该文档属于类型a：报告了一项单一的原创性研究。

连接神经活动流形与回路结构：循环神经网络中的理论框架研究

在当今大规模神经记录技术飞速发展的背景下，系统神经科学为我们理解大脑的集体活动提供了两个互补的视角：一是关注单个神经元对刺激或任务变量的“选择性”或“调谐”，二是关注神经元群体活动所表现出的低维“神经流形”动力学。然而，这两种从大规模神经活动中提取的统计学描述，如何与我们知之甚少的大脑底层神经回路结构联系起来，一直是一个悬而未决的核心问题。近日，来自瑞士洛桑联邦理工学院（École Polytechnique Fédérale de Lausanne, EPFL）和英国伦敦大学学院（University College London, UCL）的 Louis Pezon, Valentin Schmutz 和 Wulfram Gerstner 在 Neuron 期刊上发表了题为“Linking neural manifolds to circuit structure in recurrent networks”的研究论文（出版于2026年5月6日）。该研究通过建立一个统一的理论框架，首次系统性地揭示了结构化回路模型、神经活动流形和神经元相似性空间三者之间的深刻联系与内在约束，为我们从观测数据推断潜在回路结构提供了新的理论工具和判据。

研究的学术背景与目标 这项研究处于计算神经科学与理论神经科学的交叉领域。近年来，高密度探针和双光子钙成像等技术使得同时记录数千个神经元的活动成为可能。为了从这些高维数据中提取洞见，研究者们主要沿两条路径进行降维：对神经元（活动矩阵的行）降维，可以将功能相似的神经元嵌入到一个“相似性空间”中；对时间点（活动矩阵的列）降维，则可以发现群体活动所探索的低维“神经流形”。越来越多的证据表明，这种低维的集体动力学很可能是由循环连接（recurrent connections）塑造的，例如在睡眠中持续存在的吸引子动力学或与感觉输入解耦的内部生成轨迹。传统的建模方法（如环形吸引子模型）通常基于“神经元相似性”视角，假设具有相似选择性的神经元之间具有特定的平均连接强度，这被称为“结构化回路模型”。另一方面，基于“神经流形”视角的“低秩循环神经网络”模型则表明，低秩的连接矩阵可以直接产生低维的动力学。然而，这两种建模范式之间的关系，以及它们所描述的神经活动特征与底层回路结构之间是否存在一一对应的映射，尚不明确。

本研究的核心目标正是要弥合这一鸿沟。作者旨在解决三个关键问题：第一，能否建立一个连接回路结构、单神经元功能特性和涌现的低维动力学的统一建模框架？第二，回路结构与神经流形或相似性空间之间是否存在一一对应关系？第三，能否从观测到的神经活动中提取出关于底层回路结构的信息？本研究的理论成果不仅将经典的皮层回路模型与新兴的神经流形概念联系起来，也为设计更符合神经记录数据的、可处理的群体动力学模型铺平了道路。

研究的详细工作流程与方法 本研究主要采用理论分析与数值模拟相结合的方法，工作流程可以概括为以下几个关键步骤：

1. 构建统一的理论框架：这是本研究最核心的贡献。作者首先考虑了一个由大量线性-非线性-泊松（Linear-Nonlinear-Poisson）神经元组成的发放脉冲的循环网络模型。该模型假设，每个神经元i被赋予一个在某个抽象“回路空间”中的位置坐标 (zi)，这个坐标决定了该神经元的连接属性。所有神经元的位置服从一个概率分布 (\rho(z))。在这个“结构化回路模型”中，神经元i和j之间的循环连接权重 (w{ij}) 被表示为一个关于它们位置 ((z_i, z_j)) 的连续函数 (w(z_i, z_j))。至关重要的是，作者进一步假设这个连接函数具有低秩结构，即它可以表示为 (w(z_i, zj) = \sum{\mu=1}^d f_\mu(zi) g\mu(zj))，其中 (f\mu) 和 (g_\mu) 是定义在回路空间上的连续函数，(d) 是连接矩阵的秩，且远小于神经元总数N。这一假设巧妙地将结构化回路模型与低秩循环神经网络理论统一起来。

2. 推导宏观动力学方程：在上述假设下，当神经元数量N趋于无穷大时，作者应用神经场理论和大量网络的平均场极限，严格推导出了网络动力学的简化描述。他们证明，每个神经元的膜电位 (h_i(t)) 可以表示为 (hi(t) = \sum{\mu=1}^d f_\mu(zi) \kappa\mu(t))。这意味着，尽管每个神经元的活动由其高维位置 (z_i) 决定，但整个N维群体活动实际上被少数几个“潜变量” (\kappa_1(t), …, \kappad(t)) 所参数化，这些潜变量的演化遵循一个确定的、由积分-微分方程描述的动力学系统（公式6）。这个方程显式地将回路空间的结构（通过分布 (\rho(z)) 和函数 (g\mu)）与神经流形中的潜动力学联系了起来。这一理论突破表明，任何大型低秩网络都可以被解释为一个结构化回路模型，反之，一大类结构化回路模型在宏观上都会产生低秩网络所具有的低维动力学。

3. 设计并模拟具体模型案例：为了验证理论并展示其内涵，作者精心设计了一系列具有不同回路结构的脉冲神经网络模型进行数值模拟。这些模型包括：

   • 一维电路产生二维流形：神经元位置沿一条线（一维）正态分布，但连接权重函数（公式7）本质上是秩为2的。理论预测会涌现二维动力学，模拟（N=2000个神经元）证实了存在三个稳定不动点的二维流形。
   • 不同电路产生相同动力学：设计了两个截然不同的模型——“环形模型”（神经元均匀分布在环上，一维）和“平面模型”（神经元正态分布在二维平面上），并调整其连接参数（公式8和9），使它们产生完全相同的二维极限环动力学。模拟（N=2000）显示两个网络的低维轨迹无法区分。
   • 决策任务模型：构建了五个不同的结构化回路模型（例如，神经元分布在环上、平面上、离散簇中、具有混合选择性等），每个模型都包含N=3000个神经元，并要求它们解决一个相同的上下文依赖的感知决策任务。任务中网络接收颜色、运动两种感觉输入和一个上下文线索，需根据上下文报告对应感觉输入的符号。

4. 数据分析与特征提取：对于每个模拟网络产生的脉冲序列数据（活动矩阵），作者模仿实验数据分析的标准流程进行处理：

   • 提取神经流形：对群体活动（矩阵的列）应用降维方法。对于决策任务，使用了目标降维（Targeted Dimensionality Reduction， TDR）来获取与任务变量相关的低维轨迹。
   • 提取相似性空间：对单神经元活动（矩阵的行）应用降维方法，主要是主成分分析（PCA），以获得每个神经元在低维“相似性空间”中的嵌入坐标（即PCA载荷）。
   • 分析对称性：在理论上证明了回路结构的微观对称性（如环形模型中的旋转对称）会导致潜动力学的宏观对称性（如相空间中的旋转对称）。
   • 分析嵌入点云的拓扑特征：重点关注从相似性空间获得的神经元嵌入点云的拓扑性质，如其本征维度和连通分量数量。

研究的主要结果 理论推导和数值模拟共同揭示了一系列深刻且有些反直觉的结果：

1. 连接与流形之间的简并性：研究明确否定了回路结构与神经流形之间存在一一对应关系的猜想。首先，维度可以不匹配：一个一维的回路结构（如神经元分布在一条线上）可以产生一个二维的神经流形动力学（图3a,b）。其次，不同结构可产生相同动力学：具有根本不同回路结构的模型（如一维的环和二维的平面）可以产生完全无法区分的低维潜动力学，例如相同的极限环（图3c,d）。这表明，仅仅观察到的低维动力学本身，并不能唯一确定底层的网络连接结构。

2. 对称性的传递：尽管存在上述简并性，但回路结构会将其“指纹”烙印在神经活动上。一个重要的理论结果是：回路结构的微观对称性必然导致神经流形中潜动力学的宏观对称性（图3e）。例如，环形模型中所有神经元位置同时平移的对称性，对应着潜变量相空间中的旋转对称性。这为基于对称性原理设计网络模型提供了严格的理论依据。

3. 相似性空间对电路结构的约束：虽然无法唯一确定，但回路结构对神经元在相似性空间中的嵌入施加了特定的拓扑约束。由于神经元活动连续地依赖于其回路空间位置，因此在相似性空间中，位置相近的神经元其嵌入也必然相近。这导致两个关键约束：第一，嵌入点云的本征维度不能超过回路空间的本征维度；第二，嵌入点云的连通分量数量不能多于回路空间的连通分量数量（图4a）。例如，如果从数据中提取的神经元嵌入形成一个清晰的二维曲面，那么一个仅由少数离散集群组成或仅为一维环路的回路模型就与该数据不兼容。

4. 区分解决同一任务的不同模型：在决策任务的模拟中，五个不同的回路模型都能成功解决任务，并产生相似的、由上下文调节的二维吸引子动力学（图4c,e）。仅凭这些低维轨迹无法区分它们。然而，当分析各个网络中神经元在相似性空间中的PCA嵌入时，它们呈现出截然不同的几何结构：有的形成连续的一维曲线（环），有的形成二维曲面，有的则形成几个离散的簇（图4f）。根据上述拓扑约束，可以构建一个“判别表”，排除那些与观测到的嵌入点云拓扑特征不符的候选模型（图4h）。例如，一个由少数同质亚群组成的模型，无法产生连续分布的神经元响应模式。

5. 无监督方法揭示任务无关连接：研究还比较了基于任务调谐（有监督）和PCA（无监督）两种方法获取神经元嵌入的差异。他们发现，某些模型可能包含与任务无关的回路成分，这些成分会导致神经元活动在任务无关维度上波动。有监督的调谐分析会忽略这些波动，而无监督的PCA则能将其捕获，从而在相似性空间中揭示出更丰富、可能更反映真实连接的结构（例如，在任务相关环之外，还有一个由任务无关波动构成的环）。这凸显了无监督方法在揭示实验变量之外的内在神经元特征方面的价值。

研究的结论与价值 本研究的核心结论是：在循环神经网络中，底层回路结构与观测到的神经活动特征（神经流形和相似性空间）之间存在着固有的简并性，但回路结构也施加了不可逾越的对称性约束和拓扑约束。这意味着，我们无法从神经活动中唯一地反推出精确的连接矩阵，但可以排除一大类与数据在拓扑层面不兼容的模型假设。

这项工作的科学价值深远。首先，它建立了一个强大的统一理论框架，弥合了基于神经元选择性的经典结构化模型与基于群体动力学的现代低秩网络模型之间的隔阂，表明后者是前者的一个特例。其次，它澄清了从数据推断连接的根本局限性（简并性）和可能性（约束条件），为计算神经科学家提供了重要的概念框架和实用的模型比较标准。最后，它提出了一种新的研究范式：通过分析神经元群体在相似性空间中的嵌入的几何与拓扑特性，来指导和约束对潜在神经回路结构的假设。这为设计更贴合真实神经数据、更具生物合理性的理论模型开辟了新途径。其应用价值在于，未来在面对实验记录的大规模神经数据时，研究者可以利用这些约束来排除不合理的电路模型假设，或者根据嵌入点云的形状来生成新的、更合理的连接结构假说，从而更深入地理解大脑计算的物理基础。

研究的亮点 1. 理论创新：首次建立了连接结构化回路模型、低秩网络和神经场理论的统一框架，并严格推导了从微观连接到宏观动力学的数学关系。 2. 揭示根本简并性：明确证明了不同的回路结构可以产生完全相同的低维神经流形动力学，打破了“所见即所连”的直觉，深化了对神经编码复杂性的理解。 3. 提出可检验的约束：发现了回路结构施加于神经元相似性空间嵌入的拓扑约束（维度、连通性），将这些抽象的数学性质转化为可用于实证模型比较的实用判据。 4. 巧妙的示例与验证：通过一系列精心设计的对比模型（如一维与二维电路、环形与平面模型、多个决策网络），清晰、有力地演示和验证了理论预测。 5. 方法论的启示：强调了在分析神经数据时，结合有监督（任务调谐）和无监督（如PCA）方法，以全面捕捉由任务相关和任务无关的回路成分共同塑造的神经元响应特性。

这项研究是理论神经科学的一项杰出工作。它不仅在抽象层面厘清了神经活动描述与电路结构之间的根本关系，而且将其转化为具体、可操作的分析原则，为未来在实验数据与理论模型之间搭建更坚实的桥梁奠定了重要基础。