從下往上看--新皮層資料的讀後感 第二部分：突觸Synapses

為進一步了解這種連接性產生的差異，在認識soma這個獨立的邏輯單元後，進化過程設計了一整套系統設計來使用這個邏輯單元。為促成細胞體之間發生連接構成系統dendrite和axon之間的連接需要引入新的功能單元Synapses。Synapse叫做突觸，書上說得特別好，這玩意是特指細胞間通訊的部位，它本身不是一種細胞，而是細胞之間的連接點。

輸入和輸出的信號沿著神經纖維一直傳遞，這種單一材質內的活動(這種信號估計是離子遷移，我看的資料沒咋說清楚)按照最快120m/s的速度在Dendrite和Axon中傳遞。 只觀察神經微電路的場景下Dendrite和Axon就被統一，簡化為連接(對我這種怕麻煩的人就視其為導線)，整個連接結構就被簡化為僅有cell Body和synapses的簡單構成，這樣我們就獲得了細胞之間形成複雜網路的基礎要素。這就算齊活了!下面是不是可以往上堆功能了？不急，我們再耐心聽完synapase的故事。Synapses是在cell body之間的連接節 點，它本身不是簡單的連接器，而是具備功能的處理單元。 對於普遍的情況信號的傳遞跑到synpase（接頭處）就停了下來，信號通過synpase中的化學介質傳遞到下一個細胞體。這種叫做化學傳遞，這種信號傳遞方式細節有點小複雜，我這裡就跳著簡單說一下。

端上有一系列Ca+離子，當soma被激活時，產生的點位差會導致Ca+離子的活動。當Ca+離子濃度增加會導致vesicle跑到synpase的前端破壁而出(原來的說法更形象:vesicle向間隙"吐"遞質)，向細胞間隙中釋放一些稱作遞質的化學物質(谷氨酸/多巴胺這一類的玩意，種類大於100我記不住)，整體上就是這些遞質會從synapses內跑到細胞間的接縫處形成聚集(對應下面右圖中的小點)。接收端在對應的位置有一堆ions通道，在遞質發生一通化學反應後，這些離子通道會被打開，（可認為遞質的一個重要作用是打開離子通道的鑰匙）離子通過接收信號的細胞的離子通道接收離子流。這些離子從而影響細胞的突觸後電位(EPSP)。而一個細胞體所連接的輸入是來自於多個輸出的。用物理常識就能知道細胞體的電壓特性是這些輸入的總和結果。因此這些突觸整體上表現出相加的關係。當累計電位小於閾值時(就是動作電位)，細胞就不激活，反之，如果超過動作電位，而且本身不處於充電狀態(Repolarization),這些輸入就會觸發axon發出一個動作脈衝。

貌似這段粗糙的解釋就說明了synpase從電->化學->電的傳遞過程，深入進去這其中還包含一個遞質的量子釋放過程，和遞質的回收、分解的過程。出於降低腦容量需求的目的，個人直接忽視這兩個重要的環節。好在這部分不影響到後面要構建的基本內容，這就直接跳過拉倒。

這種詭異的方式使得信息傳遞只能單向進行，真真切切的起到了隔離的效果。同樣的，由於傳遞本身是由於化學離子的移動進行，這些離子在傳遞完信息後會被回收。Ca+就來回跑圈，刺激遞質的釋放，就達到了傳遞信號的目的。同時也看到這裡面存在兩個延遲因素,一是信號傳遞的延遲和電壓緩慢上升，第二是回收周期中延遲，電壓的緩慢下降。按照書上的說法這種傳遞會產生1ms左右的延遲。另外一方面的影響是，Ca/Na/K離子的濃度會影響形成的電流(說白了就是離子通道內通過的正離子總數)，離子濃度由synpase上的vesicle內的遞質總量決定。對於一些特定的情況，前後的細胞間的synpase是存在物理的Gap Junction的。離子就直接跑過去這種情況就顯得簡單很多。對接收端而言，接收端提供了一條離子通道和間隙連接，而對於抑制脈衝(負脈衝的情況)，CI離子會流入(就是鹽巴裡面的氯)，這玩意是負離子從而拉低接收端的電位，整體上要求其他synpase需要輸入更多的正離子，起到事實上拉高動作電位的作用，從而體現為抑制。

看到這裡感覺補鈣和吃鹽都很重要啊。

從上面的這堆羅里吧嗦的描述可以總結synpase的幾個特性。

首先，synapses具備類似二極體的特性，使得信號傳遞單向的進行，即是下一級單元的點位狀態不要影響上一個信息輸入單元。這讓我們能在圖上畫出來具體的箭頭方向。

第二： 對化學類synpase，會產生延遲。

第三： 對細胞體的電位而言，這些synpase的輸入不是單個影響細胞整體，而是一系列輸入的累加的總體表現。因此輸入synpase之間總體上表現為加法輸入(對負電位的脈衝輸入則體現為加個負數嘛)。

第四：動作電位的影響能力決定於發送端的遞質濃度和接收端的離子通道數量，這貌似是一個可以邏輯上調節連接拓撲的手段。

自於vesicle裡面的遞質從哪兒來的，這裡簡單說兩嘴：

1.大分子的遞質是細胞體自己合成的，合成好了以後會裝到囊泡裡面，慢慢(大概400m/天的速度)搬到端上的synpase。當然，運輸的代價就是消耗ATP。搬過來以後如果遇到激活情況，一把就用掉。

2.小分子的遞質就比較先進，細胞核把RNA從DNA上拷貝出來，把RNA直接帶到synpase，在synpase再用RNA組裝遞質。顯然這個模式比較先進，比較節能。

這裡說個有意思的事情，看到有篇文章這麼說的：遞質有一部分是從細胞體裡面搬出來的，儘管synpase有遞質回收機制，但有一部分遞質會被在間隙見被分解掉。所以總被激活一段時間後這個synpase遞質就會不夠。所以要求我們去睡覺，補充一下遞質。等我補點遞質先。。。。

上面說的這些信息由於發現和確認都比較早普遍在90年代就全部考證玩了，在普通的神經學1年級教材都能找到。下面被迫引入點高級貨，所謂高級貨就是新搞出來的和還沒看到人說清楚的，也不知道是不是普遍認可的東西，引入實在情非得已，後面我們需要啊。

核心問題是synpase拓撲連接的問題，如果只是往複信息傳遞玩激活遊戲，無論怎麼設計連接結構在拓撲結構上都會與馮式計算機陷入同樣的問題、整個信息通路的基本連接關係是在這個基礎上無法產生根本性改變，所有的處理通路在發育完成後就固定了能修改的只是信息的輸入。

1973年Terje L?mo搞了個對兔頭的研究，發現兔頭海馬體上的synpase存在一個叫做LTP的現象。

這LTP具體是什麼東西，簡單的說就是通過長時間對兔子的特定輸入通路上連續一段時間的載入人工產生的電信號(100Hz 脈衝),對細胞體反覆激活，發現對應的synpase產生的等效輸出竟然提高了(當然輸出是無法測量的，他們是測量接收信號的細胞體上的EPSP).這現象說明synpase很可能具備"熟練度"的特性。這開啟了對Synaptic可塑性的研究，過了幾年日本人Masao Ito又發現了一個叫做LTD的現象.請看下圖，基本就是激活時間越長，輸出的電壓越強烈。這些實驗觀察證明了一個可以理解為synpase可被特定情況調整的基本邏輯。而這個邏輯與40年代DonaldHebb 搞出來一套叫做Hebbian learning的假說-多用就變強基本符合。

--------------------------------------------可不看-----------------------------------------------------------------------------

狂讀一通後對這個LTP摸了基本情況，簡單說LTP現象是這樣的。對一個突觸而言，突觸可分為釋放化學遞質的突觸前，和接收化學遞質的突觸後。突觸後LTP在2000年左右似乎搞得比較清楚了，突觸後接收遞質的受體有兩類NMDA和AMPA,NMDA是固定的離子通道，當多次信號輸入後，其周邊的正離子濃度會提高。在較高的離子濃度下會促成AMDA的產生，相當於在突出後添加了新的離子通道。在同等遞質濃度下，離子穿透進入的可能性就得到提高，從而形成「熟練」減強的表現。由於一個通路(相同的兩個soma間)上由具體多個synpase連接都發生類似的現象，因此可以觀察到接收能力漸強的現象。

LTP對於突觸前也確定觀察到類似的反覆發送後增強的機制，只是似乎目前沒有完全搞清楚原理。2011年左右Nisticò et al倒是提了套機制，我本身不是他們這個圈的，不知道普遍認不認這套說法，我就不亂說了。貼個Nistico的圖出來，有興趣的可以瞄一眼。

LTD是個逆向的過程，整體面向抑制過程。與LTP類似，LTD好些材料都要有nature的會員才能看，沒渠道也就了解個框架。按照JPhysiol. 的說法LTP和LTD本質上就是激活離子通道和反激活離子通道的過程。

------------------------------------------------------------------------------------------------------------------------------

把橫線中間的內容簡單一歸納，就可以詳細說下第四條特性的具體表現：

LTP效應：

激活細胞體，如果接受細胞也被激活的話，synpase的接收增益就會提高。

激活細胞體，synpase的發送增益也會提高

LTD

反之如果出現超極化，目標細胞在被抑制的情況下被激活的話，對應的synpase接收增益會降低。

LTD對發送增益的問題沒搞清楚，不亂整。

簡單總結為，synpase 會隨著soma激活和接收soma的激活情況的而改變其電位信號的增益(其實是衰減比例了)。

由此我們總算在整個系統組織單元內找到一個可以將信息持久化的單元，這玩意對整體功能產生質的影響，簡單說就是終於看到信息存儲單元了。就像DDR和FLASH一樣的存在。大腦終於有可能記憶了，但具體怎麼搞，我們後面細說。

至此，在已經了解基本單元特性的前提下.可以按照理解的特性開始對機器學習演算法進行粗暴的觀察，以試圖在兩者之間相互印證。這兩個小節的知識對DeepLearning之前的學習演算法而言基本已經足夠支撐。對於HTM和DeepLearning的會用到皮質整體生物特性和針對pyramidal的細胞特點，在後面專門分開兩個章節的筆記進行梳理。以避免在不必要的階段引入太過複雜的內容。

推薦閱讀：