简要总结

本研究系统性地分析了静息态功能磁共振成像中延迟结构的时空特性，旨在理解其与神经信号传导和大脑层级组织之间的关系。研究首先利用滞后互协方差和降维技术从469名健康成人的rs‑fMRI数据中提取了延迟特征向量，并发现这些特征向量与基于生物物理模型推导的神经参数显著相关，说明延迟结构具有生理学意义。进一步分析表明，延迟特征向量与内在神经时间尺度 （INT）和 功能梯度（functional gradients）显著关联，该结果支持延迟模型与经典的皮层层级组织理论相一致。此外，在自闭症谱系障碍（ASD）个体中，延迟特征向量表现出与典型发育组不同的空间模式，与认知和感觉相关术语相关联，提示其可能作为反映异常神经动力学的生物学标志物。整体而言，这项工作通过整合延迟结构、神经功能、时间动态和空间层级，提供了对fMRI信号时空特征背后生理机制的深入理解。

摘要

静息态功能磁共振成像所观测到的内在脑活动为探究大脑潜在的神经过程提供了重要信息。然而，传统的延迟分析模型主要局限于宏观层面的功能动态评估，fMRI延迟结构所蕴含的物理意义仍未得到充分阐明。为弥补这一空白，本研究在469名神经系统健康的成年人中，采用延迟结构分析方法系统考察了 fMRI 信号的时空特征。研究首先计算时间序列之间的滞后互协方差（lagged cross-covariance），随后通过主成分分析（principal component analysis, PCA）提取延迟特征向量。结果显示，这些延迟特征向量与基于生物物理模型推导的神经参数显著相关，包括兴奋性与抑制性突触门控、递归连接强度以及兴奋/抑制平衡。进一步的时间与空间特征关联分析表明，延迟特征向量与内在神经时间尺度（intrinsic neural timescale）显著相关，且每一个延迟特征向量均可对应功能梯度（functional gradients）中的主要大脑轴线，包括感觉——跨模态系统、视觉——运动系统以及多需求——任务负激活系统。上述结果表明，延迟模型与经典的大脑皮层层级结构模型及内在神经信号传导机制高度一致。研究还在自闭症谱系障碍中验证了延迟特征向量的临床相关性。总体而言，本研究加深了对fMRI信号时空特征的理解，并为揭示脑信号延迟结构背后的生理机制提供了新的证据。

关键词：生物物理模型；功能连接；功能梯度；内在神经时间尺度；延迟结构

1 引言

自从在功能磁共振成像中发现血氧水平依赖（blood-oxygen-level-dependent，BOLD）信号的波动能够反映大脑的内在活动以来，研究者从空间和时间两个维度对这些波动背后的机制进行了大量探索。其中，最具代表性的方法是通过考察功能连接，评估不同脑区内在脑活动之间的同步性。该方法界定了若干大尺度静息态网络（resting-state networks，RSNs），这些网络主要与感觉/运动功能及认知控制相关的反应有关，从而揭示了健康个体及多种病理状态下自发脑活动的空间组织模式。然而，RSNs的分析主要侧重于空间层面，对内在脑活动的时间特征关注仍然相对不足。

时间滞后或延迟分析方法（temporal lag or delay approach，亦称为lag structure）是用于探索fMRI 时间动态特征的一种重要手段。该方法通过时间位移特性来表征内在脑活动的延迟结构，即测量不同脑区时间序列之间的提前或滞后关系。相关分析结果表明，在宏观尺度上，分离的脑网络可通过内在脑活动的传播实现信息交换。此外，内在脑活动的传播反映了神经元兴奋性变化在脑内的传播过程。对这一过程的深入理解有助于提升我们对脑功能生理特性的认识。

在此基础上，研究进一步引入，降维技术，将高维数据投射到低维特征空间中，从而提取多个特征向量（eigenvectors）。该方法对延迟结构进行了简洁表征，并识别出内在脑活动传播过程中在空间上相互重叠的核心成分。值得注意的是，研究发现这些核心成分的空间拓扑结构与RSNs在一定程度上可区分，尽管二者之间仍存在部分重叠。鉴于延迟结构与 RSNs 之间的关联，识别延迟结构所对应的空间拓扑模式，有助于深化我们对健康及疾病状态下认知过程的理解。

在利用fMRI分析延迟结构时，一个核心挑战在于其生物学可解释性。基于光学成像技术的动物研究为“延迟结构反映具有生物学基础的神经通讯”这一假设提供了支持。采用电压敏感染料成像或钙成像的动物模型研究，能够实现毫秒级时间分辨率，并已被有效用于分析不同皮层区域之间的精细延迟结构。一项采用重复时间（repetition time，TR）为1.5秒的啮齿动物fMRI研究发现了皮层内的超慢频传播（约 0.01–0.1 Hz），这一结果与钙/血红蛋白光学成像研究高度一致；后者在清醒小鼠中观察到从运动皮层向视觉皮层传播的自发超慢活动，表明该现象反映了真实的神经活动过程。然而，fMRI固有的时间分辨率较低，使得在宏观时间动态与神经层面过程之间建立直接对应关系面临显著困难。生物物理建模为基于宏观连接组数据模拟神经过程提供了一种计算框架，并整合了调控脑动力学的多种生理参数。该方法在一定程度上弥补了fMRI难以捕捉精细时间波动的局限性。尤其是神经质量模型（neural mass model），为刻画神经元群体的整体动力学提供了数学框架。该模型并非对单个神经元进行建模，而是通过引入兴奋性与抑制性神经元之间的相互作用，估计神经元群体的平均活动水平，从而实现对兴奋/抑制（E/I）平衡、突触相互作用及信号传播等关键神经功能的量化描述。通过将生物物理模型与fMRI衍生的延迟结构相结合，可以显著提升延迟分析的生物学可解释性，从而更机制化地理解宏观尺度的时间动态如何反映其背后的神经机制。

另一种用于探索fMRI时间动态特征的代表性方法是内在神经时间尺度（intrinsic neural timescale，INT），该指标用于描述特定脑区内神经活动在多长时间范围内与自身保持相关。INT与脑区的功能特化及其神经生理过程密切相关。具有较长时间尺度的脑区更擅长整合高阶信息，尤其在涉及短时记忆或决策过程的任务中表现突出。此类脑区通常具有更强的突触连接特征，表现为稳固的递归连接（recurrent connections），从而支持信息的缓慢积累并服务于决策过程。因此，INT在皮层区域中沿着认知轴与感觉轴呈现出层级化的空间分布模式。从直观角度来看，反映的是自相关随时间滞后增加而衰减的过程，因此可被视为延迟结构的一种互补性时间指标。由此，探讨延迟结构与INT之间的关联，有助于识别内在脑活动所蕴含的关键神经属性。

梯度分析方法是一种非常适合用于分析静息态网络（resting-state networks，RSNs）的技术，因为该方法能够刻画大脑功能的层级化特征。该方法通过降维技术，将高维连接矩阵压缩为多个特征向量。在低维空间中估计得到的这些特征向量通常被称为功能梯度（gradients），能够为大尺度脑网络的空间组织提供重要信息，直观呈现出从单模态到异模态联合皮层系统的连续层级谱系。通常而言，第一梯度反映了从初级感觉皮层到高级联合皮层的变化；第二梯度体现了从视觉系统到躯体运动系统的分布；第三梯度则刻画了从多需求网络（multiple demand network）到任务负性系统（task-negative systems）的轴线变化。既往研究已通过功能梯度成功评估了非典型神经发育状态及健康老化过程中所关联的认知状态变化，充分证明了该方法的实用价值。

在本研究中，我们基于静息态 fMRI数据估计了延迟结构，并结合生物物理模型所推导的神经功能参数，探讨其生物学基础。进一步地，我们从时间维度（INT）和空间维度（functional gradients）两个互补角度，系统考察了延迟结构与INT及功能梯度之间的关系，以识别仅依赖延迟结构分析时可能被忽略的细微关联。最后，我们在自闭症谱系障碍（autism spectrum disorder，ASD）这一神经精神疾病中，探索了延迟特征向量的潜在临床意义。

图1 延迟特征向量的计算

A)延迟计算示意图（左）。时间延迟（τ）通过最大化两个不同脑区时间序列之间的互相关系数获得，并被记录到时间延迟矩阵中（中）。利用降维技术生成延迟特征向量，并选择三个主要特征向量（E1、E2、E3）（右）。缩写：PCA，主成分分析（principal component analysis）。

B)延迟前三个特征向量在皮层表面及皮层下结构上的可视化（左）。特征向量的数值按照七个内在功能社区及各皮层下脑区进行分层显示（右）。

2 结果

2.1 功能时间序列的延迟结构

本研究选取了来自 Human Connectome Project（HCP）数据库的 469 名遗传上无亲缘关系的被试的静息态 fMRI数据。基于不同脑区时间序列之间的滞后互协方差（lagged cross-covariance），计算得到时间延迟矩阵。脑区划分采用 Schaefer 图谱的 300 个皮层分区，并结合 Desikan–Killiany 图谱中的 14 个皮层下区域。随后，对时间延迟矩阵施加主成分分析（principal component analysis，PCA），以提取延迟 eigenvectors（图 1A）。其中，前三个特征向量共解释了约88%的原始数据方差，因此被纳入后续分析（补充材料图 S1）。在第一延迟特征向量中，负—正轴线分别由躯体运动皮层与杏仁核（负向）以及视觉皮层、额顶皮层和丘脑（正向）共同构成。第二延迟特征向量呈现出一条从跨模态皮层（即额顶网络和默认模式网络）及纹状体指向感觉/运动脑区的轴线。第三延迟特征向量则表现为从边缘系统皮层与杏仁核延伸至控制系统的轴线（图1B）。

2.2 延迟结构的神经相关性

本研究采用参数化反馈抑制控制模型（parametric feedback inhibitory control，pFIC）来刻画神经动力学特征，该模型可生成兴奋性突触门控（SE）、抑制性突触门控（SI）、兴奋—兴奋连接强度（WEE）、兴奋—抑制连接强度（WEI），以及兴奋/抑制（E/I）平衡等神经参数（图 2A）。为探讨延迟特征向量与神经参数之间的关联，研究采用 1000 次旋转置换检验（spin permutation test），以控制空间自相关的影响，并结合错误发现率（false discovery rate，FDR）校正多重比较（图 2B）。结果显示，第二延迟特征向量呈现出感觉——跨模态层级结构，其与兴奋性突触门控（SE，r = 0.13，pspin-FDR = 0.03）、兴奋—兴奋连接强度（WEE，r = 0.68，pspin-FDR < 0.001）以及 E/I 比值（r = 0.57，pspin-FDR < 0.001）呈显著正相关；而与抑制性突触门控（SI，r = −0.58，pspin-FDR < 0.001）和兴奋—抑制连接强度（WEI，r = −0.58，pspin-FDR < 0.001）呈显著负相关。相较之下，第一延迟特征向量对应躯体运动—视觉/额顶轴线，其关联模式则呈现相反趋势：与 SI（r = 0.25，pspin-FDR = 0.07）和 WEI（r = 0.25，pspin-FDR = 0.07）表现出中等程度的正相关，而与其他参数呈负相关，包括 WEE（r = −0.27，pspin-FDR < 0.001）和 E/I 比值（r = −0.25，pspin-FDR = 0.07）。上述结果表明，不同的延迟特征向量与兴奋性和抑制性神经功能之间存在差异化关联，提示延迟结构能够反映内在神经动力学的功能特征。

此外，我们通过比较真实数据与采用更短重复时间（TR = 0.36、0.18 和 0.09 s）的模拟数据中延迟特征向量的空间模式，对所估计延迟特征向量的可靠性进行了评估。结果显示，在不同 TR 条件下，第一和第二延迟特征向量之间均观察到显著相关性（第一延迟特征向量：平均值 ± 标准差 r = 0.36 ± 0.02，pspin-FDR = 0.01；第二延迟特征向量：r = 0.44 ± 0.05，pspin-FDR < 0.001），而第三延迟特征向量的对应一致性相对较低（见补充材料图 S2）。上述结果进一步验证了基于 fMRI 数据估计延迟特征向量的可靠性。

图 2 延迟特征向量与生物物理模型衍生神经功能的关联

A)参数反馈抑制控制（pFIC）模型示意图。从宏观结构连接矩阵中估计了复发性连接（recurrent connections）、突触门控参数（synaptic gating parameters）以及模拟 BOLD 信号。

B)延迟特征向量与神经参数的相关性展示。

缩写：BOLD，血氧水平依赖信号（Blood-oxygenation-level-dependent）；SE，兴奋性突触门控（excitatory synaptic gating）；SI，抑制性突触门控（inhibitory synaptic gating）；WEE，兴奋—兴奋复发性连接（excitatory-to-excitatory recurrent connection）；WEI，兴奋—抑制连接（excitatory-to-inhibitory connection）；E/I 比率，兴奋/抑制比（excitatory/inhibitory ratio）；n.s.，无显著性（not significant）。

2.3 延迟结构与内在神经时间尺度之间的关联

为评估延迟特征向量的时间特性，本研究将其与内在神经时间尺度（intrinsic neural timescale，INT）进行关联分析。INT通过对自相关函数拟合非线性指数衰减函数进行估计。结果显示，高阶跨模态脑区表现出较长的时间尺度，而单模态联合区则呈现较短的时间尺度（图 3A）。采用五折交叉验证的线性回归分析表明，三条延迟特征向量整体上与 INT 存在显著关联（平均值 ± 标准差 = 0.25 ± 0.07，pspin-FDR < 0.001；图 3B）。进一步对单个延迟特征向量与 INT 的关系进行分析发现，仅第二延迟特征向量与 INT 显著相关（r = −0.50，pspin-FDR = 0.02；图 3B）。这一结果表明，呈现出清晰感觉—跨模态皮层层级结构的延迟特征向量，可能与内在神经信号传导过程具有更为密切的关系，其中感觉/运动脑区内的信息传播速度快于跨模态联合区。

图 3 延迟特征向量与内在神经时间尺度的关联

A)内在神经时间尺度在脑表面上的空间分布（左），右侧散点图显示在不同重复时间（TR）下拟合的自相关函数。

B)第一行散点图显示三条延迟特征向量与内在神经时间尺度的线性回归关系，阴影区域表示五折交叉验证下的置信区间。下方散点图分别展示每条延迟特征向量与内在神经时间尺度的相关性。红色粗体表示显著关联。

2.4 与功能梯度的关联分析

为刻画延迟特征向量的空间拓扑结构，本研究进一步开展了其与功能梯度之间的关联分析（图 4）。结果显示，第一延迟特征向量与反映运动—视觉轴线的第二功能梯度表现出最强关联（r = 0.56，pspin-FDR = 0.005）；第二延迟特征向量与表征感觉—跨模态轴线的第一功能梯度之间呈现显著相关（r = −0.78，pspin-FDR < 0.001）；第三延迟特征向量则与刻画任务负性—多需求网络轴线的第三功能梯度显著相关（r = 0.39，pspin-FDR < 0.001）。总体而言，这些结果揭示了延迟特征向量与功能梯度之间的紧密联系，表明延迟特征向量可能遵循经典的大脑皮层层级模型。

图 4 延迟特征向量与功能梯度的关联。

展示了延迟特征向量（E1–E3）与功能梯度（G1–G3）之间的相关性。红色粗体表示最高关联，黑色粗体表示显著关联。

2.5 自闭症谱系障碍中的临床意义

鉴于延迟结构在认知加工中的重要作用，本研究利用 Autism Brain Imaging Data Exchange-I（ABIDE-I）数据库中的静息态 fMRI数据，考察了延迟特征向量的临床意义。样本包括 208 名自闭症谱系障碍（autism spectrum disorder，ASD）个体以及 241 名典型发育（typically developing，TD）对照者。组间比较结果显示，在多个脑区的延迟特征向量上存在显著差异（pspin-FDR < 0.05），主要涉及楔前叶、内侧前额叶皮层及躯体运动区，这些区域隶属于默认模式网络及视觉/躯体运动网络；此外，丘脑、壳核、苍白球、伏隔核和杏仁核等皮层下结构亦表现出显著差异（图 5A）。为进一步阐明这些皮层及皮层下延迟特征向量差异所对应的认知功能内涵，研究采用了基于元分析的认知解码方法（meta-analytic cognitive decoding）。结果显示，这些差异与多种认知和感觉相关术语显著相关，包括“心智（mind）”“识别（recognition）”“知觉（perception）”“自传式记忆（autobiographical）”“社会（social）”“运动（motor）”以及“任务（task）”（图 5B）。

图 5 皮层及皮层下延迟特征向量的组间差异及认知解码分析

A)延迟特征向量的组间差异在皮层和皮层下表面上的可视化。效果按照七个内在功能社区及各皮层下脑区分层显示。

B)使用 NeuroSynth 进行认知解码分析的结果以词云形式展示。

2.6 不同脑区划分方案下的敏感性分析

为评估研究结果在不同脑区划分方案下的稳健性，本研究采用Schaefer图谱的 200 分区和 400 分区版本，以及Glasser图谱的 360 分区版本，重复生成延迟特征向量，并进一步分析其与内在神经时间尺度（INT）和功能梯度之间的关联。在对不同划分方案下延迟特征向量的顶点层面空间分布进行比较时，结果显示其空间模式整体保持高度一致（Schaefer 200：r = 0.89 ± 0.03，pspin-FDR < 0.001；Schaefer 400：r = 0.91 ± 0.02，pspin-FDR = 0.003；Glasser 360：r = 0.78 ± 0.08，pspin-FDR < 0.001）。同时，延迟特征向量与INT及功能梯度之间的关联结果亦表现出较高一致性（见补充材料图 S3–S5）。

2.7 不同延迟阈值下的敏感性分析

为进一步检验结果对延迟阈值设定的敏感性，本研究在时间延迟矩阵中分别采用3 s 和 1.5 s 的阈值，重复生成延迟特征向量，并重新分析其与内在神经时间尺度（INT）及功能梯度之间的关联。在比较不同阈值条件下延迟特征向量的空间分布时，结果显示其整体模式保持较高一致性（3 s 阈值：r = 0.97 ±0.01，pspin-FDR = 0.003；1.5 s 阈值：r = 0.77 ± 0.21，pspin-FDR = 0.02；见补充材料图 S6A 和 S7A）。同时，延迟特征向量与 INT 及功能梯度之间的关联结果亦表现出较为一致的趋势（见补充材料图 S6B、S6C 及 S7B、S7C）。值得注意的是，当采用 1.5 s 阈值时，第三延迟特征向量表现出较为明显的变化，提示其可能编码了更为缓慢、分布式的传播动力学过程，因此对较长延迟结构更为敏感。

2.8 采用不同降维技术的敏感性分析

为检验研究结果对降维方法选择的稳健性，本研究采用扩散映射嵌入（diffusion map embedding）对时间延迟矩阵进行处理，以替代主成分分析（PCA），并重复开展相关分析。结果显示，不同降维方法下得到的延迟特征向量在空间分布上保持高度一致（r = 0.99 ± 0.01，pspin-FDR < 0.001；见补充材料图 S8A），且其与内在神经时间尺度（INT）及功能梯度之间的关联结果亦具有可比性（见补充材料图 S8B、S8C）。上述结果表明，本研究所提取的延迟特征在不同降维技术条件下具有良好的稳健性。

3 讨论

理解内在脑活动的时空特征有助于揭示其潜在的神经生理机制。鉴于内在脑活动传播过程的重要性，本研究系统考察了延迟结构的时空特性。通过结合滞后互协方差方法与降维技术，我们在皮层及皮层下区域中提取了三条延迟特征向量。结果表明，这些延迟特征向量与生物物理模型推导的神经参数显著相关。与内在神经时间尺度（INT）的关联分析进一步证实，呈现感觉—跨模态皮层层级结构的延迟特征向量与内在神经信号传导密切相关。此外，延迟特征向量与功能梯度之间表现出高度一致的关联，表明延迟模型与经典的大脑皮层层级结构模型相一致。进一步地，对自闭症谱系障碍（ASD）个体与典型发育（TD）个体的比较结果显示，延迟特征向量可作为一种紧凑且具有生物学基础的指标，用于刻画精神障碍中的异常神经动力学特征。

延迟特征向量代表了延迟结构的主要成分，在显著降低特征维度的同时，仍能有效保留原始时间延迟矩阵中的关键信息。延迟特征向量的正负取值可能反映了内在脑活动在不同脑区间的时序分布差异。第一延迟特征向量的空间模式区分了躯体运动皮层与杏仁核，并将运动计划和情绪反应与视觉、额顶网络及丘脑相整合，这些脑区与适应性行为和决策过程密切相关，提示其可能反映一种自下而上的加工过程。第二延迟特征向量则体现了高阶跨模态脑区与低级感觉/运动区域之间的传播模式，指向一种典型的自上而下加工过程。第三延迟特征向量可能反映了感觉、情绪与认知过程之间的动态交互，该过程有助于支持适应性行为和高效的认知功能。

生物物理模型推导的神经参数与延迟特征向量之间的关系，为理解时间动态的神经基础提供了重要线索。本研究发现，延迟特征向量与兴奋性和抑制性神经机制显著相关，其中呈现感觉—跨模态层级结构的延迟特征向量与多项神经参数表现出尤为显著的关联。这一结果表明，内在神经活动可能在宏观尺度上与时间动态特征紧密耦合。鉴于兴奋/抑制（E/I）比在调节信号传播和维持网络稳定性方面发挥关键作用，延迟结构可能受到大脑基本生物物理属性的共同塑造。这进一步支持了延迟特征向量作为一种具有生物学意义的指标，用于刻画大尺度脑系统中的时间动态特征。总体而言，本研究结果提供了有力的神经生物学证据，支持延迟特征向量在理解脑网络时间动态方面的可解释性。

除神经功能层面的证据外，本研究还将延迟特征向量与内在神经时间尺度（intrinsic neural timescale，INT）进行比较，以进一步赋予延迟结构明确的物理意义。INT描述了特定脑区神经活动在多长时间范围内与自身保持相关，该特性与信息整合与分离相关的功能特化及神经生理过程密切相关。值得注意的是，INT 在皮层区域中呈现出层级化的空间分布模式：异模态联合区具有较长的时间尺度，而感觉区域则表现出较短的时间尺度。这一分布反映了皮层信息加工的时间层级结构，即额顶网络和默认模式网络在有效保持和整合复杂信息时需要更长的时间，而躯体运动区和视觉区则以相对较快的速度处理信息。

我们进一步基于功能梯度评估了延迟特征向量的空间特性。近年来，流形学习方法被广泛用于刻画宏观尺度功能连接组的组织结构，这些方法被认为能够有效描述内在脑活动的传播过程。在本研究中，每一个延迟特征向量均与明确定义的功能梯度显著对应，表明延迟特征向量能够反映并解释大脑的功能层级结构。其结果与包含四个皮层层级水平的经典神经组织与层板分化模型高度一致，这说明自发脑活动的延迟结构在空间模式上与脑系统的层级化组织具有共同性。

尤其值得注意的是，第二延迟特征向量与内在神经时间尺度（INT）呈显著相关，表明其能够表征大脑信息加工的时间层级结构。此外，第二延迟特征向量还与第一功能梯度显著相关，该梯度反映了沿单模态到跨模态轴线的大脑空间层级结构。综合来看，第二延迟特征向量所刻画的传播动力学特征，具有解释信息加工时空层级结构的潜在能力。大脑的层级化组织是制约认知加工的核心原则之一。既有研究表明，这一主要轴线与社会认知、交流能力及奖赏相关回路密切相关，并在自闭症、癫痫和肥胖等健康与疾病人群中均表现出显著关联。因此，我们认为第二延迟特征向量可能在多种认知功能中发挥关键作用。

本研究还通过考察自闭症谱系障碍（ASD）相关的脑改变，探索了延迟特征向量的临床意义。研究结果证实，内在脑活动传播特征在精神疾病研究中具有潜在的临床应用价值。未来研究有必要进一步探讨延迟特征向量与兴奋/抑制（E/I）失衡之间的关系，从多尺度视角加深对自闭症病理生理机制的理解。此外，还需在多种精神与神经系统疾病中系统评估延迟特征向量在疾病分类和症状预测中的应用潜力，以验证其作为生物标志物的可行性。

我们的研究结果将延迟结构重新界定为一种具有生物学意义的表征，反映了信息如何在皮层范围内被动态传递与整合。以往关于静息态fMRI延迟结构的研究主要将其描述为信号传播过程，而本研究进一步探讨了支配这些延迟模式的潜在生物学与计算机制。首先，我们发现延迟特征向量在空间和时间两个层面上均与两类经典的大尺度脑组织特征高度一致：功能连接梯度（functional gradients）和内在时间尺度（INT）。这种三者之间的对应关系使我们能够将延迟特征向量解释为反映大脑层级性时空组织结构的特征。然而，当延迟阈值缩短时，第三特征向量（即边缘系统–感觉轴）与第三功能梯度（任务负性–多需求网络轴）之间的关联减弱。这一结果表明，多需求网络可能更多地体现在较长、较慢的时间动态过程中。未来研究应系统性地比较不同延迟阈值下特征向量轴的差异，以评估快、慢时间动态的影响，并验证其对应的认知功能。其次，我们并未将延迟特征向量仅视为通过降维方法获得的数据驱动特征，而是将其解释为大尺度信息流动模式。这些模式可能受到生理属性空间差异的塑造，这一点通过其与神经元功能指标（如突触门控和兴奋/抑制比例）的关联得以体现。最后，延迟特征向量在不同数据集中具有良好的可解释性和可重复性。我们在 ABIDE 数据集上的初步结果表明，延迟特征向量有潜力作为一种紧凑、具有生物学基础的指标，用于表征非典型神经发育状态。总体而言，本研究的贡献在于为延迟特征向量提供了合理的神经机制解释。

认识并承认本研究的局限性至关重要。首先，fMRI的时间分辨率不足以全面揭示内在脑信号的传播模式。尽管我们利用具有更快TR的模拟BOLD信号验证了延迟特征向量的可靠性，但这一问题仍需通过采用更先进的MRI序列（如更短的 TR）加以缓解。第二，fMRI延迟的计算需要充分考虑采样误差的影响。例如，已有研究表明，头动校正可能影响相关系数的幅度，从而改变延迟结构。尽管HCP数据提供了较快 TR（0.72 s）的fMRI数据，可能在一定程度上减轻采样误差的影响，但仍需开发新的方法，以在fMRI延迟结构计算过程中进一步降低采样误差。此外，时间层校正（slice timing correction）对延迟结构的影响仍有待在未来研究中加以验证。第三，本研究中将延迟特征向量与生物物理模型参数相联系的结果，并不能直接建立宏观与微观尺度观测之间的因果关系。受限于fMRI的时间分辨率，仅凭该方法难以证明脑区之间的因果联系，仍需借助互补技术，例如动物模型中的电生理或光学成像研究。已有多项基于动物侵入性记录的研究表明，微观尺度的时空传播模式能够在中尺度和宏观尺度上产生可被血流动力学方法检测到的信号延迟。在未来工作中整合此类多模态证据，将有助于增强基于延迟分析的因果解释力度。第四，本研究的受试者主要为青年个体。未来研究应纳入更广泛的年龄范围，尤其是老年群体，并可能依托更大规模的数据集。最后，尽管在特征向量分析中已对站点效应进行了控制，在比较典型发展（TD）与自闭症谱系障碍（ASD）群体时，仍可能存在潜在的站点异质性。这是多中心研究中的一项重要挑战，因此本研究结果需谨慎解读。未来我们计划采用更先进的深度学习方法以进一步控制站点效应。

总而言之，本研究系统探讨了自发脑活动的延迟结构，并将所识别的延迟特征向量与神经功能（生物物理模型）、时间维度（INT）以及空间维度（functional gradients）相结合进行解释。通过整合延迟结构、神经功能、INT与功能梯度的分析框架，我们较为全面地刻画了fMRI信号的时空特征。研究结果为理解延迟结构提供了有价值的线索，随着相关分析方法的不断成熟，未来有望促进多种神经和精神疾病生物标志物的识别。

精读分享

主要内容：

研究背景：

静息态功能磁共振成像（rs-fMRI）被广泛用于刻画大脑功能连接，但传统研究多聚焦于空间相关性，而对脑活动在时间维度上的传播机制关注不足。近年来提出的延迟结构（latency structure）为理解脑区间信号传播提供了新视角，但其神经生物学基础及其与脑层级组织之间的关系仍不清楚。同时，大尺度脑网络已被证明具有显著的时空层级特征，如功能梯度与内在神经时间尺度（INT），但这些宏观指标与延迟模式之间是否存在统一框架尚待系统验证。因此，有必要从神经动力学角度整合延迟结构、脑层级与生物物理机制，以深化对自发脑活动时空组织原则的理解，并探索其在神经精神疾病中的潜在应用价值。

研究目的：

本研究旨在系统刻画rs-fMRI延迟结构的时空特性，并探讨其神经生理基础及层级意义。具体而言，作者希望通过降维方法提取代表性延迟特征（latency eigenvectors），检验这些特征是否与生物物理模型参数（兴奋/抑制机制）相关，并进一步评估其与内在神经时间尺度及功能连接梯度之间的对应关系。此外，研究还尝试验证延迟特征在自闭症谱系障碍（ASD）中的临床区分能力，以评估其作为紧凑型神经影像生物标志物的潜力，从而为理解大脑信息传播的层级组织提供统一解释框架。

研究方法：

研究首先基于Human Connectome Project的rs-fMRI数据计算脑区间时滞矩阵，并通过主成分分析提取三个主要延迟特征向量。随后，作者采用参数化反馈抑制控制（pFIC）生物物理模型估计兴奋/抑制突触门控及连接强度，并利用spin permutation与FDR校正评估其相关性。在时间维度上，通过拟合自相关函数计算INT；在空间维度上，利用功能梯度分析脑层级结构。研究还在ABIDE-I数据集中比较ASD与典型发育人群差异，并进行了多种敏感性分析（不同分区、阈值与降维方法）以验证稳健性，从而构建多尺度整合分析框架。

研究结果：

结果显示，三个延迟特征向量能够解释大部分时滞信息，并呈现清晰的皮层层级模式。其中第二特征向量沿感觉-跨模态轴分布最为显著。该向量与兴奋性连接强度及E/I比值呈正相关，与抑制参数呈负相关，提示其与神经动力学密切相关。进一步分析发现，仅第二特征向量与INT显著相关，表明其反映了脑内时间层级。此外，各延迟向量分别对应特定功能梯度，显示出与经典皮层层级模型的一致性。在临床层面，ASD个体在默认网络、感觉运动区及多处皮层下结构中表现出显著延迟异常，且与社会认知和知觉相关功能词条相关。

研究结论：

研究表明，fMRI延迟结构并非单纯的信号传播现象，而是反映了受兴奋/抑制机制调控的大尺度信息流模式。所提取的延迟特征向量能够同时映射脑的空间层级（功能梯度）与时间层级（INT），因此可被视为大脑层级时空组织的紧凑表征。其中，感觉-跨模态轴对应的第二延迟特征向量在神经动力学和层级结构中具有核心地位。总体而言，延迟特征向量为理解自发脑活动的传播机制提供了具有生物学可解释性的宏观指标。

研究意义：

本研究的重要意义在于提出并验证了一种整合框架，将延迟结构、神经生理参数、时间尺度与功能梯度统一起来，为解释脑网络的层级时空组织提供了新视角。该工作推动了rs-fMRI从“相关性描述”向“动力学机制解释”的转变，并证明延迟特征具有良好的可重复性和生物学可解释性。同时，在ASD人群中的差异结果提示，延迟特征有望发展为精神神经疾病的影像学生物标志物，对理解信息处理异常和网络失衡具有潜在临床价值。

研究局限性：

作者指出若干局限。首先，fMRI时间分辨率有限，可能不足以完全刻画真实神经传播过程，即使采用较快TR和模拟验证仍存在采样误差风险。其次，头动校正和slice timing等预处理步骤可能影响延迟估计。第三，生物物理模型相关性仅为关联证据，尚不能建立宏观延迟与微观机制之间的因果关系。第四，样本以年轻人为主，年龄泛化性有限。最后，多中心ASD数据仍可能存在站点异质性，即使统计控制后仍需谨慎解释。

未来方向：

参考文献

Choi, H., Park, Y., Lee, J. E., Kim, S., Park, B. Y., & Park, H. (2025). Spatiotemporal Characterization of the Functional MRI Latency Structure with Respect to Neural Signaling and Brain Hierarchy. Advanced Science, 12(43). https://doi.org/10.1002/advs.202504956

解读：刘晓庆

审核：王淳