信息来源：程和平院士团队

候鸟迁徙，蝴蝶振翅，心脏律动，生命的节律演绎着自然界最美妙的生命交响乐。然而，生物体是如何进行时间计算的呢？这种计时的精度能达到多高？需要多少个神经元才能进行准确的时间计算？在时间计算层面，存在关键少数的神经元吗，还是神经元起着均等的贡献？这些问题一直悬而未决，等待着科学家们的实验与回答。近日，北京大学程和平院士团队在Cell Research杂志在线发表一项最新研究成果，从系统水平对哺乳动物的生物钟主钟——视交叉上核（Suprachiasmatic nucleus, SCN）的时间计算机制进行了研究，揭示了SCN基于神经元集体决策机制的时间计算能力及机制。

研究团队自主搭建双侧扫描双光子显微镜，实现了全核团近万颗神经元跨昼夜钙成像。研究发现，SCN中以钙脉冲为基本单元，形成“状态”“模态”“时空相位波”等从秒到小时到近日周期的跨尺度钙信号，展示了SCN钙信号潜在的时间编码能力。

那么SCN核团究竟是怎么编解码时间信息的呢？团队利用机器学习技术，开发一个基于SCN神经元钙信号的时间解码器，其解码准确率随着神经元数量的增加而显著提升，当随机组合来自同一SCN脑片的900个神经元时，时间解码准确率达到了99.0%，这一发现体现了SCN神经元群体在时间编码上的集体决策机制。

通过归因分析，团队估计了单个神经元在不同时间点对时间解码的贡献系数，发现所有神经元在全天24小时的平均贡献系数几乎趋于同一常数，揭示出SCN神经元对于整体时间计算有着近乎均等的贡献。

对称的波纹状SCN功能组织，形态像一只美丽的蝴蝶

进一步研究发现，通过多尺度对比学习方法，基于钙信号时间序列识别SCN神经元的功能亚型，阐明其在SCN空间中集聚形成双侧对称、波纹状的模块化时间表征，其空间模式就像一只美丽的“时间蝴蝶”（见上图）。这一模块化的时间表征模式揭示了SCN时间特征表征的涌现性质。针对某一特定功能模块训练的时间解码器，其解码准确率仍能达到99%，表明不同功能模块具有完整且独特的时间特征表征。

综上，程和平院士团队引进了机器学习技术应用于大规模神经集群的信号解码，定量刻画了神经元数量与时间解码准确率之间的关系，揭示了SCN基于神经元集体决策机制的时间计算能力及机制。这些发现为基于功能大数据解析复杂神经元核团的工作原理提供了一个全新的研究范式。

北京大学未来技术学院博士研究生王子晨和喻菁博士（现北京大学分子医学南京转化研究院副研究员）是文章的共同第一作者，未来技术学院程和平教授、王选计算机研究所胡玮研究员和未来技术学院马雷研究员是共同通讯作者。该成果得到了科技部国家重点研发计划和国家自然科学基金的支持，国家生物医学成像科学中心计算集群提供了算力支撑。

原文链接：https://www.nature.com/articles/s41422-024-00956-x