摘要：脑功能来自神经元的功能活动，这些活动可以在多个空间和时间尺度上进行协调【1】。然而，当前针对大脑通常只进行局部研究。例如细胞尺度进行电生理学研究和系统尺度进行神经元成像，这是由于缺乏大规模的神经元记录和多尺度分析技术，来表征神经元跨越时空分辨率的变化【2-4】

撰文 | 我的闺蜜老红帽

脑功能来自神经元的功能活动，这些活动可以在多个空间和时间尺度上进行协调【1】。然而，当前针对大脑通常只进行局部研究。例如细胞尺度进行电生理学研究和系统尺度进行神经元成像，这是由于缺乏大规模的神经元记录和多尺度分析技术，来表征神经元跨越时空分辨率的变化【2-4】。跨尺度理解神经元活动原理，可以解决由尺度依赖分析得出的脑功能理论内在的不一致性。

其中一种矛盾涉及神经编码的对立理论，即通过反向修改细胞之间的冗余 （共享） 信息来提升效率或弹性【5】。一个高效 （最小冗余） 的“神经元”代码可以表示许多不同的信号【6,7】，而一个有弹性 （大部分冗余） 的“种群”代码可以很容易的维持功能，尽管具有明显的神经元损失【8】。虽然大脑必须平衡上述情况，但功能性神经元活动在多大程度上支持这两种状态仍不清楚。

奇怪的是，这些与之相反的大脑功能理论都有大量的经验支持，尽管来自大脑在不同时空尺度上的记录。在微观尺度上，神经元的活动是不相关的，这表明了效率的编码原则；相反，在宏观记录中，粗粒度的种群活动-汇集在数千到数十亿个神经元中，表现出强烈的时空相关性和弹性。但是，如何组织大脑来平衡高效和弹性，仍旧不得而知。

近日，来自澳大利亚悉尼大学的James M. Shine研究组在Cell上发表题为Multiscale organization of neuronal activity unifies scale-dependent theories of brain function的文章，通过分析五个不同物种的细胞记录，揭示了一个保守的、多尺度的神经元活动分层结构。

钙成像技术的最新进展使得同时在微观尺度 （神经元） 和宏观尺度 （全脑系统） 上研究大脑成为可能。迭代粗粒化 （iterative coarse-graining，简称ICG） 是一种受统计物理学启发的计算方法，用于分析不断增加的时空尺度上的活动。作者通过这一方法，解决了有效动力学和弹性动力学之间的理论分裂。

作者将ICG应用于斑马鱼 （Danio rerio） 和线虫 （Caenorhabditis elegans） 的全脑记录，以及果蝇 （Drosophila melanogaster） 、小鼠 （Mus musus） 和灵长类动物 （Macaca mulatta） 的感觉皮层，并跨越多个时空尺度。作者首先计算所有神经元之间的成对相关性，然后通过对其钙荧光和粗粒度的时间皮尔森相似性，对神经元进行配对，最后在越来越大的粗粒度上进行迭代。作者发现，高效和有弹性的活动来自系统发育一致的多尺度组织原则。

接下来，作者在一个层次模块化结构网络上模拟神经元动力学，该网络概括了观察到的自相似缩放。网络仿真表明，这种保守的层次结构增强了信息处理能力。

最后，作者发现，尽管在行为过程中细胞协调发生了重大的跨尺度重构，但这种组织仍然保持不变。

综上所述，作者通过从斑马鱼和线虫的整个大脑以及从苍蝇、老鼠和猕猴的感觉区域收集的钙成像记录来观察分析，展示了一套重尾的、多尺度的神经元活动的功能组织。作者确定，这种神经元活动的非线性组织是一种普遍的原则，因为它有能力在多个时空尺度上自适应地将行为与神经动力学联系起来，同时平衡功能弹性和信息处理效率。作者的研究结果为简化大规模神经元记录的分析和统一跨尺度、系统发育多样性物种和行为的发现提供了一个共同的框架。

本研究中所采用的实验材料包括大型哺乳动物和较低等的多细胞生物，而斑马鱼和秀丽隐杆线虫的结果，是否也适用于哺乳动物的整个大脑仍有待证明。另外，时间尺度分析受到记录时间和钙离子传感器分辨率的限制，随着钙离子传感器和成像技术的进步，上述问题也会得到改善。

制版人：十一

参考文献

1. He, B.J. (2014). Scale-free brain activity: past, present, and future.Trends Cogn. Sci. 18, 480–487. https://doi.org/10.1016/j.tics.2014.04.003.

2. Machado, T.A., Kauvar, I.V., and Deisseroth, K. (2022). Multiregion neuronal activity: the forest and the trees.Nat. Rev. Neurosci.23, 683–704. https://doi.org/10.1038/s41583-022-00634-0.

3. Shine, J.M., Mu ̈ ller, E.J., Munn, B., Cabral, J., Moran, R.J., and Break- spear, M. (2021). Computational models link cellular mechanisms of neu- romodulation to large-scale neural dynamics.Nat. Neurosci.24, 765–776. https://doi.org/10.1038/s41593-021-00824-6.

4. Breakspear, M. (2017). Dynamic models of large-scale brain activity.Nat. Neurosci.20, 340–352. https://doi.org/10.1038/nn.4497.

5. Panzeri, S., Moroni, M., Safaai, H., and Harvey, C.D. (2022). The structures and functions of correlations in neural population codes.Nat. Rev. Neuro- sci.23, 551–567. https://doi.org/10.1038/s41583-022-00606-4.

6. Barlow, H.B. (1961). Possible principles underlying the transformations of sensory messages. In Sensory Communication, W.A. Rosenblith, ed. (The MIT Press), pp. 216–234. https://doi.org/10.7551/mitpress/ 9780262518420.003.0013.

7. Olshausen, B.A., and Field, D.J. (2004). Sparse coding of sensory inputs.Curr. Opin. Neurobiol.14, 481–487. https://doi.org/10.1016/j.conb.2004. 07.007.

8. Tononi, G., Sporns, O., and Edelman, G.M. (1999). Measures of degener- acy and redundancy in biological networks.Proc. Natl. Acad. Sci. USA96, 32 57–3262. https://doi.org/10.1073/pnas.96.6.3257.

BioART战略合作伙伴

（*排名不分先后）

BioART友情合作伙伴

来源：小王说科学