Nat Rev Neurosci 萬字綜述：利用AI進行大腦-行為聯合建模的三大范式與方法革新

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:Joint modelling of brain and behaviour dynamics with artificial intelligence

發表時間：2025.12.3

發表期刊: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

在神經科學的浩瀚星空中，我們正處于一個數據爆炸的時代。得益于 Neuropixels 等高密度電極和鈣成像技術，我們已經能夠同時記錄成千上萬個神經元的活動；與此同時，DeepLabCut 等姿態估計工具的出現，讓我們能夠以亞像素級的精度捕捉動物的每一個細微動作。

然而，擁有數據并不等于擁有“理解”。長期以來，神經科學面臨的一個核心痛點是：如何有效地將這兩股巨大的數據流（錯綜復雜的神經動力學與豐富多變的行為表現）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（只看神經活動）。傳統的分析方法往往局限于簡單的相關性分析，或者孤立地解碼某一維度的變量，難以捕捉大腦如何產生決策、社交互動等高階行為的深層機制。例如，當我們要判斷一只大鼠是在發出超聲波叫聲，還是在做一次興奮的跳躍時，我們需要一種能夠整合多模態信息的統計計算框架。

本期推薦的這篇2025年12月3日發表于 Nature Reviews Neuroscience 的重磅綜述，由 DeepLabCut 的開發者 Mackenzie Mathis 夫婦領銜撰寫。文章不僅系統梳理了人工智能（AI）如何革新大腦-行為聯合建模（Joint Modelling），更提出了從“預測”走向“機制理解”的全新路線圖。它告訴我們，在這個AI輔助科學發現的時代，能夠準確預測行為僅僅是第一步，構建可信、可解釋且具有生物學意義的“數字孿生”模型，才是通往大腦奧秘的終極鑰匙。

研究核心總結

本綜述將當前神經科學中用于聯合建模大腦與行為動力的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-行為聯合建模范式

研究者根據計算目標的不同，將模型分為三類：

1. 判別式模型(Discriminative Models)：目標是“解碼”。即直接建立概率分布P(行為|神經數據)。這類模型（如 Transformer, RNN）在腦機接口領域表現卓越，利用監督學習最小化預測誤差，能夠高效地從神經活動中讀取運動意圖。但其局限在于，高解碼精度并不代表模型捕捉到了真實的神經計算原理。

2. 生成式模型(Generative Models)：目標是“重構”。這類模型（如 VAE, LFADS）通過學習低維隱變量（Latent Variables）來重構輸入的神經脈沖數據。其核心假設是神經群體活動受控于底層的動力學系統。雖然生成式模型能以此進行數據去噪和生成合成數據，但其依賴的“重構誤差”指標（如泊松損失）往往迫使模型關注像素級或脈沖級的細節，而非具有生物學意義的結構，導致學到的表征可能與任務無關。

3. 對比學習模型(Contrastive Models)：目標是“表征學習”。這是近年來的突破性方向（如 CEBRA）。它不再執著于重構原始數據，而是通過最大化相關樣本（正樣本對）的相似度、最小化無關樣本的相似度來學習隱空間。這種方法利用 InfoNCE 損失函數，能夠利用非監督或弱監督信號（如時間鄰近性或行為標簽）發現神經數據的內在幾何結構，有效地解決了生成式模型中重構質量與潛在結構錯位的問題。

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

1. 邁向層級化與多模態的行為分析

文章強調，行為不僅僅是空間坐標點的移動，而是具有層級結構的復雜過程（從肌肉微動到動作基元，再到復雜的社會交互）。未來的聯合模型需要結合 3D 姿態估計 和生物力學模型，將行為視為連續的高維數據流，而非離散的標簽。

Fig. 3 | Hierarchical behavioural analysis.

1. 可信度與可解釋性：新的評估標準

研究者提出，僅憑解碼準確率（R2）已不足以評估模型的科學價值。文章提出了一個包含“一致性”(Consistency)、“可辨識性”(Identifiability) 和“魯棒性”(Robustness) 的評估記分卡（Scorecard）。

• 可辨識性尤為關鍵：它要求不同的模型訓練運行應該產生線性相關的隱變量空間。對比學習方法（如 CEBRA）在理論上被證明能更好地保證這種可辨識性，從而確保我們發現的“神經流形”是真實存在的，而非數學偽影。

Table 1 | Scorecard for joint brain–behaviour models

1. 領域啟示：神經科學的“基座模型”

文章最后展望了混合目標（Hybrid Objectives）的前景，即融合判別、生成和對比損失函數，構建類似于 GPT 或 CLIP 的多模態神經“基座模型”。這類模型將不再局限于單一任務，而是能夠理解從感知輸入到運動輸出的通用神經計算原理，最終通過數據驅動的方式發現描述神經動力學的“涌現定律”。

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.

請打分

這篇剛剛登上Nature Reviews Neuroscience的研究，是否實至名歸？我們邀請您作為“云審稿人”，一同品鑒。精讀全文后，歡迎在匿名投票中打分，并在評論區分享您的深度見解。

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