PNAS | 只用1.4%的“关键相关”，就能预测全脑活动？用信息论量化人脑的“可压缩性”

主要观点总结

本文介绍了Quantifying the compressibility of the human brain的研究，研究人脑活动的可压缩性，并提出了一种可计算的框架来找出降低不确定性的关键相关骨架。文章还包括实验设计与方法逻辑、核心发现、归纳总结和点评等信息。

关键观点总结

关键观点1: 人脑活动的高度可压缩性

研究发现，全脑相关结构比想象中更可压缩，极少的相关就能大幅降不确定性。在合并所有被试与任务的数据中，只需1.4%的相关就能实现50%的熵下降。

关键观点2: 可压缩性的稳定性和接近理论上限

研究还发现，可压缩性在“人”和“任务”之间表现出惊人的稳定性。合并数据的可压缩性C接近理论上限，说明这种可压缩性不是拼接数据造成的假象。

关键观点3: 关键相关的识别

研究指出，“最重要”的相关并不等同于“最强”的相关。冗余强相关使得最优网络更像“长程骨架”，避免高聚类短环路，以接近最少边数迅速连成单一巨型连通分量。

关键观点4: 系统间相关的重要性

按照八大认知系统分组后，最优网络不仅保留系统内必要约束，但更偏向连接不同系统。任务层面还出现细微偏移，一些偏弱的相关对约束活动很关键。