2025年10月27日，《自然-神经科学》发表的一项理论研究，通过构建“教师-学生”神经网络框架，对连接组学数据在预测神经活动中的局限性进行了系统性量化。研究发现，即使掌握了神经元之间精确的突触连接图谱（连接组），由于无法获知单个神经元的生物物理特性（如兴奋性、突触强度），模型能够产生的神经活动模式几乎是无穷无尽的。然而，仅需记录一小部分神经元的实际活动，就能有效打破这种“退化”，从而精准预测整个网络的动态。

随着电镜技术的飞速发展，科学家们已经能够绘制出果蝇、斑马鱼等模式生物全脑或大尺度神经环路的精细连接组图谱。这些图谱为理解大脑的计算架构提供了前所未有的基础。然而，一个核心问题悬而未决：仅凭连接组这张“接线图”，我们能在多大程度上预测大脑的真实神经活动？ 传统观点认为连接即功能，但越来越多的证据表明，神经环路的功能受到众多生物物理细节（如离子通道、突触可塑性、神经调质）的深刻影响。

来自美国哥伦比亚大学的研究团队，通过建立一种创新的“教师-学生”循环神经网络（RNN）理论框架，对这一问题进行了严格的数学建模和量化分析。

“教师-学生”框架：一个连接组，无数种动态

研究者设定了一个“教师”网络，它拥有固定的连接组（突触权重矩阵）和特定的神经元参数（如单细胞兴奋性、突触传递强度等），并能产生某种特定的神经活动（图1a）。而“学生”网络则共享完全相同的连接组，但其神经元参数是未知且可变的。研究的核心问题是：通过在“学生”网络上调整这些参数，它能否仅凭相同的连接组就复现出“教师”网络的活动？

答案是令人警醒的：在没有额外约束的情况下，“学生”网络通过调整参数，几乎总能完美复现“教师”网络中被记录到的少数神经元的活动，但其产生的未被记录到的大多数神经元的动态，则可能与“教师”网络的真实活动大相径庭（图2）。这表明，固定的连接组本身并不构成对网络动态的强约束，存在大量参数组合可以产生截然不同的全局活动模式。

核心发现：少量活动记录即可打破“退化”

研究的关键转折点在于：当研究者让“学生”网络在训练时不仅拟合自身的连接组，还同时拟合来自“教师”网络一小部分（例如10-20%）神经元的真实放电活动时，情况发生了根本性变化。这一小部分“锚定”信息足以极大地缩小参数空间，使得“学生”网络不仅能在被记录的神经元上，也能在绝大多数未被记录的神经元上，高度精确地复现“教师”网络的真实动态（图3,4）。

研究者进一步发现，所需记录神经元的最小数量，与“教师”网络动态的内在维度密切相关。对于由低秩连接组（即网络中存在主导的连接模式）产生的简单动态（如极限环），仅需记录极少数神经元即可；而对于由随机、高维连接组产生的混沌动态，则需要记录相对更多的神经元才能实现精准预测（扩展数据图2）。

实验验证：连接组约束模型与数据约束模型的本质差异

为了验证理论，研究者将框架应用于三个真实的生物连接组数据集：果蝇幼虫的节律生成网络、成年果蝇的中央复合体和斑马鱼幼体的动眼神经积分器（图5）。结果显示：

• 纯连接组约束的模型：当只给定连接组时，训练出的模型尽管连接权重与真实数据一致，但其产生的神经活动与真实记录的活动完全不匹配。

• 数据约束的模型：当模型在连接组的基础上，额外用少量真实神经活动进行约束训练后，其产生的活动不仅与用于训练的活动高度吻合，还能成功预测出未用于训练的神经元的活动。

这清晰地证明，由纯连接组约束模型和由数据约束模型定义的解空间是本质上不同的。要构建具有真实预测能力的脑模型，必须将连接组数据与功能活动数据有机结合。

总结与展望

这项研究首次从理论和计算层面，系统性地量化了连接组学数据在预测神经动态方面的力量与边界。它传达的核心信息是：连接组是理解大脑的必要条件，但远非充分条件。 它定义了网络通信的物理通道，但无法决定信息在这些通道中如何流动。

该研究的深远意义在于：

1. 为大规模脑建模指明了方向：强调了同时获取结构（连接组）与功能（多神经元活动记录）数据的重要性，并为如何将二者融合提供了可计算的框架。

2. 指导实验设计：提出的理论可以预测需要记录多少神经元、记录哪些神经元，才能最有效地构建出具有高预测力的数据驱动模型，从而指导昂贵的电生理实验。

3. 桥接结构与功能：为解决神经科学中“结构如何产生功能”这一核心问题提供了强大的概念和计算工具。

未来，随着更大规模、更精细的连接组和神经活动数据的涌现，这种将理论、结构与功能活动紧密结合的计算框架，将成为我们最终“读懂”大脑的关键引擎。

参考文献：
Beiran, M. & Litwin-Kumar, A. Prediction of neural activity in connectome-constrained recurrent networks. Nat Neurosci 28, 2561–2574 (2025).

相关阅读：

• Shiu, P. K. et al. A Drosophila computational brain model reveals sensorimotor processing. Nature 634, 210–219 (2024).

• Lappalainen, J. K. et al. Connectome-constrained networks predict neural activity across the fly visual system. Nature 634, 1132–1140 (2024).