基于全脑连接组预测模型揭示执行功能的共同与特异性神经基础

本综述创新性地运用连接组预测模型（CPM）解析执行功能（EF）三大成分（抑制、转换、更新）的神经环路，发现2-back任务（更新）的脑连接模式对其它EF成分具有最佳跨任务预测力，并首次通过功能连接特征成功分离出共享（前额顶叶-默认模式-背侧注意网络交互）与特异性EF成分的神经基础，为理解认知控制的"统一性与多样性"提供了全新视角。

　　

执行功能（Executive Function, EF）作为一系列促进适应性思维和行动的认知控制过程，主要由三个不同但相互关联的认知成分构成：抑制（Inhibition）、转换（Shifting）和更新（Updating）。尽管行为研究已深入探讨了这些成分的性质及其相互关系，但利用全脑连接性预测个体在这三种认知成分及相关任务得分差异的研究仍相对较少。

研究方法与数据来源

本研究采用连接组预测建模（Connectome-based Predictive Modelling, CPM）方法，利用人类连接组计划（HCP）的开放获取数据，成功构建了能够预测个体在Flanker任务（抑制）、维度变化卡片分类任务（转换）和2-back任务（更新）表现差异的脑网络模型。研究重点关注在确认其预测性能优于静息态和体积数据后，于2-back任务期间采集的grayordinate fMRI数据。

研究通过严格的筛选流程，最终纳入了635名受试者（女性355名）。功能连接矩阵的构建采用了两种成熟的大脑图谱：针对体积数据的Shen268全脑图谱和针对grayordinate数据皮层部分的Schaefer300图谱。CPM过程包含特征选择和模型拟合两个主要阶段，通过10折交叉验证方法评估模型性能，并进行了1000次重复以确保结果的可靠性。

主要研究发现

跨任务预测揭示更新成分的核心地位

CPM交叉预测模式显示，基于2-back行为得分训练的模型在预测另外两个EF任务表现时泛化能力最佳。这种高跨任务预测准确性表明，2-back行为的连接组基础同样能够追踪Flanker和卡片分类任务中的个体表现差异。相比之下，Flanker和卡片分类任务从连接组角度看显得更为独立，表现为较低的交叉预测准确度。

这一发现从神经连接组视角证实了更新成分在EF中的核心作用，与先前多项研究结果一致。行为层面上，更新（常操作化为工作记忆）与一般智力存在显著相关性，表明其具有领域通用性。

功能网络分析显示前额顶叶网络的关键作用

对每个EF任务测量的连接组解剖结构分析表明，Flanker任务表现的阳性边主要位于前额顶叶网络内部以及与背侧注意网络和小脑之间；卡片分类任务的阳性边主要涉及前额顶叶、默认模式和背侧注意网络；而2-back任务的阳性边主要位于前额顶叶网络内部，以及前额顶叶与默认模式、背侧注意网络之间。

计算损伤分析进一步证实了前额顶叶连接在预测性能中的关键作用。在阳性模型中，损伤前额顶叶连接在大多数情况下导致最大的预测性能下降，而损伤默认模式网络则在其他情况下显示最大的预测性能下降。

通用与特异性执行功能成分的分离

为研究通用EF的存在及其特异性成分，研究设计了两种新型测量指标：通用EF得分和三个成分特异性得分。通用EF得分来自三个原始任务测量的z得分平均值，旨在保留不同EF成分共享的核心信息；而成分特异性得分则定义为从每个目标测量中回归掉其他两个测量后的残差，旨在保留无法被其他测量解释的方差。

分析结果显示，当CPM在与训练相同的测量上进行测试时，使用2-back fMRI数据的通用EF测量比成分特异性测量预测得更好。另一方面，不同成分特异性测量之间的跨任务预测性能相比基于原始EF测量的模型有所减弱。

通用EF的连接组特征显示，许多阳性边位于前额顶叶网络（FPN）内部及其与背侧注意网络（DAN）、默认模式网络（DMN）和显著性网络（SN）之间。这些典型功能网络先前已被证明与EF的各个方面相关。FPN与控制初始化和调整、执行任务表现以及注意力与其他认知过程的相互作用有关；DAN支持自上而下的注意力并协助成功的空间注意力；SN在感知事件显著性、监控冲突和启动工作记忆与注意力访问中发挥作用；DMN则可能在内部和外部注意力模式切换中发挥作用。

方法学创新与数据表示优势

本研究还探讨了fMRI数据表示和大脑状态对CPM性能的影响。发现使用grayordinate（CIFTI）数据相比传统使用的体积（NIFTI）数据能显著提高CPM预测准确性。这种优势可归因于grayordinate数据的内在优势，它将皮层区域注册到平坦表面，同时保持皮下区域的3D结构，从而提供具有更高受试者间空间对应性的紧凑表示。

此外，与静息态fMRI数据相比，基于任务的连接性特征产生了改进的预测性能。具体来说，当比较静息态fMRI数据和2-back任务fMRI数据时，注意到与使用2-back数据相关的显著改进。

研究局限与未来方向

本研究存在几个局限性，也为未来研究指明了方向。首先，所谓的"任务不纯性问题"对准确测量EF任务目标心理过程提出了挑战。鉴于创建"纯"EF任务的内在困难，未来工作可以通过将这些分析扩展到其他认知和非认知测量来构建这些分析，使我们能够评估每个任务对通用与特异性EF成分的依赖程度，以及我们EF连接组的泛化能力。

其次，由于公共神经影像数据的限制，我们只能在2-back和静息态数据上构建CPM。虽然2-back数据已经显示出对所有三种行为测量的良好预测性能，但使用其他类型的EF相关任务fMRI数据复制这些分析将很有价值。

第三，考察通用EF与其他认知构念之间的关系将提供丰富信息。作为探索性分析，我们将本研究中识别的通用EF连接组与Yoo等人先前开发的通用注意力模型进行了比较。我们的发现表明，基于注意力的模型在预测EF表现个体差异时泛化能力不佳，这种分离表明从功能连接角度看，通用注意力和通用EF可能依赖不同的神经基础。

最后，虽然本研究专门考察了成人的EF成分，但从发展视角探索EF的连接组基础将很有价值。彻底了解EF成分的连接组在不同年龄间如何演化可以阐明EF的起源，并为非典型EF发展的神经特征提供见解。

结论

本研究在大规模任务fMRI数据上执行了连接组预测建模分析，从全脑连接性角度揭示了执行功能的共享与独特方面。我们的分析表明了更新成分在执行功能中的核心地位，并强调了前额顶叶、默认模式和背侧注意网络在支持通用执行功能中的作用。我们进一步证明了使用基于任务的grayordinate fMRI数据相比静息态或体积数据的预测优势。未来工作可以基于此管道将发现泛化到执行控制范围内的额外大脑状态和行为中。