一鍵關(guān)注，點(diǎn)亮星標(biāo) ?? 前沿不走丟！

認(rèn)知神經(jīng)科學(xué)前沿文獻(xiàn)分享

基本信息

Title:Competitive interactions shape mammalian brain network dynamics and computation

發(fā)表時(shí)間：2026.3.11

發(fā)表期刊:Nature Neuroscience

影響因子：20.0

獲取原文：

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

研究背景

大腦就像一個(gè)龐大而精密的交響樂團(tuán)，數(shù)以百億計(jì)的神經(jīng)元分布在不同的腦區(qū)中，共同演奏出名為“認(rèn)知”的樂章。長(zhǎng)期以來，在宏觀尺度的全腦計(jì)算模型研究中，科學(xué)家們往往隱含了一個(gè)基本假設(shè)：腦區(qū)與腦區(qū)之間的長(zhǎng)程結(jié)構(gòu)連接主要承擔(dān)著“合作”的功能。換句話說，模型默認(rèn)當(dāng)腦區(qū)A活躍時(shí)，與它相連的腦區(qū)B也會(huì)隨之興奮。

然而，如果一個(gè)樂團(tuán)里所有樂手都在不斷放大彼此的聲音，結(jié)果只會(huì)是震耳欲聾的噪音。在微觀的神經(jīng)元環(huán)路層面，抑制性（競(jìng)爭(zhēng)性）機(jī)制是維持系統(tǒng)穩(wěn)定、實(shí)現(xiàn)信息分離與反饋控制的核心支柱。而在宏觀的靜息態(tài)功能磁共振（fMRI）成像中，我們也經(jīng)常能觀察到大腦網(wǎng)絡(luò)之間存在強(qiáng)烈的反相關(guān)和拮抗現(xiàn)象。那么，現(xiàn)有的全腦模型僅僅依賴“合作”連接，真的足以重構(gòu)出真實(shí)的大腦嗎？大腦又是如何巧妙地在宏觀解剖網(wǎng)絡(luò)上編排這種“合作與競(jìng)爭(zhēng)”的動(dòng)態(tài)平衡的？

為了打破傳統(tǒng)假設(shè)的局限，2026年3月11日最新發(fā)表于 Nature Neuroscience 的一項(xiàng)研究提出了一種全新的跨物種生成式全腦模型。研究團(tuán)隊(duì)不僅引入了傳統(tǒng)的正向（合作）連接，還首次賦予了模型自由推導(dǎo)負(fù)向（競(jìng)爭(zhēng)或抑制）連通性的能力，試圖揭開哺乳動(dòng)物大腦連接組中競(jìng)爭(zhēng)性互動(dòng)的動(dòng)力學(xué)意義與計(jì)算價(jià)值。

Fig. 1 | Whole-brain models generate brain activity from species-specific structural connectivity.

研究核心總結(jié)

本研究整合了人類、獼猴和小鼠三種哺乳動(dòng)物的結(jié)構(gòu)與功能數(shù)據(jù)，利用處于臨界分岔邊緣的Hopf振子構(gòu)建全腦動(dòng)態(tài)模型。核心發(fā)現(xiàn)如下：

Fig. 2 | Generative competitive interactions lead to superior model fit across mammalian brains.

一、競(jìng)爭(zhēng)性連接顯著提升了大腦的空間擬合與個(gè)體特異性

研究表明，當(dāng)模型被允許自由發(fā)展出負(fù)向連接時(shí)，三種哺乳動(dòng)物的生成連通性（Generative connectivity）中自發(fā)涌現(xiàn)出了約 25%至40% 的競(jìng)爭(zhēng)性互動(dòng)。這種機(jī)制的引入帶來了驚人的效果：與僅包含合作連接的傳統(tǒng)模型相比，新模型不僅在組水平上將模擬與真實(shí)功能連接（FC）的擬合度大幅躍升（例如在人類數(shù)據(jù)中相關(guān)系數(shù)從0.42翻倍至0.87），在單一被試層面也實(shí)現(xiàn)了極高的精準(zhǔn)度。更重要的是，競(jìng)爭(zhēng)性互動(dòng)的加入大幅度提升了模型的“大腦指紋”識(shí)別能力（即個(gè)體差異的鑒別力），說明新模型捕捉到了真實(shí)且具有個(gè)體特異性的生物學(xué)特征，而非單純地在過擬合噪聲。

Fig. 3 | Network properties of the cooperative and competitive interactions in the generative connectivity.

二、競(jìng)爭(zhēng)與合作在網(wǎng)絡(luò)拓?fù)渑c生物學(xué)注釋上的“兩極分化”

在機(jī)制層面，模型推導(dǎo)出的連接權(quán)重展現(xiàn)出了極具規(guī)律的空間布局。合作性連接往往是局部的、模塊化的強(qiáng)連接，而競(jìng)爭(zhēng)性連接則表現(xiàn)為長(zhǎng)距離、彌散且弱聚類的弱連接。尤其引人注目的是，跨物種的分析一致顯示：競(jìng)爭(zhēng)性連接傾向于鏈接在生物學(xué)屬性上處于“對(duì)立面”的腦區(qū)。無論是在細(xì)胞構(gòu)筑、基因表達(dá)、受體密度，還是在皮層層級(jí)（如基于T1w/T2w的髓鞘化程度和PV-SST中間神經(jīng)元梯度）上，具備相反生物學(xué)特征的皮層區(qū)域之間更傾向于發(fā)生宏觀尺度的競(jìng)爭(zhēng)與拮抗。

Fig. 4 | Competitive interactions link regions with opposite biological annotations.

三、塑造更真實(shí)的動(dòng)態(tài)時(shí)空演化與協(xié)同信息

即使未經(jīng)過顯式優(yōu)化，包含競(jìng)爭(zhēng)性互動(dòng)的模型也自發(fā)涌現(xiàn)出了高度逼真的非線性動(dòng)力學(xué)特征。在時(shí)間演化上，純合作模型極易陷入過度同步的失控狀態(tài)，而競(jìng)爭(zhēng)性連接起到了完美的“穩(wěn)壓器”作用，使大腦的亞穩(wěn)態(tài)（Metastability）回落到真實(shí)的生理區(qū)間內(nèi)。此外，競(jìng)爭(zhēng)打破了冗余的同步，為系統(tǒng)注入了更豐富的信息整合能力，顯著提升了腦網(wǎng)絡(luò)動(dòng)力學(xué)中的協(xié)同信息（Synergistic information）分布和局部-全局的層級(jí)組織復(fù)雜度。同時(shí)，基于NeuroSynth認(rèn)知圖譜的匹配結(jié)果顯示，競(jìng)爭(zhēng)性模型生成的瞬態(tài)活動(dòng)模式，更加準(zhǔn)確地再現(xiàn)了真實(shí)大腦在執(zhí)行特定認(rèn)知任務(wù)時(shí)宏觀網(wǎng)絡(luò)的共激活特征。

Fig. 5 | Competitive interactions produce models with greater subject specificity.

四、賦予網(wǎng)絡(luò)更強(qiáng)大的神經(jīng)形態(tài)計(jì)算潛力

研究團(tuán)隊(duì)將模型生成的連接矩陣作為儲(chǔ)層計(jì)算（Reservoir computing）架構(gòu)中的人工神經(jīng)網(wǎng)絡(luò)底層拓?fù)洌瑢?duì)其進(jìn)行記憶容量測(cè)試。結(jié)果證實(shí)，融合了競(jìng)爭(zhēng)性機(jī)制的網(wǎng)絡(luò)在模擬的神經(jīng)形態(tài)計(jì)算任務(wù)中，表現(xiàn)出了顯著優(yōu)于純合作網(wǎng)絡(luò)的記憶編碼能力與計(jì)算性能。

Fig. 6 | Dynamical consequences of competitive interactions in the generative connectivity.

研究意義

該研究顛覆了既往宏觀計(jì)算神經(jīng)科學(xué)中“長(zhǎng)程連接即為合作”的單一視角，證實(shí)了“模塊化合作”與“長(zhǎng)程彌散競(jìng)爭(zhēng)”的精妙結(jié)合是哺乳動(dòng)物跨物種保守的大腦網(wǎng)絡(luò)架構(gòu)法則，為理解大腦結(jié)構(gòu)如何決定功能動(dòng)態(tài)演化及其底層計(jì)算力提供了革命性的生成式理論框架。

Fig. 7 | Competitive interactions increase the match between simulated brain activity and canonical cognitive operations of the human brain.

Fig. 8 | Superior computational performance of connectome-based neuromorphic networks with competitive generative interactions.

Abstract

How does brain network architecture balance cooperation and competition between distributed circuits? Here we use computational whole-brain modeling to examine the dynamical and computational relevance of cooperative and competitive interactions in the mammalian connectome. Across human, macaque and mouse, we show that to faithfully reproduce brain activity, model architecture consistently combines modular cooperative interactions with diffuse, long-range competitive interactions. Across species, competitive interactions preferentially link regions characterized by opposite profiles of cytoarchitecture, gene expression and receptor expression. The model with competitive interactions provides superior subject specificity, consistently outperforming the cooperative-only model and exhibiting excellent fit to the spatiotemporal properties of the living brain. These properties were not explicitly optimized, instead emerging spontaneously. Competitive interactions in the generative connectivity produce more synergistic and hierarchical dynamics, leading to enhanced performance for neuromorphic computing. Altogether, this work provides a generative link among network architecture, dynamical properties and computational performance in the mammalian brain.

請(qǐng)打分

這篇?jiǎng)倓偟巧?strong>Nature Neuroscience的研究，是否實(shí)至名歸？我們邀請(qǐng)您作為“云審稿人”，一同品鑒。精讀全文后，歡迎在匿名投票中打分，并在評(píng)論區(qū)分享您的深度見解。

分享人：飯鴿兒

審核：PsyBrain 腦心前沿編輯部

你好，這里是「PsyBrain 腦心前沿」

專注追蹤全球認(rèn)知神經(jīng)科學(xué)的最尖端突破

視野直擊 Nature, Science, Cell 正刊 及 Nat Neurosci, Nat Hum Behav, Neuron, Sci Adv 等核心子刊與頂級(jí)大刊

每日速遞「深度解讀」與「前沿快訊」，為你打破信息差

科研是一場(chǎng)探索未知的長(zhǎng)跑，但你無需獨(dú)行。歡迎志同道合的你加入PsyBrain 學(xué)術(shù)社群，和一群懂你的同行，共同丈量腦與心智的無垠前沿。

點(diǎn)擊卡片進(jìn)群，歡迎你的到來

一鍵分享，讓更多人了解前沿