在果蝇视叶连接组中，能量高效的信息处理机制与适应性可塑性

《Scientific Reports》：Energy-efficient information processing and eligibility-trace plasticity in the Drosophila optic lobe connectome

　　

摘要

感觉神经回路在有限的代谢预算下运作，因此其信息处理能力应与能量消耗一起进行评估。通过使用结构图模型、受连接组约束的动力学模型以及一个明确的能量代理指标，我们量化了果蝇（Drosophila）视叶连接组中的能量与信息之间的权衡。细胞类型的对称性使得连接组的描述长度相比独立边的基准减少了9-16%，这表明连接图中的大部分结构在统计上是规律性的，而非特异性的。在典型的四路运动解码机制下，真实的连接组支持高于随机水平的解码能力，并且存在一个基于解码器的互信息下限（\(I_{\textrm{lb}}=0.408\pm 0.050\)比特），而标签随机化和连接性随机化则会使该下限降至零。在另一个考虑能量效率的机制中，由于拓扑结构和权重匹配的“空模型”（nulls）的存在，解码器的绝对性能限制取决于具体的运行点和空模型类型，因此我们关注的是该机制下的效率，而不是不同机制之间的原始信息差异。在这种比较下，真实网络的总能量低于连接性空模型（Real/Null_Conn \(\approx 0.80\)），并且在整个成本-权重范围内，真实网络的能量效率更高（即每单位能量所能处理的比特数更多）。在视网膜拓扑区域和计算资源匹配的预算条件下，基于“资格迹”（eligibility-trace）的学习机制（E-prop）能够比REINFORCE风格的策略梯度更有效地将学习到的连接结构与连接组对齐。进一步的轨迹分析和模式分析表明，这种优势在训练过程中是显而易见的；同时，模式相似性和几何结构对齐也捕捉到了生物学现实性的不同方面。综合这些结果，我们可以得出一个保守的结论：视叶连接组包含可压缩的结构，这种结构能够支持可解码的信号传输；在Part D机制下，真实的神经网络比匹配的空模型更具能量效率；而基于“资格迹”的学习机制为达到这种高效状态提供了一条可行的路径。