Feasible closed-loop stimulation for neural latent dynamics control
通过对具有生物物理基础的脉冲神经网络进行高通量模拟，本研究表明，利用低维驱动（约占通道数的20%）以及在刺激与记录之间实现资源的平衡分配，可以实现对神经潜变量动力学的可行闭环控制，从而为未来的体内实验提供关键的设计原则。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
人类大脑是一个由数十亿神经元通过复杂模式进行放电的庞大且嘈杂的网络。几十年来，科学家们一直试图理解这些混沌的信号是如何转化为如伸手拿杯子或说话这样平滑且有目的性的动作的。现代神经科学中的一个强有力观点认为，在表面的噪声之下，大脑是在一个更简单的、隐藏的活动层面上运行的。可以将这个隐藏层想象成一组看不见的杠杆或“因子”，它们驱动着行为。如果研究人员能够识别出这些杠杆并学会如何拉动它们，他们或许就能精确理解大脑是如何导致特定动作的，而不仅仅是观察活动的发生。然而，一个主要的障碍仍然存在：虽然科学家们已经非常擅长记录这些隐藏模式，但在直接操纵这些模式方面却一直面临困难。传统的方法通常涉及用广泛的、无针对性的信号刺激大脑，或者尝试逐个控制单个神经元，这不仅是一项极其困难的任务，而且往往会错失全局。问题在于，是否可能实时引导这些隐藏的大脑状态以指导行为，以及如果可以，需要什么样的工具来实现这一目标。
佐治亚理工学院和埃默里大学的研究团队致力于通过构建一个详细的虚拟实验室来回答这个问题。他们并没有立即在活体动物身上开展工作——因为这既昂贵又具有技术挑战性——而是创建了一个复杂的计算机模拟，用于模拟一个参与运动的大脑区域。他们训练这个数字网络去模仿猴子伸手抓取目标的活动，使计算机能够学习驱动该运动的隐藏“因子”。一旦模拟系统开始运行，研究人员就测试了一种称为“闭环控制”的新方法。在这种设置中，计算机不断观察大脑的隐藏状态，预测其走向，并在其开始偏离航道时立即发送光信号将其推回正轨。这是一个持续进行的循环过程，系统会对发生的实时变化做出反应，而不是仅仅发送一个预先计划好的信号。其目标是观察这种方法是否能成功引导大脑的隐藏动力学以产生特定的运动，并确定为了实现这一目标究竟需要多少个光源和记录传感器。
研究人员首先解决了一个关于精准度的基本问题：控制大脑是否需要操纵每一个神经元，还是说较少数量的光源就能胜任？在他们的模拟实验中，他们改变了独立光通道的数量，从仅有一个（即均匀照射整个区域）到超过一千个（即每个神经元都可以被单独控制）。他们发现，大脑并不需要被过度微观管理。即使使用相对较少的光源——大约是 1,024 个通道中的 200 个——系统也能达到最大可能控制性能的约 85%。这表明，想要影响行为而必须控制每一个神经元的想法很可能是没有必要的。大脑的隐藏杠杆足够稳健，适度的定向刺激就足以引导它们，这挑战了目前大量投入研发超高分辨率工具以实现逐个控制神经元的趋势。
研究的第二部分解决了一个实际的工程问题：在有限的通道中，应该如何在记录大脑正在做什么与刺激大脑去做什么之间分配资源？在许多目前的实验中，科学家使用许多记录电极来倾听大脑，但只使用单个光源来刺激它，并假设“倾听”比“说话”更重要。研究人员通过运行模拟实验来测试这一假设，在固定的 100 个通道中，将它们以不同的比例在记录和刺激之间进行分配。他们发现，最有效的策略是将资源几乎平均分配。当系统拥有大致相等的记录传感器和光源数量时，其引导模拟手臂到达正确目标的表现最好。而那种使用大量传感器却仅有一个光源的常见做法表现很差，几乎无法比“不做任何事”提供更多的改进。这一发现表明，要真正控制大脑活动，研究人员在提升“发送信号”的能力上，需要投入与提升“倾听”能力同等的精力。
在整个模拟过程中，研究人员在多种不同条件下测试了他们的系统，包括改变神经元密度、光束宽度以及用于训练控制系统的资料量。结果保持了一致性：低维度的刺激是有效的，且平衡的感知与行动组合是最优的。即使使用标准的控制方法且没有进行极端的优化，该系统仍将追踪误差降低了 60% 以上，并在超过 90% 的试验中成功引导了模拟运动。研究还强调了实时反馈的重要性。当研究人员测试一个预先规划好整个运动路径而不根据变化进行调整的版本时，其表现明显变差，经常无法正确引导运动。这证实了能够对大脑不断变化的状态做出即时反应对于成功至关重要。
尽管这些结果来自计算机模拟而非活体动物，但它们为未来的实验提供了清晰的路线图。研究结果表明，构建一个控制大脑动力学的设备并不需要那种针对每一个细胞的极其复杂的科技。相反，一个拥有适量独立光源、并与相等数量的记录传感器相平衡的系统，就足以引导大脑的隐藏状态，并测试关于行为是如何产生的因果理论。如果这些模拟在活体组织中同样成立，它将为神经科学开启一个新时代：在这个时代，研究人员不仅是观察大脑的活动，而是积极地与其互动，以理解我们运动和思考的基本规律。未来的道路在于构建这些工具并在现实世界中进行测试，但这些模拟已经有力地表明，这一目标触手可及。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。