感觉系统/计算机模型/仿真 嗅觉系统

嗅觉的计算模型

嗅觉系统是一个庞大而复杂的系统，它允许跨物种进行气味处理。与其他感觉系统一样，嗅觉系统已被多次建模，以期具体描述其转导的有效且生理学上合理的机制。具体来说，嗅觉的计算模型通常侧重于脊椎动物的嗅觉系统，并试图准确地重现已知的与气味暴露相关的行为或感知现象，同时使用行为方式类似于参与脊椎动物嗅觉过程的生物元件的行为方式以及组织方式的成分。下面将描述两种这样的早期模型；第一个是由 Ambros-Ingerson、Granger 和 Lynch（1990）开发的模型，在他们的论文中介绍了该模型古皮质的模拟执行层次聚类] ，第二个是 Hopfield（1995）的模型，来自使用动作电位定时进行刺激表示的模式识别计算 。

气味的层次聚类

在论文中古皮质的模拟执行层次聚类，（1990）Ambros-Ingerson、Granger 和 Lynch 提出了一种嗅觉古皮质模型——皮质中一个系统发育较老的部分，其主要部分包括嗅球和梨状皮质，这些区域在功能上与嗅觉相关——执行层次聚类。他们的研究问题，如标题所示，是嗅觉古皮质的组织是否导致两种类型的表征（类别和个体）——正如他们在更简单的早期模型中发现的那样——或者导致更复杂的世界呈现，具有复杂的层次结构。一个简单的例子可以用来证明这两种分类模式之间的区别：在考虑薰衣草的气味时，例如，1）可以将其归类为植物，然后将其个别气味识别为薰衣草，或者 2）首先确定感知到的气味是生物有机体，然后是植物，然后是花，然后是薰衣草，从而将输入分类为复杂层次的一部分。

Ambros-Ingerson 等人的模型架构——Ambros-Ingerson 等人的模型使用两个网络，嗅球和皮质。在嗅球内，有 400 个模拟的兴奋性伞形细胞，每个细胞通过（受生物学启发的）侧嗅觉束稀疏且非拓扑地投射到皮质。这 400 个伞形细胞被分成 40 个细胞的斑块，每个斑块从一个外周受体轴突接收输入。斑块中活跃的伞形细胞数量表示给定线索的强度。模拟的抑制性颗粒细胞用于规范嗅球的输出（在生物学中，这被认为是通过与伞形细胞的树突-树突接触发生的），使得从嗅球到皮质的输出在不同线索和强度之间保持相对恒定。抑制性颗粒细胞还从皮质接收随机组织的兴奋性反馈，皮质由 1000 个兴奋性 II 层细胞组成。这些细胞被分组为 20 个细胞的斑块，并以前馈方式相互连接，直接或通过局部抑制性神经元，在每个斑块中对嗅球输入产生竞争性软赢者通吃响应。连接通过相关性、Hebbian 型规则学习。模型的学习和解剖学都基于报道的解剖学和生理学数据。

关于模型的元素，它由两个相互连接的网络组成，一个用于嗅球，另一个用于皮质。嗅球从“外周受体轴突”接收输入，每个轴突投射到位于嗅球内的模拟伞形细胞组或斑块。每个伞形细胞又通过树突-树突样连接连接到局部的抑制性颗粒细胞，这些连接允许嗅球输出标准化。在生物嗅觉系统中，伞形细胞是兴奋性神经元，被认为是嗅球的主要输入和输出点（第一个由位于嗅球小球体中的树突，第二个由轴突，通过侧嗅觉束投射到皮质的不同部分——尽管嗅球的簇状细胞具有类似的作用，但它们没有包含在这个模型中）。因此，模拟嗅球的输出由伞形细胞携带到模拟梨状皮质的 II 层，该层由 1000 个兴奋性细胞组成，每个细胞分为 20 个细胞的斑块。相同斑块的皮质神经元之间的前馈连接，直接相互连接或间接通过局部抑制性神经元连接，导致皮质斑块内对嗅球输入产生竞争性软赢者通吃响应。从皮质到模拟嗅球的反馈连接终止于抑制性颗粒细胞。

该模型实现了重复采样特征，代表“哺乳动物的循环嗅探行为”，以 theta 节律（4-7 赫兹）运行，“这是小型哺乳动物嗅探的特征”。因此，对于给定的线索，模拟的伞形细胞会重复地且短暂地接收相同的外周受体轴突输入。尽管通过局部伞形细胞-颗粒细胞连接对嗅球的整体输出进行了标准化，但特定嗅球斑块中活跃的伞形细胞数量会有所不同，并表明给定线索的强度或给定线索的成分（对于多成分线索）。这些伞形细胞稀疏且随机地连接到皮质细胞，这些细胞对导致与它们连接最多的那些伞形细胞发火的线索做出反应。伞形细胞到皮质细胞连接的强度通过无监督的 Hebbian 规则进行修改和学习，该规则在模型的单个操作周期内起作用。该学习规则在发火伞形细胞及其皮质细胞目标之间实施长时程增强 (LTP)，当后者充分去极化时。从模拟皮质到嗅球颗粒细胞的反馈连接在早期的“发育”阶段（训练）期间通过类似的 Hebbian 规则学习，该规则将嗅球和皮质的活动相关联。因此，嗅球的响应和皮质的响应都与该模型运行的类似嗅探的 theta 节律同步，并继续循环，直到输入线索被移除或轴突受体输入实际上静音。

Ambros-Ingerson 等人的模型的连接性和学习规则导致多级层次记忆，揭示了不同学习线索之间潜在的统计关系。其机制如下。当多成分线索被输入模型时，受体轴突激活代表线索的不同成分的适当伞形细胞斑块。模拟嗅球的标准化，由其抑制性颗粒细胞确保，将导致恒定的嗅球输出，尽管在模型暴露于不同线索期间，不同的伞形细胞斑块可能在不同程度上被激活。该输出将被馈送到模拟梨状皮质的 II 层，在那里，兴奋性到抑制性细胞的连接导致竞争性软赢者通吃响应。这会产生一个类似 Hopfield 的网络，其中稳定状态是与最强输入模式匹配的状态。由于连接是基于 Hebbian 型规则学习的，因此跨多个类似输入线索共享的输入线（因此参与了先前多个学习事件）会与其代表的梨状皮质细胞建立比跨越更少输入线索（因此参与了先前更少学习事件）的输入线更强的连接。

然后皮质细胞反馈到嗅球上的抑制性颗粒细胞，抑制那些最负责皮质发火的嗅球斑块，从而随后允许（通过标准化）较弱的斑块以更强的方式通过激活皮质。通过这种“竞争性排队”动态，初始（第一个周期）响应在类似输入集群的成员之间非常相似，然后，随着周期的继续，它们变得越来越特定于特定的输入线索——这意味着模型揭示了其输入之间的多级统计关系并相应地对其进行分类。

Ambros-Ingerson 等人对嗅觉的计算模型表明，解剖学和生理学研究中报道的嗅觉系统的组织方式，形成一个网络，该网络通过一个算法来实现“计算上难以解决的层次聚类问题”。他们的发现与先前感知研究的发现一致，在这些研究中，发现人类受试者以层次方式识别物体 (Biederman, 1972; Gluck and Bower, 1988)。此外，Ambros-Ingerson 等人模型的几个预测已被进一步探讨，包括这种“在连续采样周期中逐渐调整”和层次聚类可能是丘脑皮质回路的一个普遍特征 (Rodriguez et al., 2004; Wilent and Contreras, 2005)。虽然似乎没有发布明确的生物学确认 (可能是因为该系统的复杂反应，既无法清晰地确认也无法清晰地否定该模型)，但丘脑皮质相互作用的其他模型 (例如 Wilent and Contreras, 2005) 表明，Ambros-Ingerson 等人发现的动力学可能是工作新皮质的一个基本组成部分。

尺度不变识别的难题

尺度不变识别是指以独立于其尺度的方式适当地识别对象，其中“尺度”包括大小和强度等。再次，一个简单的例子可能有助于理解这个问题的范围：当一个人暴露在一种确定的气味中，比如薰衣草，一个人对这种气味的定性分类不会随着气味强度的变化而改变（即，当一个人接近气味来源时，气味的强度可能会增加，但这种强度变化不会导致薰衣草气味逐渐或突然被感知为橙汁的气味）。换句话说，X=λX，其中 λ 是尺度。虽然对我们人类来说是自然的，但这种类型的分类对感知机和其他基于速率的模式识别模型提出了真正的挑战，这些模型在当时被广泛使用。这些与在周围神经系统中观察到的基于速率的处理一致，其中运动神经元的放电速率调节肌肉收缩的强度。然而，对于视觉、听觉或嗅觉等更复杂的系统，通常不仅是尺度，而且输入变量的比率也决定了刺激的质量和强度。这里的“比率”提出了一个问题，尤其是如果较低级别的感官神经元用于识别多个不同的输入；如果嗅球的“薰衣草”神经元被来自鼻腔内三个不同嗅觉受体神经元的 5:5:1 激活比率激活，而“橙汁”神经元被相同神经元的 5:5:2 激活比率激活，那么，如果薰衣草气味足够强烈并且接收神经元的阈值恒定，那么在基于速率的模型中，这两个神经元都会被激活，尽管没有橙汁。

通过峰值计时进行模式识别

通过动作电位计时测量输入尺度 - 显示编码神经元的静息亚阈值振荡为实心灰色线。一个例子是输入电流，它不会导致神经元达到其动作电位阈值 (Vt)，由浅绿色虚线表示。一个例子是输入电流，它驱动编码神经元达到其动作电位阈值，由深绿色虚线表示。神经元在达到 Vt 后会发出峰值，并经历一个短暂的绝对不应期 (由于其生物学存在而包含在内)。“时间提前”是指神经元动作电位相对于其亚阈值振荡的最大值 (最有可能发放峰值) 的时间。较高的输入电流将导致神经元的电位更早地跨越阈值，从而导致更大的时间提前。

在 Hopfield 之前，已经进行了几次尝试来解决尺度不变识别的难题。其中一项尝试是在将低级输出传递到更高级的部分之前，对低级响应进行标准化和重新缩放。然后，这些更高级的部分将识别刺激。除了看起来在生物学上不可行外，这种类型的方案，考虑到低级神经元在存在输入线索时的恒定输出幅度，失去了有关输入线索强度的信息，并降低了系统对较小模式组件的敏感性。John Hopfield (1995) 在“使用动作电位计时进行刺激表示的模式识别计算”中提出了一种解决方案，使用计时和延迟线而不是激活速率和连接权重分别进行强度和处理，以解决尺度不变识别的复杂问题。在那里，他还表明，他的解决方案特别适用于嗅觉系统等处理。

首先，Hopfield 论文中提出的解决方案包括在更高级的“编码”神经元中使用亚阈值振荡通过动作电位计时来测量输入尺度。在这个方案中，每个“编码”神经元都具有一个内在的亚阈值振荡，因此其动作电位 (响应) 相对于振荡峰值的计时随低级神经元的输入强度的变化而变化。这里重要的是要说明，Hopfield 模型中的每个神经元都接收模拟输入电流，并充当泄漏积分和发放神经元，其中时间常数 (决定输入衰减的动力学) 小于振荡周期。编码神经元也受到动作电位不应期的影响，在此期间产生另一个动作电位最为困难 (这种不应期主要只是为了使模型更接近已知神经系统的生理学)。因此，如果编码神经元的输入电流 (来自上游神经元) 足够大，它们就会达到其阈值电位，然后随着输入强度的增加，它们会越来越早地相对于振荡峰值达到阈值电位。使用时间代码而不是速率代码来表示输入尺度。

编码神经元亚阈值振荡上描述的时间提前直接有助于模型执行尺度不变识别。具体来说，由于 Hopfield 选择了余弦形状的亚阈值振荡——一个非常简化的模型，因为神经系统中发现了复杂的振荡——余弦峰值的顶部分可以用来对刺激进行对数编码。也就是说，如果输入电流的尺度与信号的时间提前成正比，前提是该输入电流在给定幅度内 (因此时间提前落在余弦曲线的顶部)，则网络将对强度进行对数编码 (Ti ∝ log(xi)，其中 T 是时间提前，x 是特定线索 i 的输入电流)。这使得网络能够对相同的输入进行尺度不变识别，因为将输入加倍不会改变相对时间提前；即 log(λxi)=log(λ)+log(xi)。然后，后期的识别取决于大小，而不是幅度，因为它取决于重合检测，因为当线索的强度增加时，属于同一个线索的输入将全部以相同的量提前时间。

峰值计时和延迟线 - a) 显示了 5 个具有不同输入电流量的编码神经元 (橙色>红色>紫色>蓝色>绿色)。这些神经元的峰值时间是颜色编码的，并相对于全局亚阈值振荡的峰值显示。可以将这些神经元中的每一个视为特征检测神经元，它们将连接到一个气味识别神经元 (如 b 中黑色所示)。为了使特征神经元的输出 (如前几个周期所示) 同时到达黑色识别神经元，具有最大时间提前量 (因此具有最高输入电流 - 橙色) 的神经元必须具有最长的延迟线，而具有最小时间提前量 (因此具有最小输入电流 - 绿色) 的神经元必须具有最短的延迟线。在这个例子中，识别神经元识别出的模式在最后两个周期中没有出现；在这个新的线索中，绿色神经元的输入不足以让它像之前的“识别”线索那样发出峰值。黑色神经元没有来自绿色神经元的输入，因此不会收到足够的同步刺激，因此不会发出峰值，识别出它被连接到识别出的线索的缺失。

重合检测必须发生在更高级别的识别神经元，并通过它们的小时间常数 (一个非常“泄漏”的神经元膜)，以及使首选线索的组件 (以其正确的比率) 同时到达识别神经元的“延迟线”来确保。这里，线索组件的可感知的正确组合应该会导致更高级别神经元的峰值，但没有一个输入 (或线索组件) 能单独触发识别神经元的放电。

关于这个模型与嗅觉的关系，已知嗅球会经历约 40Hz 的全局振荡，以及呼吸相关的振荡。虽然比余弦函数更复杂，但这些允许实现前面提到的时间提前的版本。然后，僧帽细胞应该充当所描述的编码神经元，具有非常小的时间常数，用于对线索的各种组件进行重合检测。该模型也特别适合嗅球，因为已知全局振荡以及线索强度会调节僧帽细胞的活性。事实上，它将解释为什么某些哺乳动物会更快地嗅闻 (加速它们的呼吸周期) 以增强它们从下一个气味中辨别气味的能力。然而，该模型关于每个周期只有一个峰值的假设并不普遍成立，因为在生物系统中，通常在一个振荡内会发生一系列动作电位。尽管如此，时间代码仍然可能存在；爆发可以允许编码更多强度或呈现线索的更多特征。如果出现错误表示，它们也可以通过突触学习在后期被抑制。最后，一些连接到梨状皮质的轴突，来自僧帽细胞，是无髓的，并且，随着梨状皮质中发现的反复连接，因此可能累积形成类似于 Hopfield 模型中那些延迟线的延迟线，允许高达 20ms 的延迟。

因此，Hopfield 在 1995 年的模型为尺度不变识别提供了一种优雅的机制，并可应用于哺乳动物的嗅觉系统。虽然由于电生理信号（和测量）的混乱性质，很难确定它是否确实描述了嗅球和皮层的运作方式，但该模型为传统的基于速率的模型提供了一种有用的替代方案，而传统的基于速率的模型无法解决此类问题。关于其生物学适用性，已提出两个主要批评：第一个是模型的对数编码可能会放大噪声，因为弱刺激的神经元，如果达到阈值，将比强刺激的神经元显得更加同步。第二个与系统工作所需的长时间延迟有关：虽然一些僧帽细胞轴突没有髓鞘，从而允许较大的延迟，但它们的长度是静态的，因此延迟无法学习。后一种批评得到了最近一些证据的支持，这些证据表明，在中枢神经系统的其他部位，大多数轴突仅部分髓鞘化，并且髓鞘化对于学习过程至关重要（McKenzie 等人，2014）。

总之，Ambros-Ingerson 等人的“古皮层的模拟执行层次聚类”（1990）展示了嗅觉系统的已知连接如何导致梨状皮层中气味的层次化表征，而 Hopfield 的“利用动作电位时序进行刺激表征的模式识别计算”（1995）则证明了嗅球中观察到的振荡和尖峰如何用于执行尺度不变的气味识别。这些论文不仅展示了早期嗅觉计算模型的两个优秀例子，而且还展示了对生物过程建模的两种主要方法。第一种方法通过复制生物系统已知的某个部分，提取电路的特定广泛适用的计算属性；而第二种方法通过解决纯粹的计算问题，发现其解决方案与自然解决该问题的某些生物系统的组件相一致。这两种建模形式在科学文献中并存，并且可以协同工作，以创建更完整、更完整的复杂系统图景，这些系统通常是行为的基础，并且，在神经科学的情况下，是我们对生活错综复杂体验的基础。