果蠅的嗅覺：邊緣系統的訊號前處理

我們常以為像果蠅這樣的小動物靠本能行事，但其實牠們的嗅覺系統展現了出人意料的運算效率。果蠅雖然神經元數量只有人類的十萬分之一，但牠們能迅速辨別氣味、做出趨避反應，甚至學習氣味與經驗的關聯。這一切的關鍵，部分來自牠們「鼻子」最前端的神經運算——也就是「邊緣前處理」(Puri et al. 2024)。

在果蠅的觸角上，每根感覺毛（sensillum）裡住著成對的嗅覺受器神經元（ORN），我們暫且稱它們為 A 和 B。這兩個神經元不是各自單打獨鬥，而是會透過一種稱為「電場耦合（ephaptic interaction）」的方式互相抑制。不同於神經遞質或突觸傳導，這種作用來自細胞間微弱的電場變化，雖然沒接觸，卻彼此干擾。

研究者用數學模型來描述這種互抑過程，其中一個簡化的方程如下：
$$ \tau \frac{\mathrm{d} x_{A}}{\mathrm{d} t}=-x_{A}-Kx_{A}x_{B}^{n}+S_{A}(t)$$
這裡，$x_{A}$是A神經元的活性，$S_{A}(t)$是它偏好的氣味刺激，$K$是耦合強度，而$x_{B}^{n}$是B對A的抑制強度。指數n>1代表抑制是一種「非線性作用」：B神經元只有在活性高時，才會顯著抑制A。這種設計讓神經元能放大「弱趨避、弱吸引」這些模糊訊號，而對強烈反應則反而壓抑。
圖1：果蠅嗅覺系統中的非線性邊緣前處理模型 (A) 果蠅的嗅覺資訊處理流程示意圖。 (B) 在同一感覺毛（sensillum）中的兩個嗅覺神經元（ORNs）會互相影響，透過電場耦合，使彼此的放電頻率產生非線性連動。模型中的參數分別代表抑制強度、交互作用的非對稱性，以及非線性程度。 (C) 模型中A神經元的反應解析解，在不同刺激消失後的動態變化。藍色的A型氣味強度固定，橙色的B型氣味強度逐漸增強。結果顯示，活化B神經元會壓抑A神經元的反應。小圖顯示在對數尺度下，反應呈現兩階段的衰減趨勢。 (D) 感覺毛中ORNs的「喜好傾向（valence）」與其樹突的大小不對稱有關。

圖 2：電場耦合可暫時放大氣味的偏好訊號（valence） (A) 神經元在氣味刺激結束後的放電軌跡，根據不同的耦合強度（K）變化。插圖顯示對應的「偏好訊號放大倍率」。可以看到在有電場耦合時，偏好訊號會被短暫放大。 (B) 偏好訊號放大的最大值，如何隨不同氣味組合（刺激強度）而變化。可以看出放大效果對刺激是「特定」的：當氣味混合接近「中性」時（虛線），放大效果最大。 (C) 模型中不同氣味刺激下的神經放電軌跡（有耦合：實線）。上圖是接近中性的刺激（淡藍色），下圖是強正向偏好的刺激（深藍）。如果沒有耦合（虛線），這些軌跡會是直線。有耦合時，淡藍色軌跡彼此拉開（放大差異），深藍色軌跡反而收斂在一起。 (D) 氣味區分能力（discrimination factor）在中性氣味組合下達到最大（虛線處）。高值表示神經對微小氣味差異更敏感。圖中的方塊代表 (C) 用的刺激組合。 (E–H) 對應 (A–D) 的結果，但刺激是「線性增強」的，而非突然給一個脈衝。可以看到趨勢一致。 (I) 最容易被放大的氣味組合（即最大 valence 放大值所在），分別在刺激結束（實線）與刺激啟動（虛線）下的表現。這些最佳組合明顯受到耦合不對稱參數（q）的影響。 (J) 實驗數據：ab2 感覺毛中兩個 ORN 的電生理記錄，測試不同氣味混合比例。灰色區塊表示氣味刺激的時間段。黑線為模型預測（實線：ab2A，虛線：ab2B），吻合度高。 (K) 模型擬合誤差，隨耦合不對稱參數 q 與非線性指數 n 變化（左圖）。最佳參數位置以黑色方塊標記。右圖顯示參數的標準差（SD），根據子樣本統計所得。

更妙的是，這些處理不是白做的——後端的大腦區（例如 lateral horn 與 mushroom body）會根據這些經過放大／壓縮的訊號做出反應。研究發現，大腦的連接方式竟然也與這些前端的非對稱抑制高度對應，顯示這種前處理已被「整合進整個感覺架構裡」。
圖 3：電場耦合（ephaptic interactions）提升 MB（蘑菇體）中的氣味分類能力 (A) 在假設 AL（觸角葉）中氣味反應是「聚集式」的情況下，不同氣味刺激之間的距離分布圖。灰色為同一標籤（label）的刺激之間的距離，紅色為不同標籤的。灰色的高峰（黑箭頭）顯示：同類刺激通常彼此接近。插圖展示這種「聚集式反應」的概念圖。 (B) 模型中使用的「主響應編碼」（primacy coding）：AL 中反應最強的幾個嗅球（glomeruli）決定該氣味的標籤。黑線表示來自耦合 ORN 的嗅球。 (C) 若氣味刺激為均勻分布，並經由電場耦合變換後，再用 primacy set 指定標籤，則即使是同標籤的刺激，彼此距離也與異標籤的差不多，顯示 AL 反應並不聚集。 (D) 使用支援向量機（SVM）在 AL 層級進行分類，結果分類誤差隨著 ephaptic 參數改變而略有下降，但效果有限。 (E) 將 AL 反應經過隨機擴展與稀疏化，進入 MB（模擬其隨機投射與稀疏反應），同樣進行 SVM 分類。這時加入 ephaptic 作用會大幅降低分類錯誤（注意顏色為對數尺度）。 (F) 比較 MB 稀疏程度（f）與分類誤差的關係。黑線表示無 ephaptic 耦合時，即使有擴展與稀疏化，分類效果仍不佳。紅線表示有耦合時，分類效果隨 sparsity 調整而顯著提升。

簡言之，果蠅雖小，其嗅覺系統卻在感覺毛最前端就開始做「數學處理」了。這樣的早期轉換讓後續學習與決策更有效率；經過巧妙處理的訊號，即使只有較淺的網路也能辨識得很好。

聲明：本文經由 ChatGPT 協助撰寫，人工整編與確認。


撰文：葉宸甫


參考資料：Puri, Palka, Shiuan-Tze Wu, Chih-Ying Su, and Johnatan Aljadeff. 2024. “Peripheral Preprocessing in Drosophila Facilitates Odor Classification.” Proceedings of the National Academy of Sciences 121 (21): e2316799121.

留言

張貼留言