生物医学网络科学Biomedical Network Science
经典论文难度：进阶

结构脑网络的可控性

Controllability of structural brain networks

Gu S, Pasqualetti F, Cieslak M, Telesford QK, Yu AB, Kahn AE, et al. · Nature Communications 2015 · DOI: 10.1038/ncomms9414

网络控制理论平均可控性模态可控性边界可控性可控性格拉姆矩阵结构连接组

一句话

把线性控制理论用于人脑结构网络，提出平均、模态、边界三种区域可控性及其系统分布。

相关专题：网络可控性与稳定性、脑连接组：结构与功能连接

一句话看懂

把大脑看成一个以白质连接为耦合矩阵的线性动力系统，问“从某一个脑区注入输入，能把全脑活动推到哪些状态、要花多少能量”。结果发现：单个脑区在理论上可以控制全脑，但实际上极难；连接多的区域擅长把大脑推向“容易到达”的状态，连接少的区域擅长推向“难以到达”的状态，处在模块边界上的区域则擅长调节模块之间的耦合。

研究背景与问题

认知控制是指大脑根据任务需要调整自身活动模式的能力，神经影像研究显示它依赖额顶、扣带–岛盖、注意等多个系统的协同。工程控制理论恰好研究“通过外部输入改变系统状态”的问题。Liu 等（2011）把结构可控性引入复杂网络后，一个自然的问题是：脑网络的结构是否决定了不同区域在“控制”大脑状态转换中的分工？

本文作者（Bassett 实验室）采用的是基于格拉姆矩阵的定量可控性，而不是只回答“能否控制”的结构可控性，因而能够区分“控制难易”。

核心思想与方法

数据：8 名健康成人各做 3 次弥散谱成像（DSI），按 Lausanne 图谱分为 234 个皮层与皮层下区域，以纤维条数为权重得到结构连接矩阵 AA。另用 85 名被试的 DTI 数据和猕猴示踪数据做验证。

动力学模型：简化的离散时间线性模型 x(t+1)=Ax(t)+B𝒦u(t)x(t+1)=A\,x(t)+B_{\mathcal K}\,u(t) xx 是各脑区的活动，AA 先做归一化保证系统稳定，B𝒦B_{\mathcal K} 指定输入施加在哪些区域（本文主要考察单个区域）。

可控性格拉姆矩阵：W𝒦=∑τ=0∞AτB𝒦B𝒦⊤(A⊤)τW_{\mathcal K}=\sum_{\tau=0}^{\infty}A^{\tau}B_{\mathcal K}B_{\mathcal K}^{\top}(A^{\top})^{\tau}。其最小特征值越小，把系统推到某些方向所需的能量越大。

  • 平均可控性：Tr⁡(W𝒦)\operatorname{Tr}(W_{\mathcal K})，衡量该区域把系统推向“许多容易到达的状态”的能力。
  • 模态可控性：ϕi=∑j(1−λj2(A))vij2\phi_i=\sum_j\left(1-\lambda_j^2(A)\right)v_{ij}^2，其中 λj\lambda_j、vijv_{ij} 为 AA 的特征值和特征向量分量；衡量从节点 ii 驱动那些衰减快、“难以到达”的模态的能力。
  • 边界可控性：基于社团划分，识别位于模块边界、能调节模块间耦合或分离的区域。

主要发现

  1. 可控但不容易控制：以每个脑区单独作为输入时，格拉姆矩阵最小特征值都大于 0（理论上可控），但均值仅约 2.5×10−232.5\times10^{-23}，远小于最大特征值，说明实际上几乎无法仅靠一个区域把大脑推到任意状态。
  2. 平均可控性与加权度高度正相关（r=0.91r=0.91），高平均可控性区域多为枢纽，集中在默认模式系统附近（如楔前叶、后扣带等内侧区域）。
  3. 模态可控性与加权度几乎完全负相关（r=−0.99r=-0.99），高模态可控性区域度低，主要位于额顶与扣带–岛盖认知控制系统。
  4. 边界可控性与度关系很弱，高值区域分布较广，以腹侧和背侧注意系统为主。按系统归一化后，30 个“控制枢纽”中，平均可控性枢纽的 30% 在默认模式系统，模态可控性枢纽的 32% 在认知控制系统，边界可控性枢纽的 34% 在注意系统。
  5. 结果可重复：在 83 到 1015 个区域的五种分区、85 人 DTI 独立样本以及猕猴示踪网络中，主要相关关系基本一致。

怎样读这篇论文

先看图 1 的概念示意，理解“状态”“轨迹”“控制输入”在脑科学语境中的含义。然后对照方法部分的公式读图 2，它是全文核心：三种可控性的脑图及其与加权度的散点。图 3 是跨数据集验证，图 4 是按认知系统的富集分析。补充材料中关于格拉姆矩阵数值精度的讨论值得进阶读者一看。读之前最好先熟悉线性系统的可控性。

局限与后续工作

  • 模型高度简化：线性、时不变、无噪声，且只把结构连接当作动力学耦合；真实脑活动是非线性的，神经调控也不是对单个区域的理想输入。
  • 与度高度冗余：平均可控性和模态可控性分别与加权度相关 0.91 和 −0.99，需要追问它们在度之外提供了多少新信息。后续理论工作（如 Wu-Yan 等, 2018, Journal of Nonlinear Science）在典型图模型上系统比较了这些指标与度的关系。
  • 数值与方法学争议：Tu 等（2018, NeuroImage）指出，对大规模脑网络，最小特征值等数量极小，数值精度和模型设定会显著影响结论；Karrer 等（2020, Journal of Neural Engineering）给出了归一化方式、时间尺度等选择的实践指南。
  • “控制”与“认知控制”只是类比：区域富集于认知控制系统是相关发现，不能直接推出该区域在大脑中“执行控制”。高可控性区域也不等于临床刺激的最佳靶点，后续的 TMS 等实验研究（如 Medaglia 等, 2018, Journal of Neuroscience）才开始直接检验这类预测。
  • 后续发展：可控性被用于发育（Tang 等, 2017, Nature Communications）、精神疾病和控制能量等研究，形成“网络神经科学中的控制理论”方向。

关联知识

延伸思考

  1. 平均可控性与加权度相关 0.91。如果你要论证平均可控性“提供了度以外的信息”，会设计什么分析？
  2. 模型把纤维条数矩阵直接当作动力学矩阵 AA。这一假设在哪些方面可能不成立？换成功能连接或有效连接会怎样？
  3. 如果要用经颅磁刺激检验“高模态可控性区域更容易把大脑推向难到达状态”，实验应如何设计？需要测量什么？