《PLOS Computational Biology》：A brief overview of 20 years of neuroscience in PLoS Computational Biology
编辑推荐：
自创刊以来，神经科学一直是《PLoS Computational Biology》的重要领域，涵盖广泛主题，包括应用于脑的系统生物学、精细生物物理建模、神经网络模型、网络分析、图像分析方法学、行为与认知模型，或基于人工智能（AI）的分析及其与真实数据的比较。显
自创刊以来，神经科学一直是《PLoS Computational Biology》的重要领域，涵盖广泛主题，包括应用于脑的系统生物学、精细生物物理建模、神经网络模型、网络分析、图像分析方法学、行为与认知模型，或基于人工智能（AI）的分析及其与真实数据的比较。显然，所涉及的主题广泛覆盖了计算神经科学（computational neuroscience）的范畴。在《PLoS Computational Biology》创刊20周年之际，本文回顾了神经科学在该期刊中的定位及其演变。每年有多少文章涉及神经科学？这些神经科学文章提出的主要问题类别是什么？分析显示，过去20年中神经科学文章的数量与期刊文章总数以相同速率增长，稳定占全部文章的23%。或许并不令人意外，这些文章末位作者所属机构主要位于美国，同时英国和德国也占有显著数量。此外，研究人员注意到，在此期间所讨论问题出现了清晰演变：研究重点由细胞层面的模型，如生物物理模型和反应-扩散（reaction-diffusion）模型，转向系统范围及全脑尺度。与此同时，近年来一些新领域也清楚出现，包括将计算模型应用于脑病理、模型与数据大型数据库的兴起、人工智能（AI），以及围绕伦理或政策开展的研究。最后，本文提出了简要展望。
定量分析显示，自期刊创刊以来，神经科学论文数量持续稳定增长（图1A，黑色圆点+实线）。这一增长在早期尤为显著，持续至2015年，此后数量趋于稳定，约为每年发表180篇文章。值得注意的是，期刊发表的文章总数（不论主题）几乎遵循完全相同的趋势（图1A，蓝色方块+虚线）。因此，过去20年中神经科学文章所占比例相当稳定，大约每4–5篇文章中有1篇属于神经科学（每年平均22.6?±?6.6%的神经科学文章）。
这些神经科学文章的末位作者主要来自美国，而较少来自英国和德国（图1B和1C）。然而，当按各国人口对这些数字进行标准化后（图1D），则呈现出不同图景。这表明英国、美国和德国按人口归一化后的发表率相近；相比之下，例如法国，相对于其人口规模，发表数量较少。
《PLoS Computational Biology》中神经科学论文的研究重点，其演变与整个领域相似。具体而言，随着组学（omics）的兴起，以及成像方法和体内记录技术（in vivo recording techniques）的进步，研究重点已从细胞与回路层面的研究，转向组学数据分析与建模，以及利用体内记录研究更复杂行为。在期刊的前十年（2005–2014），《PLoS Computational Biology》的神经科学文章主要关注细胞与回路层面的探索。许多细胞研究考察了不同类型突触可塑性（synaptic plasticity）的机制，包括脉冲时序依赖性可塑性（spike-timing-dependent plasticity, STDP）。另有若干文章聚焦于单神经元的生物物理与精细模型，例如尝试根据离子通道特性解释放电模式。回路层面的研究则评估了不同类型的可塑性机制如何解释工作记忆、注意和决策，以及视觉加工、感觉运动整合或听觉加工所依赖的功能回路。首个十年中另一些逐渐突出的主题与神经影像技术有关，如功能磁共振成像（fMRI）、脑电图（EEG）和连通性（connectivity）。这些论文通常采用图论（graph theory）、动力系统（dynamical systems）及其他抽象网络模型来解释fMRI数据。
第二个十年（2015–2024）中的神经科学研究重点发生了相当显著的变化。尽管多感觉整合（multisensory integration）依然受到广泛关注，但也出现了新主题，尤其反映了实验神经科学的进展。例如，随着脑深部刺激（deep brain stimulation, DBS）被用于更多临床疾病治疗，以及多通道记录技术的改进，计算研究开始探讨如何利用EEG数据实现脑-机接口（brain-computer interfaces, BCI）。同样，随着更多实验聚焦静息态fMRI，更多《PLoS Computational Biology》研究转而关注静息态动力学（resting-state dynamics）。计算能力的提升促成了利用大规模脑模型预测药物治疗（pharmacotherapy）对EEG动力学影响的研究，或从fMRI预测结构连通性（structural connectivity）的研究。类似地，基于组学的计算研究增多，也反映了组学数据库的扩展。大型数据库可得性的整体提升也扩展到其他类型数据，包括电生理和解剖学数据，而所有这些方向均得到日益复杂的分析与建模生态系统支持。与此同时，被建模的行为类型也扩展到超越决策或知觉整合层次的复杂认知任务。与这些问题相关的领域包括社会认知（social cognition；如共情、心理理论）、情绪加工（emotion processing；如应激、奖赏、心境）、伦理（ethics，特别是神经伦理学）以及意识（consciousness）。此外，过去十年还见证了研究明显转向病理与疾病，主要涉及神经退行性疾病（neurodegenerative diseases）或神经炎症（neuroinflammation）。最后，随着开放获取政策的扩展，也出现了与数据共享和可重复性（reproducibility）相关的论文。
近年来，人工智能（AI）以及深度学习/机器学习（deep/machine learning）的出现，已成为《PLoS Computational Biology》神经科学文章中的一个重大事件，这与许多其他发表平台相似。总体编辑政策是发表利用AI方法揭示所研究生物系统、脑或神经系统新认识的文章。因此，期刊排除了那些主要目标在于解释人工AI系统运作方式的文章（尽管当其对生物系统的潜在应用清晰且突出时也存在例外）。确实，要提出令人信服的论证，证明某一人工神经网络解决任务的方式与真实神经系统相似，通常相当困难，这要求的不仅仅是比较人工系统与生物系统在任务解决方式上的少量统计指标。已发表神经科学文章中，AI和机器学习的一些应用并不一定局限于神经科学。这些应用包括单细胞与空间组学（single-cell and spatial omics）分析，如基因调控网络推断、细胞-细胞相互作用、多模态整合，或结构生物学（structural biology）研究，如蛋白-配体结合、三维结构、包括染色质（chromatin）在内的研究。然而，也有一些应用更具神经科学特异性。这包括群体分析（population analyses），即聚焦神经元群体编码（neural population codes）分析与建模的研究，包括脉冲序列（spike trains）、与能量相关的问题，或行为数据分析。另一大类AI神经科学研究则涉及神经科学中的科学计算（scientific computing）、自动化和模型流程（model pipelines）等主题。这包括提出方法学，例如神经活动记录的自动重建、精细神经元模型的参数校准，或实验数据处理流程（清洗、分割、重建）。
尽管与神经科学相关的文章比例在期刊整个生命周期中相当稳定，但其关注领域已发生显著转移。i. 从生物物理到AI：研究重点已从传统生物物理或认知模型（例如脉冲时序、基于离子通道的模型）转向深度学习与基于AI的方法学。ii. 从细胞尺度到系统层级：近期工作倾向于关注大尺度脑网络（静息态、全脑模型），而非孤立脑区或孤立回路的研究。iii. 走向临床：研究关注显著转向疾病研究，特别聚焦神经退行性障碍和情感性障碍。iv. 伦理与开放科学的出现：与伦理、政策或可重复性相关的新重点已经出现，同时伴随着大量开源数据与开放获取代码的可用性。
鉴于几乎所有技术领域——尤其是计算机相关领域——的发展速度，对未来20年《PLoS Computational Biology》中神经科学领域的发展方向进行预测，具有相当强的推测性。当然，可以较容易判断，与病理相关的应用未来将日益重要，这至少是因为其对整个社会的实用价值。同样，与预防相关的应用，或更广义上关于如何维持健康状态（health studies）的研究，似乎也可能变得更加突出。随着更强大数据分析架构和算法的出现，神经技术（neurotechnologies）也可能在期刊中占据更显著位置，例如脑-机接口（BCI）。类似地，可以设想，在未来20年中，将界定神经生物学的所有时空尺度——分子、细胞、区域、全脑和行为——整合进单一模型，将越来越成为可能。这或许有助于发展关于高级脑功能（人格、心智、意识等）的整合理论并对其进行检验。至于这些设想是否会在未来20年内确实成为新的热点主题，则并不适宜贸然预测。研究人员唯一能做的，是邀请读者在2045年再次回顾《PLoS Computational Biology》中间所涌现的令人振奋的神经科学发展。
该期刊在2017年当前编辑管理信息系统启用之前，并无其已发表论文的完整计算机记录。因此，研究人员利用E-utilities API从PubMed抓取了2005–2024年《PLoS Computational Biology》的文章。为筛选神经科学文章，研究人员检索了包含neur*、brain、glia*或astrocyte*的MeSH关键词。这一策略得到2005年1月至2024年12月期间的2,524篇摘要。该时期《PLoS Computational Biology》发表文章总数取自SciSpace。对神经科学文章摘要内容及主要主题的综合语义分析，使用ChatGPT（模型版本GPT-5.1）完成，随后基于人工随机抽样审阅结果进行了谨慎核查。按人口归一化的发表数量基于ChatGPT（模型版本GPT-5.1）提供的数据，并与若干人口数据库进行了抽样核对。
本文发表于《PLOS Computational Biology》，本质上是一篇面向期刊创刊20周年的领域回顾与计量分析文章，聚焦神经科学在该刊2005—2024年间的发展轨迹。研究背景在于，神经科学始终是计算生物学的重要组成部分，而《PLOS Computational Biology》作为计算生物学核心期刊之一，其发文结构、主题迁移与方法更新能够在一定程度上反映计算神经科学（computational neuroscience）的发展轮廓。随着组学（omics）、神经影像、体内记录（in vivo recording）、高性能计算以及人工智能（AI）方法的快速推进，神经科学研究对象已由早期以细胞、单神经元和局部回路为核心的建模问题，逐步扩展到全脑网络、复杂行为、疾病机制、数据共享与可重复性（reproducibility）等更大尺度和更广泛议题。正因为期刊跨越20年的积累具备代表性，开展这项回顾研究有助于系统梳理该刊神经科学论文的数量变化、地域分布、问题类型与方法学演进，并进一步总结该领域在期刊中的定位及趋势。
研究人员围绕两个核心问题展开：其一，过去20年每年有多少文章属于神经科学；其二，这些文章主要提出了哪些类型的科学问题。结论表明，神经科学论文在该刊中的数量长期稳步增长，但其占全部论文比例保持相对稳定，约为22.6% ± 6.6%，即平均每4–5篇论文中有1篇属于神经科学。这说明神经科学并非短期热点，而是该刊持续稳定的支柱性领域。与此同时，文章主题却发生了明显迁移：研究重心由生物物理（biophysics）、反应-扩散模型、突触可塑性和单神经元模型，逐步转向静息态（resting-state）动力学、大尺度脑网络、脑疾病、人工智能、数据资源、开放科学和伦理政策等方向。文章还指出，末位作者机构主要位于美国，英国和德国也占据重要位置；若按人口规模归一化，英国、美国和德国的发表率更接近，而法国相对较低。整体意义在于，这项工作不仅刻画了一个期刊内部神经科学版图的稳定性与演化性并存的特征，也揭示出计算神经科学正由局部机制解释走向跨尺度整合、由基础机制走向临床应用、由传统建模走向AI驱动分析与开放科学框架。
研究人员采用的主要技术方法较为明确且以文献计量和文本内容分析为主。首先，通过PubMed的E-utilities API抓取2005—2024年《PLOS Computational Biology》全部论文记录；其次，以包含neur*、brain、glia*、astrocyte*的MeSH关键词筛选神经科学论文，共获得2,524篇摘要；再次，利用SciSpace获取同期全刊论文总数；随后对摘要内容开展综合语义分析（semantic analysis），并结合人工随机抽样核查结果，以提高主题归纳的可靠性；最后，依据末位作者最后一个单位的国家信息进行地域统计，并按人口进行归一化比较，人口数据经多来源抽样核对。该研究未涉及生物样本队列。
以下按正文小标题解读研究结果。
Introduction
导言部分首先界定了神经科学在该刊中的广泛覆盖范围，包括脑系统生物学、详细生物物理模型、神经网络模型、网络分析、图像分析方法、行为与认知模型，以及基于AI的分析及其与真实数据的比较。研究人员据此将《PLOS Computational Biology》中的相关论文视为“广义计算神经科学”整体的一部分。导言明确提出全文的两个分析任务：一是统计神经科学论文数量及其在全刊中的位置，二是归纳其核心问题与主题演进。该部分奠定了全文不以单篇研究发现为中心，而以学科版图和发展趋势为中心的分析框架。
Quantitative analysis
这一部分通过定量统计回答“神经科学在期刊中占多大比重”这一问题。研究显示，自创刊以来，神经科学论文数量持续上升，尤其在2015年前增长较快，此后趋于平台化，稳定在每年约180篇。更关键的是，神经科学论文数量曲线与全刊论文总量曲线几乎同步，因此神经科学所占比例20年间总体保持稳定。由此可见，神经科学既没有被边缘化，也未出现远高于全刊增速的独立扩张，而是作为期刊中持续稳固的组成部分长期存在。
该部分还分析了末位作者所属国家分布。按绝对数量看，美国占明显主导地位，英国与德国次之；但经人口归一化后，英国、美国和德国之间差距缩小，显示不同国家在神经科学计算研究产出效率上具有不同特点。该结果提示，若仅看绝对发文量，容易掩盖国家规模因素对科研产出的影响。
Content and topic analysis
这一部分是全文的核心，系统梳理了神经科学论文主题在两个十年中的迁移。
对于2005—2014年，研究人员总结出该阶段主要聚焦细胞与回路层面的计算问题。细胞层面，重点包括突触可塑性（synaptic plasticity），特别是脉冲时序依赖性可塑性（STDP），以及单神经元生物物理模型，如利用离子通道特征解释放电模式。回路层面，则侧重探讨不同可塑性机制如何支持工作记忆、注意、决策，以及视觉加工、感觉运动整合和听觉加工等功能。与此同时，神经影像方向开始显著发展，fMRI、EEG和连通性数据常借助图论、动力系统和抽象网络模型进行解释。由此可见，第一个十年的特点是：重机制、重局部尺度、重模型可解释性。
对于2015—2024年，研究主题发生显著扩展和重构。多感觉整合虽然仍是持续热点，但新的方向快速增长。研究人员指出，随着脑深部刺激（DBS）临床应用扩展、多通道记录进步，以及静息态fMRI实验增多，相应计算研究也转向脑-机接口（BCI）、静息态动力学、大尺度脑模型、药物效应预测和结构连通性推断。与此同时，组学数据库扩展推动了组学驱动的计算研究增长；大规模电生理、解剖学和其他数据库的可获得性，也促进了更复杂分析与建模生态的形成。行为与认知建模不再局限于知觉和决策，还延伸到社会认知、情绪加工、神经伦理学和意识等更高层级问题。此外，病理与疾病研究在这一阶段明显增强，尤其是神经退行性疾病和神经炎症。开放获取环境下，数据共享和可重复性也成为新兴主题。整体而言，第二个十年的主要特征是：尺度放大、数据驱动增强、疾病导向加强、议题外延扩展。
AI in neuroscience articles
这一部分专门讨论人工智能在神经科学论文中的角色。研究人员强调，该刊对AI论文的取向并非单纯展示算法性能，而是要求AI方法必须有助于揭示脑或神经系统的生物学新认识。因此，主要目标是解释人工AI系统本身运行机制的文章通常不在收录重点之列，除非其与生物系统存在清晰且突出的关联。这个编辑取向实际上界定了该刊神经科学AI研究的知识目标：不是“为AI而AI”，而是“以AI促生物理解”。
具体应用方面，文章将AI相关研究分为几类。第一类是并非神经科学独有、但被神经科学领域广泛采用的方向，如单细胞与空间组学分析，包括基因调控网络推断、细胞间相互作用和多模态整合，以及结构生物学中的蛋白-配体结合和三维结构问题。第二类更具神经科学特异性，主要是神经元群体编码、脉冲序列、能量相关问题及行为数据分析。第三类则面向科学计算与自动化，包括神经活动记录自动重建、精细神经元模型参数校准、以及实验数据清洗、分割和重建等处理流程。该部分说明，AI在该刊神经科学论文中的意义不仅体现在分析能力提升，也体现在研究流程标准化、自动化和可扩展化。
Conclusion and perspectives
结论与展望部分首先对20年变化进行四点归纳。第一，从生物物理到AI，研究焦点从传统离子通道模型、脉冲时序模型和认知模型，转向深度学习和AI方法。第二，从细胞尺度到系统层级，研究对象由孤立脑区和局部回路扩展到静息态网络和全脑模型。第三，研究显著走向临床，特别集中于神经退行性和情感障碍。第四，伦理、政策、可重复性、开放源代码和开放数据成为新兴而重要的组成部分。这四点概括了该刊神经科学研究在问题尺度、方法基础、应用导向和科研规范层面的系统性迁移。
讨论部分同时指出，尽管可以直观感受到病理应用、预防研究、健康研究、神经技术和跨尺度整合模型未来可能更加重要，但对未来20年的具体热点进行判断依然具有较强不确定性。因此，作者在展望中保持审慎态度，没有将推断包装为确定结论，而是强调技术快速演化背景下学科前景的开放性。
研究结论部分可译为：尽管神经科学相关文章在期刊生命周期中所占比例总体保持稳定，但其关注领域已经发生显著转移：从生物物理走向人工智能，从细胞尺度走向系统层级，从基础机制走向临床问题，并伴随伦理与开放科学议题的兴起。这一变化反映出《PLOS Computational Biology》中的神经科学研究，正在不断吸纳新数据类型、新方法体系和新应用场景，同时维持其作为期刊核心领域之一的稳定地位。
总体而言，这篇文章的重要价值不在于提出新的实验发现或单一理论，而在于通过系统回顾和定量分析，清晰描绘了《PLOS Computational Biology》神经科学研究20年的连续性与转型路径。它显示出计算神经科学并未脱离其早期强调机制和建模的传统，而是在新数据资源、AI工具、临床需求与开放科学规范推动下，逐步发展为一个覆盖多尺度、多模态、多任务和多应用场景的综合研究领域。
