脑网络空间熵:评估脑网络空间紊乱的新方法

《Human Brain Mapping》:Spatial Entropy of Brain Network Landscapes: A Novel Method to Assess Spatial Disorder in Brain Networks

【字体: 大 中 小 】 时间:2026年04月10日 来源:Human Brain Mapping 3.3

编辑推荐:

  研究人员针对个体化脑网络社区结构难以进行群体比较的难题,开展了一项关于脑网络社区结构空间熵的研究。他们引入了一种量化功能脑网络社区结构空间熵的方法,将复杂的社区映射转换为可解释的脑熵图,并利用三个独立的功能磁共振成像(fMRI)数据集验证了其生物相关性。研究发现,在执行工作记忆和音乐聆听任务时,预期脑区(如中央执行网络CEN和听觉皮层)的局部熵会降低,这反映了神经过程为支持功能局部化认知任务而进行的自组织。该方法为在个体层面识别出的脑网络社区结构提供了首个可进行群体比较的框架,具有数据驱动、易于实现和高度可解释的优点,为未来分析可映射到欧几里得空间(包括大脑内和其他场景)的复杂网络中的空间熵提供了新工具。

  
人脑是一个复杂的系统,其高效运作依赖于内部各功能网络的精密空间组织与协调。科学家们常将大脑建模为由节点(脑区)和边(连接)构成的网络,并通过识别“社区”——即内部连接紧密、与外部连接相对稀疏的节点群——来解析其功能架构。这些社区结构反映了大脑功能专业化与信息整合的平衡。然而,一个长期存在的挑战横亘在研究者面前:每个人的大脑网络社区结构都具有高度个体化特征。就像世上没有两片完全相同的树叶,两个人的脑网络社区几乎不可能在空间上完美对齐。这使得我们难以对不同个体之间的社区结构进行有意义的直接比较,阻碍了从群体层面深入探究大脑功能组织规律及其在认知任务或疾病状态下的动态变化。
传统的解决方案是构建一个“组平均”网络并从中提取社区,但这抹杀了个体差异,且无法实现个体间的直接对比。有没有一种方法,既能尊重每个大脑的独特性,又能将这种独特性转化为可在群体中进行量化比较的指标呢?这正是发表在《Human Brain Mapping》上的这项研究所要回答的核心问题。研究团队独辟蹊径,从信息论和景观生态学中汲取灵感,提出了一种名为“脑网络空间熵”的全新分析方法。
熵,源于热力学和信息论,是系统无序度或不确定性的度量。一个完全有序的系统熵值低,而一个杂乱无章的系统熵值高。生态学家Michael Batty曾提出将大片区域划分为网格子区,分别计算熵值,从而绘制“熵图”以量化空间格局的秩序。受此启发,本研究将这一思想应用于三维的脑空间。研究人员将每个体素(三维像素)视为一个“元素”,以其为中心,定义一个包含周围邻近体素的“子区”。然后,他们不是直接比较不同个体间五花八门的社区标签,而是计算每个子区内社区类别的空间排列是“井然有序”还是“杂乱无章”,即计算其“空间熵”。最终,每个体素都被赋予一个熵值,从而生成一张全脑的“空间熵图”。这种方法巧妙地将个体特异的、离散的社区标签,转换为了连续、可比的熵值空间分布图,一举破解了个体化社区结构难以群体比较的难题。
为了开展这项研究,研究人员整合并分析了三个独立的功能磁共振成像(fMRI)数据集,涵盖了健康年轻成年人。这些数据集包括:1)一项包含22名参与者,采集了静息态和2-back工作记忆任务扫描的研究;2)一项包含5名参与者,进行了多次交替的静息态和2-back扫描的研究,用于验证可重复性;3)一项包含20名参与者,采集了静息态和音乐聆听任务扫描的研究,用于测试方法在不同感知任务中的适用性。所有数据均经过了包括头动校正、空间标准化、去噪等标准的fMRI预处理流程。
研究的核心技术路径可以概括为几个关键步骤:首先,基于预处理后的fMRI时间序列,以体素为节点,皮尔逊相关系数为边,构建全脑功能连接网络。接着,采用社区检测算法(如稳定性算法或Qcut算法)为每个个体的每个扫描 session 识别出功能模块(社区)。然后,将每个体素所属的社区编号映射回标准脑空间,形成个体化的“社区结构景观图”。最后,也是本研究的创新核心,应用四种空间熵度量公式(空间香农熵 HS、奥尼尔熵 HO、克拉拉蒙特熵 HC和邻近熵 HP),以每个体素为中心,在其周围特定距离(如3个体素半径)定义的子区内计算空间熵,生成对应的“脑熵图”。通过配对t检验等统计方法,比较不同认知状态(如静息态 vs. 任务)下脑熵图的差异。
3.1 模拟空间系统中的空间熵
研究人员首先在模拟的二维空间系统上验证了不同熵度量方法的特性。他们发现,经典的香农熵 HS无法区分空间格局混乱但类别比例相同的两个系统,而 HO、HC和 HP则能有效捕捉空间无序度的增加。更重要的是,通过将大系统划分为子区并计算每个子区的熵,可以生成揭示系统内部异质性的“熵图”,这为脑网络分析提供了直观范例。在一个从有序象限逐渐混合至完全随机的模拟中,HO、HC和 HP的系统级熵值随混合过程稳步上升,而 HS保持不变,再次证实了空间熵度量对于捕获空间排列信息的必要性。
3.3 将空间熵应用于功能脑网络数据结构
研究成功将上述方法应用于真实的fMRI数据。对于每个参与者,个体化的脑网络社区被映射到三维脑空间,随后计算生成空间熵图。结果显示,尽管不同个体的社区结构图千差万别、无法直接比较,但由此衍生出的熵图却具有可比性,为群体统计分析奠定了基础。
3.4 与认知处理相关的空间熵模式
对第一个工作记忆数据集的分析得出了关键发现。首先,在全脑平均水平上,执行2-back工作记忆任务时的熵值显著高于静息态。这表明任务期间,大脑整体的功能连接模式可能变得更加“分布式”和“灵活”。然而,更重要的发现存在于熵的空间重组模式中。当将个体的熵图进行Z分数标准化以关注相对高低后,统计分析显示:
  • •
    中央执行网络相关脑区(如背外侧前额叶等)在工作记忆任务期间,其相对熵值显著低于静息态。这意味着,当大脑需要集中精力进行记忆保持与更新时,CEN脑区内部的功能社区空间组织变得更加有序和集中。
  • •
    默认模式网络相关脑区(特别是后部扣带回/楔前叶)则在静息态时表现出更低的相对熵。这与DMN在静息时内部活动同步性更高的已知特性相吻合。
    此外,其他感觉运动相关脑区(如缘上回、感觉运动皮层、脑岛等)在静息态也显示出较低的熵,可能反映了对基础感觉功能的支持。四种熵度量中,HS、HO和 HC的结果高度相似,而 HP的结果较弱且存在明显的边缘效应。
3.5 工作记忆研究的复现与音乐聆听研究
第二个独立的工作记忆数据集(尽管样本量较小)成功复现了主要发现:CEN脑区在任务中相对熵降低,后部DMN在静息时相对熵降低。这证明了方法的稳健性。在音乐聆听研究中,研究者发现了预期中的效应:当参与者聆听音乐时,双侧初级听觉皮层的空间熵显著低于静息态。这直接表明,在处理听觉刺激时,听觉皮层内部的功能组织变得更加有序,以支持声音感知与处理。
研究的讨论部分对上述发现进行了深入阐释,并总结了方法学的意义与局限。本研究成功引入并验证了“脑网络空间熵”这一全新分析框架。其核心结论是:通过量化个体脑网络社区结构的空间熵并绘制脑熵图,可以实现对高度个体化的功能脑网络进行有意义的群体比较。该方法成功捕捉到了与特定认知和感知任务相关的、具有生物学合理性的脑区空间组织变化:在执行工作记忆任务时,中央执行网络(CEN)的局部空间熵相对降低,趋于有序化,这可能有利于该网络作为临时信息存储或协调中心支持高级认知功能;在静息状态下,默认模式网络(DMN)和后部感觉皮层则表现出更高的空间有序性;而在聆听音乐时,听觉皮层的熵值降低,反映了其功能专门化的增强。这些发现表明,局部熵的降低可能标志着神经过程为支持特定的功能任务而进行的“自组织”。
在方法学上,研究表明,对于基于子区的脑熵图分析,空间香农熵 HS和奥尼尔熵 HO是较为合适且结果稳健的选择,而 HC和 HP在应用于小尺度脑区时存在理论或计算上的局限。该研究的重要意义在于,它首次提供了一种完全数据驱动的、不依赖于先验模板或参照个体的方法,来分析和可视化个体层面的脑网络社区结构在群体中的空间组织模式。这不仅解决了该领域长期存在的技术瓶颈,更重要的是,它开启了一扇新的大门。脑熵图可以作为一个新的影像学表征,与各种行为变量、临床指标(如衰老、精神疾病、认知衰退)进行关联研究,从而深化我们对大脑功能组织原则及其在健康与疾病中变化的理解。正如作者所展望的,这一方法未来可广泛应用于神经发育、精神疾病和老龄化等多个神经科学领域,为探索复杂脑网络的空间动力学提供了一个强大而灵活的新工具。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号