基于人工智能的多尺度脑网络连接建模丨附12篇领域必读文献·周六直播

导语

继「神经动力学模型」与「计算神经科学」读书会后，集智俱乐部联合来自数学、物理学、生物学、神经科学和计算机的一线研究者共同发起，跨越微观、介观与宏观的视角，探索意识与智能的跨尺度计算、演化与涌现。重点探讨物理规律与人工智能如何帮助我们认识神经动力学，以及神经活动跨尺度的计算与演化如何构建微观与宏观、结构与功能之间的桥梁。

大脑如何从微观神经元到宏观脑区实现跨尺度协作，并涌现出记忆与意识？本期读书会，我们将从多尺度脑网络连接建模出发探索AI如何融合脑科学知识，破解多尺度脑网络的因果密码，揭开跨层次信息流动的奥秘。

分享简介

脑网络的组织具有明显的多尺度特征：在脑科学研究中，理解脑网络内如何跨越不同尺度的连接与互动，始终是重要的科学问题之一。从单个神经元的微观突触，到脑区之间的中观网络，再到全脑范围的宏观动力学，大脑呈现出多层次的网络结构与时序活动。不同层次的脑网络连接也展示了不同的意义。结构连接（SC）描述了神经元/脑区之间的解剖性连线。功能连接（FC）描述了神经信号在时间上的协变关系。有效连接（EC）则更进一步，揭示信息流动的方向和机制。而无论是记忆与意识等高级功能，还是脑疾病的诊断与干预，往往都依赖于脑区间的有向信息流。对脑内因果关系的建模一直是很有价值的问题，但传统的建模方法往往只聚焦于某一单一尺度，难以解释跨尺度的相互作用与复杂涌现机制。近年来，人工智能的蓬勃发展为跨尺度连接建模提供了新的契机。通过结合脑科学先验知识与数据驱动的建模方法，人工智能能够自动学习不同尺度下的潜在因果关系，并量化跨尺度的动力学模式。本期读书会，我们将从不同层级的脑网络连接出发，通过多层神经网络、跨模态建模与对齐、因果推断与AI可解释性分析，讨论多尺度脑网络链接建模的意义与可行性。

核心关注问题

1. 不同层次的脑网络连接怎么定义，有怎样的意义，如何分析？

2. 数据驱动与模型驱动的建模方法有何优劣，怎么把AI用于建模大脑？

3. 当没有 ground truth 脑连接时，如何验证模型训练的充分性与合理性？

分享大纲

1. 多尺度脑网络的研究背景与孪生脑发展历程

脑网络的多尺度特征：从神经元、脑区到全脑动力学的层级结构

不同脑网络连接的定义与区别

孪生脑（Surrogate Brain）的起源与演变：从生理仿真到AI建模

1. 人工智能赋能的契机与因果推断

传统建模的局限：模型驱动与数据驱动的优劣

基于虚拟扰动的因果连接推断

可解释的神经动力学建模方法

1. 实验验证与多尺度扩展：从脑电到神经元网络

EEG尺度：基于电信号的时间因果建模与动态有效连接推断

神经元尺度：单细胞/微电极阵列的孪生脑建模

未来方向：AI驱动的跨尺度一体化建模、因果可解释性与虚拟干预仿真

主讲人介绍

李宗晟，香港中文大学（深圳）在读博士，师从南方科技大学刘泉影教授，本科毕业于大连理工大学，硕士毕业于南洋理工大学。在广东省智能科学与技术研究院陈洛南老师的实验室完成科研助理的短暂轮转后，现聚焦于人工智能与神经计算方向。研究兴趣包括 AI 孪生脑建模，神经数据解码，情绪动力学等。

参与时间

2025年10月25日（周六）晚上19:00-21:00（固定时间，记得关注获取每周分享信息～）

报名加入社群交流

https://pattern.swarma.org/study_group_issue/978?from=wechat

扫码参与，加入社群，获取系列读书会永久回看权限，与社区的一线科研工作者沟通交流，共同溯源复杂科学的思想脉络。

领域必读文献

Friston 是最早明确区分了功能连接与有效连接的学者。这两篇文章分别完成了：提出了两者的差异，系统性的阐述了不同层次连接的区别。是本专题讨论的科学问题的核心背景。

1. Friston, K. J. (1994). Functional and effective connectivity in neuroimaging: A synthesis. Human Brain Mapping, 2(1–2), 56–78. Friston (2011). Functional and effective connectivity: a review. Brain Connectivity, 1(1), 13–36.

这篇文章提出了用人工智能做AI孪生脑，并用虚拟扰动构建全脑连接组的通用框架。

1. Luo, Z., Peng, K., Liang, Z. et al. Mapping effective connectivity by virtually perturbing a surrogate brain. Nat Methods22, 1376–1385 (2025).

这篇文章提供了一种可解释性更强的人工智能脑网络建模脑网络的方法。

1. Lu, Z., Zhang, W., Le, T., Wang, H., Sümbül, U., SheaBrown, E. T., & Mi, L. (2025, January). NetFormer: An interpretable model for recovering dynamical connectivity in neuronal population dynamics. In The Thirteenth International Conference on Learning Representations.

1. Kim, S. et al. Whole-brain mapping of effective connectivity by fMRI with cortex-wide patterned optogenetics. Neuron111, 1732–1747 (2023).

2. Park, H.-J., & Friston, K. Structural and functional brain networks: from connections to cognition. Science 342, 1238411 (2013).

3. Seguin, C., Sporns, O., & Zalesky, A. Brain network communication: concepts, models and applications. Nat. Rev. Neurosci. 24, 557–574 (2023).

4. Friston, K. J., Kahan, J., Biswal, B. & Razi, A. A DCM for resting state fMRI. NeuroImage 94, 396–407 (2014).

5. Lappalainen, J.K., Tschopp, F.D., Prakhya, S. et al. Connectome-constrained networks predict neural activity across the fly visual system. Nature634, 1132–1140 (2024).

6. Stepaniants, George, Bingni W. Brunton, and J. Nathan Kutz. "Inferring causal networks of dynamical systems through transient dynamics and perturbation." Physical Review E 102.4 (2020): 042309.

7. Randi, Francesco, Anuj K. Sharma, Sophie Dvali, Andrew M. Leifer, et al. “Neural Signal Propagation Atlas of Caenorhabditis elegans.” Nature, vol. 623, 2023, pp. 406–414. DOI:10.1038/s41586-023-06683-4.

开放招募：

本文简要综述了用于评估结构–功能关系的动力学建模方法，为理解脑网络中解剖约束与功能活动之间的耦合提供了理论框架，是开展多尺度连接建模的重要参考。

1. Luppi, A. I., Cabral, J., Cofre, R., Deco, G., & Kringelbach, M. L. (2022). Dynamical models to evaluate structure–function relationships in network neuroscience. Nature Reviews Neuroscience, 23(12), 767–768.

本文系统总结了多尺度脑网络的建模思路，从微观到宏观层次揭示大脑组织的层级特征，为探索跨尺度因果机制提供了理论与方法论背景。

1. Betzel, Richard F., Andrea Avena-Koenigsberger, and Olaf Sporns. "Colloquium: Multiscale modeling of brain network organization." Reviews of Modern Physics 94.3 (2022): 031002.

计算神经科学第三季读书会

从单个神经元的放电到全脑范围的意识涌现，理解智能的本质与演化始终是一个关于尺度的问题。更值得深思的是，无论是微观的突触可塑性、介观的皮层模块自组织，还是宏观的全局信息广播，不同尺度的动力学过程都在共同塑造着认知与意识。这说明，对心智的研究从最初就必须直面一个核心挑战：局部的神经活动如何整合为统一的体验？局域的网络连接又如何支撑灵活的智能行为？

继「」与「」读书会后，集智俱乐部联合来自数学、物理学、生物学、神经科学和计算机的一线研究者共同发起，跨越微观、介观与宏观的视角，探索意识与智能的跨尺度计算、演化与涌现。重点探讨物理规律与人工智能如何帮助我们认识神经动力学，以及神经活动跨尺度的计算与演化如何构建微观与宏观、结构与功能之间的桥梁。

详情请见：