编辑推荐：
在大脑研究中，结构连接性对时间处理层次的影响尚不明确。研究人员借助储层计算（reservoir computing）与人脑连接组，开展白质连接性对大脑处理时间尺度影响的研究。结果表明，白质通路可改变处理时间尺度，该研究为脑认知研究提供新框架。
大脑，这个人体最神秘的 “指挥官”，掌控着人类的感知、思维与行动。在大脑的复杂运作中，处理不同时间尺度的信息至关重要。比如在人类叙事处理时，大脑需要整合从单词、句子到段落的信息，这一过程涉及多个脑区，且不同脑区处理信息的时间尺度不同，初级感觉脑区处理速度快，高阶脑区则较慢。然而，尽管科学家们知道大脑存在这样的时间处理层次，但对于大脑结构连接性如何影响这一层次，却知之甚少。为了揭开这一神秘面纱，来自法国艾克斯 - 马赛大学（Aix Marseille Univ）和勃艮第 - 弗朗什 - 孔泰大学（Université Bourgogne Franche - Comté）的研究人员保罗?特里布科恩（Paul Triebkorn）、维克多?吉尔萨（Viktor Jirsa）和彼得?福特?多米尼（Peter Ford Dominey）展开了深入研究 。他们的研究成果发表在《Communications Biology》上，为理解大脑的奥秘提供了新的视角和理论依据。
研究人员开展此项研究，主要运用了以下关键技术方法：首先，使用来自人类连接组项目 S1200 数据集的 100 名受试者的神经影像数据，通过 MRtrix3 工具 box 处理扩散成像数据，构建全脑连接组和特定纤维束连接组。其次，利用回声状态网络（ESN）模拟神经元储层，将个体连接组进行对数变换并缩放后作为 ESN 的连接性权重。最后，通过模拟完整 / 打乱的叙事输入任务，测量不同脑区的神经活动对齐时间 。
下面来详细看看研究的具体结果：
- 连接组和纤维束重建：研究人员通过 T1w MRI 获得 Schaefer 脑区划分（400 个脑区），利用扩散 MRI 数据估计纤维方向分布函数（fODFs）构建全脑纤维束成像，进而得到全脑连接组。之后，使用 TractSeg 工具 box 估计特定纤维束的掩码，得到特定纤维束连接组。这些连接组为后续研究奠定了基础1。
- 基于 EDR 的连接组模型中的对齐时间：先前研究表明，遵循指数距离规则（EDR）的回声状态网络（ESNs）的对齐时间会随着与输入位点距离的增加而增加。在本研究中，研究人员进一步在 EDR 网络中系统地插入额外的长程连接。结果发现，插入连接可以加快远处区域的对齐速度，也能减慢近处区域的对齐速度。这表明长程连接可以调节时间尺度，为解释某些额叶区域对齐时间快提供了理论依据234。
- 大脑连接组模型中的对齐时间：利用重建的人类连接组计划（HCP）数据集的大脑连接矩阵作为储层权重矩阵，研究人员发现，当将输入时间序列投射到视觉网络时，靠近输入的脑区对齐速度快，远离的则较慢，但并非所有的对齐时间差异都能由距离解释。去除特定的白质通路（如 IFO）后，额叶区域的整合速度减慢，且整体线性模型的拟合度提高。不同的白质通路（如 ILF、UF、SLF_II 等）对时间处理层次有不同的影响，有的使脑区变慢，有的则使其变快567。
- 损伤对对齐时间的全局影响：研究人员通过计算所有脑区正或负的对齐时间变化之和，来衡量纤维束去除的全局影响。结果发现，不同纤维束和输入网络的全局影响不同。例如，大的纤维束（如 MLF 和 AF）去除会显著减少对齐时间，而小的纤维束（如 UF）对特定网络（如边缘网络）有较大影响。默认模式和躯体运动网络在损伤后似乎最稳定8910。
- 大脑连接组模型中对齐时间的验证：为了验证模型，研究人员将模型的对齐时间与 Chien 和 Honey 的实证数据进行比较。他们将输入时间序列投射到颞叶中对齐时间最快的 5 个区域，计算 Spearman 等级相关系数 ρ。结果显示，ρ = 0.685，p < 10?1?，表明模型能够较好地解释实证数据。同时，研究还发现，去除长程纤维束会降低模拟和实证对齐时间之间的相关性111213。
- 对语言网络的影响：研究人员还研究了纤维束损伤对语言网络中对齐时间的影响。结果发现，MLF 和 AF 对语言网络的对齐时间影响最大，去除半球间连接会导致对齐速度加快。控制纤维束大小后，ILF 和 UF 的影响最为显著，且单侧损伤对左半球的影响更强141516。
在讨论部分，研究人员指出，他们的研究证实了大脑连接结构对时间处理层次的重要影响。从高度简化的 EDR 连接性实验，到基于人类连接组的储层网络实验，都表明特定白质通路的去除会改变脑区的对齐时间，影响范围不仅包括通路的目标区域，还涉及其他区域。虽然该研究取得了重要成果，但也存在一些局限性。例如，没有考虑神经元的异质内在时间尺度、短程 U 型纤维和皮质内连接的影响；仅使用解剖标志来注册模板脑图谱，不够精确；模型是纯粹的输入驱动，与实际大脑的内在活动存在差异；假设结构连接在研究的时间尺度上是静态的，但实际上局部突触可塑性可能会产生影响 。尽管如此，该研究为未来大脑研究开辟了新方向。一方面，研究结果有助于深入理解大脑在不同认知任务中的时间处理机制，为进一步研究大脑功能提供了重要的理论基础。另一方面，研究中发现的长程连接对时间尺度的调节作用，与深度学习架构中的跳跃连接（skip connections）具有相似性，这为跨学科研究提供了新的思路，有望推动人工智能和神经科学的共同发展。
