Unveiling the Neural Dynamics Underlying Natural Behaviors
2026年9月9日上午，北京脑科学与类脑研究所邀请伯明翰大学（University of Birmingham）刘建教授开展了一场题为“Unveiling the Neural Dynamics Underlying Natural Behaviors”的学术报告。报告由脑所研究员李雅堂主持。
刘建教授
英国伯明翰大学计算机科学学院人类脑健康中心副教授
刘建教授在美国加州大学洛杉矶分校（University of California, Los Angeles，UCLA）获得数学博士学位，现任英国伯明翰大学计算机科学学院人类脑健康中心（Centre for Human Brain Health, University of Birmingham）副教授。刘建教授还担任《PLoS Computational Biology》等学术期刊副主编，其研究成果发表于《Nature Communications》《Nature Biomedical Engineering》《Journal of Neuroscience》《eLife》《PLoS Computational Biology》《Journal of Neural Engineering》以及IEEE TPAMI、IEEE TNNLS等国际权威期刊与NeurIPS、CVPR、ECCV、AAAI和BMVC等国际学术会议。
刘建教授的研究结合脑信号分析与计算建模，分析大脑在单神经元、神经环路和行为等不同尺度上的信息传递过程，并关注细胞类型组成、树突结构和突触动力学等因素对神经计算的影响。相关工作覆盖感知、学习、记忆和运动控制等过程，并探索这些计算机制与神经系统疾病功能恢复之间的联系。
报告首先介绍了如何将神经解码模型作为衡量信息表征的计算“标尺”，探索大脑的层级结构与视觉信息处理的关系。团队首先记录了蝾螈视角下的自然场景及其视网膜神经节细胞（Retinal ganglion cell，RGC）活动，分别建立计算模型，将视觉输入转换为神经信号，以及从神经信号中解码动物看到的场景。在此基础上，团队利用Allen Brain Observatory的Neuropixels数据，对小鼠视觉皮层、皮层下核团和海马等13个脑区的神经活动进行解码。结果显示，靠近感觉输入端的脑区，如初级视觉皮层（Primary Visual Area，VISp），保留了更多可用于重建视觉刺激细节的信息。随着信息逐渐被加工，进入高级视觉皮层（Higher Visual Areas, HVAs）后，模型仍可重建主要视觉内容，但可恢复的细节减少。在与学习和记忆相关的脑区如海马CA1（Cornu Ammonis 1）区，重建图像更加模糊。由此，解码模型不仅可以用于重建视觉场景，也可作为统一的度量工具，比较不同脑区神经活动中可被读取的视觉信息。团队还进一步探索视觉刺激与光遗传刺激之间的跨模态解码，在统一的计算模型和度量下比较自然视觉输入与人工神经调控形成的神经表征。
Chen et al., PLoS Comput. Biol., 2024
随后，刘建教授介绍了计算建模在解释神经机制中的应用。团队利用患者开颅手术期间获得的微电极记录数据，建立细胞、网络和系统三个层次的计算模型，分析微观异常如何逐级放大，并最终表现为脑网络紊乱和临床症状。以肿瘤相关癫痫（Tumor-associated seizures，TAS）为例，模型显示，树突输入的微小增强可以通过神经元的非线性机制显著放大，并进一步诱发网络过度同步。模型重现了临床观察到的阵发性去极化移位（Paroxysmal depolarizing shifts，PDS）现象，肿瘤周围神经元中出现的PDS可能与患者术后癫痫发作风险相关，为疾病机制研究和潜在风险评估提供了新的线索。
Bouwen et al., Nat.Commun., 2025
在感知和疾病机制之外，报告还讨论了学习与运动种神经信息表征的动态变化。听觉联想学习实验发现，经过声音与奖励的关联训练后，初级听觉皮层（primary auditory cortex，A1）中少量神经元由普通放电转变为高频、持续的簇状放电，其中部分细胞只对学习过的声音产生强烈响应表明学习可以使单个神经元形成稀疏而整体性的对象编码。在运动研究中，团队观察到运动相关脑区在运动期间依次活跃，呈现出具有层级性的动态传播模式。运动准备和运动执行阶段的神经群体活动位于近似正交的低维神经流形中，使大脑能够在实际动作发生前完成运动计划。基于实验中观察到的神经动力学规律，团队进一步建立计算模型，预测不同脑区在运动准备和执行过程中的活动变化，同时模型中的神经元形成了与真实神经元相似的运动方向偏好。
Yin et al., BioRxiv, 2026
从感觉信息的层级解码，到脑疾病的跨尺度建模，再到学习与运动神经动力学的重建，刘建教授团队围绕大脑信息处理的核心问题展开了多尺度研究，计算模型建立了实验数据与神经机制之间的联系，为理解大脑的计算规律提供了新的视角。
报告的最后，听众对报告内容展开深入讨论及提问，主要包括计算模型的结构与神经基础，神经信号重建的目标，多模态数据的整合方式，以及神经科学发现如何推动计算模型的发展等等。刘建教授对以上问题进行了详细解答。
撰稿人：李春鹏
