非洲爪蟾胚胎类器官中脑样复杂信息架构的识别

本刊推荐这篇开创性研究，作者运用复杂系统与多元信息论（如总相关TC、对偶总相关DTC、O信息Ω）技术，首次在无神经的非洲爪蟾胚胎组织（"基础Xenobots"）中发现了与人类大脑静息态fMRI高度相似的多元信息整合模式（包括功能连接网络、高阶协同与冗余动态、时间分辨共波动等）。这项工作不仅证实了生物信息处理模式的跨物种保守性，更为"多样智能"研究和类器官智能建模提供了全新范式。

　　

引言：探索生物系统的组织复杂性

生物系统最显著的特征是控制论专家Warren Weaver所称的"有组织的复杂性"。与可通过形式化数学模型很好描述的简单物理系统不同，生物系统在多个尺度上展现出高度非平凡结构。除了具有许多相互作用的组成部件这种意义上的复杂性外，生物系统还明显具有进行复杂解剖结构的高级自组装和修复的能力：结构复杂性与动态和适应性行为复杂性共存。

细胞和组织集体在胚胎发生、再生和癌症抑制过程中稳态地导航解剖状态空间。这些状态发生在比实现它们的细胞和分子网络大得多的尺度上，需要全局协调和虚拟调节器动态，尽管存在各种不可预测的情况，仍能自适应地操纵子系统以达到正确的物种特异性目标形态和生理状态。

识别生物系统中的涌现结构

挑战在于如何根据有限且通常嘈杂的经验数据推断这些高维过程的结构？最成熟的方法之一是研究信息如何分布在系统的组成元素上，以及形成正在进行、自发动态"支架"的依赖关系结构。这些方法在计算神经科学领域得到了最充分的发展，那里经常使用fMRI、EEG和MEG等方法记录高时间和高空间分辨率时间序列的大数据集。

从这些数据中，已经开发了一整套工具来表征多元相互作用的结构并用各种形式统计量描述它们。在神经科学背景下，这些技术揭示了神经元、神经元网络和整个皮层区域之间不同类型相互作用的丰富架构。

大脑活动中的复杂结构与认知和临床意义相关的差异

作为高阶信息度量最发达的实验平台，我们首先简要介绍本研究中使用的各种度量及其对神经系统信息动态的揭示（所有度量的更正式综述可在材料与方法中找到）。第一个也是最基本的推断是符号功能连接网络，它描述了整个系统的架构。在大脑中，所有神经影像模态中都发现了一致的功能连接网络，包括大脑区域之间正负符号依赖关系的复杂分布，表明活动的相关和反相关模式。

这些分析的一个限制是它们都建立在成对相互作用模型上：在功能连接框架中，基本单元是双变量边，高阶相互作用只能通过考虑低阶相互作用的模式间接推断。为了规避这一限制，最近对复杂系统中真正高阶相互作用的兴趣日益增长，使用信息论技术直接评估多体协同和冗余。

所有这些统计量都是汇总统计量，描述了系统平均结构的某些特征。为了深化分析，我们还可以探索时间分辨度量。第一个是瞬时共波动的方差，它描述了随时间变化的整合-分离平衡的帧分辨率变化；第二个是整合信息，它衡量观察者基于其真实联合统计模型与基于分解模型预测整体未来的有效性程度。

比较神经数据和基础Xenobots的钙数据

尽管多元信息论在神经科学中明显成功，但与其他生物学领域的交叉授粉很少，因此不清楚在大脑中观察到的这些模式在多大程度上是"大脑特异性"的，或者这些大脑活动模式是否反映了跨生物系统的信息处理动态的更大特征。

为了做到这一点，我们比较了两种截然不同的系统中的时间信息动态：来自人类大脑的静息态fMRI数据，以及来自非洲爪蟾胚胎组织制备物（俗称"Xenobots"）记录的钙信号数据。术语"Xenobot"非常广泛，指多种不同的制备物：这里我们专门处理所谓的"基础Xenobots"，它们代表一种默认配置，缺乏一些在增强版本中看到的额外特征。

由于其形态发生和行为特性、缺乏神经系统、合成（生态独特和新颖）性质以及对光学询问的适应性，它们是一个有趣的模型系统，可用于与神经构造中的动态进行比较，后者在固定配置中经过长期选择具有特定功能。Xenobot生物工程新兴领域目前一个悬而未决的问题是Xenobots本身（基础或其他）在多大程度上代表真正整合的复杂系统。

零模型和假设检验

在本文中，我们不是直接比较大脑和基础Xenobots（例如，我们不是在问"大脑或基础Xenobots哪个具有更多总相关"或"哪个系统可以处理更多信息"）：系统大小、记录特性和可变的一阶动态的差异可能在信息论量的估计中引入复杂且难以解开的偏差。

相反，我们表明两个系统一致地显示出比元素独立时期望的更大的整合。鉴于基础Xenobots可以在多大程度上发展整合的高阶依赖关系尚不清楚，强制每个组件独立于所有其他组件的零模型是一个自然选择。众所周知，时间序列的某些低阶特征可能使高阶相互作用的分析复杂化，需要仔细考虑以避免第一类错误。

这样做需要为每个数据集构建一个定制的零模型，该模型保留各个元素的所有一阶特征（自相关、频谱等），同时破坏它们之间的任何相互作用。为此，我们使用循环移位零模型（详情见材料与方法）来保留一阶特征，同时破坏元素之间的高阶相互作用。

材料与方法

Xenobot制备

所有实验均经塔夫茨大学机构动物护理和使用委员会（IACUC）批准。非洲爪蟾胚胎通过标准协议在体外受精，并在0.1X Marc改良林格氏液中饲养，在14°C下饲养并根据Nieuwkoop和Faber分期。在2细胞阶段向两个卵裂球注射GCamp6s钙指示剂（每个注射卵裂球1-2 ngs）和lifeAct-mCherry细胞膜和细胞骨架指示剂（每个注射卵裂球0.2-0.5 ngs）mRNA，以实现整个胚胎的均匀表达。

最基本版本的Xenobots（没有不同组织的雕刻或混合）如先前所述生成。简言之，将阶段9受精注射胚胎放置在涂有1%琼脂糖（用0.75X MMR制备）并含有0.75X MMR溶液的培养皿中。使用手术镊子去除胚胎的卵黄膜，然后切割动物冠表皮祖细胞。将外植体放置在琼脂糖上，内表面朝上。外植体在2小时内变圆成球形组织。这些外植体每天提供新鲜的培养皿和0.75X MMR溶液。超过7天，外植体组织分化并转变为自主运动的合成表皮实体，即Xenobot。第7天成熟的自主运动Xenobots用于钙成像。

钙成像和视频处理

使用Leica Stellaris Sp8共聚焦显微镜对Xenobots进行成像。每个Xenobot成像15分钟，捕获速率为每10秒一个Z堆栈投影。使用单独的激发波长和检测器并行成像GCamp6s和LifeAct-mCherry。

使用通用深度学习算法Cellpose识别和分割视频中的单个细胞。在通过将视频帧转换为灰度并平均构建的代表性图像上执行分割。由于帧间移动很少，这足以在视频过程中很好地表示细胞边界。将得到的细胞分割叠加在荧光通道的帧上（捕获GCaMP6s表达；F-肌动蛋白通道没有帧间差异，因为肌动蛋白是静态的），并提取每个细胞边界内的平均像素强度，以产生视频期间定位于单个细胞的钙信号强度时间序列。

fMRI采集和预处理

这些数据先前已发布，因此我们将在此进行最小讨论，并参考早期参考文献获取预处理管道的完整细节。数据取自人类连接组计划数据集。所有参与者均提供知情同意，华盛顿大学IRB批准所有协议和程序。使用配备32通道头线圈的Siemens 3T Connectom Skyra收集数据。在两天内的四次扫描中获取静息态功能MRI数据。使用梯度回波平面成像（EPI）序列（扫描持续时间：14:33分钟；睁眼）完成。使用TR = 720 ms、TE = 33.1 ms、52°翻转角、各向同性体素分辨率 = 2 mm、多波段因子为8的采集参数收集数据。

使用覆盖大脑皮层的分区方案将功能数据映射到200个区域。在原始数据集中考虑的100名无关受试者中，保留了50名纳入本研究的实证分析。排除标准在本研究进行前建立。它们包括在四次静息态MRI扫描或一次扩散MRI扫描中相对均方根（RMS）运动的平均值和平均绝对偏差，产生四个运动汇总度量。在两个或更多这些度量中超过测量分布不利方向1.5倍四分位距的受试者被排除。

功能连接网络推断

为了构建大脑和基础Xenobots的双变量网络模型，我们遵循标准的功能连接推断管道。对于每对元素X_i, X_j，我们计算它们相关的z得分时间序列之间的Pearson相关系数，这定义了一个可解释为加权无向图G的邻接矩阵的矩阵W。

我们选择不对得到的协方差矩阵进行阈值处理，有几个原因。第一个是维持功能连接矩阵和高阶信息分析利用的高斯概率分布之间的联系，第二个是避免由临时阈值处理程序引起的网络偏差。

为了构建一个零网络，我们采用循环移位方法：每个单独的时间序列被随机向左或向右移动，彼此独立，以构建一个替代数据集，该数据集保留每个信号的所有一阶特征（自相关、频谱等），但破坏它们之间的所有耦合。给定长度为T的时间序列，移位是[-T/2 - T/2]范围内的随机选择整数，均匀概率采样。然后构建一个零功能连接网络，并在1000个此类实例上平均，以为每个基础Xenobot和fMRI记录创建单个零"双胞胎"。

结果

基础Xenobot钙活动显示显著自相关

我们研究的最基本度量是单个细胞和大脑区域的一阶自相关。对于所有数据集中的所有细胞和皮层区域，相关时间序列显示出高度显著的滞后一自相关（通过互信息量化）。基础Xenobots的平均滞后一自相关显著，所有p值小于10^-22。fMRI扫描的平均自相关显著，所有p值小于10^-100。这很重要，因为一阶自相关可能人为地偏倚元素间相互作用强度的度量，并 motivates 自相关保留零模型的重要性。

基础Xenobots显示非平凡、空间嵌入的功能连接网络

在构建功能连接网络时，在每个数据集中，我们发现正和负功能相关性广泛存在，而在自相关保留零中，虚假连接通常较弱。这些相关性形成功能连接网络：系统中的每个元素（来自大脑的皮层区域，来自基础Xenobots的细胞）形成一个顶点，它们之间的边权重是它们各自时间序列之间的Pearson相关性。

当考虑边的空间嵌入时，我们发现基础Xenobots显示出大脑中通常发现的典型模式：两个元素之间的欧几里得距离与它们之间依赖强度之间的负相关关系。所有28个机器人都显示出符号功能边权重与距离之间的统计显著负相关。fMRI数据中也观察到相同的模式：所有大脑都显示出功能边权重与欧几里得距离之间的负相关。

多分辨率社区检测发现，在大脑和机器人中，这些正和负相关性被组织成多个不同社区的介观结构，这些社区内部正相关，社区之间反相关。这些社区将顶点（大脑中的皮层区域，基础Xenobots中的细胞）分组为子系统，这些子系统内部的连接比它们与其他顶点组之间的连接更强。

时间分辨分析显示动态整合和分离平衡

功能连接结果描述了两个元素之间的平均依赖关系。为了评估共波动模式在最高时间分辨率水平上是否相似，我们使用了边缘时间序列分析，该分析将平均相关性分解为一系列瞬时耦合（详见材料与方法）。为了从边缘时间序列构建汇总统计量，我们考虑了每帧跨所有节点的根和平方（RSS）的方差。

RSS的方差可以被认为是平衡同步性和独立性的复杂性度量；如果所有元素都是独立的，RSS的方差将为零，因为不会有异常高相关或独立性的时期。同样，如果所有时间序列彼此复制，方差将很低，因为所有时间序列将维持一致的整合水平。当系统在不同时间结合瞬时整合和分离的时刻时，RSS的方差最高。

基础Xenobots和fMRI扫描都具有比各自零模型显著更高的共波动RSS经验方差。每个单独的fMRI扫描，以及除一个外的所有基础Xenobots，都具有比1000个自相关保留零集显著更大的RSS方差。这些结果表明，大脑和基础Xenobots都显示出丰富的 temporal dynamic，结合了瞬态整合和分离的混合。

基础Xenobots显示涌现的高阶信息依赖关系

所有到目前为止讨论的度量都是成对的：描述两个元素之间相互作用的某些特征（功能连接、成对共波动等）。为了探索包含三个或更多元素集合的真正高阶相互作用，我们转向多元信息，特别是互信息的泛化：总相关、对偶总相关和O信息。

从每个数据集中，我们采样了1000个随机三元组（三个元素的集合）、1000个随机四元组（四个元素的集合）和五元组（五个元素的集合）。然后我们计算了每个的总相关、对偶总相关和O信息。对于每个样本，我们然后生成了1000个循环移位零，以构建相同度量的零分布。如果该度量比所有相关零更极端（即没有循环移位零产生过值大于真实值的替代值），则认为给定的三/四/五个元素集合对于给定度量是"显著的"。

总相关

总相关可以理解为量化给定系统偏离全局独立性的程度：元素之间存在的全局依赖越多，总相关越大。总相关本身在完全同步的情况下最大化，当每个元素独立于其他每个元素时最小化。

在fMRI数据中，我们发现经验数据的总相关显著大于循环移位零。基础Xenobots中也出现相同的模式，经验数据显示出比零显著更大的总相关。回到将总相关解释为量化元素间全局依赖的全局度量，我们可以看到基础Xenobots，如大脑，包含显示非平凡"整合"的元素集合：它们不仅仅是自主细胞的团块，恰好物理接近，而是似乎以某种方式协调钙信号。

对偶总相关

对偶总相关采用不同的方法处理高阶信息。它不是查看全局偏离独立性，而是量化两个或更多元素集合之间"共享"的信息量（即不限于单个元素的信息量）。

在fMRI数据中，我们发现经验数据显示出比相关零显著更高的对偶总相关。在基础Xenobot数据中，我们类似地发现经验数据显示出比零显著更高的对偶总相关。基于对偶总相关解释为量化"共享信息"，这些结果为