神经科学家揭示大脑如何决定记忆内容

神经科学家揭示大脑如何决定记忆内容 最近的研究发现，海马体中的"锐波涟漪"是一种大脑机制，它决定了哪些日常经历会成为永久记忆，闲暇时的显著涟漪会导致睡眠中的记忆巩固。神经科学家在过去几十年中发现，大脑会在当晚的睡眠中将一些日常经历转化为持久记忆。最近的一项研究介绍了一种机制，它能决定哪些记忆足够重要，可以保存在大脑中，直到睡眠将其永久固化。在纽约大学格罗斯曼医学院研究人员的领导下，这项研究围绕着被称为神经元的脑细胞展开，这些神经元通过"发射"或使其正负电荷的平衡发生波动来传输编码记忆的电信号。在一个名为海马体的大脑区域中，大群神经元有节奏地循环发射信号，在几毫秒内产生信号序列，这些信号可以编码复杂的信息。这些向大脑其他部分发出的"呼喊"被称为"尖波涟漪"，代表了 15% 的海马神经元近乎同时发射的信号，因其活动被电极捕捉并记录在图表上时所呈现的形状而得名。过去的研究将波纹与睡眠中记忆的形成联系在一起，而最近发表在《科学》杂志上的这项新研究发现，紧接着5到20个尖锐波纹的白天事件在睡眠中会被更多地重放，从而巩固为永久记忆。而很少或没有尖锐波纹的事件则无法形成持久记忆。该研究的资深作者、纽约大学朗贡卫生院神经科学与生理学系比格斯神经科学教授、医学博士 György Buzsáki 说："我们的研究发现，尖锐波纹是大脑用来'决定'保留和丢弃什么的生理机制。"这项新研究基于一个已知的模式：包括人类在内的哺乳动物会体验世界片刻，然后暂停，再体验一会儿，然后再暂停。研究报告的作者说，在我们关注某件事情之后，大脑计算往往会切换到一种"闲置"的重新评估模式。这种瞬间停顿在一天中都会发生，但最长的空闲期发生在睡眠中。Buzsaki 及其同事之前已经证实，当我们积极探索感官信息或移动时，不会出现锐波纹波，只有在之前或之后的空闲停顿期间才会出现锐波纹波。目前的研究发现，尖锐的波状三角形代表了觉醒后这种停顿期间的自然标记机制，标记的神经元模式会在任务后的睡眠中重新激活。重要的是，我们知道尖锐的波状纹是由海马"位置细胞"按照特定顺序发射的，我们进入的每一个房间和老鼠进入的每一个迷宫臂都是由这种细胞编码的。对于被记住的记忆，同样的细胞会在我们睡觉时高速发射，"每晚回放记录的事件数千次"。这个过程加强了相关细胞之间的联系。在本次研究中，研究小组通过电极跟踪了小鼠连续运行迷宫的过程，这些海马细胞群尽管记录的经历非常相似，但却随着时间的推移而不断变化。这首次揭示了在迷宫运行过程中，涟漪在清醒时暂停，然后在睡眠时重放。当小鼠在每次跑完迷宫后停下来享用含糖食物时，通常会记录到尖锐的波状瘫痪。作者说，小鼠食用奖励后，大脑就会从探索模式切换到闲置模式，从而出现锐波瘫痪。通过使用双面硅探针，研究小组能够在迷宫运行期间同时记录动物海马中的多达 500 个神经元。这反过来又带来了挑战，因为独立记录的神经元越多，数据就会变得异常复杂。为了获得对数据的直观理解、可视化神经元活动并形成假设，研究小组成功地减少了数据的维数，在某种程度上就像把三维图像转换成平面图像一样，而且没有失去数据的完整性。第一作者、布扎基实验室的研究生杨婉楠（Winnie）博士说："我们努力将外部世界排除在外，研究哺乳动物大脑先天和潜意识中将某些记忆标记为永久记忆的机制。为什么会进化出这样一个系统仍然是个谜，但未来的研究可能会揭示出一些设备或疗法，它们可以调整尖锐的波纹，从而改善记忆，甚至减少对创伤事件的回忆"。编译来源：ScitechDaily参考文献:《海马体锐波涟漪对记忆经验的选择》，作者：Wannan Yang、Chen Sun、Roman Huszár、Thomas Hainmueller、Kirill Kiselev 和 György Buzsáki，2024 年 3 月 28 日，《科学》。DOI: 10.1126/science.adk8261 ... PC版： 手机版：

AI"超人眼"让科学家更进一步了解我们生存环境中最复杂、最神秘的层面

AI"超人眼"让科学家更进一步了解我们生存环境中最复杂、最神秘的层面 大脑是有史以来最复杂的器官。它的功能由数百亿个密集的神经元组成的网络支持，数万亿个神经元连接在一起交换信息和进行计算。试图理解大脑的复杂性可能会令人眼花缭乱。然而，如果我们希望了解大脑是如何工作的，我们就必须能够绘制神经元图谱并研究它们是如何连线的。现在，九州大学的研究人员在《自然-通讯》（Nature Communications）上发表文章，他们开发了一种新的人工智能工具，称为 QDyeFinder，可以从小鼠大脑图像中自动识别和重建单个神经元。这个过程包括用超级多色标记协议标记神经元，然后让人工智能通过匹配类似的颜色组合自动识别神经元的结构。图片来源：九州大学/今井武志"神经科学面临的最大挑战之一是绘制大脑及其连接图。然而，由于神经元非常密集，要将神经元及其轴突和树突从其他神经元发送和接收信息的延伸部分相互区分开来非常困难，也非常耗时，"领导这项研究的医学科学研究生院教授今井武志解释说。"轴突和树突只有大约一微米厚，比人类的标准头发丝还要细100倍，它们之间的空间也更小。"识别神经元的一种策略是用特定颜色的荧光蛋白标记细胞。然后，研究人员可以追踪这种颜色，重建神经元及其轴突。通过扩大颜色范围，可以同时追踪更多的神经元。2018 年，今井和他的团队开发出了 Tetbow 系统，该系统可以用光的三原色给神经元涂上鲜艳的颜色。用七色 Tetbow 标记小鼠皮层 2/3 锥体神经元。用 7 种荧光蛋白（mTagBFP2、mTurquoise2、mAmetrine1.1、mNeonGreen、Ypet、mRuby3 和 tdKatushka2）的组合来观察神经元的密集布线。然后通过 QDyeFinder 程序对 7 通道图像进行分析，以揭示单个神经元的布线模式。资料来源：九州大学/今井武"我喜欢使用的一个例子是东京地铁线路图。该系统有 13 条线路、286 个车站，横跨 300 多公里。在地铁地图上，每条线路都用颜色编码，因此你可以很容易地识别哪些车站是相连的，"论文的第一作者之一、当时的助理教授 Marcus N. Leiwe 解释说。"Tetbow让追踪神经元和找到它们之间的连接变得更加容易"。然而，两个主要问题依然存在。神经元仍然需要手工细致地描记，而且仅使用三种颜色不足以辨别更大的神经元群。研究小组努力将颜色的数量从三种增加到七种，但当时更大的问题是人类对颜色感知的极限。仔细观察电视屏幕，你会发现像素是由三种颜色组成的：蓝、绿、红。我们能感知到的任何颜色都是这三种颜色的组合，因为我们的眼睛里有蓝色、绿色和红色传感器。"而机器则没有这样的限制。因此，我们致力于开发一种能够自动分辨这些不同颜色组合的工具，"Leiwe 说。"我们还使这一工具能够自动将相同颜色的神经元和轴突拼接在一起，并重建它们的结构。我们将这一系统命名为 QDyeFinder。"QDyeFinder 的工作原理是首先自动识别给定样本中的轴突和树突片段。然后识别每个片段的颜色信息。然后，利用团队开发的名为 dCrawler 的机器学习算法，将颜色信息分组，从而识别出同一神经元的轴突和树突。Leiwe 解释说："当我们将 QDyeFinder 的结果与人工追踪神经元的数据进行比较时，它们的准确率基本相同。即使与充分利用机器学习的现有描记软件相比，QDyeFinder 也能以更高的准确率识别轴突"。"研究小组希望他们的新工具能推动目前绘制大脑连接图的工作。他们还想了解新方法能否应用于其他复杂细胞类型（如癌细胞和免疫细胞）的标记和追踪。"也许有一天，我们能读懂大脑中的连接，并理解它们对这个人意味着什么或代表什么。我怀疑这是否会在我有生之年发生，但我们的工作代表着在理解我们存在的也许是最复杂和最神秘的层面方面向前迈出了实实在在的一步，"今井总结道。编译自/ScitechDaily ... PC版： 手机版：

科学家发现脊髓神经机制带来的惊人记忆能力

科学家发现脊髓神经机制带来的惊人记忆能力 日本理化学研究所脑科学中心的竹冈绫（Aya Takeoka）及其团队确定了脊髓中独立于大脑促进运动学习的神经通路。他们的研究结果发表在4月11日的《科学》（Science）杂志上，研究人员发现了两组关键的脊髓神经元，一组是新的适应性学习所必需的，另一组则是学习后回忆适应性的神经元。这些发现可以帮助科学家开发出帮助脊髓损伤后运动恢复的方法。科学家们早就知道，即使没有大脑，脊髓的运动输出也可以通过练习进行调整。这一点在无头昆虫身上得到了最显著的体现，它们的腿仍然可以通过训练来避开外界的提示。到目前为止，还没有人搞清楚这是如何做到的，如果不了解这一点，这种现象就只能是一个怪异的事实。正如武冈解释的那样："如果我们想了解健康人运动自动性的基础，并利用这些知识改善脊髓损伤后的恢复，那么深入了解其潜在机制是至关重要的。在这项研究中，将肢体位置与不愉快经历联系起来的脊髓仅在 10 分钟后就学会了调整肢体位置，并在第二天保留了记忆。而随机接受不愉快经历的脊髓则不会学习。资料来源：理化学研究所在深入研究神经回路之前，研究人员首先开发了一种实验装置，使他们能够在没有大脑输入的情况下研究小鼠脊髓的适应性，包括学习和回忆。每次试验都有一只实验鼠和一只后腿自由悬垂的对照鼠。如果实验鼠的后腿下垂过多，它就会受到电刺激，模仿小鼠想要避免的动作。对照组小鼠在同一时间接受同样的刺激，但与自己的后腿位置无关。即时学习和记忆保持观察仅仅过了 10 分钟，他们就观察到只有实验小鼠进行了运动学习；它们的腿仍然高高抬起，避免了任何电刺激。这一结果表明，脊髓可以将不愉快的感觉与腿部位置联系起来，并调整其运动输出，使腿部避免不愉快的感觉，而这一切都不需要大脑。24 小时后，他们重复了 10 分钟的测试，但将实验小鼠和对照组小鼠颠倒过来。原来的实验小鼠仍然保持着抬腿的姿势，这表明脊髓保留了对过去经历的记忆，从而干扰了新的学习。在脊髓中建立了即时学习和记忆之后，研究小组开始研究使这两种学习和记忆成为可能的神经回路。他们使用了六种类型的转基因小鼠，每种小鼠都有一组不同的脊髓神经元被禁用，并对它们进行了运动学习和学习逆转的测试。他们发现，脊髓顶端的神经元失效后，小鼠后肢无法适应以避免电击，尤其是那些表达Ptf1a基因的神经元。当他们在学习逆转过程中对小鼠进行检查时，发现沉默表达 Ptf1a 的神经元没有任何效果。相反，脊髓底部腹侧的一组表达En1基因的神经元却起了关键作用。当这些神经元在学习回避的第二天被沉默时，脊髓就像从未学习过任何东西一样。研究人员还在第二天通过重复最初的学习条件来评估记忆回忆。他们发现，在野生型小鼠中，后肢比第一天更快稳定地到达回避位置，这表明它们已经记住了。在回忆过程中激发En1神经元可将这一速度提高80%，表明运动回忆能力增强。竹冈说："这些结果不仅挑战了运动学习和记忆仅局限于大脑回路的普遍观点，而且我们还证明了我们可以操纵脊髓运动记忆，这对旨在改善脊髓损伤后恢复的疗法具有重要意义。" ... PC版： 手机版：

科学家发现与饱腹感有关的神经元群体

科学家发现与饱腹感有关的神经元群体 胰高血糖素样肽-1（GLP-1）在发出进食后饱腹感信号方面发挥着重要作用。进食前饱腹感是一种发生在实际摄入食物之前的现象，使动物能够调节体内状态并为变化做好准备。最近，GLP-1 受体激动剂（GLP-1RAs）通过影响食物认知、减弱下丘脑对食物线索的反应以及改变食物适口性的感知，被证明能有效治疗肥胖症。GLP-1 受体激动剂是一种人工合成药物，可模拟因摄入食物而产生的激素 GLP-1。这些研究结果表明，GLP-1RA 可在胃肠道饱食前发挥作用，控制食物摄入量。然而，人们对这些作用的中心机制了解甚少，GLP-1RAs 的作用靶点仍存在争议。在此，Kyu Sik Kim 及其同事展示了一项针对肥胖者的阶段性临床试验结果。研究小组在接受或不接受 GLP-1RA 治疗的基线、进食前和进食阶段进行了饱腹感调查。结果显示，GLP-1RA 治疗可持续提高各阶段的饱腹感指数（整体饱腹感），而对照组的饱腹感指数从基线到进食前阶段均有所下降。在进食前阶段，与基线相比，GLP-1RA 显著提高了饱腹感指数，增强了预期食物摄入、食物奖励和动机饱腹感指数。通过对人类和小鼠大脑样本的分析，Kim等人确定了背内侧下丘脑的神经回路，这些神经回路与这些激动剂相互作用，诱导抑制对食物的欲望。对这些神经元进行光遗传学操作可引起饱腹感，而钙成像技术则证明它们积极参与了对进食前饱腹感的编码。编译自/ScitechDailyDOI: 10.1126/science.adj2537 ... PC版： 手机版：

科学家开发出形成人类人工染色体的新技术

科学家开发出形成人类人工染色体的新技术 能在人体细胞内发挥作用的人造人类染色体有可能彻底改变基因疗法包括某些癌症的治疗方法，并有许多实验室用途。然而，巨大的技术挑战阻碍了它们的发展。现在，宾夕法尼亚大学佩雷尔曼医学院研究人员领导的团队在这一领域取得了重大突破，有效地绕开了一个常见的绊脚石。在最近发表在《科学》（Science）杂志上的一项研究中，研究人员解释了他们是如何设计出一种高效技术，利用单个长的设计DNA构建体来制造HACs的。以前制造 HACs 的方法一直受到以下事实的限制：用于制造 HACs 的 DNA 构建体往往会以不可预测的长序列和不可预测的重排方式连接在一起"多聚化"。新方法可以更快、更精确地制作 HAC，从而直接加快 DNA 研究的速度。假以时日，再加上有效的传输系统，这项技术就能为癌症等疾病带来更好的工程细胞疗法。全面改造 HAC 设计宾夕法尼亚大学生物化学与生物物理学埃尔德里奇-里夫斯-约翰逊基金会教授本-布莱克（Ben Black）博士说："从根本上说，我们彻底改变了HAC设计和输送的旧方法。我们制造的 HAC 对于生物技术应用的最终部署非常有吸引力，例如，需要对细胞进行大规模基因工程的应用。另外一个好处是，它们与天然染色体同时存在，而无需改变细胞中的天然染色体。"首批人工染色体组是 25 年前开发的，人工染色体组技术在细菌和酵母等低等生物较小、较简单的染色体方面已经非常先进。而人类染色体则是另一回事，这主要是因为人类染色体的体积更大，中心粒（即 X 型染色体臂连接的中心区域）更复杂。研究人员已经能够用添加到细胞中的自连接DNA长度来形成小型的人造人类染色体，但这些DNA长度的多聚体具有不可预测的组织和拷贝数这使它们的治疗或科学用途变得复杂，而且由此产生的HAC有时甚至最终结合了宿主细胞中的天然染色体位点，使对它们的编辑变得不可靠。在他们的研究中，宾夕法尼亚大学医学院的研究人员通过多种创新设计出了改进的 HAC：其中包括含有更大、更复杂中心粒的更大初始 DNA 构建体，这使得 HACs 能够从这些构建体的单个拷贝中形成。在向细胞递送时，他们使用了一种基于酵母细胞的递送系统，该系统能够携带更大的载荷。布莱克说："例如，我们没有试图抑制多聚化，而是绕过了这个问题，增加了输入 DNA 构建的大小，使其自然倾向于保持可预测的单拷贝形式。"研究人员的研究表明，与标准方法相比，他们的方法能更有效地形成有活力的 HAC，并能产生在细胞分裂过程中能自我繁殖的 HAC。优势和未来应用人工染色体的潜在优势有很多假定它们可以很容易地输送到细胞中，并像天然染色体一样运作。与基于病毒的基因递送系统相比，人工染色体将为表达治疗基因提供更安全、更高效、更持久的平台，而基于病毒的基因递送系统可能会引发免疫反应，并涉及有害的病毒插入天然染色体。细胞中正常的基因表达还需要许多局部和远距离的调控因子，而这些因子几乎不可能在类似染色体的环境之外进行人工复制。此外，人工染色体与相对狭窄的病毒载体不同，它允许表达大型、合作性的基因组合，例如构建复杂的蛋白质机器。布莱克预计，他的研究小组在这项研究中采用的同样广泛的方法将有助于为其他高等生物制造人工染色体，包括用于农业应用的植物，如抗虫、高产作物等。编译自:ScitechDaily ... PC版： 手机版：

反思大脑设计：人类神经元的独特布线挑战了旧有假设

反思大脑设计：人类神经元的独特布线挑战了旧有假设 新研究发现，与小鼠的循环互动不同，人类新皮质神经元单向交流效率更高。这一发现可能会通过模仿人类大脑的连通性来促进人工神经网络的发展。记录多达十个神经元活动的多补丁实验装置。图片来源：Charité | 彭扬帆新皮质是人类智力的关键结构，厚度不足五毫米。在大脑的最外层，200 亿个神经元处理着无数的感官知觉，规划着行动，并构成了我们意识的基础。这些神经元是如何处理所有这些复杂信息的呢？这在很大程度上取决于它们之间的"连接"方式。夏里特神经生理学研究所所长约尔格-盖格（Jörg Geiger）教授解释说："我们以前对新皮层神经结构的理解主要基于小鼠等动物模型的研究结果。在这些模型中，相邻的神经元经常像对话一样相互交流。一个神经元向另一个神经元发出信号，然后另一个神经元再向它发出信号。这意味着信息经常以循环往复的方式流动"。带有机器人机械手的多通道装置，可在两轮实验之间自动冲洗玻璃移液管。图片来源：Charité | 彭扬帆人类的新皮质比小鼠的新皮质更厚、更复杂。尽管如此，研究人员之前一直假设部分原因是缺乏数据它遵循相同的基本连接原则。盖革领导的夏里特研究小组现在利用极其罕见的组织样本和最先进的技术证明了事实并非如此。在这项研究中，研究人员检查了23名在夏里特接受神经外科手术治疗耐药性癫痫患者的脑组织。在手术过程中，医学上有必要切除脑组织，以便观察其下的病变结构。患者同意将这些组织用于研究目的。神经元的旋转重建。图片来源：Charité | Sabine Grosser为了能够观察人类新皮层最外层相邻神经元之间的信号流，研究小组开发出了一种改进版的"multipatch"技术。这样，研究人员就能同时监听多达十个神经元之间的通信。因此，他们能够在细胞停止体外活动前的短时间内进行必要数量的测量，以绘制网络图。他们分析了近 1170 个神经元之间的通信渠道，以及约 7200 个可能的连接。他们发现，只有一小部分神经元之间进行了相互对话。"人类的信息往往是单向流动的。它很少直接或通过循环返回起点，"该论文的第一作者彭扬帆博士解释说。他曾在神经生理学研究所从事这项研究，目前在夏里特神经学系和神经科学研究中心工作。研究小组根据人类网络结构的基本原理设计了一种计算机模拟，以证明这种前向信号流在处理数据方面的优势。来自多配接装置的微量移液管接近单个神经元。图片来源：Charité | Franz Mittermaier研究人员给人工神经网络布置了一项典型的机器学习任务：从口语数字录音中识别出正确的数字。在这项语音识别任务中，模仿人类结构的网络模型比以小鼠为模型的网络模型获得了更多的正确响应。它的效率也更高，同样的成绩在小鼠模型中需要相当于 380 个神经元，而在人类模型中只需要 150 个神经元。"我们在人类身上看到的定向网络结构更强大，也更节省资源，因为更多独立的神经元可以同时处理不同的任务，"彭解释道。"这意味着局部网络可以存储更多信息。目前还不清楚我们在颞叶皮层最外层的发现是否会扩展到其他皮层区域，也不清楚这些发现能在多大程度上解释人类独特的认知能力。"过去，人工智能开发人员在设计人工神经网络时会从生物模型中寻找灵感，但也会独立于生物模型来优化算法。盖格说："许多人工神经网络已经使用了某种形式的前向连接，因为它能为某些任务带来更好的结果。人脑也显示出类似的网络原理，这令人着迷。这些对人类新皮质中具有成本效益的信息处理的洞察，可以为完善人工智能网络提供更多灵感"。编译来源：ScitechDaily ... PC版： 手机版：