Current Biology：建立一套从全脑到分子尺度的研究神经计算的方法

大脑是已知的最复杂的计算系统。解析这个复杂系统的计算原理是神经科学最重要的目标之一，也是人工智能领域取得突破的途径之一。

大脑最重要的一个功能就是基于对环境的感知来做决策。越来越多的证据表明，决策不是由少数几个单独神经元的活动产生的（Rafael Yuste. From the neuron doctrine to neural networks. 2015. Nature Review Neuroscience），而是中枢神经系统中大规模的神经元集团协同运算的结果。因此，记录和分析大规模乃至全脑尺度的实时神经活动对于解析决策背后的神经计算原理至关重要。

环境中刺激物的强度通常是定量的，比如噪声的分贝值，而是否捂住耳朵的决定则是定性的。尽管处理这种由定量到定性的信息转换的脑区已在哺乳动物中被发现（Hanks et al. Distinct relationships of parietal and prefrontal cortices to evidence accumulation. 2015. Nature），人们对于这种决策中的非线性变换的神经计算原理还所知甚少。

哺乳动物的大脑体积较大，即便是用目前最先进的显微成像技术也很难做到对全脑尺度的神经活动进行高时空分辨率的实时记录。而果蝇幼虫的中枢神经系统能使全脑成像达到毫秒级和微米级的时空分辨率。虽然果蝇幼虫和哺乳动物的大脑复杂程度相去甚远，但它们也有基本的决策行为。因此，研究这种简单大脑的神经计算原理可以为最终理解人类和其他种类动物大脑的工作原理提供基石。

激活果蝇幼虫的痛觉感受神经元能够触发它特有的逃跑行为。随着痛觉感受神经元活动的线性递增，这种逃跑行为的概率呈现了类似二进制的提升，说明幼虫的中枢神经系统中存在着非线性的神经计算，将定量的线性输入转换成了定性的二进制输出（图1）。

图1.  蓝色为痛觉感受神经元活动强度，灰色为逃跑行为的概率。

接着，研究人员记录了果蝇幼虫整个中枢神经系统的实时神经活动，利用光遗传手段精确激活幼虫的痛觉感受神经元，并且设计了自动化算法分析幼虫的高分辨率实时脑成像。通过统计学比较和归类，他们发现并命名了幼虫中枢神经系统中处理痛觉信号的7个“痛觉脑区”（图2）。

图2. 幼虫中枢神经系统中的“痛觉脑区”，其中三对对称分布，红色区域单独位于后端中部（posterior medial center, PMC）。

值得注意的是，随着痛觉刺激强度的增加，VMs脑区的神经活动就如痛觉感受神经元的活动一样呈线性递增，而PMC的神经活动则呈现了类二进制的增强，正好对应了逃跑概率的二进制曲线（图3）。这说明痛觉信息在VMs脑区和PMC脑区之间发生了非线性的变换。

图3. 蓝色为VMs脑区的神经活动，红色为PMC脑区的神经活动。

研究人员进一步发现，痛觉感受神经元下游数量众多的二级神经元组成了一个群体编码的网络。越强的痛觉刺激能够激活这个网络中越多的二级神经元，同时，被激活神经元的活动也随着痛觉刺激的强度递增。这样一来，痛觉信号在经过这个群体编码的网络处理后被非线性地扩大了（图4），而扩大后的信号最终被传输到了PMC脑区。

图4. 线性的痛觉输入信号被群体编码的放大器（图中放大器由5个神经元组成）转换成非线性的输出信号。

然而，单单非线性的信号放大机制不足以解释为什么在低强度的痛觉刺激时，虽然痛觉感受神经元和VMs脑区都出现了神经活动，而逃跑行为却并没有被触发。研究人员发现， PMC脑区里的γ-氨基丁酸（GABA）受体介导了对PMC脑区神经活动的抑制，相当于给PMC脑区安装了一个闸门，抑制了低强度痛觉刺激引发的神经活动。

至此，该研究发现了一种能够将刺激强度的定量编码（线性）转换为定性编码（二进制）神经计算原理（图5）。最后，研究人员通过计算机模拟证明了这种神经计算的原理能够增强决策的准确度。这是因为类二进制的信号分布对噪音更加不敏感，而噪音是任何系统中都不可避免的可能会导致错误决策的因素。

图5. 该研究提出的神经计算模型

近年来，人工智能领域飞速发展，特别是卷积神经网络（convolutional neural network）的应用使得图像识别和分类的准确性和效率大幅提升。卷积神经网络的建构正是受到对视觉神经系统研究的启发。可以预期，人工智能领域的突破将越来越依赖于神经计算原理来作为理论指导。然而，目前成熟的神经计算理论屈指可数。该研究在模式生物果蝇中建立了一整套从全脑尺度到分子尺度的研究神经计算的方法，为今后揭示更多和更深入的神经计算原理奠定了基础。

相关论文信息：

https://doi.org/10.1016/j.cub.2020.09.045

编辑 | 余   荷