人类大脑皮层的结构核心_读书报告CP

读书报告：人类大脑皮层的结构核心

Hagmann P, Cammoun L, Gigandet X, Meuli R, Honey CJ, et al. (2008)  Mapping the

structural core of human cerebral  cortex. PLoS Biol 6(7): e159.

doi:10.1371/journal.pbio.0060159

报告人：南京医科大学第一附属医院 康复医学科 林枫

1.背景资料：为什么要研究大脑皮层网络？................................................................................1

1.1 什么是解剖网络？.............................................................................................................1

1.2 结构和功能有什么关系？................................................................................................2

1.3 什么是功能定位？............................................................................................................2

1.4 什么是功能网络？............................................................................................................3

1.5 是否有与功能相对应的解剖网络模块？........................................................................4

2.实验方法：如何构建和研究大脑皮层网络？............................................................................5

2.1 如何构建脑解剖网络？....................................................................................................5

2.2 采用什么参数进行网络分析？........................................................................................7

2.2.1 基本指标.................................................................................................................7

2.2.2 网络处理.................................................................................................................7

3. 实验结果：如何分析大脑的皮层联系网络？..........................................................................9

3.1 Figure2: 节点的点度和强度在脑区位置上的分布........................................................9

3.2 连线密度分布..................................................................................................................10

3.3 Figure S1:节点的点度和强度的频数分布......................................................................10

3.4 协调相关性（assortativity）：........................................................................................11

3.5 Figure 3 感兴趣区域网络的矩阵可视化和骨干网可视化分析.....................................11

3.6 Figure 4 解剖脑区网络的矩阵可视化和骨干网可视化分析.........................................12

3.7 Figure5：网络的结构核心..............................................................................................12

3.8 Figure 6：模块识别和集散节点分类.............................................................................13

3.9 Figure 7：中间中心性和效能.........................................................................................14

3.10 结构可视化的合理原因................................................................................................14 4 实验结论:...........................................................................................................................15

1.背景资料：为什么要研究大脑皮层网络？

1.1 什么是解剖网络？

在特定解剖层面上，人类大脑的解剖结构可以表征为网络。网络的基本结构是节点和连 线。在神经元层面上，网络可以以神经元为节点，突触为连线。在皮质下神经核团层面上， 以神经核团为节点，传导束为连线。在皮质脑区层面上，以皮质脑区为节点，神经通路为连 线。这些“节点”都可以统称为神经单位（neuronal units） ，而连线则可以统称为神经联系 （neuronal connectivities） 。不同层面的综合又可以形成更复杂的嵌套网络。ppt2 上图显示了 嵌套网络的层次性。由于“结构”一词的语义比较宽泛，因此为了能够在下面使用这个词而 不引起歧义，下面将统一采用解剖网络（anatomical network）这个术语来指称脑的物质结构

网络，而避免使用“结构”一词。如果从灰质和白质区别的角度来看大脑的复杂结构，那么 灰质所含的脑区结构是构建网络节点的基础， 而白质则由于其含有大量联系纤维而成为构建 节点之间连线的基础。MRI 技术已经可以测定灰质脑区结构和白质的纤维联系，从而构建 脑的结构网络用于分析。ppt2 下图显示了对网络进行的一些基本操作， 例如将粉红色节点所 组成的模块（也可以称为社群，communities）提取出来并保留模块之间的连线，这种过程 反复进行就可以形成树状的层次图，还有诸如切出、约简或背景化操作。

1.2 结构和功能有什么关系？

由于对“结构”的研究必然引向对“功能”的探索。因此，有必要澄清“结构”和“功 能”的关系。可以用铁路运输为例。铁路线路的“结构”可以表示为以站点为节点，轨道线 路为连线的网络。这种“结构”的“功能”就是进行旅客货物的运输，具体表现为货物在运 输线上的流动以及货物聚集和/或分发。与此类似，人脑的“结构”是以神经单位为节点， 神经联系为连线的网络。这种“结构”的“功能”是进行信息处理，具体表现为信息在网络 中的流动以及信息的分离（information segregation）和整合（information integration） 。正如 首先要有铁路才能有铁路货流一样，需要先有大脑的解剖结构才会有脑功能，这是必然前提 （ppt3） 。例如需要在北京和南京之间有铁路，货流才可能出现起来。但不意味着实现某种 功能和调用某种结构之间就是确定的点对点的关系。 例如从北京到广州的货运功能， 除了从 北京直接到广州以外，还可以先到上海再中转广州。这相当于脑功能的系统内重组。而如果 北京到广州和上海的铁路都中断了，还可以乘飞机到广州。这相当于脑功能的系统间重组。 所有这一切都需要以存在航线或铁路线为前提（存在解剖结构），实际的货流路径可以有变 化，而最大运输能力则受到整个线路结构的限制。因此，脑的解剖网络提供了实现功能的可 能性范围，不同功能的实现需要调动解剖网络结构的不同部分。功能附着在结构上，在结构 所赋予的可能性范围内实现着其可行性。以 fMRI为代表的功能影像学的发展为脑解剖网络 上的功能定位提供了有力的工具。

1.3 什么是功能定位？

功能定位的思想可以追溯到颅相学（Phrenology） （ppt4） ，其为功能定位埋下了两个潜 在的前提假设：存在相对独立和可以分离的认知功能成分和功能活动过程； 功能与脑区之间 是一一对应关系。由此发展而来的功能影像学的定位方式通常遵循的是“减法”原则，即设 立实验状态和对照状态，并使两个状态中除了希望研究的认知活动以外，其他认知成分尽量 相同。 经过 fMRI成像后两组相减， 最终得到的信号增强脑区就是与该认知功能有关的脑区。 这种传统的功能成像定位方式强调的是功能的分离（segregation） 。但是，即便是很简单的 手指运动，也需要同时激活在空间上相互分离的皮质脑区来共同完成功能（ppt4， A 为手

【1】 指运动，B 为听音乐） 。因此，传统的功能定位研究需要以研究功能整合（integration）作

为其补充和修正，而大脑的功能整合主要有两种表现：脑区活动的同步关系；脑区活动的因 果关系。目前对功能整合的研究也正是从这两种表现出发对功能连通性（functional connectivity）和有效连通性（effective connectivity）进行研究。

1.4 什么是功能网络？

许多证据都支持表明神经系统能够进行快速、实时的信息整合。这种信息整合跨越相互 分离的感觉通道和脑区，并且这种整合不需要更高级中枢的控制。这种“空间上远距离的神 经生理事件之间的时间相关性 ”（ temporal correlations between spatially remote neurophysiological events）就是功能连通性（functional connectivity）。功能性磁共振提供了 进行此类检测的工具。在进行某项任务的时候（比如听音乐或者进行眼球追踪） ，大脑的不 同区域会发生同步活动。 所谓的同步是指其活动强度之间的时间相关性存在显著的统计学意 义。在同步活动的脑区之间就可以认为存在某种与完成任务相关的功能联系。在这些脑区之 间就可以划上连线从而形成功能网络。例如在 ppt5 中，fMRI每隔 2.5 秒就检测一次信号强

3 度，每次检测时间持续 400毫秒。整个脑区划分为 3×3.475×3.475mm 的体素（voxel） 。每

个体素在某个时间点的信号强度均被计算出来。图中第二列显示了 1000 秒内的信号强度变 化。这些变化来自于视觉皮层、运动皮层和后顶叶皮层中被选定的某个体素。请注意在图中 可以看到类似于十二导心电图的同步活动记录。图中第三列的相关矩阵（correlation matrix） 表示了各个体素之间的时间相关性。将所有体素都编排序号后在x 轴和 y轴上列出， 坐标系 统中每个小方块表示的是两个体素（x 号体素和 y 号体素）之间的相关系数 r。以不同的颜 色表示相关系数的值。颜色越红，表示相关系数越大。对角线上的体素号是相同的，即体素 与自身的相关性。很显然，对角线上的相关性是 1。因此这个矩阵只需要看下半部分。当这 个系数超过预先给定的临界值rc 的时候， 就认为这两个体素之间存在显著的时间相关性。 在 用这个标准判断后， 可以画出其临界矩阵 （thresholded matrix）， 其中白色方块表示时间相关， 黑色表示时间不相关。最终在时间相关的脑区之间划上连线，形成功能网络的连线。推测这 种功能网络是大脑复杂解剖网络结构内部的动态相互作用所导致的功能结果。

除了这种矩阵分析法以外，还可以采用种子法进行功能连通性的分析，即将某个脑区作 为种子 （seed， 例如 ppt5 右图的白圈内的脑区， 包括楔前叶 （precuneus） 和后扣带回 （posterior cingulate） ），计算其他脑区内的体素与种子脑区的相关系数，从而找出与种子脑区的时间进 程相关的脑区，从而绘制这些脑区之间的功能连通关系。种子法对功能连通性的研究也就是 下面要介绍的论文所采用的方法之一。

虽然时间相关性已经得到广泛的应用，但是脑区时间相关性并不一定意味着功能交互作 用，因为时间相关性也可能来自其他的因素。在某些情况下，时间相关性也可能源于多个部 位同时受到外在刺激（例如看电影的时候，视觉中枢和听觉中枢都被调用起来）。因此就出 现了试图将解剖结构与流附于其上的功能活动联系起来的研究。 这种研究被称为有效连通性 （effective connectivity），即“一个神经系统直接或间接施加于另一个神经系统的影响” （the influence that one neural system exerts over another either dirctly or indirectly）。 其研究方法通常 是在脑区解剖相连基础上建立统计学的模型，然后设计几组不同的任务，记录和分析不同任 务状态下特定神经模块激活时间进程的交互关系， 通过实测数据与统计模型之间的比较来检 验模型是否成立。最终为脑区之间的有效连通关系提供依据。

有效连通性研究的前提是需要对相关的脑功能区域理解比较深入，以至于能够提出相应 的理论假设模型。但事实上能够建立这样模型的脑区不多，这就限制了有效连通性研究方法 的应用。 因此， 目前应用更多的还是将任务尽量简化， 然后采用种子法测算脑区功能连通性， 并与解剖结构进行比较，从而为功能网络和解剖结构网络之间的关系提供依据。如果说以往 功能定位是要将某个任务/功能/行为定位到解剖结构上的沟回的话，那么现在基于解剖网络 和功能网络的研究希望在网络模块（modules）中寻找对应的定位关系，即在解剖上密切联 系的一系列脑区共同负责某项功能。

1.5 是否有与功能相对应的解剖网络模块？

首先，要澄清模块的观点。目前基于 MRI 成像的大脑皮质解剖网络通常以感兴趣区域 （region of interest，ROI）作为节点。所谓感兴趣区域是指根据以往研究所得到的可能与某 些任务相关的脑皮质区域。这种感兴趣区域可能包括一个或多个 MRI 上所能分辨的体素 （voxel） 。通常 ROI可以对应于 Brodmann脑区，但也可以是无分区号的新界定的脑区，其 具体位置可以采用医学图像分析软件常用的 Talairach 坐标体系的坐标来表示。以感兴趣区 域为节点的好处是可以为分析解剖网络上的功能活动提供一个共同的描述体系， 解剖网络和 功能网络均可以用 ROI 作为节点。因此，从 ROI 为基础，模块可以是某个 ROI，也可以是 一系列 ROI。这一群 ROI 由于其解剖或功能上的紧密相关性而成为解剖模块或功能模块。 其次，要明确功能是以解剖结构的存在为物质基础。从进化论角度而言，解剖结构是应功能 需求而产生， 因此对解剖网络研究的最终目标仍然是获得功能定位的知识， 只是这种定位更 多地将大脑看作是一个整体，而非一个个独立执行功能的脑区。这意味着要研究脑的解剖连 接方式与依附于其上的功能活动存在什么样的关系，以便从解剖网络推测脑功能。

在脑功能研究中，很多情况下均采用让受试者完成认知任务的形式来研究完成某个任务 的时候的大脑皮层活动。但是，计算机有关机状态，而活人的大脑并不存在“关机”状态。 因此，有一个特殊的任务近年来受到关注。这就是静默状态（restinig state），即闭眼状态下 什么也不想不做的任务。这时候附着于大脑解剖网络上的功能网络是什么样的呢？Greicius 等发现在静默状态时，存在一个以后扣带回（posterior cingulate cortex，PCC）为中心的功

【】 能网络。Greicius 等 2让 14 名被试进行工作记忆任务下的 fMRI 检测，发现后扣带回和腹

前扣带回在工作记忆任务时的活动要比静默状态下降低。随后，分别选择后扣带回和腹前扣 带回的激活程度作为参照点（种子），寻找与之具有功能连通性的感兴趣区域。ppt6 的上图 为后扣带回的功能连通脑区，下图为腹前扣带回的功能连通脑区。t­score颜色的明亮程度代 表与参照点的相关程度。注意图的左右位置。图下方带加减号的数字是脑成像常用的 Talairach坐标体系中的纵轴平面高度。图中并未标出脑区之间的连线，但可以想象这些脑区 之间划上连线而形成功能网络。可以看到，后扣带回与腹前扣带回（ventral anterior cingulate cortex，vACC）以及其他脑区之间在静默状态下形成了脑的默认网络（defalt network） 。类 似于计算机待机状态下的默认模式。 通过对左右前额叶腹外侧和右前额叶背外侧在静默状态 下的活动状况的分析，Greicius 等发现后扣带回（PCC）的活动与这三个脑区之间呈相反关 系（ppt6 右下图，颜色越亮表示与额叶活动越相反） 。左前额叶背外侧并没有参与该分析， 这是因为在 ppt6 的上图中左前额叶背外侧与后扣带回活动有功能连通性。以往研究认为后 扣带回（PCC）与认知有关，而腹前扣带回则与躯体反应有关。因此，从 ppt6 上图可以看 到，如果仅仅观察大脑皮质这个层面，那么默认网络的核心主要位于大脑皮层的中央后部， 它同时骑跨着左右脑半球，并延伸到颞顶和额叶。那么，这种在静默状态下表现出功能连通 性的感兴趣脑区所形成的网络是否在解剖结构上也能找到相应的网络基础呢？以往对此类 问题的研究仅限于肉眼解剖结构上的脑区联系， 而下面将要介绍的研究则利用功能影像学的 技术将数以百万计的纤维联系和数以千记的脑区纳入分析中， 并从这种大尺度网络结构中寻 找到与默认网络相关的核心区域。

2.实验方法：如何构建和研究大脑皮层网络？

2.1 如何构建脑解剖网络？

ppt7 显示了构建解剖网络的过程。基本思路是先确立节点，再找到线，然后构建网络。 分为五个基本步骤 1）脑的弥散光谱成像（用于在白质寻找连线）和高分辨率的 T1 加权磁 共振成像（用于在灰质中确定节点）；2）区分白质和灰质；3）白质神经纤维束成像；4）灰 质的解剖分区，并进一步细分为感兴趣区域（ROI） ；5）构建解剖网络。

实验中采用5 名志愿者，男性，右利手，平均年龄29.4±3.4 岁。将五名受试者的脑成像 数据取均值，显示于论文中。

在第 1 步中，T1 加权像磁共振成像中液体结构如脑室是暗的，而高亮显示脑灰质成分。 论文中所采用的弥散光谱成像（diffusion spectrum imaging，DSI）则有着不同的原理，有必 要单独介绍一下。由于弥散光谱成像是从弥散张量成像（diffusion tensor imaging，DTI）发 展而来，因此先从弥散张量成像来理解这种技术。

弥散在自然界中是非常普遍的现象，例如花粉在水中的布朗运动就是由于水分子随机的 弥散运动造成的。通常情况下这种弥散运动是随机的，在各个方向上的弥散机率是相等的。 但是，如果水分子位于组织器官中，那么其弥散运动受到具体组织器官结构的影响，从而使 得其弥散运动在各个方向不再相同。在神经纤维束中，水分子更倾向于沿着神经纤维走行的 方向弥散，而垂直于神经纤维的方向上的水分子弥散则很少。这种在各个方向上弥散程度不 同而出现的方向依赖性弥散被称为弥散的各向异性。 在磁共振成像中，组织的对比度受到三 个因素的影响：①弛豫时间（用参数 TE 和 TR 表示，短 TE 短 TR 为 T1 加权像，长 TE 长 TR 为 T2 加权像） ，②质子密度，③在各个体素内的水分子的弥散。前两个因素已经在通用 的磁共振成像中考虑进去。但是最后一个因素对机器的设备要求较高，需要提供一个可迅速 变化的强磁场，并且需要在至少六个方向上采集数据，因此在临床应用上受到限制，目前更 多地运用在科研中， 主要用于评价脑梗塞后的病灶远端神经纤维束走向在各个时期的改变以 进行预后判断，或者进行脑肿瘤对神经传导束的影响。弥散张量成像检测的是每个体素内的 水分子弥散张量。弥散张量这个参数实际上是一个三维空间的方向矢量图， 可以假想为一个 带有箭头的三维空间内的坐标点。这个三维空间内的箭头可以有三个分量， 分别代表其位于 x、y 和 z 轴上的矢量坐标值（点击 ppt7 右上方小图标看大图，点击 ppt8大图回到 ppt7） 。 如果确立了白质成像时每个体素内的弥散张量方向， 那就可以重建特征矢量图，显示神经纤 维束走向。这就成为研究脑纤维联系的重要手段。在康复医学中，经常提到神经促通，那么 真正的神经促通在物质基础或功能水平上的改变应该会表现为纤维联系的改变。 在弥散张量 成像图上，每个体素的弥散张量用一个三维的椭圆形来表示。当然，如果各个方向的张量是 一样的，那么表现为球形。 为了克服 DTI 无法描绘出纤维交织的限制，Wedeen 等在 2000 年 发展了扩散光谱成像技术(Diffusion Spectrum Imaging, DSI)，其可以提供比传统的弥散 张量成像更细致的局部结构，并可以描绘纤维交织的细节。

我们可以回到 ppt7 中第 1 步右侧的弥散张量成像图。在图中印刷的是各个椭圆形的 2 维投影。为了能够将各个方向的张量表示出来，图中为 xyz 轴都定义了不同的颜色，蓝色为 头-足方向，红色为左-右方向，绿色为前-后方向。注意的是，在脑成像的所有方位描述中 都采用了统一的坐标体系，这种坐标体系不受到人体的旋转或移动的影响。

第 2 步，软件 Freesurfer (http://surfer.nmr.mgh.harvard.edu)将白质和灰质从T1 加权像中分别抽提出来进行处理。灰质图像用于进行分区做节点， 而白质图像用于纤维传导

束界定。在软件处理后得到的是一幅将白质、灰质和皮质下核团标记后的图像。

第 3 步：灰质的皮质脑区成像

3a)使用 Freesurfer软件将五个人的平均脑图加以标记后再套用到每个人的脑图上，并 且将脑皮质区分为 66个解剖区域（点击 ppt7 大图转到 ppt9 放大的 66 个脑区解剖图） 。

3b)采用 Freesurfer 软件将五个人的平均脑图的 66 个解剖区域再细分为 998 个感兴趣

2 区域(ROI)。每个感兴趣区域有约 1.5cm 。

第 4 步：白质的纤维传导束成像。首先在每个体素内随机选择某个点作为起始点，从这 个起始点开始沿着每个最大张量的方向延伸出纤维束，每一步延伸 1mm。当延伸到一个新的 体素内时，沿着这个体素内的张量方向进行新的延伸，如果新的张量与原有张量的方向角度 偏差超过 30°/mm。那么这个纤维束就中断。一条有效延伸的纤维束的两端位于白质区域边 界内。在该研究中采用了约 3 百万个起始点进行纤维束的描绘，最终有 1/2～2/3 的皮质脑 区之间存在着纤维联系。

第 5 步：构建网络。感兴趣区域表示为 998 个节点，并且这 998 个节点可以归类到 66 个脑区。可以将这 66 个脑区想像成前面提到的嵌套网络中的更高层次的节点。在 998 个节 点之间划上由纤维传导束成像所提供的连线。注意的是，弥散光谱成像所提供的纤维传导束 有许多，要将其合并和计算后才能得到最终连接于感兴趣区域之间的连线。 假设有两个节点 u 和 v。那么在 u 和 v 之间只要有一条纤维传导束，u 和 v 之间就可以划上连线。下面就有 两个问题要解决。第一个问题是，划上的这条连线应该有多长，即两个点之间的空间距离有 多远。解决这个问题的方法是将两个脑区之间检测到的所有纤维传导束的长度相加取平均 值。第二个问题是，划上的这条连线应该有多粗，即两个点之间的联系强度有多大。解决这 个问题的方法是用两个脑区之间的纤维传导束的总数来表示连线的粗细（正式的名称为权 重，weight）。最终得到了一个有 998 个点，可以分为66 个区的大脑皮质联系的网络图。将 每个点按照标准脑成像坐标体系安置到脑皮质表面， 就可以形成如图所见的与大脑外形相似 的网络图。在论文中，作者将998 个点的网络称为高分辨网络（high­resolution matrix），而 将 66 个脑区构建的网络称为区域连接网络（regional connection matrix）。为了更容易描述， 在接下来的读书报告中将 998 个点的网络称为感兴趣区域网络，而 66 个脑区的网络称为解 剖分区网络。

在接下来的网络分析中，将使用统一的命名规则对每个脑区进行缩写。33 个脑区缩写如下：

① 每个缩写给予前缀表示左右脑。r 右脑；l 左脑 。

① 要注意的是，中枢神经系统源自于一个管状结构：神经管（neural tube）。该结构在胚胎的背部形成，并 逐渐向伸展头尾部延伸。神经管由此而有着两端：头端和尾端。由于神经管实际上在头颅和脑发育的过 程中始终处于矢状面上，因此“前、后、上、下”等用于整体解剖学的方位术语在描述神经系统的时候 会变得容易混淆。为了能够克服这种混淆，需要在描述神经系统的时候使用另外一套术语来定义参照系。

2.2 采用什么参数进行网络分析？

2.2.1 基本指标

点度（degree） 、强度（strength） 、中间中心度（betweenness centrality）和效度（efficiency）：

在了解这些指标之前需要先将路径（path）这个概念做一个说明，两个节点之间如果至 少有一条线使得它们直接相连，那么这两个节点之间的最短路径长度为 1；而如果两个节点 之间如果要走通的话至少要经过 n条连线，那么 n的值就是这两点之间的最短路径长度。

点度和强度表示的是某个点与网络中其他点的连接程度（支配或被支配作用） ，而中间 中心度和效度则衡量的是某个点在多大程度上位于网络中其他成对节点之间的最短交通路 径上（桥梁作用） 。因此，点度和强度表示的是脑区对其他脑区的支配或被支配能力的大小， 而中间中心度和效度衡量的是脑区对信息的转接能力。

高点度的节点拥有很多联系，点度表示的是连线的数量，即表现为网络图中与某点相连 的连线数量多寡。ppt10 上图的节点的连线数是 4，其点度就是 4。

高强度的节点拥有很强的联系，强度表示的是连线权重之和，即表现为网络图中与某点 相连的连线粗细的总和。ppt10 上图的节点的连线权重之和是 10，其强度就是 10。

高中间中心性的节点位于许多路径的交汇处，中间中心性表示的是有多少对节点之间的 最短路径需要经过该节点，即表现为网络图中通过某节点的最短路径的数量多寡。ppt10 中 图标出了每个节点的中间中心性大小及其数值。很显然，蝴蝶形网络两边翅膀部分的节点都 需要通过中间的两个节点来相互连通，因此中间的两个节点的中间中心性就最高。

高效能的节点与网络中的其他点之间非常靠近，效能表示的是节点与其他节点之间的距 离，即表现为网络图中某节点距离其他节点的远近程度。ppt10 下图标出了各节点的效能。 在论文中使用的是一个倒数值，而为了能够比较清晰地说明节点效能程度，在 ppt10 下图标 出的是用 Ucinet6 计算出来的非倒数值。事实上，效能是与网络分析中的接近中心性 （closeness centrality）是相似的。

2.2.2 网络处理

骨干网（connectivity backbone） ：

找到整个网络的骨架结构。如果将整个网络看作是一颗迂回缠绕的青藤树，连线的粗细 看作是藤条的粗细，而节点看作是藤条分叉的位置。那么，整个网络一定存在主干和分枝的 区别， 而找出其中的主干对分析整个网络的特征有重要的指导意义。 找到骨干网的过程如下： 首先在整个网络中找到一条连接所有节点的树状网络结构。 在一个网络中存在许多个满足这 个条件的树状结构。但是每个树状结构中各节点强度值的总和并不相同。取所有这些树状结 构中强度总值最大的树状结构，即连线粗细之和加起来最大的树状结构，称为最大生成树 （maximum spanning tree） 。然后将真个网络中尚未加入最大生成树的连线按照由粗到细的 顺序逐个加入最大生成树中，直到整个生成树中每个点的平均点度达到 4。为什么以 4 为标 准在论文中没有详细说明，推测可能和点度分布的分析有关。如 ppt11 所示大脑的骨干网。

k­核解析（k­core decomposition）：

指向臀部方向的神经管末端被称之为尾端（caudal end）。另外一端称为头端（rostral end）。神经管贴近胚 胎腹部的部分被称为腹侧（ventral surface）。这种方向界定与身体的安放位置无关，即便胚胎卷曲或者在 矢状面上扭曲，腹侧始终不变。与腹侧相反的方向为背侧（dorsal surface）。无论是胚胎期、婴幼儿期还 是成年期，这些术语在描述中枢神经系统的时候均适用。

找到网络中具有某种特征的子网络。此类子网络中的每个节点的点度至少为 k，即每个 节点至少和该核团中的 k个其他节点有连线。 一个网络中如果存在一群相互之间紧密连接的 节点所构成的子网络， 那么这样的子网络通常可以看作具有高度的内部协作性。如果将总体 网络看作是由大小不同的城邦及其公路组成的网络， 那么骨干网可以看作是总体网络中连接 所有城镇的主干道， 而相互之间紧密连接的子网络就有可以看作是总体网络中由多个城邦联 合起来形成的联邦。请注意的是，这种子网络如果要真正成为网络核心的话，还要求其能够 在总体网络中占据有利的位置， 即能支配和调度网络的其他部分。 这又是需要进一步以其他 指标来衡量。但是，首先需要的是找到这样的子网络，k­核就符合这个条件。k­核内部的节 点之间都相互连接，并且要求其至少满足最低限度的相互连接，即每个节点至少与子网络内 部的 k个其他节点相连。

k­核的获得方法如下：设定某个 k值作为目标值，然后在网络中将点度低于 k的节点删 除；当然在一轮删除后， 肯定有一些原本被保留的点度高于 k的节点由于与其相连的点度低 于 k的节点被删除，从而导致这些原本点度高于 k的节点的点度降低到 k值以下。因此进行 第二轮删除。如此反复进行删除。最终保证所得到的子网络中没有哪个节点的点度低于 k。 此时的子网络称为 k­核。要注意的是，如果从每个节点的角度来看，一个节点可以参与多 个 k值不同的 k­核。例如 ppt12 左上图共有 10 个节点，每个节点所参与的 k­核的 k值标在 节点中。蓝色的为 3­核，白色的为 2­核，黑色的为 1­核。可以很清楚地从左下方的三个图 中看到，3­核的节点也可以参与 2­核和 1­核，而 2­核的也可以参与 1­核。但是，在左图最 顶上的只参与 1­核的节点很显然不能参与 2­核与 3­核；而左图正中的只参与 2­核的节点很 显然不能参与 3­核。因此，如果给每个节点列出一个所参与 k­核的 k 值列表的话，一定存 在某个最高的 k 值是这个节点的特征 k 值（kmax） 。这个 kmax 值代表了该节点所能参与的最 大 k­核的 k值。如 ppt12 右图，不同颜色节点内标注的数字代表的是这些节点所参与的最大 k­核的 kmax 值。因此，在进行 k­核解析后，每个节点均被赋予一个 kmax 值。

换个角度来看，如果要寻找网络的核心，那么肯定希望这样的核心是一个包含了富有影 响力的节点在内的子网络，并且这些富有影响力的节点之间也能够密切联系。最简单的对节 点影响力的衡量指标就是其点度，即一个节点可以影响的节点数量。点度越大，说明该节点 的影响力越大，或者准确地来说，是这个节点的影响范围就大。事实上，在 k­核中的每个 节点除了与 k­核内部的节点有至少 k个连接之外，还可能与总体网络中的其他节点有连接。 这意味着 k­核内的节点在总体网络中的点度大于等于k。因此，k­核是由点度至少为 k的节 点所构成的最大子网络。在进行 k核之间的比较时，k值并不与 k核内的节点数量有关，此 时的 k 值有两个意义：首先是表示其中的点的影响范围至少为多大；其次是表示 k­核的内 部交互联系有多紧密。节点的最大 k值（kmax）越大，该节点越可能位于紧密联系的网络核 心中。

s­核解析：k­核解析的时候忽略网络中连线的粗细，那么将连线粗细考虑进去会是什么 样呢？这就是 s­核解析所做的。其根据节点的强度大小按顺序将其从网络中去除，即设定一 个 s 值，第一步从网络中去除强度小于 s 的节点，然后计算所得网络内的节点的 s 值，再次 从中去除强度小于 s 的节点，如此反复，最终得到一个子网络即 s­核。在 s­核内，节点的强 度值至少为 s。

在 66 个解剖脑区之中，每个脑区内只要有一半以上的感兴趣区域都属于某个 k­核（s­ 核） ，那么这个解剖脑区也就被认为位于该 k­核（s­核） ，并被赋予相应的最大 k值（s 值） 。

无论是 k­核解析还是 s­核解析，其最终都是赋予每个节点一个参数值，即该节点所参与 的 k­核的最大 k值，或参与的 s­核的最大 s值。由此可以比较在 k值和 s 值在各个脑区的分 布，以查看参与网络核心的节点主要位于哪些脑区。但是，这就产生了一个新的问题，即无 论是 k­核解析还是 s­核解析都没有真正识别脑区之间相互作用而形成的模块。这需要用模

块识别技术来完成。

模块识别（modularity detection）:

能够构成模块的子网络要符合社群（community）的特征，即模块内部节点联系非常紧 密，而与其他模块内的节点之间的联系则比较稀疏。如 ppt13 右上图有三个社群。ppt13 右 下图粉红色区域内的节点相互之间紧密联系，相比而言，这些节点与其他粉红色区域内的节 点联系就相对稀少。针对模块识别问题开发了许多种类的算法。其中系谱图分区算法 （spectral graph partitioning）是一种比较成熟的算法。无论采用哪种算法都会得到多种的模 块识别结果。每个结果中所含模块的数量也不尽相同。通过调整算法，最终会得到较为理想 的模块识别结果。ppt13 左图显示了从不同的水平上进行模块识别得到的模块数量不同。

在研究中针对脑区之间形成的网络（66 个节点）一共得到 10,000 个结果。将每个结果 按照其中的模块数量进行从高到低排列， 并从中寻找2～12 个模块的最优化结果。针对感兴 趣区域网络（998 个节点），一共得到 20,000 个结果。将每个结果按照模块数量进行从高到 低的排列，从中寻找有 3～8 个模块的结果。同样，为什么选这么多模块的结果以及如何进 行此类计算，在论文中并没有详细交代。但是推测由于本身大脑按照最大的区域来看是额、 顶、颞、枕和中线双侧共 8 到 10 个区域，而最大的分界则是双侧大脑。因此取 2～12 个模 块有利于观察模块划分与脑叶位置的关系。

找到模块后的下一个问题是，这种由多个节点所连接起来的模块，其如何完成内部节点 之间的协调和模块与外部节点的沟通呢？这个问题对于鉴别网络核心而言， 是向功能分析的 迈进，也是对核心网络中的重要节点的界定。这将有助于对特定位点和特定联系重要性评估 和干预。

集散节点分类（hub classification）:

论文中介绍了模块中的每个节点的参与系数，即某个节点所拥有的连线在模块内和模块 外的分布程度的量化指标。 根据参与系数 p的大小来界定节点是倾向于与模块内节点相连的 局部节点（provincial hubs）还是倾向于起到模块之间节点连接任务的接头节点（connector hubs）。作者设定 p

3. 实验结果：如何分析大脑的皮层联系网络？

3.1 Figure 2: 节点的点度和强度在脑区位置上的分布

2A图和 2B 图都是秩次排列的直方图。其中 A图显示的左右大脑半球的点度秩次排列， 而 B 图则显示左右大脑半球的强度秩次排列。LH 表示左脑，RH 表示右脑。每个直方图中 的灰色方块在横轴上的相应值显示的是点度或者强度值，纵轴上是相应的感兴趣区域 （ROI） 。五个参与者分别用圆圈、方块、菱形、正三角和倒三角表示，而灰色方块的最右 端则表示五个人的平均值。 在 A和 B 图上很容易看出点度和强度最高的感兴趣区域分别是： PCUN 楔前叶（precuneus） 、PC 后扣带回（posterior cingulate cortex） 、CUN 楔状叶（cuneus） 、CAC 前扣带回上 部（caudal anterior cingulate cortex） 、BSTS 颞上回后坡（bank of the superior temporal sulcus） 。很显然，对照 ppt9 来看，这些脑区均位于靠近中线处。2C 图显示了皮质表面的感兴趣区域网络的节点强度分 布状况。由于一共有五个受试者，因此每个感兴趣区域就会有五个强度值。将每个受试者的 感兴趣区域强度值由大到小排列，并关注其中位列前 20%的感兴趣区域。当在图上描绘某 个感兴趣区域点的时候， 这个点的大小取决于这个感兴趣区域在多少个人中是排列在前20%

的。因此，图 2C 就表示了感兴趣区域的强度分布在人群中的一致性。越大越黑的节点的强 度在人群中分布越一致。很显然，强度位列前 20%的感兴趣区域在人群中大多数都分布在 中线部位， 尤其是靠后的位置， 即2A和2B所提示的PCUN 楔前叶 （precuneus） 、PC  后扣带回 （posterior cingulate cortex） 、CUN 楔状叶（cuneus）的部位。另外，在额中回和颞上回部位也有分布。为了能 够更清晰地指出部位，本读书报告的 ppt 在原论文的图片上加了半透明框。

3.2 连线密度分布

通过图 2 可以看到，具有很强影响力的感兴趣区域的分布位置。但是并不清楚相应连线 （即神经通路）的分布特征。在论文中给出了连线的分布稠密稀疏程度的量化数据。发现感 兴趣区域的脑网络密度比较低，其约为 2.8～3.0%。密度这个参数的计算是根据网络实际拥 有的连线数量以及可能拥有的最大连线数量的比值算出来的。比方说网络有 n个点。那么这 个网络中保证每个点都与其他所有点都有且仅有一条连线的时候，这个网络是最紧密连接， 并且其中的连线数量是最多。那么这个最大连线数量是 n(n­1)/2。ppt16 中给出了节点数量 为 2、3、4、5、12 的网络的最大连线数量示意图。比方说对于一个有五个节点的网络，那 么最大连线数量为 10 条。ppt16 左图的蓝点网络有 5 条连线，那么其密度就是连线数量 5 比上最大可能连线数量 10，即 50%。在论文的感兴趣区域网络中，998 个节点最大可能拥 有的连线数量是(998×997)/2=497,503。其最终识别的连线数量按照密度的3%来计算，那么 有 14,925 条连线。在这一万多条连线中，有 9%～14%的连线是跨越半球的。

如果将连线的权重（即粗细，可以表示联系的强弱程度）考虑在内。那么我们可以将每 条连线想像成为一条由多股丝线缠绕成的钢丝，每条钢丝内所含丝线股数越多，该钢丝就越 强韧。这样，一万多条钢丝就有一个总质量。例如 ppt16 右图连线总权重为28。那么这些权 重在各个半球内的分布就有利于判断神经通路支配的分布状况， 也就是说在什么部位有着很 强的神经连接。经过考虑连线权重之后，54%的感兴趣区域之间的连线分布在同一个解剖脑 区之内，42%的感兴趣区域之间连线分布跨越不同的解剖脑区，4%的连线是跨半球的。如 ppt16 下图所示。当然，这种跨半球连线可以是联系到对侧的等位感兴趣区域，也可以联系 到对侧不同位置的感兴趣区域。 因此可以发现在感兴趣区域之间存在广泛而密切的联系，并 且这种联系在解剖脑区上的分布从强到弱的排序是：同一个解剖脑区è解剖脑区之间è跨 半球连接。这意味着可能存在皮质脑区网络的模块。

3.3 Figure S1:节点的点度和强度的频数分布

这里所说的频数，是指具有相同点度或强度的节点的数量多少。比方说点度为 15 的节 点的数量为 200 个，点度为 20 的节点的数量为260 个。由于节点总数是固定的，因此，可 以用频数除以总数来计算节点出现的频率。这种频率相对应在坐标轴上标出，所绘出的曲线 的形状有助于判断其分布所符合的统计模型。计算机网络分析已经在大鼠、 猫和猴子中发现 皮层内的联系网络具有某些特征性的大尺度组织结构 （large­scale organization）， 即拥有数以 万计节点的大规模网络符合某些共同的统计学特征。 在本论文中， 作者发现脑皮质解剖网络 不符合无尺度网络的分布特征，却符合指数分布特征，即在线性­对数坐标轴上可以拟合出 直线。观察点度和强度的分布特征，可以发现曲线坡度比较陡峭，提示随着点度或强度的变 化， 符合相应点度或强度的节点的数量变化很大。 这提示感兴趣区域的影响力分布很不均匀。 这种不均匀性就意味着皮质网络地形图中可能存在模块化分布。

************************************************************************** 经过对连线分布、节点点度和强度的频数分布、节点点度和强度的位置分布的考察，均

提示感兴趣区域的影响力和连线的分布存在不均匀性和局部云集的特征。下面的问题就是： 这些存在某些节点相互协作而形成调节网络其他部位的核心团块呢？或者说是否的确存在 模块？模块的形式是什么样的？如何量化提取和分析这些模块？这都是要进一步用量化和 可视化分析来说明。

***************************************************************************

3.4 协调相关性（assortativity）：

在发掘网络核心和模块之前，首先需要解决的一个问题是：这些强有力的节点相互之间 是不是有联系。这就需要用协调相关性这个系数来进行分析。

协调相关性衡量的是高点度的点之间是否相互连接。与之相反，非协调相关性意味着高 点度的点之间相互不存在连接。ppt18 给出了协调相关性和非协调相关性的示意图。可以看 到，在协调相关性的图中，那些拥有很多连线节点之间相互也有连接，从而形成一个位于网 络中央的核心子网络，用透明框标出。在非协调相关性的图中，高点度的节点相互之间不连 接，而是呈扇形排列在图周围，箭头所指为几个比较突出的高点度节点。如果把网络想象成 为人际关系网，那么认识人多的人可以看作是高点度的节点，那么这些认识很多人的人之间 是否也相互认识呢？很显然，如果他们之间相互认识的话，就会形成人际网络的核心。因为 在每个有影响力的人的周围都会聚集一群人， 而这些没有影响力的人希望接触人际圈子之外 的人的话就要经过这个核心来转介绍。 因此， 协调相关性的存在是寻找网络核心的一个线索。

协调相关性是通过网络协调相关性的皮尔逊相关系数（G）进行计算。具体算法在此从 略。系数为正说明存在协调相关性。系数为负说明存在协调非相关性。论文发现感兴趣区域 网络中各个节点的点度相关性系数为 0.1941 ± 0.0513；强度相关系数为 0.2161 ±0.0275。提 示高影响力的节点相互之间存在连接。 于是下一步就可以考虑如何寻找网络的核心了并进行 模块分析了。

3.5 Figure 3 感兴趣区域网络的矩阵可视化和骨干网可视化分析

图 3A 显示了感兴趣区域网络的矩阵特征。在该矩阵的横列和竖列上标出了所有的感兴 趣区域。不同的颜色与图 1 所标的 66 个解剖脑区的颜色对应。左上象限显示的是右脑内部 连接，右下象限代表左脑，而两个半球之间的连接则标注于左下象限和右上象限。每个象限 的对角线在横列和竖列上都对应着同一个脑区，因此没有参照价值。查看该矩阵图的时候， 只需要查看每个象限由对角线所划分开来的直角三角形区域。 在矩阵中每个小点就代表了两 个感兴趣区域之间的联系程度。 这种联系程度是以两个感兴趣区域作为节点所观察到的节点 之间的连线权重来衡量。在图 3A的右侧有个色带，代表了在矩阵中小点颜色所提示的两个 感兴趣区域之间的联系程度。很显然，在对角线上是最大值 1，而例如草绿色则代表相关程

­2 度约为 10 =0.01，颜色越黑就越不相关。因此在完全黑色的区域其实代表的就是相应的两

个感兴趣区域之间无关联的意思。此时观察会发现半球内部的联系要多于半球之间的联系。 具体量化指标可以参照前面所讲的连线密度分布数值。

图 3B 显示了感兴趣区域网络的骨干网。并且按照软件 pajek中的 Kamada­Kawai 的“弹 性嵌置” （spring embedders）技术进行网络可视化。这个名字取自于其开发者。该可视化方 式产生的是规则的空间排列网络图，尤其适用于那些并不是太大的连通网络（connected networks）。Kamada­Kawai 似乎能生成较其他能化指令（energy command）（如 Fruchterman Reingold）更稳定的结果。但是，Kamada­Kawai 执行起来较为费时缓慢，并因此而不适于 顶点数超过 500 个的网络。这也就有了论文中的一个问题。即骨干网包括了 998 个节点，因

此执行该可视化方案将比较费时。但是从另外一个角度来看，作者可能是为了获得稳定的可 视化绘图输出结果而采用这个方案。所幸的是 998个节点并不是太多。估计对程序执行的时 间延长不会很大。在图 3B 中，节点大小与其强度相一致，即越强的点越大；连线粗细与其 权重相一致，其中的图例给出了粗细的标准。在这里估计连线的权重经过了正常化 （normalize），即将最大权重归为 1，其他的连线权重都与其相比而获得连线的权重系数。 同样节点的大小也做了正常化处理。在图例中都可以看到相应的比例大小。从图 3B 中可以 看到，Kamada­Kawai 可视化网络图中很明显存在与顶叶后部，双侧颞叶以及额叶的节点团 块。可点击 ppt 重点圈出每个团块。

图 3C 显示了对应于各个脑区的骨干网排列。同样节点大小与其强度一致，而连线粗细 与其权重一致。背面图可以发现内部高度连接的节点团块位于脑皮质靠近中线的位置，从楔 前叶（precuneus）沿着后扣带回、前扣带回向前延伸直到眶额部皮质靠近中线的部位。背 面观和侧面观都可以看到颞叶和额页都存在节点的云集团块。

3.6 Figure 4 解剖脑区网络的矩阵可视化和骨干网可视化分析

为了能够更清晰地显示上述云集团块的存在。图 4 对 66 个解剖脑区所组成的网络进行 了可视化分析。两个解剖脑区之间的连线密度的计算方法如下：两个解剖脑区内的感兴趣区 域如果有连线， 比方说 A解剖脑区内有 10 个感兴趣区域，B  解剖脑区内有 6个感兴趣区域， A和 B 之间有 5 对感兴趣区域之间有连线，那么就将这五条连线的权重相加除以 5，就获得 了 A 和 B 之间连线的权重。由于有五个受试者，因此，最终显示在图 4 中的为五个人平均 后的网络。 点击上方 “点看 5人矩阵图” 的图标即可观察下一张 ppt21 的五人分开的矩阵图， 图 4A就是这五人矩阵图平均后的结果。点击 ppt21 上

图 4A 显示了解剖脑区的骨干网的矩阵可视化图。同样按照图 3 的方法可以看到，在左 上象限和右下象限显示了右脑和左脑存在较多的内部联系， 而左下象限和右上象限则显示存 在一定的半球间连接，但是半球间连接要比半球内部的连接少。图 4B 显示了与图 3B 类似 的结果，只是骨干网的脑叶分布特征更为清晰。图 4C 同样在背侧图可以看到在中线部位从 后向前延伸的云集成分和很粗的通路， 其中包括了从楔状叶和楔前叶开始沿扣带回向前延伸 直到眶额部皮质近中线部。每张侧方图上都显示在颞叶部位有一个比较清楚的云集团块，而 额叶也存在一个相对来说联系程度更低一点的团块。

观察了感兴趣区域网络和解剖脑区网络的可视化图后，很显然能够得到结论即存在云集 的团块。但是， 这些团块是否就是网络的核心？是否能从中量化识别出模块呢？这需要进一 步的考察。如果要寻找网络的核心，那么首先要界定什么是核心。Hagmann 等认为从直觉 角度而言，一个网络的核心应该是一群相互之间高度连接的节点所组成的子网络。这就意味 着要达成三个目标：1.寻找相互之间高度连接的子网络；2.寻找网络中的模块；3.寻找网络 中的集散节点。

3.7 Figure5：网络的结构核心

采用 k­核解析技术对网络的核心进行探察。每个感兴趣脑区都被赋予一个 k核值。该值 越大，说明该节点越不容易在 k­核解析的时候被删除，也就是说这个节点越参与到网络的 结构核心中。在所有的受试者中，k核解析最终获得的感兴趣区域最低 k­核值通常约为 20。

图 5A显示了每个受试者的各个感兴趣区域分布图。 每个感兴趣区域按照解剖位置排列。 其大小与该感兴趣区域的 k核值相对应。k­核解析是在忽略网络连线权重的情况下完成的， 即设定一个临界权重， 超过这个权重的连线保留下来用于 k核解析，并要求这个临界值能够

保留约 10000 条连线。从图 5A可以看到，节点越大，其参与的 k核值就越大，就意味着该 节点越可能位于网络的结构核心中。

图 5B 显示了五个人的平均图。采用的是与图 1C 相似的方法。即一共有五个受试者，因 此每个感兴趣区域就会有五个 k值。将每个受试者的感兴趣区域 k值由大到小排列， 并关注 其中位列前 20%的感兴趣区域。当在图上描绘某个感兴趣区域点的时候，这个点的大小取 决于这个感兴趣区域在多少个人中是排列在前 20%的。因此，图 2C 就表示了感兴趣区域的 k核分布在人群中的一致性。越大越红的节点的 k核分布在人群中越一致。

通过图 5A和 B 的观察，可以发现网络的结构核心主要分布在楔前叶、后扣带回、扣带 回峡部，以及每侧大脑半球的旁中央小叶。所有受试者的结构核心都位于中线后部，并且通 常都延伸到顶叶和颞叶，尤其是左侧大脑半球的顶叶和颞叶。

图 5C 显示了按照 k 核的 k 值排列的秩次直方图。灰色方块的右端显示了五个人的平均 值。图中显示 PC（后扣带回）PCUN（楔前叶） 、CUN（楔状叶） 、ISTC（扣带回峡部） 、PARC（旁 中央小叶）有着很高的 k­核值。而颞叶顶叶内的一些结构，包括 SP（顶叶上回）、IP（顶叶下 回）、BSTS（颞上回后坡） 、TT（颞横回）等也具有较高的 k­值。

如果将连线权重考虑在内，则图 S3 用 s­核解析的方式分析。同样发现双侧大脑半球的 PC（后扣带回）PCUN（楔前叶）、CUN（楔状叶）、PARC（旁中央小叶） 、SP（顶叶上回）、IP（顶 叶下回）都位于结构核心中。

3.8 Figure 6：模块识别和集散节点分类

采用谱系网络图分区法（spectral graph partitioning）进行模块识别。该方法可以很好地 识别网络固有的模块。

图 6 显示的是对解剖脑区网络图的模块识别结果。共识别出六个网络模块，列表于 S1 中。

图 6A 中节点代表解剖脑区。六个灰色半透明圈表示了六个模块的范围，其圆心位置是 根据模块所拥有的连线粗细总和（即连线质量）来确定，这样就相当于确定了模块的质量中 心。每个半透明圈的大小与模块内节点的多少相一致，节点越多模块越大。最终在图上标出 的连线权重则由某脑区与模块中的所有解剖脑区之间连线的权重平均值决定。即如果 A 脑 区与模块 1 有联系，那么不管 A脑区是否位于模块 1 中，模块 1 中的脑区与 A脑区之间的 所有连线的权重值取平均值后就得到了 A脑区与模块 1 的联系强度。例如，右下角的 rIP 脑 区与模块 4之间有一条连线，该连线的权重是 rIP 脑区与模块 4中所有脑区之间联系的平均 值。该连线是脑区连向模块质量中心的连线。在图中，接头节点是模块间的连接节点，用黄 色圆点标出。 局部节点由黄色圆圈标出。用感兴趣区域网络进行的模块识别也揭示了类似的 模块（未发表数据） 。

图 6B 显示的是接头节点在脑解剖位置上的分布图。如果某个感兴趣区域被界定为接头 节点，那么其在图 6B 上所绘制的节点的大小与受试者的人数有关。5 个人都界定该区域为 接头节点，那么这个点就最大且颜色最深。因此，图6B 表示的是接头节点的分布在人群中 的一致性。

从图 6 可以看到， 四个两侧对称的模块主要位于额叶和颞叶。 剩下的两个模块位于中线， 其中一个的中心位于后扣带回，而另一个的中心位于楔前叶和距状旁回。同时，图6 也可以 看到接头节点主要位于皮质从后向前的中轴，包括双侧扣带回上部和下部、 旁中央小叶和楔 前叶。另外，大多数接头节点在人群中一致分布于中线后侧和顶叶。局部节点都位于额叶、 颞顶叶或枕叶的模块中。 大多数被标记为位于网络核心中的感兴趣区域都位于两个中线模块 中。如果将中线的两个模块合并成核心模块，那么超过百分之七十的模块间连线都将被包括

在这个核心中。

如果将模块识别应用于更精细的网络数据，例如视觉和额页皮质网络的分析，那么就能 够分辨出传统精细解剖技术所能同样发现的云集团块， 也有可能得到功能分区所提示的脑区 序列。例如 Figure S4 所示。S4A显示实验者发现在所有 5 个受试者中，视觉感兴趣区域存 在分离的腹侧和背侧云集团。 这两个云集团在位置上相对应并且伸展到视觉皮质的背侧和腹 侧束。S4B 显示额叶感兴趣区域形成位于眶部、中线侧和额叶外侧的云集团。

3.9 Figure 7：中间中心性和效能

图 7A显示了中间中心性位列前 20%的节点在人群中的一致性。图 7 B 显示了每个脑区 的中间中心性数值大小。其中每个感兴趣区域的中间中心性值为五个人的平均值，投射到 A 号参与者（participant A）的脑区表面。图 C 和图 D显示了中间中心性和效能的秩次排列。

从图7中同样可以看到， 高中间中心性和高效能的节点主要还是位于楔前叶和后扣带回， 并且在眶额部以及其他皮质脑区也存在此类节点。

3.10 结构可视化的合理原因

在论文中所用的网络成像技术具有其合理性，主要是由于一下五个原因：

1）在结构连通性方面半球间的差异不是很显著，因为左脑和右脑内部的联系模式是高 度相关的。这通过 Figure S2 的计算数据可以看到。这提示在同一次扫描的各个阶段所应用 的成像方法是一致的。 这个理由针对的问题是：是否在扫描的不同阶段会影响到最终合成的 影像和网络？

2）同一个人在不同时间进行成像并不影响最终结果。例如参与者 A 就在不同的两天内 进行检测，发现其所生成的脑区网络存在一致性（Figure S2） 。这个理由针对的问题与上述 类似。

3）如果对网络引入随机的扰动（例如随机地将连线重新连接），则新生成的网络与原有 网络之间仍然能够保持一致性， 这就提示作者所得的结果对扫描成像或网络构建过程中所存 在的某些小的干扰是存在耐受力的。Figure S6 所示就是经过随机扰动后的中间中心性秩次 排列直方图，其中位列前几位的脑区并没有受到太大影响。

4）作者研究了短尾猿的单个大脑半球的弥散成像数据，并比较通过弥散成像所得的数 据与通过解剖传导束追踪所得的数据。Figure S9 显示了两者的比较结果。DSI为弥散成像， Cocomac 是解剖数据库。发现 78.9%的 DSI 纤维与 Cocomac 数据库中的重叠。而 15%的未 确定纤维是由于其所在位置的纤维解剖成分还不清楚。6.1%的 DSI 纤维位于以前报道不存 在纤维连接的部位。

5）采用了静默状态下的功能性磁共振成像检测，以了解功能与结构是不是有关系。采 用后扣带回作为种子区域，计算相关脑区与后扣带回的联系。结果发现，后扣带回与中线皮 层的后部、眶额部皮质的中线部和顶叶外侧皮质的活动紧密相关（图 8A） 。图 8B 显示了脑 区间的结构连通性和功能连通性之间的相关系数， 发现在两者之间存在很高的可预测性。这 就意味着从强的 DSI 图像连通性就能够很有把握地预测存在强的功能连通性。因此就提示 由弥散成像所界定的结构连通性参与了默认网络的功能连通性的构建。

4 实验结论:

讨论部分在此从略。但是结论部分仍然需要强调一下：此论文给出证据证明在人类的大 脑皮质中存在结构核心。 这个由紧密连接在一起的脑区所构成的复合脑区位于中线部位皮质 的后部。网络分析证明其无论是在空间位置上（即在脑的解剖位置上）还是拓扑位置上（即 不考虑解剖位置，纯粹考虑网络连线关系）均位于大脑的中心。这个解剖上的结构核心与高 代谢区域有关，并且还与已经报道的脑默认网络有关。这就提示这个结构核心是塑造脑的大 尺度动力学机制的一个重要的结构基础。 目前对脑网络地形图的绘制将使得人们有可能探索 脑网络地形图的个体差异，并了解这种个体差异是如何影响脑功能和人的行为的。

2008 年 8月读书报告

参考文献：

1. Eguıíluz, V.M., Chialvo, D.R., Cecchi, G.A., Baliki M. and Apkarian, A.V. Scale­Free Brain Functional Networks. PRL. 2005;94(018102):1­4.

2. Greicius, M.D., Krasnow, B., Reiss, A.L., Menon V. Functional connectivity in the resting brain:A network analysis of the default mode hypothesis. PNAS.2003;100(1):253–258.