神经科学正在经历前所未有的扩张，多个子领域快速发展。为回答“哪些领域增长最快？”这一问题，《The Transmitter》对神经科学家进行了调查。受访者指出，计算神经科学和人工智能（特别是NeuroAI）是增长最突出的领域，其次是系统神经科学和自然行为研究。其他受访者关注内感受、胶质细胞生物学和神经免疫学的进展。方法学上，神经记录能力、神经成像和机器学习也在快速发展。本文基于调查结果，系统解析神经科学各子领域的增长趋势、驱动因素及未来方向。
一、增长最快的领域概览
| 领域 | 关键驱动因素 | 代表性观点 |
|---|---|---|
| 计算神经科学 / NeuroAI | 机器学习/AI工具用于分析大规模数据；AI从大脑获取算法灵感 | “计算神经科学，NeuroAI。”——Vinicius Rezende Carvalho |
| 系统神经科学 | 全脑记录能力提升；自然行为范式 | “系统神经科学。”——Richard Courtemanche |
| 神经免疫学 | 突破“免疫系统与大脑分离”的教条 | “神经免疫学——免疫系统与大脑交流的想法曾经是禁忌。”——Jason Shepherd |
| 胶质细胞生物学 | 星形胶质细胞、小胶质细胞、少突胶质细胞在计算和行为中的作用 | “它们作为枢纽，整合来自大量神经元的信息，并修改回路活动。”——Benjamin Deneen |
| 自然行为 | 从简化的实验室任务转向复杂、自然的行为 | “自然行为系统神经科学。”——Ian Max Andolina |
| 人类神经记录 | 人类中靶向操纵的可能性（深部脑刺激、颅内记录） | “人类神经记录。”——Matteo Carandini |
| 神经成像 / 全脑记录 | 记录技术（Neuropixels、多光子成像、功能磁共振成像）的进步 | “测量全脑的能力——我们越来越接近这一目标。”——Randy McIntosh |
| 内感受 | 对饥饿、口渴、性、攻击等驱动力神经基础的理解 | “饥饿、口渴、性、攻击——这些将对精神病学产生重大影响。”——Michael Stryker |
二、计算神经科学/NeuroAI：最突出的增长
| 观点 | 说明 |
|---|---|
| AI作为工具 | 机器学习用于分析大规模数据集（连接组、电生理、成像），以之前不可能的方式建模。 |
| AI作为灵感来源 | 神经科学家使用AI概念（如深度学习、强化学习）来构建大脑理论。 |
| AI作为解码器 | 机器学习用于解码尖峰序列信息，直接控制脑机接口。 |
| 未来影响 | AI将改变编码、数据共享、实验设计，但对分子神经科学和记忆的长期影响尚不确定。 |
三、系统神经科学与自然行为：从简化到生态效度
| 传统方法 | 新兴趋势 |
|---|---|
| 简化的实验室任务（如按键、固定头部） | 自然行为（自由运动、社会互动、觅食） |
| 记录少量神经元 | 全脑范围记录（Neuropixels、钙成像） |
| 行为手动评分 | 机器学习行为分析（DeepLabCut、SLEAP） |
| 关注平均响应 | 关注回路动态和群体编码 |
四、神经免疫学与胶质细胞：打破教条
| 传统教条 | 新证据 |
|---|---|
| 免疫系统与大脑是分离的实体 | 免疫细胞（小胶质细胞）是大脑常驻细胞；免疫信号调节突触修剪、可塑性和行为 |
| 星形胶质细胞仅起支持作用 | 星形胶质细胞整合来自大量神经元的信息，调节回路活动 |
| 小胶质细胞仅起免疫防御 | 小胶质细胞参与突触消除、发育修剪和神经退行性疾病 |
| 脑脊液仅起缓冲作用 | 类淋巴系统清除废物代谢产物；胶质细胞参与液体循环 |
五、方法学驱动因素
| 技术 | 影响领域 | 增长原因 |
|---|---|---|
| 高密度电生理探针（Neuropixels） | 系统神经科学 | 同时记录数千个神经元 |
| 多光子成像 | 系统神经科学 | 清醒行为动物的树突和群体成像 |
| 空间转录组学 | 分子神经科学 | 全脑范围内的基因表达图谱 |
| 机器学习行为分析 | 行为神经科学 | 从视频中自动评分自然行为 |
| 功能磁共振成像（高场强） | 人类神经科学 | 更高空间分辨率，层特异性功能磁共振成像 |
| 开放科学平台 | 所有领域 | 大规模数据共享和可重复性 |
六、领域成熟度与未来方向
| 领域 | 过去5年 | 未来5-10年 |
|---|---|---|
| 测序/组学 | 快速发展（全脑范围） | 应用阶段（将技术应用于具体问题） |
| 全脑记录 | 发展中 | 加速增长（更多职位可用） |
| 自然行为 | 新兴 | 快速增长 |
| 神经免疫 | 突破教条 | 机制理解（如何转化为治疗） |
| 人类神经记录 | 有限（深部脑刺激、癫痫监测） | 增长（新型可植入设备） |
七、对神经科学家的启示
| 建议 | 理由 |
|---|---|
| 学习计算技能 | AI/机器学习正渗透到所有子领域（从数据分析到理论建模）。 |
| 采用自然行为范式 | 简化的任务可能错过大脑在真实世界中的计算。 |
| 整合多模态方法 | 结合记录、操纵、成像和计算建模。 |
| 关注胶质细胞和免疫 | 这些领域正在快速发展，但仍有大量未知。 |
| 参与开放科学 | 大规模数据集需要共享和标准化。 |
八、结论：神经科学的多极增长
神经科学增长最快的领域反映了技术驱动（高密度记录、神经成像、机器学习）和范式转变（自然行为、神经免疫、胶质细胞）的融合。计算神经科学/NeuroAI是最突出的增长点，但系统神经科学、神经免疫学、胶质细胞生物学和自然行为也在快速发展。未来的神经科学家需要跨学科技能，能够整合分子、回路、行为和计算方法。
核心信息：
计算神经科学/AI是增长最快的子领域。
系统神经科学正在转向自然行为和全脑记录。
神经免疫学和胶质细胞生物学正在打破长期教条。
方法学进步（Neuropixels、空间转录组学、机器学习行为分析）驱动增长。
未来需要跨学科训练和开放科学实践。