人类“超级大脑”背后的规模法则

e926c2aa0ee592c4f71770819d649662.png

来源:集智俱乐部

作者:郭瑞东 

编辑:邓一雪

摘要

不同动物的大脑具有不同形状和大小。大自然赋予像人类这样脑容量大的灵长类动物比例较大的大脑皮层。然而,比较研究表明,分配给大脑白质连接(大脑区域间长距离沟通的基础设施)的总体积增长,并没有跟上大脑皮层增长的步伐。近期发表于 Cerebral Cortex 的论文研究了这种异速生长对大脑连通性和网络组织结构的影响。研究者整理了14个灵长类动物物种的结构和功能性磁共振成像数据,对皮质体积相差350倍的大脑进行了跨物种对比,展示了大脑不同结构的体积间呈现出的规模法则,这一发现指出更大的大脑限制了长程连接。文章指出,大脑皮层表面积的增长超过了白质体积的增长,大脑显示出较低水平的整体连通性,特别是通过稀疏的远程连接。结果发现,这些对白质连接性的限制与较长的通信路径、较高的局部网络聚类以及左右半球同源区域之间连接模式的高度不对称性有关。这一发现揭示了大脑主要组成部分遵循的规模法则,并显示了其对宏观层面大脑连接组的影响;还提供了对连接组结构的深入了解,上述结构预期会在更大的大脑,如人脑中出现。

研究领域:规模法则,异速生长,大脑结构,白质,网络连通性

c1262f281257e39140574e9926299734.png

论文题目:

Scaling Principles of White Matter Connectivity in the Human and Nonhuman Primate Brain

论文链接:

https://academic.oup.com/cercor/advance-article/doi/10.1093/cercor/bhab384/6438119?login=true

1. 脑容量越大,白质占比越多?

白质指在大脑中执行不同功能的神经纤维,由于其表面的髓鞘含有类脂质,色泽亮白而被称白质,与之相对的灰质,包含神经纤维网、神经胶质细胞、突触、毛细血管等。不同哺乳动物大脑中,白质所占的比例有显著差异,例如小鼠大脑中占11%,恒河猴大脑中占27%,在体形更大的黑猩猩中,则占43%。

考虑到上述三种动物脑容量逐步升高,因此科学家猜想:是否脑容量越大,白质占比也越多?当脑容量变大后,大脑中不同部位的长程连接所占的相对比例会怎么变化?上述的大脑结构变化,是否能解释为何人类的脑容量并非最大,却成为“万物灵长”呢?这些问题的答案,为生物如何在脑容量这一物理限制下进化提供了启示。

2. 研究方法:

14种灵长类的大脑结构比较

该研究选择的14种灵长类动物,在脑容量上差距350倍,其在进化树上位置如下图所示:

cd46fc18c485295418b4e108a99b8a2c.png

图1:研究中用到的14种灵长类动物的进化树

对这些动物的大脑进行结构性核磁造影,可以得出皮层中白质、灰质的分区、皮层下结构(subcortical structures),并对皮层表面进行重构,由此可以估计白质和灰质所占的体积。胼胝体是连通两个脑半球的长程连接的主要部分,也可以通过结构性核磁造影被清晰观察,由此估计大脑中跨脑区连接的状况,并使用网络密度、连接长度、特征路径长度、聚类系数、连接非对称性等指标来量化评估。

3. 大脑中皮层表面积、体积

和白质之间的规模法则

由于体积是三维展开,而表面积是二维展开的,尽管大脑的褶皱具有分形特征,大脑皮质体积和表面积之间的幂律关系仍然是亚线性的(图2B),而大脑白质的体积和灰质的总体积呈超线性的幂律关系(图2C)。至于白质体积和皮层表面积之间的规模法则,可看成上述两个效应叠加的结果(图2D)。

                 6432259c81a93bdd4e17407922453cbd.png

图2:不同灵长类大脑及其皮质体积、表面积及其中白质体积的幂律关系

6e51d19d877da6ae65a52f29ed72de7e.png

图3:根据大脑中相对距离,将所有动物(按脑容量大小由上而下排列)的短程和长程连接以热图的形式展现(图3A),可以发现人类的长程连接是最少的。图3B对比了四种哺乳动物大脑中胼胝体的相对位置。图3C展示了大脑中连通两个脑半球的胼胝体的表面积随皮质表面积的亚线性幂律增长。进化上差距最远、体形最小的婴猴,其胼胝体表面积是皮质表面积的1/90,对于黑猩猩是1/123,对于人类则为1/211。

a6d32ee37487a77eb742c8df86ec3ae2.png

图4:不同动物大脑皮质体积和大脑连接组的网络指标之间的亚线性幂律关系,三个子图分别为关键路径长度、聚类系数、连接非对称性

从图2、3和4可以看到,由于超线性增长,人类大脑中的白质占总脑容量的48%,在所有哺乳类动物中最高。这与之前研究的结果相一致,即大脑皮层扩张后,需要更多的白质才能保持连接。而连通两个大脑的区域变得相对更少。这是由于可用于白质连接的空间越来越小,特别是长程连接受到更多限制,导致与较小的大脑相比,较大的大脑显示出相对较多的短程连接。

简单来说,就是人类的大脑不仅更大,而且其中神经元组成的纤维占比更多,且大脑中距离较远部位之间的相互交流更少,路径长度更短,沟通更加倾向于单向而非双向——上述变化都使得不同部位专精于自己的职责。而大脑偏侧化(lateralization)被认为是高级认知功能(例如复杂语言和人类社会智能)之所以出现的重要催化剂。

4. 人类大脑,更智能也更脆弱

该研究表明,从进化的视角来看,与一般灵长类动物的趋势相比,人类的大脑组织并没有独特之处,依然服从规模法则。这是由于大脑中不论灰质、白质还是胼胝体,都是内嵌于脑壳限制的共享空间中。但考察各个脑区,会发现在灵长类动物中,大脑的专业分工却是最显著的。这既带给人类独一无二的智能,也使得大脑缺少冗余备份,更加脆弱,使得人类相比其它动物,更容易患上精神类疾病、中风及神经发育类疾病。

大脑中不同结构的相对比例及连通性,对大脑发挥功能影响重大。通过发现灵长类大脑主要组成部分遵循的规模法则,该研究揭示了宏观层面连接组结构对大脑不同区域连通性带来的影响,为解开人类进化路上大脑发挥的作用补上了缺失的一环。

论文 Abstract

Brains come in many shapes and sizes. Nature has endowed big-brained primate species like humans with a proportionally large cerebral cortex. Comparative studies have suggested, however, that the total volume allocated to white matter connectivity—the brain’s infrastructure for long-range interregional communication—does not keep pace with the cortex. We investigated the consequences of this allometric scaling on brain connectivity and network organization. We collated structural and diffusion magnetic resonance imaging data across 14 primate species, describing a comprehensive 350-fold range in brain size across species. We show volumetric scaling relationships that indeed point toward a restriction of macroscale connectivity in bigger brains. We report cortical surface area to outpace white matter volume, with larger brains showing lower levels of overall connectedness particularly through sparser long-range connectivity. We show that these constraints on white matter connectivity are associated with longer communication paths, higher local network clustering, and higher levels of asymmetry in connectivity patterns between homologous areas across the left and right hemispheres. Our findings reveal conserved scaling relationships of major brain components and show consequences for macroscale brain circuitry, providing insights into the connectome architecture that could be expected in larger brains such as the human brain.

未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)大脑研究计划,构建互联网(城市)大脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。

  如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”

44e2e7561d1209863969c811b3df725d.png

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/482183.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Meta AI 宣布对人脑和语言处理进行长期研究

来源:ScienceAI编辑:绿萝人类的大脑长期以来一直是一个难题——它是如何发展的,它如何继续进化,它被开发和未开发的能力。人工智能 (AI) 和机器学习 (ML) 模型也是如此。正如人类大脑创建的 AI 和 ML 模型日益复杂一样&#xff0c…

10年100亿!“新基石研究员”项目正式发布

来源: 中国科学报文:《中国科学报》记者 赵广立4月30日,《中国科学报》获悉,一项总投入达100亿元、面向基础研究领域的社会资助项目——“新基石研究员项目”正式发布。在国家有关部门的指导下,“新基石研究员项目”由…

代表地球文明精髓的E=mc²,为什么被称为“死亡方程式”

来源:大数据文摘有这样一条方程式,原腾讯副总裁吴军博士说,如果地球毁灭,要在一张名片上写下地球文明的全部精髓,他会写下三个公式,其中就包含这个方程式;搜狐CEO张朝阳专门开了堂线下物理课&am…

北交桑基韬:“超”人的机器学习,非语义特征的得与失

来源:AI科技评论作者:桑基韬整理:维克多人工智能目前最大的“拦路虎”是不可信赖性,以深度学习为基础的算法,在实验室环境下可以达到甚至超过人类的水平,但在很多实际应用场景下的性能无法保证,…

手把手教你搭建一个中式菜谱知识图谱可视化系统

手把手教你搭建一个中式菜谱知识图谱可视化系统中式菜谱知识图谱1、系统功能2、先来看看效果实体间关联关系及实体信息显示不同类型实体开关显示搜索功能展示3、系统实现流程3.1 数据爬取3.2 D3可视化中式菜谱知识图谱 今天分享一个自己从数据爬取到d3可视化的中式菜谱知识图谱…

AI数字人未来十大展望

来源 :商汤智能产业研究院编辑 :刘振航从电影中逼真的CG人物,到能够与我们面对面进行互动的智能服务助手,数字人会经历几级进化?数字人正在从有颜无智的“CG数字模特”,进化为可提高生产力、驱动创新服务的…

知识图谱最新权威综述论文解读:开篇部分

论文地址:http://arxiv.org/abs/2002.00388 这篇综述是数据科学权威 Philip S. Yu 团队对知识图谱领域的最新综述论文,论文从知识图谱的发展历史、知识表示学习、知识获取、知识应用、未来研究方向等方面描述了知识图谱的全局。 首先,咱们先…

耗资52亿美元,历时15年,人类有史以来建造的最复杂机器

来源:世界先进制造技术论坛欧洲大型强子对撞机是现在世界上最大、能量最高的粒子加速器,是一种将质子加速对撞的高能物理设备,英文名称为LHC。LHC是人类迄今建造的最大最复杂的科学设备,它的建设历时15年,耗资52亿美元…

贝叶斯深度学习:一个统一深度学习和概率图模型的框架

来源:AI科技评论 作者:王灏整理:维克多人工智能(AI)的进展显示,通过构建多层的深度网络,利用大量数据进行学习,可以获得性能的显著提升。但这些进展基本上是发生在感知任务中&#…

知识图谱最新权威综述论文解读:知识表示学习部分

知识图谱最新权威综述论文解读:知识表示学习部分知识图谱表示学习1 表示空间1.1 Point-wise空间1.2 复数向量空间​1.3 高斯分布1.4 流形和群2 打分函数2.1 基于距离的打分函数​2.2 语义匹配模型:​3 编码模型3.1 线性/双线性模型3.2 张量分解模型3.3 神…

对知识图谱的告白:斯坦福大学CS520课程介绍

斯坦福大学CS520知识图谱系列课程,从这个课程的编号就足以看出对计算机科学的告白。 相信大家对斯坦福大学的计算机学科公开课一点也不陌生,对很多人来说,面向计算机视觉的CS231n和面向自然语言处理的CS224n几乎成为了入门人工智能领域以及C…

脑计算将何去何从?

来源:内容由半导体行业观察(ID:icbank)编译:nature.摘要类脑计算新技术有望通过完全不同的方式处理信息,能效极高,并能处理我们加速产生的大量非结构化和嘈杂的数据。为了实现这一承诺&#xff…

知识图谱最新权威综述论文解读:知识图谱补全部分

上期我们介绍了2020年知识图谱最新权威综述论文《A Survey on Knowledge Graphs: Representation, Acquisition and Applications》的知识表示学习部分,本期我们将一起学习这篇论文的知识图谱补全部分。 论文地址: https://arxiv.org/pdf/2002.00388.p…

神经元的集体行为:大尺度脑活动的动力学模型

来源:集智俱乐部(https://mp.weixin.qq.com/s/X88lG7rFhIFlpCJ2jVMLtg) 作者:彭崧峻 校对:梁金编辑:邓一雪封面:Sergey Fedotov排版:光影导语 / Introduction大脑由神经元组成&…

知识图谱最新权威综述论文解读:实体发现

上期我们介绍了2020年知识图谱最新权威综述论文《A Survey on Knowledge Graphs: Representation, Acquisition and Applications》的知识图谱补全部分,本期我们将一起学习这篇论文的实体发现部分。 论文地址: https://arxiv.org/pdf/2002.00388.pdf​…

Jurassic-X: 让神经模型学会符号推理

来源:前沿科技解读:Antonio编辑:陈彩娴近期,一家以色列NLP研究机构AI21 Labs开发了一个名叫Jurassic-X的算法系统,它基于该实验室提出来的MRKL(它与miracle谐音)系统。Jurassic-X的前身是对标GP…

知识图谱最新权威综述论文解读:关系抽取

上期我们介绍了2020年知识图谱最新权威综述论文《A Survey on Knowledge Graphs: Representation, Acquisition and Applications》的知识图谱实体发现部分,本期我们将一起学习这篇论文的关系抽取部分。 论文地址: https://arxiv.org/pdf/2002.00388.p…

斯坦福大学CS520知识图谱系列课程学习笔记:第一讲什么是知识图谱

随着知识图谱在人工智能各个领域的广泛使用,知识图谱受到越来越多AI研究人员的关注和学习,已经成为人工智能迈向认知系统的关键技术之一。之前,斯坦福大学的面向计算机视觉的CS231n和面向自然语言处理的CS224n成为了全球非常多AI研究人员的入…

数学三大核心领域概述:代数、几何、分析

来源 :数学与人工智能摘选自《数学史海揽胜》有删改数学发展到现在,已经成为科学世界中拥有100多个主要分支学科的庞大的“共和国”。大体说来数学有三大核心领域:数学中研究数的部分属于代数学的范畴;研究形的部分,属…

斯坦福大学CS520知识图谱系列课程学习笔记:第二讲如何构建知识图谱

上一讲我们学习了知识图谱的一些基本概念: 斯坦福大学CS520知识图谱系列课程学习笔记:第一讲什么是知识图谱 本节课程关于如何构建知识图谱,因为知识图谱的构建是整个知识图谱领域的一个非常核心且基础的工程,如何将现有的数据以…