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:Joint modelling of brain and behaviour dynamics with artificial intelligence

發(fā)表時(shí)間：2025.12.3

發(fā)表期刊:Nature Reviews Neuroscience

影響因子：26.7

獲取原文：

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

研究背景

在神經(jīng)科學(xué)的浩瀚星空中，我們正處于一個(gè)數(shù)據(jù)爆炸的時(shí)代。得益于 Neuropixels 等高密度電極和鈣成像技術(shù)，我們已經(jīng)能夠同時(shí)記錄成千上萬個(gè)神經(jīng)元的活動(dòng)；與此同時(shí)，DeepLabCut 等姿態(tài)估計(jì)工具的出現(xiàn)，讓我們能夠以亞像素級(jí)的精度捕捉動(dòng)物的每一個(gè)細(xì)微動(dòng)作。

然而，擁有數(shù)據(jù)并不等于擁有“理解”。長期以來，神經(jīng)科學(xué)面臨的一個(gè)核心痛點(diǎn)是：如何有效地將這兩股巨大的數(shù)據(jù)流（錯(cuò)綜復(fù)雜的神經(jīng)動(dòng)力學(xué)與豐富多變的行為表現(xiàn)）橋接起來？

這就好比我們在看一部只有畫面沒有聲音的電影（只看行為），或者聽一段沒有樂譜的交響樂（只看神經(jīng)活動(dòng)）。傳統(tǒng)的分析方法往往局限于簡單的相關(guān)性分析，或者孤立地解碼某一維度的變量，難以捕捉大腦如何產(chǎn)生決策、社交互動(dòng)等高階行為的深層機(jī)制。例如，當(dāng)我們要判斷一只大鼠是在發(fā)出超聲波叫聲，還是在做一次興奮的跳躍時(shí)，我們需要一種能夠整合多模態(tài)信息的統(tǒng)計(jì)計(jì)算框架。

本期推薦的這篇2025年12月3日發(fā)表于 Nature Reviews Neuroscience 的重磅綜述，由 DeepLabCut 的開發(fā)者 Mackenzie Mathis 夫婦領(lǐng)銜撰寫。文章不僅系統(tǒng)梳理了人工智能（AI）如何革新大腦-行為聯(lián)合建模（Joint Modelling），更提出了從“預(yù)測”走向“機(jī)制理解”的全新路線圖。它告訴我們，在這個(gè)AI輔助科學(xué)發(fā)現(xiàn)的時(shí)代，能夠準(zhǔn)確預(yù)測行為僅僅是第一步，構(gòu)建可信、可解釋且具有生物學(xué)意義的“數(shù)字孿生”模型，才是通往大腦奧秘的終極鑰匙。

研究核心總結(jié)

本綜述將當(dāng)前神經(jīng)科學(xué)中用于聯(lián)合建模大腦與行為動(dòng)力的AI方法歸納為三大范式，并深入探討了行為分析的層級(jí)化趨勢及未來“基座模型”（Foundation Models）的潛力。

Fig. 1 | Common neural network architectures.

1. 三種大腦-行為聯(lián)合建模范式

研究者根據(jù)計(jì)算目標(biāo)的不同，將模型分為三類：

1. 判別式模型(Discriminative Models)：目標(biāo)是“解碼”。即直接建立概率分布P(行為|神經(jīng)數(shù)據(jù))。這類模型（如 Transformer, RNN）在腦機(jī)接口領(lǐng)域表現(xiàn)卓越，利用監(jiān)督學(xué)習(xí)最小化預(yù)測誤差，能夠高效地從神經(jīng)活動(dòng)中讀取運(yùn)動(dòng)意圖。但其局限在于，高解碼精度并不代表模型捕捉到了真實(shí)的神經(jīng)計(jì)算原理。

2. 生成式模型(Generative Models)：目標(biāo)是“重構(gòu)”。這類模型（如 VAE, LFADS）通過學(xué)習(xí)低維隱變量（Latent Variables）來重構(gòu)輸入的神經(jīng)脈沖數(shù)據(jù)。其核心假設(shè)是神經(jīng)群體活動(dòng)受控于底層的動(dòng)力學(xué)系統(tǒng)。雖然生成式模型能以此進(jìn)行數(shù)據(jù)去噪和生成合成數(shù)據(jù)，但其依賴的“重構(gòu)誤差”指標(biāo)（如泊松損失）往往迫使模型關(guān)注像素級(jí)或脈沖級(jí)的細(xì)節(jié)，而非具有生物學(xué)意義的結(jié)構(gòu)，導(dǎo)致學(xué)到的表征可能與任務(wù)無關(guān)。

3. 對(duì)比學(xué)習(xí)模型(Contrastive Models)：目標(biāo)是“表征學(xué)習(xí)”。這是近年來的突破性方向（如 CEBRA）。它不再執(zhí)著于重構(gòu)原始數(shù)據(jù)，而是通過最大化相關(guān)樣本（正樣本對(duì)）的相似度、最小化無關(guān)樣本的相似度來學(xué)習(xí)隱空間。這種方法利用 InfoNCE 損失函數(shù)，能夠利用非監(jiān)督或弱監(jiān)督信號(hào)（如時(shí)間鄰近性或行為標(biāo)簽）發(fā)現(xiàn)神經(jīng)數(shù)據(jù)的內(nèi)在幾何結(jié)構(gòu)，有效地解決了生成式模型中重構(gòu)質(zhì)量與潛在結(jié)構(gòu)錯(cuò)位的問題。

Fig. 2 | Three broad classes of neural–behavioural dynamics models.

1. 邁向?qū)蛹?jí)化與多模態(tài)的行為分析

文章強(qiáng)調(diào)，行為不僅僅是空間坐標(biāo)點(diǎn)的移動(dòng)，而是具有層級(jí)結(jié)構(gòu)的復(fù)雜過程（從肌肉微動(dòng)到動(dòng)作基元，再到復(fù)雜的社會(huì)交互）。未來的聯(lián)合模型需要結(jié)合 3D 姿態(tài)估計(jì) 和生物力學(xué)模型，將行為視為連續(xù)的高維數(shù)據(jù)流，而非離散的標(biāo)簽。

Fig. 3 | Hierarchical behavioural analysis.

1. 可信度與可解釋性：新的評(píng)估標(biāo)準(zhǔn)

研究者提出，僅憑解碼準(zhǔn)確率（R2）已不足以評(píng)估模型的科學(xué)價(jià)值。文章提出了一個(gè)包含“一致性”(Consistency)、“可辨識(shí)性”(Identifiability) 和“魯棒性”(Robustness) 的評(píng)估記分卡（Scorecard）。

• 可辨識(shí)性尤為關(guān)鍵：它要求不同的模型訓(xùn)練運(yùn)行應(yīng)該產(chǎn)生線性相關(guān)的隱變量空間。對(duì)比學(xué)習(xí)方法（如 CEBRA）在理論上被證明能更好地保證這種可辨識(shí)性，從而確保我們發(fā)現(xiàn)的“神經(jīng)流形”是真實(shí)存在的，而非數(shù)學(xué)偽影。

Table 1 | Scorecard for joint brain–behaviour models

1. 領(lǐng)域啟示：神經(jīng)科學(xué)的“基座模型”

文章最后展望了混合目標(biāo)（Hybrid Objectives）的前景，即融合判別、生成和對(duì)比損失函數(shù)，構(gòu)建類似于 GPT 或 CLIP 的多模態(tài)神經(jīng)“基座模型”。這類模型將不再局限于單一任務(wù)，而是能夠理解從感知輸入到運(yùn)動(dòng)輸出的通用神經(jīng)計(jì)算原理，最終通過數(shù)據(jù)驅(qū)動(dòng)的方式發(fā)現(xiàn)描述神經(jīng)動(dòng)力學(xué)的“涌現(xiàn)定律”。

Abstract

Artificial intelligence has created tremendous advances for many scientific and engineering applications. In this Review, we synthesize recent advances in joint brain–behaviour modelling of neural and behavioural data, with a focus on methodological innovations, scientific and technical motivations, and key areas for future innovation. We discuss how these tools reveal the shared structure between the brain and behaviour and how they can be used for both science and engineering aims. We highlight how three broad classes with differing aims — discriminative, generative and contrastive — are shaping joint modelling approaches. We also discuss recent advances in behavioural analysis approaches, including pose estimation, hierarchical behaviour analysis and multimodal-language models, which could influence the next generation of joint models. Finally, we argue that considering not only the performance of models but also their trustworthiness and interpretability metrics can help to advance the development of joint modelling approaches.

請(qǐng)打分

這篇?jiǎng)倓偟巧?b>Nature Reviews Neuroscience的研究，是否實(shí)至名歸？我們邀請(qǐng)您作為“云審稿人”，一同品鑒。精讀全文后，歡迎在匿名投票中打分，并在評(píng)論區(qū)分享您的深度見解。

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