基于模型构建——计算神经科学的十年回顾与展望：以Potjans-Diesmann皮层微电路模型为例

《Cerebral Cortex》：Building on models—a perspective for computational neuroscience

本文针对计算神经科学领域模型复用率低、共享困难的问题，回顾了Potjans-Diesmann 2014年发表的皮层微电路模型（PD14）在过去十年作为研究构建模块、理论验证基准和模拟技术驱动力的成功经验。通过专家研讨会总结，文章阐述了PD14模型在促进多尺度脑模型构建、平均场理论验证、模型共享平台发展以及神经形态计算基准测试等方面的广泛影响，强调了将复杂脑模型作为可复用、可维护的科研基础设施对未来计算神经科学发展的重要意义。

　　

在探索大脑奥秘的征程中，计算神经科学扮演着至关重要的角色。它试图通过数学模型和计算机模拟，将分散的神经观测数据整合成一个连贯的整体。然而，该领域长期面临着一个严峻的挑战：尽管神经电路模型对于整合神经系统观测数据至关重要，但科学实践却深受可重复性问题的困扰，电路模型的复用率极低。许多研究仍倾向于使用通用编程语言（如MATLAB、Python或C）从头开始构建模型，这不仅造成了资源的浪费，也阻碍了知识的有效积累和模型的迭代发展。这种“重复造轮子”的现象，呼唤着一个能够被广泛接受、并可作为科研基础设施的基准模型的出现。

正是在这样的背景下，由Potjans和Diesmann于2014年正式发表的皮层微电路模型（简称PD14）成为了一个罕见的例外，并闪耀出独特的光芒。该模型代表了早期感觉皮层下1平方毫米区域内发现的神经回路结构。在开放科学和FAIR（可发现、可访问、可互操作、可复用）原则的精神指导下，作者以多种形式将PD14提供给研究界，包括使用模拟器无关语言PyNN编写的版本，并共享在Open Source Brain平台上。这个包含约77,000个神经元和3亿个突触的复杂模型，可以用不到400行的Python代码（不含文档）来指定，并能在现代笔记本电脑上进行模拟，尽管系统性的探索仍需借助计算集群。

在PD14模型发表十周年之际，来自三大洲的专家，包括资深科学家、计算神经科学家和电气工程师，于2024年4月3日至4日齐聚亚琛工业大学的研究文化学院，共同评估了PD14对计算神经科学及相关学科研究实践与文化的影响。本次报告汇总了研讨会参与者的观察与思考。

PD14模型的影响是多方位的。它最初旨在深入理解网络结构与动力学之间的神经科学联系，但很快便以多种方式刺激了研究。首先，科学家开始将PD14作为构建更复杂脑模型的基石。其次，该模型成为验证网络动力学平均场分析的热门测试平台。第三，PD14在塑造模型共享方法方面发挥了重要作用，特别是在欧洲大型项目FACETS、BrainScaleS和人类脑计划中，它作为新兴PyNN语言的一个挑战性测试案例，并后来成为在Open Source Brain等平台上记录和管理复杂模型代码以促进复用的范例。最后，该模型作为神经形态系统的关键基准，推动了模拟技术的边界。

关键技术方法概述

为开展这项回顾性研究，研究人员主要依托于对PD14模型十年间应用案例的梳理和分析。关键方法包括：1) 模型构建与共享：使用PyNN等模拟器无关语言构建皮层微电路模型，并通过Open Source Brain、ModelDB等平台实现模型的FAIR化共享；2) 多尺度模拟与验证：利用NEST、GeNN、SpiNNaker、NEST GPU等模拟器（包括CPU、GPU和神经形态硬件）对PD14及其衍生模型进行大规模仿真，并通过尖峰统计量（如变异系数、相关系数）比对验证模拟准确性；3) 理论分析：应用平均场理论、介观理论等数学工具对微观模型进行降维和理论分析，探索网络动力学机制；4) 性能基准测试：建立以“求解时间”和“每突触事件能耗”为核心指标的标准化性能评估框架，用于比较不同计算平台的效率。

PD14作为构建模块

注意力的模型化复用

Tomoki Fukai报告了利用PD14模型研究视觉皮层中注意力机制的工作。作为日本K计算机项目的一部分，Wagatsuma等人通过横向连接两个PD14模型构建了一个最小视觉皮层电路模型，以探索空间和基于特征的注意力对视觉皮层神经元方向选择性处理的差异化影响。该模型同时解释了空间注意力中神经元反应的倍增缩放和特征注意力中方向调谐曲线的加性调制。此外，模型还预测了不同皮层层之间注意力调制的对比差异。进一步的研究涉及局部皮层电路中伽马（30-80 Hz）和贝塔（20-30 Hz）振荡的产生机制，通过引入包括PV、SOM和VIP在内的抑制性中间神经元亚型，模型揭示了不同抑制性中间神经元类别在视觉感知中的 distinct 和协同作用。

重新实现与修改PD14

Antonio Roque强调了PD14模型及其标准化文档如何减轻了小型研究团队重建皮层柱解剖结构的负担。他的实验室开发了PD14的多种变体，保持了原始模型的随机图结构，但采用了不同的神经元模型，如自适应指数积分发放神经元和随机神经元。这些修改对网络的自发活动产生了显著影响。复制复杂的PD14模型也被证明是训练计算神经科学学生的宝贵经验。

具有更大解释范围的模型构建模块

Sacha van Albada讨论了PD14如何自然成为多脑区皮层模型的构建模块。通过将微电路的详细属性适应每个脑区的特性，多脑区模型可用于将局部和全局皮层连接与多尺度静息态动力学联系起来。例如，Schmidt等人（2018a, 2018b）建立了一个模拟猕猴一侧半球所有视觉相关脑区的模型，再现了低频功率增强、活动沿视觉层级向下传播以及静息态BOLD fMRI相关的脑区间相关模式。Pronold等人（2024a, 2024b）进一步 refined 了该模型，通过引入兴奋/抑制神经元联合聚类，增强了局部平衡，实现了更合理的发放率分布和更稳健的前馈/反馈活动传播，并成功模拟了人类皮层半球的多脑区动力学。

PD14作为参考

驱动分析性粗粒度描述的详细解剖模型

Tilo Schwalger指出，PD14模型作为微观模型，是进行平均场理论降维和数学分析的理想基础。其结构化的、大致均匀的神经元群体以及基于积分发放神经元模型的特性，使其非常适合平均场约简。研究者开发了如DiPDE（含位移的偏微分方程）和基于广义积分发放神经元（GIF）的介观理论等方法，能够精确捕捉有限尺寸涨落和快速非平稳动力学，并实现了相对于微观模拟约150倍的加速。这些理论框架为进一步理解皮层电路动力学提供了强大工具。

模型认识论：如何在面对数据时选择模型

Alexandre René探讨了在大型模型参数空间中存在的“认知不确定性”问题，即许多不同的参数组合可能定义出功能非常相似的模型。他提出了一种考虑实验重复变异性的模型比较方法，通过将模型预测与观测之间的差异用于预测模型预期损失（风险）的不确定性，来帮助识别受数据支持的最佳参数集，从而确保模型选择的科学相关性。

PD14驱动模型共享

共享平台与标准

Padraig Gleeson介绍了Open Source Brain（OSB）等模型共享和标准化倡议。OSB平台上的PD14仓库提供了该模型的多种版本（NEST SLI脚本、PyNEST Python脚本、PyNN实现以及NeuroML2导出），并提供了可视化、模拟和分析工具。PD14这样的稳健且维护良好的模型也有助于测试平台底层的基础设施，例如OSB模型验证框架，用于测试模型代码在不同模拟器版本或依赖项下的一致性行为。

将模型与模拟解耦

Andrew Davison回顾了神经科学中模型共享的努力历程，强调了PD14作为PyNN建模语言的挑战性用例，如何促进了模拟器无关模型描述的发展。他指出了当前大多数共享模型代码缺乏清晰接口的问题，并提出了一个基于SciUnit框架和“能力”概念的标准化模型接口提案，旨在将程序化模型定义与模拟、刺激、数据管理、分析和可视化等周围代码解耦，从而提高模型的可复用性，并迈向基于组件的、建设性的计算神经科学。

PD14作为神经形态基准

神经形态硬件的建模

Oliver Rhodes介绍了SpiNNaker神经形态平台。PD14模型作为首个在该硬件上成功模拟的皮层微电路模型，成为了评估和优化SpiNNaker性能的重要基准工具。通过分析模型与底层硬件的交互，研究人员开发了异构核心集群配置等优化策略，最终实现了模型的实时模拟，并将能耗降低至每突触事件0.6微焦耳，展示了神经形态计算的能效潜力。

GPU加速模拟

Thomas Nowotny阐述了PD14对GeNN软件发展的影响。该模型推动了GeNN在初始化算法（如使用“连接性代码片段”在GPU上并行初始化模型）和连接处理（如自动合并具有相同动力学模型的神经元和连接组）方面的优化。随后，基于PD14的多脑区模型进一步催生了“程序化连接”等创新方法，使得在单个GPU上高效模拟极大网络成为可能。

优化NEST GPU

Gianmarco Tiddia介绍了NEST GPU的发展，并讨论了PD14如何促进了其优化。PD14被用于测试新版本代码的正确性。针对初始化时间的瓶颈，研究团队提出了直接在GPU上运行时初始化的新算法，将全尺度PD14模型的初始化时间缩短至约0.5秒，显著提升了模拟效率。

neuroAI_x的诞生

Tobias Gemmeke介绍了专为加速大规模神经科学模拟而设计的neuroAI_x FPGA集群。PD14模型作为具有现实发放率统计特性且定义清晰的基准，是驱动该平台开发和完善的重要因素。neuroAI_x成功实现了PD14模型20倍于实时速度的模拟，验证了其作为可行神经科学模拟平台的潜力。

研究结论与意义

研讨会总结指出，在PD14模型发表后的十年里，神经科学领域在应对其“软件危机”方面取得了进展。可靠软件开发技术得到发展和广泛应用，研究软件工程作为一个领域正在兴起。同时，科学软件的生命周期远长于硬件，这意味着相关的科学软件需要作为科学基础设施来运营和维护。

在人类脑计划等大型项目中，科学家们更加认识到将特定神经科学模型与通用模拟引擎正式分离的价值。模拟引擎可以作为基础设施持续优化，而多种网络模型可以使用同一引擎进行探索。PD14的例子表明，神经元网络模型可以保持超过十年的相关性。与此同时，模型正变得如此复杂，以至于无法再用几十行代码表达。因此，不仅模拟引擎，脑模型本身也正在成为需要长期维护的科学基础设施。OSB、ModelDB、EBRAINS知识图谱等开放模型库以及PyNN、SONATA、NeuroML等模拟器无关模型规范语言，为模型共享和模型作为基础设施的确立提供了关键支撑。

实验技术的飞速发展，特别是三维电子显微镜、高通量电生理等技术提供的海量标准化数据，为构建具有更大解释范围的、更精确的脑模型奠定了坚实基础。这预示着结合人工智能技术和新型实验技术，将自上而下和自下而上的建模方法推向新水平的可能性。

尽管面临教育和社交层面的障碍（例如许多研究仍基于临时性模型），但国际高级计算神经科学课程已经培养出新一代研究人员，他们善于使用现有模型作为构建模块，并熟练运用数字工具解决挑战性问题。OSB和EBRAINS等研究基础设施提供了强大的无安装平台，正在降低使用复杂模型的技术和心理门槛。

综上所述，PD14模型的成功经验表明，计算神经科学可能正迎来一个新的黎明，即从个体发现为主的科学，转向能够利用大规模科研基础设施解决更复杂问题的科学。这将要求研究者在一定程度上放弃部分个体独立性，但回报将是对大脑工作机制更深刻、更系统的理解。将复杂脑模型发展为可复用、可维护的科研基础设施，对于计算神经科学的持续进步至关重要。