利用数学方法探讨神经科学问题 上纽大新研究探索大脑的学习与记忆机制

人类大脑中的数十亿个神经元通过信号彼此沟通，“突触”则是这些信号进行传输的通道。大脑适应新环境、学习新知识的能力与突触的变化有着密切关联——这一过程被科学家称为“突触可塑性”，它对大脑的学习与记忆功能发挥着关键作用。虽然在童年时期，我们便已获取、掌握了诸多关乎生存的基本技能，但随着我们不断接触新的信息和环境，突触的持续可塑性能力需要贯穿一生。

_{突触是连接神经元的“通道”}

近日，上海纽约大学神经科学助理教授任淑彬团队发表新论文，提出一种运用机器学习工具的新方法来研究学习过程中大脑的变化。该方法有望推动计算神经科学领域的未来研究，助力实现对大脑认知功能的深度解析。该论文刊登于爱思唯尔出版集团细胞出版社（Cell Press）旗下的跨学科开放获取期刊《交叉科学》（iScience）。

在神经科学领域，研究突触可塑性是一大挑战，因其需要在学习过程中，对大脑的变化进行长时段的实时监测。长久以来，突触可塑性的理论与实验研究往往相互独立。但任教授作为计算神经科学家，一直在研究中尝试将理论与实验数据相结合，尤其希望借助计算机“网络理论”及数学“动力系统理论”推动对突触可塑性功能形态的进一步认识。

本项研究中，团队将“推断突触可塑性函数”这一神经科学问题转化为一则“矩阵补全”问题。这一数学问题可理解为补全一张大型数据表格中缺失的信息，类似于按用户往期评分为其推荐电影的“网飞大赛电影推荐算法”（该大赛是推荐系统领域的标志性赛事之一，由美国知名影视网站网飞发起）。为解决这个数学问题，上纽大研究团队运用高斯过程回归（GPR）方法，借助神经元活动的实验数据，成功填补了用以描述神经元连接强度随时间变化的矩阵中缺失的数据。

_{GPR方法能够从各种实验环境所得数据中提取突触可塑性的规则}

团队发现，在多种测量条件下，GPR提取可塑性规则的表现均优于其他方法。GPR能够同时提取多个可塑性规则，且对不同程度的数据噪声具有抗干扰能力。近年来，随着神经科学技术的发展，神经元活动群体动态记录水平不断提高，现今已有海量数据可供研究。GPR方法效率高，能够成为分析大量群体记录数据的理想工具。此外，这种方法不仅适用于神经科学领域，还可应用到其他领域的预测问题中。

陈世瑞和杨其鑫是该项研究的共同第一作者。世瑞通过上海纽约大学神经科学暑期学生科研体验项目（SURP）的契机加入了该研究，其鑫作为任教授团队的实习生开始了该项目的研究。任教授高度评价了两位学生在项目中的不懈努力，即使在离开上纽大之后也仍坚持完成研究。

未来，任教授希望能够与实验学家开展合作，在活体实验中测试本次研究提出的GPR方法。她还计划将其拓展为“主动学习”互动性方法。该方法能够根据数据预测神经元连接的变化，并为下一次实验推荐刺激神经元的最佳途径。这些研究方法将助力人们深入理解突触可塑性在学习和记忆中的作用，最终或将推动研发治疗相关疾病的新方法。