基于空间扩散输入优化人脑连接组控制的神经动力学框架

《Communications Biology》:Controlling the human connectome with spatially diffuse input signals

【字体: 大 中 小 】 时间:2026年03月02日 来源:Communications Biology 5.1

编辑推荐:

  《通讯生物学》推荐:传统脑网络控制模型假设输入独立作用于各节点,忽略了皮质空间连续性与脑刺激技术的扩散效应。为此,研究人员在最优控制框架中引入空间扩散输入模型,揭示了该策略可利用结构与活动的空间依赖关系,显著降低驱动脑状态转变所需的能量,识别出减少输入数量的近最优策略,其输入位点密度图谱与独立的功能、代谢等多模态图谱高度吻合。这项工作为理解脑动力学的最优控制提供了高效且神经生物学基础扎实的新框架。

  
人脑从不静止:其活动持续波动,在全脑模式或脑状态之间不断转换。理解并控制这些状态间的转变,对于揭示大脑工作原理乃至开发神经精神疾病的干预手段具有重要意义。网络控制理论(Network Control Theory)为此提供了一个量化驱动这些转变所需能量的框架。其中,最优控制(Optimal Control)方法尤其相关,它通过施加输入来“引导”大脑朝向目标状态。然而,传统的最优控制模型通常将输入建模为独立作用于网络中的各个节点(脑区)。这种建模方式虽然方便,却忽略了一个关键的神经生物学事实——大脑皮质的空间连续性。相邻的脑区在解剖和功能上紧密耦合,信号可以沿皮质传播扩散。更重要的是,实际应用中的脑刺激技术(如经颅磁刺激TMS)其效应也具有空间扩散性,影响范围远超刺激靶点本身。这种模型假设与生物现实之间的脱节,促使研究人员思考:如果我们在控制模型中纳入更符合实际情况的空间扩散输入,会带来怎样的不同?能否找到更高效、更贴近人脑固有运作方式的控制策略?
为了回答这些问题,一项发表在《Communications Biology》上的工作对经典网络控制模型进行了重要革新。研究人员将原本作用于离散节点的“点”状输入,替换为“空间扩散输入”,其影响力从输入位点(Input Site)开始,随距离增加呈指数衰减。这种建模更真实地反映了皮质内信号传导的连续性和脑刺激技术的有限空间特异性。通过这一适应性改造,研究者得以在一个更贴近现实的框架下,重新探索驱动脑状态转变的最优控制问题。
关键研究方法概述
本研究主要基于公开的神经影像数据集构建计算模型。研究者利用了人脑连接组(Human Connectome)项目的弥散加权成像(Diffusion Weighted Imaging, DWI)数据来构建个体水平的结构连接(Structural Connectivity, SC)矩阵,量化脑区间的白质纤维连接强度。同时,利用功能性磁共振成像(fMRI)数据来定义脑状态(Brain States)和计算功能连接(Functional Connectivity, FC)。核心分析框架建立在网络控制理论之上,特别是线性时不变系统的最优控制理论(具体为有限时间、最小能量控制问题)。通过比较传统离散输入模型与新提出的空间扩散输入模型在驱动相同脑状态转变时所需的控制能量(Control Energy),评估新模型的有效性。研究还通过优化算法,寻找能够实现特定状态转变且所需输入通道最少(即输入位点密度最低)的近最优控制策略。
研究结果
空间扩散输入策略显著降低控制能量
研究发现,与传统的、假设输入独立作用于每个节点的模型相比,新提出的空间扩散输入模型能大幅降低将大脑从一种状态驱动到另一种特定目标状态所需的最小控制能量。这是因为空间扩散输入策略巧妙地利用了大脑固有的空间依赖特性:由于结构连接(白质通路)和功能活动在空间上是相关的,对一个位点的扩散性影响可以更高效地“协同”驱动一片相互连接紧密的脑区网络,而非逐个节点单独“推动”。这种对脑内自然通信结构的利用,使得状态转变的控制过程更为高效。
识别出减少输入数量的近最优策略
进一步,研究者探索了在保持控制效果的前提下,最大限度减少物理输入位点数量的可能性。他们通过算法识别出了“近最优”的控制策略。令人惊讶的是,在某些情况下,使用空间扩散输入模型,仅需极少数的输入位点(相比传统模型,数量可减少两个数量级),就能实现与使用更多输入位点的传统策略相近的状态控制效果。这表明,通过精心选择输入靶点的位置并利用其空间扩散效应,可以极大地简化控制架构,为实现更聚焦、更可行的神经调控干预方案提供了理论依据。
输入位点密度图谱与多模态神经生物学特征高度相关
研究的一个关键发现是,那些被算法计算出的、能够高效实现全脑多种状态控制的“最优”或“近最优”输入位点,并非随机分布。当将这些位点的空间密度进行全脑绘图时,所得出的“输入位点密度图谱”与一系列独立的、反映大脑固有特性的神经生物学图谱表现出高度空间相关性。这些图谱包括:1) 功能图谱,如静息态功能网络(例如默认模式网络)的枢纽区域;2) 代谢图谱,如脑葡萄糖代谢率高的区域;3) 遗传表达图谱,与突触信号传递、神经元活动相关的基因(如那些编码谷氨酸能、GABA能神经递质系统成分的基因)高表达区域;4) 神经化学图谱,涉及多种神经递质受体(如5-HT1A、D1受体)的分布。这种高度的多模态一致性表明,本模型所识别出的高效控制位点,恰好与大脑中那些在信息集成、能量消耗、分子机制上处于核心地位的“枢纽”区域相重叠。这从多个独立的生物学层面交叉验证了模型结果的合理性,表明该计算模型捕捉到了人脑功能架构中与控制和动力学密切相关的深层生物物理约束。
研究结论与意义
这项研究通过将空间扩散输入整合到网络控制理论框架中,成功地构建了一个更现实、更高效的脑动力学最优控制模型。主要结论是:考虑输入的空间扩散性不仅使模型更贴近脑刺激的生理现实和皮质的空间连续特性,更能主动利用脑网络固有的空间依赖关系,从而大幅减少驱动脑状态转变所需的控制能量和物理输入数量。模型所预测的高效控制靶点图谱与功能、代谢、遗传、神经化学等多模态特征的高度吻合,强有力地证明了该模型具有扎实的神经生物学基础。
这项工作的意义重大。在理论上,它弥合了抽象数学控制模型与复杂生物系统现实之间的鸿沟,为计算神经科学领域提供了分析脑状态转变的新工具和新视角。在方法论上,它展示了一种将空间先验知识融入控制框架的通用思路。在应用前景上,其识别出的高效、低能耗控制策略和关键靶点图谱,为设计下一代更精准、更节能的神经调控疗法(例如用于治疗抑郁症、帕金森病的深部脑刺激DBS或经颅磁刺激TMS的靶点优化)提供了全新的理论指导。它提示,未来的神经调控或许不应仅仅追求对单一“点”的精确打击,而应综合考虑刺激效应的空间传播特性,并优先针对那些天然处于网络控制枢纽的脑区进行干预,从而有可能以更小的“代价”实现更稳定、更有效的脑功能调控。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号