Nature Neuroscience：大脑信息如何流动？ 研究揭示不同脑状态下皮层信息传递 层级的动态重组

原文首页信息：标题、作者与期刊来源（图源：Oh et al., Nature Neuroscience, 2026）

01研究背景：只有“无向图”的脑科学，缺了方向

过去二十年，功能连接（functional connectivity, FC）几乎是全脑网络研究的唯一语言：两个脑区信号起伏的相关程度，就是它们之间的“连线”。但 FC 有一个先天缺陷——它是无向的。大脑功能的本质是前馈（feedforward, FF）与反馈（feedback, FB）信号的循环往复，A 影响 B 还是 B 影响 A，在功能图上完全看不出来。能够推断方向的“有效连接”（effective connectivity, EC）方法虽然近年发展迅速，却面临三大瓶颈：算法林立、各说各话，使用者不知道该信谁；多数算法只在几十个节点的玩具网络上验证过；面对人脑上百个区域构成的稠密环路，性能缺乏保证。

该研究的思路是“与其站队，不如整合”：把九种原理各异的主流 EC 算法（回归版动态因果模型 rDCM、向量自回归 VAR、多元格兰杰因果 MVGC、FASK、CCD、BOSS、directLiNGAM、GRaSP、Patel's τ）的输出做加权融合，权重用贝叶斯优化在交叉验证下学习，让“集体智慧”取代单一算法。

图一：iEC 框架总览。九种 EC 算法按方法论分类筛选，加权整合后用于全脑信号流映射与层级估计（图源：Oh et al., 2026）

02结果一：金标准检验——猕猴示踪数据

验证的第一步用的是“硬黄金标准”：19 只麻醉猕猴的静息态 fMRI，配合病毒示踪剂注射得到的 FLN（标记神经元比例）——这是灵长类全脑有向解剖连接的直接测量。在训练集（8 只）上学到的整合权重，拿到测试集（11 只）上检验：iEC 与 FLN 的相关达 0.60，显著优于最好的单一算法（0.52）。

更有意思的是权重的分配方式：九种算法中只有 VAR、FASK、LiNGAM 三种拿到显著权重，而且分工明确——VAR 擅长捕捉大量弱连接（占总连接数一半以上），LiNGAM 与 FASK 则对稀疏而强的连接更敏感。iEC 的优势不是简单平均，而是让不同算法各自负责自己擅长的连接类型。另一个漂亮的自洽证据是：按 SLN（上层颗粒神经元比例）把连接划分为前馈或反馈后，iEC 判为前馈的连接绝大多数为正向，而反馈连接正负混合——与已知的前馈易化、反馈抑制的生理特性吻合。

图二：猕猴示踪验证。VAR、FASK、LiNGAM 贡献最大；iEC 在测试集上显著优于任何单一算法（图源：Oh et al., 2026）

03结果二：模拟与人类数据的双重过关

猕猴没有提供“人脑版有向真值”，该研究用两条路补上。其一是模拟：基于人脑弥散 MRI 结构连接组（Schaefer-100 与 MMP-360 两套分区）构造有向合成网络，用 Hopf 神经动力学模型生成全脑活动，再让各算法“盲测”反推方向——iEC 在两套分辨率下均显著领先，且最优权重的分布与猕猴数据高度一致，说明框架可以无缝移植到人脑。

其二是人类经验数据：用 iEC 驱动的全脑模型拟合 220 名被试静息态 fMRI，拟合出的功能连接与真实FC 相关 0.81，动态功能连接分布 KS 距离仅 0.13，未参与优化的时间延迟指标也能复现（r=0.42）。此外还专门检验了血流动力学响应（HR）差异的干扰——iEC 在去卷积前后的一致性达 0.91，说明结果不是血管响应的伪影。

图三：人类数据验证。iEC 驱动的全脑模型在空间与时间维度上均高保真复现经验 fMRI 信号（图源：Oh et al., 2026）

04结果三：人脑信号流的全景画像

拿到经过验证的工具后，该研究对 220 名健康被试的静息态数据做全脑 iEC。按 Yeo–Krienen 七网络排序的连接矩阵呈现清晰的模块化：模块内连接以正向为主，模块间大量为负向；连接强度呈重尾分布（尾指数 1.45）——少数很强的正向连接与大量（约占 40%）较弱但普遍的负向连接并存。

方向性的规律更为醒目：感觉皮层的输出几乎全是正向，而层级越高（联合皮层、边缘系统）的区域，负向输出占比越大。用线性动力学系统追踪“信号传播”进一步显示：正向信号主要由低层级区域发出、向上游汇入，负向信号则几乎只从高层级区域下行——这正是前馈/反馈的宏观签名。同时，单模态与跨模态区域在各自模块内部存在强正向环流，提示大层级之中还嵌套着专门的局部子系统。

图四：人脑 iEC 全景。模块内以正向连接为主，负向连接弥漫分布；正向信号自下而上、负向信号自上而下（图源：Oh et al., 2026）

05结果四：从 iEC 反推整张皮层层级图

既然 iEC 的正负号模式承载了前馈/反馈信息，能否像猕猴研究中用 SLN 定层级那样，直接从 iEC 反推人脑的层级？该研究借用经典的层级推断框架，用 iEC 矩阵替代组化指标，为每个皮层区域估计层级值。

得到的层级图非常规整：初级感觉运动区在底层，岛叶、前扣带、海马旁等旁边缘皮层（paralimbic）高居顶端。这条 EC 层级轴与经典的“感觉—联合”功能梯度相关（r=0.34）却并不重合——旁边缘区在EC 层级上独占鳌头，而在功能梯度上并不突出，恰好呼应了 Mesulam 的经典论断：旁边缘皮层是新皮层与内感受（interoception）系统之间的“神经桥梁”。两组独立的解剖证据进一步背书：该层级与Nieuwenhuys 髓鞘化图谱显著相关（r=0.42），且沿“无颗粒—发育不良颗粒—同型皮层”的细胞构筑类型单调上升（t=5.14），与结构模型关于前馈/反馈依赖板层结构的预测高度一致。

图五：iEC 反推的人脑信号流层级。感觉运动区在底、旁边缘区在顶，与细胞构筑和髓鞘化证据吻合（图源：Oh et al., 2026）

06结果五：层级不是“建筑结构”，而是“随任务变形的脚手架”

最后是最关键的问题：这个层级是固定的吗？该研究比较三种脑状态下的层级图：静息态、看电影（阿甘正传，外向性注意）与辣椒素诱发的持续性疼痛（内向性内感受状态）。

答案是否定的。层级的空间格局总体保留（与静息态相关 0.46–0.64），但细节随状态系统变化：看电影时，感觉与单模态联合区的层级上升，跨模态联合与旁边缘区下降——整张层级图被“压平”， 大脑资源向外部感觉通道倾斜；疼痛状态下则相反，旁边缘区与非旁边缘区的层级落差进一步拉大——层级“变陡”，内感受相关区域的权重上升。信号流分析给出简洁解释：看电影时初级感觉区的正向输出与旁边缘区的负向输出同时减少，导致各层级差异缩小；疼痛时跨模态区的负向输出减少而旁边缘区信号增强。一句话，皮层层级是随状态动态重组的功能脚手架，而非刻在解剖里的固定等级。

图六：状态依赖的层级重组。看电影使层级变平，持续疼痛使层级变陡，信号流的正负模式随之变化（图源：Oh et al., 2026）