吴思课题组在elife发表文章

揭示大脑皮层神经环路如何实现高效的多模态信息整合与分离的计算机制

　　大脑无时无刻在接收外界的信息输入，我们采用多感觉器官从不同的物理化学特征来感知外部世界。这些感觉输入有时传递来自同一物体但不同特征的信息，有时则传递来自于不同物体的信息。通过整合来自同一物体的感觉输入，大脑可以得到对外部世界更加精确而全面的感知；但另一方面，对于源自不同物体的感觉输入，大脑应该分开来处理。例如，我们可以通过将一个人的面部图像与他说话的语音进行整合来确定他的空间方位，得以增强方位感知的精度；但如果大脑张冠李戴地将一个人的面部图像与另外一个人的语音进行整合，我们则会出现错觉（如双簧表演）。

　　多模态信息整合与分离的道理看似简单，但在具体实现这一计算时却面临一个根本性的难题，即大脑事先并不知晓这些输入的来源及产生过程，从而不确定是到底应该进行信息整合还是分离。在计算上大脑面临的是一个“鸡生蛋”还是“蛋生鸡”的挑战：如果不整合多模态信息，那么大脑可能无法对外界世界做出准确估计；但如果大脑简单地整合信息，大脑就可能犯错，可能把来自不同物体的信息整合在一起得出错误的结论。为了克服这一计算困难，作者提出大脑应该同步进行多模态信息整合与分离：一群神经元进行信息整合，而另一群神经元通过计算输入间的差异来实现信息分离；两者的竞争决定了最终结果是整合还是分离。这样大脑可以在不损失输入信息和时间的条件下，同步实现优化的多模态信息整合与分离。

　　通过计算建模来分析视觉和平衡觉模态信息整合以推断头朝向的神经生物学实验数据，该论文推导出负责整合的神经元在两种模态下的刺激偏好相似，与实验发现的Congruent neuron调谐曲线相符；另一方面，令人惊讶的是负责信息分离的神经元在两种模态下的刺激偏好则完全相反，与实验中发现的opposite neuron调谐特性一致。Opposite neuron在多感觉脑区广泛存在，但由于它奇异的调谐特性以及在多感觉整合实验中反应强度很低，人们对它们的计算功能一直不清楚，一个疑问是在自然场景下大部分输入的特性是相似的，大脑为什么还需要opposite 神经元？该研究给出了一个清晰的答案：opposite neuron负责计算输入间的差异，即检测输入中的“异常”：一旦输入差异很大，opposite neuron就告诉大脑应当进行信息分离而不是整合。考虑到信息整合与分离是所有信息处理系统需要的一项基本功能（如图像识别中的特征整合与分割），该研究不仅有助于我们理解神经信息处理的基本原理，而且对发展类脑计算也有重要的借鉴意义。