INT J NEURAL SYST：南开张涛教授团队取得类脑智能研究新突破

模式分离（Pattern separation）被计算神经科学领域认为是哺乳动物海马体DG区的主要功能，也是情景记忆形成的关键阶段。了解模式分离的生物学机制不仅有助于理解情景记忆的编码与形成，挖掘多种精神神经疾病的致病机制，也对启发新的类脑智能人工神经网络具有实际价值。

目前，通常采用Hopfield网络模拟海马体情景记忆的存储和检索过程。然而，Hopfield网络中存在的串扰现象（Crosstalk）极大程度上减弱了网络的存储能力。从计算神经科学的视角观看，该问题出现的原因是Hopfield网络主要模拟了海马CA3区的模式完成（Pattern completion），不具备DG区模式分离的能力。因此，一个合理的科学假设是在Hopfield网络之前添加模式分离计算模型可以有效增加其存储容量。

围绕该问题，已有部分研究探讨了DG区实现模式分离的计算机制，指明了对模式分离具有重要作用的神经元类型，构建了涉及多种类型神经元及神经元投射的模式分离模型库，极大的促进了DG区计算模型的发展。

然而，多数自底向上的模型研究通常采用服从泊松分布的随机数发生器赋予突触以权重，而不考虑突触学习在模式分离中的贡献。相比之下，自顶向下的模型研究则不关注DG区的解剖结构细节。这使得，迫切需要一种具有自适应学习能力且具有较高生物合理性的DG区模式分离模型。

2022年5月6日，南开大学生命科学学院张涛教授团队与伦敦大学皇家霍洛威学院骆志远教授合作，在中科院人工智能顶刊《国际神经系统杂志》(International Journal of Neural System)上发表论文“A Feed-Forward Neural Network for Increasing the Hopfield-Network Storage Capacity”（全文地址：https://www.worldscientific.com/doi/ 10.1142/S0129065722500277），基于小鼠海马DG区解剖结构和神经振荡分析提出了一种多层神经网络。

该网络可通过赫布学习（Hebbian learning）增加其输入模式的稀疏性，降低模式间的相似性，并以此增加Hopfield网络的存储能力。本研究的第一作者为南开大学生命科学学院的博士生赵少楷。

模式分离与DG区gamma节律向theta节律的信息流有关

图1：模式分离伴随小鼠海马DG区神经振荡机制的改变

根据文献报道，丰富环境（Enriched Environment，EE）有助于提升小鼠的模式分离能力。因此，作者首先采用8周龄的C57BL小鼠构建了丰富环境模型。

对象模式分离（Object Pattern Separation，OPS）的行为学实验结果表明，相较对照组（CON），EE组小鼠的模式分离水平出现显著增加。水迷宫的结果则表明，EE小鼠具有更好的空间识别记忆能力。

进一步，作者调查了EE小鼠神经振荡机制的变化。结果表明，EE小鼠模式分离的增强伴随着DG区局部场电位theta和gamma节律活动的同时增强和gamma节律向theta节律的信息流。考虑到DG区中，theta与gamma节律分别与fEPSC和fIPSC存在强相关性。作者认为，模式分离水平的增强需要抑制性神经元对兴奋性神经元活动进行调节。

仿DG区人工神经网络结 构设计与算法实现

图2：DG区神经振荡启发的人工神经网络结构及算法流程

作者根据DG区解剖学和神经元形态学的最新进展，构建了仿海马DG区计算模型（Dentate Gyrus Computational Model，DGCM）。该网络的结构模拟了DG区颗粒细胞（GCs）、苔藓细胞（MCs）和中间神经元（INs）的投射路径。

在赫布学习的基础上，根据神经振荡的启发设计了新的算法。新算法包含两个关键点：1)兴奋性和抑制性神经元活动具有比例稳定性；2)抑制性神经元根据输入数据对兴奋性神经元的活动进行引导。最终形成了多层神经网络的驱动算法。算法流程如上图所示。

仿DG区人工神经网可有效增加Hopfield网络的存储容量

图3：DGCM提升了Hopfield网络的存储能力

考虑到海马DG区模式分离主要为了避免其下游CA3区的模式完成出现串扰（Crosstalk）。而目前学术界主要采用Hopfield网络作为CA3模式完成模型。作者采用Hopfield网络验证了DGCM对其存储容量的提升效能。

其结果表明，在标准Hopfield模型的存储容量为0.13N的基线水平下，采用模式分离模型可将其存储容量提升至0.32N。且比在此之前的国外同类型最先进研究水平（0.18N）提升了将近1倍。

仿DG区人工神经网稀疏了GCs活动并增加了模式间距离

图4：DGCM增加了GCs的稀疏性并减少了输入模式间的相似性

作者进一步测试了算法对网络中表征GCs活动的第一层神经元的影响。结果表明，算法可有效降低GCs的活跃性，并增加输入模式间的距离。符合计算神经科学领域对模式分离功能的定义。

总结与展望

在本研究中，作者采用神经振荡启示设计了新型的海马DG区模式分离计算模型。该模型相较传统模式分离模型更具生物合理性（Biology Plausible），且具有实际应用意义。

在理论上，该研究结果表明，模式分离不仅依赖于DG区自身结构，也依赖于神经振荡对突触可塑性的动态调节。未来，该研究旨在继续探究DG区神经发生对模式分离的贡献，通过算法革新增加模型应对更加复杂的输入模式，提升模型的应用价值。

参考文献

Zhao S, Chen B, Wang H, Luo Z, Zhang T. A Feed-Forward Neural Network for Increasing the Hopfield-Network Storage Capacity. Int J Neural Syst. 2022 May 6:2250027. doi: 10.1142/S0129065722500277. Epub ahead of print. PMID: 35534937.

本文经原作者授权发表，版权归原作者所有。