PNAS：嗅觉也有开关？

最近的大热剧《开端》当中，主角李诗情和肖鹤云陷入了一场无限循环的公交车爆炸案当中；为了排查出爆炸物的来源，男女主对公交车上的乘客反复试探。在初始的排查过程中，李诗情终于找到机会接近装有炸弹的高压锅，但是却并没有成功识别出炸弹的气味，而是把它当成了炖肉的香料，于是又一次爆炸发生了。

对于所有的动物来说，准确地识别出感觉刺激是自身能够生存和繁衍的重要基础，而这种能力广泛地存在于视觉、嗅觉、听觉等等感觉系统当中。

在认知神经科学的历史上，模式识别存在一个迷思：刺激所引起的神经反应会受到多种因素的干扰，神经系统如何在不同的干扰情况下始终准确地识别出不变的刺激呢？例如在昏暗和明亮的光线下，一张白纸所表现出的明度并不相同，但神奇的大脑仍然可以识别出它是一张白纸，而不是一张其他颜色的纸，这是怎么做到的？又或者当周围环境暗到什么程度的时候，神经系统会无法识别这是一张白纸呢？

2022年1月发表在《美国科学院院报》（PNAS）上的一篇研究，提出并验证了模式识别可能存在的机制。根据刺激来源的不同，模式识别的干扰因素可以被分为刺激本身的因素（例如强度、持续时间、反复模式）以及外部干扰因素（例如物理环境、其他线索、时空顺序）。在现实情境中，这些干扰因素复杂多样，而动物在复杂的干扰条件下仍然能够稳定地识别出刺激的类型。对于这一现象，研究者认为，神经系统中可能存在某个计算网络，这一网络可以在神经元高变异性的反应特征中提取出所需信息，来补偿上述不同干扰条件下存在的变异，从而保证稳健的模式识别。

研究方法

该研究探索的是蝗虫嗅觉系统的模式识别。研究者使用食物奖励来训练蝗虫识别某种特殊的气味，建立食物-气味的条件反射联结，通过测试阶段中蝗虫的行为反应，验证蝗虫已经学会预期的气味识别。随后，研究者在呈现气味刺激时加入各种干扰因素，观察蝗虫在干扰条件下的行为表现和神经反应，并使用神经反应数据训练分类器，在此基础上构建了一个神经网络系统来预测识别的准确性。

行为证据：

蝗虫能学会气味识别吗？

首先，研究者需要重复验证基础假设：即便气味自身特征或者外在环境发生变化，蝗虫仍能学会稳定地识别某种特殊的气味。

研究者使用食物奖励训练饥饿的蝗虫（Fig.1A）: 训练阶段的6个试次中，给蝗虫呈现气味（CST），然后呈现食物奖励（UST）。食物奖励本身能够触发蝗虫下颚须天然张开，因而在每个试次中，研究者都记录蝗虫张开下颚须的距离。随后，在测试阶段中只呈现目标气味而不呈现食物奖励，如果蝗虫在呈现目标气味时做出张开下颚须反应（PORs），而在暴露于其他气味时没有做出上述反应，那就说明它能够识别这种气味，并且这一反应是有选择性的。进一步地，处在干扰条件下时，如果蝗虫仍然表现出对训练气味的选择性张开下颚须，就说明气味识别是稳定而准确的。

Fig.1A. 训练阶段和测试阶段食物奖励目标气味呈现图示。下颚须被描记为绿色，记录下颚须张开的距离。

上述行为实验的结果表明，在多个测试试次中，蝗虫都表现出研究者预期的选择性PORs，这说明它学会了气味识别。对于刺激呈现时长、刺激历史、其他线索、湿度变化等多个干扰条件下，蝗虫的训练气味识别仍然是稳定的（Fig.1B-E）。

Fig.1B. 在刺激呈现时长变化的情况下，暴露于训练气味的蝗虫仍然迅速地表现出PORs，并且一直持续到训练气味消散。Fig.1C. 在暴露于目标气味前呈现其他气味作为干扰线索，蝗虫仍然能够稳健的识别目标气味。Fig.1D.当存在其他竞争刺激作为背景信息时，未经训练的背景信息并不改变蝗虫对目标气味的行为反应。Fig.1E.在干燥或是潮湿的条件下，蝗虫对所有目标气味都表现出PORs。

-

电生理证据：

神经元活动能表征气味吗？

对于神经活动生理指标，研究者采集cholinergic projection neurons (PNs)的神经活动信息，记录PNs的放电模式，分别探索气味自身和外在环境特征所导致的PN反应变化。在蝗虫辨识气味的过程中，气味激活蝗虫触角上的接受器嗅细胞，其发出的信号传递到antennal lobe（可以类比为脊髓动物的嗅球）并在此处进行换能，转化为PNs中复杂的放电模式。以往研究表明，神经系统通过PNs的放电模式来编码气味的强度和属性。

01

刺激动态、刺激历史、竞争线索的影响

研究者将2种目标气味（hex和iaa）以脉冲的形式呈现，1个试次中包含11个脉冲。在前5个脉冲改变目标气味的呈现时长和时间间隔（改变刺激动态），6-8个脉冲施加于背景线索上（改变刺激历史），后续3个脉冲前加入竞争线索。共进行10个试次，记录25只蝗虫89个PNs的放电活动。

结果表明，85个PNs中，有4个神经元对于每次目标气味的暴露持续表现出可探测的反应（Fig. 3 A-B; PN6），但这些单个神经元的活动特征并不能区分两种目标气味。

研究结果表明，单个神经元对于这些干扰因素的反应具有高变异性。第一个呈现目标气味脉冲和后续呈现目标气味脉冲的PN反应水平的相关较弱（Fig. 3C）；就目标气味呈现时的放电次数而言，大多数PN都表现出大于1的泊松变异。

-

02

环境湿度的影响

研究者仍然沿用一致的刺激脉冲来呈现目标气味，让蝗虫在潮湿和干燥的环境下进行气味识别实验。对于单个神经元同样发现，不论是在哪种湿度条件下，大多数PNs都表现出较高的变异性（Fig.4A-B）；第一个脉冲和后续脉冲PN反应水平的相关较弱，这在干湿条件下是类似的（Fig.4C）。对于群体水平的神经元反应，研究者使用主成分分析将所有神经元的平均放电次数降维投射至三维图像上，结果表明，干燥和潮湿条件下PN的特征向量形成不同的反应集群（Fig.4D）。这说明群体水平的神经反应可以区分湿度条件的差异。

-

线性分类：神经元活动的“三元”解读

由于个体神经元表现出高变异性，然而行为证据支持稳健的识别结果，为弥补二者之间的差距，研究者试图进一步解读神经反应。研究者使用线性统计解码图式（linear statistical decoding schemes），对于一组单独的神经反应数据（目标气味呈现4s），将89个神经元在每个50ms内的放电频率记录为89个维度的向量，分别对hex和iaa两种目标气味，训练线性支持向量机分类器(SVM)。训练后的SVM用于预测实验过程中两种气味存在的可能性。结果表明，在两类分类器中所有目标气味都能被准确探测到，并且两类分类器都可以区分不同的气味（Fig.5A-C）。

Fig. 5A-C.  蝗虫在干燥条件下/潮湿条件下识别目标气味或者其他气味的结果。横坐标是试次时间，纵坐标是识别的概率。虚线代表识别的阈限，概率高于虚线则认定存在目标刺激，用星号标记。

SVM分类器为不同神经元的预测能力赋予了不同的权重。通过对比SVM权重与在目标刺激呈现前后的神经元反应，研究者发现，那些呈现刺激时被激活的细胞（ON细胞）大多数被赋予正值；那些刺激呈现结束后被激活的细胞（OFF细胞）大多数被赋予负值（Fig.5D-E）。

进一步地，研究者对SVM权重进行三元赋值的简化，将其转化为{-1, 0, 1}值；换言之，目标刺激识别的总体水平可以简化为：加上ON细胞的激活水平，再减去OFF细胞的激活水平。研究结果表明，三元赋值的简化操作仍然保有预测的准确性（Fig.6A-B）。ON细胞的激活水平加达到某一阈限，则表现出对目标气味的识别；而OFF成分能够进一步区分不同气味的激活模式，当使用不含有OFF成分的布尔逻辑{0, 1}加权时，两种目标气味的区分度被削弱，假阳性的比例提高了（Fig.6C）。三元赋值的结果达到了研究者所称的“简洁性和稳健性的精准平衡”。

总结

综上所述，该研究的结果表明，尽管单个神经元的反应常常随着干扰因素而变化，但可以通过简单的线性分类来提取群体水平上的神经元反应信息，从而实现对于目标刺激的准确探测以及对于不同目标刺激的清晰区分。研究者所假设的解读图式是存在的，并且这一模式能够将多变的神经反应转化为稳健的行为结果。

编译｜家养蛋糕

参考文献

Srinath Nizampatnam, Lijun Zhang, Rishabh Chandak, James Li, Baranidharan Raman. Invariant odor recognition with ON–OFF neural ensembles. Proceedings of the National Academy of Sciences, 2022; 119 (2): e2023340118 

Washington University in St. Louis. (2022, January 10). The ‘surprisingly simple’ arithmetic of smell: Adding and subtracting certain neurons tells researchers whether or not a locust can smell an odor. ScienceDaily. Retrieved January 16, 2022 from 

www.sciencedaily.com/releases/2022/01/220110145300.htm