01 / 読書ガイド
読書ガイド
引用
Dayan, P., & Abbott, L. F. (2005). Theoretical Neuroscience: Computational and Mathematical Modeling of Neural Systems. The MIT Press.
章の要約
本書は3部10章からなり、数学付録と参考文献が付く。著者自身の説明では、理論神経科学は、神経系が何をしているかを記述し、どのように機能するかを突き止め、その働きを支える一般原理を明らかにするための定量的な基盤であり、応用先は視覚、感覚運動の統合、発達、学習、記憶に及ぶ。以下の章題は、著者のウェブページにある目次に従う。
第I部 神経の符号化と復号：第1–4章
第I部は、感覚刺激と神経応答の関係を扱い、ニューロンのスパイク活動が情報をどう表現するかに焦点を当てる。4つの章は「神経の符号化I：発火率とスパイクの統計」「神経の符号化II：逆相関と視覚の受容野」「神経の復号」「情報理論」である。最初の2章は神経応答を統計的に記述して刺激と関係づけ、第3章は応答から何を読み取れるかを問い、第4章がその両方の問いに情報理論の枠組みを与える。
第II部 ニューロンと神経回路：第5–7章
第II部は、細胞と、シナプスの生物物理学に基づいてニューロンと回路をモデル化する。第5章「モデルニューロンI：神経エレクトロニクス」と第6章「モデルニューロンII：コンダクタンスと形態」は、単一ニューロンのモデルを組み立てる。第7章「ネットワークモデル」は回路へ進み、著者がサンプルとして公開している章でもある。発火率モデル、フィードフォワードネットワーク、再帰ネットワーク、興奮－抑制ネットワーク、確率的ネットワークの各節があり、視覚誘導の到達運動に必要な座標変換、一次視覚野の単純型・複雑型細胞のモデルとしての選択的増幅、短期記憶としての積分、ゲイン変調、連想記憶、振動を伴う嗅球のモデル、ボルツマンマシンを扱う。章末には要約、付録、注釈付き文献目録がある。
第III部 適応と学習：第8–10章
第III部は、発達と学習における可塑性の役割を3つの章で分析する。「可塑性と学習」「古典的条件づけと強化学習」「表現学習」である。著者の目次ページは、これらについてそれ以上の説明をしていない。
数学付録と参考文献
数学付録には全体で使われる方法がまとめられている。たとえば第7章は、シナプス入力のフィルタリングについてこれを参照している。参考文献の完全なリストも著者のサイトで入手できる。
主要概念
第I部：符号化と復号
- 発火率とスパイクの統計：ニューロンの出力を、率として、また確率過程として記述すること。
- 逆相関と受容野：ニューロンを駆動する刺激の特徴を推定すること。
- 神経の復号：応答から刺激を推定すること。
- 情報理論：応答が刺激について伝える情報を定量化すること。
第II部：ニューロンとネットワーク
- 神経エレクトロニクスとコンダクタンス：ニューロンの膜を電気回路としてモデル化すること。
- 形態：ニューロンの形が応答に与える影響。
- 発火率ネットワークモデル：発火率と重み行列で記述するフィードフォワード・再帰ネットワーク。
- 興奮－抑制のダイナミクス：結合した集団における振動と安定性。線形安定性解析で調べる。
- 確率的ネットワーク：ボルツマンマシンのような確率的なネットワークモデル。
第III部：可塑性と学習
- シナプス可塑性：活動に依存したシナプス強度の変化で、学習の基盤となる。
- 強化学習：報酬から学ぶこと。古典的条件づけを例とする。
- 表現学習：ネットワークが入力の統計に関する内部表現をどう学ぶか。
批判的分析
長所
- 明快な構成。 3つの部は一本の流れに沿っている。ニューロンが何を表現するか、ニューロンと回路がどのように活動を生み出すか、そして回路が経験によってどう変わるかである。
- 解析とシミュレーションの併用。 サンプルの章では、著者が解析的な道具（重み行列、固有ベクトル、安定性解析、リャプノフ関数）とシミュレーションを並べて用い、各モデルに視覚野や嗅球などの生物学的な例が添えられている。
- 章ごとの補助。 第7章の終わりには要約、導出の付録、注釈付き文献目録がある。著者のサイトには、コードとデータ付きの演習、授業用の図、各刷の正誤表もある。
- 著者自身の資料。 無料の教材があるため、独学にも授業の設計にも使いやすい。
短所
- 数学的に要求が高い。 サンプルの章は、行列と固有ベクトル、微分方程式、安定性解析、クラメール－ラオの限界のような統計的概念を使っており、読み始める前にこれらに慣れておく必要がある。
- 範囲がやや古い。 本書は2000年代初めに書かれた（著者の正誤表ページは、2003年2月までに2刷が出たことを記している）。そのため、その後の分野の進展は含まれない。
- 生物学の知識が前提。 本文は数学を軸に組み立てられている。神経科学が初めての読者は、実験的な背景を補うために別の神経科学の教科書が必要になる。
コースにおける位置づけ
本書は、神経科学の読書リストの中で定量的・理論的な1冊である。Henley『Foundations of Neuroscience』は、この分野が初めての学部生向けの無料の入門書であり、Bear、Connors、Paradiso『Neuroscience: Exploring the Brain』は行動の生物学的基盤を扱う入門教科書である。Purvesほか『Neuroscience』は単一のニューロンから認知までを扱う総合的な教科書で、Martinほか『From Neuron to Brain』は実験を土台にした定評ある細胞・システム神経科学の教科書である。Luo『Principles of Neurobiology』は各原理の背後にある実験をたどる。
DayanとAbbottはこれらすべてと補完関係にある。教科書が言葉で説明する生物物理学や符号化の考え方を、モデルとして表現する方法を示す。神経科学の教科書を1冊修め、数学の基礎を備えた学生が、次に読む本である。
本書の使い方
脳のモデル化に関心のある、神経科学、物理学、工学、数学、計算機科学の大学院生と上級の学部生に向く。微積分、線形代数、微分方程式、確率の素養が必要で、演習にはプログラミングの経験も役立つ。
実用的な進め方：
- 中核： 第1–3章と第5–7章が骨格となる。符号化、復号、単一ニューロンのモデル、ネットワークである。
- 関心に応じて： 情報理論なら第4章、学習と可塑性なら第8–10章。
- 演習に取り組む。 著者の演習集と付属のコードやデータを使う。購入前にレベルを確かめたければ、まず第7章を試すとよい。この章は著者のサイトで無料公開されている。
- 正誤表を確認する。 手元の刷に対応する正誤表を参照する。