Trends in Neurosci：脑进化的转变：空间、时间和熵| 脑科学顶刊导读66期

✎ 顶刊导读目录 

1，禁欲依赖的可分离中央杏仁核微电路控制药物渴望

2，心-脑相互作用形成体感知觉和诱发电位 

3，脑进化的转变：空间、时间和熵

4，心脏骤停后脑损伤：从昏迷预后到康复

5，强化学习—放眼于两大系统之外

1，禁欲依赖的可分离中央杏仁核微电路控制药物渴望

期刊：PNAS

作者：Loren       

实验过程

社会支持能促进戒毒。本研究使用奖励性的社交互动将此基本功能纳入了我们的社区强化模型（community-reinforcement model）。根据最近研究报道，社会选择诱导的自愿禁欲阻止了大鼠对甲基苯丙胺的渴求。这种抑制作用与中央杏仁核外侧区蛋白激酶Cδ(PKCδ)表达神经元的激活有关，而强制戒断后潜伏的渴求与细胞表达生长抑素(SOM)神经元的激活有关。

本研究使用新型的短发夹式RNA，发现社交互动对欲望潜伏的抑制作用是由CeL PKCδ的激活介导的，从而导致CeM神经元的抑制。相反，强迫戒断后的孵育是通过激活CeL SOM介导的，从而导致CeM神经元的激活。我们的结果确定了依赖于禁欲表达或抑制渴望潜伏的中央杏仁核分离机制。

https://www.pnas.org/content/117/14/8126.

2，心-脑相互作用形成体感知觉和诱发电位 

期刊：PNAS

作者：Loren

尽管人类大多时候不会特别意识到自己的心跳，但人们的大脑不断地接收来自身体和环境的信号，因此有研究发现，有几种与心跳相关的信息会影响有意识的感知。目前尚不清楚这些效应是不同的现象还是相关的现象，也不清楚它们作用于早期的感觉加工还是晚期的决策过程。我们结合脑电图和心电图，根据信号检测理论，研究识别了与早期和晚期躯体感觉加工有关的、两种不同的与心跳相关的意识知觉影响因素。

首先，研究发现心跳诱发电位(HEP)对早期感觉加工有影响。刺激前HEP的振幅与躯体感觉刺激的定位和检测呈负相关，反映了一种更保守的检测偏差(标准)。重要的是，HEP波幅升高之后，早期(P50)和晚期(N140，P300)体感诱发电位(SEP)波幅降低。

其次，沿着心脏周期的刺激时间也会影响感知。收缩期时，刺激被检测和正确定位的频率较低，这与知觉敏感性的变化有关。这种知觉衰减，伴随着仅晚期SEP成分的抑制(P300)，对心率更稳定的个体来说会更强烈。

这两种心脏相关效应都与α振荡对躯体感觉处理的影响无关。我们用预测性编码解释了心脏周期计时效应，并认为HEP相关效应可能反映了内感和外感之间的自发转换或一般注意资源的调节。我们的结果提供了一个概念性的框架，可以解释内部信号如何整合到我们对世界的有意识的感知中。

https://www.pnas.org/content/117/19/10575

3，脑进化的转变：空间、时间和熵 

期刊：Trends in Neuroscience

作者：Freya  

大脑是如何进化成如此复杂的？脑的未来是什么？大脑的解释性是一个巨大的挑战。随着时间的推移，熵不可避免地增加，而熵通常与无序和简化联系在一起。最近，我们展示了进化作为一个熵过程，构建了有机体这种结构，它们本身促进了熵的增长。

在本文中，我们提出进化中的关键过渡点将有机体延伸到空间和时间，打开了进入复杂多维状态空间新区域的通道，也由此允许熵增加。大脑进化使空间和时间的表现成为可能，从而大大加强了这一过程。但因为其中的一些通道会导致状态空间中微小的死胡同，因此复杂生命的持续性并不能从热力学上得到保证。

https://doi.org/10.1016/j.tins.2020.04.008

4，心脏骤停后脑损伤：从昏迷预后到康复

期刊：The Lancet Neurology

作者：Sybil

系统随访指南

近年来，随着院前管理的重大改进，存活的心脏骤停患者数量越来越多。然而，现在的问题在于很多昏迷患者的神经学预后估计的最终结果尚不清楚。

神经科医生、神经重症监护医生和临床神经生理学家必须准确地平衡以下问题：过度保守的预后估计可能会使患者处于严重残疾状态，而错误的悲观预后估计可能会导致原本可能会好转的患者结束用于维持生命的治疗。

现在预后诊断技术已大大改善，包括电生理检测、脑影像学和化学生物标记等。预后判断应至少在心脏骤停后72小时给出以清除镇静药。在心脏骤停后幸存的患者中，认知障碍、情绪问题和疲劳等现象很常见，但常常无法被识别，这与照顾者的负担和社会参与度下降有关。

通过简单的筛选，这些问题可以被识别出来，并使得这些患者能够获得足够的信息和康复服务。本综述专注于最近5年内的研究进展，旨在为缺氧后脑损伤的预后、随访和康复提出一种实用的方法。

https://www.thelancet.com/pdfs/journals/laneur/PIIS1474-4422(20)30117-4.pdf

5，强化学习—放眼于两大系统之外

期刊：nature reviews neuroscience

作者：Sniper

强化学习（Reinforcement learning，RL）是一个对心理学、神经科学和机器学习都特别重要的框架。RL作为一个枢纽，促进了这些领域之间的相互作用，从而推动了范式迁移，将框架中的多个研究方向关联起来（例如，将生物学中的多巴胺功能与数学计算中的RL信号相关联）。

近来，已经研究提出更复杂的RL算法，从而更好地解释人类的学习机制，主要可分为：基于模型的系统（model-based，MB）和无模型系统（model-free，MF）。但是这两大系统，在带来许多好处的同时，还可能会扭曲问题，并导致人们对学习和决策产生过于狭隘的看法。

本文概述了通过一些“过于自信”的映射算法（例如MB与MF RL）推定认知过程所带来的一些后果。作者认为该领域应该放眼于两大系统之外，并提出了一种将研究问题重新聚焦于学习和决策中丰富而复杂的组成部分的方法。

https://www.nature.com/articles/s41583-020-0355-6

作者信息

 

校审：Freya（brainnews编辑部）

题图：Singularity Hub

前 文 阅 读 

 

---

欢迎加入超过 20000人的

全球最大的华人脑科学社群矩阵