完整的、生物真实的小鼠海马模型揭示了模式分离的新机制
我们的大脑能够区分高度相似的模式，这要归功于一种叫做模式分离的过程。然而，我们的大脑是如何区分模式的还没有被完全理解。奥地利科学技术研究所(IST)教授彼得·乔纳斯(Peter Jonas)利用齿状回(一种涉及模式分离的大脑区域)的全电脑模型发现，被一种模式激活的抑抑性神经元会抑制所有邻近的神经元，从而关闭“竞争”的类似模式。这是发表在自然计算科学．
除了体型外，黑猫和黑豹看起来很像。在被追捕时，做出这种区分是至关重要的，而人类能够做到这一点要归功于模式分离，在这个过程中，大脑区分高度相似的模式，并触发非常不同的行为作为回应: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，”奥地利科学技术学院教授、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的关键参数，突触是大脑的连接点神经元以及连接规则，这是理解小鼠和大鼠海马网络中的信息处理所必需的。乔纳斯用这些真实的参数建立了一个精确的模型在这个网络中，通常的挑战是，大脑回路的模型是用10到1000个神经元建立的。然而，大鼠的齿状回含有50万个兴奋性神经元，称为颗粒细胞。“在按比例缩小的模型中，我们无法插入测量到的神经元电路的突触参数。但由于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数据，我们实现了一个完整尺寸的网络，有50万个颗粒细胞。”
抑制分离模式
通过这个计算机模型，乔纳斯测试了关于模式分离如何工作的不同假设。“有了这个模型，我们不能只是复制生物学，而是系统地改变参数和分离因素。这让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。”
历史上，基于小脑的数据，神经科学家认为模式分离是基于扩展:模式从少量神经元投射到下一层处理中的大量神经元。这将扩展模式，更容易发现差异。虽然大脑扩张是小脑的一种潜在机制，但它不太可能在海马体中起作用颗粒细胞集中在下一层的CA3神经元上。
“很明显，扩张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——发挥着重要作用。”从数学上讲，网络活动的减少使区分模式之间的差异变得更容易。通过海马体模型，乔纳斯探究了抑制的作用。“当抑制是模型的一部分时，模式是稳健分离的。但当我们把抑制去掉时，情况就不同了。这一建模数据将历史观点从代码扩展转变为基于抑制的机制。”
新数据还解释了之前研究的一个让乔纳斯困惑的结果。“以前，我们发现齿状回的抑制是局部受限的。被激活的神经元只能抑制半径300微米范围内的其他细胞。我们一直想知道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，而全局抑制则抑制了整个网络的活性。在模式分离中，速度是必不可少的，而局部抑制可以减少延迟:一个模式中的神经元打开并非常迅速地抑制周围的细胞，确保其他模式不会打开。乔纳斯指出:“这是一个很酷的解决方案，但不是很直观，我们只能通过模型来解决这个问题。”下一步，乔纳斯计划将研究结果传回生物系统，并进行行为实验，进一步探索其原理抑制有助于模式分离．
进一步探索
