编辑推荐：
为解决静息态网络（RSNs）认知相关性不明的问题，法国波尔多大学研究人员开展 GINNA 图谱研究，得出 33 个 RSNs 及认知特征。该研究成果有助于深入理解大脑认知功能，强烈推荐科研读者阅读。
在神经科学的奇妙世界里，大脑就像一座神秘的城堡，隐藏着无数的秘密。其中，静息态网络（Resting-State Networks，RSNs）作为大脑内在的 “通信网络”，一直吸引着科学家们不断探索。
自通过磁共振成像（MRI）首次观察到静息态网络以来，人们就猜测它与认知有着千丝万缕的联系。想象一下，当我们处于休息状态，大脑看似 “无所事事”，但这些网络却在默默运作，似乎在为我们的各种认知功能做着准备。然而，到目前为止，对这些网络的认知特征进行实证研究却困难重重。
以往的研究中，虽然提出了大脑在休息时会分为 “任务积极” 和 “任务消极” 系统，后来又进一步细分，但这些网络的功能相关性大多是间接建立的。研究人员常常根据静息态网络与任务态网络的视觉相似性来推断其认知功能，可这种方法就像根据外貌猜测一个人的性格，并不靠谱。而且，常用的大脑网络分区（如划分成七个功能网络）在认知过程的描述上粒度较粗，无法准确反映大规模网络与认知过程之间的关系。此外，之前对静息态网络认知特征的实证研究，要么依赖与任务相关网络的比较，要么基于宽泛的认知领域，难以精确刻画其认知功能。
为了解开这些谜团，来自法国波尔多大学（GIN, IMN - UMR5293, Université de Bordeaux, CEA, CNRS, Bordeaux, France）的研究人员在《Communications Biology》期刊上发表了题为 “GINNA, a 33 resting - state networks atlas with meta - analytic decoding - based cognitive characterization” 的论文。他们通过研究，创建了 Groupe d’Imagerie Neurofonctionnelle Network Atlas（GINNA），这是一个包含 33 个静息态网络的综合大脑图谱，为深入了解大脑的认知功能提供了重要依据。
在这项研究中，研究人员主要运用了以下几种关键技术方法：首先是独立成分分析（ICA），它就像是一把 “手术刀”，能够将大脑的复杂信号分解成一个个独立的成分，帮助研究人员更好地观察和分析；其次是 MICCA 聚类算法、Icasso 和基于深度学习的分类方法，这些方法相互配合，如同精密的 “拼图大师”，将分解后的成分准确地分类，构建出 GINNA 图谱；最后，通过与 Neurosynth 数据库中的元分析激活图进行空间比较，运用皮尔逊相关性计算等方法，来解码与每个 GINNA 静息态网络相关的认知术语，从而确定网络的认知功能。
下面我们来看看研究的具体结果：
GINNA 静息态网络
研究人员对 1812 名参与者的静息态数据进行处理，原本分解得到 41 个网络，但有 7 个不与大脑重叠（主要是静脉伪影）以及 1 个局限于脑干的网络被排除，最终确定了 33 个静息态网络进行深入分析。这些网络的编号（RSN01 至 RSN33）反映了它们被识别的可靠性，RSN01 在 99.94% 的参与者中都能被检测到，而 RSN33 的检测率为 49.59% 。GINNA 图谱覆盖了约 90% 的大脑皮层，未覆盖的区域主要是易受磁化率伪影和信号失真影响的地方。通过对不同性别和数据集的重复实验发现，GINNA 图谱具有良好的稳定性和可重复性。比如，使用 1016 名性别平衡的子样本复制组平均 RSN 创建过程，与原始图谱的对应性近乎完美；在 HCP 数据集的 150 名子样本上进行实验，也能重复识别出大部分网络。
元分析认知术语解码
研究人员将 GINNA 静息态网络与 Neurosynth 数据库中的元分析激活图进行比较，在 506 个元分析图中，有 241 个（47.6%）未与任何 RSN 解码相关。那些未在所有 RSN 中显示显著相关性的术语，其对应的图中零值数量比至少与一个 RSN 解码相关的图更多，且与情绪领域的关联最少。平均每个网络能识别出 12 个相关术语，相关性范围从 38（RSN32）到 0（RSN01、RSN02、RSN26）不等，平均相关性为 r = 0.61 。
静息态网络的认知标记
- 共识认知标记：经过六位专家的共同探讨，根据 Cognitive Atlas 概念为每个网络确定了认知过程。这些过程涵盖了广泛的认知功能，从感觉运动功能，如听觉（TN - 01（RSN14） - 听觉感知）、躯体运动（PcN - 01（RSN06） - 运动（肢体）等）和视觉过程（ON - 01（RSN09） - 视觉感知等），到更高级的认知过程，如心理算术（R - FTPN - 02（RSN20））、推理（L - FTPN - 02（RSN12））等。还有与语言相关的网络（L - FTN（RSN15） - 句法处理等）、社会认知网络（med - FN（RSN28） - 心理理论等）以及默认模式网络（med - TN（RSN05） - 记忆检索等）。对于那些元分析解码过程未与元分析图产生显著关联的网络（如 pCing - medPN（RSN01）等），则标记为无显著关联（n.s.）。
- 潜在语义认知标记：通过潜在语义分析得到的认知标签与专家手动推导的标签在认知领域上大致相似，但也存在一些差异。比如 RSN07，专家标记为自我参照处理，而潜在语义分析标记为发散思维；RSN29，专家标记为视觉形式辨别，潜在语义分析标记为任务难度。此外，在一些网络的认知标签细节上，两种方法也有所不同。
- 详细结果：默认模式和语言网络
- 默认模式网络：RSN05（med - TN）和 RSN07（med - FPN）与默认模式相关。RSN05 包含海马回、后扣带回等区域，除了与默认模式相关，还与记忆相关，尤其是自传体记忆，因此被标记为 “记忆检索”。RSN07 符合默认模式网络的典型解剖定义，包含内侧前额叶皮层等区域，通过主成分分析发现其相关术语可总结为两个主成分，反映了内部思维和不同情境下的思维差异，最终被标记为 “自我参照处理”。
- 语言网络：与语言过程相关的网络有 L - FTN（RSN15）、L - FTPN - 01（RSN19）和 TN - 02（RSN33）。这三个网络在解剖上有部分重叠，但各自的认知术语和相关过程不同。TN - 02 涉及语音感知，L - FTN 负责句法处理，L - FTPN - 01 主要进行句子理解。
综合来看，这项研究通过创建 GINNA 图谱，对静息态网络的认知特征进行了全面而细致的刻画。它不仅为研究大脑的认知功能提供了更精确的工具，还为未来直接或因果评估大规模网络功能奠定了基础。GINNA 图谱的精细粒度能够更好地反映大脑功能的多样性和特异性，有助于揭示大脑的奥秘。同时，研究也存在一些局限性，如方法可能受到反向推理和认知术语分布不平衡的影响，Neurosynth 数据库的地图性质也存在一些问题，以及在确定认知过程与网络的关系上还不够精确等。但这并不影响其重要意义，它为后续研究指明了方向，激励着科学家们不断探索大脑这座神秘城堡的更多秘密，让我们对大脑认知功能的理解更上一层楼。
