如何处理来自高达 300,000 个小鼠神经元的记录？
几乎所有介绍性神经科学课程中都会播放一段视频。它看起来并不多——一条光条在黑色屏幕上移动和旋转，而背景音频像远处烟花表演的声音一样弹出和噼啪作响。干货，直到你知道爆裂声代表一只猫大脑中单个神经元的放电，它正在看着屏幕上的条形图移动。当酒吧到达特定位置并以特定角度放置时，爆裂声在疯狂活动的盛大结局中爆炸。信息很明确：这个神经元真的非常关心那个条。
视频中显示的实验由 David Hubel 和 Torsten Wiesel 在 1960 年代进行，帮助科学家推断视觉系统如何工作的基本原理。从那以后的几十年里，神经科学家一直在将薄金属电极插入老鼠、雀和猴子的大脑中，以监视单个神经元并找出是什么触发了它们。有些神经元会对特定的颜色或形状做出反应；或到空间中的特定位置或一个人的头部方向；或整张脸或个别特征。
与单细胞分析一样强大的引擎已经证明，“每个人都想要更多的神经元，”加州大学洛杉矶分校神经生物学教授 Anne Churchland 说。部分原因是简单的统计数据：无论实验如何，更多的观察总是更好。但科学家们在逐个观察神经元时也遇到了分析墙。在前额叶皮层，即大脑前部在计划、决策和社会行为中起主要作用的区域，神经元对如此多样化的事物做出反应——视觉特征、任务、决策——研究人员一直无法做到至少单独分配给他们任何特定的角色。即使在初级视觉皮层，也就是休贝尔和威塞尔进行录音的大脑后部的区域，当动物看着定向条时，实际上只有一小部分神经元会被激发。
使用 Hubel 和 Wiesel 的技术，一次查看多个神经元是不可能的。但工程师们一直在推动这种能力，最终在 2017 年开发了 Neuropixels 探针。一厘米长，由硅制成，单个探针可以同时聆听数百个神经元，并且足够小，神经科学家可以将其中的几个插入其中动物的大脑。在艾伦研究所，一个由微软联合创始人保罗艾伦创办的非营利研究机构，他们使用六个 Neuropixels 探针同时记录来自鼠标视觉系统的八个不同区域的记录。8 月，该研究所发布了 81 只老鼠的数据——包括大约 300,000 个神经元的活动。任何可能想要使用它的研究人员都可以免费获得这些数据。
作为有史以来收集到的最大的此类数据集——是之前的记录保持者的三倍——该版本让研究人员能够观察到大量神经元协同作用。这种前所未有的规模可能会为了解以前逃避科学界掌握的部分认知提供机会。“我们想了解我们是如何思考、看待和做出决定的，”艾伦研究所的研究员肖恩奥尔森说，他在该项目中发挥了核心作用。“而且它只是不会发生在单个神经元的水平上。”
现在的挑战是弄清楚如何解析所有这些数据。庞大的数据集不容易处理；甚至共享和下载它们也很困难。但正如分析可能证明的那样棘手，使用这样的数据集对许多研究人员来说是非常值得的，因为它可以让他们按照自己的方式研究大脑。
对 Hubel 和 Wiesel 来说，大脑就像一条装配线：一组神经元，每个神经元专门用于特定的角色，划分和征服每项任务。向某人展示一个红色气球，对红色和圆圈敏感的神经元会独立做出反应。但这种方法从来没有真正适合大脑的实际运作方式——它的连接如此密集，以至于没有一个神经元是孤立地行动的。“大脑一次看不到一个神经元，”哥伦比亚大学神经科学教授 Stefano Fusi 说。“神经元，他们正在观察成千上万的其他神经元。所以我们应该采取同样的观点。”
像前额叶皮层这样的区域，每个神经元都对一大堆事物做出反应，看起来更像是一个车间，每个工匠都拥有各种任务的专业知识。有些人可能具有投掷生粘土的特殊才能，而另一些人可能特别擅长施釉——当他们一起工作时，他们可以制作各种物品。这种多样性是一个优势，它可能对人类如此擅长的复杂问题解决和推理技能至关重要。（在前额叶皮层的研究中, Fusi 证明，当神经元群体对不同情况表现出丰富多样的反应时，猴子往往在记忆任务上表现得更好。）另一方面，高度专业化的神经元群体是不灵活的，就像装配线一样：他们只能完成这么多不同的事情。
不过，装配线非常容易理解。可以独立检查流程中的每个步骤，以准确确定它对整体产品的贡献。但是不能孤立地看待一个高度互动的工作室中的工匠，也不能孤立地看待前额叶皮层等区域的神经元。而这些集体活动模式对于人类来说太复杂了，如果没有数学工具的帮助，就无法掌握。“这不是你可以想象的东西，”Fusi 说。
因此，神经科学家使用一种称为“降维”的方法来实现这种可视化——他们从数千个神经元中获取数据，并通过应用线性代数的巧妙技术，仅使用几个变量来描述它们的活动。这正是心理学家在 1990 年代所做的，他们定义了人类人格的五个主要领域：开放性、随和性、尽责性、外向性和神经质。他们发现，只要知道一个人在这五个特征上的得分，他们就可以有效地预测这个人将如何回答数百个性格测试问题。
但是从神经数据中提取出来的变量并不能用“开放性”这样的一个词来表达。它们更像是主题，即跨越整个神经群体的活动模式。其中一些主题可以定义绘图的轴，其中每个点代表这些主题的不同组合——它自己独特的活动概况。
将来自数千个神经元的数据减少到几个变量是有缺点的。就像拍摄 3D 城市景观的 2D 图像会使某些建筑物完全不可见一样，将一组复杂的神经元数据塞入仅几个维度会消除大量细节。但是在几个维度上工作比一次检查数千个单独的神经元要容易得多。科学家可以在图案定义的轴上绘制不断变化的活动模式，以观察神经元的行为如何随时间变化。事实证明，这种方法在运动皮层中特别有效，该区域令人困惑、不可预测的单神经元反应长期以来一直困扰着研究人员。然而，从整体上看，神经元追踪规则的，通常是圆形的轨迹。与速度有关。
奥尔森说，他预计科学家将使用降维从复杂数据中提取可解释的模式。“我们不能一个接一个神经元，”他说。“我们需要统计工具、机器学习工具，它们可以帮助我们在大数据中找到结构。”
但这种研究脉络仍处于早期阶段，科学家们难以就模式和轨迹的含义达成一致。“人们一直在争论这些事情是否属实，”约翰霍普金斯大学神经病学和神经科学教授约翰克拉考尔说。“他们是真的吗？它们可以被简单地解释为 [作为单神经元反应] 吗？他们感觉不那么扎实和具体。”
Churchland 说，将这些轨迹带入地球需要开发新的分析工具——艾伦研究所等大规模数据集的可用性肯定会促进这项任务。该研究所的独特能力、雄厚的财力和庞大的研究人员，将使其能够产生更多的数据来测试这些工具。奥尔森说，该研究所的功能就像一个天文台——没有一个实验室可以为它的技术买单，但整个科学界都受益于它的实验能力，并为它的实验能力做出了贡献。
他说，目前，艾伦研究所正在试行一个系统，来自整个研究界的科学家可以建议应该展示什么样的刺激动物，以及它们应该做什么样的任务，同时记录它们的数千个神经元. 随着记录能力的不断提高，研究人员正在努力设计更丰富、更现实的实验范式，以观察神经元如何对推动其集体能力的现实世界、具有挑战性的任务做出反应。“如果我们真的想了解大脑，我们不能一直只向皮层显示定向条，”Fusi 说。“我们真的需要继续前进。”
