本文是杨竹达、梁俊豪和周昌松于2025年1月15日发表在《Physical Review Letters》第134卷第028401页上的一篇研究论文。该研究隶属于计算神经科学与系统神经科学领域，聚焦于“神经临界性”这一核心概念。神经临界性假说认为，大脑神经网络在临界状态附近运作，表现出尺度不变的雪崩等活动模式，这被认为与信息处理的最优化有关。然而，一个长期存在的挑战在于：临界状态以其对微小扰动的极端敏感性而著称，这似乎与神经表征（Neural Representation）所要求的对同一刺激的可靠、稳定响应相矛盾。本研究旨在解决这一矛盾，探讨在更符合生物学实际的兴奋-抑制平衡网络中，临界状态是否以及如何能够同时实现响应的高敏感性与高可靠性，并阐明其背后的网络机制和功能意义。
研究背景与目标 传统上，用于解释神经雪崩的随机分支过程模型在临界点确实能最大化响应敏感性，但其响应因模型的概率本质而高度可变，可靠性最低。这与大量实验观察相悖，实验表明大脑在面对感觉刺激时，神经活动的试次间变异性会降低，即响应是可靠的。因此，核心科学问题是：一个高度敏感、变异性大的临界大脑状态，如何能实现对刺激的可靠响应？本研究团队推测，基于兴奋-抑制平衡的动力系统模型可能提供不同于简单概率模型的机制，从而调和这一矛盾。研究的目标是：1）在兴奋-抑制平衡网络中验证临界状态的存在；2）比较其与分支过程模型在响应敏感性和可靠性上的差异；3）探究临界雪崩在神经表征（如信号分类任务）中的作用；4）揭示支撑可靠临界雪崩的网络结构基础。
详细工作流程 本研究主要包含四个相互关联的研究流程，结合了计算建模、数值模拟、理论分析和机器学习方法。
流程一：模型构建与临界态识别 研究采用了两种模型进行对比：经典的随机分支过程模型和生物物理上更真实的兴奋-抑制平衡脉冲神经网络模型。 1. 分支过程模型：作为基准模型。网络包含N=1000个节点，连接概率p=0.2。控制参数λ（激活传播概率）决定系统相态，临界点位于λ≈0.5附近。通过模拟自发活动，测量雪崩大小和持续时间的分布，以幂律分布作为临界态的标识。 2. 兴奋-抑制平衡网络模型：本研究的主要模型。网络包含1000个基于电导的漏积分发放神经元，其中80%为兴奋性，20%为抑制性。连接随机，概率p=0.2。神经元动力学遵循膜电位方程，包含漏电流、来自网络内其他神经元（通过双指数突触滤波器建模）的递归输入以及外部信号输入。关键的控制参数是抑制性突触的衰减时间常数τdi（从2毫秒到11毫秒）。通过改变τdi，网络可以经历从亚临界态（异步、低活动）经临界态到超临界态（同步、高活动）的相变，这通过Hopf分岔实现。临界态（τdi = 8 ms）通过以下标准识别：自发活动中雪崩大小和持续时间的分布最符合幂律关系（见图1e），并满足表征临界态的“噼啪噪声”关系。
流程二：响应敏感性与可靠性测量 在此流程中，研究者向两个模型施加外部信号，定量比较它们的响应特性。 1. 刺激范式：向平衡网络添加额外的泊松“冷冻”信号（即在不同试次中时间模式固定的信号），频率为25 Hz。对于分支模型，则通过泊松分布的时间点随机激活网络中的单个神经元来模拟时间信号。 2. 测量指标： * 敏感性：定义为接收额外输入后，兴奋性神经元平均发放率相对于基线发放率的相对变化。这反映了网络对微弱扰动产生显著响应变化的能力。 * 可靠性：使用同一冷冻信号重复多次试验（100次），计算小时间窗（50毫秒，滑动步长20毫秒）内发放率的试次间方差与均值的比值（即Fano因子），可靠性的度量定义为该Fano因子的倒数。高可靠性意味着对同一刺激的响应在不同试次中高度一致。 3. 对比分析：分别在分支模型和平衡网络模型中，随控制参数（λ或τdi）变化，绘制敏感性和可靠性曲线。
流程三：神经表征任务——基于雪崩的信号分类 为了探究临界动力学的功能意义，研究者设计了一个基于脉冲时序的机器学习分类任务。 1. 任务设置：平衡网络接收两种统计特性相同但具体时间模式不同的冷冻泊松信号ξa（目标信号）和ξb（非目标信号）。目标是训练一个“读出头”神经元，使其仅在网络接收ξa时发放，而在接收ξb时保持静默。 2. 读出头与学习算法：读出头神经元接收网络中所有兴奋性神经元的脉冲序列作为输入，权重为w。采用“Tempotron”学习算法（一种基于脉冲时序的监督学习规则），通过梯度下降法训练权重w，以最小化定义的损失函数。训练和测试在不同的试次子集上进行。 3. 性能评估：在测试集上计算分类准确率，作为衡量网络神经表征能力的指标。该任务在不同τdi（即不同动力学状态）下重复进行，以观察分类性能与网络状态的关系。 4. 机制探查：分析在成功分类的试次中，触发读出头神经元发放的特定雪崩（称为“分类雪崩”）的特性。研究其时间可靠性（在不同试次中是否稳定在同一时间窗出现）和空间可靠性（在不同试次中是否招募相似的神经元群体）。同时，比较针对不同信号的可靠雪崩在神经元空间上的差异。
流程四：网络结构基础与理论分析 为了理解可靠雪崩产生的结构根源，研究者分析了网络的连接特性并发展了理论框架。 1. 结构异质性分析：在固定的临界态网络连接中，计算每个神经元的兴奋性入度和抑制性入度。特别关注在分类任务中表现出高可靠性的“信号可靠神经元”在入度分布上的特征。 2. 异质性操控：通过构建抑制性入度或兴奋性入度均质化的对照网络模型，检验连接异质性对雪崩可靠性的必要性。 3. 平均场理论：研究者扩展了先前发展的半解析平均场理论，将抑制性连接的异质性纳入考量。假设稳态发放率是抑制性入度的函数，并推导出其解析解。该理论用于预测个体神经元发放率的异质性（用变异系数衡量），并与模拟结果进行比较，以解释临界态个体活动异质性最大的现象。
主要结果 结果一：兴奋-抑制平衡网络在临界态同时最大化敏感性与可靠性。 模拟结果显示（图1c, f），在随机分支过程中，敏感性在临界点附近达到最大，但可靠性恰恰在临界点降至最低。这与传统认知一致：临界点的最大敏感性伴随着最大的响应变异性。然而，在兴奋-抑制平衡网络中，情况截然不同：响应敏感性和响应可靠性几乎在临界态（τdi = 8 ms）同时达到最大值。这一关键发现表明，基于动力系统平衡原理的临界性，能够统一看似矛盾的敏感性与可靠性，而简单的概率模型无法解释可靠性。
结果二：临界态支持最优的神经表征，其功能通过可靠的雪崩实现。 在信号分类任务中，平衡网络的分类准确率在临界态达到最优（约0.968，图2a）。相比之下，使用临界分支模型完成相同任务，性能降至随机水平。机制分析表明，读出头神经元学会利用由目标信号诱发的特定“分类雪崩”作为特征来识别信号（图2b）。这些分类雪崩在时间上是可靠的，稳定地出现在不同试次的相近时刻（图2c）。然而，在空间上，单个神经元的可靠性分布很广，只有少数神经元在所有试次中都参与；可靠性主要体现于神经元群体的层面，即每次雪崩招募的神经元群体在成员构成上具有统计相似性，而非每个成员固定不变（图2d）。这解释了细胞水平响应可变性与群体水平稳定性共存的现象。此外，针对不同输入信号的最可靠雪崩在神经元空间上存在显著差异（图2e-g），这种差异在临界态最大，表明临界态雪崩既能可靠地表征同一信号，又能敏感地区分不同信号，从而实现了最优表征。
结果三：亚临界态与超临界态分别因不可靠和“僵硬”而限制表征能力。 随着τdi增大（从亚临界到超临界），最可靠雪崩的尺寸和时空可靠性均增加（图3a,b）。在亚临界态，雪崩尺寸小且不可靠，难以被有效读取。在超临界态，雪崩尺寸过大，导致表征不同信号的雪崩在神经元空间上发生严重重叠（图3c,d），降低了信号的可区分性（表征可分性下降）。定量分析表明，临界雪崩能实现高效的、线性可分的低维表征。因此，临界态提供了适中的“吸引子盆地”，使网络能够动态、灵活地表征不同信号，而不会混淆。
结果四：抑制性连接的异质性是可靠临界雪崩和最优表征的结构基础。 对临界态网络的分析发现，信号可靠神经元倾向于具有较低的抑制性入度，而其兴奋性入度分布则相对均匀（图4a）。理论分析与模拟均表明，神经元的稳态发放率随其抑制性入度的增加而近乎指数下降（图4b）。因此，抑制性入度较低的神经元具有较高的基线发放率，成为更易被激活的“活跃神经元”。在临界态，活跃神经元与不活跃神经元的发放率差异最大，导致个体神经元活动水平的异质性（以变异系数衡量）在临界态达到峰值（图4c）。这种由抑制性连接异质性驱动的活动异质性，为可靠雪崩的形成提供了基础：高发放率的活跃神经元构成了对信号做出可靠响应的核心群体。当消除抑制性入度的异质性后，雪崩的可靠性显著下降，而兴奋性入度的异质性则无此显著影响，证实了抑制性异质性的主导作用。
结论与意义 本研究的结论是：在生物物理合理的兴奋-抑制平衡神经元网络中，敏感性与可靠性可以出人意料地在临界态附近得到调和并同时最大化。临界态的雪崩作为外部信号诱导的、可靠的时空活动模式，为神经表征提供了优化的载体。其背后的机制在于网络中普遍存在的抑制性连接异质性，这种结构异质性在临界态催生了最大的个体活动异质性，从而支持了可靠雪崩的形成。
研究的价值与亮点 科学价值： 1. 解决了一个长期的理论矛盾：首次在机制上解释了神经临界性如何能够同时支持响应的高敏感性和高可靠性，为神经临界性的功能意义提供了强有力的新论据。 2. 深化了对临界雪崩功能的理解：将尺度不变雪崩的角色从单纯的临界态“生物标志物”，拓展为直接参与神经表征和信号编码的功能实体。 3. 建立了结构-动力学-功能的联系：明确了抑制性连接异质性这一普遍的网络结构特征，是产生可靠临界动力学和最优表征的关键基础。 4. 提供了新的理论框架：发展的考虑异质性的平均场理论，成功预测了临界态活动异质性的最大化，为理解类似系统提供了分析工具。
应用与启发价值：这项工作不仅增进了对大脑信息处理机制的理解，也可能为其他临界系统（如处于混沌边缘的储层计算系统）的计算原理提供启示，并激发人工智能模型的设计新思路。
研究亮点： 1. 重要的发现：在兴奋-抑制平衡网络中，临界态同时实现了响应敏感性与可靠性的最大化，以及基于雪崩的最优神经表征。 2. 新颖的方法：巧妙地将计算神经科学模型（平衡网络）、物理相变理论（临界现象）和机器学习方法（Tempotron分类器）相结合，通过精心设计的对比实验（vs. 分支过程）和功能任务，清晰地揭示了机制。 3. 机制的深度揭示：不仅观察到了现象，还深入挖掘了其时空可靠性特征、网络结构基础，并给出了理论解释，形成了从现象到机制再到结构的完整逻辑链条。 4. 研究的鲁棒性：在更大的网络（N=5000）中验证了主要结果的稳健性，增强了结论的普适性。