是完整模型中自由参数的子集，我们已将完整模型拟合到数据中（在我们的例子中，这些是内在V1连接参数）。使用贝叶斯模型简化（BMR），我们直接从完整模型中高效地计算每个简化模型的证据和参数，而无需将简化模型拟合到数据中，从而避免了局部最小值（Friston et al., 2016）。在下文中，完整模型的注意调制参数称为βF，简化模型的注意调制参数称为βR。

我们根据因子设计将所有简化模型的集合划分为不重叠的模型子集（家庭）；根据我们的假设，模型被分配到家庭中，以确定特定连接是否随注意而变化。例如，如果想要测试连接强度γs⊸s是否受注意调制，所有简化模型的集合将被划分为两个不重叠的子集或家庭，对应于两个假设：1）一个家庭，其中所有模型中βs⊸s为“开启”（即它在简化模型中与完整模型中具有相同值：βRs⊸s = βFs⊸s），2）一个家庭，其中βs⊸s为“关闭”（即βRs⊸s = 0）。重要的是，每个家庭包含所有满足必要条件的模型，而不考虑其他参数。因此，这两个家庭共同包含给定假设中的所有可能模型。请注意，我们以一个连接的情况为例进行说明，这导致了两个假设，即注意调制与否。对于两个连接，这将导致2^2组合，即4个假设。一般来说，对于N个连接，这将导致2^N个假设。

每个家庭的先验概率为p(fφ) = 1/Φ，其中Φ是家庭总数，假设家庭级别的先验均匀分布以避免不必要的偏差。家庭的**后验概率**通过将属于该家庭的模型的后验概率相加来计算（Penny et al., 2010）：

在我们的案例中，这些是使用贝叶斯模型简化（BMR）计算的简化模型及其后验概率。通过在模型家庭的层面上进行推断，我们防止了证据在满足更一般注意机制假设的众多模型之间的稀释。最后，我们对获胜家庭内的参数级别进行贝叶斯模型平均（BMA）推断（Litvak et al., 2015; Penny et al., 2010）。BMA通过在特定模型m ∈ fφ上对参数θ的后验概率进行边缘化，来总结家庭特定的参数。

3. 结果

我们通过建模先前从两只猕猴获得的局部场电位（LFP）数据来研究选择性注意的影响，这些猕猴执行了隐蔽的选择性视觉注意任务（图1A）（Bosman et al., 2012）。猴子被训练去注意屏幕上出现的两个光栅之一。这两个刺激落在V1中不同的感受野（RF）上，但在V4中落在相同的感受野上。这两种注意条件之间的对比揭示了选择性注意对V1以及V1和V4之间通信的影响（图1B）（Bosman et al., 2012）。关键结果是，被注意的V1位点在伽马频段与V4位点的同步性比未被注意的V1位点强得多。重要的是，伽马功率在被注意和未被注意的V1位点之间没有系统性差异，但被注意的V1位点的伽马峰值频率比未被注意的V1位点高出约3赫兹。

在这里，我们研究了注意对伽马频率和区域间相干性影响的机制。正如引言中所述，我们询问这两种效应是否可以通过仅对V1微电路的下行注意影响来解释，哪些抑制性连接最可能受注意调制，以及是否需要V4到V1的反馈连接。为了回答这些问题，我们使用V1a、V1b和V4活动的DCM来建模注意效应。虽然我们在这里使用的数据是在LFP尺度上观测到的，但DCM允许在特定V1神经元群体的层面上进行推断；即特定层的兴奋性或抑制性神经元群体及其之间的连接（图1C）。DCM通过多起点方法拟合了每只猴子20个V1a-V1b-V4三元组（每只猴子10个）的平均（跨试验和会话）CSD。

3.1 内在V1调制足以解释注意效应

注意被建模为内在V1a和V1b连接强度的调制，这是在“注意V1a”和“注意V1b”条件之间切换以解释实验测量的LFP数据特征所必需的（图1C）。这些数据特征包括V1-V4伽马相干性和V1伽马功率峰值频率的特定条件变化，在V1伽马强度差异较小的情况下。所有这些特征都在每只猴子10个三元组拟合的DCM的CSD平均值上得到了再现（图3B，S1；见第2.6节）。由于仅允许内在V1连接在两种条件之间变化，这表明内在V1调制足以在两个目标之间切换注意。

DCM还允许量化从最能解释数据的神经质量模型生成的直接传递函数（DTF）。在猴子P的10个三元组的平均值中，V1a到V4的DTF在注意时在伽马频段显示出幅度的增加，而V1b到V4的DTF在注意时显示出伽马峰值频率的轻微增加，类似于V1伽马功率的峰值频率偏移（图3C）。在猴子K的相同分析中，V1a到V4的DTF没有显示出任何明显的注意效应（见第4.1节），而V1b到V4的DTF在注意时在伽马频段显示出明显的幅度增加（图S2），这与V1到V4格兰杰因果关系（GC）的类似变化一致（Bosman et al., 2012）。

在我们的研究背景下，选择性注意的主要效应是选择性地将注意信号从V1路由到V4，这可以量化为V1到V4的GC。在模型中，跨两只猴子平均并对其个体伽马峰值频率对齐的V1到V4 GC，确实在伽马频段随着注意力的增加而增强（图3D）。

为了识别在两个V1位点以及所有20个三元组中保守的注意调制，我们使用了参数经验贝叶斯（PEB）（Friston et al., 2016）。这种标准的层次贝叶斯建模方法假设注意调制是从具有某种均值和方差的正态分布中采样的，并将其报告为注意调制的PEB后验估计。内在V1连接强度（γ）的注意调制（β）在12个可能的连接中有3个显著为正，分别是：1）s群体的抑制性自连接（βs⊸s = 0.3043 ± 0.0104），2）d群体的抑制性自连接（βd⊸d = 0.1762 ± 0.0107），3）从s群体到i群体的兴奋性连接（βs→i = 0.2018 ± 0.0077）。注意调制在两个连接中显著为负，分别是：1）从g群体到s群体的兴奋性连接（βg→s = −0.1418 ± 0.0062），以及2）g群体的抑制性自连接（βg⊸g = −0.4422 ± 0.0119）（图3E，也在图3F中以示意图形式展示）。请注意，我们提到12个连接而不是24个，因为PEB以相同的方式对两个V1位点的注意效应进行建模：即，12个V1a连接和12个V1b连接的注意调制被视为等效（见第2.9节）。

图S3-S5展示了一个示例三元组中，每个显著受注意调制的模型参数如何影响微电路的动力学。请注意，这并不一定代表所有其他三元组的情况。

3.2 抑制的作用

贝叶斯模型简化（BMR）（Friston et al., 2016）和家庭模型比较（Penny et al., 2010）被用于测试关于抑制在V1微电路中调节注意集的作用的假设。通过BMR，可以直接从拟合的完整模型（报告的DCM，其中V1内所有连接强度均受注意调制）更新所有可能的简化模型（所有DCM，其中V1内任何连接强度均受注意调制）的参数估计和证据。

为了评估抑制在调节注意集中的作用，我们的第一个测试涉及DCM中锥体群体自抑制连接的注意调制。我们考虑了上层颗粒锥体群体和深层锥体群体的自抑制连接，因此将简化模型分为四个家庭（图4A）：（1）家庭fs,d1，包含模型，其中上层颗粒锥体群体s和深层锥体群体d的自抑制连接均受注意调制（βRs⊸s = βFs⊸s 和 βRd⊸d = βFd⊸d）；（2）家庭fs,d2，其中仅上层颗粒锥体群体s的自抑制连接受注意调制（βRs⊸s = βFs⊸s 和 βRd⊸d = 0）；（3）家庭fs,d3，其中仅深层锥体群体d的自抑制连接受注意调制（βRs⊸s = 0 和 βRd⊸d = βFd⊸d）；以及（4）家庭fs,d4，其中s和d的自抑制连接均不受注意调制（βRs⊸s = 0 和 βRd⊸d = 0）。在这四个家庭中，仅上层颗粒锥体自抑制连接受注意调制的家庭具有最大的后验概率（p(fs,d2) = 0.5995）（图4B）。后验概率次高的家庭允许s和d的自抑制连接均受注意调制（p(fs,d1) = 0.2628）。

3.3 注意效应具有前馈特性

最后，我们询问是否需要V4到V1的反馈投射来解释内在V1调制以说明注意效应。为此，我们从模型中消除了V4到V1的反馈，并将模型拟合到20个V1a-V1b-V4三元组。保留了V1到V4的前馈投射和所有内在连接，并且与之前一样，仅允许内在V1连接进行注意调制（图5A）。请注意，在这种架构中，对V1的注意影响仍被认为是通过下行投射作用于V1。值得注意的是，这种修改后的DCM再现了频谱的广泛特征，特别是注意效应（图5B，S6）。此外，从DCM获得的DTF在伽马频段显示出显著效应：V1到V4的DTF伽马幅度在注意条件下选择性增加（图5C）。

对于没有反馈的模型架构，我们还研究了模型中跨两只猴子平均并对其个体伽马峰值频率对齐的V1到V4 GC，发现它在伽马频段随着注意力的增加而增强（图5D）。

我们测试了在没有反馈的模型架构中发现的注意调制是否与具有反馈的架构中获得的调制相似。事实上，除了其他连接外，上述关键连接γs⊸s和γg⊸g在无反馈模型中显示出与有反馈模型相同方向的显著注意调制（βs⊸s = 0.2924 ± 0.0121 和 βg⊸g = -0.3330 ± 0.0144，分别；图5E）。

我们继续计算这两个连接同时受注意调制的家庭后验概率，如同原始架构的最终家庭模型比较（见图4G），并发现它在竞争假设中具有最高的概率（p = 0.5995）。值得注意的是，在没有反馈的架构中，另一个内在连接在获胜家庭简化模型的BMA中显示出显著的注意调制效应：从颗粒群体到抑制性群体的兴奋性连接γg→i。

作为最后的检查，我们询问在简化无反馈模型中，是否所有三个连接调制都是必要的，而不是这三个连接的任何子集或没有。在随后的八个家庭中，具有最高后验概率的确实是包含所有三个连接的家庭（p = 0.4745）。该家庭简化模型中注意调制的BMA为βs⊸s = 0.2917 ± 0.0115，βg⊸g = -0.3303 ± 0.0144 和 βg→i = -0.3478 ± 0.0082（各连接强度比率如图5F所示）。

4. 讨论

我们使用动态因果模型（DCM）来研究猕猴视觉皮层区域间通信中注意效应的机制。在注意任务期间，使用ECoG阵列从V1和V4区域记录局部场电位（LFP），其中两个视觉刺激分别激活了V1a和V1b位点，但激活了相同的V4位点，从而在V4水平上竞争表征（Bosman et al., 2012）。V4被注意的V1群体选择性同步，表现为注意的V1与V4之间的伽马相干性选择性增加，并伴随着注意的V1伽马频率的轻微增加（Bosman et al., 2012）。这些数据的光谱特征通过V1a-V1b-V4活动的微电路DCM在本研究中进行了拟合。

在拟合的DCM中，两种注意效应——即V1伽马频率的增加和V1-V4伽马相干性的增加——都通过内在V1连接的调制得到了充分解释。注意调制的V1连接包括抑制性连接。这一观察结果与先前的文献相结合，促使我们测试了关于抑制性注意效应的特定假设。具有最高证据的模型家族是包括上层颗粒锥体群体和兴奋性颗粒群体的自抑制连接强度调制的家族。估计该家族内的平均调制显示，上层颗粒锥体群体的自抑制增加，而颗粒群体的自抑制减少。最后，即使在缺少V4到V1的反馈连接的情况下，内在V1调制也能再现注意效应。这表明，选择性V1到V4的同步可以通过纯前馈机制实现（通过内在连接的下行调制实现）。

4.1 技术考虑

在本节中，我们对模型的技术方面、我们的假设以及本研究中使用的数据集的局限性进行了批判性反思。

首先，与任何模型一样，我们的DCM架构及其伴随的先验是对底层皮层电路的简化，特别是对皮层抑制性中间神经元的简化。假设抑制性（内在递归）自连接和下行（外在）抑制性连接由快速放电的抑制性中间神经元介导，这些中间神经元并未被显式建模（Auksztulewicz and Friston, 2015）。因此，根据Dale定律，我们假设兴奋性群体通过中间抑制性群体对其他群体施加抑制性影响。在DCM中使用的神经质量模型中，兴奋性群体及其抑制性中间神经元目标通常被合并为一个单一的神经质量，以优化模型复杂性。这些合并的神经质量模型通常在比较时具有更高的证据（或边际似然），而不是分别建模这两个群体（Adams et al., 2021）。这是因为引入额外的参数（具有单独的群体）增加了模型复杂性，并导致轻微的过拟合（Litvak et al., 2019）。这种简化之所以被允许，可能是因为兴奋之后是快速放电的抑制，其延迟与神经质量动力学的时间常数相比基本上可以忽略不计。这意味着快速放电抑制性群体对来自兴奋性群体的突触前输入的响应有效地再现了兴奋性输入。简而言之，快速放电抑制性响应可以直接建模为兴奋性群体的输出。由此产生的简化模型捕捉到了视觉皮层假设执行的核心功能计算，即预测编码（Bastos et al., 2012）。此外，它们还捕捉到了视觉层次结构中的动态：伽马范围内的较高频率振荡携带前馈信息，而较低频率的β范围内振荡用于反馈信息（Bastos et al., 2015a, 2015b; Michalareas et al., 2016; Vezoli et al., 2021）。

其次，神经质量模型在神经元群体水平上建模神经元活动，而不是单个神经元。因此，这种方法不允许区分神经元激活强度的变化与神经元同步性的变化。

第三，我们将观测模型限制为仅反映上层颗粒锥体群体，这可能使模型偏向于揭示该群体中的效应。然而，请注意，我们的第一组结果中，DCM可以自由地通过兴奋性和抑制性连接的变化来建模观测数据，涉及所有层的变化，包括深层（图3E，F）。此外，如第2.6节所述，我们认为最关键的是建模的上层颗粒锥体V1功率谱忠实地反映了观测的ECoG数据，这需要对观测模型进行限制。未来研究的一个有价值的目标是将DCM应用于分层数据，这将允许观测模型将不同的建模群体与相应层的数据联系起来。

第四，我们假设简化的电路足以描述选择性注意所涉及的动力学。当使用DCM建模注意效应时，DCM将找到最简单的解释，即在最大化模型证据的意义上最小化复杂性。这意味着DCM提供了一个与先验假设尽可能接近的注意效应的准确描述。尽管这确保了泛化和预测有效性，但它并不能保证潜在的注意效应符合先验假设。

第五，问题的性质要求形成同时记录的V1a、V1b和V4位点的三元组，这意味着一些位点参与了多个三元组（见图S1中的子面板标签）。在猴子K的情况下，两个V1位置之一仅由两个双极位点组成，其中一个位点显示的伽马峰值频率的注意偏移与Bosman等人（2012）的结果相反，因此被排除（见第2.3节中的排除标准），另一个位点在伽马频段相干性上显示出最小效应。第二个位点被用于猴子K的所有三元组（图S1）。注意对相干性的小效应量导致对该位置（V1a，猴子K）连接强度注意效应β的估计具有相对较高的方差，这意味着它们对β总体估计的贡献非常弱。请注意，这一限制不适用于我们早期的研究（Bosman et al., 2012），因为该研究仅使用三元组进行说明，但主要分析基于V1-V4对。

第六，DCM已拟合到0 Hz到100 Hz之间的整个频谱，而不仅仅是伽马频段。鉴于伽马频率范围内的注意效应是数据中最显著的特征——并且选择三元组是为了在伽马频段相干性上具有最强的注意效应——我们相信注意效应β的主要作用是改变V1的伽马峰值频率，并调节V1和V4之间的伽马相干性。

第七，一项研究提出，发送和接收群体之间的局部场电位（LFP）-LFP相干性可能仅由接收者的突触输入引起，因为这些输入对接收者的LFP有贡献（Schneider et al., 2021）。对于我们当前的数据集，这一机制预测V4的LFP基本上等于V1活动的总和，这将反过来预测V1-V4相干性由V1a和V1b之间的相对功率决定。实际上，在V1中，注意导致伽马峰值向略高的频率偏移，而总体伽马强度没有显著变化，导致伽马峰值上升侧的相对减少和下降侧的相对增加。根据Schneider等人（2021）提出的机制，V1伽马功率的这种增减模式应在V1-V4相干性中得到反映。相比之下，实证数据显示，V1-V4相干性在V1伽马峰值的上升侧也增加（参见图S1A中的几个清晰示例）。此外，Schneider等人（2021）假设区域间传递函数是平坦的，而我们发现V1-V4传递函数显示出明显的伽马峰值（图3C，5C）。最后，已知V4的尖峰被V4伽马节律同步（Fries et al., 2001），而V4伽马节律又被V1伽马节律同步（Bosman et al., 2012），因此V4尖峰与V1伽马同步（Grothe et al., 2012）；这一结果模式强烈表明，V4伽马不仅仅是V1突触输入的反映，而是真正的V4同步。

4.2 注意增加神经元通信

当两个或多个刺激同时存在时，视觉注意尤为重要（Desimone and Duncan, 1995; DeWeerd et al., 1999）。这些刺激在更高视觉区域中竞争表征，并且这些区域在注意期间的放电率可以通过假设注意选择性地增加突触前输入的相对影响来建模，即输入增益（Reynolds et al., 1999）。然而，这种输入增益调制在生理上如何实现仍然是一个谜；特别是由于注意的灵活性。注意可以动态地部署到任何视觉刺激，这应该导致相应的输入增益变化。然而，接收神经元的输入空间，对应于其感受野（RF），可以通过两种或多种刺激以几乎无限的方式进行分割。因此，如果注意通过硬连线连接调节突触后神经元上的特定突触输入子集，则需要无限数量的此类连接。相反，我们认为，通过增强较低区域中注意输入子集与突触后神经元的相干性，可以增加其有效性；这是通过相干性进行通信（Communication-Through-Coherence, CTC）假设（Fries, 2005, 2015）。在更高视觉区域中，其输入竞争的突触后神经元可以灵活地与任一竞争输入进入相干性，因此CTC提供了一种通过选择性相干性动态实现选择性通信的机制。

通信通过相干性（CTC）假设的预测已在众多先前的研究中得到了验证。在觉醒的猕猴V4中，视觉诱发的γ节律会节律性地调节峰电位反应和行为反应时间的增益，这表明γ节律输入增益调制是CTC的一个核心先决条件（Ni等人，2016）。一项计算研究对两个相连的神经元群体进行了建模，并表明它们γ相位关系的自发波动会影响其传递熵（Buehlmann和Deco，2010）。这一发现得到了实证研究的支持，这些研究表明，猕猴和猫视觉皮层中的γ相位关系会影响有效连通性（通过功率相关性进行评估）（Womelsdorf等人，2007），并且它们之间的γ相位关系会影响其传递熵（Besserve等人，2015）。几项计算研究表明，在处理两个竞争输入的情况下，可以使用这种机制来选择性地传输所关注的输入。如果接收群体（特别是相应的抑制性中间神经元）被两个竞争输入的γ节律之一选择性地驱动，则相应的选定输入将主导接收者的峰电位反应（Borgers和Kopell，2008）。当多个汇聚通路相互竞争，且其中一个通路具有振荡性时，只要接收者至少实现为一个具有单个前馈中间神经元层的简单峰电位网络，就会发现类似的选择性传输效应（Akam和Kullmann，2010），而当接收者的生物逼真度较低时，滤波效果会大打折扣（Akam和Kullmann，2012）。

如前所述，在清醒的猕猴视觉皮层中，两项研究发现V4确实与被注意的V1输入的伽马节律表现出选择性相干（Bosman et al., 2012; Grothe et al., 2012）。这两项研究使用了与我们在此研究的相同的刺激配置，即V4的感受野（RF）包含两个竞争的刺激。随后的研究使用了相同的刺激配置，并为每个刺激标记了独立的光亮度噪声（Grothe et al., 2018）；这使得能够量化从视觉刺激到V4的信号传输，并揭示了这种传输是选择性受注意调控的。一项相关研究使用了不同的刺激配置，V4的感受野只包含一个刺激（Ferro et al., 2021）。尽管如此，V1-V4相干性和V1到V4的条件格兰杰因果关系（cGC）的光谱显示了各自伽马频段中的注意增加，正如我们在数据和模型中观察到的那样。我们的模型参数，即抑制性和兴奋性连接的强度，需要拟合整个光谱，因此不能直接映射到特定频段的相干性或GC的强度。然而，Ferro等人（2021）图6A中显示的多数频段中颗粒层到上层颗粒层的cGC的注意增加，可能与我们在本研究中观察到的从颗粒层到上层颗粒层的兴奋性连接的注意增加相对应（图3E，F）。此外，被注意的V1输入平均以伽马相位关系同步V4，这种相位关系最有利于刺激传输，如通过刺激变化的行为反应时间评估的那样：任何与这种平均伽马相位关系的短暂偏离都会导致反应时间延长（Rohenkohl et al., 2018）。这种偏离经常发生，因为伽马频率存在随机变异性（Spyropoulos et al., 2022）。有趣的是，当在计算模型中包含这种随机变异性时，选择性相干仍然可以稳健地支持选择性通信（Palmigiano et al., 2017），这可能是通过前馈同步导致频率匹配（Roberts et al., 2013）；如果在此方案中两个输入竞争，相位领先的输入对接收者具有主导影响（Palmigiano et al., 2017）。因此，CTC假设得到了实证研究和计算模型的支持。迄今为止的模型表明，一旦建立了选择性同步，就会导致选择性通信（Akam and Kullmann, 2010; Borgers ¨ and Kopell, 2008; Buehlmann and Deco, 2010; Palmigiano et al., 2017）。当前模型展示了这种选择性同步是如何实现的；具体而言，它增加了对发送群体内在调制的洞察，这些调制足以实现选择性视觉注意中观察到的发送者-接收者同步。此外，至关重要的是，该模型在定量拟合观测到的功率和相干性光谱的同时实现了这一点。

基于上述（在引言和讨论中）的考虑，我们认为选择性V1-V4相干性最简洁地源自注意的下行调制，这种调制仅作用于被注意的V1位点。我们的分析揭示了这确实是可能的，并且DCM通过定量解释实证观察到的功率和相干性光谱支持了这一点：在被注意的V1微电路中，调节输入层和上层颗粒层的抑制性活动足以使该群体与更高区域之间出现选择性相干。我们认为，这种调制可以通过下行注意连接实现，这些连接在较低区域中按地形投射到被注意的神经元群体，即使它们仅部分匹配该群体；随后，同步动力学将注意效应传播到编码被注意刺激的其余群体，这可以在较低区域中跨越多个感受野（RF）和皮层柱。

该模型还使我们能够研究不同局部神经元亚群体的可能作用，并提出颗粒层自抑制减少和上层颗粒层自抑制增加。请注意，在V1中，颗粒层群体驱动上层颗粒锥体群体。因此，颗粒层群体的注意去抑制可能为上层颗粒群体提供增强的驱动。当这种增强的驱动与上层颗粒群体中增加的抑制相互作用时，这可能会在没有伽马功率变化的情况下产生伽马频率的增强。增强的伽马频率可以产生被选择的上层颗粒V1输出群体与V4目标之间的选择性相干（Cannon et al., 2014; Palmigiano et al., 2017）。

有趣的是，先前研究表明，V1伽马频率的类似幅度偏移可以通过增加刺激对比度（Lowet et al., 2015; Ray and Maunsell, 2010; Roberts et al., 2013）、刺激开始以及中央凹位置（所有这些方面都增强了刺激显著性）（Fries, 2015）以及刺激重复（Peter et al., 2021; Stauch et al., 2021）来诱导。在具有两个竞争输入的前馈网络中，输入之间的伽马频率差异可能与θ节律的伽马相位重置相互作用，以通过更快的伽马节律带来选择性同步（Burwick and Bouras, 2017; Fries, 2015）。我们当前的DCM分析表明，这种重置并非必要，但这并不质疑其潜在的生理相关性。

我们的模型并未涉及注意对放电率的影响。然而，它与先前在更高区域观察到的放电率效应完全一致，并且可以解释这些效应。当更高区域的神经元在其感受野（RF）中呈现被注意和未被注意的刺激时，其放电率与仅呈现被注意刺激时相似。因此，被注意的刺激从较低区域选择性地传递到较高区域。这种选择性通信很可能是选择性相干的结果（Akam and Kullmann, 2010; Borgers ¨ and Kopell, 2008; Buehlmann and Deco, 2010; Palmigiano et al., 2017），并且可以如本模型所示实现选择性相干。

最后，我们在此描述的机制原则上不仅限于V1和V4之间的功能。它可以在任何层次结构中实现从较低区域到较高区域的刺激子集的选择性通信，例如当刺激更大和/或相距更远时，并且它甚至可能操作在其他感觉模式中。

4.3 注意信号的目标和来源

我们的结果提供了正式证据，表明注意效应可以通过增强上层颗粒层锥体神经元的自抑制和减弱颗粒层兴奋性神经元的自抑制来实现。这些自抑制连接在功能上对应于局部紧密连接的锥体神经元与局部抑制性中间神经元（篮状细胞或快速放电细胞）之间的递归网络，这些神经元对于伽马振荡的产生至关重要（Buzsaki ´ and Wang, 2012; Cardin et al., 2009; MacKay, 2003; Sohal et al., 2009）。模型中自抑制连接的注意调制可能对应于以下生理机制：(a) 下行轴突-轴突投射，靶向锥体神经元与中间神经元之间的突触（Cover and Mathur, 2021），(b) 由下行投射分泌的神经调节剂，无论是直接还是通过下行投射靶向的局部神经调节神经元。此外，模型中自抑制的调制可能是中间神经元群体去极化或兴奋性调制的代理，这可以通过直接的兴奋性输入到中间神经元或通过神经调节（直接或间接）实现。或者，它可能是调节兴奋-抑制电路整体活动水平的代理；该电路受到SOM+（生长抑素阳性）中间神经元的抑制性控制，这些中间神经元靶向锥体神经元和快速放电中间神经元，而它们又受到VIP+（血管活性肠肽阳性）中间神经元的抑制（Pfeffer et al., 2013）。因此，SOM+中间神经元可能像伽马生成机制的制动器，而VIP+中间神经元可能释放这种制动。VIP+中间神经元是长程下行输入的主要靶点（Lee et al., 2013; Ma et al., 2021; Zhang et al., 2014），这可能对应于注意的下行输入。

重要的是，我们的实验揭示了V1伽马频率的注意增加和V1-V4伽马相干性的增加，而在伽马功率没有显著变化的情况下。我们对这些实证数据的动态因果建模表明，不同皮层层的自抑制有不同的效应。这种特定层级效应模式如何通过上述机制生成仍有待阐明。此外，其他研究表明，与灵长类伽马共享许多特征的30 Hz节律在SOM+中间神经元沉默时减少，在VIP+中间神经元沉默时增强（Veit et al., 2017, 2023）；但参见Chen et al. (2017)。由于所有这些关于特定中间神经元亚类作用的经验数据都是在小鼠中获得的，因此这些节律和效应与非人灵长类和人类灵长类中假定的同源物之间的联系将是未来研究的重要课题。

注意信号来自哪里？注意信号可以有皮层或皮层下起源。前额叶的额叶眼区（Gregoriou et al., 2009; Thompson and Bichot, 2005; Wardak et al., 2006）和腹侧前弓状区（Bichot et al., 2015）以及后顶叶皮层的侧顶内区（Chen et al., 2016; Constantinidis and Steinmetz, 2005; Herrington et al., 2009; Ipata et al., 2009; Sapountzis et al., 2018）被认为以空间或特征为基础施加注意控制。它们似乎构建和维护视觉场的显著性或优先级图，其中活动较高的位置决定了视觉场的哪一部分将被隐蔽或公开注意。这些区域相互作用，并投射到——并调节——V4和早期视觉皮层的活动（Anderson et al., 2011; Felleman and Van Essen, 1991; Gregoriou et al., 2009, 2014; Richter et al., 2017）。相应的注意下行影响可能通过β频段同步介导：视觉系统中的β频段影响在下行方向上比上行方向上更强（Bastos et al., 2015b; Michalareas et al., 2016），并且下行β调节上行伽马（Richter et al., 2017）。这些β频段下行影响在当前工作中未被明确考虑，因为模型未包括对V1施加下行影响的区域。此外，V1活动可以通过丘脑间接被更高皮层区域调节。丘脑网状核，抑制视觉丘脑，被证明在跨模态分心注意任务中介导来自前额叶皮层的下行效应（Wimmer et al., 2015）。丘脑输出的调制将直接影响V1输入层的活动，这与我们的结果一致，并与精确加权的预测编码注意调制账户一致（Kanai et al., 2015）。

或者，注意控制可能通过皮层下核团施加：几个皮层下核团向皮层提供神经调节输入。有证据表明，胆碱能神经调节可以介导视觉皮层中放电率的注意效应（Herrero et al., 2008; Schmitz and Duncan, 2018; Thiele and Bellgrove, 2018）；但也参见Veith et al. (2021)。它还可以调节伽马频段振荡活动（Howe et al., 2017; Kim et al., 2015），例如通过基底前脑直接投射到PV+（小清蛋白阳性）篮状细胞（Kim et al., 2015）。有趣的是，在人类中施用胆碱能激动剂可以增强空间注意任务中的表现，而不影响伽马频段功率（Bauer et al., 2012），这与Bosman等人（2012）中缺乏一致的伽马功率变化一致。

无论注意信号的确切来源如何，实验证明在皮层区域内的特定位置子集中存在空间注意控制，这建立了一个强有力的前提：注意信号需要在区域内不同群体的水平上具有高度的视网膜拓扑特异性。V1区域提供了最高的视网膜拓扑分辨率，当前分析表明，核心注意效应（Luck et al., 1997; Moran and Desimone, 1985; Reynolds et al., 1999）可以通过皮质视觉处理的最早阶段和随后的区域间同步现象的调制来解释。

原文链接：https://www.sciencedirect.com/science/article/pii/S1053811923005268