神经元生物学身份作为分析神经群体动力学的组织基准 (Neuronal Identity as an Organizational Basis for Analyzing Neural Population Dynamics)¶

会议: NeurIPS 2026
arXiv: 2610.36745
代码: https://nicalab.github.io/identity-group-routing
领域: 其他
关键词: 神经群体动力学、神经元生物身份、排列不变性、软路由分组、跨个体泛化

一句话总结¶

本文提出了一种基于神经元生物学身份的软路由分组框架，将转录组、解剖区域、空间坐标与电生理特征映射为跨个体对齐的潜在功能组，在无需神经元显式配准或重新微调的情况下实现了神经群体动力学的高保真零样本迁移解码与流形分析。

研究背景与动机¶

理解大脑中数以万计神经元的群体动力学如何协同产生感知、决策与行为，是现代系统神经科学与神经工程的核心课题。近年来，以 POYO、NEDS、CEBRA 以及 MARBLE 为代表的深度学习模型与神经流形分析算法，在单个实验受试动物或特定记录会话中展现了强大的群体动力学建模能力。然而，现有方法在跨个体（cross-subject）与跨会话（cross-session）泛化时面临严重的理论与工程瓶颈。在不同动物的神经记录实验中，每次电生理电极植入或双光子/全脑钙成像所捕获的神经元集合各不相同，神经元索引顺序完全是人为随机分配的，且活体网络中缺乏天然的逐神经元显式对应关系（neuron-wise correspondence）；加之动物内部认知状态与微环境扰动的漂移，导致仅依赖神经电活动统计规律的模型在迁移到未见个体时极易崩溃。

与此同时，单细胞生物学与多模态神经元图谱（如 Patch-seq、全脑空间转录组图谱）揭示了一个高度保守的生物学事实：同一物种内的神经元在转录组分子表征、形态学、解剖投射区域和内在电生理特性上具有强烈的保守性与规律性。例如小鼠初级视觉皮层中 Pvalb、Sst 与 Vip 中间神经元分别承担增益控制、新异刺激检测与状态自上而下调制等不可替代的功能分工。这种多模态生物学身份（neuronal identity）构成了全脑环路计算的天然功能基底，且在同物种不同个体间天然对齐。然而，在现有群体动力学建模方法中，这些丰富的生物学身份特征长期处于未被充分利用或仅被视作辅助输入属性的边缘状态。

现有基于排列不变性架构（如 DeepSets）的尝试通常采用无差别的全对称聚合（如对所有神经元嵌入直接求和或平均），这直接抹杀了细胞类型与空间区域所承载的层级组织结构；而基于 Transformer 的模型往往依赖特定会话的自适应微调。核心 idea：将多模态生物学身份作为跨个体不变的通用组织坐标系，通过可学习的软路由机制将无序神经元动态分配至潜在功能组，在潜在组空间完成尺度归一化聚合与群间动力学交互，从而在严格满足排列不变性的同时实现免微调的跨个体动力学零样本迁移。

方法详解¶

整体框架¶

模型输入为任意给定时间步 \(t\) 下采集的神经群体集合 \(\mathcal{S} = \{(\mathbf{f}_i, \mathbf{x}_i)\}_{i=1}^N\)，其中 \(N\) 为当前记录会话的神经元总数，\(\mathbf{f}_i \in \mathbb{R}^F\) 包含转录组、3D 空间坐标、解剖脑区与内在电生理等 \(M\) 种多模态生物身份向量，\(\mathbf{x}_i \in \mathbb{R}^W\) 为以时间 \(t\) 为中心的局部神经活动时间窗（如钙成像荧光信号或发放脉冲频次）。框架的目标是学习一个映射 \(\mathbf{z} = \mathcal{F}(\mathcal{S}) \in \mathbb{R}^D\)，使其在神经元任意重排列 \(\pi \in \mathfrak{S}_N\) 下严格满足排列不变性 \(\mathcal{F}(\{(\mathbf{f}_{\pi(i)}, \mathbf{x}_{\pi(i)})\}_{i=1}^N) = \mathcal{F}(\{(\mathbf{f}_i, \mathbf{x}_i)\}_{i=1}^N)\)。

整个架构分为两大部分：首先通过多模态身份编码器与路由层根据 \(\mathbf{f}_i\) 计算每个神经元到 \(K\) 个潜在组的软从属概率 \(\mathbf{a}_i \in \Delta^{K-1}\)；接着利用共享动态编码器提取单个神经元活动特征 \(\mathbf{v}_i \in \mathbb{R}^{d_r}\)，以软分配权重进行组级聚合与质量归一化得到潜在组矩阵 \(\mathbf{C} \in \mathbb{R}^{K \times d_r}\)，最后经由组间交互模块 \(\Gamma\) 输出群体动力学状态表征 \(\mathbf{z}\)。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["输入群体观测<br/>{(f_i, x_i)}，i=1...N"] --> B["多模态身份编码与独立投影<br/>分模态MLP + 层归一化"]
    B --> C["身份引导的软路由机制<br/>计算潜在组从属度 a_ik"]
    A --> D["神经活动动态编码<br/>共享独立MLP提取 v_i"]
    C --> E["组级自适应聚合与质量归一化<br/>按 a_ik 加权求和并除以 sqrt(m_k)"]
    D --> E
    E --> F["潜在组间交互与群体表征提取<br/>跨组MLP-Mixer得到 z_t"]
    F --> G["下游多任务目标<br/>行为回归 / 刺激分类 / 连续流形对比学习"]

关键设计¶

1. 多模态身份编码与软路由机制：跨模态异质性对齐与软聚类分配

不同模态的生物学身份特征（如数十维的连续基因表达标记、三维欧式几何坐标、离散高维的解剖脑区多热向量、以及统计电生理特征）在测量尺度和数值分布上存在严重失衡，直接级联会导致数值量级较大的模态主导下游分配。针对此问题，模型为每个模态 \(m \in \{1,\dots,M\}\) 设计独立的感知机 \(\phi_m: \mathbb{R}^{F_m} \to \mathbb{R}^{d_m}\) 进行降维与非线性映射，随后对各模态隐向量执行层归一化（Layer Normalization）并拼接，由共享 MLP \(\psi\) 投影为统一尺度的神经元身份紧凑表征 \(\mathbf{s}_i \in \mathbb{R}^{d_s}\)：

\[\mathbf{s}_i = \psi\Big(\big[\mathrm{LN}(\phi_1(\mathbf{f}_i^{(1)}));\; \dots;\; \mathrm{LN}(\phi_M(\mathbf{f}_i^{(M)}))\big]\Big)\]

随后，路由矩阵 \(\mathbf{W}_{\mathrm{route}} \in \mathbb{R}^{K \times d_s}\) 将身份表征投影至 \(K\) 个潜在功能组空间，通过带温度系数 \(\tau\) 的 Softmax 生成连续的软从属向量 \(\mathbf{a}_i = \sigma(\mathbf{W}_{\mathrm{route}}\mathbf{s}_i / \tau) \in \Delta^{K-1}\)。该设计允许复杂细胞在保留生物连续过渡属性的前提下，部分参与多个潜在计算回路，避免了硬聚类所带来的梯度截断与亚型切分偏差。

2. 组级自适应聚合与质量归一化：保障置换不变性与跨个体数值稳定性

在传统排列不变网络中，全局平均池化会掩盖异质子群体的动态差异，而无约束的加权求和会受不同记录会话中特定脑区或细胞采样密度波动的影响。为此，系统采用共享单神经元动力学网络 \(\mathbf{v}_i = \rho(\mathbf{x}_i) \in \mathbb{R}^{d_r}\) 提取局部动态片段特征，并基于软路由权重聚合出各组动力学表示 \(\mathbf{c}_k\)。针对第 \(k\) 组有效细胞质量 \(m_k = \sum_{i=1}^N a_{ik}\) 的动态差异，创新性地引入了平方根缩放归一化因子：

\[\mathbf{c}_k = \frac{1}{\sqrt{\max(m_k, \epsilon)}} \sum_{i=1}^N a_{ik} \mathbf{v}_i, \quad m_k = \sum_{i=1}^N a_{ik}\]

其中 \(\epsilon = 10^{-6}\) 确保稀疏路由时的数值稳定性。数学证明表明（见论文附录 A.2），当输入神经元顺序发生任意置换 \(\pi\) 时，求和算子的无序可交换性与共享参数网络保证了组矩阵 \(\mathbf{C} = [\mathbf{c}_1; \dots; \mathbf{c}_K] \in \mathbb{R}^{K \times d_r}\) 的严格不变性（\(\mathbf{C}^\pi = \mathbf{C}\)）。平方根归一化在保持各组特征方差稳定的同时，赋予拥有更多激活细胞的代表性功能模块适度的表达权重。

3. 组间交互与下游任务解耦映射：捕捉多脑区分布式协同动力学

聚合后的潜在组表征 \(\mathbf{C}\) 排除了任意神经元索引的干扰，转变为按固定功能语义对齐的矩阵。为了刻画不同细胞群体与脑区之间的跨区域回路级信息交互，模型通过沿潜在组轴操作的 Group Interaction Module \(\Gamma: \mathbb{R}^{K \times d_r} \to \mathbb{R}^D\) 提取全脑全局动力学表征 \(\mathbf{z} = \Gamma(\mathbf{C})\)。在具体实现中，\(\Gamma\) 采用参数高效的 MLP-Mixer 架构，在跨组通道混合与特征内部混合之间交替映射。该表征 \(\mathbf{z}\) 实现了上游生物群体组织与下游具体分析任务的彻底解耦：在有监督行为解码中输出标量运动参数，在刺激辨别中输出多分类类别 logits，而在神经流形建模中映射为三维流形嵌入向量，并在跨个体迁移评估时全程冻结参数，直接适配任意新个体的异构群体数据。

损失函数 / 训练策略¶

针对监督解码与无监督流形建模，模型在源个体/会话数据上分别采用定制的优化目标：

行为解码回归：为应对生物运动测量（如斑马鱼游动功率、小鼠跑轮速度）中的偶发极端离群值，采用平滑的 Huber 损失函数（\(\delta=1.0\)）：

\[\mathcal{L}_{\mathrm{beh}} = \frac{1}{|\mathcal{B}|}\sum_{t\in\mathcal{B}} h_\delta(\hat{y}_t - y_t), \quad h_\delta(e) = \begin{cases} \frac{1}{2}e^2, & |e| \le \delta \\ \delta(|e| - \frac{1}{2}\delta), & |e| > \delta \end{cases}\]

刺激类别分类：采用标准多分类交叉熵损失 \(\mathcal{L}_{\mathrm{stim}}\)。
神经流形对比学习：遵循 CEBRA 风格的广义 InfoNCE 目标，拉近时间近邻状态（正样本偏移 \(\Delta = 5\) 帧），推远批次内非近邻状态 \(\mathcal{N}_t\)，在单位球面上最大化时间余弦相似度：

\[\mathcal{L}_{\mathrm{manifold}} = -s(\mathbf{z}_t, \mathbf{z}_{t+\Delta}) / \tau_{nce} + \log \sum_{u \in \mathcal{N}_t} \exp\big(s(\mathbf{z}_t, \mathbf{z}_u) / \tau_{nce}\big)\]

模型优化使用 AdamW 优化器，在全脑大样本记录下采用子集随机采样（Mini-batch Subsampling）与评估期集成策略（WARP 每次采样 3000 个神经元，评估期 21 组集成；Allen 数据集每次采样 250 个单元，评估期 11 组集成），大幅降低显存开销并提升对局部采样缺失的容忍度。

实验关键数据¶

主实验¶

在跨物种（斑马鱼幼鱼全脑钙成像 vs 小鼠视觉皮层 Neuropixels 电生理）、跨模态数据上，在严格隔离的未见个体/会话上进行直接零样本迁移评测（参数完全冻结，无微调，无神经元对齐）。

表 1：跨个体直接迁移下的行为与刺激解码性能（均值 ± 标准差）

数据集	方法	行为预测 (PCC) ↑	刺激平衡准确率 ↑	刺激常规准确率 ↑
WARP (斑马鱼)	Ours	0.793 ± 0.015	0.835 ± 0.029	0.839 ± 0.029
WARP	POYO*	0.304 ± 0.120	0.153 ± 0.032	0.156 ± 0.034
WARP	NEDS*	0.248 ± 0.207	0.195 ± 0.034	0.196 ± 0.033
WARP	DeepSets	0.160 ± 0.081	0.161 ± 0.011	0.160 ± 0.011
Allen Brain Obs.	Ours	0.734 ± 0.008	0.893 ± 0.012	0.899 ± 0.010
Allen Brain Obs.	POYO	0.526 ± 0.043	0.220 ± 0.022	0.258 ± 0.114
Allen Brain Obs.	NEDS	0.500 ± 0.042	0.424 ± 0.043	0.432 ± 0.078
Allen Brain Obs.	DeepSets	0.615 ± 0.022	0.684 ± 0.027	0.612 ± 0.034
Allen Func. Conn.	Ours	0.694 ± 0.058	0.896 ± 0.017	0.932 ± 0.007
Allen Func. Conn.	POYO	0.554 ± 0.080	0.211 ± 0.008	0.288 ± 0.117
Allen Func. Conn.	NEDS	0.454 ± 0.036	0.398 ± 0.020	0.408 ± 0.091
Allen Func. Conn.	DeepSets	0.588 ± 0.096	0.730 ± 0.044	0.663 ± 0.095

注：* 表示针对连续钙信号适配的模型。

表 2：未见个体上隐动力学轨迹的时间与局部几何结构保持评测

数据集	方法	时间距离相关性 (Spearman) ↑	归一化近邻时间跨度 ↓	局部轨迹平滑线性度 ↑
WARP (斑马鱼)	Ours	0.633 ± 0.078	0.145 ± 0.009	0.911 ± 0.006
WARP	CEBRA	0.086 ± 0.010	0.328 ± 0.003	0.684 ± 0.010
WARP	MARBLE	0.045 ± 0.017	0.332 ± 0.002	0.512 ± 0.006
WARP	LFADS	0.141 ± 0.020	0.297 ± 0.012	0.666 ± 0.015
WARP	Joint PCA	0.151 ± 0.045	0.312 ± 0.007	0.887 ± 0.032
Allen Brain Obs.	Ours	0.355 ± 0.033	0.063 ± 0.021	0.896 ± 0.005
Allen Brain Obs.	CEBRA	0.029 ± 0.004	0.298 ± 0.005	0.497 ± 0.006
Allen Brain Obs.	MARBLE	0.049 ± 0.004	0.190 ± 0.009	0.654 ± 0.004
Allen Brain Obs.	LFADS	0.179 ± 0.011	0.134 ± 0.009	0.545 ± 0.004
Allen Brain Obs.	Joint PCA	0.071 ± 0.019	0.244 ± 0.017	0.699 ± 0.029

消融实验¶

表 3：WARP 数据集多模态生物学身份特征消融（均值 ± 标准差）

配置	移除的生物模态	行为解码 (PCC) ↑	刺激平衡准确率 ↑	说明
Full Model	无 (T, S, H, R, P 齐全)	0.793 ± 0.015	0.835 ± 0.029	完整模型
w/o T	移除转录组表达 (T)	0.727 ± 0.013	0.711 ± 0.016	无实测单细胞表达时仍具备高度可用性
w/o S	移除3D空间坐标 (S)	0.721 ± 0.014	0.573 ± 0.010	刺激分类受空间拓扑缺失影响最剧烈
w/o H	移除公共图谱HCR基因标记 (H)	0.717 ± 0.029	0.693 ± 0.032	独立图谱能提供有效的先验补充
w/o R	移除解剖脑区多热向量 (R)	0.716 ± 0.020	0.682 ± 0.030	宏观脑区边界对组划分起到约束作用
w/o P	移除电生理/动态统计特征 (P)	0.704 ± 0.026	0.722 ± 0.025	行为相关动态信息受损最大

表 4：软路由机制 vs 硬分配架构消融

数据集	路由方案	行为解码 (PCC) ↑	相对降幅
WARP	软路由 (Soft Routing, Top-5)	0.793 ± 0.015	基准
WARP	硬路由 (Hard Top-1 Routing)	0.708 ± 0.022	-10.7%
Allen Brain Obs.	软路由 (Soft Routing, Top-5)	0.734 ± 0.008	基准
Allen Brain Obs.	硬路由 (Hard Top-1 Routing)	0.678 ± 0.003	-7.6%
Allen Func. Conn.	软路由 (Soft Routing, Top-5)	0.694 ± 0.058	基准
Allen Func. Conn.	硬路由 (Hard Top-1 Routing)	0.626 ± 0.078	-9.8%

关键发现¶

不仅是特征红利，更是结构化组织的胜利：向基线模型（POYO、NEDS、DeepSets）额外注入相同的神经元生物身份特征后，其性能普遍显著上升（如 WARP 上 NEDS 的行为 PCC 从 0.248 跃升至 0.574）；然而，本文提出的软路由分组架构依然大幅超越所有增强基线（0.793 vs 0.574），证明显式构建功能组拓扑远优于将生物特征作为普通附加输入。
对高成本单细胞转录组的强解耦性：在缺失原位单细胞转录组（w/o T）或转而使用公共参考图谱（mapzebrain HCR）时，模型性能依然维持在 0.727 PCC 和 0.711 准确率，大幅领先基线，说明该框架在仅有常规空间坐标和粗糙脑区标记的普遍实验场景中同样高度实用。
时间与局部流形连续性的鲁棒保持：在未见动物测试时，基线流形算法（CEBRA、MARBLE、LFADS）由于输入神经元索引任意置换，其潜空间轨迹完全碎片化或坍缩（时间距离相关性 < 0.18）；即便作者对基线抽样 1000 种最优神经元随机排序，本文方法仍全面占优。

亮点与洞察¶

用生物保守性破解神经科学维数灾难与跨个体对齐难题：该工作跳出了纯粹在神经电活动层面寻找统计流形对齐（manifold alignment）的旧思维，巧妙利用跨个体高度保守的细胞身份特征作为锚点，用软路由消解了排列变动。
即插即用的零样本跨个体泛化范式：无需针对新动物进行费时的少样本微调（fine-tuning）或复杂的无监督配准，在推理阶段参数完全固定即可直接摄入异构神经元群体。
理论置换不变性与工程实用性的统一：形式化证明了分层共享网络结合归一化求和聚合的严格排列不变性，同时配合子集采样集成技术，使该方法能在消费级单卡（RTX 3090）上轻松扩展处理数十万细胞量级的全脑记录。

局限与展望¶

依赖解剖参考坐标系与图像配准精度：空间坐标与脑区信息的前提是能够将实验个体高精度配准到通用脑图谱（如 mapzebrain 或 CCF），配准误差和个体解剖畸变会直接转化为身份噪声。
多模态生物特征的采集门槛：虽然无转录组版本依然表现强劲，但最强性能依然依赖同步单细胞测序（如 WARP 平台）这类前沿且昂贵的硬件系统。
未来方向：探索无监督或自监督身份表示学习，将连接组学（Connectomics）图拓扑融入身份向量；扩展至清醒灵长类等更高阶认知任务中。

评分¶

新颖性: ⭐⭐⭐⭐⭐ [首次以多模态神经元生物学身份为结构化基准破解跨个体神经动力学对齐难题]
实验充分度: ⭐⭐⭐⭐⭐ [跨全脑斑马鱼与小鼠视皮层、跨钙成像与电生理双模态，指标包含解码与流形几何并附严格排列与消融验证]
写作质量: ⭐⭐⭐⭐⭐ [数学推导严密、问题针对性极强、叙述逻辑层层递进]
价值: ⭐⭐⭐⭐⭐ [为大规模脑机接口与多受试神经基础模型（Foundation Models for Neurotechnology）提供了极具前景的通用架构范式]