编辑推荐：
本文针对视网膜处理自然场景刺激时模型复杂度过高、可解释性差等挑战，提出将研究焦点从传统的高效编码框架转向任务驱动的“分而治之”策略。作者强调通过结合连接组学约束、自然刺激操控和行为任务分析，可深化对视网膜神经节细胞功能多样性的理解，为感觉系统研究提供新范式。
当我们欣赏一幅美丽的风景画时，视网膜正以惊人的效率处理着海量的视觉信息。这个仅有0.5毫米厚的神经组织，能够将1亿个光感受器接收的信息压缩到100万个神经节细胞中，通过视神经传向大脑。然而，长期以来科学家们对视网膜功能的理解主要来自简单人工刺激（如光点、移动条带）的研究，而对视网膜如何处理复杂的自然场景仍知之甚少。
传统上，研究人员通过构建编码模型来预测视网膜神经节细胞对视觉刺激的反应。早期研究多采用线性或准线性模型，如线性-非线性（Linear-Nonlinear, LN）模型，通过一个线性滤波器（感受野）和静态非线性函数来描述神经元的响应特性。然而，当面对自然场景这类复杂刺激时，这些简单模型的预测能力明显不足。深度神经网络（Deep Neural Networks, DNNs）虽然能更准确地预测神经反应，但其庞大的参数空间导致模型可解释性差，且容易过拟合。
与此同时，规范理论（normative theory）试图从优化原则出发理解视网膜功能。高效编码假说认为，视网膜通过最大化信息传输效率来编码自然场景，同时考虑代谢约束。这一框架成功解释了视网膜的一些基本特性，如中心-周边拮抗的感受野结构、ON/OFF通路的分离等。但随着研究深入，单纯的信息最大化原则显示出局限性——它忽略了行为任务对信息处理的特异性要求。
研究方法概述
研究人员综合分析了视网膜编码模型和规范理论的最新进展，重点探讨了模型复杂性带来的挑战及其解决方案。他们提出通过结合连接组学数据、自然刺激操控和任务驱动分析等多元方法，构建更贴近生物学实际的视网膜处理模型。研究还回顾了多种实验技术，包括局部感受野映射、最大激发刺激（Maximally Exciting Inputs, MEIs）分析和刺激等效体（metamers）等创新方法。
任务驱动的新范式：从“分而治之”到多任务优化
视觉行为与细胞类型的复杂关系
传统观点认为，特定类型的视网膜神经节细胞专用于特定视觉任务，即“标记线”假说。例如，青蛙的某些神经节细胞特异性响应类似昆虫的暗点，并引发捕食行为。然而，新证据表明细胞类型与行为任务的关系更为复杂。同一细胞类型可能参与多个任务（发散），而同一任务可能由多个细胞类型共同完成（收敛）。例如，小鼠的W3和tOff alpha神经节细胞都参与对迫近刺激的逃避反应，但各自承担不同功能角色。
通过视觉任务理解细胞功能
将研究焦点限定于特定视觉任务（如捕食、避障等），可显著降低刺激空间的维度，简化对复杂编码模型的解读。这种“任务还原论”策略有助于揭示神经节细胞在特定行为场景下的计算逻辑。例如，通过分析小鼠捕食蟋蟀时的视网膜输入，可以更精确地评估不同细胞类型在猎物定位任务中的贡献。
多任务约束下的选择性演化
当细胞类型参与多个视觉任务时，其选择性特征可能是多任务联合优化的结果。计算研究表明，混合选择性（mixed selectivity）——神经元对多个特征组合的响应——常在网络被优化执行多任务时出现。这种抽象表征有助于网络在新任务中快速学习，可能是理解某些神经节细胞复杂调谐特性的关键。
整合新约束：提升模型的生物合理性与可解释性
连接组学约束规范方法
连接组学数据为规范模型提供了重要的解剖学约束。通过将视网膜连接图谱作为先验知识，可大幅减少模型参数空间的自由度，使优化结果更贴近生物实际。在果蝇视觉系统中的成功应用表明，结合连接组数据和任务性能优化，能有效预测多种细胞类型的反应特性。
进化约束塑造解决方案
进化历史通过“历史偶然性”限制了视网膜电路的可能实现方式。在众多功能相似的解决方案中，进化倾向于选择那些能从祖先结构渐进式衍生的方案。因此，理解视网膜组织需要考虑系统发育历程带来的约束，而不仅仅是抽象的最优性。
自然刺激操控约束编码模型
通过结构化操控自然刺激（如刺激等效体、局部感受野映射等），可直接揭示视网膜计算的定性特征，为模型选择提供实验依据。这些方法能识别神经元响应函数的关键特性，如不变性和选择性，从而区分不同模型类的预测。
研究结论与展望
视网膜处理自然场景的研究正经历范式转变：从通用高效编码框架转向任务驱动的“分而治之”策略。通过整合连接组学、行为分析和自然刺激操控，研究人员可构建更贴近生物学实际、可解释性更强的视网膜计算模型。这一转变不仅深化了对视网膜功能的理解，也为其他感觉系统的研究提供了新范式。未来研究需进一步探索细胞类型在多重行为任务中的分工与合作，以及进化约束如何塑造视网膜电路的组织原则。
