مبانی علوم اعصاب اریک کندل؛ مبانی محاسباتی مدارهای عصبی که منجر به رفتار می‌شوند

---

---

---

---

---

---

THE PREVIOUS CHAPTER focused on the neuroanatomy of the brain and the connections between different brain regions. An understanding of how these connections mediate behavior requires insight into how the information represented by the activity of different populations of neurons is communicated and processed. Much of this understanding has come from recordings of the minute electrical signals generated by individual neurons.

فصل قبل بر روی آناتومی‌عصبی مغز و ارتباطات بین مناطق مختلف مغز تمرکز داشت. درک اینکه چگونه این اتصالات رفتار را واسطه می‌کنند، نیازمند بینشی در مورد چگونگی ارتباط و پردازش اطلاعات ارائه شده توسط فعالیت جمعیت‌های مختلف نورون است. بخش عمده ای از این درک از ثبت سیگنال‌های الکتریکی کوچک تولید شده توسط نورون‌های منفرد حاصل شده است.

Although much has been learned by recording from just one or a few neurons at a time, advances in miniaturization and electronics technology now make it possible to record action potentials simultaneously from many hundreds of individual neurons across multiple brain areas, often in the context of a sensory, motor, or cognitive task (Box 5-1). Such advances, together with computational approaches for managing and making sense of large data sets, promise to revolutionize our understanding of neural function.

اگرچه با ثبت فقط از یک یا چند نورون در یک زمان چیزهای زیادی آموخته شده است، پیشرفت‌ها در فناوری کوچک‌سازی و الکترونیک اکنون امکان ثبت همزمان پتانسیل‌های عمل را از صدها نورون منفرد در مناطق مختلف مغز، اغلب در زمینه یک تکلیف حسی، حرکتی یا شناختی (کادر ۵-۱). چنین پیشرفت‌هایی همراه با رویکردهای محاسباتی برای مدیریت و درک مجموعه داده‌های بزرگ، نوید تحول در درک ما از عملکرد عصبی را می‌دهد.

At the same time, modern genetic approaches based on mRNA sequencing from individual neurons are revealing the numerous types of cells that contribute to population activity. Genetic-based approaches also allow defined types of neurons to be activated or silenced during an experiment, supporting tests of causality (Box 5-2).

در عین حال، رویکردهای ژنتیکی مدرن مبتنی بر توالی‌یابی mRNA از سلول‌های عصبی منفرد، انواع متعددی از سلول‌ها را آشکار می‌کنند که به فعالیت جمعیت کمک می‌کنند. رویکردهای مبتنی بر ژنتیک همچنین اجازه می‌دهند تا انواع مشخصی از نورون‌ها در طول آزمایش فعال یا خاموش شوند و از آزمون‌های علیت پشتیبانی می‌کنند (کادر ۵-۲).

High-throughput anatomical methods, at the scales of both light and electron microscopy, are providing information about circuit wiring at an unprecedented level of detail and completeness. The complexity of neural circuits and the large data sets collected from them has motivated the development and application of statistical, computational, and theoretical methods for extracting, analyzing, modeling, and interpreting results. These methods are used to study a broad range of issues: experimental design, the extraction of signals from raw data, the analysis of large complex data sets, the construction and analysis of models simulating the data, and, finally and most importantly, building some form of understanding from the results.

روش‌های تشریحی با توان عملیاتی بالا، در مقیاس میکروسکوپ نوری و الکترونی، اطلاعاتی در مورد سیم‌کشی مدار در سطح بی‌سابقه‌ای از جزئیات و کامل ارائه می‌کنند. پیچیدگی مدارهای عصبی و مجموعه داده‌های بزرگ جمع‌آوری‌شده از آنها، انگیزه توسعه و کاربرد روش‌های آماری، محاسباتی و نظری برای استخراج، تحلیل، مدل‌سازی و تفسیر نتایج شده است. این روش‌ها برای مطالعه طیف وسیعی از مسائل مورد استفاده قرار می‌گیرند: طراحی آزمایشی، استخراج سیگنال‌ها از داده‌های خام، تجزیه و تحلیل مجموعه داده‌های پیچیده بزرگ، ساخت و تجزیه و تحلیل مدل‌های شبیه‌سازی داده‌ها، و در نهایت و مهم‌تر از همه، ساختن برخی شکل درک از نتایج

Signal extraction is often done on the basis of a Bayesian approach, inferring the most likely signal present in a noisy recording. Data analysis often consists of reducing the dimensionality of a large data set, not simply to make it more compact but to identify the essential components from which it is built.

استخراج سیگنال اغلب بر اساس رویکرد بیزی انجام می‌شود و محتمل ترین سیگنال موجود در ثبت نویز را استنباط می‌کند. تجزیه و تحلیل داده‌ها اغلب شامل کاهش ابعاد یک مجموعه داده بزرگ است، نه صرفاً برای فشرده تر کردن آن، بلکه برای شناسایی اجزای اساسی که از آنها ساخته شده است.

---

Box 5-1 Optical Neuroimaging

کادر ۵-۱ تصویربرداری عصبی نوری

Optical imaging methods are a rapidly advancing field of technology for large-scale monitoring of neural circuit dynamics. Most of these approaches use fluorescent sensors-synthetic dyes or genetically engineered and encoded proteins that signal changes in neural activity via changes in the magnitude or the wavelength of their emitted light following excitation. Various florescence imaging approaches have been developed, depending on the source of fluorescence excitation, including single-photon, multiphoton, and super-resolution fluorescent microscopic imaging.

روش‌های تصویربرداری نوری یک زمینه فناوری به سرعت در حال پیشرفت برای نظارت بر دینامیک مدارهای عصبی در مقیاس بزرگ است. اکثر این رویکردها از رنگ‌های سنتزی حسگرهای فلورسنت یا پروتئین‌های مهندسی شده و کدگذاری شده ژنتیکی استفاده می‌کنند که تغییرات در فعالیت عصبی را از طریق تغییر در بزرگی یا طول موج نور ساطع شده‌شان پس از تحریک نشان می‌دهند. رویکردهای مختلف تصویربرداری فلورسانس، بسته به منبع تحریک فلورسانس، از جمله تصویربرداری میکروسکوپی فلورسنت تک فوتون، چند فوتونی و با وضوح فوق العاده توسعه یافته است.

The most commonly used fluorescence indicators signal changes in intracellular calcium levels as a proxy for the electrical activity of neurons. While the temporal resolution of fluorescence calcium imaging is generally lower than that of electrophysiology, fluorescent imaging with genetically encoded calcium indicators enables simultaneous monitoring of many thousands of individually identified neurons in the behaving animal over several days to weeks and months.

متداول ترین نشانگرهای فلورسانس، تغییرات در سطوح کلسیم داخل سلولی را به عنوان نماینده ای برای فعالیت الکتریکی نورون‌ها نشان می‌دهند. در حالی که وضوح زمانی تصویربرداری کلسیم فلورسانس به طور کلی کمتر از الکتروفیزیولوژی است، تصویربرداری فلورسنت با نشانگرهای کلسیمی‌رمزگذاری شده ژنتیکی امکان نظارت همزمان بر هزاران نورون شناسایی شده به صورت جداگانه در حیوان رفتاری را در طی چند روز تا هفته و ماه فراهم می‌کند.

In addition to calcium imaging, synthetic and genetically encoded fluorescent indicators of electrical activity (eg, genetically encoded voltage indicators [GEVIS]), neurotransmitter concentration reporters (eg, glutamate-sensing fluorescent reporter [GluSnFR]), activity states of intracellular signaling molecules, and gene expression provide rapidly expanding and versatile techniques for monitoring neural activity on multiple spatial and temporal scales.

علاوه بر تصویربرداری از کلسیم، شاخص‌های فلورسنت مصنوعی و کدگذاری شده ژنتیکی فعالیت الکتریکی (به عنوان مثال، نشانگرهای ولتاژ رمزگذاری شده ژنتیکی [GEVIS])، گزارشگرهای غلظت انتقال دهنده‌های عصبی (مانند گزارشگر فلورسنت حسگر گلوتامات [GluSnFR])، وضعیت‌های فعالیت مولکول‌های سیگنال‌دهنده درون سلولی، و بیان ژن، تکنیک‌های به سرعت در حال گسترش و همه‌کاره‌ای را برای نظارت بر فعالیت عصبی در مقیاس‌های مکانی و زمانی متعدد ارائه می‌کنند.

---

Models of neural systems range from detailed simulations of the morphology and electrophysiology of individual neurons to more abstract models of large populations of neurons. Whatever the level of detail, the aim of models is to reveal how the measured features of a neuron or network of neurons contribute to the function of the neuron or neural circuit.

مدل‌های سیستم‌های عصبی از شبیه‌سازی دقیق مورفولوژی و الکتروفیزیولوژی تک‌نرون‌ها تا مدل‌های انتزاعی‌تر از جمعیت‌های بزرگ نورون‌ها را شامل می‌شود. سطح جزئیات هر چه باشد، هدف مدل‌ها این است که نشان دهند چگونه ویژگی‌های اندازه‌گیری شده یک نورون یا شبکه‌ای از نورون‌ها به عملکرد نورون یا مدار عصبی کمک می‌کنند.

In addition, at the highest levels of functionality, such as identifying images, playing games, or performing tasks at human levels, ideas from machine learning are increasingly impacting neuroscience research.

علاوه بر این، در بالاترین سطوح عملکرد، مانند شناسایی تصاویر، بازی کردن، یا انجام وظایف در سطوح انسانی، ایده‌های یادگیری ماشینی به طور فزاینده‌ای بر تحقیقات علوم اعصاب تأثیر می‌گذارند.

In this chapter, we introduce ideas, techniques, and approaches that are used to characterize and interpret the activity of neural populations and circuits, with examples drawn from a number of areas of brain research. Many of these topics are covered in greater detail later in the book.

در این فصل، ایده‌ها، تکنیک‌ها و رویکردهایی را معرفی می‌کنیم که برای توصیف و تفسیر فعالیت جمعیت‌ها و مدارهای عصبی استفاده می‌شوند، با مثال‌هایی که از تعدادی از حوزه‌های تحقیقات مغز استخراج شده‌اند. بسیاری از این موضوعات بعداً در کتاب با جزئیات بیشتر پوشش داده شده است.

Neural Firing Patterns Provide a Code for Information

الگوهای شلیک عصبی یک کد برای اطلاعات ارائه می‌کنند

Sensory Information Is Encoded by Neural Activity

اطلاعات حسی توسط فعالیت عصبی رمزگذاری می‌شود

Animals and humans continually accumulate information about the world through their senses, make decisions on the basis of that information, and, when necessary, take action. In order for sensory information to be processed for decision making and action, it must be transformed into electrical signals that produce patterns of neural activity in the brain. Studying such neural representations and their relationship to external sensory cues, known collectively as neural coding, is a major area of neuroscience research. The process through which features of a stimulus are represented by neural activity is called encoding.

 حیوانات و انسان‌ها به طور مداوم از طریق حواس خود اطلاعات مربوط به جهان را جمع‌آوری می‌کنند، بر اساس آن اطلاعات تصمیم می‌گیرند و در صورت لزوم اقدام می‌کنند. برای اینکه اطلاعات حسی برای تصمیم گیری و عمل پردازش شوند، باید به سیگنال‌های الکتریکی تبدیل شوند که الگوهای فعالیت عصبی را در مغز تولید می‌کنند. مطالعه چنین بازنمایی‌های عصبی و ارتباط آن‌ها با نشانه‌های حسی خارجی، که در مجموع به عنوان کدگذاری عصبی شناخته می‌شوند، یک حوزه اصلی تحقیقات علوم اعصاب است. فرآیندی که از طریق آن ویژگی‌های یک محرک توسط فعالیت عصبی نمایش داده می‌شود، رمزگذاری نامیده می‌شود.

The structure of a neural representation plays an important role in how information is further processed by the nervous system. For example, visual information is initially encoded in the retina by photoreceptor responses to the color and light intensity over a small region of the visual field. This information is then transformed in the brain within the primary visual cortex to encode a visual scene on the basis of the edges and shapes that define the scene as well as on where these features are located. Further transformations occur in higher-order visual areas that extract complex shapes and further structure from the scene, including the identification of objects and even individual faces. In other brain areas, auditory encoding reflects the frequency spectrum of sounds, and touch is encoded in maps that represent the surface of the body. The sequence of action potentials fired by a neuron in response to a sensory stimulus represents how that stimulus changes over time. Research on neural coding aims to understand both the stimulus features that drive a neuron to respond and the temporal structure of the response and its relationship to changes in the external world.

ساختار بازنمایی عصبی نقش مهمی‌در نحوه پردازش اطلاعات بیشتر توسط سیستم عصبی دارد. به عنوان مثال، اطلاعات بصری در ابتدا در شبکیه چشم توسط پاسخ گیرنده‌های نوری به رنگ و شدت نور در ناحیه کوچکی از میدان بینایی کدگذاری می‌شود. سپس این اطلاعات در داخل قشر بینایی اولیه در مغز تبدیل می‌شود تا یک صحنه بصری را بر اساس لبه‌ها و شکل‌هایی که صحنه را تعریف می‌کنند و همچنین محل قرارگیری این ویژگی‌ها رمزگذاری کند. دگرگونی‌های بیشتر در نواحی بصری مرتبه بالاتر رخ می‌دهد که اشکال پیچیده و ساختار بیشتر را از صحنه استخراج می‌کند، از جمله شناسایی اشیا و حتی چهره‌های فردی. در سایر نواحی مغز، رمزگذاری شنوایی طیف فرکانس صداها را منعکس می‌کند و لمس در نقشه‌هایی که سطح بدن را نشان می‌دهند کدگذاری می‌شود. دنباله ای از پتانسیل‌های عمل که توسط یک نورون در پاسخ به یک محرک حسی شلیک می‌شود، چگونگی تغییر آن محرک در طول زمان را نشان می‌دهد. هدف تحقیق در مورد کدگذاری عصبی، درک ویژگی‌های محرکی است که نورون را به سمت پاسخ سوق می‌دهد و ساختار زمانی پاسخ و ارتباط آن با تغییرات در دنیای بیرونی را درک می‌کند.

---

Box 5-2 Optogenetic and Chemogenetic Manipulation of Neuronal Activity

کادر ۵-۲ دستکاری اپتوژنتیک و کموژنتیک فعالیت عصبی

Functional analysis of neural circuits relies on the ability to accurately manipulate identified circuit elements to elucidate their roles in physiology and behavior. Genetically encoded neural perturbation tools have been developed for remotely controlling neuron function using light (optogenetics) or small molecules (chemogenetics) that activate engineered receptors.

تحلیل عملکردی مدارهای عصبی بر توانایی دستکاری دقیق عناصر مدار شناسایی شده برای روشن کردن نقش آنها در فیزیولوژی و رفتار متکی است. ابزارهای کدگذاری ژنتیکی اختلال عصبی برای کنترل از راه دور عملکرد نورون با استفاده از نور (اپتوژنتیک) یا مولکول‌های کوچک (شیمی‌ژنتیک) که گیرنده‌های مهندسی شده را فعال می‌کنند، توسعه یافته اند.

Genetically encoded foreign proteins can be expressed in molecularly, genetically, or spatially specified subsets of neurons using viruses or transgenic animals for subsequent selective perturbations of these cell populations. Optogenetic approaches involve the expression of light-sensitive proteins and subsequent light delivery to the resulting photosensitized neurons. Depending on the type of optogenetic actuator, light activation will then enhance neural activity (eg, light-gated ion channels like channel rhodopsin) or suppress it (eg, light-gated ion pumps like halorhodopsin and archaerhodopsin) by depolarizing or hyperpolarizing the cell’s membrane, respectively.

پروتئین‌های خارجی رمزگذاری شده ژنتیکی را می‌توان در زیر مجموعه‌های مشخص مولکولی، ژنتیکی یا فضایی نورون‌ها با استفاده از ویروس‌ها یا حیوانات تراریخته برای اختلالات انتخابی بعدی این جمعیت‌های سلولی بیان کرد. رویکردهای اپتوژنتیک شامل بیان پروتئین‌های حساس به نور و تحویل نور بعدی به نورون‌های حساس به نور حاصل می‌شود. بسته به نوع محرک اپتوژنتیکی، فعال سازی نور پس از آن فعالیت عصبی را افزایش می دهد (مثلاً کانال های یونی دارای دریچه نور مانند کانال رودوپسین) یا آن را سرکوب می کند (مثلاً پمپ های یونی دارای دروازه مانند هالورودوپسین و آرکائرودوپسین) به ترتیب با دپلاریز کردن یا هیپرپلاریزه کردن غشای سلول.

Alternatively, selected neuronal populations can be remotely activated or silenced using chemogenetic actuators, which are genetically engineered receptors that are targeted to defined neuronal populations using genetic methods; they can be activated via small- molecule synthetic ligands that selectively interact with these receptors upon delivery (eg, DREADDS [designer receptors exclusively activated by designer drugs]).

از طرف دیگر، جمعیت‌های عصبی منتخب را می‌توان از راه دور با استفاده از محرک‌های کموژنتیک فعال یا خاموش کرد، که گیرنده‌های مهندسی ژنتیکی هستند که با استفاده از روش‌های ژنتیکی برای جمعیت‌های عصبی تعریف‌شده هدف قرار می‌گیرند. آنها را می‌توان از طریق لیگاندهای مصنوعی با مولکول کوچک فعال کرد که به طور انتخابی با این گیرنده‌ها در هنگام تحویل تعامل دارند (به عنوان مثال، DREADDS [گیرنده‌های طراح که منحصراً توسط داروهای طراح فعال می‌شوند]).

These optogenetic and chemogenetic tools offer precise spatiotemporal control over neuronal activity to probe the causal relationship between neuronal cell types, circuit physiology, and behavior.

این ابزارهای اپتوژنتیک و کموژنتیک کنترل دقیق مکانی-زمانی بر فعالیت عصبی را برای بررسی رابطه علی بین انواع سلول‌های عصبی، فیزیولوژی مدار و رفتار ارائه می‌دهند.

---

Information Can Be Decoded From Neural Activity

اطلاعات را می‌توان از فعالیت عصبی رمزگشایی کرد

Sensory neurons encode information by firing action potentials in response to sensory features. Other brain areas, such as those that lead to decisions or generate motor actions, must correctly interpret the meaning of action potential sequences that they receive from sensory areas in order to respond appropriately. The process by which information is extracted from neural activity is called decoding.

نورون‌های حسی با شلیک پتانسیل‌های عمل در پاسخ به ویژگی‌های حسی، اطلاعات را رمزگذاری می‌کنند. سایر نواحی مغز، مانند آن‌هایی که منجر به تصمیم‌گیری یا ایجاد کنش‌های حرکتی می‌شوند، باید معنای توالی‌های پتانسیل عمل را که از نواحی حسی دریافت می‌کنند، به درستی تفسیر کنند تا به درستی پاسخ دهند. فرآیندی که در آن اطلاعات از فعالیت عصبی استخراج می‌شود رمزگشایی نامیده می‌شود.

The decoding of neural signals can be done experimentally and in clinical contexts by neuroscientists. Such decoding can infer what an animal or a human is seeing or hearing from recordings of visual or auditory neurons, for example. In practice, only certain features of the stimulus are likely to be inferred, but the results can nevertheless be impressive. A large number of decoding procedures have been developed, ranging from simple weighted sums of neuronal firing rates to sophisticated statistical methods.

رمزگشایی سیگنال‌های عصبی می‌تواند به صورت تجربی و در زمینه‌های بالینی توسط دانشمندان علوم اعصاب انجام شود. چنین رمزگشایی می‌تواند آنچه را که یک حیوان یا یک انسان می‌بیند یا می‌شنود، از ثبت نورون‌های بینایی یا شنوایی استنباط کند. در عمل، تنها ویژگی‌های خاصی از محرک احتمالاً استنباط می‌شوند، اما نتایج می‌توانند چشمگیر باشند. تعداد زیادی از روش‌های رمزگشایی توسعه یافته‌اند، از مجموع وزنی ساده نرخ شلیک عصبی تا روش‌های آماری پیچیده.

Decoding methods are central to the development of neuroprosthetics for people with various nervous system impairments that result in extensive paralysis (Chapter 39). To accomplish this, neurons are recorded in the parietal or motor cortices through implanted electrodes, and online decoding procedures are used to interpret the movement intentions that are represented by the recorded neural activity. The inferred intentions are then used to control a computer cursor or drive a robotic limb.

روش‌های رمزگشایی برای توسعه پروتزهای عصبی برای افراد مبتلا به اختلالات مختلف سیستم عصبی که منجر به فلج گسترده می‌شود، مرکزی هستند (فصل ۳۹). برای انجام این کار، نورون‌ها در قشر جداری یا حرکتی از طریق الکترودهای کاشته‌شده ثبت می‌شوند و از روش‌های رمزگشایی آنلاین برای تفسیر اهداف حرکتی استفاده می‌شود که توسط فعالیت عصبی ثبت‌شده نشان داده می‌شود. سپس از مقاصد استنباط شده برای کنترل مکان نما کامپیوتر یا هدایت یک اندام روباتیک استفاده می‌شود.

Decoding recorded neural activity also gives us a remarkable view of what is going on in a neural circuit, which in turn provides insight into memory storage and retrieval, planning and decision making, and other cognitive functions. The following section illustrates these insights using a particularly interesting neural representation, the encoding of spatial location in the rodent hippocampus.

رمزگشایی فعالیت‌های عصبی ثبت‌شده همچنین دید قابل‌توجهی از آنچه در یک مدار عصبی می‌گذرد به ما می‌دهد، که به نوبه خود بینشی در مورد ذخیره‌سازی و بازیابی حافظه، برنامه‌ریزی و تصمیم‌گیری و سایر عملکردهای شناختی ارائه می‌دهد. بخش زیر این بینش‌ها را با استفاده از یک نمایش عصبی به خصوص جالب، رمزگذاری مکان فضایی در هیپوکامپ جوندگان، نشان می‌دهد.

Hippocampal Spatial Cognitive Maps Can Be Decoded to Infer Location

نقشه‌های شناختی فضایی هیپوکامپ را می‌توان برای استنباط موقعیت رمزگشایی کرد

One of the most complex cognitive challenges an animal faces is identifying and remembering its location in an environment relative to the location of other salient objects. For example, seed-caching birds can remember the location of hundreds of different places where they have stored food over a period of several months. The neural circuitry involved in formation of explicit memory-the memory of people, places, things, and events was briefly introduced in the previous chapter. This form of memory requires the hippocampus, entorhinal cortex, and related structures in the temporal lobe. In 1971, John O’Keefe discovered physiological evidence of a neural representation of the spatial environment in the hippocampus. In 2014, he was awarded the Nobel Prize in Physiology or Medicine, together with May-Britt Moser and Edvard Moser, for their discoveries concerning the neuronal representation of space.

یکی از پیچیده‌ترین چالش‌های شناختی که یک حیوان با آن مواجه است، شناسایی و به خاطر سپردن موقعیت آن در یک محیط نسبت به مکان دیگر اشیاء برجسته است. به عنوان مثال، پرندگان ذخیره کننده بذر می‌توانند مکان صدها مکان مختلف را که در طی چند ماه غذا ذخیره کرده اند را به خاطر بسپارند. مدارهای عصبی دخیل در شکل گیری حافظه صریح – حافظه افراد، مکان‌ها، اشیا و رویدادها به طور خلاصه در فصل قبل معرفی شد. این شکل از حافظه به هیپوکامپ، قشر آنتورینال و ساختارهای مرتبط در لوب تمپورال نیاز دارد. در سال ۱۹۷۱، جان اوکیف شواهد فیزیولوژیکی از بازنمایی عصبی محیط فضایی در هیپوکامپ را کشف کرد. در سال ۲۰۱۴، او جایزه نوبل فیزیولوژی یا پزشکی را به همراه می‌بریت موزر و ادوارد موزر به دلیل اکتشافاتشان در مورد بازنمایی عصبی فضا دریافت کردند.

O’Keefe discovered that individual cells in the rat hippocampus, termed place cells, fire only when the animal traverses a particular area of the environment, termed the cell’s place field (Figure 5-1). Sub- sequent research uncovered place cell-like activity in the hippocampus of several other mammalian species, including bats, monkeys, and humans. Distinct sets of place cells are activated by distinct locations in a given environment. Consequently, although individual place cells represent relatively small spatial areas, the full diverse population of place cells in the hippocampus tiles the entire environment, and any given location is encoded by a unique ensemble of cells. The hippocampal place coding network provides an example of a cognitive map, initially postulated by the psychologist Edward Tolman, that enables an animal to successfully remember and then navigate its environment. The role of the hippocampus in memory formation and the mechanisms by which the hippocampal spatial map is encoded are explored in detail in Chapters 52 and 54.

O’Keefe کشف کرد که سلول‌های منفرد در هیپوکامپ موش، که سلول‌های مکان نامیده می‌شوند، تنها زمانی شلیک می‌‌کنند که حیوان از ناحیه خاصی از محیط عبور کند، که به آن میدان مکان سلول می‌گویند (شکل ۵-۱). تحقیقات بعدی نشان داد که فعالیت سلول مانند در هیپوکامپ چندین گونه پستاندار دیگر از جمله خفاش، میمون و انسان وجود دارد. مجموعه‌های متمایز از سلول‌های مکان توسط مکان‌های مجزا در یک محیط مشخص فعال می‌شوند. در نتیجه، اگرچه سلول‌های مکان منفرد، مناطق فضایی نسبتاً کوچکی را نشان می‌دهند، جمعیت متنوع کامل سلول‌های مکانی در هیپوکامپ، کل محیط را کاشی می‌کنند، و هر مکان مشخصی توسط مجموعه‌ای از سلول‌ها کدگذاری می‌شود. شبکه کدگذاری مکان هیپوکامپ نمونه‌ای از یک نقشه شناختی را ارائه می‌کند، که در ابتدا توسط روان‌شناس ادوارد تولمن فرض شده بود، که حیوان را قادر می‌سازد تا با موفقیت به خاطر بیاورد و سپس محیط خود را هدایت کند. نقش هیپوکامپ در شکل گیری حافظه و مکانیسم‌هایی که توسط آن‌ها نقشه فضایی هیپوکامپ کدگذاری می‌شود در فصل‌های ۵۲ و ۵۴ به تفصیل مورد بررسی قرار گرفته است.

Figure 5-1 Hippocampal place cells and place cell maps.

شکل ۵-۱ سلول‌های مکان هیپوکامپ و نقشه سلولی مکان.

A. Input-output transformations occur in the trisynaptic circuitry of the mammalian hippocampus, proceeding from the dentate gyrus input region, to the CA3 area, and to the CA1 output region, with principal excitatory neurons (red) in each region as primary processing units. Activity of principal cells is modulated by local circuit GABAergic interneurons (gray).

الف. دگرگونی‌های ورودی-خروجی در مدار سه سیناپسی هیپوکامپ پستانداران، از ناحیه ورودی شکنج دندانه دار، به ناحیه CA3، و به ناحیه خروجی CA1، با نورون‌های تحریک کننده اصلی (قرمز) در هر ناحیه به عنوان واحدهای پردازش اولیه رخ می‌دهد. . فعالیت سلول‌های اصلی توسط نورون‌های داخلی GABAergic مدار محلی (خاکستری) تعدیل می‌شود.

B. Place cell firing in the hippocampus. The path taken by a rat is shown in black as it traverses a square arena. Electrodes were implanted within the hippocampus to record from individual cells. Above: A single place cell increases firing (each action potential represented by a red dot) at discrete locations in the environment. Below: A color-coded heat map of firing frequency of the schematic place cell. Lower wavelength colors (yellow and red) represent higher firing rates on a background of no activity (dark blue).

ب. شلیک سلولی را در هیپوکامپ قرار دهید. مسیری که موش طی می‌کند در حالی که از یک میدان مربعی عبور می‌کند با رنگ سیاه نشان داده می‌شود. الکترودهایی در هیپوکامپ کاشته شدند تا از سلول‌های منفرد ثبت کنند. در بالا: یک سلول مکانی واحد شلیک (هر پتانسیل عمل که با یک نقطه قرمز نشان داده می‌شود) را در مکان‌های مجزا در محیط افزایش می‌دهد. در زیر: نقشه حرارتی کد رنگی فرکانس شلیک سلول مکان شماتیک. رنگ‌های با طول موج کمتر (زرد و قرمز) نشان دهنده نرخ شلیک بالاتر در پس زمینه بدون فعالیت (آبی تیره) هستند.

C. Color-coded heat maps showing the firing of 25 different place cells recorded simultaneously in the hippocampal CA1 region as the rat explores a square box.

ج. نقشه‌های حرارتی با کد رنگی که شلیک ۲۵ سلول مکان مختلف را نشان می‌دهد که همزمان در ناحیه CA1 هیپوکامپ در حالی که موش یک جعبه مربع را کاوش می‌کند، ثبت شده است.

The electrophysiological methods available to O’Keefe in 1971 were limited to recording one place cell at a time, but subsequent advances allowed investigators to record dozens, and more recently hundreds, of place cells simultaneously. Critically, while single place cells encode only specific parts of the environment and are prone to occasional noisy firing outside of their place fields, entire populations of place cells provide more complete spatial coverage and the reliability of redundant place coding. These features of population coding have paved the way for new and powerful computational analyses. In particular, it is possible to decode the activity of populations of place cells and estimate an animal’s location within an environment. This is accomplished by determining each cell’s spatial selectivity and using this selectivity as a template to decode ongoing activity. In practice, this decoding is often performed by weighting each cell’s contribution to the final estimate of the animal’s position by a factor proportional to that cell’s spatial coding reliability. Using this and similar techniques, one can reconstruct an animal’s location from second to second within room-sized environments with a precision of a few centimeters (Figure 5-1C).

روش‌های الکتروفیزیولوژیکی که در سال ۱۹۷۱ برای اوکیف در دسترس بود محدود به ثبت یک سلول در یک زمان بود، اما پیشرفت‌های بعدی به محققان اجازه داد تا ده‌ها و اخیراً صدها سلول را به طور همزمان ثبت کنند. به طور بحرانی، در حالی که سلول‌های تک مکان تنها بخش‌های خاصی از محیط را رمزگذاری می‌کنند و مستعد شلیک گاه به گاه پر سر و صدا در خارج از میدان‌های مکان خود هستند، کل جمعیت سلول‌های مکان پوشش فضایی کامل تری و قابلیت اطمینان کدگذاری مکان اضافی را ارائه می‌دهند. این ویژگی‌های کدگذاری جمعیت، راه را برای تحلیل‌های محاسباتی جدید و قدرتمند هموار کرده است. به طور خاص، رمزگشایی فعالیت جمعیت‌های سلول‌های مکان و تخمین موقعیت یک حیوان در یک محیط امکان پذیر است. این امر با تعیین گزینش پذیری فضایی هر سلول و استفاده از این گزینش پذیری به عنوان الگویی برای رمزگشایی فعالیت در حال انجام انجام می‌شود. در عمل، این رمزگشایی اغلب با وزن دادن سهم هر سلول در تخمین نهایی موقعیت جانور با عاملی متناسب با قابلیت اطمینان کدگذاری فضایی آن سلول انجام می‌شود. با استفاده از این تکنیک و تکنیک‌های مشابه، می‌توان مکان حیوان را از ثانیه به ثانیه در محیط‌هایی به اندازه اتاق با دقت چند سانتی متر بازسازی کرد (شکل ۵-1C).

Hippocampal function has been strongly implicated in spatial and declarative memory based on studies using spatial decoding techniques. During active exploration of an environment, hippocampal activity reflects place coding, but during immobile or resting behavior, the hippocampus enters a different regime in which neural activity is instead dominated by discrete semi-synchronous population bursts termed sharp-wave ripples (Figure 5-2A). These events are thought to be internally generated by circuitry within the hippocampus.

بر اساس مطالعات با استفاده از تکنیک‌های رمزگشایی فضایی، عملکرد هیپوکامپ به شدت در حافظه فضایی و بیانی نقش دارد. در طی اکتشاف فعال یک محیط، فعالیت هیپوکامپ کدگذاری مکان را منعکس می‌کند، اما در طی رفتار بی‌حرکت یا استراحت، هیپوکامپ وارد رژیم متفاوتی می‌شود که در آن فعالیت عصبی تحت سلطه انفجارهای جمعیتی نیمه همزمان گسسته است که امواج تیز موج نامیده می‌شوند (شکل ۵-2A). تصور می‌شود که این رویدادها به صورت داخلی توسط مدارهای درون هیپوکامپ ایجاد می‌شوند.

Figure 5-2 Hippocampal sharp-wave ripples and sequence replay.

شکل ۵-۲ امواج تیز هیپوکامپ و تکرار توالی.

A. Left. Behavior dependence of hippocampal local field potential activity (LH and RH, left and right hippocampus). Theta waves are present during exploration, and large negative sharp waves during immobility. Right. Sharp waves and ripples recorded from the hippocampal CA1 region. (Adapted, with permission, from Buzsaki 2015; and reproduced, with permission, from Buzsaki et al. 1992. Copyright © ۱۹۹۲ AAAS.)

الف. چپ. وابستگی رفتاری فعالیت بالقوه میدان موضعی هیپوکامپ (LH و RH، هیپوکامپ چپ و راست). امواج تتا در حین اکتشاف و امواج تیز منفی بزرگ در زمان بی حرکتی وجود دارند. درسته امواج و امواج تیز از ناحیه CA1 هیپوکامپ ثبت شده است. (اقتباس، با اجازه، از Buzsaki 2015؛ و تکثیر، با اجازه، از Buzsaki و همکاران. ۱۹۹۲. حق چاپ © ۱۹۹۲ AAAS.)

B. Place cell sequences experienced during behavior (middle) are replayed in both forward (left) and reverse (right) direction during sharp-wave ripples. The rat moved from left to right on a familiar track. Spike trains for place fields of 13 CA3 pyramidal cells while the rat is on the track are shown before (forward replay; red box), during (middle), and after (reverse replay; blue box) a single traversal. The CA1 local field potential is shown on top (black traces), and the animal’s velocity is shown below. (Adapted, with permission, from Diba and Buzsaki 2007. Copyright © ۲۰۰۷ Springer Nature.)

ب. توالی‌های سلول مکان تجربه شده در طول رفتار (وسط) در طول موج‌های موج تیز در هر دو جهت جلو (چپ) و معکوس (راست) پخش می‌شوند. موش در مسیری آشنا از چپ به راست حرکت کرد. قطارهای اسپایک برای میدان‌های مکانی از ۱۳ سلول هرمی‌CA3 در حالی که موش در مسیر است قبل از (بازپخش به جلو؛ کادر قرمز)، در طول (وسط) و بعد (بازپخش معکوس؛ جعبه آبی) یک پیمایش منفرد نشان داده می‌شود. پتانسیل میدان محلی CA1 در بالا نشان داده شده است (ردهای سیاه)، و سرعت حیوان در زیر نشان داده شده است. (اقتباس شده، با اجازه، از دیبا و بوزاکی ۲۰۰۷. حق چاپ © ۲۰۰۷ Springer Nature.)

Notably, sharp-wave ripples are prominent during resting periods after recent learning, for example after exploration of an environment. Spatial decoding of the activity of place cells active within these short (50 to 500 ms) sharp-wave ripples reveals that hippocampal neurons recapitulate or replay discrete trajectories through the recently explored environment. Although these trajectories replicate paths taken through space, the replayed activity sequences differ from those observed during active exploration in several ways.

به طور قابل‌توجهی، امواج تیز موج در طول دوره‌های استراحت پس از یادگیری اخیر، به عنوان مثال پس از کاوش در یک محیط، برجسته هستند. رمزگشایی فضایی فعالیت سلول‌های مکانی فعال در این امواج کوتاه (۵۰ تا ۵۰۰ میلی‌ثانیه) موج تیز نشان می‌دهد که نورون‌های هیپوکامپ مسیرهای مجزا را از طریق محیطی که اخیراً کاوش شده است، خلاصه می‌کنند یا دوباره پخش می‌کنند. اگرچه این مسیرها مسیرهای طی شده در فضا را تکرار می‌کنند، توالی فعالیت‌های بازپخش شده با مواردی که در طول اکتشاف فعال مشاهده می‌شود از چندین جهت متفاوت است.

First, replayed sequences within sharp-wave ripples are time compressed, occurring about 10 to 20 times faster than during exploration (Figure 5-2B). Second, they can occur either in the same direction as behavioral spatial trajectories (forward replay) or in the opposite direction (reverse replay). Thus, decoding a single postexploration, 200-ms, sharp-wave ripple -replay event may reveal a virtual mental trajectory spanning 2 to 4 seconds of behavioral time replayed backward from how it was experienced. Replay is thought to represent a form of mental rehearsal by which certain memories are gradually consolidated and thus may be a crucial aspect of the role of the hippocampus in memory.

اول، توالی‌های بازپخش‌شده در موج‌های موج تیز زمان فشرده می‌شوند و تقریباً ۱۰ تا ۲۰ برابر سریع‌تر از زمان اکتشاف رخ می‌دهند (شکل ۵-2B). ثانیاً، آنها می‌توانند در همان جهت با مسیرهای فضایی رفتاری (بازپخش رو به جلو) یا در جهت مخالف (بازپخش معکوس) رخ دهند. بنابراین، رمزگشایی یک رویداد موجی موج تیز پس از کاوش، ۲۰۰ میلی ثانیه، ممکن است یک مسیر ذهنی مجازی را نشان دهد که ۲ تا ۴ ثانیه از زمان رفتاری را بازپخش می‌کند و نسبت به نحوه تجربه آن بازپخش می‌شود. تصور می‌شود که بازپخش نوعی تمرین ذهنی است که با استفاده از آن خاطرات خاص به تدریج تثبیت می‌شوند و بنابراین ممکن است جنبه مهمی‌از نقش هیپوکامپ در حافظه باشد.

Neural Circuit Motifs Provide a Basic Logic for Information Processing

موتیف‌های مدار عصبی یک منطق اساسی برای پردازش اطلاعات ارائه می‌کنند

Neurons tend to be highly interconnected, both with nearby neurons and with neurons in distal brain areas. Knowledge of neuronal connections, called connectomics, is expanding rapidly due to a number of new methods for uncovering fine-scale anatomical structure. Patterns of neuronal interconnection come in several varieties.

نورون‌ها هم با نورون‌های مجاور و هم با نورون‌های نواحی انتهایی مغز به شدت به هم مرتبط هستند. دانش ارتباطات عصبی، به نام کانکتومیک، به دلیل تعدادی از روش‌های جدید برای کشف ساختار آناتومیکی در مقیاس ریز به سرعت در حال گسترش است. الگوهای اتصال عصبی در انواع مختلفی وجود دارد.

Connections from one area to another, for example from the thalamus to primary visual cortex, are termed feedforward (Figure 5-3A). The forward direction is defined as extending from a more peripheral or primary area, such as the retina, thalamus, or primary visual cortex, to a higher area with more complex response properties, such as the visual areas that respond selectively to particular objects. In most cases, two areas that have feedforward connections also have feedback connections; for example, there are numerous connections from primary visual cortex back to the thalamus. Local connections often extend from one neuron to another, ultimately looping back onto the original neuron. Such looping connectivity is called recurrent. Many neurons are involved in all of these types of connectivity- feedforward, feedback, and recurrent-but it is useful to consider the functional implications of these different connectivity motifs separately.

اتصالات از یک ناحیه به ناحیه دیگر، به عنوان مثال از تالاموس به قشر بینایی اولیه، پیشخور نامیده می‌شوند (شکل ۵-3A). جهت رو به جلو به عنوان گسترش از یک ناحیه محیطی یا اولیه، مانند شبکیه، تالاموس، یا قشر بینایی اولیه، به ناحیه بالاتر با ویژگی‌های پاسخ پیچیده تر، مانند نواحی بینایی که به صورت انتخابی به اشیاء خاص پاسخ می‌دهند، تعریف می‌شود. در بیشتر موارد، دو ناحیه که دارای اتصالات فید فوروارد هستند، دارای اتصالات بازخوردی نیز هستند. برای مثال، اتصالات متعددی از قشر بینایی اولیه به تالاموس وجود دارد. اتصالات موضعی اغلب از یک نورون به نورون دیگر گسترش می‌یابد و در نهایت به نورون اصلی بازمی‌گردد. به چنین اتصال حلقه ای، مکرر می‌گویند. بسیاری از نورون‌ها در همه این نوع اتصالات دخیل هستند – بازخورد، بازخورد و مکرر – اما مفید است که مفاهیم عملکردی این موتیف‌های اتصال مختلف را به طور جداگانه در نظر بگیریم.

Connections between neurons can be either excitatory or inhibitory. Normally, excitatory connections lead to increased neural firing and inhibitory connections lead to decreased neural firing. Many neural circuits receive strong excitatory drive from hundreds or thousands of synapses. If not checked by inhibition, this synaptic excitation would lead to unstable neural activity. A near balance of excitation and inhibition is a common feature of neural circuits that may enhance their computational capacity. However, this fine tuning may make the circuits prone to generating seizure activity if the balance between excitation and inhibition is not properly maintained, as occurs during epilepsy.

اتصالات بین نورون‌ها می‌تواند تحریکی یا بازدارنده باشد. به طور معمول، اتصالات تحریکی منجر به افزایش شلیک عصبی و اتصالات مهاری منجر به کاهش شلیک عصبی می‌شود. بسیاری از مدارهای عصبی محرک تحریکی قوی از صدها یا هزاران سیناپس دریافت می‌کنند. اگر با مهار بررسی نشود، این تحریک سیناپسی منجر به فعالیت عصبی ناپایدار می‌شود. تعادل تقریباً تحریک و بازداری یکی از ویژگی‌های مشترک مدارهای عصبی است که ممکن است ظرفیت محاسباتی آنها را افزایش دهد. با این حال، این تنظیم دقیق ممکن است مدارها را مستعد ایجاد فعالیت تشنجی کند اگر تعادل بین تحریک و مهار به درستی حفظ نشود، همانطور که در طول صرع اتفاق می‌افتد.

In mammals, visual information is processed in a series of brain areas that are often approximated as having feedforward circuitry. Feedforward circuits can process information in sophisticated ways, for example extracting and identifying objects from a complex visual scene, but they cannot produce ongoing, dynamic patterns of activity. For this purpose, recurrent circuitry is needed (Figure 5-3C).

در پستانداران، اطلاعات بصری در یک سری از نواحی مغزی پردازش می‌شوند که اغلب دارای مدار پیش‌خور هستند. مدارهای پیش‌خور می‌توانند اطلاعات را به روش‌های پیچیده پردازش کنند، به عنوان مثال، اشیاء را از یک صحنه بصری پیچیده استخراج و شناسایی کنند، اما نمی‌توانند الگوهای دائمی‌و پویا فعالیت تولید کنند. برای این منظور، مدار بازگشتی مورد نیاز است (شکل ۵-3C).

Figure 5-3 Four basic neural circuit motifs.

شکل ۵-۳ چهار مولفه اصلی مدار عصبی.

A. A feedforward circuit in which synaptic connections extend in a single direction from one processing level of neurons to another.
B. Divergent feedforward connections describe a small number of presynaptic neurons connecting to a larger number.
Convergent connections describe a large number of presynaptic neurons connecting to a smaller number.
C. In a recurrent network, synaptic connections occur in multiple directions between neurons, forming looping pathways through the circuit.

الف. مدار پیشخور که در آن اتصالات سیناپسی در یک جهت از یک سطح پردازشی نورون‌ها به سطح دیگر گسترش می‌یابد.
ب. اتصالات پیشخور واگرا تعداد کمی‌از نورون‌های پیش سیناپسی را توصیف می‌کند که به تعداد بیشتری متصل می‌شوند.
اتصالات همگرا تعداد زیادی از نورون‌های پیش سیناپسی را توصیف می‌کنند که به تعداد کمتری متصل می‌شوند.
ج. در یک شبکه بازگشتی، اتصالات سیناپسی در جهات متعدد بین نورون‌ها رخ می‌دهد و مسیرهای حلقه ای را در مدار تشکیل می‌دهد.

Within feedforward circuitry, two submotifs can be identified: divergent and convergent connections (Figure 5-3B). In divergent connections, the number of neurons that receive a given type of input exceeds the number of neurons providing that input, so the information encoded in the presynaptic input neurons is expanded in the postsynaptic output neurons. In convergent connections, many presynaptic neurons send input to a smaller number of postsynaptic neurons.

در مدار پیشخور، دو زیرموتیف را می‌توان شناسایی کرد: اتصالات واگرا و همگرا (شکل ۵-3B). در اتصالات واگرا، تعداد نورون‌هایی که یک نوع ورودی دریافت می‌کنند، از تعداد نورون‌هایی که آن ورودی را دریافت می‌کنند بیشتر است، بنابراین اطلاعات کدگذاری شده در نورون‌های ورودی پیش‌سیناپسی در نورون‌های خروجی پس سیناپسی گسترش می‌یابد. در اتصالات همگرا، بسیاری از نورون‌های پیش سیناپسی ورودی را به تعداد کمتری از نورون‌های پس سیناپسی ارسال می‌کنند.

The most prominent example of both divergent and convergent connectivity is provided by the cerebellum, as discussed later.

بارزترین مثال از اتصال واگرا و همگرا توسط مخچه ارائه شده است، همانطور که بعداً مورد بحث قرار گرفت.

Visual Processing and Object Recognition Depend on a Hierarchy of Feed-Forward Representations

پردازش بصری و تشخیص اشیاء به سلسله مراتبی از بازنمایی‌های پیشخور بستگی دارد

Visual information is processed within a large number of brain regions arranged hierarchically (Figure 5-4). Moving up the hierarchy from the primary sensory input generated by the retina, neurons respond to increasingly complex combinations of visual features, culminating in selectivity for complex objects, such as faces. Considerable research is devoted to identifying principles upon which the structure of the visual hierarchy is based. The development of artificial neural network models in machine vision has proven to be an instructive analogy for addressing this issue.

اطلاعات بصری در تعداد زیادی از مناطق مغز که به صورت سلسله مراتبی مرتب شده اند پردازش می‌شود (شکل ۵-۴). با حرکت به سمت بالا سلسله مراتب از ورودی حسی اولیه تولید شده توسط شبکیه، نورون‌ها به ترکیبات پیچیده تری از ویژگی‌های بصری پاسخ می‌دهند که در انتخاب اشیاء پیچیده مانند چهره‌ها به اوج خود می‌رسد. تحقیقات قابل توجهی به شناسایی اصولی اختصاص یافته است که ساختار سلسله مراتب بصری بر آنها بنا شده است. توسعه مدل‌های شبکه عصبی مصنوعی در بینایی ماشین یک قیاس آموزنده برای پرداختن به این موضوع ثابت شده است.

Figure 5-4 Comparison of biological and machine learning networks. In the visual system, multiple brain regions form a hierarchy in which neurons in series become progressively selective to more complex objects. The regions in the primate visual system pathway represent retinal ganglion cells (RGC), the lateral geniculate nucleus (LGN) of the thalamus, ventral stream visual areas (V1, V2, and V4), and the inferotemporal cortex (IT). The number of neurons per region varies (rep- resented by the colored dots), but their selectivity steadily increases. The machine learning network pathway represents layers of a feedforward network trained to identify objects in images. Increased selectivity in the different regions of the machine learning network is indicated by the growing numbers of stacked sublayers, reflecting selectivity to a richer array of visual features. The hierarchy of response selectivities recorded in different visual areas resembles the activities seen in corresponding layers of the machine learning network. (Adapted, with permission, from Schrimpf et al. 2018.)

شکل ۵-۴ مقایسه شبکه‌های بیولوژیکی و یادگیری ماشینی. در سیستم بینایی، چندین نواحی مغز سلسله مراتبی را تشکیل می‌دهند که در آن نورون‌های سری به تدریج نسبت به اجسام پیچیده‌تر انتخاب می‌شوند. مناطق در مسیر سیستم بینایی پستانداران نشان دهنده سلول‌های گانگلیونی شبکیه (RGC)، هسته ژنیکوله جانبی (LGN) تالاموس، نواحی بینایی جریان شکمی‌(V1، V2، و V4) و قشر زیرین گیجگاهی (IT) هستند. تعداد نورون‌ها در هر ناحیه متفاوت است (که با نقاط رنگی نشان داده می‌شود)، اما گزینش پذیری آنها به طور پیوسته افزایش می‌یابد. مسیر شبکه یادگیری ماشین لایه‌هایی از یک شبکه پیش‌خور را نشان می‌دهد که برای شناسایی اشیاء در تصاویر آموزش دیده‌اند. افزایش گزینش پذیری در مناطق مختلف شبکه یادگیری ماشینی با افزایش تعداد زیرلایه‌های انباشته نشان داده می‌شود که منعکس کننده گزینش پذیری به مجموعه ای غنی از ویژگی‌های بصری است. سلسله مراتب گزینش پذیری‌های پاسخ ثبت شده در مناطق بصری مختلف شبیه فعالیت‌هایی است که در لایه‌های متناظر شبکه یادگیری ماشین دیده می‌شود. (اقتباس شده، با اجازه، از Schrimpf و همکاران ۲۰۱۸.)

From the retina, to the thalamus, to the primary visual cortex, onto the highest visual areas associated with cognition in inferotemporal cortex, visual neurons respond selectively to particular patterns of light, dark, and color in regions of the visual field called their receptive fields. From the lowest to highest stages of visual processing, neurons have increasingly larger receptive fields and higher degrees of selectivity. At each stage, neurons with a particular type of selectivity tend to have receptive fields that tile the visual scene, providing full coverage for the selected feature. More- over, the arrangement of the receptive fields in each visual brain area is topographically matched to the layout of the image of the external world on the retina, that is, the cortex forms a map of the visual field.

از شبکیه تا تالاموس، تا قشر بینایی اولیه، تا بالاترین نواحی بینایی مرتبط با شناخت در قشر زیرین گیجگاهی، نورون‌های بینایی به طور انتخابی به الگوهای خاصی از نور، تاریکی و رنگ در مناطقی از میدان بینایی به نام میدان‌های دریافتی پاسخ می‌دهند. . از پایین‌ترین تا بالاترین مراحل پردازش بصری، نورون‌ها میدان‌های دریافتی بزرگ‌تری دارند و درجات انتخاب‌پذیری بالاتری دارند. در هر مرحله، نورون‌هایی با نوع خاصی از گزینش‌پذیری، میدان‌های دریافتی دارند که صحنه بصری را کاشی می‌کنند و پوشش کاملی را برای ویژگی انتخاب‌شده فراهم می‌کنند. علاوه بر این، آرایش میدان‌های دریافتی در هر ناحیه بینایی مغز از نظر توپوگرافی با طرح تصویر دنیای بیرونی روی شبکیه مطابقت دارد، یعنی قشر یک نقشه میدان بینایی را تشکیل می‌دهد.

As receptive fields enlarge and selectivity increases, neural responses depend less on the precise location of the selected object or pattern and more on its overall features. In general, neurons in higher stages of visual processing respond more selectively to a larger portion of the visual field and depend less on features such as location, size, and orientation. This correlates with our ability to recognize objects independent of their location, size, and orientation in a scene. At the highest stages of the hierarchy, neurons can, for example, respond selectively to particular faces located across the visual field, independent of the size of the face or its angular pose (ie, head direction).

با بزرگ شدن میدان‌های گیرنده و افزایش گزینش پذیری، پاسخ‌های عصبی کمتر به مکان دقیق شی یا الگوی انتخاب شده و بیشتر به ویژگی‌های کلی آن بستگی دارد. به طور کلی، نورون‌ها در مراحل بالاتر پردازش بصری به‌طور انتخابی به بخش بزرگ‌تری از میدان بینایی پاسخ می‌دهند و کمتر به ویژگی‌هایی مانند مکان، اندازه و جهت‌گیری وابسته هستند. این با توانایی ما در تشخیص اشیاء مستقل از مکان، اندازه و جهت آنها در یک صحنه ارتباط دارد. برای مثال، در بالاترین مراحل سلسله مراتب، نورون‌ها می‌توانند به صورت انتخابی به چهره‌های خاصی که در سراسر میدان بینایی قرار دارند، مستقل از اندازه صورت یا حالت زاویه‌ای آن (یعنی جهت سر) پاسخ دهند.

The ideas of tiling, increased receptive field size, increased selectivity, and decreased dependence on view-dependent factors are central to the construction of artificial networks for machine vision. Such networks can reach human-level performance on some object recognition tasks. Furthermore, the pattern of errors that the machines make on difficult images matches, to some degree, the errors made by human subjects. Nonhuman primates can also perform these tasks at levels comparable to humans, and interestingly, recordings from different visual areas along the object recognition pathway correspond to activity seen in the artificial networks at similar stages in visual processing (Figure 5-4).

ایده‌های کاشی کاری، افزایش اندازه میدان پذیرنده، افزایش گزینش پذیری، و کاهش وابستگی به عوامل وابسته به دید در ساخت شبکه‌های مصنوعی برای بینایی ماشین محور هستند. چنین شبکه‌هایی می‌توانند در برخی از وظایف تشخیص اشیا به عملکرد در سطح انسانی دست یابند. علاوه بر این، الگوی خطاهایی که ماشین‌ها روی تصاویر دشوار انجام می‌دهند تا حدی با خطاهای سوژه‌های انسانی مطابقت دارد. نخستی‌های غیرانسانی نیز می‌توانند این وظایف را در سطوح قابل مقایسه با انسان انجام دهند، و جالب اینجاست که ثبت‌شده از مناطق بصری مختلف در امتداد مسیر تشخیص شی با فعالیتی که در شبکه‌های مصنوعی در مراحل مشابه در پردازش بصری مشاهده می‌شود، مطابقت دارد (شکل ۵-۴).

Diverse Neuronal Representations in the Cerebellum Provide a Basis for Learning

بازنمایی‌های مختلف عصبی در مخچه پایه ای برای یادگیری فراهم می‌کند

The most abundant class of neurons in our brains are the roughly 50 billion granule cells at the input stage of the cerebellum, composing more than half of all the neurons in the brain. The cerebellum is a hindbrain structure vital for motor coordination but also implicated in the adaptive regulation of autonomic, sensory, and cognitive functions (Figure 5-5). Malfunction of cerebellar circuits may contribute to various neurological disorders, including autism. In contrast to the thousands of inputs that most brain neurons receive, each granule cell receives just a handful of inputs (four on average).

فراوان‌ترین دسته از نورون‌ها در مغز ما تقریباً ۵۰ میلیارد سلول گرانول در مرحله ورودی مخچه هستند که بیش از نیمی‌از نورون‌های مغز را تشکیل می‌دهند. مخچه یک ساختار مغز عقبی است که برای هماهنگی حرکتی حیاتی است اما در تنظیم تطبیقی ​​عملکردهای خودمختار، حسی و شناختی نیز نقش دارد (شکل ۵-۵). عملکرد نادرست مدارهای مخچه ممکن است به اختلالات عصبی مختلف از جمله اوتیسم کمک کند. برخلاف هزاران ورودی که اکثر نورون‌های مغز دریافت می‌کنند، هر سلول گرانول فقط تعداد انگشت شماری ورودی (به طور متوسط ​​چهار عدد) دریافت می‌کند.

Figure 5-5 The cerebellum receives input from many regions of the brain and spinal cord. These inputs, known collectively as mossy fibers, are recoded in a vast number of granule cells, an example of divergent connectivity, allowing for many possible mixtures of the input signals. Dendrites of Purkinje cells receive convergent input from hundreds of thousands of granule cells relayed by their axons, known as parallel fibers. Parallel fiber to Purkinje cell synapses are modifiable, which is believed to be an important mechanism underlying motor and possibly other forms of learning.

شکل ۵-۵ مخچه ورودی از بسیاری از مناطق مغز و نخاع دریافت می‌کند. این ورودی‌ها، که در مجموع به عنوان الیاف خزه شناخته می‌شوند، در تعداد زیادی سلول گرانول کدگذاری مجدد می‌شوند، نمونه‌ای از اتصالات واگرا، که امکان بسیاری از مخلوط‌های احتمالی سیگنال‌های ورودی را فراهم می‌کند. دندریت‌های سلول‌های پورکنژ ورودی همگرا را از صدها هزار سلول گرانولی دریافت می‌کنند که توسط آکسون‌هایشان، معروف به فیبرهای موازی، ارسال می‌شوند. فیبر موازی با سیناپس‌های سلول پورکنژ قابل تغییر است، که اعتقاد بر این است که مکانیسم مهمی‌در زمینه حرکت و احتمالاً سایر اشکال یادگیری است.

Recent experimental findings using neuroanatomical tracing and electrophysiological recording indicate that inputs converging onto a single granule cell often originate from distinct brain regions. As a result, the firing of individual granule cells may represent any one of an enormous range of combinations of stimuli or events. For example, a cell may fire only during the conjunction of a specific visual stimulus (such as a moving tennis ball) with the movement of a particular body part (such as the flexing of the wrist). Representations that combine different types of information in this way are called mixed.

یافته‌های تجربی اخیر با استفاده از ردیابی نوروآناتومیکی و ثبت الکتروفیزیولوژیک نشان می‌دهد که ورودی‌هایی که به یک سلول گرانول منفرد همگرا می‌شوند، اغلب از مناطق مجزای مغز سرچشمه می‌گیرند. در نتیجه، شلیک سلول‌های گرانول منفرد ممکن است نشان دهنده هر یک از طیف عظیمی‌از ترکیبات محرک‌ها یا رویدادها باشد. به عنوان مثال، یک سلول ممکن است تنها در هنگام اتصال یک محرک بصری خاص (مانند یک توپ تنیس متحرک) با حرکت یک قسمت خاص بدن (مانند خم شدن مچ دست) شلیک کند. بازنمایی‌هایی که انواع مختلف اطلاعات را به این روش ترکیب می‌کنند، مختلط می‌گویند.

Cerebellar granule cells provide an extreme example of divergent feedforward connectivity, with the information carried by approximately 200 million input fibers (called mossy fibers) mixed and expanded onto the 50 billion granule cells. Such a large representation is needed to handle the many different ways that multiple channels of information can be combined. For example, representing all possible combinations of 2 out of just 100 different input channels requires 100 x 99/2, or 4,950, different response types. Requiring a representation of all triplets pushes this number up over 150,000, and the number increases rapidly for four and more combinations. Because the large number of possible combinations would be difficult to specify genetically, it is generally thought that the assignment of mossy fibers to their granule cell targets is largely random.

سلول‌های گرانول مخچه نمونه‌ای شدید از اتصال پیش‌خور متفاوت را ارائه می‌دهند، با اطلاعاتی که توسط تقریباً ۲۰۰ میلیون فیبر ورودی (به نام الیاف خزه‌ای) مخلوط شده و به ۵۰ میلیارد سلول گرانولی منتقل می‌شوند. چنین نمایش بزرگی برای مدیریت بسیاری از راه‌های مختلف لازم است که کانال‌های اطلاعاتی متعدد را می‌توان با هم ترکیب کرد. برای مثال، نمایش تمام ترکیبات ممکن از ۲ از ۱۰۰ کانال ورودی مختلف، به ۱۰۰ x 99/2 یا ۴۹۵۰ نوع پاسخ متفاوت نیاز دارد. نیاز به نمایش همه سه قلوها این عدد را به بیش از ۱۵۰۰۰۰ می‌رساند و این تعداد برای چهار ترکیب یا بیشتر به سرعت افزایش می‌یابد. از آنجا که تعیین تعداد زیادی از ترکیبات ممکن از نظر ژنتیکی دشوار است، به طور کلی تصور می‌شود که انتساب الیاف خزه ای به اهداف سلولی گرانول آنها تا حد زیادی تصادفی است.

This analysis suggests that the role of the cerebellar granule cells is to combine a large number of input channels in many possible ways. Such a representation clearly would be useful for making inferences and generating actions that depend on the co-occurrence of combinations of stimuli and actions. However, to be useful, this information must somehow be read out from the huge number of granule cells.

این تجزیه و تحلیل نشان می‌دهد که نقش سلول‌های گرانول مخچه ترکیب تعداد زیادی از کانال‌های ورودی به روش‌های مختلف است. چنین نمایشی به وضوح برای استنتاج و ایجاد کنش‌هایی مفید خواهد بود که به همزمانی ترکیبی از محرک‌ها و اعمال بستگی دارد. با این حال، برای مفید بودن، این اطلاعات باید به نحوی از تعداد زیادی سلول گرانول خوانده شود.

Read-out from the cerebellar cells is accomplished by Purkinje cells, the output neurons of the cerebellar cortex. In contrast to the highly divergent connectivity at the inputs to granule cells, connections between granule cells and Purkinje cells provide an extreme example of convergence. A single Purkinje cell receives input from over a hundred thousand granule cells. Theories of cerebellar function developed in the 1970s by David Marr and James Albus posited that this convergence allows Purkinje cells to extract useful information from the extremely rich representation provided by granule cells. By doing this, Purkinje cells may, for example, underlie the amazing human capacity to form the many complex associations required for motor skills, such as riding a bicycle or playing a musical instrument. However, to extract information that is useful for a number of purposes under a variety of conditions, the read-out provided by Purkinje cells must be adaptable. This adaptability is provided by the plasticity of the synapse between a granule cell and Purkinje cell synapse, as discussed in a later section.

خواندن از سلول‌های مخچه توسط سلول‌های پورکنژ، نورون‌های خروجی قشر مخچه انجام می‌شود. برخلاف اتصال بسیار واگرا در ورودی به سلول‌های گرانول، اتصالات بین سلول‌های گرانول و سلول‌های پورکنژ نمونه‌ای شدید از همگرایی است. یک سلول پورکنژ از بیش از صد هزار سلول گرانول ورودی دریافت می‌کند. تئوری‌های عملکرد مخچه که در دهه ۱۹۷۰ توسط دیوید مار و جیمز آلبوس ایجاد شد، اظهار داشت که این هم‌گرایی به سلول‌های پورکنژ اجازه می‌دهد تا اطلاعات مفیدی را از نمایش بسیار غنی ارائه شده توسط سلول‌های گرانول استخراج کنند. با انجام این کار، سلول‌های پورکنژ ممکن است، برای مثال، زیربنای ظرفیت شگفت انگیز انسان برای تشکیل بسیاری از انجمن‌های پیچیده مورد نیاز برای مهارت‌های حرکتی، مانند دوچرخه سواری یا نواختن یک آلت موسیقی باشد. با این حال، برای استخراج اطلاعاتی که برای چندین هدف در شرایط مختلف مفید است، خواندن ارائه شده توسط سلول‌های پورکنژ باید سازگار باشد. این سازگاری با شکل‌پذیری سیناپس بین یک سلول گرانول و سیناپس سلول پورکنژ، همانطور که در بخش بعدی مورد بحث قرار گرفت، فراهم می‌شود.

Recurrent Circuitry Underlies Sustained Activity and Integration

مدار مکرر زیربنای فعالیت و یکپارچگی پایدار است

Neurons are inherently forgetful. Transient synaptic input typically evokes a brief response that decays within a few tens of milliseconds. The time course of this decay is determined by an intrinsic property of neurons known as the membrane time constant (Chapter 9). How then do patterns of neural activity persist long enough to support cognitive operations such as memory or decision making that play out over seconds, minutes, or even longer periods of time?

نورون‌ها ذاتا فراموشکار هستند. ورودی سیناپسی گذرا معمولاً پاسخ کوتاهی را برمی‌انگیزد که در عرض چند ده میلی ثانیه کاهش می‌یابد. دوره زمانی این فروپاشی توسط خاصیت ذاتی نورون‌ها به نام ثابت زمانی غشایی تعیین می‌شود (فصل ۹). پس چگونه الگوهای فعالیت عصبی به اندازه کافی برای پشتیبانی از عملیات شناختی مانند حافظه یا تصمیم گیری که در چند ثانیه، دقیقه یا حتی دوره‌های زمانی طولانی تر انجام می‌شوند، باقی می‌مانند؟

Consider, for example, trying to detect whether you hear a familiar voice in a crowded room full of people talking loudly. As you listen, you may occasionally detect a bit of sound that resembles the voice you are searching for but that by itself is inconclusive. Nevertheless, over time, you may be able to accumulate enough evidence to arrive at a conclusion. This process of evidence accumulation requires integration, meaning that a running sum must be maintained and augmented as additional evidence is detected. Integration requires both a computation (addition) and memory to compute and maintain a running total (Chapter 56).

به عنوان مثال، تلاش برای تشخیص اینکه آیا صدای آشنا را در یک اتاق شلوغ پر از افرادی که با صدای بلند صحبت می‌کنند می‌شنوید را در نظر بگیرید. در حین گوش دادن، ممکن است گهگاه صدایی شبیه صدایی که در جستجوی آن هستید، تشخیص دهید، اما به خودی خود بی نتیجه است. با این وجود، با گذشت زمان، ممکن است بتوانید شواهد کافی برای رسیدن به نتیجه جمع آوری کنید. این فرآیند انباشت شواهد نیاز به یکپارچگی دارد، به این معنی که یک مبلغ در حال اجرا باید حفظ شود و به عنوان شواهد اضافی شناسایی شود. ادغام برای محاسبه و حفظ کل در حال اجرا به هر دو محاسبات (افزودن) و حافظه نیاز دارد (فصل ۵۶).

For a neural circuit to perform integration, a transient input must produce activity that is sustained at a constant level even after the input is gone. This sustained activity provides a memory of the transient input. As outlined in the previous paragraph, circuits that integrate can be useful for accumulating information, but they are also needed for noncognitive tasks such as maintaining the constant muscle tension required to hold a fixed body posture. One of the best studied neural integrators is the circuitry that allows humans and animals to maintain a constant gaze direction with their eyes, even in the dark. The fact that eye movements can be studied across a wide range of species, from fish to primates, has greatly facilitated progress. Moreover, the relative simplicity of the oculomotor system has fostered fruitful dialog between experimental and theoretical studies. (The oculomotor system is described in more detail in Chapter 35.)

برای اینکه یک مدار عصبی یکپارچه سازی را انجام دهد، یک ورودی گذرا باید فعالیتی ایجاد کند که حتی پس از از بین رفتن ورودی، در یک سطح ثابت باقی بماند. این فعالیت پایدار حافظه ای از ورودی گذرا را فراهم می‌کند. همانطور که در پاراگراف قبلی ذکر شد، مدارهایی که یکپارچه می‌شوند می‌توانند برای جمع آوری اطلاعات مفید باشند، اما برای کارهای غیرشناختی مانند حفظ تنش ثابت ماهیچه ای مورد نیاز برای حفظ یک وضعیت بدنی ثابت نیز مورد نیاز هستند. یکی از بهترین ادغام‌کننده‌های عصبی مورد مطالعه، مداری است که به انسان‌ها و حیوانات اجازه می‌دهد با چشمان خود جهت ثابت نگاه خود را حتی در تاریکی حفظ کنند. این واقعیت که حرکات چشم را می‌توان در طیف گسترده ای از گونه‌ها، از ماهی گرفته تا پستانداران، مطالعه کرد، پیشرفت را تا حد زیادی تسهیل کرده است. علاوه بر این، سادگی نسبی سیستم چشمی‌حرکتی باعث ایجاد گفتگوی پربار بین مطالعات تجربی و نظری شده است. (سیستم حرکتی چشمی‌با جزئیات بیشتر در فصل ۳۵ توضیح داده شده است.)

The existence of integrator circuits in the oculomotor system was first suggested by a puzzling observation from neuronal recordings (Figure 5-6A). Oculomotor neurons that control the eye muscles increase action potential firing transiently to evoke movements of the eye but also exhibit sustained action potential firing needed to hold the eye in fixed position. For example, a motor neuron that projects to an eye muscle that moves that eye to the left will fire at a high rate when gaze is maintained left of center and at a low rate when gaze is maintained right of center. The puzzle is that the premotor neurons in the superior colliculus and brain stem that project to the oculomotor neurons only fire transiently before eye movements. They do not show any sustained activity related to eye position. How then is this sustained activity generated?

وجود مدارهای یکپارچه ساز در سیستم چشمی‌حرکتی برای اولین بار توسط یک مشاهده گیج کننده از ثبت‌های عصبی پیشنهاد شد (شکل ۵-6A). نورون‌های حرکتی چشمی‌که عضلات چشم را کنترل می‌کنند، شلیک پتانسیل عمل را به طور موقت افزایش می‌دهند تا حرکات چشم را برانگیزند، اما همچنین شلیک پتانسیل عمل پایدار مورد نیاز برای نگه داشتن چشم را در موقعیت ثابت نشان می‌دهند. به عنوان مثال، یک نورون حرکتی که به عضله چشمی‌حرکت می‌کند و آن چشم را به سمت چپ حرکت می‌دهد، زمانی که نگاه در سمت چپ مرکز نگه داشته شود، با سرعت زیاد و هنگامی‌که نگاه در سمت راست مرکز نگه داشته شود، با سرعت پایینی شلیک می‌کند. معما این است که نورون‌های پیش حرکتی در کولیکولوس فوقانی و ساقه مغز که به نورون‌های حرکتی چشمی‌می‌تابند، فقط قبل از حرکات چشم به‌طور موقت شلیک می‌کنند. آنها هیچ گونه فعالیت پایدار مرتبط با وضعیت چشم را نشان نمی‌دهند. پس چگونه این فعالیت پایدار ایجاد می‌شود؟

Figure 5-6 Recurrent circuitry and sustained neural activity are required for maintaining eye position.
A. Above: A saccadic eye movement consists of a rapid movement change in eye velocity to bring a target back to the center of gaze. This is followed by a sustained change in eye position to maintain the fovea on the target. The dashed blue line shows the location of the target, and the gray line shows the eye movement and subsequent fixation on the target at its new position. Below. An oculomotor neuron exhibits a brief burst of activity related to eye velocity along with sustained activity related to eye position.

شکل ۵-۶ مدارهای مکرر و فعالیت عصبی پایدار برای حفظ موقعیت چشم مورد نیاز است.
A. بالا: یک حرکت ساکادیک چشم شامل تغییر حرکت سریع در سرعت چشم برای بازگرداندن هدف به مرکز نگاه است. به دنبال آن یک تغییر مداوم در وضعیت چشم برای حفظ فووآ روی هدف ایجاد می‌شود. خط آبی نقطه چین محل هدف را نشان می‌دهد و خط خاکستری حرکت چشم و ثابت ماندن بعدی روی هدف را در موقعیت جدید نشان می‌دهد. در زیر. یک نورون چشمی‌حرکتی یک انفجار کوتاه از فعالیت مربوط به سرعت چشم همراه با فعالیت پایدار مربوط به موقعیت چشم را نشان می‌دهد.

B. Recurrent excitation can explain how a brief pulse of input, such as an eye velocity signal, can lead to a persistent change in firing rate through a process akin to mathematical integration.

ب. تحریک مکرر می‌تواند توضیح دهد که چگونه یک پالس کوتاه ورودی، مانند سیگنال سرعت چشم، می‌تواند منجر به تغییر مداوم در سرعت شلیک از طریق فرآیندی شبیه به یکپارچه سازی ریاضی شود.

An early conjecture, now strongly supported, is that steady eye position signals are computed by brain stem neurons that integrate the transient eye velocity signals. Such neurons receive velocity information and provide the steady output to the oculomotor neurons that maintain eye position. Lesions or inactivation of certain brain stem nuclei in monkeys, including the medial vestibular nucleus and the nucleus prepositus hypoglossi, result in a failure to maintain steady horizontal eye position following eye movements, suggesting that the neural integrator circuit lies within these structures. Damage to these brain stem structures in humans leads to the same problem, known clinically as gaze-evoked nystagmus (Chapter 35).

یک حدس اولیه، که اکنون به شدت پشتیبانی می‌شود، این است که سیگنال‌های موقعیت ثابت چشم توسط نورون‌های ساقه مغز محاسبه می‌شوند که سیگنال‌های سرعت گذرای چشم را یکپارچه می‌کنند. چنین نورون‌هایی اطلاعات سرعت را دریافت می‌کنند و خروجی ثابتی را برای نورون‌های حرکتی چشمی‌که موقعیت چشم را حفظ می‌کنند، فراهم می‌کنند. ضایعات یا غیرفعال شدن برخی از هسته‌های ساقه مغز در میمون‌ها، از جمله هسته دهلیزی میانی و هسته پیش‌پوزیتوس هیپوگلوسی، منجر به عدم حفظ وضعیت افقی ثابت چشم پس از حرکات چشم می‌شود که نشان می‌دهد مدار یکپارچه‌کننده عصبی در این ساختارها قرار دارد. آسیب به این ساختارهای ساقه مغز در انسان منجر به همان مشکل می‌شود که از نظر بالینی به عنوان نیستاگموس برانگیخته با نگاه شناخته می‌شود (فصل ۳۵).

How do neural circuits perform integration? One possibility is that integration is supported by specialized intrinsic neuronal properties that effectively lengthen neuronal membrane time constants, allowing brief inputs to generate sustained output. A variety of candidate mechanisms have been described involving different voltage-activated ion channels. However, studies using intracellular recordings, which allow for direct control over the membrane voltage of the recorded neuron, have shown that sustained position- related signals persist even when the neuron’s voltage- activated channels are blocked. A second possibility is that integration arises from interactions among a network of synaptically coupled neurons. Intracellular recordings in goldfish support this idea by showing that levels of synaptic input vary with eye position.

مدارهای عصبی چگونه یکپارچه سازی را انجام می‌دهند؟ یک احتمال این است که ادغام توسط ویژگی‌های عصبی ذاتی تخصصی پشتیبانی می‌شود که به طور موثر ثابت‌های زمانی غشای عصبی را طولانی‌تر می‌کند و به ورودی‌های کوتاه اجازه می‌دهد تا خروجی پایدار ایجاد کند. انواع مکانیسم‌های نامزد شامل کانال‌های یونی فعال با ولتاژ مختلف توصیف شده‌اند. با این حال، مطالعات با استفاده از ثبت‌های درون سلولی، که امکان کنترل مستقیم ولتاژ غشایی نورون ثبت شده را فراهم می‌کند، نشان داده است که سیگنال‌های مرتبط با موقعیت پایدار حتی زمانی که کانال‌های فعال شده با ولتاژ نورون مسدود می‌شوند، باقی می‌مانند. احتمال دوم این است که یکپارچگی از تعاملات بین شبکه ای از نورون‌های جفت شده سیناپسی ناشی می‌شود. ثبت‌های درون سلولی در ماهی قرمز با نشان دادن اینکه سطوح ورودی سیناپسی با موقعیت چشم متفاوت است، از این ایده پشتیبانی می‌کند.

The question of what types of neural networks are capable of performing integration has been explored extensively in theoretical studies. One class of models that has been considered relies on recurrent connectivity, specifically a population of neurons that excite each other. A weakly coupled network of this type responds to an input pulse with activity that rapidly decays away. Increasing the strength of the recurrent excitation adds back some of the activity that would otherwise decay, lengthening the duration of the population response. If recurrent excitation is increased to the point where the recurrent excitation set up by a transient input precisely cancels the decay, the response can last indefinitely. This requires fine-tuning of network parameters.

این سوال که چه نوع شبکه‌های عصبی قادر به انجام یکپارچگی هستند، به طور گسترده در مطالعات نظری مورد بررسی قرار گرفته است. یک دسته از مدل‌هایی که در نظر گرفته شده‌اند به اتصال مکرر متکی هستند، به‌ویژه جمعیتی از نورون‌ها که یکدیگر را تحریک می‌کنند. یک شبکه کوپل شده ضعیف از این نوع به یک پالس ورودی با فعالیتی پاسخ می‌دهد که به سرعت از بین می‌رود. افزایش قدرت برانگیختگی مکرر مقداری از فعالیت‌ها را که در غیر این صورت تحلیل می‌رود، باز می‌افزاید و مدت زمان پاسخ جمعیت را طولانی‌تر می‌کند. اگر تحریک مکرر تا جایی افزایش یابد که تحریک مکرر ایجاد شده توسط یک ورودی گذرا دقیقاً واپاشی را خنثی کند، پاسخ می‌تواند به طور نامحدود ادامه یابد. این نیاز به تنظیم دقیق پارامترهای شبکه دارد.

In a perfectly tuned network, a transient pulse of input produces a change in firing rate that lasts forever in the absence of further input. Equivalently, such a population computes a running integral of the input it receives (Figure 5-6B). If the transient excitation in the network is not perfectly tuned but instead is slightly weaker, the input produces a change in firing rate that decays slowly. Eye position, in the dark, tends to drift back to the center in about 20 seconds, suggesting that the neural integrator is not tuned perfectly, but it is tuned well enough to extend the roughly 20-ms time constant of a typical neuron by a factor of about 1,000.

در یک شبکه کاملاً تنظیم شده، یک پالس گذرا از ورودی، تغییری در نرخ شلیک ایجاد می‌کند که در غیاب ورودی بیشتر برای همیشه باقی می‌ماند. به طور معادل، چنین جمعیتی یک انتگرال در حال اجرا از ورودی دریافتی خود را محاسبه می‌کند (شکل ۵-6B). اگر تحریک گذرا در شبکه کاملاً تنظیم نشده باشد اما در عوض کمی‌ضعیف‌تر باشد، ورودی تغییری در سرعت شلیک ایجاد می‌کند که به آرامی‌تحلیل می‌رود. موقعیت چشم، در تاریکی، تمایل دارد در حدود ۲۰ ثانیه به مرکز برگردد، که نشان می‌دهد یکپارچه‌ساز عصبی کاملاً تنظیم نشده است، اما آنقدر خوب تنظیم شده است که ثابت زمانی تقریباً ۲۰ میلی‌ثانیه یک نورون معمولی را با یک نورون معمولی افزایش دهد. ضریب حدود ۱۰۰۰

The fact that recurrent network models reproduce some of the core properties observed in biological integrator circuits has launched development of more detailed and realistic network models and testing the predictions of such models experimentally. These efforts also highlight the challenges involved in forging detailed links between the structure and function of neural circuits. Key questions remain even after decades of intensive study using a variety of systems and approaches.

این واقعیت که مدل‌های شبکه تکراری برخی از ویژگی‌های اصلی مشاهده شده در مدارهای انتگرال‌گر بیولوژیکی را بازتولید می‌کنند، توسعه مدل‌های شبکه دقیق‌تر و واقعی‌تر و آزمایش پیش‌بینی‌های این مدل‌ها را به صورت تجربی آغاز کرده است. این تلاش‌ها همچنین چالش‌های موجود در ایجاد پیوندهای دقیق بین ساختار و عملکرد مدارهای عصبی را برجسته می‌کند. سوالات کلیدی حتی پس از دهه‌ها مطالعه فشرده با استفاده از سیستم‌ها و رویکردهای مختلف باقی می‌مانند.

For example, oculomotor integrator circuits typically contain two opposing classes of neurons, one increasing and the other decreasing their firing rates as eye position changes in a given direction. This arrangement is not restricted to oculomotor integrators but is also found in cortical regions implicated in decision making and working memory. Models have shown that mutual inhibition between these opposing populations can play a role in sustaining activity and integration. Although anatomical studies provide some support for this idea, studies in the goldfish showed that integration remains intact even when connections between the opposing populations are removed.

به عنوان مثال، مدارهای یکپارچه کننده چشمی‌معمولاً شامل دو دسته متضاد نورون هستند، یکی افزایش می‌یابد و دیگری سرعت شلیک خود را با تغییر موقعیت چشم در جهت معین کاهش می‌دهد. این آرایش به یکپارچه‌کننده‌های حرکتی چشمی‌محدود نمی‌شود، بلکه در نواحی قشری که در تصمیم‌گیری و حافظه کاری نقش دارند نیز یافت می‌شود. مدل‌ها نشان داده‌اند که بازداری متقابل بین این جمعیت‌های متضاد می‌تواند در حفظ فعالیت و یکپارچگی نقش داشته باشد. اگرچه مطالعات تشریحی برخی از این ایده را پشتیبانی می‌کند، مطالعات روی ماهی قرمز نشان داد که یکپارچگی دست نخورده باقی می‌ماند حتی زمانی که ارتباطات بین جمعیت‌های مخالف حذف شود.

Another key question regards the mechanisms for tuning integrator networks. Experimental studies suggest that integrator networks are subject to modification via experience; in other words, they are tuneable. Although such tuning presumably occurs via changes in the strength of synaptic connections between neurons, direct evidence for this has yet to be obtained. In short, although much has been learned about how integration could be implemented, the details of the network architecture that actually support integration in any particular instance remain to be definitively established.

سوال کلیدی دیگر مربوط به مکانیسم‌های تنظیم شبکه‌های یکپارچه ساز است. مطالعات تجربی نشان می‌دهد که شبکه‌های یکپارچه‌کننده در معرض تغییر از طریق تجربه هستند. به عبارت دیگر قابل تنظیم هستند. اگرچه چنین تنظیمی‌احتمالاً از طریق تغییر در قدرت اتصالات سیناپسی بین نورون‌ها اتفاق می‌افتد، شواهد مستقیمی‌برای این امر هنوز به دست نیامده است. به طور خلاصه، اگرچه چیزهای زیادی در مورد چگونگی پیاده سازی یکپارچه سازی آموخته شده است، جزئیات معماری شبکه که در واقع از یکپارچگی در هر نمونه خاص پشتیبانی می‌کند، هنوز مشخص نیست.

A detailed understanding of how we maintain the position of our eyes is an important end unto itself, with clinical relevance. However, as pointed out earlier, the solutions found here may apply equally to cognitive functions including short-term memory and decision making. Optical imaging of large populations of neurons along with temporally precise manipulations of their activity and detailed anatomical reconstructions, combined with theoretical models of network function, may soon provide the answers.

درک دقیق از نحوه حفظ موقعیت چشمانمان به خودی خود یک هدف مهم با ارتباط بالینی است. با این حال، همانطور که قبلاً اشاره شد، راه حل‌های یافت شده در اینجا ممکن است به طور یکسان برای عملکردهای شناختی از جمله حافظه کوتاه مدت و تصمیم گیری اعمال شود. تصویربرداری نوری از جمعیت‌های بزرگ نورون‌ها همراه با دستکاری‌های دقیق زمانی فعالیت آنها و بازسازی‌های تشریحی دقیق، همراه با مدل‌های نظری عملکرد شبکه، ممکن است به زودی پاسخ‌ها را ارائه دهد.

Learning and Memory Depend on Synaptic Plasticity

یادگیری و حافظه به انعطاف‌پذیری سیناپسی بستگی دارد

Experience can modify neural circuits to support memory and learning (Chapter 3). It is generally believed that experience-dependent changes responsible for learning and memory occur primarily at synapses. Multiple forms of synaptic plasticity have been identified, and each of these presumably supports a different set of functions.

تجربه می‌تواند مدارهای عصبی را برای پشتیبانی از حافظه و یادگیری تغییر دهد (فصل ۳). به طور کلی اعتقاد بر این است که تغییرات وابسته به تجربه مسئول یادگیری و حافظه در درجه اول در سیناپس‌ها رخ می‌دهد. شکل‌های متعددی از پلاستیسیته سیناپسی شناسایی شده است، و هر یک از اینها احتمالاً مجموعه متفاوتی از عملکردها را پشتیبانی می‌کنند.

Just as there are multiple forms of plasticity, there are multiple forms of learning. Different forms of learning can be defined based on the amount and type of information provided. In supervised learning, explicit instruction is given about the behavior needed to perform a task. In reinforcement learning, on the other hand, only a positive reward or a negative punishment is provided to indicate whether that task is being performed properly. Finally, unsupervised learning involves no instructive information at all, but rather organizes input data on the basis of its intrinsic structure without supervision. In the following sections, we discuss an example of unsupervised learning involving Hebbian plasticity and an example of reinforcement learning in the cerebellum. (The various types of learning and memory and their cellular and circuit mechanisms are described in detail in Chapters 52-54.)

همانطور که شکل‌های متعددی از شکل‌پذیری وجود دارد، اشکال متعددی از یادگیری نیز وجود دارد. بر اساس میزان و نوع اطلاعات ارائه شده می‌توان اشکال مختلف یادگیری را تعریف کرد. در یادگیری تحت نظارت، دستورالعمل‌های صریح در مورد رفتار مورد نیاز برای انجام یک کار داده می‌شود. از سوی دیگر، در یادگیری تقویتی، تنها یک پاداش مثبت یا یک تنبیه منفی ارائه می‌شود تا نشان دهد که آیا آن کار به درستی انجام می‌شود یا خیر. در نهایت، یادگیری بدون نظارت اصلاً شامل هیچ اطلاعات آموزنده ای نمی‌شود، بلکه داده‌های ورودی را بر اساس ساختار ذاتی آن بدون نظارت سازماندهی می‌کند. در بخش‌های بعدی، نمونه‌ای از یادگیری بدون نظارت شامل شکل‌پذیری هبی و نمونه‌ای از یادگیری تقویتی در مخچه را مورد بحث قرار می‌دهیم. (انواع مختلف یادگیری و حافظه و مکانیسم‌های سلولی و مداری آنها به تفصیل در فصل‌های ۵۲-۵۴ توضیح داده شده است.)

Dominant Patterns of Synaptic Input Can be Identified by Hebbian Plasticity

الگوهای غالب ورودی سیناپسی را می‌توان با انعطاف‌پذیری هبی شناسایی کرد

Cortical neurons receive synaptic input from thousands of other neurons and combine this information in patterns of action potentials. The strength of synaptic transmission at each of the synapses determines how the information arriving from many inputs is combined to affect the firing of the neuron. Setting the strength of all the synapses to zero would obviously make for a noninformative neuron of no functional use. Similarly, setting them to nonzero values that extract a signal dominated by random noise would also not produce a signal of value. Instead, neurons can best serve a useful function by extracting the most interesting aspects of the information carried by their inputs. Theoretical analysis of a form of plasticity known as Hebbian indicates one way that this could happen in an unsupervised manner.

نورون‌های قشر مغز ورودی سیناپسی را از هزاران نورون دیگر دریافت می‌کنند و این اطلاعات را در الگوهای پتانسیل عمل ترکیب می‌کنند. قدرت انتقال سیناپسی در هر یک از سیناپس‌ها تعیین می‌کند که چگونه اطلاعات دریافتی از بسیاری از ورودی‌ها برای تأثیرگذاری بر شلیک نورون ترکیب می‌شوند. با تنظیم قدرت تمام سیناپس‌ها بر روی صفر بدیهی است که یک نورون غیر اطلاعاتی بدون استفاده کاربردی ایجاد می‌کند. به طور مشابه، تنظیم آنها بر روی مقادیر غیر صفر که سیگنالی را استخراج می‌کند که توسط نویز تصادفی غالب می‌شود، سیگنالی با ارزش تولید نمی‌کند. در عوض، نورون‌ها می‌توانند با استخراج جالب‌ترین جنبه‌های اطلاعاتی که توسط ورودی‌هایشان حمل می‌شود، عملکرد مفیدی را انجام دهند. تحلیل نظری شکلی از شکل‌پذیری به نام هبیان نشان می‌دهد که این امر می‌تواند به شیوه ای بدون نظارت اتفاق بیفتد.

In 1949, Donald Hebb proposed that synapses should strengthen when a given presynaptic input to a neuron cooperates with a sufficient number of coactive inputs to cause that neuron to fire an action potential. Evidence for Hebbian synaptic plasticity has been obtained from many studies (Chapter 54). By itself, Hebbian plasticity would keep making synapses stronger and stronger, so some other form of plasticity must exist to prevent this from happening. Such compensatory forms of plasticity are called homeostatic, and experiments have revealed these forms of plasticity as well. Theoretical analysis indicates that a combination of Hebbian and homeostatic plasticity can adjust synapses, without any additional supervisory signal, so that they extract the combination of a neuron’s inputs that is most highly modulated relative to other combinations (Figure 5-7). This is a reasonable candidate for the most interesting signal carried by those inputs, and thus, Hebbian plasticity provides a way for neurons to determine and extract such signals.

در سال ۱۹۴۹، دونالد هب پیشنهاد کرد که سیناپس‌ها باید زمانی تقویت شوند که یک ورودی پیش سیناپسی معین به یک نورون با تعداد کافی ورودی فعال همکاری می‌کند تا آن نورون یک پتانسیل عمل را ایجاد کند. شواهدی برای شکل‌پذیری سیناپسی هبی از مطالعات بسیاری به دست آمده است (فصل ۵۴). به خودی خود، انعطاف‌پذیری هبی سیناپس‌ها را قوی تر و قوی تر می‌کند، بنابراین شکل دیگری از پلاستیسیته باید وجود داشته باشد تا از این اتفاق جلوگیری شود. چنین اشکال جبرانی پلاستیسیته هموستاتیک نامیده می‌شود و آزمایشات این اشکال پلاستیسیته را نیز آشکار کرده است. تحلیل نظری نشان می‌دهد که ترکیبی از پلاستیسیته هبی و هموستاتیک می‌تواند سیناپس‌ها را بدون هیچ سیگنال نظارتی اضافی تنظیم کند، به طوری که آنها ترکیبی از ورودی‌های نورون را استخراج می‌کنند که نسبت به سایر ترکیب‌ها بسیار مدوله‌شده است (شکل ۵-۷). این یک نامزد معقول برای جالب ترین سیگنالی است که توسط آن ورودی‌ها حمل می‌شود، و بنابراین، انعطاف‌پذیری هبی راهی برای تعیین و استخراج چنین سیگنال‌هایی برای نورون‌ها فراهم می‌کند.

Synaptic Plasticity in the Cerebellum Plays a Key Role in Motor Learning

پلاستیسیته سیناپسی در مخچه نقش کلیدی در یادگیری حرکتی دارد

Although a detailed understanding of how the cerebellum contributes to complex human motor skills is lacking, a great deal is known about its role in simple forms of motor learning. Among the most thoroughly studied is a paradigm known as delay eyeblink conditioning, in which a neutral sensory stimulus such as a light or a tone is repeatedly paired with an aversive unconditioned stimulus (US) such as an air puff to the eye. After several days of such training, animals learn to close their eye in response to the previously neutral stimulus (the light or tone), known as the conditioned stimulus (CS), in anticipation of the US (the air puff). The timing of the eyelid closure is highly specific to the delay between the onset of the CS and the US.

اگرچه درک دقیقی از چگونگی کمک مخچه به مهارت‌های حرکتی پیچیده انسان وجود ندارد، اطلاعات زیادی در مورد نقش آن در اشکال ساده یادگیری حرکتی شناخته شده است. در میان نمونه‌هایی که به طور کامل مورد مطالعه قرار گرفته است، الگویی است که به عنوان شرطی سازی تاخیری پلک زدن شناخته می‌شود، که در آن یک محرک حسی خنثی مانند نور یا تن به طور مکرر با یک محرک غیرشرطی بد (US) مانند پف هوا به چشم جفت می‌شود. پس از چندین روز چنین تمرینی، حیوانات یاد می‌گیرند که چشمان خود را در پاسخ به محرک خنثی قبلی (نور یا تن) که به عنوان محرک شرطی (CS) شناخته می‌شود، در انتظار US (پفک هوا) ببندند. زمان بسته شدن پلک بسیار خاص به تاخیر بین شروع CS و US است.

Eyelid conditioning has been an extremely useful paradigm for understanding cerebellar function because it maps onto the structure of cerebellar circuitry in a particularly clear way (Figure 5-8). Information about the CS is first encoded by cerebellar granule cells and then relayed to Purkinje cells. The US is encoded by a completely separate input pathway, known as the olivocerebellar or climbing fiber system. In contrast to the many thousands of inputs from granule cells, each Purkinje cell receives a single powerful climbing fiber input from a brain stem nucleus known as the inferior olive. Electrophysiological recordings revealed that climbing fiber inputs to one particular region of the cerebellum signal the occurrence of the US, that is, a stimulus that is irritating to the cornea. This discovery was made possible by the fact that the climbing fiber evokes a distinct suprathreshold response in the Purkinje cell known as a complex spike.

تهویه پلک پارادایم بسیار مفیدی برای درک عملکرد مخچه بوده است زیرا به شکلی مشخص بر روی ساختار مدار مخچه ترسیم می‌کند (شکل ۵-۸). اطلاعات مربوط به CS ابتدا توسط سلول‌های گرانول مخچه کدگذاری می‌شود و سپس به سلول‌های پورکنژ منتقل می‌شود. US توسط یک مسیر ورودی کاملاً مجزا رمزگذاری شده است که به عنوان سیستم الیاف مخچه یا سیستم فیبر صعودی شناخته می‌شود. برخلاف هزاران ورودی از سلول‌های گرانول، هر سلول پورکنژ یک ورودی فیبر صعودی قدرتمند از یک هسته ساقه مغز به نام زیتون تحتانی دریافت می‌کند. ثبت‌های الکتروفیزیولوژیکی نشان داد که بالا رفتن ورودی‌های فیبر به یک ناحیه خاص از مخچه، نشان‌دهنده وقوع US است، یعنی محرکی که قرنیه را تحریک می‌کند. این کشف با این واقعیت امکان پذیر شد که فیبر صعود کننده یک پاسخ فوق آستانه متمایز را در سلول پورکنژ به نام یک اسپایک پیچیده برمی‌انگیزد.

A key to understanding how the cerebellum mediates learning was the discovery that the complex spike triggers plasticity at synapses between granule cells and Purkinje cells. Specifically, the cooccurrence of input from a presynaptic granule cell and a complex spike in the postsynaptic Purkinje cell results in a persistent weakening of the granule cell input, a form of plasticity known as cerebellar long-term depression (Figure 5-8). Hence, for each occurrence of the US, the strength of granule- Purkinje cell synapses active immediately prior to the US is reduced. This plasticity leads to the gradual emergence of a learned pause in Purkinje cell firing due to the decrease in granule cell excitation just before the expected time of arrival of the US.

نکته کلیدی برای درک اینکه چگونه مخچه میانجی یادگیری است، کشف این بود که اسپایک پیچیده باعث ایجاد انعطاف پذیری در سیناپس های بین سلول‌های گرانول و سلول‌های پورکنژ می‌شود. به طور خاص، وقوع همزمان ورودی از یک سلول گرانول پیش سیناپسی و یک اسپایک پیچیده در سلول پورکنژ پس سیناپسی منجر به تضعیف مداوم ورودی سلول گرانول می‌شود، شکلی از انعطاف پذیری که به عنوان تضعیف طولانی مدت مخچه شناخته می‌شود (شکل ۵-۸). از این رو، برای هر وقوع US، قدرت سیناپس‌های سلولی پورکنژ گرانول فعال بلافاصله قبل از US کاهش می‌یابد. این انعطاف پذیری منجر به ظهور تدریجی مکث آموخته شده در شلیک سلول پورکنژ به دلیل کاهش تحریک سلول گرانول درست قبل از زمان مورد انتظار ورود به US می شو‌.

Figure 5-7 Hebbian plasticity can identify relevant input signals to a neuron. In this example, a neuron receives 100 inputs; firing rates for four of them are shown (left). Each of the input rates is noisy but contains, within the noise, a sinusoidal signal. The input rates are multiplied by synaptic strengths (brown triangles) and then summed to produce the total input to the neuron (right). Before Hebbian plasticity occurs, the synapses have random weights, resulting in the noisy trace; after modification, the total input reveals the underlying sinusoidal signal.

شکل ۵-۷ انعطاف‌پذیری هبی می‌تواند سیگنال‌های ورودی مربوط به یک نورون را شناسایی کند. در این مثال، یک نورون ۱۰۰ ورودی دریافت می‌کند. نرخ شلیک برای چهار نفر از آنها نشان داده شده است (سمت چپ). هر یک از نرخ‌های ورودی دارای نویز است، اما در داخل نویز، یک سیگنال سینوسی وجود دارد. نرخ‌های ورودی در قدرت‌های سیناپسی (مثلث‌های قهوه ای) ضرب می‌شوند و سپس برای تولید کل ورودی به نورون (راست) جمع می‌شوند. قبل از اینکه انعطاف‌پذیری هبی رخ دهد، سیناپس‌ها دارای وزن‌های تصادفی هستند که در نتیجه اثری پر سر و صدا ایجاد می‌شود. پس از اصلاح، ورودی کل سیگنال سینوسی زیرین را نشان می‌دهد.

Figure 5-8 Hypothetical role of the cerebellum in eyeblink conditioning. Information about the conditioned stimulus. (CS) and unconditioned stimulus (US) is relayed via mossy and climbing fiber pathways, respectively. Granule cell synapses active before presentation of the US are gradually weakened by long-term depression induced by climbing fiber input. This contributes to a pause in Purkinje cell firing that is precisely timed to occur just before the US. Since Purkinje cells are inhibitory, this pause excites downstream neurons in the cerebellar nucleus and red nucleus that drive eyelid closure.

شکل ۵-۸ نقش فرضی مخچه در تنظیم پلک چشم. اطلاعات در مورد محرک شرطی. (CS) و محرک غیرشرطی (US) به ترتیب از طریق مسیرهای الیاف خزه ای و صعودی منتقل می‌شوند. سیناپس‌های سلول گرانول فعال قبل از ارائه US به تدریج توسط تضعیف طولانی مدت ناشی از بالا رفتن فیبر ورودی ضعیف می‌شوند. این به توقف شلیک سلول پورکنژ کمک می‌کند که دقیقاً قبل از Us انجام می‌شود. از آنجایی که سلول‌های پورکنژ مهاری هستند، این مکث نورون‌های پایین دستی در هسته مخچه و هسته قرمز را تحریک می‌کند که باعث بسته شدن پلک می‌شود.

How does a decrease in Purkinje cell firing lead to a learned motor response? Purkinje cells are normally spontaneously active, and they inhibit their downstream targets. Purkinje cells in regions of the cerebellum receiving climbing fiber input related to noxious stimuli to the eye form synapses with neurons that indirectly activate the muscles that produce eyelid closure. Hence the learned pause in Purkinje cell firing causes the eyelid to close at just the right moment to protect the eye. Appropriate timing of the pause is thought to be mediated by a diversity of temporal response patterns in granule cells. Computer simulations have shown that learning of appropriately timed responses can be explained by plasticity in the granule-Purkinje cell synapse if individual granule cells are active at different delays after the CS or exhibit a variety of distinct, but repeatable, temporal patterns locked to the CS.

چگونه کاهش شلیک سلول پورکنژ منجر به پاسخ حرکتی یادگیری می‌شود؟ سلول‌های پورکنژ به طور معمول به طور خود به خود فعال هستند و اهداف پایین دست خود را مهار می‌کنند. سلول‌های پورکنژ در مناطقی از مخچه که ورودی فیبر بالارونده مربوط به محرک‌های مضر چشم را دریافت می‌کنند، سیناپس‌هایی را با نورون‌هایی تشکیل می‌دهند که به طور غیرمستقیم ماهیچه‌هایی را فعال می‌کنند که باعث بسته شدن پلک می‌شوند. از این رو مکث آموخته شده در شلیک سلول پورکنژ باعث می‌شود که پلک در لحظه مناسب برای محافظت از چشم بسته شود. تصور می‌شود زمان‌بندی مناسب مکث به واسطه تنوع الگوهای پاسخ زمانی در سلول‌های گرانول است. شبیه‌سازی‌های رایانه‌ای نشان داده‌اند که یادگیری پاسخ‌های زمان‌بندی‌شده مناسب را می‌توان با انعطاف‌پذیری در سیناپس سلول گرانول-پورکنژ توضیح داد، اگر سلول‌های گرانول منفرد در تأخیرهای مختلف پس از CS فعال باشند یا الگوهای زمانی متمایز، اما قابل تکرار، قفل‌شده در CS را نشان دهند. .

Due to technical challenges, direct evidence for such temporal representations has not yet been obtained for granule cells in the region of the mammalian cerebellum involved in eyeblink conditioning. However, a diversity of temporal patterns has been observed in granule cells in a structure analogous to the cerebellum in fish. More broadly, studies of the cerebellum, including those of eyeblink conditioning, provide a concrete illustration of how neural circuits can mediate learning though trial and error, even for learning more complex motor skills such as playing a musical instrument. Purkinje cells integrate a rich diversity of signals related both to the external world and internal state of the animal (conveyed by granule cells), with highly specific information about errors or unexpected events (conveyed by the climbing fibers). The climbing fiber acts as a teacher, weakening synapses that were active before, and hence could have contributed to errors. These changes in synaptic strength alter the firing patterns of Purkinje cells and, by virtue of specific wiring patterns, alter behavior such that errors are gradually reduced.

به دلیل چالش‌های فنی، شواهد مستقیمی‌برای چنین نمایش‌های زمانی هنوز برای سلول‌های گرانول در ناحیه مخچه پستانداران درگیر در تهویه پلک چشم به دست نیامده است. با این حال، تنوعی از الگوهای زمانی در سلول‌های گرانول در ساختاری مشابه مخچه در ماهی مشاهده شده است. به طور گسترده‌تر، مطالعات مخچه، از جمله مواردی که در مورد شرطی‌سازی پلک چشم‌ها انجام می‌شود، تصویری ملموس از اینکه چگونه مدارهای عصبی می‌توانند در یادگیری از طریق آزمون و خطا، میانجیگری کنند، حتی برای یادگیری مهارت‌های حرکتی پیچیده‌تر مانند نواختن یک آلت موسیقی، ارائه می‌دهند. سلول‌های پورکنژ طیف وسیعی از سیگنال‌های مربوط به دنیای بیرونی و وضعیت درونی حیوان (که توسط سلول‌های گرانول منتقل می‌شوند)، با اطلاعات بسیار خاص در مورد خطاها یا رویدادهای غیرمنتظره (که توسط الیاف صعود منتقل می‌شوند) یکپارچه می‌کنند. فیبر کوهنوردی به عنوان یک معلم عمل می‌کند، سیناپس‌هایی را که قبلا فعال بودند ضعیف می‌کند و از این رو می‌توانست در ایجاد خطا نقش داشته باشد. این تغییرات در قدرت سیناپسی، الگوهای شلیک سلول‌های پورکنژ را تغییر می‌دهد و به دلیل الگوهای سیم کشی خاص، رفتار را تغییر می‌دهد به طوری که خطاها به تدریج کاهش می‌یابد.

The cerebellum and cerebral cortex, including the hippocampal region, are foci of intense experimental and theoretical research on learning and memory. Technological advances are opening up new approaches for studying the contributions of synaptic actions, individual cells, and circuits to memory- related phenomena.

مخچه و قشر مخ، از جمله ناحیه هیپوکامپ، کانون تحقیقات تجربی و نظری شدید در مورد یادگیری و حافظه هستند. پیشرفت‌های فن‌آوری، رویکردهای جدیدی را برای مطالعه سهم اعمال سیناپسی، سلول‌ها و مدارها در پدیده‌های مرتبط با حافظه باز می‌کند.

Highlights

نکات برجسته

۱. Neural coding describes how stimulus features or intended actions are represented by neuronal activity. Decoding refers to the inverse process through which neural activity is interpreted to reveal the encoded signals. Mathematical decoding of neural responses can be used to interpret computations being performed by neural circuits and to drive prosthetic devices.

۱. کدگذاری عصبی توضیح می‌دهد که چگونه ویژگی‌های محرک یا اقدامات مورد نظر توسط فعالیت عصبی نشان داده می‌شود. رمزگشایی به فرآیند معکوس اشاره دارد که از طریق آن فعالیت عصبی برای آشکار کردن سیگنال‌های رمزگذاری شده تفسیر می‌شود. رمزگشایی ریاضی پاسخ‌های عصبی را می‌توان برای تفسیر محاسباتی که توسط مدارهای عصبی انجام می‌شود و برای هدایت دستگاه‌های مصنوعی استفاده کرد.

۲. Neural circuits are highly interconnected, but a few basic motifs are used to characterize their functions and modes of operation. Feedforward circuits process information to extract structure and meaning from a sensory stream. Recurrent circuits can perform temporal processing and generate dynamic activity to drive motor responses.

۲. مدارهای عصبی به شدت به هم متصل هستند، اما از چند نقوش اساسی برای مشخص کردن عملکردها و حالت‌های عملکرد آنها استفاده می‌شود. مدارهای پیشخور اطلاعات را برای استخراج ساختار و معنا از یک جریان حسی پردازش می‌کنند. مدارهای برگشتی می‌توانند پردازش زمانی را انجام دهند و فعالیت پویا را برای هدایت پاسخ‌های موتور ایجاد کنند.

۳. Most neurons receive a finely tuned balance of excitatory and inhibitory inputs. Small changes in this balance in response to a sensory stimulus can evoke an action potential output.

۳. بیشتر نورون‌ها تعادل دقیقی از ورودی‌های تحریکی و بازدارنده را دریافت می‌کنند. تغییرات کوچک در این تعادل در پاسخ به یک محرک حسی می‌تواند خروجی پتانسیل عمل را برانگیزد.

۴. Levels of neural activity must often be maintained for many seconds. Networks of recurrent excitation provide one mechanism to produce long- lasting changes in neural output.

۴. سطوح فعالیت عصبی اغلب باید برای چندین ثانیه حفظ شود. شبکه‌های تحریک مکرر یک مکانیسم برای ایجاد تغییرات طولانی‌مدت در خروجی عصبی فراهم می‌کنند.

۵. Synaptic plasticity supports longer-lasting changes in neural circuits that underlie learning and memory. Hebbian plasticity can extract interesting signals from a complex set of inputs without the need for supervision (a “teacher”). Synaptic plasticity in the cerebellar cortex is driven by error signals (a form of supervision) and is used to tune motor responses and learn timing relationships.

۵. شکل‌پذیری سیناپسی از تغییرات ماندگارتر در مدارهای عصبی که زمینه یادگیری و حافظه هستند پشتیبانی می‌کند. انعطاف‌پذیری هبی می‌تواند سیگنال‌های جالبی را از مجموعه پیچیده ای از ورودی‌ها بدون نیاز به نظارت (“معلم”) استخراج کند. شکل‌پذیری سیناپسی در قشر مخچه توسط سیگنال‌های خطا (شکلی از نظارت) هدایت می‌شود و برای تنظیم پاسخ‌های حرکتی و یادگیری روابط زمان بندی استفاده می‌شود.

---

کلیک کنید تا Selected Reading نمایش داده شود

Abbott LF. 2008. Theoretical neuroscience rising. Neuron 60:489-495.

Dayan P, Abbott LF. 2001. Theoretical Neuroscience: Computational and Mathematical Modeling of Neural Systems. Cambridge, MA: MIT Press.

Hebb DO. 1949. The Organization of Behavior: A Neuropsychological Theory. New York: Wiley.

LeCunn Y, Bengio Y, Hinton G. 2015. Deep learning. Nature 521:436-444.

Marr D. 1969. A theory of cerebellar cortex. J Physiol 202:437-470.

---

---

کلیک کنید تا References نمایش داده شود

Buzsaki G. 2015. Hippocampal sharp wave-ripple: a cognitive biomarker for episodic memory and planning. Hippocampus 25:1073-1188.

Buzsaki G, Horváth Z, Urioste R, Hetke J, Wise K. 1992. High-frequency network oscillation in the hippocampus. Science 256:1025-1027.

Diba K, Buzsaki G. 2007. Forward and reverse hippocampal place-cell sequences during ripples. Nat Neurosci
10:۱۲۴۱-۱۲۴۲.

Fusi S, Miller EK, Rigotti M. 2016. Why neurons mix: high dimensionality for higher cognition. Curr Opin Neurobiol 37:66-74.

Litwin-Kumar A, Harris KD, Axel R, Sompolinsky H, Abbott LF. 2017. Optimal degrees of synaptic connectivity. Neuron 93:1153–۱۱۶۴.

Medina JF, Mauk MD. 2000. Computer simulation of cerebellar information processing. Nat Neurosci 3:1205-1211.

Miri A, Daie K, Arrenberg AB, Baier H, Aksay E, Tank DW. 2011. Spatial gradients and multidimensional dynamics in a neural integrator circuit. Nat Neurosci 14:1150-1159.

Oja E. 1982. A simplified neuron model as a principal component analyzer. J Math Biol 15:267-273.

O’Keefe J, Dostrovky J. 1971. The hippocampus as a spatial map. Preliminary evidence from unit activity in the freely-moving rat. Brain Res 34:171-175.

Schrimpf M, Kubilius J, Hong H, et al. 2018. Brain-Score: which artificial neural network for object recognition is most brain-like? bioRxiv doi:10.1101/407007.

Tolman EC. 1948. Cognitive maps in rats and men. Psychol Rev 55:189–۲۰۸.

Wilson MA, McNaughton BL. 1994. Reactivation of hippocampal ensemble memories during sleep. Science 265:676–۶۷۹.

Yamins DLK, DiCarlo JJ. 2016. Using goal-driven deep learn- ing models to understand sensory cortex. Nat Neurosci 19:356–۳۶۵.

---

---

---

---

کپی بخش یا کل این مطلب «آینده‌‌نگاران مغز» تنها با کسب مجوز مکتوب امکان‌پذیر است. 

---

» کتاب مبانی علوم اعصاب اریک کندل
»» فصل قبل: فصل چهارم: مبانی نوروآناتومیکی که مدارهای عصبی با استفاده از آن، به رفتار منجر می‌شوند
»» فصل بعد: فصل ششم: تصویربرداری و رفتار

---

»  » کتاب مبانی علوم اعصاب اریک کندل
»» تمامی کتاب

---