跳至正文

血管网络的分形与Murray定律：生命的最优管道设计

  • 由
🟣 数学证明 📅 2026年3月 ⏱ 阅读约12分钟

你的血管总长度约有十万公里——足以绕地球两圈有余。在这张密布全身的管道网络里，大动脉安静地分叉，毛细血管悄悄蔓延，心脏每跳动一次，氧气和营养就能送达全身数十万亿个细胞。这一切并非偶然的混乱堆砌，而是一条简洁的数学定律在幕后操持：

Murray定律，一条1926年就已写下的公式，告诉我们每一个分叉点上，母管与子管的直径应当满足怎样的关系，才能让心脏做最少的功。而当这条局部规律一级一级地往上叠加，整棵血管树就涌现出一种不同寻常的结构特征——分形。

局部的最优选择，造就了全局的自相似秩序。这篇文章，我们就来看看这条简单的数学定律，如何统治了全身的每一根血管。

📑 本文目录

一、Murray定律：最小功原理

📜 1926年，Cecil Murray只是个年轻的生理学研究者，却提出了一个令人吃惊的问题：如果心脏要以最小的代价泵血养活全身，那么血管分叉时的口径应该满足什么关系？[1]

他的答案被后人称为Murray定律，核心公式极其简洁：

r母3 = r子13 + r子23
符号含义
r母母血管半径
r子1、r子2两条子血管半径
指数3“立方律”——分支指数

人话翻译：母管半径的三次方，等于所有子管半径三次方之和。换句话说，血管每分叉一次，总管腔面积会适度”增大”，但不会无限扩张。这个比例被精心设计，让血液流过整棵血管树所需的总功耗（黏性摩擦力做的功）与维持血管体积所需的代谢成本之和，共同达到最小值。[1]

🔑 为什么是立方？根据泊肃叶定律，圆管内黏性流动的流阻正比于 r−4，而血管体积正比于 r2。Murray的关键洞察是：将流动阻力消耗的功（正比于 r−4 × Q，Q为流量）与维持血管体积所需的代谢成本（正比于 r2）相加，对 r 取极值，恰好给出 Q ∝ r3 的关系，这便是”立方律”的来源。[1][2]

Murray定律不只是一个美丽的猜想。后续的理论工作反复从不同角度验证了它的内在逻辑。2021年，Rosenberg等人重新审视了从”约束下最小流阻”推导Murray定律的数学路径，同时也指出：不同的约束条件和优化目标，会导向不同的分支指数，”立方律”并非在所有情形下都自动成立。[3] 这并非推翻了Murray，而是进一步揭示了这条定律的适用边界。

📐 更一般的表达：Murray定律可以推广为 r母x = r子1x + r子2x，其中指数 x（分支指数）不一定等于3。在牛顿流体、无壁代谢成本的理想情形下，x = 3；加入血管壁代谢、非牛顿流变等因素后，x 可能偏离。[2][4]

二、血管分叉的最优角度

Murray的洞察不止于口径。如果把”最小功”的逻辑延伸到分叉几何，还能推导出一个更惊人的结论：血管分叉的角度，同样受到最优性约束。[2]

📐 最优分叉角公式：对于等称分叉（两条子管等粗），理想分叉角约为75°。对于不对称分叉，较粗的子管偏转角较小，较细的子管偏转角较大，两者之和仍受整体能量最小化约束。[9]

这不只是理论推算，冠状动脉的研究给出了直接证据。

🔬 冠脉分叉的流场实证：Huo与Kassab通过有限元模拟，系统比较了不同口径规则与分叉角规则在冠脉中的流场表现。他们发现，冠脉铸型的几何更接近基于全树最小能量的HK模型，而非简单经典Murray公式。关键结论是：分叉角与口径必须联动考虑，才能获得更优的流线与壁面剪切应力分布。

壁面剪切应力是内皮细胞的”健康信号”——低剪切应力区域，是动脉粥样硬化斑块最容易堆积的地方。[9]

🌍 偏离最优，钙化加重：Schoenenberger等人对冠脉分叉进行了临床影像研究，发现偏离Murray定律越明显的分叉，其钙化程度越高。[10] 这意味着：当血管几何远离最优解，血流模式会变差，局部炎症与病变风险随之上升。Murray定律不再只是数学美感，而是可以帮助预测动脉粥样硬化好发部位的临床工具。

这一洞察已经开始走进导管室。Tu等人开发了一种基于”分叉分形律”的单视角造影功能学评估方法，将血管树几何规律直接整合进冠脉狭窄的定量计算中，为介入手术决策提供了新的量化依据。[11]

💡 打一个比方：想象高速公路的匝道设计。如果两条车道合并时角度太陡，汇流区就容易堵车、发生事故；而Murray定律告诉我们，血管分叉也一样——偏离最优角度，”交通”就会混乱，内皮细胞承受异常压力，时间久了就会”堵车”（斑块）。

三、全身血管的分形组织

Murray定律描述的是单个分叉点。但当这条局部规律在全身血管树上一级一级地重复——大动脉分出中动脉，中动脉分出小动脉，小动脉分出毛细血管——一个宏观的全局特征就涌现出来了：血管网络是分形的。

🔑 什么是血管分形？分形是一种在不同尺度上呈现相似结构的几何形态——放大某个局部，看起来和整体差不多。血管树正是这样：大血管的分叉方式，和毛细血管层的分叉方式，在统计意义上高度相似。用数学语言描述这种”复杂度”，就是分形维数（Df）。

分形维数并不是一个整数，它介于1（直线）和2（平面）之间（对于二维投影的血管图像），数值越高，说明网络越致密、越复杂；数值越低，说明网络越稀疏、越简单。这一特征在多个器官中都有扎实的实测证据。

🔬 心肌灌注的分形来源：Beard与Bassingthwaighte构建了整个心脏器官级别的动脉网络模型，发现心肌血流的分形分布特征，正是由局部血管树结构的统计规律”生长”出来的。[13] 换句话说，心肌微循环的不均匀性，并非偶然噪声，而是分形网络的必然结果。

🔬 肺血管铸型的分形测量：Essay等人对人肺支气管与血管的乳胶铸型进行了分形分析，直接在真实解剖结构上测量了分形特性。[14] 肺动脉分支网络展现出典型的分形层级结构，而这一结构会影响脉搏波在整棵树中的传播与反射方式。[12]

2024年的计算建模研究更进一步：Jessen等人用大规模合成血管树检验不同全局优化原则，发现即使不显式写入Murray定律，仅靠全局能量最小化目标，网络也会自然涌现出接近Murray立方律的局部幂律关系。[5] 而Bao等人则用”约束性构造优化”方法，生成了与真实骨骼肌小动脉高度相似的网络，为”分形网络可能源自优化生长”提供了计算支撑。[7]

📐 局部与全局的统一框架：Kopylova等人综述了血管拓扑优化，提出一个关键视角：Murray定律（局部分叉规则）和分形网络（全局自相似结构），并非两套独立理论，而是同一”最小代价运输网络”优化框架的局部与全局两面。[4]

四、视网膜分形维数与疾病诊断

如果血管分形是全身微循环状态的”指纹”，那有没有一个地方，可以在不动刀、不插管的情况下，直接观察到这张指纹？有的：眼底。

视网膜是全身唯一可以无创直视微血管的部位。一张眼底照片，就能展示出密度适中、层级丰富的微血管网络。更重要的是，这个网络的分形维数，可以被精确测量，而且它变化了——你的全身血管很可能也在变化。

🔬 正常视网膜的分形基线：Tălu等人建立了正常视网膜血管分形维数的测量框架，为后续的疾病比较研究提供了健康参照系。[15] Popovic等人则进一步发现，黄斑区与视盘区的微血管网络在几何上存在区域差异，分形维数并非均匀分布，而是有精细的空间组织。[16]

这些测量工具一旦成熟，临床应用随之而来：

🌍 预测卒中死亡：Liew等人的前瞻性队列研究发现，视网膜分形维数越低，卒中死亡风险越高。[20] 网络”稀疏化”——复杂度下降——是一个可量化的预后信号。这项研究的意义在于：眼底相机拍一张照，或许能给脑血管健康打一个分。

🌍 预测糖尿病视网膜病变：Forster等人对2型糖尿病患者进行了前瞻性随访，发现基线视网膜分形维数较低的患者，后续发生糖尿病视网膜病变的风险显著更高。[21] 网络几何的改变，先于临床可见的视网膜病变，这正是早期干预的机会窗口。

🌍 心血管风险的综合标志物：Cheung等人在大规模人群研究中，分析了视网膜分形维数与心血管及眼科风险因素的关系，支持将其作为系统性血管健康的综合指标。[17] Gopinath等人则进一步发现，视网膜血管几何指标（包括分形维数）与房颤和心衰的患病率相关。[18]

🌍 动脉僵硬的眼底镜读数：Ma等人的横断面研究显示，视网膜血管几何与系统性动脉僵硬度指标（CAVI）相关。[19] 也就是说，一双眼睛不只是”心灵的窗户”——它还是血管弹性的窗户。

这条从Murray定律出发的逻辑链条，在这里闭合了：局部分叉的最优几何规律 → 全局分形网络的涌现 → 分形复杂度的定量测量 → 眼底作为无创诊断窗口 → 卒中、糖网、心衰等临床风险的早期预警。

五、跨领域联系：河流、树木与工程

Murray定律和分形血管网络并不孤独。在自然界里，同样的最优性原理在完全不同的领域里留下了同款印记。

💡 河流水系：地球上的河流分叉网络，同样服从类似的幂律关系。著名的Horton-Strahler定律描述了河流分支级数与流量、长度之间的幂律比例——这与Murray定律来自同一类数学框架：自然界倾向于用最少的”管道”覆盖最大的面积，输运最多的”货物”。河流分形维数与血管分形维数，是同一个优化故事的两个章节。

💡 植物导管系统：树木的韧皮部和木质部，同样呈现类似Murray定律的分支关系。植物从根系到叶脉的输水网络，在进化压力下也”发现”了类似的最优分支几何。这一联系支持了一个更宏观的猜想：凡是需要在有限空间里高效输运物质的生物系统，都会在进化或发育中自发涌现出接近Murray定律的分支规律。[4]

🌍 工程应用：微流控与芯片器官：理解Murray定律，对工程师同样至关重要。设计体外微流控芯片（用于药物筛选的”芯片上的器官”）时，研究者需要人工构建模拟真实毛细血管网络的微通道。按照Murray定律设计的分叉几何，不仅能模拟真实血流，还能最大程度减少泵压需求，延长细胞存活时间。[9]

🌍 支架设计的分叉挑战：冠脉分叉病变（分叉处狭窄）是介入心脏病学里最棘手的技术挑战之一。Huo与Kassab的研究明确指出，分叉处的支架设计必须同时考虑口径规则和分叉角，才能在植入后维持最优的壁面剪切应力，降低支架内再狭窄风险。[9] Murray定律，正在成为心脏科医生和器械工程师的共同语言。

六、局限与前沿

Murray定律足够优雅，但真实的血管网络并不是数学教科书——它充满了各种”例外”。

❌ 常见误区1：Murray定律在所有血管中都精确成立。实际上，真实测量经常发现分支指数偏离3。Jessen等人的大规模模拟显示，全局优化目标、血液黏度变化、压降约束等都会造成局部分支指数波动。[5] 弹性蛋白不足（Eln+/−）小鼠的研究也表明，血管壁材料性质的改变，本身就会让最优几何”漂移”。[8]

❌ 常见误区2：分形维数越高，血管网络越健康。不同疾病、不同区域、不同方向的偏离，含义完全不同。低分形维数可能意味着网络稀疏（如卒中高危）；而某些肿瘤血管的分形维数反而异常升高（血管新生混乱）。解读分形维数，必须结合具体疾病背景。[16][20]

❌ 常见误区3：视网膜分形维数已经是独立临床诊断指标。目前的证据更多是”风险分层”和”生物标志物候选”，尚未进入常规临床实践。前瞻性研究显示了显著关联，但要成为诊断标准，还需要大规模干预研究和标准化测量方法。[17][21]

器官特异性是另一个重要挑战。肺动脉分支的最新研究表明，肺循环特殊的血流动力学环境可能导致分支规律明显偏离经典Murray定律，支持”器官特异性最优规则”的存在。[6] 不同的器官，可能有不同的”局部版本”最优解。

🚀 前沿方向：

  • AI辅助眼底分析：深度学习模型可自动从眼底照片提取分形维数和血管几何参数，有望将Murray定律相关的诊断工具推向大规模筛查应用。
  • 个体化血管优化：结合患者特异性血管造影数据和Murray定律框架，为冠脉分叉支架放置提供个体化几何建议。[11]
  • 发育生物学视角：血管胚胎发育如何”学会”Murray定律？这仍是未解之谜。约束性构造优化模型给出了一种可能的生长机制，但背后的细胞生物学机制有待深入。[7]
  • 跨物种与跨器官比较：不同动物、不同器官的分支指数系统性比较，可能揭示进化压力与生理约束如何共同塑造”最优”的含义。[6]
🎯 关键要点
  • Murray定律（1926）从”最小功”原理推导出血管分叉的立方律：母管半径三次方等于子管半径三次方之和，适度”增大”管腔以平衡流阻与代谢成本。
  • 血管分叉角度与口径共同决定局部血流模式；冠脉分叉偏离最优规则，与钙化程度增加直接相关，是动脉粥样硬化的局部风险预测指标。
  • 当局部Murray规律层层叠加，全身血管树涌现出分形组织结构；心肌、肺、骨骼肌微循环均有实测和模拟证据支持。
  • 视网膜分形维数是目前最具转化潜力的血管分形生物标志物：较低的分形维数与更高的卒中死亡风险、糖尿病视网膜病变发生风险、房颤/心衰患病率和动脉僵硬度相关。
  • Murray定律在河流水系、植物导管和微流控工程中均有对应——”最优运输网络”的数学结构，跨越了进化与工程的边界。
  • 真实血管不严格服从理想Murray定律：器官特异性、血管壁材料、非牛顿流变和全局约束均可导致偏离，视网膜分形维数目前仍是风险分层工具，而非独立诊断标准。

📚 参考文献

  1. Murray CD. The Physiological Principle of Minimum Work: I. The Vascular System and the Cost of Blood Volume. Proc Natl Acad Sci U S A. 1926. DOI: 10.1073/pnas.12.3.207. DOI
  2. Oka S, Nakai M, et al. Optimality principle in vascular bifurcation. Biorheology. 1987. DOI: 10.3233/BIR-1987-24624. PMID: 3502768. DOI
  3. Rosenberg E, Ropp C, et al. On deriving Murray’s law from constrained minimization of flow resistance. J Theor Biol. 2021. DOI: 10.1016/j.jtbi.2020.110563. PMID: 33359240. DOI
  4. Kopylova V, Khlebopros R, et al. Fundamental principles of vascular network topology. Biochem Soc Trans. 2017. DOI: 10.1042/BST20160409. PMID: 28620045. DOI
  5. Jessen E, et al. Branching Exponents of Synthetic Vascular Trees Under Different Optimality Principles. IEEE Trans Biomed Eng. 2024. DOI: 10.1109/TBME.2023.3334758. PMID: 37983147. DOI
  6. Altieri Correa S, et al. Revisiting Murray’s Law in Pulmonary Arteries: Exploring Branching Patterns and Principles. J Biomech Eng. 2025. DOI: 10.1115/1.4068886. PMID: 40489106. DOI
  7. Bao Y, et al. A constrained constructive optimization model of branching arteriolar networks in rat skeletal muscle. J Appl Physiol. 2024. DOI: 10.1152/japplphysiol.00896.2023. PMID: 38601995. DOI
  8. Sather B, et al. Murray’s Law in elastin haploinsufficient (Eln+/-) and wild-type (WT) mice. J Biomech Eng. 2012. DOI: 10.1115/1.4023093. PMID: 23363211. DOI
  9. Huo Y, Kassab GS. Which diameter and angle rule provides optimal flow patterns in a coronary bifurcation? J Biomech. 2012. DOI: 10.1016/j.jbiomech.2012.01.033. PMID: 22365499. DOI
  10. Schoenenberger A, et al. Deviation from Murray’s law is associated with a higher degree of calcification in coronary bifurcations. Atherosclerosis. 2012. DOI: 10.1016/j.atherosclerosis.2011.12.040. PMID: 22261173. DOI
  11. Tu S, et al. Diagnostic accuracy of quantitative flow ratio for assessment of coronary stenosis significance from a single angiographic view: A novel method based on bifurcation fractal law. Catheter Cardiovasc Interv. 2021. DOI: 10.1002/ccd.29592. PMID: 33660921. DOI
  12. Bennett SH, et al. Role of arterial design on pulse wave reflection in a fractal pulmonary network. J Appl Physiol. 1996. DOI: 10.1152/jappl.1996.80.3.1033. PMID: 8964721. DOI
  13. Beard DA, Bassingthwaighte JB. The fractal nature of myocardial blood flow emerges from a whole-organ model of arterial network. J Vasc Res. 2000. DOI: 10.1159/000025742. PMID: 10965227. DOI
  14. Essay M, et al. Fractal analysis of concurrently prepared latex rubber casts of the bronchial and vascular systems of the human lung. Open Biol. 2020. DOI: 10.1098/rsob.190249. PMID: 32634372. DOI
  15. Tălu S, et al. Fractal analysis of normal retinal vascular network. Oftalmologia. 2011. PMID: 22642130. PubMed
  16. Popovic N, et al. Regional Patterns in Retinal Microvascular Network Geometry in Health and Disease. Sci Rep. 2019. DOI: 10.1038/s41598-019-52659-8. PMID: 31705046. DOI
  17. Cheung CY, et al. Retinal vascular fractal dimension and its relationship with cardiovascular and ocular risk factors. Am J Ophthalmol. 2012. DOI: 10.1016/j.ajo.2012.04.016. PMID: 22840482. DOI
  18. Gopinath B, et al. Retinal Vascular Geometry and the Prevalence of Atrial Fibrillation and Heart Failure in a Clinic-Based Sample. Heart Lung Circ. 2019. DOI: 10.1016/j.hlc.2018.06.1056. PMID: 30224171. DOI
  19. Ma D, et al. The role of retinal vessel geometry as an indicator of systemic arterial stiffness assessed by cardio-ankle vascular index. Front Cardiovasc Med. 2023. DOI: 10.3389/fcvm.2023.1139557. PMID: 37416921. DOI
  20. Liew G, et al. Retinal Vasculature Fractal and Stroke Mortality. Stroke. 2021. DOI: 10.1161/STROKEAHA.120.031886. PMID: 33611944. DOI
  21. Forster R, et al. Retinal venular tortuosity and fractal dimension predict incident retinopathy in adults with type 2 diabetes: the Edinburgh Type 2 Diabetes Study. Diabetologia. 2021. DOI: 10.1007/s00125-021-05388-5. PMID: 33515071. DOI