生物医学网络科学Biomedical Network Science
网络可控性与稳定性10 / 17

脑网络控制：平均与模态可控性

阅读
约 3 分钟

网络神经科学把控制理论用于结构连接组，问：从某个脑区施加输入（如经颅磁刺激、深部脑刺激，或内在的认知控制信号），能把全脑活动推向哪些状态、代价多大？这一方向称为网络控制理论（network control theory, NCT），代表性工作是 Gu 等（2015，Nature Communications；精读 Gu 2015）。

模型与定义

把结构连接矩阵（如弥散 MRI 纤维计数，见结构连接：弥散 MRI 与纤维追踪）当作线性动力学的耦合矩阵： 𝒙(t+1)=A𝒙(t)+B𝒦𝒖(t),\mathbf x(t+1)=A\mathbf x(t)+B_{\mathcal K}\mathbf u(t), 并把 AA 归一化以保证稳定，常见做法是 A←A/(1+σmax(A))A\leftarrow A/(1+\sigma_{\max}(A))（σmax\sigma_{\max} 为最大奇异值），使所有特征值模小于 1。

平均可控性（average controllability）：只驱动区域 ii 时无限时域 Gramian 的迹 ACi=tr⁡Wi,Wi=∑τ=0∞Aτ𝒆i𝒆i⊤(A⊤)τ.\mathrm{AC}_i=\operatorname{tr}W_i,\qquad W_i=\sum_{\tau=0}^{\infty}A^\tau\mathbf e_i\mathbf e_i^\top(A^\top)^\tau . 由 tr⁡(W−1)≥N2/tr⁡W\operatorname{tr}(W^{-1})\ge N^2/\operatorname{tr}W，平均可控性越大，沿随机方向的平均控制能量的下界越低；它衡量从该区域把系统推向“许多容易到达的状态”的能力，而且即使 WW 接近奇异也能稳定计算。

模态可控性（modal controllability）：设对称矩阵 AA 的特征值为 λj\lambda_j、特征向量矩阵为 V=[vij]V=[v_{ij}]， ϕi=∑j(1−λj2)vij2.\phi_i=\sum_j\big(1-\lambda_j^2\big)v_{ij}^2 . 1−λj21-\lambda_j^2 大的模态衰减快、难以激发；ϕi\phi_i 大表示区域 ii 在这些“难以到达”的模态上有较大分量。

边界可控性（boundary controllability）：基于社团划分，识别位于模块边界、能够调节模块之间耦合或分离的区域。

Gu 等发现：单个脑区在理论上都能控制全脑，但 Gramian 最小特征值极小，实际上几乎不可能只靠一个区域把大脑推到任意状态；平均可控性与加权度高度正相关，高值区域集中在默认模式系统附近；模态可控性与加权度几乎完全负相关，高值区域集中在额顶与扣带–岛盖认知控制系统；边界可控性高的区域以注意系统为主（具体数值见精读页）。

争议与方法学要点

脑网络可控性的争议。Tu 等（2018，NeuroImage）用五个数据集和数值模拟提出三点质疑：（1）在数值精度意义下，脑网络并不能被单个区域显著地控制；（2）与脑结构毫无相似之处的随机零模型，同样复现平均/模态可控性与加权度之间的强相关；（3）静息态功能网络无法被赋予特定的控制角色。Pasqualetti 等（2019，NeuroImage）的回应从理论上论证：脑网络可由单个区域控制、但需要很大能量，且相对于一类随机网络模型具有独特的可控性特征。两方的分歧很大程度上在于“可控”是指精确算术意义还是有限精度数值意义，以及选择什么零模型。

方法学上应当注意（参见 Karrer 等 2020，Journal of Neural Engineering 的实践指南）：

  • 与度的冗余：平均/模态可控性与加权度的秩相关常接近 ±1\pm1。报告它们时应同时报告加权度，并检验在控制度之后是否仍有额外信息（代码示例中，模拟网络与随机零模型的 Spearman 相关都在 ±0.9\pm0.9 以上）。
  • 归一化与时间尺度：归一化常数、连续或离散时间、有限或无限时域都会改变数值，跨研究比较前需统一设定。
  • 数值精度：最小特征值常远低于机器精度（Gu 等报告的均值约 10−2310^{-23}），“可控”结论应结合条件数谨慎解读，见控制能量与 Gramian 的数值问题。
  • 类比的边界：“模态可控性高的区域富集于认知控制系统”是相关发现，不能直接推出这些区域在大脑中“执行控制”，也不能直接推出它们是刺激的最佳靶点。

后续发展

  • 控制能量与状态转换：Kim 等（2018，Nature Physics）推导了最小控制能量与“驱动节点—非驱动节点之间连接”的闭式关系，并在果蝇、小鼠和人脑连接组上比较；Gu 等（2017，NeuroImage）研究了脑状态之间最优转换轨迹。
  • 与实验结合：网络控制指标被用于解释发育、精神疾病与刺激效应的个体差异，后续的 TMS 等研究开始直接检验其预测（见精读 Gu 2015 的“局限与后续工作”）。
  • 与本站其他专题的衔接：脑网络的构建与拓扑见脑连接组：结构与功能连接，结构–功能耦合与动态网络见动态功能连接与多层脑网络；去同步刺激的思路见同步与协同动力学。

继续阅读