空间嵌入与布线代价

脑网络与社交网络、蛋白质相互作用网络的一个根本区别是：它嵌入在三维物理空间中。每条连接都是真实的轴突，需要占用体积、消耗代谢能量、带来传导延迟。Bullmore & Sporns（2012, Nature Reviews Neuroscience）据此提出“网络经济性”的框架：大脑的许多组织特征可以由最小化布线代价的简约驱动力解释，但高效率、鲁棒性、模块化和富人俱乐部等有利的拓扑性质往往需要支付额外的布线代价，大脑的组织是在代价与拓扑价值之间不断权衡的结果。

布线代价的度量

最简单的布线代价是所有连接的欧氏长度之和 $\text{Cost}=\sum_{i<j}A_{ij}d_{ij}$（加权版本为 $\sum w_{ij}d_{ij}$），更精确的版本用沿白质流线的长度。把它与网络效率等拓扑指标放在一起，就可以讨论“代价–效率”的权衡，例如比较 $E_{\text{glob}}$ 与布线代价之差在不同密度下的变化。

布线最小化能解释多少？

• 线虫：Chen 等（2006, PNAS）发现，在已知连接组的前提下，最小化布线长度可以在相当程度上预测线虫神经元的空间位置，但也有一部分神经元偏离最优位置。
• 非最优布局与长程连接：Kaiser & Hilgetag（2006, PLoS Computational Biology）比较线虫与猕猴皮层网络发现，实际布局并非布线最短的布局；正是这些“多余”的长程投射显著缩短了处理路径。
• 距离规则：Ercsey-Ravasz 等（2013, Neuron）基于猕猴示踪数据提出，连接概率随轴突距离呈指数衰减（“指数距离规则”），仅凭这一规则构建的模型就能再现猕猴皮层网络的许多统计特征。
• 几何的贡献：Roberts 等（2016, NeuroImage）在人脑结构网络中发现，许多拓扑特征在保持空间几何（节点位置与连接长度分布）的零模型中也会出现，因此只有超出几何预期的部分，才应归因于“额外的”组织原则。

生成模型：用简单规则“长出”连接组

生成网络模型从空网络开始，按一条概率规则逐步加边，再看生成的网络能否再现真实连接组的统计特征。常用的形式是

$$P(i\sim j)\ \propto\ d_{ij}^{\,\eta}\ \times\ K_{ij}^{\,\gamma},$$

其中 $d_{ij}$ 是空间距离（$\eta<0$ 惩罚长程连接），$K_{ij}$ 是某种拓扑亲和项（如两节点共同邻居的比例，即“匹配指数”）。Vértes 等（2012, PNAS）用距离惩罚加聚集项的两参数模型再现了功能网络的多项特征；Betzel 等（2016, NeuroImage）在人脑结构网络上系统比较了十余种规则，发现几何约束结合同配性（匹配指数）类规则的模型拟合最好，但所有模型都难以同时再现节点层面的特征（如哪些脑区成为枢纽）。生成模型的价值在于把“网络有某种特征”转换为“哪种局部规则足以产生这种特征”。

配套代码的空间嵌入示例在三维空间中按距离惩罚规则生成网络，演示它比度保持重连网络和 ER 网络有低得多的布线代价和高得多的聚集系数。