Nature Neuroscience | 大腦網絡中的“競爭與對抗”法則：全腦計算模型揭示大腦架構的底層邏輯

一鍵關注，點亮星標 ?? 前沿不走丟！

認知神經科學前沿文獻分享

基本信息

Title:Competitive interactions shape mammalian brain network dynamics and computation

發表時間：2026.3.11

發表期刊:Nature Neuroscience

影響因子：20.0

獲取原文：

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

研究背景

大腦就像一個龐大而精密的交響樂團，數以百億計的神經元分布在不同的腦區中，共同演奏出名為“認知”的樂章。長期以來，在宏觀尺度的全腦計算模型研究中，科學家們往往隱含了一個基本假設：腦區與腦區之間的長程結構連接主要承擔著“合作”的功能。換句話說，模型默認當腦區A活躍時，與它相連的腦區B也會隨之興奮。

然而，如果一個樂團里所有樂手都在不斷放大彼此的聲音，結果只會是震耳欲聾的噪音。在微觀的神經元環路層面，抑制性（競爭性）機制是維持系統穩定、實現信息分離與反饋控制的核心支柱。而在宏觀的靜息態功能磁共振（fMRI）成像中，我們也經常能觀察到大腦網絡之間存在強烈的反相關和拮抗現象。那么，現有的全腦模型僅僅依賴“合作”連接，真的足以重構出真實的大腦嗎？大腦又是如何巧妙地在宏觀解剖網絡上編排這種“合作與競爭”的動態平衡的？

為了打破傳統假設的局限，2026年3月11日最新發表于 Nature Neuroscience 的一項研究提出了一種全新的跨物種生成式全腦模型。研究團隊不僅引入了傳統的正向（合作）連接，還首次賦予了模型自由推導負向（競爭或抑制）連通性的能力，試圖揭開哺乳動物大腦連接組中競爭性互動的動力學意義與計算價值。

Fig. 1 | Whole-brain models generate brain activity from species-specific structural connectivity.

研究核心總結

本研究整合了人類、獼猴和小鼠三種哺乳動物的結構與功能數據，利用處于臨界分岔邊緣的Hopf振子構建全腦動態模型。核心發現如下：

Fig. 2 | Generative competitive interactions lead to superior model fit across mammalian brains.

一、競爭性連接顯著提升了大腦的空間擬合與個體特異性

研究表明，當模型被允許自由發展出負向連接時，三種哺乳動物的生成連通性（Generative connectivity）中自發涌現出了約 25%至40% 的競爭性互動。這種機制的引入帶來了驚人的效果：與僅包含合作連接的傳統模型相比，新模型不僅在組水平上將模擬與真實功能連接（FC）的擬合度大幅躍升（例如在人類數據中相關系數從0.42翻倍至0.87），在單一被試層面也實現了極高的精準度。更重要的是，競爭性互動的加入大幅度提升了模型的“大腦指紋”識別能力（即個體差異的鑒別力），說明新模型捕捉到了真實且具有個體特異性的生物學特征，而非單純地在過擬合噪聲。

Fig. 3 | Network properties of the cooperative and competitive interactions in the generative connectivity.

二、競爭與合作在網絡拓撲與生物學注釋上的“兩極分化”

在機制層面，模型推導出的連接權重展現出了極具規律的空間布局。合作性連接往往是局部的、模塊化的強連接，而競爭性連接則表現為長距離、彌散且弱聚類的弱連接。尤其引人注目的是，跨物種的分析一致顯示：競爭性連接傾向于鏈接在生物學屬性上處于“對立面”的腦區。無論是在細胞構筑、基因表達、受體密度，還是在皮層層級（如基于T1w/T2w的髓鞘化程度和PV-SST中間神經元梯度）上，具備相反生物學特征的皮層區域之間更傾向于發生宏觀尺度的競爭與拮抗。

Fig. 4 | Competitive interactions link regions with opposite biological annotations.

三、塑造更真實的動態時空演化與協同信息

即使未經過顯式優化，包含競爭性互動的模型也自發涌現出了高度逼真的非線性動力學特征。在時間演化上，純合作模型極易陷入過度同步的失控狀態，而競爭性連接起到了完美的“穩壓器”作用，使大腦的亞穩態（Metastability）回落到真實的生理區間內。此外，競爭打破了冗余的同步，為系統注入了更豐富的信息整合能力，顯著提升了腦網絡動力學中的協同信息（Synergistic information）分布和局部-全局的層級組織復雜度。同時，基于NeuroSynth認知圖譜的匹配結果顯示，競爭性模型生成的瞬態活動模式，更加準確地再現了真實大腦在執行特定認知任務時宏觀網絡的共激活特征。

Fig. 5 | Competitive interactions produce models with greater subject specificity.

四、賦予網絡更強大的神經形態計算潛力

研究團隊將模型生成的連接矩陣作為儲層計算（Reservoir computing）架構中的人工神經網絡底層拓撲，對其進行記憶容量測試。結果證實，融合了競爭性機制的網絡在模擬的神經形態計算任務中，表現出了顯著優于純合作網絡的記憶編碼能力與計算性能。

Fig. 6 | Dynamical consequences of competitive interactions in the generative connectivity.

研究意義

該研究顛覆了既往宏觀計算神經科學中“長程連接即為合作”的單一視角，證實了“模塊化合作”與“長程彌散競爭”的精妙結合是哺乳動物跨物種保守的大腦網絡架構法則，為理解大腦結構如何決定功能動態演化及其底層計算力提供了革命性的生成式理論框架。

Fig. 7 | Competitive interactions increase the match between simulated brain activity and canonical cognitive operations of the human brain.

Fig. 8 | Superior computational performance of connectome-based neuromorphic networks with competitive generative interactions.

Abstract

How does brain network architecture balance cooperation and competition between distributed circuits? Here we use computational whole-brain modeling to examine the dynamical and computational relevance of cooperative and competitive interactions in the mammalian connectome. Across human, macaque and mouse, we show that to faithfully reproduce brain activity, model architecture consistently combines modular cooperative interactions with diffuse, long-range competitive interactions. Across species, competitive interactions preferentially link regions characterized by opposite profiles of cytoarchitecture, gene expression and receptor expression. The model with competitive interactions provides superior subject specificity, consistently outperforming the cooperative-only model and exhibiting excellent fit to the spatiotemporal properties of the living brain. These properties were not explicitly optimized, instead emerging spontaneously. Competitive interactions in the generative connectivity produce more synergistic and hierarchical dynamics, leading to enhanced performance for neuromorphic computing. Altogether, this work provides a generative link among network architecture, dynamical properties and computational performance in the mammalian brain.

請打分

這篇剛剛登上Nature Neuroscience的研究，是否實至名歸？我們邀請您作為“云審稿人”，一同品鑒。精讀全文后，歡迎在匿名投票中打分，并在評論區分享您的深度見解。

分享人：飯鴿兒

審核：PsyBrain 腦心前沿編輯部

你好，這里是「PsyBrain 腦心前沿」

專注追蹤全球認知神經科學的最尖端突破

視野直擊 Nature, Science, Cell 正刊 及 Nat Neurosci, Nat Hum Behav, Neuron, Sci Adv 等核心子刊與頂級大刊

每日速遞「深度解讀」與「前沿快訊」，為你打破信息差

科研是一場探索未知的長跑，但你無需獨行。歡迎志同道合的你加入PsyBrain 學術社群，和一群懂你的同行，共同丈量腦與心智的無垠前沿。

點擊卡片進群，歡迎你的到來

一鍵分享，讓更多人了解前沿