大脑是一个具有多尺度特征的网络,其包含了从单个神经元和突触到脑区和大规模纤维束多个空间尺度。先进的电活动记录与影像学技术使我们能够在不同尺度构建脑网络,并研究它们的拓扑结构和动力学行为等。已经有很多研究对不同尺度的网络结构异质性进行了深入的研究,据此构建的个性化脑网络模型在脑功能或者脑疾病方面有很多应用。在大部分研究中,脑网络的节点都具有相同的动力学参数。但是,越来越多的证据表明,节点的异质性广泛存在于不同尺度的脑网络中,这使得在具有同质节点的脑网络模型中的得到结果不够可靠。同时,大脑在经过漫长地进化后仍然保持着这些异质特性,很可能意味着节点异质性在提高大脑的工作效率中起到了重要的作用。在本文中,我们研究了具有异质的节点兴奋性的大尺度全脑模型中局灶性癫痫发作的传播与控制,以及具有异质神经元静息电位的兴奋-抑制神经元网络中的响应及动态范围。这些研究有助于对脑功能的理解以及对脑疾病的个性化治疗。正确预测和有效控制癫痫发作的传播对于通过手术成功地治疗局灶性癫痫至关重要。构建以癫痫患者个体的非侵入式结构数据衍生的个性化脑网络模型是一种实现这一目的的有效的方法。尽管越来越多的证据表明,区域皮层兴奋性对癫痫发作的扩散有很大的影响,但现有的癫痫发作预测方法大多只依赖结构连接信息。因此,在具有异质区域兴奋性的全脑模型中准确预测癫痫发作的传播并对其进行控制十分重要,并且这在癫痫临床治疗中具有潜在应用。本文中,我们提出了一种基于图上随机游走的预测方法来实现上述目的,这个方法基于对扩展重启随机游走方法的修改。在大尺度全脑模型中的模拟表明异质兴奋性会显著地影响癫痫发作的传播模式。在这种情况下,结构连接对癫痫发作传播的预测变得不够准确,但使用修改过的扩展重启随机游走方法（m RWER）的预测具有更好的性能,并且几乎不受异质性的影响。外科手术控制癫痫传播可以通过识别关键节点并移除病灶节点与关键节点之间的连接实现,其中关键节点参与了起源于病灶区域的癫痫发作的早期传播。与基于结构连接策略的虚拟手术相比,基于m RWER策略的虚拟手术具有更高的成功率并且移除更少的解剖连接,从而降低了对大脑的损伤。理解大脑如何高效地完成各种复杂任务是研究大脑的主要目标。很多研究表明大脑具有自组织临界的特征,这种特征能够优化大脑的信息处理能力,如网络响应外部刺激的动态范围。这种特征与皮层网络的兴奋-抑制平衡具有密切的关联。另一方面,越来越多的研究开始关注神经元的异质性,并证明了异质性能够对网络的高效编码、响应和信息流等进行优化。然而,神经元异质性对兴奋-抑制神经元网络的动态范围以及兴奋-抑制平衡的影响仍不清楚。本文中,我们构建了一个具有异质静息电位的兴奋-抑制神经元网络,并发现平衡的兴奋-抑制突触电流以及适度的异质性能够最大化网络的动态范围。此外,兴奋性神经元和抑制性神经元具有不同程度的异质性时会打破网络的兴奋-抑制平衡。引入节点异质性mRWER方法能够更好地预测和控制局灶性癫痫发作在异质大尺度全脑网络中的传播,在基于个性化数据的精准医疗中具有潜在的应用。此外,神经元的异质性能够提升网络的动态范围,并且能够影响网络的兴奋-抑制平衡,这表明神经元的异质性既能够优化大脑响应刺激的动态范围也可能通过改变网络的兴奋-抑制平衡而间接的影响大脑的信息处理能力。