美国西北大学医学院研究人员近日开发出一种新型机器学习方法，用于分析大脑组织复杂行为的方式，并发现神经活动由一系列可复用的"基本模块"构成。相关成果已发表于《神经元》。
长期以来，神经科学界习惯以单个神经元为中心审视大脑活动，试图追问每个神经元参与了哪部分行为。近年来，随着可同时记录大量神经元活动的技术不断进步，研究视角逐渐转向神经元群体的协同工作。然而，这些大规模数据集往往难以解读——传统分析方法通常将数据压缩为更简单的信号，在这一过程中将多个神经过程混为一谈，掩盖了大脑真实的运作方式。
研究团队开发的稀疏成分分析法正是为解决这一问题而设计。这一方法能够将同时记录的数百个神经元的信号分解为数量较少、含义明确的独立成分，识别代表潜在大脑活动的共享信号模式，而非逐一审视每个神经元。
论文通讯作者、西北大学神经病学系助理教授Joshua Glaser表示："令人兴奋的是，这种方法能够将原本混杂在单个神经元中的可分离计算过程真正地分离出来。你可以开始发现我所说的大脑计算运作的基本模块。"
研究团队将这一方法应用于多个数据集，包括动物模型运动皮层记录、秀丽隐杆线虫的神经活动数据，以及人工神经网络，均发现了一致的组合式组织结构证据。
在对伸手取物运动的研究中，研究团队发现，无论是手臂向外伸展还是收回，大脑调用的都是相同的神经成分。Glaser解释道："大脑在外伸和收回两个动作中使用的是同一种底层机制，正是这些相同的基本模块被反复复用。"这表明，大脑并非为每种行为单独学习一套全新的神经模式，而是通过重新组合现有的基本模块来产生不同的行为。
稀疏成分分析法还揭示了神经元群体在行为不同阶段所携带的独特信号。在运动皮层数据中，该方法成功将动作规划、动作执行与随后的姿势维持三个阶段的神经活动分离开来——这三个过程在传统分析中往往混杂在一起。
Glaser表示，研究团队正在着手将这一方法扩展至分析多个脑区之间的交互，以探究计算信号如何在大脑不同区域之间流动与共享。他希望这一工具能够加深科学界对大脑如何支撑行为、复杂动作如何从神经信号中涌现的理解。
参考文献：Andrew J. Zimnik et al, Sparse component analysis: A method that uncovers separable computations within neural population activity, Neuron (2026). DOI: 10.1016/j.neuron.2026.05.022
编辑：王洪
排版：李丽
评论 (0)