來源：PsyBrain腦心前沿

認知神經(jīng)科學(xué)前沿文獻分享

基本信息：

Title:Quantifying the compressibility of the human brain

發(fā)表時間：2026.1.21

Journal:PNAS

影響因子：9.1

引言

我們常說“大腦是一個網(wǎng)絡(luò)”，但這句話里有個容易被忽略的技術(shù)細節(jié)：我們看到的腦網(wǎng)絡(luò)，大多來自腦區(qū)之間活動的相關(guān)（correlation）。問題是：相關(guān)這么多，哪些才真“有用”？在fMRI里，100個皮層分區(qū)（parcel）就有近5000對腦區(qū)相關(guān)；如果換更細的分區(qū)，相關(guān)數(shù)量還會爆炸式增長。可在實際研究與臨床應(yīng)用中，我們并不總能穩(wěn)定地估計每一條相關(guān)：樣本量有限、噪聲存在、任務(wù)狀態(tài)多變，都會讓“全連接相關(guān)矩陣”既昂貴又不可靠。更關(guān)鍵的是，相關(guān)并不等于因果（causality），很多相關(guān)可能只是“間接推出來的影子”。這就引出了一個很現(xiàn)實的挑戰(zhàn)：我們到底需要測量/擬合多少條相關(guān)，才能把全腦活動的“可能狀態(tài)空間”約束住，從而較準確地預(yù)測腦的整體活動圖景？換句話說，人腦活動是否存在一種“可壓縮性（compressibility）”：只要抓住少數(shù)關(guān)鍵相關(guān)，就能還原大部分全腦結(jié)構(gòu)？

Weaver等人把這個直覺變成了一個嚴格的、可計算的框架：用信息論（information theory）里的熵（entropy）表示我們對全腦狀態(tài)的不確定性，并用最大熵模型（maximum entropy）把“選中的相關(guān)集合”映射為對全腦活動分布的最無偏預(yù)測。然后，他們不再憑經(jīng)驗挑“最強相關(guān)”，而是提出要解一個“minimax entropy”問題：在給定邊數(shù)的條件下，找到讓不確定性下降最多的那張稀疏相關(guān)網(wǎng)絡(luò)。最終，作者用Human Connectome Project的99名受試者、靜息態(tài)與7個任務(wù)態(tài)數(shù)據(jù)證明：全腦相關(guān)結(jié)構(gòu)遠比想象中更“可壓縮”，而且最重要的相關(guān)常常并不是最強的那一批。

實驗設(shè)計與方法邏輯

作者將皮層活動z-score后，把任意“被選中的相關(guān)集合”視為網(wǎng)絡(luò)約束，用高斯圖模型（Gaussian graphical model, GGM）的最大熵形式從這些約束推出全腦分布，并用模型熵量化剩余不確定性；隨后以“每次加入一條使熵下降最多的相關(guān)”為貪心準則，迭代生成從極稀疏到全連接的最優(yōu)壓縮曲線，并以曲線面積定義可壓縮性指標C，最后在HCP的靜息+7任務(wù)、跨被試與跨任務(wù)三種組合層面檢驗一致性與網(wǎng)絡(luò)結(jié)構(gòu)特征。

Fig. 1. Quantifying uncertainty given a network of correlations.

核心發(fā)現(xiàn)

1）人腦活動“高度可壓縮”：極少相關(guān)就能大幅降不確定性

在合并所有被試與任務(wù)的數(shù)據(jù)中，最優(yōu)網(wǎng)絡(luò)的壓縮曲線在早期陡降：只需1.4%相關(guān)就實現(xiàn)50%熵下降，達到90%熵下降也僅需約9%相關(guān)（Fig. 2A）。更直觀的是，當只擬合10%相關(guān)時，模型已能定量預(yù)測剩余90%的相關(guān)結(jié)構(gòu)（Fig. 2C、2E），而隨機選邊會明顯丟失結(jié)構(gòu)并系統(tǒng)性低估相關(guān)強度（Fig. 2D、2F）。

Fig. 2. Human neural activity is highly compressible.

2）可壓縮性接近理論上限，并在“人”和“任務(wù)”之間驚人穩(wěn)定

作者用曲線面積定義可壓縮性C（Fig. 3A）：合并數(shù)據(jù)的C≈**0.96**，接近“幾乎可被一張極稀疏骨架解釋”的上限情形；換更細分區(qū)（200區(qū)）甚至更高（SI Appendix）。更重要的是，把數(shù)據(jù)拆到“單任務(wù)跨被試”或“單被試跨任務(wù)”層面，壓縮曲線仍保持相似形狀（Fig. 3B、3C），平均可壓縮性分別約0.96與0.94，說明這不是拼接數(shù)據(jù)造成的假象。

Fig. 3. Quantifying compressibility across subjects and cognitive tasks.

3）“最重要”不等于“最強”：冗余強相關(guān)讓最優(yōu)網(wǎng)絡(luò)更像“長程骨架”

作者用四節(jié)點例子解釋反直覺點：最強相關(guān)往往能間接推出第三強相關(guān)，使其變成冗余；此時加入一條更弱但“新信息量更大”的邊，熵下降反而更大（Fig. 4A）。在真實數(shù)據(jù)中，最強相關(guān)傾向形成高聚類（clustering）的短環(huán)路，而最優(yōu)網(wǎng)絡(luò)刻意避免這種冗余，表現(xiàn)為聚類系數(shù)低得多（Fig. 4C），并以接近最少邊數(shù)迅速連成單一巨型連通分量（giant component）（Fig. 4D）。

Fig. 4. Network structure of optimal correlations.

4）關(guān)鍵邊更偏向“跨系統(tǒng)連接”：用弱但關(guān)鍵的系統(tǒng)間相關(guān)約束全腦

按8大認知系統(tǒng)（cognitive systems）分組后，最優(yōu)網(wǎng)絡(luò)既會保留系統(tǒng)內(nèi)必要約束（Fig. 5A），但相較“只選最強相關(guān)”的網(wǎng)絡(luò)，最優(yōu)網(wǎng)絡(luò)明顯更偏向連接不同系統(tǒng)（Fig. 5B、5C）。任務(wù)層面還出現(xiàn)細微偏移：例如視覺（VIS）—默認（DMN）—背側(cè)注意（DAN）這些在視覺/反應(yīng)任務(wù)中很強的相關(guān)，其“信息貢獻”反而低于強度所暗示；而邊緣（LIM）與顳頂（TP）系統(tǒng)內(nèi)一些偏弱相關(guān)卻對約束活動很關(guān)鍵（Fig. 5D）。

Fig. 5. Systems-level structure of optimal compressions.

歸納總結(jié)和點評

這篇工作把“腦網(wǎng)絡(luò)到底要看多少條邊”從經(jīng)驗問題升級為可計算的最優(yōu)化問題：用最大熵（maximum entropy）把“選邊”映射為對全腦狀態(tài)的預(yù)測，再用minimax entropy直接找出在給定稀疏度下最能降低不確定性的關(guān)鍵相關(guān)骨架。最亮眼的結(jié)論是：全腦相關(guān)結(jié)構(gòu)極度可壓縮、跨人跨任務(wù)高度一致，且關(guān)鍵相關(guān)并不等同于強相關(guān)——真正決定預(yù)測力的是“去冗余后的信息增益”。這為理解發(fā)育與腦病中的網(wǎng)絡(luò)改變提供了一個更鋒利的量化尺子：未來或許不必追逐全連接矩陣，而是聚焦那條決定全局的稀疏“信息主干”。

閱讀最新前沿科技趨勢報告，請訪問歐米伽研究所的“未來知識庫”

https://wx.zsxq.com/group/454854145828

未來知識庫是“ 歐米伽 未來研究所”建立的在線知識庫平臺，收藏的資料范圍包括人工智能、腦科學(xué)、互聯(lián)網(wǎng)、超級智能，數(shù)智大腦、能源、軍事、經(jīng)濟、人類風(fēng)險等等領(lǐng)域的前沿進展與未來趨勢。目前擁有超過8000篇重要資料。每周更新不少于100篇世界范圍最新研究資料。 歡迎掃描二維碼或訪問https://wx.zsxq.com/group/454854145828進入。