2025年8月27日，《自然-神经科学》发表的一项研究，通过分析五个大型脑磁图（MEG）数据集中数千名参与者的静息态脑活动，首次揭示了一个普遍存在的、高度结构化的动态规律：支撑认知功能的大规模皮层网络，其激活并非随机游走，而是遵循着一个稳健的、周期约为300-1000毫秒的循环模式。该循环的强度和速度不仅具有遗传性，还与年龄、认知能力和即时行为表现密切相关。
我们的大脑在静息状态下并非无所事事，其内部的大规模功能网络（如默认模式网络、背侧注意网络等）在毫秒级时间尺度上自发地、动态地切换激活状态。这种看似“自发”的活动，是大脑高效协调多种认知功能（如注意、记忆、感觉处理）的基础。然而，一个根本性的问题始终悬而未决：大脑如何确保这些关键功能都能在合理的时间窗口内得到执行？一个可能的答案是——通过周期性的循环来组织这些网络的激活。
来自英国牛津大学和丹麦奥胡斯大学的研究团队，利用隐马尔可夫模型（HMM）和一种创新的时间间隔网络密度分析（TINDA）方法，对静息态MEG数据中反复出现的12个核心脑网络状态进行了“时序解构”。
核心发现：随机漫步中隐藏的稳健“时钟”
TINDA方法的核心在于，它不关注网络状态之间直接的（马尔可夫式）切换，而是分析同一个网络状态两次出现之间的时间间隔内，其他网络状态出现的概率是否存在不对称性。结果揭示了一个惊人的规律：
- 全局循环结构：虽然单个网络状态之间的切换是高度随机的，但从全局视角看，所有12个网络状态的激活顺序，共同构成了一个在统计上极为显著的、稳健的“顺时针”循环。
- 周期尺度：完成一个完整循环（即遍历所有网络状态）的平均时间约为300-1000毫秒，这比单个网络状态的平均寿命（约60-70毫秒）长一个数量级。
- 跨数据集验证：这一循环模式及其状态排序在五个独立的大型MEG数据集中均得到了成功复制，包括剑桥老化与神经科学中心（Cam-CAN）和人类连接组计划（HCP）的数据，证明其具有极高的鲁棒性。
功能与频谱的“四象限”分区
这个循环并非简单的序列，其内部状态呈现出清晰的功能和频谱特征分区：
- 上下轴（南北）：区分了高功率/高同步的“认知/内省”网络（如默认模式网络，位于时钟上方）与低功率/低同步的“感知/运动”网络（如背侧注意网络，位于时钟下方）。
- 左右轴（东西）：区分了以高频（α/β）活动为主的网络（位于时钟左侧，与感觉运动抑制相关）和以低频（δ/θ）活动为主的网络（位于时钟右侧，与前颞叶语言区相关）。
这表明，大脑在亚秒级周期内，系统性地遍历了从“内省”到“外察”、从“高频抑制”到“低频整合”的一系列功能状态，构成了一套完整的认知资源调度“程序”。
遗传、年龄与行为：循环指标的现实意义
为了探究这一循环的生物学和临床意义，研究者定义了循环强度（Cycle Strength）和循环速率（Cycle Rate）两个量化指标。
- 遗传性：在HCP的双胞胎数据中，循环速率的遗传度高达73%，而循环强度的遗传度则不显著。这表明，大脑网络循环的“快慢”受到遗传因素的强烈调控。
- 年龄效应：在覆盖18-88岁的Cam-CAN数据中，年龄增长与循环速率减慢、循环强度增强显著相关。这可能反映了老年人脑网络动态的“迟滞”和“僵化”特征。
- 认知关联：在排除了年龄、性别和心率的影响后，循环指标与多项认知评分之间存在显著的正则相关，提示其作为认知功能潜在生物标志物的价值。
- 行为关联：在视觉任务数据中，按键反应前500ms所处的网络状态与反应速度显著相关。更重要的是，试次内的循环强度越高，反应速度越快。这直接证明，循环的动态完整性对于优化即时行为表现至关重要。
总结与展望
这项研究首次在宏观尺度上，为大脑自发活动的“无序”表象下发现了一个高度有序的“周期律”。它将静息态网络的动态组织从“随机漫步”提升到了“结构化交响乐章”的层面。
该发现的核心启示在于：
- 大脑的时间管理策略：提出了一种全新的假说——大脑可能通过这种内在的、具有遗传基础的亚秒级循环，作为一种时间管理机制，确保关键的认知功能（如内省、注意、感觉更新）能被周期性、有保障地“轮询”和执行，即便在无特定外部任务时也是如此。
- 认知老化与疾病的新视角：循环速率随年龄减慢、强度随年龄增强的现象，为理解老年人大脑处理速度下降和认知灵活性降低提供了新的动力学解释。未来，循环指标的异常可能成为神经精神疾病（如精神分裂症、阿尔茨海默病）中“思维散漫”或“认知僵化”的潜在生物标志物。
- 智能算法的新灵感：这种在随机性中嵌入稳健周期性、并兼顾功能分区的组织原则，为设计更高效、更鲁棒的人工智能调度算法提供了全新的仿生学思路。
参考文献：
Nat Neurosci 28, 2118–2128 (2025).
相关阅读：
- Vidaurre, D. et al. Spontaneous cortical activity transiently organises into frequency specific phase-coupling networks. Nat. Commun. 9, 2987 (2018).
- Baker, A. P. et al. Fast transient networks in spontaneous human brain activity. eLife 3, e01867 (2014).