《Journal of Computational Neuroscience》：34th Annual Computational Neuroscience Meeting: CNS*2025
编辑推荐：
本综述系统梳理了计算神经科学领域的最新进展，涵盖从单神经元模型、突触可塑性到大规模脑网络动力学的多尺度建模方法。文章重点探讨了尖峰神经网络（SNN）、动态因果模型（DCM）及数字孪生技术在阿尔茨海默病（AD）、帕金森病（PD）等神经精神疾病研究中的应用，强调了生物物理约束对提高模型预测准确性和临床转化价值的重要性。
多尺度神经计算模型的前沿进展与应用
微观尺度：从离子通道到单神经元动力学
在微观尺度，研究人员致力于开发更精确的生物物理神经元模型。Hodgkin-Huxley（HH）模型及其扩展版本继续为理解动作电位产生机制提供基础框架。最新研究表明，通过结合短期可塑性（STP）和长期可塑性（LTP/LTD）规则，可以更真实地模拟突触传递的动态特性。例如，在小脑皮质微电路模型中，引入基于Tsodyks-Markram的STP模型后，能够再现颗粒细胞（GrC）到浦肯野细胞（PC）的突触动态，从而更准确地模拟信息处理过程。
细胞与网络尺度：环路功能与信息编码
在细胞和局部网络尺度，研究聚焦于特定脑区的功能特性。海马体CA3-CA1环路作为记忆形成的核心区域，其全尺度点神经元模型成功再现了模式完成的自动关联特性。该模型结合形态解剖学策略构建连接组，并引入自定义突触模型，包含短期动力学和脉冲时序依赖可塑性（STDP）。结果显示，CA3表现出高度聚类系数和小世界特性，与其在模式完成中的功能角色一致。
视觉皮层方面，研究揭示了初级视觉皮层（V1）表征的几何特性如何动态适应任务需求。通过拓扑数据分析（TDA）和流形容量理论，发现学习过程中V1种群活动的几何属性发生变化，从而提高分类能力并增强表征的可线性分离性。这种可塑性可能是感知学习优化的神经基础。
系统尺度：全脑动力学与脑区间相互作用
在系统水平，动态因果模型（DCM）和虚拟脑（TVB）等框架使研究人员能够研究大规模脑网络动力学。这些模型整合多模态神经影像数据（如fMRI、EEG），探索脑区间有效连接及其在认知任务中的变化。例如，通过将个性化头部模型与电磁模拟结合，可以预测经颅磁刺激（TMS）对皮层活动的影响，为优化神经调控疗法提供理论指导。
跨尺度整合：挑战与机遇
跨尺度整合是当前计算神经科学面临的主要挑战之一。新兴工具如Jaxley通过实现生物物理模型的微分模拟，使基于反向传播的大规模参数优化成为可能。这种工具能够构建和训练具有数千个参数的生
