CA3 sparsity stabilises high-connectivity recurrent autoassociation: complementary binary and spiking computational modes in a DG->CA3 model
这项研究表明，CA3自联想记忆的稳定性取决于递归连接与神经元稀疏性之间的关键权衡，即只有当活动足够稀疏以防止失控性兴奋时，高连接性才是可行的，而这一条件由齿状回自然维持并受成年神经发生调节。
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
大脑记忆的能力建立在两种对立任务之间的微妙平衡之上。为了存储一段新记忆，大脑必须首先将其从相似的过往经历中分离出来，以确保新的事件不会与旧的事件混淆。这个过程被称为模式分离（pattern separation），它就像一个文件系统，将相似的文件存放在不同的文件夹中。一旦记忆被存储，大脑必须能够在仅有模糊或不完整提示的情况下检索它。这种检索过程被称为模式补全（pattern completion），它让一种气味或一段声音的碎片就能唤起整个场景。这些操作发生在海马体（位于大脑深处的一个海马形结构）的相邻区域。第一个区域，齿状回（dentate gyrus），负责执行分离；而第二个区域，CA3区，则负责执行补全。
几十年来，科学家们一直在争论CA3区域如何如此可靠地管理记忆检索。这场争论的关键在于该区域神经元彼此连接的密度。一些测量表明这些连接很稀疏，而另一些使用更先进成像技术的测量则表明，这些连接比前者多出十倍。这种分歧让研究人员感到困惑：拥有更多的连接有助于大脑回忆记忆，还是会导致混乱？由Tadanobu Chuyo Kamijo及其同事进行的一项新研究利用计算机模拟解决了这一冲突。他们发现，答案完全取决于神经元的行为方式。如果神经元保持非常安静且稀疏，高度连接的网络就能运作得非常出色。但如果神经元变得过于活跃，同样的高连接性会导致系统崩溃，使得区分不同记忆变得不可能。
研究人员构建了一个详细的计算机模型，模拟从齿状回到CA3区的路径，以测试这些系统在不同条件下如何处理记忆。他们创建了两个版本的CA3区域，以代表科学家建模的不同方式。一个版本采用了简化的二元法，即神经元要么严格处于“开启”状态，要么处于“关闭”状态，代表一个具有严格活动限制的系统。另一个版本使用了更真实的脉冲模型（spiking model），在这种模型中，神经元发射电信号，并通过兴奋与抑制的平衡来调节自身的活动，这与真实的生物网络非常相似。随后，他们向这两个版本输入了一系列输入信号，并在改变神经元间连接数量的情况下，测试了它们补全部分记忆的能力。
结果显示了两种模型之间的显著差异。在简化的二元版本中，增加连接数量总是有帮助的。神经元拥有的链路越多，系统从部分线索检索完整记忆的能力就越强。这表明，如果大脑以严格的活动限制运行，拥有密集的连接网络是一个明显的优势。然而，真实的脉冲模型却讲述了另一个故事。在这个版本中，增加连接仅在一定限度内有效。一旦连接数量相对于活跃神经元的数量过多，系统就会失效。记忆不仅仅是变得模糊，而是彻底崩溃。网络无法区分存储的不同模式，实际上失去了记忆。
研究确定了一个控制这种失败的特定规则。只有当活跃神经元的数量与每个神经元的连接数之积保持在某个阈值以下时，系统才能保持稳定。简单来说，如果神经元放电过于频繁，高密度的连接会导致它们全部同时亮起，从而模糊了独特的记忆模式。研究人员发现，即使网络试图通过加强其内部制动机制（即抑制作用）来进行补偿，这种崩溃仍然会发生。这种失败并非由于活动的失控爆发，而是由于特异性的丧失，即大脑无法再分辨一个记忆与另一个记忆。这解释了为什么大脑可能会将CA3神经元的活动率保持在极低水平，即在任何给定时间内只有约2%到5%的神经元处于活跃状态。这种极度的稀疏性正是允许高度连接的网络在不崩溃的情况下正常运作的条件。
团队还探讨了成年神经发生（即成年大脑中新神经元的诞生）如何融入这一图景。已知新生的神经元比成熟的神经元更具兴奋性，这可能会破坏网络的微妙平衡。模拟显示，如果这些新神经元只是单纯地变得更加活跃而没有改变其连接方式，它们会将系统推向崩溃的边缘。然而，如果这些新神经元同时也招募了抑制性细胞来帮助平息网络的活动，它们实际上有助于稳定系统。这表明大脑整合新细胞的方法至关重要：如果新细胞有助于保持整体活动的低水平，它们就会保护记忆；如果它们只是增加了噪声，它们就会摧毁记忆。
这项工作重新定义了关于CA3区域存在多少连接的长期争论。低估与高估之间的分歧可能不是测量上的矛盾，而是反映了不同的运行模式。如果大脑依赖于一种稀疏、受控的代码，它可以支持极高的连接密度，这与较高的估算值相符。如果代码的稀疏程度较低，大脑就需要远少的连接来避免混乱。研究表明，大脑检索记忆的能力不仅在于拥有正确数量的“导线”，还在于保持这些导线上的“交通流量”足够轻微，以防止发生交通拥堵。通过保持活动的稀疏性，大脑可以维持一个丰富且高度连接的网络，从而实现稳定且精确的记忆检索。
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。