这篇发表于《Nature Communications》的论文报告了一项原创性研究。以下是针对该研究的详细学术报告，旨在向其他研究者介绍这项工作。

研究团队、发表期刊与时间

本研究由来自多所顶尖研究机构的学者合作完成。第一作者是Anand Pathak（美国达特茅斯学院心理与脑科学系），通讯作者是Richard Granger。研究团队还包括来自麻省理工学院皮考尔学习与记忆研究所、纽约州立大学石溪分校生物医学工程系、麻省总医院及哈佛医学院马蒂诺斯生物医学成像中心、以及圣塔菲研究所的研究人员。研究论文《Biomimetic model of corticostriatal micro-assemblies discovers a neural code》已在线发表于《Nature Communications》期刊，接收日期为2025年11月19日。该文提供的是未经最终编辑的手稿版本。

学术背景与研究目的

该研究领域属于计算神经科学，核心挑战在于如何弥合大脑微观生理活动（如神经元放电、场电位）与宏观认知功能（如决策、工作记忆）之间的鸿沟。尽管现有计算模型在理解神经科学方面取得了进展，但多数模型要么侧重于机制的生物逼真性，要么侧重于实现高级认知功能，难以将两者无缝结合。这种割裂限制了我们从生理层面理解认知障碍的根源并探索干预方案的能力。

本研究旨在构建一个直接、可预测地连接计算层面（决策、强化信号）与神经生物学层面（放电、场电活动）的多尺度脑回路模型。具体而言，研究团队的目标是开发一个在机制上精准的“皮质-纹状体”回路多尺度模型。该模型将从基本的生理学文献知识出发，通过模拟神经元放电等底层生理活动，自发地涌现出工作记忆、决策、分类等高级认知现象，并能够直接与非人灵长类动物（Nonhuman Primates, NHPs）的实验数据进行比对验证。一个更雄心勃勃的目标是，希望这样的模型能够具备“分布外推理”能力，即能够基于一类数据构建，却预测出另一类全新数据中的现象，从而具备真正的科学发现潜力。

详细工作流程

本研究的工作流程可以概括为模型构建、任务模拟、数据验证、机制分析与预测发现几个关键步骤。研究并未直接对生物样本进行物理实验，而是主要基于计算模拟，并将模拟结果与已有的独立实验数据集进行严格对比。

第一，生物启发的多尺度模型构建。研究团队开发了一个名为“Neuroblox”的计算神经科学平台来克服大规模微分方程求解的计算瓶颈，实现高效的多尺度脑建模。模型的核心是“皮质-纹状体”回路，该回路被分解为多个基于解剖结构的神经微组装体。每个微组装体都依据大量实验文献，设定了特定的细胞类型、内部连接和生理活动特征，它们被视为不可再分的基本功能单元，称为生物启发计算基元。

• 研究对象（模型组件）与规模：
  • 皮层亚回路：包括一个简单的视觉皮层区和前额皮层区。核心是局部反馈侧抑制回路（local-feedback lateral inhibition circuit, L-FLIC），每个L-FLIC由约5个兴奋性神经元和1个反馈抑制性神经元按特定解剖布局构成。视觉皮层区包含45个L-FLIC（共225个兴奋性神经元），前额皮层区包含20个L-FLIC（共100个兴奋性神经元）。神经元采用霍奇金-赫胥黎形式点神经元模型模拟电活动。
  • 纹状体亚回路：包含基质区、斑区中型多棘神经元、黑质致密部多巴胺能神经元和紧张性活跃神经元。这部分神经元被简化为遵循特定生理衍生“规则”的输入/输出单元，其方程定义了群体活动。
  • 脑干亚回路：一个高度简化的上行系统，使用下一代神经质量模型生成约16赫兹的节律性输入，驱动皮层的β节律。
  • 其他组件：模型还包含了苍白球、丘脑等结构，共同构成完整的皮质-纹状体-丘脑-皮质环路。模型中模拟的神经元总数为数百个复杂神经元规模。

第二，实验任务模拟与学习过程。模型被置于一个经过充分研究的视觉分类学习任务中。该任务与对猕猴进行的实验任务完全相同：向模型呈现由7个点构成的视觉刺激（属于A类或B类），刺激消失后经过一段延迟，模型需要做出“左”或“右”的选择（对应A类或B类）。随后，模型会根据选择正确与否收到模拟的“奖励”或“惩罚”（无奖励）。

• 处理/测试方法：模型完全没有接受过任何来自猕猴生理或行为数据的训练。它仅接收与动物相同的视觉刺激和模拟奖励。模型内部通过文献中已确立的可塑性规则（例如，谷氨酸能突触可塑性、多巴胺调控的纹状体突触变化）来调整其突触权重。这些调整是基于模型自身的生理活动和对任务结果的响应，从而驱动学习行为。学习过程涉及所有主要亚回路（皮层、纹状体、紧张性活跃神经元、脑干）的相互作用。特别地，短期突触增强机制被用于维持延迟期内的活动模式，实现“工作记忆”。

第三，数据验证与分析方法。模型运行后，会产生大量的模拟数据，包括单个神经元的放电时间序列、突触权重变化、局部放电总和（Local Spike Summation, LSS，作为局部场电位的简化度量）以及不同脑区之间的同步性。

• 分析工作流：研究团队将模型的输出与独立的猕猴实验数据（来自参考文献27和28）进行系统比较。比较的维度包括：
  1. 行为学习曲线：模型与猕猴达到相似任务正确率所需试验次数的对比。
  2. 生理活动模式：比较模型模拟的LSS与猕猴记录的局部场电位在刺激呈现期和延迟期的活动模式。
  3. 区域间同步性：使用小波分析和相位锁定值计算模型皮层与纹状体活动之间、以及猕猴相应脑区之间的同步性，重点关注β频段（~16 Hz），并分析其在学习早期与晚期、正确与错误试验间的差异。
  4. 突触可塑性：观察和分析模型中皮层-皮层突触与皮层-纹状体突触随着学习进程表现出的不同权重变化模式。

第四，模拟“损伤”实验。为了探究特定回路组件功能，研究团队在模拟中依次“损毁”了三个关键元素：黑质致密部、纹状体斑区神经元和紧张性活跃神经元，观察这些操作如何以不同机制干扰学习行为，从而生成可检验的电路运作预测。

主要研究结果

第一，模型成功复现了猕猴的行为学习与关键生理特征。 * 行为层面：模型的分类学习成功率随着试验次数增加而提高，其学习曲线与猕猴的行为学习速率高度相似，均能在约100至400次试验内达到并维持在80%以上的正确率。 * 生理层面：模型产生了与猕猴实验中观察到的复杂生理现象相一致的模式。例如，模型模拟的皮层神经元在刺激呈现后出现的“静默期”，在猕猴数据中也同样存在。更重要的是，模型自发涌现出的皮层-纹状体β频段同步性，在猕猴数据中也是显著特征。 * 学习相关的同步性变化：无论是模型还是猕猴数据，都显示出在学习的后期试验中，皮层-纹状体在β频段的同步性显著增强。这种增强在刺激后的延迟期（工作记忆保持阶段）尤为明显。此外，同步性的增强主要出现在正确试验中，而在错误试验中则较弱或没有增强。

第二，模型揭示了两种不同的突触可塑性模式，并与行为转换相关联。 * 模型结果显示，皮层-皮层突触的权重随着学习缓慢而持续地增强。相反，皮层-纹状体突触的权重则表现出增加和减少并存的变化，这是皮层谷氨酸能输入、黑质致密部多巴胺能输入和紧张性活跃神经元胆碱能输入共同作用的结果。 * 分析发现，大约在450次试验后，对应于行为从“探索”到“利用”的转换点，连接至“正确”行为通路的纹状体突触权重与连接至“错误”通路的突触权重开始显著分化。这种分化直接反映在神经元放电率上，错误试验中皮层和纹状体神经元的放电活动更弱、更局限。

第三，也是本研究最突出的发现：模型预测并随后在实证数据中验证了一类全新的神经元——“不协调神经元”。 * 预测性发现：在对模型进行深入分析时，研究者意外发现，前额皮层中的每一个兴奋性神经元不仅对刺激类别（A或B）具有选择性，还对试验的最终结果（正确或错误）具有强烈的、预测性的编码。这些神经元在试验开始后的最初200毫秒内（远在错误行为发生之前），其放电模式就能特异性地预示即将到来的错误选择。研究者将那些预测错误结果的神经元命名为“不协调神经元”。它们约占所有神经元的20%，其活动足以激活对侧（错误）类别的纹状体动作选择细胞，从而导致错误的行为反应。 * 实证验证：受模型发现的启发，研究者回头重新分析了猕猴的实验数据。他们采用相同的方法（根据神经元在试验早期的放电率将其分类到A-正确、A-错误、B-正确、B-错误四种类别中），成功在猕猴记录到的少量神经元中识别出了具有相同预测特性的细胞。统计验证表明，无论是在模拟数据还是实证数据中，这些被识别出的“不协调神经元”在预测后续试验结果方面，其性能均显著优于随机选择的神经元。 * 机制探索：通过分析模型的连接结构，研究发现“不协调神经元”的出现有解剖和可塑性两方面的机制。解剖上，皮层神经元通过稀疏连接接收视觉输入，形成特定的“感受野”，使其先天对某一类刺激有概率性偏好。可塑性上，虽然“协调神经元”（预测正确）和“不协调神经元”都对特定刺激有选择性，但关键区别在于它们与纹状体的下游连接：“协调神经元”通过强化学习，加强了与“正确”运动反应对应纹状体区的连接；而“不协调神经元”则异常地加强了与“错误”纹状体区的连接。

结论与意义

本研究成功构建并验证了一个从机制上精准、多尺度的皮质-纹状体回路生物启发模型。该模型仅基于基础生理学文献构建，未经任何特定实验数据训练，却能自发涌现出复杂的认知行为（分类学习、工作记忆、决策），并复现了大量在非人灵长类动物中观察到的精细神经生理模式（特定放电模式、节律同步性及其随学习的变化）。更重要的是，模型具备了强大的科学发现能力，它预测了一类全新的、能够提前预测行为错误的“不协调神经元”，并随后在独立实验数据中得到了统计显著的验证。

这项工作的科学价值在于，它首次实现了一种“生理计算”，即认知功能直接从生物约束下的底层生理步骤中涌现，无需引入独立的高层语义代码或进行数据拟合。这为连接低层神经机制与高层认知障碍（如与多巴胺、强化学习相关的精神神经疾病）提供了强有力的研究框架和仿真测试平台。其应用潜力包括在计算机中模拟疾病机制、测试候选药物或干预措施，以及为脑机接口提供新的控制信号（如利用“不协调神经元”信号实时纠正错误决策）。

研究亮点

1. 原创性与预测性：研究最大的亮点在于模型驱动的科学发现。模型不仅复现已知现象，更成功地预测了此前未知的“不协调神经元”及其编码特性，并通过严格的实证数据进行了验证，达到了模型预测力的最高标准。
2. 多尺度与机制性结合：该模型巧妙地将生物机制的精准性（从离子通道、突触可塑性到解剖微回路）与高级认知功能的涌现相结合，跨越了从神经元放电到脑区间同步、再到学习行为的多个尺度。
3. “零训练”验证范式：模型完全基于一般性生理知识构建，在从未接触过目标实验数据的情况下，完成了对特定认知任务的学习，并将其内部产生的生理信号与真实脑数据直接比较，验证方式极为严谨。
4. 提出“生物启发计算基元”概念：将不可再分的神经微组装体视为实现基本计算操作（如侧抑制、动作选择、探索/利用权衡）的“基元”，为理解复杂脑功能如何由简单组件组合而成提供了新的理论框架和建模思路。
5. 开发高效计算工具：研究团队开发的“Neuroblox”平台解决了多尺度脑模拟的计算效率难题，为后续更复杂、更大规模的生物启发模型研究提供了技术基础。

其他有价值的内容

研究还通过模拟“损伤”实验，初步探讨了黑质致密部、纹状体斑区、紧张性活跃神经元等特定组件对学习行为的不同影响机制，生成了可供未来实验检验的具体预测。此外，论文将本模型与领域内其他重要模型（如Emergent, Spaun）进行了比较，明确了其在“自底向上生理计算”方面的独特定位和贡献。最后，研究也对当前模型的局限性（如未涵盖更多脑区、简化了中间神经元亚型多样性等）进行了坦诚讨论，并指明了未来深化研究的方向。