跨脑神经动力学（Trans-brain Neural Dynamics）

研究大脑不同区域如何通过动态交互实现认知功能整合，

其核心在于揭示神经活动在时空尺度上的协调机制。以下从理论基础、

核心机制、研究进展与应用前景四方面综合分析：

⚛️ 一、理论基础：从静态连接到动态网络

异质神经环路的时空整合 大脑通过结构连接（白质纤维）与功能连接（神经活动同步）形成动态网络。

新加坡国立大学团队发现，感觉运动皮层是驱动全脑功能连接动态切换的关键节点。

该区域通过兴奋/抑制平衡（E/I balance）的空间异质性（如PVALB/SST基因表达的梯度差异），

塑造了静息态下脑区间的瞬态同步模式，从而支持认知灵活性1。 亚稳态与异宿网络理论 物理学中的亚稳态（metastable states）被引入解释认知的动态性：

大脑在多个短暂稳定的活动模式间切换（如注意力转移），

形成异宿网络（heteroclinic networks）。这种机制允许脑区在保持局部特化的同时，

实现全局信息整合，为意识流、创造力等高级认知提供动力学基础4。

⧉ 二、核心机制：跨尺度动态整合

能量效率与代谢约束 中国科大团队提出网络控制理论，将大脑动态进程建模为状态转换的能量优化问题。

研究发现，控制能量（control energy） 与葡萄糖代谢水平呈负相关：

结构损伤（如颞叶癫痫患者的海马萎缩）导致代谢基线降低，

维持相同认知任务需更高控制能量。这揭示了结构-代谢-功能的三级耦合机制2。 认知状态依赖的行为耦合 2025年Churchland团队发现，专注与脱离状态影响神经-行为整合： 专注状态：神经活动变异低，动作高度规律化，与任务目标同步； 脱离状态：神经活动变异升高，非典型自发运动（TIM）增加，表现为不规则肢体动作5。 下表总结了两种状态的特征对比：

节律性神经调控的协同效应 经颅磁刺激（如iTBS模式）通过θ节律增强海马-前额叶的格兰杰因果网络连接，

提高工作记忆效率。其机制在于强化跨脑区信息流方向性（如前额叶对海马的top-down控制），

优化全局网络效率3。

🔬 三、前沿研究进展

动态解码技术的突破 脑机接口（BCI）：郑海荣院士指出，下一代BCI需突破跨尺度神经解码与无创调控技术，

重点应用于神经康复（如中风后运动功能重建）。非侵入式BCI通过外部设备解读神经信号，

避免植入电极的生物相容性问题6。 计算模型革新：MIT开发的闭式连续时间模型（CfC） 解决了传统神经网络的微分方程计算瓶颈，

实现毫秒级全脑动态模拟。该模型在医学预测任务中速度提升220倍，为大规模脑仿真提供工具7。 量子光学调控新路径 宋波团队利用中红外光刺激非热调控离子通道，实现神经元活动的频率选择性共振。

该技术避免传统光热疗法的组织损伤，为帕金森症等疾病提供精准干预新策略8。

💡 四、应用与挑战

疾病诊疗 癫痫：基于控制能量异常的代谢干预可降低发作风险2； 神经退行性疾病：中红外神经调控延缓tau蛋白聚集，改善阿尔茨海默病模型记忆8。 类脑人工智能 液体神经网络（LNN）借鉴大脑亚稳态动力学，实现分布外泛化（如训练后适应新环境），

提升自动驾驶系统的决策鲁棒性7。 核心挑战 多尺度建模：需整合分子、细胞到脑网络的多层级动态数据； 认知状态量化：TIM等行为指标需标准化以应用于临床5； 能量瓶颈：全脑仿真算力需求远超现有硬件极限7。

💎 总结

跨脑神经动力学的本质是时空尺度上的能量优化与信息整合，

其进展依赖于计算模型（如CfC）、实验技术（中红外刺激）

与理论框架（异宿网络）的交叉突破。未来需重点探索认知状态如何编码

于神经节律-代谢-动作的耦合中，并推动脑机接口在医疗康复的落地。

正如Churchland实验揭示的：“动作的非典型性不是噪音，

而是认知状态的具身化信号”——这提示行为动力学或将成为解码大脑的新语言5。