计算模型揭示了我们大脑如何存储信息的新见解

科学家们对记忆储存方式的理解正在发生翻天覆地的变化。直到最近，研究人员认为记忆与特定的神经元和连接它们的突触有关。但在过去十年中，令人惊讶的实验观察指出了一种名为“表征漂移”的新观点，该观点认为，负责某些习得行为的神经元不是固定不变的，而是不断变化的——这与既定的范式截然不同。

“代表性漂移是如此出乎意料和矛盾，”他说Dmitri Chklovskii他是该学院的一名组长熨斗研究所的计算神经科学中心或CCN。“为什么大脑会使用总是在变化的东西来长期存储记忆?”

虽然研究人员驳回了早期的实验，因为这些实验的范围有限，但表征漂移的证据开始堆积起来，科学家们开始寻找它背后的机制。现在，由熨斗研究所和哈佛大学的一组研究人员开发的透明计算模型已经展示了代表性漂移是如何发生的。这项新发现发表在自然神经科学这标志着我们在理解记忆和习得行为储存在大脑中的惊人方式方面又向前迈进了一大步。

该论文的资深作者Chklovskii说:“近年来，神经元的表征正在不断变化，这一点越来越明显。”“我们的研究为这是如何工作提供了一个可能的答案。”

传统上，神经科学家认为，当我们学习新事物时，神经元之间会形成通路来保存信息。每当我们利用这些知识，比如在城镇周围导航或识别熟悉的肉桂气味时，这些神经元会以一种特定的、可预测的方式激发，形成科学家所说的神经表征。

但在过去的十年里，配备了多通道电极和基因增强光学方法的科学家们意识到，这并不是我们大脑的工作方式。在小鼠实验中，研究人员发现，负责识别气味或迷宫导航等任务的神经元会随着时间的推移而变化。有一天它可能是一组闻玫瑰的神经元，而另一天它可能是完全不同的一组。

Chklovskii说:“基本的想法是，重点不在于单个细胞代表什么。”“重要的是细胞之间的关系。”

制作模型

为了理解造成表征漂移的机制，Flatiron和哈佛团队利用了Chklovskii团队之前开发的所谓相似匹配网络。这些网络源自原则目标，并使用生物系统中发现的赫比学习规则和反赫比学习规则进行训练。研究人员使用他们的模型专门探索海马体和后顶叶皮层的表征漂移——大脑的这些区域的神经表征经实验证明会在数天或数周内表现出漂移。

当大脑对外部世界形成一种表征或编码时，它会任意地以许多不同但等效的方式中的一种进行表达。Flatiron和哈佛团队开发的模型通过允许许多不同的解决方案来模拟这一点，然后这些解决方案可以随着时间的推移而改变。在这个模型中，神经元之间的突触在使用时被加重或加强。这种类型的Hebbian学习可以用一个常见的短语来概括:“一起放电的细胞连接在一起”。

为了模拟漂移，研究人员在模拟神经元之间的突触可塑性中加入了“噪声”或随机变异性。这种噪音是受到生物学实验观察的启发，实验观察表明，突触可能无法将其神经元的放电传递给下游神经元。随着时间的推移，该模型表明，这种噪声导致神经表征在不同的解决方案之间漂移。

重要的是，研究人员的模型在保持神经活动模式相似性的同时表现出了表征漂移。这表明尽管存在表征漂移，我们的记忆仍然可以持续很长一段时间。这一结果也与对小鼠的实验观察相吻合，实验显示，参与学习任务的神经元数量在几天内会发生变化。

“表征漂移可以用嘈杂的学习过程和等价表征的存在来解释，”这篇新论文的资深作者、哈佛大学应用数学助理教授森吉兹·佩利万(Cengiz Pehlevan)说。“如果你把这些东西放在一起，你就会得到代表性漂移。”

拼图的一部分

虽然该模型是一个有前途的解决方案，但它还没有在生物系统中得到决定性的证明。然而，它有几个可测试的结果。其一是突触翻转快的神经元漂移得也快。这可以通过测量突触的寿命和学习任务的神经元的长期行为来测试。

虽然这些新发现描述了代表性漂移是如何发生的，但为什么会发生仍然是一个悬而未决的问题。这可能是我们大脑工作方式的基础，也可能是噪音意想不到的后果。也许这是保存记忆的唯一方法，因为旧的神经元死亡并被替换。

Chklovskii说:“新模型是这个难题的重要组成部分。”“但我们距离理解大脑是如何工作的还有很长的路要走。”

探究为什么是Chklovskii的下一个目标。他和他的合作者的发现可能有助于回答关于大脑的一些最基本的问题。它还可能帮助研究人员开发更好的深度学习网络，这种网络大致模仿了大脑的学习方式。通过增加对自己大脑的了解，我们或许还能创造出更好的人工智能。

Chklovskii说:“像这样的更多进步可能会让我们找到一种模拟大脑的算法。”“漂移将是更大算法的一个有价值的部分。”