抽象
大多数嗅觉研究侧重于正畸刺激，其中气味通过前鼻腔进入，而逆鼻嗅觉，其中气味进入鼻腔的后部喂养，研究不足。尽管有证据表明更高层次的处理与正音不同，但通过嗅球（OB）中神经元的协调尖刺来编码复古气味在很大程度上是未知的。为此，我们使用多电极阵列在大鼠OB细胞（MC）的体内记录，以响应两种刺激模式的食物气味，并发现在引起发射率和峰值计数共差（即噪声相关性）方面存在显著差异。尖顶活性的差异通常对感官编码有影响，因此我们开发了一个单隔间生物物理 OB 模型，能够重现重要 OB 细胞类型的关键属性。先前在嗅觉受体神经元（ORN）的实验表明，逆向刺激产生的ORN输入比正交输入慢，空间更小，但这是否对OB活动有影响仍不得而知。事实上，通过这些ORN输入的规格，我们的 OB 模型捕捉到了 OB 数据中的显著趋势。我们还分析第一和第二阶 ORN 输入统计如何动态地传输到带有现象学线性非线性滤波模型的 MC 尖刺统计，并发现复古输入产生的线性筛选比 ortho 输入更大。最后，我们的模型显示，ORN的时间轮廓对于捕获我们的数据至关重要，因此，即使是在OB，ORN输入也是正交和复古刺激的显著特征。 使用数据驱动建模，我们详细介绍了ORN输入如何导致OB动态和MC尖刺统计数据的差异。这些差异可能最终决定正太和复古气味的编码方式。
作者摘要
嗅觉是许多认知和行为任务的关键意义，尤其独特，因为气味可以自然地从前部或后部进入鼻腔，即矫正和反鼻腔。然而，对于嗅球与正交和复古刺激的协调尖刺的区别知之甚少，更不用说这些不同的嗅觉模式如何改变气味的编码了。我们同时记录大鼠嗅觉灯泡中的许多细胞，以评估尖刺统计的差异，并开发一个生物物理嗅觉灯泡网络模型来研究这些差异的原因。使用理论和计算方法，我们发现嗅球转移输入统计不同，复古刺激相对于矫体刺激。此外，我们的模型表明，输入的时间配置文件对于捕获我们的数据至关重要，因此，即使是在嗅觉灯泡中，正交和复古刺激也是一个显著特征。了解嗅球的尖刺动力学与正交和复古刺激是最终理解大脑如何编码气味与不同的嗅觉模式的关键步骤。
引文：工艺 MF， 巴雷罗 AK， 高塔姆 SH， Shew WL， Ly C （2021） 嗅球皮细胞尖刺与数据驱动模型显示的矫发和复古刺激的差异。PLoS 计算生物 17 （9）： e1009169.https://doi.org/10.1371/journal.pcbi.1009169
编辑：米歇尔·米廖尔，意大利国家研究委员会
接收：2021年6月3日：已接受：2021年9月1日：已发布：2021 年 9 月 20 日
版权所有：?2021年工艺等。这是根据《知识共享归因许可证》条款分发的开放访问文章，该条款允许在任何媒介中不受限制地使用、分发和复制，前提是原始作者和来源被记入贷记。
数据可用性：所有代码，以产生计算建模结果可在https://github.com/michellecraft64/OB。https://www.dx.doi.org/10.6084/m9.figshare.14877780无花果共享的实验数据。
资金：这项工作得到了国家科学基金会（https://www.nsf.gov/）：#IIS-1912338 CL和MC，#IIS-1912320 AB，#IIS-1912352 WS和SHG。资助者在研究设计、数据收集和分析、决定出版或准备手稿方面没有作用。
竞争利益：作者宣称不存在相互竞争的利益。
介绍
嗅觉处理自然在两种不同的模式发生：矫廊（矫初），气味进入鼻腔前部和复古（复古），气味通过喉咙进入后部。正交嗅觉对于避免捕食者[1，2]，社交互动和寻找食物至关重要，并在嗅觉研究中得到了最广泛的研究。回溯嗅觉的研究要少得多，但在饮食行为中起着至关重要的作用，因为咀嚼过的食物会产生呼气后进入鼻腔的气味。逆向嗅觉驱动风味感知[3]5] 并有助于避免有害食品。此外，研究表明，食物气味的嗅觉功能障碍与肥胖症有直接关系[6+8]。先前的研究表明，正交和复古刺激的皮质fMRI BOLD信号存在差异[9]，最近的证据表明，食物气味在逆向传递时更容易识别，而矫向气味则[10]。钙成像研究表明，从鼻子对嗅球的输入与复古刺激不同 [11]。然而，在嗅球的尖刺活性水平上区分矫数和复古嗅觉处理的神经机制仍然未知。
气味信息主要在嗅球（OB）中处理，然后通过皮质细胞（MC）（和拖带细胞） 尖刺传导到皮质区域。因此，在正太和复古之间，MC 尖峰的任何差异都与气味编码的效率和准确性（12°15]有关，但任何此类差异在很大程度上都是未知的。OB的早产是嗅觉受体神经元（ORNs），其活动在正畸和复古刺激方面有所不同，如先前用fMRI[16]、钙成像[11]和转基因小鼠的光学成像[17]观察到的。这些和其他先前的研究[18]20] 表明 ORN 突触输入是 OB 活动差异的关键因素。刺激的两条途径在嗅觉上皮的不同位置进行接触（如图1实验图中的浅绿色显示），从而激活上皮内不同的ORN受体类型。然而，这些差异在ORN活动对MC尖刺的影响还有待探讨。
我们使用具有食物气味（乙基丁酸盐）刺激的多电极阵列对大鼠OB细胞进行体内记录，通过两种刺激方式进行，以确定是否存在差异。我们发现，在气味引起 MC 尖峰与矫数与复古刺激在射击速率（较大的与复古）和尖峰计数共差（较大的与矫数）方面存在显著差异。然而，了解复古刺激如何能够引起比矫形器更大的发射率和更小的共生性，在经常性网络中通常比较困难，因为形成峰值统计的众多属性[21]24]。此外，由于 OB 中反复电路的复杂性[25， 26]以及由此产生的空间性 ORN 响应[18， 20]，因此在实验中很难剖析 ORN 输入的组件如何改变 OB 尖峰。因此，我们开发了一个单隔间生物物理 OB 模型，该模型解释了 ORN 输入的差异，以调查它们如何影响 MC 尖刺响应。具体来说，我们将 ORN 输入建模为时间变化的不生成 Poisson 过程[27]，其中投入率的增减速度比正太[11， 17]慢，而 ORN 输入相关性比正太[11， 17]更小。有了这些规格，我们的生物物理OB网络模型能够捕捉我们的实验数据中突出的正听与复古MC尖刺反应趋势。
然而，我们的生物物理 OB 模型过于复杂，无法直接进行数学分析，从而解决神经编码问题，即 MCs 如何将 ORN 输入转换为峰值响应。我们使用简单的线性非线性（LN）模型框架来评估我们的生物物理 OB 网络如何将输入统计（从 ORN）传输到输出 （MC 峰值统计）。我们发现 LN 模型的线性滤清器件（即与 ORN 输入的卷积）始终具有比矫数输入更大的复古绝对值。因此，OB 网络模型对具有复古输入的 ORN 波动比使用正太更敏感。最后，我们使用我们的模型来检查 ORN 输入（时间配置文件、振幅、输入相关性）中哪些关键属性对于捕获我们的数据最为重要。我们发现，时间轮廓是矫形与逆向刺激反应的关键属性。
这项工作提供了一个框架，如何分析驱动不同的OB尖刺反应的来源，不同的嗅觉模式，以及重要的见解，对大脑如何编码气味有影响。
结果
我们在麻醉大鼠的细胞层中对OB的体内多电极阵列进行录音（见材料和方法：电生理记录），以捕捉引起假定性MC种群的异味。这产生了大量的细胞（94），并同时记录了对细胞（1435），用来评估人口平均尖刺统计。尖峰统计数据是大鼠对单一气味，乙基丁二酸盐（食物气味）的试验平均反应。我们关注食物气味，因为它们主导着复古气味，最近的一项研究表明，人类可以更准确地检测出复古产生的食物气味（与非食物气味相比）[10]。此外，fMRI的研究表明，与复古刺激相比，人类骨质活性（9）不同，尤其是食物气味。
第一和第二阶峰值统计数据汇总在图1中，包括发射速率（周边刺激时间直方图、PSTH、图1A）、峰值计数方差（图1B）、峰值计数共差（图1C）、法诺因子（按平均值划分的方差、图1D）和皮尔逊的相关性（图1E）。对于每个单元格并同时记录一对单元格，我们用半重叠的 100 ms 时间窗口计算了试用平均峰值统计数据。时间窗口 100 ms 是较短 （膜时间常数， AMPA， GABA） 之间的中间值一个等）和较长的时间尺度 （NMDA， 钙， 和其他离子电流） 已知存在于 OB 中。
我们发现，几乎所有第一和第二顺序的 MC 峰值计数统计中，矫数和复古刺激之间在统计学上都有显著差异。在气味发作时，正交刺激会引起比逆向激发更快的激发速率，之后逆向激发比逆向激发更大，并且比矫正器保持升高更长的时间。这些趋势与转基因小鼠 OB 中球状层的成像研究（见[17]，其图 2）以及大鼠 OB 表面层的 EOG 记录一致（见[19]，其图 7）。更具体地说，我们发现在气味刺激后和持续期间，矫向和逆转录射速率之间的统计意义（α = 0.01）。我们还发现，在整个唤起状态中，正太的 MC 尖峰计数共差明显大于复古。但是，MC 峰值计数方差没有显著差异。请注意，我们特别测试了人口平均值（PSTH 和峰值方差的所有细胞的平均值，同时记录的峰值共差对）在正交和复古之间是否显著不同，通过两个样本 t 测试假设与等值人口平均值的空假说存在不平等的差异（参见S1 图）。此外，我们计算了 Cohen 的d值来测量效果大小[28]，并查找除方差以外的所有峰值统计的大多数唤起时间段的中等效果大小，请参阅S2 图。
此后，我们主要关注于理解发射速率和峰值计数共差的差异，因为它们直接影响共同编码指标（例如 Fisher 信息），而扩展的变异度度量度量度（Fano 因子和 Pearson 的相关性）是影响编码的实体的非线性函数[12]。此外，Fano 因子和相关性都取决于方差，这与正交和复古（但参见S1（D） 和 S1（E） 图完整性没有统计学上的差异）。
OB 网络模型捕获数据趋势
为了更好地了解MC与矫形和复古刺激的区别是如何形成的，我们根据李和克莱兰的多隔间模型[29，30]开发了一个单隔间OB网络模型。 我们的模型比其较大的多隔间模型（29， 30]更具计算效率，需要一小部分变量（数十个状态变量而不是数千个）。重要的是，我们的单隔间模型保留了重要的生物物理特征（图2A）。
在图 2A中，我们在 MC 的两种模型（未连接）中看到，尖峰的时间会随着当前值的增加而减少，并且聚类中的峰值数量会随着当前值的增加而增加，这与以前的电生理实验一致 [31]33]。我们模型中的星团（右）中的峰值集数和峰值数之间的间距在质量上与 Li & Cleland 模型（左）相匹配。子阈值振荡不像李克莱兰那样突出， 但仍然很明显。在未配对的GC模型中，我们和李克莱兰的模型都表现出延迟到第一个峰值与弱电流步骤[34]（图 2A，底部） 和补品发射没有明显的延迟为更高的电流注射[35]（图 2A，中间和顶部）.在未连接的 PGC 模型中，我们不观察任一型号（图 2A、顶部和中间）的重复射击。此外，从超极化电流注射（底部）释放可以非法尖刺在两个模型，如麦克奎斯顿和卡茨[36]观察到。因此，我们有一个浓缩的OB模型，使用比克莱兰的模型少得多的方程，同时保留许多生物物理动力学已知存在于这3个重要的OB细胞类型。
由于我们的重点是第一和第二顺序人口平均尖刺统计，我们使用最小的OB网络模型与2球（图2B）。每个球体都有一个 Pgc， MC 和 Gc;我们还包括一个共同的GC，提供共享抑制两个MC，因为GC已知跨越多个球状和形状MC尖峰相关性[26， 37， 38]。在 OB 网络中，PGC 和 GC 单元提供早产 GABA一个抑制他们耦合的MC，而MC提供AMPA和NMDA激发PGC和GC（见材料和方法：单室生物物理模型进一步的细节）。ORN 突触输入是此耦合 OB 网络的重要组成部分;它们是由相关不生成的 Poisson 过程与气味发病时速率和相关性的增加驱动的。我们使用的具体时间变化输入率和相关性分别显示在图 2Ci 和 2Cii 中。矫形与复古（图2Ci和2Cii）的区别是基于先前对ORN输入到OB对正交和复古刺激（11，17）的研究。 我们修复了所有模型组件，并手动改变 ORN 输入率 |O/R(t），查看材料和方法：将生物物理网络模型安装到数据中以了解更多详细信息。
我们的 OB 模型和体内数据之间的一阶和二阶统计数据的比较见图 3。通过图 2C中指定的 ORN 活动，我们的 OB 模型能够定性地捕获我们数据中显示的发射速率和峰值计数共差的趋势。图3A的射击率显示，模型和数据都显示，在气味发作时，矫初的射击率更大，随后下降幅度更大。在矫初发射率上升后，复古射击率继续增加，最终变得大于矫正，并保持升高更长的时间，与光学成像实验一致（见[17]他们的图 2）。虽然我们的实验数据中正交和复古之间的尖峰计数差异没有显著差异，但我们用完整性模型（图3B）显示我们的数据。
Our OB model captures the trend that ortho spike count covariance is larger than retro after odor onset, Fig 3C (left). The OB model certainly does not capture the magnitude of the spike count covariance in the data; recall that covariance in our experimental data is the population average over all 1435 simultaneously recorded pairs with significant heterogeneity while our model is homogeneous. But the relative differences between retro and ortho (as measured by the ratio of retro to ortho covariance in the evoked state) are similar (Fig 3C, right). Thus our OB model captures the salient trends of the population-averaged spike count statistics. We also show comparisons of Fano Factor (Fig 3D) and Pearson’s correlation (Fig 3E) for completeness. Consistent with our data, our OB model has larger Fano Factor and spike count correlation for ortho than with retro. In the evoked state, the OB model matches spike count correlation for both ortho and retro well. The larger ortho Fano factor in our data is captured in our model, but the difference is very modest.
How OB network transfers ORN input statistics
We next sought to better understand how our OB network model operates with different ORN inputs. In particular, we investigated whether the same OB network model transfers ortho and retro ORN inputs to MC spike outputs differently or not. We addressed this in a simple and transparent manner with a phenomenological LN model (Fig 4A) to approximate the overall effects of the OB network on ORN inputs. LN-type models have often been used to circumvent the complexities in biophysical spiking models (see [39–41] and Discussion).
Description of the LN model.
The LN model first applies a linear filter to the input, X(t), i.e., a convolution with a fixed temporal linear filter k, shifts the result by b, followed by a static non-linearity (exponential function) to produce an output Y(t), see Fig 4A:
(1)For our purposes, are the statistics of ORN input synapses to the MCs, and Y(t) is an approximation to the statistics of MC spiking response: . We calculate Y(t) (Eq (1)) by minimizing the L
2-norm of the difference between Y (t) and the simulated MC spike statistic from the biophysical OB model. The LN model is applied separately to each statistic (further details to follow, see Eqs (3)–(5)). For example, for ortho firing rate (Fig 5A, top left), PSTH(t) is the blue curve in Fig 5A, top left, the best fit Y (t) is black dotted curve in Fig 5A (top left), found via:
(2)（另见材料和方法：线性非线性（LN）模型：数字细节）。此过程针对每个统计和嗅觉模式重复使用：
(3)
(4)
(5)即，我们考虑每个统计数据的不同、独立的 LN 模型，没有任何混合效应（例如，不直接影响 PSTH（t））。虽然产出统计通常依赖于所有输入统计[42]44]，但我们强调，我们在此处的临时方法旨在更好地了解 OB 模型在每个统计数据上的运作方式，而不是一个原则性的替代模型。
通过构建，在生物物理 OB 模型中，每个 MC 的输入和每个 MC 的峰值输出都有相同的边际统计数据，因此我们使用 LN 模型来评估单变量输入统计（平均/var）如何映射到单变量输出统计（平均/var）。共差取决于两个变量（双变体：（S）1， S2） 用于输入和（R）1， R2）用于输出），但 LN 模型仅用于评估输入的共一差异如何映射到输出的共差，而无需直接建模多个随机变量。
对于 LN 模型的输入，我们使用精确的理论计算，而不是依赖于蒙特卡洛模拟。ORN 输入突触是由相关时间变化的不生成 Poisson 过程驱动的，但我们仍能够计算在无限数量实现限制下 ORN 输入的第一和第二顺序统计数据：详细材料和方法：计算时间变化的ORN输入突触，Eqs（13），（18）和（22）。蒙特卡洛模拟实际ORN输入用于我们的OB模型结果（Eqs（11）和（12）与理论计算（Eqs （13），（18）和（22）的比较显示在图4B。我们清楚地看到，计算（标记为"理论"）将所有三个 ORN 输入统计与平滑曲线相匹配，正确考虑了时间变化的 ORN 输入和时间变化输入相关性。这些计算不依赖于任何无音节假设：有关更多示例，请参阅S4 图。
将 LN 模型应用于生物物理 OB 模型的结果。
LN 模型能够很好地适应生物物理 OB 模型输出 MC 峰值统计的正交和复古刺激，如图 5A所示。因此，我们可以假设 LN 模型提供了生物物理 OB 模型如何传输不同 ORN 输入统计数据的体面近似。因此，在图 5B中生成的线性滤镜k（t）简明扼要地显示了生物物理 OB 网络模型如何及时汇集各种 ORN 输入统计数据。对于所有 3 个峰值统计数据，复古输入统计结果的筛选器的绝对值（正数和负值）都大于正数，这表明 OB 网络在 MC 响应对复古输入波动更敏感的系统中运行。由此产生的b值列在表 1中：它们代表着一个绝对的转变，独立于时间动态。b值对于正正太和复古的所有统计数据相似， 除了峰值计数共差。虽然b对于由此产生的 LN 曲线（图 5A中的点黑）很重要，但它不是 ORN 输入时间处理的一部分。
ORN 输入骨/复古签名
尽管复古引起比矫形更大的发射率，但与复古刺激的峰值计数共差（以及相关性和法诺因子）比矫形小。长期以来，理论和实验都认为，在未配对的细胞中，峰值相关性会随着发射速率（至少具有中等到较大的窗口大小）[45]而增加，这与我们的数据形成鲜明对比。在耦合网络中，与发射速率相关性的变化是复杂的，取决于许多因素[21]24]。因此，在同一 OB 网络中导致这些差异（与正太相比，复古的相同性更高、共振更少）的 ORN 输入组件并不明显。
因此，我们使用我们的计算框架来揭示 ORN 输入的重要特征：（i） 导致 MC 峰值统计数据与我们突出的数据趋势一致，ii） 线性过滤 ORN 输入，其值比矫数输入具有更大的值。在这里，我们忽略了矫形和复古 ORN 输入的生物学差异，以考虑影响生物物理 OB 模型运作方式的 ORN 输入的 3 个核心属性：
- 时间（快速增加和衰变，或缓慢增加和衰变;见图6A，左）
- 振幅（低或高，见图6A，左）
- 输入相关性（低或高，黑色和灰色曲线分别在图6A，右）
我们总共考虑了 8 种不同的 ORN 输入配置文件，包括振幅、输入相关性、时间配置文件的各种组合。LN 模型适合 OB 模型（即 MC 峰值统计），这 8 种不同的 ORN 输入配置文件都相似，非常接近 OB 耦合网络如何传输输入统计（参见图 5A和S5 图）。图 6B清楚地显示，输入速率（红色/较轻）的缓慢增加和衰变始终导致线性滤波器 k（t）的绝对值大于增加/衰变更快（黑色/变暗）。较大的滤波器值与所有 3 个统计数据以及振幅和输入相关性的所有变化保持一起。因此，当输入配置文件变慢时，OB 网络始终具有具有较大绝对值的过滤器（即类似逆向）。生成的 LN 模型b值列在表 2中供参考，尽管这些值表示绝对缩放，与时间动态无关。
图 7显示每个峰值统计的所有 8 个 OB 模型结果。对于所有一阶和二阶统计，包括可变性规模测量，区分我们模型结果的最显著属性是输入的时间配置文件。重要的是，时间轮廓是最佳捕捉正交和复古我们的实验数据（见图3）的区别的关键属性。投入率的缓慢增加和衰减始终导致复古般的尖刺趋势，而投入率的快速增加和衰减则导致矫向尖刺趋势。因此，我们的模型表明，时间轮廓是复古和矫形刺激的标志，并强调ORN输入在塑造相同的OB网络如何调节正交和复古刺激的关键作用。
讨论
我们调查了通过矫形和逆向路线处理气味如何产生不同的 OB 峰值统计数据，详细分析了 ORN 输入如何传输到 MC 峰值输出。受我们体内大鼠记录的激励，该记录显示 MC 第一和第二阶尖峰统计数据存在显著差异，我们开发了一个逼真的 OB 网络模型，以调查刺激引起的峰值统计调制的动态（与矫形相比，发射率更高，与复古的共差/相关性更低）。我们的 OB 模型平衡了生物物理属性[29， 30] 和计算效率。OB 模型能够通过矫形和复古刺激捕捉我们数据中的显著趋势，并且应该有助于未来对 OB 的研究。我们成功地使用生物物理 OB 模型，与现象学 LN 模型配对，分析不同的 ORN 输入如何导致输入统计的不同动态转移。我们还表明，ORN 输入的时间配置文件是正统与复古输入的关键决定因素，通过匹配我们数据的模型。输出峰值统计数据至关重要，因为 OB 将气味信息传递到较高的皮质区域，因此我们的工作可能会对不同嗅觉模式的气味处理产生影响[9]11]。
据我们所知，我们的实验首次详细描述了MC与矫初和复古刺激的区别。然而，斯科特等人的工作[19]是相关的：他们用4个电极记录了大鼠OB表面层的OB尖刺活动。他们的结果很难直接与我们相比，因为他们专注于上皮的表面OB，而不是线粒细胞层，但至少他们数据中的试验平均发射速率似乎与我们的数据一致。此外，我们的多电极阵列录音使我们能够考虑试用到试用的共差尖刺。
ORN 输入的关键属性可能导致与我们的数据一致的不同正统和复古 MC 峰值统计数据，这一点并不明显。事实上，复古刺激导致的发射率比矫形高，与逆向刺激的峰值计数共差（以及相关性和法诺因子）小于正交，与未结合的细胞相比，这些细胞的相关性随激发率[45]增加。使用各种模型，我们能够考虑 ORN 输入的三个组件（时间配置文件、振幅和输入相关性）如何产生不同的 OB 动态，将输入统计数据传输到输出。先前的实验[11，16，17]已经表明这些输入组件可能与矫数和复古输入不同。 我们发现，时间配置文件（快速与缓慢）对于捕获我们的数据和塑造输入传输到输出（即复古输入始终导致更大的时间筛选值）都起着关键作用，因此 OB 网络对复古输入统计的波动比正太更敏感。为了捕捉我们数据中的显著趋势，我们发现输入速率（上升和衰变）是逆向刺激的关键特征，而快速上升和衰变 （11、17、19）同样是矫正刺激的关键特征。
矫形与复古之间的时间差异以前被认为在区分ORN的正交/复古刺激（11、16、17、19、20）方面起到了一定的作用，但这是否延续到OB，以及这是否在尖刺水平上举行尚不得而知。 在这里，我们展示了不同时间投入对 OB 矫形与复古的重要性。
我们使用临时 LN 模型框架，因为许多生物复杂性已被删除，但重要特征被保留。即，已知神经元具有线性过滤输入，峰值生成本质上是非线性的，即发现神经元的线性滤波器并不新鲜[41]，它们与峰值触发的平均值[46]相关。因此，LN 型模型在许多环境中被使用，通常是为了规避生物物理建模，最明显的是通用线性模型[47， 48]（也见[40]），其中各种过滤器（刺激、后峰值）和模型组件适合使用最大可能性的数据。连接生物物理模型和LN模型之间的巨大差距是令人生畏的，但见奥斯托吉奇和布鲁内尔[39]谁相关的随机集成和火型模型LN。我们在这里的方法比上述工作简单得多，因为我们只是想以简单和透明的方式评估特定统计数据（平均、方差或共差）如何通过 OB 网络模型进行映射。采用增强的数据驱动方法来安装 LN 型模型，该模型依赖于ORN输入和 MC 峰值输出的实验数据以及许多试验，可能更好地揭示 OB 使用矫形器与复古的操作方式的差异。但是，我们目前不知道是否存在这样的数据集。
在这里，我们列出了我们研究的一些局限性。我们只考虑了MC对单一食物气味的反应，尽管动物遇到各种各样的食物（和非食物）气味。不同的气味激活不同的嗅觉受体，可能导致质量上不同的人群MC尖刺活动比我们在这里报告。复古气味主要是食物气味，研究表明，人类可以更准确地检测出复古产生的食物气味（与非食物气味相比）[10]。Frasnelli等人[49]表明，食物与非食物气味在引入矫形器与复古时，在人类中会发生不同的神经反应。fMRI BOLD 的研究表明，当气味通过正流或复古路线引入时，人类的皮质活动会有所不同，特别是食物气味[9]。因此，我们选择食物气味是研究复古MC反应的自然第一步。此外，我们把矫形/复古 MC 响应的差异完全归因于 ORN 输入，而事实上许多区域突触到 OB[50]。例如，光遗传学研究[51，52]已经表明，从嗅觉皮层到OB的反馈相对较强，抑制占主导地位。 这种皮质反馈（或其他外部调制）是否因矫正和复古刺激而异，目前尚不得而知。此外，对 OB[53]的气味特异性皮质反馈可能会改变 OB 峰值相关性，而我们的建模研究没有考虑到这一因素。最后，我们的数据来自麻醉大鼠，它能够控制气味的传递，并排除了混淆因素，如呼吸周期和嗅觉率[54， 55]。然而，清醒啮齿动物的MC尖峰活性可能与麻醉[56]大不相同，因此我们报道的正交与复古MC在清醒啮齿动物中尖刺的差异是否是一个悬而未决的问题。我们希望我们在这里的工作能激发更多的研究，研究矫数与复古嗅觉之间的区别，特别是在下游嗅觉回路和其他实验准备中。
结合实验和不同尺度的神经网络建模，我们为理解这两种自然嗅觉模式在OB尖刺统计中是如何产生差异的提供了基础。更笼统地，我们的模型框架提供了一个路线图，用于如何分析在ORN输入差异驱动下导致不同 OB 尖刺的属性。
材料和方法
道德声明
所有程序都是根据《国家卫生研究院实验室动物护理和使用指南》中的建议进行的，并经阿肯色大学机构动物护理和使用委员会（协议#14049）批准。使用异氟烷和尿素麻醉，尿素过量用于安乐死。
代码可用性
请参阅用于实现单分隔间生物物理模型的 MATLAB 代码、突触输入统计方程和线性非线性 （LN） 模型的 https://github.com/michellecraft64/OB。
单隔间生物物理 OB 模型
所有三种细胞类型的模型（MC、PGC、GC）都基于克莱兰实验室开发的模型[29，30]。 我们考虑两个球状体各有一个具有代表性的MC，PGC，GC（见图2B）。每个细胞都是一个基于导电的模型，具有内在离子电流。所有三种细胞类型的电压响应，在实验和多隔间模型[29， 30]中测量，通常捕获在我们的单隔间模型，见图 2A。在这里，我们全面描述所有相关的模型细节：有关其他无关的细节和实施，请参阅 GitHub 上提供的代码。
单个单元格模型。
(6)
所有模型单元的电压均受霍奇金-赫克斯利类型电流平衡方程（Eq （6）以上j的控制th电池） 包括电压（V）， 膜电容（C）， 应用电流 （I应用程序）， 离子电流 （I离子）， 突触电流 （I突触）， 和 ORN 输入 （I奥恩);分别参见表3和4的单位和数值。为了我们的建模目的，离子电流和ORN输入从[29， 30]修改，并在下面描述。
离子电流。
(7)
离子电流由上面的Eq （7）定义（特定离子类型i），并考虑最大传导率（g），激活变量（m）与指数（p），灭活变量（h）与指数（q），时间变化电压（V假定为同位素）， 和反转电位（E）我).除最大传导性外，内在离子电流及其制图变量的所有参数和功能均与[29， 30]相同。我们选择将所有隔间折叠成单隔间，从而将[29， 30]中定义的模型压缩为单隔间，并将最大导电性设定为所有最大传导值的总和（例如，在 PGC 中，I那具有最大导电性 g那= 70 mS/cm2因为 [29]设置g那= 50 mS/cm2在索玛和g那= 20 mS/cm2在脊柱）。所有所总结的最大传导值均列在表4中供参考。用于定义与钙相关的离子电流的钙动力学与[29， 30]相同。
突触电流。
(8)
(9)
Eqs（8） 和（9） 是突触变量的方程， 所有突触前 Gc 和 PGC 都提供 GABA一个输入，所有预合成 MC 提供 AMPA 和 NMDA 输入。B（V） 在Eq （8）是 NMDA 特异性镁块功能（B（V） = 1 所有其他突触）， 和s（t）是打开突触通道的一小部分。通道开口速率常数（α和β）是突触前膜电位（F（V）的正常西格体功能前在Eq （9），与[29， 30]相同。我们还定义了导电参数（g）辛） 和反转潜力 （E辛） 作为[29， 30] 有， 与g加巴? GC 的 1.5 nS →MC 突触， g加巴? PGC 的 2 nS →MC 突触， g安帕= 2 nS 和g恩姆达? MC→PGC 和 MC 的 1 nS →GC 突触;E辛? 0 mV 用于 AMPA 和 NMDA 电流，以及E辛? GABA 的 ±80 mV一个电流。
将生物物理网络模型与数据相配合
到目前为止，描述的生物物理OB模型直接从李克莱兰采用，除了我们的单隔间简化，我们把所有离子电流归为一个隔间，并使用从所有隔间（最大）传导的总和。在这里，我们描述了如何调整网络模型，以捕获我们的实验数据的显著特征。我们没有系统地考虑大量的参数空间，因为每个参数设置的模型模拟需要大量的计算资源来准确模拟峰值计数统计。设置模型参数后，我们所做的唯一手动调谐是考虑几个 Poisson 输入率 。O/R(t） （见 Eqs（10））））的 ORN 输入突触 （见S3 图） 甚至 ORN 输入相关性c j，k(t ）我们任意选择的都是固定的。
请注意，我们没有进一步调整单个单元格的内在特性;PGC、MC 和 GC 参数如上图所示，其行为见图 2A所示。
指定耦合优势。
我们使用与克莱兰[30]相同的突触变量方程， 但将耦合强度w （见Eq （8）设置为： wM←G? 3 （独立抑制）， wM←Gc= 0.3 （对 MC 的常见抑制）， wG←M= 1 （两者相同， 恩姆达）， wGc←M= 0.5 （抑制普通 GC）， wP←M? 1 和wM←P= 2 （安帕、NMDA 也是如此） 。这些耦合优势部分是从 Ly et 的结果中选择的。al[57]谁使用相关的/更简单的 OB 网络模型与相同的 2 球状体结构，以找到最适合矫形实验数据的参数空间区域。类似于 Ly 等人。al[57]（见他们的图 2， 3 和 6） 我们设置从 Gc 到 MC 的独立抑制大于从 MC 到 GC 的激励， 并共享 GC 抑制到 MC 是相对薄弱的 （即， wGc←M≤ wG←M≤ wM←G).耦合优势从未调整过，它们自始至终都是固定的。
指定 ORN 输入。
ORN 输入 （Eqs（10）/（12） 由 Poisson 输入率和成对单元格之间的输入相关性组成。我们设置相关性（c）j，k） 以下细胞对之间的： 麦克和 Pgc 对在球体内有cj，k= 0.3，因为它们接收来自相同 ORN 单元格的输入;两个 Mcs 相关 ORN 输入[58]（c）j，k(t） 时间变化，如图2Cii）：和所有 3 个 Gcs 之间， 因为它们已知同步[30， 59]（c）j，k? 所有 3 对不同的 GC 的 0.3） 。所有其他对细胞没有ORN输入相关性。请注意，2 个 MCs 的输入相关性随气味而增加，以模拟球状体活性的相关性增加。在图 2Cii 中，2 个 MC 的输入相关性受到限制，因此cR(t） < cO(t）这基于先前的成像研究表明，逆向刺激激活空间较小的球状蛋白输入区域比正交，并且从复古激活区域是正交的子集[11， 17]。对于c的特定代数公式R/O(t），请参阅 GitHub 上的代码。
我们考虑了几种不同的O/R(t），不和谐的波松输入率tk在Eq （11） （与下面描述的限制）， 并选择了那些最匹配的时间变化射击率 （图7A）.矫数与复古气味输入率，O/R(t), are constrained such that λO(t) increases faster and more abruptly than λR(t) with odor, and λR(t) decays slower than λO(t); this is all based on ORN imaging studies [11, 17]. Inputs consist of both excitatory synapses (with rate λO/R(t)) and inhibitory synapses (with rate 0.75λO/R(t)) to capture other unmodeled inhibitory effects.
To first understand how MC firing rates depends on λ(t) without any consideration for ortho or retro, we used a simple alpha-function form in the evoked state: λ(t) = te?t/τ, surveying 6 different τ (see S3(A) Fig, left). The resulting MC firing rates (S3(A) Fig, right with 2,000 realizations) was informative for how to manually set the input values (spontaneous, peaked-evoked, etc.). S3(B) Fig shows all of the λO/R(t) we tried, notice that they all satisfy the constraints described above. Via trial and error with 2,000 realizations, we only looked at the resulting firing rates (PSTH), insuring the simulations matched the ortho data well. We were fortunate in fitting the retro firing rate data, trying only 2 λR(t). The other spike statistics (e.g., covariance, Fano factor) were never accounted for in our consideration of different λO/R(t), which is perhaps why the fit to the spike covariance data is so bad.
电生理记录
我们决定使用一只老鼠的录音，以及3次录音。我们采取了这种保守的方法来控制鼻腔结构的差异，这些差异可能因大鼠[60，61]而异，这可能形成矫形与复古活性的差异[11，62]。 请参阅提供的 GitHub 代码，了解实验数据的统计摘要。
所有程序都是根据《国家卫生研究院实验室动物护理和使用指南》中的建议进行的，并经阿肯色大学机构动物护理和使用委员会（协议#14049）批准。从11只成年雄性大鼠（240+427克）收集数据;拉特图斯·诺维吉库斯，斯普拉格-道利，哈兰实验室，TX，美国）位于一个受控湿度（60%）和温度（23°C）与12h光暗周期的环境。实验是在光相下进行的。
手术准备。
麻醉是用异黄酮吸入引起的，并维持与尿素（1.5克/千克体重（bw）溶解在盐水，腹内注射（ip）。在进行外科手术之前，对脱氧乙酮（2毫克/千克 bw，ip）和硫酸阿托平（0.4毫克/千克 bw，ip）进行了管理。在整个手术和电生理记录中，核心体温保持在37°C，并配有恒温加热垫。为了将嗅觉刺激的影响与呼吸相关效果隔离开来，我们进行了如前所述的双气管切除手术[11]。通过气管切口的轮状末端将10毫米插入鼻咽管（OD 2.1毫米，上气管切除管）。另一个特氟隆管（ OD 2 . 3 毫米，下气管切除管）入气管切口的腹腔末端，以允许呼吸，呼吸绕过鼻腔。两根管子都用手术线固定并密封在组织上。局部麻醉剂（2%利多卡因）应用于所有压力点和切口。随后，在头骨的胸腔表面对右嗅球（2 毫米× 2 毫米，中心 8.5 毫米的胸腔到胸腔和 1.5 毫米横向从中线）进行了颅骨切除术。
嗅觉刺激。
将特氟隆管插入右鼻孔，左鼻孔通过鼻塞密封。插入鼻咽的上气管切除术管用于逆向输送气味刺激。气味空气以1分钟为间隔，持续1秒，流量为250毫升/分钟，饱和蒸汽为1%。气味是乙基丁酸盐（EB）。我们注意到，完整的实验数据集包含额外的气味，但在这里我们只考虑EB。
电生理学。
一个32通道微电极阵列（MEA，A4x2tet，神经Nexus，MI，美国）从OB的背层表面插入400 μ米深，瞄准受精和皮细胞群。 MEA 探针由 4 个柄（直径：15 μ米，柄间间距：200 μ米）组成，每个柄尖附近有 8 个虹膜记录点，分为两个四足组（四重奏间距：150 μ米，四面体间距为 25 μ米）。与 OB 录音同时录制，我们从放置在前皮里形式皮层的第二个 MEA 录制。电压是针对放置在盐水浸泡凝胶泡沫中的AgCl地面颗粒测量的，该颗粒覆盖了插入的 MEA 周围的裸露大脑表面。 电压以 30 kHz 采样速率进行数字化（Cereplex – Cerebus，黑岩微系统，美国 UT）。录音被带通过过滤在300至3000Hz之间，半自动尖峰排序使用Klustakwik软件进行，这是非常适合这里使用的电极阵列的类型[63]。
支持信息
S1 图。具有统计学意义的不同峰值计数统计数据。
我们进行了两个样本的 t 测试，假设每个时间点的差异不均，以评估峰值计数统计数据是否与正交和复古刺激显著不同。我们发现在气味刺激（0.3 ≤ t ≤ 1s，100 ms 时间窗口和 0.5 ≤ s 与 100 ms 时间窗口和 0.5 ≤）之后和期间，矫数和逆向射击率（A）之间的统计意义 （α = 0.01） ≤ t ≤ 1.1 s 与 200 ms 时间窗口） 以及峰值计数共差（C）为整个唤起状态 （0 ≤ t ≤ 2 s 不包括t = 0 s 与 200 ms 时间窗口）.尖峰计数方差（B） 未发现正太和复古之间有任何统计显著差异。对于完整性，法诺因子（D）和 Pearson 的相关性（E）的意义在唤起状态中对正音和复古也有很大的不同 （0 < t ≤ 2s 的法诺因子和 0 ≤ t ≤ 2 s 不包括t = 0 s 与 100 ms 时间窗口的相关性） 。
https://doi.org/10.1371/journal.pcbi.1009169.s001
（蒂夫）
S2 图。使用科恩的d.效果大小的统计测量。
我们计算了 Cohen 的非定向（双尾）案例的 d值，以测量标准单位中 t 测试手段（见S1 图）的效果大小指数。我们发现小（t = 0.3， 0.7 ≤ t ≤ 0.9 s 与 100 ms; 0.6 < t ≤ 1 s 与 200 ms） 和中等 （0.3 < t < 0.7 s， t = 1 s 与 100 ms; 0.4 ≤ t ≤0.6 s 与 200 ms） 效果大小的统计意义之间的矫数和逆向射击率（A）以及小 （0 ≤ t ≤ 2 s 不包括t = 0 s 与 200 ms 时间窗口）峰值计数共差（C）的影响大小。尖峰计数方差（B）没有效果大小的测量，因为它没有发现正太和复古之间有任何统计显著差异。就完整性而言，法诺因子（D）和 Pearson 相关（E）的效果大小也小 （0 < t ≤0.2 s ∪ 0.4 < t ≤1 ∪ 1.4 < t ≤2 s 的法诺因子， 和 0 ≤ t < 0.2 ∪ 0.5 < t < 0.8 不包括t = 0 s 与 100 ms 时间窗口相关） 和中等 （0.2 < t ≤0.4 ∪ 1 < t ≤1.4 s 的 Fano 因子和 0.2≤ t ≤ 0.5 ∪ 0.8 ≤ t ≤ 2 s 相关性）。
https://doi.org/10.1371/journal.pcbi.1009169.s002
（蒂夫）
S4 图。ORN突触统计计算是可靠和准确的。
我们的ORN突触输入统计理论（Eqs（13）、（18）和（22）对于时间变化的不相生波松过程速率和时间变化输入相关性是准确的。A）矫数型输入（Poisson 速率的快速上升和衰变）的振幅与复古（高）相同，但用于捕获数据的输入相关性较低。请注意该理论如何捕获共差的精细结构（双驼峰）。B）复古式输入（缓慢上升和衰变），振幅与矫数（高）相同，但用于捕获数据的高输入相关性。C， D）以更慢（不切实际的）时间尺度来证明动态理论的准确性：1? 50 ms 和+2? 100 ms 和波松速率的相对变化更快（所有相关输入率较低）。在品红色中显示准稳定状态近似 （Eqs（23）） 和（25）。C）鼻窦输入和时间变化振幅： 唤起 =（t） = 0.2 = 0.8 （1 = 0.8 罪 （+15t））（1 = e+2t）， 与突触跳跃大小a1? 2， a2? 5.D）这里的跳跃大小有相反的迹象， 以获得负共差： a1? 2， a2? +1， 与\（t） = 2（t = 2.25）2* （1 = 0.9 罪 （10t）e?|t+1|/0.35.灰色曲线（蒙特卡洛）在C，D比在A，B更难看到，因为更大的震级。
https://doi.org/10.1371/journal.pcbi.1009169.s004
（蒂夫）
确认
我们感谢南方卫理公会大学（SMU）计算研究中心提供的计算资源。
引用
- 1.休斯 Nk， 价格 Cj， 银行 Pb 。捕食者被猎物的嗅觉信号所吸引。普洛斯一号2010：5 （9）：e13114.下午：20927352
- 2.侯赛因 A、 萨拉瓦 Lr 、 费雷罗 Dm 、阿胡贾 G 、克里希纳 Vs 、利伯尔斯 Sd 等人。死亡相关气味尸体的高亲和力嗅觉受体。国家科学院学报。2013;110(48):19579–19584.下午：24218586
- 3.高塔姆·气味的甜度取决于大鼠的经验。化学感官。2010;35(9):767–776.下午：20702508
- 4.墨菲 C， 凯恩 · 沃斯品味和嗅觉：独立与互动。生理学与行为学。1980;24(3):601–605.下午：7375580
- 5.墨菲 C， 凯恩 Ws， 巴托舒克 Lm 。品味和嗅觉的相互作用。感官过程。1977;.下午：887950
- 6.法杜尔DA，塔克K，佩达尔扎尼P.米特拉细胞的嗅觉灯泡执行代谢感应，并中断肥胖在Kv1.3离子通道的水平。普洛斯一号2011年：6（9）：e24921。下午：21966386
- 7.艾美 P， 帕卢齐尔 - 保利尼昂 B， 塞勒姆 R， 阿尔科博西 D， 加西亚 S， 杜尚 C， 等等。由肥胖的扎克大鼠的喂养状态调节嗅觉敏感性和葡萄糖感应。行为神经科学的前沿。2014;8:326.下午：25278856
- 8.蒂博 N， 约翰逊麦克， 巴特勒 Jl， 贝尔加， 弗格森 Kl， 法杜尔 Ar， 等等。超脂饮食会导致嗅觉神经元的丧失，减少嗅觉歧视，并破坏气味逆转学习。神经科学杂志。2014;34(20):6970–6984.下午：24828650
- 9.小 Dm， 格伯 Jc， Mak Ye， 胡梅尔 T. 人类正畸与复古气味感知引起的差异神经反应。神经元。2005;47(4):593–605.下午：16102541
- 10.汉纳姆 M， 弗莱尔 J， 西蒙斯 C. 非食物气味和气味的二元性： 气味递送途径和标签公约对嗅觉感知的影响。生理学与行为学。2021;p. 113480-113480。下午：34058218
- 11.高塔姆·大鼠的鼻脊嗅球中的回溯气味表示。神经科学杂志。2012;32(23):7949–7959.下午：22674270
- 12.科恩 A， 科恩 - 卡格利 R， 卡尼采德一世， 普盖特 A. 相关性和神经元人口信息。神经科学年度回顾。2016;39(0).下午：27145916
- 13.莫雷诺 - 博特 R， 贝克 J， 卡尼采德一世， 皮特科夫 X， 拉瑟姆 P， 普盖特 A. 信息限制相关性。自然神经科学。2014;17(10):1410–1417.下午：25195105
- 14.阿维尔贝克BB，莱瑟姆PE，普格特A.神经相关性，人口编码和计算。自然评论神经科学。2006;7:358–366.下午：16760916
- 15.大安 P， 雅培 Lf 。理论神经科学：神经系统的计算和数学建模。泰勒和弗朗西斯;2001.
- 16.桑加纳哈利 Bg， 贝克 Kl， 汤普森 Gj， 赫尔曼 P， 牧羊人 Gm， 韦尔哈根 Jv， 等等。体面与反鼻球活动在老鼠嗅觉灯泡由fMRI。神经图像。2020;212.下午：32087375
- 17.富鲁多诺 Y， 克鲁兹 G， Lowe G. 侏罗兰输入模式在鼠标嗅觉灯泡唤起复古气味刺激.BMC神经科学。2013;14(1):45.下午：23565900
- 18.斯波斯 H， 瓦乔维亚克 M， 科恩 Lb， 弗里德里希 Rw 。受体神经元输入到嗅球的时空动力学和延迟模式。神经科学杂志。2006;26(4):1247–1259.下午：16436612
- 19.斯科特 Jw， 阿塞韦多 Hp， 谢里尔 L， Phan M. 老鼠嗅觉上皮对复古气流的反应。神经生理学杂志。2007;97(3):1941–1950.下午：17215498
- 20.凯里RM，维尔哈根JV，韦森DW，佩雷斯N，瓦乔维亚克M.受体神经元输入到嗅觉灯泡图像的行为大鼠的时间结构。神经生理学杂志。2009;101(2):1073–1088.下午：19091924
- 21.舒尔茨 Dp， 萨哈尼 M， 卡兰迪尼 M. 决定视觉皮层配对相关性的五个关键因素。神经生理学杂志。2015;114(2):1022–1033.下午：26019310
- 22.奥斯托吉奇 S， 布鲁内尔 N， 哈基姆五世连接性、背景活动和突触特性如何塑造尖峰列车之间的交叉相关性。神经科学杂志。2009;29:10234–10253.下午：19692598
- 23.巴雷罗·阿克，Ly C.相关性何时与经常性网络中的发射率相关性增加？PLos 计算生物学。2017：13：e1005506.下午：28448499
- 24.巴雷罗A，Ly C.调查异质复发网络中的相关-发射率关系。数学神经科学杂志。2018;8:8.下午：29872932
- 25.拉尔 W， 牧羊人 Gm， 里斯 Ts， 布莱曼 Mw 。在嗅球中抑制的登德罗登滴状突触通路。实验神经学。1966;14(1):44–56.下午：5900523
- 26.舒帕 NE， 城市 NN. 嗅球电路内的树突处理。神经科学的趋势。2003;26(9):501–506.下午：12948662
- 27.杜尚 - 维雷特 P， 科斯塔 L， 查普特 M， 伦斯基 P， 罗斯帕斯 Jp 。在正常呼吸和气管切除动物中，单只大鼠嗅觉受体神经元的自发活动模式不同。神经生物学杂志。2005;65(2):97–114.下午：16114031
- 28.科恩 J. 行为科学的统计力量分析。学术出版社;2013.
- 29.李 G， 克莱兰塔嗅球中胆碱神经调节的双层生物物理模型。神经科学杂志。2013;33(7):3037–3058.pmid：23407960
- 30.李 G， 克莱兰塔嗅球伽马振荡的耦合振荡模型。PLoS 计算生物学。2017：13 （11）：e1005760.下午：29140973
- 31.陈 WR， 牧羊人 Gm. 大鼠嗅球片中线粒细胞的膜和突触特性。大脑研究。1997;745(1-2):189–196.pmid：9037409
- 32.德斯迈森 D， 文森特 Jd， 莱多 Pm. 控制行动的潜在时机， 通过嗅觉灯泡输出神经元的内在亚地面振荡。神经科学杂志。1999;19(24):10727–10737.下午：10594056
- 33.巴鲁 R， 拉里默 P， 斯特罗布里奇 Bw 。噬菌体刺激在间歇性排出线粒细胞中唤起精确的时效尖峰。神经生理学杂志。2004;92(2):743–753.下午：15277594
- 34.肖帕 N， 韦斯特布鲁克 G. 通过 A 型钾电流调节嗅球中的突触定时。自然神经科学。1999;2(12):1106–1113.下午：10570488
- 35.记者 Rt， 斯特罗布里奇 Bw 。布兰斯细胞在嗅球中的颗粒细胞上调解持续的进给抑制。神经元。2006;49(6):889–904.下午：16543136
- 36.麦克奎斯顿A，卡茨L.内周体在老鼠嗅球的球状层的电生理学。神经生理学杂志。2001;86(4):1899–1907.下午：11600649
- 37.吉里达尔 S， 多伦 B， 城市 Nn. 时间尺度依赖的相关性塑造由嗅球横向抑制。国家科学院学报。2011;108(14):5843–5848.下午：21436050
- 38.加伦 Rf， 福考德 - 特罗克梅 N， 埃门特鲁特 B， 城市 Nn. 嗅觉灯泡神经元振荡的相关诱导同步。神经科学杂志。2006;26:3646–3655.下午：16597718
- 39.奥斯托吉奇 S， 布鲁内尔 N.从尖尖的神经元模型到线性非线性模型。PLos 计算生物学。2011年：7（1）：e1001056。下午：21283777
- 40.西蒙切利 Ep， 帕宁斯基 L， 枕头 J， 施瓦茨 O， 等等。神经反应与随机刺激的特征。认知神经科学。2004;3(327-338):1.
- 41.酒井法子神经生理学中的白噪声分析。生理评论。1992;72(2):491–505.下午：1557430
- 42.贝纳罗亚 H， 韩 SM， 纳古尔卡 M. 工程和科学的概率模型。第192卷。CRC 出版社;2005.
- 43.巴雷罗A，Ly C.实用近似方法，用于耦合神经网络的发射速率模型和相关输入。物理评论 E. 2017：96：022413.下午：28950506
- 44.Ly C， Shew W， 巴雷罗 A. 有效计算耦合发射率模型中的异构非均衡统计数据。数学神经科学杂志。2019;9:2.下午：31073652
- 45.德拉罗查 J， 多伦 B， 希布朗 E， 乔西奇 K， 雷耶斯 A. 神经尖峰列车之间的相关性随着发射率的增加而增加。自然界。2007;448:802–806.下午：17700699
- 46.枕头 Jw， 西蒙切利 Ep. 神经模型的维度减少： 尖峰触发的平均值和共差分析的信息理论概括。视觉杂志。2006;6(4):9–9.下午：16889478
- 47.枕头 Jw， 什伦斯 J， 帕宁斯基 L， 谢尔 A， 利特克阿姆， 奇奇尔尼斯基 E， 等等。在完整的神经元人群中，空间-时间相关性和视觉信号。自然界。2008;454(7207):995–999.下午：18650810
- 48.枕头 JW、艾哈迈迪 Y、帕宁斯基 L. 基于模型的解码、信息估计和多神经尖峰列车的换点检测技术。神经计算。2011;23(1):1–45.下午：20964538
- 49.弗拉斯内利 J， 昂格曼 M， 胡梅尔 T. 矫形和嗅觉刺激的复古表现调节气味感知.化学感知。2008;1(11):9–15.
- 50.帕德马纳班 K， 大阪达 F， 塔拉布丽娜 A， 基泽 E， 卡拉威 Em， 盖奇 Fh， 等等。通过整个大脑回路映射显示对主嗅球的离心输入。神经解剖学的前沿。2019;12:115.下午：30666191
- 51.马尔科普洛斯 F， 罗克尼 D， 吉尔 Dh， 穆尔西 Vn 。皮质反馈投影到嗅球的功能特性。神经元。2012;76(6):1175–1188.下午：23259952
- 52.博伊德 · 阿姆， 斯图吉尔 · 杰夫， 波 C， 艾萨克森 · 杰斯。嗅球电路的皮质反馈控制。神经元。2012;76(6):1161–1174.下午：23259951
- 53.大津 Gh， 蔡 H， 戴维斯 Mb， 阿尔贝亚努 Df 。皮质反馈可对清醒小鼠的嗅球输出进行减速。神经元。2015;86(6):1461–1477.下午：26051422
- 54.Cury KM， Uchida N. 通过哺乳动物嗅球中的吸入耦合瞬态活性进行强异味编码。神经元。2010;68(3):570–585.下午：21040855
- 55.瓦乔维亚克 M.所有在嗅觉：嗅觉作为主动感应的模型。神经元。2011;71(6):962–973.下午：21943596
- 56.林伯格 D， 库拉科夫 A， 盖尔佩林 A. 稀疏气味编码在清醒的行为小鼠。神经科学杂志。2006;26(34):8857–8865.下午：16928875
- 57.莱 C， 巴雷罗 · 阿克， 高塔姆 · 什， 舍 · 沃尔。气味引起增加的嗅觉灯泡米塔尔细胞尖刺变异性。i 科学。2021：在媒体上，下午：34485855
- 58.卡扎马 H， 威尔逊 · 里嗅觉回路中相关活动的起源。自然神经科学。2009;12(9):1136.下午：19684589
- 59.Marella S， Ermentrout B. 通过经常性网络中的反馈放大异步抑制介导同步。PLos 计算生物学。2010年：6（2）：e1000679。下午：20174555
- 60.内格斯五世鼻子和准鼻窦的比较解剖学和生理学。爱丁堡和隆贡，利文斯顿;1958.
- 61.赵 K ， 道尔顿 P ， 杨 GC ，舍勒 PW 。在人和老鼠鼻子嗅探过程中，湍流和层压气流和气味运输的数字建模。化学感官。2006;31(2):107–118.下午：16354744
- 62.赵 K， 舍勒 Pw， 哈吉卢萨， 道尔顿 P. 解剖学对人类鼻气流和气味运输模式的影响： 对嗅觉的影响。化学感官。2004;29(5):365–379.下午：15201204
- 63.罗森特 C， 卡迪尔 S， 古德曼 D， 舒尔曼 J， 亨特 M， 萨利姆 A， 等等。大型密集电极阵列的尖峰排序。自然神经科学。2016;19(4):634–641.下午：26974951