神經科學 科學報導 計算神經科學

昆蟲不需要定位的導航系統

在自然環境中導航、覓食並歸巢是動物最複雜的行為之一,導航的行為模式與神經基礎也成為神經科學的研究重點。過去研究在鼠腦內記錄到與空間訊息相關的神經活性,證實動物大腦內可能建立「認知地圖」、於空間中定位並導航,包括空間細胞 (place cell) 與格狀細胞 (grid cell) 等發現在 2014 年獲得諾貝爾生理醫學獎[1]。另一方面,行為研究顯示螞蟻與蜜蜂等昆蟲也能夠在大尺度導航、覓食並歸巢,這些相對微小的神經系統是否也透過類似的認知地圖進行導航呢?本研究歸納過去實驗操控下的昆蟲導航行為[2],提出神經系統彙整空間訊息的模型,發現昆蟲能夠整合不同尺度的空間資訊並推估最佳運動方向,顯示昆蟲或許在缺乏認知地圖與定位功能的情況下仍能產生實驗觀察到的導航行為。

過去實驗發現昆蟲可能藉由路徑積分 (path integration) 或景物辨識 (landmark guidance) 在空間中導航,路徑積分透過宏觀的訊息(例如季風方向或星空羅盤)持續追蹤昆蟲在空間中的方位,景物辨識則依賴局部訊息(例如特殊的地景)形成運動的相對方向。然而,路徑積分與景物辨識所提供的訊息衝突時 (cue-conflict),訊息的交互作用、彙整機制仍不清楚。本研究提出的資訊整合模型中,試圖計算路徑積分與景物辨識兩種模組的最佳組合,其中路徑積分模組能夠建立宏觀的向量場 (global vector field) 而景物辨識提供局部的向量場 (local vector field),考慮兩訊息的不確定性後,最佳線性組合便是此模型預測的昆蟲導航方向。

路徑積分與景物辨識訊息衝突的實驗有助釐清昆蟲導航的依據,例如,實驗者能夠捕捉在歸巢路徑上的螞蟻並移動至距離巢穴的不同距離,此時的路徑積分訊息已受干擾但景物辨識相同,反之,實驗者也能在螞蟻返歸巢前旋轉景物相對方向,景物辨識受影響而路徑積分訊息相同。螞蟻的歸巢路徑分佈在訊息衝突後顯著改變,而資訊整合模型能夠預測過去三篇不同實驗文獻所記錄的螞蟻行徑方向分佈,宏觀與局部向量場的最佳線性組合也成功描述螞蟻於空間中的移動模式。進一步,此模型拓展至蜜蜂的飛行路徑,相同的路徑積分與景物訊息操控下,資訊整合模型也成功預測蜜蜂導航的飛行路徑。

昆蟲相對簡單的神經系統如何產生複雜而精確的導航行為仍是一大謎團,此研究提供的資訊整合模型有效地解釋過去文獻所記錄的螞蟻與蜜蜂行為,顯示昆蟲能夠推估不同空間資訊的不確定性並最佳化訊息的組合,此外,透過向量場計算與認知地圖的定位方式相當不同,此模型的空間資訊是分散於不同模組而非依賴像是全球定位系統 (GPS) 的中央處理系統。與此研究提出的模型相對應的神經網路仍不清楚,近期研究發現果蠅紀錄運動方位的神經基礎,已指出類似指南針功能的環形吸引子 (ring attractor) 神經動力學[3],期待相關研究持續帶我們認識微小腦在空間中導航的行為模式與神經基礎。

圖片來源:https://doi.org/10.1073/pnas.1721668115

參考文獻:

  1. The Nobel Prize in Physiology or Medicine 2014. http://goo.gl/q7cqdB
  2. Hoinville T, Wehner R. Optimal multiguidance integration in insect navigation. Proc Natl Acad Sci U S A. 2018 Mar 13;115(11):2824-2829. https://doi.org/10.1073/pnas.1721668115
  3. Sung Soo Kim, Hervé Rouault, Shaul Druckmann, Vivek Jayaraman. Ring attractor dynamics in the Drosophila central brain. Science. 26 May 2017: Vol. 356, Issue 6340, pp. 849-853. https://doi.org/10.1126/science.aal4835

 

撰文、審稿│陳 曦

About the author

Avatar

陳曦

台大生科系畢業,目前於普林斯頓大學攻讀博士班。研究領域為系統與計算神經科學,也對生物物理、 系統生物學與複雜系統感興趣。大學至UCLA暑期實習、於復旦大學研究交流、碩士班研究於中研院物理所。大學時期推動系學會學術活動、撰寫科普文章,希望對跨領域合作、科普知識的推廣盡一份心力。期待持續在Investigator社群結識志同道合的朋友,推廣學術訊息、分享研究經驗的過程中互相學習。

留言

Leave a Comment