编辑推荐：
在生物系统中，决策（DM）和工作记忆（WM）对动物适应环境至关重要，但相关机制不明。研究人员利用吸引子网络框架开展研究，发现选择性抑制的电路架构可提高 DM 准确性，却降低 WM 稳健性。提出的动态调制机制能平衡二者功能，为认知功能研究提供新范式。
在神奇的大脑世界里，决策（DM）和工作记忆（WM）就像两个关键齿轮，推动着动物在复杂多变的环境中生存和适应。想象一下，一只小动物在面对危险时，需要迅速做出决策是逃跑还是躲藏，这就依赖于决策功能；同时，它还得记住周围环境的信息，比如哪里有可以藏身的地方，这就涉及到工作记忆。然而，尽管科学家们一直在努力探索，但这两个重要功能背后的神经机制却始终蒙着一层神秘的面纱。传统的研究模型，像漂移 - 扩散模型（DDM），虽然在一定程度上解释了决策过程，但却忽略了神经动力学的复杂性，无法深入揭示大脑在决策和工作记忆时神经元之间的微妙互动。为了揭开这层面纱，中国科学院大学温州研究院理论跨学科科学中心的研究人员 Han Yan 和纽约州立大学石溪分校的 Jin Wang 展开了深入研究 。他们的研究成果发表在《npj Systems Biology and Applications》上，为我们理解大脑的认知功能带来了新的曙光。
研究人员运用了多种关键技术方法来开展此项研究。他们采用了基于生物物理的模型，通过平均场方法简化神经元网络模型，将其降为 firing rate 模型，以此来描述神经网络的集体行为。同时，运用非平衡势景观和通量框架，结合 Fokker - Planck 方程等理论工具，对模型的动力学行为进行分析，量化景观特征，并计算熵产生率来衡量神经活动的能量消耗。
电路架构对 DM 和 WM 功能的影响
研究人员通过经典的随机点运动（RDM）辨别任务来探索神经基础。在这个任务中，猴子需要判断随机点的运动方向，并在延迟一段时间后做出反应，这就涉及到决策和工作记忆的过程。他们构建了具有不同抑制结构的吸引子模型，研究发现，具有选择性抑制的电路架构能使决策准确性提高。这是因为随着抑制神经元选择性增强（用参数 w 表示，w 越大选择性越强），系统的静止状态变强，决策时需要积累更多证据，虽然决策时间变长，但却减少了随机噪声导致的错误，从而提高了准确性。然而，这种结构却降低了工作记忆对干扰刺激的稳健性。当在延迟期引入干扰刺激时，随着 w 增大，决策吸引子之间的屏障高度降低，记忆状态变得不稳定，更容易受到干扰而改变初始选择。
决策与工作记忆功能权衡的动态调制
为了保护工作记忆免受干扰，研究人员在决策任务的延迟期添加额外的非选择性输入。研究结果显示，增加非选择性输入可以增强工作记忆对干扰的稳健性。随着非选择性输入（用ΔI0表示）增大，从正确决策状态转变为错误决策状态的平均时间增加，在有限时间内切换到错误选择的概率降低。这是因为非选择性输入使两个决策吸引子变强，增加了吸引子盆地的深度和它们之间的屏障高度，使系统更难切换到其他决策状态，从而有效地阻挡了干扰输入。但直接施加较大的非选择性输入会带来更高的热力学成本，并且在决策任务的证据积累期施加，会导致决策速度加快但准确性降低，初始错误也更难纠正。因此，研究人员提出在延迟期逐渐增加非选择性输入强度的方法，这样可以在保证工作记忆稳健性的同时，降低总体热力学成本，实现决策和工作记忆功能的动态平衡。
研究结论表明，具有选择性抑制的电路架构在决策和工作记忆中存在权衡关系。这种架构虽然提高了决策准确性，但削弱了工作记忆对干扰的稳健性。而在延迟期添加逐渐增强的非选择性输入，是一种经济有效的动态调制机制，可以在相对较低的热力学成本下，增强工作记忆对干扰的抵抗能力，平衡决策和工作记忆功能，以适应不同的认知任务需求。该研究意义重大，它为理解大脑认知功能的神经机制提供了新的定量框架，有助于揭示大脑如何在代谢限制下优化认知性能，也为未来研究神经网络架构与认知功能的关系指明了方向，比如可以进一步探究选择性抑制架构与长程连接模式如何相互作用，从而在分布式神经系统中优化认知表现。
