利用在小鼠海马体中测量的参数，研究人员创建了大脑区域的综合网络模型
信用:彼得·里高德/IST 我们的大脑能够区分高度相似的模式，这要归功于一个叫做模式分离的过程
然而，我们的大脑是如何分离模式的，还没有完全弄清楚
奥地利科学技术研究所(IST)的彼得·乔纳斯教授使用齿状回的全尺寸计算机模型发现，由一种模式激活的抑制性神经元会抑制所有相邻的神经元，从而关闭“竞争”的相似模式
这是发表在《自然计算科学》上的一项研究的结果
除了体型之外，黑猫看似和黑豹相似
当被追逐时，做出这种区分是至关重要的，而人类之所以取得这种成就，要归功于模式分离，即大脑区分高度相似的模式，并触发截然不同的行为作为回应的过程:抚摸猫或逃离黑豹
这个过程也与学习有关
“我们不仅需要分离相似的模式，还需要存储和准确检索它们，例如当我们下次遇到黑豹时
因此，我们研究了模式分离是如何在海马体中发生的，海马体是一个关键的记忆回路，”奥地利IST大学教授、该研究的主要作者彼得·乔纳斯说
一个模型中有50万个神经元 在之前的研究中，乔纳斯和他的团队测量了突触、神经元连接点和连接规则的关键参数，这些参数是理解小鼠和大鼠海马网络信息处理所必需的
现在，乔纳斯用这些真实的参数建立了一个精确的网络模型——这是一个挑战，因为通常情况下，大脑回路的模型只有10比1
000个神经元
然而，大鼠的齿状回包含500，000个兴奋性神经元，称为颗粒细胞
“在按比例缩小的模型中，我们无法插入神经元回路的测量突触参数
但是当我们想要模拟大脑中发生的事情，并使用我们之前获得的突触测量值时，我们实现了一个完整大小的网络，有500，000个颗粒细胞
" 抑制分离模式 利用这个计算机模型，乔纳斯测试了模式分离工作原理的不同假设
“有了这个模型，我们不能仅仅复制生物学，而是系统地改变参数和解开因素
这使我们能够理解大脑中的计算，以及生物因素如何支持或限制计算
" 彼得·乔纳斯教授发现了模式分离的新机制
信用:彼得·里高德/IST 从历史上看，基于小脑的数据，神经科学家认为模式分离是基于扩展的:在下一层处理中，模式从较少数量的神经元投射到大量神经元
这将扩展模式，更容易发现差异
虽然膨胀是小脑的一种潜在机制，但它不太可能在海马体中起作用，海马体中的颗粒细胞聚集在下一层的少量CA3神经元上
“显然，膨胀不可能是海马体的唯一机制，”乔纳斯说
“来自我们现实模型的证据表明，抑制——活跃的神经元阻止其他神经元放电——起着重要作用
“从数学上讲，已经表明减少网络中的活动可以更容易区分模式之间的差异
利用海马模型，乔纳斯询问了抑制的作用
“当抑制是模型的一部分时，模式被有力地分离
但是当我们去掉抑制时，情况就不再是这样了
这种建模数据将历史视图从代码扩展变为基于抑制的机制
" 新的数据也解释了先前研究的一个结果，这个结果让乔纳斯感到困惑
“以前，我们发现齿状回的抑制是局部受限的
激活的神经元只抑制300微米半径内的其他细胞
我们一直在问这种局部抑制的功能作用是什么
“网络模型表明，这种局部抑制比全局抑制能更好地分离模式，在全局抑制中，整个网络的活动被抑制
速度在模式分离中至关重要，而焦点抑制可以减少延迟:模式中的神经元会开启并非常迅速地抑制周围的细胞，从而确保其他模式不会开启
乔纳斯指出:“这是一个很酷的解决方案，但不是很直观，我们只能用模型来解决这个问题。”
作为下一步，乔纳斯计划将结果转移回生物系统并进行行为实验，进一步探索抑制如何有助于模式分离
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
