PNAS：大尺度静息态脑网络的整合、分离和平衡配置不同的认知能力

摘要：不同的认知过程对局部分离和全局整合的大脑活动提出了不同的要求。然而，静息状态下的大脑如何配置他们的功能性组织，以平衡网络分离和整合的需求，以最好地服务于认知，这仍然是一个有待解决的问题。本文采用一种基于特征模式的方法来识别脑功能网络中的层次模块，并量化网络分离与整合之间的功能平衡。在大量健康青年样本(n = 991)中，我们将全脑静息状态功能磁共振成像(fMRI)数据与扩散张量成像得出的结构网络的平均场模型结合起来，证明静息状态的大脑网络平均接近平衡状态。这种状态允许在分离和整合配置和高度灵活的切换之间有一个平衡的时间保持。此外，我们利用结构方程模型估计了9个任务的一般和特定领域的认知表现型，并证明网络分离、整合和它们在静息大脑中的平衡预测了不同认知表现型的个体差异。更具体地说，较强的整合能力与较强的一般认知能力有关，较强的分离培养固定智力和处理速度，个体趋向平衡支持更好的记忆。我们的研究结果对大脑支持不同功能需求和认知能力的功能原理提供了全面和深入的理解，并推进了现代网络神经科学的人类认知理论。

1.  简述

      大脑动态地重构其功能组织以支持不同的认知任务表现。研究发现，不同的认知任务对分离和整合有不同的要求。较高的分离度与简单的运动任务有关，而较高的整合度似乎是在具有沉重认知负荷的任务中表现的基础。然而，如何配置大脑的功能组织来支持对不同认知过程的分离和整合的异质需求仍然是一个巨大的挑战。

      独立于特定的任务需求，静息态大脑的功能组织可以反映相关的任务诱导的活动模式，从而预测任务表现。新出现的证据表明，静息状态和任务状态下功能模式的较小差异可以促进更好的认知表现。由于不同的认知任务对分离和整合有不同的要求，因此人们期望休息时的大脑功能组织具有支持不同认知过程的内在能力。此外，先前的研究表明，健康的静息态大脑在一个临界状态附近运行，从而使大脑具有快速探索和切换具有大量操作库的状态空间的能力。因此，静息的大脑应该平衡分离和整合，以满足竞争的认知需求。然而，这一理论仍然缺乏关于静息的大尺度大脑网络是否存在分离与整合之间的平衡，以及功能平衡是否与个体认知能力差异有关的经验证据。

      到目前为止，大多数静息时大脑功能配置和认知能力之间的关系都是基于单任务，这些任务只评估认知的特定方面。一般认知能力和领域特定的认知能力在不同心理学中基于多重任务的潜在水平上建模。

      这些潜在的认知能力是对同一领域任务的概括，可以解释测量误差，因此，它们更适合揭示人类认知个体差异的神经基础。最近，一个跨学科的网络神经科学理论(NNT)提出了一个基于系统拓扑特征和大脑网络动力学来研究认知能力的神经基础的一般框架。根据NNT的研究，大脑网络以易于到达的状态运作，服务于晶体智力，而难以到达的状态则需要流动智力。

      一般认知能力是流动智力和晶体智力的统计总结，被认为是由上述网络状态之间的灵活切换能力所促进的，即局部处理和全局处理之间的最佳平衡。这些预测仍然建立在脆弱的经验基础之上。阐明功能平衡与不同认知能力之间的关系对于确认和重构NNT至关重要，特别是关于静息状态下大脑的功能平衡是否有利于个体的一般认知能力的问题。

      在这些问题得到可靠的回答之前，必须明确地定义和量化大规模大脑中分离和整合之间的平衡。脑功能连接(FC)网络的模块结构为模块内部的特殊信息处理和模块之间的整合提供了基础。虽然许多研究采用了基于单一层次模块的测量方法来研究功能分离与整合，但关于大脑功能组织平衡的实证证据仍然缺乏。事实上，大脑FC网络是分层组织的。这样的组织可能支持跨多个层次的嵌套隔离和集成。然而，在单个级别上应用的经典模块化分区不允许跨多个级别检测分层模块。这种不足似乎是缺乏对隔离和整合之间的平衡的可靠的定量定义的主要原因。

      在这里，我们明确地确定了基于静息态大脑FC网络的层次模块的功能平衡，并在来自华盛顿大学明尼苏达大学联盟(WU-Minn)人类连接组项目(HCP)的991名健康年轻人样本中探索了与不同认知能力的关联。使用我们之前发表的基于特征模式的嵌套谱划分(NSP)方法，我们首先检测FC网络中的层次模块，提出了一种显式的平衡测度。其次，我们结合真实数据和高斯线性模型来证明在静息状态下组平均大脑的功能平衡。然后，我们研究了个体在分离状态和整合状态之间的平衡差异及其与时间转换的关系。最后，我们应用结构方程模型(SEM)来评估一般认知能力和领域特定认知能力的潜在因素，并研究分离、整合和平衡如何配置它们。

2.  结果

2.1  FC网络中的层级模组

      因为fMRI时间序列长度会影响FC网络特征，我们串联4个扫描sessions的数据，所有被试获得一个稳定的360脑区的FC网络（图1A）。采用NSP方法，根据功能模式(特征值Λ和特征向量U)检测FC网络中的层次模块，功能模式由Λ降序来排列。在第一级，对应于每个区域具有相同符号的第一个特征向量(图1B)，稳定的平均FC网络具有最大的共激活模式，有效地将整个大脑纳入到单个模块中(图1C)。在第二级，大脑区域被划分为两个大模块，分别对应于第二特征向量中的正负符号(图1B)。这种功能分区模式与脑前区和脑后区几乎一致(图1C)，说明第二模式反映了大脑前、后功能系统的模块化划分。根据第三个特征向量的负性和正性，将第二层的每个模块进一步细分为第三层的两个模块(图1B)。紧接着，随着功能模式的排列，FC网络被模块化地划分为多个级别。分层划分的FC网络，模块内部的平均连接权值高于多层模块之间的平均连接权值(图1A)，清晰地体现了FC网络的分层模块。

图片

图1 FC网络的层级分离和整合

2.2 FC网络的层级分离和整合

      脑FC网络的层次结构模块涉及区域间分层分离和整合的交互作用。在特定的层次上，一个模块内具有相同特征向量分量符号(如负或正)的区域被共同激活以实现功能集成，而相反的区域激活(如负和正符号)则表示模块之间的分离。小的隔离模块在高阶层(例如，i模块)的集成导致在低阶层(即，i-1模块)形成一个更大的模块，这进一步产生与其他大模块在这个低阶层的隔离。因此，功能隔离和集成是错综复杂地相互关联的，并且在多个层次上以嵌套的方式分层组织。

      我们定义了一个加权模块数Hi来量化嵌套的隔离和集成。第一层次的功能成分测量了全球集成度，且被表示为整合成分HIn。所有高阶层功能成分量化了层级分离，且被加起来得到分离成分Hse的总体度量。

      为了验证HIn和HSe的有效性，我们在结构连通性(SC)网络上实现了高斯线性过程，并在足够长的时间框架下产生了模拟的单个FC矩阵。

      在模型中间耦合时(即c = 70)，模拟的FC网络与经验FC网络最为相似。这种相似性表现为相同的平均相关性、真实FC矩阵与模拟FC矩阵之间的距离最小、区域程度差异最小、相同的特征路径长度、聚类系数和全局效率(图2 C和D以及SI附录，图S1)。这些结果表明，静止的大脑对应于高斯模型中临界耦合(c = 70)的动态点。

      对于小的耦合(例如，c = 20)，大脑区域是相对独立的，形成稀疏的FC网络(图2A)，这可以通过接近零的相关值来说明(图2B)。这种状态只能支持分离活动，不足以用于大规模集成。相对应的，分离成分Hi(i≥2)值较高，而整体一体化成分较小(图2B)。相比之下，对于强耦合(例如，c = 120)，大脑区域紧密连接，形成全局同步模式(图2A)，从分布于1的相关值可以看出(图2B)。这种大规模的同步招募了整个大脑，表现出高整合成分H1和小分离成分(图2B)。这种状态不允许专门活动。因此，在从异步状态到同步状态的动态过渡期间，全局集成增加，隔离减少，这与经典的基于图的模块化降低和参与系数增加的度量一致(图2 E和F)。这一动态转变可以用增加的HIn和降低的HSe来很好地描述(图2G)，说明HIn和HSe分别在表征分离活性和综合活性方面的有效性。

2.3 大尺度静息态网络的分离-整合平衡

      有趣的是，在高斯模型下，HIn和HSe曲线相交于临界耦合c =70处(图2G)。因此，HB=HIn-HSe整合和分离之间的竞争从负值增加到正值，并在c = 70时超过零(图2H)，表明高斯模型中分离和整合之间的理论平衡。这种平衡系数不会被基于单水平模块上模块度和参与系数的单调变化而揭示(图2 E和F)。最重要的是,健康年轻人的静息态脑接近于平衡状态，HB在现实稳定FC网络接近零(HB = 0.106;图2 h)。事实上，功能磁共振信号不可避免地包含来自神经活动以外的各种来源的测量噪声，这将人为地将更多的分离成分带入真正的FC网络。然而，静息状态下的大脑对应于高斯模型中的临界耦合(c = 70)，理论上存在分离与整合之间的平衡。因此，我们的研究结果提供了理论和实证证据，表明在群体水平上，处于静息状态的健康年轻大脑倾向于在隔离和整合之间保持一种平衡。

图片

图2 层级分离和整合之间的平衡

2.4 分离-整合平衡的个体差异

       为了研究个体在分离集成能力方面的差异，我们从四个串联的功能磁共振成像sessions构建了个体静态FC网络。对单个FC网络中的分离和集成成分进行了校准，以克服较短的功能磁共振成像系列对分离、集成及其平衡的影响。这种校准恢复了人与人之间的平衡，适合调查大脑测量和认知能力之间的内在关系。

      在一个具有稀疏FC网络的个体中，大脑区域相对于他们的功能激活是分离的，因此，他们产生了一个很强的分离成分(大的阴性HB;图3A-C)。HB可能提供了一个是个人的倾向隔离与整合的更有效代表，有更大的潜力与认知能力相联系。

图片

图3 分离-整合平衡的个体差异

2.5 平衡支持分离和整合状态之间的灵活动态切换

      为了研究分离状态和集成状态之间的时间切换，我们计算了时域动态FC网络。动态FC网络中每个个体的平均分离和积分分量也被校准为相应的个体静态值，从而获得了不同状态之间柔性转换的数据长度无关的度量。分离状态和整合状态之间的转换模式在个体之间有显著差异(图4)。

图片

图4 功能平衡支持更频繁的状态切换

2.6 分离、整合和它们的平衡预测不同的认知能力

      为了研究个体间的分离、整合及其平衡与不同认知能力之间的关系，我们采用SEM。本研究从推理、晶体化智力、处理速度和记忆等9个具体任务表现指标来评估一般认知能力和3个领域特定认知能力的潜在因素。

      在整个样本，我们分别测试了不同网络测度（HB,HSe,DSe）之间的线性相关性和认知能力因素（图5）。三个认知能力（一般认知、晶体智力、处理速度）显著与脑测度相联系（图5B）。记忆因素与任何考虑的脑测度均无线性联系（图5A）。然而，一种非线性关系可能存在，因此记忆可能最强烈地促进功能平衡。为了检验这一非线性，我们将整个样本分为隔离(SG)、平衡(BG)和整合(IG)组，并采用多组SEM研究了他们之间的潜在能力差异。对于特定的分区(图5C)，三组认知能力的潜在均值存在显著差异(P = 0.048)。

      重要的是，上述报告的组差异对于分成三个组的不同分区是可靠的。进一步将BG划分为两组(即分成四组)也得到了等价的结果。这些发现提供了强有力的证据，表明较高的一般认知能力与较强的整合能力有关，较高的晶态智力和处理速度依赖于较强的分离，个体在休息期间在分离和整合之间的平衡中记忆力最强。

图片

图5 结构方程模型中脑-行为相关性

3.  讨论

      通过提出大脑FC网络的分层模块方法，明确地确定了分离与整合之间的功能平衡。利用大规模WU-MinnHCP数据集和高斯线性模型，我们提供了静息的健康年轻大脑平均接近平衡状态的理论和经验证据。

      这种状态允许大脑频繁地在隔离和集合配置之间切换。与单一层次的基于图表的网络测量方法相比，我们的方法更有效地揭示了隔离、整合及其平衡在个体不同认知能力中的复杂作用。更高的整体整合促进了一般的认知能力，更好的晶体化智力和处理速度与更高的分离相关，记忆从趋向平衡中获益。我们的研究结果不仅有效地分析了脑FC网络中的层次模块，而且揭示了静息状态下的大脑通过将功能组织配置为分离、整合或平衡来支持不同的认知需求的功能原理。