現代の画像技術により、生体状態下で二つの異なる脳領域間の接続性を解析することが可能となったが、解剖学的構造が脳機能をどのように支え、自発的な機能的変動がどのように顕著な認知機能を生み出すかという点については、依然として深い理解が得られていない。一方で、機械学習分野では、神経画像データと表型的特徴の間の非線形なマッピングを構築するための多大な努力がなされてきた。しかし、現行のアプローチには神経科学的な知見が欠如しており、一時的な神経活動から認知行動を理解する上で大きな課題が残っている。この課題に対処するため、本研究は構造的接続性（SC）と機能的接続性（FC）の結合メカニズムに焦点を当て、ネットワーク神経科学の問題を高次元トポロジーを表現可能なグラフ表現学習の枠組みに定式化した。具体的には、FCの普遍的な例である「直接リンク」が、SCによって物理的に配線された神経経路（「トポロジカル・デトゥール」）によってどのように支えられているかを特徴づける「トポロジカル・デトゥール」という概念を導入した。これにより、脳の構造と機能が相互に作用するサイクリックなループが形成される。機械学習の文脈において、SC-FC結合を支える多ホップ・デトゥール経路を活用し、Transformer内に新たなマルチヘッド自己注意機構を設計することで、SCとFCのペアグラフからマルチモーダルな特徴表現を捉えることが可能となった。以上の取り組みを統合して、生物学的インスパイアに基づく深層学習モデル「NeuroPath」を提案した。このモデルは、これまでにない規模の神経画像データから仮説的な結合的特徴表現を抽出でき、タスク認識や疾患診断など、さまざまな下流応用に組み込むことが可能である。我々は、HCPおよびUK Biobankといった大規模な公開データセットを対象に、教師あり学習およびゼロショット学習の設定下でNeuroPathの性能を評価した結果、最先端の性能が達成され、ネットワーク神経科学分野における大きな潜在的可能性が示された。