脑网络整合与分离的平衡驱动多稳态和亚稳态动态最大化机制研究

本研究通过构建从高度分离到高度整合的脑网络模型，结合Wilson-Cowan神经质量模型模拟，揭示了小世界网络（small-world）在平衡整合（integration）与分离（segregation）中的独特优势。研究发现中等small-worldness（w）值的网络表现出最高的功能连接动态（FCD）方差和亚稳态（metastability），且模块化（modularity）是预测网络动态的最强结构指标。该成果为理解脑功能动态提供了新视角，发表于《Scientific Reports》。

　　

大脑如同一个精密的交响乐团，需要在不同乐章间灵活切换，同时保持整体和谐。这种神奇能力源于其结构连接性（Structural Connectivity, SC）与功能动态的复杂互动。然而，在相对固定的结构基础上，全脑尺度的动态活动如何涌现？整合（全局信息传递）与分离（局部专门化）的平衡如何影响多稳态（multistability）和亚稳态（metastability）？这些问题成为神经科学领域的核心挑战。先前研究多聚焦局部噪声活动或中尺度耦合机制，但全脑尺度的因果关联仍不明确。

智利瓦尔帕莱索大学跨学科神经科学中心等机构的研究团队在《Scientific Reports》发表重要成果。通过构建涵盖从高度分离（如模块化网络）到高度整合（如随机网络）的连续谱系网络模型，结合Wilson-Cowan神经质量模型和功能连接动态（Functional Connectivity Dynamics, FCD）分析，首次系统揭示了结构拓扑特性与动态丰富性的定量关系。研究发现具有中等small-worldness（w≈0）特征的网络展现出最优动态复杂性，其模块化（modularity）结构最能预测多稳态行为。这一发现为理解认知功能的神经基础提供了新框架。

研究采用多学科交叉方法：1）构建5类网络模型（Watts-Strogatz小世界网络、模块化网络、层级网络、Barabasi-Alberts无标度网络及人类连接组），通过重连算法调控整合-分离平衡；2）运用脑连接工具箱（bctpy）计算聚类系数、模块化（Q）、全局效率（η）和小世界指数（w）等拓扑指标；3）采用含抑制性突触可塑性（ISP）的Wilson-Cowan模型模拟神经活动，通过希尔伯特变换提取5-15Hz振荡信号；4）采用滑动窗口（4s窗长，75%重叠）计算功能连接（FC）矩阵，进而构建FCD矩阵量化动态变化；5）通过互信息（MI）分析量化结构-动态关联。

【Set of structural connectivities】研究团队构建了240节点（人类连接组为200节点）的5类网络模型，密度统一为7.5%。通过调节参数（如Watts-Strogatz网络的重连概率p_r、模块化网络的跨模块连接概率p_inter），生成从晶格网络（w≤-0.75）到随机网络（w>0.75）的连续谱系。人类连接组通过特定算法增强分离性或整合性，形成结构多样性（图1）。

【Small-world index w describes network's integration/segregation】分析显示小世界指数w与拓扑指标存在明确关联：w增加时聚类系数（CC）和模块化（Q）下降，路径长度缩短，全局效率（η）提升（图2）。其中w与η的强正相关（r=0.91）尤为突出，证实w能有效表征网络的整合-分离平衡。

【FCD is a proxy for network's dynamical richness】通过耦合强度g（0.01-2.5）调控网络动态，发现g≤0.04时FCD呈均匀绿色（持续非同步态），g≥1.0时全蓝（静态同步），而中间值（0.1<>

【Network topology drives network dynamics】不同类型网络在g空间展现独特动态特征：模块化和层级网络在更广g范围内维持高VarFCD；小世界网络（-0.25<>

【Network topology imposes dynamical richness】同步性（R(t)）与亚稳态（χ）分析揭示：随机网络呈现陡峭同步曲线（低χ），而模块化网络显示平缓过渡（高χ）。VarFCD与χ高度一致（r=0.89），共同标识网络的动态潜能（图5）。

【Linking structural features to network dynamics】结构-动态关联分析显示：模块化（Q）与VarFCD呈倒U型关系，峰值位于w≈0.25；而全局效率（η）与同步斜率正相关（r=0.83）。引人注目的是，模块化网络在Q>0.6时仍维持高VarFCD，打破其他网络的倒U型趋势（图6）。

【Modularity is a predictor for network dynamics】互信息（MI）分析最终确认：模块化（Q）与动态指标的MI值最高（χ：1.403±0.156；VarFCD：1.041±0.180），显著优于其他指标（p<0.001）。这表明模块化架构通过平衡局部专门化与全局整合，最优支持状态转换（图7）。

这项研究通过系统性的网络建模与动力学分析，确立了脑网络整合-分离平衡与动态复杂性的定量关系。三个关键发现尤为突出：首先，具有小世界特性（w≈0）的网络展现最优动态丰富性，其结构平衡了局部聚类与全局效率；其次，模块化（Q）是预测多稳态和亚稳态的最强指标，模块间连接模式决定状态转换能力；最后，人类连接组与Watts-Strogatz网络的相似性提示进化可能优选了这种平衡架构。

这些发现对神经科学领域具有深远意义：1）为"结构-功能"关系难题提供新证据，表明模块化是小世界网络动态优势的结构基础；2）提出的VarFCD指标为量化脑疾病（如阿尔茨海默病）的动态异常提供新工具；3）启发未来研究关注高阶相互作用（HOIs）和加权网络的影响。局限性在于当前模型未考虑连接权重和时空延迟，这将是后续研究的重要方向。

该成果不仅深化了对脑网络动态机制的理解，也为类脑计算和神经疾病建模提供了理论框架。正如交响乐团的和谐既需要各声部的专业精湛，又依赖指挥的全局协调，大脑功能的奥秘或许正藏于这种精妙的平衡之中。