網(wǎng)絡(luò)神經(jīng)科學(xué)與連接組學(xué)革命

要理解一個復(fù)雜系統(tǒng)的行為，我們需要理解該系統(tǒng)的各個元素在孤立狀態(tài)下的行為，以及它們之間的相互作用和由它們的集體相互作用產(chǎn)生的模式多樣性。人類大腦就是這樣一個復(fù)雜系統(tǒng)。它幫助我們感知和理解我們的環(huán)境，創(chuàng)造（有時也會遺忘）記憶，甚至在培養(yǎng)創(chuàng)造力方面發(fā)揮作用。這些行為是由我們的神經(jīng)系統(tǒng)支持的，神經(jīng)系統(tǒng)由細(xì)胞、神經(jīng)元群和大腦區(qū)域組成。然而，思維并非源自這些單獨(dú)的神經(jīng)元素。相反，復(fù)雜行為是由相互作用的神經(jīng)元素創(chuàng)造的分布式解剖和功能網(wǎng)絡(luò)所產(chǎn)生的。要理解思維，我們必須首先理解大腦網(wǎng)絡(luò)的結(jié)構(gòu)和功能。
從歷史上看，神經(jīng)科學(xué)主要關(guān)注可以定位到單個神經(jīng)元素的神經(jīng)系統(tǒng)屬性，例如皮層區(qū)域的血氧水平依賴性（BOLD）活動或其曲率和溝回。然而，最近研究的重點(diǎn)已經(jīng)轉(zhuǎn)向分布式網(wǎng)絡(luò)的屬性。這種觀點(diǎn)的轉(zhuǎn)變很大程度上是由于網(wǎng)絡(luò)科學(xué)的成熟，它為數(shù)學(xué)表達(dá)和分析高維數(shù)據(jù)集提供了框架，并已成功應(yīng)用于其他學(xué)科。
這兩個事件，加上數(shù)據(jù)共享計劃和獲得高性能計算機(jī)的機(jī)會，幫助創(chuàng)建了一個“連接組學(xué)革命”，在這個革命中，神經(jīng)科學(xué)（特別是使用MRI方法的人類神經(jīng)影像學(xué)）開始從網(wǎng)絡(luò)的角度明確研究大腦的結(jié)構(gòu)和功能。今天，生成大腦網(wǎng)絡(luò)的程序已經(jīng)基本自動化，并且網(wǎng)絡(luò)分析正在解決關(guān)于大腦組織的神經(jīng)科學(xué)基本問題，以及它在健康和疾病中的功能，具有精湛的細(xì)節(jié)和個性化。
本文涵蓋了連接組學(xué)和網(wǎng)絡(luò)神經(jīng)科學(xué)的基本原則，重點(diǎn)關(guān)注大規(guī)模人類神經(jīng)影像學(xué)。首先，我們介紹功能性和結(jié)構(gòu)性連接的概念，并概述從觀察中重建這些類型數(shù)據(jù)的過程。然后，我們討論如何將這些數(shù)據(jù)建模為一個復(fù)雜網(wǎng)絡(luò)，強(qiáng)調(diào)生物神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)模型揭示了大腦組織或功能的關(guān)鍵見解的三種方式：結(jié)構(gòu)-功能關(guān)系、大腦網(wǎng)絡(luò)動力學(xué)和大腦系統(tǒng)級架構(gòu)。最后，我們涉及連接組學(xué)中的一些前沿話題，重點(diǎn)關(guān)注生成模型、網(wǎng)絡(luò)可控性和基于邊的方法。本文發(fā)表在Connectomic Deep Brain Stimulation一書。(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)。

溫故而知新，建議結(jié)合以下腦網(wǎng)絡(luò)相關(guān)解讀閱讀,另思影可承接相關(guān)數(shù)據(jù)處理業(yè)務(wù)（直接點(diǎn)擊，即可瀏覽，加微信siyingyxf或18983979082獲取原文及補(bǔ)充材料或咨詢相關(guān)業(yè)務(wù)）：

連接組學(xué)揭示了單相抑郁癥中大腦活動的改變

電生理連接組學(xué)

PFC網(wǎng)絡(luò)在認(rèn)知控制和執(zhí)行功能中的作用

從靜息態(tài)和任務(wù)態(tài)的大數(shù)據(jù)中發(fā)現(xiàn)動態(tài)大腦網(wǎng)絡(luò)

網(wǎng)絡(luò)神經(jīng)科學(xué)的統(tǒng)計功效

額頂網(wǎng)絡(luò)：功能、電生理和個體精準(zhǔn)定位的重要性

功能腦網(wǎng)絡(luò)在神經(jīng)退行性疾病患者中的評估

腦部疾病功能網(wǎng)絡(luò)組織的圖論方法

腦連接組學(xué)（PET）

靜息狀態(tài)fMRI功能連通性網(wǎng)絡(luò)中的比例閾值的選擇

網(wǎng)絡(luò)閾值和加權(quán)對結(jié)構(gòu)腦網(wǎng)絡(luò)的影響

連接大腦的涌現(xiàn)特性

宏觀人腦功能網(wǎng)絡(luò)的通用分類

基于圖論的腦功能連通性腦電圖建模

腦網(wǎng)絡(luò)組織的多尺度建模

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

復(fù)雜大腦網(wǎng)絡(luò)的結(jié)構(gòu)和功能

腦功能網(wǎng)絡(luò)重建的原理與有待解決的問題

人腦的連接性中心節(jié)點(diǎn)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

腦網(wǎng)絡(luò)的小世界屬性

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(diǎn)

DMN:大腦的默認(rèn)網(wǎng)絡(luò)

腦網(wǎng)絡(luò)核心節(jié)點(diǎn)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)

Neuron：從簡單映射到多維網(wǎng)絡(luò)

腦網(wǎng)絡(luò)視角下的精神分裂癥

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

結(jié)構(gòu)性和功能性大腦網(wǎng)絡(luò)

大腦網(wǎng)絡(luò)是告訴我們哪些神經(jīng)元素相互連接、哪些沒有連接以及每個連接的強(qiáng)度或效能的地圖。盡管這些地圖可以在所有空間尺度上創(chuàng)建，從細(xì)胞到區(qū)域，但連接組學(xué)在宏觀尺度上已經(jīng)得到認(rèn)可并顯示出特別具有變革性，最小的神經(jīng)元素是體素，每個體素大約包含106個神經(jīng)元（盡管在實(shí)踐中，根據(jù)一組共享特征，體素會聚集成更大的區(qū)塊或感興趣區(qū)域）。大腦中的兩個區(qū)域或區(qū)塊相互作用意味著什么？總的來說，該領(lǐng)域已經(jīng)確定了大腦兩部分可以相互作用的三種不同“類型”或模式。

連接性的種類

SHAPE \* MERGEFORMAT

圖 2.1 構(gòu)建、表征和分析大腦網(wǎng)絡(luò)。大腦網(wǎng)絡(luò)通常由擴(kuò)散加權(quán)和功能性磁共振成像數(shù)據(jù)構(gòu)建。(a) 對于擴(kuò)散磁共振成像，tractography（纖維束追蹤法）用于推斷白質(zhì)通路。

(b) 對于功能磁共振成像，連接性通常定義為來自體素或表面頂點(diǎn)的BOLD時間序列之間的統(tǒng)計依賴性。

(c) 大腦通常被劃分為不同的區(qū)塊或區(qū)域，使得每個區(qū)塊在內(nèi)部具有相似特征的體素/頂點(diǎn)組成的同質(zhì)性。通過根據(jù)區(qū)塊聚合連接權(quán)重，生成區(qū)域間的結(jié)構(gòu)和功能連接矩陣（d和e）。通常，結(jié)構(gòu)連接（SC）是稀疏的，其連接由纖維束計數(shù)、分?jǐn)?shù)各向異性或相關(guān)測量加權(quán)。功能連接（FC）是完全加權(quán)的，在Pearson相關(guān)的情況下，帶有符號。(f) SC和FC的網(wǎng)絡(luò)表征隨后可以進(jìn)行分析，例如使用局部、中觀和全局尺度的網(wǎng)絡(luò)度量。
互動的第一個衡量標(biāo)準(zhǔn)是解剖學(xué)上的或結(jié)構(gòu)性連接（SC），描述了大腦的物理和材料路徑。在微觀和中觀尺度上，SC反映了細(xì)胞間的突觸耦合或神經(jīng)元群間的長距離軸突投射。在宏觀尺度上，SC對應(yīng)于大的、髓鞘化的白質(zhì)纖維束。這些束可以通過擴(kuò)散加權(quán)MRI數(shù)據(jù)重建，該數(shù)據(jù)測量大腦中水分子擴(kuò)散的顯現(xiàn)方向，使用一種稱為“纖維追蹤”的過程，許多軟件包能夠高效實(shí)現(xiàn)這個過程（見第11章）（圖2.1a）。

實(shí)際上，SC限制了哪些神經(jīng)元素可以相互“交流”，塑造信號模式和信息流動，并在神經(jīng)元素對之間引起統(tǒng)計依賴性及其記錄活動。這些依賴關(guān)系被稱為功能連接（FC），原則上可以使用任何雙變量統(tǒng)計相似性測量進(jìn)行量化。這些測量包括譜或小波相干性、互信息、偏相關(guān)性和懲罰相關(guān)性等。然而，在實(shí)踐中，當(dāng)使用功能性MRI數(shù)據(jù)時，大腦區(qū)域之間的FC幾乎總是被測量為它們活動的雙變量（皮爾遜）相關(guān)性（見第10章和第16章）。

當(dāng)然，還有其他測量神經(jīng)元素之間互動性的方法。這些包括有效連接（EC），提供了動態(tài)因果建模、Granger因果關(guān)系和傳遞熵等方法，這些方法測量一個神經(jīng)元素對另一個神經(jīng)元素的有向影響。通常情況下，估計神經(jīng)元素連接之間的真實(shí)因果關(guān)系是具有挑戰(zhàn)性的，需要實(shí)驗操控，例如觀察對其他神經(jīng)元素活動的擾動的影響，或者一個關(guān)于如何將活動從大腦的一個部分傳遞到另一個部分的特定模型，通常受到SC的約束。侵入性手段如深部腦刺激在EC背景下具有特別的前景，因為它們?yōu)槔L制神經(jīng)元素之間的因果關(guān)系提供了獨(dú)特的機(jī)會，并驗證現(xiàn)有的因果模型。

其他不太常見的用于估計神經(jīng)元素之間互動強(qiáng)度的方法包括它們的結(jié)構(gòu)協(xié)方差，它測量區(qū)域形態(tài)特征的群體水平相似性（盡管最近的進(jìn)展已經(jīng)使得為單個受試者估計類似指標(biāo)成為可能）。

表征大腦連接

為了分析大腦連接性模式，我們需要一種數(shù)學(xué)方法來表征這些模式。我們可以借助圖論來實(shí)現(xiàn)這一目標(biāo)，圖論是研究網(wǎng)絡(luò)的數(shù)學(xué)分支。如第1章所述，圖是網(wǎng)絡(luò)的數(shù)學(xué)表示，包括兩個基本成分：一組頂點(diǎn)或節(jié)點(diǎn)，表示系統(tǒng)的基本單元；一組邊或連接，表示節(jié)點(diǎn)對之間的相互作用。例如，在社交系統(tǒng)中，如Twitter這樣的在線社區(qū)，節(jié)點(diǎn)代表用戶，邊表示一個用戶是否關(guān)注另一個用戶。對于大腦來說，節(jié)點(diǎn)和邊通常分別表示大腦區(qū)域及其結(jié)構(gòu)或功能連接（圖2.1c）。盡管圖的最簡單版本是二進(jìn)制的、無向的——即所有邊具有相同的權(quán)重并編碼對稱關(guān)系——但圖也可以編碼關(guān)于連接權(quán)重和不對稱性的信息（那些是和不是相互作用的）。

無論網(wǎng)絡(luò)是加權(quán)/二進(jìn)制的，還是有向/無向的，其節(jié)點(diǎn)之間的成對關(guān)系都可以表示為鄰接矩陣或連接矩陣。該方陣中行數(shù)和列數(shù)等于網(wǎng)絡(luò)中節(jié)點(diǎn)的數(shù)量，其元素表示連接的存在或不存在以及權(quán)重。在SC矩陣中，權(quán)重通常對應(yīng)于流線計數(shù)（成對區(qū)塊之間重建的流線數(shù)）、密度或流線的微結(jié)構(gòu)屬性，例如，它們的分?jǐn)?shù)各向異性（圖2.1d）。盡管SC矩陣中的連接密度可能因處理流程而異，但結(jié)構(gòu)網(wǎng)絡(luò)通常是稀疏的，這意味著實(shí)際存在的連接相對較少。如前所述，功能連接表示雙變量統(tǒng)計依賴性度量，導(dǎo)致一個完全加權(quán)且?guī)Х柕木仃嚕▓D2.1e）。

在準(zhǔn)備連接矩陣時需要謹(jǐn)慎，推斷功能和SC的過程是復(fù)雜的，容易出現(xiàn)假陽性和假陰性。因此，在后處理步驟中通常需要對觀察到的連接施加某種閾值，以保留具有最強(qiáng)權(quán)重的連接或最不可能表示假陽性的連接。然而，值得注意的是，閾值化通常并非必要；在某些情況下，保留所有連接可能是有益的。無論如何，閾值化與否的決定都是非常重要的，將對網(wǎng)絡(luò)后續(xù)分析產(chǎn)生影響。在任何情況下，都可以使用圖論網(wǎng)絡(luò)度量進(jìn)一步分析閾值化或未閾值化的連接矩陣，以概括網(wǎng)絡(luò)組織的不同方面。

網(wǎng)絡(luò)度量和分析

網(wǎng)絡(luò)的鄰接矩陣簡潔地描述了其拓?fù)浣Y(jié)構(gòu)——節(jié)點(diǎn)之間連接的配置。大腦網(wǎng)絡(luò)的分析通常涉及研究不同拓?fù)涑叨壬系倪B接矩陣，范圍從局部測量的單個大腦區(qū)域和連接到描述整個大腦的全局特性。這些度量通常從網(wǎng)絡(luò)功能的角度進(jìn)行解釋。在本節(jié)中，我們描述了一些在連接矩陣上可以進(jìn)行的更常見的測量，并提供一些解釋。

局部度量

局部度量描述了單個節(jié)點(diǎn)和邊的屬性。例如，一個節(jié)點(diǎn)的度僅計算該節(jié)點(diǎn)建立的輸入和輸出連接的數(shù)量。盡管簡單，節(jié)點(diǎn)的度是可以為網(wǎng)絡(luò)計算的最基本的度量之一，影響其他局部屬性。具有許多連接的節(jié)點(diǎn)——潛在的“樞紐”區(qū)域——在網(wǎng)絡(luò)中往往占據(jù)有影響力和重要性的位置。

中心性度量量化了節(jié)點(diǎn)或邊相對于網(wǎng)絡(luò)上進(jìn)行的動態(tài)過程或網(wǎng)絡(luò)的其他結(jié)構(gòu)特征的重要性。最常見的度量之一是介數(shù)中心性，它計算包含給定節(jié)點(diǎn)的節(jié)點(diǎn)對之間最短路徑的數(shù)量。在網(wǎng)絡(luò)中，最短路徑是從源節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)的最短跳躍序列，將在下一節(jié)中詳細(xì)討論。通過統(tǒng)計涉及給定連接的最短路徑數(shù)量，也可以計算網(wǎng)絡(luò)邊的介數(shù)中心性。當(dāng)然，還有其他中心性度量可以衡量節(jié)點(diǎn)和邊相對于網(wǎng)絡(luò)其他過程和結(jié)構(gòu)的重要性，例如隨機(jī)游走和社區(qū)。

重要的是，大多數(shù)局部度量都可以為二進(jìn)制、加權(quán)、有向和無向網(wǎng)絡(luò)計算。例如，節(jié)點(diǎn)度的加權(quán)類似物是節(jié)點(diǎn)強(qiáng)度，它測量與給定節(jié)點(diǎn)相連的所有連接的總權(quán)重。類似地，節(jié)點(diǎn)的介數(shù)中心性可以基于節(jié)點(diǎn)間的最短加權(quán)路徑來計算。

全局度量

與局部度量相反，全局度量量化了網(wǎng)絡(luò)整體的屬性。例如，網(wǎng)絡(luò)的最短路徑結(jié)構(gòu)可用于計算一些常見的全局網(wǎng)絡(luò)度量，包括特征路徑長度，它測量最短路徑中的平均步數(shù)。這種度量具有重要的功能后果——在運(yùn)輸網(wǎng)絡(luò)中，貨物或信息從一個節(jié)點(diǎn)傳遞到另一個節(jié)點(diǎn)，較短的路徑意味著傳輸效率的提高。在神經(jīng)系統(tǒng)的背景下，大腦區(qū)域需要相互溝通，較短的路徑意味著更快的傳輸時間和更少的信號衰減、變形或其他減弱的機(jī)會。

特征路徑長度是一個無界度量，這使得很難比較不同大小的網(wǎng)絡(luò)。如果網(wǎng)絡(luò)由斷開的組件組成，它還可能產(chǎn)生一個無窮大的值（兩個斷開的節(jié)點(diǎn)之間的路徑長度是無限的）。為了避免這些問題，可以計算相關(guān)的全局效率度量。與特征路徑長度是所有節(jié)點(diǎn)之間的平均最短路徑不同，效率等于平均最短路徑的倒數(shù)（1除以最短路徑的長度）。因此，任何斷開連接且具有無限路徑長度的節(jié)點(diǎn)現(xiàn)在具有0的效率（1/∞）。效率度量限制在[0, 1]的區(qū)間內(nèi)。

值得注意的是，路徑長度和效率可以從二進(jìn)制網(wǎng)絡(luò)（其中最短路徑對應(yīng)于跳數(shù)或步數(shù)）擴(kuò)展到加權(quán)網(wǎng)絡(luò)。然而，需要小心。用于映射最短路徑的算法試圖最小化一個成本函數(shù)——路徑上的步數(shù)或總權(quán)重。然而，在大腦網(wǎng)絡(luò)中，連接權(quán)重通常衡量連接的親和性或強(qiáng)度——從起始點(diǎn)到目標(biāo)的最有效路徑是使用強(qiáng)連接權(quán)重的路徑。因此，可以計算加權(quán)最短路徑，但需要將連接權(quán)重從親和性度量轉(zhuǎn)換為長度的中間步驟。這通常通過對邊緣權(quán)重進(jìn)行負(fù)指數(shù)運(yùn)算（即，）或者通過將邊緣權(quán)重除以其最大值并取負(fù)對數(shù)（即，）來實(shí)現(xiàn)。這些轉(zhuǎn)換以單調(diào)的方式將權(quán)重映射到長度，因此較大的權(quán)重必然對應(yīng)較小的長度。

中尺度度量

位于局部和全局尺度之間的豐富中尺度。局部和全局網(wǎng)絡(luò)屬性描述節(jié)點(diǎn)和邊緣或整個網(wǎng)絡(luò)的特征，而中尺度度量關(guān)注大網(wǎng)絡(luò)內(nèi)子網(wǎng)絡(luò)的屬性，這些屬性被認(rèn)為支持專門的腦功能。在網(wǎng)絡(luò)科學(xué)的術(shù)語中，這些子網(wǎng)絡(luò)或集群被稱為模塊或“社區(qū)”，參考社交網(wǎng)絡(luò)，其中社區(qū)代表個體群。中尺度結(jié)構(gòu)分析可以說是網(wǎng)絡(luò)科學(xué)最活躍的領(lǐng)域之一，它用于模式發(fā)現(xiàn)、功能組識別、網(wǎng)絡(luò)粗?；约吧善渌植亢腿志W(wǎng)絡(luò)統(tǒng)計數(shù)據(jù)。

然而，除了一些簡單的例子，網(wǎng)絡(luò)的中尺度結(jié)構(gòu)事先是未知的，僅憑視覺檢查無法確定。相反，中尺度結(jié)構(gòu)是通過一系列“社區(qū)檢測”算法以算法方式檢測的。這些算法旨在將網(wǎng)絡(luò)的節(jié)點(diǎn)或邊劃分為社區(qū)，通常是非重疊的。網(wǎng)絡(luò)神經(jīng)科學(xué)中最流行的方法是模塊度最大化和 Infomap，它們尋求節(jié)點(diǎn)的劃分，以優(yōu)化各自的目標(biāo)函數(shù)。

中尺度本身跨越多個組織層次，從網(wǎng)絡(luò)劃分為單個社區(qū)（每個節(jié)點(diǎn)都是自己的社區(qū)）到整個網(wǎng)絡(luò)被分配到同一集群。像模塊度最大化這樣的方法可以參數(shù)化調(diào)整以檢測特定大小的社區(qū)（類似于Infomap的最新版本）。

一旦檢測到網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)，就可以使用它來計算其他局部和全局網(wǎng)絡(luò)度量。例如，用于優(yōu)化模塊度最大化的目標(biāo)函數(shù)Q可以用作衡量網(wǎng)絡(luò)社區(qū)彼此隔離程度的指標(biāo)。同樣，我們可以從單個節(jié)點(diǎn)或腦區(qū)的角度觀察社區(qū)，并使用像參與系數(shù)這樣的度量來考慮它們在模塊內(nèi)外的連接分布，這些度量與其伙伴度量模塊度z得分一起，可以用來推斷節(jié)點(diǎn)是否充當(dāng)中心節(jié)點(diǎn)，以及其影響是否超越了自身模塊。例如，具有大參與系數(shù)的節(jié)點(diǎn)具有跨越模塊邊界的連接，位于調(diào)解模塊間流量的位置。

我們從中學(xué)到了什么？

網(wǎng)絡(luò)神經(jīng)科學(xué)和連接組學(xué)為從網(wǎng)絡(luò)視角研究大腦的組織提供了定量框架。采用這些方法的研究正在揭示功能和結(jié)構(gòu)大腦網(wǎng)絡(luò)的組織，闡明它們在健康和疾病中的運(yùn)作。例如，與大多數(shù)現(xiàn)實(shí)世界的網(wǎng)絡(luò)一樣，大腦呈現(xiàn)出小世界架構(gòu)，這意味著它們具有高度的局部聚類以支持專門的處理，但也具有拓?fù)洹敖輳健币詼p少最短路徑的平均長度，支持快速傳輸大腦中的信息。其他研究表明，大腦網(wǎng)絡(luò)表現(xiàn)出異質(zhì)的度分布，這意味著少數(shù)大腦區(qū)域比其他區(qū)域建立更多的連接。這些潛在的“中心”節(jié)點(diǎn)占據(jù)有影響力的位置，并相互連接，形成一個所謂的“富人俱樂部”，由具有高度影響力的大腦區(qū)域組成。有趣的是，富人俱樂部節(jié)點(diǎn)分布在大腦的功能系統(tǒng)中，這表明這些相互連接的中心位于整合不同子系統(tǒng)和模態(tài)信息的位置。

盡管現(xiàn)代連接組學(xué)是多方面的，包括許多活躍的研究領(lǐng)域，無論是應(yīng)用還是理論，在接下來的部分中，我們將討論三個特別有影響力的主題。這些主題包括將大腦的組織分為功能專門化的子系統(tǒng)，闡明結(jié)構(gòu)和功能連接之間的聯(lián)系，以及跟蹤隨時間變化的功能網(wǎng)絡(luò)架構(gòu)。

系統(tǒng)級組織

大多數(shù)現(xiàn)實(shí)世界的網(wǎng)絡(luò)都表現(xiàn)出一定程度的中尺度結(jié)構(gòu)，這樣節(jié)點(diǎn)和邊可以有意義地劃分為子網(wǎng)絡(luò)、模塊和社區(qū)。然而，這些社區(qū)的特性可能有所不同。例如，網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)可以形成一個密集的核心和稀疏的外圍，或者甚至表現(xiàn)出非同質(zhì)的多部分結(jié)構(gòu)，其中子網(wǎng)絡(luò)由內(nèi)部連接稀疏的節(jié)點(diǎn)組成，但在組間存在許多強(qiáng)連接。然而，最常見的中尺度組織類型是同質(zhì)的模塊結(jié)構(gòu)，其中節(jié)點(diǎn)被安排成內(nèi)部密集連接的子網(wǎng)絡(luò)，但彼此之間的連接較弱。實(shí)際上，模塊結(jié)構(gòu)在現(xiàn)實(shí)世界的網(wǎng)絡(luò)中無處不在，發(fā)展新方法來檢測和描述這些類型的社區(qū)仍是網(wǎng)絡(luò)科學(xué)研究的一個活躍領(lǐng)域。

大腦是否具有模塊化？為什么我們期望大腦呈現(xiàn)模塊化組織？具有模塊的大腦是否具有模塊化大腦所缺乏的某種優(yōu)勢？

模塊化網(wǎng)絡(luò)的一個關(guān)鍵特征是模塊之間的近乎自治，這使得它們能夠發(fā)展出專門的認(rèn)知和心理功能。模塊之間的自治性也對網(wǎng)絡(luò)的魯棒性產(chǎn)生了影響。假設(shè)大腦以某種方式受損，例如由于中風(fēng)、創(chuàng)傷性腦損傷或深部腦刺激電極造成的損傷。在一個模塊化的大腦中，這種損傷的影響僅限于起源于該模塊的部分，只影響該模塊支持的功能集合，但在更廣泛的認(rèn)知功能方面仍能保持不變。此外，模塊化結(jié)構(gòu)緩沖了隱性變異，使大腦更具進(jìn)化性，從而提高適應(yīng)性。它有助于降低布線總成本，支持豐富的動力學(xué)，并降低了布線成本。

有沒有任何實(shí)證證據(jù)支持大腦具有模塊化的假設(shè)？越來越多的研究已經(jīng)使用聚類和社區(qū)檢測算法揭示了現(xiàn)實(shí)世界結(jié)構(gòu)和功能大腦網(wǎng)絡(luò)的模塊化結(jié)構(gòu)。在這些研究中，大腦表現(xiàn)出模塊化結(jié)構(gòu)的最有力證據(jù)來自對靜息態(tài)功能成像數(shù)據(jù)的分析。在這些研究中，從靜息態(tài)獲得的fMRI數(shù)據(jù)估計了功能連接性，并進(jìn)行了聚類 - 在第一項研究中，將Infomap聚類算法應(yīng)用于閾值化連接矩陣；在第二項研究中，將修改過的k-均值算法應(yīng)用于完全加權(quán)且?guī)Х柕墓δ苓B接性。如預(yù)期的那樣，這些算法將大腦的某些部分劃分為模塊。然而，聚類算法可能會誤導(dǎo)，因為它們可以在沒有真實(shí)聚類結(jié)構(gòu)的網(wǎng)絡(luò)中檢測到聚類。為了緩解這個問題，兩項研究都通過比較聚類的空間范圍與前一項研究中的任務(wù)激活剖面進(jìn)行了交叉驗證。令人驚訝的是，靜息狀態(tài)下模塊的邊界限定了激活模式，這表明大腦的模塊化結(jié)構(gòu)支撐著支持積極認(rèn)知處理的相同系統(tǒng)。

在另一項精妙的研究中，Crossley等人直接比較了靜息態(tài)連通性的社區(qū)結(jié)構(gòu)與任務(wù)共激活模式。使用來自BrainMap的數(shù)據(jù)，這是一個匯總和報告許多研究中的激活位置的數(shù)據(jù)庫，Crossley構(gòu)建了一個共激活矩陣，其中如果節(jié)點(diǎn)在類似條件下激活，則它們相互連接。作者隨后將社區(qū)檢測方法應(yīng)用于這兩個矩陣，并發(fā)現(xiàn)結(jié)果模塊之間存在密切的對應(yīng)關(guān)系。這些觀察結(jié)果進(jìn)一步表明，大腦內(nèi)在的模塊化結(jié)構(gòu)描繪了其功能系統(tǒng)。

雖然已經(jīng)就社區(qū)與大腦內(nèi)在功能結(jié)構(gòu)之間的對應(yīng)達(dá)成一致，但仍存在許多懸而未決的問題。例如，社區(qū)的“真實(shí)”數(shù)量是多少？社區(qū)與功能領(lǐng)域之間是否存在一一對應(yīng)關(guān)系？所有大腦區(qū)域都形成模塊嗎？所有模塊都是隔離和同質(zhì)的嗎？

解決這些問題仍然是一個活躍的研究領(lǐng)域，并且在某些情況下需要方法論創(chuàng)新。以關(guān)于模塊的“真實(shí)”數(shù)量及其各自大小的問題為例。許多研究報告稱，大腦的模塊化結(jié)構(gòu)是分層的，較小的社區(qū)嵌套在較大的社區(qū)內(nèi)。即使是實(shí)證研究也報告了大腦被劃分為大大小小各不相同的簇，從大型任務(wù)正負(fù)二分法到這些系統(tǒng)的許多細(xì)分。然而，Infomap和模塊最大化等方法將網(wǎng)絡(luò)劃分為單一尺度的模塊和固定的社區(qū)集合。我們?nèi)绾谓鉀Q這一現(xiàn)實(shí)與預(yù)期模塊應(yīng)呈分層的矛盾呢？一個策略是采用多尺度社區(qū)檢測方法。Infomap和模塊最大化都包括可調(diào)節(jié)的自由參數(shù)，可用于檢測不同大小和數(shù)量的社區(qū)，從而有效地描述了一個網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)，而不是優(yōu)先考慮單一尺度。相反，它包含了大腦固有的多尺度和分層組織。

社區(qū)層面對功能和結(jié)構(gòu)大腦網(wǎng)絡(luò)的分析代表了一個活躍的研究和方法發(fā)展領(lǐng)域。像多層模塊最大化這樣的新技術(shù)使得可以同時對來自多個個體的數(shù)據(jù)網(wǎng)絡(luò)進(jìn)行聚類，以及成像模態(tài)和不同時間點(diǎn)。還有其他方法甚至挑戰(zhàn)了大腦社區(qū)結(jié)構(gòu)是模塊化的基本假設(shè)。隨機(jī)塊模型對社區(qū)的特征做出較少的假設(shè)（Infomap和模塊最大化都只能檢測到同質(zhì)性的網(wǎng)絡(luò)神經(jīng)科學(xué)和連接組學(xué)社區(qū)），如果核心-外圍或非同質(zhì)性社區(qū)存在，它們有能力檢測到它們。一些最近使用塊模型的研究發(fā)現(xiàn)了非同質(zhì)性社區(qū)，這些研究表明，將這些特征納入模型可以加強(qiáng)結(jié)構(gòu)-功能關(guān)系，并與使用模塊最大化估計的基因共表達(dá)模式更緊密地對齊。

中尺度分析還被用來表征個體差異，包括認(rèn)知、臨床狀況以及跟蹤大腦網(wǎng)絡(luò)結(jié)構(gòu)的發(fā)育和整個生命周期的變化。例如，越來越多的研究將模塊的質(zhì)量（用模塊化函數(shù)量化）與行為、人口統(tǒng)計和認(rèn)知變量聯(lián)系起來，例如生物年齡、在認(rèn)知要求較高的任務(wù)上的表現(xiàn)等。其他研究則將模塊化作為預(yù)后指標(biāo)，例如用來預(yù)測治療和有針對性干預(yù)的結(jié)果。

其他研究則探討了在進(jìn)行認(rèn)知要求較高的任務(wù)時，大腦的模塊結(jié)構(gòu)如何重新配置。匯聚的證據(jù)表明，任務(wù)激發(fā)模塊結(jié)構(gòu)的一個關(guān)鍵組織原則是，與靜息狀態(tài)相比，模塊表現(xiàn)出增加的整合和減少的分離。也就是說，認(rèn)知要求較高的任務(wù)似乎需要大腦模塊相互協(xié)調(diào)，形成強(qiáng)大的跨模塊鏈接。像隨機(jī)塊模型這樣的方法報告了一致的發(fā)現(xiàn)，即在靜息狀態(tài)下具有同質(zhì)性和分離性的模塊被非同質(zhì)性結(jié)構(gòu)（如核心-外圍結(jié)構(gòu)）所取代，在某些情況下，這種結(jié)構(gòu)是任務(wù)特異性的。

總之，從網(wǎng)絡(luò)科學(xué)和連接組學(xué)的角度研究大腦的系統(tǒng)層面組織已經(jīng)為神經(jīng)科學(xué)的多個領(lǐng)域提供了信息，從理論到應(yīng)用。這個課題仍然是一個富有成果的研究領(lǐng)域，并促進(jìn)了方法的發(fā)展，并在所有空間尺度上有效地應(yīng)用于大腦數(shù)據(jù)。

結(jié)構(gòu)活動和連接性的基礎(chǔ)

圖 2.2 受結(jié)構(gòu)約束的FC模型。結(jié)構(gòu)連接（a）約束大腦動力學(xué)，從而導(dǎo)致相關(guān)的大腦活動，這些活動被測量為FC（b）。為了更好地理解這種結(jié)構(gòu)-功能關(guān)系，可以構(gòu)建大腦動力學(xué)模型，作為輸出產(chǎn)生合成的FC模式（c）。這個框架使得可以測試不同的模型，這些模型對應(yīng)于關(guān)于大腦動力學(xué)/通信的不同假設(shè)，具有不同程度的復(fù)雜性和生物物理合理性（d）。模型性能可以量化為觀察到的FC和預(yù)測FC之間的相關(guān)性（e）。模型之間可以根據(jù)它們的性能作為適應(yīng)度衡量進(jìn)行比較，以識別最優(yōu)的動力學(xué)模型。生物學(xué)中的一個核心問題涉及生物體結(jié)構(gòu)與其能夠執(zhí)行的功能之間的關(guān)系。在網(wǎng)絡(luò)神經(jīng)科學(xué)的背景下，我們可以問一個類似的問題——大腦的解剖結(jié)構(gòu)如何塑造大腦遠(yuǎn)離部位之間的功能耦合模式？直觀地說，我們認(rèn)為解剖連接是一組約束條件——大腦的某些部位通過白質(zhì)或軸突投射直接耦合在一起，而其他部位則沒有。那些連接在一起的部位可以方便地互換信息或相互發(fā)信號——而那些缺乏直接連接的部位只能通過多步路徑間接交流，從而塑造大腦活動的相關(guān)結(jié)構(gòu)。這種功能與基礎(chǔ)解剖結(jié)構(gòu)的耦合是大腦網(wǎng)絡(luò)的一個基本特征，當(dāng)其被破壞或擾亂時，可能導(dǎo)致不適應(yīng)行為和疾病。結(jié)構(gòu)功能耦合的破壞可能正是我們應(yīng)該通過深部腦刺激（參見第1章）來調(diào)整的目標(biāo)。

實(shí)際上，有大量實(shí)證和計算機(jī)模擬的證據(jù)表明，大腦結(jié)構(gòu)連接性與功能耦合模式之間存在因果關(guān)系。一些最有力的證據(jù)來自損傷研究，其中直接的結(jié)構(gòu)損傷導(dǎo)致功能連接的急性變化。奧賴?yán)热说囊豁椦芯渴亲钋宄睦?，在這項研究中，在獼猴左右半球之間的胼胝纖維被手術(shù)切除之前和之后，估計了靜息狀態(tài)的功能連接。這種急性影響減少了大腦半球間功能連接的幅度，這可能是因為這些區(qū)域無法再相互交換信息或同步活動。

其他關(guān)于結(jié)構(gòu)連接塑造功能耦合的證據(jù)來自計算機(jī)模擬研究，其中結(jié)構(gòu)連接被視為網(wǎng)絡(luò)動力學(xué)系統(tǒng)的一部分。這些概念如何應(yīng)用于深部腦刺激領(lǐng)域。動力學(xué)系統(tǒng)的元素——網(wǎng)絡(luò)中的節(jié)點(diǎn)——具有代表其活動水平的內(nèi)部狀態(tài)，例如，膜電位或BOLD振幅，并且可以根據(jù)一定的內(nèi)部動力學(xué)隨時間自由演化。當(dāng)這些元素彼此耦合——即作為網(wǎng)絡(luò)的一部分——那么每個元素狀態(tài)的演化就取決于其鄰居的狀態(tài)。因此，結(jié)構(gòu)連接施加的約束在時間上誘導(dǎo)了節(jié)點(diǎn)狀態(tài)變化的相關(guān)性，從而導(dǎo)致觀察到的功能連接模式（如圖2.2b）。

這類模型通常包括生物物理參數(shù)，例如，“神經(jīng)質(zhì)量模型”包括興奮性和抑制性神經(jīng)元群，通道傳導(dǎo)率，信號的時間滯后傳播等。雖然這些參數(shù)的引入有助于保持一定的神經(jīng)生物學(xué)可信度，但代價也是顯而易見的。首先，求解微分方程組在計算上是昂貴的，即使在高性能計算機(jī)上運(yùn)行幾個小時也只能產(chǎn)生幾分鐘的數(shù)據(jù)（盡管新的軟件包承諾減少運(yùn)行時間）。其次，合成時間序列的相關(guān)結(jié)構(gòu)與其經(jīng)驗對應(yīng)物之間只有適度相似，這表明生物物理模型可能缺少關(guān)鍵組件或參數(shù)。這種較高的計算成本和較低的解釋方差促使人們探索基于解析易處理、風(fēng)格化的動力學(xué)的更簡單和更容易解釋的模型，這些動力學(xué)代表大腦區(qū)域間相互溝通的假設(shè)策略。

與生物物理模型不同，輸出是合成時間序列，通信模型為所有區(qū)域?qū)ι赏ㄐ湃萘炕騼蓚€大腦區(qū)域相互溝通的容易程度的度量，從而產(chǎn)生一個方形的節(jié)點(diǎn)矩陣。例如，假設(shè)我們假設(shè)大腦區(qū)域通過網(wǎng)絡(luò)的最短路徑結(jié)構(gòu)傳遞信號進(jìn)行“溝通”。作為這個假設(shè)的粗略測試，我們可以計算所有大腦區(qū)域?qū)χg的最短路徑長度，并將結(jié)果的最短路徑矩陣的元素與經(jīng)驗功能連接矩陣的元素進(jìn)行比較。通常情況下，兩個矩陣之間更強(qiáng)的對應(yīng)關(guān)系可以被解釋為支持最短路徑對大腦通信重要的證據(jù)。

為了利用最短路徑進(jìn)行信號傳輸，這些“信號”需要具有整個網(wǎng)絡(luò)及其最短路徑結(jié)構(gòu)的全局知識。在另一個極端是分布式過程，如擴(kuò)散模型，其中粒子或隨機(jī)游走者（代表一些信息量）在網(wǎng)絡(luò)上隨機(jī)移動，無偏地從一個節(jié)點(diǎn)跳到另一個節(jié)點(diǎn)。從這個過程中，可以計算出諸如平均首次通過時間這樣的度量，即一個粒子從一個節(jié)點(diǎn)開始預(yù)期到達(dá)另一個節(jié)點(diǎn)所需的時間，并將這些度量與功能連接進(jìn)行比較。其他簡單的模型包括基于可通性的模型，其中節(jié)點(diǎn)沿著所有路徑進(jìn)行通信，但指數(shù)級地減少較長路徑，振蕩器模型，其中節(jié)點(diǎn)根據(jù)鄰居的相位更新自己的相位，以及基于隱藏度（隨機(jī)游走者無誤差地沿最短路徑行走所需的信息量）的節(jié)點(diǎn)間路徑進(jìn)行量化的搜索信息模型。

這些簡單的模型使研究人員得以探索和比較各種可能的通信策略，從多路徑通信到為腦成像數(shù)據(jù)改進(jìn)的傳播模型，再到分布式和貪婪的導(dǎo)航模型，以及基于信息的模型。由于這些模型基于解析易處理的度量，它們具有較低的計算成本，可以輕松實(shí)現(xiàn)并優(yōu)化其參數(shù)。關(guān)鍵的是，這些模型在預(yù)測經(jīng)驗功能連接方面往往優(yōu)于更具神經(jīng)生物學(xué)合理性的模型（見圖2.2d和e）。

總的來說，有大量的實(shí)證和計算機(jī)模擬證據(jù)表明，結(jié)構(gòu)連接在塑造功能耦合模式方面起到了因果作用。這些證據(jù)促使許多研究考慮正常結(jié)構(gòu)-功能耦合受到干擾的情況，例如在任務(wù)執(zhí)行過程中，神經(jīng)精神疾病中，或者在人類發(fā)展過程中。實(shí)際上，結(jié)構(gòu)-功能耦合的變化與任務(wù)表現(xiàn)、受試者人口統(tǒng)計特征和特質(zhì)之間的個體差異存在關(guān)聯(lián)。

然而，仍有許多懸而未決的問題和挑戰(zhàn)。例如，結(jié)構(gòu)連接和功能連接之間的測量關(guān)聯(lián)可能取決于其他因素，包括大腦的空間嵌入——兩個區(qū)域之間距離越近，它們通過兩種模態(tài)相互連接的可能性就越大。這種相互依賴于距離使得評估結(jié)構(gòu)-功能耦合的真實(shí)強(qiáng)度變得困難。其他挑戰(zhàn)更為根本。結(jié)構(gòu)連接和功能連接矩陣的準(zhǔn)確性在大多數(shù)分析中仍是一個令人擔(dān)憂的問題。特別是結(jié)構(gòu)連接，它存在已知的偏見，阻止了對某些白質(zhì)束的準(zhǔn)確推斷。功能連接也存在一系列特殊的偏見，包括歸因于掃描儀中頭部運(yùn)動的變化。更根本的是，功能耦合的事實(shí)上的度量——皮爾遜相關(guān)——代表了許多可能的連接度量之一，結(jié)構(gòu)-功能關(guān)系的強(qiáng)度通常會隨著這些度量而變化。

如果您對腦網(wǎng)絡(luò)數(shù)據(jù)分析感興趣，可瀏覽思影科技課程及服務(wù)，另思影可承接PET相關(guān)數(shù)據(jù)處理分析業(yè)務(wù)，感謝轉(zhuǎn)發(fā)支持（可添加微信號siyingyxf或18983979082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）:

重慶：

第三十一屆擴(kuò)散成像數(shù)據(jù)處理班(重慶，4.7-12）

第七十九屆磁共振腦影像基礎(chǔ)班(重慶，4.14-19）

第九屆影像組學(xué)班（重慶，5.20-25）

第八十三屆磁共振腦影像基礎(chǔ)班(重慶，6.9-14）

上海：

第七屆擴(kuò)散磁共振成像提高班（上海，4.14-19）

第八十一屆磁共振腦影像基礎(chǔ)班（上海，5.6-11）

第二十八屆腦影像機(jī)器學(xué)習(xí)班（上海，5.14-19）

第二十五屆磁共振腦影像結(jié)構(gòu)班（上海，5.23-28）

北京：
第八十屆磁共振腦影像基礎(chǔ)班（北京，4.19-24）
第二十七屆腦影像機(jī)器學(xué)習(xí)班（北京，5.5-10）
第十三屆任務(wù)態(tài)功能磁共振數(shù)據(jù)處理班(北京，5.24-29）

第十屆影像組學(xué)班(北京，6.11-16）

第三十九屆磁共振腦網(wǎng)絡(luò)數(shù)據(jù)處理班（北京，6.20-25）

動態(tài)連接組學(xué)

圖 2.3 時變FC和靈活性。為了研究網(wǎng)絡(luò)組織隨時間的變化，滑動窗口方法通常用于獲得時變FC的估計值。

(a) 這涉及從大腦不同部位提取時間序列。

(b) 然后對時間序列進(jìn)行“窗口化”，并僅使用落在給定窗口內(nèi)的點(diǎn)來估計FC權(quán)重。對于一對體素/頂點(diǎn)/區(qū)域，這導(dǎo)致一系列與該窗口時間局部化的FC估計值。

(d) 盡管時變FC可以使用許多不同的方法進(jìn)行分析，但一種常見的方法是基于網(wǎng)絡(luò)模塊的重構(gòu)來估計網(wǎng)絡(luò)靈活性。這個過程涉及從時變矩陣構(gòu)建一個“多層網(wǎng)絡(luò)”，并同時對所有時間點(diǎn)進(jìn)行聚類。靈活性計算為節(jié)點(diǎn)從一個時間點(diǎn)到下一個時間點(diǎn)改變其模塊隸屬關(guān)系的頻率。這里，我們展示了一個靈活的節(jié)點(diǎn)（頂部）和一個不靈活的節(jié)點(diǎn)（底部）的示例。

連接組學(xué)革命帶來的一個深刻認(rèn)識是，即使在認(rèn)知休息期間，大腦也從未安靜下來。相反，人類大腦始終在不斷變化，隨著時間推移，穿越一個高維度的活動和連接模式的景觀。特別是隨時間變化的功能連接（FC），引起了網(wǎng)絡(luò)神經(jīng)科學(xué)領(lǐng)域的極大關(guān)注。在這里，人們普遍認(rèn)為，隨著時間的推移，神經(jīng)元素之間的瞬時耦合和解耦反映了認(rèn)知狀態(tài)的變化，通過研究這些變化，我們可以洞察到功能網(wǎng)絡(luò)在快速時間尺度上支持心理過程的原理。許多方法已經(jīng)被提出來研究動態(tài)或時變功能連接，包括基于頻率的分解、瞬時共波動分析和基于模型的方法。然而，最常見的方法是滑動窗口方法。這需要指定一個包含臨時連續(xù)時間點(diǎn)的某種長度的“窗口”（圖 2.3a 和 b）。然后，使用給定窗口內(nèi)的時間點(diǎn)計算時間分辨功能連接，并將窗口向前推進(jìn)固定數(shù)量的時間點(diǎn)，然后重復(fù)該過程。結(jié)果是一系列對應(yīng)于不同時間點(diǎn)的功能連接模式的網(wǎng)絡(luò)（圖 2.3c）。然后可以分析這些網(wǎng)絡(luò)以了解網(wǎng)絡(luò)動態(tài)——大腦在時間上的拓?fù)浣M織如何波動。

盡管可以使用許多不同的方法分析隨時間變化的功能連接（FC），以量化跨時間的模式穩(wěn)定性和可變性，但一種流行的研究方法是根據(jù)相似的FC模式將時間點(diǎn)分配給聚類。這個過程產(chǎn)生了一組腦狀態(tài)——簇質(zhì)心——描述了大腦隨時間穿越的低維空間。這些狀態(tài)可以使用豐富的統(tǒng)計數(shù)據(jù)進(jìn)行總結(jié)，包括每個狀態(tài)的相對頻率和從一個狀態(tài)轉(zhuǎn)換到另一個狀態(tài)的概率。這種方法已被廣泛使用，并已成功將隨時間變化的連接性與喚醒和清醒、注意力、意識狀態(tài)等聯(lián)系起來，并已在臨床環(huán)境中應(yīng)用，以生成疾病和神經(jīng)精神疾病的生物標(biāo)志物。

研究時變連接的另一種強(qiáng)大方法是使用多層網(wǎng)絡(luò)模型跟蹤不同時間的社區(qū)變化（圖 2.3d）。在這種方法中，不同時間點(diǎn)的FC模式被視為單個多層網(wǎng)絡(luò)中的“層”，其中每個層與其時間相鄰的鄰居層弱耦合。當(dāng)多層網(wǎng)絡(luò)被聚類時，所有層同時被聚類，其聚類標(biāo)簽得以保留。這使得可以直接比較在時間相鄰層的節(jié)點(diǎn)聚類標(biāo)簽，以識別頻繁切換聚類分配的靈活節(jié)點(diǎn)和那些在時間上保持穩(wěn)定分配的節(jié)點(diǎn)。這種方法可用于跟蹤隨時間形成、持續(xù)和消失的社區(qū)。靈活性可以在整個大腦和局部區(qū)域計算，在以前的研究中被證明是認(rèn)知和疾病的有力生物標(biāo)志物。越來越多的研究將靈活性模式與學(xué)習(xí)、執(zhí)行功能、情緒和情感狀態(tài)以及工作記憶聯(lián)系起來。其他研究將靈活性與精神疾病和精神分裂癥聯(lián)系起來。

雖然使用滑動窗口方法分析時變功能連接（FC）非常普遍，但這個過程要求用戶在其中做出一些非瑣碎的處理決策。這些決策包括確定窗口長度以及是否應(yīng)該進(jìn)行錐形減少，以及每一步窗口應(yīng)該推進(jìn)多遠(yuǎn)。盡管改變長度是研究不同時間尺度的網(wǎng)絡(luò)變化的簡單方法，但窗口長度也會影響抽樣可變性。這導(dǎo)致了時間尺度與誤差之間的權(quán)衡，其中較短的窗口可以揭示FC中較快的時變變化，但假陽性和假陰性的比例較大。

還有一些問題挑戰(zhàn)了使用fMRI方法測量時變FC的概念。這些研究認(rèn)為，由于fMRI采用的測量方法緩慢且間接，時變FC分析中觀察到的可變性與來自時間上穩(wěn)定且不變的相關(guān)結(jié)構(gòu)的抽樣可變性一致。這種觀察要求將時變連接性的任何估計與穩(wěn)定的零模型進(jìn)行比較。

總之，時變網(wǎng)絡(luò)分析正在廣泛應(yīng)用于研究較短時間尺度上的網(wǎng)絡(luò)結(jié)構(gòu)變化。這些分析的結(jié)果為大腦網(wǎng)絡(luò)隨時間重新配置的原理提供了深入了解。雖然這個領(lǐng)域的研究有時存在爭議，但它繼續(xù)加強(qiáng)了網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的快速變化與認(rèn)知狀態(tài)波動之間的聯(lián)系。

未來有什么展望？

像任何年輕的領(lǐng)域一樣，連接組學(xué)和網(wǎng)絡(luò)神經(jīng)科學(xué)的全部潛力尚未被挖掘，許多前沿領(lǐng)域都在進(jìn)行令人興奮的新工作。在這一部分，我們回顧了其中的幾個領(lǐng)域，重點(diǎn)關(guān)注生成建模、網(wǎng)絡(luò)控制和基于邊的方法。

生成建模

圖 2.4 連接組模型的生成模型。

網(wǎng)絡(luò)生成模型旨在揭示產(chǎn)生觀察到的大腦網(wǎng)絡(luò)（A）的連線規(guī)則。 (B) 通過提出和測試不同的模型——生成過程——并評估它們與觀察到的網(wǎng)絡(luò)特征的匹配程度來實(shí)現(xiàn)這一點(diǎn)。生成過程可以是簡化的、在非生物時間尺度上進(jìn)行的，也可以包含詳細(xì)的神經(jīng)生理細(xì)節(jié)并在發(fā)育時間上進(jìn)行。 (C) 這個過程通過狀態(tài)空間追蹤軌跡，其中生成的大腦網(wǎng)絡(luò)作為結(jié)果，用某種距離/相似度度量與觀察到的網(wǎng)絡(luò)進(jìn)行比較（D）。生成建?？蚣茉试S進(jìn)行計算機(jī)內(nèi)探究干預(yù)。例如，如果兩個網(wǎng)絡(luò)沿著類似的軌跡演化——一個朝著有利的健康狀態(tài)，另一個朝著不利的疾病狀態(tài)——可以通過探索不利軌跡的有針對性的干擾來識別將大腦“驅(qū)使”回到健康狀態(tài)的策略（E）?？梢詫?shí)例化測試網(wǎng)絡(luò)增長和演化的不同假設(shè)的不同生成模型，并將它們的適應(yīng)性（與觀察到的網(wǎng)絡(luò)特征的匹配程度）進(jìn)行比較，以了解塑造大腦網(wǎng)絡(luò)組織的連線規(guī)則和原則。

網(wǎng)絡(luò)神經(jīng)科學(xué)的吸引力部分在于使用不斷增長的概要統(tǒng)計工具套件來量化大腦組織的不同方面的能力。正如前面所提到的，這些測量可以診斷有影響力的節(jié)點(diǎn)，發(fā)現(xiàn)社區(qū)，并評估網(wǎng)絡(luò)進(jìn)行有效信息傳輸?shù)哪芰?。然而，網(wǎng)絡(luò)概要統(tǒng)計只是描述和總結(jié)網(wǎng)絡(luò)。也就是說，概要統(tǒng)計并不能解釋為什么網(wǎng)絡(luò)具有某種特征，或者這種特征是如何首次出現(xiàn)的。要了解網(wǎng)絡(luò)增長和演化的過程、規(guī)則和算法，需要構(gòu)建、測試和驗證生成模型。

生成建模在網(wǎng)絡(luò)科學(xué)中有著豐富的歷史，以Watts-Strogatz和Barabasi-Albert模型為基礎(chǔ)，最為典型。雖然這些模型提出了小世界性和集線器產(chǎn)生的機(jī)制，但一般來說，生成模型的工作原理是確定網(wǎng)絡(luò)需要具備的一組期望特性，并向后尋找產(chǎn)生具有這些特性的網(wǎng)絡(luò)的過程。

與其他建模練習(xí)一樣，簡約在生成建模中發(fā)揮著重要作用，生成建模研究通常旨在發(fā)現(xiàn)能夠準(zhǔn)確復(fù)制真實(shí)大腦網(wǎng)絡(luò)屬性的“簡單”連接規(guī)則。然后，這些規(guī)則可以被解釋為大腦網(wǎng)絡(luò)組織的驅(qū)動因素。任何由于這些規(guī)則而偶然產(chǎn)生并作為這些生成機(jī)制的有用副產(chǎn)品的其他特征都可以被認(rèn)為是“拱券”。（注釋：在生物學(xué)領(lǐng)域，拱券是一個指代那些原本不是由自然選擇直接產(chǎn)生的特征，而是作為其他自然選擇過程中適應(yīng)性特征產(chǎn)生的副產(chǎn)品的概念。）

大腦網(wǎng)絡(luò)可能的生成模型空間是巨大的。我們可以通過按照它們?nèi)绾翁幚頃r間對模型進(jìn)行分類來為這個空間施加一些秩序。在一個極端，有些模型是在生物學(xué)有意義的時間尺度上使網(wǎng)絡(luò)生長和演化的，目的是重現(xiàn)特定的發(fā)育軌跡。這類模型需要根據(jù)觀察仔細(xì)校準(zhǔn)，并包括其他神經(jīng)生物學(xué)細(xì)節(jié)，然后可以用來評估擾動如何改變發(fā)育軌跡（導(dǎo)致適應(yīng)不良的大腦網(wǎng)絡(luò)），并探索在將大腦恢復(fù)到健康軌跡的策略。尼科西亞等人的研究是這類模型的一個很好的例子，他們模擬了線蟲（秀麗隱桿線蟲）的生長。我們擁有關(guān)于C. elegans大約300個神經(jīng)元出生時間的詳細(xì)信息，這些信息可以納入生成生長模型，以重現(xiàn)成年C. elegans的網(wǎng)絡(luò)。作者證明了一個基于出生時間結(jié)合懲罰形成長連接和獎勵高度節(jié)點(diǎn)的布線規(guī)則的模型可以解釋成年C. elegans連接組的許多特性，包括雙相生長速率。

在另一個極端，有些模型中時間不起作用，如隨機(jī)塊模型，或以非生物學(xué)方式處理時間。Barabasi-Albert模型就是一個很好的例子，網(wǎng)絡(luò)根據(jù)一組簡單的規(guī)則生長，隨著時間的推移添加節(jié)點(diǎn)和邊緣，但時間尺度是任意的。雖然這些類型的模型缺乏生物現(xiàn)實(shí)主義，但它們可以用來深入了解塑造網(wǎng)絡(luò)組織的基本原則。例如，最近的一些網(wǎng)絡(luò)神經(jīng)科學(xué)研究調(diào)查了準(zhǔn)動態(tài)模型，這些模型根據(jù)概率生長規(guī)則逐漸向一組大腦區(qū)域添加邊緣。在這些研究中，作者基于網(wǎng)絡(luò)的空間布局和拓?fù)浣Y(jié)構(gòu)測試了許多可能的規(guī)則，比較了它們解釋實(shí)證大腦網(wǎng)絡(luò)的組織特性的能力。在這兩種情況下，作者發(fā)現(xiàn)最優(yōu)模型—生成與現(xiàn)實(shí)世界大腦網(wǎng)絡(luò)相似特性的合成網(wǎng)絡(luò)—懲罰形成長距離連接，但增加了具有相似連接特征的節(jié)點(diǎn)之間形成連接的可能性。盡管這些模型的時間尺度與神經(jīng)發(fā)育沒有任何對應(yīng)關(guān)系，但它們的結(jié)果與C. elegans的生成模型是一致的。

生成模型在揭示大腦網(wǎng)絡(luò)組織原理方面發(fā)揮了重要作用。其中一個關(guān)鍵發(fā)現(xiàn)是空間關(guān)系在塑造大腦網(wǎng)絡(luò)結(jié)構(gòu)中所起的作用。大腦必須被限制在有限的體積內(nèi)，它們的連接需要物質(zhì)來形成并且需要能量來維持和使用。因此，較短的連接可以減少體積和布線成本，并提高適應(yīng)性。盡管有些研究認(rèn)為降低這些成本足以完全解釋大腦網(wǎng)絡(luò)組織，但大多數(shù)研究認(rèn)為，這種驅(qū)動力需要被一些相反的力量來平衡，以解釋涉及長距離連接的大腦網(wǎng)絡(luò)的昂貴特性，例如，樞紐和富集俱樂部的存在。

生成模型方法為研究大腦網(wǎng)絡(luò)及其在健康和疾病中的作用提供了新的、令人興奮的策略。首先，生成模型有助于發(fā)現(xiàn)網(wǎng)絡(luò)組織的驅(qū)動因素，從而將注意力重新集中在這些特征上，遠(yuǎn)離“拱券”，這有助于生成越來越敏感和適當(dāng)?shù)纳飿?biāo)志物。其次，生成模型可以適應(yīng)特定主題的數(shù)據(jù)，其參數(shù)可用于研究個體差異。例如，在某文獻(xiàn)中，作者證明了控制空間約束的參數(shù)隨年齡而變化，而作者在另一篇文獻(xiàn)中使用了類似的模型，并證明了它們的參數(shù)與精神分裂癥的多基因風(fēng)險和認(rèn)知表現(xiàn)相關(guān)。最后，通過將額外的神經(jīng)生物學(xué)和發(fā)育細(xì)節(jié)納入它們的布線規(guī)則，生成模型可以為人類發(fā)育提供深入的見解。

網(wǎng)絡(luò)控制

為了滿足持續(xù)的認(rèn)知需求，人類大腦必須有序地從一個大腦狀態(tài)無縫地過渡到另一個狀態(tài)。大腦是如何實(shí)現(xiàn)這一點(diǎn)的？這些轉(zhuǎn)換是如何得到基礎(chǔ)解剖連接的支持的？這類問題可以用網(wǎng)絡(luò)控制框架來解決。這種方法預(yù)先設(shè)定大腦是一個網(wǎng)絡(luò)動力學(xué)系統(tǒng)，假設(shè)在沒有任何干預(yù)的情況下，每個大腦區(qū)域的活動會根據(jù)自身狀態(tài)和連接鄰居的狀態(tài)隨時間演變，隨時間描繪出一條軌跡。然而，這條軌跡可以通過外源性時變輸入信號被“注入”到大腦區(qū)域中來改變。因此，這些信號可以驅(qū)動大腦活動，使其偏離其被動軌跡。網(wǎng)絡(luò)控制理論提出了這樣一個問題，即是否有可能定制這些輸入信號，以便大腦不是簡單地沿著不同的軌跡運(yùn)行，而是沿著特定的預(yù)定義軌跡運(yùn)行，同時使用盡可能低幅度的控制信號。

通過這種方式，網(wǎng)絡(luò)控制提供了一個優(yōu)雅且數(shù)學(xué)上可處理的框架，自然地將大腦連接性、動力學(xué)和活動聯(lián)系起來。一方面，它可以產(chǎn)生一組局部和全局的網(wǎng)絡(luò)度量。這些包括大腦區(qū)域的控制特征-它們將大腦驅(qū)動到某些類別的大腦狀態(tài)的能力，例如，那些難以達(dá)到并需要付出大量努力才能達(dá)到的狀態(tài)，相對那些容易達(dá)到、需要很少努力的狀態(tài)。我們還可以計算出全局度量，揭示網(wǎng)絡(luò)是否可控，即其拓?fù)浣Y(jié)構(gòu)和動力學(xué)是否允許其被驅(qū)動到任意狀態(tài)。像其他網(wǎng)絡(luò)度量一樣，控制指標(biāo)可以為個體計算，并用于研究個體間或群體間差異，并已被用于揭示發(fā)展過程中的變化、控制和臨床人群之間的差異，以及了解創(chuàng)造力的結(jié)構(gòu)和動力學(xué)基礎(chǔ)。

實(shí)際上，大多數(shù)大腦狀態(tài)從未被訪問過。也就是說，它們對應(yīng)于代表非功能性“噪音”的活動模式，或者訪問它們具有主動危險性，例如癲癇發(fā)作或癲癇活動。為了使控制措施更具信息性和現(xiàn)實(shí)性，我們應(yīng)該專注于主動訪問的大腦狀態(tài)之間的過渡，忽略那些由于某種原因而未被訪問的狀態(tài)。實(shí)現(xiàn)這一點(diǎn)的方法之一是利用最優(yōu)控制框架。最優(yōu)控制框架不考慮從所有可能狀態(tài)到達(dá)和離開的過渡，而是考慮特定狀態(tài)對之間的過渡：系統(tǒng)開始的初始狀態(tài)和試圖達(dá)到的目標(biāo)狀態(tài)。給定一組控制節(jié)點(diǎn)，通過這些節(jié)點(diǎn)注入輸入信號，最優(yōu)控制提供使大腦從初始狀態(tài)到達(dá)目標(biāo)狀態(tài)所需的盡可能少的努力的時變輸入?？刂颇芰康臄?shù)量取決于初始和目標(biāo)狀態(tài)的特性，還取決于底層結(jié)構(gòu)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。最優(yōu)控制框架產(chǎn)生一系列可在個體之間或不同群體之間進(jìn)行比較的統(tǒng)計數(shù)據(jù)。這些包括節(jié)點(diǎn)軌跡、輸入信號和支持過渡所需的控制能量。這些度量已經(jīng)在幾個應(yīng)用背景中得到應(yīng)用。例如，Cornblath等人計算了大腦活動模式的聚類作為大腦狀態(tài)，并證明最頻繁的狀態(tài)過渡需要最少的能量，這表明大腦的白質(zhì)網(wǎng)絡(luò)支持其通過狀態(tài)空間的動態(tài)軌跡。同樣，Braun等人計算了在工作記憶任務(wù)期間從活動狀態(tài)過渡到和離開所需的能量，并將能量量與多巴胺受體表達(dá)聯(lián)系起來。

一方面，網(wǎng)絡(luò)控制的前提——我們可以選擇性地驅(qū)動大腦進(jìn)入具有不同認(rèn)知和行為類似物的不同活動模式——看起來像是科幻小說。然而，網(wǎng)絡(luò)控制理論在現(xiàn)實(shí)世界中具有實(shí)際應(yīng)用和實(shí)際意義。例如，隨著植入式神經(jīng)調(diào)控設(shè)備的出現(xiàn)，非侵入性刺激（如經(jīng)顱磁刺激）的廣泛使用以及光遺傳控制群體級活動的實(shí)踐，新理論有必要對目標(biāo)刺激的影響進(jìn)行建模和預(yù)測。然而，使用網(wǎng)絡(luò)控制仍存在一些實(shí)際障礙。迄今為止，大多數(shù)將網(wǎng)絡(luò)控制應(yīng)用于大規(guī)模大腦網(wǎng)絡(luò)的研究都假設(shè)大腦活動是由線性動力學(xué)描述的。雖然這個假設(shè)有助于簡化控制的數(shù)學(xué)方法，但控制非線性動力學(xué)比線性控制要困難得多。另一個問題涉及可控性度量與更容易獲得的傳統(tǒng)網(wǎng)絡(luò)度量之間的關(guān)系，例如節(jié)點(diǎn)度。有幾篇文章表明，這些度量高度共線，暗示決定節(jié)點(diǎn)控制特性的不是網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，而是節(jié)點(diǎn)的低級特征，例如它們建立的連接數(shù)。這意味著真實(shí)和隨機(jī)網(wǎng)絡(luò)的控制特性幾乎相同。

盡管如此，網(wǎng)絡(luò)控制在連通組學(xué)中代表了一個激動人心的新領(lǐng)域。它揭示了一種令人著迷的可能性，即利用對底層結(jié)構(gòu)連接的了解來選擇性地驅(qū)動整個大腦活動模式。雖然這個框架主要局限于理論練習(xí)，但新的操縱大腦活動的方法（包括深度腦刺激）將提供可以仔細(xì)測試和進(jìn)一步完善理論的案例。

邊-中心網(wǎng)絡(luò)

圖 2.5 神經(jīng)影像數(shù)據(jù)的邊為中心的建模和分析。邊為中心的模型將焦點(diǎn)從單個大腦區(qū)域及其活動轉(zhuǎn)移到區(qū)域?qū)捌涔餐顒印?/span>(a) 首先提取并對區(qū)域/分區(qū)時間序列進(jìn)行 z 標(biāo)準(zhǔn)化，這恰好是計算 fFC 的前兩個步驟。(b) 對于每一對時間序列，我們計算它們活動的逐元素乘積，得到一個共同活動或共同波動時間序列。(c) 為所有大腦區(qū)域?qū)?zhí)行此過程，產(chǎn)生一個“邊”時間序列矩陣。(d) 邊時間序列矩陣的每一列代表在特定時刻表達(dá)的共同活動模式。這些模式可以重塑為一個區(qū)域?qū)^(qū)域矩陣，并作為一個功能網(wǎng)絡(luò)進(jìn)行分析。(e) 邊時間序列還可以用來創(chuàng)建一種新型的連通性矩陣：“邊功能連接性”(eFC)。這是通過計算所有可能的邊時間序列對之間的兩兩相似性來實(shí)現(xiàn)的。與節(jié)點(diǎn) FC 不同，后者產(chǎn)生一個區(qū)域?qū)^(qū)域矩陣，而 eFC 矩陣具有節(jié)點(diǎn)對乘以節(jié)點(diǎn)對的尺寸，即邊乘以邊。這個矩陣可以進(jìn)一步分析，例如，聚類以揭示重疊的社區(qū)。

歷史上，大腦網(wǎng)絡(luò)通常使用“節(jié)點(diǎn)中心”的網(wǎng)絡(luò)進(jìn)行建模和分析，其中節(jié)點(diǎn)和邊代表神經(jīng)元、種群或區(qū)域，以及功能或結(jié)構(gòu)連接。這種模型一直是網(wǎng)絡(luò)神經(jīng)科學(xué)的基石，幾乎是迄今為止所有連通組學(xué)發(fā)現(xiàn)的核心。然而，最近，一些團(tuán)隊提出擴(kuò)展節(jié)點(diǎn)中心模型，以表征網(wǎng)絡(luò)中的高階相互作用。這意味著將關(guān)注點(diǎn)從大腦區(qū)域和神經(jīng)元素之間的相互作用轉(zhuǎn)移到功能和結(jié)構(gòu)連接之間的相互作用，并構(gòu)建全新的網(wǎng)絡(luò)類別。

生成高階“邊中心”網(wǎng)絡(luò)的兩種最常討論的方法包括將傳統(tǒng)的節(jié)點(diǎn)對節(jié)點(diǎn)連接矩陣轉(zhuǎn)換為更高維度的邊對邊“線圖”和“邊相似性”矩陣，這些矩陣量化網(wǎng)絡(luò)中邊對的相互作用強(qiáng)度。雖然這些方法在其他學(xué)科中已經(jīng)成功應(yīng)用，但在神經(jīng)科學(xué)中的應(yīng)用卻受到了限制。迄今為止，只有一項研究將邊緣中心方法應(yīng)用于實(shí)證大腦網(wǎng)絡(luò)，使用線圖研究結(jié)構(gòu)連接數(shù)據(jù)的重疊社區(qū)結(jié)構(gòu)。

然而，最近幾篇論文提出了一種新的生成高階網(wǎng)絡(luò)的方法，使它們更容易應(yīng)用于神經(jīng)影像數(shù)據(jù)，并為研究大腦的高階組織和動力學(xué)開辟了新的機(jī)會。這種新的邊中心模型基于時間序列和雙變量皮爾遜相關(guān)性——這是定量功能連接的常用度量。雖然兩個區(qū)域的活動的皮爾遜相關(guān)性是通過計算它們的標(biāo)準(zhǔn)化（z-分?jǐn)?shù)）時間序列的平均逐元素乘積來計算的，但邊中心模型省略了平均步驟，為每對節(jié)點(diǎn)（邊）生成一個共波動時間序列。因為功能連接通常被解釋為兩個大腦區(qū)域之間通信的指標(biāo)，我們可以將每個邊時間序列看作是該“對話”的時間解析記錄。

該過程可以針對每一對大腦區(qū)域（網(wǎng)絡(luò)中的所有邊）進(jìn)行，生成一整套共波動時間序列（也稱為“邊時間序列”），具有有用的特性。首先，我們可以將邊時間序列視為功能連接的時間分解；任何一對節(jié)點(diǎn)的共波動時間序列的時間平均值正好是這些節(jié)點(diǎn)之間功能連接的權(quán)重。有了這種分解，我們可以評估單個幀對平均功能連接的貢獻(xiàn)。此外，如果我們在某個時間點(diǎn)“切片”邊時間序列，我們將獲得所有邊對的瞬時共波動模式，可以將其重新整形為一個區(qū)域與區(qū)域的矩陣并作為網(wǎng)絡(luò)進(jìn)行分析。因此，邊時間序列在不使用滑動窗口的情況下量化網(wǎng)絡(luò)結(jié)構(gòu)的時變變化，從而提高了時間分辨率。

有趣的是，邊時間序列呈現(xiàn)出突發(fā)性，也就是說，在大多數(shù)時間點(diǎn)上，幅度較弱，但在非常短的時間內(nèi)變得極強(qiáng)。更有趣的是，這些突發(fā)發(fā)生的時間往往在各個邊之間呈現(xiàn)相關(guān)性，導(dǎo)致時變網(wǎng)絡(luò)中大多數(shù)連接較弱，但偶爾會被罕見且短暫的高幅度“事件”所打斷。盡管事件發(fā)生的頻率較低，但它們在靜態(tài)功能連接中解釋了不成比例的方差，解釋了其系統(tǒng)級結(jié)構(gòu)，并包含了不在低幅度幀中出現(xiàn)的特定于受試者的信息。

邊時間序列還可以用于估計更高階的邊功能連接性（eFC）結(jié)構(gòu)。通過計算邊時間序列對之間的相似性，可以得到類似于線圖和連接相似性網(wǎng)絡(luò)的邊與邊連接矩陣，但它是完全加權(quán)且?guī)Х柕摹Ｏ駛鹘y(tǒng)的節(jié)點(diǎn)為中心的網(wǎng)絡(luò)一樣，可以使用網(wǎng)絡(luò)科學(xué)工具分析eFC，以識別網(wǎng)絡(luò)中重要或有影響力的邊。然而，eFC的主要優(yōu)勢在于使用社區(qū)檢測算法將邊劃分為緊密波動的邊時間序列社區(qū)。在這種情境下，邊被分配到單個社區(qū)，但由于每個節(jié)點(diǎn)與許多邊相關(guān)聯(lián)，每個邊都可以屬于不同的社區(qū)，網(wǎng)絡(luò)中的節(jié)點(diǎn)可以具有多個社區(qū)隸屬關(guān)系。與其他解決重疊社區(qū)的方法不同，在這些方法中，少量節(jié)點(diǎn)在多個社區(qū)中弱參與，邊社區(qū)導(dǎo)致“普遍重疊”，使得節(jié)點(diǎn)被多個重疊社區(qū)覆蓋。這種普遍重疊的概念符合我們對大腦功能的理解；即使是傳統(tǒng)的“單模態(tài)”大腦區(qū)域也對各種不同的刺激和條件作出反應(yīng)。

在Faskowitz等人的一項研究中，使用熵度量來量化每個大腦區(qū)域的重疊程度，揭示出異質(zhì)性模式。有趣的是，觀察到感覺運(yùn)動和注意網(wǎng)絡(luò)中的重疊程度最高，這表明這些區(qū)域可能在支持廣泛認(rèn)知功能方面發(fā)揮著以前未被揭示的作用。

總之，邊為中心的方法為我們提供了另一個角度來研究大腦的組織、功能和動態(tài)。正如結(jié)構(gòu)連接和功能連接提供互補(bǔ)的見解一樣，邊連接性也揭示了在快速時間尺度上共波動模式的變化，并描述了大腦的高階相互作用。邊為中心的方法為未來的研究提供了多種機(jī)會。首先，我們可以利用邊時間序列將功能連接分解為其逐幀貢獻(xiàn)的事實(shí)來重構(gòu)功能連接，僅使用選定的幀子集。這些子集可以以特定的方式選擇，以最大化重構(gòu)的功能連接與行為之間的關(guān)系或增強(qiáng)組間差異。eFC本身似乎對放大網(wǎng)絡(luò)中受試者特異性特征非常有用，這為增加個性化可能會改善個體差異研究提供了可能性。

結(jié)論

數(shù)據(jù)的可用性、分析框架和計算資源的完美結(jié)合為網(wǎng)絡(luò)神經(jīng)科學(xué)和連接組學(xué)的繁榮創(chuàng)造了有利條件。這些新興學(xué)科為探索健康和疾病狀態(tài)下的大腦連接模式以及在廣泛的時空尺度上提供了量化框架。這個框架開始揭示大腦網(wǎng)絡(luò)的一些關(guān)鍵特征 - 小世界結(jié)構(gòu)用于高效信息處理，模塊用于支持專門的信息處理，中樞和富俱樂部用于在模塊之間整合信息，以及對空間布局的強(qiáng)烈依賴，有助于降低大腦的材料和代謝連接成本。連接組學(xué)的未來包括揭示網(wǎng)絡(luò)層級機(jī)制和控制大腦活動的強(qiáng)大新方法，而新的記錄和成像技術(shù)使得在越來越精細(xì)的空間尺度上解析網(wǎng)絡(luò)成為可能，同時受益于更廣泛的大腦覆蓋。

網(wǎng)絡(luò)神經(jīng)科學(xué)和連接組學(xué)革命帶來了許多先進(jìn)的概念，這些概念在網(wǎng)絡(luò)神經(jīng)科學(xué)領(lǐng)域內(nèi)不斷被探索和改進(jìn)，如時變連接性、網(wǎng)絡(luò)控制和邊為中心的連接組學(xué)在應(yīng)用領(lǐng)域，如連接組學(xué)深腦刺激中具有潛力。因此，很可能在未來的研究中，這些和其他網(wǎng)絡(luò)神經(jīng)科學(xué)的前沿方法將從理論練習(xí)轉(zhuǎn)向?qū)嶋H應(yīng)用。

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(diǎn)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(diǎn)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：