自然：621,733个神经元记录揭示决策行为的秘密

摘要

神经科学的一大关键挑战在于理解：分布于数百个相互连接的脑区的神经元，如何整合感官输入与先前预期，从而启动运动并做出决策。如果不同实验室在不同的脑区、不同的行为情境下，采用各异的分析方法和记录手段，那么这一挑战很难克服。在这项研究中，来自12个实验室的研究团队，利用699根Neuropixels探针，在139只小鼠的大脑中记录下了621,733个神经元的活动。这些数据采集自小鼠完成一项包含感官、运动和认知环节的决策任务的全过程。探针覆盖了小鼠大脑的279个区域，包括左侧前脑与中脑，以及右侧后脑与小脑。研究团队对这份“全脑神经活动地图”进行了初步评估，并分析神经活动如何编码关键的任务变量。视觉刺激出现后，最初的神经反应会短暂出现经典视觉区，但随后逐渐扩展为中脑和后脑多个区域的“斜坡式”神经活动（ramp-like activity），而这些区域同时也参与了决策编码。与即将发生的运动动作相关的神经反应几乎遍布整个大脑。对于奖励获得与消耗的神经反应，同样分布广泛。这份公开的数据库为揭示分布在不同脑区之间及其内部的计算如何驱动行为，提供了极为宝贵的资源。

关键词：全脑图谱（brain-wide map），神经活动，决策行为（decision-making behaviour），Neuropixels探针（Neuropixels probe），小鼠模型，视觉刺激，选择编码（choice encoding），奖励反应，国际脑实验室（International Brain Laboratory, IBL）

彭晨丨作者

赵思怡丨审校

论文题目：A brain-wide map of neural activity during complex behaviour 论文链接：https://doi.org/10.1038/s41586-025-09235-0 发表时间：2025年9月3日 论文来源：Nature

神经科学的长期难题

长期以来，神经科学研究者一直面临一个困境：如何从庞杂而分散的实验数据中，构建出关于“大脑整体运作”的系统图景。传统研究往往聚焦于某个假定的关键脑区，例如视觉皮层或顶叶皮层，通过单点电生理或局部成像揭示其功能。但这种“局部放大”的策略不可避免地导致图景支离破碎，不同实验室之间难以对比，更难拼接成一个统一的全脑模型。尤其是在涉及感知、记忆、运动与决策相互交织的行为中，局部研究常常忽略了大脑高度分布式的特性。

Neuropixels探针：技术跨越的关键

突破来自于近年来兴起的Neuropixels探针，这种高密度硅电极可在同一次实验中记录数百乃至上千个神经元的活动，大大拓展了电生理研究的尺度。在本研究中，研究团队按照预设的网格，将探针系统性地插入到小鼠大脑的左半球前脑与中脑，以及右半球的小脑与后脑。如此布点不仅保证了覆盖的广度，也为跨实验室数据的可比性提供了坚实基础。

通过699次探针插入，研究者成功采集了超过62万条神经元活动轨迹。这些数据涵盖279个脑区（图1），构成了迄今为止最全面的“全脑电生理地图”。这一庞大工程由国际脑实验室（International Brain Laboratory, IBL）旗下的12个团队协作完成，确保了数据采集与分析的高度标准化。

图 1. 行为任务过程中全脑范围的神经活动记录。a，3D大脑示意图中显示的神经像素探针轨迹。在139只小鼠中共进行了699次插入。b，对于每个区域，显示了记录的神经元数量和用于分析的隔离良好的神经元数量。c，一个半球的平面图，显示该脑区的缩写。

决策任务：行为与神经的纽带

为了探索大脑在复杂行为中的运作机制，研究人员设计了一项决策任务。在实验中，小鼠需要通过转动前爪控制的滚轮，将屏幕上的视觉刺激移至中央。刺激可能出现在屏幕左侧或右侧，小鼠必须在有限时间内做出选择。更具挑战性的是，任务中引入了“区块概率”（block priors），即刺激出现的左右概率在一定试次内保持不均衡（例如20%:80%或80%:20%），但小鼠并不会被告知这一规则。它们只能通过不断尝试和奖励反馈，逐渐学习并利用这种统计规律。

这一任务兼具感官辨识、运动执行与概率推理的成分，因而成为连接行为与神经活动的理想范式。数据表明，小鼠在学习后正确率达到81%以上（图 2d），并能够在0%对比度（即，无视觉刺激）的条件下依靠概率先验作出高于随机水平的选择（图 2g）。这意味着，它们确实掌握并运用了任务结构。

图 2. IBL任务、数据类型和行为。a，IBL任务示意图和块结构。b，事件和分析变量的时间轴。c， 459个实验中刺激开始和第一个轮子运动时间（解释为反应时间）之间的时间分布。分布被截断在80毫秒和2秒。总共22.8%的第一个轮子移动时间发生在80毫秒以下（未显示）。d，在刺激对比下，正确选择的比例（上）和第一个轮子移动的时间（下）。e，0%（灰色）和非0%（黑色）对比试验在实验结束前给定试验次数的正确选择比例。f，对第一个轮子运动时间进行相同的分析。g，反转曲线。在0%对比度和0%对比度的试验中，正确选择的比例在块周围变化。h，心理测量曲线。给所有小鼠一个有符号的对比度，正确选择的分数。i，三个例子试验的时间序列和试验信息：轮子的旋转编码器输出，视频分析和跨越多个脑区的峰值时间光栅。

四重分析：从单细胞到群体动力学

面对如此庞大的数据集，研究团队采取了四类互补的分析策略：

1. 解码模型（decoding model）：利用正则化逻辑回归或线性回归，从群体神经元的放电模式中预测任务变量。这种方法揭示了大脑哪些区域的整体活动足以推断刺激、选择或反馈，见图 2b。

2. 单细胞统计（single-cell statistics）：通过条件化的Mann–Whitney检验，评估单个神经元是否在特定条件下对刺激、选择或反馈敏感。这一分析强调精确控制混杂变量，从而确定真正的编码关系，见图 2c。

3. 群体轨迹分析（population trajectory analysis）：将不同试次下的神经群体活动投影到高维空间，比较轨迹的分离程度。这样不仅能判断是否存在变量编码，还能揭示其随时间演变的动态过程，见图 2d。

4. 编码模型（encoding model）：通过多元回归，将神经元放电拟合为与不同任务事件相关的时间核的组合。该方法能在精细时间尺度上捕捉变量对神经元活动的贡献，见图 2e。

这种多层次、多方法的策略，不仅提升了结果的稳健性，也为后续学界利用这份数据资源提供了多样化切入点。

图 3. 神经信号分析示意图。a、任务结构示意图，灰色表示用于数据分析的时间窗。在b-d中，左（蓝色）和右（红色）刺激被用作示例任务变量，神经元活动轨迹相应着色。b，解码模型示意图，该模型量化了与任务变量相关的神经元群。正则化逻辑或线性回归用于将相关时间窗口（灰色区域）中的峰值计数从每个区域的单元格映射到变量值的预测中。c，单细胞分析的示意图，它量化了单细胞神经与任务变量的相关性。在控制其他变量的值的情况下，使用条件组合Mann-Whitney U统计来计算单个细胞的活动（灰色区域）对单个任务变量的敏感程度。d，群体活动轨迹分析的示意图，描述了跨session神经群体反应的时间演变，在每个区域所有记录的细胞放在一起。e，编码模型的原理图，它使用任务定义和行为定义的时间核的多元线性回归来拟合单个神经元的活动。

视觉刺激：从经典通路到意外发现

当视觉刺激出现时，预期中的激活首先出现在视网膜投射的经典通路上：丘脑的外侧膝状体（lateral geniculate nucleus, LGN）、初级视觉皮层（primary visual cortex, VISp），随后延伸至更高级的视觉区。研究结果与此一致，但也有意外发现：解码模型分析显示，中脑（midbrain）和后脑（hindbrain）的多个区域同样出现了与刺激相关的活动，这些区域在传统视觉研究中鲜少被强调。

更细致的轨迹分析揭示了加工时间上的层级结构（图 4m）：LGN在约34毫秒后最早出现反应，随后是初级视觉皮层和外侧后核（LP），再延迟至57至78毫秒时，反应扩展至高阶视觉区，这一时序印证了大脑中视觉信息逐级处理的模式。

图 4. 视觉刺激的表征。从单细胞和解码的角度（a、b），说明个别神经元及整体群体在刺激侧区分上的显著性。随后，利用群体轨迹分析（c、d、j–l），描绘左、右刺激在高维神经活动空间中的分离程度及出现的时间延迟，并通过最大轨迹距离和潜伏期（m）总结各脑区的表征强度和时序差异。进一步，采用编码模型（e、h）评估包含刺激信息的预测改进效果，并结合解码概率（i）验证群体活动确实包含刺激侧的信息。最后，示例神经元的点图与时间直方图（g、h）直观展示了单细胞在不同刺激条件下的响应模式，而整体效应显著性总结图（f）则提供了全局的统计概览。该组分析从单细胞到群体、从个例到总体，全面揭示了视觉皮层对刺激侧的快速编码与表征。

选择编码：分布式的决策网络

相比视觉刺激，选择（choice）的神经表征更为广泛。研究显示，从小脑核团、延髓灰质，到丘脑、纹状体乃至前额叶，都能在小鼠即将做出动作前100毫秒内检测到选择相关信号。尤其是脑干网状结构（reticular formation）和小脑，表现出极强的选择预测力。这一发现挑战了“决策主要依赖前额叶”的传统认知，凸显了大脑深部结构在决策形成中的重要作用。

轨迹分析进一步揭示，这些选择信号往往呈“斜坡式”上升，与心理学中经典的“证据积累模型”（evidence accumulation model）高度契合。换言之，小鼠的大脑并非某个局部区域在独立计算，而是由分布在全脑的多个区域协同贡献。

图 5. 选择行为在大脑中的表征过程。研究区间是从运动开始前 100 ms 到 0 ms。首先，解码和单细胞分析（a、b）揭示了个别神经元及群体是否对选择侧（左/右）敏感。随后，通过群体轨迹距离与潜伏期分析（c、d、j–l），比较左、右选择在高维神经活动空间中的分离度和时间特征，显示不同脑区在运动前已有对选择的表征。编码模型（e、h）评估包含选择信息的预测改进效果，并结合解码概率（i）验证群体活动中确实蕴含选择侧信号。具体神经元的点图和时间直方图（g、h）直观展示了单细胞在不同选择下的响应模式，而整体效应显著性图（f）总结了各区域的统计结果。最后，跨区域比较（k–m）显示不同脑区对选择的调制存在时序差异，有的呈现逐步爬升的活动模式。该组图表明，大脑在运动发生前已经形成了对选择的神经表征，并且这种表征在群体水平和不同脑区中具有时序和强度差异。

奖励与反馈：几乎无处不在

在每一次试次的终点，小鼠都会根据选择的正确与否获得反馈：正确时得到水奖励，错误时遭遇噪音和短暂停顿。结果表明，与奖励相关的神经活动几乎遍布全脑。这既包括与舔水动作直接相关的运动环路，也涵盖了多巴胺等神经调制系统的广泛响应。这样的结果凸显了奖励信号在大脑计算中的普遍性与重要性。

图 6. 大脑对反馈信息的神经表征。首先，解码和单细胞分析（a、b）揭示部分神经元在正确或错误反馈条件下活动有显著差异。群体轨迹分析（c、d、j–l）进一步表明，正确与错误反馈条件下的神经活动在高维空间中分离，并且这种分离有明确的时间特征。编码模型分析（e、h）显示，包含反馈信息的模型能更好预测神经元反应，而解码结果（i）验证了神经元群能可靠区分奖励与非奖励反馈。单细胞点图与时间直方图（g、h）给出了具体示例神经元在不同反馈下的放电模式。效应显著性图（f）提供了整体的统计概览。跨区域比较（l）揭示不同脑区在反馈调制中的差异，一些区域如听觉中枢表现出快速响应，其他区域则有更持久的调制。最后，最大轨迹距离与潜伏期总结（m）表明，不同区域对反馈的敏感性和时间进程存在差异。该组结果揭示了大脑在反馈后的早期时间窗口内快速而多区域地编码正误信息，并通过群体动态表现出丰富的表征特征。

展望：迈向全脑计算科学

值得强调的是，这份数据已全部公开，研究者可通过在线平台浏览（viz.internationalbrainlab.org）或下载原始数据及分析脚本。这种开放不仅加速了研究成果的共享，也为整个神经科学界提供了一个“公共基础设施”。未来，不同团队可以在这一资源上开展多样化的分析与建模，探索大脑如何在复杂行为中实现分布式计算。

这份全脑神经活动地图，就像一座里程碑，标记着神经科学从单点到全景，从假设驱动到数据驱动的转变。它不仅为学界提供了宝贵的参考，也让我们更接近回答那个终极问题：大脑如何从亿万神经元的电信号中，生成有机体的知觉、行动与决策。

计算神经科学第三季读书会

从单个神经元的放电到全脑范围的意识涌现，理解智能的本质与演化始终是一个关于尺度的问题。更值得深思的是，无论是微观的突触可塑性、介观的皮层模块自组织，还是宏观的全局信息广播，不同尺度的动力学过程都在共同塑造着认知与意识。这说明，对心智的研究从最初就必须直面一个核心挑战：局部的神经活动如何整合为统一的体验？局域的网络连接又如何支撑灵活的智能行为？

继「」与「」读书会后，集智俱乐部联合来自数学、物理学、生物学、神经科学和计算机的一线研究者共同发起，跨越微观、介观与宏观的视角，探索意识与智能的跨尺度计算、演化与涌现。重点探讨物理规律与人工智能如何帮助我们认识神经动力学，以及神经活动跨尺度的计算与演化如何构建微观与宏观、结构与功能之间的桥梁。

详情请见：

-一年一度特惠-

1.

2.

3.

4.

5.

6.