Nature：穆宇/吴思合作揭示丘脑-脑干吸引子网络驱动历史偏向决策

编辑丨王多鱼

排版丨水成文

生活中我们总会下意识地受近期经历影响做出选择，这种“历史偏向”（history bias）现象早已被发现，但相关记忆存储、更新及转化为行为的神经原理一直成谜。

2026 年 6 月 10 日， 中国科学院脑科学与智能技术卓越创新中心穆宇团队和北京大学吴思团队合作（赵姗、单鹤赢、刘潇为论文共同第一作者），在Nature期刊发表了题为：A Thalamus–Brainstem Attractor Network Drives History-Biased Decisions 的研究论文。

该研究利用斑马鱼幼鱼全脑尺度单细胞分辨率钙成像、闭环虚拟现实行为、光遗传操控和神经计算建模，揭示了大脑如何通过丘脑-脑干跨脑区协同，稳定保存近期经历，并将其转化为对未来行为的调节。

在真实世界中，动物很少每次都从零开始做决定。最近发生过的事情，往往会改变下一次选择。例如，动物在觅食或躲避风险时，也常常会根据刚刚获得的线索调整下一步行动的方向。这种由近期经历影响当前感知和行为的现象，被称为序列依赖（serial dependence）或历史偏向（history bias）。该现象广泛存在于人类、哺乳动物和昆虫等多种动物中，被认为有助于大脑利用环境的连续性，提高行为效率。然而，过去的研究主要揭示了大脑中哪些区域携带历史信息，而对于这些信息如何被稳定保存、如何被灵活更新、又如何转化为未来行为，仍缺乏清晰的全脑机制解释。

为解决这一问题，研究团队建立了斑马鱼幼鱼闭环虚拟现实避障行为系统。斑马鱼在虚拟环境中连续遇到来自左侧或右侧的障碍物，并通过游泳信号控制自身在虚拟环境中的运动。研究发现，斑马鱼对当前障碍物的躲避行为不仅取决于当前刺激，还显著受到前一次甚至更早经历的影响。当连续两次障碍物出现在同一侧时，斑马鱼会表现出更强的躲避反应。这说明，斑马鱼能够在数十秒时间尺度上保存过去经历，并将其用于调节后续行为。

图1. 虚拟现实实验设计及斑马鱼幼鱼连续避障中的历史依赖行为

该研究的关键技术优势，是在行为过程中以单细胞分辨率同时记录斑马鱼全脑神经活动，并将这些活动信号与脑智卓越中心杜久林、杜旭飞团队建立的标准斑马鱼全脑图谱进行精确配准。相比传统研究中只观察局部脑区或少量神经元的方式，全脑尺度记录与脑图谱比对使研究人员能够在完整脑网络中，追踪一次连续抉择从感觉输入、记忆保持、跨脑区整合到行为输出的全过程。

基于图谱配准结果，研究团队对全脑同步记录到的神经元进行逐脑区比较，系统筛查哪些脑区能够在障碍物消失后继续保留历史信息。结果发现，多个脑区都携带一定的历史信号；其中，背侧丘脑的表现最为突出，能够最稳定、最持久地通过持续活动（persistent activity）区分最近一次障碍物来自左侧还是右侧。进一步的光遗传实验表明，抑制背侧丘脑活动会消除历史依赖行为，而单侧激活背侧丘脑则可以人为写入类似“过去经历”的信号，从而改变动物下一次选择。这表明，背侧丘脑是维持近期经历并驱动连续抉择的关键脑区。

图2. 行为过程中斑马鱼幼鱼全脑神经活动的同步记录与关键脑区筛查

进一步分析显示，背侧丘脑并不是单独完成整个计算。它更像一个“记忆开关”，以稳定的离散状态保存最近一次经历；而位于脑干的下游神经元群则像一个“积分器”，将丘脑提供的历史信息与当前感觉输入相结合，形成能够反映多次经历的连续信号，并最终影响行为输出。也就是说，大脑通过跨脑区分工协同，将一个短暂的感觉事件转化为可持续、可更新、可用于未来行动的内部状态。

图3. 不同计算模块的历史信息解码能力及其神经动力学

在锁定关键脑区后，为进一步理解这种跨脑区协同如何在神经网络中实现，研究团队继续依托脑智卓越中心杜久林、杜旭飞团队建立的斑马鱼全脑图谱资源，将真实生物脑中相关脑区的细胞数量、神经元类型和投射连接等信息引入建模过程，构建了脑图谱约束的全脑计算模型。基于脑图谱约束，该模型将感觉输入层、丘脑吸引子网络和脑干积分器连接起来，能够重现斑马鱼连续抉择行为和相关神经活动，并揭示抑制性神经元异质性对于稳定记忆和灵活切换的重要作用。

从计算结构上看，该模型提出了“吸引子-积分器”的全脑协同架构：丘脑吸引子网络以稳定离散状态保存最近经历，脑干积分器则基于吸引子状态的迁移和当前感觉输入进行信息整合，从而将短暂感觉事件转化为可持续影响未来行为的内部状态。由此，模型从生物脑结构和神经算法两个层面实现了创新，说明稳定记忆和灵活更新并非相互矛盾，而是可以通过不同脑区、不同神经元类型和不同动力学模块的分工协同实现。

图4. “层级吸引子”模型架构、活动以及输出的行为

总的来说，这项工作表明，在全脑尺度、单细胞分辨率的研究范式下，全脑图谱不仅是解剖学资源，也可以成为连接真实脑结构和神经计算原理的重要桥梁。进一步的模型拓展还提示，类似架构有望支持更长时程的记忆扩容和运动控制。也就是说，这一全脑模型不仅解释了斑马鱼如何利用过去经验影响下一次选择，也为未来具身智能系统和机器自主控制提供了来自全脑生物计算的启发。

论文链接：

https://www.nature.com/articles/s41586-026-10623-3