Nature：人脑功能的几何约束

该研究由莫纳什大学团队近期发表在Nature杂志，登上了Nature网站首页，并以News的形式对研究进行了报道：“人脑特有的皱褶有助于推动其运作“，基于大脑几何形状的模型比基于“连接组”的模型更好地解释神经活动。

简介：

脑部的解剖结构必然限制其功能，但具体的限制方式尚不清楚。在神经科学中，传统且占主导地位的范式是，神经元动态是由复杂的轴突纤维网络连接的离散、功能专一的细胞群体之间的交互作用驱动的。然而，从神经场理论（一个用于模拟大脑大规模活动的既定数学框架）的预测来看，大脑的几何形状可能比复杂的区域间连接性更基本地限制了动态性。在这里，我们通过分析在自发条件和多种任务诱发条件下获取的人类磁共振成像数据来确认这些理论预测。具体来说，我们显示，皮质和皮质下活动可以被简明地理解为大脑几何形状（即其形状）的基本共振模式的激发，而不是像传统观念中所假设的复杂区域间连接性的模式。然后，我们使用这些几何模式来显示，在超过10,000个大脑绘图中，任务诱发的激活并不局限于焦点区域（如广泛认为的那样），而是激发了波长超过60毫米的全脑模式。最后，我们证实了几何形状和功能之间紧密关联是由波动活动的主导作用解释的预测，显示波动动力学可以再现自发和诱发记录的许多典型的空间时间属性。我们的发现挑战了现有的观点，并确定了一个以前被低估的几何形状在塑造功能中的作用，正如大脑全局动态的统一和物理原理模型所预测的那样。

主题

许多自然系统的动态特性在根本上受到其潜在结构的限制。例如，鼓的形状影响其声学特性，河床的形态塑造了水下的流动，蛋白质的几何形状决定了它可以与哪些分子进行相互作用。神经系统也不例外，由轴突互连网支持的解剖分布的神经元群体的丰富和复杂的时空动态特性就是这样。有几个研究已经显示出大脑连接性和活动的各种特性之间的相关性，但神经动态的时空模式如何受到相对稳定的神经解剖支架的限制，这一点尚不清楚。

在物理和工程的多个领域中，系统动态的结构约束可以通过系统的特征模式来理解，这些特征模式是对应系统自然共振模式的基本空间模式。在线性阶段，如大脑在正常（即，非癫痫样）条件下的活动，特征模式（以下也称为模式）为连接大脑解剖结构和塑造活动的物理过程提供了一种特别强大和严格的形式主义。通过这个视角，神经动态的时空模式源自大脑结构特征模式的激发，就像拨动的小提琴弦的和音源自其自身共振模式的振动。

关键的是，就像小提琴弦的共振频率由其长度、密度和张力决定一样，大脑的特征模式由其结构——物理、几何和解剖——属性决定。这些特定的结构属性中是否有任何一个对动态产生主导贡献？在这里，我们测试了两种具有影响力且竞争的理论，这两种理论对大脑结构的哪些关键元素塑造功能做出了不同的预测。

一个传统的观点，代表了神经科学中的主导范式，它源于Ramon y Cajal的神经元学说，Brodmann的细胞结构学以及一个世纪以来将功能定位到特定大脑区域的工作。根据这种观点，神经动态的时空模式源于离散、功能专一的细胞群体之间的交互，这些细胞群体由拓扑复杂的短程和长程轴突连接组成。在人类中，这些连接可以通过扩散磁共振成像（dMRI）在宏观尺度上进行估计，以得到一个称为连接组的结构连接矩阵。这种方法已被广泛用于理解大脑组织和动态，最近的工作提出，从这样的离散连接组中得到的特征模式——在这里被称为连接组特征模式——可以用来重构人类皮层的典型功能网络的空间模式，这些网络是通过功能性磁共振成像（fMRI）映射的。

这种基于离散连接组的观点的一个限制是，它依赖于一个不直接考虑大脑解剖学的物理属性和空间嵌入（即，几何和拓扑）的抽象表示。这些特征被明确地纳入到一大类神经场理论（NFTs）中，这些理论描述了在0.5毫米以上的空间尺度上的平均场神经动态（补充信息1）。一种受生理限制的NFT形式已经统一了各种不同的实证现象，它将皮层活动视为通过物理连续的神经组织片层传播的行波的叠加。在这个理论中，不同皮质位置之间的神经交互被近似为一个随距离大致指数衰减的均匀空间核，这与实验证据一致，证据显示，无数种物种的神经系统的组织都受到连接性的指数距离规则（EDR）的普遍管理。

鉴于波动动态和EDR样的连接性，NFT（神经场理论）的一个关键预测是，大脑的内在几何形状物理上塑造并对出现的动态施加边界条件。这个观点的一个显著的推论是，如果我们优先考虑大脑解剖学的空间和物理限制，我们只需要考虑大脑的形状，而不是它的全系列拓扑复杂的轴突互连性，就可以理解空间模式化的活动。更正式地说，这个理论预测，从大脑几何形状中得到的特征模式——在这里被称为几何特征模式——比连接组更基本的解剖学约束动态。这个观点与传统观点形成鲜明对比，传统观点认为区域间解剖连接的复杂模式塑造大脑活动。

在这里，我们测试了这些关于大脑的竞争观点，目的是确定人脑动态的主要结构约束。与来自NFT（神经场理论）的理论预测一致，我们展示了从人类新皮层的自发和任务诱发记录中获取的多样化的实验性fMRI数据，可以更简洁地由从皮层几何形状（几何特征模式）得出的特征模式解释，而不是由大脑连接性（连接组特征模式）的测量得出的那些。我们进一步确认，刺激诱发的活动主要由具有长空间波长的几何特征模式的激发主导，这挑战了传统观点，即这种活动局限于局部、空间隔离的簇。为了直接将这些结构约束与驱动大脑动态的物理过程联系起来，我们使用了一个生成模型，展示了如何在皮层的几何形状上展开的波动动态可以解释功能性大脑组织的多样性特征。最后，我们展示了通过特征模式捕获的几何与功能之间的紧密关系扩展到非新皮层结构，表明这种链接是大脑组织的普遍属性。

我们首先检查几何特征模式能在多大程度上解释人类新皮层活动的多样性。为了推导出这些特征模式，我们使用一个人口平均模板的新皮层表面的网格表示（图1a和方法中的皮层几何特征模式的推导）。然后，我们从这个表面网格构建拉普拉斯-贝尔特拉米算子（LBO），该算子捕捉了局部顶点到顶点的空间关系和曲率，并解决特征值问题，（编者注：在微分几何中，拉普拉斯算子可以推广为定义在曲面，或更一般地黎曼流形与伪黎曼流形上，函数的算子。这个更一般的算子叫做拉普拉斯－贝尔特拉米算子（Laplace–Beltrami operator））。

其中 ∇ 是梯度算子，Δ 是LBO， ={ 1( ), 2( ),…} 是一组几何特征模式，对应的特征值为 ={ 1, 2,…}。特征值按照每个模式的空间频率或波长的顺序进行排序（图1a和扩展数据图1），因此ψ1是波长最长的模式。得到的特征模式是正交的，形成一个完整的基础集，可以将在皮层上展开的时空动态分解为具有不同波长的模式的加权和（图1b和方法中的大脑活动的模式分解）。除非另有说明，我们在本研究中使用N = 200个模式。（编者注："模式" (modes) 是一个技术术语，它是指振动系统的特殊状态，这些状态可以独立地进行简谐振动。在这里，它们是指从大脑结构特性（如几何形状）中推导出的特定空间模式，这些模式可能对大脑活动产生影响。）

图1 | 使用几何特征模式重建新皮质活动。

a, 通过解决特征值问题，Δ =− （公式（1）），从皮层表面网格得到几何特征模式。模式 1, 2, 3,…, 按从低到高的空间频率（从长到短的空间波长）排序。负值、零和正值分别用蓝色、白色和红色标记。

b, 大脑活动数据的模态分解。示例展示了如何将给定时间t的空间图 ( , ) 分解为加权的模式ψj之和。

c, 左图，我们使用一系列刺激对比的激活空间图重建任务诱发的数据。右图，我们通过在每个时间帧分解空间图并生成区域到区域的FC矩阵来重建自发活动。

d, 重建七个关键HCP任务对比图（补充信息2.1）和静息状态FC作为模式数量的函数的准确性。插图显示皮层表面重建，展示了前10个、100个和200个模式所对应的空间尺度，分别对应大约120毫米、40毫米和30毫米的空间波长。

e, 使用10个、100个和200个模式得到的七个关键HCP任务对比的群体平均实验任务激活图和重建图（recon.）。黑色箭头指示出当使用短波长模式时能更准确地重建的局部激活模式。

f, 使用10个、100个和200个模式的群体平均实验静息状态FC矩阵和重建。

利用这种分解，我们评估了几何特征模式在捕获任务诱导和自发大脑活动（图1c）方面的准确性，这些活动是从人类连接项目（HCP; 方法和补充信息2中的HCP数据）中的255个健康个体中测量出来的。对于任务诱导的活动，我们绘制了从七种不同任务中获取的47种基于任务的对比，这些任务代表了不同的诱导活动模式。然后，我们使用逐渐增加的模式数量（最多200个）来重建每个个体的激活图（图1d）。对于自发的、无任务的（所谓的静息态）活动，我们在每个时间帧重建活动的空间图，然后生成一个区域到区域的功能耦合（FC）矩阵，描述180个每半球离散大脑区域之间的活动相关性。为了使任务诱导和自发记录之间能够直接进行比较，我们将相同的区域划分应用于任务诱导数据（方法中的皮质划分）。最后，我们通过计算实证和重建任务诱导激活图以及自发FC矩阵之间的相关性来量化重建的准确性（图1d-f）。

我们观察到，在所有任务对比和静息状态下，随着模式数量的增加，重构的准确性也随之增加，仅使用N=10模式，相关性系数r就已经达到或超过0.38（图1d）。不同的任务也会调动不同的大尺度模式，这表明特定的刺激会激发特定的模式（图1e）。在10个模式之后，重构准确性的改善变得缓慢，大约在N=100模式时达到r≥0.80，之后的重构准确性只有微小的增加。因为前100个模式的波长都超过40毫米（补充表1），而包含更短波长的模式只会细化局部模式的重构（图1e中的箭头），我们的发现表明，数据主要由具有长空间波长的空间模式组成（下一节将进行更详细的分析）。（编者注：在这里，波长是指空间模式或模式的尺度。在这篇文章中，研究者们发现，脑活动的重构主要依赖于具有较长空间波长（大约40毫米或更大）的模式。这个发现表明，大脑的功能模式具有较大的空间尺度，这与以往对于脑活动主要在局部区域发生的观点形成了鲜明的对比。）

这些结果在所有47个HCP任务对比（补充图1）和各种分辨率的划分（补充图2）中都是一致的，但是高分辨率划分的数据需要更多的模式才能达到高重建精度，这是由于粗略划分的低通空间滤波效应。我们的结果也不受使用人口平均皮层表面模板（而不是个体特定的表面）来推导几何特征模式的影响（补充图3-5和补充信息3）。总的来说，这些发现表明皮层几何特征模式形成了一个紧凑的表示，捕获了任务引发和自发皮层活动的各种方面。此外，他们显示出这样的活动主要由长波长、大规模的特征模式主导。

我们接下来测试几何特征模式是否比基于图论的连接体近似导出的特征模式提供了更简洁且基础的动态描述。为此，我们将几何特征模式的重构精度与三个替代的连接体导出的特征模式基准集进行比较（参见图2a的示意图）。第一个基准集是根据dMRI追踪图在顶点分辨率上映射的连接体并经过阈值处理得到的，以获得0.10%的连接密度，就像我们之前做过的那样（在方法中导出连接体的特征模式）。第二个基准集是根据均匀的随机接线过程构建的，该过程受到指数级的距离依赖连接概率的控制，以模仿简单的，类似EDR（指数距离规则）的连接性（在方法中导出EDR特征模式）。因为实证连接体和EDR连接体的连接密度不同，我们评估了一个第三个基准集，该基准集来自经过1.55%的阈值处理的实证连接体，以匹配EDR连接体的密度。上述连接体，EDR（指数距离规则）和密度匹配的连接体特征模式是从其各自的连通性矩阵的图拉普拉斯算子（LBO（拉普拉斯-贝尔特拉米算子）的离散对应物）导出的（见图2b和扩展数据图1）。

图2 | 几何特征模态与基于连接组的特征模态的对比评估。

a, 用于推导皮层几何，连接体和EDR（指数距离规则）连接体的特征模式的解剖属性示意图。几何特征模式依赖于局部表面网格信息，如相邻表面网格顶点（点）之间的连接（蓝色）和曲率。连接体特征模式依赖于网格顶点（蓝色）之间的局部链接，以及从dMRI实证重构的短程和长程连接（品红色）。EDR特征模式依赖于从随机接线过程生成的连接（红色），其中顶点之间的连接概率作为它们距离的函数呈指数衰减。

b，连接体和EDR特征模式的示例。负值，零值和正值分别以蓝色，白色和红色着色。尽管存在一些相似之处，这些模式的空间模式与使用皮层几何学导出的模式不同（与图1a比较）。

c，由几何，EDR和两种变体的连接体特征模式实现的静息态FC矩阵的重构精度：一种使用以前的方法29定义的连接体，另一种与EDR连接体具有相同的连接密度，以便公平比较（对于其他密度，请参见补充图6和7）。

d，由几何特征模式和其他基准集实现的所有47个HCP任务对比图的重构精度之间的差异，如每个面板上方的文本所示。每一行代表一种不同的任务对比，这里按照广泛的类型进行分组（补充信息2.1）；红色表示几何特征模式的性能优越。请注意，虽然在与几何特征模式相比的重构中，对于包含少于十个模式的连接体特征模式似乎有性能优势，但重构精度通常较低（不同任务的平均r = 0.42），与100个模式的情况（平均r = 0.71）相比。

总的来说，几何特征模式考虑了皮层表面的内在曲率和表面网格中的局部顶点到顶点的关系；连接体特征模式并未考虑曲率，但捕捉了网格顶点之间的局部空间关系，以及使用dMRI测量的短程和长程连接；而EDR（指数距离规则）特征模式考虑了均匀的，随机的，距离依赖的连接规则的影响，但并未完全捕捉到皮层几何（图2a）。因此，比较这些不同的基准集使我们能够区分皮层几何与结构连接对大脑动态的贡献。

直接比较这些不同基准集的重构精度显示，几何特征模式在自发（图2c）和任务诱发（图2d）数据中始终显示出最高的重构精度。EDR特征模式的表现几乎与几何特征模式一样好，而连接体特征模式的精度最低。无论使用哪种划分（扩展数据图2和3），用于生成连接体特征模式的特定连接密度（补充图6和7以及补充信息4），以及我们是否使用离散的区域划分而不是顶点分辨率生成连接体（补充图8和补充信息4），这一发现都成立。我们还发现，几何特征模式显示出比功能数据本身的主成分（通过主成分分析（PCA）计算；补充图9，扩展数据图4和补充信息5）更强的样本外泛化能力，并且比傅立叶空间基准集的表现更好（扩展数据图5，补充信息6和方法中的统计基准集的比较）。

总的来说，这些结果展示了几何特征模式作为大脑功能基准集的简洁性，稳健性和普遍性。它们还支持NFT的预测，即大脑活动最好用直接从皮质形状导出的特征模式来表示，从而强调了几何形状在约束动态中的基本作用。

长波长主导皮层活动

使用几何特征模式对自发和任务诱发的数据进行重构显示，大脑活动的空间组织主要由空间波长约40毫米或更长的模式主导（图1d-f）。这个结果反驳了神经影像数据分析的经典方法，其中通过阈值化统计图来映射刺激诱发的激活，以识别高度活动的局部、孤立的区域。这种经典方法基于这样的假设，即焦点区域代表了刺激可能引发的离散的大脑区域，而其他区域的次阈值活动是可以忽略的。任务激活数据的令人惊讶的长波长内容（图1d-e）表明，经典程序只关注冰山的尖端，并掩盖了任务诱发的底层空间延展和结构化的活动模式（参见扩展数据图6以获取涉及原因的解释）。这些观察符合NFT的理论预测以及先前对任务诱发的电脑图形 (EEG) 信号的分析。（编者注："冰山"在这里是个比喻，意指经典神经影像数据分析方法只揭示了大脑活动的一小部分（即"冰山的尖端"），而忽略了由任务诱发的底层空间延展和结构化的活动模式，这些可能类似于隐藏在水面下的冰山的大部分。）

为此，我们分析了使用HCP中的47个任务对比中的群体平均未阈值化激活图的几何模式分解获得的空间功率谱（方法中的任务诱发激活图的模式功率谱）。作为独立的复制，我们还分析了NeuroVault存储库中1,178个独立实验的10,000个未阈值化激活图，从而提供了在人脑中映射的刺激诱发激活模式的多样性的全面绘图。

尽管获取这些激活图使用了广泛的刺激、范例和数据处理方法，但我们观察到图中的大部分功率集中在前50个模式中，这些模式对应的空间波长大于约60毫米（图3a；对HCP关键任务对比图的每个单独结果也类似；扩展数据图7）。使用替代数据，我们确认这些发现不能由典型的fMRI处理流程引发的空间平滑解释，该流程可以过滤出活动的短波长空间模式（扩展数据图8和补充信息7）。我们进一步观察到，递增地、顺序地移除长波长模式对重构精度的影响比移除短波长模式的影响要大得多（图3b和方法中的长和短波长模式的贡献）。例如，在七个关键的HCP任务对比中，移除前25%的长波长模式（模式1-50）导致重构精度下降约40-60%，而移除前25%的短波长模式（模式151-200）仅导致下降约2-4%（图3b，插图）。这些结果表明，在fMRI可接触的时间和空间尺度上，诱发的皮层活动包括大尺度，几乎是大脑全宽的空间模式，挑战了这样的经典观点，即这种活动应该以离散的、孤立的和解剖学上定位的激活簇来描述。

图3 | 任务引发的活动激发了长波长模式

a，47个HCP任务对比图的归一化平均功率谱（左）和NeuroVault数据库中的10,000个对比图的功率谱（右）。插图展示了与前50、100和200个模式相关的空间尺度的皮层表面重构，这些模式对应的空间波长分别约为60、40和30毫米。七个关键HCP任务对比的对比特定谱在扩展数据图7中展示。

b，作为去除重构过程中的模式（在200个模式中）百分比函数的七个关键HCP任务对比图的重构精度。实线和虚线分别对应去除顶部长波长和短波长模式。插图展示了群体平均的实证激活图（数据）及其去除25%模式后的重构。负值、零值和正值分别用蓝色、白色和红色着色。

皮层的几何特征模式是通过解决LBO（拉普拉斯-贝尔特拉米算子）的特征值问题获得的，该问题也被称为Helmholtz方程（公式（1））。在物理连续系统中，Helmholtz方程的解对应于更一般的波动方程的解的空间投影，使得结果的特征模式本质上代表系统动力学的振动模式，或者称为驻波。这个等价性意味着，几何特征模式在重构脑活动的多样模式中的优越效果，来源于波动动力学在塑造这些模式中的基本作用，正如NFT所预测的那样。这个预测已经通过EEG记录的模型得到了确认，但在fMRI信号中观察到的全脑波动现象仅在最近被观察到，并且到目前为止还缺乏理论解释。在这里，我们使用NFT和几何特征模式来展示波动动力学可以提供一个统一的描述，这个描述可以解释在fMRI可以接触的尺度上观察到的各种实证和生理现象。

我们使用一个等向性阻尼的NFT波动方程模型来模拟神经活动，该模型没有再生机制（图4a和方法中的NFT（神经场理论）波动模型）。在这个模型下，活动通过白质连接在新皮质的各个点之间传播，其强度随距离呈近似指数衰减（补充图10和补充信息1和8）。为了模拟静息状态下的神经活动，我们使用白噪声输入来模拟无结构的随机波动（方法中的模拟静息状态动态）。我们比较了这个简单的波动模型和一个基于生物物理的神经群体模型（平衡兴奋-抑制（BEI）模型）的性能，这个神经群体模型已被广泛用于理解静息状态fMRI信号（图4a和方法中的神经质量模型）。神经质量模型紧密地与经典的、以连接组为中心的脑功能观念相一致，将动态过程视为由于在离散解剖区域的神经群体间的相互作用的结果，这些神经群体根据实证测量的连接组进行耦合。

图4 | 波动动力学塑造自发和刺激诱发活动的模式

a, 对于波动模型，位置r和时间t的活动φ( , )由具有阻尼率γs、空间长度尺度rs和输入Q的波动方程控制。对于神经质量模型，区域i的活动 ( )由函数f描述，该函数依赖于其他区域的活动S、局部群体参数θi和由全局耦合参数G缩放的连接组C。模型动态被用来计算一个模拟的FC矩阵（方法）。Mfixed和Mfree分别对应每个模型的固定参数和自由参数的数量。

b, 基于各种指标比较数据和模型模拟，从左到右分别是：FC矩阵（为了视觉目的）、边缘FC、节点FC和FCD。对于边缘FC和节点FC，红线代表Pearson相关系数r的线性拟合；对于FCD，使用Kolmogorov-Smirnov（KS）统计量比较数据和模型动态中区域间同步性相似性的概率密度函数（pdf）。

c, 经过1ms的V1刺激后1-2ms的活动波动传播。箭头指示传播的方向（补充视频1）。

d, 视觉皮层层次中17个区域的活动剖面。插图显示了根据其活动剖面颜色的皮层表面区域的空间位置。

e, 按排名活动剖面达到峰值的时间与d中区域的T1w:T2w值的关系。红线表示排名变量的线性拟合，带有Spearman相关系数r和单侧Pspin，估计自10,000次排列。

我们首先比较这两种模型在捕捉自发的、无任务的FC的不同且常被研究的属性的效果：即，静态两两FC（边FC），静态节点级平均FC（节点FC）和FC的时间解析动态属性（FCD）（方法中的模拟静息态动态）。在所有基于FC的基准测量中，与神经质量模型相比，波动模型在重建实验数据方面表现出相当或更优的性能（图4b）。波动模型也比质量模型更准确地捕捉到了实验静息态活动的时滞属性（扩展数据图9和方法中的测量静息态动态的时滞属性）。波动模型的这种强大性能是非常引人注目的，考虑到其相对简单：波动模型只需要皮层的几何形状（即，表面网格）作为输入，并包括一个固定参数和一个用于拟合数据的自由参数（rs）（扩展数据图10），而神经质量模型需要一个由dMRI导出的区域间解剖连通矩阵，并包括15个固定参数和四个自由参数（补充信息9）。这些考虑表明，波动动态提供了一种更准确、更简洁的机械解释，能捕捉到由fMRI捕获的宏观尺度的自发皮层动态。

接下来，我们在波动模型中考虑刺激引发的皮层活动。我们分析了主视皮层（V1）的感觉刺激引发的皮层反应，因为它引发了一个明确定义的区域皮层反应层次结构（方法中的模拟刺激引发的动态）。向V1输入1毫秒的脉冲产生了一个传播的活动波，该波迅速沿着背侧和腹侧视觉处理流程分裂（图4c（箭头）和补充视频1），这与层次化视觉处理的主流理解一致。值得注意的是，这个结果表明，对引发活动的传播波的几何约束足以使背侧和腹侧的处理流程分离，这些流程传统上被认为主要是由复杂的层特异性连通性模式驱动的。此外，视觉系统各处的引发反应的时间轮廓遵循一个明确定义的时间尺度层次，与低阶视觉区相比，高阶联合区显示的峰值反应被延迟并延长（图4d）。因此，这些发现表明，这种层次排序，以前在实验和建模研究中已经确定，自然地从通过皮层介质传播的激发波中出现。关键的是，这种区域反应的层次化时间排序与基于非侵入性的髓鞘结构估计（T1加权（T1w）和T2加权（T2w）比率）的皮层处理层次的独立解剖学测量强烈相关。这种相关性在视觉处理层次结构中尤其强烈（r = -0.72，单侧旋转测试P值（Pspin）= 0.003；图4e），但在考虑所有皮层区域时也存在（r = -0.44，Pspin = 0.037；补充图11）。总的来说，我们的建模结果表明，如何在皮层的几何形状上展开的简单波动动态提供了一个统一的生成机制，用于捕捉脑活动的空间时间复杂性质。

几何形状约束了皮质下活动

我们迄今的分析主要关注了新皮质中几何与动态的强烈耦合。接下来，我们将这种耦合研究扩展到非新皮质区域，重点研究丘脑、纹状体和海马，因为这些结构的几何形状可以很容易地使用MRI数据捕捉到，而且它们的功能组织已经被广泛研究过。

我们首先将我们的特征模式分析推广到三维（3D）体积（在方法中估计非新皮质结构的几何特征模式），得到的几何特征模式在每个结构的三个空间维度中空间扩展。接下来，为了全面捕捉这些非新皮质区域的宏观尺度功能组织，我们将一种广泛使用的流形学习过程应用于体素级FC数据，以获取每个结构中的关键功能梯度（在方法中绘制非新皮质结构的功能组织）。这些功能梯度描述了由FC相似性决定的空间组织的主要轴，从而代表了功能组织的主要变化模式，按照它们解释的FC相似性方差的百分比排序。

皮质下结构（如丘脑、纹状体和海马）的前三个功能梯度的空间特征（分别解释了FC相似性方差的24%，50%和47%）与第一至第三个几何特征模式近乎完美地匹配（图5a-c；空间相关性r≥0.93）。这种紧密的关联性推广到每个结构的前20个模式和前20个梯度（前20个梯度分别解释了FC相似性总方差的49%，70%和68%），所有的绝对空间相关性 |r| > 0.5，除了纹状体和海马的第20个梯度和第20个模式（图5d-f）。这种强烈的关系令人震惊，因为功能梯度是通过对fMRI派生的FC测量应用复杂的处理流程生成的，而特征模式仅从每个结构的几何形状派生，独立于功能数据。这些发现表明，非新皮质结构的功能组织直接源于其几何特征模式。

图 5 | 几何形状塑造了非新皮质的功能

a-c，丘脑（a）、纹状体（b）和海马（c）的前三个几何特征模式和基于FC的功能梯度。这些模式和梯度以3D坐标空间显示，负值、零和正值分别用蓝色、白色和红色表示。D，背部；P，后部；R，向右。散点图显示了模式和梯度之间的关系，红线代表具有皮尔逊相关系数r的线性拟合。

d-f，底部，丘脑（d）、纹状体（e）和海马（f）的前20个几何特征模式和功能梯度的绝对相关性（|r|）。顶部，每个功能梯度获得的最高|r|值（灰色条），考虑到几何特征模式的顺序翻转，以及每个功能梯度解释的方差百分比（蓝线）。Max，最大。

讨论

许多物理系统的动态都受到其几何形状的限制，并可以理解为一小部分结构模式的激发。我们在这里展示，仅从大脑的几何形状导出的结构特征模式，提供了一种比其他基于连通图模型更紧凑、更准确、更简约的表示宏观级别活动的方式。这种基于模式的大脑视角进一步表明，fMRI捕获的自发性和诱发性大脑活动都是由相对较长波长的大规模特征模式主导的，这些动态是从生物物理动力学波动方程推导出来的。这些发现挑战了传统的神经科学范式，即认为复杂的区域间连通性模式是动态的关键解剖学基础，这些连通性模式在离散的、专业化的神经元群体之间形成。相反，我们的结果表明，一种将大脑视为连续的、空间嵌入的系统的物理方法，提供了一种理解结构对宏观神经功能各个方面的约束的统一框架。

广泛的比较显示，几何特征模式与其他解剖（连通性和EDR特征模式）和统计（PCA和傅里叶）基础集的表现相比，其在捕获大脑皮层宏观活动方面的优越性能并非由基础集扩展的通用数学属性所驱动的。相反，这个结果表明几何学代表了对动态的基本解剖约束。另外，从合成网络派生出的EDR特征模式的强大表现表明，均匀的、距离依赖的连接性和近指数形式代表了另一个对活动的重要解剖约束。EDR型连通性在等式（1）的Helmholtz方程中数学嵌入（附加信息8），所以这种连通性的作用被几何特征模式隐含地捕获了。

相较之下，连通性特征模式的性能较差，这表明超越简单的EDR形式的拓扑复杂连接，在获取能准确解释用fMRI测量的大脑皮层活动的时空模式的特征模式方面，提供的额外效益极小。因此，我们的发现对强调复杂解剖连接模式作为协调动态的主要驱动力的传统观点提出了质疑。实际上，最近的研究表明，长距离的大脑皮层连接相对罕见——它们可能仅对EDR型连通性主导的效应产生较小的干扰。然而，这些连接的拓扑中心性、代谢成本和严格的遗传控制暗示，它们可能在波动动态之外提供重要的功能和进化优势（附加信息11）。dMRI和fMRI数据的有限分辨率和对预处理流程的敏感性，使得全面揭示这些连接的功能角色变得复杂。在这方面，高质量的动物追踪和电生理数据可能有助于我们深入理解这一问题。

几何与动态之间的紧密耦合在新皮质结构和非新皮质结构中都很明显，这表明新皮质以外的区域的功能组织也主要由距离依赖的解剖连通性和波动动态主导，正如最近的实验所发现的。这些观察表明，相比于目前文献中使用的复杂的流形学习过程，几何特征模式提供了对非新皮质结构中潜在的功能组织梯度的更简单、更节约和机械性更强的解释。这是因为这些过程是现象学的，它们提供数据中主要方差来源的统计描述，而结构特征模式的研究则源于一个生成过程。

几何模式分解为研究大脑激活图的空间属性提供了独特的视角。传统的大脑映射分析主要关注在空间位置孤立集群中超过统计阈值的反应。相比之下，我们的方法与物理和工程中严谨确立的结果相一致，即空间连续系统的微扰会引发系统范围内的反应，就像小提琴弦的音乐音符是由其全长振动产生的，而不是由受限段的行为产生的。因此，使用几何特征模式表明，在来自基于任务的fMRI研究的超过10,000个多样化绘图中，任务参与主要与激发大约60毫米和更长波长的模式相关。这个结果与在实验性EEG和诱发反应电位数据中观察到的长波长激发的观察相符，并且表明，依赖于点统计图的阈值的传统分析掩盖了任务实际引发的空间扩展和复杂的活动模式。

我们的建模结果为理解几何与功能之间紧密联系背后的物理过程提供了洞见。特别是，波动模型的相对简单性和在捕获自发fMRI动态的多样性方面的优越性能，表明该模型比将大脑视为通过连通图（边）连接的离散解剖区域（节点）的图形的复杂神经质量模型提供了更节约的解释。这个发现与在人类和动物fMRI数据中观察到的波动动态的实验观察一致。未来的工作可以探索是否将空间异质性或复杂结构输入引入波动模型，进一步提高其解释各种实证现象的准确性。

将波动模型应用于模拟视觉刺激显示，从刺激点传播的波动沿着经典的背部和腹部视觉路径分离，而区域对扰动的反应遵循一个广为描述的时间尺度层次，范围从快速反应的单模态区域到较慢的跨模态区域。这些视觉处理层次结构的典型特性已经被广泛研究了几十年，通常认为是由复杂的层特异性区域间连接模式驱动的，但我们的分析表明，通过皮层几何形状传播的波动足以产生分离的、层次化的处理流。因此，虽然我们的发现不能排除复杂的区域间连接在这些宏观动态中的作用，但它们确实表明，这种连接并不是这些宏观动态出现的必要条件。

几何特征模式的优越性能提供了即时的实际利益，因为这些模式可以仅使用感兴趣结构的网格表示来估计，这可以很容易地使用针对T1w解剖图像的成熟、自动化处理管道来推导。相比之下，连通性特征模式需要一个通过复杂数据处理管道应用于T1w和dMRI图像生成的宏观区域间连接的基于图的模型；需要定义图节点，这是一个有争议的话题；以及需要应用一个阈值处理程序来去除可能是虚假连接，我们自己的分析显示这可能会影响到发现（补充图6和7）。不需要做这些选择就可以得到几何特征模式的事实意味着它们可以在人类和其他物种的不同实验环境中稳健和灵活地应用，开辟了新的研究途径。例如，可以研究几何特征模式如何通过神经发展变化或在临床疾病中被破坏。实际上，我们确定的几何与功能之间的紧密关系暗示，空间和时间动态的物种间差异可能主要由大脑形状的差异驱动。描述大脑几何形状的变化，无论是在物种内还是在物种间，如何塑造大脑功能将对理解神经活动的物理和解剖约束至关重要。