心理所研究發現大腦中表征認知功能的核心腦網絡

理解人腦如何支持復雜的認知功能，使人類能夠應對多變環境中的各種挑戰，是當代腦科學研究的核心問題之一。人類的認知功能體系極其復雜，涵蓋了注意力、記憶、執行能力、語言能力和社會認知等多個方面。這些功能既相互關聯，又保持著相對的獨立性。隨著認知本體論的發展，我們獲得了一種結構化的方法來探索這些心智能力。其中，最為人所知的概念之一是g因子，也稱為智力因子。這一因子被認為反映了個體認知能力的整體水平，是多種認知能力發展的基石。那么，我們不禁要問：在大腦中是否存在一組獨特的腦網絡結構來表征這一因子，并能廣泛支持多種認知功能？

為探究這一問題，中國科學院心理研究所認知與發展心理學研究室的杜憶研究組開展了一項創新性研究，巧妙地結合了多模態磁共振技術和機器學習方法，并利用公開數據集展開分析。本研究首先基于13個不同功能域的行為任務構建了一個高階認知因子，以表征核心認知功能；隨后運用機器學習技術，從海量數據中篩選出一組對預測該高階認知因子分數最為關鍵的功能網絡。在此基礎上，本研究探索了這些功能網絡的應用價值和生物學基礎，并在獨立數據集上驗證了這組表征高階認知因子的核心功能網絡是否能夠廣泛表征多種認知功能。最后，本研究分析了支持該功能網絡的結構連接基礎和基因基礎，為理解大腦認知功能的生物學機制提供了新的視角。

研究結果發現，大腦中確實存在一組能穩定表征高階認知因子的功能網絡。更值得注意的是，這一網絡結構對不同方法構建的高階認知因子都表現出良好的預測能力（如圖1所示）。基于這一模型，研究人員根據預測模型中的權重大小，精確篩選出一組對高階認知因子預測起關鍵作用的核心腦網絡連接。在經過一系列閾值化處理后，權重排名（絕對值）前10%的連接被認定為支持高階認知因子的核心腦網絡，這組核心網絡主要由顳葉、額葉和頂葉皮層的廣泛腦區組成，這與以往研究發現高級聯合皮層支持復雜認知功能的結果一致。

圖1. 高階認知因子可以使用不同結構 (A,C) 的結構方程模型從13個不同認知域的行為學測量中計算得到，但無論是哪種計算方式，都可以使用功能連接得到中等效應量(B,D) 的預測準確率。

為了探究以上發現的支持認知本體因子的功能網絡如何支持廣泛的認知功能，本研究引入了傳統全腦功能連接特征模型和基于相關性篩選功能連接特征的模型作為對比。研究結果表明，基于高階認知因子的核心腦網絡構建的預測模型能夠有效預測人類在多種認知任務中的表現。然而，在預測情緒和運動能力時，該模型的表現明顯遜色于基線模型（見圖2）。考慮到數據集可能存在的數據泄露問題，本研究進一步使用了一個額外的數據集進行驗證。驗證分析結果與圖2中的結構一致，進一步表明基于認知本體因子引導的功能網絡特征篩選方法能夠有效識別出大腦中代表廣泛認知功能的核心腦網絡。這支持了大腦高級聯合皮層腦區在多種認知功能加工中復用的假說。

圖2 COPM模型為基于支持高階認知因子的核心腦網絡所構建的預測模型，Full model為全腦功能連接特征模型，rCPM為基于相關性對功能連接作特征篩選的模型。橙色標記的行為任務與認知本體因子顯著相關，而藍色標記的行為任務則與認知功能無關。在所有與認知本子因子顯著相關的任務上，COPM模型都是表現最優的。

最后，本研究進一步探索了支持廣泛認知功能的腦網絡的結構連接基礎以及該網絡腦區間的基因表達相似性。結果發現，這些關鍵功能連接不僅表現出高度的變異性，還具有明確的結構連接基礎和相似的基因表達模式（見圖3）。這種功能連接的變異性可能反映了大腦的神經適應性和靈活性，有助于應對各種復雜的認知任務。該組網絡主要位于高級聯合皮層，其作為信息整合的樞紐，在復雜認知功能中發揮著關鍵作用，可能是人類認知靈活性的基礎。這組功能連接表現出的強結構連接和相似的基因表達模式，可能提示這組功能網絡具有遺傳基礎，為理解個體間認知能力差異提供了新的視角。

總而言之，本研究提出了一個新的基于認知本體方法進行腦功能網絡特征篩選的機器學習框架，不僅深化了當前對大腦功能網絡如何支持廣泛認知功能的理解，還為未來的個性化認知訓練和干預策略提供了潛在的腦神經研究基礎。

圖3 支持廣泛認知功能的核心功能腦網絡表現出極大的個體間變異。由這組核心功能腦網絡連接的廣泛腦區受到白質結構連接的支持，并且在基因表達方面呈現出較高的相似性。

該研究獲得國家科技創新2030-“腦科學與類腦研究”重大項目（2021ZD0201500）、國家自然科學基金（32300881，31822024）、中國科學院心理研究所揭榜掛帥項目和心理所青年人才啟動項目（E1CX4725CX）等項目的支持。

文章已在線發表于Neuroimage。心理所博士研究生吳國偉為第一作者，心理所王秀祎助理研究員和杜憶研究員為共同通訊作者。北京腦與類腦研究中心崔再續研究員為本研究給予了大力支持。

論文信息：?

Wu, G., Cui, Z., Wang, X.*, & Du, Y.* (2024). Unveiling the core functional networks of cognition: An ontology-guided machine learning approach. NeuroImage, 298, 120804. https://doi.org/https://doi.org/10.1016/j.neuroimage.2024.120804