5D Library

第三章 赫布可塑性、长时程增强与活动依赖性髓鞘化

5D Library › 学习的85%最优错误率定律、髓鞘化动力学与刻意练习 · English

第三章 赫布可塑性、长时程增强与活动依赖性髓鞘化

一起放电，连在一起

1949 年，赫布在《行为的组织》中提出一个假设：当细胞 A 的轴突足够接近细胞 B、并反复参与使 B 放电时，两个细胞之一或两者会发生某种生长或代谢变化，使 A 激活 B 的效率提高 (Hebb 1949)。这常被概括为「一起放电的神经元连在一起」。二十多年后，布利斯与洛莫在麻醉的兔子身上发现，对穿通通路施加短串的高频刺激后，齿状回的突触反应可以增强并维持半小时到十小时，这就是长时程增强（LTP）(Bliss and Lømo 1973)。此后半个世纪，突触强度的可塑性一直是学习与记忆的核心细胞模型。

但突触只是信号传递的一半。信号还要沿着轴突走过一段距离，有时是几毫米，有时是十几厘米。走得多快，取决于轴突的粗细和它外面有没有、有多厚的髓鞘。

髓鞘：从「固定的绝缘层」到「可塑的结构」

在中枢神经系统中，髓鞘由少突胶质细胞形成：它们伸出的薄膜一圈圈缠绕在轴突上，形成一段段「节间」，节间之间留下裸露的郎飞结。动作电位在结与结之间跳跃传导，比在无髓轴突上连续传导快得多，也更节省能量。长期以来，人们认为髓鞘在发育完成后基本固定。过去十几年的研究改变了这一看法：神经活动本身可以影响少突胶质细胞的产生与髓鞘的形成，这被称为活动依赖性髓鞘化 (Fields 2015)。

证据

动物实验。 吉布森等人用光遗传学方法刺激清醒小鼠的运动前皮层，发现受刺激的环路中少突胶质前体细胞增殖、新的少突胶质细胞生成、髓鞘变厚，同时对应肢体的运动功能改善 (Gibson et al. 2014)。麦肯齐等人在成年小鼠中，于少突胶质前体细胞内删除髓鞘调节因子基因，使其不能再产生新的少突胶质细胞（已有的不受影响）；这些小鼠学不会在横档间距不规则的「复杂转轮」上奔跑，但在这一操作之前已经学会的技能不受影响 (McKenzie et al. 2014)。肖等人进一步发现，新少突胶质细胞的产生在学习的最初几个小时内就已经必要 (Xiao et al. 2016)。这些结果说明，在小鼠的运动学习中，新的髓鞘形成不是附带现象，而是学习所需的一部分。

证据

人类研究与它的限度。 肖尔茨等人让不会杂耍的成年人练习六周抛接三球（共 48 名志愿者，分为训练组与对照组），用弥散张量成像（DTI）发现，训练组在顶内沟下方的白质中出现局部的部分各向异性（FA）升高；所有受训者都出现了变化，与最后达到的杂耍水平无关 (Scholz et al. 2009)。这是成年人白质结构可随训练改变的早期证据。但是，DTI 指标不等于髓鞘：FA 受轴突密度、直径、纤维走向的一致性、交叉纤维、细胞外空间等多种因素影响，任何一项变化都可能改变它 (Jones et al. 2013)。所以，人类 DTI 研究能说明「白质的某种微结构变了」，不能单独说明「髓鞘变厚了」。

注

本书不给「练习 X 小时增加 Y% 髓鞘」之类的数字。 目前没有研究能支持这样的换算：动物实验的刺激方式、时间尺度与人类练习相去甚远，人类成像又不能直接测量髓鞘。动物研究外推到人时，这一限制始终存在。

电缆理论：髓鞘多厚最好

描述髓鞘厚度的常用指标是 g 比：轴突直径 dd 与整根纤维（轴突加髓鞘）直径 DD 之比。g 比越小，髓鞘越厚。拉什顿 1951 年用电缆理论分析有髓纤维，得出传导速度与纤维直径成正比；在纤维总直径固定时，速度正比于

v∝Dg−ln⁡g,v \propto D\, g \sqrt{-\ln g},

在 g=e−1/2≈0.6g = e^{-1/2} \approx 0.6 时最大 (Rushton 1951)。直觉上：髓鞘太薄，绝缘不够；髓鞘太厚，在总直径固定时轴突本身就太细了。相比之下，无髓轴突的传导速度大约正比于直径的平方根。

拉什顿的 0.6 与一些周围神经纤维的实测相符，但中枢神经系统纤维的 g 比通常更高（髓鞘相对更薄）。钱米亚克与胡斌在 2009 年的理论分析中，把空间（体积）约束等因素加入考虑，得出中枢神经系统的理论最优 g 比约为 0.77；若把体积约束的影响减弱约 40%，同一方法也能给出周围神经的约 0.6 (Chomiak and Hu 2009)。注意 0.77 是理论最优值，不是测量值。

一个比上述研究简单得多的模型：只保留拉什顿的速度公式与无髓纤维的 d\sqrt{d} 规律，比较三种情形——总直径固定；轴突固定、往外加髓鞘；轴突固定、按单位横截面积计算速度。所有数值都是相对值；模型没有考虑郎飞结与节间的几何、温度、离子通道密度，也没有计算形成和维持髓鞘的真实代谢成本，「髓鞘面积与轴突面积之比」只是空间代价的粗略指标。

推导

# Simplified cable model (relative values). Myelinated (Rushton 1951): v ~ d sqrt(-ln g),
# g = d / D; unmyelinated: v ~ sqrt(d). No node geometry, no true metabolic cost.
import math

def v_fixed_D(g):            # outer diameter fixed (D = 1): Rushton's case
    return g * math.sqrt(-math.log(g))

def v_fixed_d(g):            # axon fixed (d = 1): myelin added around a given axon
    return math.sqrt(-math.log(g))

def v_per_area(g):           # axon fixed, velocity per unit fibre cross-section (D^2 = 1/g^2)
    return v_fixed_d(g) * g * g

grid = [i / 10000 for i in range(3000, 9900)]
for name, f in (("fixed fibre diameter (Rushton)", v_fixed_D),
                ("fixed axon, per unit of cross-section", v_per_area)):
    gb = max(grid, key=f)
    print(f"optimum g for {name:37s}: {gb:.3f}")
print(f"   closed forms: exp(-1/2) = {math.exp(-0.5):.3f}, exp(-1/4) = {math.exp(-0.25):.3f}")

print("\n  g    | v, fixed D | v, fixed axon | v per area | myelin area / axon area")
for g in (0.5, 0.6, 0.65, 0.7, 0.75, 0.8, 0.85, 0.9):
    a, b = v_fixed_D(g) / v_fixed_D(0.607), v_fixed_d(g) / v_fixed_d(0.8)
    c = v_per_area(g) / v_per_area(0.779)
    print(f"  {g:.2f} |   {a:6.1%}   |    {b:6.1%}     |   {c:6.1%}   |   {1 / g ** 2 - 1:5.2f}")
print("  (columns normalised to their optimum, or to g = 0.80 for the fixed-axon column)")

print("\nscaling with diameter: doubling the axon")
print(f"   myelinated (g fixed): velocity x{2:.2f}; unmyelinated: x{math.sqrt(2):.2f}")
print(f"   10x faster unmyelinated needs 100x the diameter, {100 ** 2:,}x the cross-section")

L, v0 = 0.05, 10.0           # illustrative: 5 cm path at 10 m/s with g = 0.80
for g in (0.80, 0.78, 0.75):
    v = v0 * v_fixed_d(g) / v_fixed_d(0.80)
    print(f"   5 cm path, same axon, g = {g:.2f}: {v:5.2f} m/s, delay {1000 * L / v:4.2f} ms")
# optimum g for fixed fibre diameter (Rushton)       : 0.607
# optimum g for fixed axon, per unit of cross-section: 0.779
#    closed forms: exp(-1/2) = 0.607, exp(-1/4) = 0.779
#
#   g    | v, fixed D | v, fixed axon | v per area | myelin area / axon area
#   0.50 |    97.1%   |    176.2%     |    68.6%   |    3.00
#   0.60 |   100.0%   |    151.3%     |    84.8%   |    1.78
#   0.65 |    99.5%   |    138.9%     |    91.4%   |    1.37
#   0.70 |    97.5%   |    126.4%     |    96.5%   |    1.04
#   0.75 |    93.8%   |    113.5%     |    99.5%   |    0.78
#   0.80 |    88.1%   |    100.0%     |    99.7%   |    0.56
#   0.85 |    79.9%   |     85.3%     |    96.0%   |    0.38
#   0.90 |    68.1%   |     68.7%     |    86.7%   |    0.23
#   (columns normalised to their optimum, or to g = 0.80 for the fixed-axon column)
#
# scaling with diameter: doubling the axon
#    myelinated (g fixed): velocity x2.00; unmyelinated: x1.41
#    10x faster unmyelinated needs 100x the diameter, 10,000x the cross-section
#    5 cm path, same axon, g = 0.80: 10.00 m/s, delay 5.00 ms
#    5 cm path, same axon, g = 0.78: 10.55 m/s, delay 4.74 ms
#    5 cm path, same axon, g = 0.75: 11.35 m/s, delay 4.40 ms
左：两种约束下相对传导速度随 g 比的变化（简化模型）。总直径固定时最优约 0.61，轴突固定、按单位横截面积计算时最优约 0.78。右：有髓纤维的速度与直径成正比，无髓纤维与直径的平方根成正比（只示意比例关系）。

程序显示了几点。总直径固定时，最优 g 比是 0.607，与拉什顿的结果一致；在 0.6 到 0.7 之间速度变化很小。轴突固定、只往外加髓鞘时，髓鞘越厚越快，没有最优点；但如果按单位横截面积计算（白质的空间有限），最优点移到约 0.78。这个简单模型的数字与钱米亚克和胡斌的 0.77 接近，但这并不奇怪，两者都是在惩罚纤维所占的空间；我们的模型远比他们的粗糙，不能拿来「验证」他们的结果。它说明的是一个结构性的道理：最优髓鞘厚度取决于约束，「越厚越好」并不成立。

程序最后一部分换一个角度：同一根轴突，g 比从 0.80 降到 0.75（髓鞘略增厚），在这个模型里速度提高约 13.5%，5 厘米路径的传导延迟从 5.00 毫秒缩短到 4.40 毫秒。半毫秒听起来很少，但在需要多路信号同时到达的神经环路中，这样的时间差可能有意义。

髓鞘与时间

菲尔兹等人提出，活动依赖性髓鞘化的一个可能功能，是调节传导延迟，使来自不同路径的信号同步到达 (Fields 2015)。上面的程序已经显示，髓鞘的小幅变化可以带来零点几毫秒的延迟差。如果髓鞘的调整依赖于神经活动的时间关系，那么时间结构一致的反复练习，可能比杂乱的活动更能推动这种调整。这个想法有理论上的吸引力，但真实的机制远比这复杂，也远未被确定。

假说 · 尚未验证 · 练习的一致性与白质变化

尚未确立。 作者推测：在总练习时间相同的条件下，时间结构一致的训练组比时间结构随机的训练组表现出更大的、定位在相关通路的白质指标变化。如果两组没有差别，或者变化只与总时长相关，这个推测就不成立。由于 DTI 指标不等于髓鞘，这样的研究还需要更特异的成像方法（例如髓鞘水分数）配合。

本章小结

赫布的假设与长时程增强构成了突触可塑性的经典图景。过去十几年的研究表明，髓鞘也可以随神经活动而改变：小鼠的光遗传学刺激会促进髓鞘形成，而阻断新少突胶质细胞的产生会妨碍运动学习；人类的杂耍训练会改变白质的 DTI 指标，但 DTI 指标不等于髓鞘。电缆理论给出有髓纤维的速度与直径成正比、总直径固定时最优 g 比约 0.6，钱米亚克与胡斌在考虑体积约束后得到中枢的理论值约 0.77；我们的简化模型说明最优厚度取决于约束。髓鞘调节传导时间、促进信号同步，是一个有理论吸引力但尚待证实的想法。下一章回到行为：记忆如何随时间衰退，间隔与提取又如何改变这一过程。

参考文献

Bliss, Timothy V. P., and Terje Lømo. 1973. “Long-Lasting Potentiation of Synaptic Transmission in the Dentate Area of the Anaesthetized Rabbit Following Stimulation of the Perforant Path.” The Journal of Physiology 232 (2): 331–56. https://doi.org/10.1113/jphysiol.1973.sp010273.
Chomiak, Taylor, and Bin Hu. 2009. “What Is the Optimal Value of the g-Ratio for Myelinated Fibers in the Rat CNS? A Theoretical Approach.” PLoS ONE 4 (11): e7754. https://doi.org/10.1371/journal.pone.0007754.
Fields, R. Douglas. 2015. “A New Mechanism of Nervous System Plasticity: Activity-Dependent Myelination.” Nature Reviews Neuroscience 16 (12): 756–67. https://doi.org/10.1038/nrn4023.
Gibson, Erin M., David Purger, Christopher W. Mount, et al. 2014. “Neuronal Activity Promotes Oligodendrogenesis and Adaptive Myelination in the Mammalian Brain.” Science 344 (6183): 1252304. https://doi.org/10.1126/science.1252304.
Hebb, Donald O. 1949. The Organization of Behavior: A Neuropsychological Theory. Wiley.
Jones, Derek K., Thomas R. Knösche, and Robert Turner. 2013. “White Matter Integrity, Fiber Count, and Other Fallacies: The Do’s and Don’ts of Diffusion MRI.” NeuroImage 73: 239–54. https://doi.org/10.1016/j.neuroimage.2012.06.081.
McKenzie, Ian A., David Ohayon, Huiliang Li, et al. 2014. “Motor Skill Learning Requires Active Central Myelination.” Science 346 (6207): 318–22. https://doi.org/10.1126/science.1254960.
Rushton, W. A. H. 1951. “A Theory of the Effects of Fibre Size in Medullated Nerve.” The Journal of Physiology 115 (1): 101–22. https://doi.org/10.1113/jphysiol.1951.sp004655.
Scholz, Jan, Miriam C. Klein, Timothy E. J. Behrens, and Heidi Johansen-Berg. 2009. “Training Induces Changes in White-Matter Architecture.” Nature Neuroscience 12 (11): 1370–71. https://doi.org/10.1038/nn.2412.
Xiao, Lin, David Ohayon, Ian A. McKenzie, et al. 2016. “Rapid Production of New Oligodendrocytes Is Required in the Earliest Stages of Motor-Skill Learning.” Nature Neuroscience 19 (9): 1210–17. https://doi.org/10.1038/nn.4351.

Fan, Y. (2026). The 85% Rule for Optimal Learning, Myelination Kinetics and Deliberate Practice: From Stochastic Gradient Descent and the Zone of Proximal Development to Spaced Repetition, Read Beside Classical Chinese Learning Theory [学习的85%最优错误率定律、髓鞘化动力学与刻意练习] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23761339 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).