生物行移动版

神经科学正在经历一场技术革命。《传输者》通过对读者、撰稿人以及全球神经科学家的调查，识别出过去五年中最具变革性的工具和技术。调查发现，人工智能和深度学习方法是最突出的主题，其次是控制神经回路的遗传工具、先进神经影像、转录组学以及各种记录脑活动和行为的方法。

十大变革性技术

1. 人工智能与机器学习

• 深度学习：从2014年首次出现，到2024年出现在1.5%的摘要中，深度学习已成为神经科学的核心工具。

• PyTorch等机器学习框架的普及，使研究者可以快速训练大型模型并应用于科学问题。

• CEBRA等计算工具能够联合嵌入神经信号和行为，揭示神经信号与行为的关系。

• 几何/拓扑机器学习理论可能为理解大脑的表征和学习提供结构假设和真实机制。

2. 神经像素探针（Neuropixels probes）

• 高密度记录：从每次记录几十个神经元跃升到数百甚至数千个神经元。

• 易于使用：标准化和商业化使非专业实验室也能轻松使用，支持多脑区同时记录。

• 跨脑区研究：小尺寸和多点记录能力使研究者能评估特定发现的区域特异性，并研究脑区间通信。

3. 高密度记录方法与钙成像

• 三光子成像：可在清醒动物中进行深层皮层成像，具有MRI无法企及的时空特异性。

• 微型显微镜：单光子和双光子微型显微镜可记录清醒行为动物中单个神经元分辨的钙动态。

• 光学元件小型化：2克重的双光子显微镜可戴在小鼠头上，使其在活动时也能进行深层脑细胞成像。

4. 单细胞测序与空间转录组学

• 单细胞测序：过去8-10年间已成为常规工具，极大丰富了对中枢神经系统不同细胞类型的认识。

• 空间转录组学：高分辨率地绘制基因表达在不同细胞类型中的空间分布，对理解正常、恶性及疾病状态下的脑至关重要。

5. 遗传工具与病毒技术

• 细胞类型特异性靶向：增强子AAV等工具能实现特定细胞类型的记录或操控。

• 病毒载体：AAV病毒技术不断进步，可向细胞递送多种元件，用于标记细胞、敲除特定成分等。

• 光遗传学与化学遗传学：虽然已应用十年，但仍是操控特定回路功能的重要工具。

6. 行为追踪技术

• DeepLabCut：利用机器学习，用普通摄像机即可自动追踪动物运动，让非专业实验室也能进行定量行为实验。

• 多摄像机同时自动行为追踪：技术正在快速加速发展。

7. 脑组织膨胀技术（Expansion microscopy）

• 组织膨胀：通过在组织中嵌入聚合物，使其膨胀10倍以上，用标准显微镜即可达到电子显微镜级别的分辨率。

• 分子支架：可原位固定RNA等分子，极大改善核酸检测和成像。

8. 先进磁共振成像（MRI）

• 更高场强：如荷兰的14特斯拉人类MRI系统。

• 更快更高分辨率成像：接收通道数和梯度性能的快速提升，支持更快、更高分辨率的成像。

• 新兴技术：同步经颅超声与fMRI，可非侵入性调控“回路”并观察活动变化。

9. 回路操控与因果实验

• 通路特异性轴突沉默：使用视蛋白抑制突触末端的囊泡融合，理解信息如何在不同脑区间流动。

• 全光学扰动：取代电极，用光进行实时靶向操控和记录。

• 沉默与操控技术：channelrhodopsin和halorhodopsin等可测试回路的功能。

10. 多组学与分子工具

• “组学”方法：RNA测序、表观遗传变化、DNA变化等创造了海量数据，但理解这些数据仍是挑战。

• 实时监测：将遗传学与实时监测神经元和胶质细胞变化的能力结合，对理解脑、回路和行为至关重要。

挑战与未来方向

• 数据爆炸与理论滞后：技术发展速度远超我们对大脑功能和功能障碍理论的理解速度。

• 可解释性问题：从机器学习或AI获得答案，但有时并不知道这些答案的真实含义。

• 记录规模仍然有限：即使记录数万个细胞，也只是哺乳动物大脑的很小一部分。当技术能实现全皮层表面钙成像时，才能真正做新的事情。

• 高密度记录的意义：记录更多细胞是严谨确认已知，还是真正教给我们新东西？这一问题的答案尚不明确。

结语

过去五年，神经科学工具正朝着更全面、更精确、更易用的方向飞速发展。研究者们现在能够同时记录数千个神经元、追踪复杂行为、解析单个细胞的分子特征，并利用AI处理海量数据。然而，技术发展也带来了新挑战：我们是否在数据中迷失了问题本身？我们的理论能否跟上技术的步伐？这些将是神经科学未来需要面对的核心问题。