最新Neuron：看懂了神经流形，就真的懂大脑环路了吗？|neural|neuron|动力学|对称性|拓扑|神经元|神经流形

一键关注，点亮星标 ⭐️ 前沿不走丢！

认知神经科学前沿文献分享

基本信息

Title:Linking neural manifolds to circuit structure in recurrent networks

发表时间：2026.3.6

发表期刊:Neuron

影响因子：15.0

获取原文：

添加小助手:PSY-Brain-Frontier即可获取PDF版本

研究背景

想象一下，你正在研究一个极其复杂的社会系统。你可以选择去挨个采访每一个社会成员，了解他们的个人偏好；你也可以退后一步，直接去观察整个社会的宏观经济走向。

在系统神经科学中，我们也面临着完全相同的两条路径：第一种是经典的“神经元相似性”视角，侧重于研究单个神经元如何对特定的外部刺激或内部变量产生选择性反应（即神经元调谐）；第二种则是近年来随着大规模脑记录技术而兴起的“神经流形”视角，致力于将成百上千个神经元的联合活动降维，去寻找群体活动在低维状态空间中的动态轨迹。

这两种统计描述无疑都非常强大，但该领域目前面临着一个核心的未解之谜：这些抽象的单细胞调谐属性和宏观的低维群体动力学，到底是如何映射到大脑底层的物理“硬件”：即循环神经网络的真实连接结构上的？我们能否仅仅通过观察群体动力学的低维轨迹，就完美反推或复原出底层神经环路的连线图？

2026年3月6日，发表在神经科学顶级期刊《Neuron》上的一项最新研究，为这一痛点问题提供了一个极具启发性的理论答案。在这项工作中，研究人员不仅提出了一个整合微观结构与宏观动力学的新框架，更清晰地指出了仅靠“流形”来反推环路所面临的陷阱，为未来的认知建模指明了新方向。

研究核心总结

为了打通微观连接与宏观动态之间的壁垒，研究团队将神经场理论与大规模低秩循环神经网络（RNN）相结合，构建了一个全新的统一数学框架。该框架成功地将底层的神经环路结构、单神经元的相似性空间以及群体层面的流形动力学在数学上紧密联系了起来。

Figure 1. Neuronal activity and circuit structure—terminology

一、“多对一”的动力学简并性

研究结果显示，流形动力学与底层电路结构之间并不存在一一对应的关系。极其不同的网络拓扑结构，完全可以产生数学上等效的低维群体动力学。例如，研究人员构建了两个截然不同的模型：一个是一维的环状结构模型，另一个是二维的平面结构模型。令人惊讶的是，只要参数设置得当，这两个在物理连线上毫无相似之处的结构，竟然能产生几乎无法区分的极限环（limit-cycle）流形动力学。这意味着，仅仅拟合了神经流形轨迹，并不代表我们真正揭示了大脑的物理计算架构。

Figure 2. Low-rank circuit structure

二、对称性的跨尺度传递机制

尽管流形动力学掩盖了许多微观细节，但底层的环路结构依然通过“对称性”留下了深刻的烙印。机制推导表明，网络结构的“微观对称性”（例如神经元在抽象空间中的平移不变性或翻转对称性），会严格地转化为潜变量动力学的“宏观对称性”（如流形空间中的旋转对称或反射对称）。

Figure 3. There is no one-to-one relationship between the circuit structure and the neural manifold

三、单细胞表征中的“拓扑足迹”

既然流形动力学存在严重的简并性，我们该如何区分不同的网络模型？研究指出，底层结构会在单神经元层面的相似性空间中留下独特的几何约束。具体而言，当我们利用降维算法提取所有神经元的个体特征时，所形成的几何点云的“内在维度”和“连通分量数量”，在拓扑学上受到底层环路空间的严格限制，绝不可能超过真实底层网络结构的维度和连通数量。

Figure 4. Neuronal embeddings distinguish different models implementing the same solution to a decision-making task

四、在认知决策建模中的关键应用

为了验证上述理论的实操价值，研究者构建了五个底层结构完全不同、但均能完美执行同一个“依赖上下文的决策任务”（context-dependent decision-making task）的循环神经网络模型。在模拟实验中，这五个网络都演化出了极其相似的二维吸引子动态轨迹来解决该决策任务。然而，当研究人员不去对比宏观轨迹，而是转而去分析各模型内部“单神经元主成分载荷”的拓扑点云时，成功利用这些拓扑足迹的差异，将五个模型精确地区分了开来。

研究意义

这项研究表明，在构建各类认知机制与决策行为的计算模型时，我们不能仅仅满足于让模型复现出与实验记录一致的低维流形动力学。通过同时核对单神经元特征空间的拓扑约束，我们可以有效地对计算模型进行交叉验证，进而排除那些在生物学上不合理、却在动力学上具有欺骗性的错误环路假设。

Abstract

Dimensionality reduction methods are widely used in neuroscience to investigate two complementary aspects of neural activity: the distribution of single-neuron functional properties and the low-dimensional collective dynamics of population activity. However, how do these two aspects of neural activity relate to the structure of the underlying neural circuit? In this work, we connect circuit structure, single-neuron functional properties, and emerging low-dimensional dynamics in spiking recurrent network models. Our models explain how topologically distinct circuit structures can produce equivalent low-dimensional dynamics. Despite this degeneracy, we find that circuit structure imposes specific constraints on both the low-dimensional dynamics of population activity and the distribution of single-neuron functional properties. These constraints yield simple criteria for comparing network models with observed neural activity. Our modeling framework not only links classical models of cortical circuits to the more recent notion of neural manifolds but also paves the way for designing tractable models of population dynamics that are better aligned with neural recordings.