← 最新论文
🧠 neuroscience

Short-term synaptic depression in multiregional recurrent neural networks accounts for both MMN and P300-like responses and their attentional amplification

本研究表明,层级化、多区域循环神经网络内的短期突触抑制,可以通过将突触尺度的机制与大脑范围内的显著刺激表征联系起来,同时解释失匹配负波(mismatch negativity)和类P300响应的产生,以及它们受注意力的放大作用。

原作者: Strock, A., Nghiem, T.-A. E., Trouvain, N., Mistry, P. K., Menon, V.

发布于 2026-08-03
📖 1 分钟阅读☕ 轻松阅读

原作者: Strock, A., Nghiem, T.-A. E., Trouvain, N., Mistry, P. K., Menon, V.

原始论文采用 CC BY 4.0 许可(https://creativecommons.org/licenses/by/4.0/)。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明

想象一下,你的大脑就像一座繁忙的城市,不断受到感官数据的轰炸:交通的喧嚣、路灯的光影、人群的嘈杂。这些信息中的大部分只是背景噪音,是周而复始、陈词滥调的内容。但每隔一段时间,一些奇特的事情就会发生——警笛鸣响、鸟儿撞向窗户,或者一个陌生人戴着一顶鲜艳的粉色帽子走进房间。你的大脑必须瞬间识别出这些“离群值”(oddball)时刻,忽略那些枯燥的重复,并大喊:“嘿!看那里!”这种过滤平庸并突出惊喜的能力对于生存至关重要。如果你无法区分常规的步伐与突然的绊倒,你可能会错过真正的危险。科学家们长期以来一直在研究两种特定的脑电信号,它们就像这样的报警系统:MMN 和 P300。可以将 MMN 视为大脑的一种自动的、前注意的“咦,这不对劲!”的反应,它发生在感觉区域;而将 P300 视为更响亮、更迟来的“噢哇,这很重要!”的信号,它涉及大脑的决策中心。但长期以来,研究人员一直不知道这两个信号是由两台完全不同的机器产生的,还是仅仅是同一台引擎的不同部分。

来自斯坦福大学和法国的一个科研团队决定构建一个数字大脑来解开这个谜团。他们创建了一个神经网络的计算机模拟——一个由微小的、相互连接的、像神经元一样放电的单元组成的虚拟大脑。他们并没有去构建一个拥有数千个不同部分的复杂且混乱的大脑,而是提出了一个简单的问题:一种被称为“短期突触抑制”(Short-Term Synaptic Depression, STD)的单一基本机制,是否可以同时解释 MMN 和 P300?把 STD 想象成门上的便利贴。如果你反复敲门(发送信号),便利贴就会磨损,不再粘得那么牢,所以下一次敲门的声音就不会传得那么响亮。但如果你敲的是另一扇很久没用过的门,便利贴还是新鲜的,敲门声就会响亮清晰。研究人员模拟了一个接收这些“敲门声”并随后将信号传递给“额叶”网络的“感觉”网络。他们发现,这种简单的“磨损的便利贴”机制足以在感觉区域产生 MMN。当信号传输到额叶区域时,网络自然地放大了信号并延迟了它,从而产生了 P300。

论文指出,这种单一机制结合大脑区域之间相互交流的方式,可以解释为什么稀有事件会比常见事件引起更大的反应。在他们的模拟中,当刺激是稀有的,那些路径上的“便利贴”是新鲜的,导致了强烈的反应。当刺激是常见的,便利贴就疲劳了,导致了微弱的反应。这与现实世界的数据完美契合:模型显示,常见声音与稀有声音之间的差异在感觉区域大约 190 毫秒处达到峰值(匹配 MMN),然后在额叶区域大约 310 毫秒处再次达到峰值(匹配 P300)。额叶的反应也大约是感觉区域的 9 倍强,这与真实的大脑情况一致。

研究人员还测试了当你真正关注那个“离群值”,而不是仅仅让它在背景中发生时,会发生什么。他们在模型中加入了一个“反馈回路”,即大脑的决策单元可以将信号传回额叶区域。在模拟中,当大脑正在积极寻找那个稀有声音时,这种反馈使得 P30 most 显著且更加尖锐。这表明,注意力是通过微调同样的“磨损的便利贴”系统来发挥作用的,使大脑能够更好地捕捉稀有事物。

这项研究最酷的部分之一是观察大脑活动的“形状”。研究人员使用了一种数学技巧,将视觉化大脑在看到不同声音时神经元如何分组的过程。他们发现,稀有声音在脑活动图中占据的“空间”比常见声音要大得多。这就像如果大脑有一个舞池:常见的舞步挤在一个小角落里,但那些奇特的、稀有的舞步却能占据整个舞池。这种更大的空间使得噪声很难干扰大脑,这意味着即使在情况变得混乱时,信号依然保持清晰。

该论文提出,一个简单的、通用的规则——突触因过度使用而疲劳——结合一个层级网络(感觉系统与额叶系统的对话),提供了一个简洁的替代方案,无需复杂的、分离的机器来解释 MMN 和 P300。作者对他们在模拟中的这些结果非常有信心,指出模型以极高的精度匹配了现实世界的数据。然而,他们也承认他们的模型是真实大脑的一个简化版本;它尚未解释为什么我们在头皮上测得的电信号是负向而非正向,以及每个大脑区域是如何具体配合的。但就目前而言,这项研究提供了一个强大且统一的故事:我们大脑识别意外情况的能力,可能仅仅源于一个事实——当我们听到同样的东西太多次时,我们的神经连接会变得有些疲劳。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →