本研究由来自法国萨克雷神经科学研究所（巴黎-萨克雷大学）综合与计算神经科学系的Domenico Guarino、Anton Filipchuk和Alain Destexhe共同完成，于2025年在线发表于《自然神经科学》（*Nature Neuroscience*）期刊，文章标题为“汇聚的信息流解释大脑皮层中反复出现的放电模式”。
该研究属于计算与系统神经科学领域，旨在探究大脑皮层中一种普遍存在的活动模式——短暂但高度可重现的神经元群体事件（cortical population events）——背后的结构基础与动力学机制。长期以来，这种可重现的放电模式被认为是吸引子网络（attractor network）动力学的标志。吸引子网络理论假设，神经元通过强大的相互连接形成正反馈回路，从而稳定特定的活动模式（如固定点、极限环或连续吸引子）。这一理论框架在解释感知、记忆和决策等认知功能的神经基础方面极具影响力。然而，支持吸引子网络所必需的强相互连接结构是否真实存在于皮层网络中，一直缺乏确凿的实证证据。本研究正是为了检验这一核心假设，并探索是否存在替代机制能够更好地解释群体事件的产生。
本研究的工作流程严谨且系统，整合了多模态数据分析和计算建模。主要流程可概括为以下四个相互关联的部分：
第一部分：实验数据的收集与群体事件识别。 研究整合了多个公开可用的多模态数据集，核心是来自MICrONS项目（小鼠初级视觉皮层，V1）的数据，该数据集独特地结合了双光子钙成像（记录超过100个神经元的尖峰活动）和电子显微镜（EM，精确绘制了300万个突触连接）技术。此外，还纳入了艾伦脑研究所（Allen Brain Observatory，视觉皮层）、Goard实验室（小鼠压后皮层，RSC）、Svoboda实验室（小鼠前外侧次级运动皮层，ALM）的双光子数据集，以及来自CortexLab的Neuropixels数据集（同时记录多个皮层区域）。样本规模庞大，例如MICrONS数据集分析了112个细胞在5个实验会话中的活动，其他双光子数据集涉及数百至上千个细胞和数十个会话。研究首先采用并扩展了一种已发表的方法来识别“群体事件”和“可重现模式”。简言之，他们将神经元活动表示为二进制向量，通过计算群体瞬时发放率，识别出发放显著同步化的时间窗（即群体事件）。每个事件对应一个二进制“事件向量”，标示了参与活动的神经元。随后，使用基于相关性的无监督聚类技术，将具有相似神经元组成的事件向量分组。通过基于替代数据的阈值检验，筛选出组内相关性显著高于随机水平的聚类，每个这样的聚类即代表一个可重现的“模式”，其中的事件是该模式的不同次出现。分析表明，这种结构化的、可重现的活动模式是自发性皮层活动的普遍特征，在感觉、联合和运动皮层中均被观察到。
第二部分：检验吸引子网络的结构特征。 在确认了可重现模式的存在后，研究转向检验其是否源于吸引子网络结构。在可重现模式中，总有一部分神经元（称为“核心”神经元）稳定地参与同一模式的多次出现，因此它们是“模式完成单元”（pattern-completion units）的最佳候选者。研究团队在MICrONS数据集中识别出30个这样的核心神经元。接着，他们利用电子显微镜提供的精细连接组数据，检验了两个吸引子网络的关键结构假设：1）核心神经元之间的突触连接（数量或强度）是否多于其他神经元；2）涉及核心神经元的回路是否具有更强的递归性。通过分析突触后棘的数量和体积、应用图论方法分析网络的互惠边比例、模体分布、团结构、最短路径和循环数量，研究得出了明确的否定结论。核心神经元之间几乎没有直接连接，其突触后棘体积也不比其他神经元大。网络表现出很低的互惠性，并且没有任何图论指标显示核心神经元在网络中具有独特的结构优势。这些结果直接挑战了吸引子模型在解释皮层可重现活动模式方面的适用性。
第三部分：揭示核心神经元的功能角色与网络结构。 既然核心神经元不具备强相互连接，那么它们为何能稳定地参与模式生成？研究转换视角，将群体事件视为在时空中传播的“信息流”。他们分析了活动在网络中的流动路径，引入“最小流割”和“网页排名”（PageRank）等动态中心性度量。结果发现，移除指向核心神经元的连接会显著破坏事件子网络中的信息流；同时，核心神经元的网页排名值显著高于其他神经元，表明它们是网络中关键的汇聚节点（convergence nodes）。这提示核心神经元可能通过汇聚输入而非相互兴奋来塑造活动模式。为了理解这种汇聚结构从何而来，研究进一步分析了网络的整体结构特性。他们发现皮层网络表现出“层级模块性”（hierarchical modularity），即网络由多个内部连接紧密的模块组成，而模块之间通过少数连接器节点相连。衡量模块性的关键指标——节点的聚类系数与其连接度之间呈现幂律关系（指数k~1）。核心神经元恰恰具有高连接度和低聚类系数的特征，这符合其作为“模块间接口”或“网关”的定位，负责汇聚和分流不同模块间的信息流。这一现象在视觉、压后皮层和运动皮层等多个数据集中得到验证。
第四部分：通过计算建模验证距离依赖性连接的机制。 基于以上发现，研究提出了一个统一的、基于简单结构原则的机制假说：距离依赖性连接（distance-dependent connectivity）是产生层级模块性、汇聚信息流节点以及短暂可重现群体事件的充分必要条件。为验证此假说，他们构建了一个生物物理上合理的脉冲神经网络模型（采用自适应指数积分发放神经元模型）。模型关键之处在于，神经元之间建立连接的概率随其空间距离的增加而呈指数衰减，这模仿了皮层中主要存在短程连接、少数长程连接的现象。研究人员系统性地改变了模型中连接的距离范围进行测试。模拟结果表明，在生理合理的连接距离范围内（如42-63微米），模型自发产生了与实验观测类似的同步化、不规则的群体事件，并且能够识别出具有高可重现性的模式和核心神经元。进一步分析证实，这些模型网络确实表现出层级模块性（聚类系数与连接度呈幂律关系），并且模型核心神经元同样具有高网页排名、高连接度和低聚类系数的特性，位于模块的输入/输出枢纽位置。至关重要的是，当对网络连接进行随机重连（保持每个节点的连接数不变）以破坏其距离依赖性结构时，虽然仍能产生群体事件，但可重现的模式和核心神经元消失了。增加输入相关性试图挽救可重现性，只会导致全网络范围的振荡，远离生物真实的动态。这证明了距离依赖性连接对于产生观察到的现象既是充分的，也是必要的。
本研究的主要结果环环相扣，逻辑严密。首先，数据驱动分析否定了吸引子网络的强相互连接假设，这是对传统主流观点的一次重要实证性质疑。其次，通过动态信息流分析，发现了核心神经元作为高信息流汇聚节点的全新功能角色。接着，网络结构分析揭示了皮层普遍存在的层级模块性，为核心神经元的网关定位提供了结构解释。最后，计算建模不仅统一了所有观察结果，还将现象的产生机制归结为一个简单而根本的结构原则——距离依赖性连接。结果表明，正是这种随距离衰减的连接概率，自然地形成了具有层级模块性的网络；模块内部的收敛-发散连接模式，将活动汇聚到少数网关节点（即核心神经元），从而约束了网络活动的可能轨迹，产生了可重现的放电模式。这个过程不需要预先设定的强递归连接或专门的学习机制。
研究的结论是革新性的：大脑皮层中短暂且可重现的群体事件，其结构基础并非经典吸引子模型所假设的强相互连接网络，而是源于由距离依赖性连接自然形成的、具有层级模块性的网络结构。在这种结构中，位于模块接口的“核心”神经元作为高信息流节点，通过汇聚输入来引导和稳定特定的活动模式。这一发现重新定义了皮层活动的结构和动力学基础，将焦点从“吸引子”转移到了“模块结构与信息流”的关系上。
本研究的科学价值和应用前景显著。在科学层面，它挑战了占据主导地位的吸引子网络范式，为理解皮层群体编码和动力学提供了一个新的、基于简单结构约束的理论框架。它强调了网络拓扑结构（特别是模块性和距离规则）在塑造神经动力学中的根本作用。研究还提出了一个发人深省的观点：这些可重现的群体事件可能并非完全源于后天学习，而是由基因编码的距离依赖性连接所“预配置”的电路基序产生的，它们为感觉运动协调提供了结构化的初始动态，后来才通过经验依赖的可塑性进行精细化。这为理解大脑发育与学习之间的关系提供了新视角。在应用层面，这一机制对类脑计算和神经形态工程具有启示意义，表明无需构建极度复杂和特化的递归连接，通过模拟生物网络中简单的空间连接规则，就可能实现稳定且灵活的模式生成与计算。
本研究的亮点突出：首先是多模态数据的创新性整合与深度挖掘，特别是将同一脑区的高精度功能成像（双光子）与超微结构连接组（电子显微镜）数据结合进行直接验证，这在神经科学中极为难得。其次是分析方法的跨学科融合，熟练运用了尖峰信号分析、图论、网络流理论、信息论和计算建模等多种工具。第三是提出了一个简洁而强大的统一机制（距离依赖性连接），并利用计算模型成功地从第一性原理复现了复杂的实验现象，实现了从现象到机制的闭环论证。最后是结论的普遍性和颠覆性，其发现在多个皮层区域和不同记录技术中得到验证，并对一个经典理论构成了直接挑战，有望推动该领域研究范式的转变。此外，研究还对前人研究中可能存在的统计效力不足问题进行了严谨的再分析，体现了其批判性和严谨性。