果蠅嗅覺迴路或許能幫你找出相同的圖片

果蠅嗅覺的神經迴路結構分成三大部分,一是嗅覺受器(odorant receptor neuron, ORN)至投射神經元(projection neuron, PN),二是PN會各以不同的模式投射至下游位於蕈狀體(mushroom body)的Kenyon cell(KC),最後KC會受到來自前側配對(anterior paired lateral, APL)的負回饋抑制,使得約只有前5%的KC能發出神經電位。ORN至PN的關係是一對一投射,約為五十種對五十,然而PN則是隨機投射至部分KC,KC總數達2000之譜。
氣味辨識過程可以想像是對於每個不同氣味貼上不同標籤,以不同神經元組合激發呈現,不同氣味間重複激發的神經元應該很少。ORN對於每種氣味,反應激發率(firing rate)呈自然對數機率分布,且分布的平均值受氣味濃度影響。而ORN投射至PN的過程可視為標準化,不論輸入濃度為何,最後得到的是被激發的PN組合,在此就將氣味辨識跟強度辨識分開處理。接著,PN投射至KC的組合可視為一個稀疏邏輯隨機連結矩陣(sparse, binary random connection matrix),每個KC約接收來自六個隨機PN的軸突。第三個APL的抑制步驟是個贏者全拿(winner-take-all)的迴路,只有firing rate在前5%的KC能往下游傳訊,也就是所謂的氣味標籤。加州大學聖地牙哥分校與沙克研究所的研究團隊將此過程作以下解釋:在計算機科學的觀點來看,將不同氣味貼上標籤,就如雜湊函數(hash function)一樣,所以嗅覺迴路成了改善雜湊演算法的契機。
嗅覺標籤特殊之處在於,相似的氣味得到的標籤也比較相近,也就是說氣味標籤是局部敏感的(locality-sensitive),所以果蠅嗅覺迴路在Dasgupta等人的工作下,被轉換成一種局部敏感雜湊演算法(locality-sensitive hash, LSH),經常應用於相似搜尋。以相似圖像搜尋為例,每張圖片可以以一個多維度的向量表示圖片的各項特徵,對應到果蠅ORN約50維度的輸入,經過三步驟運算,越相近的圖片會得到越相近的雜湊標籤(hash tag),與傳統LSH演算法比較,同樣的複雜度下,果蠅LSH的表現明顯勝過傳統LSH。說不定下回使用Google的圖片搜尋,背後是果蠅的嗅覺迴路幫你找的喔!

撰文:姚皇宇




原始論文:Dasgupta, S., Stevens, C. F. & Navlakha, S. A neural algorithm for a fundamental computing problem. Science 358, 793–796 (2017).
http://science.sciencemag.org/content/358/6364/793

留言