Course Introduction

1.1 Course Introduction

三种模型

1. Descriptive models of the brain（描述型, what）：神经元如何对外部刺激做出反应？用神经元编码模型如何量化描述？如何从神经元中获取信息（解码）？
2. Mechanistic models of brain cell and networks（机理, how）：如何在电脑上模拟单个神经元行为或模拟神经网络？
3. Interpretive(or Normative) models of the brain（解释型, why）：为什么脑回路以这种方式运作？特定功能的计算原则？

1.2 Computational Neuroscience: Descriptive Models

计算神经学的定义？

1. The goal of computation neuroscience is to explain in computational terms how brains generate behaviors. — T.Sejnowski
2. Computational neuroscience provides tools and methods for “characterizing what nervous system do, determining how they function, and understanding why they operate in particular ways”. — P.Dayan and L.Abbott

Receptive Fields 感受野

1. 定义：能够引起被测细胞强烈反应的所有感官刺激的具体属性的总和。

2. 视网膜的两种Center-Surround感受野：
   
   On-Center Off-Surround：在中央区域变亮或周边区域变暗时，神经元有反应。
   Off-Center On-Surround：在中央区域变暗或周边区域变亮时，神经元有反应。

3. 来自视网膜（Retina）的信息被传输到外侧膝状体核（Lateral Geniculate Nucleus, LGN），然后信息又被传递到大脑枕叶，一个叫做初级视皮层(Primary Visual Cortex, V1)的区域。
   

4. 还有各种定向感受野（Oriented receptive field），和方向指向有关。

1.3 Computational Neuroscience: Mechanistic and Interpretive Models

定向感受野是如何由中央-周边感受野得到？

观察视觉系统的神经解剖结构，一个V1神经元会接收多个LGN神经元的信号，为了得到定向感受野，需要排列所有输入信号，使其叠加成想要的样子。（但未考虑V1细胞间的递归通路）

定向感受野具有怎样的计算优势？

1. Efficient Coding Hypothesis：大脑进化的目的是利用已有神经元高效且保真地将图像呈现出来。
2. 每个感受野都进行了加权（神经元反馈），它们的线性组合会呈现出一个特定的图案。
3. 目标就是找到感受野，使得一组图之间的像素级别误差最小化。

三种高效编码算法：

1. 稀疏编码 Sparse coding
2. 独立成分分析 ICA
3. 预测编码 Predictive coding

1.4 The Electrical Personality of Neurons

神经元学说（Neuron Doctrine）

1. 神经关于是大脑最基础的结构与功能单位。
2. 神经元是离散的，并不与其他细胞相连接。
3. 信息由树突经过胞体然后到达轴突，即：信息➡树突➡胞体➡轴突。

axon：轴突
EPSP（Excitatory Post-Synaptic Potential）兴奋性突触后电位

什么是神经元？

1. A leaky bag of charge liquid.
2. 细胞膜是磷脂双分子层，选择性透过Na+, Cl-。K+在膜外，少量存于胞内。
3. 嵌入在细胞膜上的离子通道允许离子进出，也就是动作电位的产生。
4. 神经元独特的电位由其细胞膜内外的电压差维持。若膜外0mV，则膜内是-70mV，即静息电位，它是由外部高浓度导致，尤其是Na+和Cl-，维持这种浓度差的离子泵持续将Na+排到膜外，并使K+进入膜内（需要消耗能量）。

如何改变某个神经元的局部膜电位？

离子通道 Ionic channels

1. 它是嵌在细胞膜中的蛋白质，选择性控制离子进出。
2. 离子通道是“门控”的（gated）：
   ①Voltage-gated：开放的可能性取决于膜电压。
   ②Chemically-gated：某些化学物质与离子通道结合使其打开。
   ③Mechanically-gated：对于压力或拉力敏感。

Gated Channels allow Neuronal Signaling

局部膜电位变化会引起通道的开关，也会导致去极化（depolarization，电压升高）或超极化（hyperpolarization，电压降低）。足够强的去极化可以引发一个脉冲或动作电位。

神经元输出：动作电位（脉冲）

髓鞘的形成

少突触质细胞会围绕树突周围生长，称为“鞘”，它们不允许电荷通过（绝缘鞘）；但保留了部分区域不被髓鞘包裹，称为兰氏结。髓鞘化后的神经元允许快速、远距离的通讯脉冲胞体制造的动作电位可以从一个兰氏结传到另一个兰氏结（“跳跃式传导”），即Active wire，动态接线，达到无损信号传递。

1.5 Making Connections: Synapses

什么是突触（Synapse）？

1. 突触是两个神经元之间的一种连接或交点。
   ①Electrical synapses使用间隙连接（gap junction），神经元A的活动导致内外离子浓度变化，进而导致突触间隙离子浓度变化，然后导致神经元B的活动（尽管它们俩没贴贴）；对神经元之间的快速交流十分有帮助；常用于同步几组神经元及快速交流。
   ②Chemical synapses使用神经递质（neurotransmitters），spike➡囊泡（内有神经递质）➡囊泡与细胞膜融合释放神经递质➡神经递质进入突触间隙与下一个神经元细胞膜上的受体结合打开Chemically-gated Ionic channels➡引起膜电位变化（电➡化➡电）。

化学突触可以通过改变一侧的离子通道数（或密度）来改变神经元受到的脉冲影响（如通过减少离子通道数使得神经元B兴奋性下降），因此Chemical synapses被认为是学习和记忆的基础。

突触可以是兴奋性也可以是抑制性

神经元A和B通过突触相连，称A是突触前神经元，B是突触后神经元。兴奋性指的是倾向于增加突触后膜电位，抑制性则是倾向于降低突触后膜电位。

The Synapse Doctrine 突触假说：突触是记忆和学习的基础。

大脑如何学习？突触可塑性（Synaptic Plasticity）

**Hebbian Plasticity：**如果神经元A重复参与神经元B的激活，那么A到B的突触就会被增强。
Neurons that fire together wire together. 神经齐放电，突触心连心。

Long Term Potentiation（LTP）长时增强作用

LTP = 实验中发现能持续数小时甚至数天的突出强度的提高

Long Term Depression（LTD）长时抑制作用

LTD = 实验中发现能持续数小时甚至数天的突出强度的减小

突触可塑性依赖于spike timing

Spike-Timing Dependent Plasticity（STDP）

1.6 Time to Network: Brain Areas and their Function

神经系统的组织与功能

Peripheral Nervous System(PNS) 外周神经系统

1. Somatic（躯体神经系统）：由连接随意肌和感受器的神经纤维（一束轴突）。
   ①Afferent Nerve Fibers（传入神经）：将外周信息传到中枢神经系统（大脑和脊髓）的轴突。
   ②Efferent Nerve Fibers（传出神经）：将中枢神经系统的指令传到外周。
2. Autonomic（自主神经系统）：由连接心脏、血管、各种平滑肌和腺体的神经纤维组成。很大程度上不受意识控制，调节了许多重要的生理功能，如心率、消化、呼吸速率等。

Central Nervous System(CNS) 中枢神经系统

CNS = Spinal Cord + Brain

1. Spinal Cord（脊髓）
   ①Local feedback loops（局部反馈回路）控制反射弧（reflexes, reflex arcs）
   ②Descending motor control signals from the brain 特异激活脊髓神经元（走路啥的）
   ③Ascending sensory axons 将肌肉和皮肤的感觉信息传回大脑
2. Brain
   ①Major Brain Regions: The Hindbrain（后脑）
   延髓、脑桥、小脑
   

②Major Brain Regions: Midbrain & Retic.Formation（中脑及网状结构）

③Major Brain Regions: Thalamus & Hypothalamus（丘脑和下丘脑）

丘脑由许多核团组成，核团本质上就是可以通过形态学区分开来的成簇的神经元。

④Major Brain Regions: The Cerebrum（大脑）
由大脑皮层，基底神经节，海马体和杏仁核组成。

有关大脑皮层的一些细节：
大脑皮层的纵向层状结构在不同层是相似的（从不同层切一块来分辨属于哪一层是很难的）

Neural vs. Digital Computing

1. 数量：
   人脑由10¹¹个神经元，每个神经元由10⁴个连接；硅芯片有10¹⁰个晶体管但只能是稀疏连接
2. 运行速度：计算机比生物快得多得多
3. 计算模型：
   生物脑通过神经网络实现了大量并行计算，并且拥有适应性连接；
   计算机大部分情况是采用传统冯诺依曼的CPU架构（顺序执行）和固定的连接。
4. 能力：计算机在数学和模型处理上优于生物脑，但生物脑在不适定问题上更优