心理所研究发现大脑中表征认知功能的核心脑网络

理解人脑如何支持复杂的认知功能，使人类能够应对多变环境中的各种挑战，是当代脑科学研究的核心问题之一。人类的认知功能体系极其复杂，涵盖了注意力、记忆、执行能力、语言能力和社会认知等多个方面。这些功能既相互关联，又保持着相对的独立性。随着认知本体论的发展，我们获得了一种结构化的方法来探索这些心智能力。其中，最为人所知的概念之一是g因子，也称为智力因子。这一因子被认为反映了个体认知能力的整体水平，是多种认知能力发展的基石。那么，我们不禁要问：在大脑中是否存在一组独特的脑网络结构来表征这一因子，并能广泛支持多种认知功能？

为探究这一问题，中国科学院心理研究所认知与发展心理学研究室的杜忆研究组开展了一项创新性研究，巧妙地结合了多模态磁共振技术和机器学习方法，并利用公开数据集展开分析。本研究首先基于13个不同功能域的行为任务构建了一个高阶认知因子，以表征核心认知功能；随后运用机器学习技术，从海量数据中筛选出一组对预测该高阶认知因子分数最为关键的功能网络。在此基础上，本研究探索了这些功能网络的应用价值和生物学基础，并在独立数据集上验证了这组表征高阶认知因子的核心功能网络是否能够广泛表征多种认知功能。最后，本研究分析了支持该功能网络的结构连接基础和基因基础，为理解大脑认知功能的生物学机制提供了新的视角。

研究结果发现，大脑中确实存在一组能稳定表征高阶认知因子的功能网络。更值得注意的是，这一网络结构对不同方法构建的高阶认知因子都表现出良好的预测能力（如图1所示）。基于这一模型，研究人员根据预测模型中的权重大小，精确筛选出一组对高阶认知因子预测起关键作用的核心脑网络连接。在经过一系列阈值化处理后，权重排名（绝对值）前10%的连接被认定为支持高阶认知因子的核心脑网络，这组核心网络主要由颞叶、额叶和顶叶皮层的广泛脑区组成，这与以往研究发现高级联合皮层支持复杂认知功能的结果一致。

图1. 高阶认知因子可以使用不同结构 (A,C) 的结构方程模型从13个不同认知域的行为学测量中计算得到，但无论是哪种计算方式，都可以使用功能连接得到中等效应量(B,D) 的预测准确率。

为了探究以上发现的支持认知本体因子的功能网络如何支持广泛的认知功能，本研究引入了传统全脑功能连接特征模型和基于相关性筛选功能连接特征的模型作为对比。研究结果表明，基于高阶认知因子的核心脑网络构建的预测模型能够有效预测人类在多种认知任务中的表现。然而，在预测情绪和运动能力时，该模型的表现明显逊色于基线模型（见图2）。考虑到数据集可能存在的数据泄露问题，本研究进一步使用了一个额外的数据集进行验证。验证分析结果与图2中的结构一致，进一步表明基于认知本体因子引导的功能网络特征筛选方法能够有效识别出大脑中代表广泛认知功能的核心脑网络。这支持了大脑高级联合皮层脑区在多种认知功能加工中复用的假说。

图2 COPM模型为基于支持高阶认知因子的核心脑网络所构建的预测模型，Full model为全脑功能连接特征模型，rCPM为基于相关性对功能连接作特征筛选的模型。橙色标记的行为任务与认知本体因子显著相关，而蓝色标记的行为任务则与认知功能无关。在所有与认知本子因子显著相关的任务上，COPM模型都是表现最优的。

最后，本研究进一步探索了支持广泛认知功能的脑网络的结构连接基础以及该网络脑区间的基因表达相似性。结果发现，这些关键功能连接不仅表现出高度的变异性，还具有明确的结构连接基础和相似的基因表达模式（见图3）。这种功能连接的变异性可能反映了大脑的神经适应性和灵活性，有助于应对各种复杂的认知任务。该组网络主要位于高级联合皮层，其作为信息整合的枢纽，在复杂认知功能中发挥着关键作用，可能是人类认知灵活性的基础。这组功能连接表现出的强结构连接和相似的基因表达模式，可能提示这组功能网络具有遗传基础，为理解个体间认知能力差异提供了新的视角。

总而言之，本研究提出了一个新的基于认知本体方法进行脑功能网络特征筛选的机器学习框架，不仅深化了当前对大脑功能网络如何支持广泛认知功能的理解，还为未来的个性化认知训练和干预策略提供了潜在的脑神经研究基础。

图3 支持广泛认知功能的核心功能脑网络表现出极大的个体间变异。由这组核心功能脑网络连接的广泛脑区受到白质结构连接的支持，并且在基因表达方面呈现出较高的相似性。

该研究获得国家科技创新2030-“脑科学与类脑研究”重大项目（2021ZD0201500）、国家自然科学基金（32300881，31822024）、中国科学院心理研究所揭榜挂帅项目和心理所青年人才启动项目（E1CX4725CX）等项目的支持。

文章已在线发表于Neuroimage。心理所博士研究生吴国伟为第一作者，心理所王秀祎助理研究员和杜忆研究员为共同通讯作者。北京脑与类脑研究中心崔再续研究员为本研究给予了大力支持。

论文信息： 

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