关于大脑自发性神经活动宏观协调性起源及其计算意义的研究报告
一、 研究团队与发表信息
本研究由美国霍华德医学研究所珍妮莉亚研究园区（HHMI Janelia Research Campus）的Marius Pachitariu、Lin Zhong、Alexa Gracias、Amanda Minisi、Crystall Lopez和Carsen Stringer共同完成。研究论文以“A critical initialization for biological neural networks”为题，于2026年在线发表于国际顶级学术期刊《自然》（*Nature*）。
二、 学术背景与研究目标
科学领域： 本研究属于计算神经科学与系统神经科学的交叉领域，旨在通过理论建模与大规模神经数据验证，揭示大脑自发活动（spontaneous activity）中普遍存在的宏观协调模式（macroscopic coordination）的生成机制，并探讨其潜在的初始化与计算功能。
研究背景与动机： 在清醒、静息状态下，大脑神经元群体中普遍存在远超单个神经元生物物理时间尺度的、大脑范围（brainwide）的宏观协调活动模式。然而，这种宏观行为如何从微观的、短暂的成对神经元相互作用中涌现出来，尚不完全清楚。同时，在人工神经网络中，良好的权重初始化策略对模型训练至关重要。研究者推测，大脑的自发活动可能反映了一种对执行依赖于动态和记忆的计算任务而言“理想”的网络初始化状态。因此，理解这种自发活动模式的起源，不仅有助于阐明大脑的基础运作原理，也可能为人工神经网络的设计提供新的启发。
研究目标： 本研究旨在：1）建立一个能够解释大规模神经记录中观测到的方差谱（eigenvalue spectrum）幂律衰减特征的机制模型；2）利用来自小鼠大脑皮层、海马CA1区以及全脑范围的神经记录数据，定量验证该模型；3）探究具有特定动力学特性的网络在解决时间依赖任务（如工作记忆）中的计算优势。
三、 详细研究流程与方法
本研究结合了理论建模、数值模拟和多种模态的大规模神经记录数据分析，流程严谨且系统。
1. 理论模型构建与预测： 研究者首先构建了一个简化的线性动力学模型来模拟自发性神经活动。该模型的核心是一个随机连接矩阵A，其元素代表神经元间的兴奋性相互作用。为了稳定动力学，从矩阵A中减去其全局均值，这模拟了全局抑制反馈（“抑制性稳定”）。关键步骤是将矩阵A的谱半径（最大特征值）缩放至接近1，即进行“临界归一化”（critically normalized）。当A为对称矩阵时，通过李雅普诺夫方程可以解析求解出系统稳态的协方差矩阵。理论推导和数值模拟均表明，在这种临界归一化的对称随机连接下，协方差矩阵的特征值会按约2/3的幂律衰减。若A为非对称矩阵，则特征值衰减更快（幂律指数约1.25）。这表明，连接矩阵的对称性程度可以解释不同数据集中观测到的方差谱衰减指数的差异。
2. 神经数据采集与处理： 为了在更精细的时间尺度上准确估计神经活动的方差谱，研究者采用了多种先进的记录技术： * 皮层双光子钙成像： 在转基因表达jGCaMP8s（一种快速钙指示剂）的小鼠中，以22 Hz的帧率记录视觉皮层（V1）、后顶叶皮层（PPC）和感觉运动皮层的神经元活动。共分析了18个记录会话，每个会话包含2,385至10,595个感兴趣区域（ROIs）。 * 海马CA1区双光子钙成像： 在表达GCaMP6f或注射jGCaMP8s病毒的小鼠海马CA1区进行记录，同样为22 Hz。共分析了8个记录会话，包含2,961至8,566个ROIs。 * 全脑Neuropixels电生理记录： 使用8个Neuropixels探针同时记录小鼠全脑多个脑区的单个神经元活动。分析了3只小鼠的数据，包含1,716至2,914个单单元（single-units），数据以22 Hz进行分箱（binning）。 所有实验均在头固定、完全黑暗、小鼠进行自发行为的状态下进行。对于钙成像数据，使用改进的spike反卷积算法（基于U-Net模型）来估计神经元的尖峰活动，以减少噪声影响。
3. 数据分析与模型验证： * 方差谱估计： 为避免单神经元噪声污染，研究者开发并应用了一种名为SVCA2的新方法（基于共享方差成分分析），用于从噪声数据中更准确地估计特征值谱。他们将神经元空间分成两半，计算两组神经元活动之间的协方差来进行估计。 * 活动模式可视化： 使用RasterMap方法对神经元进行排序和可视化，直观展示神经群体活动的宏观协调模式。 * 动力学特性分析： 为了验证模型预测（即主成分的方差与其内在时间尺度相关），研究者计算了各主成分的自相关函数。此外，为了区分对称与非对称动力学，他们采用了时间滞后动态模式分解（Dynamic Mode Decomposition, DMD）来估计数据中潜在线性动力学的特征值，并量化其旋转分量（复数特征值的虚部）。 * 结构化连接下的模拟： 为了检验模型在更符合生物实际的连接模式下的鲁棒性，研究者进行了数值模拟，包括稀疏连接、聚类连接和空间局部连接。他们分析了在这些条件下，全局活动模式（以顶部主成分为代表）和幂律方差谱是否依然存在。 * 计算任务基准测试： 研究者设计了三种工作记忆任务来测试不同网络动力学的计算性能：（1）简单的延迟二分类任务；（2）零样本工作记忆任务（训练和测试输入模式不同）；（3）输入模式取自自发活动子空间的零样本任务。他们比较了临界归一化的线性对称动力学、线性非对称动力学以及非线性非对称动力学（回声状态网络）在这些任务中的表现。
四、 主要研究结果
1. 神经数据与对称临界动力学模型高度吻合： * 方差谱： 皮层2P记录和全脑Neuropixels记录显示，神经群体活动的方差谱以幂律形式衰减，指数在0.7-0.85之间，接近对称随机矩阵模型预测的~2/3。相反，海马CA1区的活动方差谱衰减慢得多（指数0.4-0.5），且不受单神经元时间打乱的影响，表明其编码更高效、相关性更低，可能为信息存储容量进行了优化。 * 时间尺度与方差的关系： 在所有记录中，方差更大的主成分表现出更慢的时间动力学，这与对称线性动力学模型的预测一致。 * 动力学对称性证据： DMD分析显示，从皮层和全脑数据估计的特征值虚部接近于零，表明其动力学以弛豫为主，缺乏显著的旋转成分。这与对称随机矩阵的模拟结果一致，而与具有显著旋转动力学的非对称矩阵模拟结果形成鲜明对比。在部分涉及外部线索或任务结构的记录中，则观察到了具有显著旋转分量的特征值。
2. 全局活动模式在结构化连接下具有鲁棒性： 模拟结果表明，即使连接是稀疏的、具有聚类结构或是空间局部的，只要存在一定比例的全局连接（例如，在10,000个单元的网络中，全局连接概率不低于0.4%），全局活动模式和2/3幂律方差谱依然能够涌现。研究者进一步利用空间连接模型模拟了与真实数据（来自先前研究）相似的相关性-距离关系，并发现通过分析“强相关对”（相关性最高的前1%的神经元对）随距离变化的几率，可以推断出局部与全局连接概率的比率。
3. 对称临界动力学在工作记忆任务中具有计算优势： 在三个工作记忆任务的基准测试中，线性对称动力学和线性非对称动力学在固定时间延迟（数秒内）的记忆保持上都表现良好。然而，在更符合生物自发活动持续存在场景的“时间无关解码”测试中（解码器在延迟期内的任意时刻读取信息），对称动力学的性能显著优于非对称动力学。这是因为非对称动力学的长时程记忆通常伴随着大的虚特征值，从而产生强烈的旋转动力学，导致网络状态在相空间中不断演化，不利于在任意时间点进行稳定的信息读取。回声状态网络由于其混沌动力学对噪声敏感，记忆保持时间很短（约0.5秒）。
五、 研究结论与意义
结论： 本研究表明，小鼠大脑皮层和全脑范围观测到的自发性神经活动的宏观协调模式，可以通过一个由临界归一化的对称随机矩阵所支配的线性动力学系统来定量解释。这种“临界初始化”状态产生的动力学具有高维、全局且时间尺度长的特征。与之相对，海马CA1区的活动则表现出一种不同的、可能为信息存储优化的低相关编码模式。研究进一步证明，这种对称临界动力学在稀疏、聚类和空间局部连接下依然稳健，并且在解决需要长时间稳定表征的工作记忆类任务时具有计算优势。
意义与价值： * 科学价值： 为理解大脑自发性宏观活动模式的起源提供了一个简洁而有力的机制性框架。它将随机矩阵理论、临界现象与真实的神经观测联系起来，深化了对大脑网络基础动力学的认识。研究提示，大脑皮层可能利用这种对称、临界的动力学作为执行多种计算任务的通用“动力支架”（dynamical scaffold）。 * 应用价值： 为人工神经网络，特别是循环神经网络和状态空间模型的初始化策略提供了新的灵感。研究表明，构建具有对称、临界归一化连接的线性动力系统，可能是实现长时程记忆和稳定表征的一种有效初始化方案。 * 重要观点： 大脑的自发活动可能并非仅仅是噪声，而是一种精心调谐的、为支持灵活认知计算而准备的网络初始状态。学习过程可能主要发生在该动力支架的读出或前馈连接上，而非彻底改变其本征动力学结构。
六、 研究亮点
七、 其他有价值的内容
研究还探讨了行为状态（跑动与非跑动）对动力学特征的影响，发现两者非常相似，仅幂律指数有微小但显著的增长，表明所描述的宏观动力学模式具有内在稳定性。此外，研究者指出，区分“学习是发生在该动力支架的读出层”还是“任务执行时会激活不同的动力学子集”这两种假说，需要在学习记忆引导任务期间进行纵向的大规模神经记录，这为未来实验指明了方向。论文最后详细提供了实验方法、数据分析流程和模拟代码，确保了研究的可重复性。