神经科学领域的大数据主要有“成像”数据，像功能性核磁共振（fMRI）、弥散张量成像（DTI）、电压敏感染料成像（VSDI）等实验的数据；还有使用多通道技术获得的的长时间的电生理数据，如多道EEG、胞外多通微电极记录、微电极阵列（MEA）记录等实验的数据。

这些数据的特点一是数据文件体积庞大，在2003年的时候就可以轻易超过1G（脑电生理数据），或者是在计算机内存中进行计算的时候会超过4G，以至于必需使用64位操作系统。第二个特点是使用单个CPU计算时需要很长时间，像2003年即使200M大小的脑电生理数据，使用当时的单核计算机做时频谱分析，一个数据文件的计算时间通常都要超过2个小时。

在目前多核计算机平台下进行计算，对于需要进行复杂计算的数据，大多数专用的神经科学分析软件暂时还不支持并行计算，有些通用的软件如Matlab已经可以支持OpenMP和CUDA两种模式的并行计算，但前提要求是使用者必须懂得计算机编程，尤其像CUDA模式更是如此。目前国内的神经科学计算还很少有人用到超级计算机（以下简称“超算”），使用超算多少有些麻烦，主要原因是还没有比较成熟的软件（无论商业还是开源软件）可以让一般的神经科学家像使用Excel一样方便地使用那样的并行软件。即使在桌面领域，支持OpenMP和CUDA的神经科学专用计算软件也很稀少。但是这样的局面不会保持太久，估计在2020年之前这样的软件就会比较普及。

并行计算软件的普及对于研究者来说是很重要的，除了软件之外，更重要的怕是对于神经科学数据的理解、分析能力。要完成这种研究，必须有数学、信息学、神经生物学等多个领域的专家联合起来对某个专门的问题进行集中、深入的研究方可。这种多学科联合不是那种“要钱”的松散联合，而是为了解决一个实际问题必须要进行的实质性联合。

为了进行联合研究，各领域的专家或多或少都需要对其他的领域有部分了解，否则这种合作的桥梁很难搭建起来。如果神经生物学家不懂一点数学和计算，数学家和信息学家不懂一点神经生物学，合作就不会有什么成效。

大数据的核心问题在于如何挖掘与相关领域有关的科学规律，所以这种挖掘不能仅靠所谓的“数据科学家”，因为大数据通常都是和某个具体科学领域有关，或者和某个具体的科学问题有关，因此，除了数据科学家之外，实验学家和理论学家都需要参与数据的挖掘工作，这是一个综合性很高的系统工程。

大数据概念诞生到现在还不到5年，但是神经科学家为了揭开脑功能的奥秘，和大数据打交道已经10年以上了，像2005年欧洲发起的“蓝脑计划（Blue Brain Project）”使用显微镜和膜片钳技术以及超算从一小片脑片研究开始，直到最近几年IBM用超算和专门芯片来模拟大脑为止，神经科学领域对于大数据的理解和其他领域相比要更加深入。

对于神经科学领域的研究人员来说，无论是小到分子水平还是大到行为水平方面的研究，迟早都要和大数据打交道，所以，掌握一些必要的数学、计算机编程的知识对于今后事业的发展是会有所帮助的。