大脑连接组研究通常以脑区之间的成对关系为基础，但多个脑区共同参与的信息加工，未必能够还原为两两连接。2026年7月29日发表于 Nature Communications 的一项研究系统比较了十种信息论与拓扑学高阶互作指标，发现它们大致形成冗余主导、拓扑支架和协同主导三类，并沿感觉运动—联合皮层层级呈现差异化分布。这些指标还对应不同的代谢和受体图谱，在个体识别、任务解码及脑—行为关联中表现出不同优势。
关键词：连接组、高阶互作、集体动力学、网络拓扑、高阶功能
论文题目：Charting higher-order models of brain function beyond pairwise interactions论文链接：https://www.nature.com/articles/s41467-026-75959-w论文来源：nature communications
大脑的计算与适应能力，并不只取决于单个脑区的活动，还依赖多个脑区之间的协调互动。在连接组网络中，节点代表不同脑区，连接则描述脑区活动之间的统计关系。传统功能连接研究主要考察两个脑区之间的成对关系，但一些分布式信息加工过程涉及三个或更多脑区的共同参与，难以完全还原为两两连接。近年来，信息论与拓扑数据分析由此发展出多种高阶互作指标，试图从不同角度刻画多脑区共同形成的关系结构。该研究选取人类连接组计划中100名健康被试的静息态和任务态fMRI数据，从116个皮层及皮层下区域提取时间序列，系统比较了十种高阶互作指标。这些指标分别来自信息分解和拓扑数据分析等理论框架，用于描述脑区之间的冗余、协同以及网络拓扑结构。研究者还以传统的成对功能连接作为参照，比较不同指标的空间分布、皮层层级特征，以及它们在个体识别、任务解码和脑—行为关联中的表现。尽管这些指标建立在不同的数学框架之上，它们的空间分布并非彼此孤立。研究者计算不同指标在脑区连接层面的相关性，并进行层次聚类，最终识别出三个主要分支：冗余主导指标、协同主导指标和拓扑支架指标。三类指标分别从信息重叠、联合信息和网络拓扑的角度，描述大脑多区域互动的不同侧面。第一类是冗余主导指标。冗余是指不同脑区携带相互重叠或共享的信息。例如，当多个脑区对同一输入产生相似反应时，观察其中一个脑区，可能已经能够获得另一脑区所提供的部分信息。这类关系通常与感觉运动系统内部较为同步和稳定的信息传递有关，也可能支持稳健、容错的信息编码。在图2b的相关性矩阵中，不同理论框架得到的冗余指标呈现出较高的空间相似性，说明它们虽然计算方式不同，却捕捉到了相近的大脑组织特征。在图2c的层次聚类中，传统功能连接、多种冗余指标以及三角形指标共同构成一个主要分支。换言之，传统成对功能连接主要反映的，也更接近信息共享和重叠的一面。第二类协同主导型的指标，考察多个脑区之间，是否只有组合在一起才会涌现出的独特信息。这些指标代表了大脑进行复杂整合、创造性思维和跨模态融合的能力。在图2b的热力图中，这些指标形成另一个独立的高相关“蓝色/冷色方块”，且与冗余簇的相关性很低甚至为负。在图2c的被归为从左到右第三个主分支。第三类指标拓扑支架型。其包含了类似冗余的结构的稳定性，又隐含考察了多节点协作的潜力，在图2c中位于中间的分支。它同时捕获了大脑的稳定结构和整合潜力，对大脑行为的预测准确性最高。
此前研究发现，冗余与协同沿着感觉运动皮层到跨模态联合皮层的功能层级变化：冗余更多分布于视觉、感觉和运动区域，协同则更多出现在默认模式网络、额顶网络等联合区域。该研究进一步发现，信息论与拓扑学指标构成的梯度均与这一皮层层级高度一致，说明不同方法捕捉到了大脑从局部信息加工走向分布式整合的共同方向。研究者随后将三类指标的空间分布与公开的代谢、受体和转运体图谱进行比较。结果显示，冗余及三角形指标与代谢图谱的联系更紧密，协同和部分拓扑支架指标则与神经递质受体密度的关联更强。这些结果表明，不同高阶组织方式可能受到不同神经化学条件的约束，但空间相关并不能证明二者存在直接的因果关系。在应用层面，研究者首先比较了不同指标在大脑指纹和任务解码中的表现。大脑指纹考察连接模式能否稳定地区分个体，任务解码则根据脑活动判断被试正在执行哪类认知任务。全脑分析显示，PhiID冗余指标获得了最高的跨会话个体匹配率，部分拓扑指标也表现良好。仅使用额顶网络、默认模式网络等跨模态联合区域的高阶特征，也能获得接近全脑分析的区分能力，说明个体间的稳定差异在这些分布式网络中表现得尤为明显。图4：高阶互作在大脑指纹识别和任务解码中对表现优秀不过，高阶指标在任务解码中并未表现出全面优势，传统成对功能连接仍处于表现最好的方法之列。这意味着，稳定的个体特征与短期变化的认知状态可能依赖不同层面的网络信息：高阶指标更擅长识别“这个人是谁”，成对连接则更适合判断“这个人正在做什么”。进一步分析显示，三类指标的相对贡献会随任务变化。静息态以及运动、语言任务更多依赖冗余信息，情绪、赌博和关系推理等需要跨系统整合的任务则表现出更高的协同贡献，拓扑指标在不同任务中的贡献相对稳定。不同脑区调整这三类贡献的程度，被研究者定义为“任务灵活性”。任务灵活性与多巴胺转运体密度呈负相关，提示多巴胺能调节可能与功能网络稳定性和灵活性之间的平衡有关。但这一结论来自皮层图谱之间的空间相关，尚不能确定具体作用方向。最后，偏最小二乘相关分析显示，拓扑指标与工作记忆、持续注意、语言、流体智力和执行功能等认知表现具有较强的多变量关联。这说明，与单条连接的强弱相比，多个连接如何共同构成环路和中尺度网络，可能更有助于描述个体间的认知差异。
信息论和计算拓扑学为研究多个脑区之间的集体互动提供了新的工具。与只考察两两关系的传统功能连接不同，高阶指标能够从信息重叠、联合整合和网络拓扑等角度，揭示大脑组织中难以由成对连接完整呈现的维度。该研究系统比较了十种高阶互作指标，发现它们大致形成冗余、协同和拓扑三个类别，并共同沿感觉运动皮层到跨模态联合皮层的功能层级分布，同时呈现出不同的代谢和受体关联。高阶指标更有助于识别稳定的个体差异，传统成对功能连接则仍擅长解码当前认知状态。因此，高阶分析并不是对传统功能连接的简单替代，而是增加了观察大脑组织的新尺度。不同指标回答的是不同问题，只有根据研究目标组合使用，才能更完整地理解大脑如何在稳定传递与灵活整合之间组织信息。随着对现实世界探索的不断深入，人们发现在许多真实的复杂系统中，组成系统的个体之间不仅存在二元交互关系，也广泛存在多个体同时（或以特定顺序）进行交互，即高阶交互现象。为此，研究人员分别发展出了基于超图、单纯复形、依赖关系等的网络高阶表示模型，为复杂网络分析和研究提供了新的思路。由电子科技大学吕琳媛老师、任晓龙老师及中国地质大学（北京）管青老师在集智俱乐部联合发起了【高阶网络读书会】。读书会围绕高阶交互网络的基本概念、模型、方法与应用等研究进行研讨，按照「基础理论」+「深入理论」+「案例研讨」的模式展开。读书会第一季已经圆满结束，第二季正在筹备中。现在报名加入可以解锁第一季全部录播视频并加入社群交流。
6. 高考分数只是张入场券，你的科研冒险在这里启航！
7. 加入集智字幕组：成为复杂科学知识社区的“织网人”
#速递