玻尔百科人类大脑拥有1000亿个神经元，是已知宇宙中最复杂的系统之一。几个世纪以来，我们的理解仅限于识别其单个组成部分，这留下了一个关键的知识空白：这些部分是如何协同工作以创造思想、情感和意识的？网络神经科学通过将焦点从大脑的区域转移到它们之间错综复杂的连接网络上，提供了一个革命性的答案。这种方法提供了一个强大的数学框架，将我们对大脑的看法从一堆独立的部件转变为一个动态的、相互连接的整体。在本文中，我们将踏上进入这个激动人心领域的旅程。我们将首先探索其基本的原理与机制，学习如何构建和分析脑网络，以揭示分离、整合以及网络枢纽的关键作用等概念。在此之后，我们将深入探讨其深远的应用与跨学科联系，发现网络视角如何重塑我们对脑部疾病的理解，并为新颖的、有针对性的治疗方法铺平道路。
我们如何才能开始用简洁而抽象的数学语言来描述大脑——那个拥有1000亿个神经元的、惊人复杂、错综且动态的网络？这似乎是一项不可能完成的任务。但物理学家和数学家对此类问题有一个绝妙的技巧：当一个系统过于复杂以至于无法详尽描述时，我们退后一步，寻找其组织中的模式。我们不会去追踪波浪中的每一个水分子，而是描述波浪本身。在神经科学中，我们也做类似的事情。我们（目前）还无法追踪每一个神经元。相反，我们将大脑视为一个网络，即一组组件及其关系的集合。这种视角的转变，从一组独立的区域到一个相互连接的整体，是网络神经科学的基础。
我们的旅程始于一个看似简单的问题：什么是“组件”，什么是“连接”？在网络神经科学中，组件或节点通常被定义为不同的大脑区域。这些可能是大的脑叶，或者更常见的是，源自标准化脑图谱的较小皮层区域。可以把它们想象成我们神经地图上的城镇和城市。
连接或边代表了这些区域之间的通信路径。虽然我们可以绘制物理的、解剖学上的通路（即“高速公路”），但现代神经科学中许多令人兴奋的发现来自于功能连接。利用功能性磁共振成像（fMRI），我们可以测量每个大脑区域随时间的活动。fMRI信号，即血氧水平依赖（BOLD）信号，为我们提供了每个区域的时间序列。如果两个区域持续表现出相似的活动模式——同步上升和下降——我们便推断它们在功能上是相连的。它们在互相“交谈”。
量化这种“交谈”最常用的方法是计算每对区域时间序列之间的皮尔逊相关。这为我们提供了每对区域之间的一个介于-1和1之间的数字。一个大的正值意味着这些区域高度同步（正相关），一个大的负值意味着它们是反同步的（一个上升时另一个下降），而一个接近零的值则意味着它们不相关。
通过对所有区域对进行此操作，我们构建了一张完整的功能连接图，我们可以用一个称为加权邻接矩阵的对称数字表来表示它，我们称之为。矩阵的项是区域和区域之间连接的强度。我们将对角线项设为零，因为我们感兴趣的是区域之间的连接，而不是一个区域与自身的连接。这个矩阵就是大脑网络，被翻译成了图论的语言。它是我们接下来要探索的基本对象。
现在我们有了网络，就可以开始提问了。让我们从局部开始，从单个节点及其直接邻域的层面入手。
一个节点最基本的属性是它的度，也就是它拥有的连接数。在加权网络中，我们经常使用一个更细致的度量，称为强度，即其所有连接的权重之和。一个节点可能度很低，但如果它有几个极强的连接，它的强度可能会非常高。两者都告诉我们一个节点的整体连接水平，这是其重要性的初步线索。
但连接性不仅仅是一个数字游戏。我们可以问一个关于节点邻域的更微妙的问题：一个节点的伙伴们彼此之间也是伙伴吗？想象你是一个节点，你的朋友们彼此也是朋友吗？这个属性由局部聚类系数 捕获。一个高的聚类系数意味着一个节点嵌入在一个紧密结合的社区中，一个小圈子，里面每个人都认识彼此。这是分离的一个基本度量——大脑形成专门化的、密集互联的局部处理模块的趋势。可以把它看作是局部处理效率的度量。如果一个节点的邻居们都在互相交谈，它们可能可以在自己内部完成大量工作，而不必向整个大脑大声呼喊。我们可以将这个思想扩展到一个称为局部效率的度量，它量化了一个节点的直接邻域内信息交换的好坏程度。
从局部邻域放大，我们可以询问网络的全局属性。大脑中任意两个区域，无论相距多远，进行通信有多容易？这就是整合的原则。
要回答这个问题，我们需要路径的概念。路径是连接两个节点的一系列边。在加权网络中，我们不只是计算步数，还要考虑边的权重。一个更强的连接（更高的权重）代表一个更高效的通路，所以我们可以将其“长度”定义为其权重的倒数，。一个强连接是一条“短”路径。两个节点之间的最短路径长度是总长度最小的路径。
通过对网络中每一对可能节点的这些最短路径长度进行平均，我们得到了特征路径长度。一个小的意味着，平均而言，任何两个区域都可以通过一小串强连接进行通信。这个网络是全局高效的。
现在，这里有一个非常优雅的想法。如果我们不平均路径长度，而是平均它们的倒数呢？这就给了我们全局效率。这不仅仅是数学上的修饰；它解决了一个深远的实际问题。如果两个节点位于网络中完全独立、不相连的部分怎么办？它们之间的路径长度是无限的。如果你试图平均这些无限值，你的计算就会崩溃。但无穷大的倒数是零！所以，在效率的语言中，一对不相连的节点对网络的整体效率贡献为零，这完全合乎情理。这使我们能够比较不同大脑的效率，即使它们在不同程度上碎裂成不同的组件。
当我们将局部和全局的图景结合在一起时，我们发现了整个网络科学中最著名的发现之一。大脑是小世界网络。它们比同等规模的随机网络有高得多的聚类系数（分离的、局部模块的证据），但特征路径长度却几乎和随机网络一样短（高效全局整合的证据）。大脑兼具两全其美：它是由专门化的局部邻域组成的集合，但这些邻域在全球范围内却连接良好，这一特性由小世界指数 来量化。这就像一个社会，有紧密联系的家庭和社区，但也有少数人脉广博的个体，他们认识世界各地的人，使得每个人与其他人之间都只有几步之遥。
在任何网络中，一些节点比其他节点更重要。我们称这些节点为枢纽。但“重要”意味着什么呢？
我们已经接触过两个简单的度量：高度的度或高度的强度。但我们可以更加精细。想想社交网络。你的重要性不仅仅在于你认识多少人，还在于你认识谁。这就是特征向量中心性背后的思想。如果一个节点连接到其他本身也具有高中心性的节点，那么它就是高度中心的。这是一个优美的、递归的定义，可以识别出位于有影响力的社区核心的节点。
另一种方法是从效率的角度思考。一个平均而言与所有其他节点都“近”的节点对于通信很重要。这引出了像接近中心性这样的度量。但是，对于不连通的网络怎么办？标准定义会失效。优雅的解决方案是调和中心性，它像全局效率一样，对最短路径距离的倒数求和。如果一个节点到许多其他节点都有短路径，它的调和中心性就高，而且即使网络是碎片的，它也保持定义良好。
还有一种更深层次的“枢纽性”。想象一个枢纽连接到许多其他节点，但所有这些邻居都是外围的，没有其他连接。如果这些邻居被移除，枢纽的度就会崩溃。这是一个脆弱的枢纽。现在想象一个枢纽，它的邻居也连接良好，邻居的邻居也连接良好，形成一个稳健、内聚的集体。这个节点是网络深层核心的一部分。k-核分解是一种找到这些弹性核心的方法。它涉及一个迭代的修剪过程：我们选择一个数字，然后移除所有连接数少于的节点。这可能会导致其他节点的度降到以下，所以我们也移除它们，如此往复，直到所有剩余节点在剩余的组内至少有个连接。一个节点在此过程中存活下来的最大值是它的核指数。高的核指数，而不仅仅是高度，是一个真正具有弹性和影响力的节点的标志，它属于网络中最稳健连接的中心部分。
大脑不仅仅是局部小团体和全局枢纽的随机组合。它具有一种优美的中间结构。我们已经看到大脑被分离成专门的模块，但我们如何找到它们呢？
关键概念是模块化，。其思想是找到网络的一个分区，将其划分为多个社区或模块，使得社区内部的连接比随机情况下预期的要密集得多。为此，我们需要一个零模型——一个关于“随机”是什么样子的基线。标准选择是配置模型，它想象一个具有相同节点和相同度数，但边是随机连接的网络。因此，模块化度量了真实网络中模块内部连接的密度超出这个随机零模型预期密度的程度。最大化这个量是揭示大脑社区结构的有力方法。这与仅仅在网络中寻找“切分”有根本的不同；它是一种对非随机组织的统计搜索。
这就给我们留下了最后一块宏伟的拼图。我们有一个被组织成专门化、分离的模块的大脑。我们还有能够实现高效全局整合的有影响力的枢纽。这两者是如何结合在一起的？答案在于富人俱乐部组织。
如果网络中的枢纽——那些拥有高度数的“富”节点——彼此之间的连接比随机预期的要密集得多，那么就存在一个富人俱乐部。它们形成一个专属俱乐部，一个中央通信骨干。
为什么这如此重要？富人俱乐部架构是大脑解决一个关键工程问题的方案：如何在长程布线的代谢成本与快速、全脑通信的需求之间取得平衡。昂贵的长连接被节约地使用，主要用于连接关键的枢纽。这些枢纽反过来又作为其各自模块的局部信息收集和分发点。这种结构为信息创造了一条高容量的“超级高速公路”。它不仅确保了任意两点之间都有一条短路径；它还确保了通过核心存在许多并行路径，从而允许信息在整个大脑范围内进行大规模、可扩展的广播。许多人认为，这种整合和广播来自分散模块的信息的能力，是灵活行为、复杂认知乃至意识本身的一个关键机制。
从两个时间序列的简单相关性出发，我们穿越了局部小团体、全局高速公路和弹性枢纽，最终描绘出一幅大脑作为一种深刻有序的系统的图景，它在分离和整合之间达到了优雅的平衡，并有一个由枢纽组成的富人俱乐部构成了思想的中央骨干。这就是网络神经科学的力量与美。
有人说，了解一件事物，就是能够将其拆解再重新组装。几个世纪以来，我们一直在拆解大脑——识别它的脑叶、神经核和细胞。但直到最近，我们才开始真正理解它是如何被重新组装起来的。事实证明，秘密不在于部件本身，而在于它们之间的连接。大脑不是一堆独立小工具的集合；它是一个网络，一个错综复杂的通路网，其结构催生了人类思想的交响乐。
通过接纳这种网络视角，我们获得了一个全新而强大的镜头，来审视大脑的功能及其缺陷。我们从简单地清点部件，转向阅读认知的蓝图。接下来，我们将踏上一段旅程，探索这门新科学的非凡应用，从破译精神疾病的奥秘，到设计修复受损心智的精密工具。这就是行动中的网络神经科学。
很长一段时间里，对脑部疾病的研究有点像试图通过寻找一个坏掉的灯泡来理解全市范围的停电。神经学家和精神病学家会发现一个病变——一小块受损区域——却困惑于它为何会导致毁灭性的、广泛的认知崩溃。其影响似乎远大于其原因。然而，当你不再看城市地图，而是开始审视其电网时，这个谜团就迎刃而解了。
大脑的网络，就像一个城市的基础设施，其构建并非均匀一致。它有自己的超级高速公路和关键立交桥——即高度连接的“枢纽”区域，负责在广阔的距离内路由信息。这些枢纽形成一个专属的“富人俱乐部”，一个整合大脑各个角落专门处理过程的通信骨干。现在，想象一下，当一个看似微不足道的小病变恰好击中这些关键枢纽之一时会发生什么。这不像关闭一条安静的乡村小路；这好比关闭一个主要的机场枢纽。损伤虽小，但由此产生的网络混乱是巨大的，导致大脑整体效率出现不成比例的、“超线性”的下降。网络理论的这一单一见解，完美地解释了一个长期的临床难题：为什么患有分散的、在标准扫描上通常不可见的微小梗死的患者，会遭受如血管性痴呆等严重的认知障碍。
我们甚至可以以惊人的精确度模拟这种崩溃。当小血管病造成损伤时，它会做两件事：切断连接，并减慢剩余信号的传播速度，就像一根受损的电缆既会丢失信号又会引入延迟一样。通过将一个关键的大脑回路建模为一个简单的图，我们可以计算这些损伤如何显著增加信号必须行进的“路径长度”，并降低网络的整体“全局效率”，从而在结构性损伤与执行功能障碍综合征中观察到的思维迟缓和精神不灵活等临床症状之间建立了直接的、定量的联系。
这种网络观点对于理解大规模脑系统之间的精妙协作尤其有效。我们大部分的精神活动都由三大网络的相互作用所主导：默认模式网络 (DMN)，即我们大脑的“白日梦”系统，在我们进行自我反思或思绪漫游时活跃；中央执行网络 (CEN)，在进行专注的、目标导向的任务时参与；以及突显网络 (SN)，它像一个总指挥，检测重要事件并在DMN和CEN之间切换大脑的活动。许多脑部疾病都可以被理解为这种错综复杂的协作出现了故障。
例如，在行为变异型额颞叶痴呆中，疾病优先攻击突显网络的枢纽，如前脑岛。指挥官病倒了。它再也无法有效地将大脑从其内部的DMN状态切换到任务专注的CEN状态。结果便是冷漠、冲动和共情能力丧失等令人心碎的临床表现，因为大脑“卡”在了某个特定的网络模式中。在其他疾病中也可能发生类似的崩溃，例如轻微肝性脑病，血液中的毒素会干扰大脑功能。在此情况下，DMN与注意力网络之间清晰的反相关——即健康的推拉动态——消失了，导致“白日梦”网络不当地侵入专注任务，从而引起注意力不集中。
该框架甚至可以扩展到精神疾病。在像躯体症状障碍这样的疾病中，患者会经历对身体感觉的衰弱性专注和反复思虑。网络神经科学与贝叶斯大脑等计算理论相结合，提出了一个引人入胜的机制。负责标记重要信号的突显网络变得过度活跃，并与默认模式网络病态地耦合。这产生了一个反馈循环：一个微小的身体感觉被SN赋予了过度的“精度”或重要性，这接着捕获了DMN，迫使其陷入关于该症状的自我指涉性反复思虑的循环中。大脑简直就是卡在了思考自身噪音的循环里。
最后，网络视角使我们能够以新的方式来描述大脑的组织。一个健康的大脑是高度模块化的，就像一个运营良好的公司，拥有可以独立高效工作但也能无缝沟通的专门部门。一个网络的“模块化”程度，一个我们可以计算的值，衡量了它被划分为这些密集的、内部连接的社区的程度。研究表明，在自闭症谱系障碍等情况下，这种模块化结构可能会发生改变。较低的模块化可能反映了一个功能社区界限不清的网络，可能导致专门化处理和全局整合之间的平衡发生变化。
也许网络神经科学中最令人兴奋的前沿领域是从观察转向干预。如果我们拥有大脑的布线图，我们能用它来进行更智能的修复吗？答案越来越肯定是“能”。
考虑一下耐药性癫痫这个毁灭性的问题。癫痫发作通常被描述为在大脑网络中传播的“电风暴”。传统手术可能会试图切除风暴开始的组织。但网络方法提供了一种更微妙、更强大的策略。我们不只是移除癫痫的“源头”，而是移除癫痫传播所必需的关键节点，这样如何？利用从扩散磁共振成像重建的患者特定大脑布线图，我们可以识别出那些移除后能最有效地分割癫痫网络并控制发作的关键枢纽。在一个卓越的网络控制理论应用中，我们可以模拟消融不同目标（例如使用激光间质热疗LITT）的效果。目标是找到能够最好地降低网络“同步能力”——即其陷入癫痫病理节律的内在倾向——的干预措施。这使得患者特异性的手术规划成为可能，有望在减少附带损伤的同时取得更好的结果。
这种工程思维也彻底改变了药理学。我们通常用简单的“一把钥匙开一把锁”的模型来思考药物。但大多数精神药物更像是万能钥匙，与多种受体靶点相互作用。系统精神药理学旨在理解这些多靶点效应如何在整个大脑复杂、互联的网络中发挥作用。药物的效果不是其单个作用的总和，而是它如何扰动整个动力学系统而产生的涌现属性[@problem-id:4713838]。
例如，这解释了治疗路易体神经认知障碍的药物的微妙效果。患者通常同时存在注意力和记忆力缺陷，但胆碱酯酶抑制剂（能增加神经递质乙酰胆碱）却优先改善注意力。为什么？一个网络控制模型给出了答案。大脑的注意力网络受到胆碱能系统的密集支配，因此高度受其“可控”。而记忆回路则不然。因此，药物在其对网络动力学有最大杠杆作用的地方产生最大效果。这就像推秋千：在正确的时间和地点推，才能获得最大的效果。通过将大脑建模为一个控制系统，我们可以开始预测哪些药物对哪些网络问题最有效，从而为一个理性精神药理学的新时代铺平道路。
脑网络数据的巨大复杂性促使神经科学与其他学科（特别是计算机科学和数学）之间产生了富有成效的结合。分析一个拥有数千节点和数百万连接的网络需要新工具，神经科学家现在正在借鉴并共同开发来自人工智能领域的复杂方法。图神经网络（GNNs），一种为处理网络数据而设计的AI，正在被应用于大脑连接组。这些方法背后的数学，如谱图论，提供了深刻的见解。例如，使用切比雪夫多项式逼近设计GNN滤波器揭示了网络通过执行“局部化”操作来学习——从节点的直接和近邻收集信息。这不仅使计算变得高效，而且也反映了大脑自身的局部和层级处理原则。
除了提供新工具，网络视角还迫使我们修正旧观念。几十年来，神经解剖学一直被“边缘系统”的概念所主导，该系统被认为是大脑统一的情感中枢。网络科学已经证明，这个想法是一个优雅但最终不正确的过度简化。通过追踪实际的连接并观察其破坏所带来的特定功能后果，我们可以做出更清晰的区分。例如，证据清楚地表明，作为经典边缘系统核心部分的Papez回路主要参与情景记忆。相比之下，恐惧条件反射依赖于一个以杏仁核为中心的不同回路。临床上双重分离的证据——即损伤一个回路会损害记忆而非恐惧，而损伤另一个回路会损害恐惧而非记忆——为统一的边缘系统观念敲响了丧钟。取而代之的是，我们有了一个更准确、更优美的图景：由不同但相互作用的子网络组成，这些子网络不是由模糊的邻近关系定义，而是由其布线的精确逻辑定义。
深入大脑连接组的旅程，在许多方面才刚刚开始。然而，它已经改变了我们对心智的理解。它向我们展示了一个世界，在这个世界里，结构与功能、分子与思想，被编织在同一块统一的织物中。这是一门用活生生网络的动力学取代大脑部件目录的科学，这样做，它不仅有望解释大脑，而且也许有一天，能真正理解它。