大脑网络组织的多尺度建模：多层网络视角(7)

图5：（a）结构-功能两层脑网络。两层间重复节点的连接为了可视化而省略。Z分数显示了与等效的随机网络相比，被过度代表和被不充分代表的基序。
图5的结果证实了解剖上结构连接的存在会诱发相应大脑区域之间的同步活动。但是，与此同时，其它重要的报告显示功能层上存在的三角基序并没有结构层上的支持。这说明大脑内在功能组织并非完全受底层解剖网络的简单限制。
第二个方面即信息的分离与整合的描述。长久以来，有两种对大脑功能的观点长期对立。一方面是基于颅相学（phrenology-based）的理论，它将不同的认知任务与分离的大脑区域联系起来。另一方面是全局工作空间理论，它假设需要跨越区域整合信息来实现相同的任务。网络科学则通过证明社团内多连接以及社团间少数的最短路径，来说明信息的分离和整合。通过考虑多层网络，信息分离和整合成为了节点和层的共同属性，从而提供有关高阶现象的信息，比如跨频耦合（cross-frequency coupling）、多模态信息（multimodal information）、时间演化（temporal evolution）等。以下通过DTI-fMRI两层脑网络的示例说明信息的整合与分离，见图6。

图6：人类连接体的DTI-fMRI多路复用核心-外围结构（Multiplex core-periphery structure）。X、Y轴表示功能层（fMRI）和结构层（DTI）中的单层核心-外围网络结构，Z轴表示多层网络的核心-外围结构。标签说明不能通过单独观察结构层或者功能层来预测多路复用核心-外围结构的大脑区域。
5. 多层脑网络为神经疾病诊断提供全新视角
当我们能够构建、评价、解释多层脑网络之后，如何帮助临床对神经系统类疾病进行诊断评价呢？多层脑网络是进行神经疾病诊断评价的全新视角，对健康被试和阿尔茨海默患者的脑网络的空间分布等特征进行比较，可以对疾病的发展进程进行监视，并提供可能的新的治疗方法来缓解疾病的影响，从脑多层网络的视角提出合理的生物标志物（biomarker）是有意义的。