大脑是一个由多个相互连接的脑区组成的复杂网络，这些区域协同处理外部信息，从而支持我们的感知、行为与认知功能。理解这些脑区之间信息如何流动，是揭示大脑工作机制的核心问题之一。常用的脑连接度量包括结构连接（SC）和功能连接（FC），前者描述大脑区域之间的物理连线，后者反映神经活动之间的统计相关性[1]。然而，它们都难以揭示信息在大脑中的方向性传递与因果结构。有效连接（EC）则通过捕捉脑区之间的因果交互，弥补了这一关键空白。它不仅有助于揭示大脑的信息处理机制，还在神经调控和脑疾病治疗中具有重要应用价值。

实验测量 EC 的方法，如光遗传学或深部脑刺激，虽然可以直接观察因果关系，但往往依赖侵入式操作，且难以扩展到全脑尺度。计算方法作为非侵入式的替代，近年来受到广泛关注，但依然存在诸多挑战：模型驱动方法依赖结构假设，容易受到模型偏差影响；现有的数据驱动方法虽可捕捉方向性，但在估计连接强度、识别兴奋/抑制特性方面能力有限。此外，不同方法对 EC 的定义也不一致，导致推断结果常出现分歧。

近年来，人工神经网络（ANN）在神经数据建模中展现出巨大潜力。将扰动分析引入 ANN 的框架提供了一种有前景的因果推断方法，可以通过调控输入变量并观察输出响应，推断神经系统的因果结构。这种方法在概念上与神经科学中经典的“扰动-记录”范式相呼应。

为此，我们提出了神经扰动推断（Neural Perturbational Inference, NPI）框架。该方法通过训练 ANN 建模大尺度神经动力学，并在模型中系统性地施加虚拟扰动，进而绘制出全脑范围的 EC 图谱。NPI 框架能够识别全脑 EC 的方向、强度，以及兴奋/抑制特征。通过使用多种具有已知真实 EC 的生成模型，我们验证了 NPI 框架的有效性。此外，NPI 推断的结果还与皮层-皮层诱发电位（CCEP）高度一致，进一步验证了其在反映真实大脑因果交互方面的准确性。

2. 结果

神经扰动推断(NPI)框架

NPI 是一种数据驱动的 EC 推断框架，它采用 ANN 作为数字孪生脑，从而能够高效地在全脑范围内施加扰动并记录响应。

脑功能成像和电生理记录能够提供多个脑区的活动记录，但这些脑区在信息处理过程中是如何交互的仍不清楚（图 2a）。首先，我们训练一个 ANN，使其能够根据前面三个时间点的状态预测下一个时间点的脑活动，训练目标是最小化单步预测误差（图 2b）。为了验证该 ANN 是否能够捕捉脑区之间的交互关系，我们将其预测输出递归地反馈回模型，以产生模型生成的神经信号（图 2e）。我们使用人类静息态功能磁共振成像（rs-fMRI）数据，将由模型生成的信号计算得到的功能连接（model FC）与真实 rs-fMRI 数据计算得到的功能连接（empirical FC）进行比较，两者表现出极高的相关性，表明 ANN 有效捕捉了脑区间的功能依赖关系（图 2f）。这表明，训练后的 ANN 可作为可靠的数字孪生脑，用于虚拟扰动。

之后，我们对 ANN 中每个节点进行扰动，每个节点代表一个特定的脑区（图 2c）。扰动通过在选定节点的输入数据上施加脉冲信号实现（图 2g）。通过比较目标区域在扰动输入与基线输入下输出结果的差异，可以推断从源区域（被扰动区域）到目标区域的EC。如果目标区域活动增强，则表示存在兴奋性EC；若活动减弱，则表示为抑制性 EC（图 2h）。通过对所有节点依次施加扰动，我们可以刻画全脑任意两个脑区之间的 EC 连接（图 2d）。

我们使用多种已知真实 EC 的生成模型验证了 NPI 框架的有效性（图 2i）。当应用于 rs-fMRI 数据时，NPI 揭示了人脑 EC 的特征（图 2j）。

在生成模型上验证 NPI 的有效性

本文使用已知真实有效连接（ground-truth EC）的生成模型对 NPI 的性能进行了测试。使用了三个模拟数据集：一个由循环神经网络（RNN）模型生成（图 3a–h），另外两个来自 fMRI 的生成模型（图 3i–p）。ground-truth EC 是通过将“扰动-记录”范式直接应用于生成模型上获得的。我们将 NPI 推断的 EC 和 ground-truth EC 进行比较以评估其性能。

以 RNN 生成模型为例，我们构建了一个具有预定义连接结构的 RNN 模型，并使用该模型生成神经活动数据（图 3a–b）。随后，我们训练 ANN 作为数字孪生脑，使其学习 RNN 生成数据的动力学，并通过递归预测产生模拟神经信号（图 3c）。由此生成的 model FC 与 empirical FC 高度一致（图 3d），验证了模型的学习能力。接着，我们在 ANN 上系统地施加扰动，推断出节点间的 EC（图 3e）。NPI 推断的 EC 与 ground-truth EC（图 3f）之间具有极高的相关性，显著优于格兰杰因果等传统方法（图 3g）。此外，我们还考察了 NPI 在不同条件下的稳健性，包括扰动强度、系统噪声、数据长度和网络规模（图 3h）。结果显示，NPI 在大多数参数设置下都保持了稳定且准确的推断性能，尤其是在数据量充足的情况下，扩展到更大规模的网络上也能维持良好的表现。

为进一步评估 NPI 在神经数据上的表现，我们将其应用于两个 fMRI 仿真数据集（图 3i–p）。结果显示，即使在复杂的网络结构和模拟 fMRI 动力学的条件下，NPI 依然能够稳健地识别出节点间的因果关系，具备出色的准确性与通用性。

NPI 得到的人脑 EBC

我们将 NPI 应用到 HCP 数据集[2]中 800 名被试的 rs-fMRI 数据上，为每位被试分别训练个体化的 ANN，脑区划分采用 MMP 脑图谱[3]。

在比较不同的输入配置后，我们发现使用前三个时间步预测下一个时间步的模型优于仅使用单个时间步的模型，且 model FC 和 empirical FC 高度相关（图 4c-d）。因此，我们采用三步输入的 MLP 模型作为后续分析的标准结构。我们分别对每位被试的个体化数字孪生脑进行扰动分析，随后将所有被试的个体化 EC 平均，得到群体水平的人脑有效连接图谱（effective brain connectome, EBC）（图 4a）。EBC 中的正值代表兴奋性连接，负值代表抑制性连接。与 FC 相比，EC 更好地捕捉了源区域对其他区域的抑制性调控作用（图 4e）。

通过分析 EBC，我们发现，兴奋性和抑制性 EC 的强度分别服从对数正态分布（图 4f-g）。最强的兴奋性连接主要分布在功能网络内部，而最强的抑制性连接则更多出现在跨网络和跨半球之间（图 4f-g）。为了分析每个节点在网络中的重要程度，本文二值化了 EBC 矩阵并计算了每个节点的度，发现与其他区域联系紧密的脑区广泛分布于多个功能网络，显示出高中心性区域的广泛分布（图 4h）。

NPI 得到的 EC 稳健，且受 SC 支撑

为了评估 NPI 在 fMRI 数据上的表现与脑区数的关系，我们将其应用于不同分辨率的 Schaefer 脑图谱[4]，脑区数量从 100 逐步增加至 1000 个（图 5a–b）。随着分区数量增加，预测性能略有下降，这可能是由于更高的数据量要求（图 3h）。尽管如此，模型对 FC 的恢复效果在不同尺度下稳定（图 5b），说明 NPI 框架在不同粒度下具有一致的表现。

此外，我们评估了 NPI 框架在不同条件下的稳健性，包括不同 ANN 初始化方式、不同 fMRI 扫描时间段、不同被试间、以及跨数据集的结果的一致性（图 5c–e）。结果显示，NPI 对 ANN 初始化具有良好的鲁棒性，能够稳定地提取个体化连接特征，且结果可在不同数据集上重复。

我们还研究了 NPI 推断的 EBC 与 SC 之间的关系。我们使用 HCP 数据集得到的 SC 与 NPI 推断的 EBC 进行对比。分析发现，两者之间存在显著相关性（图 5f），进一步表明大脑解剖结构在功能通信中的重要作用。

NPI 框架可支撑临床应用

为评估 NPI 的临床价值，我们使用 F-TRACT 项目[5]提供的 CCEP 数据进行验证。该数据集基于癫痫患者的立体脑电图（SEEG）记录（图 6b）构建了群体水平的 CCEP 连接矩阵（图 6a）。该矩阵反映了神经信号在皮层间的传播路径，是用于验证 NPI 推断的 EBC 的理想参考标准。

我们将基于 HCP 数据集得到的群体平均 EBC 与 CCEP 连接矩阵进行比较，发现两者在全脑水平上的相关性显著高于 FC 与 CCEP 的相关性。这表明，NPI 推断得到的 EBC 能准确反映神经刺激后的信号传播路径，揭示潜在的因果结构。

为了进一步展示 EBC 在指导神经刺激中的潜力，我们比较了 CCEP 与 NPI 推断的输出连接（output EC）和输入连接（input EC）之间的关系。在 EBC 矩阵中，一行代表某一区域对所有其他区域的输出，即 output EC；一列代表其他区域对某一目标区域的输入，即 input EC（图 6e）。结果表明，无论是 input EC 还是 output EC，NPI 推断的结果都与 CCEP 的空间模式高度一致，显著优于 FC（图 6f–g）。这些结果进一步支持了 NPI 能够精确捕捉特定区域间的因果传播路径的结论。

值得注意的是，NPI 相较于 CCEP 还具备额外优势。CCEP 要求对患者进行侵入式电刺激和数据采集，每位患者只能提供少量刺激和记录位点的数据，因此必须跨个体整合才能构建全脑的连接图谱。而 NPI 完全基于非侵入的 rs-fMRI 数据建模，具有更强的通用性与可推广性。因此，NPI 在研究和临床应用中更加灵活便捷，潜力巨大。

本文提出的 NPI 框架通过模拟“扰动-记录”范式为非侵入地推断全脑 EC 提供了一种新路径。相较于 FC，NPI 刻画的 EC 具有因果意义，能够反映脑区之间的信息传递方向及调控关系；同时，相比已有的EC计算方法，NPI 具备更强的灵活性与泛化能力，能够在无需假设神经系统结构的前提下，仅依赖 rs-fMRI 数据推断出全脑因果图谱。

NPI提出训练AI模型自监督学习脑网络动力学，将训练的AI作为“替代大脑”，在AI模型中进行虚拟扰动，并记录扰动对其他脑区的影响，从而构建出具有生理可解释性的因果关系。我们在模拟数据、rs-fMRI 数据中均验证了 NPI 的有效性，强调了该方法的临床潜力。

NPI框架仍存在若干待完善之处。首先，NPI是一种数据驱动的方法，依赖于数据的质量和size，在时序长度有限、脑区维度过高、信号质量不佳的情境下，其建模与推断能力仍需加强。其次，NPI方法目前主要在 rs-fMRI 数据中验证，未来需要进一步将AI孪生脑的建模方法扩展至任务态数据、EEGMEG等其他模态的神经数据、以及SEEG这类稀疏观测的数据中，这需要更多的AI模型结构设计、损失函数和训练方法的设计。

未来的研究方向有广泛的扩展空间：其一，通过引入结构连接、行为表型等外部先验，构建多模态数据融合的 NPI 框架，提升模型对 EC 的推断能力；其二，在群体预训练模型的基础上引入个体微调策略，在短数据上实现精准的个体化 EC 推断；其三，拓展扰动设计与模拟方式，使 NPI 支持不同强度、持续时间或多点联合扰动，从而服务于闭环神经调控等更具挑战性的应用场景。

参考文献

[1] Park, Hae-Jeong, and Karl Friston. "Structural and functional brain networks: from connections to cognition." Science 342.6158 (2013): 1238411.

[2] Van Essen, David C., et al. "The WU-Minn human connectome project: an overview." NeuroImage 80 (2013): 62-79.

[3] Glasser, Matthew F., et al. "A multi-modal parcellation of human cerebral cortex." Nature 536.7615 (2016): 171-178.

[4] Schaefer, Alexander, et al. "Local-global parcellation of the human cerebral cortex from intrinsic functional connectivity MRI." Cerebral cortex 28.9 (2018): 3095-3114.

[5] Lemaréchal, Jean-Didier, et al. "A brain atlas of axonal and synaptic delays based on modelling of cortico-cortical evoked potentials." Brain 145.5 (2022): 1653-1667.