摘要：这篇最新发表在Nature的研究，来自于神经科学与人工智能的跨界突破。研究团队构建了一个“神经活动基础模型”（foundation model），通过大规模记录小鼠在观看自然视频时的神经元活动，训练出一个可以预测数万神经元响应的深度神经网络。令人惊艳的是，这个
本文来源：brainnews
编译作者：zouki（brainnews创作团队）
校审：Simon（brainnews编辑部）
近年来，深度学习模型已经成为神经科学研究的有力工具，但一个长期难题始终未被解决：如何让模型不仅能“记住”，还能“举一反三”？
这篇最新发表在Nature的研究，来自于神经科学与人工智能的跨界突破。研究团队构建了一个“神经活动基础模型”（foundation model），通过大规模记录小鼠在观看自然视频时的神经元活动，训练出一个可以预测数万神经元响应的深度神经网络。令人惊艳的是，这个模型不仅能准确预测训练数据中的反应，还能推广到其他小鼠、全新类型的视觉刺激（如运动噪声、闪光点、Gabor图样），甚至还能预测神经元的解剖类型、树突形态和突触连接关系，在机器视觉与大脑结构之间架起一座桥梁。
结果一：基于模块化人工神经网络模型精确预测小鼠视觉皮层动态神经活动
采用包含透视、调制、核心和读出四个模块的人工神经网络（ANN）对小鼠视觉皮层神经元对自然视频的动态响应进行建模，利用眼动追踪和行为指标输入，核心模块结合3D卷积和长短时记忆网络实现视觉信息与行为状态的非线性融合，最终读出模块线性映射至单个神经元响应。该模型相比现有动态模型在三组独立录制数据中预测准确率提升25%-46%，并在多视觉区表现出一致的高预测性能。消融实验进一步验证各模块对性能的贡献。
图1：视觉皮层的人工神经网络模型
结果二：基于大规模多只小鼠视觉数据训练的基础模型实现对新个体及新刺激域的泛化
结合来自8只小鼠、6个视觉区、约66,000个神经元、累计900分钟的自然视频神经活动数据训练获得共享的基础核心模型（foundation core），通过迁移学习冻结该核心，仅微调透视、调制和读出模块构建新个体模型。结果表明，基础模型在预测新小鼠的神经活动时对训练数据依赖显著降低，且对未见过的刺激类型（如静态图像及多种参数化刺激）依然具备较强预测能力，体现出良好的跨个体和跨刺激域泛化性。
图2：基于单次记录会话训练的模型的预测准确性
结果三：基础模型支持精准复制视觉皮层经典参数化调谐特性
利用基础模型对未参与训练的新小鼠，基于自然视频训练对应ANN模型后，在体内外分别测试方向性粉红噪声和闪烁高斯点刺激，比较模型神经元与真实神经元的方向、空间调谐特性。结果显示基础模型能高准确度复现神经元的方向选择性指数（OSI）、方向选择性指数（DSI）、偏好角度以及空间调谐强度与位置，支持无需体内参数刺激即可通过模型进行经典功能性质的“体外”推断。
图3：基础模型的预测准确性
结果四：基础模型预测神经元的视网膜定位及视觉皮层的视区组织
通过对MICrONS数据集中近6万个兴奋性神经元训练读出模块参数，推断每个神经元的读出位置（感受野中心）并分析其空间分布。结果揭示读出位置准确反映了视觉皮层的视网膜拓扑组织，V1区表现出典型的中外-前后轴排列，且V1与高阶视觉区（LM/RL）边界处出现轴向反转，验证模型在捕获视觉空间组织结构上的有效性。
图4：基础模型的参数调节
结果五：基础模型功能表征参数权重揭示视觉皮层视觉区和细胞类型结构特征
利用基础模型的读出权重向量作为神经元功能条形码，通过逻辑回归预测视觉皮层中的视觉区归属（V1、LM、AL、RL）及11种形态学定义的兴奋性细胞类型。结果显示读出权重对视觉区分类准确率达68%，对细胞类型分类准确率达32%，显著优于基线，且权重信息提升了细胞类型预测效果，表明功能表征与结构属性高度相关，有助于探究视觉皮层的结构-功能关系。
图5：MICrONS体积的基础模型将神经元功能与结构和解剖联系起来
总结
本研究首次展示了“类GPT模型”在神经系统中的可行性，标志着我们朝着构建通用脑功能模型迈出了关键一步。随着多模态神经数据的不断积累，基础模型有望成为未来理解脑机制、设计新实验的核心工具。
原文链接：
参考文献
Wang EY, Fahey PG, Ding Z, Papadopoulos S, Ponder K, Weis MA, Chang A, Muhammad T, Patel S, Ding Z, Tran D, Fu J, Schneider-Mizell CM; MICrONS Consortium; Reid RC, Collman F, da Costa NM, Franke K, Ecker AS, Reimer J, Pitkow X, Sinz FH, Tolias AS. Foundation model of neural activity predicts response to new stimulus types. Nature. 2025 Apr;640(8058):470-477. doi: 10.1038/s41586-025-08829-y. Epub 2025 Apr 9. PMID: 40205215; PMCID: PMC11981942.
来源：人工智能学家