學習新知識（編碼）和儲存知識，並隨著時間推移進行記憶提取、修改或遺忘，對於動物或者人類靈活應對變化的環境至關重要。
2019年底，Nature Neuroscience發表了一系列反映這個領域進展的綜述性和前瞻性文章，由此盤點數十年來發展的技術和研究進展。以下brainnews編輯部對相關綜述性文章和前瞻性文章作簡單介紹，一共涉及到學習記憶的八大方向！
突觸可塑性和學習記憶的研究方法
突觸可塑性一直被認為是我們適應環境的重要行為過程之一，參與學習和記憶形成的過程。在不同神經元活動模式下，突觸可塑性關於突觸前和突觸後誘導和表達機制已經在體外實驗中得到證明。然而，特定形式的突觸可塑性和特定階段的學習和記憶過程之間的聯繫沒有體內實驗的支持。這是由於動物的特定狀態下特定腦區產生的活動通常難以描述，且該活動尚未與離體條件下更全面描述的突觸可塑性構成一致。為解決這一問題，目前科學家可以利用光學和藥理學手段，控制突觸受體活性、突觸後鈣離子活動、轉導級聯、突觸棘的大小和神經遞質的釋放來操縱體內突觸可塑性。Yann總結了目前常用的操縱方法，並提出了新一代的方法還需要結合基因操縱手段來實現可視化和操縱突觸強度。
圖：體內突觸可塑性的操縱方法(圖源文章)
成年海馬新生神經元與記憶干擾和檢索
大腦會將新形成的散發性記憶不斷與陳舊記憶進行比較和區分，所以新記憶的儲存不會發生重疊，且陳舊記憶也會有所更新從而反映出新的經驗。海馬齒狀回將一種經驗的正交化信息傳遞到CA3。在CA3中，舊記憶可以被提取或者更新，新經驗可以被整合成海馬-皮層網絡中一種新的表現形式。但海馬並不存儲記憶，只對記憶痕跡生成索引。齒狀回-CA3環路由於成年後新生齒狀顆粒細胞(abDGCs)的整合而不斷改變。對abDGCs的急性和慢性操縱與記憶干擾的解析度存在關聯，但是其中的神經環路機制還未知。本文整合了與abDGCs的生理和行為功能相關的研究成果，研究表明abDGCs具有發育、生理和環路的獨特性質，可以擴大海馬的索引能力以及促進模式分離。
圖：DGCs與記憶檢索(圖源文章)
睡眠與記憶鞏固
當你睡覺會重新激活哪些記憶？當動物處於新環境或加強對某個地點的探索時，海馬中神經元群體在睡眠時會被再激活。睡眠的主要功能之一是形成長時記憶，這是一個主動的系統化鞏固過程。慢波睡眠過程中，海馬中神經元群體放電按照時間順序反覆再激活，導致皮層網絡的表徵逐漸轉變和整合。Klinzing等人詳細說明了齧齒動物和人類研究中系統化鞏固，神經元群體再激活的過程，以及睡眠記憶鞏固過程中突觸連接性改變和腦波振盪情況。此外一些研究發現，下丘腦也參與了這一記憶鞏固過程。
圖：睡眠與記憶(圖源知乎)
記憶提取的神經生物學基礎
1966年的一個實驗，證明了學習與遺忘具有第三種結果，那就是用信息線索可以幫助記憶提取。記憶的關鍵是提取，記憶痕跡(engrams)的激活，相當於對記憶的提取(ecphory)，儘管記憶形成和鞏固的神經機制已經有相對充分的說明，但是記憶提取的的神經生物學基礎還未知。近年來，科學家利用光遺傳學和基因表達調控系統，可以成功實現調控神經元群體編碼活動來操縱記憶提取。這一實現也形成了我們當前對記憶提取的初級理解。此外，記憶編碼和提取狀態之間具有一致性，這個編碼特異性影響了記憶提取的可能性，同時文中也強調提取線索影響記憶成功提取的方式。在這一領域中，還有一些重要的開放性問題，作者等人也給出了一些看法。
圖：1966年的實驗(圖源文章)
恐懼記憶與神經調質
外部刺激和大腦內在狀態能夠影響學習和記憶的不同方面，神經調節系統參與了部分調節。在情緒化學習過程中，神經調質參與調節神經元活動。恐懼反射和消退高度依賴於機體的一般狀態，包括覺醒、認知和動機狀態，在這些狀態下感知過程發生改變，而神經調質改變下游神經元的生理活動狀態，改變編碼方式，從而重建穩態。Likhtik和Johansen詳細解析了乙酰膽鹼、去甲腎上腺素和多巴胺系統如何參與恐懼記憶編碼和消退，討論了神經調節系統如何貫穿大腦或者是在特定腦區進行活動，如何增強特定神經信號，和如何調整神經環路之間的關係。
圖：小鼠恐懼記憶 (圖源網絡)
學習任務的狀態表徵
想象一下你正在通過馬路，即便在最平靜的街道，感覺系統也面臨著巨大的信息量。決定是通過或是等待，如何避免被碾壓是一項艱鉅的任務。大腦似乎通過有效學習和低維表徵來簡化複雜任務。有效學習需要我們辨別關鍵信息，忽略掉其他無關的細節，所有這些都取決於我們手上的任務。一個有效的任務表徵意味著對調整任務表現至關重要的環境因素。在過馬路這件事上，任務表徵包括了所有與我們行動結果相關的因素，比如迎面而來的汽車的速度和距離，但忽略了其他因素，比如汽車的顏色和馬路邊的商店等。注意力和外部環境等因素如何影響這些表徵，以及我們如何使用任務表徵做出決策？Yael總結了近期關於表徵學習的計算和神經基礎的最新研究，討論了人類和其他動物如何構建任務表徵以實現有效學習和任務決策，在眾多信息中如何選擇性忽略無效表徵，以及眶額皮層如何代表任務狀態，部署大腦其他區域的決策和學習行為。
圖：過馬路(圖源文章)
神經科學的深度學習框架
不同於只能記錄小範圍神經元活動的經典學習框架，人工神經網絡(ANNs)使用簡化單元來粗略模擬真實神經元的整合和激活特性，從而模擬神經計算，因此能夠記錄大範圍神經環路的神經元反應特性。ANNs由三個基本要素組成，學習目標、學習規則和網絡架構，表示為信息流的路徑和連接。深度學習可以看作是長期以來的ANNs思想的重塑，以端到端的方式訓練分層的ANNs，使得每一層的可塑性都有助於學習目標。目前科學家對構建ANNs的關鍵性原理有了更多瞭解，並有理論上的理由認為這些理解普遍適用。因此本文為現代系統神經科學繪製了深度學習框架的框架圖，而ANNs的三個基本要素對如何建模，工程設計和優化複雜的智能學習系統的重要性，進一步闡述基於深度學習框架的優化如何推動神經科學的理論和實踐發展。
圖：人工神經網絡的三大要素(圖源文章)
腦機接口: 從運動到情緒
腦機接口BMIs構建了一個與大腦交互的閉環控制系統：首先，記錄特定活動或情緒狀態下的神經活動，經由解碼後生成信號，刺激大腦來寫入神經信息。過去20年，BMI創建的閉環控制系統，在恢復運動能力、幫助瞭解控制和學習的神經元機制方面有重大的進展，並逐漸延伸到了情緒控制和神經精神病學領域。運動型腦機接口旨在恢復癱瘓者的運動功能，大腦作為控制器，以神經活動形式控制命令運動目標和感覺反饋，從而移動神經假肢系統。然而，更多神經系統疾病中，發生了大腦內部狀態調節異常，而非運動障礙，比如抑鬱症或癲癇。情緒型腦機接口，通過閉環式控制系統，外部控制器基於治療目標和特定情緒活動解碼後的反饋，調整對大腦的刺激參數，使大腦成為受控對象，形成預期的情緒狀態，從而達到調整異常情緒狀態的治療效果。Maryam在此回顧了關於運動型BMI的重大研究進展，以及BMI如何拓展到神經精神病學領域的觀點。
圖：腦機接口的閉環迴路 a:運動控制 b:情緒控制（圖源文章）
參考文獻：
1.Frankland, P.W., S.A. Josselyn, and S. Kohler, The neurobiological foundation of memory retrieval. Nat Neurosci, 2019. 22(10): p. 1576-1585.
2.Humeau, Y. and D. Choquet, The next generation of approaches to investigate the link between synaptic plasticity and learning. Nat Neurosci, 2019. 22(10): p. 1536-1543.
3.Klinzing, J.G., N. Niethard, and J. Born, Mechanisms of systems memory consolidation during sleep. Nat Neurosci, 2019. 22(10): p. 1598-1610.
4.Likhtik, E. and J.P. Johansen, Neuromodulation in circuits of aversive emotional learning. Nat Neurosci, 2019. 22(10): p. 1586-1597.
5.Miller, S.M. and A. Sahay, Functions of adult-born neurons in hippocampal memory interference and indexing. Nat Neurosci, 2019. 22(10): p. 1565-1575.
6.Niv, Y., Learning task-state representations. Nat Neurosci, 2019. 22(10): p. 1544-1553.
7.Richards, B.A., et al., A deep learning framework for neuroscience. Nat Neurosci, 2019. 22(11): p. 1761-1770.
8.Shanechi, M.M., Brain-machine interfaces from motor to mood. Nat Neurosci, 2019. 22(10): p. 1554-1564.
作者信息
編譯作者：Sybil（brainnews創作團隊）
閱讀更多 Sci投刊指導李老師 的文章
