项目
每次睁开眼睛,我们都会接收到太多的视觉信息,以至于大脑无法完全处理。为了解决这个问题,我们的大脑已经学会了在视觉场景中挑选出最重要的细节,并迅速决定如何根据这些信息采取行动。
这个过程需要多个组成部分——大脑的一些部分编码感觉信息,一些部分在做决定时保留这些信息,一些部分解码感觉和认知信息以便采取行动。我们想要确定大脑的各个部分是如何编码信息,将信息传递给另一个部分,并对其进行解码的,这是正常大脑功能的基础。我们将记录下动物执行视觉决策任务时大脑的电活动。因为我们可以同时记录大脑不同部位的许多神经元,我们可以分析这些不同区域是如何相互交流的。例如,即使在感知相同的刺激或做出相同的动作时,大脑活动模式也会发生变化。这种变化如何影响大脑的一部分与另一部分的交流?交流是如何根据动物的内部状态或任务的性质而变化的?这些变化会增强学习或其他认知功能吗?然后,我们将在大脑皮层建立神经网络的计算机模型,并将这些模型与我们的数据进行比较。我们的模型可以模拟大脑区域在传递信息之前如何处理信息,以及不同的处理策略如何影响整个大脑的传输。 We can then compare our predictions to the data observed in our recordings. We anticipate these fundamental discoveries will be broadly applicable to any species, including humans.
人脑是一个令人生畏的物体:它包含近1000亿个神经元,每个神经元与大约1万个其他神经元相连,在大脑中形成了100万亿个连接。更复杂的是,每个神经元每秒可以激活数百次。
理解这种暴风雪般的活动是科学最后的前沿之一。大脑的基本功能——比如计划、决策和行为——需要多个大脑区域和成千上万的神经元,从而产生复杂的神经活动模式。确定这种不断变化的活动的哪些方面与手头的任务相关,以及它最终如何导致思想和行为,似乎是一个无法克服的挑战。有人可能会认为,研究非常简单的行为将帮助我们解决这一挑战。然而,相反的情况可能是正确的——解决方案可能在于使我们学习的任务更复杂。通过研究大脑如何在许多不同的环境中解决同样的问题,我们的小组旨在更好地区分大脑活动中相关的、不变的成分——那些在所有环境中都很常见的成分——和那些可变的、因此对手头的任务不重要的成分。我们试图开发一个数学框架,来解释不变量成分是如何从看似混乱的神经活动中出现的,以及它们的动态如何实现驱动行为所需的计算。我们把这个框架称为“动态计算”。“我们将通过紧密结合实验和理论方法,确保我们的数学描述忠实于大脑的现实。”通过这种跨学科的方法,我们希望让理解人类大脑1000亿个神经元的任务变得更容易处理。
想象一个网球运动员用慢动作正手击球:有预先的步法、身体的调整、球拍的准备、手臂的上弦和摆动、球接近时的最后调整、接触和后续动作。体育教练和运动员凭直觉学习并将这种复杂的行为分成离散的步骤。
球员将分别练习步法、挥杆和跟进。一个动作可以分成一系列的步骤,这一普遍原则适用于我们所做的任何动作。然而,最小的有意义的行为单位仍然是一个谜。语言学家将口语视为可以无限重组的音节,我们从他们那里获得灵感,试图发现行为的“音节”——以及产生这些音节的大脑活动模式。我们将利用新技术自动跟踪老鼠在笼子里觅食和执行任务时的运动和身体位置。与此同时,我们将监测一个叫做纹状体的大脑区域的活动,该区域与奖励、运动和认知有关。我们将使用一种新的数学模型,这种模型对行为是如何组织的没有太多假设,我们将把老鼠的正常行为解构成母题或音节,并将它们与大脑活动联系起来。纹状体的监测特别有趣,因为它接收来自大脑多巴胺系统的输入。最近的研究表明,多巴胺系统启动了从一种行为到另一种行为的转换,为音节重组创造无限行为库提供了基础。我们的研究结果不仅将阐明实验室老鼠的行为,有朝一日甚至可能解释职业网球运动员是如何正手击球的。
想象你在河里划船。如果船相对于岸边停止移动,你可能会得出结论,认为河流的水流加快了,并决定更加努力地划船。这一决定是感官信息和内部预测共同作用的结果。
你的大脑将你的实际位置与你的预期位置进行比较,并根据你划船的速度得出结论,船的减速违反了你的感官预期。每次我们在世界上航行时,我们不仅进行当前的运动,而且预测我们的感官环境在我们运动时应该如何变化。大脑如何做到这一点在很大程度上是未知的。我们假设,你可以用你过去的位置和现在的速度来创造我们所谓的“情景状态”——对过去和现在的最小知识来预测即将到来的感官体验。我们将通过记录老鼠和苍蝇在虚拟现实环境中穿行时许多神经元的活动来验证这一假设。有了虚拟现实,我们可以创造出物理定律成立或被违背的情境。例如,物理学规定,如果你以相同的速度向前和向后移动相同的量,你应该在相同的地方结束。我们可以打破这个规则,看看动物和它的大脑是如何反应的。这种设置使我们能够确定大脑如何计算其位置和速度,如何创建其情景状态的表示,以及如何使用这些信息来预测未来的感官反馈。这项工作将提供对包括人类在内的任何动物如何做出预测的一般见解。
完整的项目
面对不断变化的环境,大脑具有选择适当行动的非凡能力。即使感觉输入是全新的——比如在一个新的环境中——动物也能够成功地导航,对威胁做出反应并捕获猎物。
这种能力依赖于将感官输入与过去的经验相结合,从而做出决定和实施行为。长期以来,神经科学家一直试图了解大脑如何在不确定的环境中做出复杂的决定。最近的技术进步已经产生了大量的大脑活动数据记录,当动物执行这些类型的任务,然而神经科学家已经开发出相对较少的新理论来解释这些数据。我们已经建立了一个合作小组来开发大脑活动的数学描述,称为“动态神经模型”。“动态神经模型有助于解释数百甚至数百万个神经元的活动如何代表内部变量——声音、运动过程中肢体的位置、首先运动的愿望或其他东西。”我们将研究神经元群如何相互传递信息以创建这些表征,以及大脑如何学习形成它们并将它们用于决策和行动。我们的工作将提供急需的脑功能理论,以帮助解释神经科学家产生的大量数据。
人类的大脑由数十亿个神经元组成。目前,神经科学家只了解神经元相互交流的电子和化学密码的一小部分。其中一个障碍是缺乏技术,无法以“思考的速度”同时追踪每个神经元的活动。
然而,新技术即将在更小的系统中实现这一目标。我们的团队将把复杂的计算机算法与尖端的显微镜结合起来,同时实时监测许多神经元的活动。我们之前的工作使用了高倍显微镜来观察斑马鱼幼虫期大脑中的所有神经元。然而,这些观察比鱼大脑中电活动的速度要慢。与其他实验室合作,我们将开发计算方法来确定单个神经元的活动,即使显微镜本身不够强大,无法观察到像单个细胞这样小的物体。这一进步将使成像速度提高10倍或更多,使我们能够进行以前不可能的实验。例如,在斑马鱼的研究中,我们将确定参与启动运动的大脑小区域如何影响整个大脑如何处理这些运动的反馈。我们的工作将为其他神经科学家提供一套新的工具,以及对大脑如何处理信息和执行行为的一般见解。
神经科学的一个中心目标是解码负责决策和行动的大脑活动。想象一只正在觅食的动物。首先,动物需要评估其环境中的感官信号,以判断当前可用的食物。
然后,动物必须决定哪一种食物是最有益的,并制定行动计划。支持这个看似简单的过程的神经机制复杂得可怕。直到最近,该领域还缺乏工具来读取神经活动,即使是最简单的选择也需要一定的规模。最近新技术的爆炸式发展以及随之而来的数学进步为研究大脑如何做出选择打开了一扇窗。但严峻的挑战依然存在。有效地利用这些新工具是任何一个实验室都无法企及的。虽然个别实验室取得了重大进展,但到目前为止,这种零零碎碎的方法使科学家难以比较和复制彼此的数据。国际大脑实验室是由西蒙斯基金会和威康基金会共同资助的,它将把全球20个实验室的努力结合在一起,专注于一个目标:确定老必威注册网站鼠在做出简单决定时大脑是如何运作的。当我们测量整个大脑的神经活动时,老鼠将被训练对视觉刺激做出决定。我们将对来自许多大脑区域的数百个神经元进行精确的电记录,并使用精密的显微镜直接观察大脑的活动。 Leading computational neuroscientists will develop mathematical and computer models of this brain activity. We hope not only to discover how brains support decision-making in any animal, humans included, but also to offer a new large-scale, collaborative model for brain science.
动物经常根据感官而移动。狗会追踪气味的踪迹,田鼠会在鹰的影子经过头顶后寻找掩体。研究感觉系统的神经科学家在解码大脑如何将视觉和气味转化为神经活动方面取得了重大进展。
他们给动物一个特定的刺激——比如一种条纹图案,或者一种特定的化学气味——同时测量大脑对这种刺激的“编码”:也就是说,神经活动是如何依赖于刺激的。然而,这种方法在很大程度上失败于大脑的输出侧,即运动系统。尽管经过了几十年的努力,神经科学家们仍在努力描述大脑中的神经活动与产生的运动之间的关系。大脑运动区域的神经元数量远远超过肌肉的数量,这意味着许多不同的神经活动模式可能负责同一运动。这使得用运动来描述神经活动的独特、简单的代码成为不可能。我们的目标是把这个难题变成一个机会。在所有可能产生特定动作的神经活动模式中,大脑必须选择一种,而这种“选择”可能会对起作用的基本原则产生启发。通过实验和计算机建模的结合,我们旨在描述大脑运动生成系统做出的选择,并破译这些选择背后的原理。我们将训练猴子用手臂控制一个类似踏板的设备,并在虚拟世界中导航,以获得果汁奖励。同时,我们将记录运动皮层神经元和手臂肌肉的活动。 Pedaling movements have predictable properties — they are smooth and occur in cycles of varying speeds. Yet pedaling is driven by complex patterns of muscle activity that the brain must precisely create and control to ensure smooth movement. By comparing muscle activity to neural activity across many such movements, we can employ mathematics and computer optimizations to ask why the brain ‘chooses’ the observed patterns of neural activity. Neural network models can then be used to ask whether and why those choices are ‘good’ choices — i.e., do they allow the motor system to function better under challenging circumstances? Results will be compared between monkeys and mice. Indeed, we anticipate our approach will offer general insights into motor systems in any animal, including humans.
我们的大脑能够在获得有关世界的信息后几秒钟内存储信息,例如,消失在树后的动物的形状和身份。这种“短期记忆”对于推理和决策至关重要,它提供了过去事件和未来行为之间的联系。
尽管它具有根本的重要性,但大脑如何表现和使用短期记忆还没有完全被理解。其中一个挑战是,代表短期记忆的神经活动分散在大脑的不同部位。最近的技术进步使我们能够同时测量不同区域的活动。我们建议研究小鼠的两种不同行为与短期记忆有关。在第一个任务中,老鼠会听到一个声音,并在一段时间后做出一个动作来报告它听到的声音。在做出决定之前,鼠标必须在延迟期间保持与声音相关的信息。在第二个任务中,我们将向鼠标呈现一个声音,然后提供另一个提示,告诉鼠标根据声音选择哪些动作。在这里,老鼠必须检索过去的感官信息来做出当前的决定。我们将使用神经像素记录探针和中尺度显微镜来记录大脑中数百个神经元的活动。我们将对大约50个大脑区域的活动进行抽样,这些区域是根据连接数据选择的。 This data will amount to a map of neural activity underlying short-term memory, decision-making and movement initiation. The activity map will guide the development of computer models of the brain, allowing us to understand general rules of memory-guided decisions.
我们的一些最复杂的行为,如说话、游泳或弹钢琴,可以通过将这些行为分解成一系列连续的学习步骤来理解。这种顺序学习在动物王国中很常见——就像人类学会说话一样,例如,鸣禽学会唱歌。
几十年的研究表明,许多相同的神经过程可以解释这两种行为。鸟的鸣叫,就像人类的语言和其他行为一样,不是天生的,而是通过模仿父母和其他成年人的行为而学会的。科学家们已经在斑胸草雀身上发现了驱动鸣叫学习的神经回路,并表明这一过程需要大脑中多个区域的精确协调。然而,关于这些神经回路在鸟的一生中是如何发育的,仍然存在许多问题。在此之前,我们的实验室证明了一个叫做HVC的大脑区域与鸟鸣的时间有关。这个大脑区域的神经元只在歌曲的特定点单独活跃,但它们一起形成连续的活动序列,驱动歌曲的产生。我们计划观察幼鸟在由老年人教它们唱歌、自己尝试唱歌和睡觉时,HVC和听觉区域神经元的活动。我们将用这些数据来验证睡眠是学习歌曲的重要阶段这一理论——我们假设鸟儿睡觉时大脑的听觉区域会回放歌曲,激活HVC来促进学习。鸟鸣学习与人类语言学习还有一个显著的共同点。幼雀就像人类婴儿一样咿呀学语——在鸟类中,这被称为“次鸣声”。’ We plan to investigate the brain areas, especially one called the LMAN, that drive subsong and provide the necessary variability for young birds to mix and match different sounds while learning to sing. We will collaborate with theoretical neuroscientists to develop and test models of how the brain forms sequences in HVC and generates the neural variability in LMAN. These advances will shed light not only on how birds learn to sing, but also possibly on how infants learn to speak, or how humans learn to perform any complex behavior based on sensory feedback, from sports to music.
在决定是否吃苹果时,你可能会关注它的颜色、硬度和气味。如果你打算把它扔给朋友,你可能会下意识地注意到它的大小和形状。这个简单的例子说明了一个基本原则:我们可以使用相同的视觉输入来指导各种决策和行动。
大脑是如何实现这种灵活性的尚不清楚。我们将试图通过研究皮层视觉系统中负责模式识别的部分来回答这个问题——“腹侧通路”——它连续地详细描述识别物体所需的视觉信息,并将这些信息格式化,以便大脑的其他部分可以使用它来指导决策和行动。我们团队的每个成员都分别帮助发现了腹侧通路的不同部分是如何影响视觉的。现在我们将联合起来,从更广泛的角度来探讨它是如何从端到端工作的,以及它是如何促进复杂视觉任务的表现的。研究对象是猴子——它们的视觉系统与人类非常相似——我们将记录腹侧通路中许多区域的神经元活动。在一系列实验中,我们将使用一致和全面的方法来研究腹侧通路的视觉区域如何创建视觉表征,使我们能够识别和分类我们的视觉世界的内容。在第二组实验中,我们将探讨如何使用这些表征中的信息来支持灵活的行为。例如,在某一时刻,猴子可能被指示在不同的物体之间做出选择,比如苹果和香蕉。但在接下来的时刻,猴子可能会在不同种类的物体之间做出选择,比如水果(苹果或香蕉)和蔬菜。因此,同样的视觉刺激可以根据不同的情况指导两种不同的决定,我们的记录将揭示这种能力背后的神经计算。 While our ambitious experimental, model-building and theoretical endeavor is beyond the capacity of any one of us, we will be able to achieve it through the combined, collaborative effort of our team.
任何动物的大脑都必须同时在多个时间尺度上运作。从长远来看,它必须在进食、交配和保存能量之间做出权衡。从中期来看,动物利用这些计算来制定一个计划——例如,一条饥饿的蠕虫可能会选择在它所在的地方觅食,而不是去寻找更好的食物或配偶。
在短期内,动物必须立即决定要去哪里,比如向左或向右转,或者继续沿着当前的路径走。研究动物如何在这些不同的时间尺度上进行计划一直是一项挑战,很大程度上是因为它需要许多大脑区域同时运作,而神经科学家缺乏工具来观察大面积大脑的神经活动。为了克服这一技术限制,我们将研究一种简单动物——小蛔虫的交配行为秀丽隐杆线虫。蛔虫通过对环境进行系统的搜索,整合气味和触觉信息来寻找配偶。一旦蠕虫找到了一个潜在的伴侣,它就会开始一系列基本的动作,包括转身、向前和向后移动、接触,最后交配。动物的行为受到长期因素的影响,比如活动和休息的自然周期,无论是饥饿还是饱腹,以及环境中食物的质量。我们已经开发了一种定制显微镜来追踪蛔虫头部几乎每个神经元的活动——在这里,我们将首次在任何动物的社会互动中进行全脑记录。利用这些数据,我们将绘制长期内在状态(如饥饿)下的神经活动,并研究它如何影响与中期行为(如交配)相关的神经活动。我们将把神经活动和行为数据与蠕虫的神经连接知识结合起来,构建计算机和数学模型,从中我们将了解行为是如何由神经元活动产生的,以及神经元活动是如何从神经元网络架构中产生的。因为两性之间的线路不同,我们也可以观察到在神经系统的两种变体中,性别特异性和非性别特异性行为是如何产生的。我们在低等蛔虫身上的工作将揭示神经系统如何在多个时间尺度上处理信息,这与包括人类在内的大型动物有关。
在做决定时,背景很重要。例如,如果我们在自己的办公室而不是在同事的办公室,我们会接电话。这个合作项目研究大脑如何学习不同的情境——例如“我的办公室”和“不是我的办公室”——以及它如何使用情境表征来指导决策。
我们将通过训练猕猴在控制良好的行为任务中整合感觉和环境因素来解决这些问题。猴子将根据实验环境学会遵循特定的规则。当动物执行任务时,我们将记录不同的大脑区域,包括前额叶皮层、后顶叶皮层、杏仁核和海马体。我们假设前额叶皮层和杏仁核将在每个任务中包含情境的神经表征,而海马体将在学习这些情境中发挥重要作用。我们将通过应用不同的数学技术,包括降维、状态空间分析和神经网络建模,在我们的行为和神经数据集上测试我们的假设。这些技术使我们能够从记录区域内和跨区域的数百个神经元的活动中提取与上下文相关的神经反应模式。我们的研究结果将深入了解灵长类动物的大脑是如何做出基于情境的决定的。
我们的团队正在帮助拉斐尔·尤斯特的实验室率先使用水螅(Hydra vulgaris),这是一种小型的淡水水螅,它附着在湖泊、河流和池塘的水下表面,并用触手捕捉猎物,作为研究神经功能的模式生物。九头蛇有一个简单的神经系统,一个由大约600到2000个神经元组成的网络,这取决于动物的大小。
(相比之下,人脑拥有近1000亿个神经元)。尽管它的解剖结构简单,神经系统也很小,但九头蛇却拥有十几种不同的行为:它可以扩张和收缩,移动触手,甚至在表面上翻筋斗。直到最近,科学家们对九头蛇的神经系统知之甚少,也没有什么技术工具来研究它。我们将开发技术来跟踪Hydra中每个神经元和肌肉的活动,即使它处于活动状态(这是Hydra的一个挑战,它可以戏剧性地变形它的柔软身体)。我们可以干扰或操纵神经元的活动并观察这是如何影响九头蛇的行为的。九头蛇神经系统的详细地图或连接组正在开发中,我们将利用这些进步来建立其神经系统结构和功能的近乎完整的计算机模型。分布的神经元网络如何以协调一致的方式控制行为?神经元是如何同步控制这些行为的?这种同步需要什么类型的连接?即使动物不动,神经系统中持续的活动意味着什么? Complete access to Hydra’s neurons will allow us to make headway on these questions. In addition, we will study another simple organism — the fruit fly — to elucidate how the entire brain coordinates behavior in the face of an ever-changing environment. Both Hydra and the fruit fly share a surprising number of basic neural building blocks with all animals, so we expect our insights will apply to any nervous system, humans included.
粗略地说,我们都有两个大脑。我们的“外部大脑”通过感官与周围环境相互作用,或将意图转化为动作。我们的“内部大脑”接收来自外部大脑的感官信息,将其与记忆、内部状态(如饥饿或兴奋)和目标整合在一起,然后将行动计划发送回我们的肌肉。
每个大脑处理信息的方式似乎都不同,从苍蝇到人类都可以观察到这种现象。即使是使用人工智能的设备,比如自动驾驶汽车,处理“外部”和“内部”数据的方式也不同。它们是不同的,这很直观。外部大脑必须处理大量的数据。例如,我们的眼睛每秒可以接收1gb的原始图像信息,但我们最终只使用了其中的一小部分。另一方面,大脑内部处理信息的速度要慢得多。人类说话、弹钢琴或记忆的速度约为每秒20比特,这意味着我们每秒可以从100万种可能的想法中做出选择。这是很多,但与外部大脑所面临的信息处理任务相比就相形见绌了。外部大脑擅长过滤相关信息,而内部大脑擅长整合来自感官、我们过去的经验和我们的内部状态的信息,以决定和发起行动。传统上,神经科学家研究一个或另一个系统——内部或外部。 We have assembled a team of five neuroscientists, each an expert in one region of the inner or outer brain, to bridge the gap. By performing related experiments in parallel and leveraging our combined expertise, we can examine how the inner and outer brains communicate with each other. We will explore whether the systems really use different processing strategies or if there are alternative explanations that do not require this dichotomy. Our work will investigate these questions in mice and humans and build computer models to test different theories. With a collaborative approach, we will determine the principles underlying the different brain systems, providing insight into human behavior and potentially enhancing artificial intelligence.
在过去的几年里,强大的实验技术可以同时监测许多神经元的活动,这产生了一个新的神经科学领域——“神经动力学”——它使用复杂的数学模型来描述大脑活动是如何在每时每刻的基础上进化的。
神经动力学如何支持各种计算的研究通常是在稳定的环境中进行的。我们将研究大脑如何适应或“调整”其动态以适应不断变化的环境。这个区别是至关重要的:如果大脑不能学会根据新的或意想不到的信息来改变它的计算,动物就不太可能生存。我们将研究控制斑马鱼和小鼠简单眼球运动行为的神经动力学如何自适应调节以改善视觉感知。清晰的视力取决于在研究静止物体的特征或移动眼睛以准确跟踪移动物体时在给定位置稳定地保持眼睛的能力。准确地将眼睛保持在给定位置的能力是由一个被称为“动眼肌积分器”的大脑回路完成的。“我们将通过创建一个虚拟环境来研究这个电路的动态是如何调整的,这个虚拟环境模拟了动物看到的东西,如果由于一个不正确的调整眼球运动积分器,它不能准确地控制眼睛的位置。”然后,我们将监控和操纵整个眼动控制区域的神经元,看看这些网络如何调整或重新调整它们的神经动力学以适应新环境。最后,我们将把我们的数据与大脑线路的详细描述结合起来,并应用新的数学技术来分析观察到的神经信号是如何被这些大脑回路处理和转换的。通过分析和比较这两种生物体,我们可以得出关于大脑如何调整其活动来修改行为的一般理论。
我们理所当然地认为,我们可以区分相似的事件,但仍然把它们归类为相似的事件。例如,两场音乐会提供了类似的感官体验:它们在有很多人的大房间里举行,通常灯光昏暗,音乐嘈杂。
但也有很多不同之处——空间的设计、人群的身份和音乐的质量。我们的大脑面临着一项具有挑战性的任务,即学会通过相似性来划分经历——它们都是“音乐会”——但仍然将它们区分为两个不同的事件。神经回路可能实现的一种方式是通过重新映射,即编码记忆的同一个神经元,可能在不同的时间编码位置、时间或声音。为了深入了解相同的神经元是如何对多种事物进行编码的,我们将记录啮齿动物和猴子在不同的环境中穿行时的大脑活动,比如在觅食的开阔地带,或者在有多个决策点的迷宫中。我们将使用一种新的记录技术,能够记录同一神经元随着时间的推移,以确定单个神经元如何根据环境和任务改变其活动-本质上是重新映射现象。例如,当老鼠缓慢移动时,同一个神经元的活动可能反映了它的前进方向,但当它快速移动时,它的速度。在这种情况下,神经元已经从方向重新映射到速度。我们相信,一个神经元如何从一种记忆重新映射到另一种记忆,背后也有类似的过程。有了这些数据,我们可以重建大脑中涉及记忆和导航的大型神经回路的行为。我们的小组将与其他几个实验和计算实验室合作,开发技术和数学工具,以深入了解这一基本的大脑过程。
完整的项目
语言是一种高度复杂的、独特的人类行为。它代表了我们最快和最协调的运动行为之一,并与将一个人的精神状态转化为旨在影响他人的序列的高级认知能力密切相关。我们的研究小组最近在理解语言背后的神经集成动力学计算方面取得了进展,他们将这一科学努力与正在进行的脑机接口(bci)临床试验结合起来,研究脑机接口(bci)是恢复瘫痪患者失去的沟通的一种手段。在这里,我们建议扩展这一策略,以研究腹侧中央前回(vPCG,即言语运动皮层)和额下回(IFG,包括布洛卡区)的包部部分的群体活动(>100个神经元)如何准备和产生言语。我们进一步建议在两名长期植入脑机接口的参与者中进行高分辨率、窄窗集成单单元分辨率的研究,并在接受立体脑电图(sEEG)记录的多个参与者的更广泛的语音和语言网络中进行短期、中分辨率、大范围的局部场电位记录,以及高分辨率、在深部脑刺激放置过程中,通过sEEG导线尖端和潜在的神经像素记录进行分散覆盖记录。
我们与世界的互动受到我们内心状态的影响。饥饿的状态使我们对食物的图像和气味敏感,而我们可能会在饭后忽略这些东西。更一般地说,相同的感觉刺激会导致不同的行为,这取决于内部状态。
目前尚不清楚内部状态是如何在神经回路中表现和维持的,以及它如何改变感知和行为。我们将研究果蝇的大脑内部状态黑腹果蝇。果蝇在饥饿感驱使下进食与各种代谢因素有关。我们将研究这些变化是否以及如何激活代表内部状态的自我维持的大脑活动模式,提高对味觉和嗅觉的敏感性,并引发食物寻找。使用一种名为SCAPE的新型高速成像技术来跟踪整个苍蝇大脑的活动,我们将确定产生食欲和触发食物寻找行为的活动模式。我们还将研究苍蝇的第二个重要的内部状态,性唤起。当雄性苍蝇感觉到雌性发出的某种化学信号时,它们就会被唤醒,这就导致了求爱行为,包括由翅膀振动发出的歌声。雄鸟一直唱歌,直到雌鸟决定交配或逃跑。这种唤醒状态涉及到果蝇大脑中的神经元,它们对雌性果蝇的化学信号做出反应,并产生自我维持的大脑活动模式,这种模式远远超出了最初的感觉输入。我们将使用成像工具来记录大脑活动,并分析一种唤醒状态是如何触发求爱行为的。综上所述,这些研究线索将有助于我们深入了解感官输入、内部状态和行动之间的相互作用。
工作记忆,一种在我们头脑中暂时保存和处理信息的能力,对思考和灵活的行为至关重要。科学家们经常在实验室里通过训练受试者根据过去几秒钟的信息做出反应来研究工作记忆。
这些“延迟反应任务”表明,在脑细胞层面上,工作记忆是神经活动自我维持模式的结果——当最初的信息出现时,一组神经元开始放电,当刺激不再存在时,一组神经元在内部保持放电,直到动物对该信息做出反应。研究人员经过多年艰苦的工作,一次记录大脑单个局部区域的一个或几个神经元的活动,得出了这一结论。然而,与工作记忆相关的神经活动模式分布在许多大脑区域。现在,最近的进展使科学家能够同时记录行为动物大脑几个部分的数百个神经元。此外,大脑“连接组学”提供了关于大脑不同区域如何连接的定量信息。我们将与四个实验室组成一个合作小组,利用这些新工具和丰富的数据,为工作记忆基础上的大型大脑网络创建解剖学上真实的计算模型。我们将在小鼠和猴子执行延迟反应任务的实验数据基础上开发这些模型。例如,在一项任务中,一只老鼠将暴露在两种不同的体感刺激下,然后学习一种规则,根据每种刺激告诉它们应该舔两个喷口中的哪一个。我们可以通过分析刺激和产生的动作之间的延迟期间的大脑活动来研究大脑是如何在工作记忆中保持信息的。大脑记录技术,如新的神经像素探针,将使我们能够做出前所未有的“神经活动图”,突出显示不同的大脑区域在任务期间的行为。 We can then develop computer and mathematical models based on this map, revealing how multiple regions of the brain work together to sustain working memory. Progress in this research project has the potential to provide insights into large-scale circuit mechanisms of cognitive deficits associated with schizophrenia and other mental disorders.
学习一项复杂的运动技能,比如打网球或演奏乐器,需要改变大脑中许多神经元之间的连接。对于成对的神经元如何改变它们之间的连接,我们了解得非常多,但多个大脑区域是如何协同指导神经元网络之间的学习的,我们就不太清楚了。当我们学习一项新的运动技能时,我们的感觉系统会观察我们的行为,这些信号必须与控制我们动作的运动系统中的学习机制相互作用。大脑使用什么目标来驱动跨多个大脑区域的学习计算?感觉反馈如何在大脑中传播并引导神经连接子集的变化?我们的目标是揭示学习运动行为的计算原理。我们采用了一种方法,将人工神经网络(ann)的计算工具与脑机接口(BMI)实验相结合,其中来自运动区域的活动直接控制计算机光标的运动。
人工神经网络为探索大型网络如何执行计算提供了强大的方法,但在人工神经网络和大脑的学习方式之间建立相似之处是具有挑战性的,因为我们无法将人工网络中的神经元与大脑中的神经元相匹配。bmi简化了这一挑战,因为它让我们通过实验来定义大脑的“行为输出层”。我们将分析动物学习控制BMI时神经元的活动,并将观察到的动态与人工神经网络的动态进行比较,以更好地理解驱动学习的目标(目标)。这将产生新的方法来识别学习过程中大量神经元内部变化的计算。我们还将进行实验,在记录控制光标和眼睛的多个皮质区域的活动时,通过改变BMI来引入误差。我们将研究错误的视觉反馈如何通过网络传播,从而改变控制BMI光标的神经元的活动,并探索当一个人收集视觉信息时发生的眼球运动是否有助于学习。这将允许我们测试关于反馈如何在神经元网络中驱动学习的假设。