《Neuron》：Inferring brain-wide interactions using data-constrained recurrent neural network models
编辑推荐：
行为源于解剖与功能各异的脑区之间协调的活动。现代实验工具可前所未有地获取跨越多个相互作用脑区的庞大神经群体数据。然而，理解此类大规模数据集亟需稳健且可扩展的计算模型，以提取区域间通信的有意义特征，并需有原则的理论来解释这些特征。在此，研究人员提出基于电流的分解
行为源于解剖与功能各异的脑区之间协调的活动。现代实验工具可前所未有地获取跨越多个相互作用脑区的庞大神经群体数据。然而，理解此类大规模数据集亟需稳健且可扩展的计算模型，以提取区域间通信的有意义特征，并需有原则的理论来解释这些特征。在此，研究人员提出基于电流的分解(current-based decomposition, CURBD)，一种利用数据约束循环神经网络(recurrent neural network, RNN)模型推断脑全域交互的方法，该模型能自主产生与实验所得神经数据一致的动力学。CURBD借助从此类模型推断的功能交互，同时揭示多个脑区之间的方向性电流(current)。研究人员首先在具有已知连接与动力学的模拟真值网络中证实CURBD能准确分离区域间电流；随后将CURBD应用于来自幼体斑马鱼、小鼠、猕猴及人类的多个脑区神经记录，证明CURBD在厘清行为背后的脑全域交互与区域间通信原理方面具有广泛适用性。
研究背景与问题提出
行为由解剖与功能上各异的脑区协调活动驱动，现代实验技术虽能获取跨脑区大群体神经数据，但缺乏统一框架推断脑全域交互。多数降维与数据分析方法描述神经元输出（如放电），而未能从神经元输入视角重构交互。为弥补该空白，研究人员提出基于电流的分解(CURBD)，依托数据约束循环神经网络(RNN)模型，将脑建模为“网络之网络(network of networks)”，在自主复现实验动力学的同时，从有向交互矩阵(directed interaction matrix, J)中分解出区域间的方向性输入电流(current)。
关键技术方法
研究人员构建与记录神经元一一对应的模型RNN，以随机连接初始化，通过迭代更新J使模型单元活动匹配实验神经时间序列（可在率空间或电流空间计算误差），训练后获得静息混沌被抑制、动力学逼真的in silico模型。借助J矩阵与各区源活动加权求和，将目标区总活动分解为来自各源区的兴奋性/抑制性电流分量。验证先在已知连接动力学的模拟网络进行，再迁移至幼体斑马鱼钙成像、小鼠顶叶皮层钙成像、猕猴奖赏预期电生理及人类内侧额叶皮层电生理等多物种多脑区队列。
研究结果
CURBD using RNNs
研究人员阐明在单层前馈网络中目标单元活动为源单元活动的加权和；推广至RNN后，任一单元接收全网输入，J矩阵列/行分别编码源/目标权重。将多脑区视为单一RNN内的子网络，J的对角块为区内交互、非对角块为区间交互，从而把任一区域活动拆解为各源区电流之和。
Implementation of CURBD
研究人员给出J的估计流程：模型RNN单元数通常等同数据集神经元数，训练以离散时间递推，依据模型率r[t]或电流x[t]与记录值a[t]的瞬时误差更新ΔJ（式1–2）。训练不预设神经元脑区身份，兼容试次平均或连续数据。训练后模型具备三属性：生成逼真活动、混沌被淬灭、输出捕获有效功能连接的J（含多突触与神经调质等间接效应，非纯解剖连接）。
模拟验证与跨物种应用
研究人员在地面真值网络证实CURBD准确隔离区间电流方向与强度；继而用于斑马鱼幼体全脑状态转换、小鼠顶叶动态重组、猕猴皮质-边缘奖赏预期时序活动、人类内侧额叶记忆选择表征，均成功提取跨区域方向性电流，显示方法对钙成像与电生理、对进化距离迥异物种均鲁棒。
讨论与结论翻译
研究人员讨论指出，CURBD将交互从输出相关统计（如相关、通信子空间）推进到输入电流分解，提供超越成对相关的多区域同时推断视角；J反映有效而非解剖连接，容纳间接通路。该方法为理解分布式神经动力学如何支撑行为提供可扩展工具，并可反向工程RNN以提炼脑全域通信原则。研究结论：CURBD利用数据约束RNN推断脑全域方向性交互，在模拟与斑马鱼、小鼠、猕猴、人类记录中均准确揭示区间电流结构，为跨物种解析行为相关脑网络组织提供了统一计算框架。
