人脑如何通过数百种神经元构成的复杂回路塑造认知功能，至今仍是生命科学中一个深奥难解的谜题。过去十年来，随着电生理、形态学与转录组学等多 模态数据的积累，科学家逐步揭示了人类神经元在基因表达、形态结构和电生理特性上的显著异质性。然而，这些差异究竟如何影响大脑的信息处理过 程，例如特定基因表达与神经系统疾病之间的内在联系，就仍是一个悬而未决的难题。 传统上，研究者常借助基于三维多隔室偏微分方程（PDE）的模型来模拟神经元活动。这类模型虽然能够较好还原生物真实性，却存在一个致命缺陷：计 算成本极其高昂。单个神经元的模型优化可能需要消耗约 60 万 CPU 核心小时，且参数稍有变动就容易导致模拟结果与实验数据严重偏离。更关键的是， 这类确定性模型难以捕捉实验中所观察到的「内在变异性」，即便输入相同，同一神经元也可能产生不同的电生理响应。而人为引入随机性的方法，又常 常带来非机制性的干扰，进一步削弱模型预测的可靠性。 面对这些挑战，来自苏黎世联邦理工学院、加州理工学院与阿尔伯塔大学等机构的联合团队提出了一种名为 NOBLE（Neural Operator with Biologically- informed Late ...