资源库
教材当主线,课程当补充,论文当校验。不要同时读三本书——选一本走完,再回头读第二本。
推荐度:★★★ 必读 | ★★ 强烈建议 | ★ 按需查阅
教材(按建议顺序)
| 推荐 | 书名 | 作者 / 版本 | 语言 | 说明 |
|---|---|---|---|---|
| ★★★ | Neuronal Dynamics | Gerstner, Kistler, Naud & Paninski, CUP 2014 | EN | 免费在线全书 + Python 代码 + 交互 demo。单细胞、突触、网络动力学最系统,入门首选。 |
| ★★★ | Theoretical Neuroscience | Dayan & Abbott, MIT Press 2001 | EN | 领域"圣经"。编码/解码、信息论、网络三部分最权威,数学密度高,适合第二遍精读。 |
| ★★★ | Dynamical Systems in Neuroscience | Izhikevich, MIT Press 2007 | EN | 用相平面与分岔统一解释兴奋性、簇发、共振。作者主页有免费章节。 |
| ★★★ | Principles of Neural Science (6th) | Kandel et al., McGraw-Hill 2021 | EN / 中 | 生理事实的基准。不做数学,但所有参数以它为准(有中文版)。 |
| ★★ | Biophysics of Computation | Koch, Oxford 1999 | EN | 单神经元计算与树突经典,偏硬核,适合做树突/通道时查。 |
| ★★ | Mathematics for Neuroscientists | Gabbiani & Cox, Academic Press 2010 | EN | 数学→神经的最佳桥梁,每章配 MATLAB 代码。 |
| ★★ | Principles of Computational Modelling in Neuroscience (2nd) | Sterratt et al., CUP 2023 | EN | 建模实践导向,配套网站有可复现的 NEURON/Python 代码。 |
| ★★ | Nonlinear Dynamics and Chaos (2nd) | Strogatz, Westview 2015 | EN / 中 | 不是神经书,但相平面、分岔、极限环讲得最好。建议先读前 8 章。 |
| ★ | An Introductory Course in Computational Neuroscience | Miller, MIT Press 2018 | EN | 门槛最低,适合作为第一本。 |
主线建议:Gerstner(读概念+跑代码)→ Dayan & Abbott(补数学与编码)→ Izhikevich(补动力学直觉)→ 按研究方向选专题。
---
课程
| 推荐 | 课程 | 机构 / 讲师 | 语言 | 说明 |
|---|---|---|---|---|
| ★★★ | Neuromatch Academy — Computational Neuroscience | Neuromatch,每年 7 月 | EN | 完全开源,全部 Colab 可跑。四大模块:建模 / 机器学习 / 动力系统 / 随机过程。自学首选。 |
| ★★★ | Computational Neuroscience(Coursera) | Rajesh Rao, University of Washington | EN | 最经典 MOOC,从 HH 讲到编码与学习,配套作业。 |
| ★★ | 9.40 Introduction to Neural Computation | Michale Fee, MIT OCW | EN | 数学与神经计算基础最扎实,讲义与习题全公开。 |
| ★★ | Methods in Computational Neuroscience | Woods Hole MBL,每年 8 月 | EN | 领域"黄埔军校",四周集训,讲义可参考。 |
| ★★ | 系统与计算神经科学 | 余山、张倩等,中科院大学 | 中文 | 中文体系里较完整的研究生课程大纲,可用于术语校准。 |
| ★★ | INCF Training Space | INCF | EN | 神经信息学培训资源聚合,教程/讲义/视频索引齐全。 |
---
工具链
| 场景 | 工具 | 语言 | 说明 |
|---|---|---|---|
| 房室级生物物理仿真 | NEURON | Python / HOC | 行业标准,树突、通道、网络都靠它。 |
| 快速原型 / 教学 | Brian2 | Python | 内嵌方程定义,代码即模型,迭代最快。 |
| 大规模脉冲网络 | NEST | Python / C++ | 百万级点神经元,HPC 友好。 |
| 认知任务建模 | Nengo | Python | 神经工程框架(NEF),适合做认知/行为模型。 |
| 脉冲分析 | Elephant | Python | ISI、相关、谱分析、统计检验。 |
| 脉冲分选 | SpikeInterface | Python | 统一接口封装 Kilosort/Mountainsort 等。 |
| EEG / MEG | MNE-Python | Python | 预处理、源定位、时频分析。 |
| fMRI | Nilearn | Python | 解码、连接、可视化。 |
| 相平面 / 分岔 | XPPAUT / PyDSTool | C / Python | 周期解 continuation 与分岔图。 |
---
数据与代码
| 推荐 | 资源 | 说明 |
|---|---|---|
| ★★★ | ModelDB(Yale SenseLab) | 最大的可执行神经模型库,经典模型几乎都有代码。 |
| ★★★ | Allen Brain Atlas / AllenSDK | 脑图谱、连接组、细胞类型、电生理,全部开放。 |
| ★★ | CRCNS.org | 共享实验神经数据(电生理、影像、行为),按数据集引用。 |
| ★★ | DANDI Archive | NWB 格式神经数据公共归档。 |
| ★★ | NWB(Neurodata Without Borders) | 神经数据通用容器格式,可复现分析的事实标准。 |
引用提醒:每个数据集都有自己的许可条款(CC BY / CC BY-NC / 自定义)。使用前逐一确认,尤其是商用与再分发。
---
期刊与会议
- 顶刊:Nature Neuroscience、Neuron、Nature Methods(方法)
- 专业刊:PLoS Computational Biology、Journal of Computational Neuroscience、Neural Computation、eLife
- 预印本:bioRxiv、arXiv (q-bio.NC)
- 会议:Cosyne(计算神经科学系统)、CNS 年会、Bernstein Conference、Neuromatch
追踪建议:不必追全部。选 3–5 个实验室的 lab page + 2 本刊的 RSS,比刷 Twitter 有效得多。
---
中文资源
| 名称 | 平台 | 适合用来 |
|---|---|---|
脑人言 iBrainTalk(ibrain-talk) | 微信公众号 / 知乎 / B站 | 学"怎么把机制讲成人话"。公益团队,百余位神经科学博士作者,明确覆盖计算神经科学与 AI。 |
神经现实(neureality) | 微信公众号 | 认知科学与计算神经科学深度长文,翻译质量较高。 |
集智俱乐部(swarma_org) | 微信公众号 / 读书会 | 复杂系统与计算神经科学读书会,有系列讲座回放。 |
| 中国神经科学学会 | 官网 / 公众号 | 会议、培训、政策信息。 |
| 知乎「计算神经科学」话题 | 知乎 | 入门问答与书单,质量参差,需交叉验证。 |
---
引用格式建议
站内引用统一用这种格式,读者能顺藤摸瓜:
作者 (年份). 标题. 期刊, 卷(期), 页码. doi:xxx教材章节:
Gerstner, W., et al. (2014). Neuronal Dynamics. CUP. §4.2.数据集:
<数据集名>. <机构>. <版本/访问日期>. <DOI 或 URL>---
如何判断一个资源是否可信
按这个顺序看:
- 作者是否是该问题的直接研究者(不是二手转述者)。
- 是否给出可复现的代码或数据(计算神经科学的硬标准)。
- 结论是否被独立重复(至少两篇不同实验室的工作)。
- 是否区分了"模型能解释"与"机制确实如此"(这是最容易被忽略的一条)。
<br>