编辑推荐：
本文基于成体果蝇高分辨率全脑连接组（Connectome），通过构建并模拟一种简单的网络级联传播模型，深入探究了不同感觉模态信号在神经系统中的动态传播轨迹、汇聚模式及其整合机制。研究不仅描述了单模态信号的时空级联特征，还通过引入协同与竞争动力学模型，揭示了多感觉整合（Multisensory Integration）在中央复合体（Central Complex）等关键脑区的潜在神经环路基础。该工作为从结构连接预测动态信号流提供了理论框架，并为理解复杂行为如何从神经网络的物理架构中涌现提供了新的数据驱动的神经元分类方法。
本研究利用目前最完整的成体雌性果蝇（Drosophila melanogaster）全脑连接组数据，该系统包含约138,000个神经元和超过5400万个突触。连接组（Connectome）作为描述神经元素间连接性的“布线图”，从根本上约束了信号在神经系统中的流动方式。网络神经科学为此提供了分析框架，将神经元抽象为图中的节点，突触连接抽象为有向加权的边。在此框架下，本研究应用并扩展了一种级联传播模型，以模拟感觉信号在静态连接结构约束下的动态传播过程，旨在揭示感觉信息处理与整合的基本组织原则。
感觉系统的神经元连接特性
研究首先分析了16,349个被注释的感觉神经元之间的突触连接。这些神经元覆盖了味觉、湿觉、机械觉、嗅觉、温度觉、视觉等多种模态。分析发现，感觉神经元之间的直接连接非常稀疏，连接密度仅为全脑连接组的约六分之一，且超过99.7%的突触连接发生在同一模态的感觉神经元内部。这种高度模块化的结构表明，不同感觉模态在输入阶段是平行且隔离的，多模态整合很可能通过涉及非感觉神经元的多突触通路来实现。
级联模型与边缘贡献
为探索信号传播，研究采用了一个包含激活、失活和不应用三种状态的随机级联模型。在模拟中，随机选择特定感觉模态的少量神经元作为“种子”在初始时刻激活，随后活动以概率ptransmission= 0.01的方式通过突触向其突触后伙伴传播，激活后的神经元在下一步进入不定期，无法再次被激活。通过对大量模拟的统计分析，研究发现级联传播早期存在明显的“瓶颈”效应，即少数特定的高使用率突触在早期时间步被一致性地用于将活动从感觉种子传递到次级神经元。早期阶段动态中心性与结构中心性（如节点度）相关性较弱，但随着级联进行，相关性迅速增强，表明传播后期更依赖于结构上的枢纽神经元。按神经元注释类别对突触使用情况进行聚合分析显示，早期级联主要涉及传入和感觉神经元，随后单/多肾小球投射神经元、蘑菇体（特别是Kenyon细胞）以及中央复合体的神经元逐渐参与，这些区域是果蝇脑中已知的多模态整合汇聚区。
单模态感觉级联的重叠与独特时空特征
通过将种子神经元限制在单个感觉模态，研究比较了不同模态级联的传播轨迹。结果显示，不同模态的级联在早期具有独特且不相关的空间激活模式，但随时间推移逐渐收敛，激活图谱变得越来越相似。例如，温度觉、湿觉和嗅觉的级联在早期形成一个持续存在的簇，而视觉（包括小眼和复眼）级联在至少前6个时间步内始终与其他所有模态保持明显分离。通过计算“优势模态”图和“重叠指数”，研究量化了这种收敛过程。分析发现，从时间步t=2到t=6，温度觉级联主导了网络的大部分区域，而视觉级联则活跃较晚。重叠分析进一步表明，温度觉、湿觉、味觉、嗅觉和机械觉输入最常共同激活神经元，视觉模态则很少与其他模态重叠。时间分辨的富集分析揭示了重叠级联的时空演变：早期富集于传入和感觉神经元，随后转向触角叶和肾小球神经元，后期则富集于蘑菇体、外侧角和中央复合体等高级整合中枢的神经元。
协同感觉级联
研究进一步扩展模型，模拟了协同情景，即两个不同感觉模态的种子神经元同时被激活，它们可以共同促进下游神经元的激活，从而加速信号传播。模拟发现，协同刺激普遍导致了适度的激活时间缩短（平均减少-0.11 ± 0.05步）。产生最大加速效应的模态对包括味觉+未知、嗅觉+未知、以及视觉系统内部。当所有八种感觉模态同时被激活时（全感觉级联），与单模态（如视觉）级联相比，激活时间缩短了近2步。对加速效应最显著的神经元（前1%）进行注释富集分析，揭示了哪些神经元类别从多感觉协同中受益最大。
竞争感觉级联
在竞争模型中，两个不同模态的信号保留其特异性“标签”进行传播，下游神经元只能被其中一个模态“占领”，这模拟了感觉线索冲突时需要解决的竞争场景。通过此模型，可以计算“邻域熵”，用以度量一个神经元的邻居被不同竞争标签激活的均衡程度。高熵神经元位于竞争级联的“边界”，是潜在的多感觉整合位点。对成对模态竞争的分析显示了不同模态在争夺“领土”时的优劣势关系。研究发现，神经元的熵与其在网络中的结构连接度高度相关，高连接度的枢纽神经元往往具有高熵。熵的动态随时间变化，平均熵在时间步5达到峰值，且不同时间步的熵图谱相似性很低甚至呈负相关，表明整合角色具有复杂的时序动态。富集分析显示，早期高熵神经元主要为传入感觉神经元，随后高熵特性转移至传出神经元、柱状神经元、Kenyon细胞、中央复合体中间神经元等中枢脑区神经元。
基于级联特性的数据驱动神经元聚类
研究整合了从级联动态中提取的多个特征，包括激活时间、重叠指数、竞争熵和协同加速效应，构成了一个多维特征矩阵。通过k均值聚类分析，将神经元划分为6个功能群组。每个群组具有独特的特征轮廓和时空激活模式，并与特定的解剖注释类别显著相关。例如，集群1（黄色）激活最早，熵出现也早，富集于传入和感觉神经元；集群2（粉色）激活稍晚，在重叠、熵等特征上出现峰值，富集于传出神经元、多/单肾小球投射神经元和中央复合体中间神经元等。这些聚类结果揭示了神经元在信号传播、竞争与整合中扮演的不同角色，提供了一种纯粹基于动力学的功能分类体系。
补充分析与讨论
补充分析证实了主要发现对模型参数和连接组阈值化的稳健性。研究还将结果与社区检测方法揭示的连接组模块化结构进行了关联，发现级联衍生的统计量在社区内部高度富集。该工作表明，即使没有外部调控信号，仅连接组结构本身就已为动态传播塑造了基本框架。这种简化的级联模型，尽管抽象了生物物理细节，但因其可解析性而能够清晰揭示网络架构如何约束大规模动力学，并为连接组尺度下的感觉运动信息流研究提供了新的视角。未来工作可通过纳入突触极性、抑制/兴奋区别、神经递质特异性以及更精细的生物物理模型来增强模型的生物真实性，并将激活统计量与具体行为决策变量更直接地联系起来，从而在结构与功能之间建立更紧密的桥梁。
