学习新知识（编码）和储存知识，并随着时间推移进行记忆提取、修改或遗忘，对于动物或者人类灵活应对变化的环境至关重要。
2019年底，Nature Neuroscience发表了一系列反映这个领域进展的综述性和前瞻性文章，由此盘点数十年来发展的技术和研究进展。以下brainnews编辑部对相关综述性文章和前瞻性文章作简单介绍，一共涉及到学习记忆的八大方向！
突触可塑性一直被认为是我们适应环境的重要行为过程之一，参与学习和记忆形成的过程。在不同神经元活动模式下，突触可塑性关于突触前和突触后诱导和表达机制已经在体外实验中得到证明。然而，特定形式的突触可塑性和特定阶段的学习和记忆过程之间的联系没有体内实验的支持。这是由于动物的特定状态下特定脑区产生的活动通常难以描述，且该活动尚未与离体条件下更全面描述的突触可塑性构成一致。为解决这一问题，目前科学家可以利用光学和药理学手段，控制突触受体活性、突触后钙离子活动、转导级联、突触棘的大小和神经递质的释放来操纵体内突触可塑性。Yann总结了目前常用的操纵方法，并提出了新一代的方法还需要结合基因操纵手段来实现可视化和操纵突触强度。
图：体内突触可塑性的操纵方法(图源文章)
大脑会将新形成的散发性记忆不断与陈旧记忆进行比较和区分，所以新记忆的储存不会发生重叠，且陈旧记忆也会有所更新从而反映出新的经验。海马齿状回将一种经验的正交化信息传递到CA3。在CA3中，旧记忆可以被提取或者更新，新经验可以被整合成海马-皮层网络中一种新的表现形式。但海马并不存储记忆，只对记忆痕迹生成索引。齿状回-CA3环路由于成年后新生齿状颗粒细胞 (abDGCs)的整合而不断改变。对abDGCs的急性和慢性操纵与记忆干扰的解析度存在关联，但是其中的神经环路机制还未知。本文整合了与abDGCs的生理和行为功能相关的研究成果，研究表明abDGCs具有发育、生理和环路的独特性质，可以扩大海马的索引能力以及促进模式分离。
图：DGCs与记忆检索(图源文章)
当你睡觉会重新激活哪些记忆？当动物处于新环境或加强对某个地点的探索时，海马中神经元群体在睡眠时会被再激活。睡眠的主要功能之一是形成长时记忆，这是一个主动的系统化巩固过程。慢波睡眠过程中，海马中神经元群体放电按照时间顺序反复再激活，导致皮层网络的表征逐渐转变和整合。Klinzing等人详细说明了啮齿动物和人类研究中系统化巩固，神经元群体再激活的过程，以及睡眠记忆巩固过程中突触连接性改变和脑波振荡情况。此外一些研究发现，下丘脑也参与了这一记忆巩固过程。
图：睡眠与记忆(图源知乎)
1966年的一个实验，证明了学习与遗忘具有第三种结果，那就是用信息线索可以帮助记忆提取。记忆的关键是提取，记忆痕迹(engrams)的激活，相当于对记忆的提取(ecphory)，尽管记忆形成和巩固的神经机制已经有相对充分的说明，但是记忆提取的的神经生物学基础还未知。近年来，科学家利用光遗传学和基因表达调控系统，可以成功实现调控神经元群体编码活动来操纵记忆提取。这一实现也形成了我们当前对记忆提取的初级理解。此外，记忆编码和提取状态之间具有一致性，这个编码特异性影响了记忆提取的可能性，同时文中也强调提取线索影响记忆成功提取的方式。在这一领域中，还有一些重要的开放性问题，作者等人也给出了一些看法。
图：1966年的实验(图源文章)
外部刺激和大脑内在状态能够影响学习和记忆的不同方面，神经调节系统参与了部分调节。在情绪化学习过程中，神经调质参与调节神经元活动。恐惧反射和消退高度依赖于机体的一般状态，包括觉醒、认知和动机状态，在这些状态下感知过程发生改变，而神经调质改变下游神经元的生理活动状态，改变编码方式，从而重建稳态。Likhtik和Johansen详细解析了乙酰胆碱、去甲肾上腺素和多巴胺系统如何参与恐惧记忆编码和消退，讨论了神经调节系统如何贯穿大脑或者是在特定脑区进行活动，如何增强特定神经信号，和如何调整神经环路之间的关系。
图：小鼠恐惧记忆 (图源网络)
想象一下你正在通过马路，即便在最平静的街道，感觉系统也面临着巨大的信息量。决定是通过或是等待，如何避免被碾压是一项艰巨的任务。大脑似乎通过有效学习和低维表征来简化复杂任务。有效学习需要我们辨别关键信息，忽略掉其他无关的细节，所有这些都取决于我们手上的任务。一个有效的任务表征意味着对调整任务表现至关重要的环境因素。在过马路这件事上，任务表征包括了所有与我们行动结果相关的因素，比如迎面而来的汽车的速度和距离，但忽略了其他因素，比如汽车的颜色和马路边的商店等。注意力和外部环境等因素如何影响这些表征，以及我们如何使用任务表征做出决策？Yael总结了近期关于表征学习的计算和神经基础的最新研究，讨论了人类和其他动物如何构建任务表征以实现有效学习和任务决策，在众多信息中如何选择性忽略无效表征，以及眶额皮层如何代表任务状态，部署大脑其他区域的决策和学习行为。
图：过马路(图源文章)
不同于只能记录小范围神经元活动的经典学习框架，人工神经网络(ANNs)使用简化单元来粗略模拟真实神经元的整合和激活特性，从而模拟神经计算，因此能够记录大范围神经环路的神经元反应特性。ANNs由三个基本要素组成，学习目标、学习规则和网络架构，表示为信息流的路径和连接。深度学习可以看作是长期以来的ANNs思想的重塑，以端到端的方式训练分层的ANNs，使得每一层的可塑性都有助于学习目标。目前科学家对构建ANNs的关键性原理有了更多了解，并有理论上的理由认为这些理解普遍适用。因此本文为现代系统神经科学绘制了深度学习框架的框架图，而ANNs的三个基本要素对如何建模，工程设计和优化复杂的智能学习系统的重要性，进一步阐述基于深度学习框架的优化如何推动神经科学的理论和实践发展。
图：人工神经网络的三大要素(图源文章)
脑机接口BMIs构建了一个与大脑交互的闭环控制系统：首先，记录特定活动或情绪状态下的神经活动，经由解码后生成信号，刺激大脑来写入神经信息。过去20年，BMI创建的闭环控制系统，在恢复运动能力、帮助了解控制和学习的神经元机制方面有重大的进展，并逐渐延伸到了情绪控制和神经精神病学领域。运动型脑机接口旨在恢复瘫痪者的运动功能，大脑作为控制器，以神经活动形式控制命令运动目标和感觉反馈，从而移动神经假肢系统。然而，更多神经系统疾病中，发生了大脑内部状态调节异常，而非运动障碍，比如抑郁症或癫痫。情绪型脑机接口，通过闭环式控制系统，外部控制器基于治疗目标和特定情绪活动解码后的反馈，调整对大脑的刺激参数，使大脑成为受控对象，形成预期的情绪状态，从而达到调整异常情绪状态的治疗效果。Maryam在此回顾了关于运动型BMI的重大研究进展，以及BMI如何拓展到神经精神病学领域的观点。
图：脑机接口的闭环回路 a:运动控制 b:情绪控制（图源文章）
参考文献：
1.Frankland, P.W., S.A. Josselyn, and S. Kohler, The neurobiological foundation of memory retrieval. Nat Neurosci, 2019. 22(10): p. 1576-1585.
2.Humeau, Y. and D. Choquet, The next generation of approaches to investigate the link between synaptic plasticity and learning. Nat Neurosci, 2019. 22(10): p. 1536-1543.
3.Klinzing, J.G., N. Niethard, and J. Born, Mechanisms of systems memory consolidation during sleep. Nat Neurosci, 2019. 22(10): p. 1598-1610.
4.Likhtik, E. and J.P. Johansen, Neuromodulation in circuits of aversive emotional learning. Nat Neurosci, 2019. 22(10): p. 1586-1597.
5.Miller, S.M. and A. Sahay, Functions of adult-born neurons in hippocampal memory interference and indexing. Nat Neurosci, 2019. 22(10): p. 1565-1575.
6.Niv, Y., Learning task-state representations. Nat Neurosci, 2019. 22(10): p. 1544-1553.
7.Richards, B.A., et al., A deep learning framework for neuroscience. Nat Neurosci, 2019. 22(11): p. 1761-1770.
8.Shanechi, M.M., Brain-machine interfaces from motor to mood. Nat Neurosci, 2019. 22(10): p. 1554-1564.
作者信息
编译作者：Sybil（brainnews创作团队）
校审：葱（brainnews编辑部）
题图：gradeslam.org
欢迎加入超过 15000人的
全球最大的华人脑科学社群矩阵