Nature Neuroscience | 大脑网络中的“竞争与对抗”法则：全脑计算模型揭示大脑架构的底层逻辑

一键关注，点亮星标 ⭐️ 前沿不走丢！

认知神经科学前沿文献分享

基本信息

Title:Competitive interactions shape mammalian brain network dynamics and computation

发表时间：2026.3.11

发表期刊:Nature Neuroscience

影响因子：20.0

获取原文：

1. 添加小助手:PSY-Brain-Frontier即可获取PDF版本

研究背景

大脑就像一个庞大而精密的交响乐团，数以百亿计的神经元分布在不同的脑区中，共同演奏出名为“认知”的乐章。长期以来，在宏观尺度的全脑计算模型研究中，科学家们往往隐含了一个基本假设：脑区与脑区之间的长程结构连接主要承担着“合作”的功能。换句话说，模型默认当脑区A活跃时，与它相连的脑区B也会随之兴奋。

然而，如果一个乐团里所有乐手都在不断放大彼此的声音，结果只会是震耳欲聋的噪音。在微观的神经元环路层面，抑制性（竞争性）机制是维持系统稳定、实现信息分离与反馈控制的核心支柱。而在宏观的静息态功能磁共振（fMRI）成像中，我们也经常能观察到大脑网络之间存在强烈的反相关和拮抗现象。那么，现有的全脑模型仅仅依赖“合作”连接，真的足以重构出真实的大脑吗？大脑又是如何巧妙地在宏观解剖网络上编排这种“合作与竞争”的动态平衡的？

为了打破传统假设的局限，2026年3月11日最新发表于 Nature Neuroscience 的一项研究提出了一种全新的跨物种生成式全脑模型。研究团队不仅引入了传统的正向（合作）连接，还首次赋予了模型自由推导负向（竞争或抑制）连通性的能力，试图揭开哺乳动物大脑连接组中竞争性互动的动力学意义与计算价值。

Fig. 1 | Whole-brain models generate brain activity from species-specific structural connectivity.

研究核心总结

本研究整合了人类、猕猴和小鼠三种哺乳动物的结构与功能数据，利用处于临界分岔边缘的Hopf振子构建全脑动态模型。核心发现如下：

Fig. 2 | Generative competitive interactions lead to superior model fit across mammalian brains.

一、竞争性连接显著提升了大脑的空间拟合与个体特异性

研究表明，当模型被允许自由发展出负向连接时，三种哺乳动物的生成连通性（Generative connectivity）中自发涌现出了约 25%至40% 的竞争性互动。这种机制的引入带来了惊人的效果：与仅包含合作连接的传统模型相比，新模型不仅在组水平上将模拟与真实功能连接（FC）的拟合度大幅跃升（例如在人类数据中相关系数从0.42翻倍至0.87），在单一被试层面也实现了极高的精准度。更重要的是，竞争性互动的加入大幅度提升了模型的“大脑指纹”识别能力（即个体差异的鉴别力），说明新模型捕捉到了真实且具有个体特异性的生物学特征，而非单纯地在过拟合噪声。

Fig. 3 | Network properties of the cooperative and competitive interactions in the generative connectivity.

二、竞争与合作在网络拓扑与生物学注释上的“两极分化”

在机制层面，模型推导出的连接权重展现出了极具规律的空间布局。合作性连接往往是局部的、模块化的强连接，而竞争性连接则表现为长距离、弥散且弱聚类的弱连接。尤其引人注目的是，跨物种的分析一致显示：竞争性连接倾向于链接在生物学属性上处于“对立面”的脑区。无论是在细胞构筑、基因表达、受体密度，还是在皮层层级（如基于T1w/T2w的髓鞘化程度和PV-SST中间神经元梯度）上，具备相反生物学特征的皮层区域之间更倾向于发生宏观尺度的竞争与拮抗。

Fig. 4 | Competitive interactions link regions with opposite biological annotations.

三、塑造更真实的动态时空演化与协同信息

即使未经过显式优化，包含竞争性互动的模型也自发涌现出了高度逼真的非线性动力学特征。在时间演化上，纯合作模型极易陷入过度同步的失控状态，而竞争性连接起到了完美的“稳压器”作用，使大脑的亚稳态（Metastability）回落到真实的生理区间内。此外，竞争打破了冗余的同步，为系统注入了更丰富的信息整合能力，显著提升了脑网络动力学中的协同信息（Synergistic information）分布和局部-全局的层级组织复杂度。同时，基于NeuroSynth认知图谱的匹配结果显示，竞争性模型生成的瞬态活动模式，更加准确地再现了真实大脑在执行特定认知任务时宏观网络的共激活特征。

Fig. 5 | Competitive interactions produce models with greater subject specificity.

四、赋予网络更强大的神经形态计算潜力

研究团队将模型生成的连接矩阵作为储层计算（Reservoir computing）架构中的人工神经网络底层拓扑，对其进行记忆容量测试。结果证实，融合了竞争性机制的网络在模拟的神经形态计算任务中，表现出了显著优于纯合作网络的记忆编码能力与计算性能。

Fig. 6 | Dynamical consequences of competitive interactions in the generative connectivity.

研究意义

该研究颠覆了既往宏观计算神经科学中“长程连接即为合作”的单一视角，证实了“模块化合作”与“长程弥散竞争”的精妙结合是哺乳动物跨物种保守的大脑网络架构法则，为理解大脑结构如何决定功能动态演化及其底层计算力提供了革命性的生成式理论框架。

Fig. 7 | Competitive interactions increase the match between simulated brain activity and canonical cognitive operations of the human brain.

Fig. 8 | Superior computational performance of connectome-based neuromorphic networks with competitive generative interactions.

Abstract

How does brain network architecture balance cooperation and competition between distributed circuits? Here we use computational whole-brain modeling to examine the dynamical and computational relevance of cooperative and competitive interactions in the mammalian connectome. Across human, macaque and mouse, we show that to faithfully reproduce brain activity, model architecture consistently combines modular cooperative interactions with diffuse, long-range competitive interactions. Across species, competitive interactions preferentially link regions characterized by opposite profiles of cytoarchitecture, gene expression and receptor expression. The model with competitive interactions provides superior subject specificity, consistently outperforming the cooperative-only model and exhibiting excellent fit to the spatiotemporal properties of the living brain. These properties were not explicitly optimized, instead emerging spontaneously. Competitive interactions in the generative connectivity produce more synergistic and hierarchical dynamics, leading to enhanced performance for neuromorphic computing. Altogether, this work provides a generative link among network architecture, dynamical properties and computational performance in the mammalian brain.

请打分

这篇刚刚登上Nature Neuroscience的研究，是否实至名归？我们邀请您作为“云审稿人”，一同品鉴。精读全文后，欢迎在匿名投票中打分，并在评论区分享您的深度见解。

分享人：饭鸽儿

审核：PsyBrain 脑心前沿编辑部

你好，这里是「PsyBrain 脑心前沿」

专注追踪全球认知神经科学的最尖端突破

视野直击 Nature, Science, Cell 正刊 及 Nat Neurosci, Nat Hum Behav, Neuron, Sci Adv 等核心子刊与顶级大刊

每日速递「深度解读」与「前沿快讯」，为你打破信息差

科研是一场探索未知的长跑，但你无需独行。欢迎志同道合的你加入PsyBrain 学术社群，和一群懂你的同行，共同丈量脑与心智的无垠前沿。

点击卡片进群，欢迎你的到来

一键分享，让更多人了解前沿