多模态分支传输推断解剖对齐的脑反应图谱（Multimodal Branched Transport Infers Anatomically Aligned Brain Reaction Maps）

《Neuroinformatics》：Multimodal Branched Transport Infers Anatomically Aligned Brain Reaction Maps

　　

摘要：外部刺激如何在传播架构层面转化为分布式反应模式迄今仍未被阐明。现有大规模控制模型仅在预设网络上量化状态转移代价，而不能从源活动和靶活动中推断路由图谱本身。本研究结合任务相关血氧水平依赖（blood-oxygen-level-dependent, BOLD）响应、源重建电生理学与纤维束成像衍生的各向异性（anisotropy）来估计刺激测度和反应测度，定义了解剖传输代价，并通过变分优化（variational optimisation）推断分支传播架构。与标准传输公式不同，分支传输（branched transport）倾向于将信号汇聚至共享的神经高速公路（shared neural highways）后再重新分配。研究人员进一步为推断图谱配备了图诱导随机动力学模型（stochastic graph-induced dynamical model），并量化几何效率与动态可控性（dynamical controllability）之间的权衡。研究表明：多模态数据可生成解剖对齐的脑反应图谱（brain reaction map）；各向异性代价从定性上重塑了相对于各向同性基线的路由主干（routing backbone）；混合几何–动力学优化揭示了跨分支机制的非平凡秩反转（non-trivial rank reversals across branching regimes）。

《Multimodal Branched Transport Infers Anatomically Aligned Brain Reaction Maps》论文解读

一、研究背景与立题依据

系统神经科学的核心问题之一是如何确定外部刺激经大脑传播从而产生反应的过程。现有的确定性及随机性网络控制方法（如网络可控性分析、Schr?dinger桥方法）均在预设的结构连接基质（prescribed structural substrate）上量化驱动脑状态转移的代价，但其并未将传播路由架构本身作为未知量进行推断。传统有效连接（effective connectivity）推断方法（如Granger因果、动态因果建模Dynamic Causal Modeling, DCM）旨在估计预选节点间有向耦合参数，而非从源—靶测度出发推断信号传播的拓扑骨干。已有全脑网络模型亦是在已知结构上模拟动力学，无法回答"哪一解剖可行路由架构最优地将刺激链接至分布式反应"这一上游问题。为此，研究人员提出融合多模态神经影像与分支最优传输（Branched Optimal Transport, BOT）框架，从任务相关fMRI与源重建EEG/MEG中估计刺激源测度μ⁺_stim与反应靶测度μ^-_react，引入弥散成像（diffusion MRI tractography）衍生的各向异性代价，以变分优化推断刺激到反应的路由架构——即脑反应图谱（Brain Reaction Map），并在此推断图谱上建立图诱导随机动力学以评估几何效率与动力学可控性的权衡。本文为上述理论框架的数据驱动实现与验证，发表于《Journal of Computational Neuroscience / Neuroinformatics》类期刊（文内标注为Computational Neuroscience / Neuroinformatics方向，正式发表于Journal of Computational Neuroscience姊妹刊）。

二、主要关键技术方法概述

研究人员在18个感兴趣区（Region of Interest, ROI）组成的介观皮层支撑上开展研究：①模拟任务态block设计BOLD信号并用一般线性模型（General Linear Model, GLM）提取刺激与反应相关对比统计量作为空间成分；②用导联场（lead-field）正演模型与最小范数逆解（minimum-norm inverse）重建EEG/MEG源空间活动，按早（70–200 ms）晚（300–550 ms）时间窗提取刺激与反应成分作为时间成分；③以加权几何平均融合法（fusion weight w_f=0.55）融合双模态得归一化平衡概率测度μ⁺_stim、μ^-_react及供需向量b=μ⁺_stim?μ^{-_react；④为各ROI赋合成扩散张量（diffusion tensor），据分数各向异性（Fractional Anisotropy, FA）区分中继区与周边区，沿图边中点计算各向异性代价β_e=∫c(γ_e(s),τ?)ds≈?_e√[τ?(D_mid+εI)-1τ]；⑤在候选k近邻（k=5）有向图上求解离散分支传输问题 min_w≥0Σ_eβ_ew_eαs.t. Aw=b（α=0.65，SLSQP+12次随机重启）；⑥将最优加权邻接矩阵对称化后构建图Laplacian，定义线性随机动力系统 dX_t=A_G,wX_tdt+B_stima_tdt+u_tdt+C_G,wdW_t（A_G,w=?κI?β_dynL，C_G,w=σ₀I+σ₁D_G,w1/2），用Monte Carlo估计动态控制代价J_dyn，绘制混合泛函F_λ(G,w)=E_α(G,w)+λJ_dyn(G,w)的Pareto前沿并分析秩反转。}

三、研究结果

Task-evoked fMRI Defines Spatially Resolved Stimulation and Reaction Signatures（任务诱发fMRI定义具空间分辨的刺激与反应特征）

研究人员在18-ROI皮层支撑上模拟block设计BOLD实验，GLM分离刺激与反应回归因子获区域对比统计。结果显示早期任务期集中于视听觉驱动区，晚期趋向感觉运动及默认模体（Default Mode Network, DMN）相关区；BOLD功能连接呈非平凡中尺度组织。结论：标准task-based fMRI统计可ground刺激与反应测度，提供空间定位成分。

Source-Reconstructed EEG/MEG Resolves the Temporal Separation Between Stimulus and Reaction（源重建EEG/MEG解析刺激与反应的时间分离）

通过导联场正演与最小范数逆解得源空间ERP，约100 ms成分定位于感觉传入区，约350 ms成分转移至运动及高阶反应区。结论：EEG/MEG提供时间分辨成分，与fMRI空间成分类互补，使μ⁺_stim反映刺激进入传播架构时刻、μ^-_react反映后期反应配置。

Multimodal Fusion Yields Balanced Source and Target Probability Measures（多模态融合产生平衡源与靶概率测度）

加权几何融合(w_f=0.55)后归一化得μ⁺_stim（集中于感觉传入区）与μ^-_react（偏移至运动/高阶区），中间中继区因跨模态一致获非零质量；供需向量b结构明确；融合权重大范围变动下主导支撑稳定。结论：多模态融合产生结构化、平衡且可解释之源—靶测度，传输问题非平凡且不依赖脆弱人为赋值。

Diffusion-Informed Anisotropy Induces a Directional Transport Geometry（弥散信息各向异性诱导方向性传输几何）

为ROI赋高FA（中继区）/低FA（其他区）合成扩散张量，边代价依赖方向与局部张量主轴对齐程度。结论：各向异性将传输问题由距离优化转为解剖知会（anatomy-aware）逆问题——短边若横切主张量轴则代价高，长边若顺纤维走向则代价低，改变传播方向逻辑。

Anisotropic Branched Transport Infers a Distinct Reaction-Map Backbone（各向异性分支传输推断独特反应图谱主干）

求解离散BOT问题显示：各向同性解趋近直接几何路由；各向异性解重排路由主干使其围绕与纤维束对齐的中继区，部分各向同性弱分支在各向异性下成为主导、某些直连消失；边通量对比表明质量再分布属定性重构而非微扰。结论：各向异性从定性上重塑推断之脑反应图谱，固定基质控制模型无法揭示此效应，凹传输代价是共享中继走廊涌现之原因。

Hybrid Stochastic Dynamics Reveals Geometric–Dynamical Trade-Offs and Rank Reversals（混合随机动力学揭示几何—动力学权衡与秩反转）

以各向异性最优图为 substrate运行受控/非受控随机轨迹，受控终态更接近指定反应轮廓；混合泛函显示几何成本低者未必动态优；不同分支指数α下Pareto前沿非平凡；随λ增大出现候选图排序交叉（rank reversal）——几何最优图可被动态更廉竞争者取代。结论：几何效率与动态可控性须耦合考量，单纯几何或动态准则不足取；推断图谱在动态意义上可用作状态转移基质。

四、讨论与结论总结（翻译浓缩讨论中研究结论部分）

本研究表明，多模态神经影像、纤维束成像各向异性与分支传输可整合入单一逆问题框架以推断传播架构而非预设之。推断对象非轨迹、非控制信号、非预定义连接组，而是将刺激联结至分布式反应之有效路由骨干——脑反应图谱（brain reaction map）。三项结论：（1）自task-based BOLD空间定位与EEG/MEG时间分辨融合所得刺激与反应测度具结构性信息，对融合权重稳健；（2）各向异性在架构层面起作用——各向异性分支解激活不同路由逻辑，具更强中继结构与更清晰解剖对齐，非各向同性解之加权微扰；（3）动态合理性不归约为几何效率——纯传输代价优选之图未必最小化动态控制代价，λ变化引致秩反转系内在属性而非例外。推断架构中强瓶颈与分支界面优先出现于背侧注意（Dorsal Attention Network, DAN）、突显/腹侧注意（Salience/Ventral Attention Network, VAN）、额顶（Frontoparietal Control Network, FPCN）及丘脑节点，符合经典感觉输入—分布式动作整合桥梁系统 interpretation。Pareto前沿标记几何经济性与动态导向代价间最优权衡集；架构推断本身应视作比仅优化固定图上状态转移更根本之逆问题。当前局限含合成数据、18-ROI低维支撑、有限候选图、线性随机动力及粗粒张量先验、图动力学中邻接矩阵对称化处理（反映弥散MRI不解析轴突极性而非声称生物学对称），未来将扩展至具定向结构先验之大规模人脑连接组及可扩展优化方案。

（全文总结均严格依据上传文档原文浓缩，未添加推测内容，专业术语保留英文缩写及上下标格式，去除文献引用与图注标识。）