2016-11-06 機器之心
選自Nature Neuroscience機器之心編譯參與：蔣思源、杜夏德
Nature Neuroscience 近日推出了一個關注應用於神經科學的計算驅動的和理論驅動的方法（computation- and theory-driven approaches）的特刊，介紹了許多生物物理模型和機械式的模型。相關論文可點擊「閱讀原文」查看。
神經科學研究的進展無法脫離數據收集，同時也需複雜的方法將這些數據組裝和合成到更廣泛的框架中。理論神經科學，加上必要的計算技術，能確保我們的努力不僅僅是大規模的收集工作。本期，Nature Neuroscience 呈現了一批論文綜述與觀點討論，包含了一系列當下該領域突出的思考，從神經迴路和網絡到認知評估和精神疾病。
神經機制的深刻見解都是來源於基於理論的研究。描述動作電位傳播的 Hodgkin-Huxley 模型，Hebbian-based 的可塑性規則，Barlow 的有效編碼假說和 Marr 的三層分析模型都是強有力的證明。然而儘管取得了這些成就，但生物學仍然存在實驗和理論之間的脫節，這些在物理學上簡直無法想像。技術的進步使得生物學在現代神經科學理論與實驗的分離更有先見之明。正是這種大量數據生成的能力需要敏銳的實驗設計和聚焦問題以獲得理解。由於在沒有理論基礎的條件下就對這一問題的概念化，實驗神經科學不過就是多個觀察的簡單堆疊，就像宇宙建立在海龜背上那種傳說中的模型毫無意義。
自然神經科學出版了一期關於計算神經科學的特刊，之前已經出版過三期的特刊。第一期是關於這一領域幾十年主流的歷史評論中不被看好但非常重要的內容。接下來兩個合刊分別介紹了一些綜述與主要的研究論文。現在我們處在一個臨界點，即該領域已經成熟到可以做一期新的特刊，由綜述和觀點還有一篇評論構成，強調了了計算和理論神經科學近期的一些進展。
實驗創新幾乎已經蔓延到神經科學的每一個分支，而每個問題上都有了更多的數據。在《理論神經科學的關鍵時刻，概念與技術的進步》（Conceptual and technical advances define a key moment for theoretical neuroscience）論文中，Churchland 和 Abbott 推薦一個稱之為大帳篷政策（big tent approach）的方法，計算和理論進入了從原始數據分析到建立詳細的機制和生物物理模型所有階段。
這裡有一個詳細的生物物理建模的例子，圍繞帶有相等的興奮性和抑制性輸入的網絡建模，實驗性證據也支持這種突觸平衡（synaptic balance）的存在。在《高效的代碼與均衡網絡》（Efficient codes and balanced networks）論文中，Denève 和 Machens 論述了平衡網絡模型的最新進展，他們特別強調這種網絡能夠支持高效的編碼。大多數網絡模型的實例化是以連續時間系統為背景的，然而我們知道神經元主要是是通過離散的尖峰脈衝傳遞信息的。
在《建立尖峰神經模型的功能網絡》（Building functional networks of spiking model neurons）的論文中，Abbott, DePasquale 和 Memmesheimer 討論了當前橋接模擬-數字鴻溝的方法。我們總希望能逆向運行而不是施加一個網絡結構來匹配當前的尖峰輸出。人口記錄和成像現在已經很平常了，但有可能推斷出這種生理機制和可變性的來源嗎？在《神經相關的狀態依從性機制》（The mechanics of state-dependent neural correlations）中，Doiron 和同事們論述了跟蹤大腦狀態中的神經關聯變化如何能暗示潛在的因果要素。但考慮記憶理論的時候，不同的神經狀態視圖就變得很重要了，也就是我們該如何如何構建並且維持穩定的表徵。
Chaudhuri 和 Fiete 在《記憶的計算法則》（Computational principles of memory）論文中關註記憶系統所必要的法則。他們論述了相關的網絡構架，潛在的生物物理過程，噪音的魯棒性（robustness to noise），信息能力和編碼策略，並承認其可以和計算機科學相媲美。計算機科學，特別是用計算機視覺技術構建的目標識別系統，又兜回來告訴我們如何建立人類視覺感知的模型。在《利用目標驅動的深度學習模型來理解感覺皮層》（Using goal-driven deep learning models to understand sensory cortex）論文的觀點中，Yamins 和 DiCarlo 介紹了目標驅動的深層神經網絡在解釋感官處理上成功的一些原因，並提出可以做出類似的進展來超越感知系統。
神經系統層級上升後，我們就可以做出感知上（perceptual）或者形式更加公開的決定。在《信心與確定：不同目標的不同概率量》（Confidence and certainty: distinct probabilistic quantities for different goals）這篇論文中，Pouget，Drugowitsch 和 Kepecs 提出了決策確定性（decision certainty）與決策信心（decision confidence）之間的絕對區分。當大腦在嘈雜的環境下工作時（「當」指的是「在任何時候」），大腦必須計算出概率分布。作者認為，確定性應該是指所有概率決策變量的編碼，而信心應被具體定義為一個決策正確的概率。也許只有時間才能決定是否應該對它們的建議有信心。有了更好的感知模型後，當系統出現故障時，行為和決策制定也能潛在地讓我們診斷和修改對策。Huys，Maia 和 Frank 在 Computational psychiatry as a bridge from neuroscience to clinical applications 這篇論文中對計算精神病學的新興領域做了一個綜述，詳細介紹了機器學習計算應用以及基於理論的機器模型這兩種方式在疾病分類和治療上綜合運用的進展。
本期雜誌中涉及的話題涉及的範圍很廣，大多數重點的內容都是發表在其他期刊上的文章。事實上，我們期刊上神經計算文章的數量最近幾年一直在穩步增長。從谷歌搜索的 Google Trends 上看，對計算神經科學的普遍興趣得到了初步支持（也許是確認偏誤（conformation bias）？）過去 5 年中「computational neuroscience」的搜索量穩步增長，其增長可以在同一時期「光遺傳學」的搜索頻率也有類似的增長中得到佐證。計算神經科學增長或許不會迎來拐點，因為對該領域主題特定的期刊（如計算神經科學期刊。Journal of Computational Neuroscience）以及博士課程的搜索也會將這個詞彙的搜索頻率推向在峰值。有趣的是，到目前為止，「認知神經科學」的搜索數量遠遠超過了計算神經科學，但是搜索頻率也會有季節性波動，每年秋天大學新生入學時搜索頻率會波動性增長。現在每所大學都應該讓計算成為神經生物學課程的核心部分。好處是在這 5 年的時間裡，我們不再需要通過證明計算與神經科學的相關性來吸引大家對神經計算研究的關注。最大的希望是能促使神經計算在生物學有更好的理解，以及實現更好疾病治療。