摘要：研究人员对脑细胞称为星形胶质细胞的方式可能有助于大脑的记忆存储，有一个新的假设。他们的模型被称为密集的联想记忆，将有助于解释大脑的庞大存储能力。...

人脑大约包含约860亿个神经元。这些细胞发射电信号，可帮助大脑存储记忆，并在整个大脑和神经系统中发送信息和命令。

大脑还包含数十亿个星形胶质细胞 - 星形细胞，并具有许多长延伸，使它们与数百万神经元相互作用。尽管长期以来人们认为它们主要是支持性细胞，但最近的研究表明，星形胶质细胞可能在记忆存储和其他认知功能中起作用。

麻省理工学院的研究人员现在提出了关于星形胶质细胞如何对存储存储的贡献的新假设。他们的模型所建议的结构将有助于解释大脑的大量存储能力，这比仅使用神经元所预期的要大得多。

Jean-Jacques Slotine说：“最初，星形胶质细胞仅清理神经元，但没有特别的理由没有意识到，因为每个星形胶质细胞都可以联系数十万个突触，因此它们也可以用于计算。”

MIT-IBM Watson AI实验室和IBM Research的研究人员Dmitry Krotov是开放式论文的高级作者，该论文于5月23日在国家科学院论文集。 Leo Kozachkov PhD '22是论文的主要作者。

内存能力

星形胶质细胞在大脑中具有多种支撑功能：它们清理碎屑，为神经元提供营养，并有助于确保足够的血液供应。

星形胶质细胞还发出了许多薄薄的触角，称为过程，它们每个都可以围绕一个突触（两个神经元相互作用的连接点），以创建一个三方（三部分）突触。

在过去的几年中，神经科学家表明，如果海马中星形胶质细胞和神经元之间的连接受到破坏，则记忆存储和检索受到损害。

与神经元不同，星形胶质细胞无法发射动作电位，这些电动冲动在整个大脑中都带有信息。但是，他们可以使用钙信号传导与其他星形胶质细胞进行通信。在过去的几十年中，随着钙成像的分辨率有所改善，研究人员发现，钙信号传导还允许星形胶质细胞与与其与之相关的突触中的神经元协调其活性。

这些研究表明，星形胶质细胞可以检测神经活动，从而导致它们改变自己的钙水平。这些变化可能会触发星形胶质细胞释放神经胶质器（与神经递质类似的信号分子）释放到突触中。

Kozachkov说：“神经元信号传导与星形胶质细胞到神经元的信号传导之间有一个封闭的圆圈。” “未知的事情正是星形胶质细胞可以通过从神经元中感应的信息来完成的计算。”

麻省理工学院团队着手建模这些连接可能正在做的事情以及它们如何为内存存储做出贡献。他们的模型基于Hopfield网络 - 一种可以存储和回忆模式的神经网络。

Hopfield Networks最初由John Hopfield和Shun-ichi Amari在1970年代和1980年，通常用于对大脑进行建模，但已证明这些网络无法存储足够的信息来解释人类大脑的庞大记忆能力。 Hopfield网络的新版本，称为密集的关联内存，可以通过在两个以上的神经元之间的更高顺序耦合来存储更多信息。

但是，目前尚不清楚大脑如何在假设的突触下实现这些多神经元耦合，因为常规突触仅连接两个神经元：突触前细胞和突触后细胞。这是星形胶质细胞发挥作用的地方。

克罗托夫说：“如果您有一个神经元网络，这是成对的夫妇，那么您只能在这些网络中编码的信息量很少。” “为了建立密集的联想记忆，您需要近两个多神经元。由于单个星形胶质细胞可以与许多神经元和许多突触连接在一起，因此很容易假设存在可能存在由该生物细胞介导的突触之间的信息传递。这是最大的灵感来探讨我们的范围，以启动您的录音，以使我们的录制范围内构建如何构建态度。

研究人员在新论文中开发的神经元 - 尘科相关记忆模型比传统的Hopfield网络可以存储更多的信息 - 足以说明大脑的记忆能力。

复杂的连接

研究人员说，神经元和星形胶质细胞之间的广泛生物学联系为这种模型可能解释大脑存储器存储系统的工作方式提供了支持。他们假设在星形胶质细胞中，记忆是通过钙流的逐渐变化来编码的。这些信息是通过星形胶质细胞过程连接到的突触中释放的胶质递质传达给神经元的。

Kozachkov说：“通过仔细协调这两件事 - 细胞中钙的空间时间模式，然后是回归神经元的信号 - 您可以准确地获得这种大量增加的记忆能力所需的动力学。”

新模型的关键特征之一是它将星形胶质细胞视为过程的集合，而不是单个实体。这些过程中的每一个都可以视为一个计算单元。由于密集的关联记忆的信息存储能力很高，因此存储的信息量与计算单元数量的比率非常高，并且随着网络的大小而增长。这不仅使系统不仅高容量，而且使能源效率高。

"By conceptualizing tripartite synaptic domains -- where astrocytes interact dynamically with pre- and postsynaptic neurons -- as the brain's fundamental computational units, the authors argue that each unit can store as many memory patterns as there are neurons in the network. This leads to the striking implication that, in principle, a neuron-astrocyte network could store an arbitrarily large number of patterns, limited only by its size,"多伦多大学克雷姆比尔研究所生理学助理教授毛里齐奥·德皮塔（Maurizio de Pitta）说，他没有参与研究。

为了测试该模型是否可以准确表示大脑如何存储记忆，研究人员可以尝试开发精确操纵星形胶质细胞过程之间的连接的方法，然后观察这些操作如何影响记忆功能。

克罗托夫说：“我们希望这项工作的后果之一可能是实验者会认真考虑这一想法并进行一些实验来检验这一假设。”

除了洞悉大脑如何存储记忆外，该模型还可以为从事人工智能的研究人员提供指导。通过改变过程与过程网络的连接性，研究人员可以生成各种模型，例如，可以在不同的目的中探索这些模型，例如，在大语言模型中，在密集的关联记忆和注意力机制之间创建连续性。

Slotine说：“尽管神经科学最初启发了AI中的关键思想，但神经科学研究的最后50年对该领域的影响很小，许多现代的AI算法已经摆脱了神经类似物的影响。” “从这个意义上讲，这项工作可能是最近神经科学研究为AI提供的首要贡献之一。”