35萬篇論文，40年興衰，神經科學趨勢報告，你的研究方向過時了嗎

2025年，神經科學中各個研究趨勢究竟產生了哪些變化？

近日，“The transmitter”公布了一張交互式地圖——根據40年間35萬篇發表在頂尖神經科學期刊中的摘要構建，利用大語言模型，提取了每篇摘要中排名前 10 的關鍵詞——從中可以追蹤研究主題在過去半個世紀的興衰。

?圖1：從 1975 年至 2024 年發表的與神經科學相關的研究中提取的前 500 個主題。地圖上術語之間的距離由這些術語在文獻中共同出現的頻率決定。字體大小表示特定主題的出版物總數。顏色覆蓋揭示了過去五年中的研究熱點領域。交互式地圖地址：https://stateofneuroscience.thetransmitter.org/map/

據此，他們評出了神經科學領域三宗“最”（如圖2所示）。那么，這個神經科學領域發生了什么呢？

?圖2：2024年間，神經科學研究中最常出現的主題是阿爾茨海默病，出現在6.2%的2024 年摘要中。提升最快的是腦電圖（EEG）主題在文獻中的出現率在過去五年中增加了 1.7 個百分點。而最新出現的新冠在2020年之后熱度迅速下降。

可以看到，2024年間，神經科學研究中最常出現的主題是阿爾茨海默病，出現在6.2%的2024 年摘要中。提升最快的是腦電圖（EEG）主題在文獻中的出現率在過去五年中增加了 1.7 個百分點。而最新出現的新冠在2020年之后熱度迅速下降。

神經科學發展趨勢

通過調研多位神經科學研究者，他們發現了三大趨勢如下三點：

（1）研究者得以比以往任何時候都更全面、更精確地測量大腦和行為，并在此過程中產生了大量數據。大多數調查受訪者提到的新的人工智能和計算方法正在幫助解析這些數據集。

（2）計算神經科學的發展速度快于其他子領域，人工智能有望改變研究人員的工作方式，對細胞類型和膠質細胞的研究正幫助該領域從“神經中心視角”轉向考慮非神經元細胞類型對神經回路和行為的貢獻。

（3）隨著神經科學日益跨學科化，亟需跨子領域整合結果、跨腦區記錄、解決理論與數據的對立，同時向非科學家解釋基礎研究價值的需求也日益增長。

更全面的記錄物理基礎

（1）計算和數學方法對于分析和理解數據至關重要

我認為，對大腦構建更強大的定量模型這一趨勢已經出現。這是AI模型發揮作用的地方，我們現在可以利用這類模型，特別是神經網絡模型，對腦活動進行預測，其預測能力遠超以往人們構建的任何模型。

——Samuel Gershman，哈佛大學心理學教授

諸如CEBRA這類計算工具，可用于神經信號與行為的所謂聯合嵌入（joint embedding），從而真正幫助我們理解神經信號與行為之間的關聯。

——Johannes Kohl，弗朗西斯·克里克研究所課題組長

我認為，幾何/拓撲機器學習理論的發展是通往開發一個更加豐富圖景的關鍵，不僅包括大腦能夠表征和學習的全部豐富性，還提供了在數學層面上關于特定知識和表征結構如何產生以及如何在世界中提供可觸及的結構假設和真實機制。

——Maxine Levesque加州大學舊金山分校醫學博士-博士候選人；Astera研究所平臺架構師

更復雜的統計模型、機器學習模型等技術的發展，使人們能夠處理大型數據集并試圖理解它們。現在，這些技術導致了一個問題：有時你實際上不知道如何從機器學習或人工智能中獲得答案。它只是給你一個答案。因此，這導致了另一個問題，這也是人們預期的，即我們過于關注數據，以至于有些失去了對數據實際上告訴我們什么？我們的理論同時是如何發展的等問題的直接。所以，技術的發展速度遠遠超過了我們的理解速度，某些技術的發展速度遠遠超過了相應的腦功能與功能障礙的理論。

——Randy McIntosh Simon Frase大學神經科學與神經技術研究所所長

我認為，在行為計算分析、數據分析的計算方法已經取得了巨大的突破。我認為最近最有潛力的研究熱點在于利用人工智能方法來理解數據并將之整合起來。

—Jason Shepherd, 猶他大學生物學教授

使用深度學習的工具，從與行為相關的非線性復雜神經數據中提取信息。

——Jimmy Singh, 猶他大學博士后研究助理

理解大量神經元活動的數學技術尚不完善，但若沒有它們，我們將一事無成。神經元活動可能會被過度解讀。

——Michael Stryker, 舊金山大學生理學教授

（2）自動化行為跟蹤與分析

使用多個攝像頭同時自動追蹤所有動物的行為。這在五年前就已經發生，但我們看到了技術加速發展的現象。”

——Bing Wen Brunton, 華盛頓大學生物學教授

DeepLabCut的影響力很大。這是一種機器學習技術，允許人們使用普通視頻攝像機追蹤動物的運動。這項技術具有革命性，因為現在非專業實驗室，即使不是嚴肅的機器學習實驗室，也能進行行為實驗并獲取定量數據。”

——Gregory W. Schwartz, 西北大學菲恩伯格醫學院眼科學、神經科學和神經生物學教授

使用多個攝像頭同時自動追蹤所有動物的行為。這在五年前就已經發生，但我們看到了技術加速發展的現象。”

——Bing Wen Brunton, 華盛頓大學生物學教授

DeepLabCut的影響力很大。這是一種機器學習技術，允許人們使用普通視頻攝像機追蹤動物的運動。這項技術具有革命性，因為現在非專業實驗室，即使不是嚴肅的機器學習實驗室，也能進行行為實驗并獲取定量數據。”

——Gregory W. Schwartz, 西北大學菲恩伯格醫學院眼科學、神經科學和神經生物學教授

（3）高密度神經元記錄

Neuropixels探針的出現，讓每個人從每場記錄中記錄的神經元數量從幾十個提升到幾百個，甚至接近幾千個。這是一個巨大的飛躍，并且它被迅速采納。所以，我認為（以及其他類似的記錄技術）是一項真正能夠推動神經科學發展的突破。

——Joshua Dudman, 高級團隊負責人，Janelia 研究園區，Howard Hughes醫學研究所

高密度記錄方法——例如 Neuropixels探針——可用于記錄活動動物中成千上萬個神經元。”

——Johannes Kohl, Francis Crick 機構小組負責人

Neuropixels探針的采樣便捷性和密度，以及實現小尺寸的多點記錄，已經使跨區域研究成為可能，這些研究揭示了特定神經科學發現與每個區域的關聯性，并更準確地評估了區域間通訊。電壓染料（voltage dyes）在真正成熟時，會將把這些特性推向下一階段。

—Samuel Levy, 斯坦福大學生物學博士后研究員

很多人也在使用Neuropixels，這一多電極陣列越來越多地配備電極，可以植入腦中。標準化和商業化對Neuropixels的普及起到了幫助作用。如今，研究人員只需購買一套Neuropixels探針，即可便捷地完成大量神經信號采集、尖峰排序（spike sorting）等全套工作。操作簡便，且能同時記錄數百至數千個神經元的活動。這極大地提升了該技術在科研社群中的可及性與普及度。

—Gregory W. Schwartz, 西北大學Feinberg 醫學院眼科學、神經科學和神經生物學教授

體內探針能夠以高時間精度同時靶向數百至數千個神經元，例如Neuropixels探針。

—Jimmy Singh, 猶他大學 Christopher Gregg 實驗室的博士后研究員

“大規模記錄性能越來越好，越來越有可能長時間保持記錄，以追蹤同一細胞隨時間的變化。這相當新。”

—Michael Stryker, 舊金山大學生理學教授

（4）先進的神經影像技術提供更深的層次和多樣性

關于Neuropixels記錄及其能教給我們的東西，目前尚無定論。這可能是一個不受歡迎的觀點。在我讀研究生的時候，我們只有10個細胞，現在我們有10,000個。這聽起來很多，但它只是哺乳動物大腦的一小部分。從數量級更多的細胞進行記錄能教會我們新東西，或是只是證實了我們已經知道的東西？我對此持懷疑態度。我對大腦和行為中發生的事情的全面記錄更感興趣。10,000個細胞只是很小一部分，但如果技術能讓我們從整個皮質表面進行鈣成像記錄，那將使我們能夠做新的事情。

—Bing Wen Brunton, 華盛頓大學生物學教授

我對清醒動物中的三光子成像技術感到非常興奮。該技術能夠深入皮層進行成像，其時空特異性對于fMRI技術是可望不可及的。或許它可以幫助我們更好地理解神經血管耦合如何塑造fMRI信號。在(f)MRI領域，過去五年接收器通道數量和梯度性能大幅提升，轉化為更快、更高分辨率的成像。展望未來五年，我很期待同時進行經顱超聲和fMRI，以非侵入性方式調節“回路”并觀察神經活動是如何變化的。當然，我還需要提及更高磁場強度的開發，例如荷蘭的14特斯拉人體MRI系統。

—Martijn Cloos, 昆士蘭大學生物工程學副教授

腦組織膨脹。所以，如果將某些聚合物放入組織中，而當它們接觸到適當的溶劑時就會膨脹。這樣你可以將腦組織膨脹10倍，這時你就可以用標準的顯微鏡來觀察，而不需要使用電子顯微鏡。這相當重要。但真正的重點是，你可以在組織內部創建這種分子支架，并將各種分子支架連接。據此，許多技術都可以得到改進。你可以有效地將所有RNA原位支架加入這種嵌入式聚合物中，這極大地提高了核酸檢測和成像質量。總的來說，隨著該領域更好地學習如何處理這些聚合物的化學性質，許多技術仍在不斷改進。組織學在神經科學中一直很重要。擴張，或者更確切地說，用合適的分子支架嵌入組織，在我看來已經基本上革命化了組織學。

—Joshua Dudman, 高級團隊負責人，Janelia研究園區, Howard Hughes 醫學研究所

微型顯微鏡，單光子微型顯微鏡，但現在也包括雙光子微型顯微鏡，它們允許我們從行為中的單個分辨神經元記錄鈣動態。

— Johannes Kohl， Francis Crick 機構小組負責人

影像技術無疑對神經科學產生了革命性的影響。一些重大創新始于20世紀90年代初的MRI，之后且成像技術能夠測量的范圍持續爆炸式增長。從白質、灰質到如今能夠快速測量腦脊液中的鈣流、蛋白質代謝等。所有這些成像技術確實為我們提供了更詳細的信息，并能夠將神經系統分解為更小的部分，同時又能收集整體數據。例如，可以測量整個大腦的血流量或整個大腦的鈣含量。因此，它為我們提供了以前從未想過能夠獲取的數據。

—Randy McIntosh, Simon Fraser大學神經科學與神經技術研究所所長

影像技術。它已被更廣泛地使用。例如用于許多不同場景的雙光子成像。此外，已經出現了清除組織新的新方法來清除組織，以獲得更好的整體組織熒光成像；也就是說，不必只觀察一個區域或進行數字切片，而是獲得整個組織的全貌。”

— Steven Proulx，Bern大學小組負責人

“一些光學組件的小型化，這樣你可以進行雙光子顯微鏡觀察，在老鼠跑動時看到其大腦深處的細胞，因為他們將顯微鏡做得只有 2 克左右，可以裝在它們的頭上。這相當令人印象深刻。”

— Gregory W. Schwartz，西北大學Feinberg 醫學院眼科學、神經科學和神經生物學教授

多種來源數據的整合

（1）基于測序技術解釋構成神經系統的細胞類型

理解大量神經元活動的數學技術尚不完善，但若沒有它們，我們將一事無成。神經元活動可能會被過度解讀。

—Michael Stryker, 舊金山大學生理學教授

單細胞測序在8-10年前非常流行，現在已成為常態。這是件好事，表明了新工具的更廣泛采用。我認為在未來五年內，空間信息將變得非常重要。轉錄組學，即正常、惡性及患病大腦中神經元群體的所在位置，將使我們能夠更精細地了解疾病和細胞狀態。”

—Benjamin Deneen, 貝勒醫學院教授

"過去五年中，單細胞測序確實極大地增進了我們對哪些細胞類型構成中樞神經系統不同部分的了解，并開始讓我們至少在我的領域內更好地理解腦屏障的排列方式，并試圖闡明那些仍然令人難以置信地模糊不清的解剖結構。

—Steven Proulx, Bern大學小組負責人

用眾多分子工具來研究大腦，即所謂的'組學'，如RNA測序、表觀遺傳、DNA等。這創造了大量數據，但我認為挑戰是利用新技術來理解這些數據。"

— Jason Shepherd，猶他大學生物神經學教授

單細胞測序技術。另一種變革性工具是'空間轉錄組學'，我總是喜歡加上引號，因為它只是在原位進行多重檢測，這是我們一直做的事情。但它是一種更高通量的方法，這樣你就可以觀察不同細胞類型在空間上的基因表達。

— Anne West，神經生物學教授，杜克大學醫學院

（2）基于測序技術解釋構成神經系統的細胞類型

Neuropixels探針的出現，讓每個人從每場記錄中記錄的神經元數量從幾十個提升到幾百個，甚至接近幾千個。這是一個巨大的飛躍，并且它被迅速采納。所以，我認為（以及其他類似的記錄技術）是一項真正能夠推動神經科學發展的突破。

—Joshua Dudman, 高級團隊負責人，Janelia 研究園區，Howard Hughes醫學研究所

高密度記錄方法——例如 Neuropixels探針——可用于記錄活動動物中成千上萬個神經元。”

—Johannes Kohl, Francis Crick 機構小組負責人

神經科學中最快增長的領域有哪些？

（1）計算神經科學與人工智能

綜合數據集建模的進展最快。我們可以利用機器學習和人工智能，以之前無法實現的方式對現有生物的連接組進行建模。

—Bing Wen Brunton, 華盛頓大學生物學教授

計算神經科學，NeuroAI神經人工智能。

—Vinicius Rezende Carvalho,，奧斯陸大學博士后研究員

NeuroAI, 腦機接口，類器官。

—Renato Duarte, Coimbra大學助理研究員

神經科學與人工智能的交叉領域確實發展迅速，這對不同的人意味著不同的事情。因此，神經科學和人工智能之間的合作已經是眾望所歸，無論是神經科學家利用人工智能的思想來指導他們的理論，還是在人工智能領域內的人們對大腦如何運作感興趣，將其作為一種算法的靈感來源。

—Samuel Gershman,，哈佛大學心理學教授

我想到了計算神經科學。我并不一定指的是人工智能，而是真正試圖使用數學概念來理解信息是如何被計算的。我認為這是需要一段時間來發展的，但該領域正在迅速發展。

—Jorg Grandl, 杜克大學生物學副教授

計算、組學——尤其是空間轉錄組學——性別差異研究。

—Jennifer Mattar, Brigham醫院神經病學研究員

測量整個大腦的技術發展迅速，我們正越來越接在單個生物體中測量大腦中的每個元素這一愿望。當然，計算建模的演變將涵蓋人工智能的各個方面，這確實在整個神經科學的各個領域都帶來了迅速發展。其次是更廣泛地使用和理解大數據集的重要性。所以這既為研究者帶來了技術挑戰，他們試圖建立共享大型數據集的方法，也強調了真正建立強大開放科學平臺的重要性。

—Randy McIntosh, Simon Fraser大學神經科學與神經技術研究所所長

機器學習行為分析。我認為許多人已經放棄了昂貴的影像方法，并將工具應用于視頻記錄。

—Adam Naples, 兒童研究中心助理教授，耶魯醫學院

我確信每個人都會這么說，但關鍵在于人工智能以及人工智能與神經科學的融合。無論好壞。我不知道是否有某個特定領域必然比其他領域增長更快。如果你將神經科學視為四個子領域（認知、行為、分子和計算），那么計算神經科學目前增長最快。

—Jan Wessel, 愛荷華大學心理與腦科學教授

增長最快的領域無疑是與人工智能相關的一切，因為它正迅速從無到有。在我看來，我們目前還不知道人工智能將如何影響神經科學研究以及影響的方式。人工智能將使人們更容易進行編碼。人工智能將使我們能夠提出新的解碼神經尖峰的方法，這些信息可以直接轉化為對腦機接口的控制，而無需理解其內容。但是，這對我們理解分子層面的神經活動或如何思考記憶相關問題有哪些連鎖反應，我認為還沒有人知道。

—Anne West，杜克大學醫學院神經生物學教授

（2）膠質神經學和神經免疫學

我可能存在偏見，但在星形膠質細胞領域，了解它們如何處理和計算信息，并將其作為與神經元交流或調節回路的方式，確實令人興奮。它們是整合來自多種神經元的信息的中心，并修改回路和相關行為的活動。

—Benjamin Deneen, 貝勒醫學院教授

我認為對支持細胞如小膠質細胞、星形膠質細胞、少突膠質細胞的關注越來越多。從這些細胞及其與神經元的相互作用中已經涌現出許多新知識。具體到我的研究領域，對中樞神經系統內液體的循環以及廢物代謝物的清除，存在很多爭論，這是一個仍然非常活躍的領域，我認為我們還需要進行更多研究才能真正理解它。

—Steven Proulx, Bern大學小組負責人

我認為神經免疫學是近年來發展較快的領域之一——免疫系統與大腦對話的想法一直被認為是不可能的。傳統觀念認為大腦只是獨立的實體，但似乎越來越多證據在證偽傳統觀念。很明顯，免疫系統與大腦之間存在很多正常的相互作用。

—Jason Shepherd,猶他大學生物神經學教授

（3）自然行為和系統生物學

自然主義行為系統神經科學

—Ian Max Andolina, 神經科學研究所研究主任，中國科學院

系統神經科學。

—Richard Courtemanche, Concordia 大學健康、運動科學和應用生理學教授

一個快速發展的領域是：在動物行為過程中對大腦進行實時成像，以觀察神經環路如何隨外界刺激或學習事件而動態變化與重塑——這不僅令人振奮，而且對幾乎所有學科都具有根本性的重要意義。

—Benjamin Deneen, 貝勒醫學院教授

五年前，研究重點在于全腦/神經系統規模的測序和分子測量。我的印象是，該方向的發展速度已大幅放緩——我們正開始將那些技術應用于一系列問題。我認為，對行為（尤其是更自然的行為）以及全腦規模記錄的興趣正在復蘇。這些領域存在許多開放問題。

—Joshua Dudman, 高級團隊負責人，Janelia 研究園區，Howard Hughes醫學研究所

（4）人體神經元記錄

人類神經元記錄。

—Matteo Carandini, 倫敦大學學院視覺神經科學教授

增長最快的領域之一是面向人類的神經科學——它的發展得益于對人類大腦進行靶向操作的潛力。隨著大數據的整合、多神經元記錄及其操控的出現，我們對神經遞質作用的理解已經取得進展，而這些在過去幾年中尚不存在。此外，對諸如：饑餓、口渴、性、攻擊性等動機及其神經基礎的闡明已取得了成績，這些都將對精神病學產生重大影響。

—Michael Stryker,舊金山大學生理學教授

回顧2025年神經科學

The Transmitter針對2025年神經科學現狀，通過對頂尖科學家的訪談，給出了概述，分為約10篇，按照研究熱點，研究人員組成，資金資助及產業化前景四個方面，分別展開。本文主要圍繞與研究熱點相關的兩篇進行的編譯，之后結合交互式研究地圖。從事神經科學研究的讀者，可以借此對整個領域內有哪些研究方向正在快速獲得關注，有一個全面的認識。

在The Transmitter這些年度綜述中（參考文獻1），有一篇針對神經科學正在變得越來越分裂還是整合成一個學科，對于該問題，頂尖學者也各執一詞，但該問題的回答在于每一位青年研究者。如果你們能夠有更寬的視野，不止局限于自己正在做的那個課題，而是全面的認識整個領域，不僅可能交叉碰撞出更多的研究思路，還能讓整個神經科學距離一個整合的學科更近一步。文中列出的方向，不止是常被人提起的人工智能，還有諸如膠質細胞，自然行為，高密度神經元記錄等眾多項，這些同樣值得關注。也請繼續關注“追問nextquestion”，我們也將在近期公布，由編輯部評選的神經科學和人工智能領域年度突破和進展。

1.https://www.thetransmitter.org/state-of-neuroscience-report-2025/

2. https://www.thetransmitter.org/neuroscience/the-state-of-neuroscience-in-2025-an-overview/

3. https://www.thetransmitter.org/methods/what-are-the-most-transformative-neuroscience-tools-and-technologies-developed-in-the-past-five-years/

4. https://www.thetransmitter.org/neuroscience/what-are-the-fastest-growing-areas-in-neuroscience/

5.https://stateofneuroscience.thetransmitter.org/?_gl=1*16iksdv*_ga*MTM4NzMxOTA1My4xNzYxNTQzMjE5*_ga_BKVX7LHVRB*czE3NjQ3NDczNjUkbzI3JGcxJHQxNzY0NzQ3NzI5JGo2MCRsMCRoMA..