Nat Commun | 實時、自適應的神經科學實驗分析軟件：讓實驗擁有“實時大腦”！

PsyBrain 腦心前沿 | 公眾號 PSY-Brain_Frontier

一鍵關注，點亮星標 ??

不錯過每日前沿資訊

認知神經科學前沿文獻分享

基本信息

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

發表時間：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，系統神經科學在技術上取得了突破性進展，高通量成像和電生理技術引發了一場神經和行為數據的“大爆炸”，產生了大量高維度（high-dimensional）的數據 。然而，這種數據體量的增長卻揭示了傳統實驗范式的局限性：研究通常局限于檢驗預先確定的假設，并嚴重依賴于數據采集完成后的事后分析。

這種“先采集、后分析”的分離機制，直接導致了在有限實驗時間內檢驗復雜假設的效率危機 。例如，僅少數視覺刺激參數的組合就可能衍生出數千種實驗條件，使得傳統的窮盡式采樣在統計功效上難以保證 。此外，許多關于神經回路如何驅動自然行為的復雜問題，要求研究者根據神經系統在實驗進行時的動態狀態實時調整操作，實現有意義的干預 。

為了克服這一瓶頸，神經科學迫切需要轉向自適應實驗設計，即通過計算模型驅動持續的數據收集和實驗操縱選擇，實現閉環控制（Closed-loop Control）。然而，實現這種范式面臨巨大的工程挑戰，包括多硬件集成、對嚴格實時約束（real-time constraints）的要求，以及對復雜流式分析（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，一個旨在為下一代自適應神經科學實驗提供統一軟件工程基礎的平臺。

Fig. 1: Design architecture of improv.

核心總結 & 軟件平臺亮點介紹

improv 是一款模塊化軟件平臺，其核心創新在于通過優化底層軟件工程，實現了建模、數據采集、分析和實時實驗控制的靈活集成，克服了傳統神經科學實驗中的技術壁壘 。

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

1. 平臺架構：高并發與零拷貝通信

improv 的設計精巧且具備高穩定性，其基礎是并發系統中的簡化版Actor 模型。系統中的每個獨立功能（如數據采集、預處理、模型擬合）都被封裝為獨立的 Actor，并在獨立的進程中并發執行（concurrent execution），確保了高容錯性。

為解決高維數據傳輸的 I/O 瓶頸，improv 采用了基于 Apache Arrow Plasma 庫構建的共享內存數據存儲。Actors 之間不直接傳遞數據本身，而是通過消息傳遞數據在共享內存中的地址（鍵）。這種設計實現了零拷貝通信，是保障平臺滿足實時約束的關鍵。通過 Actors 和消息隊列構成的有向圖（directed graph），實驗流程能夠通過簡單的文本文件靈活定義，極大地加速了快速原型設計。

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

1. 模型驅動的五大閉環應用

improv 通過多個體內（in vivo）和體外（in silico）實驗，驗證了其在復雜自適應實驗中的能力：

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

1. 實時功能分型與連接性估計： 平臺能夠流式處理雙光子鈣成像數據，利用 CalmAn Online 等算法進行神經元活動提取，實現神經反應的快速功能表型鑒定。在斑馬魚實驗中，improv 實時擬合了線性-非線性-泊松模型 (LNP Model)，通過隨機梯度下降（Stochastic Gradient Descent）在滑動窗口內持續更新模型參數，實現了對功能連接的實時估計 。在線模型擬合展現出快速收斂性，可實時得出接近離線分析的結果，顯著節省了實驗時間 。

2. 行為與神經活動的并發預測： improv實現了高維行為視頻與神經活動的同步流式分析。針對行為視頻，平臺部署了 proSVD 算法進行流式降維（streaming dimension reduction），將其穩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）模型實時預測神經活動，并能夠在線識別出與神經活動具有最強預測性的行為特征（如小鼠非結構化運動）。

3. 潛伏神經軌跡的實時預測： 針對神經群體動力學研究，平臺首先對尖峰數據進行降維，隨后使用流式概率流模型 Bubblewraps，通過擬合高斯混合隱馬爾可夫模型實時學習和預測潛在神經軌跡的轉換矩陣 。該模型能準確預測未來一秒內的軌跡演變，為基于群體狀態的精確因果干預提供了實時反饋基礎。

4. 閉環刺激優化： improv 集成了貝葉斯優化 (Bayesian Optimization, BO) 框架和高斯過程 (Gaussian Process, GP) 模型，用于在活體鈣成像中自適應地選擇下一個最優視覺刺激。BO 通過最大化優先分數，巧妙地平衡了探索（高不確定性區域）與利用（高響應區域）。該方法驗證了其高效性，平均僅需 8-20 次刺激即可確定神經元的峰值調諧（peak tuning），遠超傳統網格搜索的效率 。

5. 自適應光遺傳靶向干預： 平臺實現了全光路實驗中的模型驅動光遺傳學光刺激。improv 實時計算神經元的定向調諧曲線，并根據這些功能特性和光敏蛋白表達水平，自動選擇目標神經元進行因果擾動（causal perturbation）。這使得研究者能夠根據神經元在回路中的實時功能角色，而非預設的解剖位置，進行高精度、自適應的靶向干預 。

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|歡迎加入認知神經科學前沿交流群！

核心圖表、方法細節、統計結果與討論見原文及其拓展數據。

分享人：飯哥

審核：PsyBrain 腦心前沿編輯部