Discovering Mechanistic Models of Neural Activity: System Identification in an in Silico Zebrafish¶

会议: NeurIPS 2026
arXiv: 2602.04492
OpenReview: https://openreview.net/forum?id=nwvvEjN12N
领域: 计算生物
关键词: 神经系统辨识, 机制模型发现, 树搜索代码进化, 结构先验, 斑马鱼神经机械仿真

一句话总结¶

基于具身斑马鱼全脑视运动回路仿真构建可验证系统辨识基准，证明纯自回归预测容易陷入统计捷径，唯有结合物理布线结构的稀疏先验与 LLM 树搜索，才能真正实现高泛化机制模型的自动化发现。

研究背景与动机¶

构建神经回路的机制性模型是计算神经科学的核心目标，而预测神经元活动序列则是检验模型理解深度的关键手段。近年来基于真实实验记录的基准测试虽然推动了预测架构的发展，但真实神经数据受限于成像时长、光毒性、未观测输入以及未知的生物学底层细节。由于真实的突触连接强度、神经调质作用和数据生成过程在生物体内无法完全已知，研究人员只能在相对误差上对模型进行横向排名，却无法获知模型究竟是真正触及了真实的计算机制，还是仅仅拟合了局部的虚假相关性，从而陷入了严重的验证鸿沟。

面对这一矛盾，计算神经科学迫切需要一个完全透明、可任意干预并具备确定性真值的基准。具有物理仿真的神经机械模拟环境（如开源仿真器 simZFish）为此提供了前所未有的可能：它不仅完整复现了幼年斑马鱼从双眼视网膜输入、前顶盖定向滤波、后顶盖双目运动基元整合，到中脑/后脑指令核团驱动肌肉偏摆的完整神经回路，更拥有百分之百可观测的内部状态与布线真值。这让系统辨识问题首次拥有了绝对的“真理参照物”。

以往神经动力学建模高度依赖研究者的手工经验与结构偏见，不仅耗时而且搜索空间极为有限。本文的切入角度是将模型架构设计直接形式化为代码空间中的组合优化问题，利用基于大语言模型（LLM）的引导式树搜索来自动化进化动力学转移函数。本文的核心 idea 是：通过在透明的斑马鱼仿真环境中对比无约束黑盒搜索与结构先验灰盒搜索，揭示纯自回归误差最小化会诱导模型利用统计捷径，并证明引入连接组结构拓扑先验是消除虚假连接、实现分布外泛化与忠实机制恢复的充要条件。

方法详解¶

整体框架¶

本文将神经动力学学习抽象为一个严谨的多步前向预测系统辨识问题。系统的真实转移算子以过去的神经活动状态和外生协变量（瞬时视网膜驱动与游动状态开关）为输入，目标是在多步展开时界内最小化递归仿真轨迹与真实状态的平均绝对误差（MAE）。整体发现管线包含具身仿真神经数据集生成、LLM 驱动的程序树搜索演化框架，以及引入回路布线拓扑的结构先验正则化机制。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["环境与外生协变量输入<br/>视网膜瞬时运动驱动 + 游动状态开关"] --> B["具身神经回路基准仿真<br/>ePT 前顶盖 → lPT 双目整合 → aHB/nMLF 指令核团"]
    B --> C["外生条件化系统辨识任务<br/>将随机游动触发解耦为确定性多步递归预测"]
    C --> D["LLM 树搜索代码演化<br/>PUCT 准则全局节点采样 + Flax 代码变异"]
    D --> E["连接组结构先验正则化<br/>注入二值连通性掩码与分层无环无自环拓扑"]
    E --> F["双重机制验证机制<br/>Jacobian 有效连接敏感度 + 脉冲响应动态松弛"]

关键设计¶

1. 外生条件化系统辨识任务：解耦随机游动与可辨识性危机

在真实生物神经回路中，内在动力学与外部驱动信号常常深度交织。作者通过对比实验发现了一个关键反直觉现象：如果将神经活动视为自闭环时间序列进行纯自回归预测（即剥离瞬时外生感觉驱动），即便使用完美的真实回路动力学参数，其预测误差反而远远劣于简单重复上一时刻静态值的朴素 baseline（mean baseline）。这是因为生物动力系统本身具有耗散性，失去感觉输入后神经元会自动衰减至静息态；而朴素 baseline 却能靠维持上一时刻均值掩盖这种衰减。

为使系统辨识成为良定问题，本文将任务形式化为包含外生协变量 $\mathbf{x}_t \in \mathbb{R}^D$ 的动力学转移模型辨识： $$\mathbf{a}_t = f^*(\mathbf{a}_{t-1}, \mathbf{x}_t)$$ 其中 $\mathbf{a}_t \in \mathbb{R}^{36}$ 为涵盖早期前顶盖（ePT，8个单元）、晚期前顶盖（lPT，24个单元）以及中后脑指令核（nMLF/aHB，4个单元）的神经元激活；$\mathbf{x}_t$ 包含 8 维瞬时视网膜运动特征和 1 维二值游动状态指示符（Bout State）。由于幼体斑马鱼的实际运动爆发由累加器积分引发的随机点过程控制，直接将游动状态作为外生条件，成功消除了未来轨迹的偶发不确定性，将概率演化转化为了确定性的动力学逼近问题。

2. LLM 树搜索代码演化：自回归动力学模型的程序空间自适应探索

为了打破人工设计时序神经网络的直觉局限，研究团队采用基于代码生成的树搜索框架自动探索微分动力学模型。搜索过程将每个候选解表达为规范化的 Python/Flax 代码模块，并以验证集上的负平均绝对误差作为适应度打分。算法借鉴 AlphaGo 的预测器上限置信区间（PUCT）准则在整个搜索树 $\mathcal{T}$ 中全局采样待扩展节点： $$u^* = \operatorname*{argmax}_{u \in \mathcal{T}} \left( \tilde{R}(u) + c_{\text{puct}} |\mathcal{T}|^{-1} \frac{\sqrt{\sum_{v \in \mathcal{T}} V(v)}}{1 + V(u)} \right)$$ 其中 $V(u)$ 为节点访问频次，$\tilde{R}(u)$ 为基于验证误差升序排列的归一化排名得分。被选中的节点由大语言模型（Gemini 3 Flash）作为代码变异算子进行程序级重构与优化。

为保证在有限单卡算力（NVIDIA T4）下高效探索，作者设计了高度优化的 GPU 常驻数据加载机制，并采用“截断展开代理训练（Truncated Rollout of 32 steps）+ 完整时域评估（Full 256-step Rollout）”的策略。这一巧妙设计使得每次突变评估时间大幅缩短，在最大 500 个节点的预算内，迅速演化出了预测性能超越传统深度时序模型的候选结构。

3. 连接组结构先验正则化：以布线拓扑阻断统计捷径

在未施加任何先验的无约束搜索中，系统发现的顶级模型（如 ts422）虽然在同分布测试集上刷出了极低的误差，但在面对未见过的全新视觉运动模式时性能急剧崩溃。逆向分析表明，无约束模型利用高维隐空间（256维潜变量）构建了虚假的自回归自环记忆，以“死记硬背”感觉-运动相关性的统计捷径替代了真实的神经传导过程。

为了恢复机制的真实性，作者在提示词中显式注入了源自连接组的结构先验： - 严格遵循层级前馈流向：ePT 处理感觉并保留自身时间积分，lPT 仅接收当期 ePT 的前馈投影而无自身递归连接，aHB/nMLF 接收 lPT 信号并更新自身积分； - 注入 $24 \times 8$ 的二值连接矩阵 $\mathbf{M}_{\text{connectivity}}$，仅限定 ePT 到 lPT 之间突触的存在与否，不提供任何权重数值、正负极性或非线性门控形式。这一结构正则化彻底封堵了隐状态作弊路径，迫使树搜索在符合物理约束的搜索子空间中寻找参数化算子（演化出代表性模型 sts445），从数学结构上恢复了稀疏层级和真实的跨区域因果依赖。

4. 双重机制验证机制：Jacobian 敏感度矩阵与脉冲响应动态松弛

为了不依赖任何外部假设、在绝对尺度上量化机制恢复质量，研究提出了静态与动态双重机制保真度评估指标： - 静态有效连接矩阵（Jacobian Sensitivity Matrix）：分析单步转移函数对当前状态的雅可比矩阵 $J_{ij} = \frac{\partial (\mathbf{a}_{t+1})_i}{\partial (\mathbf{a}_t)_j}$。为避免激活函数饱和导致的梯度消失，评估在 $K=11$ 个全同探测点 $\mathbf{a}^{(s)} = s \cdot \mathbf{1}$（$s \in \{0.0, 0.1, \dots, 1.0\}$）上取平均，并通过 Frobenius 范数计算与真实雅可比 $\bar{J}_{\text{gt}}$ 的误差： $$\mathcal{L}_{\text{Jac}} = \|\bar{J}_{\text{model}} - \bar{J}_{\text{gt}}\|_F$$ - 动态脉冲响应分析（Impulse Response Analysis）：在零感觉输入下将神经元置于单神经元脉冲（$\mathbf{a}_0 = \mathbf{e}_i$）或全饱和态（$\mathbf{a}_0 = \mathbf{1}$），分别在“游动”与“静息”两种运动调节状态下前向仿真 256 步，计算预测轨迹与真实动力学轨迹的松弛衰减偏差 $\mathcal{L}_{\text{IR}}^{\text{rest}}$ 和 $\mathcal{L}_{\text{IR}}^{\text{swim}}$。

实验关键数据¶

主实验¶

主实验对比了人工设计的经典时序预测 baseline、无约束树搜索模型（ts422）与结构先验树搜索模型（sts445）在同分布测试集（Test MAE）、分布外新刺激测试集（Holdout MAE）以及机制保真度指标（雅可比误差 $\mathcal{L}_{\text{Jac}}$ 与脉冲响应误差 $\mathcal{L}_{\text{IR}}$）上的量化表现。

模型	条件化配置	Test MAE (256步) ↓	Holdout MAE (OOD) ↓	雅可比误差 $\mathcal{L}_{\text{Jac}}$ ↓	脉冲响应 $\mathcal{L}_{\text{IR}}^{\text{rest}}$ ↓	脉冲响应 $\mathcal{L}_{\text{IR}}^{\text{swim}}$ ↓
Mean baseline	仅历史 (h)	0.0420	0.0435	-	-	-
Ground-truth circuit	仅历史 (gth)	0.0583	0.0610	0.00	0.00	0.00
Ground-truth circuit	感觉+历史 (gts+h)	0.00000	0.00000	0.00	0.00	0.00
N-Linear	感觉+历史 (s+h)	0.0124	0.0145	-	-	-
TiDE	感觉+历史 (s+h)	0.0385	0.0392	-	-	-
TSMixer	感觉+历史 (s+h)	0.0068	0.0091	-	-	-
DeepAR	感觉+历史 (s+h)	0.0085	0.0112	-	-	-
ts422 (无约束最优)	感觉+历史 (s+h)	0.00005	0.13995	8.33	0.27	0.29
sts445 (结构先验最优)	感觉+历史 (s+h)	0.00001	0.00027	0.26	0.04	0.04

消融实验与群体统计¶

为排除单次搜索幸运解的偶然性，作者统计了无约束树搜索（ts）与结构先验树搜索（sts）各自演化出的前 50 个高分模型的统计中位数及四分位距（IQR），展现结构先验对机制还原的全局正则化效应。

实验组别 (Top 50 种群)	Test MAE 中位数 [IQR] ↓	Holdout MAE (OOD) [IQR] ↓	$\mathcal{L}_{\text{Jac}}$ 雅可比误差 [IQR] ↓	$\mathcal{L}_{\text{IR}}^{\text{rest}}$ 脉冲响应 [IQR] ↓	$\mathcal{L}_{\text{IR}}^{\text{swim}}$ 脉冲响应 [IQR] ↓
无约束搜索 (ts)	0.00009 [0.00008, 0.00009]	0.00833 [0.00636, 0.02349]	7.58 [7.55, 7.73]	0.14 [0.10, 0.21]	0.12 [0.09, 0.18]
结构约束搜索 (sts)	0.00004 [0.00002, 0.00005]	0.00030 [0.00025, 0.00073]	0.34 [0.23, 0.45]	0.03 [0.02, 0.04]	0.03 [0.02, 0.04]

关键发现¶

测试集误差与机制恢复完全脱钩：无约束最优模型 ts422 在同分布测试集上达到了极低的 $5 \times 10^{-5}$ MAE，然而其 OOD 泛化误差却暴增到 0.13995，其有效连接雅可比矩阵误差高达 8.33。它在 lPT 内部虚构了强烈的循环递归连接，以内部自记忆抵消了对感觉信号的真实响应。
结构先验诱导机制自组织：仅给出了 $24 \times 8$ 的二值布线掩码而未透露任何连接强度与正负号，sts445 却在优化过程中自发学习到了与真实生物回路近乎一致的兴奋/抑制棋盘状微结构（雅可比误差从 8.33 骤降至 0.26，降幅达 32 倍），并在 OOD 场景下将泛化误差降低了两个数量级以上。
动态时滞调节与状态门控的精确捕获：在脉冲响应测试中，ts422 产生了完全不符合生理物理的异常震荡衰减；而 sts445 完美捕获了 ePT 神经元在游动（$\alpha_t = 0.002$）与静息（$\alpha_t = 0.01$）状态下由外生开关控制的差异化漏积分时间常数。

亮点与洞察¶

将神经科学系统辨识确立在透明闭环具身仿真基准之上：突破了以往真实生物实验“测不全、动不了、无真值”的困境，使机制发现的评判从盲目比拼测试集 loss 转向绝对机制复原度的严格度量。
揭示了“高精度黑盒幻觉”：证明纯数据驱动的时序拟合极易利用自回归捷径伪造虚假神经相关性。在科学发现任务中，无先验的黑盒优化不能自动通往因果真相。
连接组静态拓扑作为通用计算脚手架：颠覆了传统观点中“必须测定全部突触超微结构强度与神经调质才能还原机制”的悲观假设，证明只需极其粗糙的二值布线存在性掩码，现代梯度优化与程序搜索就足以反推出精确的连续突触权重与非线性计算原语。

局限与展望¶

回路规模与行为多样性的简化：当前环境仅覆盖了斑马鱼视运动反射（OMR）相关的 36 个核心神经单元，尚未纳入捕食、避障等复杂非线性高级中枢回路。
完全可观测假设与现实落差：仿真环境提供了零噪声、全观测的理想状态，而生物成像实际存在严重的体积扫描延迟、荧光漂白、运动伪影以及大批未记录神经元（部分可观测性）。
程序搜索的计算成本：LLM 引导的树搜索单次运行长达数百节点且需要多次训练评估，扩展至数万神经元规模的大脑连接组时面临算力墙，需探索分层模块化演化策略。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次将神经机械闭环具身仿真与 LLM 程序进化树搜索结合用于神经机制系统辨识。
实验充分度: ⭐⭐⭐⭐⭐ 涵盖静态有效连接、动态脉冲响应、同分布与分布外跨域泛化，论证严密扎实。
写作质量: ⭐⭐⭐⭐⭐ 逻辑层层推进，实验设计对照鲜明，科学见解深刻透彻。
价值: ⭐⭐⭐⭐⭐ 为连接组学与大模型结合探索科学发现机制树立了极具指导意义的方法论范式。