图宾根大学的研究人员在《Nature》杂志上发表了一项突破性的研究，展示了如何利用人工智能（AI）和连接组（connectome）的数据来预测大脑中神经元的活性。这项研究不仅简化了神经元活性的预测流程，还可能改变未来神经科学的研究方式。

 

   研究背景与方法

 

传统的神经科学研究通常需要在活体动物中直接测量单个神经元的活性，以了解大脑如何控制行为。然而，这种方法耗时耗力，且仅能触及大脑功能的一部分。为了解决这些问题，研究团队采用了一种创新的方法，结合了AI和连接组学的数据，来预测果蝇视觉系统中神经元的活性。

 

   研究成果

 

研究人员首先利用果蝇视觉系统的连接组数据创建了一个详细的深度机制性网络模型。在这个模型中，每一个神经元和突触都对应于实际大脑中的实体。尽管无法直接观测到每个神经元和突触的动态变化，但他们利用深度学习算法推断出这些未知参数，并将这些信息与已知的回路功能（如运动检测）相结合。

 

通过这种方式，研究人员建立了一个能够预测果蝇视觉系统中64种不同类型神经元活性的模型。该模型能够重现过去20多年间进行的多项实验结果，并且还提供了超过450页的新预测数据，其中包括发现了一些之前未知的参与运动检测的细胞。

 

  研究意义

 

这项研究提供了一种新的策略，可以将连接组数据转化为对活体大脑功能的深入理解。特别是当神经网络呈现出稀疏连接性时，这种策略尤其有效，而这正是跨物种和大脑区域的常见特征。

 

该研究不仅有助于科学家们更好地理解大脑的工作原理，而且还可能改变他们提出和测试假说的方式。通过模拟实验并在实验室中验证预测结果，研究人员可以更高效地探索神经元的功能及其在认知过程中的作用。

 

总之，这项研究为神经科学领域提供了一个强大的工具，有望在未来的研究中发挥重要作用，帮助解开大脑的奥秘。