Nat. Rev. Neurosci.综述：结构化信息驱动的有向脑连接模型
Nat. Rev. Neurosci.综述：结构化信息驱动的有向脑连接模型
大脑如何实现复杂的信息传递与功能协调一直是神经科学的核心问题。近期发表在Nature Reviews Neuroscience上的一篇综述文章，深入探讨了如何将大脑的结构连接（structural connectivity）整合到描述有向脑连接（directed connectivity）的模型中。这种结合不仅深化了对脑区间相互影响的理解，也为神经疾病的诊断和治疗提供了新的思路。
大脑的信息传递本质上是方向性的，源于神经元通过轴突单向传播动作电位的机制。然而，在实际研究中，脑连接模型往往分为两类：
- 结构连接，基于神经解剖学特性，使用成像技术 （如扩散MRI） 识别脑区间的神经纤维连接；
- 功能连接，通过神经活动的同步性，描述脑区间的协同作用，但不包含方向性。
为了更好地揭示脑区间的因果效应，研究者转向有向连接模型，其中包括：
- 有效连接（Effective Connectivity） ：通过生成模型推断潜在的因果机制。
- 有向功能连接（Directed Functional Connectivity）：基于时间序列数据预测脑区活动的因果关系。
图1. 生成和通用状态空间模型在功能性磁共振成像中的应用。
文章详细总结了将结构连接整合到有向连接模型中的三种主要方法：
1.贝叶斯方法（Bayesian Approach）：通过结构连接定义先验分布，例如连接强度越高，对应的先验概率越大。早期研究（如Stephan等人）在动态因果模型（DCM）中引入结构连接权重，优化模型参数，提高了数据拟合的准确性。
2.嵌入式方法（Embedded Approach）：将结构连接直接作为固定参数嵌入状态空间模型。例如，Fukushima等人的模型假设只有存在直接结构连接的脑区间才可能有有向功能连接。这种方法虽然简单，但可能忽略多跳（multi-hop）连接的重要性。
3.基于机器学习的方法（Machine-Learning-Based Approach）：使用动态贝叶斯网络（DBN）或图卷积神经网络（DCRNN）等技术，同时整合结构和功能数据。例如，Dang等人开发的模型结合了fMRI时间序列和结构连接数据，在分类任务中表现出优异的预测能力。
图2. 基于贝叶斯、嵌入式和机器学习的结构化定向连接模型方法
文章指出，整合结构连接的模型显著提升了研究性能。结构连接作为正则化因子，限制了模型参数的搜索空间，提高了模型的稳定性和可靠性。有向连接模型能够捕捉到结构连接对功能活动的限制作用，揭示了两者之间的深刻联系。例如，研究表明结构连接较强的脑区对功能活动的调控更显著。此外，这些模型在跨尺度和跨物种的研究中也表现出良好的适用性，从小鼠到人类的大脑研究均验证了这一点。
最后，文章也强调了这一领域尚待解决的问题。当前模型的可靠性与泛化性仍有不足，特别是跨数据集和跨物种的验证较少。生物学可解释性也是一大挑战，特别是多跳连接在功能调控中的具体作用仍需深入研究。此外，将这些模型应用于神经疾病的个性化诊断和干预还有很长的路要走。整合结构和功能信息的模型不仅推动了对大脑机制的理解，也为开发更精确的神经疾病诊疗工具提供了重要方向。这种跨学科的研究范式展示了神经科学与计算科学深度融合的巨大潜力。