关于“人工具身回路揭示脊椎动物视动行为神经结构”研究的学术报告

2025年10月15日，由刘祥晓（Xiangxiao Liu）和Matthew D. Loring共同领导，Auke J. Ijspeert与Eva A. Naumann共同指导的国际合作团队在《科学·机器人学》（Science Robotics）期刊上发表了一项突破性研究，题为“Artificial embodied circuits uncover neural architectures of vertebrate visuomotor behaviors”。该研究融合了计算神经科学、生物力学、机器人学和实验神经生物学，通过构建高度仿真的斑马鱼神经力学模拟平台“Simzfish”及其物理机器人版本“Zbot”，系统地探究了具身化（embodiment）如何塑造神经回路的结构与功能，为理解动物感觉运动转换的神经机制提供了全新的整合性研究范式。

一、 学术背景与研究目标

长期以来，神经科学主要关注于在孤立状态下研究神经回路的功能。然而，大脑是在特定的感觉与物理环境中演化而来的，其功能的完整理解必须在真实的环境中进行整合性的“脑-身体”测试。为了克服这一局限，并深入探究感觉运动转换的神经与生物力学机制，本研究选择以模式生物——幼年斑马鱼的视动反应（Optomotor Response, OMR）为研究对象。OMR是一种视觉稳定行为，帮助动物补偿由水流或气流引起的位移，对生存至关重要。斑马鱼幼体具有通体透明、易于进行全脑光学成像和遗传操作的优势，其视动行为的神经回路已有较深入的了解，但现有模型往往缺乏对真实身体、流体动力学和闭环感觉运动反馈的整合。

因此，本研究旨在构建一个能够忠实再现斑马鱼身体力学、物理体-水相互作用、流体动力学、视觉环境及实验推导出的神经网络架构的神经力学模拟系统（Simzfish）。通过这个平台，研究者希望实现几个核心目标：1) 在虚拟环境中精确复制真实斑马鱼的OMR行为；2) 利用模拟平台可进行生物学实验难以实现的操作（如改变晶状体属性、神经连接），系统性地揭示具身化如何塑造神经活动、回路结构和行为；3) 利用模拟结果预测新的神经元反应类型，并通过活体斑马鱼实验进行验证和模型更新；4) 验证该人工神经回路在复杂自然环境（虚拟河流和真实河流）中实现自主导航（如趋流性 rheotaxis）的能力；5) 最终通过物理机器人（Zbot）在真实河流中进行验证，形成一个“模拟-行为观测-神经成像-机器人测试”的迭代研究闭环，以展示整合性方法在研究感觉运动处理方面的强大力量。

二、 详细研究流程

本研究是一个高度跨学科、多步骤的迭代研究，主要包含以下五个核心流程：

流程一：Simzfish神经力学模拟平台的构建与验证 1. 研究对象与平台构建：研究基于物理模拟器Webots构建了Simzfish。其身体被建模为七个由六个铰链关节连接的节段，由模拟伺服电机驱动，尺寸和质量与真实斑马鱼生物物理测量数据匹配。头部配备了两个模拟相机作为眼睛，模拟了斑马鱼120°对角视场、1000帧/秒的视觉输入。平台集成了流体动力学模型，模拟了阻力和粘性力，从而产生逼真的游动行为。 2. 人工神经架构实现：研究团队综合了斑马鱼的解剖学、功能学和计算神经科学数据，构建了一个嵌入式的多层网络模型来模拟OMR视动通路。该网络由速率编码人工神经元组成，具体包括： * 人工视网膜：使用经典的延迟线模型计算运动方向，驱动四种方向选择性视网膜神经节细胞（DSGCs）：上、下、前、后。 * 前顶盖通路：DSGCs全部交叉投射到对侧早期前顶盖神经元，进而激活晚期前顶盖神经元，形成复杂的双眼反应类型（如外向双眼型、双眼型、内向双眼型等）。 * 运动控制中枢：前顶盖神经元连接到代表内侧纵束核的对称神经节点以控制游动爆发频率，并连接到前侧后脑神经元以控制转向角度，通过相互抑制稳定行为。 * 脊髓中枢模式发生器：通过“爆发门”和“爆发决定器”中心以及人工中枢模式发生器，模拟斑马鱼特征性的爆发-滑行游动模式。运动神经元通过整合脊髓投射神经元和CPG的输出信号来设定关节角度。 * 自运动补偿：添加了低通滤波器以补偿游动时自产生的神经激活。 3. 验证实验：将Simzfish置于模拟培养皿中，呈现移动光栅刺激，测试其OMR行为。通过量化游动爆发的角度和距离分布，并与真实斑马鱼的行为数据（来自超过16条鱼，每次试验>25秒，重复>10次）进行对比，验证了Simzfish成功复现了真实斑马鱼特征性的三峰行为分布（频繁的前向游动和平衡的左右转向）。

流程二：利用Simzfish探究具身化对神经功能的影响 此流程进行了在活体动物中难以或无法实现的系统性操控。 1. 操控感觉形态：通过为Simzfish配备不同焦距的镜头（改变视场角），研究光学特性如何影响人工视网膜感知到的图像以及由此产生的光流信息。分析表明，较短焦距（较宽视场）的镜头会放大近距离特征的透视畸变，从而主要影响包含正交边缘的刺激的光流量级。 2. 操控神经连接：通过改变视网膜神经节细胞与前顶盖神经元的连接模式，测试了不同视觉野连接对行为的影响。研究发现，连接所有DSGCs会导致前向运动反应不佳，因为平行光栅刺激产生的旋转光流信息会在局部运动处理中相互抵消（孔径问题）。系统性地改变连接揭示，仅连接下后侧视觉野的DSGCs能最有效地驱动下游回路，增加游动爆发频率。这与生物学研究发现OMR主要由下后侧视觉野的运动驱动、且该区域对应真实斑马鱼前顶盖神经元的感受野特性完全吻合。

流程三：基于模拟预测驱动神经网络的迭代优化 1. 行为差异与预测：第一版Simzfish（1.0）在应对新的、未训练过的单眼和双眼平行运动刺激（模拟身体前后平移）时，其预测行为（如强烈的错误转向）与真实斑马鱼观察到的行为存在显著差异。 2. 活体神经成像验证：为了探究差异根源，研究团队对转基因斑马鱼进行了双光子钙成像，记录了大脑对全套平行和正交运动刺激的神经活动。成像对象为6-9天后的tg(elavl3:h2b-gcamp6s)斑马鱼（n>7），至少重复5次刺激。 3. 新神经元亚型的发现与整合：对神经活动数据进行无偏层次聚类分析后，发现关键的转向相关神经元类型可进一步分为前向选择性和后向选择性亚型，并且存在对侧眼刺激产生抑制的神经元。这些亚型在所有测试的斑马鱼中普遍存在。 4. 模型更新：将这些新发现的神经亚型及其连接特性整合到Simzfish 1.0中，创建了Simzfish 2.0。更新后的模型在行为上（游动概率）与真实斑马鱼实现了更好的功能匹配。

流程四：物理机器人Zbot的构建与真实环境验证 为了验证模拟神经回路在复杂真实世界中的功能，研究团队构建了斑马鱼仿生机器人Zbot。 1. 机器人设计：Zbot长约80厘米，由七个模块化节段和柔性尾鳍组成，通过伺服电机驱动。头部配备了两个侧向广角CMOS相机作为眼睛，并搭载了运行与Simzfish相同神经回路软件的计算机。其设计在形态学特征与技术可行性（防水、动力等）间取得了平衡。 2. 实验室验证：首先在头部固定的条件下进行OMR实验，证实了Zbot的相机视角、人工神经元激活与Simzfish及真实斑马鱼具有可比性。 3. 自然河流测试：在瑞士Chamberonne河（水深0.3-0.6米，流速约0.5米/秒）中释放Zbot，使用无人机从上空记录其位置。实验比较了三种情况：OMR回路激活、OMR回路关闭（相机遮蔽，随机游动）、电机关闭（纯漂流）。 4. 数据分析：通过分析Zbot的位移、人工神经元活性和尾部角度，评估其位置稳定能力。统计采用Mann-Whitney U检验比较不同条件下的停留时间。

流程五：数据整合与迭代框架 整个研究遵循一个核心的迭代框架：从真实斑马鱼的生物学数据（行为、神经、解剖）出发，构建并优化Simzfish模型；利用Simzfish进行预测和机理探究；根据预测指导新的生物学实验（如钙成像）；用新数据更新模型；最后通过物理机器人Zbot在自然环境中验证模型的鲁棒性和实用性。这一闭环将计算模拟、行为观察、神经成像和机器人测试紧密结合。

三、 主要研究结果

1. Simzfish成功复现斑马鱼OMR行为：Simzfish在模拟OMR实验中表现出与真实斑马鱼高度一致的三峰游动角度分布。对于会聚（同向）运动，两者都增加了游动爆发频率；对于发散（反向）运动，则降低了频率。单侧运动则增加了同侧转向的频率。行为概率的定量比较显示了强烈的对应关系（除后向运动外）。
2. 模拟回路实现自主趋流性：当Simzfish被置于虚拟河流中时，其人工具身神经回路能够使其最终将头部方向调整至逆流而上，实现仅凭视觉输入的自主趋流行为。在一定的流速范围内（最高至0.3厘米/秒），Simzfish能够维持其位置，补偿模拟的水流。
3. 具身化塑造神经结构与功能：
   • 镜头形态学效应：改变镜头焦距会显著改变正交运动刺激感知到的光流量级，进而线性地影响整个神经网络的激活和最终行为。这直接证明了感觉形态如何影响神经计算。
   • 最优神经连接模式：连接性实验揭示了仅连接下后侧视觉野DSGCs是最有效的OMR驱动配置。这解释了为何真实斑马鱼的前顶盖神经元优先对下后侧视觉野的运动产生反应——这是由身体形态（侧向眼睛）和视觉刺激的几何特性（透视畸变产生的旋转光流）共同决定的，可能是一种最小化神经连接和计算负载的高效进化解决方案。
4. 模拟预测引导发现新神经亚型：Simzfish 1.0对平行运动刺激的行为预测与真实斑马鱼的差异，直接引导了活体钙成像实验，从而发现了前向/后向选择性神经元亚型以及对侧抑制机制。将这些亚型整合进Simzfish 2.0后，模型的行为准确性得到显著提升。这证明了计算模型可以作为发现新生物学现象的强大预测工具。
5. 物理机器人在自然河流中验证回路功能：Zbot在自然河流中的实验表明，其OMR神经回路能有效利用自然视觉输入（尽管存在浑浊、眩光等复杂因素）来调整航向，对抗水流。统计分析显示，与OMR关闭（平均37.0±5.72秒）和纯漂流（20.0±1.0秒）相比，激活OMR回路的Zbot在无人机视野内停留的时间显著更长（57.6±13.17秒，p=0.0093），证明了该生物启发的视觉稳定机制在复杂真实环境中的有效性。

四、 研究结论与意义

本研究得出结论：神经回路的功能不能脱离其所在的具身化身体和感觉反馈环境来理解。 通过构建和迭代优化一个从光感受器到运动输出的、脑尺度的、生物逼真的神经力学模型，并最终在物理机器人上验证，该研究强有力地证明了： 1. 具身化是神经架构的关键决定因素：身体的物理属性（如眼睛位置、镜头特性）和环境的物理规律（如光流模式）共同塑造了最优的神经连接方案和计算策略。 2. 整合性方法具有强大预测和发现能力：迭代于模拟、实验和机器人测试之间，不仅能验证已知机制，还能预测和发现新的、行为相关的神经计算（如前向/后向神经元亚型）。 3. 生物启发的控制策略具有现实应用潜力：仅使用两个侧向相机和斑马鱼启发的神经架构，Zbot就能在复杂流体动力学和视觉环境中实现位置稳定，这为水下机器人的导航与控制提供了新颖、高效且低成本的仿生解决方案。

五、 研究亮点

1. 首创性的端到端神经力学模拟：Simzfish是首个整合了斑马鱼详细生物物理特性、真实流体动力学、闭环视觉环境和实验推导的全脑尺度神经回路的模拟平台，实现了从视网膜输入到运动输出的完整感觉运动转换的逼真模拟。
2. 系统性揭示“具身化决定神经架构”：通过模拟平台对感觉形态和神经连接进行“不可能的生物实验”，清晰揭示了物理身体和环境如何通过影响感觉输入（光流）来塑造甚至决定神经回路的最优设计。
3. “预测-验证-更新”的迭代研究范式：成功利用计算模型的预测偏差来指导新的生物学实验，发现了未被充分认识的神经亚型，并反过来提升了模型的生物真实性和预测能力，形成了一个强大的正向研究循环。
4. 从虚拟到现实的完整验证链：研究不仅停留在模拟层面，还通过构建物理机器人Zbot，在充满挑战的自然河流环境中验证了仿生神经回路的鲁棒性和实用性，完成了从理论模型到物理实体的完整论证。
5. 开源工具与跨学科融合：该研究提供了开源的研究工具（Simzfish），并深度融合了计算神经科学、实验神经生物学、生物力学和机器人学，为未来研究 embodied intelligence（具身智能）和感觉运动控制设立了新标杆。

六、 其他有价值的内容

研究还探讨了未来方向，如整合其他感觉模态（如机械感觉、本体感觉）、研究神经反馈机制和增益控制、模拟其他视觉引导行为（如捕食、避敌），以及结合连接组学数据、光遗传学操纵和机器学习技术来进一步优化模型。这为理解动态现实世界中具身大脑的功能演化奠定了基础，并对神经科学和机器人学领域均具有深远影响。