老鼠和人的比较揭示了丘脑意想不到的功能
![Human fMRI confirms the dlPFC, not OFC or MD, receives the driving sensory input. A. Strategy switching (Switching>Staying) entailed significant activity in right dlPFC, right OFC and right MD; here projected on axial, coronal and sagittal MRI brain slices. Brain activations displayed at p < 0.001 (uncorrected, red) and p < 0.05 (whole brain FWE correction, yellow; small-volume correction, blue). B. Models with dlPFC, MD and OFC receiving sensory tactile driving “inputs” respectively. C. Bayesian Model Selection revealed dlPFC, not OFC or MD, as the input region. The left panel shows the average and standard error of log-evidence for all models in the corresponding inputs family (we have 6 models for each input family, see S5 Fig). The sum of the log-evidence over subjects was used to compute the expected model posterior probabilities of each input family which are shown in right panel. (dlPFC–dorsolateral prefrontal cortex; OFC–orbitofrontal cortex; MD–thalamic mediodorsal nucleus). Credit: <i>PLOS Computational Biology</i> (2022). DOI: 10.1371/journal.pcbi.1010500 老鼠和人的比较揭示了丘脑意想不到的功能](https://scx1.b-cdn.net/csz/news/800a/2022/mouse-human-comparison.jpg)
研究人员用电脑重现了老鼠和人类的大脑功能。人工智能可以从中学习。
丘脑一直被认为是大脑主要负责处理感官刺激的区域。最近的研究提供了越来越多的证据,证明它构成了认知过程的一个中心切换。Ruhr-Universität波鸿874协同研究中心的伯克哈德·普莱格教授带领的神经科学研究团队和麻省理工学院(MIT,美国)的研究团队观察了大脑中的学习过程老鼠用数学模型来模拟人类。他们表明,丘脑内侧背核区域在认知灵活性方面起着决定性作用。他们在杂志上发表了他们的发现PLOS计算生物学2022年9月12日。
一个简单的学习任务
德国和美国团队的联合研究始于对简单学习任务中大脑的实验观察。德国研究小组观察了人类测试参与者的大脑活动功能性核磁共振成像时测试对象用他们的指尖感受两种不同顺序的刺激。然后他们被要求预测每种情况下的下一个刺激。根据一种或另一种刺激发生的可能性,这个任务要么更容易,要么更难。
麻省理工学院的研究小组让小白鼠完成一个非常类似的学习任务,不仅观察它们在这个过程中的大脑活动,还将其以一种图形的形式复制出来数学模型.Burkhard Pleger说:“当我们阅读相关论文时,我们立即发现了小鼠和人类激活模式之间的巨大相似性。”
在同事工作的基础上,这两个研究团队共同扩展了数学老鼠模型,将人类的组成部分包括在内。他的团队和美国团队在当前的研究中取得了新的突破:“研究老鼠的研究人员和我们研究人类的研究人员必须首先开发一个共同的术语,这样我们才能一起工作,”他解释说。
结果之所以有趣,有三个原因
当研究人员随后将该数学模型应用于实验中的学习任务时,它产生的结果与测试参与者基本相同。“相关度接近90%,这是非常高的,”Pleger说。
数学网络模型的一个特点是,丘脑的背内侧核区域与前额皮质区域不断交换。“这再次证明了丘脑的巨大意义认知过程Burkhard Pleger说。
“这之所以特别有趣,有三个原因:第一,因为认知灵活性对生存至关重要。第二,因为它是很多精神疾病的病理中心。最后但并非最不重要的是,因为我们可以模仿我们可以用数学模型解释的事物。因此,我们可以得出关于人工智能可能如何学习的结论。”
进一步探索