《Current Opinion in Neurobiology》：The embodied brain: Bridging the brain, body, and behavior with biorealistic neuromechanical models
编辑推荐：
动物行为无法脱离身体和表现这些行为的环境来理解（citation[8]），因为它们源于两个紧密互联的反馈回路：一个在神经系统与身体之间，另一个在身体与外部环境之间。单独研究任何单一组分，虽然对解决特定问题有价值，但只能提供整体整合的部分视图。研究人员已开发出广
动物行为无法脱离身体和表现这些行为的环境来理解（citation[8]），因为它们源于两个紧密互联的反馈回路：一个在神经系统与身体之间，另一个在身体与外部环境之间。单独研究任何单一组分，虽然对解决特定问题有价值，但只能提供整体整合的部分视图。研究人员已开发出广泛的实验工具来研究神经回路（例如，光遗传学、光学记录、电生理学）、测量身体运动（例如，动作捕捉、基于机器学习的姿态估计）以及操控环境（例如，虚拟现实）。然而，这些工具面临两个基本限制。第一，获取神经元记录存在相当大的实际障碍。例如，在灵长类等大型动物中，基因靶向特定神经元仍然具有挑战性，高密度电极阵列尚无法解析单个细胞身份。此外，肌肉生理测量可能干扰自然行为，限制了在不显著阻碍行为的情况下可同时记录的肌肉数量。第二，在神经科学中建立因果关系通常需要扰动：例如，通常使用人工激活或沉默来支持诸如“神经元A的放电导致行为B”的陈述。然而，大多数现有的神经扰动方法要么过于局部（例如，对少量神经元进行光遗传学操控），要么过于广泛（例如，基于脑区或细胞类型的全局药理学或遗传学扰动）。测试关于网络层级动力学的假设需要对大量神经元进行高度特异性的模式化操控，但此类实验能力大多仍无法实现。模型提供了一个互补框架来应对这些在实验测量和扰动中的限制。这些模型的复杂度范围如下：·生物力学/身体模型：一个形态学上生物逼真的动物（或其子部分）表示，具有关节连接、物理上有意义的几何形状、质量以及与环境的接触动力学。·神经力学模型：一个与神经动力学仿真耦合的生物力学模型。如果研究人员旨在整合生物执行器（例如，驱动肌肉和肌腱的运动神经元）和传感器（例如，反馈以告知运动系统的肌梭和触觉传感器），则生物力学模型必须具有一定程度的形态学真实性。·神经力学数字孪生：特定动物的生物逼真神经力学模型，嵌入物理模拟器，并使用真实实验测量值持续更新，理想情况下是实时更新（citation[9]）。在神经力学模型中，至少原则上，身体和神经控制器模型形成一个完全可访问的闭环系统，在其中可以生成、观察和操作感觉运动动力学（图1）。由于这些模型完全存在于计算机中，它们可以接受任意扰动和反事实仿真，使研究人员能够通过“假设”情景探究因果关系。因此，神经力学模型通过桥接多个层次的生物组织来补充体内实验。使用由人工神经网络控制的模拟身体可以追溯到几十年前，最显著的是在竹节虫和蟑螂运动的研究中（citation[10]）。最近，模拟保真度和可扩展性的进步，包括可微物理引擎（例如，Brax（citation[11]））、可微神经元建模框架（例如，Jaxley（citation[12]））以及使用图形处理单元（GPU，例如，MuJoCo Warp（citation[13,14]））的硬件加速模拟器，使得模拟日益逼真的神经力学模型成为可能。
**引言**
动物行为不能脱离身体和表现这些行为的环境来理解，因为它们源于两个紧密互联的反馈回路：一个在神经系统与身体之间，另一个在身体与外部环境之间。单独研究任何单一组分，虽然对解决特定问题有价值，但只能提供整体整合的部分视图。研究人员已开发出广泛的实验工具来研究神经回路（例如，光遗传学、光学记录、电生理学）、测量身体运动（例如，动作捕捉、基于机器学习的姿态估计）以及操控环境（例如，虚拟现实）。然而，这些工具面临两个基本限制。第一，获取神经元记录存在相当大的实际障碍。例如，在灵长类等大型动物中，基因靶向特定神经元仍然具有挑战性，高密度电极阵列尚无法解析单个细胞身份。此外，肌肉生理测量可能干扰自然行为，限制了在不显著阻碍行为的情况下可同时记录的肌肉数量。第二，在神经科学中建立因果关系通常需要扰动：例如，通常使用人工激活或沉默来支持诸如“神经元A的放电导致行为B”的陈述。然而，大多数现有的神经扰动方法要么过于局部（例如，对少量神经元进行光遗传学操控），要么过于广泛（例如，基于脑区或细胞类型的全局药理学或遗传学扰动）。测试关于网络层级动力学的假设需要对大量神经元进行高度特异性的模式化操控，但此类实验能力大多仍无法实现。模型提供了一个互补框架来应对这些在实验测量和扰动中的限制。这些模型包括：生物力学/身体模型（形态学上生物逼真的动物表示，具有关节连接、物理上有意义的几何形状、质量以及与环境的接触动力学）；神经力学模型（与神经动力学仿真耦合的生物力学模型）；以及神经力学数字孪生（特定动物的生物逼真神经力学模型，嵌入物理模拟器并使用实时实验测量值持续更新）。在神经力学模型中，身体和神经控制器模型形成一个完全可访问的闭环系统，在其中可以生成、观察和操作感觉运动动力学。因为这些模型完全存在于计算机中，它们可以接受任意扰动和反事实仿真，使研究人员能够通过“假设”情景探究因果关系。因此，神经力学模型通过桥接多个层次的生物组织来补充体内实验。最近，模拟保真度和可扩展性的进步，包括可微物理引擎（例如，Brax）、可微神经元建模框架（例如，Jaxley）以及使用图形处理单元（GPU，例如，MuJoCo Warp）的硬件加速模拟器，使得模拟日益逼真的神经力学模型成为可能。最先进的神经力学模型受到生物力学特征的约束，例如关节连接（如每个关节的自由度及其运动范围）源自解剖学，关节运动受被动动力学（如刚度和阻尼）影响。同样，已知的神经回路架构（例如，来自连接组学）和神经元特性（例如，来自电生理学）可用于约束控制器。嵌入此类先验知识能够更有效且高效地利用有限的实验数据。类似于通过花瓶的部分轮廓观察其形状，但能利用关于花瓶的先验知识（如对称性）推断其完整形状，生物依据的模型在数据稀疏或不完整时能改善推断。
**推断实验上不可测量的变量**
理解大脑如何控制行为的一个障碍是感觉运动控制中的许多变量难以通过实验测量。例如，内部力难以无创测量，肌肉活动难以大规模记录，感觉反馈通常只能间接推断。生物逼真神经力学模型可以利用仅有的部分实验数据帮助推断这些变量。这通常始于逆运动学（从记录的运动估计关节角度或身体构型），随后是逆动力学（计算产生此类运动所需的力）。推断的量包括内部力、肌肉活动、感觉反馈和能量消耗。这些推断量提供了从运动学（通过肌肉）到力产生以及感觉体验的更直接联系。它们还启用了量化行为的新方法，例如，使用接触力作为梳理行为的代用指标。最后，身体模型的一个更简单用途是生成与完整运动学状态信息配对的合成行为记录，以支持用于自动化行为分析的机器学习模型的训练。在计算机中回放实验记录的行为也使推断神经肌肉动力学成为可能。由于肌肉冗余（肌肉数量多于关节自由度），这种推断本质上是具有挑战性的，意味着许多肌肉募集模式可以产生相同的运动。一种应对方法是对某些解决方案施加偏好条件，例如，通过最小化任何时刻的总肌肉激活或力（例如，OpenSim的静态优化）。这种方法已提供了见解，例如，通过识别肌肉共激活模式并提示潜在的肌肉协同。一种更具动态约束的方法是训练模型来预测随时间推移复制观察到的运动序列所需的肌肉活动，这是一种模仿学习（IL）的形式。估计的肌肉动力学起到探究行为神经控制的门户作用。例如，在肌肉骨骼模型中被动回放实验记录的灵长类伸手行为，使研究人员能够评估从回放中推断的梭内肌响应对哪些信息编码最佳，从而测试本体感觉的假设角色。在另一个例子中，研究人员训练人工神经网络复制记录的行为（有效训练逆动力学控制器），并通过比较模拟与真实动物中的活动，识别出用于类似逆动力学计算的候选脑区。神经力学模型也已扩展到机械感觉之外：例如，对视觉运动行为的研究已使用受生物回路约束的人工神经网络直接访问模拟视觉系统的活动。反向模拟的一个重要注意事项是，推断变量在很大程度上依赖于模型准确性。模拟很容易产生看似合理的结果，这种可访问性可能造成虚假的置信感。至关重要的是，推断结果应与建模者对模型的置信度一致地解释，尽管所需精度取决于具体任务。最近，研究使用高分辨率身体扫描提高了解剖学真实性；同时，包括肌肉（作为本体感觉传感器）和软材料中感觉系统的功能模型也得到了发展。另一个关键注意事项是区分纯粹用于提高模拟真实性的参数与代表生物数量的参数。前者（如模拟时间步长和损失函数）可视为建模伪影并自由调整，后者（如关节刚度、肌肉属性、神经连接）不应单纯为了改善模拟而调整。虽然两者通常使用类似的优化方法进行拟合，但不应混淆其根本不同的解释。因此，如何处理每个参数不仅是技术问题，更是建模者需要明确做出的概念性选择。
**通过仿真测试假设的神经控制器**
在前一节中，研究人员回顾了神经力学模型如何复制观察到的行为并推断生理变量。相反地，前向工程控制器可以嵌入身体模型，其模拟行为可以与实验数据比较。此类模型已被广泛用于研究由中枢振荡器（中枢模式发生器，CPG）、基于机械感觉反馈的分散控制器以及混合方法驱动的运动。这些模型使研究人员能够研究低维调制信号如何修改模式化行为，例如，用于转向或调整步态。类似地，神经力学模型已被用于生成实验上可检验的假设，关于神经回路中的时序和同步如何调节协调行为。神经力学模拟的一个关键优势是能够将行为的神经控制扩展到实现这些控制信号的生物力学具身化，这在自然情境中难以实验研究，因为神经记录通常通过束缚对身体施加约束。例如，研究人员将神经力学模型嵌入流体动力学模拟，以展示水母伞状体中肌肉激活的传播速度与身体的弹性变形相匹配，产生共振从而实现高效游泳。最后，神经力学模型为研究运动控制中的发育、学习和适应提供了平台。例如，研究人员模拟了斑马鱼发育阶段中假定的神经回路，以复制不同游泳模式的出现。在另一个例子中，研究人员在小鼠身体模型中复制行为，以测试在适应扰动过程中大脑可能如何计算感觉运动预测误差。
**闭合感觉运动回路**
在现实世界中，行为源于嵌套的反馈回路。例如，动物利用在自运动过程中持续更新的感觉反馈来导航环境。神经系统通过本体感觉接收关于持续运动的反馈。将神经回路模型具身化于物理模拟器中的生物力学外壳内，闭合了第一个反馈回路。将这些身体模型置于感觉丰富的环境中，使探索第二个反馈回路成为可能。例如，研究人员模拟了一个由层级控制器驱动的果蝇模型，该控制器整合视觉和嗅觉线索，以执行高级导航和低级运动运动，从而在不平坦地形上避开障碍。对于另一个果蝇模型，使用了现象学流体力学模拟，使模型能够利用视觉信息在类似峡谷的走廊中飞行。类似地，在秀丽隐杆线虫中，结合大脑和身体的模型已被用于使用感觉反馈模拟朝吸引物移动，与实验观察到的行为一致。这些研究强调了耦合的神经和生物力学模型如何用于模拟类似于自然界中观察到的复杂感觉运动行为。模拟还使系统性扰动成为可能，以探索闭环行为背后的机制，例如基于反馈的运动控制。这种能力有助于克服实验方法中的缺失，例如，基因操作受转基因驱动系的可用性和特异性限制。相比之下，在计算机模型中允许对神经控制器和身体进行不受限制的扰动。例如，研究人员利用这种灵活性研究七鳃鳗样模型中的游泳（以及在物理机器人中）。他们系统评估了不同假设的神经控制器在神经力学扰动下的鲁棒性，包括诸如脊髓横断等受伦理约束的操作。最后，最近的研究已朝着使用具有更高生物保真度的神经网络发展。这包括整合连接组约束的人工神经架构、实验约束的回路机制以及生理学上逼真的神经元模型。例如，研究人员拟合了一个果蝇神经力学模型，该模型具有基于真实果蝇大脑连接组的视觉系统模型，从而能够推断生物合理的视觉系统响应，然后用于调节模拟的果蝇追逐行为。这些方法展示了大脑与身体模型之间的相互依赖关系，这对于在模拟中忠实整合真实的神经、生物力学和环境动力学至关重要。
**与机器人学和神经人工智能的协同作用**
神经科学和机器人学长期以来共享一个共同兴趣：理解自主代理（无论是生物的还是人工的）如何在复杂环境中既灵活又鲁棒地行为。动物行为研究启发了机器人设计，而机器人则作为研究动物神经控制和感觉运动整合的物理试验台。最近，机器学习（ML）的快速进展在“神经人工智能（NeuroAI）”框架下重新激发了人工与生物智能之间的对话，该框架既包括受神经科学启发的人工智能（AI），也包括使用AI系统评估和完善神经科学假设。神经力学模型为这两个领域提供了自然的桥梁：（i）机器学习算法可以具身化于生物逼真的身体模型中，以测试它们是否能解释观察到的动物行为；（ii）生物行为控制的原则可以在模拟中得到验证，并用于改进AI系统。神经科学与机器学习整合的一个显著方面是使用强化学习（RL）在生物力学模型中复制自然行为。特别是，模仿学习（IL），其中自主代理直接从行为记录（IL术语中的“示范”）而非抽象奖励信号学习，已特别有效。结合运动跟踪和姿态估计的进步，IL已能在跨物种的神经力学模型中实现实验记录行为的逼真复制，并使研究人员能够解决各种神经科学问题。神经科学与人工系统之间的另一个交汇点是神经架构的层级组织。生物运动控制发生在不同层次：高级过程（如感觉整合、记忆、决策）产生低维信号，传递至驱动下游运动回路，在此进一步神经计算将这些表示转化为低级运动神经元输出。人工神经控制器可以镜像这种架构：例如，包含多个神经处理层次（即视觉系统、动作选择、低级运动控制）的果蝇模型已被用于产生自然行为。反之，此类模型也能为神经科学提供信息。例如，研究人员使用受果蝇运动回路解剖结构启发的三级人工控制器，研究在显著感觉运动延迟下如何产生快速、鲁棒的行走。除了这些方面，神经人工智能还包含更广泛的行为控制和学习原则。例如，动物行为学的见解已用于指导人工代理的优化目标设计。同时，神经力学模型也启发了机器人的物理设计。例如，七鳃鳗样模型中使脊髓损伤后仍能鲁棒游泳的分散控制为模块化机器人提供了潜在解决方案，水母游泳中的神经力学共振可启发软体机器人的类似设计，果蝇肢体解剖学已指导六足机器人的设计。
**医疗应用**
在人类中，生物力学模型与神经数据的整合为神经康复、疾病理解、辅助医疗设备开发以及一般人类生理学研究提供了强大工具。例如，研究人员使用基于反射控制的腿部肌肉骨骼模型进行模拟，这使他们能够识别哪些神经或生物力学损伤可能导致脊髓损伤、中风和脑瘫患者中观察到的病理性足趾和足跟步态。类似地，研究人员在食道生物力学模型中复制了病理运动，通过系统性神经力学扰动，生成了关于食道动力障碍机制的假设。生物逼真神经力学模型也可用于个体化医疗，其中模型受特定患者生理记录（如计算机断层扫描或肌电图数据）的约束。这些模型揭示了重要的个体间变异性，例如肌肉间负荷分担的差异，这可能对临床治疗很重要。当这些模型随后用新患者数据更新时，它们可被称为“数字孪生”。一系列综述文章详细介绍了神经力学模型如何在医疗和临床环境中应用，特别是旨在开发医疗设备和治疗疾病。
**展望**
生物逼真神经力学模型正作为连接神经回路、生物力学和行为的整合工具而出现。同时，连接组学、大规模生理记录和高性能计算的快速进展正在扩展可用于约束这些模型的数据和工具。在此背景下，研究人员预期未来有几个有前景的方向。第一，将出现更逼真的模型。日益详细的全身扫描和软体模拟的进步将使肌肉、肌腱、顺应性组织和软材料的表示更准确，改善运动输出和机械感觉反馈。在神经方面，连接组学数据集将对模拟网络施加强架构约束，而受大量神经元群体记录启发的大规模生理逼真神经元模拟将有助于桥接网络结构与功能。这些进步将共同促进捕捉个体特定形态、生理和病理的个体化模型，用于基础神经科学和临床研究。第二，研究人员预期神经力学模型不仅成为解释性工具，而且成为实验流程的活跃部分。由持续测量信息驱动的实时模拟将实现闭环实验，其中从模型推断的变量可以实时指导实验操作和测量，类似于智能显微镜如何利用在线图像分析引导数据采集。这种方法将使研究人员能够更有效地研究难以访问的内部状态，探索非典型但重要的行为，并可能扰动系统使其超出正常操作状态以进行反事实实验。在更远的未来，仿真在环实验可能将神经科学研究设计从主要对获取数据进行事后分析（尽管实验本身可能涉及人工扰动）转变为对大脑-身体-环境交互的主动探测。第三，神经力学模型提供了识别和验证感觉运动控制通用原则的机会。跨物种的比较研究可能揭示控制架构中的重复模式、感觉运动策略、机械策略和缩放定律。实现这一点需要研究更广泛、更自然的行为，超越刻板的实验室任务和传统模式生物。产生的假设随后可以在计算机中测试，并可能在物理机器人和其他具身AI系统中实现。实现这一激动人心的未来需要持续的跨学科交流和共享基础设施，例如更快更准确的模拟引擎、可扩展的身体模型构建管道和可互操作的软件栈。这些需求揭示了一个未被充分认识的一致性，即具有不同目标但共享技术挑战的领域，包括计算机图形学、电影动画和游戏、体育科学、工业数字孪生、人机交互和虚拟/增强现实，以及神经科学更传统的合作目标，如机器学习和控制理论。在神经力学模型中实现更高的真实性将取决于识别身体和大脑上的进一步约束。这将需要表征生物力学特性和神经元特性。高时空分辨率的联合神经和行为记录对于使用研究高维网络动力学的方法来约束模型也至关重要。在构建更逼真模型的同时，同样重要的是理解解决不同科学问题时需要模型在哪些方面达到何种细节水平。例如，准确的身体几何形状可能需要对基于接触的行为（如梳理）进行建模，但简化的身体几何形状（如圆柱形腿段）可能足以在物理模拟器中复制行走的关键特征。类似地，肌肉、肌腱和机械感觉器官的详细模型对于研究低级感觉运动回路可能是必要的，但对于探究动作选择和运动学习的高级神经架构则非必要。相反，研究诸如主动抓握控制等生物力学特征可能需要准确的末端执行器几何形状和接触力学，但不需要逼真的神经元生理学和连接性。更一般地，研究人员假设，一个能够端到端重演行为的完整模型即使对于行为控制特定子部分的研究也是有益的，因为它能在闭环、具身环境中进行假设检验。然而，其他子部分的功能通常可以用更简单的模型替代，以减少不必要的复杂性并避免过参数化。总之，这些发展将把神经力学模型从专门工具转变为研究行为神经控制的通用框架，实现假设生成、指导实验并揭示感觉运动控制的通用原则。
