大脑至亚细胞的各级计算框架与认知功能--4.兴奋性神经元是大脑存储与计算基础单元-Jia-Guo的财新博客-财新网

一个典型的神经元通过其轴突输出到另一个神经元的树突，上述的稳定连接被称为突触。根据对小鼠的细致分析，每立方毫米的皮层约有7.2×10^8个突触，据此估算小鼠的皮层突触总数为10^11个，人类为~10^14个[1]。更大的大脑中的神经元必须与更多的神经元相连接。大脑皮层平均每个突触在轴突上的间隔为5 μm，在含树突棘的树突上的间隔为0.5 μm [1]，这为在树突上相邻的突触聚集提供了大量的机会。树突棘是兴奋性神经元精确接收信号的亚细胞构造，在记忆和神经计算的章节还会重点介绍。

图1 对人脑颞叶皮层1立方毫米样本的电子显微镜三维重建结果。（A）样本中所有49080个神经细胞和胶质细胞。根据细胞体（细胞核所在位置，不包括树突、轴突延伸）由小到大显示为蓝色至红色。白线分隔的L1至L6即第一层至第六层。(B)脑血管和相关8136个细胞。(C)10531个含树突脊、预计大部分为兴奋性的锥体神经元的细胞，也按细胞体大小显示为不同颜色。(D)4688个基本没有树突脊、预计为抑制性的中间神经元的细胞。来自[2]。

对神经元最基本对分类，按照对下游神经元的作用可分为兴奋性和抑制性，其中数量较多的是兴奋性神经元。传统上理解，兴奋性神经元能够提高下游连接神经元的放电率，而抑制性神经元则会降低下游神经元的放电率。我们在之后的章节会看到这些神经元的各种妙用。兴奋性神经元包括在大脑皮层各层都有分布的锥体神经元（如图2），以及在第4层的兴奋性中间神经元（星状细胞，stellate cells，在仅三层的内嗅皮层等古老皮层区域中层有）。抑制性神经元都属于中间神经元（interneurons）。

兴奋性神经元相对抑制性神经元在细胞数目上是主力（例如图1），在突触数目上也占绝对优势，大脑皮层中80-90%以上的突触连接都是兴奋性突触。大脑皮层第一层中抑制性突触占比略高[2]。

大多数兴奋性突触是从一个锥体细胞到另一个锥体细胞的。主要在顶端的树突接受来自丘脑（thalamus）等处的多个神经元输入（例如图2），而在侧向、与细胞体同层的树突接受同层神经元的输入。多个神经元可以在同一个神经元上形成相邻的突触。这种多对多的连接模式，也是与当前流行的人工神经网络中多个输入一个输出的人工神经元，也存在显著差异。

图2 哺乳动物大脑第一至六层主要的锥体神经元同层与跨层分布。蓝色为突触前的兴奋性细胞，含扣节（bouton）的蓝色轴突为输入。橙色为突触后兴奋性细胞，树突棘未画出。来自。

我们在前文看到，传统神经网络的层与层之间界限分明。而大脑皮层天然包含大量跨层分布的神经元（如图2、3）。跨层的神经元还可能通过电偶作用实现跨层的反向传播（图3）。

图3 模拟研究显示顶端树突在第一层、细胞体在第五层的锥体神经元细胞内电荷可以流动，产生可检测的电流。树突脊未画出。来自[3]。

单个神经元虽然是计算单元，但目前还不能在健康的人类志愿者中进行无创记录。现有的对人脑单个神经元研究，都是癫痫患者开颅植入电极后的记录。功能磁共振成像（fMRI）可以显示那些流向那些脑区的血流有增加，目前已被广泛用于研究健康志愿者的大脑活动。期待未来无创脑机接口技术的成熟，能够直接解码单个神经元活动。

有些突触中，单一钙通道的打开即可导致囊泡释放，而另一些类型的突触释放囊泡，可能需要打开更多的钙通道才可以。这也是神经突触内置的概率特性，有些突触很灵敏，有些突触会过滤掉大部分输入。神经活动也可以改变这些通道数目和类型分布，这也是突触可塑性的重要方面，我们在本书关于学习和记忆的章节会进一步探讨。

人工智能领域至今少有考虑神经元精细结构和异质性。神经元的活动不只是动作电位（action potential，神经元激活时产生的放电与之后的恢复。早年常用于研究的枪乌贼的一根轴突足够大（毫米级），用当时能制作的最细的玻璃来记录它的动作电位，神经电生理研究由此发端。

我们现在知道，很多没有达到动作电位这一阈值的神经元局部活动，也参与了神经元计算，是神经元功能的重要组成部分，而传统上，以及对应的人工智能中的模拟神经元，只认为产生了动作电位才是神经元的输出。单个神经元细胞就需要多个决策树来代表。每个树突的长度、走向、粗细都是相对独立的参数。神经元不应该被简化为同质的。

接下来看一个例子，说明单一神经元的计算能力。当小鼠面对不同倾斜角的光栅时，该单一神经元的细胞体和树突轴的放电活动存在差异（图4），同一个细胞，在光栅呈现不同角度的时候，细胞体与树突都会呈现出不同的放电模式。这说明单个神经元不应被视为一个简单的加权累加函数，而是具有复杂计算功能的。

图4 一个有特定光栅角度偏好的视觉锥体神经元的模拟结果，在树突（dendrite）和胞体（soma）分别有电极检测，可以看到在小鼠看不同角度的光栅时，树突处的电信号更为丰富，而细胞体，即细胞核周边，只有少量较强动作电位信号。来自[4]。

对于单个生物神经元的计算复杂性，有研究声称需要5-6层人工神经网络方能与单一神经元等价[4.7]，上述结论虽然不具代表性，但可佐证本节的核心观点，即单个兴奋性神经元的结构复杂性使其具有远比当前人工智能主流范式下设想的功能复杂性，是相对独立的存储与计算单元，其形态变化与功能参数的变化有关。

参考文献：

[1] Braitenberg, V. & Schüz, A. Cortex: statistics and geometry of neuronal connectivity. Cortex Stat. Geom. Neuronal Connect (1998). doi:10.1007/978-3-662-03733-1.
[2] Shapson-Coe, A., Januszewski, M., Berger, D. R., Pope, A., Wu, Y., Blakely, T., Schalek, R. L., Li, P. H., Wang, S., Maitin-Shepard, J., Neha Karlupia, Sven Dorkenwald, Sjostedt, E., Leavitt, L., Lee, D., Troidl, J., Collman, F., Bailey, L., Fitzmaurice, A., & Kar, R. (2024). A petavoxel fragment of human cerebral cortex reconstructed at nanoscale resolution. Science, 384(6696). https://doi.org/10.1126/science.adk4858

[3] Poirazi, P., & Papoutsi, A. (2020). Illuminating dendritic function with computational models. Nature Reviews Neuroscience, 21(6), 303–321. https://doi.org/10.1038/s41583-020-0301-7

[4] Goetz, L., Roth, A. & Häusser, M. Active dendrites enable strong but sparse inputs to determine orientation selectivity. Proc. Natl. Acad. Sci. U.S.A. 118, e2017339118 (2021).

话题：