哺乳动物大脑进化中的双重计算系统:从神经解剖协变到人工神经网络验证

《SCIENCE ADVANCES》:Dual computational systems in the development and evolution of mammalian brains

【字体: 大 中 小 】 时间:2026年04月24日 来源:SCIENCE ADVANCES 12.5

编辑推荐:

  本研究针对哺乳动物大脑中“新皮层与边缘系统呈负相关”的宏观进化规律,通过构建任务优化的人工神经网络(ANN)模型,揭示了这种解剖结构差异源于视觉/听觉(空间拓扑)与嗅觉/记忆(分布式)信息处理的本质计算差异,为理解大脑双系统演化提供了计算神经科学的理论框架。

  

大脑的“左右互搏”:为什么新皮层大了,嗅觉系统就小了?

如果你仔细观察过不同动物的脑部解剖图,可能会发现一个有趣的现象:依赖视觉的灵长类动物(如猴子)通常拥有硕大的新皮层(Neocortex),而嗅觉发达的动物(如犰狳)则拥有相对庞大的嗅球和边缘系统(Limbic System)。这种“此消彼长”的神经解剖学现象,长期以来被归因于生态位差异,但其背后的深层计算逻辑一直是个谜。
传统的“三重脑”理论(Triune Brain)简单地将大脑分为爬行脑(本能)、情绪脑(边缘系统)和理性脑(新皮层),并错误地认为它们是进化中层层叠加的。然而,现代神经科学证据表明,所有脊椎动物的大脑基本节段是保守的,并没有“新增”的脑区,只是在原有节段上发生了相对扩张。问题的核心在于:为什么在哺乳动物大脑进化中,新皮层与边缘系统会呈现出如此强烈的负相关协变关系? 这种宏观解剖结构差异,是否反映了底层信息处理方式的根本对立?
为了回答这个问题,一项发表在 Science Advances上的研究《Dual computational systems in the development and evolution of mammalian brains》跳出了传统的解剖学描述,转而从计算神经科学的视角,利用人工神经网络(Artificial Neural Networks, ANNs)作为模型,揭示了大脑进化中隐藏的“双重计算系统”原理。

关键技术方法概览

本研究采用了多层级验证策略:首先,基于182种哺乳动物的脑体积数据(来源包括Comparative Mammalian Brain Collections等),通过系统发育比较分析验证了新皮层与边缘系统(含嗅球、海马、杏仁核等)的负相关协变规律;其次,利用任务优化的深度神经网络(如ResNet、wav2vec 2.0及嗅觉模型),通过拓扑保持映射(Topology-preserving maps)将其表征投影到二维“皮层表面”,对比了视觉/听觉(空间拓扑)与嗅觉/记忆(分布式)的网络连接模式差异;最后,通过进化算法(Evolutionary algorithm)优化包含两种连接域(Spatiotopic vs. Distributed)的多模态网络,模拟了不同任务目标下脑区大小的进化轨迹。

研究结果解析

神经解剖协变:确凿的“跷跷板”效应

通过对182种哺乳动物(涵盖灵长类、啮齿类、食肉类等10个类群)的脑体积分析,研究人员首先量化了这种“跷跷板”效应。
  • •
    新皮层 vs. 边缘系统的负相关:当以脑干核心结构(延髓、中脑、间脑、纹状体)体积为基准时,新皮层与嗅觉系统(含嗅球、梨状皮层、杏仁核等)的残差呈现出显著的负相关(Pearson r= ?0.63)。这意味着,一个物种如果新皮层超常发育,其嗅觉系统往往相对萎缩,反之亦然。典型的例子是视觉主导的松鼠猴(新皮层大)与嗅觉主导的九带犰狳(嗅觉系统大)。
  • •
    边缘系统内部的正相关:与上述竞争关系相反,海马体(Hippocampus)、杏仁核(Amygdala)、隔核(Septum)等边缘系统组件之间表现出显著的正相关。例如,犰狳不仅嗅觉系统大,其海马体体积也是预期值的两倍。这表明边缘系统作为一个功能-结构统一的整体在协同进化。

信息结构决定网络架构:ANN的启示

为什么大脑会形成这两种对立的模式?研究人员提出了一个核心假说:不同模态的信息结构(Information Structure)决定了最优表征所需的网络连接模式(Connectivity Pattern)。
为了验证这一点,他们分析了四种感官模态的输入数据特性:
  • •
    视觉、体感、听觉:输入具有高度的空间自相关性(Spatial Autocorrelation)。图像中的相邻像素、皮肤上的相邻触点、声音频谱中的相邻频率在统计上高度相关。
  • •
    嗅觉:化学分子的识别依赖于大量嗅觉受体神经元(ORNs)的广泛组合,输入信号在空间上是分布式(Distributed)且无序的,缺乏局部相关性。
当训练人工神经网络分别处理这些任务时,出现了惊人的分化:
  • •
    空间模态网络:优化视觉、触觉任务的网络(如ResNet),自发地形成了有序的空间拓扑地图(Ordered Spatiotopic Maps)。网络中的相邻单元接收来自输入空间相邻区域的信息,连接模式是局部的、保序的,这与新皮层的连接模式高度相似。
  • •
    化学/记忆模态网络:优化嗅觉和关系记忆(Relational Memory)的网络,则形成了破碎的、分布式的映射(Fractured Maps)。信息汇聚模式是发散的,一个气味或记忆事件由广泛分布的神经元集群编码,这与边缘系统(如嗅球到梨状皮层)的广泛投射模式如出一辙。

进化模拟:任务目标驱动脑区竞争

如果两种连接模式(局部拓扑 vs. 全局分布式)在计算上互斥,那么它们在有限的颅腔空间内必然存在竞争。研究人员构建了一个包含两种连接域(Domain)的多模态网络模型,并施加不同的选择压力(如偏重视觉识别或偏重嗅觉记忆)。
结果显示,在进化算法的优化下,模型重现了真实的脑进化规律:当选择压力偏向“空间拓扑”任务时,网络中的拓扑域扩张,分布式域收缩;当偏向“关系记忆”任务时,分布式域扩张,拓扑域收缩。这从计算最优性(Computational Optimality)的角度证明了,大脑组件的协变不是随机的发育噪音,而是对不同生态位信息处理需求的最优适应。

结论与意义:重新理解大脑的“设计逻辑”

这项研究将大脑宏观解剖结构与微观计算原理巧妙地联系了起来,得出了几个颠覆性的结论:
  1. 1.
    双重计算系统是进化约束的产物:大脑并非均质化的计算器官,而是由两种根本不同的“算法引擎”构成。新皮层是“空间处理器”,擅长处理有局部结构的信号;边缘系统是“内容处理器”,擅长处理无空间结构的关联信息(如气味、情景记忆)。
  2. 2.
    推翻了“新旧脑”分层论:边缘系统不是原始的“残留物”,而是针对特定计算任务(如快速关联学习、情绪评估)高度优化的系统。它的缩小在灵长类中不是退化,而是计算资源向视觉-空间处理倾斜的必然结果。
  3. 3.
    提供了跨学科验证框架:通过人工神经网络和进化算法,研究证明了连接性先于功能性(Connectivity precedes functionality)。大脑的发育规则(如基因表达决定的连接倾向)预先设定了这两种计算架构,而进化只是根据生态需求调整它们的相对比例。
这项研究的意义深远,它不仅解释了为什么狗的鼻子灵而人的脑子“灵”,更重要的是,它为理解神经发育障碍(如自闭症中局部与全局信息处理的失衡)和构建更类脑的人工智能(如融合拓扑与分布式计算的混合网络)提供了全新的理论基础。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号