扰动 AI 数字孪生大脑，刻画脑网络的因果！

---

论文：Mapping effective connectivity by virtually perturbing a surrogate brain
代码：https://github.com/ncclab-sustech/NPI

---

0、摘要

  有效连接反映了脑区之间的因果交互作用，是理解大脑信息处理机制的基础。然而，传统的有效连接获取方法依赖于对神经响应进行刺激，往往具有侵入性或空间覆盖有限，难以适用于人类全脑有效连接的绘制。（如何无创获得大脑连接）

  为解决这一问题，本文提出了神经扰动推断（Neural Perturbational Inference，NPI）：一个用于绘制全脑有效连接的数据驱动框架。

  NPI 采用人工神经网络来模拟大尺度神经活动，作为大脑的计算替代模型。通过对替代大脑中所有脑区进行系统性扰动，并分析其他脑区产生的响应，NPI 能够绘制全脑有效连接的方向、强度及兴奋/抑制特性。

  在已知真实有效连接的生成模型上验证表明，NPI 优于格兰杰因果关系和动态因果建模等现有方法。将 NPI 应用于多个数据集的静息态功能磁共振成像数据，结果揭示出具有一致性的、受结构支持的有效连接模式。此外，与皮层-皮层诱发电位数据的对比显示，NPI 推断的有效连接与真实刺激传播模式高度相似。

  通过从相关性分析转向因果性理解大脑功能，NPI 为解码大脑功能架构迈出了重要一步，有望推动神经科学研究和临床应用。（推进意义）

---

1、引言

（1）研究意义：
  大脑依赖脑区间的信息流动实现功能，结构连接（Structural connectivity (SC)：大脑的物理连接结构）与功能连接（Functional connectivity (FC)：神经活动之间的统计依赖关系）均无法刻画方向性因果交互，因此有效连接（Effective connectivity (EC)：阐明脑区之间的因果相互作用）对于理解信息流和神经调控至关重要。

（2）当前局限：
  各类无创计算方法虽规避有创问题，但全脑分析时精度不足，动态因果建模、格兰杰因果分别存在模型假设依赖、无法量化连接强度与区分兴奋抑制的缺陷，且不同算法对有效连接的解读标准不统一。

（3）前沿背景：
  神经科学大数据与人工神经网络（Artificial neural networks，ANNs）的发展使得从模型权重推断有效连接成为可能，但权重未必反映真实因果；扰动分析借鉴了神经科学中的刺激诱发电位思想，为探究因果关系提供了新途径。

（4）本文贡献：
  本文提出神经扰动推断框架，以人工神经网络作为大脑的计算替代模型，通过系统性扰动绘制全脑有效连接的方向、强度和兴奋/抑制性质，并在生成模型和皮层诱发电位数据上得到验证。

---

2、结果

2.1、神经扰动推断

  NPI 是一种从神经信号中推断有效连接的非侵入性框架（图1 a–d）。在概念上，NPI 模拟了通过神经刺激对真实大脑进行实验性扰动的方式。它使用 ANN 作为计算替代模型来取代真实大脑，从而能够高效地对全脑进行扰动和观测。尽管脑成像和电生理记录可以获取多个脑区的群体活动，但这些脑区之间相互作用以处理信息的复杂方式仍不清楚（图1 a）。NPI 旨在推断全脑范围内脑区之间的有向因果连接，即有效连接。（总体思想、实验范式、以及要解决的科学问题）
  
Figure 1 (a-d) | 神经扰动推断法通过虚拟扰动代理脑模型来绘制有效连接图：
a. 脑网络示意图， 采集各脑区神经信号，基于该信号推算脑区间有效连接强度；
b. 以 ANN 构建代理脑并完成训练，用于拟合大脑神经动力学规律；该网络以历史脑状态为输入，经优化实现对后续脑状态的预测；
c. 训练完成后，对 ANN 开展系统性扰动以推导 EC：单独扰动某一脑区，通过观测其余脑区由此产生的响应，得到该脑区指向全脑其他区域的全部 EC 参数；
d. 依次对 ANN 内所有脑区执行扰动操作，得到全脑两两脑区间的完整 EC 图谱；该全脑 EC 图谱可表征大脑全域的因果调控作用，同时区分连接的作用方向、作用强度，以及兴奋 / 抑制两种调控属性；

  首先，训练一个 ANN，使其基于前三个时间步长的脑状态来预测下一个时间步长的脑状态，从而最小化单步预测误差（图1 b）。为了验证该网络捕捉脑区间交互关系的能力，将预测输出递归地馈入模型，以生成合成的神经信号（图1 e）。利用血氧水平依赖数据，将合成信号计算得到的功能连接（模型 FC）与从经验 BOLD 信号计算得到的功能连接（经验 FC）进行比较（BOLD 信号为金标准），数据来自人类连接组计划数据集中 800 名参与者的平均结果。模型 FC 与经验 FC 之间显示出强相关性（$r=0.97$），表明该 ANN 能够有效捕捉对有效连接推断至关重要的复杂脑区关系（图1 f）。这意味着训练好的网络可以作为可靠的替代大脑用于虚拟扰动。
  
Figure 1 (e-h) | 神经扰动推断法通过虚拟扰动代理脑模型来绘制有效连接图：
e. 将网络预测输出循环回输至 ANN 输入端，即可生成由该网络仿真得到的神经时序信号；
f. 分别由模型生成 BOLD 信号、实测 BOLD 信号计算模型功能连接与实测功能连接，结果均为 800 名被试均值，二者相关系数 $r=0.97$，相关性极强；
g. 通过抬升选定脑区神经信号施加扰动；对比基线输入下目标脑区预测响应的差值，表征源区至目标区的有效连接，扰动效应以色标区分：红色为神经信号升高，蓝色为信号降低；
h. 扰动 b 脑区会提升 a 脑区活动、抑制 c 脑区活动，说明 b 对 a 为兴奋性有效连接、b 对 c 为抑制性有效连接；

  在本研究中，该网络实现为多层感知机（扩展图1），但 NPI 框架具有灵活性，支持多种预测模型，只要这些模型能够学习大脑动力学并捕捉脑区间关系即可（补充图1）。除多层感知机外，本文还测试了其他替代模型，包括卷积神经网络、循环神经网络和向量自回归模型。这些模型在信号预测、功能连接复现和有效连接推断方面的表现均经过了评估（补充表1）， 证实 NPI 框架在不同 ANN 架构下均具有鲁棒性。
  
Extended Figure 1 | 通过网格搜索优化 MLP 架构：
a. 本研究采用的多层感知器（MLP）网络结构，包含 1 层输入层、2 层隐藏层与 1 层输出层，该结构经由网格搜索寻优确定；
b. 不同隐藏层维度配置下，训练集单步预测的决定系数 $R^2$，数值为 20 名被试结果的均值；
c. 不同隐藏层维度配置下，测试集单步预测的决定系数 $R^2$，数值为 20 名被试结果的均值；

  
Supplementary Figure 1 | 备选代理模型网络结构：
a. 循环神经网络（RNN）结构：通用状态空间模型由编码器模块、循环神经网络、解码器模块三部分构成；
b. 卷积神经网络（CNN）结构：本文搭建的网络包含两层一维卷积，卷积层间采用 ReLU 激活函数；末层卷积输出经线性层映射得到预测时序信号。一维卷积参数格式为（输入通道数，输出通道数，卷积核尺寸）；

  
Supplementary Table 1 | 各类模型与数据集在单步预测、功能连接复现、有效连接推断三项任务上的性能： ✓ 表示该模型具备相应能力，但缺乏真实 EC 数据以量化 EC 推断效果。

  训练完成后，将 ANN 固定，作为大脑的替代模型。随后对网络的每个节点（每个节点代表一个特定脑区）系统地施加虚拟扰动（图1 c）。扰动以信号在选定节点上于时间 $t$ 处的一个脉冲式增加来实现（图1 g）。网络分别处理受扰动和未受扰动的输入，以预测后续的神经活动 $x(t+1)$，并对两者进行比较。

  目标区域在受扰动与未受扰动两种输入下，其预测响应的差异即反映了从源区域（被扰动区域）到目标区域的有效连接。目标区域活动的增强或减弱分别对应兴奋性或抑制性有效连接（图1 h）。这种“一到所有”的有效连接映射通过对单个节点进行扰动即可实现，而对所有节点进行系统扰动则可获得全面的“所有到所有”有效连接映射（图1 d），从而捕捉脑区间因果交互的方向、强度以及兴奋/抑制性质。在数学上，这一过程可以理解为对训练好的网络求雅可比矩阵（扩展图2），从而量化一个节点上的微小输入将如何影响其他节点的后续状态。
  
Extended Figure 2 | NPI 推断出的误差矩阵与训练好的 ANN 模型的雅可比矩阵一致：
a. 示例 RNN 的雅可比矩阵，使用 PyTorch 数值计算得到；
b. 训练用于预测合成信号的 ANN 的雅可比矩阵；
c. 通过扰动训练后的 ANN，由 NPI 推断出的有效连接；
d. 训练后 ANN 的雅可比矩阵与真实 RNN 的雅可比矩阵在各连接对上的对比；
e. NPI 推断的有效连接与训练后 ANN 的雅可比矩阵在各连接对上的对比；
f. NPI 推断的有效连接与真实有效连接之间的相关系数，以及雅可比矩阵与真实有效连接之间的相关系数。两者无显著差异（双侧 Wilcoxon 符号秩检验，$P=0.87$，$n=50$），误差线表示标准差；
g. 基于 HCP 数据集中 800 名参与者静息态 fMRI 数据平均得到的 NPI 推断有效连接。
h. 基于 HCP 数据集中 800 名参与者静息态 fMRI 数据训练的 ANN 模型的雅可比矩阵（平均值）；
i. NPI 推断的有效连接与训练后 ANN 的雅可比矩阵在各连接对上的对比；

  利用具有真实 EC 的生成模型所产生的数据，对 NPI 的有效性进行了验证（图1 i）。当将 NPI 应用于真实的静息态 fMRI 数据集时，它成功地揭示了基于种子点的 EC 以及全脑 EC，并揭示了功能脑网络内部及之间的有效连接分布（图1 j）。
  
Figure 1 (i-j) | 神经扰动推断法通过虚拟扰动代理脑模型来绘制有效连接图：
i. 采用搭载真实 EC 基准真值的生成模型，完成 NPI 方法验证；
j. 将 NPI 应用于静息态 fMRI，可绘制全脑 EC 图谱；

---

2.2、生成模型上 NPI 的验证

  使用由具有既定真实 EC 的生成模型所产生的合成数据集对 NPI 进行了验证。共采用三个模拟数据集：一个来自 RNN 模型（图2 a–h），另外两个来自 fMRI 生成模型（图2 i–p）。真实 EC 是通过直接对生成模型施加“扰动-记录”方法获得的。 随后，将 NPI 推断出的 EC 与真实 EC 进行比较，以评估 NPI 的性能。

  首先，将 NPI 应用于一个 RNN 模型，该模型的预设权重矩阵作为结构连接，矩阵元素从均值为零的高斯分布中抽取（图2 a）。通过运行该 RNN 合成神经信号（图2 b）。按照 NPI 框架，训练一个替代 ANN 来学习 RNN 生成的信号。为了评估该网络学习 RNN 动力学的能力，将其输出递归地反馈回系统，以生成该网络模拟的信号（图2 c）。由这些网络生成信号所计算得到的功能连接，与直接从 RNN 生成信号计算出的功能连接之间呈现出强相关性，证实了该网络能够有效捕捉 RNN 中的脑区交互关系（图2 d）。
  
Figure 2 (a-h) | 生成模型上 NPI 的验证：基于循环神经网络（RNN）模型开展验证。
a. RNN 的结构连接（权重矩阵）；
b. RNN 生成的仿真时序信号；
c. 将训练完成的 ANN 循环迭代运行，得到网络仿真信号；
d. 实测功能连接与模型复现功能连接，二者相关系数 $r=0.95$；
e. 通过扰动训练后的 ANN，采用 NPI 推导 EC；
f. 对真值 RNN 施加扰动得到基准真值 EC；
g. NPI 推算的 EC 与真值 EC 高度相关（$r=0.95$），且性能优于格兰杰因果（GC）推导结果（双侧 Wilcoxon 符号秩检验，$P=1.78\times 10^{-15}$，样本量 $n=50$）；
若无额外说明，柱状图与折线代表均值，误差棒为标准差，${}^{\ast \ast \ast }$ 代表 $P<0.001$。
h. 多变量条件下 NPI 方法的鲁棒性测试：扰动幅值（每组 $n=50$）、噪声标准差（每组 $n=50$）、时序数据长度（每个数据点取 10 组样本均值）；

  为了推断 EC，对训练好的 ANN 系统性地施加了扰动（图2 e及补充图2、3）。通过直接扰动真实 RNN 所获得的该 RNN 自身 EC，被用作真实 EC（图2 f）。将 NPI 推断的 EC 与真实 EC 进行比较，结果显示两者高度相关（r=0.95），优于格兰杰因果关系方法（图2 g与补充图4）。NPI 推断的 EC 与 RNN 的 SC（为 EC 提供解剖基础）之间也表现出强相关性（补充图4）。尽管由于神经动力学的非线性和信号噪声，EC 与 SC 并不完全一致，但 EC 与 SC 之间的相关性仍显著强于 FC 与 SC 之间的相关性（补充表2）。这一差异凸显了 FC 的局限性，例如缺乏方向性以及易受虚假连接影响。（准确性验证）

  进一步评估了 NPI 在扰动强度、真实 RNN 中的系统噪声水平、数据长度和 RNN 大小等变化下的鲁棒性（图2 h）。结果表明，NPI 的性能在不同扰动幅度下保持稳定，随着噪声水平的增加仅有轻微下降。此外，研究发现，更长的数据集对于可靠推断 EC 至关重要，尤其是在较大规模的网络中。这些发现强调了 NPI 框架的鲁棒性和可扩展性。（鲁棒性验证）
  
Supplementary Figure 2 | 扰动 RNN 节点后的信号变化：
a. 扰动引发的信号变化由有无扰动条件下模型生成信号的差值计算得到；与受扰脑区存在兴奋性 EC 的区域呈现正向响应，存在抑制性 EC 的区域呈现负向响应；
b. 被扰动节点的时序信号；
c. 与受扰节点存在兴奋性 EC 的区域信号；
d. 与受扰节点存在抑制性 EC 的区域信号；

  
Supplementary Figure 3 | 基准 RNN 的真值 EC 与 NPI 推算 EC：
a. 蓝色曲线为扰动循环神经网络 17 号节点后 11 号节点的响应分布，响应均值 - 0.13，标准差 0.06；绿色曲线为扰动 3 号节点后 1 号节点的响应分布，响应均值 0.10，标准差 0.06；
b. 真值 EC 由扰动后的平均响应计算得到；
c. 在 ANN 中扰动与 (a) 相同节点得到的响应分布：蓝色曲线均值 - 0.13、标准差 0.05；绿色曲线均值 0.10、标准差 0.04；
d. NPI 方法以 ANN 扰动后的平均响应作为推算得到的 EC；

  
Supplementary Figure 4 | 基于基准循 RNN 环神经网络仿真数据推断 EC 时，NPI 方法性能优于格兰杰因果（GC）：
a–c：NPI 推算 EC 分别与 RNN 真值 EC、SC、FC 的相关关系。
d–f：格兰杰因果推算 EC 分别与 RNN 真值 EC、SC、FC 的相关关系。
结果表明，相较于格兰杰因果推算的 EC，NPI 推算结果与真值 EC、SC、FC 的相关系数均更高。

  为在真实应用场景下验证 NPI，本文将其应用于两个合成 fMRI 数据集。第一个应用采用了一个公开的合成数据集，该数据集包含由九种不同 SC 配置生成的 BOLD 信号动态变化数据（图 2 i 和扩展图 3a）。该数据集常用于验证 EC 推断算法，其 SC 为二值形式，并模拟了神经发放率，再通过血液动力学响应函数转换为 BOLD 信号。由于该数据集没有真实 EC，本文通过计算 AUC 来评估 EC 推断性能：将 NPI 推断的 EC 二值化后，对每条 SC 的存在与否进行分类。（任务描述）
  
Extended Figure 3 | NPI 在不同网络拓扑结构下的性能表现均十分可靠：
a. 测试数据由公开数据集配套的生成模型生成，模型预先设定有向二值 SC；
b. 采用 NPI 方法基于仿真 BOLD 信号推算有效连接；
c. 九种不同结构连接配置下，对比 NPI、格兰杰因果（GC）、动态因果建模（DCM）三种方法推断 EC 的曲线下面积（AUC），误差棒代表标准差；

  NPI 的 AUC 接近 1，优于 GC 和 DCM（图 2 j）。在所有九种结构连接配置下，NPI 的表现始终优于 GC 和 DCM（扩展图 3），突显了其在多种连接拓扑和模型结构下绘制有效连接的精度和可靠性。（任务表现）
  
Figure 2 (i-p) | 生成模型上 NPI 的验证：基于仿真功能磁共振数据（fMRI）开展验证。
i. NPI 推算 EC 与 SC 对照示例；在判别 SC 是否存在的任务中，NPI 性能显著优于 GC 与 DCM （三组两两对比，双侧 Wilcoxon 符号秩检验，每种方法样本量 $n=540$，$P<10^{-60}$），对应图 j 左子图；
若无额外说明，箱线箱体为四分位距（IQR，下四分位数至四分位数），中线代表中位数，须延伸至数据极值；该优势在不同节点数量网络中均成立（含 5、6、8、9、10 个节点的结构连接网络，对应样本量依次为 $n=240、60、120、60、60$），对应图 j 右子图；
k. 基于真实人脑 SC 的全脑模型（WBM）仿真得到的 fMRI 时序信号；
l. ANN 的单步预测性能（每组柱状图 $n=100$），虚线代表单变量自回归模型的预测精度基准；
m. 实测 FC 与模型复现 FC，二者相关系数 $r=0.81$；
n. PI 推算 EC 与真值 EC 高度吻合，图中展示两组中等性能节点输出强度前 40% 的有效连接；
o,p. 无论是还原真值 EC、还是匹配真实 SC，NPI 效果均优于GC（双侧 Wilcoxon 符号秩检验，两张子图样本量均为 $n=100$；o 图 $P=3.90\times 10^{-18}$，p 图 $P=3.90\times 10^{-18}$）。

  从大规模网络推断 EC 对 DCM 等传统方法构成了挑战。为了评估 NPI 在大规模 EC 推断中的有效性，本文将其应用于由一个包含 66 个节点的全脑模型生成的合成 BOLD 数据。该全脑模型的 SC 矩阵来源于通过扩散谱成像获得的神经解剖数据，BOLD 时间序列则使用神经动力学模型模拟（图 2 k）。尽管多步预测精度略有下降（图 2 l 和补充图 7），但由 ANN 生成信号所计算的 FC 与全脑模型模拟信号的 FC 仍保持强相关性（图 2 m），证实了该网络能够有效捕捉脑区间关系。

  对两个中位性能节点输出有效连接中最强的 40% 进行可视化显示，NPI 推断的 EC 与真实 EC 高度一致（图 2 n）。此外，与使用 GC 推断的 EC 相比，NPI 推断的 EC 能更准确地反映真实 EC 和 SC（图 2 o、p 以及补充图 5、6）。这些结果确立了 NPI 作为大规模脑网络中估计 EC 的一种稳健可靠的方法。 在该数据集上，进一步测试了不同替代模型的性能，发现多层感知机在功 FC 能连接复现和 EC 推断两方面均优于其他架构（补充表 1 和 2）。因此，本文选择多层感知机作为真实数据分析中 EC 推断的替代模型。（网络结构都对比了，太全面了）
  
Supplementary Figure 5 | 全脑模型（WBM）仿真数据下 NPI 与格兰杰因果（GC）推算的 EC 对比：
a. 全脑模型施加刺激后得到的真值 EC；
b. NPI 方法推算的 EC；
c. GC 推算的 EC；
d–f：NPI 推算 EC 分别与全脑模型真值 EC、SC、FC 的相关关系；
g–i：GC 推算 EC 分别与全脑模型真值 EC、SC、FC 的相关关系；

  
Supplementary Figure 6 | 基于全脑模型（WBM）生成的 BOLD 数据，NPI 推算得到的左半球 EC：
a. 真值 EC 与 NPI 推算 EC 对照；图中绘制性能处于下四分位、上四分位节点输出的有效连接结果；
b、c：在还原左半球（LH）EC 与 SC 特征的任务中，NPI 性能优于 GC （双侧 Wilcoxon 符号秩检验，$p<10^{-3}$）；

  
Supplementary Figure 7 | 全脑模型（WBM）仿真数据下不同预测模型性能对比：
全脑模型仿真数据测试集的信号预测精度，共采用 100 组全脑模型样本；单组数据时长 10000 个重复采集周期（TR=0.72 秒），本实验对比三类模型：多层感知器（MLP）、单变量自回归模型（UAR）、恒等输出基线模型（直接令预测值 $x(t+\Delta t)$ 等于当前值 $x(t)$）；

  
Supplementary Table 2 | 不同模型及数据集中 EC、FC 与 SC 之间的相关性：

---

  感受到大子刊一步一图表的震撼力了，由于图太多了编辑卡顿，剩余内容见：

  下一篇：【医学AI前沿】（NM-2025）通过对数字孪生大脑进行虚拟扰动来绘制有效连接图（2）

---