我們的大腦就像一個繁忙的都市，數以億計的神經元如同城市中的居民，而神經元之間的連接則構成了錯綜復雜的街道網絡。正是這些連接讓信息得以流通，讓思想得以形成，讓情感得以表達。然而，這個都市的運作機制復雜而神秘，它的每一個角落都充滿了未知。大腦連接性的研究，就像是探索這座城市的地圖，試圖揭示那些讓城市運轉的隱藏路徑和秘密通道。

在Brain Connectivity雜志舉辦的“大腦連接性”主題圓桌討論中，意識研究領域知名神經學教授Steven Laureys與7位大腦連接性研究領域的杰出科學家們Marc Raichle、Karl Friston、Susan Whitfield-Gabrieli、Jennifer Whitwell、Vince Calhoun、Linda Douw和Melanie Boly教授開展對談，分別圍繞靜息狀態網絡、動態因果模型、精準網絡治療、大腦連接性測量、多模態整合與獨立成分分析、大腦網絡與神經腫瘤學研究、昏迷狀態意識測量及大腦可塑性節律研究等方面的最新研究成果和見解，共同探討了大腦連接性領域的過去、現在與未來。

為便于閱讀和理解，追問編輯對部分問題和文字進行了修改。

主持 · Host

Steven Laureys

比利時列日大學神經學教授

比利時列日大學神經學教授、意識科學中心主任，世界神經病學聯合會昏迷和意識障礙研究組主席。專注于昏迷和意識障礙的神經機制研究。代表性論文:"Brain function in the vegetative state" (2004).

靜息狀態網絡

嘉賓 · Speaker

Marc Raichle

華盛頓大學神經學教授

美國華盛頓大學圣路易斯醫學院神經學教授，PET（正電子發射斷層掃描）成像領域的先驅，神經科學研究中的功能連接與腦血流動力學的專家。他的研究揭示了靜息狀態下大腦活動的重要性。代表性論文: "A default mode of brain function" (2001).

Steven Laureys：請問Marc Raichle教授，您認為我們對靜息狀態網絡的認識最重要的進展是什么？這些認知如何促進了我們對大腦功能和病理的理解？

Marc Raichle：對大腦靜息狀態網絡的認識可以追溯到幾十年前。20世紀50年代，Nina Aladjalova首次描述了大腦中的超慢波活動（Aladjalova，1957）；其后，Werner和Vernon Mountcastle發現了皮層活動與對連續活動的反應性變化（Werner and Mountcastle，1963）；再到Seymour Mety和Lou Sokolof的開創性論文，使用Kety測量技術發現了大腦一直存在持續活動及其能量消耗——這些都是理解大腦內在運作的關鍵歷史節點。

雖然彼時我們并不清楚其中原理，但后續研究就此鋪展開來。當我們測量各種腦任務時，關注的焦點往往是能量的變化。然而，問題在于：“活動的基線水平是怎樣的？”我們是否可以假設存在一個基線，即當身體沒有改變時，“單純插入”其他任務時大腦的活動，所觀察到的差異正是“插入”活動引發的。于是，我開始逆向做減法。而令我驚訝的是，各種各樣的跡象表明，在執行任務之前，大腦就一直在進行一些非常重要的活動，無論是從神經生理學還是能量消耗的角度來看。

在此之后，Bharat Biswal提出，大腦整體上以一種有節奏的方式進行，那么“噪音是什么，它與大腦其他部分的活動有何關系？”反思這些研究，讓我的職業生涯很幸運地遇到了“大腦可能真正在做什么”這一類重要問題。

我認為，觀察靜息狀態下大腦如何運作與大規模整合，以及大腦與身體的關系，這些研究非常有趣。從治療的角度來看，了解大腦如何運作，以及我們如何維護它，具有極其重要的意義。而這涉及一個事實——大腦網絡之間存在這種持續的對話，這種對話可以是單向的，也可以是反向或者雙向的。

最近有一篇論文，是我在斯坦福大學工作期間的研究生Anish Mitra做的。斯坦福大學團隊開發了一種頭盔，它可以產生經顱磁場，立體地定位大腦的特定區域。他們首先觀察到的是，難治性抑郁癥患者的前額葉皮層和其他區域之間的對話與正常人相反，因此可將其作為治療靶區，逆轉這一過程以治愈抑郁癥，這一結果不久前發表在PNAS上。這讓我想起了我在精神病科當醫學生時看到的電休克療法，這種相對粗糙的療法至今仍在使用，我們不太了解它到底能達到什么效果，但仍認為它是有效的。

我在想，如果我們能基于大腦的持續活動和這些網絡之間的對話，以更精細的方式處理這些問題，這會帶來一場醫學革命。我們獲得大腦持續活動有關的信息，轉化為對大腦疾病的理解——精神病學關注的就是這類事情。無論如何，我很榮幸能以某種方式見證這一切進展，以及所有這些正在進行的研究。

動態因果模型

嘉賓 · Speaker

Karl Friston

英國倫敦大學學院神經影像學教授

英國倫敦大學學院神經影像學教授，理論神經科學的領導者，貝葉斯推理和自由能原理的開創者，對大腦功能建模、預測編碼和功能連接的研究具有深遠影響。代表性論文: "The free-energy principle: a unified brain theory?" (2010).

Steven Laureys：作為統計參量映射（SPM）自由能原理的提出者之一，Karl Friston開發了動態因果模型，幫助我們理解大腦的連接和功能。Karl，憑借您多年的經驗，您如何看待我們為了支持臨床、理解大腦而取得的方法論和理論模型方面的進展？

Karl Friston：有兩類源于神經心理學的問題視角——功能定位和整合。一種視角是從功能分區的角度看待大腦，由此產生了大腦分區制圖問題。而另一個重要視角，則是為了理解分布式處理而提出了功能整合的概念。在我看來，功能整合對于理解精神分裂癥的腦部掃描數據非常重要。

如動態因果建模等技術工作的前身，也曾專注于功能整合和分布式處理，如Randy Macintosh 的結構方程模擬研究，其他人研究格蘭杰因果關系（Granger causality）。而我們則提出了這樣一個問題：我們能否超越制圖學，去理解支持大腦區域整合的不同區域之間的耦合或連接，以及它們如何相互協調？

我參與的大部分研究，本質上就是提供一種表征功能連接的方法，即不同大腦區域或來源之間的定向連接方式。簡而言之，這就是動態因果建模，即根據數據建立一個生物物理上合理的模型，以此說明神經元如何起作用以及神經元之間如何相互影響。

我的關注點在于，神經元的功能表征與神經病學和精神病學有何相關性？顯然，許多神經和精神疾病現在可以用“一種惡性突觸病變”來描述。而我則認為，這是對神經病學和精神病學功能整合失敗的錯誤描述。事實證明，整合失敗是一種更微妙的“斷聯”（disconnection）——從某種意義上說，它主要是指突觸連接的失敗，特別是神經調節機制中突觸調節效能的失敗。其病理機制可能包括從經典的神經調節遞質系統，到錐體細胞與抑制性中間神經元之間的快速同步交換。

因此，大腦連接性可以作為一種應用于大腦功能整合的方法或原則。你可以在體地檢測突觸的完整性及其因精神疾病或干預、藥物或經顱磁刺激（TMS）等引起的變化。我熱切希望看到這些非侵入性工具，能夠整合用于突觸的整合和效能的檢測，以加深我們對神經可塑性及其調節的分子生物學的理解?？偟膩碚f，我認為大腦連接性是一種工具，它為理解精神病的機制提供了另一個視角，幫助我們從認知和心理治療的角度來認識問題，并結合功能基因組學、腦刺激等方面的進展來開展研究。

精準網絡治療

嘉賓 · Speaker

Susan Whitfield-Gabrieli

麻省理工學院腦與認知科學系研究員

美國麻省理工學院（MIT）腦與認知科學系研究員，認知神經科學家，專注于使用fMRI技術研究精神疾?。ㄈ缫钟舭Y、焦慮癥和精神分裂癥）中的功能連接和網絡異常。她的研究推動了神經影像學在臨床應用中的發展。代表性論文: "Hyperactivity and hyperconnectivity of the default network in schizophrenia and in first-degree relatives of persons with schizophrenia" (2009).

Steven Laureys：Susan Whitfield-Gabrieli教授，您如何看待和理解精神障礙以及大腦連接相關的生物標志物在診斷和治療疾病方面的潛力？

Susan Whitfield-Gabrieli：就大腦連接性的未來而言，我認為，這在很大程度上取決于大腦網絡的可塑性研究，以及將這些網絡用于精準網絡治療的可行性。在我們的案例中，我們一直在使用實時fMRI神經反饋來向每個個體（主要是精神病、焦慮和抑郁癥患者）展示如何調節他們自己的網絡。對患者和研究人員來說，這都是非常有益的，因為它賦予了這些患者自主權，而不是貿然接受藥物、經顱磁刺激 （TMS）、深部腦刺激（DBS）或任何其他形式的治療。那些治療可能會讓他們感覺自己只是被動接受，而精準網絡治療讓他們有機會成為自己健康的主導者。

它還使我們能夠通過神經反饋在網絡層面調節神經動力學。這可能是一種比單個區域或解剖學上未限定的藥物干預的神經調節，更有效的神經調節方法。這種精準網絡療法，不僅看到了臨床癥狀的緩解和注意力的提高，而且可以通過實時fMRI神經反饋對這些靜息狀態網絡進行治療。我認為，未來使用內在網絡連接還會有助于精準精神病學，也就是說，你可以形成特定的擾動指數，觀察擾動前后的網絡連接的變化。這種擾動，可以是實時FMRI、神經反饋、TMS或選擇性血清素再攝取抑制劑 （SSRI）等任何形式，而其理念是，在擾動之前和之后進行靜息狀態測量，觀察該特定擾動的可塑性、彈性或靈活性（如果您愿意的話）。從長遠來看，這可能是治療效果的最佳預測指標。

已經有一篇論文表明，大腦連接性的變化可以用于預測抑郁癥的服用SSRI 5小時后的治療效果。雖然這僅是一篇論文，但我認為“應用靜息狀態網絡連接”這個概念非常出色。此外，當個體可能處于生理脆弱的狀態時，使用實時fMRI來觸發個體的靜息狀態網絡，我們也對此很感興趣。

想象一下，使用實時fMRI來跟蹤默認模式網絡，你可以詢問這個人正在經歷什么，由此觸發fMRI采樣；如果能繼續追蹤個人的默認網絡，并一次又一次地觸發，直到得到一系列經驗抽樣問題，基于這些問題就可以追溯既往的連接矩陣、fMRI以及生理狀態，然后就可能為之建立一個預測模型。這樣，就可以識別先于特定心理特征或臨床癥狀出現的個人神經網絡特質，然后構建可擴展的預測模型從而及時觸發自適應干預。這讓我看到了大腦連接性的美好前景。

大腦連接性測量

嘉賓 · Speaker

Jennifer Whitwell

美國梅奧診所神經病學研究員

美國梅奧診所（Mayo Clinic）神經病學研究員，專長于使用MRI研究神經退行性疾病，尤其是阿爾茨海默病、額顳葉癡呆和其他相關腦病變。她的研究揭示了腦結構變化與認知衰退之間的關系。代表性論文: "Neuroimaging correlates of pathologically defined subtypes of Alzheimer’s disease: A case-control study" (2012).

Steven Laureys：Jennifer Whitwell教授，請問在退行性疾病領域，您認為大腦連接性測量發揮了什么作用？

Jennifer Whitwell：我長年關注臨床轉化方法以及神經成像技術的使用，“大腦連接性”是我過去20年一直在進行的研究的一部分。

在進行性失語、言語和語言障礙的研究中，其中一些疾病癥狀是相互重疊的，為此我一直在使用包括靜息態連接性和擴散張量成像方法等大腦連接性方法進行研究。我認為，大腦連接性的其他方面——結構連接性以及如何將結構和功能連接性結合在一起，值得討論。

在阿爾茨海默病方面，我們一直在研究不同表型阿爾茨海默病患者的腦網絡是如何退化的。阿爾茨海默病的臨床表現可能存在許多相似和差異之處，例如常規模式網絡的變化，在所有阿爾茨海默病變體中都很常見，但每種變體都有自己特定的網絡。我認為，將來需要更好地理解這一點，以及為何會發生這種情況。我們還研究了這些網絡內部以及網絡之間的連接是如何中斷的。在這些不同的疾病中，不同網絡之間存在許多不同的活動部件以及連接的增加或減少。

進行性核上性麻痹（PSP），相比阿爾茨海默病稍微簡單一些，我們能夠使用白質纖維束成像以及靜息狀態來顯示PSP中一條比較明確的腦網絡，該網絡以齒狀核丘腦束為中心，從小腦齒狀核開始，向上進入腦干到達皮質。使用這些技術可以反映出該束的功能和結構退化，與失語癥患者類似，我們看到一些局部的連接中斷模式。

我現在和未來最感興趣的主題可能是，神經連接如何參與這些不同神經退行性疾病的發病機制。

這有很多不同的研究視角，其中之一是它如何控制疾病進展。目前有很多研究正在研究大腦連接性與這些疾病中的蛋白質沉積之間的關系。我們也已開展了研究，我們發現連接性決定了蛋白質如何在大腦中發展，并決定了這些患者的其他癥狀。那么，大腦連接性與表征易感性有何關系？為什么某些類型的阿爾茨海默病影響視覺網絡，而另一些類型影響語言網絡，連接性在其中起著什么作用？為此，我們需要確定疾病進展與機體易感性，以及為什么這些患者會有不同的臨床表型。

另一個有意思的主題是，了解功能連接與許多其他的成像模式之間的關系，以便進行大量的多模態分析。我們已經證明，功能連接中斷與部分患者的腦萎縮速度有關，它決定了患者大腦退化的速度，這可能會產生非常嚴重的臨床后果。如果可以根據基礎連接性，預測患者未來會發生什么、可能的退化速度以及發展為綜合癥的可能性，這會對臨床非常有價值。

疾病通過大腦網絡傳播，而找到功能連接與結構連接之間的真正關系，證明這是一個網絡，并理解它們如何參與疾病進展、決定臨床癥狀，仍有難度。我們可以用PET方法測量蛋白質，例如，可以測量tau蛋白和腦內淀粉樣蛋白，觀察tau和功能連接之間的關系，以此支持功能連接決定疾病進展的觀點。

最后說說生物標志物。我們是否可以使用功能連接作為標志物？我認為我們距離這個目標可能還差得遠。那么，我們能否將連接性用作某種個體層面的生物標志物，以追蹤或預測患者的變化？這更具挑戰性。因為在個體層面，連接性的變化性可能很大。我認為，還需要進一步研究，以確定如何更好地利用連接性進行個體預測或診斷。

所以，總的來說，多模態方法可以用來研究連接性如何影響不同的神經退行性疾病的發病機制。

多模態整合與獨立成分分析

嘉賓 · Speaker

Vince Calhoun

三院聯合腦成像與數據科學中心主任

美國佐治亞州立大學、喬治亞理工學院和埃默里大學聯合腦成像與數據科學中心主任，多模態成像與獨立成分分析（ICA）領域的專家，開發了多種神經影像數據處理工具，廣泛應用于精神病學和認知神經科學研究。代表性論文: "Independent component analysis of functional MRI: what is signal and what is noise?" (2001).

Steven Laureys：請問Vince Calhoun教授，您如何看待大腦連接研究中多模態整合的挑戰？

Vince Calhoun：作為一名電子工程師最終在精神病學領域工作，我真正參與的是一些獨立成分分析（ICA）的工作，就是將數據視為時間序列、信號或圖像，然后我們尋找模式、追溯來源，諸如此類。數據中有很多東西值得挖掘。我們不知道發生了什么，于是我們使用高階統計數據來嘗試識別、分離這些信息中的信號，最終它們看起來像大腦網絡。

我關注的，是如何用數學的方法來做研究。最初，我們很難從數據中得出任何推論。于是我們采用一些方法，為數據驅動的方法提供某種推理框架，這就是群體ICA方法和其他方法背后的原理，即在一個共同的框架內做出個性化的推理。

我們也開始用多模態數據建立公式，用ICA即“基于源數據的形態測量”來進行研究。本質上，觀察不同受試者的灰質體素的共變時，如果數據充足，就會發現非常接近靜息網絡的模式（并不完全相同，也沒有那么具體）。我們可能通過靜息功能性磁共振成像(FMRI)中得到兩到三個代表模式。這真的很有意思，它讓我開始更多地了解事物的多模態，并嘗試從這些信息中學到什么。

我們擁有如此多的臨床、行為數據，結構連接和功能連接，立體基因組數據等各種各樣的信息，所有這些都應該被整合起來以便從中學習。但是，這些數據有很多噪聲，如何才能做到這一點？

我們可以根據統一的框架，考慮高階統計量，使用多變量方法，并嘗試提取這些模式。例如為了了解臨床狀況下或發育中或衰老的大腦，我們采用了一些方法，嘗試將數據驅動的方法與先驗結果結合起來，并將這些方法自動化，以重新預測或描述正在發生的事情。

我認為這是一個循環：試圖回答某個特定的問題，嘗試去除數據中的噪聲，努力分辨什么是信號以及其相關特征。如果用不同的方法進行，會得到略有不同的答案。那么，哪一個是正確的？如何將所有這些匯總在一起？我們一直在不斷地重復這個過程，至少在我的職業生涯中是這樣。

那么，將功能連接與理論模型結合起來獲得所謂的基礎模型，就能打通一切，從數據中抽取所有關系并以某種方式來切分數據嗎？我認為我們還沒有到那一步。我們需要學習的東西太多了，如何設置模型，輸出什么，起到決定性作用。但我認為，這種靈活建模、多變量建模、深度神經網絡等方式，確實會幫助我們在這個領域取得進展。

需要提醒的是，我們現在看到的結果中有很多噪音，我們需要過濾掉它們。我們必須在獨立數據中驗證這些結果，確保這不是通過挖掘數據的偽發現。現在有太多數據了，一不小心就會形成偏見，而偏見可能會自行延續。如果我們不能避開數據偏倚，就永遠找不到任何新東西。

大腦網絡與神經腫瘤學研究

嘉賓 · Speaker

Linda Douw

阿姆斯特丹自由大學研究員

荷蘭阿姆斯特丹自由大學醫學中心神經腫瘤學研究員，致力于腦網絡功能的研究，尤其是在腫瘤、癲癇和其他神經病理學中的網絡重組及其對認知功能的影響。她的工作結合了功能連接性和結構性網絡分析。代表性論文: "Functional connectivity and cognitive decline in patients with glioma" (2015).

Steven Laureys：請問Linda Douw教授，大腦連接性對臨床有何幫助？您認為未來將如何發展？

Linda Douw：作為一名臨床神經心理學家，我感興趣的問題是：許多腦部疾病患者，尤其是腦瘤患者，他們的腦部有非常明確的病變，但他們的認知缺陷卻各式各樣，因腫瘤而出現的其它癥狀至今仍很難理解。那么，人們患上腦瘤后大腦連接性（主要是生理連接性）會如何變化？

我認為，病例-對照研究非常重要。近年來的大量研究表明，沒有兩個個體是一樣的，個體差異是我們行為不同、成為個性化人類的根本原因。若忽視這些差異，即使在健康情況下，將在某種程度上掩蓋我們需要關注的相互作用。

腦瘤實際上也可能是由于連接模式變化而產生，或者至少這兩者之間存在關聯。Michelle Monje 的開創性工作，發現了大腦連接與腫瘤生長之間存在相互作用的證據，突觸連接和活動決定了腫瘤生長緩慢還是快速，這意味著大腦中的連接模式直接影響腫瘤是否生長（Venkatesh等，2015）。當然，這很復雜，由于連接性的原因，患者在認知和其它功能的表現也會受到影響。

近年來，我們一直在以各種方式研究這種多維的連接網絡。一方面，有基于fMRI、腦磁圖-腦電圖（MEG-EEG）和結構連接的標準連接，以及行為層面的連接網絡。癥狀很少單獨出現，因此我們還需要在個人行為的更大層面上考慮一種行為與連接模式簡單關聯之外的復雜性。另一方面，我們也在研究細胞模式。腦腫瘤細胞群體非常獨特，我們正在研究大規模大腦網絡背后的細胞學原理或特征。

說到未來，我認為計算機建模將變得越來越重要。我們都在尋找預測因子或標志物，可以首先測量大腦網絡或大腦連接，并預測患者是否會對治療或TMS有反應。在這方面，建立一個計算模型，模擬各種干預、擾動或疾病進展后的變化，將幫助我們開展現在無法做的實驗。

在神經腫瘤學領域，我們無法在腫瘤發生之前測量大腦網絡。但研究發現腫瘤常發生在健康人高度連接的區域，我們或許可以借助計算機建模，通過某種方式回溯到確診之前，以更好地了解疾病發病過程。

當我們試圖通過不同的療法干預這些患者時，非常重要的是開發自適應模型，它們能夠基于結構生成功能，生成的功能反過來也可以影響結構本身，類似大腦的工作方式。

改變功能連接，其底層結構也會隨之改變。這在目前的計算機建模中很難做到。但對此有所了解，將有助于我們模擬所有這些患者的疾病進展和干預措施。目前來自健康受試者或者疾病與障礙人群的龐大數據集有很多，但對于一些較罕見的疾病類型來說，就比較難了。擁有一套虛擬工具，確實可以在這方面有所幫助。這是我對未來的期望。

昏迷狀態意識測量

及大腦可塑性節律研究

嘉賓 · Speaker

Melanie Boly

比利時列日大學意識科學中心研究員

比利時列日大學意識科學中心研究員，牛津大學神經學講師，專注于意識與昏迷的神經機制研究，特別是使用功能影像技術來探索意識狀態的生物學基礎。她的研究推動了昏迷和意識障礙領域的進展。代表性論文: "Consciousness in the absence of behavior: insights from neuroimaging" (2013).

Steven Laureys：我們一直都對意識和神經成像很著迷。那么，如何通過研究大腦連接性，來更好地理解我們的內在、思想、感知、情感和意識背后的神經代碼？

Melanie Boly：為了研究昏迷，我們觀察了腦損傷患者對刺激的反應并收集了其意識水平指標相關數據。后來，Marcus Raichle和 Bharat Biswal等學者靜息狀態的研究給了我們靈感，大腦會自發地做很多事情，其內在活動似乎比“刺激反饋“這個解釋要大得多。我們猜測，這也許與意識有關。

為此，我們開始深入研究這個問題。我們發現，昏迷、麻醉或睡眠狀態下的患者，其靜息狀態連接性似乎顯著下降。我們試著用不同的技術，不僅研究連接的數量，還研究其結構，即“將整合和分離結合起來”。結果發現，大腦中的分化和整合實際上比單獨的連接量更能預測意識，并且反饋對于意識連接的重要性也很明顯。對EEG進行動態因果建模研究發現，無論是在昏迷狀態還是在麻醉狀態下，反饋連接性都會下降；后來，在睡眠期間有著類似的發現。由此可見，大腦中保留的反饋連接對意識可能非常重要。

我們還開發了一些能夠相對可靠地預測個體意識的新工具——一種高精度意識檢測器，可用于測量患者有意識或者無意識，及時在睡眠、麻醉、昏迷等不同狀態下都能準確近乎完美。它結合了經顱磁刺激與高密度腦電圖，能夠在與意識相關的神經元相互作用的時間尺度（數百毫秒）內，同時拾取大腦連接的分化和整合信號。在驗證數據集中，我們可以100%辨別受試者是否有意識（例如在睡眠、麻醉或局部腦損傷后），并且能夠檢測到94%的處于微意識狀態的患者。

我們可以嘗試將這一工具用到ICU場景，以揭示大腦內在活動的結構和組織，以診斷隱蔽的意識并監測患者的恢復情況。另外，我們的團隊也在試圖了解何種類型的連接（長距離、短距離、丘腦皮質）是維持大腦高復雜性所必需的，以便找到喚醒昏迷患者的干預措施，改善臨床結局。

另一件事也非常重要，將在微觀層面上的神經可塑性機制與在大規模網絡中觀察到的神經活動聯系起來。在過去十年中，動物研究已經得出了相當確鑿的證據，突觸水平的可塑性在很大程度上受到睡眠和清醒交替的調節。對我來說，將其與正常大腦和各種疾病中更大規模的網絡變化聯系起來會非常有趣。如果我們能更好地理解這些機制，不僅可以更好地了解神經調節療法的應用，還可以了解一天中不同時間確切的神經調節參數，這些參數可以改善與腦健康相關的可塑性變化。

在這樣的轉化醫學背景下，在多模態層面上更好地理解大腦確實很重要。不僅要使用前面提到的多模態結構和功能MRI，還要結合EEG-高密度EEG、顱內EEG數據，從而建立統一的機制模型。我認為，這有助于找到最佳干預措施，適當調控大規模網絡、發現個性化的治療方法。而將這些模式連接在一起的方法，就是生物物理信息模型，如動態因果模型或其它生物學信息計算模型（例如Giulio Tononi和Sean Hill構建的模型）。

我們堅信，大腦的內在活動及意識的存在，與智力有著緊密的聯系。我們所經歷的大部分事情，不僅僅是通過與某些刺激互動而觸發——人類遠不止于此。要更好地理解大腦內在活動與我們的感受、我們所擁有的體驗之間的聯系，還有很多工作要做——例如，通過系統的經驗采樣并將現象學與大腦連接指標聯系起來。這不是概念組合，它對患有神經系統疾病或精神疾病的患者也很重要。我們越了解大腦組織及可塑性機制，我們就越能將這些不同類型的內在體驗映射到我們觀察到的大腦網絡中。

多年來，人們非常重視遠距離神經連接和大規模靜息狀態網絡。對我來說，研究意識與局部組織模式之間的聯系，也很有趣并具有臨床意義。我們不僅試圖改善患者的智力功能，還試圖改善他們的生活質量，并了解如何讓他們總體上感覺更好。整合統一模型，對于整個意識科學來說十分重要。隨著越來越多的研究轉向臨床轉化，我們可以一起做更多事情，不僅幫助患者行為的恢復，還可以改善腦病患者的生活質量。

彩蛋：在大腦連接性研究中，

遇到的最大的挫折是什么？

Steven Laureys：我認為，我們像是技術的“奴隸”，卻沒有真正需要的技術。雖然我們有結構和功能MRI、PET成像、MEG、EEG、高密度TMS等技術手段，然而我們無法捕捉到神經元-遞質混合物中數千億個突觸的動態。對我來說，觀察間接的測量結果并試圖理解它非常令人沮喪，即使我們采用多種模式。當然我們也可以用動物實驗數據——我們今天幾乎沒有討論到。這就是我的沮喪之處，希望工程師們能制造出更好的設備。

Vince Calhoun：同意。當我們處理人的大腦成像時，我們距離想要研究的內容還很遠。也許大腦植入技術會有所幫助？我不知道腦機接口（BCI）之類的東西如何。技術在不斷發展，出現了一些非常豐富的MR脈沖序列，可以在單位時間內提供更多信息，然后使用先進的模型從中提取信息。但這仍然非常宏觀。我想我可能還會再說一兩個新技術，即便有助于了解大腦反饋，但是我們能說這里面有因果關系嗎？顯然，干預并看到結果，這可能是我們最接近的結果。我們看到的都是各種相關性，但除了數據，我們還有很多想驗證但無法驗證的東西。所以，這方面需要發展。

我認為，存在一種嵌入式的循環……比如，如果只考慮動態化，大腦中就有很多動態。我認為，我們還沒有完成真正的建模。你可以將動態模型嵌入到數據中，你可以只查看宏觀尺度上的動態，但這兩者之間依然存在鴻溝。根據嵌入的模型，你會得到很棒但差異化的結果。也許我們需要融合模型，而不是融合模態？我們做出了很多選擇，目前還不清楚最終會發現什么。那么，我們如何對所有這些結果進行優化？

Jennifer Whitwell：有一件事讓我感到沮喪，我希望聽聽大家的意見。那就是如何應對腦萎縮。如果人們患有相關疾病，大腦就會萎縮，然后你觀察神經連接，會發現連接性降低或其他什么的。你如何確定其中有多少是由于萎縮造成的，審稿人總是問這個問題，是萎縮造成的嗎？或者它是獨立出現的？處理腦萎縮很有挑戰性，你可以把體積作為協變量，但我不知道這是否真的能解決問題。

所以，我很想聽聽大家對這個問題的看法：當大腦萎縮這么多時，你如何確保你測量的是連接性，而不是剩下的健康組織更少了？我認為這是一個復雜的問題，很難處理，其他人對此有什么看法？顯然，這可能是退行性疾病特有的問題，因為患者的大腦萎縮嚴重。但總體而言，結構變化是存在的，因為你可能正在研究兩個過程之間的相關性，或者其中一個過程可能由另一個過程驅動，我不知道如何區分這些可能性。

Melanie Boly：一些來自癲癇或腫瘤患者的新數據，用神經外科的腦組織切片分析得到了一些詳細的病理結果，這些區域在微觀層面上存在的神經連接類型。大多數情況下，這些患者還進行了術前功能性MRI，例如解剖MRI。然后您可以直接比對。例如，癲癇患者的某些大腦區域可能萎縮，而其他區域則不會萎縮，并且通常幾乎整個大腦的MRI信號都會出現廣泛的變化。我認為這種結合宏觀和微觀尺度的數據，不僅對癲癇或腫瘤患者非常有用，而且有助于了解功能性和結構性MRI信號的含義，以及如何將這些不同的尺度的數據聯系起來。

Linda Douw：我感到沮喪的一點是，我們認為一切都應該是獨立的，這又與連接性的概念相矛盾。我完全同意我們應該排除人造結果并盡量減少它們，確保我們多次測量的一致性。然而，目前仍有空間來拓寬我們所做事情的認識論視野，而不是試圖以因果或獨立的過程來思考。理應更多地按照定義將其視為始終復雜且相互關聯的東西，在各個方向上都是如此。有時，人們很容易將連接性視為，將某種行為歸因于某種連接。在我看來，這種思維似乎破壞了大腦連接性的概念。所以，我想說，讓我們也擴展一下萬事萬物都是相互關聯的這一想法，我們需要一個框架來讓我們把所有東西都放進去。

Susan Whitfield-Gabrieli：我認為我最大的挫折之一是，盡管我們取得了巨大的進步，但我們仍然沒有在精神病的治療方面取得大的進展，這是我最大的挫折。

Vince談到了“從關聯方法轉向因果方法”。我認為實現這一點的途徑之一是，雖然受試者間的變異確實很有趣，但如果我們除了研究這些大型模型之外，還可以進行互補設計。這將對個體進行更深入的表型分析，得到一個大型和多模式的個體特異性表型分析，這樣你就可以從身體、心理和大腦中獲得測量數據。如果你把所有這些方法結合起來，從生物學上進行經驗采樣，真正獲得個人的經驗、完整的經驗，那么你就可以回到過去，在你實時獲取的數據組合與隨后的心理特征或臨床癥狀之間建立預測性的、真實的因果關系。這樣，就有可能建立個性化的、個體化的治療方法。所以我想看到更多的深度表型分析。

Karl Friston：我對超因果關系的研究難度感到挫敗。目前，我對機器學習感到沮喪，我認為它極大地分散了年輕學者的注意力，并影響了他們對構建生成模型（數字孿生、正向模型、動態因果模型、機械模型等）的科學認識。本次圓桌會議中的幾個交叉主題，體現了生成模型的重要性。

也許最明顯的是結構和功能之間的循環因果關系：經驗依賴的可塑性會立即告訴你，突觸功能依賴于經驗，但可塑性當然表現為結構變化。但神經元放電取決于連接性。所以，這里有一個循環因果關系，我們必須對其進行建模，以回答當中的任何問題，無論是關于腫瘤還是癲癇，無論是深度表型分析還是精準醫療。

要做到這一點，必須建立結構-功能之間雙向耦合的機械模型。這并不容易，因為時間尺度存在內在分離。如果你想要一個數字孿生——例如，在計算機上進行癲癇精神藥理學或精神外科手術，或者在你的個性化數字孿生中安全地模擬TMS——你必須有一個適當的模型來了解幕后情況：是什么產生了所有這些多模態數據。

這表明，改進的模型可以生成EEG和FMRI數據，以互補的方式約束您對神經血管耦合，以及內在和外在連接在不同時間尺度上的估計，從而理解過去波動或微電路級別同步的緩慢波動（例如動態功能連接）。所有這些精彩的問題，只有花時間和精力（以及在早期訓練方面的技能）才能解決，以建立對復雜系統的明確觀察以及動態因果模型。目前，我非常沮喪，因為每個人都想做深度學習，這除了浪費資源之外于事無補。多數建模沒有解釋力，算不上機制研究。所以，這是我的小抱怨和沮喪。

Marc Raichle：我們已經以各種方式討論了大腦是一個極其復雜的系統。我在理解這個問題時所經歷的挫折是，它代表了多學科層面的挑戰。你可以涉足內分泌學、細胞生物學、遺傳學等領域，而這些領域中的每一個都是復雜且難以處理的。我認為挫折在于應對許多不同領域的復雜性，而學者一生都在致力于這些領域的工作。我們應盡可能地整合跨學科思維，不要只關注某個小組或遺傳學等，并意識到這將需要不同學科的人進行充分的對話來解決這個問題。

也許這種挫折是年齡效應，我現在已經87歲了，我反復被告知我的大腦可能已經退化了，也許部分挫折是因為我處理這種廣泛復雜性的能力正在下降。但我認為對話非常有益，致力于細胞生物學、遺傳學、內分泌學或能量代謝的人會提到能量代謝，它與能量有關，但它遠比能量復雜，涉及能量如何融入其中。要拓寬研究思路，需要一群不同學科的人坐在一起討論問題。我感到沮喪的是問題的復雜性，以及廣泛討論這些研究主題的必要性，因為我們當中沒有人擁有探索那些答案的終極工具。我們需要一群研究背景各異的人一起工作、共同努力，破解我們面臨的復雜問題。

https://www.liebertpub.com/doi/full/10.1089/brain.2024.0037

Laureys, Steven, et al. "A Roundtable Discussion on Brain Connectivity." Brain connectivity 14.5 (2024): 263-273.

Aladjalova NA. Infra-slow rhythmic oscillations of the steady potential of the cerebral cortex. Nature 1957;179(4567):957–959; Crossref PubMed.

Birn RM, Diamond JB, Smith MA, et al. Separating respiratory-variation-related fluctuations from neuronal-activity-related fluctuations in fMRI. Neuroimage 2006;31(4):1536–1548; Crossref PubMed.

Bishop G. Cyclic changes in the excitability of the optic pathway of the rabbit. American Journal of Physiology 1933;103:213–224; Crossref

Boly M, Garrido MI, Gosseries O, et al. Preserved feedforward but impaired top-down processes in the vegetative state. Science 2011;332(6031):858–62; Crossref PubMed.

Boly M, Jones B, Findlay G, et al. Altered sleep homeostasis correlates with cognitive impairment in patients with focal epilepsy. Brain 2017;140(4):1026–1040; Crossref PubMed.

Boly M, Perlbarg V, Marrelec G, et al. Hierarchical clustering of brain activity during human nonrapid eye movement sleep. Proceedings of the National Academy of Science 2012a;109(15):5856–61; Crossref PubMed.

Boly M, Moran R, Murphy M, et al. Connectivity changes underlying spectral EEG changes during propofol-induced loss of consciousness. J Neurosci 2012b;32(20):7082–90; Crossref PubMed.

Boveroux P, Vanhaudenhuyse A, Bruno M-A, et al. Breakdown of within- and between-network resting state functional magnetic resonance imaging connectivity during propofol-induced loss of consciousness. Anesthesiology 2010 Nov;113(5):1038–53; Crossref PubMed.

De Vivo L, Bellesi M, Marshall W, et al. Ultrastructural evidence for synaptic scaling across the wake/sleep cycle. Science 2017 Feb 3;355(6324):507–510; Crossref PubMed.

Dworetsky A, Seitzman BA, Adeyemo B, et al. Two common and distinct forms of variation in human functional brain networks. Nat Neurosci 2024; Crossref

Edlow B, Fecchio M, Bodien Y, et al. Measuring Consciousness in the Intensive Care Unit. Neurocrit Care 2023 Jun;38(3):584–590; Crossref PubMed.

Haun A, Tononi G Why Does Space Feel the Way it Does? Towards a Principled Account of Spatial Experience. Entropy 2019:21(12):1160; Crossref

Friston KJ. Functional and effective connectivity: A review. Brain Connect 2011;1(1):13–36; Crossref PubMed.

Laureys S, Faymonville ME, Luxen A, et al. Restoration of thalamocortical connectivity after recovery from persistent vegetative state. Lancet 2000;355(9217):1790–1791; Crossref PubMed.

Laureys S, Goldman S, Phillips C, et al. Impaired effective cortical connectivity in vegetative state: Preliminary investigation using PET. Neuroimage 1999;9(4):377–382; Crossref PubMed.

Massimini M, Boly M, Casali A, et al. A perturbational approach for evaluating the brain’s capacity for consciousness. Prog Brain Res 2009;177:201–14; Crossref PubMed.

Murphy K, Birn RM, Handwerker DA, et al. The impact of global signal regression on resting state correlations: Are anti-correlated networks introduced? Neuroimage 2009;44(3):893–905; Crossref PubMed.

Raichle M. The restless brain. Brain Connect 2011;1(1):3–12; Crossref PubMed.

Suppermpool A, Lyons D, Broom E, et al. Sleep pressure modulates single-neuron synapse number in zebrafish. Nature 2024;629(8012):639–645; Crossref PubMed.

Vanhaudenhuyse A, Noirhomme Q, Tshibanda L, et al. Default network connectivity reflects the level of consciousness in non-communicative brain-damaged patients. Brain 2010;133(Pt 1):161–71; Crossref PubMed.

Venkatesh HS, Johung TB, Caretti V, et al. Neuronal activity promotes glioma growth through neuroligin-3 secretion. Cell 2015;161(4):803–816; Crossref PubMed.

Werner G, Mountcastle VB. The variability of central neural activity in a sensory system, and its implications for the central reflection of sensory events. J Neurophysiol 1963;26:958–977; Crossref PubMed.

Whitfield-Gabrieli S, Nieto-Castanon A. Conn: A functional connectivity toolbox for correlated and anticorrelated brain networks. Brain Connectivity 2012;2(3):125–141; Crossref PubMed.

關于追問nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學的邊界。如果您有進一步想要討論的內容，歡迎評論區留言，或添加小助手微信questionlab，加入社群與我們互動。

關于天橋腦科學研究院

天橋腦科學研究院（Tianqiao and Chrissy Chen Institute, TCCl）是由陳天橋、雒芊芊夫婦出資10億美元創建的世界最大私人腦科學研究機構之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，造福人類。

TCCI與華山醫院、上海市精神衛生中心設立了應用神經技術前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了TCCI加州理工神經科學研究院。

TCCI建成了支持腦科學和人工智能領域研究的生態系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫生獎勵計劃、、中文媒體追問等。