《Nature | 社会习得性威胁的独特皮层代码》

  • 来源专题:战略生物资源
  • 编译者: 李康音
  • 发布时间:2024-02-08
  • 2024年2月7日,美国国立卫生研究院的研究人员在Nature在线发表题为A distinct cortical code for socially learned threat的文章。

    动物可以通过观察他人对威胁的反应来了解危险源,同时将自己的风险降至最低。然而,通过社会观察(称为观察性恐惧学习(OFL))来学习威胁以产生针对此类威胁的行为反应的独特神经机制仍然知之甚少。背内侧前额叶皮层 (dmPFC) 执行可能是 OFL 基础的几个关键功能,包括处理社会信息和消除威胁线索的歧义。

    该研究表明 dmPFC 是小鼠 OFL 招募和必需的。使用细胞分辨率显微内窥镜钙成像,研究人员证明了 dmPFC 神经元编码观察恐惧,并且以一种不同于直接经验的方式进行编码。研究人员发现dmPFC神经元活动预测了威胁引发的冻结和移动状态之间的即将到来的切换。通过结合神经元回路映射、钙成像、电生理记录和光遗传学,研究人员发现 dmPFC 投射到中脑导水管周围灰色 (PAG) 限制了观察者冻结,而杏仁核和海马输入到 dmPFC 相反地调节观察者冻结。总之,该研究结果表明,dmPFC神经元计算观察恐惧的独特代码,并协调远程神经回路以选择行为反应。

相关报告
  • 《Springer Nature:ChatGPT 等工具威胁着科学的透明性》

    • 来源专题:科技期刊发展智库
    • 编译者:张恬
    • 发布时间:2023-03-31
    •   施普林格·自然(Springer Nature)于2023年1月24日在《自然》发表社论称:“随着研究人员进入先进的人工智能聊天机器人新世界,出版商需要承认它们的合法用途,并制定明确的指导方针以避免滥用。”   社论中指出,近几年来,人工智能(AI)正在获得生成流畅语言的能力,一些科学家已经在使用聊天机器人作为研究助手,帮助组织他们的思维、对他们的工作产生反馈、协助编写代码和总结研究文献。但2022年11月发布的人工智能聊天机器人ChatGPT将大型语言模型(Large Language Models,LLMs)带给了大众,它的开发者——加州旧金山的OpenAI让不具备技术专长的人也能轻松使用。数以百万计的人正在使用它,其结果是有趣的,但有时也是可怕的——写作实验的爆炸性增长,使人们对这些工具越来越感到兴奋和不安。   ChatGPT可以写出可观的学生作文,总结研究论文,很好地回答问题以通过医学考试,并生成有用的计算机代码。它产生的研究摘要足够好,以至于科学家们很难发现其出自AI。对社会来说,令人担忧的是它也可能使垃圾邮件、勒索软件和其他恶意输出更容易产生。尽管OpenAI试图为聊天机器人的行为设置护栏,但用户已经找到了绕过护栏的方法。   研究界最大的担忧是学生和科学家可以欺骗性地把LLM写的文本当作自己的文本,或者以简单化的方式使用LLM(比如进行不完整的文献综述),产生不可靠的工作。有几篇预印本论文和已发表的文章已经将ChatGPT署名为正式作者。   社论指出:“现在是研究人员和出版商制定关于以道德方式使用LLM的基本规则的时候了。”Springer Nature旗下期刊在其作者指南中制定了以下两条原则:   (1)任何LLM工具都不会被接受为研究论文的署名作者。这是因为任何作者的归属都伴随着对工作的责任,而AI工具不能承担这种责任。   (2)使用LLM工具的研究人员应该在方法或致谢部分记录这种使用。如果论文不包括这些部分,可以用引言或其他适当的部分来记录LLM的使用。   目前,ChatGPT的原始输出经仔细检查是可以发现的,特别是当涉及几个段落以上,并且主题与科学工作有关时。这是因为LLMs根据其训练数据中的统计关联和所看到的提示产生单词模式,这意味着其输出可能看起来平淡无奇,或者包含简单的错误。此外,他们还不能引用来源以记录他们的输出。但在未来,AI研究人员可能会解决这些问题,例如,已经有一些实验将聊天机器人与来源引用工具联系起来,还有一些实验在专门的科学文本上训练聊天机器人。   因此,《自然》社论认为,编辑和出版商并不能确保检测出LLM产生的文本。一些工具承诺可以发现LLM产生的输出,Springer Nature也在开发这方面的技术,但是,LLMs将得到改善,而且很快。人们希望LLM的创造者能够以某种方式为其工具的输出内容打上水印,尽管这在技术上可能也不是万无一失。   社论指出,从最早期开始,无论哪种技术流行,科学的运作都是方法和证据的公开和透明。研究人员应该扪心自问,如果他们或他们的同事使用的软件从根本上是不透明的,那么产生知识的过程所依赖的透明度和信任度如何能够得到维持?   这就是《自然》制定上述规则的原因:最终,研究必须有方法的透明度,以及作者的诚信和真实,这毕竟是科学赖以进步的基础。
  • 《Nature | 皮层调节对疼痛中的人的帮助行为》

    • 来源专题:战略生物资源
    • 编译者:李康音
    • 发布时间:2024-01-29
    • 2024年1月24日,加州大学洛杉矶分校(UCLA)洪暐哲团队在Nature 期刊发表了题为Cortical regulation of helping behaviour towards others in pain 的研究论文。 尽管先前的研究表明,人类和动物能够感知其他个体的状态和需求,但个体如何针对他人的特定需求和目标作出有针对性的帮助行为,以及其背后的神经机制仍然不清楚。虽然这些帮助行为需要个体能够识别他人的状态和需求,但是如果旁观者仅仅理解他人的需要而不采取行动来提供帮助,这对那些有需要的个体来说价值有限。帮助行为是如何发生的?它在神经网络中是如何被编码和调控的?这些行为过程的神经生物学机制并不清楚。 该研究使用小鼠作为模式生物,对动物间的帮助行为进行了深入的研究,并揭示了大脑中编码和控制这种行为的重要神经生物学机制。 研究团队在之前的研究中发现,小鼠能够表现出亲社会的安慰行为(allogrooming behavior)以向经历了负面刺激而处于焦虑状态的同伴提供情感上的支持。在这一发现的基础上,研究团队进一步发现,小鼠对处于疼痛中的同伴能够表现出有针对性的帮助行为——小鼠会有针对性地舔舐同伴的受伤部位,以帮助他们应对疼痛。这种帮助行为被作者称为targeted allolicking。它由其他小鼠的局部疼痛和伤害引起,并且能够减少受伤个体自己舔舐自己伤口的需求。这种帮助行为在动物界广泛存在。作者们的研究提供了确凿证据,表明小鼠能够感知处于疼痛中的个体的特定需求,并通过targeted allolicking帮助其他小鼠应对疼痛。这为研究这种行为的神经生物学机制奠定了基础。 利用这一行为模型,研究团队深入研究了大脑皮层区域Anterior Cingulate Cortex (ACC)在编码其他个体的疼痛状态,以及调节这种帮助行为方面的作用。作者们发现,ACC中的单个神经元和整体的神经活动能够编码其他个体的疼痛状态,并且与对其他个体正常状态的神经反应有显著不同。此外,ACC中存在不同的神经元参与编码两种不同形式的亲社会行为——针对其他个体局部疼痛的目标性帮助行为(targeted allolicking)和对其他个体的安慰行为(allogrooming)。这些发现为ACC如何感知其他个体不同形式的负面状态,并根据不同情境调控不同的亲社会行为提供了新的见解。有趣的是,与这项研究的发现类似,过去的研究使用脑电图发现人类幼儿表现出的安慰和助人行为也与不同的神经活动模式相关。 最后,研究团队通过光遗传学和化学遗传学提供了功能上的证据,证明了ACC神经元在控制这种帮助行为中的因果关系。该研究发现,抑制ACC的神经元会导致allolicking减少,而激活ACC可以增强针对受伤部位的allolicking行为。 目前人们对于帮助行为的神经编码和调节这一有趣的问题还知之甚少,因此这项发现具有重要的意义。这些发现对动物感知其他个体的特定状态和需求并表现出亲社会行为的神经机制提供了关键见解,并为亲社会行为的神经机制研究开辟了新的研究方向。