35万篇论文，40年兴衰，神经科学趋势报告，你的研究方向过时了吗

2025年，神经科学中各个研究趋势究竟产生了哪些变化？

近日，“The transmitter”公布了一张交互式地图——根据40年间35万篇发表在顶尖神经科学期刊中的摘要构建，利用大语言模型，提取了每篇摘要中排名前 10 的关键词——从中可以追踪研究主题在过去半个世纪的兴衰。

▷图1：从 1975 年至 2024 年发表的与神经科学相关的研究中提取的前 500 个主题。地图上术语之间的距离由这些术语在文献中共同出现的频率决定。字体大小表示特定主题的出版物总数。颜色覆盖揭示了过去五年中的研究热点领域。交互式地图地址：https://stateofneuroscience.thetransmitter.org/map/

据此，他们评出了神经科学领域三宗“最”（如图2所示）。那么，这个神经科学领域发生了什么呢？

▷图2：2024年间，神经科学研究中最常出现的主题是阿尔茨海默病，出现在6.2%的2024 年摘要中。提升最快的是脑电图（EEG）主题在文献中的出现率在过去五年中增加了 1.7 个百分点。而最新出现的新冠在2020年之后热度迅速下降。

可以看到，2024年间，神经科学研究中最常出现的主题是阿尔茨海默病，出现在6.2%的2024 年摘要中。提升最快的是脑电图（EEG）主题在文献中的出现率在过去五年中增加了 1.7 个百分点。而最新出现的新冠在2020年之后热度迅速下降。

神经科学发展趋势

通过调研多位神经科学研究者，他们发现了三大趋势如下三点：

（1）研究者得以比以往任何时候都更全面、更精确地测量大脑和行为，并在此过程中产生了大量数据。大多数调查受访者提到的新的人工智能和计算方法正在帮助解析这些数据集。

（2）计算神经科学的发展速度快于其他子领域，人工智能有望改变研究人员的工作方式，对细胞类型和胶质细胞的研究正帮助该领域从“神经中心视角”转向考虑非神经元细胞类型对神经回路和行为的贡献。

（3）随着神经科学日益跨学科化，亟需跨子领域整合结果、跨脑区记录、解决理论与数据的对立，同时向非科学家解释基础研究价值的需求也日益增长。

更全面的记录物理基础

（1）计算和数学方法对于分析和理解数据至关重要

我认为，对大脑构建更强大的定量模型这一趋势已经出现。这是AI模型发挥作用的地方，我们现在可以利用这类模型，特别是神经网络模型，对脑活动进行预测，其预测能力远超以往人们构建的任何模型。

——Samuel Gershman，哈佛大学心理学教授

诸如CEBRA这类计算工具，可用于神经信号与行为的所谓联合嵌入（joint embedding），从而真正帮助我们理解神经信号与行为之间的关联。

——Johannes Kohl，弗朗西斯·克里克研究所课题组长

我认为，几何/拓扑机器学习理论的发展是通往开发一个更加丰富图景的关键，不仅包括大脑能够表征和学习的全部丰富性，还提供了在数学层面上关于特定知识和表征结构如何产生以及如何在世界中提供可触及的结构假设和真实机制。

——Maxine Levesque加州大学旧金山分校医学博士-博士候选人；Astera研究所平台架构师

更复杂的统计模型、机器学习模型等技术的发展，使人们能够处理大型数据集并试图理解它们。现在，这些技术导致了一个问题：有时你实际上不知道如何从机器学习或人工智能中获得答案。它只是给你一个答案。因此，这导致了另一个问题，这也是人们预期的，即我们过于关注数据，以至于有些失去了对数据实际上告诉我们什么？我们的理论同时是如何发展的等问题的直接。所以，技术的发展速度远远超过了我们的理解速度，某些技术的发展速度远远超过了相应的脑功能与功能障碍的理论。

——Randy McIntosh Simon Frase大学神经科学与神经技术研究所所长

我认为，在行为计算分析、数据分析的计算方法已经取得了巨大的突破。我认为最近最有潜力的研究热点在于利用人工智能方法来理解数据并将之整合起来。

—Jason Shepherd, 犹他大学生物学教授

使用深度学习的工具，从与行为相关的非线性复杂神经数据中提取信息。

——Jimmy Singh, 犹他大学博士后研究助理

理解大量神经元活动的数学技术尚不完善，但若没有它们，我们将一事无成。神经元活动可能会被过度解读。

——Michael Stryker, 旧金山大学生理学教授

（2）自动化行为跟踪与分析

使用多个摄像头同时自动追踪所有动物的行为。这在五年前就已经发生，但我们看到了技术加速发展的现象。”

——Bing Wen Brunton, 华盛顿大学生物学教授

DeepLabCut的影响力很大。这是一种机器学习技术，允许人们使用普通视频摄像机追踪动物的运动。这项技术具有革命性，因为现在非专业实验室，即使不是严肃的机器学习实验室，也能进行行为实验并获取定量数据。”

——Gregory W. Schwartz, 西北大学菲恩伯格医学院眼科学、神经科学和神经生物学教授

使用多个摄像头同时自动追踪所有动物的行为。这在五年前就已经发生，但我们看到了技术加速发展的现象。”

——Bing Wen Brunton, 华盛顿大学生物学教授

DeepLabCut的影响力很大。这是一种机器学习技术，允许人们使用普通视频摄像机追踪动物的运动。这项技术具有革命性，因为现在非专业实验室，即使不是严肃的机器学习实验室，也能进行行为实验并获取定量数据。”

——Gregory W. Schwartz, 西北大学菲恩伯格医学院眼科学、神经科学和神经生物学教授

（3）高密度神经元记录

Neuropixels探针的出现，让每个人从每场记录中记录的神经元数量从几十个提升到几百个，甚至接近几千个。这是一个巨大的飞跃，并且它被迅速采纳。所以，我认为（以及其他类似的记录技术）是一项真正能够推动神经科学发展的突破。

——Joshua Dudman, 高级团队负责人，Janelia 研究园区，Howard Hughes医学研究所

高密度记录方法——例如 Neuropixels探针——可用于记录活动动物中成千上万个神经元。”

——Johannes Kohl, Francis Crick 机构小组负责人

Neuropixels探针的采样便捷性和密度，以及实现小尺寸的多点记录，已经使跨区域研究成为可能，这些研究揭示了特定神经科学发现与每个区域的关联性，并更准确地评估了区域间通讯。电压染料（voltage dyes）在真正成熟时，会将把这些特性推向下一阶段。

—Samuel Levy, 斯坦福大学生物学博士后研究员

很多人也在使用Neuropixels，这一多电极阵列越来越多地配备电极，可以植入脑中。标准化和商业化对Neuropixels的普及起到了帮助作用。如今，研究人员只需购买一套Neuropixels探针，即可便捷地完成大量神经信号采集、尖峰排序（spike sorting）等全套工作。操作简便，且能同时记录数百至数千个神经元的活动。这极大地提升了该技术在科研社群中的可及性与普及度。

—Gregory W. Schwartz, 西北大学Feinberg 医学院眼科学、神经科学和神经生物学教授

体内探针能够以高时间精度同时靶向数百至数千个神经元，例如Neuropixels探针。

—Jimmy Singh, 犹他大学 Christopher Gregg 实验室的博士后研究员

“大规模记录性能越来越好，越来越有可能长时间保持记录，以追踪同一细胞随时间的变化。这相当新。”

—Michael Stryker, 旧金山大学生理学教授

（4）先进的神经影像技术提供更深的层次和多样性

关于Neuropixels记录及其能教给我们的东西，目前尚无定论。这可能是一个不受欢迎的观点。在我读研究生的时候，我们只有10个细胞，现在我们有10,000个。这听起来很多，但它只是哺乳动物大脑的一小部分。从数量级更多的细胞进行记录能教会我们新东西，或是只是证实了我们已经知道的东西？我对此持怀疑态度。我对大脑和行为中发生的事情的全面记录更感兴趣。10,000个细胞只是很小一部分，但如果技术能让我们从整个皮质表面进行钙成像记录，那将使我们能够做新的事情。

—Bing Wen Brunton, 华盛顿大学生物学教授

我对清醒动物中的三光子成像技术感到非常兴奋。该技术能够深入皮层进行成像，其时空特异性对于fMRI技术是可望不可及的。或许它可以帮助我们更好地理解神经血管耦合如何塑造fMRI信号。在(f)MRI领域，过去五年接收器通道数量和梯度性能大幅提升，转化为更快、更高分辨率的成像。展望未来五年，我很期待同时进行经颅超声和fMRI，以非侵入性方式调节“回路”并观察神经活动是如何变化的。当然，我还需要提及更高磁场强度的开发，例如荷兰的14特斯拉人体MRI系统。

—Martijn Cloos, 昆士兰大学生物工程学副教授

脑组织膨胀。所以，如果将某些聚合物放入组织中，而当它们接触到适当的溶剂时就会膨胀。这样你可以将脑组织膨胀10倍，这时你就可以用标准的显微镜来观察，而不需要使用电子显微镜。这相当重要。但真正的重点是，你可以在组织内部创建这种分子支架，并将各种分子支架连接。据此，许多技术都可以得到改进。你可以有效地将所有RNA原位支架加入这种嵌入式聚合物中，这极大地提高了核酸检测和成像质量。总的来说，随着该领域更好地学习如何处理这些聚合物的化学性质，许多技术仍在不断改进。组织学在神经科学中一直很重要。扩张，或者更确切地说，用合适的分子支架嵌入组织，在我看来已经基本上革命化了组织学。

—Joshua Dudman, 高级团队负责人，Janelia研究园区, Howard Hughes 医学研究所

微型显微镜，单光子微型显微镜，但现在也包括双光子微型显微镜，它们允许我们从行为中的单个分辨神经元记录钙动态。

— Johannes Kohl， Francis Crick 机构小组负责人

影像技术无疑对神经科学产生了革命性的影响。一些重大创新始于20世纪90年代初的MRI，之后且成像技术能够测量的范围持续爆炸式增长。从白质、灰质到如今能够快速测量脑脊液中的钙流、蛋白质代谢等。所有这些成像技术确实为我们提供了更详细的信息，并能够将神经系统分解为更小的部分，同时又能收集整体数据。例如，可以测量整个大脑的血流量或整个大脑的钙含量。因此，它为我们提供了以前从未想过能够获取的数据。

—Randy McIntosh, Simon Fraser大学神经科学与神经技术研究所所长

影像技术。它已被更广泛地使用。例如用于许多不同场景的双光子成像。此外，已经出现了清除组织新的新方法来清除组织，以获得更好的整体组织荧光成像；也就是说，不必只观察一个区域或进行数字切片，而是获得整个组织的全貌。”

— Steven Proulx，Bern大学小组负责人

“一些光学组件的小型化，这样你可以进行双光子显微镜观察，在老鼠跑动时看到其大脑深处的细胞，因为他们将显微镜做得只有 2 克左右，可以装在它们的头上。这相当令人印象深刻。”

— Gregory W. Schwartz，西北大学Feinberg 医学院眼科学、神经科学和神经生物学教授

多种来源数据的整合

（1）基于测序技术解释构成神经系统的细胞类型

理解大量神经元活动的数学技术尚不完善，但若没有它们，我们将一事无成。神经元活动可能会被过度解读。

—Michael Stryker, 旧金山大学生理学教授

单细胞测序在8-10年前非常流行，现在已成为常态。这是件好事，表明了新工具的更广泛采用。我认为在未来五年内，空间信息将变得非常重要。转录组学，即正常、恶性及患病大脑中神经元群体的所在位置，将使我们能够更精细地了解疾病和细胞状态。”

—Benjamin Deneen, 贝勒医学院教授

"过去五年中，单细胞测序确实极大地增进了我们对哪些细胞类型构成中枢神经系统不同部分的了解，并开始让我们至少在我的领域内更好地理解脑屏障的排列方式，并试图阐明那些仍然令人难以置信地模糊不清的解剖结构。

—Steven Proulx, Bern大学小组负责人

用众多分子工具来研究大脑，即所谓的'组学'，如RNA测序、表观遗传、DNA等。这创造了大量数据，但我认为挑战是利用新技术来理解这些数据。"

— Jason Shepherd，犹他大学生物神经学教授

单细胞测序技术。另一种变革性工具是'空间转录组学'，我总是喜欢加上引号，因为它只是在原位进行多重检测，这是我们一直做的事情。但它是一种更高通量的方法，这样你就可以观察不同细胞类型在空间上的基因表达。

— Anne West，神经生物学教授，杜克大学医学院

（2）基于测序技术解释构成神经系统的细胞类型

Neuropixels探针的出现，让每个人从每场记录中记录的神经元数量从几十个提升到几百个，甚至接近几千个。这是一个巨大的飞跃，并且它被迅速采纳。所以，我认为（以及其他类似的记录技术）是一项真正能够推动神经科学发展的突破。

—Joshua Dudman, 高级团队负责人，Janelia 研究园区，Howard Hughes医学研究所

高密度记录方法——例如 Neuropixels探针——可用于记录活动动物中成千上万个神经元。”

—Johannes Kohl, Francis Crick 机构小组负责人

神经科学中最快增长的领域有哪些？

（1）计算神经科学与人工智能

综合数据集建模的进展最快。我们可以利用机器学习和人工智能，以之前无法实现的方式对现有生物的连接组进行建模。

—Bing Wen Brunton, 华盛顿大学生物学教授

计算神经科学，NeuroAI神经人工智能。

—Vinicius Rezende Carvalho,，奥斯陆大学博士后研究员

NeuroAI, 脑机接口，类器官。

—Renato Duarte, Coimbra大学助理研究员

神经科学与人工智能的交叉领域确实发展迅速，这对不同的人意味着不同的事情。因此，神经科学和人工智能之间的合作已经是众望所归，无论是神经科学家利用人工智能的思想来指导他们的理论，还是在人工智能领域内的人们对大脑如何运作感兴趣，将其作为一种算法的灵感来源。

—Samuel Gershman,，哈佛大学心理学教授

我想到了计算神经科学。我并不一定指的是人工智能，而是真正试图使用数学概念来理解信息是如何被计算的。我认为这是需要一段时间来发展的，但该领域正在迅速发展。

—Jorg Grandl, 杜克大学生物学副教授

计算、组学——尤其是空间转录组学——性别差异研究。

—Jennifer Mattar, Brigham医院神经病学研究员

测量整个大脑的技术发展迅速，我们正越来越接在单个生物体中测量大脑中的每个元素这一愿望。当然，计算建模的演变将涵盖人工智能的各个方面，这确实在整个神经科学的各个领域都带来了迅速发展。其次是更广泛地使用和理解大数据集的重要性。所以这既为研究者带来了技术挑战，他们试图建立共享大型数据集的方法，也强调了真正建立强大开放科学平台的重要性。

—Randy McIntosh, Simon Fraser大学神经科学与神经技术研究所所长

机器学习行为分析。我认为许多人已经放弃了昂贵的影像方法，并将工具应用于视频记录。

—Adam Naples, 儿童研究中心助理教授，耶鲁医学院

我确信每个人都会这么说，但关键在于人工智能以及人工智能与神经科学的融合。无论好坏。我不知道是否有某个特定领域必然比其他领域增长更快。如果你将神经科学视为四个子领域（认知、行为、分子和计算），那么计算神经科学目前增长最快。

—Jan Wessel, 爱荷华大学心理与脑科学教授

增长最快的领域无疑是与人工智能相关的一切，因为它正迅速从无到有。在我看来，我们目前还不知道人工智能将如何影响神经科学研究以及影响的方式。人工智能将使人们更容易进行编码。人工智能将使我们能够提出新的解码神经尖峰的方法，这些信息可以直接转化为对脑机接口的控制，而无需理解其内容。但是，这对我们理解分子层面的神经活动或如何思考记忆相关问题有哪些连锁反应，我认为还没有人知道。

—Anne West，杜克大学医学院神经生物学教授

（2）胶质神经学和神经免疫学

我可能存在偏见，但在星形胶质细胞领域，了解它们如何处理和计算信息，并将其作为与神经元交流或调节回路的方式，确实令人兴奋。它们是整合来自多种神经元的信息的中心，并修改回路和相关行为的活动。

—Benjamin Deneen, 贝勒医学院教授

我认为对支持细胞如小胶质细胞、星形胶质细胞、少突胶质细胞的关注越来越多。从这些细胞及其与神经元的相互作用中已经涌现出许多新知识。具体到我的研究领域，对中枢神经系统内液体的循环以及废物代谢物的清除，存在很多争论，这是一个仍然非常活跃的领域，我认为我们还需要进行更多研究才能真正理解它。

—Steven Proulx, Bern大学小组负责人

我认为神经免疫学是近年来发展较快的领域之一——免疫系统与大脑对话的想法一直被认为是不可能的。传统观念认为大脑只是独立的实体，但似乎越来越多证据在证伪传统观念。很明显，免疫系统与大脑之间存在很多正常的相互作用。

—Jason Shepherd,犹他大学生物神经学教授

（3）自然行为和系统生物学

自然主义行为系统神经科学

—Ian Max Andolina, 神经科学研究所研究主任，中国科学院

系统神经科学。

—Richard Courtemanche, Concordia 大学健康、运动科学和应用生理学教授

一个快速发展的领域是：在动物行为过程中对大脑进行实时成像，以观察神经环路如何随外界刺激或学习事件而动态变化与重塑——这不仅令人振奋，而且对几乎所有学科都具有根本性的重要意义。

—Benjamin Deneen, 贝勒医学院教授

五年前，研究重点在于全脑/神经系统规模的测序和分子测量。我的印象是，该方向的发展速度已大幅放缓——我们正开始将那些技术应用于一系列问题。我认为，对行为（尤其是更自然的行为）以及全脑规模记录的兴趣正在复苏。这些领域存在许多开放问题。

—Joshua Dudman, 高级团队负责人，Janelia 研究园区，Howard Hughes医学研究所

（4）人体神经元记录

人类神经元记录。

—Matteo Carandini, 伦敦大学学院视觉神经科学教授

增长最快的领域之一是面向人类的神经科学——它的发展得益于对人类大脑进行靶向操作的潜力。随着大数据的整合、多神经元记录及其操控的出现，我们对神经递质作用的理解已经取得进展，而这些在过去几年中尚不存在。此外，对诸如：饥饿、口渴、性、攻击性等动机及其神经基础的阐明已取得了成绩，这些都将对精神病学产生重大影响。

—Michael Stryker,旧金山大学生理学教授

回顾2025年神经科学

The Transmitter针对2025年神经科学现状，通过对顶尖科学家的访谈，给出了概述，分为约10篇，按照研究热点，研究人员组成，资金资助及产业化前景四个方面，分别展开。本文主要围绕与研究热点相关的两篇进行的编译，之后结合交互式研究地图。从事神经科学研究的读者，可以借此对整个领域内有哪些研究方向正在快速获得关注，有一个全面的认识。

在The Transmitter这些年度综述中（参考文献1），有一篇针对神经科学正在变得越来越分裂还是整合成一个学科，对于该问题，顶尖学者也各执一词，但该问题的回答在于每一位青年研究者。如果你们能够有更宽的视野，不止局限于自己正在做的那个课题，而是全面的认识整个领域，不仅可能交叉碰撞出更多的研究思路，还能让整个神经科学距离一个整合的学科更近一步。文中列出的方向，不止是常被人提起的人工智能，还有诸如胶质细胞，自然行为，高密度神经元记录等众多项，这些同样值得关注。也请继续关注“追问nextquestion”，我们也将在近期公布，由编辑部评选的神经科学和人工智能领域年度突破和进展。

1.https://www.thetransmitter.org/state-of-neuroscience-report-2025/

2. https://www.thetransmitter.org/neuroscience/the-state-of-neuroscience-in-2025-an-overview/

3. https://www.thetransmitter.org/methods/what-are-the-most-transformative-neuroscience-tools-and-technologies-developed-in-the-past-five-years/

4. https://www.thetransmitter.org/neuroscience/what-are-the-fastest-growing-areas-in-neuroscience/

5.https://stateofneuroscience.thetransmitter.org/?_gl=1*16iksdv*_ga*MTM4NzMxOTA1My4xNzYxNTQzMjE5*_ga_BKVX7LHVRB*czE3NjQ3NDczNjUkbzI3JGcxJHQxNzY0NzQ3NzI5JGo2MCRsMCRoMA..