奥地利科学技术研究所（IST）使用大脑齿状回的真实比例计算机模型，发现一种新的模式分离机制，被模式激活的抑制性神经元会抑制所有相邻的神经元，进而关闭与之“竞争”的类似模式。相关研究成果近日发表在《自然·计算科学》杂志上。
　　人类可以区分非常相似的东西。例如，黑猫与黑豹几乎一模一样，只是体型不同。区分这种差异至关重要。得益于所谓的模式分离，大脑能够区分非常相似的模式，并触发不同的行为。例如抚摸黑猫和逃离黑豹。然而，模式分离究竟是如何发生的，迄今尚未完全阐明。
　　IST教授彼得·乔纳斯领导的科研团队在早期的研究中，已经测量了突触的关键参数、神经元的连接点和连通规则。这些对于了解信息在小鼠和大鼠的海马网络中如何处理是必要的。在新研究中，他们使用这些真实世界的参数构建了一个包含50万个兴奋性神经元的全尺寸计算机模型，对模式分离如何工作的各种假设进行了测试。
　　过去，神经科学家认为模式分离是基于扩展：模式从较少数量的神经元投射到下一层处理中的大量神经元上。这将放大图案并使其更容易看到差异。虽然扩展是小脑中的一种可能机制，但它不太可能发生在海马体中，海马体中的颗粒细胞将它们的信号传递给下一层较少的CA3神经元。
　　乔纳斯解释说：“我们的真实模型表明，抑制在其中起着重要作用，即活跃的神经元阻止其他神经元放电。”从数学的角度已经表明，抑制网络中的活动可更容易地看出模式之间的差异。使用海马体模型，乔纳斯检查了抑制的作用。当抑制模型的一部分时，图案就会被牢固地分开。这一结果支持模式分离的观点从扩展转变为抑制的机制。
　　新数据还解释了齿状回局部抑制的功能和作用。激活的神经元仅抑制300微米半径内的其他细胞。这种抑制可比全局抑制更好地分离模式。速度在模式分离中至关重要，焦点抑制减少了延迟：一种模式中的神经元开启并非常迅速地抑制周围细胞，确保其他模式不会开启。