58、神经元计算：非传统机制与大脑信息处理

神经元计算：非传统机制与大脑信息处理

1. 非传统计算机制概述

在神经系统中，存在着一些非传统的计算机制，这些机制与传统观念中基于膜电位、放电率或细胞内钙浓度的神经元计算有所不同。

• 突触可塑性单元 ：神经网络学习算法通常假设突触可塑性的单位是单个突触，但实际上可能是相邻突触组。这一观点的依据在于，突触前囊泡的释放与局部一氧化氮（NO）变化之间的精确时间关系等因素，会影响学习的特异性。而且，轴突和突触在三维空间的精确排列对局部信息存储能力有很大影响。例如，传入活动模式会转化为树突棘和其他突触后终端的局部钙热点，进而释放气体（如NO），在三维空间中自由扩散，调节相邻突触的权重。
• 生化计算领域 ：目前，生化计算领域大多被忽视。然而，没有确凿证据排除特定分子反应可能支持特定计算的可能性。例如，一种基于自磷酸化正反馈的分子触发器开关，可在单个突触处实现具有几位存储容量的长期记忆装置。考虑到蛋白质和酶的复杂调节级联和网络，嵌套多级计算的可能性巨大，但大脑是否利用这些可能性，以及是否因带宽、信噪比或特异性等问题而无法实现这些计算，仍是未知。

2. 肽类编程

肽类在神经系统中扮演着重要角色，它们可以对神经系统进行编程，改变其运动模式、突触增益和输出。

• 神经递质与神经肽的共存 ：在许多突触终端，快速的经典神经递质（如乙酰胆碱ACh、γ - 氨基丁酸GABA或谷氨酸）与作用较慢的神经调质（如神经肽）共存。神经递质存储在小而透明的囊泡中，而神经肽（通常是2 - 10个氨基酸的短链）存储在致密核心囊泡中。不同囊泡可在不同刺激频率下优先释放。大脑中的神经活性肽数量众多且不断增加，它们存在于整个动物界和所有神经结构中。
• 以蟹的胃神经节（STG）为例 ：蟹的STG是研究肽类神经元效应的理想模型系统。它由约30个神经元组成，负责控制食管和胃的运动，神经元通过化学和电突触紧密耦合。约50条可单独识别的输入纤维从前方神经节投射到STG的致密核心。这些输入轴突分支模式多样，相关终端有的类似神经分泌器官，可将肽释放到血淋巴中作用于远处；有的类似传统的点对点接触。神经肽的共存也没有简单规律，同一肽在不同神经元中可能与不同的共递质相关联。

物质类型	存储位置	释放特点	作用范围
神经递质	小而透明囊泡	不同刺激频率下释放有差异	局部
神经肽	致密核心囊泡	不同刺激频率下释放有差异	局部到全局

当食物从蟹的口腔进入食管时，STG神经元会产生多种不同的节律性运动模式。大多数STG细胞可根据特征性的振荡模式（如兴奋性突触后电位EPSP、抑制性突触后电位IPSP、爆发、平台电位等）来识别。一些神经元在无突触输入时也能显示这些规律序列，而另一些则依赖于网络相互作用。这种中央模式发生器（CPG）是脊椎动物和无脊椎动物运动系统的常见特征。

肽类对这些振荡放电以及STG神经元支配的约40块胃肌肉的作用复杂且尚不完全清楚。以促肠肽（proctolin）为例：
1. 影响特定运动模式 ：通过第二信使级联反应，促肠肽调节两个可识别神经元的电压依赖性电导，增加“幽门节律”的振荡频率和调制深度。
2. 增强肌肉收缩 ：即使在极低浓度下，促肠肽也能增强某些胃肌肉的运动神经元诱发收缩，使肌肉对之前无反应的放电率变得敏感。
3. 影响突触连接幅度 ：在无尖峰活动时，添加促肠肽可揭示原本未发现的突触连接，产生强大而持久的抑制作用。

另外，甲壳动物心脏活性肽（CCAP）虽不在STG的输入纤维中，但可通过神经分泌结构释放到血淋巴中，能使神经活动模式发生质的转变，改变特定神经元之间的交替比例。

graph LR
    A[食物进入食管] --> B[STG神经元产生运动模式]
    B --> C[肽类作用]
    C --> C1[影响运动模式]
    C --> C2[增强肌肉收缩]
    C --> C3[影响突触连接]

3. 利用神经调质路由信息

在神经系统中，高效路由信息是一个重要问题，神经调质可能是解决这一问题的一种机制。

• 计算机面临的信息路由挑战 ：计算机架构师在构建大规模并行计算机时，面临着在各个处理器之间高效路由信息的难题，即如何以最少的时间和空间（如晶体管）来实现信息传输。大脑皮层等结构拥有大量并行运行的处理器，也面临类似问题。如果将每个神经元与其他所有神经元相连，会迅速超出空间限制。
• 神经调质的路由机制 ：假设一个输入神经元与大量神经元建立传统突触连接。在没有神经调质输入时，传入纤维的尖峰在所有目标神经元中引发突触活动。当存在神经调质A，且只有部分神经元MA有其受体时，MA中的神经元兴奋性增强（其他神经元可能被抑制）。神经调质A可由局部中间神经元或远处神经元的轴突终端释放。在传统突触输入存在的情况下，MA中的神经元比以前更强烈地发出信号，而不在MA中的神经元反应较弱。这样，就可以将突触输入路由到MA子集的神经元。如果另一组神经元MB有神经调质B的受体，信息则可路由到不同目标。

为了使这种寻址方案有效工作，需要大量神经调质来靶向特定的神经元子集。这种解决方案类似于传统电话交换系统，根据需要建立和断开连接以交换信息。

graph LR
    A[输入神经元] --> B[多个目标神经元]
    B --> C{有无神经调质输入}
    C -->|无| D[所有目标神经元产生突触活动]
    C -->|有神经调质A| E[MA神经元兴奋性增强]
    E --> F[信息路由到MA神经元]
    C -->|有神经调质B| G[MB神经元受影响]
    G --> H[信息路由到MB神经元]

4. 其他候选机制

除了上述机制外，还有一些其他候选机制值得关注。

• 细胞外钙离子短期耗竭 ：目前，细胞外Ca²⁺离子的短期耗竭是否能在不改变电导的情况下实现普遍的突触前抑制，还只是推测，但从实验角度来看，这一问题很重要，不能忽视。
• 气体扩散传递信息 ：突触诱导的钙活动产生的局部热点会导致神经系统组织释放一氧化氮（可能还有一氧化碳），这为信息以逆行方式跨突触传播开辟了新途径。然而，由于扩散的平方根定律和一氧化氮的化学活性，一氧化氮的作用范围可能局限在合成部位的一小部分毫米内，但这个范围内可能包含大量突触。这种扩散物质的一个“不幸”后果是，赫布突触可塑性规则的特异性会显著降低，学习单位将变为相邻突触组，而非单个突触。

5. 大脑计算与有限状态机的对比

大脑的计算方式常被拿来与通用图灵机作比较。通用图灵机是一种数学抽象概念，用于阐明算法、计算和可计算性的含义。它有有限的内部状态和无限的磁带，能读取由有限字母表组成的消息、输出结果并存储中间结果作为记忆。不过，大脑由于精度有限、内存量有限且寿命有限，不可能像“真正”的图灵机。

因此，更合适的问题是：大脑在多大程度上可以被视为有限状态机或自动机？有限状态机只有有限的计算和内存资源。答案是模糊的“视情况而定”。
- 从通用计算角度 ：如果想理解一般的计算本质，以及神经系统执行的操作（如联想记忆或视觉对象识别）如何在机器中实现，布尔电路或有限状态机是相关的。但它们并不足以完全理解这些操作，因为计算理论没有提供确定适当抽象和表示水平的方法。
- 从理解特定神经系统角度 ：当目标是理解特定神经系统及其特征时，有限状态机及其相关概念用处不大。原因在于，这些虚拟机器是脱离实体的，没有考虑到现实世界中的信息处理系统具有物理范围、决策需要时间且需要能量来运行。而在现实中，空间、时间和能量都是有限的。例如，过大的大脑会让生物体在生存竞争中处于劣势；大脑若不能实时应对威胁，就会被反应更快的生物捕食；效率低下的大脑则需要过多能量来维持。

6. 大脑信息处理的正向特征

从积极的方面来看，神经系统处理信息的方式有其独特之处。
- 信息转换与处理 ：单个神经元将传入的二进制脉冲流转换为模拟的、空间分布的变量，即突触后电压和整个树突、胞体及轴突的钙分布。这两个变量似乎是调节和控制信息流的主要因素，各自具有独特的时空特征和动态带宽。从输入到突触后膜电位（Vm）和细胞内钙浓度（[Ca²⁺]i）的转换涉及高度动态的突触，这些突触能适应从毫秒到秒甚至更长的不同时间尺度。信息在模拟域中处理，使用一系列线性和非线性操作，主要操作包括二阶及更高阶乘法、放大、锐化和阈值化、饱和、时间和空间滤波以及符合检测等。
- 模拟计算优势 ：以空间低通或带通滤波操作为例，早期感觉处理（如视网膜中的处理）常涉及此类线性滤波操作。在数字计算机上，对一个二维m×m像素图像与一个n×n像素大小的滤波器进行卷积需要约n²m²次操作（使用快速傅里叶变换可减少到6m²log m次操作）。而在树突或通过电间隙连接的非放电视网膜神经元中，无论图像大小如何，时空滤波都能在一两个时间常数内并行完成。

计算方式	操作次数	时间特性
数字计算机卷积	约n²m²次（可减至6m²log m次）	随图像大小增加而增加
神经元树突或视网膜神经元	一两个时间常数内并行完成	与图像大小无关

• 信息再转换与传递 ：这些模拟树突计算的结果再次转换为异步脉冲，可能还会伴有作为高置信度符号的爆发，并传递给后续神经元。这种放电率编码的精度在一定程度上取决于多种因素，如神经元的兴奋性和突触传递的可靠性等。

graph LR
    A[传入二进制脉冲流] --> B[神经元转换]
    B --> C[模拟变量（Vm和[Ca²⁺]i）]
    C --> D[模拟计算（线性和非线性操作）]
    D --> E[转换为异步脉冲]
    E --> F[传递给后续神经元]

7. 大脑与现代计算机的差异总结

大脑与现代计算机在多个方面存在明显差异。
- 结构差异 ：现代计算机将内存和计算分离，而大脑中这两者没有明显区分。
- 时钟差异 ：计算机依赖系统时钟来协调操作，而大脑神经系统在没有全系统时钟的情况下运行。
- 元件特性差异 ：计算机的元件通常是确定性的，而大脑由随机元件构建。
- 动态特性差异 ：发育中和成熟的大脑都在不断自我重新编程，包括上调或下调突触权重、调节适应程度、改变中央模式发生器的特征和频率、调整积分时间常数等。这意味着大脑的操作方式会根据输入改变其状态转换函数，就像一台根据输入改变指令集的机器。

综上所述，大脑的计算方式具有其独特的复杂性和灵活性，非传统的计算机制在其中发挥着重要作用。这些机制不仅丰富了我们对神经系统信息处理的理解，也为未来的计算模型和技术发展提供了新的思路和方向。例如，借鉴大脑利用神经调质路由信息的机制，可能有助于解决计算机架构中的信息高效传输问题；研究大脑的生化计算领域，也许能为开发新型计算材料和方法提供启示。随着研究的不断深入，我们有望更全面地揭示大脑计算的奥秘，并将这些知识应用于更广泛的领域。