学习笔记:AI揭示神经元如何达成速效性

来源： Neuroscience News 

2025-12-23 报道

原文研究： 

Biomedical Signal Processing and Control

 2025 年 12 期

（DOI: 10.1016/j.bspc.2025.108667）

1 背景与目的
•  速度-准确性权衡（SAT） 是决策基本规律：求快则易错，求准则耗时。

•  传统随机累积模型把 SAT 归因于“阈值调高/调低”，但真实神经元如何实现这一策略仍不清楚。

•  本文用深度学习 + 大规模电生理数据，首次从单细胞放电模式中反推出可解释的 SAT 机制模型。

2 模型框架

🍇多尺度整合设计

🍓微观层面（"树木"）：

称为"基元"的小型神经元回路，基于真实细胞的电和化学原理执行基础计算功能。

例如：皮层中的兴奋神经元通过受谷氨酸影响的突触接收视觉输入，再与抑制神经元密集连接形成"赢家通吃"架构（真实大脑中调节信息处理的机制）。

🍓宏观层面（"森林"）：

涵盖四个脑区（皮层、脑干、纹状体、"紧张性活动神经元"TAN结构），TAN通过乙酰胆碱爆发注入"噪声"，初期确保行为变异性以支持探索式学习，后期被皮层-纹状体连接抑制以提高决策一致性。

3 主要发现
1.  SAT 不是单阈值游戏
•  前额叶-顶叶环路采用三参数协同：
– 基线放电率 ↑（速度压力）
– 输入增益 ↑（放大感官证据）
– 适应性阈值 ↓（更快触发）

2.  神经元身份分工
•  快细胞（窄波形，高初始速率）→ 主导速度情境；
•  慢细胞（宽波形，持续整合）→ 主导准确情境；
•  AI 预测与体内光遗传操纵误差 <5 %。

3.  群体耦合度决定 SAT 曲线形状
•  spike-field 相干性在 20–35 Hz 频段内随速度压力线性增强，提示β 波段同步是“快策略”的生物标记。

💡 突破性发现

(一) "不一致神经元"的发现特性：

约20%的神经元活动高度预测错误，当这些神经元影响回路时模型会做出错误分类判断。

验证：研究团队最初认为是模型异常，回顾动物数据后发现该模式真实存在但此前未被注意。

潜在功能：可能参与规则变化时的探索机制，允许大脑在环境改变时尝试替代方案（与Picower研究所另一项关于人类和动物探索行为的研究结论一致）。

(二) 模型应用前景神经科学研究：

提供连接低水平生理活动（如 spikes、场电位）与高水平认知能力（决策、工作记忆）的桥梁。

疾病研究：模拟疾病相关的回路变化，测试治疗干预。

药物开发：在临床前阶段进行药物疗效测试，降低临床试验风险和成本。

4 验证实验（小鼠 + 猕猴）
•  小鼠：光遗传升高慢细胞阈值 → 反应时↑22 %，准确率↑18 %，与模型预测一致。

•  猕猴：执行视觉搜索-SAT 任务，记录 FEF 区 312 神经元；AI 生成的“虚拟 FEF”放电模式与真实数据相关系数 r = 0.91。

5 神经-AI 互馈
•  AI → 神经：发现“适应性阈值动态”比传统累积模型多解释 27 % 行为方差。

•  神经 → AI：把生物约束写入损失函数后，网络在少 40 % 参数情况下达到同等分类性能，为低功耗神经形态芯片提供算法模板。

6 临床与未来
•  认知衰老/帕金森早期常出现 SAT 受损——可用该模型量化缺损环节（基线？增益？阈值？）。

•  下一步引入实时闭环刺激：当 AI 检测到阈值参数异常时，立即经颅电刺激调控β 同步，有望“在线纠偏”SAT 曲线。

一句话总结
AI 反向工程+电生理验证首次阐明：

神经元通过“基线-增益-阈值”三旋钮协同实现速度-准确性权衡，为决策障碍早期诊断与神经调控干预提供可计算的生物标志物。