prl 物理评论快报（PRL）刊文揭示大脑功能多样性的起源

正式介绍

大脑的功能分离和整合的平衡是如何出现的，学术界一直没有定论。在今年7月发表在《物理评论快报》上的一篇工作中，科学家们重点研究了大脑结构与动力学之间的协同作用，揭示了大脑功能分离与整合的新机制:大脑网络结构的层次连接特性和动力学的自组织临界状态，共同使得大脑功能的多样性趋于最大化。

分层连接体模式和临界状态共同最大化人脑功能多样性

https://journals . APS . org/PRL/abstract/10.1103/PhySrevlett . 123.038301

复杂的脑网络:功能分离和整合的平衡

复杂的大脑功能是如何产生的？语言区是否只负责产生语言功能？事实上，科学家们早就发现，最简单的大脑功能需要几个大脑区域的协同作用。1990年，泽基提出了功能连接性的概念，定义为空之间上下不相邻脑区生理指标的时间相关性，表征了不同脑区的功能协同性，为从复杂网络的角度研究大脑认知功能奠定了基础，其中脑区是网络节点，脑区之间的功能连接是连接边。

模块化是脑功能网络最突出的特征。模块中节点之间的连接性强，保证了模块内部脑区神经信息的高效传递，而不同模块之间的功能连接性弱，从而保证了模块能够独立产生局部功能，即功能分离。矛盾的是，模块之间的连接也需要足够强的功能连接，才能全局整合局部功能，从而产生复杂的脑功能，即功能整合。

人脑中分离和整合的网络属性。

多年来，大多数科学家认为，大脑在休息时保持着功能分离和整合的动态平衡，时刻准备着各种认知任务。但是，如何描述功能分离与整合的动态平衡呢？

西班牙庞培法布拉大学(UPF)的戈尔卡认为，最佳平衡需要模块内的强连接和模块间的弱连接。此时功能连接的分布最接近均匀分布。因此，功能连接的分布范围可以用来描述分离与整合之间的平衡(即功能网络的复杂程度，更大的复杂程度表示更平衡的功能分离与整合)，并提出真实的大脑具有最平衡的功能分离与整合，即最大的复杂程度。

西安科技大学的王戎和他的合作者认为，网络的全局同步组件与复杂性的定义相反。只有“打开”全局同步组件的盖子，才能揭示功能连接的真正复杂性。基于这一想法，他们进一步证明了静息脑具有最高的复杂性，从而维持了功能分离与整合的平衡。

那么，大脑为什么以及如何产生最平衡的功能分离和整合过程呢？本文从大脑的层次结构和大脑的临界性两个方面阐述了这个问题。

大脑的层次结构是功能分离和整合的基础

显然，大脑结构是所有认知功能的基础，但结构与功能的关系一直是神经科学家试图理解的问题。

科学家通过本征模方法给出了功能网络的功能分离和整合与大脑结构之间的关系。特征模态理论是机械振动系统中非常经典的理论，认为系统具有独立的固有结构模态，结构模态被激活产生复杂的组合，从而形成各种动态模态。

在大脑系统中，王戎和其他人发现固有的结构模式可以反映结构网络的层次模块化。功能分离可能由于结构模块激活而发生。高阶结构模式包含许多小模块，对应强功能分离。随着结构模式的激活，高阶模式的小模块逐渐整合成较大的模块，形成功能整合；较大的模块也可以以低阶模式集成到较大的模块中，进一步形成分层的功能分离和集成。

大脑通过这种结构模式分层的主动模式，形成一个功能分离和整合的过程。“对于学力学的人来说，这个激活过程看似不起眼，但对于了解大脑功能分离和整合能力的形成有着重要的意义”。

王戎等人基于特征模式的正交性进一步构建了功能网络和结构网络之间的关系，发现当结构中的层次模块化信息被最大限度地利用时，大脑功能网络具有最高的复杂度，支持功能分离和整合的最优平衡。而且，结构网络的层级结构被破坏后，功能网络的复杂度显著降低，进一步证明了大脑的层级结构是功能分离整合能力的基础。

而大脑结构的内在信息需要一个动态的过程(即神经活动)来激活。大脑的动态特性在平衡功能分离和整合的过程中起什么作用？

特征模式揭示了大脑的层次模块化结构

大脑临界性是功能分离和整合平衡的保证

临界性的概念来源于统计力学，是指复杂系统在有序和无序状态之间的过渡态。

脑临界性是指激活大小(也称雪崩大小)与神经元(或脑区、fMRI图像中的像素等)出现频率之间存在简单的指数关系。).自从佩尔·贝克在20世纪90年代提出大脑的临界性以来，科学家们已经在大脑的所有尺度上观察到幂律行为，包括神经元尺度、局部场电位和整个大脑。

然而，对大脑临界性的反对从未停止，主要是因为幂律关系也可以出现在随机系统中，比如猴子打字机模型。2017年，法国学院的Jonathan Touboul进一步证明了神经系统也可以在非临界点产生功率分配。然而，这一结果不仅没有攻击科学家对大脑临界性的研究，反而促使反对者提出了更为严格的临界性检验，即雪崩大小与持续时间的关系以及雪崩大小与持续时间的关系应服从幂分布。

2019年5月，Fontenele、Antonio等人在PRL发表文章，指出神经元雪崩的大小和持续时间可以通过这个严格的功率分布测试。与此同时，王戎等人也在《PRL》上发表论文，指出整个大脑尺度上的神经活动也可以通过这个测试，为大脑临界性提供了更多证据。

在不同的分辨率下，雪崩的大小、持续时间以及大脑的大小和持续时间的分布满足严格的临界性测试

对于物理学家来说，大脑临界有着诱人的前景。巴西伯南布哥联邦大学的物理学家毛罗·科普利(Mauro copelli)说:“如果大脑处于紊乱状态，就很难处理信息，如果大脑组织得太好，就很难适应环境的变化。”先前的研究也表明，临界性在神经系统对外部刺激的反应、处理信息的能力以及大脑状态之间的灵活切换方面具有重要意义。

基于一个简单的线性模型，研究者发现该模型在结构信息被最大程度激活时也能产生最相似的雪崩大小分布，产生功能分离与整合的最优平衡，表明大脑的临界性最大化刺激了结构中的分层模块化信息，产生功能分离与整合的最优平衡。

脑网络交叉研究展望

综上所述，大脑的层级模块化结构提供了功能分离与整合的内在能力，而大脑的临界性可以最大限度地激活这种内在能力，产生功能分离与整合的最优平衡。

这些结果结合了大脑的功能、结构和动力学，极大地促进了网络科学、神经科学和物理学对大脑工作机制的理解，对类脑智能机器的发展具有重要的指导意义。

商业合作和提交转载| swarma@swarma.org