Mark Cembrowski在美國西北大學應用數學系讀研時對神經生物學很感興趣，他發現了一種方法，可以結合他的這兩種興趣。
他的兩位數學教授正在與同在西北大學工作的生理學家Joshua Singer合作，Joshua一心想要製造一個被稱作AII無長突中間神經元的視網膜細胞的生物學模型。“Josh希望有人來構建一個AII細胞的模型，試圖理解AII作為輸入/輸出設備的運作方式。”Cembrowski解釋道。因此，他加入了Singer的團隊。
但是模型的品質取決於輸入的資料。很快，Cembrowski表示，他意識到他需要更多東西，特別是膜片鉗電生理學資料。他將不得不自己收集這些資料。
即便對於經驗豐富的神經科學家而言，膜片鉗技術也不是件易事，更不要說一個從沒進過生物實驗室的應用數學家。“當時我特別糟糕。”他承認，“開始的時候我損壞了不少東西。”
但他仍舊堅持了下來，並於2012年發表了他的第一篇電生理學論文。“我對它的整體觀點發生了180度的轉變。”他說，“當我找到了自信並能夠進行這些實驗技術時，我感覺自己站在了世界的最高點。”
事實證明，像Cembrowski這樣的研究者也是站在神經科學世界頂端的。在這一領域，研究機會逐漸將傳統神經生物學與技術發展融合在一起。
學科領域的融合促使奧巴馬總統最近宣佈了“使用先進創新型神經技術進行人腦研究（Brain Research through Advanced Innovative Neurotechnologies ，BRAIN）”的計畫。
該計畫得到了來自美國國立衛生研究院（NIH）、美國國家科學基金會（NSF）和美國國防部高級研究計畫署（DARPA）共計1.1億美元的支持，該計畫著重關注技術的研發，美國國立心理健康研究所（NIMH）所長Tom Insel表示。NIH的四個研究所為該計畫貢獻了4000萬美元，NIMH便是其中之一。
“這是一個獨特的投資。”Insel表示，“並不是為了擴展神經科學的所有部分，而是具體投資於工具研發領域，該領域有時難以獲得RO1的經費資助。”
他說，該計畫特別要支持一類新的神經科學家，他們並不是被作為傳統的腦科學家來培養的，而是作為物理學家、數學家、電腦科學家或工程師——這些科學家可能從未獲得過NIH的經費。“對我來說，判斷BRAIN計畫成功的一個標準就是，當我看到受資助名單的薪酬計畫時，我希望我不會認識其中的大多數人。”他說。
一個不會在名單上出現的名字，就是仍然在接受培訓的Cembrowski。他在獲得了應用數學的博士學位後，便加入了霍華德·休斯醫學研究所珍妮莉婭農場研究園區的Nelson Spruston實驗室，這是一個主要專注於神經生物學的私人研究機構。在那裡，他不斷地穿梭於各個領域，從電生理學到RNA測序數據分析、解剖學和組織學，再到行為分析。“沒有一種技術是一座孤島。”他解釋道，“人們總是可以採用其他技術來驗證和擴展之前所做的工作。”
“這個人不知道任何界限的存在。”Spruston表示，“他會走出去，學習他所需要學習的知識，來解答他想要解答的問題。這對我來說就是當今成功神經科學家的表型。”
積累技能
那麼，一個人如何成長為這種表型呢？當然，堅實的技術背景是沒有壞處的。近期最流行的包括神經連接組學、功能性磁共振成像（fMRI）和光遺傳學。
但是大多數人表示，技能獲取本身並不要緊，更重要的是嘗試新事物的意願，以及擁有充分的神經生物學知識，這樣才能理解需要問什麼問題。
“我們雇傭助理教授並不是因為他們瞭解某項技術，而是因為他們致力於某個有趣的問題。”布蘭迪斯大學神經科學教授Eve Marder表示，“我們非常期待在5到10年內，他們可能會使用一種完全不同的技術。”
 
Ed Boyden從化學和物理學家轉變為共同研發光遺傳學的電氣工程師，他也持有這種觀點。“有技能固然是好的。但可能比擁有技能更重要的是有能力學習新的技能。”他說。畢竟，今天的流行技術遲早都會過時。
在當今的“大資料”時代，強大的電腦技能和資訊學知識也成為獲得神經科學成功越來越重要的因素，華盛頓大學醫學院神經生物學校友講席教授、人類連接組計畫（Human Connectome Project ，HCP）項目共同負責人David Van Essen表示，“這並不意味著他們需要自己寫新程式，但他們需要適應以越來越複雜的方式利用電腦。”
Marder表示，她的學生不可避免地開始精通MATLAB。與德國法蘭克福馬普研究所腦研究主任、神經連接組學專家Moritz Helmstaedter合作的科研人員也是如此。
Helmstaedter表示，從他的經驗來講，通常神經科學，尤其是神經連接組學最好的技能搭配是物理學背景。“這幾乎總是一個有說服力的特徵。”他說，“因為如果一個人有這種背景，而且又對神經科學感興趣的話，一般很少令你失望。”但他繼續說，除此之外，對定量分析的興趣也是必需的。
他指出，大腦是一個“尚不明了的、錯綜複雜的”生物機器，因此不可避免地要用到在單純的生物學中鮮見的複雜數學運算和定量方法。“資料如此巨大，因此分析必須是定量的，這是當然的，但也需要高維的模式識別。這些主題也要求你必須有良好的量化知識背景。”
這種定量的傑出才能甚至可以幫助研究人員推進他們以前尚未生成的公共資料集。麻省總醫院（MGH）馬蒂諾生物醫學工程中心的另一位元HCP項目負責人Van Wedeen表示，神經科學資源的激增如HCP和艾倫人腦圖譜發表的資源，可以為缺少經費收集這種資料的年輕科學家帶來意想不到的紅利。特別是他們讓科研人員可以試驗激進的想法，並在新的焦點領域間穿梭。“他們讓所有人不分老幼，都能不完全以先前的工作為驅動去追求研究設想。”他說。
Spruston表示，他雇傭的博士後通常不懼怕拆開某樣東西並將其重新組裝回去，又或是自己寫軟體而非使用現成的解決方法。在某種程度上來說，他說，這是因為他想要“非常擅長量化的”人。但也是因為，行業領導者往往是非常理解某項技術並可以對其進行改進的人。“如果你只是一直做5年前或10年前在做的事情，它所獲得的效果將不如當技術進步發生時你已經站在它的頂端。”
繼續教育
神經科學家可以磨練技術優勢的一個方式就是學習物理學或工程學的非專業課程（如果他們仍然在研究生院的話），或者是在可以教授他們新技術的實驗室做博士後研究。
對於技術研發迅速提升的重視程度意味著，職業發展並不只是給老神經科學家教授新把戲，也是為了面向工程師、物理學家和電腦科學家進行以神經科學為基礎的培養。
在美國佐治亞瑞金斯大學大腦和行為發現研究所聯合所長Joe Tsien的實驗室裡，有幾個電腦學家和物理學家。“以我的經驗將這些人培養去研究生物學，比將生物學家培養成為電腦學家更簡單。”他說。
一些高校開始提供具體專注於神經技術的研究生培養，其中一個就是麻省理工學院（MIT）的神經生物學工程中心。共同負責該中心的主任Boyden表示，傳統的神經科學研究生項目一般專注於由假設驅動的研究——提問並解答“大腦中深奧難懂的秘密”。相較而言，MIT中心則“是關於如何構建工具”。
“我們非常想要構建能夠讓我們解答問題的技術，這些問題人們甚至現在可能都無法提出。”Boyden解釋道。
加州大學洛杉磯分校（UCLA）心理學助理教授Martin Monti則採用了一個不同的路徑來促進他對技術的熱忱。2008年，Monti在英國劍橋大學醫學研究理事會認知和腦科學系讀博士後時，曾參與了加州大學洛杉磯分校的塞梅爾神經成像培訓專案（NITP），在陽光燦爛的加州度過了兩周時光。
NITP是一項由聯邦政府資助的專案，致力於“吸納那些接受過對於神經科學來說是非傳統培訓的人——工程師、數學家、統計學家、物理學家等等——並讓他們熟悉神經成像技術的最新情況，這門科學需要這些類型的技術”。負責該項目的Mark Cohen表示，“它既包括面向所有加州大學洛杉磯分校研究生的傳統的一年獎學金計畫，也開放了一項為期兩周的先進磁共振成像方法及應用的浸入式暑期課程。”
暑期專案的名額僅限於來自所有學銜的35~36個參與者，“結合了課堂講授、實驗室練習和以團隊為基礎的科研體驗。”Cohen表示，“最終一些論文得以發表，並形成了長期的合作。”
該項目也有一個補充議程，他接著說，就是吸納來自更傳統的神經科學領域的人，“讓他們沉下心來認真學習我們在成像中所用到的基本技術，包括數學、物理、電氣工程及其他對理解該領域至關重要的事情”。