- 综合排序
- 最热优先
- 最新优先
- 来自专栏音乐与健康
多巴胺通路与大脑关键区域
一、结节漏斗多巴胺通路结节-漏斗多巴胺能通路的多巴胺能神经元从下丘脑核（弓状核和室周核）投射到垂体（图4-11）。正常情况下，这些神经元可以抑制垂体前叶泌乳素的分泌。 这些问题可能发生在用了许多阻断多巴胺D2受体的精神病药物治疗后。在未经治疗的精神分裂症患者中，结节漏斗通路的功能可能相对正常（图4-11）。图4-11 结节漏斗多巴胺通路。 三、黑质纹状体多巴胺通路黑质纹状体DA通路是从黑质区DA神经元发出传出神经纤维，投射到背侧纹状体的神经通路（图4-12）。图4-12 黑质纹状体多巴胺通路。 所谓的直接通路（如图4-13B左侧以及图4-13C和E所示）由兴奋型的D1多巴胺受体组成（图4-13E），并直接从纹状体投射到苍白球内侧以刺激运动（“go”通路）（图4-13C）。 所谓的间接通路（如图4-13B右侧以及图4-13D和F所示）由D2多巴胺受体组成，D2多巴胺受体具有抑制性（图4-13F），并通过苍白球外侧核团和丘脑下核间接投射至苍白球内核。
51610编辑于 2026-02-27 - 来自专栏音乐与健康
多巴胺通路与大脑关键区域
多巴胺能神经元可以分为多个亚群，不同亚群的DA神经元可以通过五条神经投射通路向大脑的各个不同脑区进行投射（图4-10）：黑质--纹状体DA通路；中脑--边缘DA通路；中脑--皮质DA通路；结节--漏斗DA 多巴胺能神经元亚群变性死亡，而另一类多巴胺能神经元亚群CEP则不受影响(图2)。 CED-9/FZO-1互作，进而介导线粒体过度融合和功能障碍(图4)，该通路是导致ADE选择性死亡的关键。 该机制在帕金森小鼠黑质多巴胺能神经元选择性丢失过程中保守存在(图4)。 图3 ADE多巴胺能神经元中PARP-1/PARG-1通过生成ADPR选择性激活TRPM2图4 Mfn2/Bcl-2(即线虫FZO-1/CED-9)引发线粒体过度融合导致易感多巴胺神经元死亡此外，在小鼠帕金森病模型中
22910编辑于 2026-02-24 - 来自专栏TDesign 技术视野・开发篇
“多巴胺设计” 来袭，TDesign 主题中心上线
在过去的一年里，TDesign 推出了主题配置功能，并开放了颜色配置功能，使得越来越多的企业能够为其内外部产品提供个性化定制。随着 TDesign 正式版的发布，UI 定制功能已通过 Design Token 全面融入到了代码中。 如今，越来越多的 Token 需要配置和命名，为了降低用户在使用过程中的成本，团队希望开放更多的功能，通过可视化工具进一步提高定制能力的自由度，让用户能够更轻松地进行个性化定制。
1.2K40编辑于 2023-07-19 - 来自专栏UAI人工智能
Google AI dopamine 多巴胺强化学习框架
min_replay_history: 20000 I0828 02:19:22.544219 139761019946752 tf_logging.py:115] update_period: 4 115] observation_shape: 84 I0828 02:19:22.545521 139761019946752 tf_logging.py:115] stack_size: 4
1.2K20发布于 2018-09-29 - 来自专栏音乐与健康
迷走神经是调控多巴胺奖赏通路的关键
进一步通过多巴胺荧光探针结合光纤成像系统实验发现，尽管可口溶液均可引起假手术组和SDV小鼠NAc多巴胺释放增加，但在摄入的早期阶段假手术组小鼠NAc多巴胺释放更多。 在已进食的假手术小鼠中，胃内灌注可口溶液导致NAc多巴胺短暂释放增多，但在SDV小鼠中并不能观察到这种多巴胺的释放增加，这些结果表明自然奖赏引起的多巴胺动态变化依赖于肠-脑迷走神经轴。 光纤成像系统实验记录到可卡因可快速引起假手术组小鼠NAc多巴胺的释放，而在SDV小鼠多巴胺释放缓慢。 图2、药物引起的多巴胺动态变化依赖于肠-脑迷走神经轴03 肠-脑迷走神经轴差异性维持NAc脑区DRD1和DRD2神经元活性免疫荧光实验发现SDV小鼠VTA脑区多巴胺神经元激活的数量减少。 NAc脑区富集表达多巴胺1型受体（DRD1）和多巴胺2型受体（DRD2）中棘神经元，在调控奖赏、动机行为中发挥决定性作用。
27010编辑于 2026-02-22 - 来自专栏新智元
谷歌用“多巴胺”怼上OpenAI，开源TensorFlow强化学习框架
Dopamine框架：灵感来自大脑的多巴胺受体 强化学习（RL）研究在过去几年取得了许多重大进展。 这个平台的灵感来自于大脑中奖励动机行为的主要组成部分之一（多巴胺受体，dopamine receptor ），这反映了神经科学和强化学习研究之间强大的历史联系，它的目的是使这种推测性的研究能够推动根本性的发现 下图是 4 个 agent 在 Seaquest 上的训练，这是 Arcade Learning Environment 支持的Atari 2600 游戏之一。 在 Seaquest 上，4 个 agent 进行了训练。x 轴表示迭代，其中每次迭代是 100 万帧（4.5 小时的实时游戏）; y 轴表示每场游戏获得的平均分数。 开源获取地址： https://github.com/google/dopamine 其他主要强化学习框架 OpenAI Gym 2016 年 4 月 28 日，OpenAI 对外发布了强化学习开发平台
1.5K30发布于 2018-09-25 - 来自专栏AI科技大本营的专栏
Google发布“多巴胺”开源强化学习框架，三大特性全满足
但不用担心，Google 近日发布了一个替代方案：基于 TensorFlow 的开源强化学习框架 Dopamine（多巴胺）。 下面展示我们在 Seaquest 上的 4 个代理的训练情况，这是由 Arcade 学习环境支持的一种 Atari 2600 游戏。 在 Seaquest 上的 4 名智能体参加了训练。
47820发布于 2018-09-28 - 来自专栏深度强化学习实验室
一种基于Tensorflow的强化学习框架： Dopamine(多巴胺)
今天，Google宣布开源基于 TensorFlow 的强化学习框架——Dopamine（多巴胺），大佬明星企业起名字总是个性，logo就是化学结构图，show the figure. ? 最后，下载多巴胺源: ? 运行测试 通过运行以下命令来测试安装是否成功： ? 标准Atari 2600实验的切入点是dopamine / atari / train.py。
1.4K40发布于 2019-11-21 - 来自专栏音乐与健康
揭示动作电位发放模式调控多巴胺分泌新机制
多巴胺在调节运动、动机、学习和奖赏方面至关重要，多巴胺稳态的功能障碍与帕金森病、精神分裂症和成瘾密切相关。 中脑多巴胺神经元通过紧张性和时相性两种放电方式来释放多巴胺，作用于多巴胺受体（GPCR）发挥生理功能，但这两种放电模式如何精准调控多巴胺分泌尚不清楚。 多巴胺受体分为1型和2型两大类，其中多巴胺2型受体（D2R）在突触前和突触后均有分布，突触前D2R为自抑制受体，可以通过Gibg调节VGCC或者GIRK通道来影响多巴胺分泌。 以上结果表明，D2R对多巴胺分泌的调控作用受到神经兴奋模式的精准调控。图1 GPCR-D2R对在体纹状体多巴胺分泌的调节具有频率依赖性 研究还发现，D2R神经兴奋依赖性调控离体脑片多巴胺分泌。 图4 D2R-D131位点介导在体D2R对多巴胺分泌的频率依赖性调控 该研究通过电化学、电生理记录和钙成像等多种技术手段，在在体、离体和单细胞等不同水平，对多巴胺分泌及D2R下游通路进行检测，发现动作电位发放模式
23700编辑于 2026-02-22 - 来自专栏机器之心
业界 |「多巴胺」来袭！谷歌推出新型强化学习框架Dopamine
该框架的灵感来自于大脑中奖励–激励行为的主要组成部分「多巴胺」（Dopamine），这反映了神经科学和强化学习研究之间的密切联系，该框架旨在支持能够推动重大发现的推测性研究。 下图即谷歌的 4 个智能体在 Seaquest 上的训练运行（Seaquest 是 ALE 支持的 Atari 2600 游戏之一）。 ? 谷歌的 4 个智能体在 Seaquest 上的训练运行。
53110发布于 2018-09-20 - 来自专栏新智元
DeepMind用强化学习探索大脑多巴胺对学习的作用
多巴胺——通常被称为大脑的愉悦因子——被认为与AI强化学习算法中使用的奖励预测误差信号类似。AI系统通过奖励（reward）指引的试错来学习如何行动。 研究者认为，多巴胺的作用不仅仅是利用奖励来学习过去行为的价值，而且，多巴胺在大脑的前额叶皮层区扮演者不可或缺的角色，使我们能够高效、快速、灵活地学习新任务。 很重要的一点是，我们发现大部分的学习发生在循环网络中，这支持了我们的观点，即多巴胺在元学习过程中的作用比以前人们认为的更为重要。传统上，多巴胺被认为能够加强前额叶系统的突触连接，从而强化特定的行为。 这表明，类多巴胺的奖励不仅用于调整权重，而且还能传递和编码有关抽象任务和规则结构的重要信息，从而加快对新任务的适应。 前额叶皮层不依赖突触重量的缓慢变化来学习规则结构，而是使用直接编码在多巴胺上的、抽象的基于模式的信息，这一观点提供了一个更令人信服的解释。
84900发布于 2018-05-30 - 来自专栏思影科技
World Psychiatry：精神分裂症中的多巴胺和谷氨酸信号通路
大多数研究都使用了D2型(即D2、D3和D4)多巴胺受体，尽管也有一些研究检测了D1型(即D1和D5)受体。 事实上，一项在PET扫描前进行多巴胺消耗的研究显示，患者的多巴胺受体可用性显著增加，尽管这一增加在另一项使用这种方法的研究中不显著。 其次，大多数配体对D2受体的亲和性比D3和D4高。 使用丁苯酮示踪剂(除D2和D3受体外还对D4受体有亲和性)的研究往往显示，与那些使用不具有D4亲和性配体的研究相比，受体密度提高了。 离子型受体包括NMDA和非NMDA受体——红藻氨酸和甘氨酸，α-氨基-3-羟基-5-甲基-4-异恶唑丙酸（AMPA）。 最后，上面讨论的PET研究表明，突触前多巴胺能功能障碍在背侧纹状体中最大，并且毒蕈碱受体4阳性变构调节剂特异性抑制背侧纹状体多巴胺释放，在一些临床试验中证明了其功效。
4.8K20编辑于 2022-02-28 - 来自专栏HyperAI超神经
「量化」快乐：UC Berkeley 利用 AI 追踪多巴胺释放量及释放脑区
标记后，在红外显微镜下，多巴胺会发出荧光，荧光强度与多巴胺浓度正相关。对大脑施加电流刺激后，大脑会释放出多巴胺，随后将其回收。 图 4：nIRCat 对多巴胺的标记结果 A：电流刺激前后观察到的荧光结果 B：电流刺激前后的荧光强度曲线图 研究者们用支持向量机 (SVM) 和随机森林模型 (RF) 两个模型分别进行了训练和分析。 图 6：机器学习对不同刺激强度的判断结果 图 A：对 4 周龄小鼠的判断结果 图 B：对 8.5 周龄小鼠的判断结果 图 C：对 12 周龄小鼠的判断结果 结果中可以看到，随着小鼠周龄的增加，两种模型对于刺激强度的判断准确率不断增加 图 7：0.3 mA 电流刺激下，机器学习对多巴胺释放脑区的判断准确率（左） 以及不同特征对判断准确率的重要性（右） A&B：对 4 周龄小鼠的判断结果 C&D：对 8.5 周龄小鼠的判断结果 E&F： science/article/pii/S096098222101188X [3]https://www.science.org/doi/10.1126/science.275.5306.1593 [4]
38440编辑于 2023-08-31 - 来自专栏量子位
DeepMind发Nature子刊：通过元强化学习重新理解多巴胺
这说明多巴胺不仅仅是传统学说认为的增强突触强化相应行为那么简单，还在元学习过程中起着统筹的作用（more integral role）。 按以往的认知，多巴胺只是增强前额皮质中突触的连接，从而加强某种行为。但在权重固定的情况下，神经网络在不同的任务之间依然有相同的表现。这说明多巴胺还能传递、编码任务和规律的信息。 神经网络的奖励预测误差，类似于我们人脑中的多巴胺，是一种信号：每运行一次，算法在数据上的表现就得到一次优化。 这暗示着多巴胺很可能有能力抽象出模块化的信息。” 不过，这不是科学家首次用AI模拟人脑。 荷兰内梅亨大学就用循环神经网络预测出了人脑处理感知信息的过程，特别是视觉刺激。 通过这个多巴胺的研究，论文的作者称，医学界终于可以从神经网络研究中有所收获和启发了。 从AI里获得对神经生物学界有启发的认知洞见，这两个学科之间的互哺非常可贵。
59340发布于 2018-07-24 - 来自专栏深度强化学习实验室
深入浅出解读多巴胺（Dopamine）论文、环境配置和实例分析
多巴胺：Dopamine ? （Dopamine） 在多巴胺的设计中，Google 设计它满足了两个条件：自给自足且紧凑、可靠且可重复： ? 多巴胺使用gin-config 【config过程】来配置不同的模块。 Gin-config是参数注入的简单方案，即动态更改方法的默认参数。 在多巴胺中，在单个文件中指定实验的所有参数。 在多巴胺中运行此实验包括修改以下gin-config选项： ? 下图显示了两种情况下报告的性能差异。 通常情况下，多巴胺通过gin配置是非常简单的 安装依赖包 安装多巴胺的一种简单的替代方法是作为Python库： ? 从root目录下，通过以下命令测试： ?
1.6K10发布于 2019-11-20 - 来自专栏音乐与健康
痛并不快乐，研究揭示感觉系统调控多巴胺神经元活动的神经基础
而SNR则通过直接和间接两种不同的机制调控腹侧被盖区(VTA)多巴胺神经元的活动。本研究发现了连接感觉系统和多巴胺系统之间的“桥梁”，有利于帮助我们更深入理解疼痛对学习和认知行为的调控机制。 其中最为关键的两个关键科学问题是：01 外周伤害感受器上行的痛觉信号是通过何种通路被传递给VTA多巴胺神经元的？02 疼痛调控多巴胺神经元活动的神经机制是怎样的？ 这意味着LPB直接向VTA的投射兴奋而不是抑制了VTA多巴胺神经元，与之前研究报道的疼痛会抑制VTA多巴胺神经元活动的结论刚好相反。 而大约半数左右接受LPB投射的SNR神经元同样可以被伤害性刺激所激活（图4）。以上发现提示来自脊髓的伤害感受性信号可以通过LPB被传递至SNR。 图3 LPB→SNR神经元可以对多种疼痛刺激做出反应图4 接受LPB投射的SNR神经元可以被伤害性刺激激活以上研究提示LPB→SNR环路与疼痛存在相关性，那么如果我们特异性抑制LPB向SNR投射通路的活动是否能够改变动物的疼痛表型呢
25110编辑于 2026-02-24 - 来自专栏IT派
DeepMind发表Nature子刊新论文：连接多巴胺与元强化学习的新方法
今天，DeepMind 在 Nature Neuroscience 发表新论文，该研究中他们根据神经科学中的多巴胺学习模型的局限，强调了多巴胺在大脑最重要的智能区域即前额叶皮质发挥的整体作用，并据此提出了一种新型的元强化学习证明 重要的是，研究者发现大多数学习发生在循环网络中，这也支持了 DeepMind 的假设，即多巴胺在元学习过程中扮演的角色比以前认为的更重要。 传统观点认为，多巴胺加强前额叶系统中的突触联系，从而强化特定的行为。在 AI 中，这一现象意味着，随着类似多巴胺的奖励信号学习到解决任务的正确方式，它们会调整神经网络中的人工突触权重。 这种智能体表明类似多巴胺的奖励不仅用于调整权重，它们还传输和编码关于抽象任务和规则结构的重要信息，使得智能体能够更快适应新任务。 该理论不仅符合多巴胺和前额叶皮质的现有知识，而且也解释了神经科学和心理学的一系列神秘发现。
43330发布于 2018-07-30 - 来自专栏机器之心
DeepMind发表Nature子刊新论文：连接多巴胺与元强化学习的新方法
今天，DeepMind 在 Nature Neuroscience 发表新论文，该研究中他们根据神经科学中的多巴胺学习模型的局限，强调了多巴胺在大脑最重要的智能区域即前额叶皮质发挥的整体作用，并据此提出了一种新型的元强化学习证明 重要的是，研究者发现大多数学习发生在循环网络中，这也支持了 DeepMind 的假设，即多巴胺在元学习过程中扮演的角色比以前认为的更重要。 传统观点认为，多巴胺加强前额叶系统中的突触联系，从而强化特定的行为。在 AI 中，这一现象意味着，随着类似多巴胺的奖励信号学习到解决任务的正确方式，它们会调整神经网络中的人工突触权重。 这种智能体表明类似多巴胺的奖励不仅用于调整权重，它们还传输和编码关于抽象任务和规则结构的重要信息，使得智能体能够更快适应新任务。 该理论不仅符合多巴胺和前额叶皮质的现有知识，而且也解释了神经科学和心理学的一系列神秘发现。
75030发布于 2018-06-11 - 来自专栏AIGC-AI飞行家
AI绘画：多巴胺3D女孩风格分享【附Midjourney关键词Prompt】
文末附完整的教程，已经放在网盘，需要的自己下载 今年，多巴胺风格大火特火！ 你知道吗，这种色彩斑斓，一看就心情大好的风格，简直就像是甜到心坎的糖果。 而其中最受欢迎的，就是那些多巴胺3D女孩插画了。 每次看到都好像进入了一个五光十色的梦里。 接下来就给你们分享一下这个插画风格。如何用AI绘画工具Midjourney生成好看的多巴胺女孩。 ), Surreal Pop, Candy Core, Eve Bunchu, Shiny/Glossy, Soft Focus, in the style of rendered in cinema4d , party kei, salon kei, Hallyu rendering style Star Art Group --ar 3:4 --niji 5 --s 250 描述: 3D Pretty 链接：https://pan.quark.cn/s/b9bdd34122f4
1.8K30编辑于 2023-08-31 - 来自专栏脑电信号科研科普
Schizophrenia Bulletin:未用药精神分裂症患者的纹状体多巴胺与奖赏预测误差信号
根据精神病医生的医疗报告，所有的被试目前都没有药物依赖史，虽然有些病人生成有药物使用史（7名患者酒精，6名患者THC，4名患者安非他命）。 预测偏差δ和更新提示动作值（Q）的计算公式如下： 4.fMRI：纹状体预测偏差分析 任务态用SPM12进行1水平的分析，组水平的分析采用双样本t检验，FEW 0.05校正。 3.多巴胺合成能力和奖赏预测偏差的关系 该研究测试了纹状体多巴胺合成能力和fMRI奖赏预测偏差信号之间联系在组间的差异（设计矩阵如图4B）。 组间的差异主要表现在右侧腹侧纹状体（图4A）。 正常人中，边缘纹状体的Kicer值能够预测更高的预测偏差信号，病人组中则没有（图4C） 4.和症状的相关性 阳性症状和双侧联合纹状体区域的Kicer值正相关（图3B），纹状体预测偏差信号和阴性症状显著相关
61200发布于 2020-11-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号