PsyBrain 腦心前沿 | 公眾號(hào) PSY-Brain_Frontier

一鍵關(guān)注，點(diǎn)亮星標(biāo) ??

不錯(cuò)過(guò)每日前沿資訊

認(rèn)知神經(jīng)科學(xué)前沿文獻(xiàn)分享

基本信息

Title:A software platform for real-time and adaptive neuroscience experiments

發(fā)表時(shí)間：2025.11.11

Journal：Nature Communications

影響因子：15.7

獲取原文：

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

研究背景

近十年來(lái)，系統(tǒng)神經(jīng)科學(xué)在技術(shù)上取得了突破性進(jìn)展，高通量成像和電生理技術(shù)引發(fā)了一場(chǎng)神經(jīng)和行為數(shù)據(jù)的“大爆炸”，產(chǎn)生了大量高維度（high-dimensional）的數(shù)據(jù) 。然而，這種數(shù)據(jù)體量的增長(zhǎng)卻揭示了傳統(tǒng)實(shí)驗(yàn)范式的局限性：研究通常局限于檢驗(yàn)預(yù)先確定的假設(shè)，并嚴(yán)重依賴于數(shù)據(jù)采集完成后的事后分析。

這種“先采集、后分析”的分離機(jī)制，直接導(dǎo)致了在有限實(shí)驗(yàn)時(shí)間內(nèi)檢驗(yàn)復(fù)雜假設(shè)的效率危機(jī) 。例如，僅少數(shù)視覺(jué)刺激參數(shù)的組合就可能衍生出數(shù)千種實(shí)驗(yàn)條件，使得傳統(tǒng)的窮盡式采樣在統(tǒng)計(jì)功效上難以保證 。此外，許多關(guān)于神經(jīng)回路如何驅(qū)動(dòng)自然行為的復(fù)雜問(wèn)題，要求研究者根據(jù)神經(jīng)系統(tǒng)在實(shí)驗(yàn)進(jìn)行時(shí)的動(dòng)態(tài)狀態(tài)實(shí)時(shí)調(diào)整操作，實(shí)現(xiàn)有意義的干預(yù) 。

為了克服這一瓶頸，神經(jīng)科學(xué)迫切需要轉(zhuǎn)向自適應(yīng)實(shí)驗(yàn)設(shè)計(jì)，即通過(guò)計(jì)算模型驅(qū)動(dòng)持續(xù)的數(shù)據(jù)收集和實(shí)驗(yàn)操縱選擇，實(shí)現(xiàn)閉環(huán)控制（Closed-loop Control）。然而，實(shí)現(xiàn)這種范式面臨巨大的工程挑戰(zhàn)，包括多硬件集成、對(duì)嚴(yán)格實(shí)時(shí)約束（real-time constraints）的要求，以及對(duì)復(fù)雜流式分析（streaming analyses）的靈活支持。正是在此背景下，Draelos等人在《自然·通訊》中介紹了improv，一個(gè)旨在為下一代自適應(yīng)神經(jīng)科學(xué)實(shí)驗(yàn)提供統(tǒng)一軟件工程基礎(chǔ)的平臺(tái)。

Fig. 1: Design architecture of improv.

核心總結(jié) & 軟件平臺(tái)亮點(diǎn)介紹

improv 是一款模塊化軟件平臺(tái)，其核心創(chuàng)新在于通過(guò)優(yōu)化底層軟件工程，實(shí)現(xiàn)了建模、數(shù)據(jù)采集、分析和實(shí)時(shí)實(shí)驗(yàn)控制的靈活集成，克服了傳統(tǒng)神經(jīng)科學(xué)實(shí)驗(yàn)中的技術(shù)壁壘 。

Fig. 2: improv provides streaming model-based characterization of neural function.

1. 平臺(tái)架構(gòu)：高并發(fā)與零拷貝通信

improv 的設(shè)計(jì)精巧且具備高穩(wěn)定性，其基礎(chǔ)是并發(fā)系統(tǒng)中的簡(jiǎn)化版Actor 模型。系統(tǒng)中的每個(gè)獨(dú)立功能（如數(shù)據(jù)采集、預(yù)處理、模型擬合）都被封裝為獨(dú)立的 Actor，并在獨(dú)立的進(jìn)程中并發(fā)執(zhí)行（concurrent execution），確保了高容錯(cuò)性。

為解決高維數(shù)據(jù)傳輸?shù)?I/O 瓶頸，improv 采用了基于 Apache Arrow Plasma 庫(kù)構(gòu)建的共享內(nèi)存數(shù)據(jù)存儲(chǔ)。Actors 之間不直接傳遞數(shù)據(jù)本身，而是通過(guò)消息傳遞數(shù)據(jù)在共享內(nèi)存中的地址（鍵）。這種設(shè)計(jì)實(shí)現(xiàn)了零拷貝通信，是保障平臺(tái)滿足實(shí)時(shí)約束的關(guān)鍵。通過(guò) Actors 和消息隊(duì)列構(gòu)成的有向圖（directed graph），實(shí)驗(yàn)流程能夠通過(guò)簡(jiǎn)單的文本文件靈活定義，極大地加速了快速原型設(shè)計(jì)。

Fig. 3: improv handles concurrent neural activity and behavioral video data streams.

1. 模型驅(qū)動(dòng)的五大閉環(huán)應(yīng)用

improv 通過(guò)多個(gè)體內(nèi)（in vivo）和體外（in silico）實(shí)驗(yàn)，驗(yàn)證了其在復(fù)雜自適應(yīng)實(shí)驗(yàn)中的能力：

Fig. 4: Real-time latent neural trajectory prediction with improv.

1. 實(shí)時(shí)功能分型與連接性估計(jì)： 平臺(tái)能夠流式處理雙光子鈣成像數(shù)據(jù)，利用 CalmAn Online 等算法進(jìn)行神經(jīng)元活動(dòng)提取，實(shí)現(xiàn)神經(jīng)反應(yīng)的快速功能表型鑒定。在斑馬魚(yú)實(shí)驗(yàn)中，improv 實(shí)時(shí)擬合了線性-非線性-泊松模型 (LNP Model)，通過(guò)隨機(jī)梯度下降（Stochastic Gradient Descent）在滑動(dòng)窗口內(nèi)持續(xù)更新模型參數(shù)，實(shí)現(xiàn)了對(duì)功能連接的實(shí)時(shí)估計(jì) 。在線模型擬合展現(xiàn)出快速收斂性，可實(shí)時(shí)得出接近離線分析的結(jié)果，顯著節(jié)省了實(shí)驗(yàn)時(shí)間 。

2. 行為與神經(jīng)活動(dòng)的并發(fā)預(yù)測(cè)： improv實(shí)現(xiàn)了高維行為視頻與神經(jīng)活動(dòng)的同步流式分析。針對(duì)行為視頻，平臺(tái)部署了 proSVD 算法進(jìn)行流式降維（streaming dimension reduction），將其穩(wěn)定地投影到低維特征空間（如 10 維）。隨后，利用流式嶺回歸（streaming ridge regression）模型實(shí)時(shí)預(yù)測(cè)神經(jīng)活動(dòng)，并能夠在線識(shí)別出與神經(jīng)活動(dòng)具有最強(qiáng)預(yù)測(cè)性的行為特征（如小鼠非結(jié)構(gòu)化運(yùn)動(dòng)）。

3. 潛伏神經(jīng)軌跡的實(shí)時(shí)預(yù)測(cè)： 針對(duì)神經(jīng)群體動(dòng)力學(xué)研究，平臺(tái)首先對(duì)尖峰數(shù)據(jù)進(jìn)行降維，隨后使用流式概率流模型 Bubblewraps，通過(guò)擬合高斯混合隱馬爾可夫模型實(shí)時(shí)學(xué)習(xí)和預(yù)測(cè)潛在神經(jīng)軌跡的轉(zhuǎn)換矩陣 。該模型能準(zhǔn)確預(yù)測(cè)未來(lái)一秒內(nèi)的軌跡演變，為基于群體狀態(tài)的精確因果干預(yù)提供了實(shí)時(shí)反饋基礎(chǔ)。

4. 閉環(huán)刺激優(yōu)化： improv 集成了貝葉斯優(yōu)化 (Bayesian Optimization, BO) 框架和高斯過(guò)程 (Gaussian Process, GP) 模型，用于在活體鈣成像中自適應(yīng)地選擇下一個(gè)最優(yōu)視覺(jué)刺激。BO 通過(guò)最大化優(yōu)先分?jǐn)?shù)，巧妙地平衡了探索（高不確定性區(qū)域）與利用（高響應(yīng)區(qū)域）。該方法驗(yàn)證了其高效性，平均僅需 8-20 次刺激即可確定神經(jīng)元的峰值調(diào)諧（peak tuning），遠(yuǎn)超傳統(tǒng)網(wǎng)格搜索的效率 。

5. 自適應(yīng)光遺傳靶向干預(yù)： 平臺(tái)實(shí)現(xiàn)了全光路實(shí)驗(yàn)中的模型驅(qū)動(dòng)光遺傳學(xué)光刺激。improv 實(shí)時(shí)計(jì)算神經(jīng)元的定向調(diào)諧曲線，并根據(jù)這些功能特性和光敏蛋白表達(dá)水平，自動(dòng)選擇目標(biāo)神經(jīng)元進(jìn)行因果擾動(dòng)（causal perturbation）。這使得研究者能夠根據(jù)神經(jīng)元在回路中的實(shí)時(shí)功能角色，而非預(yù)設(shè)的解剖位置，進(jìn)行高精度、自適應(yīng)的靶向干預(yù) 。

Fig. 5: improv enables closed-loop optimization of peak neural responses.

Fig. 6: Adaptive optogenetic photostimulation target selection during functional calcium imaging in zebrafish.

Abstract

Current neuroscience research is often limited to testing predetermined hypotheses and post hoc analysis of already collected data. Adaptive experimental designs, in which modeling drives ongoing data collection and selects experimental manipulations, offer a promising alternative. However, such adaptive paradigms require tight integration between software and hardware under real-time constraints. We introduce improv, a software platform for flexible integration of modeling, data collection, analysis pipelines, and live experimental control. We demonstrate both in silico and in vivo how improv enables efficient experimental designs for discovery and validation across various model organisms and data types. We used improv to orchestrate real-time behavioral analyses, rapid functional typing of neural responses via calcium imaging, optimal visual stimulus selection, and model-driven optogenetic photostimulation of visually responsive neurons in the zebrafish brain. Together, these results demonstrate the power of improv to integrate modeling with data collection and experimental control to achieve next-generation adaptive experiments.

前沿交流|歡迎加入認(rèn)知神經(jīng)科學(xué)前沿交流群！

核心圖表、方法細(xì)節(jié)、統(tǒng)計(jì)結(jié)果與討論見(jiàn)原文及其拓展數(shù)據(jù)。

分享人：飯哥

審核：PsyBrain 腦心前沿編輯部