6、探秘大脑网络：重叠、模块化与动态特性

探秘大脑网络：重叠、模块化与动态特性

在探索大脑奥秘的征程中，大脑网络的研究为我们揭示了大脑如何组织和处理信息的重要线索。大脑网络并非静态、孤立的结构，而是具有重叠、模块化和动态变化的特性，这些特性深刻影响着大脑的功能和行为表现。

1. 大脑网络的重叠特性

大脑网络呈现出重叠的混合社区结构，许多区域的成员值并非接近峰值 1，这表明重叠社区不能用“排他节点”（仅参与一个社区的节点）来描述，而更适合用“多伙伴节点”（参与多个社区的节点）来解释。例如，即使是最“尖峰”的社区（类似于默认网络），大部分成员值也低于 1，约 60% 的概率质量集中在非最大值区间。这意味着混合成员方法虽然重现了不相交社区的许多一般特征，但混合社区包含了不相交社区所未捕捉到的信息。

在任务执行方面，尽管对无任务状态下的网络结构已有广泛研究，但对于任务执行期间的情况了解相对较少。研究人员通过分析工作记忆（2 - 回任务）和情绪（匹配情绪面孔）任务中的功能磁共振成像（fMRI）数据发现，这两个任务中的一些社区与静息状态下的重叠社区相似，但个体社区成员值的分布存在重要差异。在工作记忆任务中，六个社区中有五个的成员值分布未在较高成员值处达到峰值，表明节点与特定社区的关联较为松散，即大多数区域至少以中等程度参与多个社区。情绪任务中成员值的分布也呈现类似模式，且更明显地向中等成员强度值偏移。这些结果表明，任务期间的社区组织与静息状态有显著不同，大脑区域会与更多的网络建立关联。

2. 网络模块化

标准的社区检测算法通常基于“模块化”这一网络度量，通过优化质量函数来划分网络节点。模块化有助于区分网络节点的“好”与“坏”潜在分区，其核心思想是社区内的节点应具有更紧密的连接，即社区内的边