我们的神经活动会随着外界刺激而变化，比如看到东西、听到声音时，大脑会立刻做出反应。然而，即便没有外界刺激，大脑仍然在“忙碌”，表现出各种自发的活动。那么，这些大脑的自发活动是否能够与我们的行为有关呢？

2023年11月30日耶鲁大学医学院的Jessica A. Cardin 以及 Michael J. Higley科研团队在nature neuroscience 上发表了一篇名为“Rapid fluctuations in functional connectivity of cortical networks encode spontaneous behavior”的文章，回答了这一问题^[1]。他们发现，即使没有任何外界刺激，大脑的“功能连接”——也就是不同脑区之间的协同工作——也会发生快速变化，而这些变化和我们自发的行为息息相关。换句话说，大脑的自发活动可以解码出我们的行为信息。

感知和注意力等认知功能依赖局部和整体神经网络的动态活动^[2]，瞳孔扩张、面部运动以及肢体运动等也和神经活动的波动密切相关^[3]。虽然此前在功能核磁共振成像（fMRI）上提示了皮层网络的时程相关性在不同行为下不同，但由于磁共振信号的时间分辨率低，限制了研究的深入。

在这项研究中，研究人员使用高时间分辨率下的宽场钙成像（Wide-field mesoscopic calcium imaging）和双光子钙成像（Two-photon calcium imaging）同时监测清醒、头部固定的小鼠的自发神经活动。并且开发了一种分析动态功能连接的方法。在这里，功能连接是通过计算不同皮层位置之间的活动相关性得到，它反映了不同脑区间的关系强弱。

1.对自发行为和皮质动态变化的监测

首先，通过对清醒小鼠的瞳孔直径、面部运动、肢体运动三种运动指标数据的分析，研究人员发现这些运动指标连续分布（图1a、b）。接着对6只小鼠数据进行k均值聚类并用CH（Calinski-Harabasz）指数值评估聚类质量发现聚类成2-6类差别不大。另外研究人员还发现这三种运动指标彼此间相关性不高。这些结果表明运动指标可能反映了皮质的动态变化的某种分量。

图1 小鼠的介观成像和运动指标

接着，研究人员使用图论的方法将皮质分割成为功能块并提取每一个功能块皮质活动的时间曲线Xt（图2e）。使用时间窗为3s，0.1s为步长进行滑窗计算Xt的相关性Ĉ t。发现这些功能块之间相关性很高，随着时间波动变化较大，并且和快速的行为变化相关，如T1和T2。

图2 一只小鼠随时间变化的整个皮质活动和相关值

2.动态功能连接编码快速的行为变化

研究人员假设行为可以用多维度的、随时间变化的神经活动表示，即：

bt=fXt

Xt是时间t内跨N个功能块的神经活动，该函数可以用标准泰勒展开式的前两项近似表示：

bt≈β0+β1TXt+ijβ2i,jCti,j+ϵ

二阶项Ĉ t ( i , j ) 对应于功能块i和j之间随时间变化的功能连接，为避免二阶项过拟合，研究人员将其降维为ϕ_t ^[5]。为了验证模型的准确性，他们结合Xt和ϕ_t的前20个主要成分，预测瞳孔、面部以及运动这三个行为指标；同时研究Xt和ϕ_t在模型中的相对贡献。发现该模型可以解码行为，并且联合模型的解码能力更好，表明皮质网络功能不仅依赖于皮质活动的绝对量，还依赖于跨广泛区域的活动的动态协调。

图3 动态功能连接编码快速的行为变化

3.局部环路动力学解码小鼠的自发行为变化

为了确保模型的普适性以及了解不同空间尺度上的神经相关性的编码，研究人员使用双光子钙成像在V1神经元表达GCaMP6s的小鼠上监测局部网络的活动（图4a、b）。发现神经元间广泛不相关。同样计算Xt和ϕ_t预测小鼠行为指标，证明在局部网络尺度下，行为可以用皮质活动以及随时间变化的功能连接进行解码。

图4 局部环路动力学解码小鼠的自发行为变化

4.动态功能连接揭示不同的皮质子网络

接下来，研究人员想要了解ϕ_t是否由一部分功能连接的数据主导，也就是说ϕ_t是否捕获的是功能连接的子集。在对所有的目标功能块以及动物进行平均后发现ϕ_t在空间模式上呈现出跨前外侧-后分区的状态。为进一步证明该空间模式的准确性，研究人员使用绕中点旋转的线平分皮质，探究Xt和ϕ_t与角度是否相关，最终证明Xt与角度无关，ϕ_t与角度相关。这说明随时间变化的功能连接对自发行为的编码在空间上被组织成不同的子网络。

图5 动态功能连接揭示不同的皮质子网络

5.跨空间尺度的功能连接编码行为

最后，研究人员探究在局部和整体空间尺度上的功能连接是否表现出和前面相似的动态变化特征。他们同步进行宽场钙成像和双光子成像（图6a、b）。证明ϕ_t预测精度在宽场钙成像数据中更高，而Xt的预测精度相反，不同细胞表现出异质性，预测结果和前期结果一致。证明皮质被分为跨前外侧-后分区子网络。

图6 跨空间尺度的功能连接编码行为

总结

综上所述，这项研究发现皮质中的功能连接是高度动态变化的，它们在亚秒级时间尺度上变化。这些动态功能连接和皮质活动可以高精度的预测自发行为的波动。此外，局部网络和整体网络间的跨尺度动态功能连接同样可以准确预测行为。功能块和神经元间的动态功能连接的空间组织和皮质范围的活动揭示了两个新的子网络（前外侧和后部），这两个子网络和传统的基于形态学的皮层分区有区别。

参考文献

[1] BENISTY H, BARSON D, MOBERLY A H, 等. Rapid fluctuations in functional connectivity of cortical networks encode spontaneous behavior[J/OL]. Nature Neuroscience, 2024, 27(1): 148-158. DOI:10.1038/s41593-023-01498-y.

[2] CALHOUN V D, MILLER R, PEARLSON G, 等. The Chronnectome: Time-Varying Connectivity Networks as the Next Frontier in fMRI Data Discovery[J/OL]. Neuron, 2014, 84(2): 262-274. DOI:10.1016/j.neuron.2014.10.015.

[3] BREAKSPEAR M. Dynamic models of large-scale brain activity[J/OL]. Nature Neuroscience, 2017, 20(3): 340-352. DOI:10.1038/nn.4497.

[4] LAFON S, KELLER Y, COIFMAN R R. Data Fusion and Multicue Data Matching by Diffusion Maps[J/OL]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006, 28(11): 1784-1797. DOI:10.1109/TPAMI.2006.223.

本文作者：吕海东组杨佳欣