科学普及

神经信息编码的秘密

发布时间:2020-11-11
浏览次数:

图片1.jpg

  >>>>神经科学家的困惑:神经元如何采集信息并传送到大脑?

  我们知道,数码摄像机可以将很细微的细节记录下来,但是存储这些数据需要占用很大的空间。为了解决这个问题,研究者通过移除部分信息的方式来压缩视频,并保证视频回放的时候看不出太大区别。同样的,在日常生活中到处充满了视觉信息,但眼睛里的神经元数量有限,信息存储同样也存在局限性。因此,在丰富的信号刺激下神经元是如何选择提取哪些信息再传送给大脑的呢?神经科学家已经探索了这个问题几十年,已建立了一些理论来解释和预测在某些情况下神经元会如何反应。

  如今,巴黎视觉研究所的Matthew Chalk(之前在奥地利科技学院做博士后)、奥地利科技学院教授GašperTkačik,以及视觉研究院的OlivierMarre教授共同开发了一个神经元网络框架,此框架整合了先前的理论,并以已有的理论为特例,在此基础上进一步预测未曾提到过的新的神经元类型。

  感觉神经科学的主要目标之一是使用数学模型预测神经反应。以前,这些预测是基于三个适用不同领域的主要理论:神经元内部局限、信号类型和信息采集目的,对应的是三种不同的假设。一般来说,神经编码本质上是一个函数,它可以预测神经元什么时候应该“开火”,即发出一个动作电位信号,就像我们的计算机使用的二进制表中的数字“1”一样。

  在特定时间收集一个或多个神经元的动作电位可以编码信息。考虑到神经元的内部局限性(噪声、新陈代谢等),高效编码理论假定为神经元可以编码尽可能多的信息。另一方面,预测编码理论假设只有与预测未来有关的信息(例如昆虫将飞向何方)才被编码。而稀疏编码理论则假定在任何一个时候只有少数神经元处于活动状态。如果这些理论是一直相关的,那他们之间又有哪些关联呢,目前尚不清楚。这些最新发展为新理论的诞生提供了有利的条件。GašperTkačik说道:“之前不知道如何关联或比较这些理论,现在我们的框架将它们整合在一个总体结构中,解决了这个问题。”

  >>>>新的神经元网络框架

  在团队开发的框架中,神经编码可以被翻译为最大化某个数学函数的代码。这个函数有三个参数(信号中的噪声、目标以及被编码信号的复杂度)。上述理论仅适用于这些参数的特定值范围,并不涵盖整个可能的参数空间。GašperTkačik表示:“当你设计实验——通过刺激神经元来测试你的模型时,究竟是神经元与你喜欢的理论不一致,还是你喜欢的理论就不完整,这是很难区分的。我们的统一框架可以对先前研究的案例之间的参数值进行具体的预测。团队的统一理论通过允许神经元具有“混合”的编码目标来克服先前理论的局限性;他们不会陷入一个确定的旧的研究领域。例如,新的理论可以在个别神经元很嘈杂的情况仍然可以有效地编码稀疏的刺激。更一般地说,根据限定最优性的参数值可以将最优的神经代码放置在连续区域上,这样就可以解释先前观察到的但并不能解释的现象。对于第一作者MatthewChalk来说这是他们论文中最令人兴奋的贡献之一。之前许多理论在测试时往往是不灵活的:要么是预测了正确的结果,要么是没有预测到正确的结果。本论文提出的新理论是可以为各种情况和假设提供猜想的框架。

  除了赋予理论更大的灵活性之外,他们的框架预测了以前尚未解释的神经编码类型,例如既具有稀疏性又具有预测性的编码。为了研究论文中提出的理论,MatthewChalk正在设计实验来测试这些预测,并帮助将神经元分类为高效、预测、稀疏或者几种编码类型的组合。在视觉研究所OlivierMarre的实验室里,他专注于视网膜,研究激活视网膜神经元的视觉刺激,以最好地揭示他们的编码目标。

  GašperTkačik认为该框架还可以得到更广泛地应用:“你甚至可以不考虑神经元,只根据优化来解决编码问题的想法可以用在其他任何类型的信号处理系统中,这种近似使得我们可以研究含有难以计算的函数的系统”。该研究结果发表在PNAS(美国国家科学院院刊)上。

  参考文献:Toward aunified theory of efficient, predictive, and sparse coding

  翻译来源:https://medicalxpress.com/news/2017-12-theories-neural-encoding.html