导读：基底核是大脑中多巴胺分泌最丰富的核团，在医学上和帕金森症密切相关，而人工智能领域目前最热的强化学习理论也来源自从基底核的工作原理。
作为欧盟脑计划子项目的负责人、欧洲神经信息学领域的领导人物，瑞典皇家理工学院Jeanette Hellgren Kotaleski 教授在「2021北京智源大会」的报告中详细介绍了欧盟脑计划中有关建立一个高精度基底核脑区模型的相关标准和实现路径，展现了如何从分子，细胞和神经回路的尺度上，精巧的还原了大脑运动和感知相结合的工作原理。
成功模拟了鳗鱼在复杂水流的情况下，以无监督学习的方式，实现自感知、自适应、自驱动，同时进行躲避障碍与向目标物体游动的行为。
该工作对于从高精度大脑模型上模拟生物智能并启发类脑的通用人工智能研究具有重要意义。
编者注：Jeanette Hellgren Kotaleski，是瑞典皇家理工(KTH)神经信息学教授和卡洛林斯卡医学院兼聘教授，瑞典国家神经信息学节点的负责人，及欧盟“人类大脑计划”（HBP）子项目的首席负责人。她的研究重点是使用计算模型来理解运动系统中,特别是基底神经节中信息处理和学习的神经机制。研究手段涵盖了不同尺度上的大脑模拟，上至使用精细神经模型或者抽象模型进行的大规模神经网络的模拟，下到亚细胞过程的动力学模型。
撰文：徐琳璐&刘祥 （智源博士后）
审校：杜凯（北京大学）
大规模的神经元网络仿真是了解真实大脑神经活动的重要方法，并可用于探究和解释一些疾病的产生原因。由于仿真软件的快速发展和不同类型神经元的定量数据的积累，人们可以通过“自下而上”的方式从细胞/亚细胞尺度对神经元建立局部微电路模型进行仿真，并预测整体神经活动。
仿真模型的优势在于，可以将模拟得到的数据与实验以及“自上而下”建模方法进行比较验证，修正模型与底层参数，达到高精度模拟脑区神经活动的目的。
同时仿真模型跨越多个尺度，为解释脑的复杂性机制提供了一个整合不同尺度信息与知识的工具，也为解释这些机制提供了潜在的从微观到宏观的“因果链”的可能性，因此仿真模型对于解释与整合数据具有重要意义。
图 1 脑研究的动机。人类大脑具有结构复杂、能够以较低能耗实现强大且完备功能的特点。开展人脑研究，不仅有助于人类探索自身，推进脑疾病研究，还能够为人工智能算法的开发提供新的理论基础。
基底核是大脑中保守而重要的神经核团，它接收大量源自于皮层及丘脑的信息，通过信息加工后向神经网络的下游或上游传递，起到控制运动行为输出的作用。因此基底核被认为主要负责决策、运动选择，以及奖赏相关的学习。
这一重要核团的病变将导致多种与运动和认知相关的疾病产生，如帕金森氏症、亨丁顿舞蹈症，以及妥瑞氏综合征等。纹状体是基底核的重要核团之一，在人类的纹状体中有大约1亿左右的神经元，其中的大部分为棘状神经元(Spiny Projection Neurons,SPNs)。
这一类神经元的特点是在其树突上分布有非常致密的棘（Spine），传入纹状体的大量轴突便是在这些部位与棘状神经元形成突触，而每个棘状神经元有可能接受来自7500-15000个不同轴突的输入。
此外，基底核也是大脑中多巴胺分泌最丰富的核团之一。随着多巴胺水平的变化，基底核会对生物运动的选择产生促进或抑制作用。在运动发起前，多巴胺水平的升高会促进运动的发起；而当基底核接收到多巴胺水平下降的信号时，则会抑制运动行为的产生。作为“奖赏预测误差（reward prediction error）”，运动发起后的多巴胺水平变化还能够通过调节基底核引导奖赏相关的学习。
图 2 基底核的主要通路。基底核主要包含两大通路：直接通路（蓝色）与间接通路（红色）。源自于大脑皮层的信息传递至纹状体后，可经由内苍白球/黑质（GPi/SNr）传递至丘脑（直接通路）；或者经由外苍白球（GPe）、丘脑下核（STN）、内苍白球/黑质（GPi/SNr）传递至丘脑（间接通路）。
正因为基底核具有如此重要的功能，建立一个大规模的基底核模型并进行仿真模拟便尤为重要。Kotaleski教授其报告中详尽叙述了建立以神经微回路模型为基础的基底核模拟仿真工作的流程。该流程主要包含五步：
1.相关实验数据采集；
2.神经细胞的形态学重建与单细胞电生理模型优化；
3.计算机中部署模型预测出的神经细胞与突触结构;
4.限定突触类型与模型初始化；
5.神经微回路模型模拟。
图 3神经系统包含的不同尺度。从系统层次到细胞乃至亚细胞层次的结构与性质都是模型需要考虑的信息。
Kotaleski教授选择小鼠纹状体作为具体建模仿真的对象。
在采集到实验数据后，他们首先在单细胞尺度实现小鼠纹状体细胞结构与细胞连接组重构。通过结合小鼠纹状体细胞类型和细胞形态（树突、轴突结构）、表达的离子通道类型、电生理、纹状体单细胞连接组、突触特性等数据，使用TreeM软件包对纹状体细胞作形态学重建；并结合已知的不同细胞类型的转录组数据确定其离子通道类型。
在完成神经细胞形态学重构后，他们使用细胞膜的等效电路来模拟单细胞的神经活动。该方法使用物理电路模型来模拟神经细胞电活动，在合理的参数配置下，该模型可实现高精度模拟单细胞的膜电位变化。虽然该方法需要较大计算量，但其优势在于很容易适用大规模的并行计算，从而提升仿真的计算效率。
图 4 细胞膜等效电路的搭建
与此同时，结合实验观察的电生理数据与等效电路模型模拟结果。他们使用基于多目标优化算法的BluePyOpt软件包对多种不同类型细胞的电路模型进行了参数优化选取，从而实现了单细胞层面的高精度神经信号模拟。
在完成以上工作后，Kotaleski教授使用自主开发的Sudda软件平台实现了在计算机中部署神经细胞与突触连接并进行模型仿真的全过程。Snudda软件平台真正实现了从分子/亚细胞尺度到系统尺度的全尺度模型仿真。并且基于之前获得的突触连接、细胞形态学与电生理特性等信息，Snudda能够通过神经微回路模型模仿真实神经网络的行为。
在给定来自皮层、丘脑和多巴胺的信号后，他们已经实现了对部分纹状体中10000个神经元的模型仿真。这些仿真被用来证明其模型原理的正确性。纹状体模型的搭建与仿真对脑科学研究具有重要推动意义。模型与仿真不仅可以更有效的解释实验观察的数据，并且通过模拟实验，人们可以更好地了解不同类型神经元的作用。
通过模拟多巴胺、乙酰胆碱等神经递质的发放，纹状体仿真可以用来探究它们如何对源自皮层或丘脑的输入进行门控调节。同时,大规模纹状体仿真可以解释该核团如何对具有不同程度同步性的皮层输入进行响应，进一步，可以验证现有的对纹状体功能的假说。一言以蔽之，大规模神经系统的建模仿真，是帮助人们理解大脑这种复杂操作操作系统的宝贵工具，因此这种“自下而上”的方法具有非常重要的意义。
图 5 Sudda算法示意图。在进行了合理剪枝之后，Sudda可以建立合理的神经连接结构，从而模拟出脑区内的神经活动过程。
Kotaleski教授还介绍了利用已有模型在单细胞尺度讨论不同类型与时空特性的信号输入对神经元活动的影响。
SPNs的树突具有很强的非线性信号整合能力。比如说，如果有几个集中在一起的突触同时被激活，就能生成一种持续时间特别长的（50-200ms）强烈的去极化现象，称之为 “树突平台状电压”（dendritic plateau potentials）。当树突平台电压被激活的同时，恰好位于其附近的抑制性GABA信号也被激活，可以产生最大程度的抑制效果。
这就使得神经细胞对不同时空特性输入的整合能够被少数末端GABA突触所调控。这些细胞/亚细胞的非线性特性能够被模型很好的反应出来，从而保证了大规模模型仿真可以很好的反映神经系统的真实变化。
图 6 单细胞尺度模型的相关结论
此外，通过对视觉-脊柱运动系统的模拟仿真，Kotaleski团队成功搭建“机器七鳃鳗”并实现了虚拟动物的具体感知与运动功能。该模型能够模拟一条完整的七鳃鳗的运动，且实现了虚拟动物的自感知、自适应与同时进行躲避障碍与向目标物体游动的行为。
Kotaleski教授展示了如何从分子、细胞和神经回路的尺度上，精巧的还原大脑处理与感知相结合的运动功能的工作原理。
Kotaleski教授的一系列工作均发表在顶刊PNAS上，代表了欧洲神经学界的大脑精细模拟学派如何从大脑的结构和功能入手，探索通用智能的方向。
欢迎加入智源社区「脑与智能」交流群
（更多活动信息将在交流群中同步）
15
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
