文章信息近日Nature Neuroscience 发表了题为 State-dependent signal flow hierarchy in the human cerebral cortex 的研究论文。该研究提出整合有效连接integrated effective connectivity, iEC框架把九种有向连接算法按互补优势加权融合经猕猴神经示踪、计算模拟与人类 fMRI 三重验证后首次在 220 名健康被试的全脑尺度上绘制出人脑信号流层级图谱并发现该层级并非固定结构——向外关注看电影时层级变平向内关注疼痛时层级变陡。原文首页信息标题、作者与期刊来源图源Oh et al., Nature Neuroscience, 202601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、Patels 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., 202602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., 202603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r0.42。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., 202604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., 202605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r0.34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r0.42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t5.14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., 202606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., 2026参考文献Oh, Y., Ann, Y., Lee, J.-J. et al. State-dependent signal flow hierarchy in the human cerebral cortex. Nat Neurosci (2026). https://doi.org/10.1038/s41593-026-02389-8
