摘要：普林斯顿大学最新研究揭示了神经科学领域的一个根本性问题：即使完全绘制出大脑的神经连接图谱，我们仍然无法完全理解大脑的工作机制。研究人员通过对比线虫神经元的物理连接与实际信号传播模式，发现两者之间存在"数量惊人的差异"，这一发现对当前耗资数十亿美元的人脑连接组计

普林斯顿大学最新研究揭示了神经科学领域的一个根本性问题：即使完全绘制出大脑的神经连接图谱，我们仍然无法完全理解大脑的工作机制。研究人员通过对比线虫神经元的物理连接与实际信号传播模式，发现两者之间存在"数量惊人的差异"，这一发现对当前耗资数十亿美元的人脑连接组计划提出了根本性挑战。

索菲·德瓦利及其团队的研究表明，神经系统中许多看似重要的连接通道实际上"没有得到充分利用"，这意味着大脑的结构蓝图与其功能表现之间并非简单的一一对应关系。这项发现不仅质疑了"结构决定功能"的传统观念，更提醒科学界需要重新审视理解大脑工作原理的研究策略。

连接组学作为21世纪最雄心勃勃的科学项目之一，旨在绘制完整的神经网络"接线图"。科学家们希望通过这种详细的结构图谱来破解意识、记忆、情感等复杂认知现象的神经基础。然而，普林斯顿大学的最新研究结果表明，这种基于结构的理解方式可能存在根本性的局限性。

线虫模型揭示的深层问题

人脑有数万亿个连接 舍布鲁克连接成像实验室/连接图像/Alamy

研究团队选择了线虫作为研究对象，这并非偶然。线虫拥有相对简单但完整的神经系统，仅包含302个神经元和约7000个突触连接。更重要的是，科学家们已经完全绘制出了线虫的连接组图谱，这使得研究人员能够进行精确的结构-功能对比分析。

通过先进的成像技术和神经活动监测方法，研究团队发现了一个令人意外的现象：许多在连接组图谱中显示为"高速公路"的神经通路，在实际的信号传播过程中却几乎没有被使用。相反，一些看似次要的连接路径反而承担了重要的信息传递功能。

这种结构与功能的不匹配现象在神经科学领域并非完全陌生，但如此系统性和显著的差异程度仍然让研究人员感到震惊。德瓦利表示，这一发现"改变了我们对神经网络工作原理的基本假设"，暗示大脑的功能组织可能比我们想象的更加复杂和动态。

线虫神经系统的相对简单性使其成为理想的研究模型。如果连在这样一个"简单"的神经系统中都存在如此显著的结构-功能分离现象，那么在拥有近千亿神经元的人脑中，这种复杂性必然会呈指数级增长。这为理解人类大脑功能提出了前所未有的挑战。

动态性与可塑性的关键作用

研究结果强调了神经系统动态性的重要意义。与静态的"硬件接线"不同，大脑更像是一个高度可重构的动态网络，其功能模式会根据需求、经验和环境因素进行实时调整。这种可塑性不仅体现在长期的学习和适应过程中，也存在于短时间内的信息处理活动中。

神经元之间的连接强度并非固定不变，而是受到多种因素的调节，包括神经递质的释放、突触的可塑性变化以及神经调质系统的影响。这些动态调节机制使得同一套"硬件"能够产生截然不同的功能表现，就像同一台计算机可以运行不同的软件程序。

更为复杂的是，大脑还具有多层次的调节网络。从分子水平的基因表达调控，到细胞水平的膜电位变化，再到网络水平的振荡模式，每个层次都可能影响信息传播的路径选择。这种多层次的调节机制使得预测大脑功能仅凭结构信息变得极其困难。

研究还发现，神经网络中存在大量的"冗余连接"和"备用通路"。这些看似多余的连接在正常情况下可能处于"休眠"状态，但在特定条件下可能被激活，承担重要的补偿功能。这种设计增强了神经系统的鲁棒性，但也增加了理解其工作原理的难度。

对脑科学研究策略的深远影响

这项研究对当前的脑科学研究策略提出了重要质疑。过去数十年来，科学界投入了大量资源用于绘制各种生物的连接组图谱，包括果蝇、斑马鱼直至人类。美国的BRAIN计划、欧盟的人脑工程项目等大型科研计划都将连接组学作为核心目标之一。

然而，普林斯顿大学的研究表明，仅仅拥有详细的"接线图"可能并不足以理解大脑的工作机制。这并不意味着连接组研究毫无价值，而是提醒我们需要将结构信息与功能动态相结合，才能获得对大脑工作原理的全面理解。

研究结果也为神经疾病的诊断和治疗带来了新的启示。许多神经精神疾病被认为与大脑连接异常有关，但如果结构连接与功能表现之间存在复杂的非线性关系，那么仅基于结构成像的诊断方法可能需要重新评估。

同时，这一发现也为人工智能的发展提供了重要参考。目前的人工神经网络主要基于固定的连接权重，而生物神经网络的动态特性可能是实现真正智能的关键要素。理解这种动态性机制可能为开发更先进的AI系统提供新的思路。

未来研究的新方向

基于这些发现，神经科学研究需要从单纯的结构映射转向结构-功能-动态的整合分析。这要求开发新的技术手段，能够同时监测神经连接的结构特征和实时的功能活动。

多模态成像技术的发展为这种整合分析提供了可能。通过结合高分辨率的结构成像、实时的功能成像以及电生理记录，研究人员有望构建更加完整和准确的神经网络工作模型。

计算神经科学也需要发展新的理论框架来描述这种结构-功能的复杂关系。传统的基于图论的网络分析方法可能需要扩展，以包含时间动态、状态依赖和多尺度相互作用等因素。

德瓦利团队的研究还强调了跨物种比较研究的重要性。通过对比不同复杂程度神经系统中结构-功能关系的特点，科学家们可能发现神经网络组织的普遍规律，为理解人脑功能提供更深层次的洞察。

这项研究最终提醒我们，大脑作为已知宇宙中最复杂的系统，其工作机制远比我们想象的更加精妙和复杂。理解大脑不仅需要绘制其"硬件"结构，更需要解码其"软件"运行规律。

来源：人工智能学家