振荡在神经信息处理中的作用：神经元网络模型以及理论分析

Understanding information coding is crucial to understanding how neural circuits bind sensory information into internal mental representations of the environment. The modern understanding of neural coding focuses on the role of population oscillations. Many mechanisms have been proposed for information processing that rely on gamma- and theta-band oscillations. Most of these models make use of well-timed coherent excitations that provide temporal windows during which spikes can be transferred between neurons or between populations. However the extent to which information transfer can be enhanced by coherent oscillations has not been understood. Our recent work has shown that information contained in the amplitude of an activity packet can be exactly transferred from one neuronal population to another, provided that well-timed gating current pulses are injected. We propose to extend our modeling framework to incorporate oscillatory gating and complex network topologies and study how these ingredients can be used as to construct computational motifs underlying the information coding by neuronal circuits. Furthermore, we will attempt to model large-scale visual information transmission and integration, by building a network model of primate visual pathway. This large-scale model will be constrained by the latest anatomical and functional data. By studying the computational capabilities of this model and delineating its coding mechanisms and dynamical behaviors, we hope to generate experimentally testable hypothesis and insight into visual processing in general.

理解神经元群体放电模式的时空结构及其信息处理的功能是系统神经生物学理论上的一个重要挑战。最新的研究重视网络振荡在神经编码中的作用，但是，虽然已有许多研究工作提出用gamma或theta波段振荡为门控或路由的假说，具体的神经环路机制尚未完全被阐明。最近，本课题组发现在兴奋性前馈网络里，通过适当的选通脉冲，神经群体的活动可以被精确地转移到下游的神经元群，进而提出了脉冲放电模式在神经编码中功能的神经环路模型。本项目将研究神经元振荡在此模型框架中的作用，推广到具有复杂网络性质的神经环路中，探讨神经环路时空放电模式在信息编码中的功能，并通过网络动力学理论分析，开发以振荡为门控或路由的神经环路计算模块。在此研究的基础上，本项目将建立符合灵长类视觉通路解刨连接的多皮层计算模型，利用该模型探讨灵长类视觉信息编码，传递和整合的神经环路基础，并通过大规模仿真和计算，提出可以被实验验证的动态神经生理现象。

如何刻画模式动物多个神经环路和脑区之间的相互作用并揭示其在认知行为中的功能，是神经科学所面临的最困难的科学问题之一。而理解其信息环路结构及其计算功能，将促进对人类的感知、认知以及实用医学方面的研究。本课题研发了一系列针对动态相互作用的模块和数学模型，并利用该计算模块设计实现复杂功能的环路。.在前馈环路里，课题组研发的理论框架可以有效地被利用，通过设计和优化，实现贝叶斯计算。在简化大规模复杂网络方面，课题组利用统计力学理论，推导了一系列的低维粗粒化网络模型，从而研发了神经网络的降维工具，并利用其技术揭示了网络振荡的流形。课题组这一系列工作，不但为计算神经提供了应用数学工具，也可以为神经系统实验科学家提供数据分析方法。