一项新研究表明，大脑通过将神经网络的物理连接与局部脑活动的不同速度同步，从而实现高效的信息处理。这项研究提供了一个数学框架，将大脑的结构连接与其电脉冲的时序对齐。研究结果表明，考虑到这些不同内部速度的模型能够比传统方法更好地预测个体的认知能力。

2025年，在《Nature Communication》上发表了题为“Inferring intrinsic neural timescales using optimal control theory”的研究。该研究提出了一种基于网络控制理论的新框架，通过数据驱动的方式从结构连接组中推断各脑区的内在神经时间尺度（INTs）。传统模型假设所有脑区具有统一的衰减速率，而该研究优化了每个节点的自我抑制参数，使其能够根据具体状态转换动态调整。结果表明，优化后的模型相比标准模型显著降低了控制能量，并且仅需约1/6的控制节点即可成功完成全脑状态转换。模型估算的时间尺度与静息态功能磁共振成像实测的时间尺度高度相关，并与艾伦人类大脑图谱中生长抑素（SST）和帕尔伐白蛋白（PVALB）基因的表达模式以及抑制性中间神经元的细胞类型密度存在显著关联。在人类和小鼠大脑中均验证了结果的跨物种一致性。此外，将模型应用于960名个体的个体化结构连接组，发现基于优化时间尺度的控制能量能够显著提升对流体智力、空间定向等认知行为的跨样本预测能力，优于传统模型。该研究为理解大脑如何通过区域特异性时间尺度高效协调宏观结构与功能提供了新的定量框架，也为个性化认知能力预测和神经调控干预开辟了新途径。

要理解这项研究，首先需要掌握连接组的概念。人类大脑由数十亿个神经元组成，这些神经元通过密集的白质纤维网络相互连接。神经科学家将这一全面的神经连接图谱称为连接组。这个物理结构充当了大脑活动传输的高速公路系统。虽然结构相对静态，但其中的活动却是动态且不断变化的。

大脑区域并非都以相同的节奏运作。一些区域，例如负责处理视觉和听觉的区域，必须对传入的刺激几乎立即做出反应。其他区域，特别是参与复杂思维和决策的区域，则在更长的时间段内整合信息。这些特征速度被称为内在神经时间尺度。

工程师和数学家经常使用一种称为网络控制理论的框架来研究复杂系统。这种方法根据系统的连接性和输入来模拟系统如何从一种状态转换到另一种状态。神经科学家已经采用这一理论来模拟大脑如何在不同活动模式之间切换。该领域一个长期存在的局限性是假设所有脑区都以相同的速度运作。

标准模型通常为网络中的每个节点分配一个统一的时间常数。这种简化使数学处理更容易，但未能反映生物现实。研究人员试图纠正这一偏差。他们与同事一起开发了一种新模型，该模型根据每个脑区的行为推断其特定的时间尺度。

研究人员假设，允许可变时间尺度的模型将更准确地表示大脑功能。他们使用了人类连接组项目的数据，该项目包含数百名年轻成年人的脑部扫描。研究团队利用功能性磁共振成像观察大脑活动模式随时间的变化。他们还使用弥散加权成像绘制了相同个体的结构性白质连接图。

该团队设计了一种算法来“学习”不同脑区的内部衰减率。在此背景下，衰减率代表特定区域中一次活动爆发消退的速度。较快的衰减对应较短的时间尺度，而较慢的衰减则指示处理信息的窗口更长。该算法调整这些速率，直到模型能够准确模拟从一个大脑状态到另一个大脑状态的转换。

优化节点的内在神经时间尺度会降低大脑状态转换的控制能量

研究人员关注的主要指标之一是“控制能量”。在控制理论中，能量表示将系统从起点驱动到目标终点所需的输入幅度。一个高效的系统需要更少的控制能量来实现转换。研究人员发现，他们优化后的模型比标准的统一模型始终需要更少的能量。

这种能量的减少表明，大脑天生就能够利用这些多样化的时间尺度。通过将局部处理的速度与全局网络结构对齐，大脑最大限度地减少了思考和反应的新陈代谢成本。研究人员通过将他们的结果与随机零模型进行比较，验证了这一发现。他们发现，节能效果是针对人类大脑实际解剖结构的。

该研究还表明，这种优化使得大脑能够通过更少的输入进行控制。在统一模型中，一次模拟可能需要几乎每个区域的输入才能成功引导大脑状态。而优化后的模型通过刺激一个更小的区域子集就实现了相同的转换。这一发现对于理解局部神经信号如何影响全局大脑状态具有潜在意义。

基于模型的内在神经时间尺度(INTs)与经验测量的INTs相关

为了确认他们的数学值与生物现实相对应，作者将模型的时间尺度与基因表达图谱进行了比较。他们利用了艾伦人类大脑图谱，这是一个详细的数据集，显示了皮层不同区域哪些基因是活跃的。研究人员特别关注与抑制性中间神经元相关的基因，这些细胞调节神经放电的时间。

抑制性细胞的两种特定标志物——生长抑素和帕尔伐白蛋白——在大脑中表现出不同的模式。表达帕尔伐白蛋白的细胞通常与快速信号传导和感觉处理相关。表达生长抑素的细胞则与较慢的调节过程相关。研究人员发现，他们基于模型的时间尺度与这些分子标志物的密度之间存在强相关性。

模型识别为具有快速时间尺度的区域显示出与帕尔伐白蛋白相关的基因更高表达。相反，模型中时间尺度较慢的区域富含与生长抑素相关的基因。这种生物学验证表明，数学优化成功捕捉了皮层潜在的细胞结构。该模型仅从成像数据中推导出这些值，并未预先知道基因图谱。

研究团队还检验了这些发现是否在不同物种间成立。他们将相同的建模方法应用于小鼠的高分辨率连接数据。结果与人类中发现的结果相似。小鼠模型在能量效率方面表现出类似的改善，并与抑制性细胞标志物呈现出相同的相关性。

这种跨物种的一致性表明，结构连接性与神经时间尺度的对齐是大脑组织的一个基本原则。进化似乎保留了这种高效的架构。这些发现暗示，宏观尺度的连接与微观尺度的细胞特性之间的协调对于哺乳动物的大脑功能至关重要。

除了普遍的生物学原理，研究人员还探究了他们的模型能否解释人类的个体差异。他们将优化后的模型分别拟合到研究中每位参与者的特定脑部扫描数据上。这为每个个体生成了一套独特的时间尺度。然后，研究团队检查了这些个性化模型在多大程度上能追踪参与者在静息状态下的实际大脑活动。

那些内在时间尺度与其结构连接更好对齐的参与者，倾向于在不同大脑状态之间更频繁地转换。这表明一个调校良好的大脑更具动态性和灵活性。随后，研究人员进行了一项预测建模工作。他们试图根据参与者大脑模型的特性来预测他们在各种认知测试中的得分。

优化后的模型在预测认知行为方面优于标准的统一模型。从可变时间尺度模型中提取的特征与流体智力和空间定向等任务的表现表现出更强的关联。这表明不同脑区运作速度的细微变化与高阶认知相关。

作者指出了他们工作的几个注意事项。该研究依赖于磁共振成像，其时间分辨率有限。神经活动发生在毫秒级别，而影像数据捕捉的是数秒内的变化。因此，该模型可能捕捉到真实神经动力学的平滑近似。

此外，研究中所使用的结构图谱无法区分神经纤维上信息流动的方向。研究人员不得不假设人类数据中的连接是双向的，这简化了实际生物学情况。然而，在使用有向连接数据的小鼠数据集中成功复现结果，在一定程度上缓解了这一担忧。

未来的研究可能会聚焦于这些时间尺度在发育和衰老过程中如何变化。大脑在童年和青少年时期经历大规模的结构重组。追踪内在时间尺度如何随着这些结构变化而演化，可能为了解认知能力的成熟提供洞见。

将该框架应用于精神疾病和神经系统疾病的研究也具有潜力。精神分裂症和自闭症等疾病通常被描述为涉及大脑连接性中断的网络障碍。这些疾病很可能也涉及大脑物理连接与其时间处理速度之间的不匹配。