感官神经科学领域的一个基本目标是理解支配自然视觉场景处理的神经编码的复杂机制。在神经科学中，一个基本但尚未解决的问题是多种细胞类型的相互作用如何在自然环境中发展神经回路。眼睛已经进化出使用广泛的内部神经元来传递关于自然视觉场景的信息，这对将视觉信息传递到大脑非常重要。
视网膜的功能主要基于对其对闪光灯和噪声等人工刺激的反应的研究。这些可能无法准确地代表视网膜如何解释实际的视觉数据。尽管已经使用这些方法检测到不同的计算，但这超过50种不同类型的内部神经元如何 contributing to retinal processing的复杂性尚未完全理解。在最近的研究论文中，一组研究人员通过展示一个三层网络模型能够以惊人的精度预测自然场景对视网膜的反应，取得了重要的进展，几乎超出了实验数据的范围。研究人员希望了解大脑如何处理自然视觉场景，因此他们将重点放在了视网膜上，视网膜是向大脑发送信号的眼部的一部分。
该模型的可解释性，即理解和检查其内部组织的能力，是其关键特征之一。直接包括在模型中的内部神经元的反应与单独记录的反应之间存在着很强的相关性。这表明模型捕捉到了视网膜内部神经元活动的重要方面。当模型仅在自然场景上训练时，它成功地再现了各种运动分析、适应性和预测编码现象。另一方面，通过白噪声训练的模型无法再现同一组事件，支持检查自然场景以理解自然视觉处理的观点是必要的。
团队使用的一种方法将模型的节细胞的计算分解为模型的内部神经元的个体贡献。通过这种方法，可以自动生成有关内部神经元与各种时空响应模式的相互作用以产生视网膜计算的新理论，从而阐明预测事件的发生。
对于自然图像序列，图像以每秒30帧的速度进行抖动处理，每秒进行修改，并采用模拟固定眼动数据的随机行走模式。这种方法产生了一种时空刺激，更接近视网膜功能的环境。
总之，团队发现三层神经处理，类似于视网膜的结构，对于复制准确的反应至关重要。该模型成功预测了真实的视网膜节细胞对自然图像和随机噪声的反应。仔细设计的模型通过特定的层精确地模拟了这些细胞的行为。因此，这项研究使我们能够理解视觉系统如何解释世界，为了解主导自然视觉的复杂过程提供了见解。