学习
实践
活动
专区
工具
TVP
写文章

唐世明研究组发表论文揭示猕猴初级视皮层神经元对自然刺激的超稀疏表征

北京大学生命科学学院及麦戈文脑科学研究所唐世明研究组近日在eLife在线发表论文,利用该课题组最新发展的清醒猴双光子成像技术,发现初级视觉皮层V1神经元对自然图片的超稀疏表征。

大脑感觉系统信息处理的一条基本原则,是通过减少冗余来提高编码效率,感觉神经元表征的稀疏性也就反应其编码效率。

但是长久以来,由于缺乏有效的技术手段,对感觉皮层神经元群体编码的稀疏性一直缺乏准确的定量研究,这很大程度上限制了人们对感觉皮层编码机制的理解。

唐世明研究组利用清醒猴双光子成像技术(Neuron, 2017;Current Biology, 2018),同时观测多达1000个初级视皮层V1神经元对2250个自然图片的反应,首次实现了猕猴V1神经元群反应稀疏性的直接测量

结果显示,对单个自然图片刺激,平均仅有千分之五的V1神经元有较强的反应,这比以往利用传统技术、通过间接估算出的V1稀疏性高一个数量级。合作者卡耐基梅隆大学Tai Sing Lee通过分析发现,利用这些稀疏的强反应能以较高精度解码自然图片。

图注:猕猴初级视层对自然图片刺激的超稀疏表征。

(a, b)任意单个自然图片通常只能较好激活少数几个细胞,虽然这些细胞都是可以被适当刺激很好激活的(c)

(d, e)单个刺激激活的神经元群体反应强度的分布

(f, g)单幅图片平均能较强激活0.5%(6/1,225,4.1/982)的V1神经元

这一研究成果表明,初级视皮层V1使用了超出传统理论预测的、更稀疏、更高效的编码方式,这将迫使我们重新思考大脑视觉信息处理的基本原理。

参考文献

1) Tang S et al. (2018) Large-scale two-photon imaging revealed super-sparse population codes in V1 superficial layer of awake monkeys.eLife2018; 7: e33370 doi: 10.7554/eLife.33370

2) Tang S et al. (2018) Complex Pattern Selectivity in Macaque Primary Visual Cortex Revealed by Large-Scale Two-Photon Imaging.Current Biology28, 38–48.

3) Li M, Liu F, Jiang H, et al. (2017) Long-Term Two-Photon Imaging in Awake Macaque Monkey.Neuron, 2017, 93(5):1049.

研究组介绍

唐世明:

北京大学生命科学学院研究员、博士生导师

获第九届中国青年科技奖

入选新世纪“百千万人才工程”国家级人选

获国务院政府特殊津贴

研究成果入选“2005科学发展报告”(共10项突破性成果)

2005年获国家杰出青年科学基金

“科学中国人2004年度人物”

研究成果“果蝇的视觉不变性”入选2004年中国科学家十大发现

实验室研究领域:

研究背景:脑认知与人工智能

如果你想要理解大脑认知的原理、想要突破人工智能,或者说想要构建一个物理系统,使之能像大脑一样感知和思考,应该从哪里入手呢?

广义上讲,大脑是一个计算系统,它大概是由不太复杂但数量庞大的计算单元(神经元)组成的。虽然在发育关键期,外部刺激对大脑神经网络布线有重要影响,但外部刺激和学习记忆应该不是决定性的因素。

通过复杂的刺激训练,并不能使一个规模庞大、但结构简单的神经网络自动产生多少智能。事实上,亿万年缓慢的生物演化,使大脑具有复杂的网络初值,这应该才是智能的关键。

如果我们还没有能力设计出一种比自然演化更高效的算法,自动搜索出智能系统,也没有足够高的智慧或者足够好的运气,直接设定智能系统的初值,那么,从神经生理层面,研究真实大脑的神经线路,将是值得考虑的做法。

视觉认知:

最初级的智能起始于感觉系统,人脑信息输入有超过80%来自视觉,脑认知的内部运作也主要基于视觉概念。

视觉认知主要功能是识别,另一个则是空间定位,这对应于生理学上的What和Where通路。视觉系统的智能体现在视觉不变性,偏离注视点或者大小不同的同一个客体,均能被视觉系统准确快速地识别,而这些视觉客体在视网膜甚至是初级视皮层上的激活区都发生了很大的变化,这也是理解视觉识别的最大障碍之一。

知觉不变性对应了思维的基本元素——概念,进而也是大脑构建知识系统及产生智能的基石,就像是底层的操作系统和汇编语言,虽然艰涩难懂,但却是最终理解脑认知不能回避的问题。

研究方向:

1960年代Hubel和Wiesel的发现或许已经解答了一条简单的线段是如何被识别出来的,即:对于可能出现在各个位置的、不同朝向的线段,大脑都预制了对应的检测细胞。

这种简单策略在识别稍微复杂的图形的时候就会遇到困难,我们或许可以设想大脑预制了针对两条线段组合的细胞,那么三条线段或者更为复杂的图形又该怎么办呢?不幸的是,现实中的图形大多都比线段复杂,识别轮廓中局部线段的朝向,那只是个开始。

真正的挑战在于,视觉系统是如何利用这些分散的朝向信息,识别出一个完整的图形。

我们研究那些比bar稍微复杂一点的图形,例如一条比bar长一点的线段,是如何被大脑识别出来的,进而了解视觉认知最基本的原理。

为此,我们建立了先进的视觉认知行为和神经生理学实验平台,采用电极阵列、光学成像、分子生化、双光子等研究技术,探测视觉皮层复杂的神经线路,研究视觉系统如何同时产生形状识别的选择性和不变性。

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180428G0TW0100?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

关注

腾讯云开发者公众号
10元无门槛代金券
洞察腾讯核心技术
剖析业界实践案例
腾讯云开发者公众号二维码

扫码关注腾讯云开发者

领取腾讯云代金券