在快节奏的现代生活中，我们的大脑需要处理来自四面八方的信息，从快速反应到缓慢而深入的思考。大脑如何在这些不同速度的信息处理中取得平衡，一直是神经科学研究中的一个迷人问题。研究大脑如何在不同区域之间整合信息，尤其是如何协调快速和慢速信号，对于理解认知功能至关重要。例如，当我们需要快速反应以避免危险时，大脑的某些区域会迅速激活，而当我们进行深入思考或规划时，其他区域则需要更长的时间来处理信息。这种协调是如何实现的？这正是科学家们试图解答的问题。随着科技的进步，我们开始揭开大脑如何在复杂网络中整合这些快速和慢速信号，以支持我们的认知和行为。随着功能性磁共振成像（fMRI）、脑电图（EEG）和脑磁图（MEG）等神经成像技术的发展，科学家们现在能够以前所未有的细节观察活体大脑的活动。这些技术使我们能够观察到大脑在执行特定任务时哪些区域被激活，以及这些激活是如何随时间变化的。

人脑不断地处理以不同速度展开的信息——从瞬间反应到对突发环境变化的快速反应，再到更缓慢、更反思性的过程，如理解上下文或含义。

一项新研究发表在《自然通讯》杂志上，揭示了大脑如何通过其复杂的白质连接路径网络整合这些快速和缓慢的信号，以支持认知和行为。

大脑的不同区域专门处理特定时间窗口内的信息，这一特性被称为内在神经时间尺度（Intrinsic Neural Timescales，简称INTs）。

“为了通过行动影响我们的环境，我们的大脑必须结合在不同时间尺度上处理的信息。”罗格斯罗伯特伍德约翰逊医学院精神病学助理教授、该研究的高级作者Linden Parkes说。“大脑通过利用其白质连接性在区域之间共享信息来实现这一点，这种整合对人类行为至关重要。”

在传统的NCT模型中，脑区的内在动态通过一个固定的衰减率参数来表示，所有脑区的衰减率被设置为相同的值（如-1），这假设了所有脑区的内在神经时间尺度是均匀的。研究提出了一种优化方法，将脑区的衰减率作为可学习的参数，通过最小化模型控制的活动轨迹与目标状态之间的差异来调整这些衰减率，从而得到优化后的脑区内在神经时间尺度（INT_optimized）。使用自动微分技术（通过PyTorch库实现）来进行参数优化，以确保模型能够高效地拟合复杂的大脑动态。从静息态fMRI数据中提取脑活动状态，使用k均值聚类算法将时间序列数据划分为不同的脑状态，这些状态代表了大脑在静息状态下反复出现的区域共激活模式。对于小鼠数据，由于缺乏fMRI数据，使用了基于系统水平组织定义的二进制脑状态。

研究使用经验性测量的INTs（通过fMRI时间序列的自相关函数衰减来估计）、基因表达数据（来自Allen Human Brain Atlas）和细胞类型密度数据（通过单核RNA测序数据推导）来验证模型优化后的INTs是否与已知的神经生物学特征相关联。并且在个体水平上，将模型拟合到单个受试者的结构连接组上，分析个体的模型参数与经验性INTs之间的关系，以及模型的控制能量对认知行为的预测能力。

图1 使用优化衰减率的网络控制框架说明图

研究结果表明，优化后的模型降低了控制能量，与传统的INT_uniform模型相比，INT_optimized模型在控制大脑状态转换时所需的控制能量显著降低，表明优化后的模型能够更高效地利用大脑的连接组结构来实现功能状态之间的转换。这种能量降低的效果在不同的状态转换中具有一致性，并且在考虑了连接组拓扑结构和目标状态的空间特性后仍然显著，说明优化后的模型能够平衡连接组结构和脑状态特性对控制能量的双重影响。

图2 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

而且优化后的模型能够从更少的控制节点实现状态转换，使用部分控制集（即只对一部分脑区施加控制信号）进行分析时，INT_optimized模型能够在使用更少控制节点的情况下成功完成状态转换，并且控制能量更低、状态转换的稳定性更高。

图3 优化节点的内在神经时间尺度可以从更少的控制节点中更有效地控制连接组动力学

图4 基于模型的内在神经时间尺度（INT）与经验测量的INT相关图

研究还发现了优化后的模型与经验性INTs和神经生物学指标相关联，通过主成分分析（PCA）提取优化后衰减率的两个主要变异源（PC1和PC2），发现它们与经验性测量的INTs（通过fMRI自相关函数衰减估计）呈正相关，表明模型优化后的INTs能够反映实际大脑的内在神经时间尺度。优化后的模型还与多种神经生物学指标相关联，例如与抑制性中间神经元相关的基因表达（如SST和PVALB基因）以及细胞类型密度（如PVALB-篮细胞和PVALB-吊灯细胞）。这些相关性在人类和小鼠的大脑中都得到了验证，显示出模型结果的跨物种一致性。

图5 基于模型的内在神经时间尺度与抑制性中间神经元的全脑图谱相关图

并且研究将模型拟合到单个受试者的结构连接组上，发现个体的模型参数（优化后的衰减率）与经验性INTs之间的耦合强度与受试者在静息态fMRI扫描中观察到的状态转换频率相关。具体来说，那些在静息态下更频繁地进行状态转换的个体，其模型参数与经验性INTs之间的耦合更强。

图6 模型拟合到两个单独的复制数据集结果图

图7 优化后的网络控制理论模型（INT_optimized）在个体水平上的适用性和预测能力

研究通过扩展网络控制理论，提出了一种优化脑区内在动态参数的方法，能够更准确地模拟大脑的内在神经时间尺度，并且在多个层面上验证了其有效性。优化后的模型不仅能够更高效地控制大脑状态之间的转换，还能与经验性测量的神经时间尺度、基因表达和细胞类型密度等神经生物学指标相关联。此外，该模型在个体水平上表现出对经验性神经时间尺度的敏感性，并且能够改善对认知行为的预测能力。这些结果表明，优化后的网络控制理论框架为研究大脑结构与功能之间的多尺度相互作用提供了一个更具有生物学现实性和个体特异性的工具。

“我们的工作通过直接从连接性中建模区域的INTs，探讨了这一过程在人类中的机制。”罗格斯大脑健康研究所和高级人类脑成像研究中心的核心成员Parkes说。“这直接将大脑区域如何处理局部信息与如何将这种处理共享到整个大脑以产生行为联系起来。”

罗格斯研究人员发现，皮层中神经时间尺度的分布在大脑如何有效地在与行为相关的大规模活动模式之间切换中起着至关重要的作用。重要的是，这种组织在个体之间有所不同。

“我们发现，大脑在不同速度下处理信息的差异有助于解释为什么人们在认知能力上存在差异。”Parkes说。

研究人员还发现，这些模式与大脑区域的遗传、分子和细胞特征相关联，将发现基于基础神经生物学。在小鼠大脑中也观察到了类似的关系，表明这些机制在物种间是保守的。

“我们的工作强调了大脑白质连接性与其局部计算属性之间的基本联系。”Parkes说。“那些大脑布线更好地适应不同区域处理快速和缓慢信息方式的人往往表现出更高的认知能力。”

参考文献

Kim JZ, Betzel RF, Beyh A, et al. Inferring intrinsic neural timescales using optimal control theory. Nat Commun 2025; doi: 10.1038/s41467-025-66542-w.

资讯来源

编译：柴逸凡

审核：薛晓萌