人类的大脑包含约860亿个神经元。这些细胞通过发射电信号来帮助大脑存储记忆，并在整个大脑和神经系统中发送信息和命令。
大脑还包含数十亿个星形胶质细胞——这些星形细胞具有许多长的突起，使它们能够与数百万个神经元相互作用。尽管长期以来人们认为它们主要是支持性细胞，但最近的研究表明，星形胶质细胞可能在记忆存储和其他认知功能中发挥作用。
麻省理工学院的研究人员现在提出了一个新的假设，解释了星形胶质细胞如何可能参与记忆存储。他们的模型所提出的结构有助于解释大脑的巨大存储容量，这远远超过了仅使用神经元所能预期的存储容量。
“最初，人们认为星形胶质细胞只是在神经元周围进行清理工作，但没有特别的理由说明进化没有意识到，因为每个星形胶质细胞可以接触成千上万个突触，它们也可以用于计算。”麻省理工学院机械工程和脑与认知科学教授、该研究的作者Jean-Jacques Slotine说。
麻省理工-IBM沃森人工智能实验室和IBM研究部的研究员Dmitry Krotov是这篇开放获取论文的资深作者，该论文于5月23日发表在《美国国家科学院院刊》上。Leo Kozachkov博士是该论文的主要作者。
记忆容量
星形胶质细胞在大脑中具有多种支持功能：它们清除碎片，为神经元提供营养，并确保充足的血液供应。
星形胶质细胞还发出许多细长的突起，称为过程，每一个过程都可以包裹一个单独的突触——即两个神经元相互作用的连接点——从而形成三部分突触。
在过去几年里，神经科学家已经证明，如果海马体中星形胶质细胞和神经元之间的连接被破坏，记忆存储和检索就会受到损害。
与神经元不同，星形胶质细胞不能发射动作电位，这是传递信息的大脑中的电脉冲。然而，它们可以通过钙信号与其他星形胶质细胞通信。随着过去几十年钙成像分辨率的提高，研究人员发现钙信号也允许星形胶质细胞与其关联的突触中的神经元协调活动。
这些研究表明，星形胶质细胞可以检测神经活动，这导致它们改变自身的钙水平。这些变化可能会触发星形胶质细胞释放胶质递质——类似于神经递质的信号分子——进入突触。
“神经元信号和星形胶质细胞到神经元信号之间存在一个闭合的循环，”Kozachkov说。“未知的是星形胶质细胞从神经元感知到的信息能进行什么样的计算。”
麻省理工学院的研究团队着手建模这些连接可能在做什么以及它们如何可能有助于记忆存储。他们的模型基于霍普菲尔德网络——一种可以在存储和回忆模式中使用的神经网络。
霍普菲尔德网络最初由John Hopfield和Shun-Ichi Amari在20世纪70年代和80年代开发，常用于模拟大脑，但已证明这些网络无法存储足够的信息来解释人脑巨大的记忆容量。一种较新的、改进版的霍普菲尔德网络，称为密集联想记忆，可以通过更高阶的耦合（涉及超过两个神经元）存储更多的信息。
然而，尚不清楚大脑如何在假设的突触中实现这些多神经元耦合，因为传统的突触只连接两个神经元：一个突触前细胞和一个突触后细胞。这就是星形胶质细胞发挥作用的地方。
“如果你有一个神经元网络，它们以成对的方式耦合，那么你只能在这些网络中编码非常少量的信息，”Krotov说。“为了构建密集的联想记忆，你需要耦合超过两个神经元。由于单个星形胶质细胞可以连接到许多神经元和许多突触，因此很容易假设可能存在由这种生物细胞介导的突触间信息传递。这是我们开始思考星形胶质细胞并开始考虑如何在生物学中构建密集联想记忆的最大灵感来源。”
研究人员在新论文中开发的神经元-星形胶质细胞联想记忆模型可以存储比传统霍普菲尔德网络多得多的信息——足以解释大脑的记忆容量。
复杂的连接
神经元和星形胶质细胞之间广泛的生物连接支持了这种模型可能解释大脑记忆存储系统如何工作的观点。研究人员假设，在星形胶质细胞中，记忆通过钙流模式的逐渐变化进行编码。这些信息通过星形胶质细胞过程连接到的突触处释放的胶质递质传递给神经元。
“通过仔细协调这两件事——细胞内的空间时间钙模式以及向神经元的信号传递——你可以获得所需的动态，从而大幅增加记忆容量，”Kozachkov说。
新模型的一个关键特征是它将星形胶质细胞视为多个过程的集合，而不是单一实体。每个过程都可以被视为一个计算单元。由于密集联想记忆的高信息存储能力，存储的信息量与计算单元数量的比例非常高，并且随着网络规模的增长而增长。这使得系统不仅具有高容量，而且节能。
“通过将三部分突触域——星形胶质细胞与突触前和突触后神经元动态相互作用——视为大脑的基本计算单元，作者认为每个单元可以存储的模式数量与网络中的神经元数量相同。这导致了一个惊人的结论，即原则上，神经元-星形胶质细胞网络可以存储任意大量的模式，仅受其大小的限制，”多伦多大学克雷姆比尔研究所生理学助理教授Maurizio De Pitta表示，他并未参与这项研究。
为了测试这个模型是否准确地代表了大脑如何存储记忆，研究人员可以尝试开发精确操纵星形胶质细胞过程之间连接的方法，然后观察这些操作如何影响记忆功能。
“我们希望这项工作的一个后果是实验者会认真考虑这个想法，并进行一些实验来验证这个假设，”Krotov说。
除了提供关于大脑如何存储记忆的见解外，这个模型还可以为从事人工智能研究的研究人员提供指导。通过改变过程到过程网络的连接性，研究人员可以生成大量模型，用于不同的目的，例如在密集联想记忆和大型语言模型中的注意力机制之间创建连续体。
“虽然神经科学最初启发了AI的一些关键思想，但在过去的50年里，神经科学研究对AI领域的影响甚微，许多现代AI算法已经远离了神经类比，”Slotine说。“在这方面，这项工作可能是首批受近期神经科学研究启发的AI贡献之一。”
资料来源：
麻省理工学院
期刊引用：
Kozachkov, L., et al. (2025). 神经元-星形胶质细胞联想记忆。《美国国家科学院院刊》。doi.org/10.1073/pnas.2417788122。
(全文结束)
