科学研究｜从一种多层面的定义理解神经灵活性
灵活性是人类智力的一个核心标志。近年来，研究者基于神经影像技术提出了多种计算方法和模型来描述脑区水平的功能灵活性，以绘制宏观神经灵活性脑图谱。但由于人们对脑功能的认识存在两种基本观点（一种观点认为大脑是受环境需求驱动的被动‘装置’，另一观点认为大脑的运作主要是内在的且主动的），所以刻画神经灵活性通常也相应地基于两类不同的脑活动信号（即任务驱动的或自发的脑活动），而且所采用的灵活性定义往往也不同（如基于脑激活元分析或复杂网络方法）。尤其最近有学者认为神经信息处理可能超越任务驱动和内在的脑活动这种二分法。因此，采用不同的技术方法有可能导致对神经灵活性的理解出现片面性。例如，很难回答大脑所表现的神经灵活性到底是受任务驱动的还是内在的？以及功能上灵活的脑区在多大程度上与通常认为的大脑枢纽脑区是一致的？要想更加全面地理解神经灵活性可能需要一种统一的框架或定义来兼容不同的脑功能状态和计算方法。另外，使用统一的框架来描述神经灵活性有望在理解任务驱动的和内在的脑功能组织之间建立联系。
2021年4月6日，华东师范大学心理与认知科学学院尹大志研究员联合英国诺丁汉大学医学院Marcus Kaiser教授在国际一流学术期刊《NeuroImage》上在线发表了题为《Understanding Neural Flexibility From a Multifaceted Definition》的综述文章。
依据三个反映功能灵活性的核心特征（广泛的认知参与、分布式的连接模式和适应性的网络动力学，图1），该论文提出了一种多层面的定义来理解脑区水平的神经灵活性。这种操作性的定义可以兼容不同的脑功能状态和计算方法。另外，还呈现了一种概率视角以进一步理解脑区在任务驱动和内在脑功能统一框架下是如何运作的。
图1：神经灵活性多层面定义的三个核心特征：广泛的认知参与、分布式的连接模式和适应性的网络动力学
首先，针对这三个核心特征分别回顾了计算方法学的进展，同时强调了其功能意义和潜在的缺陷。关于刻画脑区参与认知领域的多样性，主要介绍了基于脑激活元分析的聚类方法、功能指纹方法、以及数据驱动的数学建模方法；关于刻画脑区分布式连接特征，主要介绍了静态功能和结构网络的节点拓扑属性（如基于非重叠模块化假设的节点参与系数和基于重叠模块化假设的节点多样性指标）；关于刻画脑区适应性的网络连接动力学，主要介绍了基于多任务功能连接模式的可变性方法、基于静息态的动态脑网络方法（如时间可变性、香农熵、时空灵活性、节点忠诚度等）、以及通过计算模型描述结构网络如何产生灵活的脑功能组织。接下来给出了一组有潜力用于评定脑区水平功能灵活性的指标及计算框架，并且对所提出的灵活性特征假设和已有神经信息处理理论之间的关系进行了讨论。
其次，通过总结已有的研究证据，呈现了一种概率视角（图2）以进一步理解脑区在任务驱动和内在脑功能统一框架下的运作模式。具体来说就是大脑中每个脑区的功能配置可以用一个内在的概率分布来表征，该分布体现静息状态下其不断变化的功能连接模式(或局部活动模式)，并从内在概率分布中自适应抽样连接配置(或局部活动模式)来支持特定的认知过程。这种内在的概率分布很可能反映脑功能的一种先验约束，与进化、发育、学习和疾病等有关。类比于量子力学的概念，该概率视角可以理解为一个脑区的内在功能是不确定的，以概率的方式表达;它的表观功能只有在特定的认知任务或刺激被执行时才可被检测和确定。
图2：一种概率视角理解脑区在任务驱动和内在脑功能统一框架下的运作模式
最后，针对神经灵活性的多层面定义和概率视角下的脑功能统一框架，提出了一些潜在的研究领域和方向，以期对认知行为灵活性的神经机制、重大神经精神疾病的诊疗机制、以及脑启发的智能算法研究提供新的见解和理论基础。
论文信息：
Dazhi Yin*, Marcus Kaiser*. (2021) Understanding Neural Flexibility From a Multifaceted Definition. NeuroImage.doi: 10.1016/j.neuroimage.2021.118027.