当使用一个动力学模型来描述一个复杂的系统时,该系统有时会表现出sloppiness现象:一个sloppy系统是指对某些特定的参数组合显示出对外界扰动具有对数形式的敏感性的系统——系统的行为只受制于几个参数或被称为“stiff方向”的参数组合,而对其他被称为“sloppy方向”的参数组合的变化不敏感。作为一个高维的复杂系统,为了充分描述大脑的动力学模式,有必要引入大量的参数,包括与特定脑区相关的局部参数和与大脑内部连接相关的参数。然而,如果大脑的动力学可以被一个“sloppy模型”所捕捉,就像其他生物系统的行为一样,会有相当数量的参数其变化不会对大脑的动力学产生重大影响。在这种情况下,大脑的动力学将主要由几种参数的组合决定。以前对麻醉状态下的小鼠初级听觉皮层的局部神经回路发放模式和尖峰活动的研究部分地证实了这些猜想,表明大脑网络可能表现出sloppiness特性。然而,人类大尺度脑网络是否会出现sloppiness现象还没有得到验证。在这项研究中,我们基于静息态和任务态的f MRI信号数据,解决了大尺度脑网络的静息-任务转换和个体差异的相关问题。我们在不同个体上利用成对最大熵模型（在物理学中也被叫做Ising模型）构建功能网络并得到大尺度脑网络的参数。我们对与大脑的脑区和连接有关的参数进行了sloppiness分析并观察到大尺度脑网络在静息状态和任务状态下都具有sloppiness现象。并且沿着stiff方向的任务切换导致的参数变化可以反映出每个人在任务中的表现差异。我们还采用了sloppiness分析法来阐明静息任务切换中的动力学重构过程。我们发现工作记忆网络的参数敏感度切换到任务态时出现上升而默认模式网络的参数敏感度在切换到任务态时出现下降。参数的聚类分析显示功能子网络之间的差异是在静息-任务切换过程中产生的,换句话说,功能网络中出现了敏感度意义上的分离。此外,我们还在sloppiness分析的框架下研究了大脑的个体差异。我们发现,受试者的参数敏感度分布与他们的任务表现相关,这表明整个网络的敏感度分离水平较高可以提高任务表现。我们还发现,沿stiff方向参数的个体差异可能会导致任务表现上的个体差异,而这背后反映了大脑更加整合或分离。沿着正的stiff方向,大脑通过减少两个子网络之间的功能连接并增加WMN内的功能连接的整合程度,获得一个功能上更加分离的大脑。我们还研究了结构连接强度与相应模型参数敏感度之间的关系。与直觉相反的是,我们的研究表明,弱的子网络间连接显示出很高的敏感度,并在静息任务切换过程中起着关键作用。我们的研究首次在大尺度脑网络上发现了sloppiness现象,并创新地使用sloppiness分析框架发现了个体在参数敏感度上的差异可以反映到任务表现上。并且发现了参数上的个体差异通过stiff方向背后体现的功能分离与整合反映到任务表现上。除此之外,利用参数敏感度我们发现了结构连接较弱的边在功能上发挥了重要的作用。这些结果为大尺度脑网络的研究提供了新的可能的研究框架,为我们之后在多任务切换、脑疾病、衰老与发育、结构功能关系等方向的探索做了铺垫。