神经信息学与计算神经科学的前沿问题

神经信息学与计算神经科学的前沿问题神经信息学与计算神经科学的前沿问题——香山科学会议第367次学术讨论会综述作为神经科学和信息科学相结合的神经信息学已成为发达国家相互竞争的科学技术的一个制高点。

发达国家都加强了对神经信息学和计算神经科学研究的投入。

在国际上计算神经科学已是成熟的研究领域。

可以预料，通过实验和理论的紧密配合，神经信息学在下一个十年到二十年内将有一个高速的发展。

2010年3月23日至25日，以“神经信息学与计算神经科学的前沿问题” 为主题香山科学会议第367次学术讨论会在北京召开。

唐孝威教授、郭爱克研究员、吴思研究员、翟健教授和梁培基教授担任会议执行主席；国内外生物、数学、物理、计算机、电子、通信与自动控制等学科领域的40多位专家学者应邀参加了会议。

与会专家围绕四个中心议题：神经编码的理论及实验基础；不确定和不稳定的神经系统如何处理信息；大脑内记忆及决策的神经生物学基础；神经系统的学习机制以及复杂网络在神经计算中的应用，就神经信息学和计算神经科学的现状和未来发展前景，所面临的机遇以及挑战进行了深入的学术交流和热烈的讨论。

神经信息学与计算神经科学的研究发展、现状及挑战吴思研究员做了题为“计算神经科学的发展、现状及挑战”的主题评述报告，系统的介绍了计算神经科学的研究内容、发展简史和研究现状。

他指出计算神经科学的目的是用数学模型和方法来阐明神经系统的工作原理，以及发展具有人工智能的信息处理算法。

计算神经科学是一门快速发展的，结合神经生物学、医学、人工智能、数理、工程学及信息学的交叉学科。

他回顾了计算神经科学取得的重大进展：上世纪三十年代到七十年代McCullough-Pitts神经元、Hodgkin-Huxley模型等；八十年代后期的人工智能、Hopfield模型和统计力学、现代神经生理学的发展；世界范围内的神经科学年会（如NIPS,CNS,Cosyne等），各种短期讨论班（Woods Hole, Europe, Okinawa等）以及计算神经科学的新杂志（Neural Computation, J. Computational Neuroscience等）。

当前，实验神经科学快速发展（电生理记录手段、系统神经科学、成像技术）；而传统人工智能研究进入瓶颈。

他总结了国内计算神经科学的重点发展领域：神经信息的编码机制；学习、记忆的神经网络机制；感觉系统及不同感觉模式之间信息整合的计算理论；简单模式动物的神经系统研究；大尺度神经元网络的计算特性；高级认知行为的计算模型；脑功能研究中的数据分析；计算神经科学与人工智能。

同时，他认为中国经济的高速发展、政府科研经费的大规模投入、数目巨大的高质量的学生资源和交叉学科研究人员是计算神经科学在中国发展的机遇，另一方面，面临以下挑战：科学家数目少；没有大规模的成形的研究中心；在领域内还缺乏国际级的领军人物；所发表的论文受到的关注还较少；计算和实验神经科学家之间的紧密合作有待提高；国家对该领域的投入还太少；公众对该领域的重要性还远远认识不够。

郭爱克研究员做了题为“计算神经科学的使命：脑工作的计算原理”的主题评述报告，指出计算神经科学应当在脑科学的沃土上“生根,开花,结果”；应当在脑-智领域里“经风雨，见世面”；应当在诠释脑的工作原理上有所作为。

他分析了脑与认知科学的战略地位。

生命科学正在实现着从基因组学，到蛋白质组学，再到神经联结组学（connectomics）的转变。

随着后基因组时代的到来，将会极大地改变生命科学的面貌，从根本上展示了生命世界多样性和生命本质一致性之间的辩证关系。

“脑彩虹”技术神经“光开关”功能磁共振成像（fMRI）等是脑功能研究的重要手段。

动物和人类的基本的认知活动是学习、记忆和做出抉择。

他介绍了在对果蝇的两难抉择研究中发现并证明果蝇具有面对两难局面有“趋利避害”的抉择能力，还初步证明了果蝇脑中的蘑菇体和多巴胺共同参与这一过程。

在将果蝇脑中的蘑菇体和多巴胺系统，与灵长类的犒赏系统和OFC脑区的功能加以比较时，发现它们在处理记忆与抉择任务时，对于价值和后果的评估有相通之处，可能共享类似的神经计算原则。

讨论中，方锦清教授指出：大脑有自动搜索记忆的能力，如同混沌吸引子具有遍历性质。

记忆的突然涌现是多种机制混合的结果。

蒋田仔研究员强调，从网络层面研究脑信息加工的重要性，比如离散磁共振成像技术可以从宏观上构建脑网络、分析脑信息传递的特性。

林龙年教授指出，研究记忆藏在哪里很重要，但更重要的是谁在找寻记忆，是否存在意识指针。

郭爱克研究员认为：记忆是集群的神经元的放电模式，是活动的编码状态。

帅建伟教授建议将哲学问题科学化，从实验层次上进行具体研究。

吴思研究员指出，传统人工智能是算法驱动的，很难模拟出人的智能；人工神经网络更多考虑的是工程应用，忽略了很多生物学细节；刘增荣教授强调，需根据实际背景合理假设，将数理推理与神经生物学有机的结合，使其成为真正的交叉学科。

毕国强教授指出，神经信息学与计算神经科学中，理论研究者与实验研究者的交流不够，要真正理解神经系统的基本规则需要不同思考方法的融合。

张丽清教授认为，在机器学习角度看计算机视觉研究的瓶颈问题在于：复杂场景下机器的认知、识别、分类等问题；用计算机表征网络层次上的视觉信息问题，在应用实现上缺乏机理性和结构性的研究。

神经编码的理论及实验基础神经元群体的协同放电活动是神经系统中普遍存在的一种现象。

相关研究对协同放电活动的类型、形成机制及其作用进行了探讨。

尽管目前对其具体的生理作用和存在意义仍然存在争议，但多项研究结果提示协同放电活动有效参与了神经信息编码和生物体的行为活动，具有重要的生理意义。

感觉神经元的基本功能是将外周刺激信息以动作电位(脉冲)序列的方式传向高位中枢，进而形成特定的感觉。

神经纤维的脉冲序列如何携带特定的刺激信息是一个未解之谜。

通常，脉冲序列的频率或单位时间的脉冲数与刺激强度显示一定的相关性，然而复杂多变的时间模式与刺激信息的确定性关系却难以作出判定。

实验发现，“非周期敏感”与“临界敏感”等现象提示刺激引起的脉冲序列反应依赖于神经元所处的动力学状态。

神经元兴奋性的分类及其间的转型过程也招致同样刺激引起多种不同的脉冲序列反应模式，表明神经信息编码具有多样化的性质，此时，刺激信息的性质与时间成分如何在脉冲模式的演化中传递表达仍不清楚。

在C类神经纤维研究中发现“传导编码”提示脉冲序列在轴突的传导过程还可能存在一种新异的动态编码。

混沌脉冲序列通过突触传递提示突触系统具有传递复杂时间结构的能力，这一信息传递过程的生物学功能意义有待深入探讨。

“快速眼动的神经和心理机制”的专题报告，介绍了人类心理学研究和电生理研究以及猴子的电生理研究的最新实验数据，并探讨扫视抑制和稳定的视觉重映可能发挥的作用。

在灵长类动物中，视中央凹是视网膜上最灵敏的视觉区域，直接在视觉场景中凝视有趣的对象。

心理物理学实验研究发现，视觉系统在扫视前（100毫秒），扫视中和扫视后不久（100毫秒）会减少其敏感度。

视觉科学家提出，扫视期间的视觉灵敏度降低，源于眼球运动引起的不安感，以此减轻视觉稳定扫视的伤害。

与会专家经过讨论认为：（1）运动是重要的信号，可以调节感觉系统；运动信号对神经编码的调制作用是一个重要的问题；（2）所谓的编码模式（频率编码、时间编码、群体编码等等）是人为定义的，将编码与信息传递过程结合起来才有意义；（3）神经信息传导丢峰现象可能是大脑的主动行为，对于大脑记忆非常重要；（4）数学与实验数据的混沌是有区别的，希望找到混沌编码的规律。

不确定和不稳定的神经系统如何处理信息稳定性问题和定量与定性问题是神经信息学需要解决的关键问题。

神经系统信息过程是定量的，定性理论很难分析定量过程。

用不稳定系统来定量地高灵敏地检测小信号与用不稳定系统来实现高分辨率定量化，这是一个矛盾。

脑神经系统的背景活动过程基础噪音活动对神经系统的信息处理和学习以及记忆过程有着重要的意义。

最近，所谓的“神经雪崩”在大脑信号中被观察到，这种现象有可能证明这些临界态动力学的存在。

讨论中，专家们认为，序空间网络模型的性质还需要更深入的探索；脑电信号的背景活动状态是随机的但具有某种规律性；研究神经元放电从周期状态到混沌状态的转换过程以及神经雪崩十分重要。

大脑内记忆及决策的神经生物学基础动物和人类的学习能力源于神经系统，过去十几年间的实验研究表明，神经元的突触链接可以很容易地通过神经元活动而改变。

理论研究表明，通过各种形式的突触修饰，使神经元网络具有重新配置自身的能力，存储信息，并建立新的输入/输出功能，从而完成学习任务。

特别地是放电时间依赖的可塑性（STDP）被认为是生理学中相应细胞的学习律。

最近的研究表明，STDP规则可以通过神经元放电的历史和调整而显著地改变。

这些新的规则在学习计算的研究有重要意义。

由Donald Hebb（1949）提出的突触“学习”假说——阐述认知或学习如何通过诱发持续的神经元放电引起长时程的神经元通讯效能的变化，亦称为Hebbian突触可塑性。

Hebbian突触修饰的发生伴随着神经元整合输入信息功能的可塑性，表现为一类“非突触”功能修饰，这可能为大脑的记忆存储提供一个新的细胞学机制。

与会专家认为：（1）LTP/LTD是研究学习记忆的重要模型，还需要更有效的机制来解释复杂的生物系统的学习和记忆；（2）学习记忆是宏大的功能，研究的角度不同其对应的过程也不一样，在主要研究框架未出现前，使用还原论方法是必要的；（3）关于封闭图形的眼动实验发生在下意识状态，还可考虑研究动态图像对视觉系统的刺激。

神经系统的学习机制以及复杂网络在神经计算中的应用研究发现大脑具有小世界效应和无标度特性。

现有的图像技术还没有做到投影神经元（微观尺度）层次，因此目前主要从大脑功能功能这个大尺度上来探索。

大脑功能性网络的构建尚存在两个问题，需要进一步研究：第一，是如何在短时窗内准确估计多通道信号之间的相互关系；第二，如何确定用于构建网络的阀值，至今还没有一个令人信服的设定阀值的方法。

在“生物神经网络系统的动力学与认知功能”的专题报告中，介绍了复杂网络系统的一些基本特点，根据生物神经系统的生理结构和理论模型，从细观、介观和宏观三个层次去划分神经网络系统的研究对象，分析结构性与功能性神经网络系统的复杂性特征。

还介绍了神经网络动态特性的一些重要进展，包括神经元的复杂放电模式、耦合神经元网络系统的同步活动和时空动力学、大脑联合皮层神经微回路的网络结构特征等，并对今后计算神经科学和认知神经科学研究给出展望。

近二、三十年来，神经动力学研究比较系统地揭示了神经元兴奋的动力学性质。

具有不同兴奋动力学性质的神经元的计算功能表现在神经元网络的集体行为中。