这篇文档是发表于《nature neuroscience》2025年8月第28卷的一篇综述文章（review article），标题为《a neural manifold view of the brain》。作者团队由四位神经科学家组成：主要作者Matthew G. Perich（加拿大蒙特利尔大学神经科学系与Mila人工智能研究所）、Devika Narain（荷兰鹿特丹伊拉斯谟医学中心神经科学系）和Juan A. Gallego（英国帝国理工学院生物工程系）。
文章的核心主题是提出“神经流形（neural manifold）”作为理解大脑如何产生行为的关键框架。神经流形被定义为神经元群体在生物物理约束（如连接性）和外部约束（如行为任务）下可能达到的集体状态的数学描述。该框架的提出基于近年来神经科学领域的重要发现：尽管单个神经元活动高度异质性，但大量脑区、行为和物种的神经群体活动均呈现低维结构特征。这一现象暗示大脑可能存在一种内在的低维度动力学机制，而神经流形正是描述这种机制的理论工具。
神经流形在数学上被定义为“局部欧几里得的拓扑空间”（locally euclidean topological space），其几何形态可以是环面（torus）、球体或平面等。文章通过三个具体定义阐明其神经科学内涵：
- (i) 数据分析工具：通过降维或流形学习方法（如PCA、t-SNE）可视化神经数据；
- (ii) 神经群体活动的几何组织：表现为神经状态空间中的低维表面；
- (iii) 行为特异的动态结构：捕捉特定行为期间神经活动的时变动力学。
证据：线虫全脑神经元记录显示，运动期间所有神经元状态在流形上呈现高度一致的几何结构（图2a），且该结构在不同个体间保守（Brennan & Proekt, 2019）。
神经流形通过约束神经群体的可能状态，直接影响行为输出的灵活性。例如：
- 脑机接口（BCI）实验：在猕猴运动皮层中，“流形内扰动”（within-manifold perturbations）比“流形外扰动”更易学习，因为后者需打破固有神经协调模式（Sadtler et al., 2014）。
- 空间导航：小鼠内嗅皮层网格细胞的群体活动呈现环面流形（toroidal manifold），其拓扑结构与空间环境编码直接相关（Gardner et al., 2022）。
证据：实验显示，当环境形状改变时，海马CA1区流形的几何结构会逐步适应新环境（图2d）。
神经流形同时受内在生物物理约束和外在行为需求塑造（图3）：
- 内在因素：包括突触连接、细胞类型特异性（如皮层锥体神经元与星形细胞的差异）、神经调质（如多巴胺）等。例如，丘脑头方向细胞的环形吸引子流形（ring attractor）在清醒与睡眠状态下均保持稳定（Chaudhuri et al., 2019）。
- 外在因素：行为任务的复杂度直接影响流形内在维度。简单实验室任务（如二维目标指向）可能低估流形的真实维度，而自然行为更可能揭示全脑流形的非线性特性。
神经流形在进化、发育和学习不同时间尺度上动态变化（图4）：
- 学习：运动技能学习通过重组现有流形（如扩大可探索状态空间）实现，而全新技能（如乐器学习）可能需构建新流形。
- 进化保守性：斑马鱼前脑和小鼠丘脑的头部方向编码均依赖环形流形，暗示跨物种的功能保守性（Petrucco et al., 2023）。
作者提出三大前沿问题：
- 因果验证：通过光遗传学“瞬时扰动”（pinging）或长期闭环刺激，区分流形对神经活动的约束是因果性还是相关性（图5）。
- 全脑流形整合：探讨局部流形（如单脑区）如何通过跨区域相互作用形成全脑动力学。
- 理论与临床转化：神经流形框架可能为神经系统疾病（如运动障碍）提供新的干预靶点，并推动脑机接口的解码算法优化。
本文系统整合了近年来从无脊椎动物到人类的跨物种神经动力学研究，首次将“神经流形”提升为解释大脑功能的核心理论框架。其价值体现在：
1. 理论层面：提供了一种超越单神经元研究的群体编码视角，揭示了低维动力学与复杂行为间的桥梁。
2. 方法论层面：批判性评估了线性降维（如PCA）与非线形流形学习（如UMAP）的适用场景，为数据分析提供指导（Box 2）。
3. 跨学科启示：通过递归神经网络（RNN）建模（Box 3），验证了神经网络动力学与生物神经元流形的相似性，推动计算神经科学与人工智能的交叉发展。
这篇综述不仅是当前神经动力学研究的集大成者，更为理解认知、情感与行为的神经基础开辟了新路径。其提出的“流形优先”范式或将成为下一代脑功能研究的基石。