脑网络通信：概念、模型与应用

理解神经系统中的通信和信息处理是神经科学的核心目标。在过去的二十年中，连通组学和网络神经科学的进步为研究复杂脑网络中的多突触通信开辟了新的途径。最近的工作对主流假设提出了质疑，即连通组信号仅通过最短路径进行，这导致了一系列替代网络通信模型的涌现。本文回顾了脑网络通信模型的最新发展。我们首先在图论的数学和神经信号的生物学方面，如传输延迟和代谢成本之间建立概念联系。我们将关键的网络通信模型和度量组织成一个分类法，旨在帮助研究人员在文献中找到日益增长的概念和方法。这个分类法突出了连通组信号不同概念化的优点、缺点和解释。我们通过回顾基础、认知和临床神经科学中的重要应用，展示了网络通信模型作为一个灵活、可解释和易于处理的框架来研究脑功能的实用性。最后，我们提供了一些建议，以指导网络通信模型的未来发展、应用和验证。本文发表在Nature reviews neuroscience杂志。(可添加微信号siyingyxf或18983979082获取原文，另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布)。

     可结合以下文章及介绍，增加理解（直接点击即可浏览），增进了解：

介绍

神经系统是通信网络

      神经元素之间的信号传递和信息传输渗透到大脑功能的每一个方面和空间尺度：从神经元到神经元的突触传输，到神经元群体之间的交互，到整个大脑的区域共激活模式。理解控制神经信号灵活调节的机制是现代神经科学的持久挑战之一。为了解决这个问题，研究方向多种多样，包括但不限于神经编码，神经振荡的同步性和相干性，区域间通信子空间，以及神经动力学的计算模型。因此，通信这个主题既广泛又是神经科学探究的核心。

      在过去的二十年里，连接组学和网络神经科学已经成为关注神经系统结构和功能的重要领域。网络神经科学提供了一个框架，用来研究大脑网络的复杂连接如何促进和限制神经信息传输。这种方法（由全面的大脑连接图和图论的数学支持）与其他关于神经通信的研究形成了重要的对比，后者通常专注于少数物理连接的神经元或区域之间的信号传递。相反，网络神经科学旨在理解通过复杂的解剖连接网络的多突触信号传递，以及神经通信如何最终产生神经系统观察到的丰富的功能动态。

       结构性大脑网络（连接组图） 根据一系列复杂的拓扑属性进行组织，包括一个由密集连接的中心节点，模块化和分层结构，以及小世界架构。这些大脑组织的原则在各种物种和空间尺度上都普遍存在，被推测是由于神经通信效率的进化压力产生的。区域间信号传递被认为能使远离的区域协调他们的活动，以应对不断变化的认知和行为需求，而神经通信的损伤可能涉及到多种神经精神疾病的病因和症状表现。因此，阐明控制连接组图通信的机制对于基础、认知和临床大脑科学的进步至关重要。

      网络神经科学中最早和最有影响力的发现之一是连接组图是小世界网络属性的。与许多其他复杂网络类似，大脑结合了高度聚类 —— 神经元素倾向于形成紧密的群体 —— 和短的特征路径长度 —— 远离的元素对平均来说，通过少量的中间连接就可以分开。这个发现为将大脑概念化为一个平衡功能分离和整合的网络提供了图论基础，这个网络既配备了用于局部信息处理的模块，也配备了用于长距离信号传递的有效路径。

      除了描述连接组图的组织，小世界现象在早期网络神经科学中的流行使得关于连接组图通信的假设得以明确化。特征路径长度通过只考虑最小化网络节点之间步骤数的路径来量化网络整合。对于广泛用于研究大脑连接性的其他图测量也是如此，如全局效率和介数中心性。通常在连接组图通信和信号传输的背景下进行解释，基于这些测量的分析假设 —— 通常是默认的 —— 神经信号只通过最短路径进行路由（编者注："路由"是指神经信号在大脑中的传输路径）。

      近年来，越来越多的研究开始质疑最短路径假设。我们稍后将详细阐述，这个方向的一个核心论点是：计算最短路径预设了对网络拓扑的全局知识。这意味着，确定一个节点对之间的最短路径需要关于网络中所有其他节点之间的连接性的信息。尽管对于工程系统来说，这个要求可能是合理的 —— 在这些系统中，中央控制器通常可以访问到整个网络的鸟瞰图 —— 但大脑网络是分散的系统，其中的单个元素不太可能拥有关于他们所嵌入的网络的完整信息。

       鉴于这一点，已经提出了大量的替代大脑网络通信模型。这些模型受到其他科学领域的启发，这些领域基于分散的网络通信 （从社会科学到互联网工程） 这些模型试图理解如何以一种高效而生物学上可行的方式通过神经连接传输信息。新兴的证据表明，这些模型产生的连接组图通信测量与一系列的生理，行为和临床变量有关。

      在本文中，我们总结了大脑网络通信模型的最新发展。我们关注那些利用图论和网络科学的概念来描述和量化结构连接组图中信息传输的模型。我们的主要目标是帮助研究者获得、应用和解释文献中日益增多的方法。本文的其余部分分为四个部分：首先，我们介绍本文中使用的基本概念和术语。我们将图论的数学概念和神经信号的生物学方面联系起来。其次，我们将突出的网络通信模型和测量方法组织成一个信号概念化的分类法，为文献提供了一个概览。我们还对网络通信模型的生物学可信度进行了定性评估。第三，我们在基础、认知和临床大脑科学的关键领域调查了这些模型的当前和新兴应用。我们展示了网络通信作为一个研究大脑功能的多功能框架，并讨论了支持不同信号概念化的现有实证证据。最后，我们提供了未来的展望，提出了指导网络通信模型的开发、应用和验证的建议。

从图论到大脑网络通信 

       从神经元到大脑区域，众所周知，结构连接促进了物理连接的神经元素之间的直接通信。然而，对物理未连接元素之间的信号传递的观察理解较少。例如，线虫Caenorhabditis elegans和果蝇Drosophila melanogaster幼虫的完整连接组图都以感觉和运动神经元之间的多突触信息流为特征。在人脑成像的宏观尺度上，已广泛报道了结构未连接的灰质区域之间强烈的功能共激活模式。相关地，在局部大脑刺激期间获取的电生理记录显示，未被刺激部位的白质投射交叉的下游区域显示出一致的诱发反应。这些例子说明，神经动力学不仅由直接连接的元素之间的交互支持，而且由涉及远离和解剖上未连接的神经元或区域的多突触通信支持。此外，这些报告展示了信息传输在大脑网络中可以被操作化和研究的许多方式 —— 从微观的突触传输，到在多个空间时间分辨率上表达的内在功能同步，到局部外源性扰动的全局传播。

      图论和网络科学为理解复杂大脑网络中的多突触通信提供了数学基础。通过将生物神经信号抽象为网络通信动态，这个理论框架提供了一个灵活的方法来模拟相互连接的神经元素之间的交互。

      例如，考虑图1a中的宏观人类连接组图。节点𝑖和𝑗代表一对没有通过轴突纤维束直接连接的大脑区域。𝑖和𝑗之间是如何建立通信的呢？由于他们在解剖上没有连接，信号必须通过一系列的中介区域和连接进行传递。连接组图的复杂拓扑提供了从𝑖到𝑗的惊人数量的可能路线。大脑网络通信模型描述了通过连接组图传递信号的策略。

      人类连接组图是由灰质区域（网络节点）通过白质束（网络连接）相互连接的宏观连接性网络。是什么原则指导了信号通过复杂大脑连接的多突触传播？游走和路径是图论中描述遍历网络方式的概念。游走被定义为一系列连接，其中连续的连接对共享一个公共节点。游走对节点和连接可以遍历的次数没有限制，构成了通过网络旅行的最不受限制的方法。路径是一种游走，其中单个节点和连接只能遍历一次，因此信号不允许重新访问网络元素。

图1 | 大脑网络通信模型的核心概念。

a，人类连接组图中的路径和游走的例子。区域𝑖和𝑗之间的许多可能的通信通道在长度上有所不同，反映了它们支持快速和可靠信号传递的能力。最短路径是两个区域之间最有效的通道。

b，网络通信建模。结构连接矩阵描述了𝑛个神经元素之间的物理连接。它只编码直接连接的节点之间的信息，因此通常是稀疏的。通信模型描述了一种通过结构连接引导信号传播的策略。模型确定了从节点𝑖到节点𝑗的路径（蓝箭头）。通信测量量化了模型确定的路径的特征（例如，效率、成本和韧性），从而得到了从𝑖到𝑗的信号过程的假设性描述。对每对元素进行计算，测量得出一个通信矩阵，该矩阵是完全连接的。网络通信模型和测量可以在结构网络中计算，这些网络可以是无向的（双向连接）或有向的（不对称连接），也可以是无权的（表示连接的存在或不存在）或有权的（表示连接的强度）。对于某些模型，需要将连接权重转换为捕获穿越解剖连接成本的连接长度。本文中描述的大多数模型和测量的实现都可以在Brain Connectivity Toolbox中找到。

      在这里，我们概述了大脑网络通信模型的三个主要类别。路由协议模型提出信号通过少数高效、有选择性的路径进行传递。相比之下，扩散过程模型认为信号通过连通图进行扩散，可能同时沿着多个网络前线传播，或者遵循随机游走的动力学规律。参数化模型结合了路由和扩散的元素，提供了混合策略，根据模型的参数调整如何倾向于通过高效路径或随机游走进行通信。每个广泛的类别都包括一系列具体的模型。

      网络通信模型将神经信号的概念化 （例如，通过路由或扩散 ）形式化为一个明确定义的算法，以引导信号穿越连接组图。例如，一个模型可能描述了确定节点对之间有效路径的程序。反过来，网络通信测量量化了在给定模型下信号传输的一个属性，例如，沿着模型划定的路径发送信号的成本。通信测量可以捕获成本、效率、韧性或信号的其他方面。在连接组图上计算，网络通信测量得出一个通信矩阵，该矩阵量化了在网络通信模型下每对节点 —— 解剖连接的或未连接的 —— 之间的信号的假设属性（图1b）。

      图1a中的路径和游走在作为区域间通信通道的适合性上有所不同。直观地说，由少量连接组成的“短”路径比通过许多中间区域的“长”路径更有利。在这里，短和长这两个术语描述了沿着路径传播信号相关的成本，这被称为路径长度。在所有可能的从𝑖到𝑗的旅行方式中，最短路径是最有效的。通过最小化两个节点之间的步骤，最短路径既最小化了信号传输的延迟，也最小化了穿越突触和沿轴突推动信号的代谢消耗。然而，通过最短路径路由信号需要知道整个网络拓扑；因此，确定由𝑖和𝑗组成的最短路径的连接集需要对单个网络元素可用的拓扑信息量做出强假设。

     上一段引入了网络通信成本的三个维度：延迟、信息和能量。延迟成本指的是信号传输的拓扑效率（或速度）；信息成本指的是引导信号传播所需的网络属性知识的数量；能量成本指的是信号传输所需的代谢资源的数量。这些成本维度是假设的进化驱动力，它们塑造了连接组图的组织和信号机制，以促进大脑中信息的快速和节约的整合。它们还提供了概念指南，用于评估候选大脑网络通信模型的生物学可信度。理想的模型将实现快速通信和经济信号传输，并依赖于适合分散系统的知识假设 —— 也就是说，分别具有低延迟、能量和信息成本。然而，在实践中，如最短路径路由的例子所示，调和这些因素是困难的，通信模型通常在这三个维度之间做出权衡。正如我们在接下来的部分中讨论的，某些信号的概念化在因素之间实现了良好的平衡，可能构成了更具生物学可信度的神经通信策略。

     

大脑网络通信模型和测量的分类法 

      在这一部分，我们将网络通信的家族、模型和测量组织成一个树形分类法（图2）。我们关注描述不同模型的关键概念特征，强调在通信成本维度上对它们的优点和缺点进行定性评估。来自路由协议、扩散过程和参数模型家族的突出网络通信测量在BOX 1-3中呈现。

图2.大脑网络通信模型和度量的分类。

     当前的大脑网络通信模型可以分为三个大的家族 —— 扩散过程、参数模型和路由协议 —— 从分散（顶部）到集中（底部）的策略。一个家族分支出几个通信模型，每个模型都提出了一种特定的策略或算法来引导网络节点之间的信号。模型的优点和缺点可以根据通信成本的三个维度进行概念性评估：延迟、信息和能量。这些维度的性能使用颜色标签表示，表示低、中或高成本。给定模型的属性可以通过一系列的通信测量进行量化。测量按照它们量化的神经通信的方面进行分组和颜色编码，如信号成本或韧性。

     AT，激活时间；Cinfo，信息成本；CMY，可通信性；Ctrans，传输成本（等同于MFPT）；DE，扩散效率；EDP，边不相交路径；ER，效率比；k-SPL，k-最短路径长度；MFPT，平均首次通过时间；NE，导航效率；NPL，导航路径长度；PT，路径传递性；RE，资源效率；SI，搜索信息；SPE，最短路径效率；SPL，最短路径长度；SR，成功比率。

框1 路由测量：基准通信效率        最短路径长度量化了两个节点之间旅行的最小可能成本或延迟（见图）。它可以根据路径上的步数或连接长度的总和来定义。值得注意的是，这个测量通常被简单地称为“路径长度”，这是因为通常假设神经通信沿着最短路径进行。网络的特征路径长度，是小世界架构的基石之一，定义为所有节点对的最短路径长度的平均值。另一种方法是以效率的形式量化通信。最短路径效率定义为最短路径上连接长度的倒数之和，网络的全局效率由所有节点对的平均最短路径效率给出。对于任何网络，最短路径路由提供了通信效率的上限。因此，最短路径测量通常用作评估其他模型的相对效率的基准。      可导航性是一个广泛的术语，指的是导航作为网络通信模型的性能。成功比率是最基本的可导航性测量，定义为可以通过导航成功到达的节点对的比例。在成功路由的情况下，导航路径长度和导航效率与其最短路径对应物类似地定义 —— 也就是说，根据组成导航路径的连接的长度。同时，失败的导航以无穷大的路径长度为特征。导航可以通过效率比来对最短路径路由进行基准测试，计算最短路径长度与导航路径长度的比率（见图）。       路由倾向于遵循“细粒度、粗粒度、细粒度”的传播模式。最初，通信发生在源节点的附近。一旦到达一个本地高度节点，长距离连接便能在少数步骤中跨越大距离。最后，一旦在目标节点的附近，信号就会定位到它们的最终目的地。这种模式（见图），在最短路径和导航路径中都有观察到，依赖于高聚类（支持对本地连接的细粒度探索）和互连的中心（允许长距离的快速通信）。

框2 扩散测量：连接如何自发地塑造扩散 许多扩散测量描述了随机游走和最短路径之间的关系，捕捉到网络拓扑自发地引导随机游走沿着有效路线的程度。搜索信息量化了偏向在两个节点之间的最短路径展开的随机游走所需的努力（以信息位表示）。这个测量与网络中有效路径的可访问性有关。本地连接（见图，部分a；黑色虚线箭头）便于偏离最短路径（蓝色箭头），从而增加了搜索信息。同样，路径传递性定义为最短路径沿途的本地绕道的密度。本地绕道是一系列连接，它们短暂地偏离最短路径，但在下游节点反馈到它（见图，部分b；黑色虚线箭头），从而有助于集中扩散流沿有效路线。       资源效率定义为需要多少随机游走来确保，以给定的概率，至少有一个信号沿着源区域和目标区域之间的最短路径旅行。这个独特的测量旨在通过假设随机游走的低效率可以通过增加信号副本的数量来提高，从而量化路由和扩散之间的成本效率权衡。通过投入更多的资源（信号副本），随机游走模型可以在保持其低信息成本的同时实现低延迟。显然，这种效率的提高是以更高的代谢需求为代价的。       可通信性提出，信号同时沿着所有网络游走广播，因此实现了资源效率测量的最极端情况。可通性是独特的，因为它既是一个通信模型，也是一个测量，因为它结合了特定的广播概念化和特定的公式来量化其属性。具体来说，高（低）可通信性表示两个节点之间有许多（少）有效的游走，这个属性可以解释为通信韧性和并行信号的总体能力。可通信性是网络神经科学中的一个流行测量，是最常采用的替代最短路径测量的方法之一。

框3 参数测量：探索通信成本的权衡 激活时间是线性阈值模型的主要通信测量。它量化了在向网络提供扰动后，两个节点激活之间的延迟。结合阈值模型的可调参数，这个简单的测量可以用来模拟复杂的扩散动态，并在计算和实证的神经级联研究中发现了其用途。       偏向随机游走产生了一个连续的通信策略谱，使得可以对延迟和信息成本之间的权衡进行定量分析。直观地说，实证的连接组分析显示，增加 𝜆 （节点可用的全局信息量）导致节点对的平均信息成本单调增加和平均传输延迟减少（见图）。然而，重要的是，这两种成本的变化率并不相同，有一小部分 𝜆 值可以实现低信息和延迟成本。这暗示了连接组拓扑可能被组织成这样的方式，即引入微妙的偏见因素可能会带来不成比例的大的通信效率增益。       已经提出了两种网络通信测量来研究最短路径集合的属性。k-最短路径长度是一种混合测量，它结合了信号效率和信息成本的概念。k-边不相交路径量化了集合中不与任何其他路径共享连接的路径的数量。它是对通信对网络元素失败的韧性的一种测量，比如灰质区域的退化。这些测量的分析表明，连接组信号在高效率和低韧性，或者反之之间存在权衡。这暗示了容错性是连接组通信的另一个维度，与传输延迟、代谢需求和信息成本的概念交织在一起。Cinfo，信息成本；Ctrans，传输成本。

路由协议：

      这个网络通信模型的家族提出，信号沿着单一的、选择性访问的路径通过连接组进行路由。类似于工程网络中的传输过程，路由协议旨在识别由少量强大且可靠的连接组成的路径，以便信号能够高效且准确地进行通信。在连接组的背景下，这种对速度和准确性的关注意味着路由模型的特点是延迟和能量成本低。相反，识别有效路径通常取决于对单个网络元素可用知识的强假设，因此路由协议通常与中到高的信息成本相关。

最短路径路由 

     最短路径路由是最广泛使用的通信模型，用于表征大脑网络中的信息整合。这个模型提出，一对区域之间的信号传输发生在连接它们的最有效的路径上。因此，根据定义，最短路径路由实现了最优的信号延迟。这个模型的选择性特征(通信仅通过最短路径展开)也意味着在代谢开销方面，信号传输是最节省的。然而，该模型的主要缺点在于用于识别最优通信路由的策略，这是一个需要每个单独的网络元素对整个网络有知识的算法过程。因此，最短路径路由需要极高的信息成本，这表明在分散的神经系统中实施这种策略将是困难的。尽管可以想象网络拓扑的信息可以由神经活动动态编码，但目前还缺乏对全局连接性的这种集中描述的证据。在最短路径路由模型下的信号传输可以通过几种网络通信测量进行量化（见框1）。

导航 

      导航是一种不需要单个节点拥有网络拓扑全局知识的分散路由协议。它提出了一种基于节点距离度量的局部知识来识别通信路径的策略。从源节点到目标节点的路由遵循一个简单的策略：从源开始，每个节点将信号转发到离目标最近的邻居。导航也通常被称为“贪婪路由”，因为通信过程的每一步都试图最小化到目标的距离。这种启发式方法不能保证在节点之间识别出有效的路径。事实上，与大多数网络通信模型不同，导航下的信号传输可能会失败——贪婪路由可能会在中间节点之间陷入循环，永远无法到达预定的目标。然而，已知复杂网络具有很高的可导航性。这意味着导航可以成功地在节点之间传播信号，并且通过识别出与最短路径相当的效率路径来实现这一点（见框1）。

      成功的网络导航必须由一个反映节点对形成连接概率的距离度量来指导。导航宏观脑网络的一个简单方法是考虑节点之间的欧几里得距离。这个选择是由大脑在3D空间中的自然嵌入和结构连接强度与欧几里得距离的强关系所驱动的。值得注意的是，在欧几里得空间中的贪婪路由在人类、鼠类和猕猴的连接组中识别出了70-100%的最优信号传输效率（即与最短路径相比）。最近的研究表明，人类连接组的导航也可以由皮层层次指导,其中导航路径是基于沿着单模到跨模功能轴的区域间距离来识别的。网络几何领域的另一条研究线提出，大脑网络嵌入在超球形空间中，这是一种结合了空间和拓扑网络特性的抽象几何。

       导航的主要缺点是其信息成本。信号传播预设了区域知道其邻居和期望的目标区域之间的距离。尽管有证据表明这个要求在一些生物系统中可能得到满足，但尚不清楚这种知识如何对构成大脑网络的单个神经元元素可用。重要的是，导航的信息成本远低于最短路径路由。导航以分散的迭代方式展开，其中路径上的每个节点只需要关于他们的邻居相对于目标的空间定位的局部知识，而不是整个网络的全局知识。尽管有这种分散的特性，导航实现的延迟与最短路径相当。此外，由于信号被模型化为仅沿导航路径展开，这种策略也需要较低的能量成本。因此，导航平衡了中等的信息成本和低延迟和能量成本，可能构成了比最短路径更具生物现实性的路由策略。

扩散过程：

       扩散过程提出了一种分散的神经通信概念，其中信号沿多个网络前沿广播或通过随机游走动态传播。与路由协议相比，扩散过程不需要单个神经元素拥有超出其直接邻域的连接组知识。然而，这种类型的传播需要更多的信号重传来建立节点之间的通信。因此，这个家族的模型通常受益于低信息成本，但受到高信号延迟和能量成本的影响。

      随机游走是网络上扩散过程的最常用模型，被用于研究来自广泛科学领域的复杂系统动态（关于这一点，可以参见第75篇综述）。在这里，我们专注于无偏随机游走，这是网络扩散的最简单形式，也是作为大脑网络通信模型受到相当多的关注的一种形式。

      在一个随机游走中，一个从源节点开始的信号会按照与其连接权重成比例的概率被传输到随机选定的邻居。这个规则会被每一个新的节点遵循，直到最终达到一个预设的目标节点。这个过程被称为“无偏”，因为选择下一个要访问的节点的决定只基于局部连接性，没有其他因素影响信号传播。为了实现这种策略，一个节点只需要知道自己的连接性，这是可以由单个神经元元素理解的。随机游走的信息成本低廉，但带来了较高的延迟和能量成本。直观地说，随机信号传播导致的游走明显比最短路径要长。信号在许多突触连接和轴突投影之间的重新传输使得区域间的通信变得缓慢和能耗大。

      符合这种概念评估，实证研究发现，随机游走在人类连通体中的信号传输效率较差。这是通过使用平均首次通过时间来评估的，这是一种测量从给定源节点开始到首次访问预设目标所需的随机游走步数的平均量。扩散效率被定义为平均首次通过时间的倒数。这些测量可以被解释为从源区域到目标区域的预期游走长度和游走效率，这是一种类似于路由协议测量的概念。更有趣的是，除了信号效率本身，许多有用的基于扩散的测量定量了大脑网络拓扑结构和随机游走动态之间的相互作用（框2）。

广播（可通信性） 

      广播是一种扩散过程，在这个过程中，信号会在网络的多个前线同时传播。到目前为止，我们已经探讨了通过路由协议或随机选择确定下一个应发送信号的单一节点的通信模型。然而，在广播的每一步中，信号同时被传播到许多节点。在这里，我们关注通信性，这是一个已经在大脑网络中被广泛探索的特定广播模型。

      通信性考虑了信号在网络的所有路径中展开。要理解这一点，考虑一个简单的广播策略：从源开始，区域总是将信号传播给所有的邻居。最初，源将信号发送到直接连接的区域。第一步划定了从源开始的所有单位长度的路径。接下来，所有接收到信号的区域将信号传播给他们所有的邻居，划定了从源开始的所有可能长度为2的路径。重要的是，这个过程并不关心一个区域是否已经接收到信号——长度为2的所有路径的集合包括那些回溯到源的路径和那些在源的邻居之间重新传播信号的路径（如果他们之间有连接的话）。第n次广播步骤划定了从源开始的所有长度为n的路径。最终，从源到目标节点的信号由它们之间长度为𝑛=1,...,∞的所有路径决定。

     两个节点之间的通信性可以通过链接它们的所有路径的总数的加权和来计算（框2）。关键是，每个路径的贡献根据1/𝑛!进行加权，从而确保短路径被赋予的重要性大于长路径。结果是，通信主要在短路径中进行，随着路径变得越来越长，效率低下的路径的总体贡献迅速消失。

      两个节点之间所有可能的路径的集合包括它们的最短路径。因为信号同时沿着所有的路径扩散，所以在广播下，信号首次离开源节点并首次到达目标节点的延迟与在最短路径路由下的延迟相同。然而，直观地说，这种策略需要极高的代谢消耗。尽管通过减少长路径的贡献来减轻这个缺点（因为长路径的贡献随着长度的增加而减少，可以假设它们的能量负担也相应地减少），但通信性还是需要大量的信号重传。总的来说，通信性的广播形式实现了低延迟和信息成本，但以高能源成本为代价。

参数模型：

     这个家族中模型的定义特性是它们的行为是由一个可调参数控制的，这个参数是在一系列可能值的连续范围内定义的。在这个范围的两端，参数值通常近似于通过路由或扩散进行通信，而中间的值实现了混合策略。通过仔细调整参数，可以得到复合策略，这些策略在延迟、信息和能量成本之间达到有利的权衡，这是从路由和扩散的对立立场无法达到的。

线性阈值模型 

      线性阈值模型旨在描述单个节点的扰动如何在网络中传播。这个模型与广播密切相关，它提出局部扰动会触发沿着多个网络前线传播的通信级联。在任何给定的时间点，节点被模型为“活跃”或“非活跃”状态，前者代表已经被扰动传播到的网络元素。节点的传输基于其邻居的状态 - 如果一个节点的大部分邻居都是活跃的，那么该节点就会变为活跃状态。这个比例由模型的阈值参数𝜃∈[0,1]编码，该值控制级联的速度和大小（框3）。

      设置𝜃=0实现了一种广播过程，在该过程中，信号总是传播到所有活跃节点的邻居。在这种情况下，任何节点的扰动都会导致激活迅速扩展到整个网络，这被称为完全级联。随着𝜃的增加，需要更大的节点邻域活跃比例才能传播，级联变得更慢、更小。关键值𝜃=𝜃c是最大阈值，任何对单个节点的扰动都会导致完全级联。在这个点之后，信号传播越来越受限于源的附近。

   迄今为止，对大脑网络的线性阈值模型的应用已经考虑了𝜃=𝜃c。这些研究报告，完全级联的轨迹在很大程度上受到有效通信路径的影响。重要的是，级联的扩散是由节点激活的局部知识确定的 - 一个节点是否激活完全基于它们的直接邻居的状态。因此，连通体拓扑和线性阈值模型的交互导致了在低信息成本下的良好信号传播效率。与广播一样，这些好处是以高能量成本为代价的，这是由于多次信号传输。然而，重要的是，与通信性相反，线性阈值模型并不考虑多次重传到已经激活的节点。因此，在能量成本方面，线性阈值模型可以被认为具有中等的能量成本，并处于扩散和路由模型之间的中间地带。

偏向性随机游走 

       在无偏随机游走中，信号仅使用局部拓扑知识进行传播，也就是说，对于当前节点𝑖，游走以与𝑖𝑗连接权重成比例的概率转移到节点𝑗。相比之下，偏向性随机游走使用额外的因素来影响（偏向）转移概率。在特定领域的应用中，偏向因素可以代表网络元素的内在属性（例如，社交网络中的人的状态），这些因素影响着向某些节点或沿着网络延伸的梯度进行游走。另外，随机游走也可以通过拓扑属性，如节点的中心性来偏向。

      我们关注的是一种参数化的偏向性随机游走的公式，该公式最近被应用于研究大脑网络中的通信。在这个模型中，一个参数𝜆控制了单个节点可以获取的全局拓扑信息的数量。对于𝜆=0，没有引入偏差，节点只能访问它们自己的连接权重；因此，通信通过无偏随机游走进行。增加𝜆会逐渐引导游走沿着有效的路径进行。这是通过赋予节点关于它们的哪个邻居更可能在通往目标的最短路径上的信息，从而偏向于选择这个邻居的转移概率来实现的。在极限𝜆→∞的情况下，偏向性随机游走收敛于最短路径路由，向目标的最短路径以外的任何节点转移的概率减小到零。

       偏向性随机游走覆盖了从无偏随机游走到最短路径路由的连续通信策略范围。因此，这个模型在通信成本的维度上的性能完全取决于𝜆的值。更重要的是，这个模型提供了一种灵活的方法来探索大脑网络中的通信动态，其中𝜆的系统变化允许对延迟和信息成本之间的权衡进行量化分析（框3）。

最短路径集合 

       最短路径集合模型提出，信号通过由连接它们的最有效的k条路径组成的集合在两个节点之间传播。传统的最短路径路由对应于特殊情况k = 1，其中信号只使用节点之间的单一最有效路径。最短路径集合强调，尽管高效率是适应性的，但没有原则性的理由说明为什么神经通信会仅通过最优短路径进行。事实上，实证分析表明，只有一小部分连接被用于连接组的所有节点对之间的最短路径。因此，在严格优化的路由制度下，大脑中的绝大多数轴突投射在支持全局信号传输方面将没有作用。参数化神经通信中涉及的路径数量可以系统地放宽这个假设（框3）。

      与其他多路径信号模型相反，最短路径集合只考虑节点之间的前k个最有效的路由，因此仍然选择支持通信的路径。对于k的小值，确定节点对之间的k个最有效路径仍然严重依赖于全局拓扑知识。然而，对于k » 1，路径集合变得大而包容，其构建需要较低的信息成本。类似地，沿多路径传输信号所需的能量成本与k的选择成比例。考虑到所有可能的k，最短路径集合模型的特点是低传输延迟，结合平均上的适度信息和能量成本。

当前和新兴的应用 

       在这个部分，我们回顾了如何使用大脑网络通信模型来研究一系列基础的、认知的和临床神经科学问题的突出例子（图3）。通过这些例子，我们展示了这些模型如何提供一个灵活的、可解释的和计算上可处理的框架来研究健康和疾病中的大脑功能。重要的是，实际应用也为模型验证提供了重要的机会。虽然在前面的部分我们考虑了生物可能性的定性评估，但在这里，我们根据模型解释各种经验现象的能力来进行比较。

图3 | 通信矩阵的当前和新兴应用。

      网络通信模型和度量被用于计算通信矩阵，将结构连接的网络转化为神经元元素对之间信号传递的定量估计（图1b）。

a，功能连接矩阵捕捉神经活动时间序列中的成对关联。许多研究表明，通信矩阵可以解释功能连接的多个方面，包括全局性，系统水平和区域性，以及功能性脑网络的静态和时间分辨率属性。在这方面的大部分工作都考虑了来自静息态功能性磁共振成像（fMRI）的数据，但最近的研究正在将这些工作扩展到神经活动的电生理记录。

b，主体级别的通信矩阵可以用于研究神经信号传递如何与认知、行为和临床变量相关。在整个大脑层面上，对通信矩阵的所有条目进行平均可以提供连接组通信的单值总结，可以与感兴趣的表型进行相关分析。更有趣的是，通信矩阵的子集可以用于测试关于特定区域或系统的假设，例如同位区域之间的通信或感兴趣的功能系统内部的通信。

c，通信矩阵可以量化由于局部损伤、病理或功能障碍而导致的区域间信号传递的全局中断。可以使用动物模型中的受控操作和通过从连接组中删除节点和连接来进行硅计算模拟来研究结构损伤。在人类中，通信度量已被用于建模多发性硬化症、中风和创伤性脑损伤患者的中间实际协调紊乱。

d，可以通过通信矩阵推断局部脑刺激的非局部效应。通信矩阵的行（列）量化出区域的外向（入向）通信。第i行模拟了从区域𝑖到网络的其他部分的刺激传递。相反，第j列量化了从所有区域到区域j的传递。在特定主体的连接组上计算这些度量可以帮助优化个体化的临床脑刺激协议，以及通过非侵入性技术（如经颅磁刺激）对深部结构进行间接调节时选择刺激位置。

将大脑结构与功能关联起来

       功能连接描述的是神经活动随时间的同步化。与结构连接相对，结构连接基于解剖学并且通常在短时间间隔内是静态的，功能连接则在多个空间和时间尺度上变化，产生了大脑丰富的动态表现。关键的是，神经活动的协调是通过解剖连接进行信号传输来支撑的。因此，通信过程为神经系统的结构和功能提供了一座桥梁。因此，毫不奇怪，大脑网络通信模型的一些最早的应用是研究结构连接和功能连接之间的关系（图3a）。

      早期的报告建立了人脑结构和功能连接之间的强相关性：链接两个灰质区域的白质束越强，如通过扩散MRI和纤维束追踪推断出来的，它们的活动时间序列就越紧密相连。然而，这种关联仅限于解剖学上相连的区域，因此不能解释为什么通过白质直接连接的区域间存在强功能连接的观察结果。

      为了研究这个问题，Goñi等人于2014年在人类连接组网中计算了一些网络通信度量，并用它们预测了从静息态功能MRI（fMRI）推断出的功能连接。作者发现，通过强大和可访问的通信通道链接的区域对（如由多突触网络通信度量量化的）显示出更高的功能连接。有趣的是，搜索信息和路径互换性（Box 2）的基于扩散的度量比最短路径长度更具预测性，这表明扩散动态可能促进区域间通信。在一篇与时俱进的论文中，Abdelnour等人使用一种网络扩散的替代模型得到了类似的结果。总的来说，这些研究提供了网络通信模型作为研究大脑功能框架的最早的示例，以及连接组通信不仅仅由最短路径塑造的初步实证证据。

      在这些基础性的论文之后，与功能连接的关联强度——通常从静息态fMRI推断——已成为验证和比较网络通信模型的最常用的度量（参见图3a中关于这个方向研究的额外示例）。虽然这种方法已经取得了成果，但它有重要的不足之处。例如，静息状态数据可能提供关于与特定行为或认知需求相关的通信过程的有限见解，这些需求可能通过基于任务的范例更好地进行探索。同样，在对大脑活动进行干预操作下获取的功能数据可能提供更强大的实验设置来验证和比较通信模型。这方面的例子包括建模大脑刺激的传播和研究由于大脑病变或病理状况导致的功能连接的变化。在接下来的部分中，我们回顾了一些关于大脑网络通信模型的新兴应用的论文。

认知和临床表型的个体间差异

       人类的认知和行为依赖于多个大脑区域的协同活动。现代神经科学的一个核心研究方向旨在绘制功能连接的特征与认知表型之间的关系。网络通信模型可以用来研究与不同认知需求相关的信号过程，以及连接组通信的差异如何可能导致认知和行为的个体间差异（见图3b）。同样地，虽然区域间的协调对于健康的大脑功能至关重要，但连接组通信的异常已经被揭示为多种脑疾病的病因和症状学的因素。基于这些观察结果，作者们提出，连接组失联——大脑区域间信息无法适当集成——可能是精神疾病和神经疾病条件共享的病理维度的底层因素。网络通信模型提供了工具来量化连接组失联和功能集成的崩溃，从而建立一个平台，将大脑疾病状态的结构和生理改变联系起来。

     迄今为止，这些研究主要基于最短路径路由模型的度量方法。这种狭窄的关注可能无法完全解释连接组通信和功能整合，可能无法揭示感兴趣的脑-行为关系。事实上，初步的比较研究发现，与最短路径度量相比，替代模型通常更能解释认知和临床变量。例如，利用导航、可通信性和其他基于扩散的度量方法研究信息处理速度和健康个体的智力水平，以及在精神分裂症、阿尔茨海默病、中风和创伤性脑损伤患者中受到破坏的认知和神经通信等方面的应用。最近的一些使用机器学习对不同度量方法进行系统比较的研究已经开始澄清哪些模型在行为和临床预测方面具有更高的实用性，这在未来的研究中仍然是一个重要的方向。

模拟病变影响和病理扩散

      在网络系统中，对局部元素的破坏——如灰质和白质位置的受伤、萎缩或功能失调——可以引发连锁反应，通过网络传播，可能影响整个系统的功能。网络通信可以用来研究和预测结构病变、断开和病理对大脑功能的影响（见图3c）。

      在2016年的一篇论文中，Grayson等人使用药理遗传干预暂时停用恒河猴的杏仁体。作者发现，靶向停用后的区域间功能连接的变化并不限于与杏仁体直接结构连接的区域。这表明，局部活动抑制导致了多突触信号的破裂，这在全局功能连接的重新配置模式中得到了体现。为了进一步研究这一点，作者们使用了通信模型来量化恒河猴结构连接组的通信。通过从连接组中移除杏仁体，有效地阻止了通信性利用该区域作为信号交通的中介，以模拟药理遗传停用。这产生了一种破裂的结构网络通信度量，令人惊奇的是，这与观察到的功能连接的变化密切相关。这项工作提供了实验证据，即网络通信模型可以预测灰质结构的实验和干预性破裂的功能后果。在人类中，这个研究领域对我们理解脑功能损伤和认知结果如何受到病变影响具有意义。最近的研究已经应用了基于扩散的度量来研究创伤性脑损伤后的信号重路由和神经可塑性，为通信如何绕过受损区域以恢复大脑功能和促进患者恢复提供了洞见。

      在相关研究线中，网络通信模型也被用来描述病理性病原体和神经退行性疾病在大脑中的逐渐扩散。许多神经系统疾病的发展被认为是通过突触传播的病原体（例如阿尔茨海默病中的错误折叠蛋白）来促进的，因此受到结构连通性的影响。在2012年一项有影响力的研究中，Raj等人104表明，痴呆症中灰质萎缩的空间分布可以通过人类连通组的病原体传播扩散模型来复现。随后的研究已经使用了各种扩散和流行病扩散模型（概念上类似于线性阈值模型）来研究肌萎缩性侧索硬化症、阿尔茨海默病和帕金森病的神经退行性疾病的进程。最近，对精神分裂症中皮层萎缩的突触传播的证据也已经被报告，尽管对于精神病条件的进展，应用网络通信模型的研究仍然未被探索。

       这两个研究线承诺将深化我们对脑损伤和病理如何与病人的临床结果相关的理解。早期的应用不仅局限于诊断生物标记物或群体间差异，也强调了预后的洞察力。通过考虑到个体自身的连通性和损伤部位，能够在疾病或损伤发生初期预测临床结果，可能有助于解释病人的异质性轨迹和长期结果。未来需要进行工作以将这些预测模型转化到临床设置，并确定它们在病人治疗中的效用。这方面的努力可能会从诸如英国生物银行等大规模纵向数据集的可用性中受益。通过在未来几十年内追踪成千上万参与者的健康结果，这些资源将提供患病或损伤发生前病人的连通组访问，以及在临床诊断事件中的定期影像随访。这将使得能够进行长期功能重组和在脑损伤或病理的各种表现中的信号重定向的纵向研究。确定哪些网络通信模型在这些场景中提供更高的临床效用将为模型验证提供一个重要的途径。

  

建模大脑刺激的传播 

      刺激神经元素的能力——从通过光遗传技术对单个神经元进行刺激，到使用直接电脉冲刺激大脑结构——使得我们能够研究目标扰动的因果效应。从微观和宏观研究的证据都已经确立了，局部刺激的效应并不仅局限于初期扰动的地点，而是通过元素间的连通性传播。因此，建模大脑刺激的效应是一个典型的网络通信问题（见图3d）。

      在最近的一篇论文中，该团队使用了大量的直接电刺激数据来研究人脑中的实证信号传输。在550名癫痫患者中，收集了在局部单脉冲刺激后的颅内电脑图记录。利用在电极放置中的患者间和患者内的变异性，作者们推导出因果性的脑区间刺激传播的全脑图谱，这是根据神经信号固有的毫秒级时间尺度从实证数据中推断出来的。在人脑的连通组上，我们计算了一套网络通信度量来量化区域间的传输，特别关注解剖上未连接和空间上远距离的区域对——在这些情况下，多突触通信最为相关。我们发现，通信度量能够准确且稳健地预测通过白质连通性的信号传输。重要的是，比较不同预测器的解释能力显示，搜索信息和可通性比其他通信度量更好，这个发现为我们理解复杂的白质连通性拓扑如何塑造局部大脑刺激的全局效应（图4）提供了见解。

图4：网络通信模型的可解释洞察力：脑刺激案例研究。

a, 通过局部直接电刺激传递的脉冲在远距离、解剖学上未连接的位置引发皮质-皮质诱发反应。

b, 网络通信度量根据白质连通性的不同特性量化了通过连接组的信号传输。比较由不同度量解释的刺激诱发反应（R）强度的变化量可以提供关于神经通信动态的洞察。节点A、B和C到目标节点T的最短路径长度（左图）完全基于它们之间最直接路径上的连接。根据最短路径模型，刺激A、B和C应该诱发反应，使得RAT > RBT > RCT。搜索信息（中图）与无偏随机游走沿它们的最短路径从源节点到目标节点的概率有关，这是由组成路径的节点的局部连通性决定的。因此，搜索信息不仅对网络的最短路径结构敏感，而且对局部拓扑特征也敏感。在大脑刺激的背景下，搜索信息可以被理解为刺激在刺激点和目标点之间的扩散倾向。尽管A、B和C到T的最短路径长度相同，但搜索信息预测RCT > RBT > RAT。可通信性（右图）考虑了通过所有网络游走的广播。它指数化了节点通过多个备选路径通信的程度，其中短路径比长路径贡献更多。这里，尽管A和B到T的最短路径长度相同，但由于A到T有更多的短路径，可通信性预测RAT > RBT。

c, 网络通信度量与直接电刺激后经验观察到的反应幅度之间的相关性。诱发反应是通过颅内电脑图记录从解剖上未连接的位置推断出来的。搜索信息和可通信性比最短路径效率解释了更多的刺激传播的变异性，因此为白质连通性的哪些特性塑造了人脑中的多突触通信提供了洞察。

       这项研究表明，网络通信模型有可能为临床大脑刺激提供信息。许多研究报告说，刺激部位的连通性特性与病人的结果有关，这表明治疗效果与刺激后大脑活动的分布式改变有关。然而，目前对连通性地图的关注并没有明确考虑到通过连通性组进行多突触传输。网络通信模型提供了一个解决这个挑战的途径，确定它们是否能够有助于提高治疗性大脑刺激的效果（在不同的刺激方法和临床队列的背景下）是未来工作的一个重要方向。

简单模型的作用：利用可解释性和可处理性 

       大脑网络通信模型是神经信号传输的简化概念。尽管概念上与传输延迟和代谢消耗有关，但这里回顾的模型并没有明确地基于神经生理学的各个方面。相反，按照对复杂系统的最简描述的传统，这些简单模型故意抽象神经信号的微观方面，以捕获神经动态的全局和系统性属性。正如我们看到的，这种抽象为描述和量化广泛的实证现象提供了一个共同的数学基础。基于这一点，本节进一步探讨了网络通信模型的两个关键优势：（i）生成可解释的洞察，了解连通性组织如何塑造网络通信的模式；（ii）计算的可处理性。

       网络通信模型的解释取决于每个模型和测量如何与基础结构连通性的不同特性交互并依赖于它们。为了举例说明这一点，让我们考虑通过最短路径和可通信性进行广播的模型。路由完全依赖于由少数选定连接组成的高效路径。因此，落在这些路径之外的网络元素对于路由模型来说是无关的，延伸开来，对于基于路由测量的任何预测或统计解释也是无关的。相比之下，可通信性假设网络中的所有路径都有助于信号传输。因此，可通信性测量受到更广泛的网络拓扑结构的影响，例如，两个节点之间存在多条替代路径可以促进他们的通信。配备了来自这两个模型的测量方法，研究人员可以确定路由还是广播更能解释感兴趣的实证观察。这可以揭示解剖连通性的什么属性（在这个例子中，是最短路径的长度还是存在多条通信路线）更与实证现象的神经生物学过程相关（图4）。

       这里调查的通信测量非常高效。在大多数情况下，它们都是结构连通性矩阵的分析转换，对于包含数千个节点的矩阵，可以在几秒钟内完成。这一实际优势便于系统化和可处理的探索实证数据，如从数百个刺激点预测电信号传播，以及对数千个受试者的个性化连通性的分析。此外，这一框架的计算可处理性也支持其可解释性和产生洞见的能力，因为它使得能够高效地测试来自不同模型的竞争假设和统计解释。

       重要的是，尽管解释性和可处理性的优点很明显，但当前模型的简单性对调查调节灵活神经信号传输的生物机制构成了一定的障碍。也就是说，虽然网络通信模型可以量化通过复杂连通性的信号路径，但它们对神经元活动如何通过一个路径而非另一个路径引导传输的洞见有限。已经提出了多种机制假设，以解释基于神经元活动的同步和一致性的选择性信息传输，但它们通常考虑在物理连接的神经元模式中的通信。在当前的模型（侧重于大型复杂脑网络中的多突触信号传输）和更广泛的神经机制通信研究之间建立桥梁，是未来工作的一个关键方向。

前景和建议 

对竞争性脑网络通信模型支持的当前证据的综合

      我们从两个互补的角度回顾了网络通信模型：(i) 延迟、能量和信息成本方面的定性表现，以及 (ii) 它们解释能力的实证证据。基于这些标准，我们可以对当前支持连接组通信的不同概念化做出什么结论呢？

      从概念的角度来看，我们已经看到，模型可以根据集中（高效但依赖于强假设）到分散（假设弱但效率低）的通信策略来进行组织。我们推测，位于这个谱的两端的策略（也就是最短路径路由和无偏随机漫步）不太可能反映神经信号传输的底层机制。相反，我们推测，基于在竞争的进化驱动之间平衡权衡的模型和措施可能会提供更加生物学现实的连通性通信描述。这个观念得到了来自一系列神经科学领域的当前实证证据的支持。比较研究发现，像搜索信息、可通信性和导航这样的措施通常提供最稳健的实证现象解释。虽然这些措施都属于通过扩散或路由的通信范围，但它们并不完全基于最短路径或无偏随机游走。例如，导航试图使用分散策略找到短的（但不一定是最短的）路径。同样，搜索信息和可通信性描述的扩散过程，虽然受到最短路径的影响，但也显著地受到额外的拓扑特征的塑造。

      这些观点强调了，尽管最短路径路由作为一种通信模型存在限制，但连接组的最短路径结构可能在塑造神经信号传输中起着重要的作用。如我们所探讨的，像可通信性和线性阈值模型这样的广播类策略可以在没有网络集中知识的情况下访问最短路径。类似地，最短路径度量仍然提供了对网络属性的有用描述，因此可以用来描述连接组的组织，而不一定要对神经通信做出声明。

      重要的是要重申，到目前为止，对网络通信模型进行测试和验证的系统性工作还很少，而且范围有限。因此，关于比较竞争模型的最佳实践仍有许多未解的问题。值得注意的是，目前还不清楚生物信号传输的模式是否取决于特定的通信过程。例如，潜在功能同步的信号机制是否与塑造外源性脑刺激传播的机制相同？同样，不同模型的效用是否会因个体的临床特征而变化，如认知障碍、神经病理或伤后补偿和康复状态？这些知识空白强调了，应由未来的各种神经科学领域的研究来验证当前的综合。接下来，我们通过讨论未来的机会和实践建议，来指导网络通信模型的有原则的开发、应用和验证，以结束我们的评论。

当前的限制和未来的机会 

     在这一部分，我们讨论了脑网络通信模型以及对它们进行审查的现有努力的限制。首先，我们注意到，提出的脑网络通信的分类法只是组织文献中概念的一种可能的方式。它被视为是第一次尝试（而不是最后的定论）在不同的模型和测量之间映射关系。此外，这里考虑的通信成本的概念维度（延迟、信息和能量）是一种过于简化的表达，很可能忽略了神经信号传输的重要方面。举一个例子，它们没有考虑到信号保真性的问题，也就是，在重传过程中丢失信号完整性的倾向。

       网络通信模型预设信号传输过程有明确定义的源和目标。虽然这个假设适合于某些应用（例如，模拟外源性扰动从刺激电极到记录电极的传播），但这仍然是对内在神经动态的一种简化，需要在未来的研究中进行调查。同样，目前的模型假设所有节点对之间的通信都同等重要。除了导航（其中路径可能会失败），其他模型允许所有节点对之间的交互。然而，可能有些脑区在特定的上下文中并不需要进行通信，这样，它们之间的信号传输可能会导致适应不良的过度整合。

       同样的，迄今为止的大部分工作都假定脑网络中的所有节点都使用相同的策略进行通信。然而，连通网络是嵌入在拓扑和3D空间中的，这可能会导致某些区域在策略上有所偏好。例如，结构和功能模块内部与之间的信号交换可能会按照不同的策略进行，就像涉及单模式与多模式皮质区域的通信可能会这样做。最近的工作已经开始通过实现复合模型来探索这个问题，这些模型允许脑区使用不同的策略进行通信。与此相关的是，直接对单个神经元内部的计算进行建模的通信策略的研究——如队列和碰撞模型——是未来研究的重要方向。

      目前的网络通信模型实现并没有明确关注时间解析动态。通信矩阵是神经信号传输的静态估计，不能提供生成神经活动时间序列的方法。然而，正如我们所看到的，通信度量可以用来研究在不同时间尺度上展开的过程，如毫秒级别的电刺激传播，时间变化的功能连接性的波动以及神经病理的传播。将这里回顾的模型扩展到更直接地纳入时间解析的通信动态是未来研究的一个有前途的方向。

     当前的工作远非对文献中所有的脑网络通信模型和度量的详尽调查。我们专注于极简主义模型，这些模型主要基于网络拓扑如何塑造信息流动，并不需要大量（如果有的话）的参数拟合。许多替代模型已经被应用到脑网络并且值得进一步研究。例如，包括几种谱方法，流行病学模型，信息理论模型，队列模型以及分组交换模型。

      更广泛地说，网络通信的研究补充了其他脑功能模型的研究，比如网络控制理论和神经动态的生物物理模型。许多早期回顾的应用也已经使用这些方法进行了研究，包括结构-功能耦合，脑刺激和病变影响。每一种建模类别都提供了一个互补的途径去探究这些问题，因为他们在解释性，计算效率和神经生物学的真实性之间取得了不同的平衡。重要的是，已经开始进行研究以调查混合方法，这些方法集成了这些建模领域的一些方面。例如，最近开发的一个计算模型提出了一种动态机制，用于选择性使用结构连接。这为在神经活动模拟的上下文中实现当前的通信策略铺平了道路，这些模拟明确地基于神经系统的生物物理方面。这个方向的研究有希望发展和验证机械性，可解释性和可处理的脑功能模型。

关于应用和验证脑网络通信模型的建议

     网络通信模型在神经科学研究的各个领域都发现了其实用性。然而，到目前为止，还不清楚哪种通信政策最忠实地描述了生物神经信号传输。因此，在过去的十年中，对量化连通组通信的日益增长的兴趣，导致了网络测量的不断扩大。一方面，这种膨胀使理论家能够表征脑组织和通信的各种性质。另一方面，对于对网络测量作为研究工具感兴趣的实践者来说，这可能令人生畏并且适得其反。我们认为网络神经科学的理论和计算进展必须紧密配合生物验证的实证努力。我们认为这个目标可以通过将网络通信模型的原则性应用和生物验证视为同一硬币的两面来实现，我们为未来在这些方向的努力提供两项建议。

      首先，我们主张进行考虑神经信号传输的多个概念的研究，明确比较源自不同模型和测量的通信矩阵的解释能力。重要的是，除了进行计算练习，实践者们将从这项建议中受益。正如我们所看到的，不同的通信策略都基于关于结构连通性如何调解神经元素之间功能交互的特定假设。因此，确定哪种网络测量提供了最准确和最简洁的经验观察解释可能会揭示出支撑所关注现象的神经生物学过程。

      其次，我们认为网络模型的生物学验证最终依赖于干预性或纵向实验设计的实证数据。例如，对脑刺激的因果效应的记录，对神经退化进程的纵向成像，以及对脑损伤或断连后的结构和功能重构的评估。这些现象为我们提供了机会，使我们的关注点从脑网络的描述转向机制性和预测性的模型。对这些主题的建模进展已经在进行中，未来的工作应该通过比较不同信号传输概念的预测效用来推动这一进展。随着神经科学的多个领域的研究进展，对特定通信策略的证据可能会比今天更具有说服力，从而缩小了有用的模型和测量的范围。

      这些建议设想了网络神经科学的方法论和应用分支之间的正反馈循环，其中建模的进步使实践者能够更忠实地表征脑功能，而应用研究指导新方法的验证和精炼。最终，这种协同效应旨在提供提供机制洞见和临床效用的脑网络通信模型。我们希望这篇文章能为实现这一目标做出贡献。