生物行移动版

神经网络是大脑复杂信息处理的基础，但单神经元拓扑结构在计算和行为中的作用尚未完全明确，尤其是在学习过程中如何塑造个体神经元功能和活动演化方面。北京大学和清华大学生命科学联合中心的研究团队开发了一种创新方法，通过双光子钙成像技术，在猴子学习感觉运动关联的数天内，追踪了后顶叶皮层中数千个神经元的功能连接性。

核心发现：单神经元网络拓扑结构支配计算与学习

该研究首次在灵长类动物学习过程中，以单神经元分辨率绘制了功能连接网络的动态演化图谱，揭示了网络拓扑结构如何支配计算和学习。

1. 识别“小世界”网络和枢纽神经元
   研究发现，灵长类后顶叶皮层的局部神经元网络具有“小世界”网络特性，即高度局部聚类（模块化）加上较短的特征路径长度（高效的全局通信）。在这些网络中，存在一小部分高度连接的枢纽神经元，这些枢纽神经元在编码关键任务变量（如刺激-反应的关联规则）中占主导地位。

2. 枢纽神经元驱动网络动态与学习
   随着学习的进行，枢纽神经元并非一成不变。神经元群体中的枢纽/非枢纽地位会动态转换，直接反映了神经元间相互作用如何塑造神经编码的演化。枢纽神经元作为信息集散中心，其活动状态和连接模式的改变可能是形成和巩固新关联记忆的关键驱动力。

3. 模块化结构支持功能专门化
   网络显示出清晰的模块化结构，不同模块内部包含功能相似的神经元，可能代表处理特定信息（如空间位置、运动方向）的专用微环路。模块间的选择性互作支持了更为复杂的计算。

4. 网络属性预测行为表现与学习速度
   研究发现，网络整体效率与猴子的行为表现直接相关。随着学习的进展，网络的信息处理效率显著增加，并且这种网络属性的变化能预测动物下一刻的行为准确性。这表明，功能连接拓扑是认知状态的直接反映。

意义与展望：将网络医学带入细胞层面

该研究深化了我们对大脑功能的理解，并为未来研究提供了方向。研究强调，不仅要关注单个神经元的放电率，更需绘制它们之间的交互网络地图。这为理解大脑如何实现计算提供了新视角。在应用层面，通过识别特定任务中的“枢纽神经元”，未来研究可能通过光遗传学等手段精确调控这些枢纽，以修复受损的认知功能或增强学习能力。此外，该研究的核心观点——小世界、动态枢纽、模块化交互——为构建下一代类脑“持续学习”算法提供了蓝图。未来研究还可探索是否通过调节神经活动或可塑性，诱导网络朝更优的“小世界”拓扑结构演化，从而主动加速学习过程。

参考文献

1. Jiang, Z., Liu, Z., Shi, L. et al. (2026). Single-neuron network topology governs neural computation and learning in primate cortex. Nature Communications. https://doi.org/10.1038/s41467-026-72510-9