编辑推荐：
在动物辨别花蜜与非花蜜气味困难，且蜜蜂嗅觉系统早期嗅觉处理机制不明的情况下，研究人员开展了关于蜜蜂触角叶（AL）抑制性突触可塑性对气味辨别影响的研究。结果表明，训练后 AL 抑制网络可改善模式分离，且该机制在机器学习模型中也有效，为理解嗅觉学习和人工智能发展提供依据。
在神奇的自然界中，动物们常常面临着一项极具挑战性的任务 —— 区分花蜜和非花蜜的气味。这可不容易，因为复杂混合物中存在着许多相同的化合物，而且它们的比例还各不相同。更麻烦的是，花蜜的产生会随着时间和环境的变化而改变，这让动物们的 “嗅觉导航” 变得更加困难。就拿勤劳的小蜜蜂来说，它们的触角叶（Antennal Lobe，AL）作为早期嗅觉中继站，里面的主要神经元还不到 1000 个，但却要学会将各种各样的挥发性混合物与奖励（比如花蜜）联系起来。尽管之前有研究发现 AL 电路存在可塑性，可它在气味学习中到底扮演着什么角色，科学家们却知之甚少。
为了揭开这个神秘的面纱，来自美国加利福尼亚大学圣地亚哥分校等研究机构的研究人员展开了深入的探索。他们的研究成果发表在了《Communications Biology》杂志上。这一研究意义重大，不仅帮助我们更深入地理解了蜜蜂的嗅觉学习机制，还为人工智能领域的发展提供了新的思路。
研究人员主要采用了以下几种关键技术方法：一是利用生物物理计算模型，这个模型是基于体内电生理数据进行调整的，能够模拟蜜蜂 AL 网络的活动；二是对蜜蜂的 AL 进行活体钙成像（Ca2+ imaging），通过这种方法可以直观地观察到神经元活动时钙信号的变化，从而了解气味在 AL 中的神经表征；三是运用图卷积神经网络（Graph Convolutional Neural Network，GCN）进行气味分类任务分析，将生物学研究与机器学习相结合，探索两者在处理气味信息时的相似性。
下面我们来详细看看研究结果：
- 差异条件训练在体内创建了不同的气味表征：研究人员通过钙成像技术测试了合成气味混合物在差异条件训练前后，在蜜蜂 AL 中的表征变化。他们以两种基于常见金鱼草花的合成气味 Potomac Pink（PP）和 Pale Hybrid（PH）为研究对象，发现不同类别的气味通过激活不同的肾小球（glomeruli）集合，在 AL 中形成了独特的表征。而且，经过差异训练后，这些表征变得更加明显，PH 和 PP 气味表征之间的相关性显著降低。这就好比给不同的气味 “贴上” 了更清晰的 “标签”，让蜜蜂更容易区分它们。
- 计算模型揭示差异条件训练的机制：为了探究产生差异学习的机制，研究人员构建了一个包含兴奋性主神经元（Projection Neurons，PNs）和抑制性局部神经元（Local Neurons，LNs）的计算模型。在模型中，他们模拟了奖励学习（通过增加 LN - PN 和 LN - LN 突触权重）和习惯化（通过调整突触后促进）过程。训练后发现，与奖励气味独特感知相关的神经元放电率增强，而与奖励和习惯化气味重叠感知相关的神经元活动则受到强烈抑制。这表明训练有效地将刺激在 AL 编码空间中分开，增强了对奖励和习惯化气味的辨别能力。同时，敏感性分析显示，模型的核心行为在广泛的参数值范围内保持一致，验证了模型的可靠性。
- 训练真实气味也能产生对比增强：为了确保实验结果不是由模型气味的特定构建引起的，研究人员生成了一组新的气味，这些气味的感知比例与实际行为实验中使用的挥发性化学物质比例一致。用这些新气味进行差异条件训练后，同样观察到气味表征在编码空间中的明显分离，不同类和同类气味之间的相关性都降低了。而且，通过计算感知的唯一性得分，发现具有较高唯一性指数的感知在训练后活动增加，反之则减少，这在体内钙成像数据和模型中都得到了验证。这种现象被称为对比增强，它使得蜜蜂能够更好地识别单个奖励气味。
- 抑制性 AL 网络可适应新环境中的气味辨别：蜜蜂在不同环境中，需要学习新的气味 - 奖励关联。研究人员通过模拟四种不同的环境重叠情况进行研究，发现 AL 网络能够有效地学习新的气味 - 奖励关联，同时保持现有的记忆。特别是当环境之间重叠较少或奖励结构保持一致时，网络表现出更强的适应性。此外，研究还发现网络对先前奖励气味的奖励关联变化更为敏感，并且预测当奖励结构反转时，网络学习新环境的时间会更长，这与实验研究中的反转学习现象一致。
- 图卷积神经网络和抑制性学习具有相似的解决方案：研究人员将蜜蜂 AL 网络的生物物理模型与 GCN 进行比较。他们用化学气体传感器数据训练这两个网络，发现 GCN 能够以 88% 的准确率识别气味所属类别。而且，GCN 和生物物理模型在气味表征上表现出相似的变化，即代表气味独特成分的单元增强，而代表许多气味共同成分的单元被抑制。这表明对比增强是一种有效的分类任务计算策略，无论是在生物嗅觉系统还是在机器学习模型中都发挥着重要作用。
在研究结论和讨论部分，研究人员指出，通过结合计算建模、机器学习和钙成像技术，他们揭示了蜜蜂 AL 中嗅觉学习的新机制。抑制性网络的可塑性通过对比增强，减少了奖励和习惯化气味表征之间的重叠，使奖励气味的表征更加紧凑。这种机制有助于蜜蜂在复杂的气味环境中快速准确地识别与奖励相关的气味，提高生存能力。同时，该研究还为人工智能的发展提供了新的思路，表明生物嗅觉系统中的一些原理可以应用到机器学习模型中，优化其性能。例如，GCN 模型在处理气味分类任务时，与蜜蜂 AL 网络表现出相似的对比增强策略，这为开发更高效的人工智能算法提供了借鉴。此外，研究还发现，非联想和联想可塑性在解释体内数据方面都起着重要作用，这为进一步研究嗅觉学习的神经机制奠定了基础。总之，这项研究为我们理解早期嗅觉处理和推动人工智能发展提供了宝贵的见解，具有重要的理论和实践意义。
