简要总结

该研究通过结合磁共振成像（MRI）技术和神经元网络建模，探讨了大脑内在时间尺度随年龄变化的特征及其对认知功能的影响。研究发现，与年轻群体相比，老年群体的大脑在多个大规模功能网络中表现出更短的内在时间尺度，这与灰质体积的减少密切相关。此外，内在时间尺度的缩短还与视觉辨别任务中记忆辨别能力的下降相关，表明这种变化可能影响认知功能。通过神经元网络建模，研究进一步解释了这种与年龄相关的内在时间尺度变化，指出老年大脑的神经元网络更接近亚临界状态，而年轻大脑则更接近临界状态。这一发现不仅为理解衰老对大脑动态的影响提供了新的视角，还为开发针对认知衰退的潜在干预措施提供了理论基础。

摘要：

1 引言

大脑可以被概念化为一个动态和不断进化的多尺度网络，其特征在于复杂的拓扑结构和动态过程，这些过程在不同的空间和时间尺度上运行。在一生中，大脑的结构架构和功能动态都表现出显著的适应性和可塑性。大脑可塑性涵盖了多种多样的过程，这些过程对于支持网络的持续演变至关重要。这些过程积极塑造大脑的结构和功能景观，调节其对内外刺激的反应，从在毫秒级别发生的快速突触适应到持续数年甚至数十年的衰老效应。在这个框架内，健康衰老是无数可塑性过程的结果。

衰老对大脑产生了深远的影响，诱导了在多个空间尺度上的变化，这些变化影响了认知、感觉和运动功能。在微观尺度上，衰老的特征是神经元的逐渐丢失、树突和突触的结构退化以及神经元放电率降低。在宏观尺度上，结构和功能连接都发生了显著的转变。尽管在多个尺度上存在与年龄相关的大脑结构和动态的重大变化，但大脑功能的基本特征在整个生命周期中仍然持续存在。大脑适应各种刺激的能力需要灵活的网络架构，这种架构由时间尺度的层次结构支持。这种时间尺度的层次结构作为一种组织原则，促进了信息的高效处理和整合，特别是在动态变化的环境中。此外，由时间尺度层次结构决定的大脑区域的异质性通过实现专门的信息处理和整合，增强了大脑的功能。

内在时间尺度反映了区域异质性以及大脑功能和功能障碍的关键方面。特定大脑区域内在时间尺度的失衡与一系列神经和神经精神障碍有关，包括自闭症谱系障碍、精神分裂症、抑郁症、癫痫、精神分裂症、帕金森病和阿尔茨海默病。这一快速增长的研究表明，人们对内在时间尺度的兴趣显著增加。然而，内在时间尺度很少在衰老的背景下进行研究。了解内在时间尺度如何受到衰老的影响，可以为健康认知衰老以及与年龄相关的神经和神经精神障碍的发展机制提供更深入的见解。此外，关于内在时间尺度失衡的潜在机制及其行为影响的证据很少。

内在神经时间尺度是基于自相关函数的衰减特性操作性测量的。自相关函数量化了在某一时间点的神经活动与随后时间点的活动之间的关系，最大时间自相关发生在临界状态下，意味着接近临界状态的系统需要更长时间才能恢复平衡。这种自相关函数的缓慢衰减现象在文献中被称为临界减速。处于临界点的系统还与若干最优计算特性相关，包括最大数量的亚稳态和动态表现以及最大动态范围。临界性可以为神经系统的动态提供有价值的见解，帮助从机制上解释通常通过实证研究识别的内在神经时间尺度的特征。在这个框架内，内在时间尺度的减少意味着系统偏离了临界点。这种转变可能导致计算能力的下降和信息处理的改变，反映了神经网络的结构和功能完整性的变化。

2 结果

该研究调查了人类大脑中的内在时间尺度，从fMRI数据中提取，并通过神经元网络建模来研究其潜在的神经机制。图1总结了处理结构和功能MRI数据以及模拟代表年轻（18-32岁，平均年龄22.21岁，标准差3.65）和老年（61-80岁，平均年龄69.82岁，标准差5.64）成年人的大脑区域的神经元网络活动的主要步骤。两组均涉及正常、健康的受试者，没有认知或功能障碍。通过静息态fMRI的组独立成分分析（gICA）识别两组的激活功能区域。随后，通过结构MRI获得的灰质体积（GMV）来探索内在时间尺度的神经解剖学基础（见图1B）。

图1：绘制和建模年龄对内在神经时间尺度的影响。

2.1 老年组和年轻组的内在时间尺度

使用的MRI扫描数据来自北卡罗来纳大学，包括34名年轻受试者（20名女性）和28名老年受试者（20名女性）。静息态fMRI扫描包含300个体积（600秒）的有效信号，重复时间（TR）为2秒，前5个体积（10秒）被移除以确保磁化稳定性。功能图像经过预处理并校正了头部运动。如图2所示，通过基于静息态功能MRI数据的组独立成分分析（gICA）计算静息态网络（RSN）成分。60个已识别的RSN的空间图谱可以见图2A，它们被分配到6个大规模功能域/网络：默认模式网络（DMN）、感觉运动网络（SMN）、视觉网络（VIS）、皮下网络（SC）、认知控制网络（CC）和听觉网络（AUD）。各个RSN的空间位置已根据其所属的大规模功能网络进行排序，完整细节包括其坐标可以在补充材料的图1和表I中找到。这些RSN的峰值坐标的三维位置（半径为5毫米）可以在图2B中看到。

图2：休眠状态网络。

图3：年轻人和老年人的时间尺度层次结构。

对于每个RSN成分的时间过程，内在时间尺度被定义为自相关函数曲线下面积（见“方法”部分）。补充材料图2中可以看到听觉功能网络的RSN的示例自相关曲线。对于每个受试者，计算了全脑的内在时间尺度图。在大规模功能网络之间的比较中，发现年轻组（图3A）和老年组（图3B）都显示出类似的内在时间尺度层次结构（Fyoung = 14.612，p < 0.001；Felderly = 15.78，p < 0.001，单因素方差分析）。亚皮质网络的内在时间尺度比其他高级皮质网络（DMN、SMN、VIS、CC和AUD，p < 0.05，FDR校正）更短。网络级别的INT对应于分配给大规模功能网络的所有RSN的平均INT。对于单个RSN和大规模功能网络的INT，还计算了每个受试者在RSN级别和网络级别上INT的方差，分别对应于RSN级别和网络级别的方差。两组在单个RSN成分级别（图3C）或网络级别（图3D）的方差相似，表明INT具有类似的可变性范围，并表明无论年龄如何，时间尺度层次结构都发挥着类似的作用。

图4：衰老对大脑结构、动力学和行为的影响。

2.2 内在时间尺度、记忆辨别能力和灰质体积之间的关联

为了研究内在时间尺度与行为之间的关系，该研究关注了记忆辨别能力（MDA）。MDA是指个体准确区分基于细微的时间上下文差异或其他特征的相似或重叠记忆的能力。这种能力被认为是日常认知功能所必需的，并且已知随着年龄的增长而下降。MDA可以通过视觉记忆辨别任务中的诱饵辨别指数（LDI）来估计，该指数计算为对诱饵和假象的反应差异的概率。年轻群体的MDA更好，表现为年轻群体的LDI显著大于老年群体（Welch t检验，t = 2.33，p < 0.05，图4B）。

为了揭示支持两组之间神经动态和行为差异的解剖学基础，该研究使用峰值坐标提取了RSN的灰质体积（GMV），半径为5毫米。两组之间GMV的显著差异（tyoung−old = 4.57，p < 0.0001）表明随着年龄的增长发生了结构大脑差异（图4C）。补充材料图4中可以找到年轻和老年受试者全脑GMV的比较。为了更好地理解GMV的影响，该研究随后计算了其与内在时间尺度和LDI的皮尔逊相关性。在全局水平上，GMV与内在时间尺度和LDI均显示出显著的正相关关系（INT：r = 0.4778，p = 0.0001，图4D；LDI：r = 0.3091，p < 0.05，图4E）。然而，在全脑平均水平上，内在时间尺度与LDI之间未观察到显著相关性（r = 0.07，p = 0.57，图4F）。

图5：丘乌斯表现出特殊的大脑功能。

图6：GMV与内在时间尺度之间的关系。

图7：建模与年龄相关的大脑网络。

2.3 网络水平上内在时间尺度与GMV之间的关系

gICA分析识别了六个大规模功能域/网络：DMN、VIS、SMN、VIS、CC、SC和AUD。与全脑趋势一致（图4D），在所有六个大规模功能网络中，两组之间在内在时间尺度和GMV方面也观察到显著差异（p < 0.05，FDR校正）。老年群体在所有六个大规模功能网络中的内在时间尺度和GMV均低于年轻群体（图6A、B）。在所有六个大规模功能网络中，GMV与INT之间的显著正相关关系也得到了稳健的观察（rDMN = 0.4530，p < 0.001；rSMN = 0.4778，p < 0.0001；rVIS = 0.3010，p < 0.05；rCC = 0.4650，p < 0.001；rSC = 0.3559，p < 0.001；rAUD = 0.4445，p < 0.001）。使用替代半径（= 3毫米）提取的GMV的结果也支持网络水平上内在时间尺度的这种稳健关联（见补充材料图3B、C）。这些关联一致且可靠，在所有大规模功能网络（图6）以及全脑水平（图4D）上均保持显著。然而，尽管它们的可靠性和显著性，这些关联的解释是有限的，因为它们没有建立因果关系。

2.4 建模老年群体中内在时间尺度的减少

为了增强对大脑动态以及GMV对内在时间尺度的影响的理解，该研究提出了一个简单的神经元网络模型，以捕捉不同分支比率σ的大脑区域的动态。GMV与内在时间尺度之间的强关联表明了大脑时间动态的潜在神经解剖学基础。这种关联的一种可能解释是，较大的GMV反映了更密集连接的神经元网络，其中反复的神经活动持续时间更长，从而导致更长的内在时间尺度。

为了验证这一假设，该研究提出了为年轻和老年群体建模大脑网络。鉴于GMV随衰老而减少，老年群体的神经元网络应考虑神经元和突触连接的丢失。反映正常衰老过程，代表老年群体的大脑区域预计与年轻群体相比，神经元和突触数量减少。为了更好地理解衰老对大脑网络动态的影响，该研究构建了代表大脑区域的神经元网络，这些网络包含近100,000个神经元，连接为Erdos-Renyi随机网络，每个神经元平均连接到10个其他神经元。随后移除神经元和突触以模拟衰老过程（见图1C.a的示意图）。图7A中展示了表示年轻和老年群体的网络之间的节点度差异。为了突出两组之间的结构差异，还展示了老年群体的示意性随机网络（见图7B）。

根据GMV和INT之间的相对差异，该研究假设从网络中移除的神经元和连接的数量遵循正态分布，详细信息见“方法：网络拓扑结构”。该研究运行了200次试验，每组100次，以获得神经元和连接的数量分布，见图7C。为了与实证数据的大小对齐，随机选择了30个样本代表年轻群体和30个样本代表老年群体进行后续分析。年轻群体的平均神经元数量为99,812，老年群体为99,779（图7D）。年轻群体的平均突触数量为9.15 × 10^5，老年群体为7.38 × 10^5（图7E）。在该样本中，年轻和老年成年人之间的神经元和突触数量比分别为Ne/Ny ≈ 0.99和NK,e/NK,y ≈ 0.81。

利用这些代表年轻和老年个体的神经元网络，该研究使用Kinouchi-Copelli模型模拟了相互作用的兴奋性神经元网络。在这个模型中，静止（或易感）神经元在响应外部输入h或通过放电神经元的活动传播时以概率λ放电。给定时间t的放电神经元密度反映了网络的瞬时活动，用于计算内在时间尺度（见“方法”）。补充材料图5中展示了年轻和老年样本的相应自相关曲线及其平均值。与实证数据一致，从网络动态获得的内在时间尺度揭示了两组之间的显著差异（图7F，顶部）。老年群体的内在时间尺度显著短于年轻群体（Welch t检验，t = 5.575，p < 0.0001），而仅移除神经元并未显著改变内在时间尺度（图7F，底部）。在重新选择50和100个样本进行分析后，得到了类似的结果，表明这些发现不受样本大小潜在偏差的影响。

为了进一步了解移除神经元和突触对内在时间尺度的影响，该研究在保持神经元网络固定（K = 10和N = 99,795）的情况下计算了内在时间尺度，然后移除了一定比例的神经元和突触。通过系统地单方面改变神经元或连接的数量，结果表明，仅移除突触会导致内在时间尺度显著减少，而仅移除神经元则不会改变它们（图7G）。这一发现表明，突触丢失对网络动态的影响大于神经元丢失，证实了两组之间内在时间尺度的显著差异（图7F）。这些结果表明，老年群体中内在时间尺度的减少可能是由于突触连接的减少所致。

最后，该研究探讨了为什么由于衰老导致GMV减少的神经元网络表现出更短的内在时间尺度。为此，该研究关注了年轻和老年个体的神经元网络的临界距离（DTC），使用网络分支比率σ。这个比率表明了网络活动如何传播。处于临界状态的网络具有分支比率σ = 1，亚临界网络具有σ < 1。对于亚临界网络，σ的值越小，表明距离临界点越远。

由于网络度的差异（图7E），年轻大脑中的神经元网络的分支比率显著高于老年大脑（p < 0.001）。此外，内在时间尺度与分支比率之间的关系（图7H）表明，当网络接近临界点（σ = 1）时，内在时间尺度急剧增加，这是临界减速的迹象。因此，具有更高内在时间尺度的年轻大脑中的神经元网络（图7H中的红色节点）比老年大脑中的网络（图7H中的蓝色节点）距离临界点更近。

为了定量评估大脑临界性和测量年轻和老年成年人的DTC，该研究使用了最大化的自相关时间尺度，即滞后1的自相关（AC1），这被认为是临界性的普遍标志，已在多项研究中得到证实。与年轻成年人相比，老年成年人的血氧水平依赖（BOLD）fMRI时间序列和神经元网络模型动态一致显示出较低的AC1（Welch t检验，fMRI：t = 3.49，p = 0.008；建模：t = 18.90，p < 0.0001；见图8A）。由于AC1的峰值出现在临界点，老年成年人观察到的较低AC1值表明他们的大脑动态比年轻成年人更接近亚临界状态（图8B）。

最后，该研究使用建模动态直接检查了内在时间尺度与DTC之间的关系。如图8C所示，神经元网络的最长内在时间尺度恰好出现在临界点（σc = 1），这是发生相变的地方。在亚临界区域，内在时间尺度随着分支比率的增加而增加。由于老年群体比年轻群体显示出更大的DTC（图8A），可以得出结论，随着年龄的增长，网络动态进一步远离临界点，导致老年成年人的内在时间尺度缩短。

图8：老年受试者的大脑网络与临界状态的距离更远。

3 讨论

在该研究中，该研究比较了老年成年人和年轻成年人的内在时间尺度的变化，并通过简单神经元网络的动态解释了这些差异。该研究观察到沿着皮质-皮下轴的内在时间尺度层次结构，亚皮质网络的时间尺度较短，皮质网络的时间尺度较长。重要的是，年龄与内在时间尺度的缩短相关，并且楔叶中更长的内在时间尺度与更好的记忆辨别能力（MDA）相关。此外，内在时间尺度和MDA均与灰质体积（GMV）呈正相关，表明大脑功能和行为具有神经解剖学基础。

为了进一步理解这些关系，开发了依赖于年龄的计算建模方法。这种方法揭示了衰老导致的大脑网络结构变化可能导致内在时间尺度的减少。在临界性框架内，这些与年龄相关的内在时间尺度变化可以通过临界减速的概念来理解，其中当系统接近临界点时，长程时间相关性增加。通过结合实证结果和神经元网络建模，该研究提出了由于衰老导致的网络属性改变增加了距离临界点的距离，解释了随着年龄增长观察到的内在时间尺度的减少。这些机制见解增强了对该研究对衰老及其对大脑动态和行为的影响的理解，并为可能的治疗干预途径提供了依据。

3.1 临界性可以解释时间动态的变化

该研究通过建模神经元网络探索了内在时间尺度的年龄相关变化，假设与年龄相关的GMV减少与神经元和突触的修剪相关。该研究提供了证据，表明年轻成年人的神经元网络更接近临界性，伴随着更长的内在时间尺度。

临界性和分支过程理论有助于解释随着年龄增长观察到的内在时间尺度的减少。网络动态可以通过分支过程有效描述，其中存在一个临界转变，介于低活动的亚临界相和高活动的超临界相之间（图8）。这一理论框架表明，皮质网络在接近临界点时运行，此时分支比率σ ≈ 1。在临界点，大脑优化了其计算能力，对刺激的反应效率更高，并实现了最大的易感性、动态范围以及信息处理和存储能力。

该研究的分析表明，内在时间尺度和AC1直接依赖于临界转变，在临界点（σc = 1，图8）达到峰值。图8C中显示的曲线的不对称性表明，当系统同时表现出亚临界和超临界状态时，仅使用INT来估计距离临界点是不够的。虽然当只有一个状态存在时，INT可以作为一个可靠的代理，但在两种状态共存的情况下，需要更先进的方法来考虑这种情况。

3.2 大脑临界性与衰老相关

利用实证fMRI和神经元网络建模，该研究的发现为老年受试者观察到的内在时间尺度减少提供了证据，这可以通过增加距离临界点来解释。这些发现为关于健康衰老如何影响大脑活动的临界性辩论做出了贡献。最近的一项使用准临界性框架的脑磁图（MEG）数据的研究表明，衰老增加了易感性，表明大脑正在接近临界点，而跨不同频段的脑电图（EEG）研究则得出了相互矛盾的证据。这些混合结果突显了解释临界性如何随年龄演变的复杂性。该研究探索了fMRI BOLD信号中较慢的低频波动的属性，为临界转变的早期预警信号和临界减速提供了新的视角。未来的研究应该调查这些指标与其他常用的MEG/EEG测量之间的关系，以进一步了解衰老对大脑动态的影响。此外，整合多模态成像技术和先进的计算模型应该能够提供更深入的见解，了解衰老与临界性之间的复杂关系。

3.3 建模预测大脑动态的可变性和神经元网络结构

随着衰老，神经元活动的可变性下降，影响认知灵活性。高神经元可变性支持认知灵活性，是临界系统的标志。此外，当神经系统的动态从临界性转向亚临界状态时，灵活性降低。在中间耦合强度下，神经模式的最大可变性发生，偏离这个最佳点会降低可变性。健康的老年人表现出比患有帕金森病和肌萎缩侧索硬化的年龄匹配受试者更广泛的神经活动库。这些发现强调了维持神经元可变性和灵活性的重要性，这在临界点附近最佳实现。与现有文献一致，该研究发现老年群体中增加的亚临界活动表明神经元可变性降低。然而，这一假设应该在未来的研究中进行具体测试。

3.4 行为与内在时间尺度和临界性相关

内在时间尺度与多种认知功能相关，包括非人类灵长类动物的延迟折扣、感知、决策制定以及人类的意识、自我意识、情感吸引和视觉感知。MDA衡量大脑区分相似但不完全相同的对象的能力，这是人类日常活动中的一项关键高级认知功能。由于MDA涉及在时间上编码和检索信息，因此其与内在时间尺度的联系似乎是合乎逻辑的。

3.5 从模型推断出的干预措施

基于神经元网络建模的结果，该研究提出，增强神经元的兴奋性可能有助于恢复老年个体的大脑活动。该研究的发现表明，由于更亚临界的动态（σ < 1），老年大脑具有更短的内在时间尺度。该模型表明，网络连接性（K）和神经元兴奋性（λ）都影响距离临界点的距离（因为σ = K ⋅ λ）。因此，可以基于操纵K或λ来设计两种类型的干预措施。虽然在实际操作中增加连接性（K）可能具有挑战性，但增强神经元兴奋性（λ）是一种更可行的方法，可以将分支比率更接近临界值（σc = 1）。通过增强兴奋性，大脑动态可能会更接近临界状态，增加内在时间尺度，并可能改善认知功能。这种干预措施与之前的建议一致，即操纵钾通道或增强神经元兴奋性可以部分恢复神经元的生理完整性，并抵消与年龄相关的神经元放电率降低和动态范围减小。然而，虽然更长的内在时间尺度可能对某些任务（如记忆）有益，但必须考虑到对其他大脑功能的潜在意外影响。老年群体中更短的内在时间尺度可能是一种补偿机制，以应对随着年龄增长而发生的整体更慢的大脑动态。因此，任何旨在调节内在时间尺度的干预措施都应该谨慎进行，确保全面了解其对大脑活动和认知表现的更广泛影响。

3.6 成年人的大脑内在时间尺度层次结构在整个成年期保持稳定

该研究发现，大脑大规模功能网络在内在时间尺度上存在差异，形成了沿着皮质-皮下网络的层次结构。这些结果与之前使用fMRI的研究一致，表明更高阶的皮质网络（如中央执行网络、背侧注意网络和默认模式网络）比感觉和运动区域/网络具有更长的内在时间尺度。这种内在时间尺度的层次结构的观察也反映了大脑的功能特异性，这与之前关于小鼠、猕猴和人类大脑的研究报告一致。该研究的发现表明，无论年龄如何，成年人都保持了结构相似的内在时间尺度，表明内在时间尺度的层次结构在整个成年期得以保留。这与人类新生儿形成对比，他们表现出具有不同层次结构的高结构化内在时间尺度，这些层次结构在发育过程中演变。

4 方法

静息态fMRI扫描数据来自北卡罗来纳大学格林斯博罗分校的公共数据集。计算神经元网络被建模为随机的兴奋性脉冲神经元网络。通过移除神经元和突触连接来模拟这些神经元网络中的衰老。神经元网络建模和后数据处理，包括统计分析，都是使用定制代码完成的，该代码可在GitHub上找到：https://github.com/xiaohajiayouo/Mapping_and_Modeling_Age-Related_Changes-in-_Intrinsic_Neural_Timescales。该研究的所有方面都得到了莫纳什大学人类研究伦理委员会的批准。

4.1 MRI数据采集、预处理和头动控制

该研究包括28名健康的老年人（年龄在61-80岁之间，平均年龄为69.82岁，标准差为5.64；20名女性）和34名健康的年轻人（年龄在18-32岁之间，平均年龄为22.21岁，标准差为3.65；20名女性）。使用皮尔逊卡方检验比较两组之间的性别频率，结果显示两者之间没有显著差异（t = 0.5826，p = 0.4438）。MRI扫描包括高分辨率的T1解剖图像（1 mm各向同性体素，192个体素，厚度为1 mm，重复时间（TR）= 2300 ms，回波时间（TE）= 2.26 ms），以及功能MRI（32个体素，厚度为4.0 mm，无间隔，TE = 30 ms；TR = 2000 ms；翻转角 = 70°，视野 = 220 mm，矩阵大小 = 74 × 74 × 32个体素）。fMRI扫描持续了10分钟，产生了300个体积。关于原始MRI数据的更多详细信息也可以在https://openneuro.org/datasets/ds003871/versions/1.0.2中找到。

在每个扫描的前5个体积被丢弃以产生稳定的BOLD活动信号以确保磁场稳定性后，功能数据随后按照以下步骤进行处理：（1）重新对齐以校正头动；（2）切片时间校正；（3）识别异常值；（4）归一化（使用SPM软件包中的模板将数据归一化到3 mm MNI空间）；（5）使用8 mm全宽半高（FWHM）的高斯核进行空间平滑。

4.2 独立成分分析用于大脑网络分区

对预处理和去噪后的BOLD信号进行空间独立成分分析（ICA），使用Group ICA of FMRI Toolbox（GIFT）的infomax算法（见图1）。高模型阶数ICA将图像分解为包含皮质、皮下和小脑大脑区域的更大脑网络（RSN，静息态网络）。组ICA的反重建算法从每个独立成分中生成受试者特定的空间图和时间过程。在通过视觉检查和回归分析移除噪声相关成分（头动伪影、白质、脑脊液等）后，保留了60个成分，这些成分代表了60个已识别的RSN。非噪声成分的时间过程经过三次去趋势、去尖峰和全局平均回归处理，最后进行带通滤波（0.023–0.1 Hz）。

4.3 灰质体积

精读分享

该研究的背景聚焦于大脑内在时间尺度的年龄相关变化及其对认知功能的影响。随着年龄增长，大脑结构和功能会发生显著变化，包括神经元和突触的逐渐丢失，这些变化重塑了大脑的动态特性。然而，目前尚不清楚这些结构变化如何影响大脑的时间编码能力，尤其是与认知衰退相关的内在时间尺度的变化。内在时间尺度反映了大脑区域对信息的时间整合能力，其异质性对于大脑功能至关重要。研究内在时间尺度如何随年龄变化，不仅有助于深入理解健康衰老的神经机制，还能为与年龄相关的神经和神经精神障碍的发展提供新的见解。

该研究的背景聚焦于大脑内在时间尺度的年龄相关变化及其对认知功能的影响。随着年龄增长，大脑结构和功能会发生显著变化，包括神经元和突触的逐渐丢失，这些变化重塑了大脑的动态特性。然而，目前尚不清楚这些结构变化如何影响大脑的时间编码能力，尤其是与认知衰退相关的内在时间尺度的变化。内在时间尺度反映了大脑区域对信息的时间整合能力，其异质性对于大脑功能至关重要。研究内在时间尺度如何随年龄变化，不仅有助于深入理解健康衰老的神经机制，还能为与年龄相关的神经和神经精神障碍的发展提供新的见解。

该研究通过结合实证数据和神经元网络建模，揭示了衰老对大脑内在时间尺度的影响，并提出了临界性理论框架下的解释。然而，研究也存在一些局限性，例如样本年龄跨度较大可能导致对衰老过程的简化理解，以及模型中未包含抑制性神经元等复杂生物学特征。未来的研究需要进一步细化对衰老过程中内在时间尺度动态变化的理解，探索其与认知功能的因果关系，并整合多模态成像技术以更全面地揭示衰老对大脑功能的影响。此外，基于临界性的干预措施（如增强神经元兴奋性）可能为延缓认知衰退提供新的方向，但需谨慎评估其潜在的副作用和适用性。

结论：

该研究通过实证数据和神经元网络建模，揭示了衰老对大脑内在时间尺度的显著影响。研究发现，与年轻群体相比，老年群体的大脑在多个大规模功能网络中表现出更短的内在时间尺度，这与灰质体积的减少密切相关。此外，内在时间尺度的缩短与视觉辨别任务中记忆辨别能力的下降相关，表明这种变化可能影响认知功能。通过建模，研究进一步解释了这种与年龄相关的内在时间尺度变化，指出老年大脑的神经元网络更接近亚临界状态，而年轻大脑则更接近临界状态。这一发现不仅为理解衰老对大脑动态的影响提供了新的视角，还为开发针对认知衰退的潜在干预措施提供了理论基础。

参考文献

Wu K, Gollo L L. Mapping and modeling age-related changes in intrinsic neural timescales[J]. Communications Biology, 2025, 8(1): 167.

解读：曹修齐

审核：林增臻