人类大脑的结构连接组（structural connectome）展现出了复杂的内部社区组织特征，其高度重叠的特性与功能和认知现象密切相关。这项研究通过分析连接组网络的连接属性，揭示了异常高阶的k-团（k-clique）渗透现象是人类结构连接组的一个显著特征。这种结构组织在保持整个网络稀疏性的同时，也维持了连接组内高度的局部连接密度。我们提出了一种新的模型，用于在连接长度约束下研究高阶k-团渗透的形成机制，并展示了该模型如何能够解释功能脑子网络之间的交互如何影响结构上的k-团聚类。我们的研究还探讨了个体特定连接与共同连接之间的差异，发现后者在维持结构社区连接性方面具有关键作用，而前者则创造了功能子网络之间交互的多样性。
研究中采用的数据来源于人类连接组计划（Human Connectome Project, HCP），涵盖了426名健康成人的结构连接组信息，这些数据是在高分辨率下构建的，每个节点代表一个解剖学定义的脑区，边则代表通过扩散磁共振成像（diffusion MRI）确定的轴突纤维连接。此外，我们还使用了之前在功能性子网络研究中定义的数据，这些数据来自1000名健康年轻人的fMRI数据，年龄在18到35岁之间。这些功能性子网络的划分基于内在功能连接性，并使用了标准化的Lausanne解剖图谱，以确保结构连接组与功能性子网络之间的节点映射一致性。
通过分析结构连接组和功能性子网络之间的关系，我们发现高阶k-团渗透不仅在结构层面，也在功能层面展现了复杂性。这种现象揭示了大脑结构组织在支持功能性子网络之间交互中的重要作用。在功能性子网络中，每个节点都被唯一地分配到某个子网络，而外部连接则代表了连接组中只属于某个子网络的节点之间的边。通过分析这些外部连接与内部连接的比例，我们发现功能性子网络之间存在高度的交互性，这为理解大脑如何通过结构连接支持多种功能提供了新的视角。
k-团渗透是一种基于网络中高度连接的局部结构识别社区的方法。两个k-团被认为是相邻的，如果它们共享k-1个节点。通过这种方法，我们能够检测出网络中高度重叠的社区结构，并发现其在不同连接阶数下的分布特征。例如，我们观察到，随着k值的增加，k-团渗透的分布呈现出不同的趋势。对于某些k值，如k=3和k=4，网络中存在明显的渗透现象，而更高阶的k-团渗透则受到连接密度的限制。这表明，尽管大脑的总体连接密度较低，但其内部仍存在大量高阶k-团结构，这些结构可能是支持复杂认知功能的关键机制。
研究还引入了一种新的网络模型，用于模拟高阶k-团渗透的形成过程。该模型在连接长度约束下，通过随机边重连的方式，逐步构建出具有高传递性的网络结构。模型中，节点被随机放置在一个三维欧几里得空间中，边的长度对应于节点之间的欧几里得距离。通过调整化学势（chemical potential）参数，我们控制了网络传递性的增长效率，从而模拟出在不同连接长度限制下可能出现的k-团渗透现象。这一过程与实际连接组的演化机制类似，能够揭示大脑如何在有限的资源条件下形成高阶连接结构。
通过将结构网络嵌入到二维双曲空间中，我们进一步分析了节点之间的潜在相似性与层级关系。这种嵌入方法允许我们基于结构属性研究节点之间的相似性，从而揭示功能性子网络之间的复杂互动。结果显示，不同功能性子网络在相似性坐标上的分布呈现出周期性和互补性，其中默认模式网络（default mode network, DMN）与其他子网络的分布模式存在明显差异，这可能与其在整合信息方面的作用有关。
此外，我们还研究了连接组中高置信度连接（high-confidence connections）在维持高阶k-团渗透中的作用。高置信度连接在功能性子网络中更常见，并且在连接组的结构组织中发挥着核心作用。通过网络分解（network decomposition）和逆分解（inverse decomposition）方法，我们发现，随着置信度阈值的提高，高阶k-团结构的稳定性逐渐下降。这表明，高置信度连接在保持功能性子网络之间交互方面具有关键作用，而低置信度连接则更多地反映个体之间的差异。
研究还揭示了功能性子网络之间的交互如何支持高阶k-团结构的形成。例如，当我们将多个功能性子网络合并时，k-团渗透的分布呈现出明显的增长趋势。这种现象表明，功能性子网络之间的互补性连接是维持高阶k-团结构的关键因素。然而，当仅考虑单个功能性子网络时，其内部的k-团渗透通常局限于较低的阶数，这可能是因为单个子网络的连接密度不足以支持高阶结构的形成。
这些发现对理解大脑结构与功能之间的关系具有重要意义。高阶k-团渗透不仅反映了大脑在局部层面的高度连接性，还可能作为功能子网络之间交互的分布式桥梁。这种桥梁结构有助于大脑在保持模块化的同时，实现跨功能的整合。同时，个体特定的连接与共同连接之间的差异，揭示了大脑结构组织的多样性与稳定性并存的特性。尽管个体之间的连接存在差异，但高置信度连接在多个个体中表现出一致的分布模式，这可能意味着这些连接构成了大脑网络的稳定基础。
进一步的分析表明，高阶k-团结构的形成可能与大脑的进化策略有关。大脑在形成结构连接时，需要在高效的信息处理与生物限制之间取得平衡。通过引入连接长度约束，我们能够模拟出这种平衡如何影响高阶k-团的形成与维持。例如，在某些连接长度范围内，大脑网络可以支持高阶k-团渗透，而在其他情况下则无法实现。这表明，连接长度的限制可能在维持网络整体稀疏性的同时，促进局部连接密度的提升。
此外，研究还探讨了高阶k-团渗透在大脑疾病研究中的潜在应用。结构连接组的异常变化与多种神经系统疾病密切相关，例如精神分裂症、阿尔茨海默病、自闭症谱系障碍和创伤性脑损伤。通过分析k-团渗透的破坏或重组模式，我们可能能够识别这些疾病在结构层面的特征，从而为疾病的早期诊断和个性化治疗提供新的工具。例如，如果某个疾病导致高阶k-团结构的完整性受损，这可能反映功能子网络之间的通信障碍，进而影响认知功能。
总的来说，本研究通过分析结构连接组中的高阶k-团渗透现象，揭示了大脑结构与功能之间的复杂关系。我们发现，尽管整体连接密度较低，但大脑内部仍存在大量高阶连接结构，这些结构可能是支持多种认知功能的关键机制。同时，我们提出的网络模型能够模拟这些结构的形成过程，并解释其如何在连接长度的限制下维持网络的稳定性和功能性。未来的研究可以进一步探索这些高阶k-团结构在不同脑疾病中的作用，并利用这些模型开发更精确的诊断工具和治疗策略。
