来源：分析测试百科网

　　从生物学角度了解不同类型细胞如何一起工作是一个极大的未知数，”Salk计算神经生物学实验室副教授Tatyana Sharpee说。“例如，我们不知道大脑中每种细胞的数量，甚至连脑细胞的类型都还处于持续争论状态。一个恰当的理论框架，可以集中所有的实验数据和观点，共同用于理解生物的复杂性。”

　　1950s，人们开发了信息理论，用于研究如何用最经济有效的方式发送信息，减少错误。这个理论也与大脑神经元的相互交流有关。Sharpee利用信息学理论识别支配生物复杂性的基本定律，用它来预测系统内总共有多少种细胞，以及这些细胞应该如何协作。

　　2015年，Sharpee和同事们将他们的这个想法发表于《PNAS》杂志，解释了蝾螈视网膜内对低亮度敏感的神经元为何分为两个子类，而对高亮度敏感的神经元却只有一类。结果表明，对暗光敏感的神经元比对高光敏感的神经元更稳定，它们可以分别识别不同强度的光源信号。对高光敏感的神经元必须协同工作，因此它们的反应区域平均化。

　　Sharpee解释说：“这个理论的通俗解释是，管理者将相同的任务分配给一批新员工，如果新人的答案相同或非常相似，管理者对他们的工作就会更有信心，当员工们熟练掌握了技能以后，管理者会相信他们并给予更多的专门化任务。不太稳定的神经元就像这批新员工，他们给出的答案需要被平均化，因为每个细胞都可能有轻微的偏离。而可靠的神经元则是熟练的员工，它们可以被赋予不同的任务，因为每个细胞的准确性都是可以被信赖的。”

　　在这篇更有影响力的《Neuron》文章中，sharpee进一步介绍了如何将这些参数推广，帮助我们了解不同蛋白质（如离子通道）如何分配输入使有机体的整体效率最大化。基于信息论，这些论点也可以应用于神经科学之外的研究领域。

　　“我们在视网膜上测试所得到的理论将有助于我们理解许多其他系统的复杂性。当输入-输出元件比较纷杂的情况下，最好的信息协调方式就是平均化输出。反过来，当元件们处理信息的能力更强，它们就更具专门化。

　　如今，sharpee正在与一些团体合作测试该数学模型，并将其扩大到炎症、情绪紊乱、新陈代谢和癌症等更广的应用范围。