神经信息处理的组织是如何使人类具有复杂的认知能力的?我们将大脑区域之间的功能交互分解为协同和冗余的组成部分，揭示了它们不同的信息处理作用。结合功能和结构神经成像与元分析结果，我们证明了冗余相互作用主要与感觉运动处理相关。协同作用支持跨高阶大脑网络的整合过程和复杂认知。与非人类灵长类动物相比，人类大脑在更大程度上利用协同信息。来自正电子发射断层扫描的突触密度图和代谢证据表明，协同作用是由受体多样性和支持突触功能的人类基因支持的。这种信息解析方法提供了分析工具，可以将信息集成从耦合中分离出来，实现对功能连接的更丰富、更准确的解释，并阐明人类神经认知架构如何在稳定性和集成之间进行权衡。本文发表在Nature 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)。
1. 介绍
在理论和认知神经科学中，人脑被看作一个分布式的信息处理系统。然而，信息并不都是一样的，我们可以辨别出几种基本不同的信息，每一种都有特定的优势。因此，要正确地理解任何信息处理体系结构，包括人类大脑，就有必要说明正在处理的信息的类型。
举个例子，人类获取世界信息的两个主要来源：眼睛。每只眼睛都提供一些关于另一只眼睛看不见的视野边缘的信息。这是每只眼睛的“唯一信息”。相比之下，当我们闭上任何一只眼睛时仍然拥有的信息被称为“冗余”(或“共享”)信息。冗余为系统提供了稳定性：我们闭上一只眼睛也能看到东西，因为同样的信息在很大程度上可以从另一只眼睛获得。然而，闭上一只眼睛也剥夺了我们关于深度的立体信息。这个信息不仅仅来自任何一只眼睛：你需要两只眼睛一起工作，通过立体视来感知第三维度。这被称为两个信息源之间的“协同”(或“互补”)信息。因此，除了它们自己的唯一信息之外，不同的来源还可以提供冗余信息(从任何一个来源都可以获得的相同的信息)或协同信息(只有通过组合两个来源才能获得)，这是一个基本的区别。
在这里，我们通过提供一个“信息分解”框架来解决神经科学中的基本问题，该框架分解大脑BOLD信号中的内在信息流，以量化协同和冗余的交互作用。这种方法将大脑视为一个动力系统，其时间演化受其组成部分(大脑区域)的当前状态及其相互作用的影响。这意味着大脑当前的状态内在地携带着关于它自己未来的信息——我们可以将这些信息分解为协同和冗余的贡献。具体来说，我们将冗余量化为关于系统未来的信息，这些信息可以从每个部分(大脑区域)的当前状态获得。相比之下，协同作用被量化为区域之间相互作用产生的额外信息。
在这项工作中，我们调查了协同和冗余信息是如何组织人类神经认知架构。具体来说，我们试图确定它们的参与程度是否与众所周知的宏观神经系统的功能一致，以及从协同和冗余信息的角度研究大脑功能是否提供了一个丰富的新视角，补充我们目前对大脑功能组织的理解。结合多模态神经成像(功能、结构和扩散磁共振成像(MRI)和正电子发射断层扫描(PET))与细胞学、体外放射自显影和遗传证据，在这里我们揭示协同和冗余的组织和神经生物学基础。通过比较人类和非人类灵长类动物的大脑，我们进一步证明了协同作用在人类复杂的认知能力和人类大脑进化中的作用。
2. 结果和方法2.1 协同性和冗余性的独特神经解剖学特征
在这里，我们将集成信息分解应用于来自100名人类连接组项目(HCP)参与者的静息状态功能MRI数据，使我们能够量化关于大脑未来轨迹的信息有多少是由不同的大脑区域冗余携带的，有多少是由区域之间的协同携带的。对MRI数据使用最先进的技术从区域BOLD信号时间序列中解卷积血流动力学响应函数(HRF)。研究中将人类大脑被分成232个皮层和皮层下ROI。这个232ROI分组称为增强的“Schaefer-232”分组。
信息分解：Williams和Beer观察到两个源变量X和Y给出的关于第三个目标变量Z的信息，I(X,Y;Z)，应该可以根据不同种类的信息进行分解：由一个来源提供而不是另一个来源提供的信息(唯一信息)，或由两个来源单独提供的信息(冗余信息)，或由它们的组合共同提供的信息(协同信息)。他们开发了PID框架，得到了如式(2)所示的基本分解:
“Un”对应的是一个来源有而另一个没有的唯一信息，“red”是两个来源之间的冗余，“syn”是它们的协同作用——信息不是X或Y单独提供的，但可以通过考虑X和Y一起获得。
区分每对232个大脑皮层和皮层下区域的BOLD时间序列之间的协同和冗余交互作用，我们揭示了协同和冗余在整个人类大脑中遵循不同的模式分布(图1a,b)。特别是，我们表明，大脑区域对之间的冗余组织明显更类似于传统的FC(皮尔逊相关)，而不是协同作用：具有更多相关时间过程的区域对更有可能提供冗余信息，而不太可能提供协同信息(图1c和扩展数据图1)。注意，协同和冗余并不一定是反相关的，在理论层面上，可以构建模型，例如，当两者都增加，或其中一个变化而另一个保持不变。
图1 协同和冗余网络表现出不同的解剖学和认知特征。a,b，平均矩阵显示每对大脑区域之间的冗余(a)和协同(b)相互作用。大脑图显示了最强的冗余连接(蓝色)和协同连接(红色)的皮层分布。c，协同和冗余矩阵与传统FC矩阵的参与者特定的Pearson相关值。d，区域冗余-协同梯度分数的脑表面投影。这些等级表现出负相关。e，NeuroSynth基于术语的元分析，将大脑中冗余-协同梯度的分布与认知领域的认知梯度联系起来，从低水平的感觉运动处理到高水平的认知任务。
扩展图1 大脑中协同和冗余的相互作用。(a-c) Schaefer-232图谱中大脑区域之间两两功能相互作用的群平均矩阵，用(a)冗余度、(b)协同度和(c)传统功能连通性(皮尔逊相关)量化。
(d)冗余相互作用的平均区域密度。
(e)协同作用的平均区域密度。
(f)协同与冗余之间的Spearman相关性。
在构建了每对ROI之间的协同和冗余交互网络之后，我们根据其在协同或冗余交互中的相对参与来确定每个ROI的角色。我们首先计算了每个大脑区域的节点强度作为所有连接在组平均矩阵的总和。然后，我们根据节点强度对所有232个区域进行排名(强度越大的区域排名越高)。对于协同网络和冗余网络，这一过程是分别进行的。将每个区域的冗余等级从其协同等级中减去，得到一个从负(在冗余方面的等级高于协同)到正(协同等级高于相应的冗余等级)的梯度。梯度是基于区域协同和冗余之间的相对差异而不是绝对差异。因此，正的等级差异并不一定意味着该区域的协同作用大于冗余，它表明相对于大脑的其他部分，它的协同和冗余之间的平衡有利于协同。
通过上述方法，定义了大脑区域之间的冗余-协同梯度(图1d)。Whitaker等人将DK-308皮层中的每个区域划分为一种细胞结构类型。该图谱根据皮层的层流结构将皮层细分为五种类型：初级运动皮层/中央前回，两种类型的联合皮层，以及次级和初级感觉区。另外增加了两个亚型：边缘皮质和岛叶皮质。我们得到了DK-308的协同和冗余，以及基于秩差的冗余-协同梯度。然后将该梯度的区域值在属于七个细胞结构类的所有ROI上取平均值。对于每一个细胞结构类，一个正的总分表明属于该类的皮层区域对于协同性比冗余性总体上更重要——反之亦然。
根据细胞结构分类(图2b)，我们的信息解析分析结果显示，冗余交互作用在大脑的躯体运动和大多数视觉区域(图2a)中尤为突出，这些区域对应于初级感觉、初级运动和岛叶皮质。相比之下，协同作用相对重要性较高的区域在高阶关联皮层中占主导地位，并与默认模式网络(DMN)、额顶执行控制网络(FPN)和“边缘”(眼窝额叶皮层和颞极)子网络相关(图2a,b)。
图2 协同主导区域和冗余主导区域的细胞结构和静息状态网络特征不同。a，基于Yeo的定义，每个静息态网络的区域冗余-协同梯度值。b，对于308个大小相等的皮层感兴趣区域(ROI)，从Desikan-Killiany皮层分组中获得的7个细胞结构类的区域冗余-协同梯度值。每个彩色的圆代表一个大脑区域。每个小提琴图显示了分配到X轴上的子网络或细胞构建类的大脑区域的分布。
不同的子网络关联和细胞结构特征进一步表明，冗余和协同作用可能涉及完全不同的认知域。为了实证验证这一假设，我们使用(NeuroSynth)进行了基于术语的元分析，它被广泛用于表征认知相关性方面的宏观大脑模式。NeuroSynth通过综合数以千计已发表的功能磁共振成像(fMRI)研究，实现了广泛认知领域和神经模式之间的自动概率映射。我们使用了之前研究中使用的24个主题术语，范围从较低的感觉运动功能(例如眼动、运动、视觉和听觉感知)到较高的认知功能(例如注意力、工作记忆、社交和数字认知)。根据区域等级差异确定的冗余-协同梯度与这24项相关。
我们的研究结果支持了从神经解剖学到认知的推论，揭示了从冗余到协同的区域梯度相当于从较低的感觉运动功能到较高的认知功能的梯度，需要复杂信息的整合。具体来说，高冗余区域强烈地出现在听觉、视觉和多感官处理和运动上。相比之下，高协同作用区域对社会认知、记忆和认知控制的负荷最强(图1e)。
2.2 协同和冗余的独特图论轮廓
从理论的角度来看，感觉运动和高阶认知功能对认知结构提出了截然相反的要求:感觉处理得益于将整个网络分离为独立的模块，而信息的整合则需要高度互联的网络组织。对大脑区域之间的所有协同(冗余)交互的集合可以被视为一个全脑网络，其中每个节点是一个区域，每条边代表对应两个区域之间的协同(冗余)信息。这使得我们有可能将信息解析分析的优势与强大的图论数学结合起来，深入了解人类大脑中协同和冗余交互的网络组织。
在个体之间，由于协同连接的强度高，协同交互的全脑网络比由大脑区域之间的冗余定义的相应的全脑网络具有更高的互联性和全局效率(图3a)。相反，冗余交互作用描绘了一个具有高度模块化结构的网络，这在整个大脑的协同交互作用网络中几乎是不存在的(图3b)。因此，从图论的角度来看，协同和冗余交互作用的全脑网络显示出独特的图论特性，根据它们所支持的认知功能的要求，分别倾向于全局处理和分离处理。
为了补充这一图理论分析，我们展示了静息态子网络内部的冗余相互作用往往比它们之间的冗余相互作用更强(图3c)，而协同相互作用的情况恰恰相反(图3d)，协同相互作用在不同静息态子网络之间更强，特别是在DMN/FPN和其他子网络之间(图3e)。这些结果表明，大脑区域可以依赖冗余信息在各自分离的子网络内相互作用，同时通过协同作用支持跨子网络的综合处理。
图3 网络分析分别表示协同和冗余的全局处理和分离处理。a，协同交互的全脑网络组织比冗余交互的全脑网络组织表现出显著的全局效率。b，冗余交互作用的全脑网络表现出明显高于协同交互作用网络的分离性(模块化)。c，RSN内的冗余连接明显强于RSN之间的冗余连接。d，静态功能子网络之间的协同连接显著强于静态子网络内部的协同连接。e，大脑区域之间每个连接的冗余-协同梯度评分矩阵。
如果您对脑网络等脑影像等数据分析感兴趣，可浏览思影科技课程及服务，感谢转发支持（可添加微信号siyingyxf或18983979082咨询，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）:上海：
第六十九届磁共振脑影像基础班（上海，11.4-9）
第十四届任务态功能磁共振数据处理班（上海，11.30-12.5）
第十一届脑网络数据处理提高班（上海，12.15-20）
第七届影像组学班(上海，12.22-27)
第七十四届磁共振脑影像基础班(上海，22.12.28-23.1.2）
重庆：
第二十八届弥散成像数据处理班（重庆，11.5-10）
第六届弥散磁共振成像提高班（重庆，11.17-22）
第二十三届磁共振脑影像结构班（重庆，11.27-12.2）
第二十五届脑影像机器学习班（重庆，12.5-10）
第七十三届磁共振脑影像基础班（重庆，12.20-25）
北京：
第七十二届磁共振脑影像基础班（北京，11.9-14）
第六届影像组学班（北京，11.25-30）
第三十四届磁共振脑网络数据处理班（北京，12.3-8）
南京：
第七十一届磁共振脑影像基础班（南京，11.12-17）
第二十九届弥散成像数据处理班（南京，11.19-24）
第二十六届脑影像机器学习班（南京，12.9-14）
数据处理业务介绍：
思影科技功能磁共振(fMRI)数据处理业务
思影科技弥散加权成像（DWI/dMRI）数据处理
思影科技脑结构磁共振成像数据处理业务（T1)
思影科技定量磁敏感（QSM)数据处理业务
思影科技啮齿类动物（大小鼠）神经影像数据处理业务
思影科技灵长类动物fMRI分析业务
思影数据处理业务三：ASL数据处理
思影科技脑影像机器学习数据处理业务介绍
思影科技微生物菌群分析业务
招聘及产品：
思影科技招聘数据处理工程师 （上海，北京，南京，重庆）
BIOSEMI脑电系统介绍
目镜式功能磁共振刺激系统介绍
2.3 为协同和冗余提供独特的结构支持
由于只有一小部分大脑区域是由白质束直接连接的，我们推断，一个生物的生存越依赖于A和B区域之间的相互作用，A和B区域就越可能是直接物理连接的，而不是依赖于中间的多突触连接。因此，直接的解剖学连接可以被理解为揭示大脑对稳定交流的需求是最高的。因此，如果冗余的相互依赖性为系统提供了鲁棒性(因为它们对应的信息不依赖于任何单一的大脑区域)，那么它们应该与底层的直接结构连接共存。我们的研究结果支持了这一假设:在参与者中，白质流线的数量(使用扩散加权成像(DWI)量化)与区域之间的冗余相互作用的相关性显著高于协同相互作用(图4a)。
在确定协同性和冗余性与解剖学连接的基础网络的关联不同后，我们试图获得对它们各自与结构连接的关系的更精细的观察结果。为此，我们比较了它们之间有直接和间接解剖连接的区域之间的冗余值。正如我们之前的分析所预期的那样，我们发现在存在直接解剖连接的情况下，冗余性相对较强(图4b)。相反，我们发现在没有直接物理连接的区域之间协同作用相对更强(图4c)。这些结果与最近的证据是一致的，即具有直接解剖联系的区域在其表现出的动力学特征方面往往更相似，证实了我们对它们之间存在更大冗余的预期。相反，间接(多突触)连接为不同信息流在从A区域到B区域的过程中整合提供了更大的机会，并受到不同调节因素的影响，这应该对应于发生协同作用的更高机会。
为了证实我们的假设，我们将协同和冗余矩阵与皮质-皮质连线距离进行了比较，结果显示，两个区域的结构连接曲线之间的差异越大，它们保存相同信息的程度就越小，但它们之间的协同潜力却会增加(图4d)。
图4 冗余的相互作用由解剖连接支撑，协同交互作用将具有不同结构布线剖面的区域连接起来。a，冗余交互作用的全脑网络与潜在结构连通性的相关性显著高于协同交互作用。
b，存在底层直接结构连接时，冗余连接显著增强。
c，不具有直接结构连接的区域间协同连接显著增强。
d，协同连接的全脑网络与皮质-皮质连线距离的相关性明显高于冗余网络。
总体而言，冗余交互划分了人脑中模块化的结构-功能主干，确保了稳定的感觉运动输入-输出通道，而协同交互则通过不同子网络的全局高效连接，受益于结构连接的不同模式，促进了高水平的认知。我们的方法揭示了大脑如何平衡模块化和全局信息处理，以服务于认知功能的不同方面。
2.4 大脑高协同区域的进化
协同信息处理和高级认知功能之间的联系，提出了一种有趣的可能性，即人类大脑可能使人类具有独特的复杂认知能力，特别是由于其高度协同的性质。我们通过三种趋同的方法来实现这一假设。
首先，我们证明，与非人类灵长类动物的大脑相比，人类的大脑在利用协同信息方面特别成功。协同互动在人类大脑总信息流中所占的比例高于猕猴(图5a)，而就冗余占总信息的比例而言，两种物种的大脑是相等的(图5b)。为了进一步证实协同的作用，我们发现，人类和猕猴在协同作用方面的差异显著大于FC总强度(FC矩阵的大平均值)的差异，或FC网络的全局效率或模块化的差异。
猕猴大脑中的协同和冗余模式与在人类中观察到的模式大致相似(补充图7)，显示了它们的进化稳定性——包括在感觉运动区域预期的高冗余(图5c)。然而，在猕猴的前额叶皮层中，冗余比协同更普遍，尽管前额叶皮层是人类最具协同优势的皮质之一(图5c)。有趣的是，人类的进化过程中经历了大量的皮质扩张。
图5 人类大脑的进化倾向于高度协同。a，人类大脑协同作用的比例明显高于猕猴。b，人类和猕猴大脑中冗余交互的比例是相同的。
c，猕猴大脑的区域冗余-协同梯度分数的表面投影。
d，人类冗余-协同梯度评分与从黑猩猩到人类的区域皮层扩张之间存在显著的Spearman相关性。
e，人类冗余-协同梯度评分与大脑相关的人类加速基因的区域表达之间的显著Spearman相关性。
补充图7 猕猴大脑中协同和冗余网络轮廓的特征与人类相似。(a)猕猴大脑各区域间的协同作用。(b)猕猴大脑各区域之间的冗余相互作用。
(c)通过轴索示踪和扩散MRI估计解剖连通性。
(d)协同交互的网络组织表现出明显高于冗余交互的整体效率。
(e)冗余交互的网络组织表现出明显高于协同交互的隔离性(模块化)。
(f)与协同相互作用相比，冗余相互作用网络与潜在解剖连通性的相关性显著更高。
这些发现表明，在人类大脑中观察到的高协同作用可能与进化的皮层扩张有关。为了探索这一假设，我们分析了来自活体结构MRI的皮层形态测量数据，比较了人类和智人最接近的进化亲戚之一:黑猩猩。为了支持我们的假设，我们发现了人类相对于黑猩猩的皮层扩张与先前由功能磁共振成像(fMRI)得出的协同作用区域流行度梯度之间显著的正相关关系(图5d)。这些发现表明，人类额外的皮层组织可能主要用于协同作用，而不是冗余。
为了为协同作用的进化相关性提供进一步的支持，我们利用了艾伦脑科学研究所(AIBS)提供的人类成人大脑微阵列数据集，该数据集覆盖了左侧皮质的57个区域。我们发现，协同作用的区域优势与基因的区域表达相关，这些基因(1)与大脑发育和功能相关，包括智力和突触传递，(2)在人类与非人类灵长类动物中选择性加速(图5e)。因此，一个大脑区域在协同作用方面越突出，就越有可能表达人类特有的大脑基因。
2.5 大脑中协同作用的突触基础
人类加速基因DK-114图谱的区域表达图由Wei等人提供。简单地说，通过比较基因组分析，我们选取了基因组中总共2737个人类加速区(HARs)中的基因，代表人类加速分化的基因组位点。在这一过程中鉴定出的2143个HAR相关基因中，有1711个在Allen人脑图谱(AHBA)微阵列数据集中被描述，并被Wei和同事们用于分析，称为“HAR基因”。
HAR基因随后又被细分为HAR- brain基因和HAR- nonbrain基因。通过基因型-组织表达(GTEx)数据库，其中包括从449个个体的7333个样本中收集的53个身体部位的56238个基因表达谱。在这56238个基因中，有2823个基因被鉴定为BRAIN基因，其在脑位点的表达量显著高于非脑位点。HAR- BRAIN基因被鉴定为2823个BRAIN基因和1711个HAR基因之间重叠的405个基因，而剩余的HAR基因被标记为HAR- nonbrain基因。
上述观察结果提出了一个问题：人类大脑是如何达到如此高的协同作用的?为了从神经生物学角度解决这个问题，我们从AIBS微阵列数据中探索了20674个基因的冗余-协同梯度和区域表达谱之间的关联。使用偏最小二乘(PLS)回归，我们表明前两个PLS分量解释了区域协同冗余值中30%的方差。这两种成分的HAR-Brain基因显著富集，证实了上述假设驱动的结果(扩展图9)。我们接下来试图确定与大脑协同相关的过表达基因所起的作用，对于每个PLS成分。基因本体论术语的分析显示，PLS成分的转录标记在参与学习/记忆的基因中显著丰富(与我们的NeuroSynth元分析一致)，以及突触、突触组件和突触传递(图6a-f)。
补充图9 对来自艾伦脑科学研究所的20647个基因的PLS成分进行了表征，用于Desikan-Killiany皮质的308个ROI细分区。(a)冗余-协同区域模式与PLS (PLS1)第一主成分之间的Spearman相关性。
(b)冗余-协同区域模式与PLS第二主成分(PLS2)之间的Spearman相关性。
(c)由前2个PLS分量解释的方差显著高于基于保留空间自相关的随机模式的预期。
(d,e)在PLS1和PLS2中HAR-Brain基因显著富集。
(f)使用另一种方法也观察到显著的HAR-Brain基因富集。
(g,h)当使用自旋排列控制空间自相关时，也观察到在PLS1和PLS2中的HAR-Brain基因富集。
(c-h)直方图表示与HAR-Brain基因大小相同的随机基因样本的平均z分数的相对频率。
图6 人脑协同作用的突触基础。a，与n = 20647个AIBS基因的冗余-协同区域梯度相关的PLS (PLS1)第一主成分。b,c，与PLS1中显著富集的生物过程(b)或细胞成分(c)相关的维度。d, PLS (PLS2)的第二个主成分，与n = 20647个AIBS基因的冗余-协同区域梯度相关。e,f，与PLS2中显著富集的生物过程(e)或细胞成分(f)相关的维度。h，区域冗余-协同梯度评分与[11C]UCB-J PeT中体内突触密度的第二个(正)主成分之间的Spearman相关。
突触是神经元交换信息的关键结构。因此，正如我们的基因分析所表明的那样，它们构成了人类大脑协同作用的神经生物学基础的主要候选者。为了提供突触密度和区域协同流行率之间更直接的联系，我们使用PET来估计体内的区域突触密度。为了支持区域大脑协同作用与潜在突触密度相关的观点，我们发现，来自[11C] UCB-J PET的区域突触密度的前后主成分与从冗余到协同作用的区域梯度相关，即使考虑了空间自相关，显著性仍有明显的持续趋势(图6d,e)。因此，区域突触密度预示着区域内的协同效应高于皮层内的冗余。
2.6 协同作用的代谢和分子基础
尽管基因和体内数据表明突触与大脑协同作用有关，但突触本身并不是固定的，而是在人的一生中发展起来的。在时间和空间上，突触生长都有完善的代谢基础，特别是与有氧糖酵解(AG)有关。时间上，在人类发育过程中，AG峰值出现在突触生长峰值；在空间上，AG在成人大脑中的区域分布与促进突触生长的基因的区域表达一致，这表明即使在成年期，AG也可能支持突触的持续形成。
根据这一系列的文献和我们之前的发现，我们表明冗余-协同梯度和糖酵解指数(GI)的皮层分布之间存在显著的相关性，GI是一种AG的测量方法，从大脑氧和葡萄糖代谢率的PET测量中获得(图7a)。此外，先前与区域AG分布相关的促进突触发育的相同基因在与协同-冗余梯度相关的基因表达的两个PLS组分中也显著富集(补充图10)。因此，遗传和PET证据一致表明，支持突触生长的相同代谢过程也可能是人脑协同作用的基础。
图7 人类大脑协同作用的代谢和分子基础。a，区域冗余-协同梯度评分与基于脑氧和葡萄糖代谢率(GI) PET测量的AG平均区域估计值之间存在显著的Spearman相关性。b，皮层冗余-协同梯度评分与神经递质受体表达的多样性之间存在显著的Spearman相关性。
补充图10 与突触形成相关的基因富集分析。(a,b)好氧糖酵解基因PLS1和PLS2显著富集。(c)使用另一种方法观察到有氧糖酵解相关基因的富集。(d,e)当使用自旋排列控制空间自相关时，也观察到PLS1和PLS2中有氧糖酵解相关基因的显著富集。
尽管突触的高密度反映了整合多种输入的高潜力，但神经元之间的实际相互作用依赖于作用于各种不同受体的多种不同的神经递质。重要的是，神经递质受体在人脑中的分布并不是均匀的，而是在皮层区域和同一区域的不同层之间存在差异。特别是，皮质区域在神经递质受体的多样性方面有系统的不同。这为识别人脑协同作用的潜在神经化学基础提供了机会，我们推断，不同受体类型和受体层的不同受体表达应该赋予一个区域更大的灵活性，因此它的活性将能够反映来自不同区域和系统的不同输入和神经调节影响的整合。
总的来说，假设驱动和数据驱动的遗传、代谢和分子证据都表明，突触、突触形成、突触传递和神经递质的多样性是大脑协同作用的关键神经生物学基础，这与协同作用量化信息整合及其在支持高级认知方面的作用的概念一致。
3. 讨论
我们对信息解析大脑动态的多模态、多物种调查揭示了人类大脑是如何进化到处理鲁棒性和整合性之间的内在权衡的。利用集成信息分解对人类BOLD信号的内在动态进行分解，量化了有多少关于大脑动态的信息是由不同大脑区域的当前状态冗余携带的，以及有多少信息是在区域之间协同携带的。
结果表明，协同相互作用在人类神经认知结构中起着至关重要的作用，并通过结合遗传、分子、细胞结构、代谢、结构和神经解剖学证据，进一步确定了其跨尺度的神经生物学基础。我们的研究结果表明，基本的感觉运动功能是由一个冗余交互的模块化结构-功能框架支持的。作为大脑的输入输出系统，可靠的感觉运动通道对生存至关重要，它保证了由冗余交互和直接解剖连接提供的额外稳定性，正如我们的结构-功能分析所表明的那样。
相比之下，元分析和图论结果表明，协同交互作用在整个大脑中形成了一个全局高效的网络，协同交互作用连接不同的大脑模块，以支持更高的认知功能。同时，高协同作用区域也表现出高比例的AG。我们发现高协同区域的神经解剖学组织与突触丰富的联想皮层一致。我们还发现，高协同作用的皮质区域表现出最多样化的神经递质受体表达，使灵活的神经调节成为可能。因此，跨尺度的网络组织和神经生物学提供了趋同的证据，表明协同交互在理想状态下可以作为人类大脑中的“全脑工作空间”，使来自整个大脑的互补信息得以整合，以服务于更高的认知功能。
综上所述，我们的研究结果勾画出了一个神经结构，在这个结构中，直接的解剖连接主要有助于确保同一特定模块内的区域获得相同的信息。相反，间接多突触连接更有利于不同模块之间的信息整合。事实上，DMN和FPN的高阶联想皮层可能能够精确地支持人类的高级认知，这是因为它们广泛参与了协同处理:我们发现，与其他灵长类动物相比，人类的协同(而不是冗余)互动特别增强，有专门的皮质区域和专门的基因，包括那些促进突触传输和形成的基因。这一过程产生了一种神经结构，能够在比其他灵长类动物更大的程度上利用协同信息。
同时，DMN和FPN在完成任务和休息时表现出不同的活动模式，在控制大脑动态方面发挥着不同的作用。因此，在未来的工作中，描述它们各自在大脑协同核心中的作用将是至关重要的。此外，未来的工作可能寻求大脑功能的信息分辨方法和时间分辨方法之间的融合，作为可能的补充策略，以平衡大脑对整合和鲁棒性的竞争需求。
将两个区域之间相互作用的协同和冗余贡献分离开来，就有可能区分“信息集成”(协同)和简单地“具有相同的信息”(冗余)的情况。协同信息的量化提供了一种严格的方法，可以从相互影响的角度捕捉不同大脑区域活动之间的整合，超越了传统的FC测量方法。如果目的是量化汇集和组合的信息，那么传统的FC可能是不够的，我们需要更复杂的信息解析方法机制来提供协同作用方面的全貌。事实上，最近的补充工作也强调，只关注锁定时间的波动将错过区域之间相互作用的重要方面。
最后，我们的大脑动力学信息解析分析方法的一个关键优势是其广泛的可能应用范围：基于信息论，集成信息分解可以应用于跨尺度的神经数据，从功能磁共振成像到神经元培养。因此，我们的框架有希望对神经科学的广泛范围内的一系列问题提供关键的新见解，从健康和病理发展到认知及其障碍。总的来说，这项工作提供了揭示信息处理原则的潜力，这些原则支配着神经生物学如何产生精神现象。
如需原文及补充材料请添加思影科技微信：siyingyxf或18983979082获取,如对思影课程及服务感兴趣也可加此微信号咨询。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，如果我们的解读对您的研究有帮助，请给个转发支持以及右下角点击一下在看，是对思影科技的支持，感谢！
微信扫码或者长按选择识别关注思影
非常感谢转发支持与推荐
欢迎浏览思影的数据处理业务及课程介绍。（请直接点击下文文字即可浏览思影科技所有的课程，欢迎添加微信号siyingyxf或18983979082进行咨询，所有课程均开放报名，报名后我们会第一时间联系，并保留已报名学员名额）：核磁：上海：
第六十九届磁共振脑影像基础班（上海，11.4-9）
第十四届任务态功能磁共振数据处理班（上海，11.30-12.5）
第十一届脑网络数据处理提高班（上海，12.15-20）
第七届影像组学班(上海，12.22-27)
第七十四届磁共振脑影像基础班(上海，22.12.28-23.1.2）
重庆：
第二十八届弥散成像数据处理班（重庆，11.5-10）
第六届弥散磁共振成像提高班（重庆，11.17-22）
第二十三届磁共振脑影像结构班（重庆，11.27-12.2）
第二十五届脑影像机器学习班（重庆，12.5-10）
第七十三届磁共振脑影像基础班（重庆，12.20-25）
北京：
第七十二届磁共振脑影像基础班（北京，11.9-14）
第六届影像组学班（北京，11.25-30）
第三十四届磁共振脑网络数据处理班（北京，12.3-8）
南京：
第七十一届磁共振脑影像基础班（南京，11.12-17）
第二十九届弥散成像数据处理班（南京，11.19-24）
第二十六届脑影像机器学习班（南京，12.9-14）
脑电及红外、眼动：上海：
第三十六届脑电数据处理中级班（上海，11.13-18）
第二十八届脑电数据处理入门班（上海，11.20-25）
第二十五届近红外脑功能数据处理班（上海，12.7-12）
北京：
第五届R语言统计班（北京，11.16-20）
第三十九届脑电数据处理中级班（北京，12.13-18）
数据处理业务介绍：
思影科技功能磁共振(fMRI)数据处理业务
思影科技弥散加权成像（DWI/dMRI）数据处理
思影科技脑结构磁共振成像数据处理业务（T1)
思影科技定量磁敏感（QSM)数据处理业务
思影科技啮齿类动物（大小鼠）神经影像数据处理业务
思影科技灵长类动物fMRI分析业务
思影数据处理业务三：ASL数据处理
思影科技脑影像机器学习数据处理业务介绍
思影科技微生物菌群分析业务
思影科技EEG/ERP数据处理业务
思影科技近红外脑功能数据处理服务
思影科技脑电机器学习数据处理业务
思影数据处理服务六：脑磁图（MEG）数据处理
思影科技眼动数据处理服务
招聘及产品：
思影科技招聘数据处理工程师 （上海，北京，南京，重庆）
BIOSEMI脑电系统介绍
目镜式功能磁共振刺激系统介绍
