自然：621,733個神經元記錄揭示決策行為的秘密

摘要

神經科學的一大關鍵挑戰在于理解：分布于數百個相互連接的腦區的神經元，如何整合感官輸入與先前預期，從而啟動運動并做出決策。如果不同實驗室在不同的腦區、不同的行為情境下，采用各異的分析方法和記錄手段，那么這一挑戰很難克服。在這項研究中，來自12個實驗室的研究團隊，利用699根Neuropixels探針，在139只小鼠的大腦中記錄下了621,733個神經元的活動。這些數據采集自小鼠完成一項包含感官、運動和認知環節的決策任務的全過程。探針覆蓋了小鼠大腦的279個區域，包括左側前腦與中腦，以及右側后腦與小腦。研究團隊對這份“全腦神經活動地圖”進行了初步評估，并分析神經活動如何編碼關鍵的任務變量。視覺刺激出現后，最初的神經反應會短暫出現經典視覺區，但隨后逐漸擴展為中腦和后腦多個區域的“斜坡式”神經活動（ramp-like activity），而這些區域同時也參與了決策編碼。與即將發生的運動動作相關的神經反應幾乎遍布整個大腦。對于獎勵獲得與消耗的神經反應，同樣分布廣泛。這份公開的數據庫為揭示分布在不同腦區之間及其內部的計算如何驅動行為，提供了極為寶貴的資源。

關鍵詞：全腦圖譜（brain-wide map），神經活動，決策行為（decision-making behaviour），Neuropixels探針（Neuropixels probe），小鼠模型，視覺刺激，選擇編碼（choice encoding），獎勵反應，國際腦實驗室（International Brain Laboratory, IBL）

彭晨丨作者

趙思怡丨審校

論文題目：A brain-wide map of neural activity during complex behaviour 論文鏈接：https://doi.org/10.1038/s41586-025-09235-0 發表時間：2025年9月3日 論文來源：Nature

神經科學的長期難題

長期以來，神經科學研究者一直面臨一個困境：如何從龐雜而分散的實驗數據中，構建出關于“大腦整體運作”的系統圖景。傳統研究往往聚焦于某個假定的關鍵腦區，例如視覺皮層或頂葉皮層，通過單點電生理或局部成像揭示其功能。但這種“局部放大”的策略不可避免地導致圖景支離破碎，不同實驗室之間難以對比，更難拼接成一個統一的全腦模型。尤其是在涉及感知、記憶、運動與決策相互交織的行為中，局部研究常常忽略了大腦高度分布式的特性。

Neuropixels探針：技術跨越的關鍵

突破來自于近年來興起的Neuropixels探針，這種高密度硅電極可在同一次實驗中記錄數百乃至上千個神經元的活動，大大拓展了電生理研究的尺度。在本研究中，研究團隊按照預設的網格，將探針系統性地插入到小鼠大腦的左半球前腦與中腦，以及右半球的小腦與后腦。如此布點不僅保證了覆蓋的廣度，也為跨實驗室數據的可比性提供了堅實基礎。

通過699次探針插入，研究者成功采集了超過62萬條神經元活動軌跡。這些數據涵蓋279個腦區（圖1），構成了迄今為止最全面的“全腦電生理地圖”。這一龐大工程由國際腦實驗室（International Brain Laboratory, IBL）旗下的12個團隊協作完成，確保了數據采集與分析的高度標準化。

圖 1. 行為任務過程中全腦范圍的神經活動記錄。a，3D大腦示意圖中顯示的神經像素探針軌跡。在139只小鼠中共進行了699次插入。b，對于每個區域，顯示了記錄的神經元數量和用于分析的隔離良好的神經元數量。c，一個半球的平面圖，顯示該腦區的縮寫。

決策任務：行為與神經的紐帶

為了探索大腦在復雜行為中的運作機制，研究人員設計了一項決策任務。在實驗中，小鼠需要通過轉動前爪控制的滾輪，將屏幕上的視覺刺激移至中央。刺激可能出現在屏幕左側或右側，小鼠必須在有限時間內做出選擇。更具挑戰性的是，任務中引入了“區塊概率”（block priors），即刺激出現的左右概率在一定試次內保持不均衡（例如20%:80%或80%:20%），但小鼠并不會被告知這一規則。它們只能通過不斷嘗試和獎勵反饋，逐漸學習并利用這種統計規律。

這一任務兼具感官辨識、運動執行與概率推理的成分，因而成為連接行為與神經活動的理想范式。數據表明，小鼠在學習后正確率達到81%以上（圖 2d），并能夠在0%對比度（即，無視覺刺激）的條件下依靠概率先驗作出高于隨機水平的選擇（圖 2g）。這意味著，它們確實掌握并運用了任務結構。

圖 2. IBL任務、數據類型和行為。a，IBL任務示意圖和塊結構。b，事件和分析變量的時間軸。c， 459個實驗中刺激開始和第一個輪子運動時間（解釋為反應時間）之間的時間分布。分布被截斷在80毫秒和2秒。總共22.8%的第一個輪子移動時間發生在80毫秒以下（未顯示）。d，在刺激對比下，正確選擇的比例（上）和第一個輪子移動的時間（下）。e，0%（灰色）和非0%（黑色）對比試驗在實驗結束前給定試驗次數的正確選擇比例。f，對第一個輪子運動時間進行相同的分析。g，反轉曲線。在0%對比度和0%對比度的試驗中，正確選擇的比例在塊周圍變化。h，心理測量曲線。給所有小鼠一個有符號的對比度，正確選擇的分數。i，三個例子試驗的時間序列和試驗信息：輪子的旋轉編碼器輸出，視頻分析和跨越多個腦區的峰值時間光柵。

四重分析：從單細胞到群體動力學

面對如此龐大的數據集，研究團隊采取了四類互補的分析策略：

1. 解碼模型（decoding model）：利用正則化邏輯回歸或線性回歸，從群體神經元的放電模式中預測任務變量。這種方法揭示了大腦哪些區域的整體活動足以推斷刺激、選擇或反饋，見圖 2b。

2. 單細胞統計（single-cell statistics）：通過條件化的Mann–Whitney檢驗，評估單個神經元是否在特定條件下對刺激、選擇或反饋敏感。這一分析強調精確控制混雜變量，從而確定真正的編碼關系，見圖 2c。

3. 群體軌跡分析（population trajectory analysis）：將不同試次下的神經群體活動投影到高維空間，比較軌跡的分離程度。這樣不僅能判斷是否存在變量編碼，還能揭示其隨時間演變的動態過程，見圖 2d。

4. 編碼模型（encoding model）：通過多元回歸，將神經元放電擬合為與不同任務事件相關的時間核的組合。該方法能在精細時間尺度上捕捉變量對神經元活動的貢獻，見圖 2e。

這種多層次、多方法的策略，不僅提升了結果的穩健性，也為后續學界利用這份數據資源提供了多樣化切入點。

圖 3. 神經信號分析示意圖。a、任務結構示意圖，灰色表示用于數據分析的時間窗。在b-d中，左（藍色）和右（紅色）刺激被用作示例任務變量，神經元活動軌跡相應著色。b，解碼模型示意圖，該模型量化了與任務變量相關的神經元群。正則化邏輯或線性回歸用于將相關時間窗口（灰色區域）中的峰值計數從每個區域的單元格映射到變量值的預測中。c，單細胞分析的示意圖，它量化了單細胞神經與任務變量的相關性。在控制其他變量的值的情況下，使用條件組合Mann-Whitney U統計來計算單個細胞的活動（灰色區域）對單個任務變量的敏感程度。d，群體活動軌跡分析的示意圖，描述了跨session神經群體反應的時間演變，在每個區域所有記錄的細胞放在一起。e，編碼模型的原理圖，它使用任務定義和行為定義的時間核的多元線性回歸來擬合單個神經元的活動。

視覺刺激：從經典通路到意外發現

當視覺刺激出現時，預期中的激活首先出現在視網膜投射的經典通路上：丘腦的外側膝狀體（lateral geniculate nucleus, LGN）、初級視覺皮層（primary visual cortex, VISp），隨后延伸至更高級的視覺區。研究結果與此一致，但也有意外發現：解碼模型分析顯示，中腦（midbrain）和后腦（hindbrain）的多個區域同樣出現了與刺激相關的活動，這些區域在傳統視覺研究中鮮少被強調。

更細致的軌跡分析揭示了加工時間上的層級結構（圖 4m）：LGN在約34毫秒后最早出現反應，隨后是初級視覺皮層和外側后核（LP），再延遲至57至78毫秒時，反應擴展至高階視覺區，這一時序印證了大腦中視覺信息逐級處理的模式。

圖 4. 視覺刺激的表征。從單細胞和解碼的角度（a、b），說明個別神經元及整體群體在刺激側區分上的顯著性。隨后，利用群體軌跡分析（c、d、j–l），描繪左、右刺激在高維神經活動空間中的分離程度及出現的時間延遲，并通過最大軌跡距離和潛伏期（m）總結各腦區的表征強度和時序差異。進一步，采用編碼模型（e、h）評估包含刺激信息的預測改進效果，并結合解碼概率（i）驗證群體活動確實包含刺激側的信息。最后，示例神經元的點圖與時間直方圖（g、h）直觀展示了單細胞在不同刺激條件下的響應模式，而整體效應顯著性總結圖（f）則提供了全局的統計概覽。該組分析從單細胞到群體、從個例到總體，全面揭示了視覺皮層對刺激側的快速編碼與表征。

選擇編碼：分布式的決策網絡

相比視覺刺激，選擇（choice）的神經表征更為廣泛。研究顯示，從小腦核團、延髓灰質，到丘腦、紋狀體乃至前額葉，都能在小鼠即將做出動作前100毫秒內檢測到選擇相關信號。尤其是腦干網狀結構（reticular formation）和小腦，表現出極強的選擇預測力。這一發現挑戰了“決策主要依賴前額葉”的傳統認知，凸顯了大腦深部結構在決策形成中的重要作用。

軌跡分析進一步揭示，這些選擇信號往往呈“斜坡式”上升，與心理學中經典的“證據積累模型”（evidence accumulation model）高度契合。換言之，小鼠的大腦并非某個局部區域在獨立計算，而是由分布在全腦的多個區域協同貢獻。

圖 5. 選擇行為在大腦中的表征過程。研究區間是從運動開始前 100 ms 到 0 ms。首先，解碼和單細胞分析（a、b）揭示了個別神經元及群體是否對選擇側（左/右）敏感。隨后，通過群體軌跡距離與潛伏期分析（c、d、j–l），比較左、右選擇在高維神經活動空間中的分離度和時間特征，顯示不同腦區在運動前已有對選擇的表征。編碼模型（e、h）評估包含選擇信息的預測改進效果，并結合解碼概率（i）驗證群體活動中確實蘊含選擇側信號。具體神經元的點圖和時間直方圖（g、h）直觀展示了單細胞在不同選擇下的響應模式，而整體效應顯著性圖（f）總結了各區域的統計結果。最后，跨區域比較（k–m）顯示不同腦區對選擇的調制存在時序差異，有的呈現逐步爬升的活動模式。該組圖表明，大腦在運動發生前已經形成了對選擇的神經表征，并且這種表征在群體水平和不同腦區中具有時序和強度差異。

獎勵與反饋：幾乎無處不在

在每一次試次的終點，小鼠都會根據選擇的正確與否獲得反饋：正確時得到水獎勵，錯誤時遭遇噪音和短暫停頓。結果表明，與獎勵相關的神經活動幾乎遍布全腦。這既包括與舔水動作直接相關的運動環路，也涵蓋了多巴胺等神經調制系統的廣泛響應。這樣的結果凸顯了獎勵信號在大腦計算中的普遍性與重要性。

圖 6. 大腦對反饋信息的神經表征。首先，解碼和單細胞分析（a、b）揭示部分神經元在正確或錯誤反饋條件下活動有顯著差異。群體軌跡分析（c、d、j–l）進一步表明，正確與錯誤反饋條件下的神經活動在高維空間中分離，并且這種分離有明確的時間特征。編碼模型分析（e、h）顯示，包含反饋信息的模型能更好預測神經元反應，而解碼結果（i）驗證了神經元群能可靠區分獎勵與非獎勵反饋。單細胞點圖與時間直方圖（g、h）給出了具體示例神經元在不同反饋下的放電模式。效應顯著性圖（f）提供了整體的統計概覽。跨區域比較（l）揭示不同腦區在反饋調制中的差異，一些區域如聽覺中樞表現出快速響應，其他區域則有更持久的調制。最后，最大軌跡距離與潛伏期總結（m）表明，不同區域對反饋的敏感性和時間進程存在差異。該組結果揭示了大腦在反饋后的早期時間窗口內快速而多區域地編碼正誤信息，并通過群體動態表現出豐富的表征特征。

展望：邁向全腦計算科學

值得強調的是，這份數據已全部公開，研究者可通過在線平臺瀏覽（viz.internationalbrainlab.org）或下載原始數據及分析腳本。這種開放不僅加速了研究成果的共享，也為整個神經科學界提供了一個“公共基礎設施”。未來，不同團隊可以在這一資源上開展多樣化的分析與建模，探索大腦如何在復雜行為中實現分布式計算。

這份全腦神經活動地圖，就像一座里程碑，標記著神經科學從單點到全景，從假設驅動到數據驅動的轉變。它不僅為學界提供了寶貴的參考，也讓我們更接近回答那個終極問題：大腦如何從億萬神經元的電信號中，生成有機體的知覺、行動與決策。

計算神經科學第三季讀書會

從單個神經元的放電到全腦范圍的意識涌現，理解智能的本質與演化始終是一個關于尺度的問題。更值得深思的是，無論是微觀的突觸可塑性、介觀的皮層模塊自組織，還是宏觀的全局信息廣播，不同尺度的動力學過程都在共同塑造著認知與意識。這說明，對心智的研究從最初就必須直面一個核心挑戰：局部的神經活動如何整合為統一的體驗？局域的網絡連接又如何支撐靈活的智能行為？

繼「」與「」讀書會后，集智俱樂部聯合來自數學、物理學、生物學、神經科學和計算機的一線研究者共同發起，跨越微觀、介觀與宏觀的視角，探索意識與智能的跨尺度計算、演化與涌現。重點探討物理規律與人工智能如何幫助我們認識神經動力學，以及神經活動跨尺度的計算與演化如何構建微觀與宏觀、結構與功能之間的橋梁。

詳情請見：

-一年一度特惠-

1.

2.

3.

4.

5.

6.