神經妙算

神經科學中有兩個主要的研究方向：一方面，細胞層級的研究著重於單一神經元的獨立運作，以實現高效的信息處理；另一方面，大腦造影等方法則觀察大範圍腦區如何協同合作。澳洲的一支研究團隊利用大規模鈣離子影像造影技術，跨越線蟲、果蠅、斑馬魚、老鼠至猴子等物種進行觀測。他們採用物理學的重整化統計技巧，發現各物種的大腦都能在效率和穩定性間達到優異的平衡，相關研究成果已發表於《Cell》期刊。 研究團隊首先觀察各物種大腦的鈣離子螢光影像，並透過迭代粗粒化技術，按照時間上的神經活性相關性（Pearson correlation）尋找並配對神經元。這一過程中，將兩個神經元（A和B）的活性總和視為一個新的重整化神經元（C），逐漸進行合併（見圖一A）。在合併的初期，大部分神經元組合的相關性接近於零。隨著迭代合併的深入，神經元間的相關性逐漸顯示出高度正相關或負相關（見圖一C），同時訊息冗餘性亦隨之增加（見圖一D），這意味著神經系統能在神經元死亡時仍維持功能不失誤。 圖一、迭代粗粒化測量出不同尺度下，神經運算從微觀重視效率到巨觀重視運算的韌性。 隨著尺度的變化，發現在微觀細胞層級，神經元彼此間相關性低，獨立運作以達到效率最佳化；但在宏觀尺度下，相關性逐漸增強，增加了整個神經系統的韌性。 在進行神經網絡研究時，研究團隊特別關注神經元組合（ensemble）的活性變化範圍，即變異數V，與組合大小K之間的關係。在理想情況下，如果系統中的神經元完全獨立，那麼ensemble的變異數V應該與神經元的數量K呈線性關係（V正比於K）。這表示組合內神經元之間沒有交互作用，每個神經元獨立貢獻其活性的變化。然而，如果神經元間完全相關，則變異數會與神經元數量的平方成正比（V正比於K的平方），這表明ensemble內的神經元活性高度同步。 研究發現，無論是在靜態還是動態條件下，不同物種的大腦神經網絡的行為表現出V與K的1.5次方的關係(圖二)。這一發現表明，神經元間存在著部分相關性，其程度介於完全獨立與完全相關之間。這種部分相關的現象可能反映了大腦如何在保持信息處理效率的同時，增強其對損傷或干擾的韌性。更具體地說，這種1.5次方的關係揭示了神經網絡在組織其內部結構時，如何平衡獨立運作與協同效應之間的動態交互，從而維持適應不同環境和功能需求的能力。 在動態的時間方面，作者則是用自相關係數進行分析(auto-correla...