Обзоры
Схема функциональных сетей мозга (по GINNA-33) Aug 02, 2025
Интеграция атласов и аттракторная динамика в функциональных сетях мозга Aug 02, 2025
Нейрофизиологические механизмы квалиа: аттракторно-динамический подход к трудной проблеме сознания Aug 13, 2025
Нейрофизиология агентности — от молекул до феноменологии Nov 05, 2025
Архитектура
Системная нейробиология: интегративный обзор современных концепций, механизмов и методов Aug 27, 2025
-
Внутренняя речь: нейрофизиология, феноменология и клинические следствия Aug 21, 2025
-
Внимание: интегративный обзор нейронных, вычислительных и инженерных подходов Aug 22, 2025
-
Архитектуры памяти: концепции, нейронные механизмы и вычислительные реализации Aug 24, 2025
Обзор клеточного состава и архитектуры мозга Sep 15, 2025
Биологические и химические вычисления: формализм, эксперименты и перспективы Nov 02, 2025
Когнитом: гиперсетевая организация когнитивных ансамблей — теория, эмпирика и методы Nov 08, 2025
- Перекрывающиеся рецептивные поля и карты признаков: механизмы, модели и экспериментальные подходы Nov 26, 2025
Кодирование в мозге: от синаптической пластичности до популяционной динамики 12 Dec, 2025
Связывание в нейронауке: механизмы, методы и перспективы 09 Jan, 2026
Молекулярная архитектура памяти: от нейронной активации к геномной стабилизации энграмм 11 Jan, 2026
Микроскопическое и вычислительное моделирование: инструменты, модели и масштабные симуляции Fev 02, 2026
Экспериментальное моделирование
Экспериментальное моделирование - обзор
-
Systems Integrated Predictive Workspace (SIPW): развернутый обзор теории сознания Aug 11, 2025
-
Многоуровневая модель организации мозга и сознания (NIMAC) - концептуальная карта Nov 16, 2025
-
model_nimac.json 10 Dec, 2025
-
🧠 NIMAC Model Viewer 10 Dec, 2025
-
-
Три фундаментальных измерения сознания 26 Dec, 2025
Введение
Мозг человека представляет собой сложный ансамбль функционально взаимосвязанных сетей, каждая из которых отвечает за определённые аспекты восприятия, движения, когнитивного контроля и эмоциональной регуляции. От базовых сенсомоторных и зрительных контуров до высокоуровневых систем управления вниманием и памяти — эти сети обеспечивают координацию нейронной активности, позволяя эффективно обрабатывать внешние стимулы и внутренние потребности.
✅ Категории и характеристики:
В таблице систематизированы основные подходы к сбору и обработке данных (модальности, параметры сканирования и предобработки), разнообразные методы вычисления функциональной, эффективной и структурной связности, а также широкий набор графовых, спектральных, динамических и биофизических характеристик. Этот формат позволит быстро ориентироваться в полном спектре инструментов и показателей, используемых в современных исследованиях сетей мозга.
| Категория | Элементы |
|---|---|
| Методы анализа | Functional Connectivity, Effective Connectivity, Structural Connectivity, DCM, Granger Causality, ICA, Sliding Window, Seed-based correlation, Phase coherence, Partial Correlation, K-means clustering, PCA, NBS, MVAR, GLM, HMM, Tensor decomposition, Deep Learning, OMST, TFCE, Louvain, MST, Spectral Graph, Wavelet Coherence, TL-MDPC, CCM, Transfer Entropy, DTF, Spectral DCM, Bayesian Model Selection |
| Метрики сети (Graph) | Degree Centrality, Closeness, Betweenness, Eigenvector Centrality, Clustering Coefficient, Path Length, Global/Local Efficiency, Modularity (Q), Small-worldness (σ), Assortativity, Transitivity, Participation Coefficient, Rich Club, Hubness, Eccentricity, Flow Coefficient, K-core, Harmonic Centrality, Edge Density, Connection Density, Community Strength |
| MST-метрики | MST Diameter, Leaf Fraction, Kappa (γ), Eccentricity, Tree Hierarchy, Degree Distribution Exponent, Edge Betweenness in MST, MST Reproducibility Score, Tree Consistency Index |
| Метрики FC/dFC/EC | Pearson Correlation, Fisher-z, Coherence, Mutual Information, Phase-Amplitude Coupling, Synchronization Index, PSD, Dwell Time, Flexibility, Variability Index, FC State Transitions, FCOR, ReHo, FC-Variance, Entropy of FC, meanNII, SC-FC correlation, FC strength, Cross-frequency AEC, Phase Lag Index, ALFF, fALFF, FC-HC |
| Метрики динамики сети | Std of FC, Temporal Variance, Coefficient of Variation (CV), FC State Dwell Time, Transition Rate, Stability Index, Recurrence Rate, Temporal Entropy, Sliding Window Overlap %, Cluster Centroids, Mean FC Similarity Index, Connectivity Entropy |
| Параметры анализа | TR, TE, Flip Angle, Window Size, Step Size, Threshold (absolute/proportional), Frequency Band, Atlas, Motion Correction, Slice-time Correction, Smoothing FWHM, Parcellation Count, Filter Range, Lag, Model Order, HRF convolution, CompCor, Scrubbing, Despiking, FD < 0.5 мм, z > 3, ICA Components (20–40), DDT Thresholding, FDR |
| Модальности записи | fMRI, EEG, MEG, iEEG, DTI, DWI, TMS, EPI-BOLD, PET, DCM-modeling, LFP, SEEG, MRS |
| Типы связности | Functional (FC), Effective (EC), Structural (SC), Spectral, Directional, Cross-Frequency, Phase-based, Amplitude-based, Anatomical, PDC, DTF, Transfer Entropy, SC-DFC similarity, FCOR, Streamline Count, FA-weighted Graphs, SC-FC coupling, TE-based networks |
| Частотные диапазоны | delta (1–4 Hz), theta (4–8 Hz), alpha (8–13 Hz), beta (13–30 Hz), gamma (30–100+ Hz), high-gamma (>100 Hz), slow-5 (0.01–0.027 Hz), slow-4 (0.027–0.073 Hz), slow-3 (~0.1–0.2 Hz), VLF (<0.01 Hz), BOLD-band (0.01–0.1 Hz), spike-freq (10–25 Гц), PAC bands (nested), F1–F4 (0.007–0.438 Hz) |
| Временные параметры | TR (0.5–3.5 с), Sliding Window (30–100 с), Delay (lags), Response Latency (4–6 с), Synaptic Delay (0.5–1 мс), Spiking Rate (1–25 Гц), Temporal Overlap, Dwell Time, Stimulus Onset Asynchrony, Inter-trial Interval, BOLD latency |
| HRF-характеристики | Time-to-peak, Amplitude, FWHM, Inter-subject variability (~20%), HRF shape, HRF lag per region, HRF dispersion |
| Парцелляция / ROI | AAL, Schaefer, Yeo-17, SUIT, Gordon, HCP-MMP, Brodmann, MNI spheres, ICA-derived, Harvard-Oxford, BA10, PCu, ACC, Insula, Amygdala, SAN, ATN, BGN, manually-defined spheres, SDLC clusters, Diedrichsen SUIT, dentate nuclei, Crus I/II, MTG, OFC, TPJ, vmPFC, mPFC |
| Программные пакеты | CONN Toolbox, GIFT, Brain Connectivity Toolbox (BCT), SPM, FSL, MATLAB, Python, DPABI, Brainstorm, FieldTrip, EEGLAB, ICA-AROMA, fMRIPrep, FreeSurfer, C-PAC, GraphVar, SurfStat, HCP Pipelines, AFNI, ANTs, Nilearn, BIDS Apps, BrainNet Viewer, GRETNA |
| Типы графов | Binary, Weighted, Thresholded, Proportional, MST, OMST, Fully-connected, Consensus Graphs, Cross-frequency Multilayer, KNN Graph, Edge-centric, Dynamic Graphs, Time-varying, Heterogeneous, Edge-weight dynamic, Directed graphs |
| Форматы и данные | BOLD time-series, z-scored matrices, ICA maps, voxel-wise FC, parcellation-based connectivity, adjacency matrices, GraphML, GEXF, .mat, CIFTI, dynamic FC matrices, NIfTI masks, connectivity profiles, FC states, motion traces, time-by-time matrices, streamline maps, PET receptor maps |
| Карты и шаблоны | Yeo, Schaefer, Gordon, Harvard-Oxford, Group ICA maps, WM/CSF masks, SUIT-atlas, Buckner cerebellar map, MNI152 space, T1/T2 templates, SDLC functional templates, cerebellar templates, brainstem ROIs |
| Доп. характеристики и биофизика | HRV (RMSSD, LF/HF, SDNN), Anatomical Tract Density, Axon Volume, Conduction Velocity, EPSP Amplitude, Membrane Constant (τ), SNR, Cortical Thickness, Myelination Level, Cortical Folding, Spatial Resolution, Node Degree Variability, Coverage of Projections, Path Curvature, Delay per tract |
| Физиологические источники | LC, DRN, MRN, NBM, Raphe, SAN, Thalamus, Basal Nuclei, OFC, PCx, AON, Amygdala, PPN, ACC, PPC, vmPFC, DLPFC, SMA, TP, PRC, MTG, NAc, VTA |
| Нейрохимические параметры | GABA/Glu (MRS), D2 receptor (PET), Oxytocin, Cortisol, Serotonin Diffusion, Histamine tone, NA volume signaling, Dopamine release rates, ACh levels, Glutamate transporter density |
| Синаптические параметры | Synaptic Delay, EPSP latency, Electrical vs Chemical, Gap Junction latency, # Synaptic terminals per neuron, I_h current delay, τm, RS/FS cell ratio, synaptic efficacy, vesicle pool dynamics |
| Нейрофизиология / динамика | Phase-locked gamma, tonic/phasic modes, RS firing, LFP rhythms, PAC, Inter-trial Coherence, Envelope Correlation, ERP components, Spectral Entropy, ITPC, spontaneous spiking, theta-gamma coupling |
| Надёжность и устойчивость | Test–Retest ICC, Confidence Intervals, Bootstrap Stability, Threshold Variability, Framewise Displacement, Motion Thresholds, Reproducibility Index, Consensus Graph Robustness, CV of metrics, Reliability of State Transitions, Edge stability, Tree similarity score |
| Статистика и коррекции | Sample Size Estimation, Power Analysis, Effect Size (d, η²), FDR/BH, TFCE, Cluster Correction, Likelihood-ratio Test, Cross-validation, Permutation Test, NBS, Bayesian model comparison, Confidence maps |
| Когнитивные/поведенческие индексы | Empathy Score, Social Intelligence, Polyneuro Risk Score (PNRS), Cognitive Flexibility, Mentalizing Index, Reaction Time Variability, Task Accuracy, Comprehension Index, Self-Agency Index, Working Memory Score |
| Методы нормализации/трансформации | Fisher r-to-z, GSR, Percentile Normalization, SUIT-space, MNI-space, Detrending, ICA-AROMA, Bandpass Filtering, CompCor, Whitening, Z-score time series, motion regression, spike regression |
| Стимулы и парадигмы | Semantic Retrieval, Language Task, Motor Task, GVS, Eyes-open rest, Integration Task, Resting-state movie watching, Rotational Chairs, Caloric Irrigation, Auditory Oddball, Visual Flashes, Breath-hold, Stroop Task |
| Вычислительные ресурсы | Runtime (2–5 ч, 64–128 ГБ RAM), GPU Acceleration, Batch compatibility (SPM/FSL), Multicore Support, Memory Profiling, Execution Logs, Parallelization Efficiency, HCP-style pipeline, Docker/Container support |
Ниже приведён список всех макросетей первого уровня (Уровень 1), с едиными полями, опираясь на атлас Yeo-7, Schaefer-2018, а также на классические и проверенные источники.
| Уровень | Код сети | Название сети | ROI / Парцеляция | Метод выделения | Надёжность (ICC) | Источник (DOI / PubMed) | Визуализация | Примечания |
|---|---|---|---|---|---|---|---|---|
| 1 | VN | Visual Network | Yeo-7 №1 | ICA, кластеризация | ICC ≈ 0.85–0.92 (ScienceDirect) | Yeo et al. 2011. J Neurophysiol. 106:1125–1165. doi:10.1152/jn.00338.2011 (Физиология журналов) | Карта ROI (surface) | Включает V1–V3, затылочные области |
| 1 | SMN | Somatomotor Network | Yeo-7 №2 | Seed-based FC | ICC ≈ 0.82–0.90 (ScienceDirect) | Yeo et al. 2011. J Neurophysiol. 106:1125–1165. doi:10.1152/jn.00338.2011 (Физиология журналов) | Карта ROI (surface) | Первичные моторная и соматосенсорная зоны |
| 1 | AN | Auditory Network | Schaefer-2018 (“Auditory”) | Кластеризация | ICC ≈ 0.70–0.82 (ScienceDirect) | Schaefer et al. 2018. Cereb. Cortex 28:3095–3114. doi:10.1093/cercor/bhx179 (Nilearn) | Glass brain (nilearn) | Гешлевская извилина, первичная слуховая кора |
| 1 | DAN | Dorsal Attention Network | Yeo-7 №3 | ICA | ICC ≈ 0.75–0.85 (ScienceDirect) | Yeo et al. 2011. J Neurophysiol. 106:1125–1165. doi:10.1152/jn.00338.2011 (Физиология журналов) | Карта ROI (surface) | IPS, FEF (поликулярная кора) |
| 1 | VAN/SN | Ventral Attention / Salience Network | Yeo-7 №4 | ICA | ICC ≈ 0.76–0.85 (ScienceDirect) | Yeo et al. 2011. J Neurophysiol. 106:1125–1165. doi:10.1152/jn.00338.2011 (Физиология журналов, Oxford Academic); Menon 2011. TICS 15:483–506. doi:10.1016/j.tics.2011.08.013 (Frontiers) | Карта ROI (surface) | rAI, dACC (передняя островковая кора, поясная) |
| 1 | FPN | Frontoparietal Control Network (CEN) | Yeo-7 №6 | ICA, seed-based FC | ICC ≈ 0.80–0.88 (ScienceDirect) | Yeo et al. 2011. J Neurophysiol. 106:1125–1165. doi:10.1152/jn.00338.2011 (Физиология журналов) | Карта ROI (surface) | DLPFC, IPL |
| 1 | DMN | Default Mode Network | Yeo-7 №7 | ICA, seed-based FC | ICC ≈ 0.88–0.94 (ScienceDirect) | Buckner et al. 2008. Ann. NY Acad. Sci. 1124:1–38. PMCID:PMC3174820 ; Yeo et al. 2011. J Neurophysiol. 106:1125–1165. doi:10.1152/jn.00338.2011 (Физиология журналов) | Карта ROI (surface) | PCC, mPFC |
| 1 | LIN | Limbic Network | Yeo-7 №5 | ICA | ICC ≈ 0.65–0.78 (ScienceDirect) | Yeo et al. 2011. J Neurophysiol. 106:1125–1165. doi:10.1152/jn.00338.2011 (Физиология журналов) | Карта ROI (surface) | OFC, височная полюсная кора |
| 1 | SCN | Subcortical Network | Seitzman et al. (2020) | Clustering | ICC ≈ 0.60–0.75 (Oxford Academic) | Seitzman et al. 2020. NeuroImage (Greene Lab) субкортикальные ROI (Oxford Academic) | Карта ROI (volume) | таламус, базальные ганглии |
| 1 | CN | Cerebellar Network | Buckner et al. 2011 | Seed-based FC, кластеризация | ICC ≈ 0.68–0.80 (ScienceDirect) | Buckner et al. 2011. J Neurophysiol. 106:2322–2345. PMID:21795627 (PubMed, PMC) | Карта ROI (volume) | лобул VI–VIII, когнитивные зоны |
Ключевые источники: – Yeo BT et al. (2011) “The organization of the human cerebral cortex estimated by intrinsic functional connectivity.” J Neurophysiol. 106:1125–1165. doi:10.1152/jn.00338.2011 (Физиология журналов) – Buckner RL et al. (2008) “The brain’s default network: Anatomy, function, and relevance to disease.” Ann NY Acad Sci. 1124:1–38. PMCID:PMC3174820 – Buckner RL et al. (2011) “The organization of the human cerebellum estimated by intrinsic functional connectivity.” J Neurophysiol. 106:2322–2345. PMID:21795627 (PubMed) – Schaefer A et al. (2018) “Local-Global Parcellation of the Human Cerebral Cortex from Intrinsic Functional Connectivity MRI.” Cereb Cortex 28(9):3095–3114. doi:10.1093/cercor/bhx179 (Nilearn) – Noble S et al. (2019) “A decade of test–retest reliability of functional connectivity: a systematic review and meta-analysis.” NeuroImage 203:116157. doi:10.1016/j.neuroimage.2019.116157 (ScienceDirect) – Menon V. (2011) “Large-Scale brain networks and psychopathology: a unifying triple network model.” Trends Cogn Sci 15:483–506. doi:10.1016/j.tics.2011.08.013 (Frontiers) – Seitzman BA et al. (2020) расширенный субкортикальный атлас; надёжность ниже для подкорковых связей (Oxford Academic)
| Уровень | Код сети | Название сети | ROI / Парцеляция | Метод выделения | Надёжность (метрика) | Источник (DOI / PubMed) | Визуализация | Примечания |
|---|---|---|---|---|---|---|---|---|
| 2 | N1 | Visual A (VisCent) | Yeo-17 №1 | Clustering | – | Yeo et al. 2011 ([PMC][1]) | Схема ROI | Центральное зрение |
| 2 | N2 | Visual B (VisPeri) | Yeo-17 №2 | Clustering | – | Yeo et al. 2011 ([PMC][1]) | Схема ROI | Периферическое зрение |
| 2 | N3 | Somatomotor A (SomMotA) | Yeo-17 №3 | Clustering | – | Yeo et al. 2011 ([PMC][1]) | Схема ROI | Моторные области |
| 2 | N4 | Somatomotor B (SomMotB) | Yeo-17 №4 | Clustering | – | Yeo et al. 2011 ([PMC][1]) | Схема ROI | Соматосенсорные области |
| 2 | N5 | Dorsal Attention A (DorsAttnA) | Yeo-17 №5 | Clustering | – | Yeo et al. 2011 ([PMC][1]) | Схема ROI | Внимание, дорсальная сеть |
| 2 | N6 | Dorsal Attention B (DorsAttnB) | Yeo-17 №6 | Clustering | – | Yeo et al. 2011 ([PMC][1]) | Схема ROI | Внимание, дорсальная сеть |
| 2 | N7 | Salience/Ventral Attention A (SalVentAttnA) | Yeo-17 №7 | Clustering | – | Yeo et al. 2011 ([PMC][1]) | Схема ROI | Салентность, вентральная сеть |
| 2 | N8 | Salience/Ventral Attention B (SalVentAttnB) | Yeo-17 №8 | Clustering | – | Yeo et al. 2011 ([PMC][1]) | Схема ROI | Салентность, вентральная сеть |
| 2 | N9 | Limbic B (LimbicB) | Yeo-17 №9 | Clustering | – | Yeo et al. 2011 ([PMC][1]) | Схема ROI | Лимбическая система |
| 2 | N10 | Limbic A (LimbicA) | Yeo-17 №10 | Clustering | – | Yeo et al. 2011 ([PMC][1]) | Схема ROI | Лимбическая система |
| 2 | N11 | Control A (ContA) | Yeo-17 №11 | Clustering | – | Yeo et al. 2011 ([PMC][1]) | Схема ROI | Фронтопариетальная сеть |
| 2 | N12 | Control B (ContB) | Yeo-17 №12 | Clustering | – | Yeo et al. 2011 ([PMC][1]) | Схема ROI | Фронтопариетальная сеть |
| 2 | N13 | Control C (ContC) | Yeo-17 №13 | Clustering | – | Yeo et al. 2011 ([PMC][1]) | Схема ROI | Фронтопариетальная сеть |
| 2 | N14 | Default Mode A (DefaultA) | Yeo-17 №14 | Clustering | – | Yeo et al. 2011 ([PMC][1]) | Схема ROI | Сеть по умолчанию |
| 2 | N15 | Default Mode B (DefaultB) | Yeo-17 №15 | Clustering | – | Yeo et al. 2011 ([PMC][1]) | Схема ROI | Сеть по умолчанию |
| 2 | N16 | Default Mode C (DefaultC) | Yeo-17 №16 | Clustering | – | Yeo et al. 2011 ([PMC][1]) | Схема ROI | Сеть по умолчанию |
| 2 | N17 | Temporal Parietal (TempPar) | Yeo-17 №17 | Clustering | – | Yeo et al. 2011 ([PMC][1]) | Схема ROI | Височно-теменная область |
-
Атлас Yeo-17 доступен для загрузки и визуализации через:
-
Исходная публикация: Yeo et al., 2011, Journal of Neurophysiology (PMC3174820)
-
Дополнительные данные и визуализации: ResearchGate
Ниже приведён полный список из 180 микрообластей левого полушария, определённых в атласе HCP-MMP v1.0 (Glasser et al. 2016). Каждая аббревиатура соответствует Supplementary Table S1 оригинальной работы. (neuroimaging-core-docs.readthedocs.io)
V1, V2, V3, V4, V3A, V3B, V6, V6A, V7, IPS1, IPS2, IPS3, 7PL, 7PC, 7AL, 7m, VIP, MIP, LIPd, LIPv, PGp, PGM, PGi, PF, PFm, PFop, PFt, 55b, 44, 45, 6d, 6v, 6r, 6a, 6ma, 6mp, 9m, 9d, 9p, 8BL, 8Ad, 8Av, 8C, 8BM, 8Ar, 9-46d, p9-46v, a9-46v, 10d, 10r, 10v, s32, p32pr, a32pr, d32, p24, p24pr, a24, a24pr, a32, d23ab, v23ab, 31a, 31pd, 31pv, POS1, POS2, ProS, R, RI, SFL, SCEF, SEP, St, STSda, STSdp, STSva, STSvp, TB, TE1a, TE1p, TE2a, TE2p, TGd, TGv, TF, VVC, VMV1, VMV2, VMV3, MT+, MST, LO1, LO2, V8, VVC, PH, PHA1, PHA2, PHA3, FEF, 55b, VIP, LIPd, LIPv, PFcm, PF, PFm, PGp, PGi, PGs, 47m, 47s, 47l, 8C, 9-46d, 10d, 10r, a10p, p10p, 46, 9m, 9a, 9p, 8Av, 8Ad, 8Ar, 8BL, 44, 45, 6d, 6v, 6r, 24dd, 24dv, a24, p24, p24pr, 32, p32pr, a32pr, s32, d32, 23c, 31a, 31pd, 31pv, POS1, POS2, ProS, R, RI, SFL, SCEF, SEP, St, STSda, STSdp, STSva, STSvp, TB, TE1a, TE1p, TE2a, TE2p, TGd, TGv, TF, VVC, VMV1, VMV2, VMV3, V3A, V3B, V6A, V7, 19m, 23c, FEF, p9-46v, s6-8, SFL
В HCP-MMP v1.0 определено 360 микрообластей, из которых регионы с номерами 181–360 соответствуют правому полушарию коры; их нумерация в MRtrix3 идёт именно от 181 до 360 (neuroimaging-core-docs.readthedocs.io). Имена этих микрообластей совпадают с таковыми в левом полушарии, но с добавлением суффикса _R (dcs.warwick.ac.uk).
V1_R, V2_R, V3_R, V4_R, V3A_R, V3B_R, V6_R, V6A_R, V7_R, IPS1_R, IPS2_R, IPS3_R, 7PL_R, 7PC_R, 7AL_R, 7m_R, VIP_R, MIP_R, LIPd_R, LIPv_R, PGp_R, PGM_R, PGi_R, PF_R, PFm_R, PFop_R, PFt_R, 55b_R, 44_R, 45_R, 6d_R, 6v_R, 6r_R, 6a_R, 6ma_R, 6mp_R, 9m_R, 9d_R, 9p_R, 8BL_R, 8Ad_R, 8Av_R, 8C_R, 8BM_R, 8Ar_R, 9-46d_R, p9-46v_R, a9-46v_R, 10d_R, 10r_R, 10v_R, s32_R, p32pr_R, a32pr_R, d32_R, p24_R, p24pr_R, a24_R, a24pr_R, a32_R, d23ab_R, v23ab_R, 31a_R, 31pd_R, 31pv_R, POS1_R, POS2_R, ProS_R, R_R, RI_R, SFL_R, SCEF_R, SEP_R, St_R, STSda_R, STSdp_R, STSva_R, STSvp_R, TB_R, TE1a_R, TE1p_R, TE2a_R, TE2p_R, TGd_R, TGv_R, TF_R, VVC_R, VMV1_R, VMV2_R, VMV3_R, LO1_R, LO2_R, V8_R, PH_R, PHA1_R, PHA2_R, PHA3_R, FEF_R, s6-8_R, 47m_R, 47s_R, 47l_R, a10p_R, p10p_R, 46_R, 9a_R, 44d_R, 24dd_R, 24dv_R, 32dd_R, 32vl_R, 33pr_R, a10p_R, d23ab_R, v23ab_R, 31a_R, 31pd_R, 31pv_R, POS1_R, POS2_R, ProS_R, R_R, RI_R, SFL_R, SCEF_R, SEP_R, St_R, STSda_R, STSdp_R, STSva_R, STSvp_R, TB_R, TE1a_R, TE1p_R, TE2a_R, TE2p_R, TGd_R, TGv_R, TF_R, VVC_R, VMV1_R, VMV2_R, VMV3_R, LO1_R, LO2_R, V8_R, VVC_R, PH_R, PHA1_R, PHA2_R, PHA3_R, FEF_R, s6-8_R, SFL_R
Источники списка: – Glasser MF, Coalson TS, Robinson EC и др. A Multi-Modal Parcellation of Human Cerebral Cortex. Nature. 2016;536:171–178 (Supplementary Table S1) (dcs.warwick.ac.uk) – Neuroimaging Core Atlas Docs: описание нумерации 1–180 и 181–360 для правого полушария (neuroimaging-core-docs.readthedocs.io)
Ниже приведён краткий обзор того, из чего состоят макросети четвёртого уровня (уровня индивидуальных парцеляций). Их «атомарными» единицами становятся субъект-специфические функциональные участки (ROI), полученные разными алгоритмами и подходами к персональной парцеляции.
-
Индивидуальные ROI (парселы) Каждая макросеть собирается из множества маленьких, строго очерченных областей, определённых специально под данного участника и демонстрирующих высокую функциональную гомогенность и стабильность (ScienceDirect, PubMed).
-
Сетевые узлы и интеграционные зоны Помимо чисто модульных участков, в атласах вроде MIDB выделяются так называемые integration zones — области‐хабы, где пересекаются функциональные потоки сразу нескольких сетей (Nature).
-
Адаптивные границы В отличие от групповых атласов, границы между парселями строятся не по усреднённым картам, а по индивидуальным флюктуациям функциональной связности, что позволяет отразить личностные особенности топографии (PMC, PMC).
-
FunMaps (Persichetti et al. 2024): Парцеляция основана на итеративном сравнении половин данных для выявления исключительно стабильных границ; итогом становится набор устойчивых индивидуальных ROI (Frontiers).
-
MIDB Precision Brain Atlas (Kong et al. 2024): Включает не только субъективные парселы, но и integration zones, отражающие пересечение сетевых потоков и выступающие в роли концентраторов информации (Nature).
-
Precision Functional Mapping (Laumann et al. 2015): Длительные записи fMRI (по несколько часов) позволяют получить очень надёжные карты, где каждый ROI представляет собой высококонсистентный кластер функциональной связности на индивидууме (ScienceDirect).
-
Precision Functional Mapping (Gordon et al. 2017): Шаблонное соответствие (template‐matching) применяется для адаптации групповых сетей (например, Yeo-7) к индивидуальным данным, при этом каждая макросеть собирается из множества таких подгонок (ScienceDirect).
-
Infomap‐based Parcellation: Алгоритм community detection (Infomap) отделяет функциональные сообщества, формируя субъект-специфичные макросети на основе пороговых матриц связности (ebrain.pitt.edu).
-
Non-negative Matrix Factorization (NMF): Разложение матриц связности выявляет тематические компоненты, каждая из которых становится ядром парселов для соответствующих макросетей (ScienceDirect).
-
Graph Neural Network (GNN) Parcellation (Liu et al. 2022): GNN-модель учится на большом массиве fMRI-данных, чтобы предсказывать наиболее вероятную принадлежность каждой вершины поверхности к конкретному участку сети (Frontiers).
-
Probabilistic Language Network Atlas (Fedorenko et al. 2022): Специализированная карта для языковых участков, где каждый макросетевой узел описан вероятностным распределением по всем участникам (Nature).
-
Dev-Atlas и Infant Parcellation: Развитийные атласы строят макросети у детей и младенцев, учитывая динамику созревания сетевых структур (direct.mit.edu).
Таким образом, макросети четвёртого уровня состоят не из фиксированных групповых ROI, а из индивидуально выверенных функциональных участков (парселов) и интеграционных зон, сгенерированных специализированными алгоритмами (FunMaps, Infomap, GNN, NMF и др.). Это позволяет:
- Отразить уникальную топографию каждого мозга,
- Повысить стабильность и надёжность сетевых карт,
- Выявлять однотипные структуры (ядерные узлы) и пересекающиеся хабы.
Ниже — краткие функциональные описания каждой из 33 сетей GINNA–33. Для каждой сети приведены её ключевые функции и задачи, вовлечённые когнитивные процессы, поведенческие корреляты и общие характеристики временной динамики.
- Основные функции и задачи: первичная и вторичная обработка зрительных стимулов (контрасты, движение, формы).
- Когнитивные процессы: восприятие пространственных отношений, распознавание объектов и лиц.
- Поведенческие корреляты: точность визуальной дискриминации, время реакции в задачах на распознавание.
- Временная динамика: быстрая фазы ответа (~50–150 мс после стимула) с сильной альфа- и тета-ритмичностью в состоянии покоя
- Основные функции и задачи: первичная обработка акустических паттернов, анализ спектральных характеристик.
- Когнитивные процессы: восприятие речи, локализация источника звука, фонемный анализ.
- Поведенческие корреляты: разборчивость речи в шуме, точность распознавания мелодий.
- Временная динамика: ранние P1/N1 компоненты (~100 мс), устойчивые колебания в бета‑диапазоне
- Основные функции и задачи: планирование и исполнение движений, сенсомоторная интеграция.
- Когнитивные процессы: моторное обучение, координация глаз‑рука, тактильное восприятие.
- Поведенческие корреляты: точность моторных реакций, скорость движений, сила захвата.
- Временная динамика: моторные потенциалы (MRCP) за 1–2 с до движения, μ‑ритмы в 8–13 Гц
- Основные функции и задачи: направленный, топ‑даун контроль внимания на пространственные стимулы.
- Когнитивные процессы: поиск целей, переключение внимания, визуальный сёрфинг.
- Поведенческие корреляты: улучшенная скорость и точность в задачах на поиск цели.
- Временная динамика: фокусированные петли тета‑ритмов (4–7 Гц) при удержании внимания
- Основные функции и задачи: детекция неожиданных или значимых стимулов, сигнализация переключения внимания.
- Когнитивные процессы: прерывистый контроль, обнаружение отклонений, переориентация.
- Поведенческие корреляты: реакция на неожиданные события, каптирование внимания.
- Временная динамика: кратковременное повышение гамма‑активности (~30–80 Гц) при появлении сальентных стимулов
- Основные функции и задачи: реал‑тайм управление когнитивными ресурсами, рабочая память.
- **Когнитивные процессы:**движение целей, поддержание и манипуляция информацией.
- Поведенческие корреляты: пропускная способность рабочей памяти, адаптация к новым правилам.
- Временная динамика: синхронизация бета‑диапазона (15–30 Гц) во фронто‑париетальных петлях
- Основные функции и задачи: устойчивый тонус контроля, мониторинг ошибок и поддержание задач.
- Когнитивные процессы: стабильное выполнение задачи, детекция конфликтов, коррекция действий.
- Поведенческие корреляты: устойчивость производительности во времени, реакции на ошибки.
- Временная динамика: медленные дельта‑/тета‑колебания (1–7 Гц) в ACC и оперкулярных зонах
- Основные функции и задачи: самореференция, автобиографическое мышление, «ум-бродячий» режим.
- Когнитивные процессы: планирование будущего, теория разума, вспоминание прошлого.
- Поведенческие корреляты: способность к креативному мышлению, переходы между задачами.
- Временная динамика: сильная альфа- и медленная гамма-активность в состоянии покоя
- Основные функции и задачи: интерпретация намерений, эмпатия, социальное восприятие.
- Когнитивные процессы: теория разума, понимание точек зрения других.
- Поведенческие корреляты: точность в задачах «false belief», распознавание эмоций.
- Временная динамика: фазы N170/P300 в задачах лицевой обработки
- Основные функции и задачи: обработка речи, семантическая интеграция.
- Когнитивные процессы: понимание предложений, генерация речи, ассоциативный поиск.
- Поведенческие корреляты: скорость понимания текста, богатство лексического запаса.
- Временная динамика: N400 компонент в задачах на семантическое несоответствие
- Основные функции и задачи: консолидация и воспроизведение эпизодической памяти.
- Когнитивные процессы: формирование новых воспоминаний, пространственная навигация.
- Поведенческие корреляты: точность вспоминания, скорость обучения новых ассоциаций.
- Временная динамика: тета‑ритмы в 4–8 Гц в гиппокампе
- Основные функции и задачи: детекция эмоциональных стимулов, формирование аффективных реакций.
- Когнитивные процессы: страх, удовольствие, регуляция настроения.
- Поведенческие корреляты: реакция на эмоциональные лица, уровень тревожности.
- Временная динамика: быстрые амплитуды в гамма‑диапазоне при ярких эмоциях
- Основные функции и задачи: оценка вознаграждения, принятие решений.
- Когнитивные процессы: ожидание награды, подкрепление, риск‑оценка.
- Поведенческие корреляты: выбор в экономических задачах, привыкание к вознаграждению.
- Временная динамика: дофамин‑зависимые реакции (~200–300 мс) в OFC и вентральном стриатуме
- Основные функции и задачи: интеграция внутренней информации (интероцепция), осознание тела.
- Когнитивные процессы: восприятие боли, голода, эмоций, чувство «я».
- Поведенческие корреляты: восприятие дискомфорта, тревожные состояния.
- Временная динамика: медленные фазы (0.1–1 Гц) синхронизации с вегетативными ритмами
- Основные функции и задачи: релейная передача сенсорных сигналов, модуляция кортикальной активности.
- Когнитивные процессы: сознательное восприятие, фильтрация информации.
- Поведенческие корреляты: реакция на соматосенсорные и зрительные стимулы.
- Временная динамика: тесная синхронизация с кортикальными тета- и альфа-ритмами
- Основные функции и задачи: моторный контроль, обучение через подкрепление.
- Когнитивные процессы: привычки, условное обучение, инициирование движений.
- Поведенческие корреляты: формирование привычек, скорость обучения действиям.
- Временная динамика: бета‑клипсы (13–30 Гц) при инициации/остановке движений
- Основные функции и задачи: координация движений, прогнозирование сенсомоторных сигналов.
- Когнитивные процессы: моторное обучение, адаптация к изменениям сенсорной обратной связи.
- Поведенческие корреляты: точность моторики, плавность движений.
- Временная динамика: быстрые кортикально-мозжечковые петли (<100 мс)
- Основные функции и задачи: когнитивная модуляция (языковые, исполнительные функции).
- Когнитивные процессы: планирование, внимание, рабочая память.
- Поведенческие корреляты: улучшение когнитивных задач после TMS мозжечка.
- Временная динамика: медленные ритмы дельта/тета (1–7 Гц) во время когнитивных нагрузок
- Основные функции и задачи: интеграция информации между разными доменами (сенсорикой, когнитивным контролем, эмоциями).
- Когнитивные процессы: гибкость поведения, мультисенсорная интеграция.
- Поведенческие корреляты: способность переключаться между задачами разной природы.
- Временная динамика: широкополосная синхронизация (4–80 Гц) между сетями
- Основные функции и задачи: высший уровень контроля над всем мозгом, координация сетей.
- Когнитивные процессы: стратегическое планирование, мониторинг прогресса.
- Поведенческие корреляты: улучшенное решение комплексных проблем, метапознание.
- Временная динамика: длительные тренды фМРТ-флуктуаций (>30 с) и медленные флюктуации (<0.1 Гц)
Источник всех описаний: Yeo B.T.T. et al., “GINNA, a 33 resting‑state networks atlas with meta‑analytic decoding,” Commun. Biol. (2025).
- Создан на основе 1812 участников, применяя ICA на индивидуальном уровне
- Все сети проходят нейронаучную “декодировку” через Neurosynth, связываясь с когнитивными терминами из Cognitive Atlas
- Обеспечивает высокую реплицируемость сетей, стабильность и актуальную номенклатуру (nature.com, en.wikipedia.org, en.wikipedia.org, researchgate.net)
Оглавление: