Neural-DISCO 是研究者 Nico Policzer 与另外三位合作者提出的一种用于神经活动反事实建模的框架，论文以《Neural-DISCO: Source-Conditioned Counterfactual Editing of Neural Population Activity》为题发布在 arXiv 上，编号为 arXiv:2610.33145v1，属于机器学习（cs.LG）类别，同时涉及神经元与认知（q-bio.NC）方向。该论文被 NeurIPS 2026 接收为海报展示，提交时间为 2026 年 10 月 23 日（UTC 17:10:33），全文约 8,995 KB，代码已在 GitHub 的 TangLab-UBC/Neural-DISCO-neurips 仓库公开。
论文关注的系统神经科学核心问题是：神经活动究竟如何编码行为变量与感觉变量。作者指出，仅凭标签去预测神经活动的模型并不足够，真正需要的是「以源响应为条件的反事实编辑」（source-conditioned counterfactual editing）能力。也就是说，给定一次真实记录到的源神经响应，研究者应当能够修改其中某一个已测量的行为或刺激标签，并预测神经活动将如何随之改变，同时保留其余已观测标签以及无法由标签解释的、源响应特有的变异性。
为满足这一需求，作者提出了 Neural-DISCO，一个基于解耦表示学习的反事实建模框架。其核心做法是把潜空间划分为若干与标签对应的分量，每个分量对应一个已观测的行为或刺激标签，另外再设置一个残差潜变量，用来捕捉那些并非由已观测标签提供的变异性。这样的结构使得模型可以对单个测量标签进行选择性编辑，从而生成反事实神经响应，同时尽量保持原始活动中的其余内容不变。
作者在模拟数据集和真实神经记录数据集上验证了该方法：解耦后的潜空间结构确实支持对测量标签的选择性编辑，生成的反事实响应的同时保留了原始活动的其他成分。此外，为了解行为与刺激标签在单神经元分辨率上是如何被编码的，研究团队将这一解耦框架与特征归因方法结合使用，从而识别出对每个标签最为重要的神经元。实验发现，解耦能够提升对已知功能细胞角色的恢复能力，这一效果在合成数据和真实数据上均得到体现。
这些结果共同说明，Neural-DISCO 不仅可以作为神经活动的反事实建模框架，也为探究神经群体如何编码行为与感觉信息提供了一个实用的接口。作者在论文中强调，该工作将预测式建模推进到可干预、可解释的反事实分析层面，并已通过公开代码支持后续研究复现与扩展。