计算模型结合活体成像：初级视觉皮层功能的自组织模式

“Simulating the brain”is an important direction in the brain research, and it will provide an irreplaceable tool to “understanding the brain”. Meanwhile, in the past three years, the artificial intelligence develops dramatically, such as “deep learning” neural network, and may lead to a new round of industrial revolution. However, it is still lack of brain mechanism. To fill the gap between simulating and understanding the brain, it is desirable to find the appropriate interface between simulations and experiments. The goal is to establish the computational model with clear biological meanings, and to double confirm it by in vivo brain functional imaging. We plan to adopt the self organization model based on learning iterations and neighborhood function, which has been successfully applied in the past, to simulate the formation of functional maps; and at the same time, to obtain the time lapsed functional maps by in vivo optical imaging tools. Through side by side comparison between the model and the experiment, we will 1. explain the diversity of the functional maps; 2. explore the inherent interactions between various experimental maps, by introducing the experimental data into the computational model; 3. predict the temporal spatial dynamics of functional maps based on the simulation, and confirm it by specific in vivo experiments. These efforts will enhance the two-way crosstalk of the model and the experiment, and in turn propel the understanding of brain functional organization to a computable and predictable level, and help to improve the “brain like” artificial intelligence.

“模拟脑”是脑研究的重要方向，它将为“认识脑”提供不可替代的研究手段；同时，近三年来，“深度学习”等人工智能研究获得了根本性突破，有望启动新的产业革命，但其脑科学依据不足。消除“模拟脑”与“认识脑”之间的鸿沟，迫切需要找到模拟与实验之间的接口，建立具有明确生理学对应关系的计算模型，并采用活体脑成像验证。采用学习率迭代与相邻相似生理准则的自组织模型，申请人前期的模拟工作与动物实验高度契合，奠定了本申请深入理论研究的基础。我们将进行多种条件下的模拟与预测；同时以活体光学成像佐以双光子成像对初级视觉皮层进行实时、慢性功能成像。通过模拟与实验的紧密结合，1. 解释功能图的多样性表现形式；2. 探讨多变的图形模式下隐含的内在作用规律；3.在模拟中预测时空动态可塑性，进行针对性动物实验，实现两者的交互验证，从而将脑功能组织模式的定性认识提升到可计算、可预测水平，促进计算神经科学和类脑人工智能发展。

本课题采用自组织神经计算网络，第一，模拟生成了多种动物视觉皮层的方位、眼优势、空间频率功能图，与实验数据高度相似。第二，利用该模型进行了预测，在眼优势剥夺情况下，定量预测方位功能图与眼优势功能图在时间与空间上的非线性动力学变化过程；同时，在活体动物的视觉皮层上植入慢性成像窗口，在进行单眼缝合实验的过程中，进行长期、多次内源性光学成像，实验结果与模型预测高度吻合（Neuroscience, 2016a)。并在发育的不同时期，在视觉系统的不同层次上，发现其可塑性具有强度和有无水平上的差异，提示在后续模型中学习率的异质性选择（Frontiers in Neurosci., 2019)。第三，瞄准“深度学习”中多层次的基本框架，我们研究了初级视觉皮层17区与下一级视觉皮层21a之间在方位适应情况下，适应效应的传递效应，通过内源性光学成像、单细胞记录、场电位记录等多种技术手段，发现，其传递效应具有特征依赖性的级联放大效应，为多层级信息传递框架提供了生理学基础(Scientific report, 2017)，发现17区与21a区相似的回馈神经网络，及层次性的差异（Neuroscience, 2018a）,而17区的反馈则对外膝体的方位选择性并没有显著的影响（Neuroscience, 2018b）。同时，我们进一步研究了视觉剥夺情况下，底层的视网膜的可塑性，发现12-24小时的视觉剥夺，会引起视网膜功能的快速下降，该下调会被传递到初级视觉皮层，首次证实在成年动物的视网膜上存在着视觉经验依赖的功能可塑性（Plos One, 2016)。第四，我们已经成功完成了动物成像数据与模拟网络之间的对接，实际的实验数据得以可靠地代入模型，进行功能组织模式的推导、修复和预测，相关结果正在整理投稿中。第五，我们将功能图的研究拓展到猫牙相关皮层，系统研究了其功能反应模式（Neuroscience, 2016b），发现根管治疗并不改变该皮层的功能构筑模式（Neuroscience, 2017,封面文章），但过度的根管治疗则带来皮层反应的敏感化（Neurocience Letters, 2018)。.总体来看，自组织神经计算模型可以模拟、预测、代入并推导真实实验数据；我们也获得了视觉系统从视网膜、外膝体、初级视觉皮层到中级视觉皮层信息传递方式的相关实验数据，并为下一步应用于深层级计算模型奠定了基础。