Nature | 穆宇组合作揭示连续抉择的跨脑区计算机制|丘脑|神经元|穆宇|脑区|脑干|脑神经

2026年6月10日，中国科学院脑科学与智能技术卓越创新中心穆宇研究团队和北京大学吴思研究团队合作在Nature在线发表题为“A Thalamus–Brainstem Attractor Network Drives History-Biased Decisions” （丘脑—脑干吸引子网络驱动历史偏向性决策）的研究论文。研究团队利用斑马鱼幼鱼全脑尺度单细胞分辨率钙成像、闭环虚拟现实行为、光遗传操控和神经计算建模，揭示了大脑如何通过丘脑-脑干跨脑区协同，稳定保存近期经历，并将其转化为对未来行为的调节。

大脑并不是每次都从零开始做决定

在真实世界中，动物很少每次都从零开始做决定。刚刚发生过的事情，往往会改变下一次选择。动物在觅食、导航或躲避风险时，会根据近期获得的线索调整下一步行动方向；人类也一样，我们对面部表情、空间方位等具体感知信息的判断，甚至对数字大小等抽象信息的判断，都会受到刚刚经历过的内容影响。换句话说，过去并不会立刻消失，而是会在短时间内继续牵引现在的感知和选择。

这种由近期经历影响当前感知和行为的现象，被称为连续依赖或历史偏向（serial dependence or history bias）。它广泛存在于人类和多种动物中，被认为有助于大脑利用环境的连续性，提高行为效率。然而，过去的研究主要揭示了大脑中有很多区域携带历史信息，而对于这些信息如何被稳定保存、如何被灵活更新，又如何转化为未来行为，仍缺乏清晰的全脑机制解释。

在虚拟现实中观察小鱼的连续抉择

为研究这一问题，研究团队建立了斑马鱼幼鱼闭环虚拟现实避障行为系统。斑马鱼在虚拟环境中连续遇到来自左侧或右侧的障碍物，并通过自身游泳信号控制在虚拟环境中的运动。

研究发现，斑马鱼对当前障碍物的躲避行为不仅取决于当前刺激，还显著受到前一次甚至更早经历的影响。当连续两次障碍物出现在同一侧时，斑马鱼会表现出更强的躲避反应。这说明，斑马鱼能够在数十秒时间尺度上保存过去经历，并将这些信息用于调节后续行为。

图1 | 虚拟现实实验设计及斑马鱼幼鱼连续避障中的历史依赖行为

全脑尺度单细胞成像揭示关键记忆节点

该研究的关键技术优势，是在行为过程中以单细胞分辨率同时记录斑马鱼全脑神经活动，并将这些活动信号与脑智卓越中心杜久林、杜旭飞团队建立的标准斑马鱼全脑图谱进行精确配准。

相比传统研究中只观察局部脑区或少量神经元的方式，全脑尺度记录与脑图谱比对使研究人员能够在完整脑网络中追踪一次连续抉择从感觉输入、记忆保持、跨脑区整合到行为输出的全过程。

基于图谱配准结果，研究团队对全脑同步记录到的神经元进行逐脑区比较，系统筛查哪些脑区能够在障碍物消失后继续保留历史信息。结果发现，多个脑区都携带一定的历史信号；其中，背侧丘脑的表现最为突出，能够最稳定、最持久地通过持续活动（persistent activity）区分最近一次障碍物来自左侧还是右侧。

进一步的光遗传实验表明，抑制背侧丘脑活动会消除历史依赖行为，而单侧激活背侧丘脑则可以人为写入类似“过去经历”的信号，从而改变动物下一次选择。这表明，背侧丘脑并不只是被动记录历史信息，而是维持近期经历并驱动连续抉择的关键脑区。

图2 | 行为过程中斑马鱼幼鱼全脑神经活动的同步记录与关键脑区筛查

丘脑像“记忆开关”，脑干像“积分器”

进一步分析显示，背侧丘脑并不是单独完成整个计算。它更像一个“记忆开关”，以稳定的离散状态保存并切换最近一次经历；而位于脑干的下游神经元群则像一个“积分器”，将丘脑提供的历史信息与当前感觉输入整合起来，形成能够反映多次经历的连续信号，并最终影响行为输出。

也就是说，背侧丘脑主要保存最近一次经历，脑干则进一步累积和整合历史信息。大脑正是通过这种跨脑区分工协同，将一个短暂的感觉事件转化为可持续、可更新、可用于未来行动的内部状态。

图3 | 不同计算模块的历史信息解码能力及其神经动力学

从全脑图谱到脑图谱约束的跨脑区计算模型

在锁定关键脑区后，为进一步理解这种跨脑区协同如何在神经网络中实现，穆宇研究团队与北京大学吴思研究团队进一步开展理论建模合作。吴思研究团队长期从事神经动力学和吸引子网络理论研究，为解释背侧丘脑持续活动的稳定状态、状态切换及其对后续行为的影响提供了关键理论框架，并参与构建以丘脑吸引子网络为核心的神经网络模型。

在此基础上，研究团队进一步结合脑智卓越中心杜久林、杜旭飞团队建立的斑马鱼全脑图谱资源，将真实生物脑中相关脑区的细胞数量、神经元类型和投射连接等信息引入建模过程，将感觉输入层、丘脑吸引子网络和脑干积分器连接起来，最终构建了脑图谱约束的跨脑区计算模型。

从计算结构上看，该模型提出了“吸引子—积分器”的跨脑区协同架构：丘脑吸引子网络作为核心记忆模块，以稳定离散状态保存最近经历；脑干积分器则基于吸引子状态的迁移和当前感觉输入进行信息整合，将短暂感觉事件转化为可持续影响未来行为的内部状态。

这一模型说明，稳定记忆和灵活更新并非相互矛盾，而是可以通过不同脑区、不同神经元类型和不同动力学模块的分工协同共同实现。

图4 | “吸引子-积分器”跨脑区计算模型的结构、活动和行为输出

全脑尺度研究如何连接结构与计算

这一工作表明，在全脑尺度、单细胞分辨率的研究范式下，全脑图谱不仅是解剖学资源，也可以成为连接真实脑结构和神经计算原理的重要桥梁。通过将全脑功能活动、标准脑图谱、神经连接信息和计算模型结合起来，研究团队实现了从行为现象到全脑环路再到计算原理的贯通。

进一步的模型拓展还提示，类似架构有望支持更长时程的记忆扩容和感觉—运动闭环控制。也就是说，这一跨脑区模型不仅解释了斑马鱼如何利用过去经验影响下一次选择，也为未来具身智能系统和机器自主控制提供了来自全脑生物计算的启发。

脑智卓越中心博士研究生赵姗、单鹤赢和北京大学博士研究生刘潇为本论文共同第一作者；脑智卓越中心穆宇研究员和北京大学吴思教授为共同通讯作者。脑智卓越中心杜久林研究员和杜旭飞研究员团队提供了长期建设的斑马鱼全脑图谱资源。该资源为本研究开展全脑功能活动定位、脑区解析和脑图谱约束建模提供了关键基础，杜久林、杜旭飞团队也在脑图谱资源和数据分析方面作出了重要贡献。海南大学付玲团队在成像技术方面、脑智卓越中心王凯团队在光遗传操控技术方面为该研究提供了重要支持。

穆宇研究组长期招聘有志向开展以完整理解脑功能为目标、多学科交叉研究的博士后，欢迎具有神经生物学、计算建模、光学成像、人工智能、物理、数学或相关背景的青年学者加入，共同探索全脑计算原理。

https://www.nature.com/articles/s41586-026-10623-3

学术合作组织

（*排名不分先后）