科学家对记忆存储方式的理解正在发生翻天覆地的变化。直到最近，研究人员还认为记忆与特定的神经元和连接它们的突触有关。但过去十年令人惊讶的实验观察指出了一种称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并非一成不变，而是不断变化——这与既定范式截然不同。
“代表性漂移是如此出乎意料和自相矛盾，” Flatiron Institute计算神经科学中心(CCN) 的组长Dmitri Chklovskii说。 “为什么大脑会使用不断变化的东西来长期存储记忆？”
虽然研究人员驳回了范围有限的早期实验，但代表性漂移的证据开始堆积，科学家们开始寻找其背后的机制。现在，由 Flatiron Institute 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。 1 月份发表在《自然神经科学》(Nature Neuroscience)上的新发现标志着在理解记忆和习得行为以令人惊讶的方式存储在我们大脑中的方式向前迈出了一大步。
“近年来越来越清楚的是，神经元表征在不断变化，”该论文的资深作者 Chklovskii 说。 “我们的研究为这如何运作提供了可能的答案。”
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该信息。每次我们利用这些知识，例如，在城镇中导航或识别熟悉的肉桂气味时，这些神经元都会以一种特定的、可预测的方式激发，形成科学家所说的神经表征。
但在过去十年中，配备多通道电极和遗传学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花香的神经元，而另一天它可能是一组完全不同的神经元。
“基本思想是重点不在于单个细胞代表什么，”Chklovskii 说。 “重要的是细胞之间的关系。”
制作模型
为了理解表征漂移的机制，Flatiron 和哈佛团队利用了 Chklovskii 小组先前开发的所谓相似性匹配网络。这些网络源自原则目标，并使用生物系统中发现的赫布和反赫布学习规则进行训练。研究人员专门使用他们的模型来探索海马体和后顶叶皮层的表征漂移——大脑中的神经表征已被实验证明在数天和数周内表现出漂移。
当大脑形成外部世界的表征或编码时，它会以许多不同但等同的方式中的一种任意进行。 Flatiron 和哈佛团队开发的模型通过允许许多不同的解决方案进行表示来模拟这一点，然后可以随时间变化。在模型中，神经元之间的突触在使用时被加权或加强。这种类型的 Hebb 学习体现在常用短语“一起发射的细胞连接在一起”中。
为了模拟漂移，研究人员随后向模拟神经元之间的突触可塑性添加“噪音”或随机变异性。这种噪音的灵感来自生物学中的实验观察，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，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，研究人员的模型表现出代表性漂移，同时保持神经活动模式的相似性。这表明尽管存在表征漂移，但我们的记忆如何能够长期存在。结果也与小鼠的实验观察相吻合，这表明参与学习任务的神经元数量在几天内发生了变化。
“代表性漂移可以通过嘈杂的学习过程和等效表示的存在来解释，”新论文的资深作者，哈佛大学应用数学助理教授 Cengiz Pehlevan 说。 “如果你把这些东西放在一起，你就会产生代表性的漂移。”
一块拼图
虽然该模型是一个很有前途的解决方案，但尚未在生物系统中得到最终证明。但是，它有几个可测试的结果。一是突触转换更快的神经元应该漂移得更快。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。它可能是我们大脑工作方式的基础，也可能是噪音的意外结果。也许这是在旧神经元死亡并被替换时保存记忆的唯一方法。
“新模型是拼图的重要组成部分，”Chklovskii 说。 “但我们距离理解大脑的工作原理还有很长的路要走。”
查明原因是 Chklovskii 的下一个目标。他和他的合作者的发现可能有助于回答一些关于大脑的最基本问题。它还可能帮助研究人员开发更好的深度学习网络，这些网络松散地模拟了大脑的学习方式。通过增加对我们自己大脑的了解，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引导我们开发出一种可以模拟大脑的算法。” “漂移将是更大算法的一个有价值的部分。”