科学家揭示神经元的“尺度不变性”，为理解大脑信息编码机制提供新视角

随着大脑规模化神经记录技术的日益普及，神经科学家面临着一个关键挑战：应该如何分析海量的神经元数据？

针对这一难题，中国科学技术大学温泉教授和香港科技大学胡禹教授团队合作，通过记录斑马鱼幼鱼在捕食和自发行为期间的全脑钙成像，深入研究了神经元群体活动空间的几何结构。他们发现并刻画了一个重要的现象：神经元编码具有“尺度不变性”。

研究发现，大脑的活动有很强的规律性。这意味着，在分析大脑活动时，通过随机采样一小部分神经元的活动就能获取足够和结构相似的信息，即使不监测所有神经元的活动。

这种“尺度不变编码”的特性，不仅为帮助分析和理解大脑神经活动组织形式提供了全新的理论框架，还有望对开发脑机接口等技术发挥重要的指导意义，在神经康复、意识监测等领域发挥重要作用。

图丨胡禹教授和温泉教授（右）（来源：胡禹、温泉）

审稿人对该研究评价称：“这项重要的研究揭示了斑马鱼大脑大规模神经活动的协方差谱中，存在出人意料的尺度不变性特征……该研究结果为探索大规模神经记录数据提供了若干新颖而深刻的分析方法。”

近日，相关论文以《全脑活动的几何结构和维度》（The Geometry and Dimensionality of Brain-wide Activity）为题发表在eLife [1]。

中国科学技术大学博士生王泽臻、柴宇明博士和香港科技大学博士生麦伟浩是共同第一作者，中国科学技术大学温泉教授和香港科技大学胡禹教授担任共同通讯作者。

图丨相关论文（来源：eLife）

大脑作为一个高度协调的整体系统，其工作机制始终是神经科学研究的核心问题。在这个复杂的系统中，每时每刻都有大量神经元在大脑中不断地发送信号，这些信号会被众多下游神经元接收并解码。

然而，受限于传统技术的瓶颈，过去的研究往往只能记录单个或少数脑区的神经元活动。尽管这类研究能够揭示特定神经元对外界刺激的响应模式及其与行为的关联，却难以展现大脑整体工作的全景图。

此前已有研究表明，高级认知功能如决策、记忆等并非由单一脑区完成，而是需要多个脑区的协同工作。随着技术的发展，神经元记录数量在过去十年以来呈指数级增长。基于这种技术进步，得以深入大脑采样，捕捉神经元的活动。

与此同时，也引出了一个问题：如果想真正了解意识，解码大脑在任何一个时刻的所思所想，是否需要记录所有神经元的活动？

图丨神经活动空间的几何结构与神经元数量之间的关系（来源：eLife）

该研究融合了脑科学、机器学习、理论物理和数学，为上述问题提供了一个肯定的结论：当记录的数量达到一定程度后，信息量会趋于饱和，这意味着无需记录全部神经元即可获取足够的神经编码信息。

在对幼年斑马鱼全脑神经活动进行实时记录时，研究人员采用了一种光场成像技术，能够同时捕捉其全脑所有神经活动的数据。并且在这个过程中，观察到了一种“尺度不变性”现象。

他们使用了欧氏随机矩阵模型（ERM，Euclidean Random Matrix）对这种现象进行解释，该模型与协方差矩阵的两个关键特征成功匹配：近似的幂律缩放以及在随机抽样下的不变性。

这一发现类似于物理领域中“临界状态”，即系统处于有序和无序之间的中间状态。尽管目前这种尺度不变性并不能直接证明大脑处于某种临界状态，但这种迹象表明，大脑很有可能处于某种未知的临界状态，为理解大规模同时记录的神经活动引入了一个重要的理论框架。

“这项研究相当振奋人心，我们不仅发展了新的数学方法来解释这种现象，还借鉴了一些统计物理中的思想和技术，尤其是那些通常很少被应用于神经科学中的方法。”温泉说。此外，他们还发展了一些新的理论，用于证明在何种条件下可以观察到这种现象。

这项研究不仅发现了新的实验现象，并且在数学上使用了新手段。他解释道：“在对生命，特别是大脑的神经活动进行研究之后，我们发现了一种数学家尚不太理解的结构。”

与当前神经科学中从分子、环路层面入手的“自下而上”的研究思路不同，该研究从“自上而下”的角度去观察整体的结构，来理解这些整体结构在神经编码上的意义。

温泉指出，采用这种研究思路重要的原因之一，是人们需要在不同的层次上理解大脑。正如美国物理学家菲利普·沃伦·安德森（Philip Warren Anderson）所说的“多即不同”。

目前，该团队将这一理论应用于实际研究中，进一步发展现有的成像技术，使其速度更快、精度更高。例如，他们正在改进光学成像方法，使其能够实现实时成像和实时分析。通过构建闭环系统来理解全脑神经活动的组织形式，并开展相关的实验研究。

温泉表示：“我们和国内外几个实验室将这种技术称为‘光学脑机接口’，它与传统的基于电学方法的脑机接口不同，利用光来实现信息的读取和写入。我认为，这是一个非常重要的发展方向。”

图丨斑马鱼神经活动的全脑钙成像及其尺度不变协方差特征谱现象（来源：eLife）

在大语言模型中，有一个术语叫“灾难性遗忘”（catastrophic forgetting），指的是当模型在学习新任务时，往往会遗忘之前学到的任务。其中一个可能原因是：当前的编码方式较为集中，缺乏分布式性和冗余性。

相比之下，大脑中的编码具有很强的分布式特性，且编码方式非常分散。例如，当我们进行某种认知活动时，多个脑区都会被激活。这种分布式编码可能是大脑的一个重要优势。

基于这项研究，研究人员推测，这种尺度不变的编码方式在信息处理和存储方面可能具有独特的优势。例如，它可能通过分布式存储和冗余设计，避免了集中式编码带来的灾难性遗忘问题。此外，这种编码方式可能还具有更高的鲁棒性和适应性，能够在面对复杂环境和多变任务时保持稳定。

目前，该课题组正在进一步研究这种名为“尺度不变性”的编码方式，其在计算上具有潜在的优势。研究人员希望通过该方向的深入理解，探究它与大语言模型中编码形式的差异性。

并且，他们将探索将其作为一种基本框架或构建模块应用到人工神经网络中，希望通过这种编码方式为人工智能的发展提供新的思路和方法。

参考资料：

1.Zezhen Wang，Weihao Mai, Yuming Chai, Kexin Qi, Hongtai Ren, Chen Shen, Shiwu Zhang, Guodong Tan, Yu Hu，and Quan Wen. The Geometry and Dimensionality of Brain-wide Activity.eLife 14:RP100666(2025). https://doi.org/10.7554/eLife.100666.2

运营/排版：何晨龙