所有分类
尽管神经科学取得了进步，但大脑仍然是一个黑盒——甚至没有人知道有多少不同类型的神经元存在。现在，索尔克研究所的一位科学家利用数学框架更好地理解了不同类型的细胞是如何在它们之间进行分裂的。
该理论发表在2017年6月7日的《神经元》(Neuron)杂志上。该理论可能有助于揭示细胞类型如何获得更高的效率和可靠性，或者在劳动分工不那么有效的情况下，疾病是如何产生的。
Salk计算神经生物学实验室的副教授Tatyana Sharpee说，她同时也是Helen McLoraine发育主席。“例如，在大脑中，我们还不知道不同细胞类型的数量，关于什么是细胞类型的争论还在继续。”有了这样一个理论框架，我们就可以集中精力通过实验来理解生物的复杂性。
在20世纪50年代，信息论被用来研究如何以最经济有效的方式发送信息，同时最小化错误。这个理论也适用于大脑神经元之间的交流。Sharpee利用信息论来识别控制生物复杂性的基本规律，他说，信息论可以帮助预测一个系统中有多少种不同的细胞类型，以及这些细胞类型应该如何协同工作。
Sharpee和他的同事在2015年的《美国国家科学院院刊》上发表了这一观点，解释了为什么蝾螈视网膜中对光线变暗敏感的神经元分裂成两种亚型，而对光线变暗敏感的神经元则不会分裂。结果表明，对光线变暗敏感的神经元比对光敏感的神经元更可靠。对暗敏感的神经元可靠性的提高意味着它们可以分别代表不同强度的信号，而对光敏感的神经元必须协同工作，从而有效地平均它们的反应。
这个理论在现实生活中也有类似之处，Sharpee解释说:“当培训生是新人时，管理者通常会把同样的任务分配给几个人。如果他们得到了相同或非常相似的答案，经理可以对工作更有信心。学员一旦熟练，管理者就可以充分信任他们，让他们承担更具体的任务。
在这个类比中，不太可靠的神经元就像受训者，他们的答案需要平均，因为他们的答案可能都有点偏差。更可靠的神经元是熟练的工人，他们可以被分配不同的任务，因为每个人的准确性是可信的。
在这篇新的论文中，Sharpee进一步描述了这些观点如何被推广，以帮助我们理解不同的蛋白质(比如首先帮助我们在大脑中产生信号的离子通道)如何划分输入范围，从而为机体实现更高的整体效率。基于信息论，这些论点也可以应用于神经科学之外。
“我们在视网膜上测试的理论可以帮助我们理解许多其他系统的复杂性，因为如果你有嘈杂的输入输出元素，最好对它们的输出进行平均。”如果这些元素的功能稍微强一点，它们就可以更加具体，并划分动态范围，”Sharpee补充说。她正在与多个小组合作，测试和扩大应用范围，如炎症、情绪障碍、新陈代谢和癌症。
所有评论仅代表网友意见，与本站立场无关。
我要评论