项目

交流是动物生活的一个基本方面，但我们对潜在的神经机制缺乏全面的了解。在交流过程中，大脑处理不同形式的感觉线索，随着时间的推移将这些线索与变化的内部状态相结合，并不断调整正在进行的动作。在这里，我们提出了一个雄心勃勃的合作项目，以研究大脑的完整接线图是如何产生影响从感觉到行动的社会互动的全脑活动模式的。特别是，我们将利用果蝇独有的新型连接组学资源和功能成像方法，结合深度学习和统计方法在分析神经和行为数据方面的最新突破，来研究雌性苍蝇如何在求偶过程中与社交伙伴动态交流。

完整项目

运动是动物与世界互动的主要方式。为了产生哺乳动物难以置信的适应性和复杂行为，大脑的许多区域必须协同工作，以产生控制信号并结合反馈。然而，由于反馈在这些电路中广泛存在，因此要理解高度连接区域的不同作用，并梳理从输入中继承的信息，本地计算的信息，以及从下游区域反馈的信息，都是一个挑战。为了解决信息流和区域间通信的问题，我们将在鼠标中链接三种互补的方法：高级行为、状态空间方法和投影跟踪。

完整项目

每次我们睁开眼睛，我们都会吸收太多视觉信息，让大脑无法完全处理。为了解决这个问题，我们的大脑已经学会了挑选视觉场景中最重要的细节，并迅速决定如何根据这些信息采取行动。

这一过程需要多个组成部分——大脑的某些部分对感官信息进行编码，有些部分在做出决策时保留这些信息，有些部分对感官和认知信息进行解码以对其采取行动。我们想确定大脑的各个部分是如何对信息进行编码、相互传递和解码的，这是大脑正常功能的基础。我们将记录动物执行视觉决策任务时大脑中的电活动。因为我们可以同时记录大脑不同部位的多个神经元，所以我们可以分析这些不同区域是如何相互沟通的。例如，即使在感知相同的刺激或做出相同的动作时，大脑的活动模式也会发生变化。这种变化如何影响大脑的一部分与另一部分的沟通？根据动物的内部状态或任务的性质，沟通是如何变化的？这些变化会增强学习或其他认知功能吗？然后我们将建立大脑皮层神经网络的计算机模型，并将这些模型与我们的数据进行比较。我们的模型可以模拟大脑区域在传递信息之前如何处理信息，以及不同的处理策略如何影响大脑的传输。然后，我们可以将我们的预测与记录中观察到的数据进行比较。我们预计这些基本发现将广泛适用于任何物种，包括人类。

完整项目

决策能力是认知的核心，但其潜在的神经机制仍有很多未知之处。由于决策在基础计算（如刺激处理、记忆）及其时间尺度（分割秒数、分钟数）方面存在很大差异，这在一定程度上阻碍了进展。直到最近，另一个障碍是我们大规模记录神经动力学的能力有限。因此，我们对决策的了解大多来自于对单个区域在单个任务中的作用的研究。然而，越来越清楚的是，决策是由分布式皮层动力学支持的。然而，我们仍然不理解分布式动力学的特征是如何随着特定决策下认知计算的类型和时间尺度而变化的。我们的目标是通过在决策计算的参数化任务空间及其时间尺度上，以中尺度或细胞分辨率记录和扰动大脑皮层的神经动力学，来填补这一空白。

完整项目

人脑是一个令人畏惧的物体：它包含近1000亿个神经元，每个神经元与大约10000个其他神经元相连，在大脑中形成了100万亿个总连接。为了使事情更复杂，每个神经元每秒可以激发数百次。

理解这场暴风雪般的活动是科学的最后一个前沿领域。大脑的基本功能，如计划、决策和行为，需要多个大脑区域和数千或数百万个神经元，产生复杂的神经活动模式。确定这种不断变化的活动的哪些方面与手头的任务相关，以及它如何最终导致思想和行为，可能会成为一个无法克服的挑战。有人可能认为，研究非常简单的行为将有助于我们解决这一挑战。然而，情况可能恰恰相反——解决方案可能在于使我们研究的任务更加复杂。通过研究大脑如何在许多不同的环境中解决同一个问题，我们的团队旨在更好地区分大脑活动的相关、不变的组成部分——这些组成部分在所有环境中都是通用的——和可变的组成部分，因此对手头的任务并不重要。我们寻求建立一个数学框架，来解释不变量是如何从看似混沌的神经活动中产生的，以及它们的动力学是如何实现驱动行为所需的计算的。我们将此框架称为“计算贯穿动力学”我们将通过将实验和理论方法紧密结合在我们的团队中，确保我们的数学描述与大脑的现实保持一致。通过这种跨学科的方法，我们希望能够使理解人脑1000亿个神经元的任务变得更容易处理。

完整项目

想象一下，一名网球运动员正手击球，但动作缓慢：有预期的步法、身体的调整、球拍的准备、上弦和手臂的摆动、球接近时的最后调整、接触和后续动作。体育教练和运动员直观地学习并将这种复杂的行为划分为离散的步骤。

球员将分别练习步法、挥杆和跟进。这个一般原则——动作可以分为一系列步骤——适用于我们做的任何动作。然而，最小的有意义的行为单位仍然是一个谜。语言学家将口语视为可以无限重组的音节，从他们那里获得灵感，我们试图发现行为的“音节”，以及产生这些音节的大脑活动模式。我们将利用新技术自动跟踪老鼠在笼子周围觅食和执行任务时的动作和身体位置。与此同时，我们将监测一个称为纹状体的大脑区域的活动，该区域涉及奖励、运动和认知。我们将使用一类新的数学模型，这些模型不会对行为是如何组织的做出很多假设，我们将把老鼠的正常行为分解为主题或音节，并将其与大脑活动联系起来。纹状体的监测特别有趣，因为它接收来自大脑多巴胺系统的输入。最近的研究表明，多巴胺系统启动了从一种行为到另一种行为的转换，为音节如何重组以创造无限的行为储备提供了基础。我们的研究结果不仅将阐明实验室老鼠的行为，甚至有一天可能解释职业网球运动员是如何正手击球的。

完整项目

想象一下你在河里划船。如果船停止相对于海岸移动，你可能会得出结论，河水已经上涨，决定加大划船力度。这个决定是感官信息和内部预测相结合的结果。

考虑到你划船的速度，你的大脑将你的实际位置与预期位置进行了比较，并得出结论，船的减速违反了你的感官预期。每次我们在世界上航行时，我们不仅进行当前的运动，而且预测我们的感官环境在运动时应该如何变化。大脑是如何做到这一点的，目前尚不清楚。我们假设你可以利用你过去的位置和当前的速度来创造我们称之为“情节状态”的东西，即预测未来感官体验所需的对过去和现在的最低知识。当动物在虚拟现实环境中导航时，我们将通过记录老鼠和苍蝇中许多神经元的活动来验证这个假设。利用虚拟现实，我们可以创造出物理定律成立或被违反的情况。例如，物理学规定，如果你以相同的速度向前和向后移动相同的量，你应该在相同的位置结束。我们可以打破这个规则，看看动物和它的大脑是如何反应的。这种设置使我们能够确定大脑如何计算其位置和速度，如何创建其情景状态的表示，以及如何使用这些信息预测未来的感官反馈。这项工作将提供关于任何动物（包括人类）如何进行预测的一般见解。

完整项目

众所周知，行为是由大脑区域内和跨大脑区域的大量神经元相互交流而产生的。长期神经相互作用的精确性质目前尚不清楚，这种神经相互作用在行为过程中会在大脑中产生全局活动模式。实验和计算技术的最新进展提供了一个机会，可以以前所未有的详细程度来研究这种相互作用。在这个项目中，我们将研究参与运动控制的三个大脑区域之间的细胞类型特异性相互作用。这将在加州大学圣地亚哥分校计算和实验小组的密切合作下完成。

完整项目

对未来的预测和对经验的心理模拟是许多形式的认知和感官处理的关键。人类（可能还有其他动物）使用心理模拟来评估候选行为选择。对即将到来的感官事件的预测以及它们如何与计划的运动动作相关似乎对运动编排和在主动运动期间正确解释感官数据的能力至关重要。我们工作的动机是，大脑皮层可能使用一组核心的计算方法和机制，这些方法和机制在多种形式的未来预测中都是保守的。我们推测，在许多情况下，大脑皮层使用一种通用策略来联合编码和处理感官和运动数据，以预测未来结果，根据自我反应解读感官证据，并智能地导航世界。

完整项目

人脑由数十亿个神经元组成。目前，神经科学家只了解神经元用来相互交流的电气和化学代码的一小部分。一个障碍是缺乏以“思维速度”同时跟踪每个神经元活动的技术

然而，新技术即将在较小的系统中实现这一点。我们的小组将结合先进的计算机算法和先进的显微镜，实时监测许多神经元的活动。我们之前的工作使用强大的显微镜观察了斑马鱼幼体阶段大脑中的所有神经元。然而，这些观察结果慢于鱼类大脑中电活动的速度。我们将与其他实验室合作，开发计算方法，以确定单个神经元的活动，即使显微镜本身的功能不足以观察单个细胞大小的物体。这一进展将使成像速度提高到十倍或更多，使我们能够进行以前不可能的实验。例如，在斑马鱼身上工作，我们将确定大脑中参与启动运动的小区域如何影响整个大脑如何处理这些运动的反馈。我们的工作将为其他神经科学家提供一套新的工具，以及对大脑如何处理信息和执行行为的一般见解。

完整项目

神经科学的中心目标是解码负责决策和行动的大脑活动。想象一下，一只动物正在觅食。首先，动物需要评估其环境中的感官信号，以判断目前有哪些食物可用。

然后，动物必须决定哪些可用的食物选择将是最有回报的，并制定行动计划。支持这个看似简单的过程的神经机制极其复杂。直到最近，该领域还缺乏能够读出神经活动的工具，即使是最简单的选择也无法理解。最近新技术的爆炸式发展以及伴随而来的数学进步为大脑如何做出选择打开了一扇窗户。但仍然存在严重挑战。任何一个实验室都无法有效地利用这些新工具。虽然各个实验室都取得了重大进展，但到目前为止，零碎的方法使科学家很难相互比较和复制数据。由西蒙斯基金会和威康信托基金会资助的国际大脑实验室将联合全球20个实验室的努力，专注于一个单一的目标：确定小鼠在简单决策过程中大脑的功能。当我们测量大脑范围内的神经活动时，将训练老鼠对视觉刺激做出决定。我们将对来自许多大脑区域的数百个神经元进行精确的电子记录，并使用精密的显微镜直接观察大脑的活动。领先的计算神经科学家将开发这种大脑活动的数学和计算机模型。我们不仅希望发现大脑如何支持包括人类在内的任何动物的决策，还希望为大脑科学提供一个新的大规模协作模型。

完整项目

人类和其他动物可以通过自适应地结合先前知识中的成分来产生新的想法或行动计划，从而快速解决新问题，例如从单个观察中模仿舞蹈。这种能力，即组合性，是智力的核心。然而其神经机制尚不清楚。认知模型表明符号知识在组合中的重要作用：支持外推推理的抽象结构和算法。尽管这些模型取得了成功，但我们不知道符号计算是否或如何在大脑中实现。弥合符号和神经元之间的鸿沟将是解释合成机制的关键进展。为此，我们开发了一种新的用于合成推理的动物行为范式，我们将通过将神经生理学与认知和神经网络建模相结合来揭示其潜在的神经机制。

完整项目

动物通常会根据感觉移动。当鹰的影子从头顶掠过时，一只狗沿着气味轨迹或一只田鼠寻找掩护。研究感觉系统的神经科学家在解码大脑如何将视觉和气味转化为神经活动方面取得了巨大进展。

他们给动物一种特定的刺激——比如说条纹图案或特定的化学气味——同时测量大脑对该刺激的“代码”：即神经活动如何依赖于刺激。然而，这种方法对于大脑的输出端，即运动系统来说，在很大程度上是失败的。尽管做了几十年的工作，神经科学家仍然很难描述大脑中的神经活动与产生的运动之间的关系。大脑运动区的神经元数量远远超过了肌肉的数量，这意味着许多不同的神经活动模式可能负责相同的运动。这就可能不可能找到一个独特、简单的代码来描述神经活动的运动。我们的目标是把这个难题变成一个机会。在所有可能产生特定运动的神经活动模式中，大脑必须选择一种，而这种“选择”可能会对游戏中的基本原理有所启发。通过实验和计算机建模的结合，我们旨在描述大脑运动生成系统做出的选择，并解读这些选择背后的原理。我们将训练猴子使用手臂控制一个类似踏板的装置，并在虚拟世界中导航以获得果汁奖励。同时，我们将记录运动皮层和手臂肌肉中神经元的活动。踏板运动具有可预测的特性-它们是平滑的，以不同的速度循环出现。然而，踏板是由复杂的肌肉活动模式驱动的，大脑必须精确地创建和控制这些肌肉活动模式，以确保运动平稳。通过比较肌肉活动和神经活动在许多这样的运动中的差异，我们可以利用数学和计算机优化来问为什么大脑“选择”观察到的神经活动模式。然后，可以使用神经网络模型来询问这些选择是否以及为什么是“好的”选择——即，它们是否允许电机系统在具有挑战性的环境下更好地运行？结果将在猴子和老鼠之间进行比较。事实上，我们预计我们的方法将为任何动物（包括人类）的运动系统提供一般性见解。

完整项目

我们的大脑能够在获得信息后的几秒钟内存储关于世界的信息，例如，一只消失在树后的动物的形状和身份。这种“短期记忆”对推理和决策至关重要，它将过去的事件与未来的行为联系起来。

尽管它具有根本的重要性，但大脑如何表示和使用短期记忆尚不完全清楚。其中一个挑战是，代表短期记忆的神经活动分散在大脑的不同部位。最近的技术进步使我们能够同时测量不同地区的活动。我们建议研究小鼠中涉及短期记忆的两种不同行为。在第一个任务中，鼠标将听到声音，并在延迟后移动以报告它听到的声音。鼠标必须在延迟期间保留与声音相关的信息，然后才能指示其决定。在第二个任务中，我们将向鼠标发出声音，然后发出另一个提示，告诉鼠标根据声音选择哪些动作。在这里，鼠标必须检索过去的感官信息才能做出当前的决定。我们将使用神经像素记录探针和中尺度显微镜来记录大脑中数百个神经元的活动。我们将对大约50个大脑区域的活动进行采样，这些区域是根据连接性数据选择的。这些数据将构成短期记忆、决策和动作启动背后的神经活动图。活动图将指导大脑计算机模型的开发，让我们了解记忆引导决策的一般规则。

完整项目

我们一些最复杂的行为，如说话、游泳或弹钢琴，可以通过将这些行为分解为一系列连续的学习步骤来理解。这种顺序学习在动物王国中很常见，就像人类学会说话一样，例如鸣禽学会唱歌。

几十年的研究表明，许多相同的神经过程可以解释这两种行为。鸟鸣，就像人类的语言和其他行为一样，不是天生的，而是通过模仿父母和其他成年人的行为来学习的。科学家们已经在斑胸雀身上发现了驱动歌曲学习的神经回路，并表明这一过程需要大脑中多个区域的精确协调。然而，关于这些神经回路在鸟的一生中是如何发展的，仍然存在许多问题。此前，我们的实验室证明，一个名为HVC的大脑区域与鸟鸣的计时有关。这个大脑区域的神经元仅在歌曲中的特定点单独活动，但共同形成连续的活动序列，驱动歌曲的产生。我们计划在年长的成年人教幼鸟唱歌、尝试唱歌和睡觉的同时，观察HVC和听觉区域的神经元活动。我们将使用这些数据来测试睡眠为歌曲学习提供了一个基本阶段的理论——我们假设，当鸟类睡觉时，大脑的听觉区域会重播歌曲，激活HVC以促进学习。鸟鸣学习与人类语言学习有着另一个显著的特点。幼鸟会像人类婴儿一样咿呀学语——在鸟类中，这被称为“亚音速”我们计划研究大脑区域，特别是一个叫做LMAN的区域，它可以驱动亚音，并为幼鸟在学习唱歌时混合和匹配不同的声音提供必要的可变性。我们将与理论神经科学家合作，开发和测试大脑如何在HVC中形成序列以及如何在LMAN中产生神经可变性的模型。这些进展不仅将揭示鸟类是如何学会唱歌的，也可能揭示婴儿是如何学会说话的，或者人类是如何根据感官反馈学习执行任何复杂的行为的，从运动到音乐。

完整项目

在决定是否吃苹果时，你可能会关注苹果的颜色、硬度和气味。如果你要把它扔给朋友，你可能会不知不觉地注意到它的大小和形状。这个简单的例子说明了一个基本原则：我们可以使用相同的视觉输入来指导各种决策和行动。

大脑是如何实现这种灵活性的尚不清楚。我们将试图通过研究负责模式识别的皮层视觉系统的一部分——“腹侧通路”来回答这个问题，该通路连续阐述识别物体所需的视觉信息，并格式化这些信息，以便大脑的其他部分可以用它来指导决策和行动。我们团队的每个成员都分别帮助发现腹侧通路的不同部分对视觉的贡献。现在，我们将合作，从更广泛的角度询问它是如何从头到尾工作的，以及它对复杂视觉任务的执行有何贡献。在猴子身上工作——它们的视觉系统与我们的非常相似——我们将记录腹侧通路许多区域的神经元活动。在一系列实验中，我们将使用一致和全面的方法来研究腹侧通路的视觉区域如何创建视觉表征，使我们能够识别和分类视觉世界的内容。在第二组实验中，我们将询问如何使用这些表示中的信息来支持灵活的行为。例如，猴子可能会被指示在不同的物体之间进行选择，比如苹果和香蕉。但在接下来的一刻，猴子可能会在不同种类的物体之间进行选择，比如水果（苹果或香蕉）和蔬菜。因此，同样的视觉刺激可以根据情况指导两个不同的决定，我们的记录将揭示这种能力背后的神经计算。虽然我们雄心勃勃的实验、建模和理论努力超出了我们任何一个人的能力，但我们将通过团队的共同合作努力实现这一目标。

完整项目

任何动物的大脑都必须同时在多个时间尺度上运行。从长远来看，它必须评估喂食、交配或保存能量之间的权衡。从中期来看，动物利用这些计算来制定计划——例如，饥饿的蠕虫可能会选择在它所在的地方喂食，而不是去寻找更好的食物或交配对象。

在短期内，动物必须立即决定去哪里，例如向左或向右转弯或继续当前的路线。研究动物如何在这些不同的时间尺度上进行计划一直是一项挑战，很大程度上是因为这需要许多大脑区域同时工作，而神经科学家缺乏观察大脑大片区域神经活动的工具。为了克服这一技术限制，我们将研究一种简单动物——微小蛔虫的交配行为秀丽线虫蛔虫通过对环境进行系统搜索，整合气味和触觉信息来寻找配偶。一旦蠕虫找到了潜在的配偶，它就会开始一系列基本的动作，包括转身、前后移动、接触，最后交配。动物的行为会受到长期因素的影响，如活动和休息的自然循环，无论它是饿了还是吃饱了，以及环境中食物的质量。我们开发了一种定制的显微镜，可以追踪蛔虫头部几乎每个神经元的活动。在这里，我们将在任何动物的社交活动中进行首次全脑记录。利用这些数据，我们将绘制长期内在状态（如饥饿）下的神经活动图，并研究这如何影响与中期行为（如交配）相关的神经活动。我们将把神经活动和行为数据与蠕虫神经线路的知识结合起来，构建计算机和数学模型，从中我们将了解神经元活动如何产生行为，以及神经元活动如何从神经元网络结构中产生。由于两性之间的连线不同，我们还可以观察到在两种神经系统变体中，性别特异与非性别特异行为是如何产生的。我们对低等蛔虫的研究将揭示神经系统如何在多个时间尺度上处理与包括人类在内的大型动物相关的信息。

完整项目

做决定时，背景很重要。例如，如果我们在自己的办公室而不是同事的办公室，我们会接听来电。这个合作项目研究大脑如何学习不同的上下文，例如“我的办公室”和“不是我的办公室“，以及它如何使用上下文表示来指导决策。

我们将通过训练猕猴在控制良好的行为任务中整合感官和环境因素来解决这些问题。猴子将根据实验环境学习遵守特定规则。我们将从动物执行任务时的不同大脑区域进行记录，包括前额叶皮层、后顶叶皮层、杏仁核和海马体。我们假设前额叶皮层和杏仁核将在每项任务中包含上下文的神经表征，而海马体将在学习这些上下文中发挥重要作用。我们将通过在我们的行为和神经数据集上应用不同的数学技术来测试我们的假设，包括降维、状态空间分析和神经网络建模。这些技术使我们能够从记录区域内和跨记录区域的数百个神经元的活动中提取与上下文相关的神经反应模式。我们的研究结果将为灵长类动物大脑如何做出基于情境的决策提供见解。

完整项目

我们的团队正在帮助拉斐尔·尤斯特的实验室率先使用普通水螅，这是一种小型淡水水螅。它附着在湖泊、河流和池塘的水下表面，并利用触角捕捉猎物，作为研究神经功能的模型生物。九头蛇有一个简单的神经系统，由大约600到2000个神经元组成的网络，这取决于动物的大小。

（相比之下，人脑拥有近1000亿个神经元）。尽管结构简单，神经系统很小，但九头蛇还是有十几种不同的行为：它可以扩张和收缩，可以移动触角，甚至可以在水面上翻筋斗。直到最近，科学家们对九头蛇的神经系统知之甚少，也没有什么技术工具来研究它。我们将开发技术来跟踪九头蛇中每个神经元和肌肉的活动，即使它处于活动状态（这对九头鱼来说是一个挑战，因为它的柔软身体会急剧变形）。我们可以破坏或操纵神经元的活动，并观察其如何影响九头蛇的行为。Hydra神经系统的详细地图或连接体正在开发中，我们将利用这些进展建立其神经系统结构和功能的接近完整的计算机模型。分布式神经元网络如何以协调的方式控制行为？神经元如何同步控制这些行为？此同步需要什么类型的连接？即使动物不动，神经系统中持续的活动意味着什么？完全接触Hydra的神经元将使我们在这些问题上取得进展。此外，我们将研究另一种简单的生物体——果蝇，以阐明整个大脑如何在不断变化的环境中协调行为。九头蛇和果蝇与所有动物都有数量惊人的基本神经构造块，因此我们希望我们的研究成果能够应用于任何神经系统，包括人类在内。

完整项目

不严格地说，我们都有两个大脑。我们的“外脑”通过感官与周围环境互动，或将意图转化为动作。我们的“内脑”接收来自外部大脑的感官信息，将其与记忆、内部状态（如饥饿或觉醒）和目标相结合，然后将行动计划发回我们的肌肉。

每个大脑似乎都能清楚地处理信息，这是从苍蝇到人类观察到的现象。即使是使用人工智能的设备，例如自动驾驶汽车，也有不同的方式处理“外部”和“内部”数据。它们是不同的，这很直观。外部大脑必须处理大量的数据。例如，我们的眼睛每秒可以接收1GB的原始图像信息，但我们最终只使用其中的一小部分数据。另一方面，大脑内部处理信息的速度要低得多。人类可以以每秒20比特的速度说话、弹钢琴或记忆东西，这意味着我们可以在每秒一百万种可能的想法中进行选择。这是很多，但与大脑外部面临的信息处理任务相比就显得微不足道了。当外部大脑擅长过滤相关信息时，内部大脑擅长整合来自感官、我们过去的经验和我们的内部状态的信息，以决定和发起行动。传统上，神经科学家研究一个或另一个系统——内部或外部。我们组建了一个由五名神经科学家组成的团队，每个人都是大脑内部或外部某一区域的专家，以弥合这一差距。通过并行进行相关实验，并利用我们的综合专业知识，我们可以检查大脑内部和外部是如何相互交流的。我们将探讨系统是否真的使用了不同的处理策略，或者是否有不需要这种二分法的替代解释。我们的工作将在小鼠和人类身上研究这些问题，并建立计算机模型来测试不同的理论。通过合作方式，我们将确定不同大脑系统的基本原理，从而深入了解人类行为，并可能增强人工智能。

完整项目

在过去的几年里，能够同时监测许多神经元活动的强大实验技术已经形成了神经科学的一个新领域——“神经动力学”，该领域使用复杂的数学模型描述大脑活动如何在瞬间进化。

神经动力学如何支持各种计算的研究通常是在稳定的环境中进行的。我们将研究大脑如何适应或“调节”其动力学以适应不断变化的环境。这一区别至关重要：如果大脑无法学习根据新的或意想不到的信息改变计算，那么动物就不太可能存活下来。我们将研究控制斑马鱼和小鼠简单眼球运动行为的神经动力学如何自适应调节以提高视觉感知能力。清晰的视觉取决于在研究静止物体的特征时将眼睛稳定地固定在给定位置的能力，或移动眼睛以准确跟踪移动物体的能力。准确地将眼睛保持在给定位置的能力是由一个称为“眼球运动积分器”的大脑电路实现的我们将通过创建一个虚拟环境来研究该电路的动力学是如何调谐的，该虚拟环境模拟了如果由于调整不当的动眼神经积分器，动物无法准确控制其眼睛位置时会看到的情况。然后，我们将监测和操纵整个眼球运动控制区域的神经元，以了解这些网络如何调整或重新调整其神经动力学，以适应新环境。最后，我们将把我们的数据与大脑接线的详细描述结合起来，并应用新的数学技术来分析观察到的神经信号是如何被这些大脑电路处理和转换的。通过分析和比较这两种生物，我们可以得出关于大脑如何调整其活动以修改动作的一般理论。

完整项目

我们理所当然地认为，我们可以区分相似的事件，但仍然将它们归类为相似的事件。例如，两场音乐会提供了类似的感官体验：它们在有很多人的大房间里举行，通常灯光暗淡，音乐响亮。

但也有很多不同之处——空间的设计、人群的身份和音乐的质量。我们的大脑面临着一项具有挑战性的任务，即学习根据相似性将经历分组——它们都是“音乐会”——但仍然将它们区分为两个不同的事件。神经电路可能实现这一点的一种方法是通过重新映射，即编码记忆的同一神经元可能在不同的时间编码位置、时间或声音。为了深入了解同一个神经元如何编码多种事物，我们将记录啮齿动物和猴子在不同地形（例如它们觅食的开阔地或具有多个决策点的迷宫）中的大脑活动。我们将使用能够随时间从相同神经元记录的新型记录技术，以确定单个神经元如何根据环境和任务（本质上是重新映射现象）改变其活动。例如，同一个神经元的活动可能反映出老鼠缓慢移动时的前进方向，但快速移动时的速度。在这种情况下，神经元已从方向映射到速度。我们相信一个类似的过程是如何将一个神经元从一个记忆重新映射到另一个记忆的基础。有了这些数据，我们可以重建大脑中与记忆和导航有关的区域的大型神经回路的行为。我们小组将与其他几个实验和计算实验室合作，开发技术和数学工具，以深入了解这一基本的大脑过程。

完整项目

言语是一种高度复杂、独特的人类行为。它代表了我们最快、最协调的运动行为之一，并与将一个人的精神状态转换为影响另一个人的序列的高阶认知能力密切相关。我们的团队最近在理解语音背后的神经集成动力学计算方面取得了进展，将这一科学努力与正在进行的一项研究脑机接口（BCI）的临床试验相结合，该试验旨在恢复瘫痪患者失去的通信。在这里，我们建议扩展这一策略，以研究中央前腹回（vPCG，即言语运动皮层）和额叶下回（包含布罗卡区的IFG）的顶侧部的群体活动（>100个神经元）是如何准备和产生言语的。我们进一步建议对这项高分辨率、窄窗口集成单单位分辨率研究进行补充，研究对象为两名长期植入BCI的短期中分辨率参与者，在接受立体脑电图（sEEG）记录的多个参与者的更广泛的语音和语言网络中，使用高分辨率、，在脑深部刺激放置过程中，通过sEEG线头和潜在的Neuropoixels记录进行分散覆盖记录。

完整项目

我们与世界的互动受到我们内部状态的影响。饥饿状态使我们对饭后可能忽略的食物图像和气味敏感。更普遍地说，相同的感官刺激可能导致不同的行为，这取决于内部状态。

目前尚不清楚内部状态是如何在神经回路中表示和维持的，以及它如何改变感知和行为。我们将研究果蝇的大脑内部状态黑腹果蝇果蝇因各种代谢因素引起的饥饿而进食。我们将研究这些变化是否以及如何激活代表内部状态的大脑活动的自我维持模式，提高对味觉和嗅觉的敏感性，并触发觅食。使用一种称为SCAPE的新型高速成像技术来跟踪整个苍蝇大脑的活动，我们将确定产生食欲并触发觅食行为的活动模式。我们还将研究飞行中第二种重要的内在状态，性欲。雄性苍蝇在感受到雌性苍蝇发出的某些化学信号时会被唤醒，这导致了求偶行为，其中包括翅膀振动发出的鸣叫。雄性一直在唱歌，直到雌性决定交配或离开。这种唤醒状态涉及苍蝇大脑中的神经元，它们对雌性的化学信号作出反应，并产生自我维持的大脑活动模式，这种模式远远超出了最初的感觉输入。我们将使用成像工具记录大脑活动，并分析唤醒状态如何触发求爱行为。综上所述，这些调查将提供对感官输入、内部状态和动作之间理解不足的相互作用的见解。

完整项目

工作记忆，即在我们脑海中暂时保存和操作信息的能力，对于思考和灵活的行为至关重要。科学家经常在实验室里通过训练受试者根据过去几秒钟的信息做出反应来研究工作记忆。

这些“延迟反应任务”表明，在脑细胞水平上，工作记忆，是神经活动自我维持模式的结果&当最初的信息出现时，一组神经元开始放电，当刺激不再出现时，保持在内部放电，直到动物对该信息采取行动。研究人员根据多年的努力得出了这一结论，他们一次刻苦地记录了大脑单个局部区域中一个或几个神经元的活动。然而，与工作记忆相关的神经活动模式分布在许多大脑区域。现在，最近的进展使科学家能够同时从行为动物大脑的几个部分记录数百个神经元。此外，大脑“连接组学”提供了关于不同大脑区域如何连接的定量信息。我们将与四个实验室组成一个合作团队，利用这些新工具和丰富的数据，创建工作记忆基础的大型大脑网络的解剖现实计算模型。我们将根据在执行延迟反应任务的小鼠和猴子中收集的实验数据开发这些模型。例如，在一项任务中，一只老鼠将被置于两种不同的体感刺激下，然后学习一条规则，根据每个刺激告诉它们要舔两个喷口中的哪一个。我们可以通过分析刺激和产生的动作之间的延迟期间的大脑活动来研究大脑如何在工作记忆中保持信息。新的Neuropoixels探针等脑记录技术将使我们能够制作出前所未有的“神经活动图”，突出显示不同脑区在任务期间的行为。然后，我们可以根据这张地图开发计算机和数学模型，揭示大脑的多个区域是如何协同工作以维持工作记忆的。这一研究项目的进展有可能提供对与精神分裂症和其他精神障碍相关的认知缺陷的大规模回路机制的见解。

完整项目

个体在应对不利环境条件时所经历的行为转变类型差异很大。虽然一些人通过发展持续的消极行为状态（如绝望或焦虑）来应对逆境，但其他人则更有弹性。神经动力学的个体差异可能是这些转换可能性的基础，但我们缺乏一个统一的框架来检测和量化它们。这是一个具有挑战性的问题，因为编码这些转换的网络广泛分布在整个大脑中，并且变化可能会在很长一段时间内展开。我们希望使用原则性理论方法（Rajan实验室），结合在多个时间和空间尺度上进行的神经记录（Falkner和Witten实验室）来识别预测易感性和韧性的多区域电路模体，并检测这些网络中的变化何时使个人偏向特定的行为状态。

完整项目

学习网球或乐器等复杂的运动技能需要改变大脑中许多神经元之间的连接。我们对成对的神经元如何改变它们的连接有很多了解，但多个大脑区域如何协作来指导跨神经元网络的学习还不太清楚。当我们学习一种新的运动技能时，我们的感觉系统会观察我们的行为，这些信号必须与控制我们行动的运动系统中的学习机制相互作用。大脑使用什么目标在多个大脑区域驱动学习计算？感觉反馈如何在大脑中传播并引导神经连接子集的变化？我们的目标是揭示学习运动行为的计算原理。我们采用了一种方法，将来自人工神经网络（ANN）的计算工具与脑-机接口（BMI）实验配对，其中运动区域的活动直接控制计算机光标的移动。

人工神经网络为探索大型网络如何执行计算提供了强大的方法，但在人工神经网络和大脑学习方式之间进行比较具有挑战性，因为我们无法将人工网络中的神经元与大脑中的神经元进行匹配。BMI简化了这一挑战，因为它们让我们从实验上定义了大脑的“行为输出层”。我们将在动物学习控制BMI时分析神经元的活动，并将观察到的动力学与ANN的动力学进行比较，以更好地理解驱动学习的目标（指标）。这将产生新的方法来识别学习过程中一大群神经元内变化的计算。我们还将进行实验，在记录控制光标和眼睛的多个皮层区域的活动时，改变BMI以引入错误。我们将研究错误的视觉反馈如何通过网络传播，从而改变控制BMI光标的神经元的活动，并探索当一个人收集视觉信息时发生的眼球运动是否有助于学习。这将使我们能够测试关于反馈如何在神经元网络中驱动学习的假设。

完整项目