一种神经模型新方法的构想

我们针对细胞膜与突触可塑性相关的细胞内处理通路，阐述了对神经可塑性的理解。我们认为，传统的以突触为中心、基于权重的记忆模型不足以恰当刻画神经可塑性的复杂性。在这类模型中，系统是由通过自适应传递连接相连的神经元网络；传递连接的适应依赖于根据连接使用情况（短时与长时增强/抑制）而发生的权重改变。相反，我们提出一种范式转换：从以突触为中心的模型（每个突触基于其使用历史独立学习）转向以神经元为中心的模型（每个神经元利用信号选择作用于细胞内通路，从而在膜上表达可塑性）。一个神经模型由以下部分组成：(a) 膜上参数的表达，特别是树突突触或棘突以及轴突终末；(b) 膜下区与胞质及其蛋白质信号网络中的内部参数；(c) 细胞核中用于遗传与表观遗传信息的核心参数。在以神经元为中心的模型中，网络中的每个节点（=神经元）拥有其自身的内部记忆。神经传递与信息存储相互分离，而非通过耦合强度自动结合。存在针对存储信号的过滤与选择，并非每一次传递事件都会留下痕迹。这代表了相对于突触权重模型的一项重要概念进展。我们将神经元呈现为一种自编程装置，而非被动地由持续输入所决定。我们认为有必要采用一种新的神经建模方法，因为传统以突触为中心的模型未能很好地涵盖实验证据。归根结底，我们感兴趣的是一个能够根据自身固有结构处理外部信号的灵活记忆系统的可能性。