人脑包含约860亿个神经元。这些细胞通过发射电信号来帮助大脑存储记忆，并在整个大脑和神经系统中发送信息和命令。
大脑还包含数十亿个星形胶质细胞——这些星形细胞有许多长的延伸部分，使它们能够与数百万个神经元相互作用。尽管长期以来人们认为它们主要是支持性细胞，但最近的研究表明，星形胶质细胞可能在记忆存储和其他认知功能中发挥作用。
麻省理工学院的研究人员现在提出了一个新的假设，说明星形胶质细胞如何可能对记忆存储做出贡献。他们提出的模型架构有助于解释大脑的巨大存储容量，这一容量远大于仅使用神经元所能达到的。
“最初，人们认为星形胶质细胞只是清理神经元周围的环境，但没有特别的理由认为进化没有意识到，因为每个星形胶质细胞可以接触数十万个突触，它们也可以用于计算，”麻省理工学院机械工程和脑与认知科学教授、新研究的作者之一Jean-Jacques Slotine说。
Dmitry Krotov是麻省理工学院-IBM沃森AI实验室和IBM研究的研究人员，他是这篇开放获取论文的资深作者，该论文于5月23日发表在《美国国家科学院院刊》上。Leo Kozachkov博士 '22 是该论文的主要作者。
记忆容量
星形胶质细胞在大脑中有多种支持功能：它们清除碎片，为神经元提供营养，并确保足够的血液供应。
星形胶质细胞还伸出许多细长的触手，称为过程，每个过程可以包裹一个单独的突触——两个神经元相互作用的连接点——从而形成三部分突触。
在过去几年里，神经科学家已经证明，如果海马区的星形胶质细胞和神经元之间的连接中断，记忆存储和检索就会受损。
与神经元不同，星形胶质细胞不能发射动作电位，即传递信息的大脑中的电信号。然而，它们可以通过钙信号与其它星形胶质细胞通信。在过去几十年中，随着钙成像分辨率的提高，研究人员发现，钙信号还允许星形胶质细胞与其关联的突触中的神经元协调活动。
这些研究表明，星形胶质细胞可以检测神经活动，从而改变自身的钙水平。这些变化可能会触发星形胶质细胞释放胶质递质——类似于神经递质的信号分子——进入突触。
“神经元信号和星形胶质细胞到神经元信号之间存在一个闭合的循环，”Kozachkov说。“未知的是，星形胶质细胞从神经元感知到的信息可以进行什么样的计算。”
麻省理工学院团队着手建模这些连接可能在做什么以及它们如何对记忆存储做出贡献。他们的模型基于霍普菲尔德网络——一种可以存储和回忆模式的神经网络。
霍普菲尔德网络最初由John Hopfield和Shun-Ichi Amari在20世纪70年代和80年代开发，常用于模拟大脑，但已证明这些网络无法存储足够的信息来解释人脑的巨大记忆容量。一种更新的、修改后的霍普菲尔德网络版本，称为密集联想记忆，可以通过多个神经元之间的更高阶耦合存储更多信息。
然而，不清楚大脑如何在假设的突触处实现这些多神经元耦合，因为传统的突触只连接两个神经元：一个突触前细胞和一个突触后细胞。这时星形胶质细胞就派上了用场。
“如果你有一个神经元网络，它们以配对方式耦合，那么你只能在这些网络中编码非常少量的信息，”Krotov说。“为了构建密集联想记忆，你需要耦合超过两个神经元。
“由于单个星形胶质细胞可以连接许多神经元和许多突触，因此很容易假设可能存在由这种生物细胞介导的突触间信息传递。这是我们开始思考如何在生物学中构建密集联想记忆的最大灵感来源。”
研究人员在他们的新论文中开发的神经元-星形胶质细胞联想记忆模型可以存储比传统霍普菲尔德网络多得多的信息——足以解释大脑的记忆容量。
复杂的连接
神经元和星形胶质细胞之间广泛的生物学连接支持了这种模型可能解释大脑记忆存储系统工作的想法。研究人员假设，在星形胶质细胞内，记忆通过钙流模式的逐渐变化来编码。这些信息通过星形胶质细胞过程连接到的突触释放的胶质递质传递给神经元。
“通过仔细协调这两件事——细胞内的时空钙模式和向神经元的信号传递——你可以获得实现这种大规模增加记忆容量所需的动态，”Kozachkov说。
新模型的一个关键特征是它将星形胶质细胞视为一系列过程，而不是单一实体。每个过程都可以被视为一个计算单元。由于密集联想记忆的高信息存储能力，存储的信息量与计算单元数量的比例非常高，并且随着网络规模的增大而增长。这使得系统不仅具有高容量，而且能效高。
“通过将三部分突触域（星形胶质细胞与突触前和突触后神经元动态交互）概念化为大脑的基本计算单元，作者认为每个单元可以存储的模式数量与网络中的神经元数量一样多。
“这导致了一个惊人的推论，即原则上，神经元-星形胶质细胞网络可以存储任意大量的模式，仅受其大小的限制，”多伦多大学克雷姆比尔研究所生理学助理教授Maurizio De Pitta表示，他并未参与这项研究。
为了测试这个模型是否准确地代表了大脑如何存储记忆，研究人员可以尝试开发精确操纵星形胶质细胞过程之间连接的方法，然后观察这些操作如何影响记忆功能。
“我们希望这项工作的一个后果是实验者会认真考虑这个想法并进行一些实验来测试这个假设，”Krotov说。
除了提供关于大脑如何存储记忆的见解外，这个模型还可以为从事人工智能研究的人提供指导。通过改变过程到过程网络的连接性，研究人员可以生成大量模型，这些模型可以为不同的目的进行探索，例如在密集联想记忆和大型语言模型中的注意力机制之间创建连续体。
“虽然神经科学最初启发了人工智能的关键思想，但在过去50年的神经科学研究中，对人工智能领域的影响很少，许多现代人工智能算法已经偏离了神经类比，”Slotine说。“在这种意义上，这项工作可能是第一个受到最近神经科学研究启发的对人工智能的贡献。”
(全文结束)
