这篇文档属于类型a，即报告了一项原创性研究。以下是基于文档内容的学术报告：

研究作者及发表信息

本研究的主要作者包括Zixiang Luo、Kaining Peng、Zhichao Liang、Shengyuan Cai、Chenyu Xu、Dan Li、Yu Hu、Changsong Zhou和Quanying Liu。他们分别来自南方科技大学、爱荷华州立大学、香港科技大学、香港浸会大学等机构。该研究于2025年3月在线发表在《Nature Methods》期刊上，文章标题为“Mapping effective connectivity by virtually perturbing a surrogate brain”，DOI为10.1038/s41592-025-02654-x。

学术背景

本研究的主要科学领域是神经科学，特别是大脑功能连接性（effective connectivity, EC）的研究。EC反映了大脑区域之间的因果相互作用，是理解大脑信息处理的基础。然而，传统的EC获取方法通常依赖于对神经刺激的响应，这些方法往往具有侵入性或空间覆盖范围有限，不适合用于人类全脑EC的绘制。为了解决这一问题，本研究提出了一种名为“神经扰动推理”（Neural Perturbational Inference, NPI）的数据驱动框架，用于绘制全脑EC。NPI通过训练人工神经网络（Artificial Neural Network, ANN）来模拟大规模神经动力学，作为大脑的计算替代模型。通过系统性地扰动替代模型中的所有区域，并分析其他区域的响应，NPI能够绘制大脑范围内EC的方向性、强度以及兴奋/抑制特性。

研究流程

本研究的主要流程包括以下几个步骤：

1. 模型训练：首先，研究人员训练了一个多层感知机（Multilayer Perceptron, MLP）作为替代大脑模型。该模型基于前三个时间步的神经状态预测下一个时间步的神经状态。训练过程中，研究人员使用了800名参与者的静息态功能磁共振成像（resting-state functional magnetic resonance imaging, rs-fMRI）数据，并优化了模型的预测性能。

2. 虚拟扰动：在模型训练完成后，研究人员系统性地对替代模型中的每个节点进行虚拟扰动。扰动通过在选定节点的时间t处引入脉冲信号来实现。随后，ANN处理扰动和基线输入，预测后续的神经活动，并通过比较扰动和基线输入的响应差异来推断EC。

3. EC映射：通过扰动所有节点，研究人员获得了全脑范围内的EC映射，捕捉了大脑区域之间因果相互作用的方向性、强度和兴奋/抑制特性。这一过程在数学上可以解释为推导训练ANN的雅可比矩阵，量化了一个节点的小输入如何影响其他节点的后续状态。

4. 验证：研究人员使用已知真实EC的生成模型对NPI进行了验证。这些生成模型包括循环神经网络（Recurrent Neural Network, RNN）和全脑模型（Whole-Brain Model, WBM）。通过比较NPI推断的EC与真实EC，研究人员证明了NPI在EC推断中的优越性。

5. 应用：研究人员将NPI应用于多个rs-fMRI数据集，揭示了全脑EC的一致性和结构支持模式。此外，通过与皮质-皮质诱发电位（Cortico-Cortical Evoked Potentials, CCEP）数据的比较，研究人员发现NPI推断的EC与真实刺激传播模式高度相似。

主要结果

1. 模型训练与验证：研究人员成功训练了一个能够准确预测神经状态的ANN模型。该模型在预测性能上表现出色，并且在生成信号的功能连接性（Functional Connectivity, FC）与真实数据的FC之间显示出强相关性（r=0.97）。

2. EC推断：通过虚拟扰动，研究人员获得了全脑范围内的EC映射。这些映射捕捉了大脑区域之间因果相互作用的方向性、强度和兴奋/抑制特性。NPI推断的EC与真实EC之间的相关性高达0.95，显著优于传统的Granger因果性（Granger Causality, GC）和动态因果建模（Dynamic Causal Modeling, DCM）方法。

3. 应用与验证：研究人员将NPI应用于多个rs-fMRI数据集，揭示了全脑EC的一致性和结构支持模式。此外，通过与CCEP数据的比较，研究人员发现NPI推断的EC与真实刺激传播模式高度相似，证明了NPI在实际应用中的准确性。

结论

本研究提出的NPI框架为全脑EC的绘制提供了一种非侵入性、数据驱动的方法。通过训练ANN作为大脑的计算替代模型，NPI能够高效地推断大脑区域之间的因果相互作用。这一方法不仅显著优于传统的EC推断方法，还为神经科学研究和临床应用提供了新的工具。NPI的成功应用标志着从相关性到因果性理解大脑功能的重大进步，有助于解码大脑的功能架构，并为神经科学研究和临床治疗提供了新的可能性。

研究亮点

1. 创新性方法：NPI框架首次将虚拟扰动与ANN结合，提供了一种非侵入性的全脑EC绘制方法。
2. 优越性能：NPI在EC推断中的表现显著优于传统的GC和DCM方法，具有更高的准确性和可靠性。
3. 广泛应用：NPI不仅适用于rs-fMRI数据，还可以应用于其他神经影像数据，如脑电图（Electroencephalography, EEG）和单神经元活动数据。
4. 临床潜力：NPI推断的EC可以作为神经调控治疗中的生物标志物，帮助优化个性化治疗方案。

其他有价值的内容

本研究还探讨了NPI在不同数据集和不同扰动强度下的鲁棒性，证明了其在各种条件下的稳定性和可扩展性。此外，研究人员还分析了EC与结构连接性（Structural Connectivity, SC）之间的关系，发现EC与SC之间存在强相关性，进一步验证了NPI推断的EC的可靠性。

通过本研究，研究人员不仅提出了一种创新的EC推断方法，还为神经科学研究和临床应用提供了新的工具和见解。NPI框架的成功应用标志着从相关性到因果性理解大脑功能的重大进步，具有重要的科学价值和实际应用潜力。