当小鼠学会执行一项新任务时，它们的大脑活动会随着时间的推移而从“新手”发展为“专家”。这些变化反映在细胞回路的布线和神经元的活动中。

来自冷泉港实验室(CSHL)，哥伦比亚大学，伦敦大学学院和Flatiron研究所的研究人员使用双光子成像显微镜和大量遗传工具，发现神经网络变得更加集中，因为小鼠可以更好地执行训练有素的任务。他们使用数据构建了计算模型，这些模型可以帮助他们理解决策背后的神经科学。

CSHL副教授Anne Churchland说：“我们同时记录了数百个神经元的活动，并研究了神经元在学习过程中的作用。”“没有人真正知道动物或人类如何学习任务的结构以及神经活动如何支持任务的结构。”

该团队包括研究的第一作者Farzaneh Najafi和Churchland实验室的博士后研究员，其团队从训练小鼠的感知决策任务开始。小鼠以点击和闪烁的顺序形式出现的多重感觉刺激。他们的工作是通过舔研究人员面前的三个注水口中的一个来告诉研究人员是高发生率还是低发生率。

他们舔了中间的水嘴开始试验，一侧报告了高利率的决定，另一侧报告了低利率的决定。当老鼠做出正确的决定时，他们会得到奖励。

“大多数决策研究都集中在动物真正是专家的时期。但是我们能够通过学习来测量动物大脑中的神经元，从而了解它们是如何进入状态的。”研究。“我们发现在所有动物中，它们的学习都是在大约四个星期内逐渐进行的。我们发现，支持学习的是整个神经元群的活动变化。”

研究小组发现，神经元在对与特定任务相关的活动做出反应时更具选择性。还开始更快更迅速地做出反应。

丘兰德说：“他们会在做出选择之前做出非常强烈的反应，而在做出选择之前做出的回应要少得多。”

当动物刚刚开始学习时，神经元直到做出选择时才会做出反应。但是随着动物获得专业知识，神经元会提前做出进一步反应。

丘兰德说：“我们可以通过某种方式来读懂动物的思想，可以预测动物在做之前要做什么。”“当您是新手时，您的大脑会做所有不同的事情，因此您的神经元会参与所有不同的事情。但是，当您是专家时，您就会完全了解自己将要做的事情，而我们可以参加这项活动。”

研究人员通过使用机器学习算法训练一个称为“线性支持向量机”的小型人工网络，对神经活动进行解码。它从多个试验中收集性能数据，并将其与所有神经元的活动相结合，对它们进行加权，以猜测动物的行为。随着动物在任务中变得更好，其神经网络也变得更加精致，精确和特定。研究人员能够将其反映到人工网络上，从而可以以大约90%的准确度预测动物的决策。

学习模型还提供了另一种查看与认知有关的大脑中特定类型神经元的方式，例如兴奋性神经元和抑制​​性神经元，它们分别触发正向和负向变化。在发表在《神经元细胞出版社》上的这项研究中，研究小组发现抑制性神经元是大脑中非常有选择性的亚网络的一部分，并且对于动物的选择具有强烈的选择性。

这些神经元是生物物理模型的一部分，可帮助研究人员了解决策的工作原理。随着研究人员完善这些模型，他们可以更加了解认知如何指导行为。

“我们在知觉决策方面学到了很多东西-受试者会做对与错的决策，做出这些决策需要多长时间，在决策过程中神经活动的样子-通过做出不同种类的决策做出真正具体预测的模型。”丘吉兰说。“现在，我们可以更好地理解为什么会有这些选择性非常高的子网，它们如何帮助我们做出更好的决策，以及如何在学习过程中将它们连接起来。”