Nature Reviews Neuroscience 创刊二十年，杂志邀请了领域内的专家进行了观点分享。主要问题如下：在过去的二十年中，神经科学领域发生了怎样的变化？您认为这段时期内该领域内最显著的发展是什么？您认为当前在您所在领域提出的最有趣的，最凝练的问题是什么？您对神经科学领域的哪些研究特别感兴趣？
brainnews编辑部摘选了部分专家的回答，与大家一起分享。
神经科学关注这样一个问题：感觉输入如何转化为运动输出以产生适当的行为？然而，过去二十年来，人们认识到有必要扭转这一传统观点。最近的一系列研究表明，运动信号在行为过程中会深刻影响感觉处理。跨感官系统的实验已经提供了神经环路层面的证据：运动相关的感觉皮层输入有选择地抵消由自身运动产生的感官输入。这是大脑必不可少的基础特征：有能力区分外部施加的（exafferent）和由自身（运动）产生的（reafferent）感觉输入。例如，我们小组的工作已经确定，在前庭处理第一阶段的神经元优先编码外部感觉。此外，其他感觉途径（例如视觉，躯体感觉和听觉）的研究显示，在较高的感觉处理水平（包括在皮层中），与运动相关的输入会抑制自身感觉信息。大脑根据与运动有关的输入来预测（由运动产生的）感觉输入的能力对于感知稳定性和精确的运动控制都至关重要。区分感觉信息来自外部还是由于自身产生，是高级感知和认知过程的标志。这对于我们发起和控制自己的自主行动的主观意识至关重要。于是，产生了一个基本的问题：在动态变化的世界中，大脑究竟如何准确预测我们的行为的感觉输入？
Simon B. Eickhoff
Heinrich-Heine University
得益于在体神经成像技术的发展，认知和系统神经科学在过去二十年中经历了爆炸性发展。其中，样本数量的增加无疑是引人注目的。90年代的MRI研究中，样本数量小于10很正常。如今，包含几十甚至上百个被试的研究都是很普遍的。此外，对于不要求执行特定任务的数据，规模达10,000人的分析已经变得可行。这些变化的一个主要驱动力是研究目标的演变。早期研究集中于个体间可以轻松辨别的差异，但是随着范例变得更复杂，条件之间的差异也越来越微妙，差异需要更多的样本数量才能显现。此外，尽管在群体分析中 “与XX相关的神经因素”一直是该领域的主导，但最近，个体间差异已成为人们关注的焦点。大样本量也促进人们越来越重视使用机器学习进行研究。和单变量关联研究相比，机器学习更适合基于大量MRI数据进行多元模型研究。后者还可以预测个体表型（例如行为）之间的差异。尽管机器学习领域仍需要进一步成熟和巩固，但是它已经使神经成像研究的实际应用触手可及。在神经科学领域，以Broca和Lichtheim为代表的争议一直活跃：“局部主义”（不同脑区不同功能）和“连接主义”（强调脑区间连接）。前者以基于任务的功能MRI（fMRI）识别条件之间活动差异的能力而广受欢迎，而后者则随着研究体内结构和功能连接方法的发展而激增。最近，在群体或个人层面上进行在体脑成像的新方法进展，以及对网络理论和动力学系统建模的日益关注，为这两种观点提供了新证据。不过，对于区域功能和大脑中系统的交互作用的统一解释仍然是未来的关键挑战。
Martha J. Farah
University of Pennsylvania
在神经科学的悠久历史中，大部分研究主要围绕两个主要目标：了解大脑；缓解神经和精神疾病。最近，加入了第三个目标：在非医学领域，提供多样化的贡献。从神经美学到神经战，以“神经”为前缀的新研究学科激增。“神经”前缀使用的历史性转变是在新世纪之交左右到来的，因此我们距“神经+一切”时代已有20年。原则上，神经科学与任何试图了解，预测或影响人类行为的领域都有关系。它在实践中是否以及何时变得有意义需要时间来证明，并且已经在一些领域有了进步。例如，在法律领域，鉴于少年犯的大脑发育不完全，神经科学帮助制定了单独的刑罚标准；涉及疼痛索赔的案件中，疼痛无法衡量，容易作弊。对疼痛的脑成像研究发现了潜在的生物标记物，有利于衡量标准的建立。神经营销则从情感和注意力的角度揭示消费者的偏好，从而解决营销偏好会被主观隐藏的问题。神经科学并没有彻底改变了我们的教育，经商或追求正义的方式，但是它的贡献已经显现。不过，将神经科学应用于复杂问题缓慢又困难，耐心和开放的心态是进步所必需的，时间会证明一切。
Yukiko Goda
RIKEN Center for Brain Science
在过去的二十年中，神经科学研究受技术进步的推动，能够以越来越高的时空分辨率在越来越宽广的脑区操纵和监视行为小鼠的神经活动。这极大地提高了对认知和行为背后的神经环路认识。Omics方法（转录组、蛋白质组和连接组学）也为大脑的分子和细胞结构提供了新颖的观点，揭示了各个脑区复杂的细胞和亚细胞差异。突触生物学领域，对突触组织和可塑性的分子基础也有了深刻见解。例如，我们已经了解到，突触粘附蛋白组合对突触特异性的作用：神经元可以将不同的递质包装到单个突触小泡中，有时甚至是谷氨酸和GABA，并且介导突触传递的物质可以动态地移动到单个突触的边界。树突中局部蛋白质翻译现已公认。总的来说，这些发现强调了突触具有广泛的可塑性。兴奋性神经元通常有数万个突触，每个突触都具有各种形式的可塑性。一个关键问题是整合我们对神经环路以及突触变化两个层面上的认识。例如，突触层面的Hebbian可塑性如何驱动以神经网络为基础的记忆？此外，我们对相邻突触如何相互作用、突出前可塑性如何影响环路功能，仍然知之甚少。未来，细胞生物学还需要更多的突触研究。例如，超分辨率显微镜使人们对参与突触的粘附的纳米柱有所了解。但是此类纳米柱的功能以及与递质释放的关系尚不清楚。此外，胶质细胞和胞外基质对突触传递作用也至关重要。最后，即使在同一神经元中，突触也是高度异质的。了解特定环路功能下突触多样性的产生方式，可能会为大脑中突触信息处理提供新的见识，并可能有助于解决与突触功能障碍有关的疾病，其中许多机制尚待阐明。
Hailan Hu
Zhejiang University
（近二十年）我看到了精神神经科学领域的蓬勃发展。与通常有明显病变位置的神经疾病相比，精神疾病通常病因不明。不过，由于许多新的神经机制发现和范式转移，神经病学和精神病学之间的界限变得越来越不明显。近来，新范式利用脑部成像和操纵的革命性工具，以前所未有的时空精度直接测量特定神经回路活动与行为或疾病状态之间的因果关系。特别是在光遗传、化学遗传学的帮助下，研究人员可以通过激活或抑制相关的神经回路来模仿或缓解动物模型中不同的精神状态，例如强迫症、成瘾和抑郁。从而明确精神疾病的病因，表征神经活动模式并查明相关大脑区域的分子和细胞异常。另一个有趣而激动人心的发展是社会神经科学的兴起。由于社会行为涉及变量非常复杂，该领域的研究过去一般在相关水平上进行。现在，通过在实验室中实施可控的行为范式，利用行为监测、识别和操纵的新技术，我们能够在多个层面上进行更直接的因果关系研究，包括分子，细胞和神经环路层面。最令人兴奋的是，一些研究开创了同时追踪多只动物的行为模式、生理参数甚至神经活动的先驱。这样的进步对于研究复杂自然环境中的社会互动特别有帮助。在我看来，精神神经科学中一个有趣的大问题是某些药物如何快速改善或诱发某些精神症状。例如，作为NMDA受体的拮抗剂，苯环利定可以迅速诱发精神分裂症的症状，而氯胺酮可以迅速缓解抑郁症的症状。在研究方面，我个人最兴奋的是社会支配地位如何塑造不同的行为特征，以及哪些特殊的药物特性使氯胺酮具有快速而持续的抗抑郁作用。
Sheena A. Josselyn
University of Toronto
记忆通过大脑的持久变化进行存储的想法已有数百年历史。但是直到20世纪初，才引入“记忆痕迹（engram）”一词来描述用于存储和回忆记忆的神经变化。即：一种经验，会引起一小部分细胞发生物理化学变化从而成为印记，并在需要时以类似内存检索的方式提取出来。但是实验中却难以找到这种印记。不过在过去的20年中，越来越多的新工具使科学家不仅可以发现，还能操纵脑中的“印迹细胞（engram cell）”。这种锁定印记的能力是改变“游戏规则”级别的。和过去只能研究广泛的细胞群体的变化相比，此技术可以研究单独的engram细胞的变化，而不会影响其他细胞。一些实验室的最新研究表明，仅通过操纵细胞集合，就可以在小鼠体内人工创建的感知或记忆，而无需任何外部刺激。此外，在记忆痕迹水平进行研究，将使得我们对记忆的了解更深刻。例如，我们将能了解记忆痕迹如何由细胞组织、如何再提取以及随着时间的动态变化。当然，该领域仍然有许多问题没有解决。例如，信息到底是如何（以及在哪里）存储在大脑中的？它存储在细胞集合体、突触、分子还是DNA中？而且，从根本上讲，“信息”是什么？要解决这些“硬”问题，可能需要研究人员在研究人类，啮齿动物，鱼类，苍蝇甚至计算机上的记忆时进行交叉和综合。
Panayiota Poirazi
Foundation for Research and Technology-Hellas (FORTH) in Heraklion, Crete, Greece.
作为树突狂热者，我为他们丰富的电导特性以及它们对电，化学和分子信号进行分隔并支持局部锋电位（local spike）的能力而感到兴奋。结合计算建模和这些发现，树突不应再被视为电缆，而应被视为强大的计算单元。如今，新工具可以跟踪体内的突触活性和可塑性，表征单个神经元的输入以及选择性地控制活性。计算建模已经发展到可以在单个神经元和环路水平上考虑树突信息处理问题。在过去的十年中，理论和实验科学家之间也进行了更紧密、更富有成果的合作。现在，许多模型提出的树突功能已在清醒动物中得到验证，例如学习和记忆，感觉，导航、知觉和麻醉。然而，我们目前的大多数了解仅限于单个神经元。在树突功能和行为之间建立因果关系是最终的挑战。联线协同的方法对于实现此目标至关重要。例如，在各种行为中监视来自不同细胞类型和大脑区域的突触，树突和神经元活动从而建立大尺度的网络模型。我相信在人工智能（AI）中借鉴树突性质，具有广阔的前景。这些努力将在未来几年内开启生物启发式机器学习和AI的全新时代。更多精彩的内容，请参见原文：https://www.nature.com/articles/s41583-020-0363-6文献信息：Bassett, D.S., Cullen, K.E., Eickhoff, S.B. et al. Reflections on the past two decades of neuroscience. Nat Rev Neurosci 21, 524–534 (2020). https://doi.org/10.1038/s41583-020-0363-6
作者信息
编译作者：Sniper（brainnews创作团队）
校审：Simon（brainnews编辑部）
欢迎加入超过 18000人的
全球最大的华人脑科学社群矩阵