Mechanisms of associative and working memory

联想记忆和工作记忆的机制

基本信息

批准号：
7617555
负责人：
PETER E LATHAM
金额：
$ 7.68万
依托单位：
UNIVERSITY COLLEGE LONDON
依托单位国家：
美国
项目类别：
财政年份：
2001
资助国家：
美国
起止时间：
2001-03-01 至 2010-03-31
项目状态：
已结题

项目摘要

DESCRIPTION (provided by applicant): Associative memory is a fundamental property of the nervous system. It allows us to retrieve memories from partial or corrupted input, and thus plays a critical role in processing and categorizing information. The mechanisms that underlie associative memory, however, are not yet understood. The leading model, a theoretical model, proposes that the nervous system performs associative memory by implementing attractor networks. In such networks, input, in the form of patterns of action potentials, provides partial information about a memory; the dynamics of the network then drives the neural activity to an attractor - a stable state in activity space - that corresponds to a complete representation of the memory. While the attractor model is a valuable construct, it is an idealized one - there is a large gap between the model and real neuronal networks. Our goal is to close this gap, so that the attractor hypothesis can be rigorously tested. To do that, we will construct biologically realistic models that match the properties of specific brain areas associated with memory-related tasks, such as prefrontal, parietal and inferotemporal cortex. These models, which we will analyze using mean-field theory and large-scale simulations, will allow us to make experimentally testable predictions. Those predictions can then be used to determine whether attractor networks exist in the brain, and if so, what their underlying structure is.

描述（由申请人提供）：关联记忆是神经系统的基本属性。它使我们能够从部分或损坏的输入中检索记忆，从而在处理和分类信息中起着至关重要的作用。然而，尚未了解基于关联记忆的机制。领先的模型是一个理论模型，建议神经系统通过实现吸引者网络执行关联记忆。在这样的网络中，以动作电位模式的形式输入提供了有关内存的部分信息；然后，网络的动力学将神经活动驱动到吸引子 - 活动空间中的稳定状态 - 对应于记忆的完整表示。尽管吸引子模型是一个有价值的构造，但它是理想化的构造 - 模型和真实神经元网络之间存在很大的差距。我们的目标是缩小这一差距，以便可以严格测试吸引者假设。为此，我们将构建具有生物学现实的模型，以与与记忆相关的任务相关的特定大脑区域的性质，例如前额叶，额叶和颞下降皮层。这些模型将使用平均场理论和大规模模拟进行分析，将使我们能够进行实验测试的预测。然后可以使用这些预测来确定大脑中是否存在吸引子网络，如果是，它们的基础结构是什么。

项目成果

期刊论文数量（10）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

Probabilistic population codes for Bayesian decision making.

DOI：
10.1016/j.neuron.2008.09.021
发表时间：
2008-12-26
期刊：
Neuron
影响因子：
16.2
作者：
Beck JM;Ma WJ;Kiani R;Hanks T;Churchland AK;Roitman J;Shadlen MN;Latham PE;Pouget A
通讯作者：
Pouget A

Sensitivity to perturbations in vivo implies high noise and suggests rate coding in cortex.

DOI：
10.1038/nature09086
发表时间：
2010-07-01
期刊：
Nature
影响因子：
64.8
作者：
通讯作者：

Decoding neuronal spike trains: How important are correlations?

DOI：
10.1073/pnas.1131895100
发表时间：
2003-06-10
期刊：
PROCEEDINGS OF THE NATIONAL ACADEMY OF SCIENCES OF THE UNITED STATES OF AMERICA
影响因子：
11.1
作者：
Nirenberg, S;Latham, PE
通讯作者：
Latham, PE

Pairwise maximum entropy models for studying large biological systems: when they can work and when they can't.