虚拟扰动 “替代大脑” 绘制有效连接性：解码大脑功能架构的新跨越

为解决传统获取有效连接性（EC）方法存在的侵袭性或空间覆盖局限问题，研究人员开展了名为 Neural Perturbational Inference（NPI）的数据驱动框架研究。结果显示，NPI 优于现有方法，揭示了 EC 模式。这有助于解码大脑功能架构，推动神经科学和临床应用。

　　有效连接性（Effective Connectivity，EC）反映了大脑区域之间的因果相互作用，对理解大脑中的信息处理至关重要。然而，传统获取 EC 的方法依赖于对刺激的神经反应，往往具有侵袭性或空间覆盖有限，不适合在人体中进行全脑 EC 映射。为填补这一空白，研究引入了神经扰动推理（Neural Perturbational Inference，NPI），这是一种数据驱动的全脑 EC 映射框架。NPI 使用经过训练以模拟大规模神经动力学的人工神经网络，作为大脑的计算替代模型。通过系统地扰动替代大脑中的所有区域，并分析其他区域产生的反应，NPI 能够绘制出全脑 EC 的方向性、强度以及兴奋 / 抑制特性。在具有已知真实 EC 的生成模型上对 NPI 进行验证，结果表明它优于诸如格兰杰因果关系（Granger causality）和动态因果建模（dynamic causal modeling）等现有方法。当将 NPI 应用于不同数据集的静息态功能磁共振成像（resting-state functional magnetic resonance imaging）数据时，它揭示了一致的、有结构支持的 EC 模式。此外，与皮质 - 皮质诱发电位（cortico-cortical evoked potential）数据的比较显示，NPI 推断出的 EC 与真实刺激传播模式非常相似。从对大脑功能的相关性理解转变为因果性理解，NPI 标志着在解码大脑功能架构方面迈出了重要一步，有助于神经科学研究和临床应用。