能量消耗降低诱导大脑动力学的整合状态：探索大脑网络调控机制的新视角

《Scientific Reports》：A reduction in energy costs induces integrated states of brain dynamics

在大脑研究中，为探究大脑网络集体活动如何在环境变化下维持稳定统一状态，研究人员引入网络模型，调整网络连接以降低能量消耗。结果发现该机制可诱导分层网络结构，影响大脑动力学。这为理解大脑功能提供了新视角。

　　大脑作为人体最为神秘且复杂的器官，主导着人类的意识、认知和行为。神经元的集体活动催生了与意识相关的认知过程，内外环境刺激促使多个脑区展开信号处理活动，这些活动相互协作，在全脑范围内组织成同步的动态状态，赋予人类大脑强大的功能，帮助我们灵活适应环境、进行复杂认知 。然而，大脑如何构建能维持稳定动态状态的网络结构，以及这种网络结构背后的形成机制，一直是神经科学领域亟待解开的谜团。

为了攻克这些难题，来自日本埼玉的独立研究员 Kosuke Takagi 开展了一项极具创新性的研究。该研究成果发表在《Scientific Reports》上，为我们理解大脑的奥秘提供了新的方向。

在研究方法上，研究人员主要运用了以下关键技术：首先，从 OpenNeuro 数据库下载功能磁共振成像（fMRI）图像数据集，其中包含 100 个静息态 fMRI 数据点和 699 个任务态 fMRI 数据点 。接着，利用 python 库 Nilearn 对 fMRI 图像进行预处理和脑区划分，提取 100 个感兴趣的皮质区域的活动信号时间序列。最后，基于节能假设，借助 TensorFlow 进行模拟，训练连接矩阵以最小化能量损失，并通过与真实观测数据对比来评估模型预测准确性。

下面来看具体的研究结果：

• 区域脑活动的稳定性：研究人员假设开发的模型可通过减少信号处理过程中的能量损失来稳定大脑活动。通过分析 fMRI 数据，他们发现大脑活动模式的转变受到控制，以抑制无序和快速的变化，这表明大脑动力学可能参与了能量消耗的减少 。
• 节能与连接调整：通过对 fMRI 图像信号进行模拟，研究人员发现根据节能假设优化的连接矩阵做出的预测，相较于功能连接（FC）和随机矩阵更为准确，且该方法在静息态和任务态条件下均适用 。
• 稳定性与连接调整：调整后的连接与区域活动之间的相关性表明，活跃区域在模型训练过程中获得了更强的连接，这些连接稳定了区域活动。同时，稳定区域构成了具有强功能连接的子网，网络动力学由此形成了有序状态 。

在研究结论与讨论部分，研究表明节能机制诱导了一种依赖于每个区域活动水平的分层网络结构。活跃区域信号幅度大，倾向于获得强化连接，形成具有强区域间连接性的社区；而不活跃区域连接松散，可能组成独立模块，能自由响应环境变化 。这种机制使得全脑范围内的整合状态自发出现，通过相互约束限制区域活动，减少信息损失 。此外，该机制可能为大脑动力学特征（如稳定性和活动整合）的起源提供基础，从统一的角度解释了意识的产生 。

尽管该模型在数学公式方面存在一定局限性，预测准确性尤其是任务诱发情况下低于静息态，但这一研究成果仍然意义重大。它为大脑网络和动力学的研究开辟了新的路径，启发后续研究进一步优化模型，深入探索大脑的奥秘，有望为理解人类认知、意识以及相关神经系统疾病的发病机制提供关键线索。