PNAS | 只用1.4%的“關鍵相關”，就能預測全腦活動？用信息論量化人腦的“可壓縮性”

來源：PsyBrain腦心前沿

認知神經科學前沿文獻分享

基本信息：

Title:Quantifying the compressibility of the human brain

發表時間：2026.1.21

Journal:PNAS

影響因子：9.1

引言

我們常說“大腦是一個網絡”，但這句話里有個容易被忽略的技術細節：我們看到的腦網絡，大多來自腦區之間活動的相關（correlation）。問題是：相關這么多，哪些才真“有用”？在fMRI里，100個皮層分區（parcel）就有近5000對腦區相關；如果換更細的分區，相關數量還會爆炸式增長。可在實際研究與臨床應用中，我們并不總能穩定地估計每一條相關：樣本量有限、噪聲存在、任務狀態多變，都會讓“全連接相關矩陣”既昂貴又不可靠。更關鍵的是，相關并不等于因果（causality），很多相關可能只是“間接推出來的影子”。這就引出了一個很現實的挑戰：我們到底需要測量/擬合多少條相關，才能把全腦活動的“可能狀態空間”約束住，從而較準確地預測腦的整體活動圖景？換句話說，人腦活動是否存在一種“可壓縮性（compressibility）”：只要抓住少數關鍵相關，就能還原大部分全腦結構？

Weaver等人把這個直覺變成了一個嚴格的、可計算的框架：用信息論（information theory）里的熵（entropy）表示我們對全腦狀態的不確定性，并用最大熵模型（maximum entropy）把“選中的相關集合”映射為對全腦活動分布的最無偏預測。然后，他們不再憑經驗挑“最強相關”，而是提出要解一個“minimax entropy”問題：在給定邊數的條件下，找到讓不確定性下降最多的那張稀疏相關網絡。最終，作者用Human Connectome Project的99名受試者、靜息態與7個任務態數據證明：全腦相關結構遠比想象中更“可壓縮”，而且最重要的相關常常并不是最強的那一批。

實驗設計與方法邏輯

作者將皮層活動z-score后，把任意“被選中的相關集合”視為網絡約束，用高斯圖模型（Gaussian graphical model, GGM）的最大熵形式從這些約束推出全腦分布，并用模型熵量化剩余不確定性；隨后以“每次加入一條使熵下降最多的相關”為貪心準則，迭代生成從極稀疏到全連接的最優壓縮曲線，并以曲線面積定義可壓縮性指標C，最后在HCP的靜息+7任務、跨被試與跨任務三種組合層面檢驗一致性與網絡結構特征。

Fig. 1. Quantifying uncertainty given a network of correlations.

核心發現

1）人腦活動“高度可壓縮”：極少相關就能大幅降不確定性

在合并所有被試與任務的數據中，最優網絡的壓縮曲線在早期陡降：只需1.4%相關就實現50%熵下降，達到90%熵下降也僅需約9%相關（Fig. 2A）。更直觀的是，當只擬合10%相關時，模型已能定量預測剩余90%的相關結構（Fig. 2C、2E），而隨機選邊會明顯丟失結構并系統性低估相關強度（Fig. 2D、2F）。

Fig. 2. Human neural activity is highly compressible.

2）可壓縮性接近理論上限，并在“人”和“任務”之間驚人穩定

作者用曲線面積定義可壓縮性C（Fig. 3A）：合并數據的C≈**0.96**，接近“幾乎可被一張極稀疏骨架解釋”的上限情形；換更細分區（200區）甚至更高（SI Appendix）。更重要的是，把數據拆到“單任務跨被試”或“單被試跨任務”層面，壓縮曲線仍保持相似形狀（Fig. 3B、3C），平均可壓縮性分別約0.96與0.94，說明這不是拼接數據造成的假象。

Fig. 3. Quantifying compressibility across subjects and cognitive tasks.

3）“最重要”不等于“最強”：冗余強相關讓最優網絡更像“長程骨架”

作者用四節點例子解釋反直覺點：最強相關往往能間接推出第三強相關，使其變成冗余；此時加入一條更弱但“新信息量更大”的邊，熵下降反而更大（Fig. 4A）。在真實數據中，最強相關傾向形成高聚類（clustering）的短環路，而最優網絡刻意避免這種冗余，表現為聚類系數低得多（Fig. 4C），并以接近最少邊數迅速連成單一巨型連通分量（giant component）（Fig. 4D）。

Fig. 4. Network structure of optimal correlations.

4）關鍵邊更偏向“跨系統連接”：用弱但關鍵的系統間相關約束全腦

按8大認知系統（cognitive systems）分組后，最優網絡既會保留系統內必要約束（Fig. 5A），但相較“只選最強相關”的網絡，最優網絡明顯更偏向連接不同系統（Fig. 5B、5C）。任務層面還出現細微偏移：例如視覺（VIS）—默認（DMN）—背側注意（DAN）這些在視覺/反應任務中很強的相關，其“信息貢獻”反而低于強度所暗示；而邊緣（LIM）與顳頂（TP）系統內一些偏弱相關卻對約束活動很關鍵（Fig. 5D）。

Fig. 5. Systems-level structure of optimal compressions.

歸納總結和點評

這篇工作把“腦網絡到底要看多少條邊”從經驗問題升級為可計算的最優化問題：用最大熵（maximum entropy）把“選邊”映射為對全腦狀態的預測，再用minimax entropy直接找出在給定稀疏度下最能降低不確定性的關鍵相關骨架。最亮眼的結論是：全腦相關結構極度可壓縮、跨人跨任務高度一致，且關鍵相關并不等同于強相關——真正決定預測力的是“去冗余后的信息增益”。這為理解發育與腦病中的網絡改變提供了一個更鋒利的量化尺子：未來或許不必追逐全連接矩陣，而是聚焦那條決定全局的稀疏“信息主干”。

閱讀最新前沿科技趨勢報告，請訪問歐米伽研究所的“未來知識庫”

https://wx.zsxq.com/group/454854145828

未來知識庫是“ 歐米伽 未來研究所”建立的在線知識庫平臺，收藏的資料范圍包括人工智能、腦科學、互聯網、超級智能，數智大腦、能源、軍事、經濟、人類風險等等領域的前沿進展與未來趨勢。目前擁有超過8000篇重要資料。每周更新不少于100篇世界范圍最新研究資料。 歡迎掃描二維碼或訪問https://wx.zsxq.com/group/454854145828進入。