如果把大脑比作一座城市，神经元是居民，那么连接它们的突触网络就是这座城市的全部道路——街道、高速公路、立交桥，乃至偏僻的小巷。全脑连接组计划(whole-brain connectome project)，就是人类有史以来最雄心勃勃的”城市道路普查”：在每一个神经元、每一个突触的精度上，把大脑的全部线路图画出来。
这张图不只是装饰品。它关系到我们如何记忆、如何感知疼痛与快乐，以及阿尔茨海默症、孤独症、抑郁症的发病根源。2024年，科学家们完成了成年果蝇全脑连接组图谱，标志着连接组学从”局部微回路”迈向”整脑全覆盖”的历史性一跃。[7] 这是一次什么样的壮举？路上踩过哪些技术的”地雷”？对我们理解大脑又意味着什么？
📋 目录
什么是全脑连接组？
连接组(connectome) 这个词由神经科学家 Olaf Sporns 和 Patric Hagmann 于2005年前后提出，指的是一个神经系统中所有神经元连接关系的完整图谱。”全脑连接组”则意味着覆盖范围从局部脑区扩展到整个大脑——不遗漏任何一个神经元，不遗漏任何一条轴突。
- 宏观连接组：用MRI和弥散张量成像技术，描绘脑区之间的大尺度纤维束连接。分辨率约毫米级，可在活体人脑中完成。
- 介观连接组：用光学显微镜描绘细胞类型群体之间的连接，分辨率约微米级，可覆盖较大脑区甚至整个小鼠大脑。
- 微观连接组：用电子显微镜重建每一个突触，分辨率达纳米级，可在单神经元精度上揭示完整线路图。
2008年，Lichtman等人在《自然·神经科学综述》上发表了一篇里程碑综述，将绘制完整神经连接图谱的宏大目标命名为”连接组学(connectomics)”，并系统梳理了它面临的核心技术挑战。[3] 从那以后，连接组学逐渐从概念走向了实验室。
连接组的尺度：从宏观到纳米
全脑连接组并不是单一技术的产物，而是一套跨越多个空间尺度的研究范式。不同尺度的连接组，回答的是不同粒度的科学问题。
想象一张城市地图：卫星图看到的是整体格局，街道地图能看清主干道，而建筑内部的走廊布局则需要楼层平面图。大脑亦然——宏观连接组告诉我们信息流的”高速公路”在哪里，微观连接组才能揭示每栋”建筑”内部的精密电路。
在人类尺度，由于大脑体积巨大且活体操作受限，科学家主要依靠MRI/弥散成像构建宏观连接图。而在果蝇和小鼠身上，随着电子显微镜技术和人工智能分割算法的突飞猛进，在神经元/突触分辨率上实现全脑覆盖正在成为现实。[4]
人类连接组计划：宏观视角的奠基
人类连接组计划(Human Connectome Project, HCP) 是这一领域最广为人知的大型项目之一。由美国国立卫生研究院资助，Van Essen等人于2013年发表的奠基论文详细阐述了HCP的目标、成像方案，以及行为学与遗传数据的整合方式。[1]
HCP的意义不仅在于数据本身，更在于它建立了一套可重复的”人脑连接组研究范式”。此后，类似项目在临床和神经影像领域持续推进，为理解老龄化、神经退行性疾病与认知障碍提供了基础数据。[2]
值得注意的是，HCP所描绘的是”宏观连接组”——纤维束的走向而非单个突触。在这个分辨率上，一根”纤维束”实际上包含着成千上万条轴突。要真正看清每一个神经元的每一条连接，需要完全不同的技术路线。
2024里程碑：果蝇全脑连接组
2024年是全脑连接组学的历史性节点。多个研究团队几乎同步发表了成年果蝇全脑连接组的完整图谱，标志着连接组学从”部分”走向”全脑”。
果蝇(Drosophila melanogaster)的大脑约含13.5万个神经元和5000多万个突触，体积约0.5立方毫米——远小于小鼠大脑，但神经回路足够复杂，涵盖视觉、嗅觉、运动、记忆和睡眠等核心功能。这使它成为验证全脑连接组技术可行性的”黄金模型”。
Dorkenwald等人在《Nature》发表的研究，通过超大规模电镜重建，完成了成年脑的神经元接线图谱(neuronal wiring diagram)，在每一个突触的精度上呈现出完整的神经元-突触连接网络。[7] 这是史上第一次在具有复杂行为能力的成年模式生物中，实现真正意义上的全脑突触级覆盖。
与此同时，Schlegel等人的配套论文专注于细胞类型学：他们将全脑神经元按照形态、连接模式和分子特征进行分类，建立了一套从”连接数据”到”细胞类型知识”的分析框架。[5] 这解决了一个关键问题：画出线路图只是第一步，知道每一条线路”属于谁、干什么”才是真正的理解。
Devineni等人在《Nature》的新闻综述栏目中对这一突破进行了解读，将其定性为神经科学几十年技术积累的集中体现。[8]
- 解剖完整性：所有神经元与突触级别的连接全部被记录，不留”盲区”
- 细胞类型注释：每类神经元的身份被系统归类，而非匿名的编号
- 网络拓扑分析：整脑网络的组织规律、枢纽节点与模块结构得以揭示
连接组学怎么做？技术全景
绘制全脑连接组，技术挑战横跨从实验室样本制备到数据中心级别的计算处理。每一个环节都曾是制约进展的瓶颈。
样本制备：让大脑变得”可见”
要用电子显微镜观察神经组织，首先要将脑组织切割成厚度约30-50纳米的超薄切片，并进行电子密度增强染色。Hua等人2015年在《自然通讯》发表的研究，系统优化了大体积脑组织的整块染色(en-bloc staining)流程，使大规模connectomics数据采集成为可能。[9]
- 固定与染色：化学固定脑组织，重金属染色增强电子对比度
- 超薄切片：将样本切成纳米级厚度的连续切片，或用聚焦离子束扫描电镜(FIB-SEM)逐层磨削
- 图像采集：扫描透射电子显微镜(STEM)或扫描电镜(SEM)对每一层切片进行高分辨率成像
- 图像分割：用AI算法自动识别每个神经元的边界和突触位置
- 三维重建：将所有切片图像”堆叠”成完整的三维神经元网络
Kubota等人2018年在《Frontiers in Neural Circuits》发表的综述，系统介绍了大体积电镜与神经微回路分析的整体技术图景，是理解connectomics”怎么做”的权威参考。[10]
多模态整合：让光镜与电镜”对话”
电镜提供了极高的分辨率，但难以同时获得分子信息（如特定蛋白的表达）。Friedrichsen等人2022年的研究展示了如何用多尺度相关光镜/电镜联合技术，在同一脑组织样本上既保留分子标记，又实现突触级别的结构重建。[11] 这是连接组学走向多模态整合的一个缩影。
人工智能：真正的”加速器”
一个成年果蝇大脑的电镜图像数据量约达数十TB，人工标注每一个神经元的边界在现实中几乎不可能完成。Potocek等人2020年的研究专门探讨了稀疏扫描电镜采集与深度神经网络分割的结合，展示了AI如何从”辅助工具”变成整个流程的核心引擎。[12]
神经组织中的细胞边界极其复杂，突触间隙只有20纳米左右，远超普通图像分割任务的难度。尤其是”错误合并”（把两个相邻神经元误识别为一个）和”错误分割”（把同一神经元的不同部分识别为两个），都会直接导致整个回路重建出错。
超越电镜：下一代技术
2025年，Khajeh等人在《Nature Methods》发表了一篇前瞻性综述，讨论连接组学如何超越传统电镜局限——包括扩展显微镜(expansion microscopy)、光遗传学辅助回路追踪等新兴方向。[13] 这些技术有望让哺乳动物全脑connectomics在不久的将来变得更加可行。
从”画图”到”读懂”：网络分析
绘制出完整的连接图谱只是第一步，更难的问题是：这张图说明了什么？Lin等人2024年在《Nature》发表的研究，专门从网络科学角度分析果蝇全脑连接组，回答了一个核心问题：整脑神经网络的组织规律是什么？[6]
- 小世界网络(small-world network)：大多数神经元可以通过较少的突触步骤与任何其他神经元相连，信息传递效率极高
- 枢纽节点(hub nodes)：少数神经元充当信息中转枢纽，与大量其他神经元相连，是网络鲁棒性与脆弱性并存的关键所在
- 模块结构(modularity)：功能相关的神经元倾向于形成密集连接的”功能模块”，模块间保持稀疏但关键的桥接连接
- 富人俱乐部(rich-club)：高连接度枢纽节点之间的相互连接密度高于随机预期，形成一个高度相互连接的”核心子网络”
这些网络特征并非果蝇所独有——在人类的宏观连接组分析中，类似的小世界特征和富人俱乐部结构同样被反复发现。这提示了一种跨物种、跨尺度的神经网络组织原则，可能代表神经系统在演化过程中对信息处理效率与线缆成本之间的普遍权衡。
结构连接与功能活动：两张图之间
连接组学揭示的是神经元之间的物理线路，但大脑的实际工作是动态的电信号活动。结构连接和功能活动之间是什么关系？
Amico等人2018年在《Network Neuroscience》发表的研究，探讨了人脑中结构-功能混合连接特征，发现结构连接的个体差异能够在一定程度上预测功能连接的个体差异，但两者之间并非简单的线性映射。[17]
| 维度 | 结构连接组 | 功能连接 |
|---|---|---|
| 测量方式 | 弥散MRI / 电镜重建 | 静息态fMRI / 电生理 |
| 反映内容 | 物理线路（轴突/突触） | 活动相关性（同步振荡） |
| 时间尺度 | 相对稳定（数月~数年） | 动态变化（秒~分钟） |
| 核心问题 | 线路是什么？ | 信息怎么流？ |
Cabral等人2017年在《NeuroImage》发表的研究进一步阐明：静态的结构连接组构成了功能活动的”解剖骨架”，功能连接的动态变化在这个骨架约束下展开，但并不完全由骨架决定。[18] 换句话说，神经元之间有没有物理连接，决定了功能活动的”可能性边界”；而在这个边界内，功能活动如何展开，还受到神经调质、经验和状态的调节。
Wodeyar等人2020年的研究则从另一角度印证了这一关系：他们发现，结构连接的物理损伤（如白质病变）会直接映射到静息态fMRI所测量的功能连接改变上——但这种映射并非简单的线性关系，大脑网络具有一定的冗余性和代偿潜力。[20]
从图谱到知识：记忆、回路与疾病
全脑连接组最终的价值，在于回答真实的神经科学问题——而不仅仅是”画出漂亮的图”。
记忆的突触建筑学
2025年，Uytiepo等人在《Science》发表了一项里程碑研究：他们将connectomics用于记忆痕迹(memory engram)的解析。在小鼠(Mus musculus)海马体中，他们精确重建了与特定记忆相关的神经元集合（”记忆痕迹细胞”）的突触架构，为理解记忆编码与存储的突触级别结构基础提供了新的证据。[14]
记忆痕迹细胞之间的突触连接具有特定的结构特征，与非痕迹神经元的连接方式存在可辨别的差异。这提示了记忆的物理基础不仅在于”哪些神经元被激活”，更在于这些神经元之间如何精确地相互连接。
⚠️ 注：此为小鼠动物实验结果，机制能否直接推及人类尚待研究。
抑制性回路的精密地图
Schneider-Mizell等人2025年在《Nature》发表的小鼠视觉皮层connectomics研究，揭示了抑制性神经元的连接特异性：不同类型的抑制性中间神经元，以高度精确的方式靶向兴奋性神经元的不同部位（树突 vs. 轴突始节 vs. 胞体），形成功能分工明确的抑制回路。[15]
⚠️ 此为小鼠视觉皮层动物实验结果，相关回路在人脑中的精确对应关系尚需进一步研究。
整脑激素系统的线路图
Son等人2022年在《Journal of Neuroscience》完成了成年小鼠脑催产素系统的整脑接线图谱。这是在哺乳动物大脑中实现特定神经递质系统”全脑级别wiring diagram”的一个具体案例：从下丘脑的催产素神经元出发，追踪其轴突投射到大脑各区域的完整路径。[16]
⚠️ 此为成年小鼠动物实验结果。
连接组学与认知疾病
在临床转化方向，Zhu等人2014年在《Human Brain Mapping》将宏观connectome分析用于轻度认知障碍(MCI)患者，发现与认知正常者相比，MCI患者在结构连接和功能连接上均呈现出系统性的网络层面改变，而非局限于某一脑区。[19] 这为”认知障碍是一种连接组疾病”的观点提供了影像学依据。
挑战与展望
尽管2024年果蝇全脑连接组是里程碑式的成就，前方依然有更高的山峰。
- 规模鸿沟：果蝇大脑约13.5万个神经元，而人类大脑约860亿个神经元——整整6个数量级的差距。人类全脑突触级connectome所需的数据量远超现有存储与计算能力。
- 静态图谱的局限：当前电镜connectomics只能拍摄死体组织的”快照”，无法追踪突触连接在学习、记忆、经验过程中的动态变化。
- 分子信息缺失：结构连接图谱通常不包含突触强度、神经递质类型等功能相关的分子信息。
- 个体差异问题：目前的精细connectome通常来自单个个体（一只果蝇、一个脑区的单只小鼠），个体间变异尚不清楚。
Silvestri等人2013年的综述曾系统梳理过连接组学面临的成像、重建、数据规模与解释层面的四大瓶颈，[4] 其中许多在十年后的今天已经被工程化突破，但核心的规模挑战依然存在。
2025年，Khajeh等人在《Nature Methods》描绘了一幅超越传统电镜的技术路线图，[13] 其中扩张显微镜、空间转录组学与connectomics的整合，可能是解决”结构+分子”鸿沟的关键方向。
全脑连接组计划的终极目标，是理解大脑如何从物理线路中生长出思维、记忆与意识。在这条路上，2024年的果蝇连接组是一个重要的坐标点——它证明了”全脑覆盖”在技术上可行，并为更复杂的哺乳动物大脑提供了方法论范本。人类全脑连接组的完成，可能仍需数十年，但这条路已经走通了它最关键的第一段。
📌 要点回顾
- 连接组是多尺度的：从MRI级别的宏观纤维束，到电镜级别的单突触重建，不同尺度的connectome回答不同粒度的科学问题。[1][3]
- 2024年果蝇里程碑：成年果蝇全脑神经元接线图谱首次在单突触精度上实现全脑覆盖，是connectomics从”局部”迈向”全脑”的历史性节点。[7][5]
- AI是关键基础设施：没有深度学习自动分割，处理TB级别电镜图像数据在实践中不可能完成。[12]
- 结构≠功能，但结构约束功能：物理线路构成功能活动的”解剖骨架”，功能连接在这个骨架的边界内动态演化。[18][17]
- 连接组不只是”画图”：记忆痕迹（小鼠实验）[14]、抑制性回路特异性（小鼠实验）[15]、认知障碍的网络变化[19]——连接组学已开始回答真实的神经科学和临床问题。
- 人类全脑connectome还很远：果蝇13.5万个神经元与人类860亿个神经元之间，隔着6个数量级的规模鸿沟，技术路线的持续突破仍是关键。[4][13]
📚 参考文献
- Van Essen DC et al. (2013). The WU-Minn Human Connectome Project: an overview. NeuroImage. DOI: 10.1016/j.neuroimage.2013.05.041
- Oishi K et al. (2017). Human brain connectome project. Journal of the Neurological Sciences. DOI: 10.1016/j.jns.2017.08.086
- Lichtman JW et al. (2008). A technicolour approach to the connectome. Nature Reviews Neuroscience. PMID: 18446160
- Silvestri L et al. (2013). The connectomics challenge. Functional Neurology. PMID: 24139653
- Schlegel P et al. (2024). Whole-brain annotation and multi-connectome cell typing of Drosophila. Nature. DOI: 10.1038/s41586-024-07686-5
- Lin CY et al. (2024). Network statistics of the whole-brain connectome of Drosophila. Nature. DOI: 10.1038/s41586-024-07968-y
- Dorkenwald S et al. (2024). Neuronal wiring diagram of an adult brain. Nature. PMID: 39358518
- Devineni AV et al. (2024). A complete wiring diagram of the fruit-fly brain. Nature. DOI: 10.1038/d41586-024-03029-6
- Hua Y et al. (2015). Large-volume en-bloc staining for electron microscopy-based connectomics. Nature Communications. DOI: 10.1038/ncomms8923
- Kubota Y et al. (2018). Large Volume Electron Microscopy and Neural Microcircuit Analysis. Frontiers in Neural Circuits. PMID: 30483066
- Friedrichsen K et al. (2022). Reconstructing neural circuits using multiresolution correlated light and electron microscopy. Frontiers in Neural Circuits. PMID: 36338333
- Potocek P et al. (2020). Sparse Scanning Electron Microscopy Data Acquisition and Deep Neural Networks for Automated Segmentation in Connectomics. Microscopy and Microanalysis. PMID: 32252851
- Khajeh R et al. (2025). Connectomics beyond electron microscopy. Nature Methods. DOI: 10.1038/s41592-025-02943-5
- Uytiepo M et al. (2025). Synaptic architecture of a memory engram in the mouse hippocampus. Science. PMID: 40112060
- Schneider-Mizell C et al. (2025). Inhibitory specificity from a connectomic census of mouse visual cortex. Nature. PMID: 40205209
- Son S et al. (2022). Whole-Brain Wiring Diagram of Oxytocin System in Adult Mice. Journal of Neuroscience. PMID: 35606144
- Amico E et al. (2018). Mapping hybrid functional-structural connectivity traits in the human connectome. Network Neuroscience. DOI: 10.1162/netn_a_00049
- Cabral J et al. (2017). Functional connectivity dynamically evolves on multiple time-scales over a static structural connectome: Models and mechanisms. NeuroImage. DOI: 10.1016/j.neuroimage.2017.03.045
- Zhu D et al. (2014). Connectome-scale assessments of structural and functional connectivity in MCI. Human Brain Mapping. DOI: 10.1002/hbm.22373
- Wodeyar A et al. (2020). Damage to the structural connectome reflected in resting-state fMRI functional connectivity. Network Neuroscience. DOI: 10.1162/netn_a_00160