谷歌、哈佛大學(xué)、HHMI Janelia研究所和拉德堡德大學(xué)的科學(xué)家們聯(lián)合發(fā)布了，一項(xiàng)開創(chuàng)性的研究成果ZAPBench。

這是一個專門用于預(yù)測斑馬魚全腦活動的基準(zhǔn)測試平臺，并在2025年國際學(xué)習(xí)表征會議上發(fā)表，為神經(jīng)科學(xué)和機(jī)器學(xué)習(xí)的交叉領(lǐng)域帶來了新的突破。

在自然科學(xué)中，通過過去的觀測來預(yù)測系統(tǒng)未來行為的能力是理解該系統(tǒng)的關(guān)鍵標(biāo)準(zhǔn)。從天體力學(xué)到氣象學(xué)，預(yù)測能力一直是推動科學(xué)進(jìn)步的重要力量。然而，對于復(fù)雜的生物系統(tǒng)——尤其是脊椎動物的大腦，預(yù)測其活動一直是極具挑戰(zhàn)性的任務(wù)。

大腦由數(shù)十億個神經(jīng)元組成，這些神經(jīng)元通過復(fù)雜的網(wǎng)絡(luò)相互連接并傳遞信息。如何從海量的神經(jīng)元活動中提取規(guī)律，并準(zhǔn)確預(yù)測未來的活動狀態(tài)，是神經(jīng)科學(xué)和人工智能領(lǐng)域共同關(guān)注的焦點(diǎn)。

斑馬魚作為一種模式生物，因其透明的胚胎和幼體，以及相對簡單的神經(jīng)系統(tǒng)，成為了研究神經(jīng)活動的理想模型。斑馬魚的幼體在發(fā)育過程中表現(xiàn)出多種行為模式，這些行為模式與神經(jīng)活動密切相關(guān)。通過觀察和分析斑馬魚的神經(jīng)活動，科學(xué)家們希望能夠揭示大腦活動的基本規(guī)律，并為人類大腦的研究提供參考。

ZAPBench的核心是一個數(shù)據(jù)集，包含了斑馬魚幼體大腦中超過70,000個神經(jīng)元的4D光片顯微鏡記錄。這些記錄不僅捕捉了神經(jīng)元的活動，還通過先進(jìn)的后處理技術(shù)，包括運(yùn)動穩(wěn)定化和體素級細(xì)胞分割，為開發(fā)各種預(yù)測方法提供了便利。

ZAPBench的數(shù)據(jù)采集始于對斑馬魚幼體大腦的精細(xì)觀察。實(shí)驗(yàn)中，一條6天大的斑馬魚被放置在一個虛擬現(xiàn)實(shí)環(huán)境中，經(jīng)歷了九種不同的視覺刺激條件。這些條件包括增益適應(yīng)、隨機(jī)點(diǎn)運(yùn)動、閃光刺激、趨光性、轉(zhuǎn)向行為、位置保持、開環(huán)運(yùn)動、旋轉(zhuǎn)刺激和黑暗條件，旨在誘發(fā)斑馬魚表現(xiàn)出不同的行為模式，從而記錄其大腦中神經(jīng)元的活動。

這些刺激條件的設(shè)計(jì)，不僅涵蓋了斑馬魚在自然環(huán)境中可能遇到的各種視覺場景，還特別針對其神經(jīng)系統(tǒng)的響應(yīng)特性進(jìn)行了優(yōu)化，以確保能夠全面捕捉神經(jīng)活動的變化。

數(shù)據(jù)采集采用了光片熒光顯微鏡（LSFM）技術(shù)，這是一種能夠以細(xì)胞級分辨率記錄大腦活動的強(qiáng)大工具。通過快速移動的激光光片照亮大腦的薄平面，當(dāng)神經(jīng)元活動時，鈣流入細(xì)胞會觸發(fā)GCaMP蛋白發(fā)出熒光，從而間接測量大腦活動。然而，由于在記錄過程中，斑馬魚的大腦會發(fā)生彈性變形，導(dǎo)致神經(jīng)元的空間位置發(fā)生變化，研究人員開發(fā)了一種自定義的對齊流程。

他們估計(jì)了每一步的密集光流場，并使用彈性彈簧網(wǎng)格對這些光流場進(jìn)行正則化，以校正每一幀的圖像。此外，為了準(zhǔn)確預(yù)測每個神經(jīng)元的活動軌跡，研究人員使用深度學(xué)習(xí)方法對神經(jīng)元細(xì)胞體進(jìn)行了分割，并從對齊后的體積中提取了每個神經(jīng)元的活動軌跡。這一過程不僅需要高度精確的圖像處理技術(shù)，還需要對神經(jīng)元的生理特性有深入的理解，以確保分割的準(zhǔn)確性。

ZAPBench的基準(zhǔn)測試任務(wù)是根據(jù)過去的神經(jīng)元活動來預(yù)測未來的大腦活動。一種是基于較短時間（幾秒）的上下文窗口進(jìn)行預(yù)測；另一種是基于較長時間（幾分鐘）的上下文窗口進(jìn)行預(yù)測。

預(yù)測的目標(biāo)是在未來大約30秒內(nèi)，預(yù)測出神經(jīng)元的活動狀態(tài)。為了評估預(yù)測模型的性能，研究人員采用了平均絕對誤差（MAE）作為評價指標(biāo)。MAE是一個常用的預(yù)測性能指標(biāo)，它通過計(jì)算預(yù)測值與真實(shí)值之間的平均差異來衡量模型的準(zhǔn)確性。

此外，研究人員還定義了兩種簡單的基線模型：一種是基于過去活動平均值的預(yù)測模型；另一種是基于刺激條件的預(yù)測模型。這些基線模型為評估其他預(yù)測模型的性能提供了參考。