《Communications Biology》：Controlling the human connectome with spatially diffuse input signals
編輯推薦：
《通訊生物學》推薦：傳統腦網絡控制模型假設輸入獨立作用于各節點，忽略了皮質空間連續性與腦刺激技術的擴散效應。為此，研究人員在最優控制框架中引入空間擴散輸入模型，揭示了該策略可利用結構與活動的空間依賴關系，顯著降低驅動腦狀態轉變所需的能量，識別出減少輸入數量的近最優策略，其輸入位點密度圖譜與獨立的功能、代謝等多模態圖譜高度吻合。這項工作為理解腦動力學的最優控制提供了高效且神經生物學基礎扎實的新框架。
人腦從不靜止：其活動持續波動，在全腦模式或腦狀態之間不斷轉換。理解并控制這些狀態間的轉變，對于揭示大腦工作原理乃至開發神經精神疾病的干預手段具有重要意義。網絡控制理論（Network Control Theory）為此提供了一個量化驅動這些轉變所需能量的框架。其中，最優控制（Optimal Control）方法尤其相關，它通過施加輸入來“引導”大腦朝向目標狀態。然而，傳統的最優控制模型通常將輸入建模為獨立作用于網絡中的各個節點（腦區）。這種建模方式雖然方便，卻忽略了一個關鍵的神經生物學事實——大腦皮質的空間連續性。相鄰的腦區在解剖和功能上緊密耦合，信號可以沿皮質傳播擴散。更重要的是，實際應用中的腦刺激技術（如經顱磁刺激TMS）其效應也具有空間擴散性，影響范圍遠超刺激靶點本身。這種模型假設與生物現實之間的脫節，促使研究人員思考：如果我們在控制模型中納入更符合實際情況的空間擴散輸入，會帶來怎樣的不同？能否找到更高效、更貼近人腦固有運作方式的控制策略？
為了回答這些問題，一項發表在《Communications Biology》上的工作對經典網絡控制模型進行了重要革新。研究人員將原本作用于離散節點的“點”狀輸入，替換為“空間擴散輸入”，其影響力從輸入位點（Input Site）開始，隨距離增加呈指數衰減。這種建模更真實地反映了皮質內信號傳導的連續性和腦刺激技術的有限空間特異性。通過這一適應性改造，研究者得以在一個更貼近現實的框架下，重新探索驅動腦狀態轉變的最優控制問題。
關鍵研究方法概述
本研究主要基于公開的神經影像數據集構建計算模型。研究者利用了人腦連接組（Human Connectome）項目的彌散加權成像（Diffusion Weighted Imaging, DWI）數據來構建個體水平的結構連接（Structural Connectivity, SC）矩陣，量化腦區間的白質纖維連接強度。同時，利用功能性磁共振成像（fMRI）數據來定義腦狀態（Brain States）和計算功能連接（Functional Connectivity, FC）。核心分析框架建立在網絡控制理論之上，特別是線性時不變系統的最優控制理論（具體為有限時間、最小能量控制問題）。通過比較傳統離散輸入模型與新提出的空間擴散輸入模型在驅動相同腦狀態轉變時所需的控制能量（Control Energy），評估新模型的有效性。研究還通過優化算法，尋找能夠實現特定狀態轉變且所需輸入通道最少（即輸入位點密度最低）的近最優控制策略。
研究結果
空間擴散輸入策略顯著降低控制能量
研究發現，與傳統的、假設輸入獨立作用于每個節點的模型相比，新提出的空間擴散輸入模型能大幅降低將大腦從一種狀態驅動到另一種特定目標狀態所需的最小控制能量。這是因為空間擴散輸入策略巧妙地利用了大腦固有的空間依賴特性：由于結構連接（白質通路）和功能活動在空間上是相關的，對一個位點的擴散性影響可以更高效地“協同”驅動一片相互連接緊密的腦區網絡，而非逐個節點單獨“推動”。這種對腦內自然通信結構的利用，使得狀態轉變的控制過程更為高效。
識別出減少輸入數量的近最優策略
進一步，研究者探索了在保持控制效果的前提下，最大限度減少物理輸入位點數量的可能性。他們通過算法識別出了“近最優”的控制策略。令人驚訝的是，在某些情況下，使用空間擴散輸入模型，僅需極少數的輸入位點（相比傳統模型，數量可減少兩個數量級），就能實現與使用更多輸入位點的傳統策略相近的狀態控制效果。這表明，通過精心選擇輸入靶點的位置并利用其空間擴散效應，可以極大地簡化控制架構，為實現更聚焦、更可行的神經調控干預方案提供了理論依據。
輸入位點密度圖譜與多模態神經生物學特征高度相關
研究的一個關鍵發現是，那些被算法計算出的、能夠高效實現全腦多種狀態控制的“最優”或“近最優”輸入位點，并非隨機分布。當將這些位點的空間密度進行全腦繪圖時，所得出的“輸入位點密度圖譜”與一系列獨立的、反映大腦固有特性的神經生物學圖譜表現出高度空間相關性。這些圖譜包括：1) 功能圖譜，如靜息態功能網絡（例如默認模式網絡）的樞紐區域；2) 代謝圖譜，如腦葡萄糖代謝率高的區域；3) 遺傳表達圖譜，與突觸信號傳遞、神經元活動相關的基因（如那些編碼谷氨酸能、GABA能神經遞質系統成分的基因）高表達區域；4) 神經化學圖譜，涉及多種神經遞質受體（如5-HT1A、D1受體）的分布。這種高度的多模態一致性表明，本模型所識別出的高效控制位點，恰好與大腦中那些在信息集成、能量消耗、分子機制上處于核心地位的“樞紐”區域相重疊。這從多個獨立的生物學層面交叉驗證了模型結果的合理性，表明該計算模型捕捉到了人腦功能架構中與控制和動力學密切相關的深層生物物理約束。
研究結論與意義
這項研究通過將空間擴散輸入整合到網絡控制理論框架中，成功地構建了一個更現實、更高效的腦動力學最優控制模型。主要結論是：考慮輸入的空間擴散性不僅使模型更貼近腦刺激的生理現實和皮質的空間連續特性，更能主動利用腦網絡固有的空間依賴關系，從而大幅減少驅動腦狀態轉變所需的控制能量和物理輸入數量。模型所預測的高效控制靶點圖譜與功能、代謝、遺傳、神經化學等多模態特征的高度吻合，強有力地證明了該模型具有扎實的神經生物學基礎。
這項工作的意義重大。在理論上，它彌合了抽象數學控制模型與復雜生物系統現實之間的鴻溝，為計算神經科學領域提供了分析腦狀態轉變的新工具和新視角。在方法論上，它展示了一種將空間先驗知識融入控制框架的通用思路。在應用前景上，其識別出的高效、低能耗控制策略和關鍵靶點圖譜，為設計下一代更精準、更節能的神經調控療法（例如用于治療抑郁癥、帕金森病的深部腦刺激DBS或經顱磁刺激TMS的靶點優化）提供了全新的理論指導。它提示，未來的神經調控或許不應僅僅追求對單一“點”的精確打擊，而應綜合考慮刺激效應的空間傳播特性，并優先針對那些天然處于網絡控制樞紐的腦區進行干預，從而有可能以更小的“代價”實現更穩定、更有效的腦功能調控。
