Vijay Balasubramanian
学分:宾夕法尼亚大学 发表在《PLOS计算生物学》上的一项研究描述了嗅觉系统识别独特气味的新模型
宾夕法尼亚大学的研究人员发现，一个简化的、基于统计的模型可以解释个体气味是如何根据上下文被认为与其他气味或多或少相似的
这个模型为产生新的假设和进行实验提供了一个起点，可以帮助研究人员更好地理解嗅觉系统，这是大脑中一个复杂而关键的部分
嗅觉虽然对味觉和避免危险至关重要，但不如其他感官研究得好
该研究的合著者之一、对生命系统如何处理信息感兴趣的理论物理学家维贾伊·巴拉苏布拉曼尼安(Vijay Balasubramanian)表示，嗅觉是自然界中发现的复杂信息处理系统的一个主要例子，因为挥发性分子的种类——在数万或数十万的范围内——远远多于鼻子中检测气味的受体种类，根据物种的不同，在数十到数百的范围内
Balasubramanian说:“每个分子都可以结合许多受体，每个受体都可以结合许多分子，所以你会得到这个组合混搭，鼻子以一种涉及许多受体类型的方式编码气味，共同告诉你什么是气味。”
“由于受体类型比分子种类少得多，你基本上不得不将一个非常高维的嗅觉空间压缩成一个低得多的神经反应空间
" 之前的实验发现，语境在这个高维空间的导航中起着关键作用，语境指的是特定的结果、位置、行为或活动，比如闻到一批烘烤的饼干，然后不久就吃了一个
Balasubramanian说:“如果你在相似的环境中体验气味，即使它们最初在鼻子中引起的反应相当不同，它们也开始由相似的神经反应来表示，所以它们在你的大脑中变得相同。”
但是，描述气味感知如何根据环境变化的理论和模型一直很难发展，因为整合大脑的复杂性很困难
在这项研究中，巴拉苏布拉曼尼安，盖亚·塔沃尼，前宾夕法尼亚大学计算神经科学项目博士后，现为华盛顿大学圣路易斯分校助理教授
路易和大卫·E
陈可森，硕士
D
-博士
D
宾夕法尼亚大学的学生尝试了一种更简单的方法，在中央大脑和嗅球之间加入了非结构化的随机反馈
“想象一下，每个情境都提供某种随机的反馈模式，然后这些随机的模式被反馈到中央大脑
我们问自己，随机性的统计数据是否能产生实验上看到的气味的神经表征的收敛和发散，”Balasubramanian说
为了尽可能将复杂性封装在模型中，研究人员结合了两种方法
一种是更典型的物理学工作，包括将一个系统分解成它的基本特征，以便进行计算和理解关键原理
另一个更符合生物学的方法，并结合了尽可能多的已知信息，包括大脑解剖和生理数据、神经元离子通道动力学、电子显微照片和嗅球的详细三维几何形状
“有这种可爱的相互作用，理论指导机械模型，机械模型发展理论
这是不同方法结合在一起的一个很好的例子:经典的、详细的机械模型和基于原理的、基于方程的模型，两者是相互作用的，”Balasubramanian说
研究人员发现，他们的简化模型可以用来重现嗅觉实验中看到的相同类型的结果
这是Balasubramanian没有预料到的，因为他认为这样一个复杂的过程需要“学习和可塑性”，以便适应和改变神经突触来改变大脑对气味的表征
关于他们的结果，他说:“我们可能已经找到了一种通用的策略，利用某些类型的随机信号来产生这些效应。”
“它不一定只是嗅觉；它也可以在其他地方
" 未来，研究人员希望将他们统计模型的结果与实验结果联系起来
一个特别感兴趣的领域是皮质兴奋性的增加是如何影响不同气味的感知的，这种兴奋发生在某些神经疾病中，如阿尔茨海默病
此外，拥有这些类型的模型和理论也可以帮助研究人员更好地理解新冠肺炎之后的嗅觉障碍
Balasubramanian说:“好的理论和模型开辟了新的研究途径，而且在最初用电子计算机探索要容易得多。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
