网站 Banner

        人脑包含大约 860 亿个神经元。 这些细胞发射电信号，帮助大脑存储记忆并在整个大脑和神经系统中发送信息和命令。

         大脑还包含数十亿个星形胶质细胞——星形细胞，具有许多长延伸部分，使它们能够与数百万个神经元相互作用。 尽管长期以来人们一直认为它们主要是支持细胞，但最近的研究表明，星形胶质细胞可能在记忆中发挥作用存储和其他认知功能。

         麻省理工学院的研究人员现在提出了一个新的假设，即星形胶质细胞如何有助于记忆存储。 他们的模型建议的架构将有助于解释大脑的巨大存储容量，这比单独使用神经元的预期要大得多。

         “最初，人们认为星形胶质细胞只是清理神经元周围，但没有特别的理由进化论没有意识到这一点，因为每个星形胶质细胞都可以接触数十万个突触，它们也可以用于计算，“麻省理工学院机械工程和大脑与认知科学教授、这项新研究的作者 Jean-Jacques Slotine 说。

         Dmitry Krotov 是麻省理工学院-IBM Watson AI 实验室和 IBM 研究院的研究人员，是这篇开放获取论文的资深作者，该论文于 5 月 23 日发表在《美国国家科学院院刊》上。 Leo Kozachkov 博士 '22 是该论文的主要作者。

        记忆容量

         星形胶质细胞在大脑中具有多种支持功能： 它们清理碎屑，为神经元提供营养，并有助于确保充足的血液供应。

         星形胶质细胞还发出许多细触手，称为过程，每个触手都可以包裹在单个突触周围——两个神经元相互交互的连接处——以形成一个三部分（三部分）突触。

         在过去的几年里，神经科学家已经表明，如果星形胶质细胞和海马体中的神经元之间被破坏，记忆存储和检索受损。

         与神经元不同，星形胶质细胞不能激发动作电位，动作电位是将信息传递到整个大脑的电脉冲。 然而，它们可以使用钙信号传导与其他星形胶质细胞进行交流。 在过去的几十年里，随着钙成像分辨率的提高，研究人员发现钙信号传导还允许星形胶质细胞协调它们的活性它们关联的突触中的神经元。

         这些研究表明，星形胶质细胞可以检测神经活动，从而导致它们改变自己的钙水平。 这些变化可能会触发星形胶质细胞将神经胶质递质（类似于神经递质的信号分子）释放到突触中。

         “神经元信号传导和星形胶质细胞到神经元信号传导之间存在一个闭合圆圈，”Kozachkov 说。 “目前尚不清楚的恰恰是星形胶质细胞进行什么样的计算可以利用它们从神经元中感知到的信息。

        ：麻省理工学院的团队着手对这些连接可能做什么以及它们如何为内存存储做出贡献进行建模。 他们的模型基于 Hopfield 网络 -- 一种可以存储和调用模式的神经网络。

         Hopfield 网络最初由 John Hopfield 和 Shun-Ichi Amari 在 1970 年代和 1980 年代开发，通常用于对大脑进行建模，但已经表明这些网络无法存储足够的存储空间信息来解释人脑的巨大记忆容量。 Hopfield 网络的更新修改版本，称为密集联想记忆，可以通过两个以上神经元之间的更高阶耦合来存储更多信息。

         然而，目前尚不清楚大脑如何在假设的突触中实现这些多神经元耦合，因为常规突触只连接两个神经元：突触前细胞和突触后细胞。 这就是星形胶质细胞的来源进入游戏。

         “如果你有一个成对耦合的神经元网络，那么你可以在这些网络中编码的信息量非常小，”Krotov 说。 “为了构建密集的联想记忆，你需要耦合两个以上的神经元。 因为单个星形胶质细胞可以连接到许多神经元和许多突触，所以很容易假设该生物细胞介导的突触之间可能存在信息传递。 这是最大的灵感让我们研究星形胶质细胞，并引导我们开始思考如何在生物学中建立密集的联想记忆。

         研究人员在他们的新论文中开发的神经元-星形胶质细胞联想记忆模型可以存储比传统 Hopfield 网络多得多的信息——足以解释大脑的记忆容量。

         错综复杂的连接

         神经元和星形胶质细胞之间广泛的生物连接为以下观点提供了支持：研究人员说，模型类型可能解释了大脑的记忆存储系统是如何工作的。 他们假设在星形胶质细胞中，记忆是通过钙流动模式的逐渐变化来编码的。 这些信息通过星形胶质细胞过程连接的突触处释放的神经胶质递质传达给神经元。

         “通过仔细协调这两件事——细胞中钙的时空模式，然后是返回神经元的信号传导——你可以得到确切的这种大幅增加的内存容量所需的动态，“Kozachkov 说。

         新模型的主要特点之一是它将星形胶质细胞视为过程的集合，而不是单个实体。 这些进程中的每一个都可以被视为一个计算单元。 由于密集关联存储器的高信息存储能力，存储的信息量与计算单元数量的比率非常高，并且随着网络。 这使得系统不仅容量高，而且能源效率高。

         “通过将三方突触结构域（星形胶质细胞与突触前和突触后神经元动态交互的地方）概念化为大脑的基本计算单元，作者认为每个单元可以存储与网络中神经元一样多的记忆模式。 这导致了一个惊人的含义，即原则上，神经元-星形胶质细胞网络可以存储任意数量的模式，仅受其大小限制，“多伦多大学 Krembil 研究所生理学助理教授 Maurizio De Pitta 说，他没有参与这项研究。

         为了测试这个模型是否可以准确代表大脑如何存储记忆，研究人员可以尝试开发方法来精确纵星形胶质细胞过程之间的联系，然后观察这些作如何影响记忆功能。

         “我们希望后果之一这项工作可能是实验者会认真考虑这个想法，并进行一些实验来检验这个假设，“克罗托夫说。

         除了提供关于大脑如何存储内存的见解外，该模型还可以为从事人工智能工作的研究人员提供指导。 通过改变过程到过程网络的连接性，研究人员可以生成大量模型，这些模型可以用于不同的目的进行探索，例如，创建一个大型语言模型中密集联想记忆和注意力机制之间的连续体。

         “虽然神经科学最初激发了 AI 的关键思想，但过去 50 年的神经科学研究对该领域几乎没有影响，许多现代 AI 算法已经远离了神经类比，”Slotine 说。 “从这个意义上说，这项工作可能是最近的神经科学研究对人工智能的首批贡献之一。”