《PLOS Computational Biology》：A unified model of short- and long-term plasticity: Effects on network connectivity and information capacity
编辑推荐：
活动依赖性突触可塑性是一种基本的学习机制，其塑造神经回路的连接性和活动。现有的尖峰时序依赖性可塑性（Spike-Timing-Dependent Plasticity，STDP）计算模型以不同程度的生物学细节捕捉长时程突触变化。常见的方法忽略了短时程动力学对长
活动依赖性突触可塑性是一种基本的学习机制，其塑造神经回路的连接性和活动。现有的尖峰时序依赖性可塑性（Spike-Timing-Dependent Plasticity，STDP）计算模型以不同程度的生物学细节捕捉长时程突触变化。常见的方法忽略了短时程动力学对长时程可塑性的影响，这对于某些神经元类型可能是一种过度简化。因此，需要新的模型来研究短时程动力学如何影响长时程可塑性。为弥补这一空白，研究人员引入了一种新的现象学模型，即短-长时程STDP（Short-Long-Term STDP，SL-STDP）规则，该规则直接将Tsodyks-Markram短时程动力学模型与突触后长时程可塑性相结合。研究人员将该新模型拟合至视觉皮层第5层的记录数据，并研究了短时程可塑性如何影响单一突触上长时程可塑性的放电频率依赖性。分析揭示，长时程可塑性的突触前和突触后频率依赖性在通过汇节点和源节点的出现塑造循环神经网络（recurrent neural networks，RNNs）的自组织及其信息处理方面起着关键作用。研究人员将SL-STDP规则应用于RNNs，发现SL-STDP网络中的神经元自组织成不同的放电频率簇，从而稳定了动力学。研究人员通过纳入稳态平衡（即权重归一化和兴奋-抑制可塑性）扩展了实验，并观察到SL-STDP网络与不含短时程和长时程可塑性直接耦合的网络之间在度相关性上的差异。最后，研究人员评估了修改后的连接性如何影响储层计算任务中网络的信息容量。SL-STDP规则在大多数任务中优于未耦合系统，而纳入兴奋-抑制易化突触进一步提高了信息容量。该研究表明，短时程动力学诱导的长时程可塑性频率依赖性变化在塑造网络动力学和将突触机制与RNNs中的信息处理联系起来方面发挥着关键作用。
**SL-STDP模型：融合短时程与长时程可塑性的统一框架**
**一、研究背景与问题**
大脑的学习与记忆依赖于活动依赖性的突触可塑性，这一机制通过长时程增强（Long-Term Potentiation，LTP）和长时程抑制（Long-Term Depression，LTD）在较长时间尺度上重塑神经回路。尖峰时序依赖性可塑性（Spike-Timing-Dependent Plasticity，STDP）作为描述此类突触修饰的核心现象学原则，已被广泛研究。然而，突触传递同时受短时程可塑性（如短时程抑制和易化）的调节，这些快速动力学能否以及如何直接影响长时程可塑性的诱导，在现有模型中尚未得到充分探索。传统的STDP模型通常忽略短时程动力学的影响，这可能对某些神经元类型而言是一种过度简化。尽管实验证据表明短时程抑制能影响长时程突触修饰，但直接耦合短时程与长时程可塑性的计算模型仍较为有限，其在网络层面（特别是循环神经网络（Recurrent Neural Networks，RNNs））对连接性自组织和信息处理能力的影响更是鲜有研究。因此，亟需发展新模型以探究短时程动力学对长时程可塑性的影响及其在神经网络信息处理中的功能意义。
**二、研究目标与模型构建**
为填补上述空白，研究人员提出了一种新颖的现象学模型——短-长时程STDP（Short-Long-Term STDP，SL-STDP）规则。该模型通过一个共享的潜在变量y(t)将描述短时程动力学的Tsodyks-Markram（TM）模型与描述长时程可塑性的Triplet STDP模型统一起来，使得短时程突触状态直接调节长时程突触权重的更新。研究人员将SL-STDP模型拟合至大鼠视觉皮层第5层锥体神经元的实验数据，并与采用相同拟合流程的最小全对全Triplet模型进行比较，以分析短时程动力学对长时程可塑性频率依赖性的重塑作用。随后，研究人员将SL-STDP模型应用于由800个兴奋性和200个抑制性泄漏积分发放神经元组成的循环神经网络，考察其在有无稳态平衡机制（权重归一化和兴奋-抑制可塑性）条件下的自组织连接性、网络动力学，并通过储层计算任务评估网络的信息容量。
**三、主要关键技术方法**
研究人员采用以下关键技术方法：1）构建SL-STDP统一模型，将TM短时程可塑性模型与Triplet长时程可塑性模型通过共享状态变量耦合；2）利用大鼠视觉皮层L5锥体神经元的电生理记录数据，采用L-BFGS-B算法和basinhopping策略对模型参数进行拟合；3）基于NEST 3.8和NESTML 8.2进行尖峰神经网络模拟；4）采用k-means聚类和NetworkX进行连接性分析；5）利用尖峰对比度度量评估网络同步性；6）通过信息容量测试（基于Legendre多项式和非线性变换的储层计算任务）评估网络的工作记忆和计算性能。此外，研究人员还应用半解析方法求解零斜线以分析模型的频率响应特性。
**四、主要研究结果**
**1. 统一短时程与长时程可塑性模型的性质分析**：研究人员推导了突触权重的平均漂移方程，发现SL-STDP模型展现出依赖于短时程动力学类型的多样化频率响应特性。短时程抑制占主导的突触表现出较强的LTD，而易化型突触则增强LTP，且存在不同的最适强化频率区间。
**2. 模型拟合与频率依赖特性**：模型拟合结果显示，SL-STDP模型与Triplet模型在平均突触漂移上存在显著差异。Triplet模型的LTP幅度比LTD高两个数量级，而SL-STDP模型表现出平衡的LTP与LTD幅度，且其频率依赖性与Triplet模型的固定阈值特性截然不同。
**3. RNNs中连接性差异的形成**：在无稳态控制的RNNs中，SL-STDP网络自发形成多峰放电频率分布和不同频率簇，表现出放电频率与出强度负相关、与入强度正相关的特性。相比之下，未耦合的TM-Triplet网络则出现单峰分布和权重饱和，产生过度同步化和病理性爆发活动。
**4. 稳态调节机制的影响**：权重归一化抑制了SL-STDP网络中频率簇的形成，但保留了其固有的度相关趋势；而兴奋-抑制（excitatory-to-inhibitory）可塑性则维持并调节了频率簇的结构，促进了网络振荡并增强了网络的定向前馈性组织。
**5. 信息容量评估**：在储层计算任务中，SL-STDP网络在无需额外稳态控制的情况下即可获得优于基线网络的信息容量。与未耦合TM-Triplet模型相比，SL-STDP在多数任务中表现出更优性能，尤其是在使用兴奋-抑制易化突触时，SL-STDP网络在同时涉及非线性变换和短期记忆的任务中取得了最高的信息容量。
**五、讨论与结论**
本研究表明，短时程动力学通过改变长时程可塑性的频率依赖性，对RNNs的自组织和信息处理起到关键调节作用。SL-STDP模型所诱导的抗相关入/出度结构及频率簇形成，被认为是避免病理性过度兴奋和提升网络信息处理能力的关键因素。直接耦合机制本身即为防止突触强化失控提供了有效途径，使得网络能够形成多样化的功能连接结构。本研究的发现强调了将不同时间尺度的可塑性机制统一建模的重要性，为理解生物神经回路的工作记忆机制和开发神经形态计算算法提供了新的理论依据。
