Nature计算和理论神经科学特刊:剖析机器学习推动下的神经科学进展

Nature Neuroscience 近日推出了一个关注应用于神经科学的计算驱动的和理论驱动的方法(computation- and theory-driven approaches)的特刊,介绍了许多生物物理模型和机械式的模型。相关论文可点击「阅读原文」查看。

神经科学研究的进展无法脱离数据收集,同时也需复杂的方法将这些数据组装和合成到更广泛的框架中。理论神经科学,加上必要的计算技术,能确保我们的努力不仅仅是大规模的收集工作。本期,Nature Neuroscience 呈现了一批论文综述与观点讨论,包含了一系列当下该领域突出的思考,从神经回路和网络到认知评估和精神疾病。

0 (1).gif

神经机制的深刻见解都是来源于基于理论的研究。描述动作电位传播的 Hodgkin-Huxley 模型,Hebbian-based 的可塑性规则,Barlow 的有效编码假说和 Marr 的三层分析模型都是强有力的证明。然而尽管取得了这些成就,但生物学仍然存在实验和理论之间的脱节,这些在物理学上简直无法想象。技术的进步使得生物学在现代神经科学理论与实验的分离更有先见之明。正是这种大量数据生成的能力需要敏锐的实验设计和聚焦问题以获得理解。由于在没有理论基础的条件下就对这一问题的概念化,实验神经科学不过就是多个观察的简单堆叠,就像宇宙建立在海龟背上那种传说中的模型毫无意义。

自然神经科学出版了一期关于计算神经科学的特刊,之前已经出版过三期的特刊。第一期是关于这一领域几十年主流的历史评论中不被看好但非常重要的内容。接下来两个合刊分别介绍了一些综述与主要的研究论文。现在我们处在一个临界点,即该领域已经成熟到可以做一期新的特刊,由综述和观点还有一篇评论构成,强调了了计算和理论神经科学近期的一些进展。

实验创新几乎已经蔓延到神经科学的每一个分支,而每个问题上都有了更多的数据。在《理论神经科学的关键时刻,概念与技术的进步》(Conceptual and technical advances define a key moment for theoretical neuroscience)论文中,Churchland 和 Abbott 推荐一个称之为大帐篷政策(big tent approach)的方法,计算和理论进入了从原始数据分析到建立详细的机制和生物物理模型所有阶段。

这里有一个详细的生物物理建模的例子,围绕带有相等的兴奋性和抑制性输入的网络建模,实验性证据也支持这种突触平衡(synaptic balance)的存在。在《高效的代码与均衡网络》(Efficient codes and balanced networks)论文中,Denève 和 Machens 论述了平衡网络模型的最新进展,他们特别强调这种网络能够支持高效的编码。大多数网络模型的实例化是以连续时间系统为背景的,然而我们知道神经元主要是是通过离散的尖峰脉冲传递信息的。

在《建立尖峰神经模型的功能网络》(Building functional networks of spiking model neurons)的论文中,Abbott, DePasquale 和 Memmesheimer 讨论了当前桥接模拟-数字鸿沟的方法。我们总希望能逆向运行而不是施加一个网络结构来匹配当前的尖峰输出。人口记录和成像现在已经很平常了,但有可能推断出这种生理机制和可变性的来源吗?在《神经相关的状态依从性机制》(The mechanics of state-dependent neural correlations)中,Doiron 和同事们论述了跟踪大脑状态中的神经关联变化如何能暗示潜在的因果要素。但考虑记忆理论的时候,不同的神经状态视图就变得很重要了,也就是我们该如何如何构建并且维持稳定的表征。

Chaudhuri 和 Fiete 在《记忆的计算法则》(Computational principles of memory)论文中关注记忆系统所必要的法则。他们论述了相关的网络构架,潜在的生物物理过程,噪音的鲁棒性(robustness to noise),信息能力和编码策略,并承认其可以和计算机科学相媲美。计算机科学,特别是用计算机视觉技术构建的目标识别系统,又兜回来告诉我们如何建立人类视觉感知的模型。在《利用目标驱动的深度学习模型来理解感觉皮层》(Using goal-driven deep learning models to understand sensory cortex)论文的观点中,Yamins 和 DiCarlo 介绍了目标驱动的深层神经网络在解释感官处理上成功的一些原因,并提出可以做出类似的进展来超越感知系统。

神经系统层级上升后,我们就可以做出感知上(perceptual)或者形式更加公开的决定。在《信心与确定:不同目标的不同概率量》(Confidence and certainty: distinct probabilistic quantities for different goals)这篇论文中,Pouget,Drugowitsch 和 Kepecs 提出了决策确定性(decision certainty)与决策信心(decision confidence)之间的绝对区分。当大脑在嘈杂的环境下工作时(「当」指的是「在任何时候」),大脑必须计算出概率分布。作者认为,确定性应该是指所有概率决策变量的编码,而信心应被具体定义为一个决策正确的概率。也许只有时间才能决定是否应该对它们的建议有信心。有了更好的感知模型后,当系统出现故障时,行为和决策制定也能潜在地让我们诊断和修改对策。Huys,Maia 和 Frank 在 Computational psychiatry as a bridge from neuroscience to clinical applications 这篇论文中对计算精神病学的新兴领域做了一个综述,详细介绍了机器学习计算应用以及基于理论的机器模型这两种方式在疾病分类和治疗上综合运用的进展。

本期杂志中涉及的话题涉及的范围很广,大多数重点的内容都是发表在其他期刊上的文章。事实上,我们期刊上神经计算文章的数量最近几年一直在稳步增长。从谷歌搜索的 Google Trends 上看,对计算神经科学的普遍兴趣得到了初步支持(也许是确认偏误(conformation bias)?)过去 5 年中「computational neuroscience」的搜索量稳步增长,其增长可以在同一时期「光遗传学」的搜索频率也有类似的增长中得到佐证。计算神经科学增长或许不会迎来拐点,因为对该领域主题特定的期刊(如计算神经科学期刊。Journal of Computational Neuroscience)以及博士课程的搜索也会将这个词汇的搜索频率推向在峰值。有趣的是,到目前为止,「认知神经科学」的搜索数量远远超过了计算神经科学,但是搜索频率也会有季节性波动,每年秋天大学新生入学时搜索频率会波动性增长。现在每所大学都应该让计算成为神经生物学课程的核心部分。好处是在这 5 年的时间里,我们不再需要通过证明计算与神经科学的相关性来吸引大家对神经计算研究的关注。最大的希望是能促使神经计算在生物学有更好的理解,以及实现更好疾病治疗。

理论机器学习神经科学论文理论