PsyBrain 脑心前沿 / 神经技术与方法：顶刊文献解读专题 / A · 文献解读 / A046 · NatCommun实时、自适应的神经科学实验分析软件：让

A046 Nat Commun | 实时、自适应的神经科学实验分析软件：让实验拥有“实时大脑”！

来源：公众号 PSY-Brain_Frontier ｜发布：2025-11-26 ｜原文链接

PsyBrain 脑心前沿 | 公众号 PSY-Brain_Frontier

一键关注，点亮星标 ⭐️

不错过每日前沿资讯

认知神经科学前沿文献分享

基本信息

Title:A software platform for real-time and adaptive neuroscience experiments

发表时间：2025.11.11

Journal：Nature Communications

影响因子：15.7

获取原文：

*添加小助手:*PSY-Brain-Frontier即可获取PDF版本
点击页面底部“阅读原文”即可跳转论文原网页

研究背景

近十年来，系统神经科学在技术上取得了突破性进展，高通量成像和电生理技术引发了一场神经和行为数据的“大爆炸”，产生了大量高维度（high-dimensional）的数据。然而，这种数据体量的增长却揭示了传统实验范式的局限性：研究通常局限于检验预先确定的假设，并严重依赖于数据采集完成后的事后分析。

这种“先采集、后分析”的分离机制，直接导致了在有限实验时间内检验复杂假设的效率危机。例如，仅少数视觉刺激参数的组合就可能衍生出数千种实验条件，使得传统的穷尽式采样在统计功效上难以保证。此外，许多关于神经回路如何驱动自然行为的复杂问题，要求研究者根据神经系统在实验进行时的动态状态实时调整操作，实现有意义的干预。

为了克服这一瓶颈，神经科学迫切需要转向自适应实验设计，即通过计算模型驱动持续的数据收集和实验操纵选择，实现闭环控制（Closed-loop Control）。然而，实现这种范式面临巨大的工程挑战，包括多硬件集成、对严格实时约束（real-time constraints）的要求，以及对复杂流式分析（streaming analyses）的灵活支持。正是在此背景下，Draelos等人在《自然·通讯》中介绍了improv，一个旨在为下一代自适应神经科学实验提供统一软件工程基础的平台。

Fig. 1: Design architecture of improv.

核心总结 & 软件平台亮点介绍

improv 是一款模块化软件平台，其核心创新在于通过优化底层软件工程，实现了建模、数据采集、分析和实时实验控制的灵活集成，克服了传统神经科学实验中的技术壁垒。

Fig. 2: improv provides streaming model-based characterization of neural function.

平台架构：高并发与零拷贝通信

improv 的设计精巧且具备高稳定性，其基础是并发系统中的简化版Actor 模型。系统中的每个独立功能（如数据采集、预处理、模型拟合）都被封装为独立的 Actor，并在独立的进程中并发执行（concurrent execution），确保了高容错性。

为解决高维数据传输的 I/O 瓶颈，improv 采用了基于 Apache Arrow Plasma 库构建的共享内存数据存储。Actors 之间不直接传递数据本身，而是通过消息传递数据在共享内存中的地址（键）。这种设计实现了零拷贝通信，是保障平台满足实时约束的关键。通过 Actors 和消息队列构成的有向图（directed graph），实验流程能够通过简单的文本文件灵活定义，极大地加速了快速原型设计。

Fig. 3: improv handles concurrent neural activity and behavioral video data streams.

模型驱动的五大闭环应用

improv 通过多个体内（in vivo）和体外（in silico）实验，验证了其在复杂自适应实验中的能力：

Fig. 4: Real-time latent neural trajectory prediction with improv.

实时功能分型与连接性估计：平台能够流式处理双光子钙成像数据，利用 CalmAn Online 等算法进行神经元活动提取，实现神经反应的快速功能表型鉴定。在斑马鱼实验中，improv 实时拟合了线性-非线性-泊松模型 (LNP Model)，通过随机梯度下降（Stochastic Gradient Descent）在滑动窗口内持续更新模型参数，实现了对功能连接的实时估计。在线模型拟合展现出快速收敛性，可实时得出接近离线分析的结果，显著节省了实验时间。
行为与神经活动的并发预测： improv 实现了高维行为视频与神经活动的同步流式分析。针对行为视频，平台部署了 proSVD 算法进行流式降维（streaming dimension reduction），将其稳定地投影到低维特征空间（如 10 维）。随后，利用流式岭回归（streaming ridge regression）模型实时预测神经活动，并能够在线识别出与神经活动具有最强预测性的行为特征（如小鼠非结构化运动）。
潜伏神经轨迹的实时预测：针对神经群体动力学研究，平台首先对尖峰数据进行降维，随后使用流式概率流模型 Bubblewraps，通过拟合高斯混合隐马尔可夫模型实时学习和预测潜在神经轨迹的转换矩阵。该模型能准确预测未来一秒内的轨迹演变，为基于群体状态的精确因果干预提供了实时反馈基础 。
闭环刺激优化： improv 集成了贝叶斯优化 (Bayesian Optimization, BO) 框架和高斯过程 (Gaussian Process, GP) 模型，用于在活体钙成像中自适应地选择下一个最优视觉刺激 。BO 通过最大化优先分数，巧妙地平衡了探索（高不确定性区域）与利用（高响应区域）。该方法验证了其高效性，平均仅需 8-20 次刺激即可确定神经元的峰值调谐（peak tuning），远超传统网格搜索的效率。
自适应光遗传靶向干预：平台实现了全光路实验中的模型驱动光遗传学光刺激。improv 实时计算神经元的定向调谐曲线，并根据这些功能特性和光敏蛋白表达水平，自动选择目标神经元进行因果扰动（causal perturbation）。这使得研究者能够根据神经元在回路中的实时功能角色，而非预设的解剖位置，进行高精度、自适应的靶向干预。

Fig. 5: improv enables closed-loop optimization of peak neural responses.

图10

Fig. 6: Adaptive optogenetic photostimulation target selection during functional calcium imaging in zebrafish.

图11

Abstract

Current neuroscience research is often limited to testing predetermined hypotheses and post hoc analysis of already collected data. Adaptive experimental designs, in which modeling drives ongoing data collection and selects experimental manipulations, offer a promising alternative. However, such adaptive paradigms require tight integration between software and hardware under real-time constraints. We introduce improv, a software platform for flexible integration of modeling, data collection, analysis pipelines, and live experimental control. We demonstrate both in silico and in vivo how improv enables efficient experimental designs for discovery and validation across various model organisms and data types. We used improv to orchestrate real-time behavioral analyses, rapid functional typing of neural responses via calcium imaging, optimal visual stimulus selection, and model-driven optogenetic photostimulation of visually responsive neurons in the zebrafish brain. Together, these results demonstrate the power of improv to integrate modeling with data collection and experimental control to achieve next-generation adaptive experiments.

前沿交流 | 欢迎加入认知神经科学前沿交流群！

⭐️[解读链接]

图12