刺激映射与全脑建模揭示大脑皮层网络兴奋性和递归性梯度：解锁大脑层级组织奥秘，助力神经调控新策略

为探究大脑层级组织对脑动力学和信息处理的意义，研究人员开展了 “刺激映射和全脑建模揭示皮层网络兴奋性和递归性梯度” 的研究。通过对 36 例耐药性局灶性癫痫患者的多模态电生理记录分析，发现高阶脑网络兴奋性更强，其依赖递归反馈，该结果为认知功能研究及神经调控治疗提供新方向。

　　大脑，这个人体最神秘的 “指挥官”，一直是科学家们竞相探索的领域。在大脑研究的征程中，尽管我们已经知晓其具有模块化和层级结构，从低级的感觉运动系统延伸到高级的认知 / 情感系统，但这一组织形式如何影响大脑的动态活动和信息处理能力，却依旧迷雾重重。比如说，不同功能的脑区之间是如何协同工作的？为何有些脑区在信息处理上更为高效？这些问题不仅关乎我们对大脑基本工作原理的理解，更是开发精准神经调控疗法的关键所在。为了揭开这些谜团，来自加拿大成瘾与心理健康中心（Centre for Addiction and Mental Health，CAMH）等多个研究机构的研究人员，踏上了探索之旅，相关研究成果发表在《Nature Communications》上。

在本次研究中，研究人员采用了多种关键技术方法。首先，他们收集了 36 例耐药性局灶性癫痫患者在术前颅内电刺激（iES）期间的立体定向脑电图（sEEG）和头皮高密度脑电图（hd - EEG）数据，这些数据就像是大脑活动的 “实时记录仪”，为后续分析提供了宝贵的原始资料。其次，研究人员利用基于连接组的全脑建模方法，结合 Schaefer 图谱等工具，深入探究大脑网络的特性。这种建模方法能够模拟大脑的复杂结构和功能，帮助研究人员理解大脑内部的运作机制。

研究结果如下：

• 低阶到高阶脑网络的兴奋性梯度：研究人员评估了 7 个典型静息态网络（Visual network：VN，Somatomotor network：SMN，Dorsal attention network：DAN，Anterior salience network：SN，Limbic network：LN，Frontoparietal network：FPN，Default mode network：DMN）在刺激诱发的全局脑激活程度，并以此作为神经元兴奋性的指标。通过分析 hd - EEG 的全局平均场功率（GMFP）和 sEEG 数据，他们发现高阶网络（如 LN、SN、DAN、FPN 和 DMN）比低阶网络（如 VN 和 SMN）具有更高的兴奋性。而且，这种兴奋性差异在不同的响应时间段内表现不同，且呈现出连续的层级性，与已知的宏观功能连接梯度紧密对齐。
• 递归反馈对刺激反应的贡献反映兴奋性梯度：研究人员通过对完整结构连接组和虚拟切断（lesioned）结构连接组的模拟运行进行对比，发现虚拟切断主要影响高阶网络在刺激后期（78 - 373ms）的反应。在低阶网络中，虚拟切断对刺激反应的影响较小；而在高阶网络中，虚拟切断导致刺激诱发的活动显著减少，这表明高阶网络的活动在很大程度上依赖于来自其他脑区的递归反馈，而低阶网络则更多依赖于内部网络活动。

在讨论部分，研究人员指出，本次研究揭示了 iES 诱发的电生理反应的时空模式遵循大脑皮层层级梯度结构。这一发现不仅为理解大脑功能的组织原则提供了新的视角，而且具有重要的临床意义。例如，它可以帮助优化神经调控治疗策略，通过精准靶向特定的脑网络，提高治疗效果。不过，研究也存在一些局限性，比如 RSN 的推导并非基于静息态功能磁共振成像数据，sEEG 的空间采样存在变异性，不同功能网络的刺激次数存在差异，模型选择及其参数设置可能无法完全捕捉大脑动态的复杂性，研究对象为癫痫患者可能存在潜在混杂因素等。尽管如此，这项研究依旧为后续研究指明了方向，未来研究可以在改进方法、扩大样本量、优化模型等方面进一步探索，以更深入地理解大脑的奥秘。总之，这项研究成果为大脑研究领域添上了浓墨重彩的一笔，为我们进一步探索大脑层级组织与认知功能之间的关系奠定了坚实基础，有望推动神经科学在基础研究和临床应用方面取得新的突破。