基于静息态功能连接组预测BMI及其与冲动性关联的神经机制研究

本研究利用LASSO回归模型，基于HCP等多中心数据集构建静息态功能连接组(rsFC)预测BMI的新方法（HCP1200: r=0.52, p=8E-14），发现BMI相关rsFC指纹能显著解释延迟折扣任务表现，为肥胖神经机制研究提供新视角。

　　

肥胖与大脑内在功能重组密切相关。研究人员采用最小绝对收缩和选择算子(LASSO)回归模型，基于HCP500数据集(440名受试者)的静息态功能连接组(resting-state functional connectome, rsFC)构建了预测体质量指数(body mass index, BMI)的计算模型，并在HCP900(309名受试者)、HCP1200(182名受试者)、NKI(102名受试者)和MPI-LEMON(151名受试者)数据集上进行验证。研究发现预测BMI值与实际BMI值在HCP1200(r=0.52, p=8E-14, MAE=3.30)和NKI(r=0.35, p=0.0002, MAE=4.17)数据集中显著相关。这些BMI相关的rsFC模式涉及稳态控制、执行功能、突显性处理、运动规划、奖赏加工和视觉感知等神经环路。特别值得注意的是，这些rsFC指纹能够显著解释延迟折扣任务(delay discounting task)的得分表现。该研究不仅证实了基于功能连接组模型预测BMI的可行性，更为揭示超重和肥胖的神经机制提供了新的见解。