隨着大腦規模化神經記錄技術的日益普及，神經科學家面臨着一個關鍵挑戰：應該如何分析海量的神經元數據？
針對這一難題，中國科學技術大學溫泉教授和香港科技大學胡禹教授團隊合作，通過記錄斑馬魚幼魚在捕食和自發行爲期間的全腦鈣成像，深入研究了神經元羣體活動空間的幾何結構。他們發現並刻畫了一個重要的現象：神經元編碼具有“尺度不變性”。
研究發現，大腦的活動有很強的規律性。這意味着，在分析大腦活動時，通過隨機採樣一小部分神經元的活動就能獲取足夠和結構相似的信息，即使不監測所有神經元的活動。
這種“尺度不變編碼”的特性，不僅爲幫助分析和理解大腦神經活動組織形式提供了全新的理論框架，還有望對開發腦機接口等技術發揮重要的指導意義，在神經康復、意識監測等領域發揮重要作用。
圖丨胡禹教授和溫泉教授（右）（來源：胡禹、溫泉）
審稿人對該研究評價稱：“這項重要的研究揭示了斑馬魚大腦大規模神經活動的協方差譜中，存在出人意料的尺度不變性特徵……該研究結果爲探索大規模神經記錄數據提供了若干新穎而深刻的分析方法。”
近日，相關論文以《全腦活動的幾何結構和維度》（The Geometry and Dimensionality of Brain-wide Activity）爲題發表在eLife [1]。
中國科學技術大學博士生王澤臻、柴宇明博士和香港科技大學博士生麥偉浩是共同第一作者，中國科學技術大學溫泉教授和香港科技大學胡禹教授擔任共同通訊作者。
圖丨相關論文（來源：eLife）
大腦作爲一個高度協調的整體系統，其工作機制始終是神經科學研究的核心問題。在這個複雜的系統中，每時每刻都有大量神經元在大腦中不斷地發送信號，這些信號會被衆多下游神經元接收並解碼。
然而，受限於傳統技術的瓶頸，過去的研究往往只能記錄單個或少數腦區的神經元活動。儘管這類研究能夠揭示特定神經元對外界刺激的響應模式及其與行爲的關聯，卻難以展現大腦整體工作的全景圖。
此前已有研究表明，高級認知功能如決策、記憶等並非由單一腦區完成，而是需要多個腦區的協同工作。隨着技術的發展，神經元記錄數量在過去十年以來呈指數級增長。基於這種技術進步，得以深入大腦採樣，捕捉神經元的活動。
與此同時，也引出了一個問題：如果想真正瞭解意識，解碼大腦在任何一個時刻的所思所想，是否需要記錄所有神經元的活動？
圖丨神經活動空間的幾何結構與神經元數量之間的關係（來源：eLife）
該研究融合了腦科學、機器學習、理論物理和數學，爲上述問題提供了一個肯定的結論：當記錄的數量達到一定程度後，信息量會趨於飽和，這意味着無需記錄全部神經元即可獲取足夠的神經編碼信息。
在對幼年斑馬魚全腦神經活動進行實時記錄時，研究人員採用了一種光場成像技術，能夠同時捕捉其全腦所有神經活動的數據。並且在這個過程中，觀察到了一種“尺度不變性”現象。
他們使用了歐氏隨機矩陣模型（ERM，Euclidean Random Matrix）對這種現象進行解釋，該模型與協方差矩陣的兩個關鍵特徵成功匹配：近似的冪律縮放以及在隨機抽樣下的不變性。
這一發現類似於物理領域中“臨界狀態”，即系統處於有序和無序之間的中間狀態。儘管目前這種尺度不變性並不能直接證明大腦處於某種臨界狀態，但這種跡象表明，大腦很有可能處於某種未知的臨界狀態，爲理解大規模同時記錄的神經活動引入了一個重要的理論框架。
“這項研究相當振奮人心，我們不僅發展了新的數學方法來解釋這種現象，還借鑑了一些統計物理中的思想和技術，尤其是那些通常很少被應用於神經科學中的方法。”溫泉說。此外，他們還發展了一些新的理論，用於證明在何種條件下可以觀察到這種現象。
這項研究不僅發現了新的實驗現象，並且在數學上使用了新手段。他解釋道：“在對生命，特別是大腦的神經活動進行研究之後，我們發現了一種數學家尚不太理解的結構。”
與當前神經科學中從分子、環路層面入手的“自下而上”的研究思路不同，該研究從“自上而下”的角度去觀察整體的結構，來理解這些整體結構在神經編碼上的意義。
溫泉指出，採用這種研究思路重要的原因之一，是人們需要在不同的層次上理解大腦。正如美國物理學家菲利普·沃倫·安德森（Philip Warren Anderson）所說的“多即不同”。
目前，該團隊將這一理論應用於實際研究中，進一步發展現有的成像技術，使其速度更快、精度更高。例如，他們正在改進光學成像方法，使其能夠實現實時成像和實時分析。通過構建閉環系統來理解全腦神經活動的組織形式，並開展相關的實驗研究。
溫泉表示：“我們和國內外幾個實驗室將這種技術稱爲‘光學腦機接口’，它與傳統的基於電學方法的腦機接口不同，利用光來實現信息的讀取和寫入。我認爲，這是一個非常重要的發展方向。”
圖丨斑馬魚神經活動的全腦鈣成像及其尺度不變協方差特徵譜現象（來源：eLife）
在大語言模型中，有一個術語叫“災難性遺忘”（catastrophic forgetting），指的是當模型在學習新任務時，往往會遺忘之前學到的任務。其中一個可能原因是：當前的編碼方式較爲集中，缺乏分佈式性和冗餘性。
相比之下，大腦中的編碼具有很強的分佈式特性，且編碼方式非常分散。例如，當我們進行某種認知活動時，多個腦區都會被激活。這種分佈式編碼可能是大腦的一個重要優勢。
基於這項研究，研究人員推測，這種尺度不變的編碼方式在信息處理和存儲方面可能具有獨特的優勢。例如，它可能通過分佈式存儲和冗餘設計，避免了集中式編碼帶來的災難性遺忘問題。此外，這種編碼方式可能還具有更高的魯棒性和適應性，能夠在面對複雜環境和多變任務時保持穩定。
目前，該課題組正在進一步研究這種名爲“尺度不變性”的編碼方式，其在計算上具有潛在的優勢。研究人員希望通過該方向的深入理解，探究它與大語言模型中編碼形式的差異性。
並且，他們將探索將其作爲一種基本框架或構建模塊應用到人工神經網絡中，希望通過這種編碼方式爲人工智能的發展提供新的思路和方法。
參考資料：
1.Zezhen Wang，Weihao Mai, Yuming Chai, Kexin Qi, Hongtai Ren, Chen Shen, Shiwu Zhang, Guodong Tan, Yu Hu，and Quan Wen. The Geometry and Dimensionality of Brain-wide Activity.eLife 14:RP100666(2025). https://doi.org/10.7554/eLife.100666.2
運營/排版：何晨龍
