推断神经计算的中尺度模型

近年来，测量大脑中大量神经元群体的活动与连接性的技术取得了显著进展。然而，随着这些技术变得日益强大——甚至使我们能够设想测量整个大脑中的每一个神经元——一个新问题随之产生：我们如何理解这些技术产生的海量数据？在此，我们主张构建一种中间或“中尺度”计算理论的时机已经成熟，该理论能够在神经功能的单细胞（微观尺度）描述与动物认知及环境复杂性的行为（宏观尺度）描述之间建立桥梁。正如传统计算机中数字计算的描述会抽象掉实现门和寄存器的模拟电路的非本质动力学一样，动物认知的计算描述也可以抽象掉神经元的非本质动力学。我们主张，神经回路的几何结构对于解释生物信息处理中固有的计算局限性与技术创新是必不可少的。我们提出了一份蓝图，说明如何利用现代机器学习的工具来自动推断出令人满意的神经计算中尺度描述，该描述结合了功能与结构数据，并侧重于学习与利用神经元回路中的规律性与重复基序。我们并非提出一种特定的理论，而是展示一类新的科学仪器，使神经科学家能够设计、提出、实现和测试神经计算的中尺度理论。