这篇文档发表于《科学进展》(Science Advances) 2016年11月16日刊，由Jorge F. Mejias（纽约大学神经科学中心）、John D. Murray（耶鲁大学医学院）、Henry Kennedy（法国INSERM U846干细胞与大脑研究所、里昂大学）和Xiao-Jing Wang（纽约大学神经科学中心、纽约大学-华东师范大学脑与认知科学研究所）共同完成。
本研究属于系统与计算神经科学领域，旨在探究灵长类大脑皮层中前馈与反馈信号交互的神经环路机制。大脑功能，如注意力、预测编码和执行控制，依赖于自上而下（反馈）和自下而上（前馈）过程之间的相互作用。尽管已有大量实验观察，特别是发现前馈通路与伽马（30-70 Hz）振荡增强相关，而反馈投射选择性地调制阿尔法/低贝塔（8-15 Hz）振荡，但其背后的具体神经回路原理仍不清楚。本研究的动机在于，利用新近获得的、具有方向和权重信息的灵长类皮层连接组数据，构建一个大规模的计算模型，以阐明这些频率特异性相互作用如何从多尺度（层内、层间、脑区间、全皮层）的复杂动力学中产生。研究的目标是：1）建立一个受解剖学约束的、包含分层结构的大规模灵长类皮层计算模型；2）验证该模型能否重现一系列关于视觉皮层区间频率依赖性相互作用的神经生理学发现；3）探究并解释功能层级结构如何从这些动力学中涌现，并理解其动态变化的机制。
详细工作流程： 本研究采用了一种自下而上、多尺度建模的方法，从微观到宏观逐级构建并验证模型，共包含四个空间尺度：层内微环路、层间环路、脑区间环路和全脑大规模网络。
第一，层内微环路（Intralaminar Level）建模与验证。 * 研究对象与模型构建： 每个皮层区域内的特定层（如第2/3层或第5/6层）被建模为一个由兴奋性（锥体神经元）和抑制性（中间神经元）群体组成的局部微环路，采用Wilson-Cowan类型的非线性发放率模型。模型参数根据生理数据设定：使上层（第2/3层）微环路产生噪声驱动的伽马节律（~40 Hz），而下层（第5/6层）微环路产生阿尔法/低贝塔节律（~10 Hz）。 * 实验与验证： 研究者模拟了视觉刺激对比度增加对初级视觉皮层（V1）第2/3层神经元活动的影响。他们将对比度增加建模为对兴奋性群体输入电流的增强。模型成功复现了关键电生理发现：随着输入增强（即对比度增加），伽马节律的功率显著增强，且伽马峰值频率有小幅但一致的提高。这与Henrie和Shapley（2005）及后续研究的结果一致。模型还显示，这种功率和频率的增强在输入达到高水平时会饱和，符合V1伽马功率对高对比度的非线性效应。
第二，层间环路（Interlaminar Level）建模与验证。 * 研究对象与模型构建： 将上述的层内微环路通过解剖学证实的强投射连接起来，构成一个包含上、下两层模块的皮层区域模型。关键的层间连接基于解剖证据设定：1）从第2/3层兴奋性神经元到第5/6层兴奋性神经元（自上而下的层间兴奋）；2）从第5/6层兴奋性神经元到第2/3层抑制性神经元（自下而上的层间抑制）。这是模型的一个关键简化假设，旨在捕捉伽马-阿尔法节律相互作用的核心动力学。 * 实验与验证： 模拟该双层模型的动力学。结果发现，层间耦合导致节律跨层传播。更重要的是，模型自发产生了相位-振幅耦合现象：第5/6层的阿尔法节律相位调制了第2/3层伽马节律的振幅。这一现象与Spaak等人（2012）在猕猴多电极记录中观察到的结果完全一致。此外，模型还显示，对下层（第5/6层）的外部输入会增强其阿尔法功率，同时通过层间抑制降低上层（第2/3层）的发放率和伽马功率，这为“阿尔法节律反映局部抑制”的观点提供了机制性解释。
第三，脑区间环路（Interareal Level）建模与验证。 * 研究对象与模型构建： 将两个具有明确解剖层级关系（如V1和V4）的皮层区域模型连接起来。连接规则严格遵循解剖学发现：前馈（FF）投射主要起源于源区域的第2/3层，并主要靶向目标区域的第2/3层（模拟其通过第4层的中继）；反馈（FB）投射主要起源于源区域的第5/6层，并优先靶向目标区域的第5/6层兴奋性神经元，同时也靶向其第2/3层的抑制性神经元，从而产生净抑制效应。 * 实验与验证： 研究者设计了模拟微刺激实验来验证模型。1）纯前馈通讯：向V1注入电流，在V4记录。模型结果显示，V4第2/3层的伽马功率显著增加，而第5/6层的阿尔法功率变化不显著，这与van Kerkoerle等人（2014）的实验结果一致。模型分析指出，这种伽马增强源于两个因素：V4接收的平均输入增加（均值驱动）以及V1-V4间的伽马节律同步化。2）纯反馈通讯：向V4注入电流，在V1记录。模型结果显示，V1第5/6层的阿尔法功率显著增强，而第2/3层的伽马功率下降，这也与实验观察相符。阿尔法增强主要源于平均输入增加，而伽马抑制则源于反馈激活的局部层间抑制以及来自V4的直接抑制性输入。3）双向通讯：同时刺激并记录V1和V4。模型计算出的V1与V4之间的谱相干性在阿尔法和伽马频段出现双峰，与实验一致。进一步的频率依赖性格兰杰因果分析（Granger Causality, GC）显示，伽马频段的因果流主要从前馈方向（V1→V4）占主导，而阿尔法/低贝塔频段的因果流则从反馈方向（V4→V1）占主导，完美复现了Bastos等人（2015）和van Kerkoerle等人（2014）的关键发现。由此可以计算出一个定向不对称性指数，用于量化功能连接的方向性。
第四，大规模网络（Large-scale Level）建模与验证。 * 研究对象与模型构建： 将上述包含分层结构的区域模型置于一个包含30个猕猴皮层区域的大规模解剖网络中。该网络基于Markov等人（2014）的追踪研究数据构建，并新增了顶叶LIP区的数据。网络连接具有三个关键解剖约束：1）连接权重：使用标记神经元分数（Fraction of Labeled Neurons, FLN）量化连接强度；2）层级特异性：使用上层标记神经元分数（Supragranular Layer Neurons, SLN）区分前馈（高SLN）和反馈（低SLN）投射；3）传播延迟：基于区域间的布线距离估算。每个区域节点都是一个双层（上/下）模型，区域间连接根据其SLN值决定是前馈型还是反馈型，并遵循前述的层特异性连接规则。 * 实验、分析与验证： 模拟整个网络在视觉输入（增强V1上层输入）下的活动。首先，模型再现了早期视觉区域（V1， V2）感觉驱动伽马节律增强，以及腹侧通路区域（V4， TEO）阿尔法节律相对增强的现象。其次，计算网络中所有感兴趣区域对之间的谱GC，确认了前馈-伽马、反馈-阿尔法的关联在整个大规模网络中依然成立。关键验证在于，模型计算出的功能连接（基于Dai指数）与解剖连接（基于SLN）在频域上呈现显著相关性：伽马频段的Dai与SLN正相关，阿尔法频段的Dai与SLN负相关，这与Bastos等人（2015）在猕猴和人（Michalareas等人，2016）实验中的发现完全一致。基于此，模型成功地涌现出一个功能层级结构，其排序与实验观察到的功能层级高度相似：早期视觉区域位于底层，腹侧和背侧流区域位于较高层，前额叶眼动区（FEF）区域（8L， 8M）位于顶层附近。 * 机制探索与预测： 模型进一步用于解释实验中观察到的功能层级动态跳跃现象（如Bastos等人报道的8M区在任务前后层级位置的变化）。研究者假设，这种跳跃可能源于对特定区域输入的层特异性改变。他们在简单双区域模型和全网络模型中验证了这一假设。当向较低区域（如8L）施加一种“上层强、下层弱”的层特异性输入时，该区域的伽马活动增强、阿尔法活动减弱，导致其与较高区域（如8M）之间的功能连接（Dai）在伽马频段增强，从而增大了两者在功能层级上的距离，表现为较高区域（8M）的“层级跳跃”。这为功能层级的动态重组提供了潜在的神经机制解释：来自更高认知区域的、具有层特异性的自上而下信号，可以重塑感觉和联合皮层的功能层级。
主要结果： 1. 层内模型成功复现了视觉对比度对V1伽马功率和频率的调节作用。 2. 层间模型自发产生了上层伽马与下层阿尔法节律之间的相位-振幅耦合，并揭示了阿尔法节律与局部抑制的关联。 3. 脑区间模型精确重现了微刺激实验中观察到的前馈-伽马、反馈-阿尔法的频率特异性签名，以及双向通讯中的谱相干和格兰杰因果模式。 4. 大规模网络模型：a) 再现了各区域振荡活动的分布模式；b) 在全网络尺度上确认了频率特异性相互作用与解剖连接方向（SLN）的强相关性；c) 从动力学中涌现出与实验一致的功能层级结构；d) 提出了层特异性输入是驱动功能层级动态变化（“层级跳跃”）的可能机制。
这些结果层层递进，从验证局部和成对相互作用的基本现象，到证明模型能够整合解剖数据并复现全局网络属性，最终利用模型的预测能力提出对复杂现象（层级动态）的新解释。每一步的结果都为下一尺度模型的构建和验证提供了基础，并共同支撑了研究的核心结论。
结论与价值： 本研究通过构建一个受解剖约束的多尺度计算模型，成功揭示了灵长类皮层大规模网络中前馈与反馈信号频率特异性分离的神经回路机制。模型表明，这种分离根植于皮层的分层结构：前馈信号主要通过上层（产生伽马节律）传播，而反馈信号主要通过下层（产生阿尔法/低贝塔节律）传播，并通过层间和脑区间连接的特定模式实现。模型不仅统一解释了众多独立的电生理学发现，还预测了功能层级的形成及其受行为上下文调节的动态特性。其科学价值在于：1）为“频率分工”假说提供了具体的、多尺度的电路机制解释；2）展示了如何将微观电路特性与宏观连接组学数据整合，以理解全脑动力学；3）提出了一个可扩展的建模平台，用于未来研究其他大规模脑网络动力学和功能（如注意力、工作记忆）；4）为基于无创脑成像（如MEG）推断人脑解剖层级提供了计算理论基础。应用价值在于深化了对脑区间信息交流机制的理解，对类脑计算、神经精神疾病（如精神分裂症，其伽马振荡异常）的环路异常研究，以及发展更精准的脑机接口有潜在启示。
研究亮点： 1. 多尺度整合：创新性地将四个空间尺度（层内、层间、脑区间、全脑网络）整合进一个统一的计算框架，每个尺度都受严格的解剖或生理数据约束。 2. 机制性解释：不仅复现现象，更提供了从局部微环路振荡特性到全局功能层级涌现的完整因果链条和机制解释。 3. 预测能力：模型成功预测了功能层级的动态重组现象，并提出层特异性输入是潜在机制，为后续实验提供了可检验的假设。 4. 连接组学与动力学的结合：率先将详细的、定向加权的猕猴皮层连接组数据（FLN， SLN）与具有生物物理合理性的分层神经网络动力学模型相结合。 5. 验证的广泛性：模型在同一框架下验证了来自不同实验室、不同技术手段（微电极、ECoG、MEG）的多个关键实验发现，显示了其强大的解释力和普适性。
其他有价值内容： 研究在讨论部分还深入探讨了模型的局限性、与其他模型的比较，以及多个未来方向。例如：探讨了反馈投射可能靶向上层的不同情况及其在选择性注意中的作用；考虑了丘脑输入的可能角色；讨论了模型如何与“预测编码”理论框架相联系；指出了将神经元异质性、更详细的层状结构或空间扩展纳入模型的未来方向。这些讨论丰富了研究的深度，并指明了该计算平台进一步发展的潜力。