在局部兴奋性-抑制性波动作用下，模块化网络的关键行为

《Cognitive Neurodynamics》：Critical behaviors of modular networks under local excitatory-inhibitory fluctuations

模块化网络通过密集内模块连接和稀疏跨模块连接在临界状态下实现更低资源消耗和更强抗灾能力，其模块最大实特征值影响抑制效率，临床测试显示可用于癫痫病灶定位。

　　

摘要

大量的生理观察表明，大脑处于有序与无序之间的临界状态边缘。同时，从大脑皮层柱到整个大脑的不同层次结构都以模块化的方式组织起来。然而，模块化脑网络是否代表了为临界状态而优化的结构，以及其优化的具体方式，目前尚未得到完全解答。在本研究中，构建了一个模块化网络，该网络具有密集的模块内部连接和稀疏的模块间连接，每个神经元的行为都受到Kinouchi-Copelli模型的控制。此外，还引入了具有相同度分布的随机替代网络，以说明模块化结构对临界状态的重要性。研究结果表明，模块化网络在达到临界状态时所需的突触资源更少，放电成本也更低。更重要的是，较小的“雪崩”（即神经活动的异常波动）表明模块化结构能够增强网络的韧性，从而有助于快速从干扰中恢复。进一步通过测试网络状态对局部兴奋-抑制波动的敏感性，发现兴奋性和抑制性调节的效率与二级兴奋性输入密度密切相关。另外，针对具有较大实特征值的模块进行抑制性调节，可以更有效地抑制过度兴奋活动，从而实现平衡。当局部兴奋性显著增强时，即使模块化网络已调整到临界状态，模块级“雪崩”的规模与持续时间比也能有效捕捉到异常现象。这些特性也在颞叶癫痫患者的临床记录中得到了体现，这可能为癫痫灶的定位提供一种有前景的方法。

大量的生理观察表明，大脑处于有序与无序之间的临界状态边缘。同时，从大脑皮层柱到整个大脑的不同层次结构都以模块化的方式组织起来。然而，模块化脑网络是否代表了为临界状态而优化的结构，以及其优化的具体方式，目前尚未得到完全解答。在本研究中，构建了一个模块化网络，该网络具有密集的模块内部连接和稀疏的模块间连接，每个神经元的行为都受到Kinouchi-Copelli模型的控制。此外，还引入了具有相同度分布的随机替代网络，以说明模块化结构对临界状态的重要性。研究结果表明，模块化网络在达到临界状态时所需的突触资源更少，放电成本也更低。更重要的是，较小的“雪崩”表明模块化结构能够增强网络的韧性，从而有助于快速从干扰中恢复。进一步通过测试网络状态对局部兴奋-抑制波动的敏感性，发现兴奋性和抑制性调节的效率与二级兴奋性输入密度密切相关。另外，针对具有较大实特征值的模块进行抑制性调节，可以更有效地抑制过度兴奋活动，从而实现平衡。当局部兴奋性显著增强时，即使模块化网络已调整到临界状态，模块级“雪崩”的规模与持续时间比也能有效捕捉到异常现象。这些特性也在颞叶癫痫患者的临床记录中得到了体现，这可能为癫痫灶的定位提供一种有前景的方法。