结构-功能脑网络耦合预测人类认知能力

摘要：一般认知能力(GCA)的个体差异在人脑的结构和功能中具有生物学基础。网络神经科学揭示了GCA在结构和功能脑网络中的神经相关性。然而，结构网络和功能网络之间的关系，即结构-功能脑网络耦合(SC-FC耦合)是否与GCA的个体差异有关，仍然是一个悬而未决的问题。我们使用了来自1030名成人的人类连接组项目数据，通过扩散加权成像获得结构连通性，通过静息状态fMRI获得功能连通性，并评估了GCA作为12项认知任务的潜在g因子。两个相似性测量和六个通信测量被用来模拟可能的功能相互作用产生的结构脑网络。在全脑水平上，较高的GCA与较高的SC-FC耦合相关，但仅在将路径传递性作为神经通信策略时才如此。考虑到SC-FC耦合策略的区域特异性变化，并区分与GCA的正相关和负相关，可以在交叉验证的预测框架中预测个体认知能力得分。同样的模型也可以预测完全独立样本的GCA评分。我们的研究结果提出结构-功能脑网络耦合与GCA的神经生物学相关联，并提出脑区域特异性耦合策略是预测认知能力的神经基础。

1. 引言

人类的一般认知能力（GCA）水平各不相同，通常通过智力测量来评估。尽管GCA通常可以互换地称为一般情报，GCA代表了一种相当模糊且通常定义不清的认知功能结构，而一般智力的心理学概念与其他智力概念不同，并且具有更精确的理论基础。具体来说，它基于以下观察结果：各种认知任务的绩效分数彼此正相关，即存在正流形。根据智力的g因子理论，每项任务的表现由一般智力决定，反映了所有任务共有的潜在心理能力维度，并由特定因素决定这对于每个给定任务都是唯一的。过去几十年的研究表明，一般智的个体差异与重要的生活结果有关，包括学术和职业成就，社会经济地位，甚至与健康和长寿。尽管完整的大脑结构和大脑功能对于有效认知至关重要，但GCA个体差异背后的神经生物学机制仍然难以捉摸。智力网络神经科学理论认为，不仅不同大脑区域的结构和功能，而且尤其是它们之间的相互作用和信息流对于解释智力的个体差异至关重要。这种概念模型与心理学理论密切相关，心理学理论假设GCA是由几个基本认知过程的协调作用引起的。

功能性脑网络连接的特征也与GCA有关，例如，与高级认知功能有关的大脑区域的效率和模块化。然而，两种模式的对齐（SC-FC耦合）与GCA的关系尚未得到研究。虽然SC和FC相关（即耦合），但存在不完全的对应关系。已经开发了各种方法来估计SC-FC偶联的量，包括统计模型，生物物理模型和沟通模型。一种直接的统计方法是通过关联结构和功能连接矩阵来直接比较这两种模式。然而，这种方法的主要挑战之一是SC表示仅捕获直接解剖连接的稀疏矩阵，而FC表示捕获所有成对相互作用的完整矩阵，而不考虑直接解剖连接。克服这个问题需要一个神经动力学模型，该模型可以应用于稀疏的SC矩阵，并近似于结构上没有直接连接的大脑区域之间的关系。相似性测量是此类模型的一种类型，它表达了所有可能的大脑区域对之间结构连接的相似性。它们的应用导致几乎完全连接的相似性矩阵，从而弥合了大脑结构和功能之间的差距。生物物理模型考虑了合理的生物学机制来模拟 SC和FC之间的联系，但计算成本高昂。最后，网络通信模型是基于神经通信的特定策略（例如，最短路径路由、扩散或导航）从SC估计神经动力学的另一种方法。与相似性度量的情况一样，这种方法还导致几乎完全连接的通信矩阵（从SC计算），然后可以与实际的FC进行比较，因此这两种方法都允许对SC-FC耦合进行有效检查。

更具体地说，通信测量量化了特定通信模型提出的信号传导策略下成对大脑区域之间的通信难易程度。与仅量化SC-FC耦合量的统计方法相比，通信测量与实际 FC 重叠的程度提供了对不同神经通信过程的见解。对沟通模型研究 SC-FC 耦合效用的支持来自于研究报告称，当设置与 FC 相关的通信措施而不是原始 SC 时，耦合强度得到改。最后，还提出了沟通模型作为分析个体差异的 SC-FC 耦合的有前途的手段。

在这里，我们系统地检查了来自人类连接组项目的1030 名成年人样本中 GCA 和 SC-FC 偶联之间的关联。首先，我们在大脑平均水平上测试了GCA和SC-FC耦合之间的潜在关联。其次，开发了一个经过交叉验证的预测框架，该框架考虑了偶联策略中特定区域的变化，以及与GCA的正负相关。评估了该模型预测以前看不见的参与者的个人认知能力得分的能力。最后在独立的重复样本中重复所有分析，并通过跨样本模型泛化检验评估预测模型的泛化性。

2. 方法

2.1 预注册

在开放科学框架中预先注册了感兴趣的分析计划和变量：https://osf.io/wr9aj。请注意，与我们的预注册不同，HCP 被用作主要样本，因为初始样本不包含计划分析所需的所有数据，并且拥有超过 1000名受试者的好处对于开发交叉验证的预测框架至关重要，后者增加了结果的稳健性并允许估计我们研究结果的普遍性， 但最初没有计划。此外，还包括一个额外的外部复制样本（AOMIC）。进一步注意，为了保持明确的重点，我们还偏离了我们的预注册，只报告了第一个提出的假设的结果，而其他假设则侧重于额外的认知测量和潜在的中介因素将在单独的出版物中讨论。

2.2 参与者

主要分析是在 HCP 年轻成人样本 S1200 中进行的，包括 1200 名年龄在 22-37 岁的受试者。根据通过逐帧位移测量的扫描仪内头部运动排除了受试。在Parkes等人之后，扫描a）平均帧位移超过0.2毫米，b）运动尖峰大于20%的比例，c）任何超过5毫米的尖峰都被移除。由此产生的样本被称为主要样本，由 1030 名受试者组成（年龄范围 22-37 岁，555 名女性，935 名右撇子，平均年龄 = 28.7 岁）。

2.3 一般认知能力（GCA）

GCA作为12种认知测量的潜在 g 因子（表 1）。g因子的计算方法如Dubois等人所述，使用基于Schmid-Leiman变换的简化双因子分析。

表1 用于计算潜在 g 因子作为 GCA 估计值的认知测试和测量

图片

2.4 数据采集和预处理

MRI 数据是在带有32 通道头部线圈的西门子 Skyra 3T 扫描仪上通过梯度回波 EPI 序列采集的。fMRI 扫描以多切片加速度获得。对于功能性脑网络连接（FC）估计，使用来自HCP的最低限度预处理的静息态fMRI数据。作为额外的去噪策略，应用了 Parkes 等中解释的干扰回归，其中包含 24 个头部运动参数、来自白质和脑脊液的 8 个平均信号以及 4 个全局信号。为了估计结构脑网络连接 （SC），我们使用了来自最低预处理 DWI 的数据，其中包括偏差校正、通过约束球面反卷积对白质纤维进行建模和组织归一化。进行了概率流线图，以通过终止于灰质的白质呈现流线。此外，对流线进行过滤以仅保留符合扩散图像中估计的白质方向的流线。

2.5 功能和结构性脑网络连接

根据 Glasser 等人的多模态包裹方案，首先将大脑划分为 360 个皮层区域，从而构建了功能和结构性大脑网络。请注意，两个大脑区域（左海马体和右海马体）被排除在外，因为它们在预处理管道中被视为皮层下区域，从而产生了 358 个区域（即节点）。使用从所有可能的大脑区域对中提取的 BOLD 时间过程之间的 Fisher z 变换 Pearson 相关性来计算个体特异性 FC 矩阵。首先为所有可用的静息态扫描分别构建FC矩阵，然后取平均值。SC矩阵是对称的，由所有大脑区域对之间的SIFT2流线密度权重定义。

2.6 SC-FC耦合

通过将每个单独的 FC 矩阵与八个矩阵进行比较来操作 SC-FC 耦合。这八个矩阵是基于单个SC矩阵计算的，使用两种主要方法来模拟SC产生的潜在功能相互作用，即相似性和通信模型。表2简要说明了所有这些相似性和通信措施。

表2 概述用于操作结构-功能脑网络耦合的两种相似性测量和六种通信测量

图片

对于相似性和通信矩阵的计算，我们遵循 Zamani Esfahlani 等人提供的示例，应用大脑连接工具箱中的函数。为了计算受试者和大脑区域特异性的SC-FC耦合值，我们分别将每个人的相似性和交流矩阵与他们的FC矩阵进行了比较。这是通过将相应相似性或通信矩阵的所有区域连接配置文件与 FC 矩阵的相应区域连接配置文件相关联来完成的。八次比较中的每一个都产生了 358 个单独的耦合，从而产生八种近似 SC-FC 偶联的不同度量，称为偶联度量。该过程的工作流程如图 1 所示。

图片

图1 推导 SC-FC 脑网络耦合的八种不同度量的工作流程

2.7 耦合措施的分组

为了更好地理解底层信号传输过程，根据每个底层通信模型提出的特定信号传输策略的概念相似性，对通信矩阵与FC矩阵比较得出的六种耦合度量进行了分组。具体来说，不同的神经通信模型可以放置在一个频谱上，这取决于每个通信过程发生所需的信息量。一端是需要充分了解网络拓扑的路由过程，另一端是仅基于局部属性运行的扩散过程。因此，耦合措施被分为 a） 基于扩散的耦合措施（可通信性、平均首次通过时间和流图），b） 基于路径可及性的耦合措施和 c基于路由的耦合措施（路径长度）。基于相似度的耦合度量（余弦相似度和匹配指数）被视为单独的组。

2.8 整个皮层的SC-FC耦合强度

通过首先确定每个大脑区域的相似性或通信测量来分析整个皮层的SC-FC 耦合强度模式，该区域能够最频繁地解释最高方差在所有参与者的 FC 中。随后使用这种组通用面罩提取单个大脑区域特异性耦合值，然后对所有参与者进行平均，以可视化整体 SC-FC 耦合模式。请注意，根据 FC 中最高解释方差选择特定区域耦合度量的方法仅用于可视化目的，而不用于进一步的统计分析。

2.9 脑平均SC-FC耦合

通过取所有 358 个区域特异性个体耦合，用于八种耦合措施中的每一种，以前通过关联特定区域的连通性配置文件（如上所述）来计算。因此，我们获得了每个参与者的八个大脑平均耦合值，每个耦合测量一个。

2.10 脑平均SC-FC偶联与GCA之间的关联

为了评估大脑平均 SC-FC 耦合与 GCA 个体差异之间的关系，计算了认知能力评分与个体大脑平均耦合值之间的部分相关性，控制了年龄、性别、惯用手和扫描仪内头部运动的影响（操作为平均逐帧位移）。统计学显着性在 p < .05 处被接受，我们通过应用 Bonferroni 校正校正了多个比较。

2.11 区域特异性SC-FC偶联与GCA之间的关联

由于之前的报告显示，首选的沟通策略在不同大脑区域之间差异很大，我们接下来开发了一种方法，通过考虑这种变化，在大脑区域特定水平上研究 SC-FC 偶联与 GCA 之间的关联。对于每个耦合措施产生8个相关系数，每个脑区域反映了八种偶联措施与 GCA 的脑区域特异性关联。这种方法的一个主要目标是检查每个大脑区域的哪种耦合测量最能或最不能解释 GCA 的个体差异。同样，计算了部分相关性，控制了年龄、性别、惯用手和扫描仪内头部运动。因此，相关方法会导致大量的比较并且容易过度拟合，开发了一种交叉验证的预测建模方。

我们的预测模型的特征是个体和大脑区域特异性耦合，这是根据组平均节点测量分配 掩码选择的。这种群体掩码反映了与GCA相关的偶联策略的一般区域特定偏好。更具体地说，基于相关系通过对每个脑区的区域特异性SC-FC耦合和GCA的分析，选择了与GCA具有最大正负幅度关联的耦合措施。每个掩码都为一个大脑区域分配一个耦合测量值，从而确定哪个（八个）单独的耦合值作为给定大脑区域预测模型的输入（图2A）。

为了测试我们结果的稳健性，所有分析都在一个完全独立的样本中重复，该样本在GCA的测量、数据采集和预处理方面有所不同。具体来说，我们使用了来自ID1000样本的数据，该样本由19-26岁的健康受试者组成。所有 MRI 数据均在配备 32 通道磁头线圈的飞利浦 Intera 3T 扫描仪上使用梯度回波 EPI 序列采集。记录了 3 次弥散加权扫描和 1 次功能性 MRI 扫描。重要的是，在这个样本中，没有进行静息态fMRI扫描，因为参与者正在被动地观看由平淡无奇的自然场景组成的电影剪辑，这些场景已被证明可以很好地近似内在连。FMRI扫描是在没有多切片加速的情况下获得。fMRI数据以最低限度的预处理形式下载，并进一步进行与主样本类似的预处理。结构成像数据来自扩散加权成像，并使用应用于 HCP 数据的相同步骤进行预处理，以模拟白质纤维，但使用最大球谐波阶数6。GCA 通过既定的智力测量，即智力结构测试实施，评估语言、数字和形象能。更具体地说，使用了结晶智力、流体智力和记忆这三个措施的总和分数。在基于缺失的人口统计学、神经影像学或行为数据排除受试者、结构图像质量低和基于逐帧位移的运动排除后，567 名受试者仍留在复制样本中。

最后，进行了跨样本模型泛化检验（图2c）。具体来说，我们评估了我们的预测模型是否考虑了主样本 （HCP） 中内置的 SC-FC 偶联类型的区域特定变化，也可以预测复制样本 （AOMIC） 中的个体认知能力分数。通过将预测值与观察到的认知能力分数相关联来评估模型性能。通过排列检验评估预测的显着性。具体来说，主样本 （HCP） 中的认知能力分数是置换的，模型是用这些置换分数训练的。然后，将使用真实值训练的置换分数训练的模型的预测性能与模型性能进行比较。此过程重复了 1000 次。通过评估在排列值上训练的模型在预测观察到的分数方面更好的频率来计算指示统计显着性的 p 值。

图片

图2 预测建模框架的工作流程，用于从特定区域的 SC-FC 耦合中预测个人认知能力分数。

3. 结果

3.1   一般认知能力与SC-FC耦合

通过双因素分析，将个体 GCA 作为 12 个认知评分的潜在 g 因子操作。使用来自 HCP 的 1086 名受试者的数据。在复制样本中，使用智力结构测试评估认知能力。两种测量值均近似呈正态分布。在HCP中，g因子范围在-2.60和2.40之间，在复制样本中，IST 总分在78到295之间。

个体特异性 SC-FC 脑网络耦合使用与每个个体的 FC 相关的两个相似性测量和六个通信测量。通过首先确定每个大脑区域的相似性或通信测量来计算组平均 SC-FC 耦合图（图 3），该区域能够最频繁地解释最大方差在相应区域的所有参与者的功能连接配置文件中。随后，该组通用掩模用于提取单个大脑区域特异性耦合值（R2），然后在受试者中取平均值。与以前的报告一致，在躯体运动和视觉区域观察到最高的耦合（平均最大值R2∼ 0.3），而顶叶和颞区耦合最低（平均最大值R2∼ 0.075）。请注意，这里使用的方法（根据最高耦合强度选择测量值）允许每个大脑区域选择的测量值的个体变异性仅用于可视化目的（图3），但不用于进一步的统计分析。

图片

图3 SC-FC耦合强度的组平均全脑模式。

3.2 一般认知能力与脑平均SC-FC耦合具有路径传递性

GCA与脑平均SC-FC耦合（每个耦合测量的所有区域耦合值的受试者特异性平均值）显着相关，该耦合与通信测量路径传递性相关。脑平均耦合与GCA之间的所有其他关联效应量可以忽略不计，并且没有达到统计学意义。

3.3 一般认知能力与SC-FC耦合之间的关系因不同大脑区域而异

由于先前的研究表明，大脑区域之间首选的沟通策略不同，我们接下来开发了一个交叉验证的预测框架。预测模型的特征是个体的大脑区域特异性耦合值，通过应用组平均节点测量分配掩码来选择。对于内部交叉验证的预测模型，我们为每个训练样本计算了一个具有最大正值的 NMA 模板和一个具有最大负幅度关联的 NMA 模板。这些基于训练样本的掩码用于相应测试样本的所有受试者，以提取个体特异性的耦合值，然后分别对阳性和负性个体 NMA 进行平均并表示模型特征。对于跨样本模型泛化检验，根据来自完整主样本的数据生成额外的 NMA 掩码。图4a中显示了后一种掩模，并证实了GCA相关的耦合类型以及相关的耦合强度（图5）在整个皮层中变化。对于阳性 NMA，额叶区域耦合最高，而躯体运动和视觉区域耦合最低。对于阴性NMA，在躯体运动和视觉区域检测到最高的耦合，而在顶颞区观察到最低的耦合。值得注意的是，由于特定区域的测量（最终定义预测模型特征，即基于这些测量提取的单个耦合值）是根据它们与一般认知能力的关联来选择的，因此创建 NMA 掩码作为研究哪种耦合测量最能或最不能解释 GCA 个体差异的手段。

图片

图4 一般认知能力与大脑区域特异性 SC-FC 偶联有关

图片

图5 与跨样本模型泛化检验中使用的节点测量分配 （NMA） 掩码相对应的组平均区域特异性 SC-FC 脑网络耦合强度。

为了更好地可视化NMA掩码中耦合措施的分布，根据概念相似性将8种耦合措施分为a）基于扩散的耦合措施，b）基于路径可及性的耦合措施，c）基于路由的耦合措施和d）基于相似性的耦合措施。分组的阳性NMA掩模显示，基于结构连接谱相似性的耦合措施主要选择在背颞区，基于路径可达性的耦合措施主要针对额叶区域，但也针对广泛分布的一组大脑区域选择（图4b）。分组的负NMA显示，基于相似性的耦合措施很少被选择，而基于扩散的耦合措施被选择用于许多大脑区域，特别是在额叶脑区域（图4b）。

3.4 区域特异性SC-FC耦合预测

基于线性回归的预测模型具有两个预测因子，即每个个体的阳性NMA和每个个体的负NMA的大脑平均值，成功地显着预测了个体认知能力得分。

3.5 外部重复研究结果的稳健性与模型的可推广性

为了确保我们的研究结果是稳健的并可推广到人群，所有分析都在一个独立的样本中重复。与主样本类似，一般认知能力与路径传递性操作的大脑平均耦合显着呈正相关。同样，所有其他脑平均耦合指标与GCA没有显著相关性。

通过跨样本模型泛化检验测试模型泛化性。为此，使用完整的主样本构建模型，然后使用复制样本的输入数据（图2c）测试预测模型。基于 HCP 数据的模型也能够在 AOMIC 样本中显着预测个体认知能力得分。

3.6 事后分析

首先，由于 GCA 与总脑容量显着呈正相关，在我们的样本中，个体认知能力得分确实与总颅内容积显着相关，所有分析都以总颅内容积作为额外的控制变量重复。研究脑平均耦合与GCA之间关系的相关结果高度相似。此外，在 5 倍交叉验证的预测框架中，预测和观察到的认知能力得分之间的相关性仍然显着。

其次，组平均 SC-FC 耦合模式（图 3）表明与单模态神经处理相关的大脑区域的 SC-FC 耦合总体较高，而与多模态处理相关的区域的耦合较低。此外，组平均节点测量分配掩码 （图4）还指出了单模态和多模态大脑区域之间的差异。结果表明，在正NMA中，基于路由的测量主要选择在多模态区域，而在单峰区域中经常选择基于相似性的测量（即Margulies梯度值的负组平均值）。在负NMA中，在多模态区域选择了基于相似性的测量，而在单模态区域选择了基于路径的测量。

第三，确保在fMRI预处理中应用的全局平均信号回归不会影响结果。因此，实施了控制分析，其中 SC-FC 耦合的操作与主要分析类似，但 fMRI 预处理是在没有全局信号回归的情况下进行的。两种预处理策略的结果非常相似。在整个样本中，还重新计算了基于组的阳性和阴性NMA掩模。最后，在基于区域特异性 SC-FC 耦合的信息开发的 5 倍交叉验证预测模型中，预测和观察到的认知能力分数之间的相关性具有可比性：r = 0.25 vs. r = 0.23，通过排列检验均为 p < .001。总体而言，这些结果表明，在 fMRI 预处理过程中应用全局信号回归既不会显着影响区域特异性 SC-FC 耦合模式，也不会显着影响与一般认知能力的关联。

第四，我们测试了哪些特定特征推动了预测模型的性能。为了回答是否存在单一的沟通措施的问题，我们在主样本中重新运行了内部交叉验证的预测模型，并一次从选择过程中排除了一个措施（创建正或负NMA）。预测表现都在相似的范围内。揭示了不存在优于其他策略的特定耦合策略。此外，我们感兴趣的是预测模型的显著性能是否取决于正网络特征、负网络特征，还是两者兼而有之。因此，我们在主样本中重新运行了内部交叉验证的预测模型，同时一次排除了两个特征之一。仅使用与 GCA 正相关的耦合测量的信息仍然能够显着预测个体一般认知能力分数，而仅使用与一般认知能力负相关的耦合测量信息并不能显着预测 GCA 的个体差异。然而，将这两个特征结合起来产生了最佳的预测性能，并揭示了SC-FC 偶联和 GCA 的关系，扩展了以前的报告。

由于特定区域的 SC-FC 耦合数据中的异常值可能会影响预测模型的性能，特别是因为特征是通过取所有值的平均值来构建的，因此我们最后实施了两个额外的控制分析，以确定情况并非如此。在正 NMA 中所有单个区域特异性偶联值 （1030×358） 中，相对于来自同一大脑区域的其他偶联值的异常值百分比为 0.42%，而在负 NMA 中，相应的百分比为 0.36%。这些百分比与正态分布数据中的预期值一致。尽管如此，我们通过重新运行内部交叉验证的预测模型来测试异常值对预测模型性能的任何潜在剩余影响，同时在计算用作模型特征的单个平均值之前消除训练特定样本和测试特定样本的单个 NMA 中的异常值。正如预期的那样，去除这些异常值对预测性能没有明显影响。

4. 讨论

本研究的目的是调查结构功能脑网络耦合（SC-FC 耦合）的个体差异是否与一般认知能力（GCA）的个体差异相关。我们使用了来自人类连接组项目，并具有两个相似性度量和六个通信度量的可操作 SC-FC 耦合。在全脑水平上，较高的GCA与更强的SC-FC耦合相关，但仅适用于作为通信策略的路径传递性。通过关注耦合测量中大脑区域的特异性变化以及考虑与 GCA 的正相关和负相关，我们表明可以在交叉验证的预测框架内从 SC-FC 耦合中预测个体认知能力分数。值得注意的是，所有分析都是在独立样本中重复的，在主样本中构建的预测模型也成功地显着预测了复制样本中的认知能力得分，共同表明研究结果的高度稳健性和预测模型的跨样本泛化性。

4.1 SC-FC偶联在人体皮层中具有独特的分布

在我们的研究中观察到的组平均 SC-FC 耦合的空间模式与先前研究中报告的分布高度相似，即在视觉和躯体运动区域观察到最高的耦合，在顶叶和颞叶区域观察到最低的耦合。除了以前的报告外，我们的事后分析还显示，高耦合在单峰区域普遍存在，而低耦合在多模态区域占主导地位。沿着从单峰区域到多峰区域的梯度的微观结构差异，被认为植根于人类皮层的快速进化扩张，可能代表了这一观察结果的一种可能解释。更具体地说，可以推测，多模态区域中大脑结构和功能的解绑，如较低的 SC-FC 耦合所索引的那样，是由于局部微电路的频繁重新配置和多感觉统合所需的整体信号约束较少的结果。

4.2 通过路径传递性的SC-FC耦合与一般认知能力相关

在全脑水平上，SC-FC耦合的变化与通信测量路径传递性一起操作，与GCA的个体差异呈正相关。一方面，两个大脑区域显示同步活动的程度被认为与神经信号基于潜在结构连接传播的难易程度有关。另一方面，路径传递性通过反映最短结构路径的可及性来衡量这种通信的难易程度，该路径基于在迷失方向时将神经信号传回最短路径的可用迂回次数。因此，由结构连接和功能连接得出的路径传递性之间的更高对应关系可能意味着信号传输，导致两个大脑区域之间的功能相互作用，沿着传递结构路径更紧密地运行。通过路径传递性量化的局部绕行的可用性可以抵消信号色散并创建反馈回路以反复稳定信号，从而使信号在离开后重新访问最短路径，这可能支持有效的通信。从更理论的角度来看，最流行的智力差异神经认知理论之一，智力的神经效率假说明确假设智力分数较高的人在执行认知任务时需要较少的大脑激活，因此更有能力进行有效的神经处理。这里报告的结果为这一理论提供了信息，提出了具有较高认知能力的个体的神经处理效率如何取决于大脑结构和大脑功能之间的相互作用。

4.3 沟通策略的区域特异性促进认知

与 GCA 相关的沟通措施在不同大脑区域之间存在严重差异的发现补充了先前的研究，该研究提出大脑中的信息整合不仅由一种独特的信号传导机制促进，而且通信策略的区域变异性是显而易见的，它改善了对个体功能连接的预测，并最终成为人类特征。首选沟通策略的区域变异性也可以在心理学理论和最近研究的背景下进行解释，这些研究表明，包括工作记忆、长期记忆、认知灵活性和处理速度在内的几种认知过程的协调行动的个体差异是一般认知能力差异的基础。更具体地说，对节点测量分配的目视检查和事后分析的结果表明，特别是在经常与此类高阶认知功能相关的多模态区域，定向通信策略的流行率更高与更高的 GCA 相关。相比之下，在单峰地区，定向沟通策略的流行率较低，GCA较高。沿最短路径运行的更有针对性的信号策略有助于在多模态区域更快、更有效地进行信息整合，而有向信号策略在单峰区域的缺点需要通过未来的研究加以澄清，例如，有向过程是否可能并不总是可能的，因此扩散过程更可取，特别是当信号的最终目的地未知时。然而，我们的研究结果支持这两种效应，即多模态区域定向沟通策略的较高流行率和单模态大脑区域定向沟通策略的较低流行率，都有助于提高 GCA。

4.4 交叉验证和独立复制支持研究结果的稳健性和可推广性

基于来自多个大脑区域的信息组合成功预测个人认知能力分数加强了已建立的智力神经认知模型，包括顶额整合理论和多重需求理论以及最近的调查表明大脑区域的分布式网络是 GCA 个体差异的基础。从方法论的角度来看，在心理科学复制危机的背景下尤为重要，使用两个独立样本进行模型构建和模型测试的预测方法通过拟合样本特定方差来降低高估效应大小的危险，就像相关情况一样方法。批判性地评估神经成像中机器学习实践的最新指南强调，与内部交叉验证相比，在外部数据集中复制的重要性，因此完全独立。由于子样本之间存在方差，在同一数据集内重复子抽样通常仍会高估效应的可重复性。然而，这种共享方差不能归因于对感兴趣变量的相同缩放，而是源于在预处理过程中应用相同的方法或整个数据集固有的常见偏差模式的存在。为了规避这一陷阱并最好地证明研究结果的普遍性，独立的样本外评估似乎是最好的解决方案。我们的研究结合了内部交叉验证、在独立样本中复制发现以及跨样本模型泛化测试，遵循了这些最佳实践。尽管成像状态和一般认知能力测量不同，但能够成功预测独立复制样本中的单个 GCA 分数，这表明我们的研究结果具有高度稳健性以及此处开发的预测模型对其他样本的普遍性。

5. 局限性与未来方向

需要提及几个限制。首先，本研究参与者的年龄范围仅限于年轻人。为了评估我们的结果对整个人群的普遍性，未来的研究应该包括具有更广泛年龄范围的受试者。其次，神经影像学数据通常容易受到许多潜在噪声源的影响（例如，扫描仪内的头部运动、生理混淆信号、热噪声），并且预处理策略的自由度会影响研究结果。但是，我们已经实施了最先进的方法，并预先注册了我们的分析策略以减少这些影响。第三，使用纤维束成像重建结构连通性存在众所周知的局限性，这些局限性无法用我们目前的方法防止，但在解释研究结果时需要考虑。第四，根据Cohen的说法，本研究中观察到的效应量很小。然而，它们位于最近提出的大脑行为关系的最大可达到效应量的范围内。此外，请注意，尽管认知能力测量至少提供中等可靠性，但神经影像学测量的可靠性被认为相当低。考虑到两个测量值之间的关联量级受到两个测量值可靠性乘以的限制，并且我们不仅研究了一个行为变量和一个神经生物学变量之间的关联，而且使用已经代表两个测量组合的神经生物学变量（SC-FC 耦合），我们认为我们观察到的效应量接近应用当前可用方法时的预期。第五，重要的是要注意，即使有证据表明沟通模型反映了区域共激活的模式，但它们仅提供了对大脑中沟通过程的假定描述。此外，我们将分析限制在两个相似性测量和六个经常使用的通信测量上，但也可以使用各种其他指标来评估 SC-FC 耦合。未来的研究可以从包括扩展的数量或沟通措施的组合中受益。此外，需要强调的是，用于生成NMA掩码的测量选择过程不依赖于阈值，即每个大脑区域选择的测量不一定与一般认知能力显着相关。在我们对某些沟通策略与GCA的解释中，应该考虑到这一点。第六，使用静息态和被动观看电影fMRI的数据估计FC。第七，我们将分析限制在大规模的皮质大脑区域，因为目前尚不清楚在皮层下或海马脑区域中明显的信噪比差异，可能会影响通信和相似度量的计算。然而，由于皮层下和海马脑区域被认为在认知过程中起着关键作用，需要全面解决这一问题的前瞻性方法学研究。

总体而言，我们建议未来的研究利用年龄范围增加的样本，应用全面的复制策略来提高研究结果的稳健性，考虑扩展沟通措施的选择，研究认知需求期间的 SC-FC 偶联，并开发有效研究 SC-FC 偶联与 GCA 之间的关系的方法，也位于相当小和位于内侧的大脑区域，如海马体。

6. 结论

本研究调查了结构功能脑网络耦合（SC-FC耦合）的个体差异是否与一般认知能力（GCA）的个体差异问题。我们使用了两个大型公开可用的数据集和最先进的SC-FC耦合操作，从而可以深入了解不同的神经通信策略。在全脑水平上，较高的GCA与更强的SC-FC耦合有关，但仅限于将路径传递性视为沟通策略时。在交叉验证的预测框架中考虑沟通策略的特定区域变化，可以从 SC-FC 耦合中预测个体认知能力得分。综上所述，我们的研究结果揭示了大脑区域特定的SC-FC耦合策略作为认知能力个体差异的神经相关性，并提供了对人类认知中有效信息处理基础的见解。

参考文献:Structural-functional brain network coupling predicts human cognitive ability.