更改

==== 生物系统中的因果涌现现象 ====

==== 生物系统中的因果涌现现象 ====

通过PID框架的扩展框架PhiID框架,可研究生物系统中的涌现现象。

通过PID框架的扩展框架<math>\Phi</math> ID框架,可研究生物系统中的涌现现象。

而后<math>\Phi ID</math>被用来计算基因表达信号的因果涌现程度。高斯信息假设在这一工作的<math>\Phi</math> ID计算中起到了核心支撑，假设信号符合高斯分布，带来了<math>\Phi</math> ID计算上的极大便利性。

而后<math>\Phi ID</math>被用来计算基因表达信号的因果涌现程度。高斯信息假设在这一工作的<math>\Phi</math> ID计算中起到了核心支撑，假设信号符合高斯分布，带来了<math>\Phi</math> ID计算上的极大便利性。使用高斯假设后，互信息的计算不再需要复杂的分布估计，可以通过皮尔逊相关系数精确地计算互信息矩阵；熵的计算也可以通过高斯分布的方差和均值获得，从而使得应用<math>\Phi</math> ID量化多组件GRNs计算成本大幅降低。

具体而言，使用高斯假设后，互信息的计算不再需要复杂的分布估计，可以通过皮尔逊相关系数精确地计算互信息矩阵；熵的计算也可以通过高斯分布的方差和均值获得，从而使得应用<math>\Phi</math> ID量化多组件GRNs计算成本大幅降低。

此外，研究者们还构建了随机网络作为对照组，通过比较GRNS和随机网络在练习记忆训练后的因果涌现程度，探索了生物网络和随机网络在经历联想学习后的因果涌现程度的差异。

此外，研究者们还构建了随机网络作为对照组，通过比较GRNS和随机网络在练习记忆训练后的因果涌现程度，探索了生物网络和随机网络在经历联想学习后的因果涌现程度的差异。

==== 大脑复杂性的探究 ====

==== 大脑复杂性的探究 ====

神经科学领域中，传统功能连接（FC）方法仅能测量脑区活动的统计相似性，却无法区分两种本质不同的信息处理模式这——冗余信息（多个脑区提供相同内容，增强鲁棒性）与协同信息（只有联合多个脑区才能获得的新信息，体现整合能力）。而高级认知功能（如工作记忆、社会认知）高度依赖协同整合，但由于缺乏有效量化协同信息的计算工具，其神经基础长期难以直接揭示。

神经科学领域中，传统功能连接（FC）方法仅能测量脑区活动的统计相似性，却无法区分两种本质不同的信息处理模式这——冗余信息（多个脑区提供相同内容，增强鲁棒性）与协同信息（只有联合多个脑区才能获得的新信息，体现整合能力）。而高级认知功能（如工作记忆、社会认知）高度依赖协同整合，但由于缺乏有效量化协同信息的计算工具，其神经基础长期难以直接揭示。

而由Andrea I. Luppi等研究者在2020年提出的大脑协同核这一神经科学理论，旨在克服FC方法的局限，为人脑如何通过信息整合支撑复杂认知能力提供理论解释。

而由Andrea I. Luppi等研究者在2020年提出的大脑协同核这一神经科学理论，旨在克服FC方法的局限，为人脑如何通过信息整合支撑复杂认知能力提供理论解释。