[论文解读] On the role of theory and modeling in neuroscience

Daniel Levenstein, Veronica A. Alvarez+18 more|arXiv (Cornell University)|Mar 30, 2020

Neural dynamics and brain function被引用 6

一句话总结

本文倡导在神经科学中采用一种务实的多层级框架，整合描述性、机制性和规范性建模方法，以跨越从生物物理细节到认知计算的尺度。该框架提出使用适当的抽象层次，通过传递函数连接模型与数据，并将模型作为实验工具，推动理论驱动、计算严谨的神经科学研究。

ABSTRACT

In recent years, the field of neuroscience has gone through rapid experimental advances and a significant increase in the use of quantitative and computational methods. This growth has created a need for clearer analyses of the theory and modeling approaches used in the field. This issue is particularly complex in neuroscience because the field studies phenomena across a wide range of scales and often requires consideration of these phenomena at varying degrees of abstraction, from precise biophysical interactions to the computations they implement. We argue that a pragmatic perspective of science, in which descriptive, mechanistic, and normative approaches each play a distinct role in defining and bridging levels of abstraction will facilitate neuroscientific practice. This analysis leads to methodological suggestions, including selecting a level of abstraction that is appropriate for a given problem, identifying transfer functions to connect models and data, and the use of models themselves as a form of experiment.

研究动机与目标

• 应对神经科学领域因实验与计算技术的快速发展而产生的对更清晰的理论与方法标准的迫切需求。
• 阐明描述性、机制性和规范性建模方法在连接多空间与多时间尺度的生物数据中的独特作用。
• 为选择建模神经科学问题的适当抽象层次提供可操作的方法指导。
• 推动将模型不仅作为表征工具，更作为主动的假设检验与实验设计工具的应用。
• 通过建立神经科学中理论与建模的共享概念框架，促进跨学科合作。

提出的方法

• 采用一种务实的科学哲学，对三种建模方法进行分类与整合：描述性（数据驱动）、机制性（生物物理细节丰富）和规范性（计算最优）。
• 提出根据科学问题选择适当的抽象层次，避免过度或不足的详细程度。
• 定义并利用传递函数，将模型输出映射到可测量的实验数据，从而实现模型的验证与迭代优化。
• 将计算模型视为虚拟实验，以在受控且可测试的条件下探索系统行为。
• 强调模型与数据之间的迭代反馈回路，以提升模型保真度与理论洞察力。
• 通过共享的理论原则，实现从分子、细胞、环路到系统水平现象的跨尺度整合。

实验结果

研究问题

• RQ1 如何在神经科学中系统地区分并整合描述性、机制性和规范性建模方法？
• RQ2 应依据何种标准来为给定的神经科学问题选择适当的抽象层次？
• RQ3 如何定义并使用传递函数，以在不同尺度上连接模型预测与实证数据？
• RQ4 计算模型在何种方式下可作为实验来探测生物系统？
• RQ5 理论与建模如何帮助弥合生物物理机制与认知水平计算之间的鸿沟？

主要发现

• 对描述性、机制性和规范性建模的务实整合，为解决多尺度神经科学问题提供了连贯的框架。
• 选择适当的抽象层次对模型的实用性至关重要，可避免不必要的复杂性或过度简化。
• 传递函数作为模型输出与实证数据之间的关键桥梁，支持模型验证与迭代优化。
• 模型可用作虚拟实验，以探索系统动态、预测结果并指导湿实验研究。
• 理论与建模的整合提升了神经科学的可重复性、透明度与跨学科合作水平。
• 该框架支持发展预测性、理论驱动的神经科学，推动其超越纯粹的数据驱动方法。