脑网络

脑网络（brain networks）作为现代神经科学的核心概念，旨在从复杂系统视角理解大脑的结构与功能组织。传统神经解剖学对脑区进行局部分区，而脑网络研究强调各脑区之间的相互作用与信息整合。随着神经影像学与图论方法的发展，研究人员得以在宏观尺度上构建全脑网络，揭示其拓扑特征如小世界性、模块化及高枢纽。脑网络研究不仅深化了对健康大脑工作机制的认识，也为理解神经精神疾病的病理机制提供了新范式。 ADFASDFAF23RQ23R

脑网络的概念可追溯至19世纪末的神经解剖学研究，如Brodmann的细胞构筑分区与Von Economo的联合皮层分类。20世纪中叶，脑电图（EEG）开始用于探索脑电活动的时间同步性。1990年代，功能磁共振成像（fMRI）的诞生使得无创测量脑区活动成为可能，早期研究聚焦于任务激活定位。2000年代初，Sporns、Tononi等人正式提出“脑网络”（brain network）这一术语，并将其与图论结合，标志神经显像网络科学的诞生。此后，人类连接组计划（Human Connectome Project）等大规模项目致力于绘制全脑结构连接图谱。当前，脑网络研究已从静态连接拓展至动态网络、有效连接及网络控制等前沿方向。

根据数据来源与网络定义，脑网络主要分为三种类型：结构网络：基于弥散张量成像（DTI）或弥散谱成像（DSI）的纤维追踪技术，通过确定白质纤维束的起止点定义节点间的边。节点通常基于解剖模板（如AAL、Desikan-Killiany）或个体化分区定义。功能网络：通过血氧水平依赖（BOLD）信号的时间相关性（如Pearson相关系数）或互信息构建节点间的功能连接。功能网络中边是统计依赖关系，而非物理连接。有效网络：衡量一个节点对另一个节点的因果性影响，常用有向连接模型如格兰杰因果关系分析（GCA）或动态因果模型（DCM）。有效网络能够揭示神经信息传递的方向。网络构建的关键步骤包括：节点定义（脑区划分）、边定义（连接度量）、阈值处理（保留显著连接）以及图论特征计算（小世界指数、模块度、度分布等）。

图论为脑网络提供了一套定量描述工具：小世界属性：高聚类系数与短特征路径长度的共存，反映网络的高效信息传递与模块化处理。Watts与Strogatz（1998）最早提出，该属性在脑网络中广泛存在。模块化：网络被划分为多个模块（社区），模块内连接密集，模块间连接稀疏。模块化体现了大脑的功能分工，如视觉、听觉、默认模式网络等。枢纽（hub）：具有高度中心性（如度中心性、中介中心性）的节点，负责跨模块信息整合。关键枢纽包括楔前叶、岛叶、前扣带回等，它们脆弱且易受疾病影响。度分布：节点度（连接数）的概率分布，常揭示无标度特性，即少数枢纽节点拥有大量连接。效率：全局效率反映并行信息传输能力，局部效率反映信息处理的容错性。此外，基于二值或加权网络可计算局部效率、聚类系数、最短路径长度等。这些指标在比较不同群体（如疾病组与健康组）时具有统计敏感性。 ADSFAEQWER353423413434

脑网络拓扑异常已被广泛报道于多种疾病：阿尔茨海默病（AD）：功能网络呈现全局效率下降、局部效率升高，且默认模式网络内部连接减弱，枢纽区域（后扣带回、海马）受损。结构网络显示白质纤维完整性下降，网络拆分。精神分裂症：功能网络小世界性降低，模块化减弱，额叶-颞叶连接失调，前额叶枢纽功能异常，导致认知整合障碍。抑郁症：默认模式网络与突显网络之间的异常功能耦合，可能是反刍思维的基础；额-边缘系统环路（如前扣带回、杏仁核）连接减弱或增强。帕金森病：运动网络基底节-丘脑-皮层环路连接下降，而代偿性连接增加。脑网络分析还用于预测疾病进展（如AD的MCI转化）、评估治疗效果（如药物或深部脑刺激）以及指导神经调控靶点（如经颅磁刺激）。 ADFASDFAF23RQ23R

当前脑网络研究呈现若干前沿趋势：动态功能网络：通过滑动窗口或点过程分析，揭示功能连接随时间变化的规律，反映大脑状态转换（如静息态到任务态）。个体化脑网络：基于高分辨率MRI精确绘制个体脑连接组，用于预测认知能力、人格特质和疾病风险。网络控制理论：描述脑网络如何通过外部输入（如刺激）从一种状态转变为另一种状态，可预测最佳刺激靶点。多层网络：整合结构、功能和化学连接等多模态信息，建立更真实的脑网络模型。人工智能与深度学习：使用图神经网络自动提取脑网络特征用于疾病分类与预后，辅助临床决策。跨物种比较：通过比较人类与灵长类、啮齿类的脑网络拓扑，揭示进化规律。这些方法正逐步应用于认知神经科学、临床诊断和神经工程。

尽管脑网络范式贡献卓著，但仍面临挑战：节点定义缺乏唯一标准（模板依赖），边定义受信噪比和运动伪影影响；宏观尺度无法直接反映神经元动态；因果推断仍受限于时间分辨率。未来需要发展多尺度整合模型（如结合电镜纳米级连接组与宏观fMRI）、更先进的计算方法（如生成对抗网络增强数据质量），以及临床大数据共享平台（如ENIGMA联盟）。脑网络科学有望推动从脑疾病机制到精准神经干预的转化，并促进类脑人工智能的研发。 ADSFAEQWER353423413434

• Sporns, O. (2011). Networks of the Brain. MIT Press.
• Bullmore, E., & Sporns, O. (2009). Complex brain networks: graph theoretical analysis of structural and functional systems. Nature Reviews Neuroscience, 10(3), 186-198.
• Fornito, A., Zalesky, A., & Bullmore, E. (2016). Fundamentals of Brain Network Analysis. Academic Press.
• Rubinov, M., & Sporns, O. (2010). Complex network measures of brain connectivity: uses and interpretations. NeuroImage, 52(3), 1059-1069.
• Bassett, D. S., & Sporns, O. (2017). Network neuroscience. Nature Neuroscience, 20(3), 353-364.
• He, Y., Chen, Z. J., & Evans, A. C. (2007). Small-world anatomical networks in the human brain revealed by cortical thickness from MRI. Cerebral Cortex, 17(10), 2407-2419.
• van den Heuvel, M. P., & Hulshoff Pol, H. E. (2010). Exploring the brain network: a review on resting-state fMRI functional connectivity. European Neuropsychopharmacology, 20(8), 519-534.
• Fornito, A., & Bullmore, E. T. (2015). Connectomics: a new paradigm for understanding brain disease. European Journal of Neuroscience, 41(5), 510-526.