从单神经元到多神经元


NeuroTimes | Jan. 20, 2016


Credits: http://docdro.id/u0aXg9W


大脑与其他器官的差异之一在于,大多数器官弄清楚了结构,就能大致知道它们怎么运行,例如肾如何过滤杂质,鼻子如何挡住污染物。但大脑的特异之处在于,我们即使有一天清楚了它的解剖结构、connectome,也极有可能还是不知道它的运行方式,它为何有那么多种功能、意识怎么产生等等。部分原因是因为大脑是我们用来计算的器官,首先得了解它究竟在计算什么。

记录神经元信号是我们了解计算的重要途径。斯坦福大学电子工程系教授Krishna Shenoy,从物理和工程的角度,描述了我们从记录单神经元信号,到多神经元信号,所要面对的挑战与解决思路。

Krishna Shenoy认为神经科学家进行研究的目的是两个:推进新知识向前发展,解决现实问题如神经系统疾病。过去研究神经元电和化学活性的方法多集中在单神经元上(细胞内外电极),或巨量的神经元低精度地一起测量(EEG、MEG、fMRI)。但新技术,将会允许我们同时精确测量特异的数百数千的神经元,例如GCaMP和脑内植入的电极阵列。不远的未来我们甚至可以同时记录上百万神经元信号。

第一个挑战是如何解读这么多神经元信号的意义。一个神经元信号的解读是一回事,数百数千甚至百万神经元的信号是另一回事。Krishna Shenoy认为物理和工程利于使用较多的“动力系统方法”(dynamical systems approach),是值得大脑信号解读所借鉴的。其中有三个核心要素:1. 所得的神经数据构成时间序列;2. 同时测量的神经数据构成高维数据集,但实际上可能占据更少的维度。降维带来的数据可视化,可能更直觉地反映群体神经元活动与认知活动的关系,虽然有可能错过一些重要信息;3. 动力系统方法旨在估算全体神经状态的演化规律,类似于观察球在不平的表面滚动,通过其动量、摩擦和弹性,来确定牛顿定律。

第二个挑战是怎么才能不被数据淹没,能够注意到数据中值得注意的地方。Krishna Shenoy认为同样可以用到物理和工程使用的方法:抽象(abstraction)。他同样以计算机举例了不同抽象层次:第一层,原子排列,赋予了晶体管所需的电性能;第二层,晶体管,拥有不同的尺寸类型,数量庞大;第三层,复杂的晶体管连接;第四层,软件,从硬件的机器代码到操作系统和算法。

大脑的层次也可以与电脑相对应(Krishna Shenoy也说了这不完全准确)。第一层是通道蛋白,突触和神经递质,带来了神经细胞所需的电和化学特性,详细理解很重要,但Krishna Shenoy认为需要把一些对整体理解不那么重要的抽象出来,就像物理材料的说明里不必提单个原子的位置一样;第二层,神经细胞,拥有不同的类型、形状、膜电位等等,也需要像晶体管被抽象成简单的电流电压规则一样,简化并抽象神经细胞,但如何选择和排除需要抽象的内容,还有待解决;第三层,神经元的连接,或者connectome,如何抽象仍然是悬而未决的问题,尤其是神经元不像电脑硬件那样固定不变,发育、学习、可塑性都会带来神经元和connectome,让问题变得很复杂;第四层,神经活动和感觉、知觉、决策、行动以及更多的思维活动,是抽象方法面临的最大挑战。

Krishna Shenoy用示波器进行了举例,几百个示波器从抽象概念的水平,就有可能了解CPU最基本的运行原理。同样,就像硬件影响软件能力(bottom-up)、软件需求影响硬件设计(top-down)一样,以上四个层次的bottom-up和top-down会更好地理解神经系统计算原则。

Krishna Shenoy总结,如果对群体神经元还用单一神经元的分析方式,或者仅仅把群体神经元信号当做大数据的一个数据集,用通用机器学习的方法去分析,就很有可能限制了对神经系统的理解程度。而动力系统方法和抽象是两种可能的解决方法。




分享到


© 2014-2015 NeuroTimes