Obwohl moderne bildgebende Technologien es uns ermöglichen, die Verbindlichkeit zwischen zwei unterschiedlichen Hirnregionen in vivo zu untersuchen, bleibt ein tiefgreifendes Verständnis davon, wie anatomische Strukturen die Hirnfunktion unterstützen und wie spontane funktionelle Schwankungen bemerkenswerte kognitive Prozesse hervorrufen, weiterhin unvollständig. Gleichzeitig wurden in der Domäne des maschinellen Lernens erhebliche Anstrengungen unternommen, um eine nichtlineare Abbildung zwischen neuroimaging-Daten und phänotypischen Merkmalen herzustellen. Allerdings stellen die fehlende neurowissenschaftliche Einsicht in die derzeitigen Ansätze erhebliche Herausforderungen dar, wenn es darum geht, kognitives Verhalten aus transienten neuronalen Aktivitäten zu verstehen. Um dieser Herausforderung zu begegnen, richten wir den Fokus auf den Kopplungsmechanismus zwischen struktureller Verbindung (SC) und funktioneller Verbindung (FC), indem wir diese Fragestellung der Netzwerkneurowissenschaft in ein ausdrucksstarkes Problem des Graphenrepräsentationslernens für hochwertige Topologien formulieren. Konkret führen wir den Begriff des topologischen Umwegs ein, um zu charakterisieren, wie ein allgegenwärtiges Phänomen der funktionellen Verbindung (direkte Verbindung) physisch durch neuronale Bahnen (Umwege) unterstützt wird, die durch die strukturelle Verbindung verdrahtet sind – ein sich wechselseitig beeinflussender zyklischer Loop aus Hirnstruktur und -funktion. Im Sinne des maschinellen Lernens ermöglicht der mehrschrittige Umwegpfad, der der SC-FC-Kopplung zugrunde liegt, die Entwicklung eines neuartigen Multi-Head-Self-Attention-Mechanismus innerhalb eines Transformers, um multimodale Merkmalsrepräsentationen aus gepaarten Graphen von SC und FC zu erfassen. Zusammenfassend stellen wir ein biologisch inspiriertes tiefes Modell vor, das als NeuroPath bezeichnet wird, um vermutliche connectomische Merkmalsrepräsentationen aus der bisher unerreichten Menge an neuroimaging-Daten zu identifizieren, die in verschiedene nachgeschaltete Anwendungen wie Aufgabenerkennung und Krankheitsdiagnose integriert werden können. Wir haben NeuroPath an großskaligen öffentlichen Datensätzen wie HCP und UK Biobank unter Supervised- und Zero-Shot-Lernbedingungen evaluiert, wobei die state-of-the-art-Leistung unseres Modells ein großes Potenzial für die Netzwerkneurowissenschaft unterstreicht.