科学家揭示神经元连接机制，证明人类神经元连接方式支持高阶计算

人类大脑皮质层内的的神经元是如何相互连接的？它们又是如何处理复杂信息的呢？

近期，德国柏林夏里特医学院团队为上述神经科学领域的基础问题，提供了答案。

他们将关注点放在颞叶新皮层。与其他哺乳动物相比，该大脑区域在人类进化过程中经历了显著的扩张，其主要功能包括语言的产生和认知信号的整合。

虽然人类已了解大脑区域之间的远程连接网络特征，但对于皮层内相邻神经元是如何相互通信的，却知之甚少。

理解这种局部网络结构的逻辑至关重要，因为这些局部连接构成了神经元的大部分突触。并且，它在很大程度地决定了该网络对传入信息进行计算的功能。

到目前为止，大多数关于皮层网络原理的假设皆基于啮齿类动物的研究，其神经元的连接通过强连接支持相互通信，即以循环形式流动。

简单来理解，当神经元 A 向神经元 B 发送一个信号时，神经元 B 会向神经元 A 发送一个信号，而 A 和 B 之间的这种相互连接将比其他连接更强。

对于这种高度反复出现的连接功能的解释是，它服务于在相似神经元之间共享的某些放大信号。

而在这项研究中，该课题组获得了与以往认知截然不同的发现：通过研究人类皮层局部神经元之间的连接，研究人员发现，这些连接是单一方向的。

这意味着，如果神经元 A 向神经元 B 发送一个信号，它将把这个信号转发给神经元 C，而不是传回神经元 A。

此外，这些连接的强度似乎独立于连接。这些结果揭示了大脑皮层中神经元微电路的重要性和新的原理，并将支持局部信息流，而不是循环的信息循环。

图丨人类皮层微电路中的连通性和突触强度（来源：Science）

为理解这些网络原理如何影响网络内的计算，研究人员使用数学分析和模拟的人工神经网络，并发现这些原理可以扩展一个网络的维数。

具体来说，他们证明了在递归神经网络中，与随机连接相比，局部前馈连接可以提高网络的记忆容量。

进一步的研究还表明，这些前馈网络在接受语音识别任务训练时，可以在机器学习中获得更高的任务性能，证明人类大脑皮层连接的原理支持高阶计算。

近日，相关论文以《人类 2-3 层皮质微型回路中的定向和非循环突触连接》（Directed and acyclic synaptic connectivity in the human layer 2-3 cortical microcircuit）为题发表在 Science[1]。

柏林夏里特医学院研究员彭阳帆是第一作者，约尔格·R·P·盖格（Jörg R.P. Geige）教授担任通讯作者。

图丨相关论文（来源：Science）

研究人类大脑皮质层内的神经元相互连接的关键挑战之一，是需要将一种技术复杂的方法与罕见的人类脑组织相结合。

得益于该课题组与柏林夏里特医学院神经内科、神经外科的密切合作，在征得患者同意的前提下，研究人员从耐药癫痫患者的脑部手术中获得了用于科学研究的脑组织。

为检测神经元之间的突触连接，他们使用了成熟的膜片钳技术，该技术于 1991 年获得诺贝尔生理学或医学奖。

彭阳帆表示：“我们扩展了这种方法，允许同时记录多达 10 个神经元（多膜片），并进一步改进了半自动化的相关实验步骤[2]。”

图丨用于记录多达 10 个神经元活动的多膜片实验的实验装置（来源：彭阳帆）

为了在显微镜的视觉引导下精确地移动这些移液管，研究人员使用可在纳米分辨率[3]下控制的操纵器，以允许记录这些神经元中的电信号和刺激脉冲的应用。

通过随后刺激多达 10 个同时附着的神经元，可以筛选出一簇神经元（9x10）之间的 90 个潜在连接。

虽然多膜片实验很少由其他实验室进行，但该团队的优化允许每个样本具有非常高的实验吞吐量，这对于执行复杂的连接分析至关重要。

彭阳帆表示：“对每个患者样本重复多次这个实验，我们可以记录大约 1170 个神经元，并探测超过 7200 个连接。”

该课题组发现，人类第 2-3 层颞叶皮层中的网络更具有定向性和非循环性。“这意味着局部信息流是前馈的，而不是像啮齿类动物那样是循环的。”他说。

为更好地理解所识别的网络架构如何影响网络内的计算，在瑞士苏黎世联邦理工学院本杰明·格雷韦（Benjamin Grewe）教授指导下，保罗·维利梅利斯·阿塞图诺（Pau Vilimelis Aceituno）博士完成了应用数学方法（随机矩阵理论），并在储层计算框架中模拟了递归神经网络。

他们发现，人类皮层中已识别的原理（缺乏互惠性、缺乏循环、随机权重分布）导致网络的信息存储容量增加。并且，在口语数字识别任务中的整体性能得到改善，这与人类颞叶的语言功能有关。

研究显示，类人网络比随机或类啮齿动物网络需要更少的神经元，来实现相同的性能，这表明这些原理可以支持更高阶的计算。

图丨人类 2-3 颞叶皮层的网络原理对网络维度的影响（来源：Science）

彭阳帆指出，该研究有助于找到生物和人工智能之间的共同原则。

尽管生物神经网络和人工神经网络之间存在明显的差异，但两者都依赖于相互连接的神经元网络来处理复杂的信息，这些网络的架构是决定其计算能力和效率的关键因素。

目前，许多现代人工神经网络（如变压器或卷积神经网络），已经使用定向和非循环结构。有趣的是，在人类大脑皮层中也可以发现类似的原理，因为它是以高效处理复杂信息而闻名的生物网络。

这对于神经形态计算领域尤为重要，该领域旨在设计受生物启发的人工神经网络，以实现更高效的计算。

神经形态网络通常被设计为随机连接，以执行需要存储信息的任务，例如解码大脑信号或语音识别。

“我们的研究表明，与随机网络相比，这些循环网络中的前馈结构可以提供计算优势。通过识别大脑中高效计算原理，我们希望能激发对人工神经网络的进一步改进。”彭阳帆表示。

图丨彭阳帆（来源：彭阳帆）

目前，彭阳帆在柏林夏里特医学院神经内科和神经科学研究中心担任研究员，并通过应用先进的神经科学方法，建立临床和基础神经科学交叉研究小组，如治疗帕金森病。

后续，该团队将进一步探索人类大脑皮层的具体属性。现阶段，他们已经在开展另一项研究，揭示人类大脑皮层中不同亚型的神经元。该课题组的最终目标是验证或扩展基于啮齿动物的研究，以更好地了解人类皮层的功能。