對大腦的全面了解需要對神經(jīng)組織的眾多尺度和層次進(jìn)行綜合描述。然而，多尺度的大腦建模具有挑戰(zhàn)性，部分原因是難以同時從多個尺度和層次獲取信息。雖然人們已經(jīng)對特定微回路在產(chǎn)生宏觀大腦活動中的作用有了一些認(rèn)識，但對發(fā)生在一個尺度或水平上的變化如何對其他尺度或水平產(chǎn)生影響仍然知之甚少。最近，解決這一問題的主要努力來自于開發(fā)新的網(wǎng)絡(luò)科學(xué)和復(fù)雜系統(tǒng)理論。本文從結(jié)構(gòu)-功能、振蕩頻率和時間演化等方面介紹了多尺度腦組織表征的最新進(jìn)展，綜述了神經(jīng)元組成高階組織的物理基礎(chǔ)，以及基于多模態(tài)網(wǎng)絡(luò)的腦病理生物標(biāo)志物的識別，還總結(jié)了多層網(wǎng)絡(luò)理論的最新成果。本文發(fā)表在Reviews of
Modern Physics雜志。(可添加微信號siyingyxf或18983979082獲取原文，另思影提供免費(fèi)文獻(xiàn)下載服務(wù)，如需要也可添加此微信號入群，原文也會在群里發(fā)布)。思影曾做過多期腦網(wǎng)絡(luò)及動態(tài)腦功能相關(guān)文章解讀，結(jié)合閱讀，加深理解，感謝幫轉(zhuǎn)支持（直接點擊，即可瀏覽，加微信號siyingyxf或18983979082獲取原文及補(bǔ)充材料）：
現(xiàn)代物理評論：大腦網(wǎng)絡(luò)中的動力學(xué)控制
重放，默認(rèn)模式網(wǎng)絡(luò)和記憶的級聯(lián)系統(tǒng)控制網(wǎng)絡(luò)和hubs
Nature Neuroscience：網(wǎng)絡(luò)神經(jīng)科學(xué)
PNAS：節(jié)食可調(diào)節(jié)年輕人腦網(wǎng)絡(luò)的穩(wěn)定性
網(wǎng)絡(luò)閾值和加權(quán)對結(jié)構(gòu)腦網(wǎng)絡(luò)的影響
復(fù)雜大腦網(wǎng)絡(luò)的結(jié)構(gòu)和功能
人腦的連接性中心節(jié)點促進(jìn)了人腦網(wǎng)絡(luò)的模塊化
大腦狀態(tài)的重構(gòu)與認(rèn)知行為之間的映射
大腦是一種什么樣的網(wǎng)絡(luò)?
大尺度功能腦組織結(jié)構(gòu)：6個主要原則
圖論方法在大腦網(wǎng)絡(luò)中的應(yīng)用
大腦網(wǎng)絡(luò)結(jié)構(gòu)、功能和控制的物理學(xué)
腦網(wǎng)絡(luò)研究中的圖論指標(biāo)詳解
從宏觀尺度腦網(wǎng)絡(luò)的角度看結(jié)構(gòu)--功能關(guān)系
圖論在靜息態(tài)和動態(tài)腦連接評估中的應(yīng)用：構(gòu)建腦網(wǎng)絡(luò)的方法
腦網(wǎng)絡(luò)組織的經(jīng)濟(jì)性
兒童神經(jīng)認(rèn)知網(wǎng)絡(luò)的動態(tài)功能連接
動態(tài)功能連接：前景、問題和解釋
Nature reviews Neuroscience：認(rèn)知加工相關(guān)的默認(rèn)網(wǎng)絡(luò)
自閉癥研究中的默認(rèn)網(wǎng)絡(luò)
默認(rèn)網(wǎng)絡(luò)：最新的解剖、生理研究及其研究發(fā)展過程中的新觀點
腦網(wǎng)絡(luò)核心節(jié)點的發(fā)育
抑郁癥，神經(jīng)影像學(xué)和連接組學(xué)
重度抑郁癥多成像中心的泛化腦網(wǎng)絡(luò)標(biāo)志物
Biological Psychiatry：精分患者大腦的組織體積變化與腦網(wǎng)絡(luò)
基于人腦連接組學(xué)將疾病癥狀映射于腦網(wǎng)絡(luò)
大腦連接障礙中跨腦疾病的連接圖論在識別人腦網(wǎng)絡(luò)連通性模式中的應(yīng)用
網(wǎng)絡(luò)神經(jīng)科學(xué)中模型的性質(zhì)和使用
動態(tài)：
動態(tài)腦網(wǎng)絡(luò)與創(chuàng)造力
根據(jù) fMRI 數(shù)據(jù)估計時變連接模式
自閉癥和注意缺陷多動障礙默認(rèn)模式網(wǎng)絡(luò)的周期性動態(tài)改變
Nature子刊：高功能自閉癥患者的大腦網(wǎng)絡(luò)動態(tài)
人類意識由大腦信號協(xié)調(diào)的復(fù)雜動態(tài)模式支持
利用fMRI大腦動力學(xué)研究人類的多方面行為和精神疾病
電影會誘發(fā)豐富而可靠的大腦狀態(tài)動力學(xué)
腦小血管病變伴認(rèn)知障礙的大腦動力學(xué)與白質(zhì)高信號的關(guān)系
Nature子刊：敘事理解過程中默認(rèn)網(wǎng)絡(luò)的動態(tài)重構(gòu)
不同的丘腦皮層網(wǎng)絡(luò)動力學(xué)與慢性腰痛的病理生理學(xué)有關(guān)
基于滑動窗口法的相關(guān)性能否揭示靜息態(tài)fMRI中的動態(tài)功能連接？
動態(tài)功能腦網(wǎng)絡(luò)狀態(tài)中的EEG特征
Radiology:認(rèn)知功能障礙的多發(fā)性硬化癥患者的fMRI網(wǎng)絡(luò)動態(tài)性減低
現(xiàn)代物理評論：大腦網(wǎng)絡(luò)中的動力學(xué)控制
Brain：帕金森患者腦內(nèi)功能網(wǎng)絡(luò)連接異常
方法學(xué)：TDA：揭示大腦動態(tài)組織的新方法
1. 介紹
大腦是一個強(qiáng)大的復(fù)雜系統(tǒng)，它展示了大量的涌現(xiàn)現(xiàn)象(注釋：涌現(xiàn)是指那些高層次具有而還原到低層次就不復(fù)存在的屬性、特征、行為和功能)，例如臨界性。這些現(xiàn)象涉及多個空間尺度，從分子到整個大腦，并源于多個時間尺度，從亞毫秒到整個生命周期。更廣泛地說，水平可以指其他類型的維度或水平，例如不同實驗技術(shù)(如磁共振成像、電生理學(xué)和遺傳學(xué))捕獲的互補(bǔ)現(xiàn)象學(xué)信息或多個拓?fù)渌缴系纳窠?jīng)元相互作用(圖1)。
圖1 多尺度的大腦組織
大腦系統(tǒng)的不同組織形式是多維的。這里說明了三種類型的維度或?qū)哟?，?b>時間、空間和拓?fù)?/span>。從上到下，各個組織層次的尺度從微觀到宏觀。
通過研究組織復(fù)雜性和系統(tǒng)各部分之間的關(guān)系，對于理解基本神經(jīng)功能至關(guān)重要，并最終治愈大腦疾病。通過建模多尺度的大腦組織是我們這個世紀(jì)最重要的挑戰(zhàn)之一。旨在重現(xiàn)多尺度大腦行為的大型項目越來越多：人類大腦計劃，大腦計劃和中國大腦計劃。目前還沒有一個綜合的理論說明如何在多個尺度和層次之間建立橋梁。最近的一些模型提出了在多個尺度內(nèi)和之間模擬神經(jīng)活動，并進(jìn)一步為大腦組織的結(jié)構(gòu)和動力學(xué)提供了機(jī)制上的見解。
圖或網(wǎng)絡(luò)逐漸成為描述單個尺度或級別的異構(gòu)連接圖的一種方式。根據(jù)這個框架，網(wǎng)絡(luò)的節(jié)點對應(yīng)不同的大腦部位，如神經(jīng)元、神經(jīng)元集合，甚至更大的區(qū)域，但也對應(yīng)電子或光學(xué)傳感器。網(wǎng)絡(luò)的連接代表了節(jié)點之間解剖(結(jié)構(gòu))的連接或功能(動態(tài))的相互作用。解剖性腦網(wǎng)絡(luò)通常來源于如彌散張量成像(DTI)。動力腦網(wǎng)絡(luò)主要來自體內(nèi)和體外的功能成像，如光學(xué)成像、電生理學(xué)(腦電圖(EEG)、腦磁圖(MEG)等)或功能磁共振成像(fMRI)。
與其他真實的互聯(lián)系統(tǒng)一樣，大腦網(wǎng)絡(luò)往往在其連接結(jié)構(gòu)的整合和分離之間表現(xiàn)出最佳平衡。這種奇特的結(jié)構(gòu)，也被稱為小世界，在拓?fù)渖弦怨?jié)點之間的短路徑和豐富的集群連接共存為特征。小世界網(wǎng)絡(luò)確保節(jié)點之間的有效通信，有利于振蕩動力學(xué)的全腦同步。腦網(wǎng)絡(luò)還表現(xiàn)出其他重要的拓?fù)湫再|(zhì)，如：中尺度模塊化組織，以及在大腦外圍遠(yuǎn)端區(qū)域之間傳遞信息的核心中樞的存在。此外，大腦網(wǎng)絡(luò)是經(jīng)濟(jì)的，因為它們傾向于最小化與存在遠(yuǎn)程連接相關(guān)的能量成本(如代謝成本)。
在這里，我們通過建立一個統(tǒng)一的框架，從網(wǎng)絡(luò)的角度分析和建?？缍鄠€尺度和/或維度的神經(jīng)組織，擴(kuò)展了物理和神經(jīng)科學(xué)之間的聯(lián)系。具體來說，我們專注于基于多層網(wǎng)絡(luò)理論的方法。此外，最近引入了基于雙曲線幾何的網(wǎng)絡(luò)模型，以再現(xiàn)不同粗粒度空間分辨率下的大腦網(wǎng)絡(luò)，為大腦自相似性和臨界性提供了新的見解。更傳統(tǒng)的方法是通過設(shè)計單尺度動力學(xué)的生物物理模型和模擬簡單的層間連接方案來進(jìn)行多尺度大腦建模。
通過回顧多層網(wǎng)絡(luò)理論在研究大腦方面的研究成果，我們旨在激發(fā)對多層網(wǎng)絡(luò)理論構(gòu)成的多尺度神經(jīng)建模的令人興奮的討論和反思。為此，我們將專業(yè)術(shù)語減至最低，并采用一種通俗易懂的語言。
2. 大腦多尺度建模
多尺度建模的目標(biāo)是通過同時考慮在不同信息層次上發(fā)生和交互的多種特征或機(jī)制來描述系統(tǒng)的行為。這些層次可以代表不同性質(zhì)的現(xiàn)象，如連續(xù)介質(zhì)力學(xué)和分子動力學(xué)，或在不同的時空分辨率，從微觀尺度到宏觀尺度。因此，多尺度建模是綜合理解復(fù)雜系統(tǒng)和預(yù)測其涌現(xiàn)特性的核心。
在神經(jīng)科學(xué)中，多尺度建?？紤]了從單個神經(jīng)元活動到宏觀動力學(xué)行為的多個層次。這是通過生物物理力學(xué)模型和實驗神經(jīng)成像數(shù)據(jù)實現(xiàn)的。這種自下而上的方法允許人們通過在更小的尺度上整合信息來預(yù)測宏觀的可觀測值。這意味著神經(jīng)元集合的動力學(xué)在尺度上逐漸平均，形成一個特征的嵌套結(jié)構(gòu)，其中細(xì)粒度(粒度是指細(xì)分的級別)級別的多個單元映射到一個粗粒度的新實體(圖2(a))。
圖2 自底向上的層次建模
(a)所謂的k層次結(jié)構(gòu)顯示了從細(xì)胞水平到整個大腦的模型進(jìn)程。K0是一個不相互作用的神經(jīng)元集合。KI對應(yīng)的是具有足夠功能連接密度的皮層柱。KII代表興奮性和抑制性群體的集合。KIII由多個KII集合相互作用形成。KIV是由三個KIII集合相互作用形成的，它們模擬了意圖行為的簡單形式的起源。
(b)涉及丘腦皮層相互作用的主要成分示意圖。不同的陰影代表編碼系統(tǒng)的不同區(qū)域，即從微觀到宏觀尺度(皮層)。
丘腦皮質(zhì)模型可能是最簡單的例子之一，它可以重現(xiàn)不同的生理和病理條件，從帕金森病到癲癇發(fā)作。在該模型中，基本的微觀神經(jīng)生理學(xué)(如突觸和樹突動力學(xué))和中尺度的腦解剖學(xué)(如皮質(zhì)和皮質(zhì)丘腦通路)被逐步納入預(yù)測大規(guī)模腦電活動[圖2(b)]。
為了完全理解一個多尺度系統(tǒng)，不同尺度的模型必須耦合在一起，以產(chǎn)生跨多個層次的集成模型。事實上，全腦大腦動態(tài)強(qiáng)烈依賴于幾個相互連接的子網(wǎng)絡(luò)的相互作用，這些子網(wǎng)絡(luò)對產(chǎn)生這些動態(tài)有不同的貢獻(xiàn)。因此，研究尺度內(nèi)和尺度間的相互作用如何產(chǎn)生集體行為以及與環(huán)境的關(guān)系是現(xiàn)代多尺度大腦建模的中心主題。由于大量缺乏生物學(xué)證據(jù)，尤其是關(guān)于尺度間連通性的證據(jù)，大部分研究都集中在分析和數(shù)值方法上。
自上而下的方法，即從觀察完整系統(tǒng)中的生物特征開始，然后構(gòu)建理論來解釋觀察到的行為，提供互補(bǔ)的解決方案。特別是，基于神經(jīng)成像數(shù)據(jù)的數(shù)據(jù)驅(qū)動方法允許人們在解剖和功能層面推斷大腦的網(wǎng)絡(luò)表征。解剖型大腦網(wǎng)絡(luò)，也被稱為結(jié)構(gòu)網(wǎng)絡(luò)，通常利用彌散式核磁共振收集的數(shù)據(jù)識別神經(jīng)束。功能性腦網(wǎng)絡(luò)，有時被稱為動態(tài)網(wǎng)絡(luò)，是通過計算不同大腦部位產(chǎn)生的活動信號之間的相似性來估計的。自上向下的方法可以用來生成更豐富、更逼真的模型，再現(xiàn)真實的大腦連接方案，而不僅僅是模擬的。然而，更豐富的信息和更精確的模型也意味著更高的復(fù)雜性和更難解釋。這都是多尺度問題的典型特征，需要使用高效的算法來模擬完全集成的模型，以及合適的分析和解釋方法。
在所有這些方法中，像下面這樣的問題似乎是推進(jìn)多尺度模型的關(guān)鍵：如何在層次內(nèi)和層次之間建模，如何表征由此產(chǎn)生的高階網(wǎng)絡(luò)特性，以及從多個層次的相互作用中出現(xiàn)的關(guān)鍵現(xiàn)象是什么。在第三節(jié)中，我們介紹了多層網(wǎng)絡(luò)理論的方法論框架，它是神經(jīng)功能多尺度建模的最新發(fā)展的基礎(chǔ)。
3. 多層網(wǎng)絡(luò)的形式
研究具有多種連接類型的復(fù)雜系統(tǒng)的需求幾乎獨(dú)立地出現(xiàn)在不同的學(xué)科中，包括社會科學(xué)、工程和計算機(jī)科學(xué)。直到最近十年，才看到了與復(fù)雜系統(tǒng)和網(wǎng)絡(luò)科學(xué)工具兼容的通用框架的出現(xiàn)。
形式上，多層網(wǎng)絡(luò)定義為M=(G,C)，其中G為一組圖，C是連接不同圖中的節(jié)點的一組邊。Ga代表第a層的圖，Ca代表第a層的邊。描述復(fù)雜的系統(tǒng)時，在每個層或尺度中顯示不同數(shù)量的節(jié)點，有向或無向交互，加權(quán)或非加權(quán)連接。基于最先進(jìn)的研究，我們在這里考慮由復(fù)制節(jié)點組成的多層網(wǎng)絡(luò)。這意味著所有的層都有相同數(shù)量的節(jié)點，只允許改變層內(nèi)和層間的連通性[圖3(a)]。不同的多層網(wǎng)絡(luò)如圖3所示。
圖3 多層網(wǎng)絡(luò)的主要配置
(a)全多層網(wǎng)絡(luò)。允許層內(nèi)和層間連接，沒有特定的限制。
(b)多模態(tài)網(wǎng)絡(luò)。僅允許相同節(jié)點之間的層間連接。對層內(nèi)的連接沒有限制。
(c)時間網(wǎng)絡(luò)。只允許相鄰層之間進(jìn)行層間連接。對層內(nèi)的連接沒有限制。
多層網(wǎng)絡(luò)通常分為三個角度分析：微尺度拓?fù)洹⒅谐叨韧負(fù)浜秃暧^尺度拓?fù)洹?/span>
（1）微尺度拓?fù)涑Ｓ玫氖枪?jié)點度，它度量一個節(jié)點與其他節(jié)點共享的連接的實際數(shù)量。在多模態(tài)網(wǎng)絡(luò)中，度量節(jié)點i在所有層中如何排列的另一個流行的度量是復(fù)用參與系數(shù)。互連節(jié)點的三元組，也稱為三角形，是網(wǎng)絡(luò)中支持傳遞性、聚類和信息隔離的簡單配置。局部而言，這種趨勢可以通過聚類系數(shù)來量化，其擴(kuò)展為多重聚類系數(shù)。為了尋找網(wǎng)絡(luò)的中心，還有最短路徑這一指標(biāo)，其擴(kuò)展為重疊中介中心性。
（2）中尺度拓?fù)渖婕坝珊苌俟?jié)點組成的循環(huán)連接模式。它們構(gòu)成了一個復(fù)雜系統(tǒng)架構(gòu)的基本構(gòu)建塊，編碼基本的生物功能，如自動調(diào)節(jié)、級聯(lián)和前饋循環(huán)。網(wǎng)絡(luò)形成的多個節(jié)點的不同組或集群，是系統(tǒng)模塊化及其以隔離方式處理信息的能力的重要前提。多模態(tài)網(wǎng)絡(luò)中，模塊化的定義包含了不同層之間的關(guān)系，并同時對所有層進(jìn)行分區(qū)。在時間網(wǎng)絡(luò)中，存在一個節(jié)點靈活性的指標(biāo)，即節(jié)點跨層改變?nèi)后w分配的平均次數(shù)。一種特殊的網(wǎng)絡(luò)分區(qū)包括將網(wǎng)絡(luò)劃分為緊密連接的節(jié)點組成的核心和由其余弱連接節(jié)點組成的外圍，核心-外圍檢測算法。
（3）宏觀尺度拓?fù)浯嬖趶?fù)雜網(wǎng)絡(luò)的大規(guī)模特性，通常是通過在較小的拓?fù)涑叨壬暇酆闲畔?/span>而得到的。例如，網(wǎng)絡(luò)的全局效率和跨層的最短路徑。在圖論中，拉普拉斯矩陣在實際網(wǎng)絡(luò)中有許多有用的含義，從去噪到低維嵌入。第二小的拉普拉斯特征值，也稱為代數(shù)連通性(λ2)，扮演著重要的角色，因為它告訴了網(wǎng)絡(luò)的幾個重要屬性，如群體結(jié)構(gòu)，同步，擴(kuò)散和彈性。
4. 多層大腦網(wǎng)絡(luò)
最新的多層大腦網(wǎng)絡(luò)主要來源于人類的實驗神經(jīng)成像數(shù)據(jù)，節(jié)點代表相同的實體。這種類型的表示主要用于描述多模態(tài)大腦網(wǎng)絡(luò)，其不同層次可能包含不同結(jié)構(gòu)和功能連接，以及不同頻率。由功能磁共振成像和腦電圖信號派生的大腦網(wǎng)絡(luò)，其中節(jié)點分別對應(yīng)圖像體素和腦電傳感器。與多模態(tài)大腦網(wǎng)絡(luò)不同的是，時變大腦網(wǎng)絡(luò)的各層并不對應(yīng)于不同的空間或時間頻率尺度，但它們通常在固定的時間分辨率內(nèi)捕捉到網(wǎng)絡(luò)的動態(tài)演化。對于運(yùn)動行為來說，這通常是毫秒級的，對于人類學(xué)習(xí)來說是幾分鐘到幾小時，對于衰老和神經(jīng)退行性疾病來說是幾年的。
全多層網(wǎng)絡(luò)表示包含層內(nèi)和層間的重要連接，主要用于描述不同振蕩頻率內(nèi)和之間的腦信號相互作用[圖3(a)]。這種表示方法對于具有廣泛頻率內(nèi)容的功能性腦網(wǎng)絡(luò)特別有用，例如從電生理學(xué)、腦電圖或腦磁圖信號獲得的腦網(wǎng)絡(luò)。
多層網(wǎng)絡(luò)比標(biāo)準(zhǔn)網(wǎng)絡(luò)方法提供了更豐富的描述，但它們真的代表著在大腦組織建模方面向前邁進(jìn)了一步嗎?是否所有的層都是捕獲主要組織屬性所必需的?De Domenico, Nicosia等人(2015)通過引入一種結(jié)構(gòu)可約性方法來解決這些問題，該方法可以使多層網(wǎng)絡(luò)的層與層之間的非冗余拓?fù)湫畔⑾鄬τ谄渚酆蠈?yīng)物的數(shù)量最大化[圖4(a)]。對于大量的網(wǎng)絡(luò)，從蛋白質(zhì)相互作用到社交網(wǎng)絡(luò)，結(jié)構(gòu)可約性表明，從可區(qū)分性角度來看，最佳配置不一定是層數(shù)最多的那個。相反，由fMRI信號衍生的多頻大腦網(wǎng)絡(luò)不容易約簡，因為所有層都帶來了一些非冗余的拓?fù)湫畔?/span>[圖4(b)]。
圖4 多頻率腦網(wǎng)絡(luò)的結(jié)構(gòu)可約性
(a)對于每一層的組合，函數(shù)衡量相對于等效的單層模型增加的新信息量。
(b)從健康受試者的fMRI多頻腦網(wǎng)絡(luò)中獲得的函數(shù)的中值。
雖然大多數(shù)研究都集中在多模態(tài)大腦網(wǎng)絡(luò)上，但更好地理解全多層大腦網(wǎng)絡(luò)的新特性仍有待闡明。Buldú和Porter(2018)通過研究基于頻率的多模態(tài)大腦網(wǎng)絡(luò)和由腦磁導(dǎo)圖(MEG)腦信號導(dǎo)出的全多層大腦網(wǎng)絡(luò)之間的差異，解決了這些方面的問題[圖5(a)]。通過評估代數(shù)連通性λ2，他們表明全多層大腦網(wǎng)絡(luò)接近于層的整合和分離之間的最佳過渡點。相反，等效多模態(tài)大腦網(wǎng)絡(luò)中的層更加隔離，并且遠(yuǎn)離這個過渡點。這些發(fā)現(xiàn)表明，以前未被重視的跨層相互作用對解釋大腦組織的涌現(xiàn)性十分重要。
圖5 全多層大腦網(wǎng)絡(luò)的涌現(xiàn)性
(a)多頻MEG網(wǎng)絡(luò)的層內(nèi)和層間連接。
(b)代數(shù)連通性λ2作為層間總連通性(Sp)的函數(shù)。
大腦連接網(wǎng)絡(luò)是根據(jù)實驗數(shù)據(jù)估計出來的。這意味著必然有虛假連接的存在，在構(gòu)建過程中，多層大腦網(wǎng)絡(luò)會受到這些噪聲的影響，這可能會改變多尺度大腦網(wǎng)絡(luò)組織特性與被試特征和行為之間的真實關(guān)聯(lián)。
為了減少估計連接中不希望出現(xiàn)的變化，在標(biāo)準(zhǔn)網(wǎng)絡(luò)分析的基礎(chǔ)上，主要采用了兩種策略。第一種方法包括操縱大腦信號，而第二種方法直接操作連接矩陣。Lydon-Staley等人(2019)使用第一種方法抑制頭部運(yùn)動對記錄的大腦信號的影響，進(jìn)而抑制估計的大腦網(wǎng)絡(luò)。他們測試了不同的信號去噪策略，主要基于回歸和源分離技術(shù)。第二種方法是過濾網(wǎng)絡(luò)連接。通常是通過對要保留的最強(qiáng)邊緣的百分比或它們的權(quán)重固定一個閾值來實現(xiàn)的。根據(jù)閾值的不同，得到的網(wǎng)絡(luò)可能有不同的密度和/或強(qiáng)度。
如您對腦影像及腦網(wǎng)絡(luò)等數(shù)據(jù)處理如腦功能，腦網(wǎng)絡(luò)或其他模態(tài)腦影像數(shù)據(jù)處理感興趣，請瀏覽思影以下鏈接（直接點擊即可瀏覽），感謝轉(zhuǎn)發(fā)支持。(可添加微信號siyingyxf或18983979082咨詢)：重慶：
第九屆腦網(wǎng)絡(luò)數(shù)據(jù)處理提高班（重慶，10.13-18）
第七十屆磁共振腦影像基礎(chǔ)班（重慶，10.22-27）
第二十八屆彌散成像數(shù)據(jù)處理班（重慶，11.5-10）
第六屆彌散磁共振成像提高班（重慶，11.17-22）
第二十三屆磁共振腦影像結(jié)構(gòu)班（重慶，11.27-12.2）
上海：
第二十四屆腦影像機(jī)器學(xué)習(xí)班（上海，10.9-14）
第三十一屆磁共振腦網(wǎng)絡(luò)數(shù)據(jù)處理班（上海，10.28-11.2）
第六十九屆磁共振腦影像基礎(chǔ)班（上海，11.4-9）
南京：
第三十三屆磁共振腦網(wǎng)絡(luò)數(shù)據(jù)處理班（南京，10.16-21）
第二十二屆磁共振腦影像結(jié)構(gòu)班（南京，10.24-29）
第七十一屆磁共振腦影像基礎(chǔ)班（南京，11.12-17）
第二十九屆彌散成像數(shù)據(jù)處理班（南京，11.19-24）
北京：
第十屆腦網(wǎng)絡(luò)數(shù)據(jù)處理提高班（北京，10.20-25）
第十一屆磁共振ASL（動脈自旋標(biāo)記）數(shù)據(jù)處理班（北京，11.3-6）
第七十二屆磁共振腦影像基礎(chǔ)班（北京，11.9-14）
第六屆影像組學(xué)班（北京，11.25-30）
第五屆R語言統(tǒng)計班（北京，11.16-20）
數(shù)據(jù)處理業(yè)務(wù)介紹：
思影科技功能磁共振(fMRI)數(shù)據(jù)處理業(yè)務(wù)
思影科技彌散加權(quán)成像（DWI/dMRI）數(shù)據(jù)處理
思影科技腦結(jié)構(gòu)磁共振成像數(shù)據(jù)處理業(yè)務(wù)（T1)
思影科技定量磁敏感（QSM)數(shù)據(jù)處理業(yè)務(wù)
思影科技嚙齒類動物（大小鼠）神經(jīng)影像數(shù)據(jù)處理業(yè)務(wù)
思影科技靈長類動物fMRI分析業(yè)務(wù)
思影數(shù)據(jù)處理業(yè)務(wù)三：ASL數(shù)據(jù)處理
思影科技腦影像機(jī)器學(xué)習(xí)數(shù)據(jù)處理業(yè)務(wù)介紹
思影科技微生物菌群分析業(yè)務(wù)
招聘及產(chǎn)品：
思影科技招聘數(shù)據(jù)處理工程師 （上海，北京，南京，重慶）
BIOSEMI腦電系統(tǒng)介紹
目鏡式功能磁共振刺激系統(tǒng)介紹
5. 大腦組織的多層網(wǎng)絡(luò)特性
大腦結(jié)構(gòu)和功能組織都是認(rèn)知、知覺和意識等復(fù)雜神經(jīng)現(xiàn)象的關(guān)鍵決定因素?，F(xiàn)代神經(jīng)科學(xué)的一個重要問題是結(jié)構(gòu)連接和功能連接是如何相互關(guān)聯(lián)的，以及這種假定的相互作用如何能更好地幫助我們理解大腦組織。使用基于模型和基于數(shù)據(jù)的方法的研究表明，功能水平的連通性可以部分由結(jié)構(gòu)水平預(yù)測。
但是，由結(jié)構(gòu)層和功能層組成的多層網(wǎng)絡(luò)的高階拓?fù)涮匦允鞘裁?/span>?為了解決這些問題，Battiston等人(2017)首先研究了DTI-fMRI多模態(tài)網(wǎng)絡(luò)各層間形成的簡單連接的存在。他們發(fā)現(xiàn)，包括結(jié)構(gòu)連接和正相關(guān)功能連接的基序在人腦中過多[圖6(a)]。這證實了解剖學(xué)連接的存在很可能導(dǎo)致相應(yīng)大腦區(qū)域之間的同步活動。總的來說，結(jié)果表明，大腦的內(nèi)在功能組織受到基礎(chǔ)解剖網(wǎng)絡(luò)的顯著限制，不能僅用它來解釋。
圖6 多模態(tài)腦網(wǎng)絡(luò)的多重分析
(a)結(jié)構(gòu)-功能雙層腦網(wǎng)絡(luò)。根據(jù)DTI結(jié)構(gòu)層[綠色(上層)節(jié)點]和fMRI功能層[黃色(下層)節(jié)點]的連接類型，兩個節(jié)點存在5個重要基序。
(b)由有向結(jié)構(gòu)元組(實連接)組成的多重三角形圖案，由功能邊(虛線連接)閉合。
從微尺度的神經(jīng)元相互作用中模擬大尺度大腦動力學(xué)的出現(xiàn)對于理解神經(jīng)多尺度組織的機(jī)制是至關(guān)重要的。Zhou等人(2007)的一項早期研究提出了一種基于皮層結(jié)構(gòu)連接組的計算模型。他們模擬了每個區(qū)域正在進(jìn)行的活動，并通過皮爾遜相關(guān)估計了區(qū)域間的功能連接。
聚類和最短路徑是復(fù)雜系統(tǒng)中的一般概念。這些概念調(diào)和了長期以來關(guān)于大腦功能的兩種對立觀點。一方面是將不同的認(rèn)知任務(wù)與分離的大腦區(qū)域聯(lián)系起來。另一方面是全局工作空間理論，該理論假設(shè)了實現(xiàn)相同任務(wù)的區(qū)域間信息集成的必要性。最近，大腦的整合被重新觀察，并被假設(shè)為由網(wǎng)絡(luò)中幾個核心樞紐的存在決定，而不是直接由最短路徑?jīng)Q定。
對于多模態(tài)連接，Battiston等人(2018)通過評估DTI-fMRI多模網(wǎng)絡(luò)的核心-外圍結(jié)構(gòu)，研究了相關(guān)的集成特性。與單層分析相比，他們的結(jié)果在大腦的感覺運(yùn)動區(qū)發(fā)現(xiàn)了新的核心區(qū)域，這些區(qū)域是所謂的默認(rèn)模式網(wǎng)絡(luò)(DMN)的關(guān)鍵組成部分。此外，這些結(jié)果排除了先前確定的額葉區(qū)域。通過包括結(jié)構(gòu)(DTI)和功能(fMRI)網(wǎng)絡(luò)信息，這些發(fā)現(xiàn)為人類連接組核心的整合特性提供了新的、豐富的描述(圖7)。
圖7 人類連接組的多重核心-外圍結(jié)構(gòu)。從結(jié)構(gòu)層(DTI)和功能層(fMRI)獲得的多層核心與單層核心的散點圖。
時間腦網(wǎng)絡(luò)顯示出跨越多個時間尺度的分離和整合交替周期，與“動態(tài)”中樞的存在有關(guān)，以及與狀態(tài)相關(guān)的群體結(jié)構(gòu)。為了更好地理解這種過渡的作用，Pedersen等人(2018)從靜息狀態(tài)fMRI信號的大型數(shù)據(jù)集中研究了多層網(wǎng)絡(luò)靈活性[圖8(a)]。結(jié)果表明，節(jié)點靈活性，即連續(xù)時間層間群體切換的頻率，在特定的聯(lián)想腦區(qū)(即顳頂區(qū))尤其高。這些較高的局部靈活性值主要發(fā)生在大腦表現(xiàn)出全局低而穩(wěn)定的網(wǎng)絡(luò)強(qiáng)度時，以最小化與綜合時間切換相關(guān)的整體能量成本[圖8(b)]。除此之外。還有人研究了更長的時間尺度，Malagurski等人(2020)利用四年時間跨度內(nèi)獲得的縱向功能磁共振成像數(shù)據(jù)，研究了大腦分離如何隨年齡變化。
圖8 時間網(wǎng)絡(luò)靈活性與大腦表現(xiàn)相關(guān)
(a)時間網(wǎng)絡(luò)中的網(wǎng)絡(luò)交換(或靈活性)概述。紅圈和藍(lán)圈根據(jù)多層網(wǎng)絡(luò)模塊化度量標(biāo)識屬于兩個不同群體的節(jié)點。
(b)動態(tài)fMRI結(jié)果圖。
還有些研究涉及特定的精神狀態(tài)或行為。大腦是一個極其靈活和適應(yīng)的系統(tǒng)，能夠根據(jù)來自外部環(huán)境的內(nèi)源性和外源性刺激改變其組織(這一特性通常被稱為可塑性)。在這里，我們展示了一些最新的結(jié)果，顯示了多層大腦網(wǎng)絡(luò)屬性如何根據(jù)特定的行為發(fā)生變化，以及這些高階拓?fù)渥兓绾闻c被試間的變異性相關(guān)。
人類的學(xué)習(xí)可能是最有趣(但尚未完全理解)的神經(jīng)過程之一。神經(jīng)科學(xué)的一個基本問題是，如何通過可塑性獲得學(xué)習(xí)，同時不導(dǎo)致神經(jīng)突觸活動出現(xiàn)失控的興奮。Virkar等(2016)提出了一種通過雙層網(wǎng)絡(luò)模型保持學(xué)習(xí)神經(jīng)系統(tǒng)穩(wěn)定性的機(jī)制。第一層包含由突觸連接的模型神經(jīng)網(wǎng)絡(luò)。第二層包含一個神經(jīng)膠質(zhì)細(xì)胞通過縫隙連接的網(wǎng)絡(luò)模型[圖9(a)]。主要結(jié)果表明，在適當(dāng)?shù)哪Ｐ蛥?shù)值下，兩層之間的擴(kuò)散相互作用防止了正在進(jìn)行的活動和學(xué)習(xí)過程中突觸強(qiáng)度的失控增長。
圖9 多層膠質(zhì)神經(jīng)網(wǎng)絡(luò)臨界動力學(xué)的穩(wěn)定
(a)左側(cè):神經(jīng)膠質(zhì)細(xì)胞將代謝資源從血流重新分配到神經(jīng)突觸。右側(cè):雙層網(wǎng)絡(luò)模型。黑色箭頭表示神經(jīng)突觸的相互作用。
(b)雙層模型穩(wěn)定性分析。神經(jīng)元網(wǎng)絡(luò)層的最大特征值λ和所有膠質(zhì)細(xì)胞和突觸的總資源R作為時間的函數(shù)被說明。
在更大的空間尺度上，Bassett等人(2011)使用多層網(wǎng)絡(luò)方法來描述人類在簡單運(yùn)動任務(wù)中的學(xué)習(xí)。他們從連續(xù)實驗過程中的功能磁共振成像信號中建立了顳葉大腦網(wǎng)絡(luò)。他們使用多重模塊化來尋找持久的模塊，并發(fā)現(xiàn)組織隨時間平滑的變化，顯示出連貫的時間依賴性。他們的結(jié)果還表明，網(wǎng)絡(luò)靈活性在學(xué)習(xí)過程中發(fā)生了變化(先增加后減少)。特別是，額葉、后頂葉和枕葉區(qū)域靈活性更強(qiáng)。此外，他們的結(jié)果預(yù)測了從一個會話到下一個會話的相對學(xué)習(xí)量(圖10)。
圖10 時間網(wǎng)絡(luò)的靈活性可以預(yù)測未來的學(xué)習(xí)率。
除此之外，還有人研究了大腦如何支持表達(dá)語言功能。他們使用多層網(wǎng)絡(luò)確定在正常發(fā)育的青少年中成功執(zhí)行表達(dá)性語言的重要大腦區(qū)域。結(jié)果顯示，這些區(qū)域主要位于左半球，代表了行動和感知系統(tǒng)之間的跨頻交流的可能通道，這對語言表達(dá)至關(guān)重要。
6. 腦疾病的多層網(wǎng)絡(luò)生物標(biāo)志物
像任何其他復(fù)雜系統(tǒng)一樣，大腦可以表現(xiàn)出異常的連通性，這反過來可能導(dǎo)致異常的行為和臨床癥狀。這些大腦連通性變化可以是空間分布的，如精神分裂癥或阿爾茨海默病，也可以是局部的，如中風(fēng)或創(chuàng)傷性損傷。因此，觀察健康和患病條件下的網(wǎng)絡(luò)似乎是理解大腦的彈性和脆弱性的基礎(chǔ)?；诰W(wǎng)絡(luò)的生物標(biāo)記物將代表著監(jiān)測疾病進(jìn)展的先進(jìn)工具，并為減輕或抵消疾病影響的新療法提供信息。
（1）阿爾茨海默?。?/span>阿爾茨海默病(AD)是一種神經(jīng)退行性疾病，也是癡呆癥最常見的形式。臨床表現(xiàn)為輕度記憶障礙，逐漸發(fā)展為嚴(yán)重認(rèn)知障礙，最終導(dǎo)致死亡。雖然大腦的變化對大規(guī)模大腦網(wǎng)絡(luò)的影響已被廣泛研究，但累積的結(jié)果往往不一致，并依賴于考慮的空間或時間尺度。多模態(tài)網(wǎng)絡(luò)已被用于提供跨多個頻段的AD大腦重組的統(tǒng)一描述[圖11(a)]。Yu等人(2017a)使用了不同的多模態(tài)節(jié)點指標(biāo)(如重疊聚類、局部效率和中介中心性)，一致顯示包括DMN后部在內(nèi)的生理中樞區(qū)域受到AD的嚴(yán)重影響[圖11(b)]。注意，當(dāng)考慮單個頻率層時，無法觀察到這些功能的損失。Cai等人(2020)在腦電圖多頻大腦網(wǎng)絡(luò)中發(fā)現(xiàn)了類似的結(jié)果。結(jié)果證實了AD患者在跨信號頻率的信息能力分離和整合方面的總體趨勢。在同一項研究中，Guillon等人還從純時間角度研究了AD患者腦電圖大腦網(wǎng)絡(luò)的動態(tài)方面[圖11(a)]。使用上述多層指標(biāo)，他們發(fā)現(xiàn)AD的時間分離主要受額葉和枕葉區(qū)域AD的影響，而時間整合特性比健康受試者的影響小，主要是因為它在節(jié)點間具有更高的可變性。然而，當(dāng)時間分離和整合的節(jié)點值結(jié)合在一起時，AD和健康受試者之間的區(qū)分度很高，這表明時間整合的空間異質(zhì)性可能也與疾病的進(jìn)展有關(guān)[圖11(c)]。
圖11 阿爾茨海默病腦網(wǎng)絡(luò)的多頻率和時間重組
(a)多層腦網(wǎng)絡(luò)是由不同的頻率特定網(wǎng)絡(luò)分層而成，而時間網(wǎng)絡(luò)是由頻帶內(nèi)的時間特定網(wǎng)絡(luò)連接而成。
(b)上:阿爾茨海默病患者腦磁圖多頻網(wǎng)絡(luò)中樞中斷。下:重疊加權(quán)程度組間差異顯著的腦區(qū)。
(c)散點圖，顯示從時變網(wǎng)絡(luò)中提取的多重聚類系數(shù)(MCC)和多重參與系數(shù)(MPC)相結(jié)合時，每個受試者與AD或?qū)φ战M的馬氏距離。
為了整合和分離不同神經(jīng)成像模式在AD中的作用，Guillon等人(2019)根據(jù)擴(kuò)散加權(quán)成像(DWI)、功能磁共振成像(fMRI)和腦磁圖(MEG)數(shù)據(jù)構(gòu)建了多重網(wǎng)絡(luò)。到目前為止，這代表了將結(jié)構(gòu)和功能信息合并在一起的最完整的復(fù)合大腦網(wǎng)絡(luò)類型[圖12(a)]。通過關(guān)注其特征，Guillon等人顯示了AD人群中多核心的選擇性降低，主要涉及DMN的顳葉和頂葉樞紐節(jié)點。這種顯著的損失主要是由幾個層引起的，特別是在α 1 (7-10 Hz)頻率范圍內(nèi)的DWI、fMRI和MEG，可以用一個簡單的模型來解釋，該模型通過其核心樞紐的優(yōu)先攻擊重現(xiàn)了多層網(wǎng)絡(luò)的漸進(jìn)隨機(jī)斷開[圖12(b)]。從臨床角度來看，Yu等人(2017a)報道，核心度中斷較大的患者往往有更嚴(yán)重的記憶和認(rèn)知障礙[圖12(c)]。綜合這些結(jié)果表明，AD的特征是一種以前未被認(rèn)識的多模態(tài)和時間斷開機(jī)制，主要影響受萎縮過程影響的區(qū)域。
圖12 多模態(tài)腦網(wǎng)絡(luò)揭示阿爾茨海默病的核心-外周結(jié)構(gòu)紊亂
(a)由DTI、fMRI和幾種基于頻率的MEG腦連接分層構(gòu)建的多模態(tài)腦網(wǎng)絡(luò)。
(b)利用自由回憶法(FR)檢測，核心度破壞指數(shù)(κ)與AD患者記憶損傷之間的相關(guān)性。
(c)通過逐步去除健康對照組(HC)組優(yōu)先連接到多處外周的邊緣得到的核度破壞指數(shù)(κ)值的圖。藍(lán)色(x軸HC)和紅色(x軸AD)圖分別表示HC組和AD組的κ值。
（2）神經(jīng)精神障礙：在神經(jīng)精神疾病中，精神分裂癥由于其龐大的人口發(fā)病率，無疑是研究最多的疾病之一。典型的臨床癥狀包括幻覺、情緒遲鈍、言語和思想混亂。在大的空間尺度上，低頻和高頻神經(jīng)元振蕩，以及它們的相互作用，已被廣泛記錄為精神分裂癥神經(jīng)病理學(xué)的核心特征。De Domenico、Sasai和Arenas(2016)使用多重方法首次從靜息態(tài)fMRI衍生的多頻率網(wǎng)絡(luò)中提供了精神分裂癥拓?fù)渥兓木C合表征。他們評估了多重PageRank中心性，并顯示了大腦最重要的多頻率中樞的大量重組，包括楔前葉皮層，這是大腦基本生理組織的關(guān)鍵區(qū)域。在調(diào)查時間功能磁共振成像網(wǎng)絡(luò)時，Braun等人(2016)表明，與健康受試者相比，精神分裂癥患者在工作記憶任務(wù)中表現(xiàn)出多重網(wǎng)絡(luò)靈活性的增加，工作記憶任務(wù)通常用于評估認(rèn)知缺陷的神經(jīng)基礎(chǔ)[圖13(a)]。Braun等人在實驗上阻斷另一組健康受試者的谷氨酸敏感突觸受體(NMDA受體)時，能夠重現(xiàn)同樣的超靈活性[圖13(b)]?？偟膩碚f，這些發(fā)現(xiàn)首次表明，精神分裂癥患者的微尺度興奮-抑制失衡實際上可能轉(zhuǎn)化為時間不穩(wěn)定的、可能解體的大規(guī)模大腦重組。
從純分類的角度來看，多層腦網(wǎng)絡(luò)也被用作替代的多維特征，以更好地區(qū)分精神分裂癥患者和健康受試者。Lombardi等人(2019)考慮了工作記憶功能磁共振成像實驗，構(gòu)建了一個17層的多重大腦網(wǎng)絡(luò)，與簡單線性相關(guān)構(gòu)建的單層網(wǎng)絡(luò)相比，它們對不同類型的工作記憶任務(wù)實現(xiàn)了顯著更高的分類。Wilson等人(2021)考慮了一組健康個體和一組精神分裂癥患者的靜息狀態(tài)fMRI數(shù)據(jù)。他們從多層網(wǎng)絡(luò)中學(xué)習(xí)了基于允許跨層移動的隨機(jī)移動的連續(xù)節(jié)點特征表示。結(jié)果顯示，在默認(rèn)模式網(wǎng)絡(luò)和突出子網(wǎng)絡(luò)的節(jié)點之間的相似性有更高的可變性。雖然總體的分類精度沒有超過最先進(jìn)的性能，但在無監(jiān)督方法中學(xué)習(xí)特征可能對自動診斷的未來應(yīng)用很重要。
除此之外，還有研究重度抑郁癥(MDD)的，由于目前已有有效的治療方法，科學(xué)研究主要集中于識別預(yù)測性生物標(biāo)志物，以實現(xiàn)更個性化的治療。此前的研究表明，重度抑郁癥會導(dǎo)致多種腦信號改變，影響不同頻段內(nèi)以及不同頻段之間的功能連通性。為了充分利用這些多頻率信息，Dang等人(2020)提出了一種完整的多層方法來改善MDD的診斷。他們開發(fā)了一種卷積神經(jīng)網(wǎng)絡(luò)，直接將完整的多層大腦網(wǎng)絡(luò)作為輸入，學(xué)習(xí)和提取最具鑒別性的特征。由此產(chǎn)生的分類精度與基于特定頻帶的最先進(jìn)方法相當(dāng)。
（3）其它神經(jīng)系統(tǒng)疾?。?/span>癲癇和意識障礙也是常見的神經(jīng)系統(tǒng)疾病。癲癇發(fā)作的特征是整個大腦皮層或部分大腦皮層的神經(jīng)元過度同步活動。臨床研究的主要目的是確定癲癇發(fā)作的預(yù)測神經(jīng)標(biāo)記物，以便進(jìn)行預(yù)防性治療或定位癲癇發(fā)作的起源，以便進(jìn)行精確的手術(shù)。最近的證據(jù)表明，癲癇發(fā)作的特征是不同大腦信號頻率內(nèi)部和之間的大腦功能連接變化。結(jié)構(gòu)層和功能層之間的內(nèi)在關(guān)系也可以揭示不同類型癲癇的隱藏連接結(jié)構(gòu)特征。Huang等人(2020)使用DTI-fMRI多層方法對起源于大腦不同區(qū)域(即額葉和顳葉)的癲癇發(fā)作進(jìn)行了分類。Huang等人證明了這些多層連接模式在區(qū)分癲癇患者和健康對照組(72%-82%的分類準(zhǔn)確率)方面的優(yōu)越性，優(yōu)于等效的單層指標(biāo)，并可用于癲癇的預(yù)測生物標(biāo)志物的研究。
意識障礙重新組合了各種癥狀，從意識的完全喪失，如昏迷，到極少或不一致的意識。不同類型的意識障礙之間的鑒別診斷對于確定最佳的醫(yī)學(xué)治療是至關(guān)重要的。最近的研究結(jié)果表明，頻率依賴性腦功能連通性對于描述意識障礙以及預(yù)測可能的恢復(fù)過程至關(guān)重要。Naro等人(2021)采用了多層網(wǎng)絡(luò)方法研究源重建的腦電圖信號的大腦網(wǎng)絡(luò)，他們旨在區(qū)分患有無反應(yīng)覺醒綜合征(UWS)的患者和患有最低意識狀態(tài)(MCS)的患者。結(jié)果顯示，UWS患者的多層網(wǎng)絡(luò)指標(biāo)明顯低于MCS患者，這在大腦額葉區(qū)域尤其明顯。通過采用全多層網(wǎng)絡(luò)方法，Naro等人(2021)最終報告了UWS組的層間連接強(qiáng)度顯著較低，并可以識別那些在實驗一年后恢復(fù)意識的患者。當(dāng)分別觀察頻率特定網(wǎng)絡(luò)層時，未觀察到UWS和MCS患者之間的區(qū)別。雖然是初步的，但這些結(jié)果證明了考慮多層網(wǎng)絡(luò)方法獲得更可靠的意識障礙神經(jīng)標(biāo)志物的臨床價值。
7. 新興的觀點
我們提出了新穎的概念見解、工具和結(jié)果，為大腦系統(tǒng)的尺度內(nèi)和尺度間網(wǎng)絡(luò)特性提供了新的視角。該領(lǐng)域的研究很活躍，未來要最終刻畫多尺度、多層次的大腦組織，仍有許多問題有待解決。我們將通過關(guān)注多層網(wǎng)絡(luò)理論發(fā)展的三個主要方向來。
（1）多尺度網(wǎng)絡(luò)的生成模型：神經(jīng)科學(xué)中的網(wǎng)絡(luò)模型主要是由生物學(xué)和拓?fù)渥C據(jù)或假設(shè)驅(qū)動的。生物啟發(fā)模型主要實現(xiàn)的是最小連接成本原則。拓?fù)鋯l(fā)模型專注于重現(xiàn)大腦網(wǎng)絡(luò)的組織特性，并被用于識別網(wǎng)絡(luò)整合和分離的局部連接機(jī)制或重現(xiàn)大腦網(wǎng)絡(luò)的中尺度模塊化屬性。因此，多層網(wǎng)絡(luò)模型的發(fā)展從網(wǎng)絡(luò)的角度看來是邁向大腦多尺度建模的關(guān)鍵一步。例如，Bazzi等人(2020)提出了一個統(tǒng)一的概率框架，用于生成具有任何類型的模塊化結(jié)構(gòu)的多模態(tài)網(wǎng)絡(luò)。這些模型可能有助于更好地量化和理解多模態(tài)和時間腦網(wǎng)絡(luò)中尺度特性的生成。另外，Lacasa等人(2018)提供了一種依靠隨機(jī)步進(jìn)的馬爾可夫擴(kuò)散的魯棒方法，以確定一個復(fù)雜系統(tǒng)是由單一交互層建模更好，還是由多個層的相互作用更好。最后，多層指數(shù)隨機(jī)模型可能是最強(qiáng)大的框架，因為它們能夠描述層內(nèi)和層間形成的任意連接模式，并重現(xiàn)完整的多層網(wǎng)絡(luò)。
（2）多層網(wǎng)絡(luò)的可控性：理解一個復(fù)雜的系統(tǒng)意味著能夠描述它，再現(xiàn)它，并最終控制它。應(yīng)用于大腦連接的網(wǎng)絡(luò)控制理論的發(fā)展導(dǎo)致了范式的轉(zhuǎn)變，提供了新的工具來理解大腦如何控制自己，以及它如何被外源性事件控制。盡管對于它應(yīng)該如何實施和解釋仍存在爭議，但網(wǎng)絡(luò)可控性使研究人員能夠識別更有可能引導(dǎo)人類大腦網(wǎng)絡(luò)活動的驅(qū)動節(jié)點，為認(rèn)知和臨床神經(jīng)科學(xué)開辟了巨大的可能性。時間網(wǎng)絡(luò)的應(yīng)用可能是結(jié)構(gòu)可控性最直觀的延伸。通過考慮系統(tǒng)的離散時變線性動力學(xué)，Pósfai和H?vel(2014)提供了研究基于時間網(wǎng)絡(luò)特性的可控性計算工具。他們專門研究了單個驅(qū)動節(jié)點控制目標(biāo)的能力，并表明時間網(wǎng)絡(luò)的整體活動和節(jié)點度分布是影響可控性的主要特征。盡管靜態(tài)鏈接看起來更容易控制一個系統(tǒng)，但Li等人(2017)證明，與靜態(tài)單層網(wǎng)絡(luò)相比，時間網(wǎng)絡(luò)可以被更有效地控制，所需的能量更少。確定驅(qū)動節(jié)點驅(qū)動系統(tǒng)所需的能量也是至關(guān)重要的。能量過大的控制信號可能不可能產(chǎn)生，或者只會破壞系統(tǒng)本身。在全多層網(wǎng)絡(luò)的情況下，Wang和Zou(2017)證明了在最優(yōu)可控性和最優(yōu)控制能量之間存在權(quán)衡。另一項研究中，Menichetti、Dall’asta和Bianconi(2016)表明控制多層網(wǎng)絡(luò)可以表現(xiàn)出穩(wěn)定的可控性，而不管其層的穩(wěn)定性如何。在一般情況下，多層網(wǎng)絡(luò)需要更多的驅(qū)動程序，而這個數(shù)字取決于不同層中低次節(jié)點之間的相關(guān)度?？偟膩碚f，這些發(fā)現(xiàn)鼓勵開發(fā)多層大腦網(wǎng)絡(luò)的可控性工具，目的是更好地解開多個尺度之間的相互作用，提高可能的干預(yù)策略的有效性。
（3）機(jī)器學(xué)習(xí)和多層網(wǎng)絡(luò)：機(jī)器學(xué)習(xí)代表了一種處理大量數(shù)據(jù)和從數(shù)據(jù)本身學(xué)習(xí)與系統(tǒng)內(nèi)在現(xiàn)象相關(guān)的隱藏模式的強(qiáng)大技術(shù)。與之對應(yīng)的是，機(jī)器學(xué)習(xí)忽略了基本的物理定律，并可能導(dǎo)致提出不恰當(dāng)?shù)膯栴}或無法解釋的解決方案。因此，機(jī)器學(xué)習(xí)和網(wǎng)絡(luò)科學(xué)的結(jié)合代表了一種潛在的雙贏策略。Dang等人(2020)開發(fā)了一種卷積神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)直接將一個完整的EEG多頻網(wǎng)絡(luò)作為輸入，學(xué)習(xí)并提取最具鑒別性的特征，用于在健康和重度抑郁病患者之間進(jìn)行分類。Wilson等人(2021)引入了一種擴(kuò)展，稱為multi-node2vec，它通過神經(jīng)網(wǎng)絡(luò)模型從復(fù)雜的多層網(wǎng)絡(luò)中學(xué)習(xí)節(jié)點特征(圖14)。該模型最初設(shè)計用于提取文本中單詞鄰域的特征。Wilson等人將該模型應(yīng)用于功能磁共振成像多受試者網(wǎng)絡(luò)，該模型改善了大腦區(qū)域的可視化和聚類，將其劃分為具有相似特征的群體，并能區(qū)分精神分裂癥患者和健康受試者群體。
8. 總結(jié)
理解大腦組織需要量化神經(jīng)結(jié)構(gòu)和動力學(xué)的多個層次之間的相互作用。在過去的十年中，多層網(wǎng)絡(luò)理論被引入來描述復(fù)雜系統(tǒng)，顯示不同層次或?qū)哟伍g的連接以及跨層次的交互。在這里，我們介紹和討論了多層網(wǎng)絡(luò)理論在多尺度大腦組織研究領(lǐng)域的許多新進(jìn)展。我們預(yù)計，結(jié)合更精確的實驗技術(shù)和不斷增強(qiáng)的計算能力，多層網(wǎng)絡(luò)理論最終可以成為現(xiàn)代多尺度大腦建模的關(guān)鍵組成部分。
如需原文及補(bǔ)充材料請?zhí)砑铀加翱萍嘉⑿牛?/span>siyingyxf或18983979082獲取,如對思影課程及服務(wù)感興趣也可加此微信號咨詢。另思影提供免費(fèi)文獻(xiàn)下載服務(wù)，如需要也可添加此微信號入群，原文也會在群里發(fā)布，如果我們的解讀對您的研究有幫助，請給個轉(zhuǎn)發(fā)支持以及右下角點擊一下在看，是對思影科技的支持，感謝！
微信掃碼或者長按選擇識別關(guān)注思影
非常感謝轉(zhuǎn)發(fā)支持與推薦
歡迎瀏覽思影的數(shù)據(jù)處理業(yè)務(wù)及課程介紹。（請直接點擊下文文字即可瀏覽思影科技所有的課程，歡迎添加微信號siyingyxf或18983979082進(jìn)行咨詢，所有課程均開放報名，報名后我們會第一時間聯(lián)系，并保留已報名學(xué)員名額）：核磁：重慶：
第九屆腦網(wǎng)絡(luò)數(shù)據(jù)處理提高班（重慶，10.13-18）
第七十屆磁共振腦影像基礎(chǔ)班（重慶，10.22-27）
第二十八屆彌散成像數(shù)據(jù)處理班（重慶，11.5-10）
第六屆彌散磁共振成像提高班（重慶，11.17-22）
第二十三屆磁共振腦影像結(jié)構(gòu)班（重慶，11.27-12.2）
上海：
第二十四屆腦影像機(jī)器學(xué)習(xí)班（上海，10.9-14）
第三十一屆磁共振腦網(wǎng)絡(luò)數(shù)據(jù)處理班（上海，10.28-11.2）
第六十九屆磁共振腦影像基礎(chǔ)班（上海，11.4-9）
南京：
第三十三屆磁共振腦網(wǎng)絡(luò)數(shù)據(jù)處理班（南京，10.16-21）
第二十二屆磁共振腦影像結(jié)構(gòu)班（南京，10.24-29）
第七十一屆磁共振腦影像基礎(chǔ)班（南京，11.12-17）
第二十九屆彌散成像數(shù)據(jù)處理班（南京，11.19-24）
北京：
第十屆腦網(wǎng)絡(luò)數(shù)據(jù)處理提高班（北京，10.20-25）
第十一屆磁共振ASL（動脈自旋標(biāo)記）數(shù)據(jù)處理班（北京，11.3-6）
第七十二屆磁共振腦影像基礎(chǔ)班（北京，11.9-14）
第六屆影像組學(xué)班（北京，11.25-30）
第五屆R語言統(tǒng)計班（北京，11.16-20）
腦電及紅外、眼動：上海：
第二十五屆近紅外腦功能數(shù)據(jù)處理班（上海，10.17-22）
第三十六屆腦電數(shù)據(jù)處理中級班（上海，11.13-18）
第二十八屆腦電數(shù)據(jù)處理入門班（上海，11.20-25）
南京：
第五屆腦電機(jī)器學(xué)習(xí)數(shù)據(jù)處理班（Matlab版本，南京，11.3-8）
北京：
更新：第十三屆眼動數(shù)據(jù)處理班（北京，10.26-31）
重慶：
第二十七屆腦電數(shù)據(jù)處理入門班（重慶，10.28-11.2）
數(shù)據(jù)處理業(yè)務(wù)介紹：
思影科技功能磁共振(fMRI)數(shù)據(jù)處理業(yè)務(wù)
思影科技彌散加權(quán)成像（DWI/dMRI）數(shù)據(jù)處理
思影科技腦結(jié)構(gòu)磁共振成像數(shù)據(jù)處理業(yè)務(wù)（T1)
思影科技定量磁敏感（QSM)數(shù)據(jù)處理業(yè)務(wù)
思影科技嚙齒類動物（大小鼠）神經(jīng)影像數(shù)據(jù)處理業(yè)務(wù)
思影科技靈長類動物fMRI分析業(yè)務(wù)
思影數(shù)據(jù)處理業(yè)務(wù)三：ASL數(shù)據(jù)處理
思影科技腦影像機(jī)器學(xué)習(xí)數(shù)據(jù)處理業(yè)務(wù)介紹
思影科技微生物菌群分析業(yè)務(wù)
思影科技EEG/ERP數(shù)據(jù)處理業(yè)務(wù)
思影科技近紅外腦功能數(shù)據(jù)處理服務(wù)
思影科技腦電機(jī)器學(xué)習(xí)數(shù)據(jù)處理業(yè)務(wù)
思影數(shù)據(jù)處理服務(wù)六：腦磁圖（MEG）數(shù)據(jù)處理
思影科技眼動數(shù)據(jù)處理服務(wù)
招聘及產(chǎn)品：
思影科技招聘數(shù)據(jù)處理工程師 （上海，北京，南京，重慶）
BIOSEMI腦電系統(tǒng)介紹
目鏡式功能磁共振刺激系統(tǒng)介紹
