不同结构脑网络模型中解剖模块化的比较分析:一项针对天才儿童的认知研究

《Intelligence》:Comparative analysis of anatomical modularity across structural brain network models: A cognitive study in gifted children

【字体: 大 中 小 】 时间:2026年05月18日 来源:Intelligence 2.8

编辑推荐:

  韩顺宁|Gemma Vilaseca|Núria Vilaró|段峰|孙哲|Cesar F. Caiafa|Jordi Solé-Casals 数据与信号处理研究小组,维克大学-加泰罗尼亚中央大学,维克,08500,加泰罗尼亚,西班牙 **摘要** 大脑的模块化组织

  韩顺宁|Gemma Vilaseca|Núria Vilaró|段峰|孙哲|Cesar F. Caiafa|Jordi Solé-Casals
数据与信号处理研究小组,维克大学-加泰罗尼亚中央大学,维克,08500,加泰罗尼亚,西班牙

**摘要**
大脑的模块化组织对认知至关重要,然而解剖学模块性与儿童认知表现之间的关系以及这种关系如何依赖于网络构建方法仍不清楚。我们通过比较29名男童(15名天才儿童,14名对照组)的von Economo(VE)图谱的解剖学模块模式,在不同密度下的形态测量相似性网络(MSNs)和形态测量逆散度(MIND)网络中进行了研究。群体和个体层面的分析使用了方向统计、平均有符号欧几里得距离和Spearman相关性来检查VE区域对之间的连接性以及模块内/模块间的连接性。在这个数据集中,MSN显示出比MIND更强的群体区分能力和认知关联,在0.05–0.15密度范围内模式最为明显。在两种网络中,更高的认知表现与更强的模块内连接性相关,在MSN中这种关联更为明显,而模块间连接性则较低。跨指标的趋同描述性模式显示,前额关联区域(VE 2-2)和次级感觉区域(VE 4-4)的模块内连接性增强,而后部关联区域与次级感觉区域(VE 3-4)之间的耦合减弱。某些配对(例如VE 1-7、2-7和5-6)的差异突显了网络类型之间的方法学区别。由于许多VE配对和特定密度的分析是探索性的,并未应用正式的多重比较校正,因此所强调的成对发现被视为跨互补指标的趋同模式,而不是经过校正的确认性推断。这些探索性发现仅限于一小部分男童样本,表明网络构建方法和密度选择可能会影响模块性与行为关联的检测。这为未来关于儿童解剖学模块性与认知的研究提供了初步指导。

**1. 引言**
作为复杂且相互连接的系统,人脑为所有认知功能和行为提供了生物学基础(Azar, 2025)。理解其结构组织如何产生认知是神经科学的基本目标。这一追求在儿童时期尤为重要,因为这一时期以动态的神经可塑性和快速的认知发展为特征(Crone & Steinbeis, 2017)。研究高认知能力的儿童为我们提供了研究支持增强认知表现的神经发育途径的宝贵视角(Ellwood-Lowe et al., 2021, Han et al., 2025a, Han et al., 2026, Solé-Casals et al., 2019)。网络科学和神经成像技术的进步现在使我们能够将大脑建模为连接组,为这类研究提供了强大的框架(Hassan et al., 2025, Shaheen and Melnik, 2025)。传统上,结构协方差网络(SCNs)是通过基于单一形态测量属性(如皮质厚度(CT)来评估群体层面的协方差而得出的(Solé-Casals et al., 2019)。然而,这种方法对个体间大脑网络结构的差异理解有限。为了克服这一限制,最近在从结构性磁共振成像(sMRI)数据构建个体层面结构大脑网络(SBNs)方面的方法学进展(Kong et al., 2015, Li et al., 2017, Sebenius et al., 2023, Seidlitz et al., 2018, Yu et al., 2018)使得能够详细检查个体间的结构连接性差异。其中,形态测量相似性网络(MSNs)(Seidlitz et al., 2018)和形态测量逆散度(MIND)网络(Sebenius et al., 2023)提供了两种互补的方法来建模区域间的解剖关系。MSN通过计算平均形态测量特征之间的皮尔逊相关系数(PCCs)来估计区域间相似性,而MIND网络则通过对称的Kullback–Leibler(KL)散度来捕捉顶点级形态测量轮廓之间的分布相似性(Jeffreys, 1973)。然而,这些方法学差异如何影响大脑网络中认知相关模式的检测仍需进一步探索。

人脑表现出模块化组织,其中不同的子网络(即模块)支持专门的认知功能(Bassett and Sporns, 2017, Chappel-Farley et al., 2025, Sporns and Betzel, 2016)。理解这种模块化组织与认知之间的关系是网络神经科学的核心目标,因为它揭示了分布式大脑区域是如何组织起来以支持复杂认知过程的。在人脑网络研究中,定义模块的方法大致可以分为两类:数据驱动(算法)模块和解剖学模块。数据驱动模块在非侵入性人类神经成像研究中最为常用,因为它们可以直接从MRI衍生的网络中估计得出。这些方法通常依赖于图论社区检测算法(Fornito et al., 2016, Sporns and Betzel, 2016),例如Louvain算法(Blondel et al., 2008),其中模块仅基于网络拓扑来定义。虽然这些方法在揭示内在组织模式方面非常有效,但得到的模块不受已知解剖或功能边界的限制,这可能会使生物学解释变得复杂。相比之下,解剖学模块是基于既定的神经解剖标准定义的,并映射到功能相关的网络节点上(Sporns & Betzel, 2016)。这一框架已在动物连接组学中得到广泛应用,包括对果蝇(Shih et al., 2015)、小鼠(Wang et al., 2012)和大鼠(Bota et al., 2015)大脑的研究,这些研究中都有详细的解剖信息。然而,解剖学模块框架在人脑网络研究中的应用较少,von Economo皮质分类是最突出的例子之一(Van Hoesen and Solodkin, 1993, Von Economo, 1929)。

von Economo(VE)皮质分类(Von Economo, 1929)提供了一个基于细胞结构差异的解剖学基础框架,用于定义皮质模块,为认知提供了生物学上可解释的模块化基础。重要的是,VE定义的区域包括参与高级认知功能的解剖学上不同的皮质区域,包括决策、错误识别、价值判断和意识(Dean et al., 2012)。因此,VE分类作为一个生物学上有意义的解剖学模块框架,用于研究大脑-认知关系。关于其在发育样本中的应用,尽管细胞结构在生命周期中不是静态的,但皮质类型的相对层次结构在发育过程中基本保持不变。因此,VE分类已在先前分析儿童大脑的研究中成功应用(Lu et al., 2009, Natu et al., 2019, Solé-Casals et al., 2019, Sowell et al., 2004, Toga et al., 2006)。

以往的研究通常依赖数据驱动模块来检查大脑网络的模块化模式及其与认知的关联(Chaddock-Heyman et al., 2020, Solé-Casals et al., 2019)。然而,由于这些数据驱动模块可能与解剖学上的大脑划分不一致,特定解剖学定义的皮质模块如何贡献于认知表现仍不清楚。这一空白激发了对基于解剖学的大脑网络进行模块化分析的需求。此外,目前尚不确定这些模块-认知关系是否在不同个体层面的形态测量网络构建和连接密度中始终得到一致捕捉。

为了解决这些空白,本研究系统地研究了基于VE的解剖学模块性及其与男童认知表现的关联,使用了从sMRI数据衍生的MSN和MIND网络。本研究在三个方面做出了贡献:
- **解剖学锚定的模块分析**:使用VE皮质分类来定义具有解剖学意义的模块,从而实现有针对性的模块内和模块间分析以及模块连接性与认知关联的评估。
- **密度探索框架**:系统地评估一系列连接密度,以确定哪些阈值在当前数据集中产生了更清晰或更稳定的模式。
- **多方法验证**:比较两种不同的SBN方法(MSN和MIND网络)的结果,以评估观察到的模块性-认知关系的稳健性。

本文的其余部分结构如下:第2节描述了数据集和方法论流程。第3节展示了结果,第4节进行了讨论,第5节提供了结论。

**2. 材料与方法**
在本节中,我们概述了本研究中使用的数据采集、网络构建和分析过程。数据来自29名男童的结构MRI扫描和认知测试,受试者被分为对照组(CG)和天才组(GG)。我们构建了两种类型的个体层面大脑网络——MSN和MIND网络——用于群体和个体层面的比较分析。群体层面的分析比较了CG和GG之间的VE区域连接性和模块内/模块间连接性。个体层面的分析使用Spearman相关性评估了VE区域对连接强度与认知能力分数之间的相关性。值得注意的是,关于VE区域对连接性的分析集中在多个群体和个体层面指标的趋同模式上,而不是直接进行确认性统计推断。鉴于有28个独特的VE区域对、多个连接密度以及在小样本中使用了几种互补指标,我们将VE配对和特定密度的分析视为探索性的,而不是确认性的。因此,我们没有对这些测试系列应用正式的多重比较校正。因此,这些分析中报告的p值和z统计量是名义上的,仅用于透明度和方向性;只有当多个指标和分析结果一致时,才会强调成对发现。这些分析共同提供了网络拓扑及其与认知能力潜在联系的全面视图,揭示了群体和个体层面的大脑网络差异。

**2.1. 数据**
**2.1.1. 参与者**
在本研究中,我们使用了与先前研究(Solé-Casals et al., 2019)相同的队列,该队列包括来自加泰罗尼亚的29名健康右利手男性的sMRI和认知测试数据,这些参与者没有精神或神经系统疾病的历史。所有儿童参与者都同意参与研究,他们的父母或法定监护人在接受研究完整描述后提供了书面和口头知情同意。该协议获得了加泰罗尼亚巴塞罗那大学研究伦理委员会(IRB00003099)的批准。该数据集之前已被用于群体层面的SCN分析(Solé-Casals et al., 2019)。原始(匿名)MRI数据和皮质厚度数据可在OpenNeuro仓库中获取:https://openneuro.org/datasets/ds001988。

参与者被分为两组:对照组(CG,14名受试者)和天才组(GG,15名受试者)。天才儿童是根据智商处于非常高的范围,并且在以下至少三个领域(空间、数字、抽象推理、语言推理和记忆)的表现超过第90百分位来识别的(Santamaría et al., 2014)。这里使用的认知测量方法在之前的研究中已有报道(Solé-Casals et al., 2019)。两组之间的年龄没有显著差异(CG:12.53±0.77岁;GG:12.03±0.54岁;Mann–Whitney U检验,P=0.055)。然而,全量表智商分数存在显著差异,GG的智商明显更高(148.80±2.93 vs CG的122.71±3.89;Mann–Whitney U检验,P=3.34×10?5<0.001)。

**2.1.2. sMRI数据**
参与者使用3T扫描仪进行了MRI扫描。采用MPRAGE 3D协议获取高分辨率T1加权图像(TR = 2300ms;TE = 3ms;TI = 900ms;FOV = 244 × 244 mm2;1 mm等距体素)。在本研究中,我们采用了先前研究中概述的sMRI预处理方法(Solé-Casals et al., 2019)。使用FreeSurfer v5.3进行预处理,根据强度和连续性信息从三维皮质表面模型估计皮质厚度(CT)(Fischl & Dale, 2000)。皮质重建由两名经验丰富的研究人员独立审查,以确保符合质量控制标准。每个大脑被划分为308个区域(R=308),每个区域大约500mm2,使用标准的FreeSurfer模板(fsaverage)和回溯算法,该算法根据Desikan-Killiany图谱(Desikan et al., 2006)定义的区域进行划分。然后应用FreeSurfer命令mrisurf2surf进行基于表面的(非线性)配准,将标准模板中的划分映射到每个个体的原始MPRAGE空间。这种方法推荐用于更好的皮质标志点对齐,并避免引入与年龄相关的偏差(Ghosh et al., 2010)。

通过视觉比较,将划分出的308个区域分配到基于von Economo(VE)分类预先定义的皮质细胞结构类别中(Von Economo, 1929)。VE分类将皮质分为五种类型,这些类型大致对应于功能上的皮质专门化。简而言之,结构VE-1包括层状分化最小的区域,主要是初级运动皮质/中央前回。结构VE-2和VE-3通常分别包括前额和后部关联皮质。结构VE-4和VE-5分别对应于次级和初级感觉区域。原始的VE结构类型分类没有区分真正的六层等皮质和中皮质或外皮质,它们表现出不同的细胞结构和发生过程。因此,引入了两种额外的亚型:VE-6,即边缘皮层,包括内嗅皮层、前丘脑皮层、后扣带回皮层和扣带回皮层,主要构成外皮层;以及VE-7,即岛叶皮层,包括无颗粒区、颗粒减少区和颗粒区(Seidlitz等人,2018年;Solé-Casals等人,2019年;Vá?a等人,2018年;Vértes等人,2016年)。这七个VE区域的节点数量分别为24、113、71、51、23、18和8。在这项工作中,我们选择了五个形态测量特征用于MIND网络和MSN的构建,以保持比较的一致性:表面积(SA)、灰质体积(GMV)、皮层厚度(CT)、平均曲率(MC)和高斯曲率(GC)。具体来说,虽然区域级别的形态测量特征用于MSN的估计,但每个区域的顶点级别的形态测量特征用于每个受试者的MIND估计。

2.2 方法
本研究通过比较两个个体级别的结构脑网络——形态测量相似性网络(MSN)和形态测量逆散度(MIND)网络——来探讨解剖模块性与认知表现之间的关系。分析在群体和个体两个层面上进行。在群体层面,我们比较了CG组和GG组的平均脑网络的VE区域连接模式在MSN和MIND网络中的差异。在个体层面,我们使用Spearman相关性方法评估个体模块性指标(VE区域对连接强度和VE内部/之间的连接)与认知能力得分之间的相关性,并使用Mann–Whitney U检验评估这些个体模块性指标的群体差异。这些分析共同提供了网络拓扑及其与认知能力潜在联系的全面视图。

特别是,我们使用最小生成树(MST)(Van Wijk等人,2010年)以不同的连接密度稀疏化脑网络,以确保所有图都是节点连接的。MST是一个使用恰好R?1条边连接所有节点的子图,其中R是网络中的节点数。在这项研究中,MST是连接所有节点且边权重的总和最大的加权网络的子图。首先找到MST,然后向这个骨架添加边,以确保得到的图是节点连接的。连接密度p定义为边数除以R个节点网络中可能的最大边数,即(R?1)R/2。值得注意的是,在计算MSN的MST图时,负值被视为0,以与MIND网络保持一致,因为MIND网络中的所有值都是非负的。在这项研究中,我们用Mp表示具有连接密度p的脑网络A的MST。

对于群体层面的分析,我们使用两个互补的指标来量化CG组和GG组在每个向量指标上的差异:Mann–Whitney U检验和有符号欧几里得距离(SED)。Mann–Whitney U检验是一种非参数统计检验,用于总结两个独立组之间的分布差异。然而,它没有考虑脑网络中的节点对应关系。为了解决这个问题并量化相应网络元素之间差异的方向和大小,我们计算了平均SED。正的平均SED值表示GG组的平均值高于CG组,反之亦然。SED不提供正式的显著性阈值;在这项研究中,它被描述性地用来补充Mann–Whitney U检验总结的方向性和大小。

在个体层面,我们通过Spearman相关性来探索个体脑网络的认知表现与解剖模块性指标之间的关系。Spearman相关性是一种非参数的等级相关性度量,用于评估两个变量排名之间的统计依赖性。它决定了两个变量之间的关系可以用单调函数来描述的程度。Spearman相关系数(SCC)的范围是从?1到1:ρ=1表示完美的正单调关系;ρ=?1表示完美的负单调关系;ρ=0表示没有单调关系。在这项工作中,SCC值被用作描述性效应大小的指标,以总结单调关联的强度和方向。因此,我们仅将ρ≥0.2、ρ≤?0.2和?0.2<ρ<0.2作为启发式 描述性辅助来总结模式强度。这些阈值不是推断性决策阈值,也没有用于做出正式的显著性声明。此外,还应用mann–whitney u检验来总结cg组和gg组之间的个体层面解剖模块性指标的分布是否有所不同。 2.2.1 网络构建 在这项研究中,我们构建了两种类型的个体级别脑网络进行比较分析:msn(li等人,2017年;seidlitz等人,2018年)和mind网络(sebenius等人,2023年)。所有分析都使用加权网络进行,因为与二进制网络相比,加权网络能更准确地捕捉脑特征(qi等人,2015年)。 形态测量相似性网络(msn)(seidlitz等人,2018年)将每个个体的多模态mri特征集转换为形态测量特征向量的成对区域相关性的形态测量相似性矩阵。在这项研究中,如图1所示,使用了一组η(η=5)的形态测量特征(每个样本308 × 5),这些特征来自任何t1加权mri扫描:总表面积(tsa)、总灰质体积(tgmv)、平均皮层厚度(act)、积分校正平均曲率(imc)、积分校正(高斯)曲率(igc)来构建msn。已经证明,基于这五个特征的msn与使用更广泛特征集的msn相似(seidlitz等人,2018年)。根据先前的研究(li等人,2017年;seidlitz等人,2018年),在相关计算之前,每个特征向量都通过z分数值进行了标准化。通过它们的标准化形态测量特征向量之间的pcc来估计每对可能区域之间的形态测量相似性,从而为每个样本生成一个308 × 308的msn。众所周知,pcc值接近?1表示特征对之间的反相关,而pcc值接近1表示特征对之间的强相关(heinsfeld等人,2018年)。因此,msn的对角元素等于1。然而,我们统一将nan值分配给msn的对角元素。 形态测量逆散度(mind)网络(sebenius等人,2023年)通过mri顶点特征的多变量分布之间的对称kl散度(jeffreys,1973年)来估计个体间皮层区域的相似性。在这项研究中,mind网络的输入包括来自t1加权mri扫描的皮层表面的网格表示。每个表面由一组290,487个顶点界定。为了与msn方法保持一致性以便比较,每个顶点都由五个结构mri特征表征:表面积(sa)、灰质体积(gmv)、皮层厚度(ct)和高斯曲率(gc)。在sebenius等人(2023年)的研究中,如图2所示,在将数据划分为顶点级别分布之前,使用z分数对大脑中的每个特征进行了标准化。因此,每个表面可以由一组顶点vi∈v描述,其中vi表示表面上第i个顶点的η(η=5)个结构特征向量。根据划分,vi可以分组为R(R=308)个区域,即V={{V1},…,{VR}}。给定区域a和b,顶点Va和Vb,以及真实的多变量分布Pa和Pb,Pa和Pb之间的KL散度定义为:(1)dKL(Pa∥Pb)=∫RηPa(x)logPa(x)Pb(x)dx≥0 k最近邻(k=1)邻居散度近似(Pérez-Cruz,2008年)被用来估计dKL(Pa∥Pb):(2)d?KL(Pa∥Pb)=?ηn∑i=1nlogrk(xi)sk(xi)+log∥Vb∥∥Va∥?1这里,rk(xi)和sk(xi)分别表示xi到Va中第k个最相似顶点(样本xi已移除)和Vb的欧几里得距离。然后定义了对称的KL散度度量:(3)d?(Pa,Pb)=max(d?KL(Pa∥Pb),0)+max(d?KL(Pb∥Pa),0)KL散度始终大于或等于零,只有当两个分布相同时才等于零。最后,通过方程(4)转换区域a和b的KL散度来估计区域间的MIND相似性。MIND的值介于0和1之间,较高的值表示更强的相似性。 下载:下载高分辨率图像(719kb) 下载:下载全尺寸图像 图1. 形态测量相似性网络(msn)的构建和处理过程,用于群体平均msn。对每个区域形态测量特征应用z分数标准化方法。然后得出对照组(cg,顶部)和天才组(gg,底部)的群体平均网络。颜色刻度表示值的范围(例如,原始特征从0到4000,标准化特征从?4到4,msn从?1到1),具体值对应于图中的颜色条。(关于此图例中颜色的解释,请参阅本文的网页版本。) 需要注意的是,较大的msn连接强度反映了两个区域之间的较大形态测量相关性,而较大的mind连接强度表明区域之间的特征分布相似性更高。对于每个认知指标,正相关和负相关的模式揭示了ve区域对连接强度与认知表现之间的关系。正相关表明较高的认知得分与特定ve区域内部或之间的形态测量区域相关性(在msn中)或分布相似性(在mind网络中)增加有关。相反,负相关表明较高的认知得分与这些区域内部或之间的形态测量区域相关性或分布相似性降低有关。 下载:下载高分辨率图像(523kb) 下载:下载全尺寸图像 图2. 形态测量逆散度(mind)网络的构建和处理过程,用于群体平均mind网络。对所有顶点的形态测量特征应用z分数标准化方法。然后得出对照组(cg,顶部)和天才组(gg,底部)的群体平均网络。颜色刻度范围从?1到1(与msn一致),较暖的颜色表示较高的值。(关于此图例中颜色的解释,请参阅本文的网页版本。) 2.2.2 msn和mind网络的群体分析 如图1和图2所示,msn和mind的群体网络是通过平均个体级别网络构建的。为了研究群体层面的差异,我们检查了不同密度下的ve区域连接模式和ve内部 之间的连接。为了确保全面比较,我们应用了两种互补的方法,mann–whitney u检验和sed,来评估cg和gg之间的统计和结构差异。对于ve区域对分析,由于没有应用正式的多重比较校正,我们描述性地解释这些结果,并强调互补指标之间的方向一致性,而不是名义显著性阈值。 为了研究解剖模块性差异,我们首先将308个节点分为7个ve区域,并相应地重新排序脑网络。脑网络a中ve区域对(α,β)之间的平均连接强度e(α,β)(7 × 7)定义为:(5)e(α,β)=1|Nα|(|Nα|?1)∑i∈Nα∑j∈Nα,i≠jAij,如果α=β1|Nα||Nβ|∑i∈Nα∑j∈NβAij,如果α≠β其中Nα和Nβ是VE区域α和β中的节点集(α,β∈{1,2,…,7}),|Nα|和|Nβ|分别表示它们的节点计数。 对于每个组(cg和gg)的平均脑网络,我们使用非参数mann–whitney u检验评估两个组在每个ve区域内部 之间的连接上的显著差异:(6)(pαβ,zvalαβ)=U(AαβG,AαβC)其中:–Pαβ是CG和GG在VE区域α和β的连接之间的名义未校正p值。在当前的探索性框架中,较低的值是描述性地报告的,并不解释为多重比较校正的确认性证据;–zvalαβ是正态统计量的值,其中|zvalαβ|≥1.96对应于名义未校正的双侧p≤0.05。负的zval值意味着第一个组(GG)中的值倾向于小于第二个组(CG)中的值,而正值则相反。在这项研究中,使用zval统计量进行分析,因为它保留了方向信息(正效应或负效应)。此外,zval指示的方向与其他互补指标(例如,平均SED,SCC)观察到的趋势一致,增强了观察到的模式的稳健性。 这里,aαβc和aαβg分别代表cg和gg平均网络中ve区域α和β之间的连接向量。这些向量定义为:(7)aαβ=>
鉴于两个脑网络之间的相应边关系,我们计算了cg和gg平均脑网络(msn/mind)在每个ve区域对之间的平均sed。 鉴于两个脑网络之间的相应边关系,我们计算了cg和gg平均脑网络(msn>

鉴于两个脑网络之间的相应边关系,我们计算了cg和gg平均脑网络(msn/mind)在每个ve区域对之间的平均sed。>为了解决MSN和MIND网络之间的规模差异,我们首先使用Min-Max方法将两种类型的网络组平均值标准化到-1~1的范围内,然后再计算平均SED:(8)A?C,A?G=MinMax[?1,1]AC,AG。对于每种类型的大脑网络,两个标准化组平均值网络之间的平均SED D?(α,β)定义为:(9)D?(α,β)=sgnμ(A?αβG)?μ(A?αβC)?‖A?αβG?A?αβC‖2|A?αβC|,其中:–A?αβC和A?αβG分别是标准化平均CG和GG网络中VE区域α和β之间的连接向量,遵循定义(7)。–|A?αβC|表示A?αβC的长度。–μ(?)是均值运算符。–sgn(?)是保持组差异方向性的符号函数。为了评估MSN和MIND在捕捉组差异方面的一致性和差异性,我们基于每个网络得出的区域对指标进行了综合分析。具体来说,对于zvalαβ和D?(α,β),我们构建了重叠矩阵来直接比较这两种网络类型。对于zvalαβ,重叠矩阵Oαβzval按元素定义如下:(10)Oαβzval=1,如果sgn(zvalαβMSN)=sgn(zvalαβMIND)=1;?1,如果sgn(zvalαβMSN)=sgn(zvalαβMIND)=?1;0,否则,其中sgn(?)表示符号函数。D?(α,β)的重叠矩阵,记为OD?(α,β),计算方式类似。

我们系统地研究了MSN和MIND网络在CG和GG之间的组内/组间连接模式上的差异。我们的比较分析集中在两个关键维度上:首先,基于原始组平均值网络分析组内和组间连接模式;其次,分析不同连接密度对组内和组间连接的影响。对于基于原始组平均值网络的组内和组间连接模式分析,我们获得了大脑网络A中的所有组内和组间连接:(11)Aintra=?α=17Aiji
2.2.3 msn和mind网络的个体认知分析
这部分研究了认知表现与大脑网络结构组织之间的关系,重点关注ve区域对连接和组内/组间连接。sccs用于量化解剖模块化指标与iq分数之间的关联,而mann–whitney u检验用于评估组间差异。

我们对ve区域对连接进行了个体认知分析。我们引入ep(α,β)作为所有受试者大脑网络中ve区域α和β之间的ve区域对连接强度e(α,β)的向量,连接密度为p。为了衡量ve区域连接与认知表现之间的关系,我们使用ρup(ep(α,β),ciq来表示每个ve区域对连接ep(α,β)与所有受试者的iq分数ciq之间的scc。这里,u∈msn,mind表示不同的大脑网络。为了进一步评估每个ve区域对连接强度ep(α,β)的组间差异,我们应用mann–whitney u检验,定义如下:(21)[pup(α,β),zvalup(α,β)]=u(egp(α,β),ecp(α,β)),其中egp(α,β)和ecp(α,β)分别代表密度p下gg和cg组的ve区域对连接强度向量。p和zval的定义与方程(6)中的相同;因此,这些值作为名义上的、未经校正的摘要报告,并进行描述性解释。具体来说,我们在连接密度p=0.1时计算了gg和cg组的这些指标。

为了系统地评估msn和mind之间的一致性和差异性,我们将综合重叠分析扩展到组级(zvalαβ和d?(α,β))和个体级(ρup(ep(α,β),ciq)和zvalup(α,β)指标。这四个指标揭示的方向趋势是一致的,增强了观察到的模式的稳健性。对于这四个方向指标中的每一个,我们根据方程(10)计算了msn和mind之间的重叠矩阵。在个体层面,分析是在连接密度p=0.1时进行的,得到了以下两个重叠矩阵:–oρ(α,β):网络类型之间相关性ρup(ep(α,β),ciq的重叠矩阵。–ozval(α,β):网络类型之间个体级统计量zvalup(α,β)的重叠矩阵。此外,为了评估每种网络类型内这些指标的内部一致性,我们分别为msn(omsn(α,β))和mind(omind(α,β)计算了四个方向指标的综合重叠矩阵。最后,通过计算omsn(α,β)和omind(α,β)之间的重叠来量化两种网络类型的整体重叠(表示为oall(α,β))。这些重叠分析有两个关键目的:它们评估了ve区域对结果的内部一致性,从而确保了发现的稳健性,并且它们能够识别出两种网络类型产生一致(相同符号)或不一致(相反符号或零)结果的区域对。这种方法直接突出了在解剖模块化特征描述中的方法学一致性和差异性。

2.3.1 msn和mind网络的个体认知分析
这部分研究了大脑网络中的组内/组间连接模式与认知指标之间的关系,重点关注ve区域对连接和组内/组间连接。sccs用于量化解剖模块化指标与iq分数之间的关联,而mann–whitney u检验用于评估组间差异。

我们引入ep(α,β)作为所有受试者大脑网络中ve区域α和β之间的ve区域对连接强度e(α,β)的向量,连接密度为p。为了衡量ve区域连接与认知表现之间的关系,我们使用ρup(ep(α,β),ciq来表示每个ve区域对连接ep(α,β)与所有受试者的iq分数ciq之间的scc。这里,u∈msn,mind表示不同的大脑网络。为了进一步评估每个ve区域对连接强度ep(α,β)的组间差异,我们应用mann–whitney u检验,定义如下:(21)[pup(α,β),zvalup(α,β)]=u(egp(α,β),ecp(α,β)),其中egp(α,β)和ecp(α,β)分别代表密度p下gg和cg组的ve区域对连接强度向量。p和zval的定义与方程(6)中的相同;因此,这些值作为名义上的、未经校正的摘要报告,并进行描述性解释。具体来说,我们在连接密度p=0.1时计算了gg和cg组的这些指标。

3.1 msn和mind网络的组分析结果
如2.2.2节所述,我们通过对不同密度下的ve区域对连接和组内/组间连接模式进行分析,对msn和mind网络进行了组分析。我们的目标是揭示这些网络如何反映组间差异及其潜在的认知意义。

下载:下载高分辨率图像(2mb)
下载:下载全尺寸图像
图3. msn和mind网络的组间视觉比较。左侧显示了msn组的结果,右侧显示了mind组的结果。a行显示了根据七个ve区域重新排序后的组平均网络的热图。b行展示了标记有七个ve区域的组平均大脑网络的前1%。七色节点代表分组的ve区域,彩色链接表示相应ve区域内的连接,而灰色链接表示ve区域之间的连接。节点的大小反映了网络中的度。c行展示了每个组平均大脑网络的平均ve区域对连接e。热图中的每个框内的值代表ve区域α和β之间的平均连接,即e(α,β)。在每个热图中,颜色范围从-1到1,较暖的颜色表示正值,较冷的颜色表示负值。(关于此图例中颜色的解释,请参阅本文的网络版本。)

3.1.1 msn和mind组大脑网络的视觉比较
图3中的a行显示了ve排序后的msn和mind组平均网络的热图。从图中可以看出,msn组平均网络中的连接在热图上与mind方法明显不同。通常,msn网络包含正负值,而mind网络仅包含正值。msn组平均网络中强烈元素的频率更高(由深红色和深蓝色表示),相比之下,mind组平均网络中的强烈元素较少。值得注意的是,在msn和mind组的平均热图中,cg和gg之间没有明显的视觉区别。

图3中的b行显示了使用brainnet viewer(xia等人,2013)根据a行中的热图可视化的组平均大脑网络的前1%连接。对于一个有r=308个节点的大脑网络,前1%包括[(r?1)r/2]×1%=474个连接。可视化显示所有组平均网络都显示出更高的组内连接密度。然而,mind组平均大脑网络在ve区域之间的分布更为均匀。值得注意的是,msn和mind都在gg内显示出更多的组内连接。

如图2.2.2节所述,我们计算了每个组平均大脑网络的平均ve区域连接e。图3中的c行显示了每个组平均大脑网络的e的热图。这里的七个对角线值代表平均组内连接,而下三角形的值表示平均组间连接。

下载:下载高分辨率图像(1mb)
下载:下载全尺寸图像
图4. msn和mind网络的ve区域对比较分析。a. 左/中:msn(左)和mind(中)的ve区域对mann–whitney zvalαβ值的熱图,颜色范围为[-5,5]。b. 左/中:msn(左)和mind(中)的cg和gg之间的平均sed d?(α,β),颜色范围为[-0.3×10?2,0.3×10?2]。c. 左/中:msn(左)和mind(中)的ve区域对连接强度(p=0.1)的sccs ρup与iq分数的个体级分析,颜色范围为[-0.5,0.5]。d. 来自mann–whitney u检验的zvalup(α,β)值,用于评估每个ve区域对连接强度的组间差异,颜色范围为[-3,3]。e. 左/中:msn(omsn(α,β),左)和mind(omind(α,β)的组级zvalαβ值和平均sed d?(α,β)以及个体级sccs ρup和zvalup(α,β)的一致性区域。所有右侧面板:msn和mind中每个行的ve区域对一致符号的重叠。因此,e中的右侧面板表示整合了所有指标和两个网络的复合重叠oall(α,β)。在所有热图中,较暖的颜色代表正值,较冷的颜色代表负值。 u检验来量化这些连接集的组间差异(cg vs. gg):(13)(pintra,zvalintra)=U(AintraG,AintraC);(14)(Pinter,zvalinter)=U(AinterG,AinterC),其中:–AintraC, aintrag:cg gg平均网络中的所有组内连接,遵循方程(11)的定义。–ainterc, ainterg:cg gg平均网络中的所有组间连接,遵循方程(12)的定义。此外,我们计算了标准化(min-max)平均大脑网络cg (a?c)和gg (a?g)在所有组内 组间连接上的平均sed (d?intra d?inter):(15)d?intra=sgnμ(A?intraG)?μ(A?intraC)?‖A?intraG?A?intraC‖2|A?intraC|;(16)D?inter=sgnμ(A?interG)?μ(A?interC)?‖A?interG?A?interC‖2|A?interC|,其中:–A?intraC, a?intrag:标准化cg gg网络中的组内连接,遵循方程(11)的定义。–a?interc, a?interg:标准化cg gg网络中的组间连接,遵循方程(12)的定义。为了分析不同连接密度对组内 组间连接的影响,我们采用mst方法确保所有具有不同密度的图都是节点连接的。鉴于mst网络mp是节点连接的,mst网络的最小可行密度为:(17)pmin=R?1(R2)=2R≈0.0065(R=308个节点)。在这项研究中,连接密度变化如下:p∈{0.0065,0.01,0.05,0.1,0.15,0.2,0.25,0.3,0.35,0.4,0.5,0.6,0.7,0.8,0.9,1}。为了减轻MSN和MIND网络之间的规模差异,我们首先对两种网络类型的组平均网络的MST表示应用Min-Max标准化(缩放到[0,1]范围内):(18)M?Cp,M?Gp=MinMax[0,1]MCp,MGp。遵循方程(11)、(12)中的类似定义,我们定义??intrap和??interp为标准化MST网络??p的组内和组间连接集。类似于方程(15)、(16),我们分别计算CG和GG在??intrap和??interp内的平均SED指标D?intrap和D?interp。这种计算是在每个连接密度p下分别对MSN和MIND网络进行的。此外,我们在固定密度p=0.1时比较MSN和MIND的组平均MST网络中的组内和组间连接强度。强度指标定义为:(19)Sintrap=∑?intrap|?intrap|;(20)Sinterp=∑?interp|?interp|,这里?interp和?intrap分别表示从MST网络Mp中提取的组内和组间连接集。 2.2.3 msn和mind网络的个体认知分析 这部分研究了认知表现与大脑网络结构组织之间的关系,重点关注ve区域对连接和组内 组间连接。sccs用于量化解剖模块化指标与iq分数之间的关联,而mann–whitney u检验用于评估组间差异。 我们对ve区域对连接进行了个体认知分析。我们引入ep(α,β)作为所有受试者大脑网络中ve区域α和β之间的ve区域对连接强度e(α,β)的向量,连接密度为p。为了衡量ve区域连接与认知表现之间的关系,我们使用ρup(ep(α,β),ciq来表示每个ve区域对连接ep(α,β)与所有受试者的iq分数ciq之间的scc。这里,u∈msn,mind表示不同的大脑网络。为了进一步评估每个ve区域对连接强度ep(α,β)的组间差异,我们应用mann–whitney u检验,定义如下:(21)[pup(α,β),zvalup(α,β)]=U(EGp(α,β),ECp(α,β)),其中EGp(α,β)和ECp(α,β)分别代表密度p下GG和CG组的VE区域对连接强度向量。P和zval的定义与方程(6)中的相同;因此,这些值作为名义上的、未经校正的摘要报告,并进行描述性解释。具体来说,我们在连接密度p=0.1时计算了GG和CG组的这些指标。 为了系统地评估msn和mind之间的一致性和差异性,我们将综合重叠分析扩展到组级(zvalαβ和d?(α,β))和个体级(ρup(ep(α,β),ciq)和zvalup(α,β)指标。这四个指标揭示的方向趋势是一致的,增强了观察到的模式的稳健性。对于这四个方向指标中的每一个,我们根据方程(10)计算了msn和mind之间的重叠矩阵。在个体层面,分析是在连接密度p=0.1时进行的,得到了以下两个重叠矩阵:–Oρ(α,β):网络类型之间相关性ρup(Ep(α,β),CIQ的重叠矩阵。–Ozval(α,β):网络类型之间个体级统计量zvalup(α,β)的重叠矩阵。此外,为了评估每种网络类型内这些指标的内部一致性,我们分别为MSN(OMSN(α,β))和MIND(OMIND(α,β)计算了四个方向指标的综合重叠矩阵。最后,通过计算OMSN(α,β)和OMIND(α,β)之间的重叠来量化两种网络类型的整体重叠(表示为Oall(α,β))。这些重叠分析有两个关键目的:它们评估了VE区域对结果的内部一致性,从而确保了发现的稳健性,并且它们能够识别出两种网络类型产生一致(相同符号)或不一致(相反符号或零)结果的区域对。这种方法直接突出了在解剖模块化特征描述中的方法学一致性和差异性。 2.3.1 msn和mind网络的个体认知分析 这部分研究了大脑网络中的组内 组间连接模式与认知指标之间的关系,重点关注ve区域对连接和组内 组间连接。sccs用于量化解剖模块化指标与iq分数之间的关联,而mann–whitney u检验用于评估组间差异。 我们引入ep(α,β)作为所有受试者大脑网络中ve区域α和β之间的ve区域对连接强度e(α,β)的向量,连接密度为p。为了衡量ve区域连接与认知表现之间的关系,我们使用ρup(ep(α,β),ciq来表示每个ve区域对连接ep(α,β)与所有受试者的iq分数ciq之间的scc。这里,u∈msn,mind表示不同的大脑网络。为了进一步评估每个ve区域对连接强度ep(α,β)的组间差异,我们应用mann–whitney u检验,定义如下:(21)[pup(α,β),zvalup(α,β)]=U(EGp(α,β),ECp(α,β)),其中EGp(α,β)和ECp(α,β)分别代表密度p下GG和CG组的VE区域对连接强度向量。P和zval的定义与方程(6)中的相同;因此,这些值作为名义上的、未经校正的摘要报告,并进行描述性解释。具体来说,我们在连接密度p=0.1时计算了GG和CG组的这些指标。 3.1 msn和mind网络的组分析结果 如2.2.2节所述,我们通过对不同密度下的ve区域对连接和组内 组间连接模式进行分析,对msn和mind网络进行了组分析。我们的目标是揭示这些网络如何反映组间差异及其潜在的认知意义。 下载:下载高分辨率图像(2mb) 下载:下载全尺寸图像 图3. msn和mind网络的组间视觉比较。左侧显示了msn组的结果,右侧显示了mind组的结果。a行显示了根据七个ve区域重新排序后的组平均网络的热图。b行展示了标记有七个ve区域的组平均大脑网络的前1%。七色节点代表分组的ve区域,彩色链接表示相应ve区域内的连接,而灰色链接表示ve区域之间的连接。节点的大小反映了网络中的度。c行展示了每个组平均大脑网络的平均ve区域对连接e。热图中的每个框内的值代表ve区域α和β之间的平均连接,即e(α,β)。在每个热图中,颜色范围从-1到1,较暖的颜色表示正值,较冷的颜色表示负值。(关于此图例中颜色的解释,请参阅本文的网络版本。) 3.1.1 msn和mind组大脑网络的视觉比较 图3中的a行显示了ve排序后的msn和mind组平均网络的热图。从图中可以看出,msn组平均网络中的连接在热图上与mind方法明显不同。通常,msn网络包含正负值,而mind网络仅包含正值。msn组平均网络中强烈元素的频率更高(由深红色和深蓝色表示),相比之下,mind组平均网络中的强烈元素较少。值得注意的是,在msn和mind组的平均热图中,cg和gg之间没有明显的视觉区别。 图3中的b行显示了使用brainnet viewer(xia等人,2013)根据a行中的热图可视化的组平均大脑网络的前1%连接。对于一个有r=308个节点的大脑网络,前1%包括[(R?1)R/2]×1%=474个连接。可视化显示所有组平均网络都显示出更高的组内连接密度。然而,MIND组平均大脑网络在VE区域之间的分布更为均匀。值得注意的是,MSN和MIND都在GG内显示出更多的组内连接。 如图2.2.2节所述,我们计算了每个组平均大脑网络的平均ve区域连接e。图3中的c行显示了每个组平均大脑网络的e的热图。这里的七个对角线值代表平均组内连接,而下三角形的值表示平均组间连接。 下载:下载高分辨率图像(1mb) 下载:下载全尺寸图像 图4. msn和mind网络的ve区域对比较分析。a. 左 中:msn(左)和mind(中)的ve区域对mann–whitney zvalαβ值的熱图,颜色范围为[-5,5]。b. 左 中:msn(左)和mind(中)的cg和gg之间的平均sed d?(α,β),颜色范围为[-0.3×10?2,0.3×10?2]。c. 左 中:msn(左)和mind(中)的ve区域对连接强度(p=0.1)的SCCs ρup与iq分数的个体级分析,颜色范围为[-0.5,0.5]。d. 来自mann–whitney u检验的zvalup(α,β)值,用于评估每个ve区域对连接强度的组间差异,颜色范围为[-3,3]。e. 左 中:msn(omsn(α,β),左)和mind(omind(α,β)的组级zvalαβ值和平均sed d?(α,β)以及个体级sccs>

2.2.3 msn和mind网络的个体认知分析
这部分研究了认知表现与大脑网络结构组织之间的关系,重点关注ve区域对连接和组内/组间连接。sccs用于量化解剖模块化指标与iq分数之间的关联,而mann–whitney u检验用于评估组间差异。

我们对ve区域对连接进行了个体认知分析。我们引入ep(α,β)作为所有受试者大脑网络中ve区域α和β之间的ve区域对连接强度e(α,β)的向量,连接密度为p。为了衡量ve区域连接与认知表现之间的关系,我们使用ρup(ep(α,β),ciq来表示每个ve区域对连接ep(α,β)与所有受试者的iq分数ciq之间的scc。这里,u∈msn,mind表示不同的大脑网络。为了进一步评估每个ve区域对连接强度ep(α,β)的组间差异,我们应用mann–whitney u检验,定义如下:(21)[pup(α,β),zvalup(α,β)]=u(egp(α,β),ecp(α,β)),其中egp(α,β)和ecp(α,β)分别代表密度p下gg和cg组的ve区域对连接强度向量。p和zval的定义与方程(6)中的相同;因此,这些值作为名义上的、未经校正的摘要报告,并进行描述性解释。具体来说,我们在连接密度p=0.1时计算了gg和cg组的这些指标。

为了系统地评估msn和mind之间的一致性和差异性,我们将综合重叠分析扩展到组级(zvalαβ和d?(α,β))和个体级(ρup(ep(α,β),ciq)和zvalup(α,β)指标。这四个指标揭示的方向趋势是一致的,增强了观察到的模式的稳健性。对于这四个方向指标中的每一个,我们根据方程(10)计算了msn和mind之间的重叠矩阵。在个体层面,分析是在连接密度p=0.1时进行的,得到了以下两个重叠矩阵:–oρ(α,β):网络类型之间相关性ρup(ep(α,β),ciq的重叠矩阵。–ozval(α,β):网络类型之间个体级统计量zvalup(α,β)的重叠矩阵。此外,为了评估每种网络类型内这些指标的内部一致性,我们分别为msn(omsn(α,β))和mind(omind(α,β)计算了四个方向指标的综合重叠矩阵。最后,通过计算omsn(α,β)和omind(α,β)之间的重叠来量化两种网络类型的整体重叠(表示为oall(α,β))。这些重叠分析有两个关键目的:它们评估了ve区域对结果的内部一致性,从而确保了发现的稳健性,并且它们能够识别出两种网络类型产生一致(相同符号)或不一致(相反符号或零)结果的区域对。这种方法直接突出了在解剖模块化特征描述中的方法学一致性和差异性。

2.3.1 msn和mind网络的个体认知分析
这部分研究了大脑网络中的组内/组间连接模式与认知指标之间的关系,重点关注ve区域对连接和组内/组间连接。sccs用于量化解剖模块化指标与iq分数之间的关联,而mann–whitney u检验用于评估组间差异。

我们引入ep(α,β)作为所有受试者大脑网络中ve区域α和β之间的ve区域对连接强度e(α,β)的向量,连接密度为p。为了衡量ve区域连接与认知表现之间的关系,我们使用ρup(ep(α,β),ciq来表示每个ve区域对连接ep(α,β)与所有受试者的iq分数ciq之间的scc。这里,u∈msn,mind表示不同的大脑网络。为了进一步评估每个ve区域对连接强度ep(α,β)的组间差异,我们应用mann–whitney u检验,定义如下:(21)[pup(α,β),zvalup(α,β)]=u(egp(α,β),ecp(α,β)),其中egp(α,β)和ecp(α,β)分别代表密度p下gg和cg组的ve区域对连接强度向量。p和zval的定义与方程(6)中的相同;因此,这些值作为名义上的、未经校正的摘要报告,并进行描述性解释。具体来说,我们在连接密度p=0.1时计算了gg和cg组的这些指标。

3.1 msn和mind网络的组分析结果
如2.2.2节所述,我们通过对不同密度下的ve区域对连接和组内/组间连接模式进行分析,对msn和mind网络进行了组分析。我们的目标是揭示这些网络如何反映组间差异及其潜在的认知意义。

下载:下载高分辨率图像(2mb)
下载:下载全尺寸图像
图3. msn和mind网络的组间视觉比较。左侧显示了msn组的结果,右侧显示了mind组的结果。a行显示了根据七个ve区域重新排序后的组平均网络的热图。b行展示了标记有七个ve区域的组平均大脑网络的前1%。七色节点代表分组的ve区域,彩色链接表示相应ve区域内的连接,而灰色链接表示ve区域之间的连接。节点的大小反映了网络中的度。c行展示了每个组平均大脑网络的平均ve区域对连接e。热图中的每个框内的值代表ve区域α和β之间的平均连接,即e(α,β)。在每个热图中,颜色范围从-1到1,较暖的颜色表示正值,较冷的颜色表示负值。(关于此图例中颜色的解释,请参阅本文的网络版本。)

3.1.1 msn和mind组大脑网络的视觉比较
图3中的a行显示了ve排序后的msn和mind组平均网络的热图。从图中可以看出,msn组平均网络中的连接在热图上与mind方法明显不同。通常,msn网络包含正负值,而mind网络仅包含正值。msn组平均网络中强烈元素的频率更高(由深红色和深蓝色表示),相比之下,mind组平均网络中的强烈元素较少。值得注意的是,在msn和mind组的平均热图中,cg和gg之间没有明显的视觉区别。

图3中的b行显示了使用brainnet viewer(xia等人,2013)根据a行中的热图可视化的组平均大脑网络的前1%连接。对于一个有r=308个节点的大脑网络,前1%包括[(r?1)r/2]×1%=474个连接。可视化显示所有组平均网络都显示出更高的组内连接密度。然而,mind组平均大脑网络在ve区域之间的分布更为均匀。值得注意的是,msn和mind都在gg内显示出更多的组内连接。

如图2.2.2节所述,我们计算了每个组平均大脑网络的平均ve区域连接e。图3中的c行显示了每个组平均大脑网络的e的热图。这里的七个对角线值代表平均组内连接,而下三角形的值表示平均组间连接。

下载:下载高分辨率图像(1mb)
下载:下载全尺寸图像
图4. msn和mind网络的ve区域对比较分析。a. 左/中:msn(左)和mind(中)的ve区域对mann–whitney zvalαβ值的熱图,颜色范围为[-5,5]。b. 左/中:msn(左)和mind(中)的cg和gg之间的平均sed d?(α,β),颜色范围为[-0.3×10?2,0.3×10?2]。c. 左/中:msn(左)和mind(中)的ve区域对连接强度(p=0.1)的sccs ρup与iq分数的个体级分析,颜色范围为[-0.5,0.5]。d. 来自mann–whitney u检验的zvalup(α,β)值,用于评估每个ve区域对连接强度的组间差异,颜色范围为[-3,3]。e. 左/中:msn(omsn(α,β),左)和mind(omind(α,β)的组级zvalαβ值和平均sed d?(α,β)以及个体级sccs ρup和zvalup(α,β)的一致性区域。所有右侧面板:msn和mind中每个行的ve区域对一致符号的重叠。因此,e中的右侧面板表示整合了所有指标和两个网络的复合重叠oall(α,β)。在所有热图中,较暖的颜色代表正值,较冷的颜色代表负值。>在所有重叠区域中,红色代表正值,蓝色代表负值,白色代表不一致的值。(关于此图例中颜色参考的解释,请参阅本文的网页版本。)MSNs中平均VE区域对连接的热图显示了更宽的颜色范围,反映了从-0.30到0.69的广泛数值,包括正值和负值。相比之下,MIND中平均VE区域对连接的数值范围较窄,仅为正值(0.12到0.26)。值得注意的是,组平均MSN在VE 4–4、5–5、1–7和2–4区域的平均VE区域对连接上显示出CG和GG之间的显著差异。相反,在MIND网络的平均VE区域对连接中,CG和GG之间的差异很小。3.1.2 VE区域分析结果比较CG和GG之间的VE区域对连接。如2.2.2节所述,由于VE对分析是探索性的,并且没有应用正式的多重比较校正,我们强调的是跨指标的模式方向和收敛性,而不是名义显著性阈值。因此,我们总结了ACαβ和AGαβ连接之间的差异,并计算了每个VE区域对(α,β)的平均SED。(1)zvalαβ的统计分析(图4a):下载:下载高分辨率图像(613KB)下载:下载全尺寸图像图5. 组平均MSN和MIND网络的VE区域分析结果。a分别绘制了组平均MSN(左)和MIND网络(右)的VE内/VE间连接的violin图。b显示了两个组平均网络在MSN(橙色条形)和MIND(青色条形)的VE内/VE间连接上的zval值(左)和平均SED(右)。c左图显示了CG和GG在MSN不同连接密度下的VE内/VE间连接的平均SED(D?intra/D?inter)。右图显示了MIND在p=0.1连接密度下的VE内/VE间连接强度(Sintra, Sinter)。(关于此图例中颜色参考的解释,请参阅本文的网页版本。)图4a的左图和中间图可视化了MSN和MIND网络的Mann–Whitney U测试得到的zvalαβ值。右图提供了一个比较图,突出显示了zvalαβ值在两个网络中符号一致的区域(红色表示均为正值,蓝色表示均为负值)。在MSN中,GG平均网络在VE 4–4区域的连接更强(zval44=3.98),而在VE 1–7(zval17=?2.90)和VE 2–4(zval24=?3.50)区域的连接较弱。相比之下,在MIND中,GG平均网络在VE 2–2(zval22=6.22)、VE 1–2(zval12=2.58)、VE 2–3(zval23=5.73)、VE 2–6(zval26=3.34)、VE 2–7(zval27=2.59)和VE 3–6(zval36=2.60)区域的连接更强。右图显示了多个VE区域对中zvalαβ符号的一致性,表明MSN和MIND网络在VE 2–2、4–4、5–5、1–2、1–3、3–4、3–6、3–7、4–7、5–7区域的CG-GG连接趋势相似。(2)平均SED分析(图4b):图4b的左图和中间图分别显示了MSN和MIND网络的平均SED值D?(α,β),而右图突出显示了两个网络中D?(α,β)符号一致的区域(红色:均为正值,蓝色:均为负值)。尽管大多数VE区域对的D?(α,β)符号与zvalαβ符号一致,但|D?(α,β)|的幅度在MSN和MIND之间显示出更强的一致性。具体来说,两个网络在VE 1–1、6–6、7–7、1–7、5–7和6–7区域的Euclidean距离(|D?(α,β)|≥0.6)较高,表明这些对对CG-GG区分有显著贡献。这表明平均SED通过结合脑网络中的节点排序信息有效地捕捉了结构差异。除了上述对之外,MSN网络在包括VE 5–5、1–5、3–6、3–7、4–6、5–6和5–7在内的其他VE区域对中也显示出更高的Euclidean距离(|D?(α,β)|≥0.6)。右图进一步强调了2–2、4–4、5–5、1–2、1–3、3–4、3–6、3–7和4–5区域对中两个网络符号的一致性(正面或负面),进一步证实了这两个网络在这些特定对中的CG-GG连接差异具有相似的方向趋势。3.1.3 VE内/VE间连接分析图5a分别显示了组平均MSN和MIND网络的VE内和VE间连接的violin图。violin图中的每个点代表平均值。可以观察到,MSN中的连接值范围从-1到1,而在MIND网络中,它们范围从0到0.5。此外,组平均MSN和MIND网络的平均VE内连接都高于平均VE间连接。图5b显示了两个组平均网络在VE内/VE间连接上的zval值和平均SED,MSN用橙色条形表示,MIND用青色条形表示。对于组平均MSN,GG显示出正的zvalintra和D?intra值,表明VE内连接更强,而zvalinter和D?inter值为负,表明VE间连接较弱。相比之下,组平均MIND网络显示出正的zvalintra、D?intra、zvalinter和D?inter值,表明GG在VE内和VE间连接上都更强。值得注意的是,MSN在D?intra和D?inter方面的平均Euclidean距离都高于MIND。虽然两个组平均MIND网络在VE内和VE间连接上的z值都较大,zvalintra>1.96和zvalinter>1.96,但MSN的zvalintra和zvalinter值并未达到CG和GG之间的名义阈值。这一观察表明,即使zval没有强调这些差异,SED也能有效地捕捉脑网络中的结构差异。图5c(MSN)和d(MIND)比较了不同连接密度下CG和GG之间的VE内和VE间连接。图5c(MSN)和d(MIND)的左图显示了各种连接密度下的平均SED(D?intra和D?inter)。对于MSN和MIND,VE内距离在幅度上始终超过VE间距离,这一模式在所有密度范围内都成立。值得注意的是,D?intra和D?inter在0.05≤p≤0.4的密度范围内达到最高值。在MSN(图5c,左)中,GG显示出更强的VE内连接(D?intra>0)和较弱的VE间连接(D?inter<0)。在MIND(图5d,左)中,GG也显示出更强的VE内连接(D?intra>0)。然而,D?inter在不同密度下的符号波动可能表明两组之间的VE间连接强度差异可以忽略不计。右图比较了p=0.1时VE内和VE间连接强度(Sintra和Sinter)。对于两个网络,CG和GG的VE内连接都明显强于VE间连接。在MSN(图5c,右)中,GG显示出更强的VE内连接强度,而VE间连接强度相对较弱。在MIND(图5d,右)中,GG的VE内连接强度也明显更强。所有这些连接强度的模式都与左图中显示的组级SED观察结果一致。3.2 MSN和MIND网络的个体认知分析结果在本节中,我们展示了基于解剖模块的MSN和MIND网络个体认知分析的结果。重点在于检查IQ分数与VE区域对连接强度以及VE内/VE间连接指标之间的相关性。这些分析旨在揭示个体认知差异与脑网络模块化属性之间的联系。3.2.1 VE区域对连接和IQ的个体级分析个体级结果。如2.2.3节所述,我们分析了不同连接密度p下VE区域对连接强度与IQ分数之间的Spearman相关性。结果如图6所示,揭示了以下模式:在较低密度(p≤0.05)下,MSN和MIND的SCCs显示出高变异性和不稳定,尽管某些VE区域对——如MSN中的6–6、7–7、1–4、1–6和4–6,以及MIND中的1–5、1–6和2–4——显示出相对较强的相关性。在MSN中,由于网络中将负值视为零,SCCs在p≥0.6时趋于每个VE区域对的统一值。在MIND中,SCCs在0.05≤p≤0.4的中等密度范围内通常显示出更强的值,尽管每个VE区域对的SCCs随p变化。与方法中描述的探索性框架一致,这些VE对结果主要是描述性的,重点在于分析中的效应方向和收敛性,而不仅仅是名义显著性阈值。为了更易于解释的可视化,图4c和图4d提供了连接密度p=0.1时每个VE区域对的Mann–Whitney U测试得到的SCCs ρup(Ep(α,β)和zvalup(α,β)值的热图,MSN和MIND的结果并排显示,并突出显示了它们的重叠部分。主要观察结果包括ρup(Ep(α,β)和zvalup(α,β)之间的一致性:对于每个VE区域对,较高的|ρup(Ep(α,β)|总是对应于相同方向的较高|zvalup(α,β)|。此外,对于MSN,VE区域对1–1(ρ=0.25, zval=0.15)、2–2(ρ=0.30, zval=1.37)、4–4(ρ=0.32, zval=2.20>1.96)和5–6(ρ=0.27, zval=1.37)观察到有意义的正相关性(ρ≥0.2),表明较高的IQ与这些VE区域内的形态测量相关性增加有关。相反,VE区域对1–7(ρ=?0.20, zval=?1.29)、2–7(ρ=?0.23, zval=?0.37)、3–4(ρ=?0.30, zval=?0.55)和4–5(ρ=?0.25, zval=0.11)观察到有意义的负相关性(ρ≤0.2),表明较高的IQ与这些区域之间的形态测量相似性降低有关。最后,对于MIND,VE区域对4–4(ρ=0.36, zval=1.46)、7–7(ρ=0.23, zval=1.2)、1–2(ρ=0.23, zval=0.15)、1–3(ρ=0.23, zval=0.46)、1–7(ρ=0.39, zval=1.55)、2–7(ρ=0.28, zval=2.07>1.96)和6–7(ρ=0.39, zval=2.34>1.96)也观察到有意义的正相关性,表明这些区域内的分布一致性较高与较高的IQ相关。有意义的负相关性(ρ≤0.2)出现在VE区域对2–5(ρ=?0.25, zval=?1.77)、2–6(ρ=?0.20, zval=?1.11)、3–4(ρ=?0.24, zval=?0.94)、3–6(ρ=?0.30, zval=?0.94)和5–6(ρ=?0.34, zval=?0.94)中,表明较高的IQ与这些区域之间的分布多样性增加有关。下载:下载高分辨率图像(847KB)下载:下载全尺寸图像图6. MSN(a)和MIND(b)中VE区域对连接强度Ep(α,β)与IQ分数之间的SCCs。横轴代表所有独特的VE区域成对连接(总共28对)。如果我们在个体级分析中比较MSN和MIND,大量的VE区域对显示出一致的SCCs ρ(18/28=64.5%,如图4c的右图所示)和zvalup(α,β)(12/28=42.9%,如图4d的右图所示),表明MSN和MIND的模块化连接模式之间存在收敛关系。具体来说,两个网络在VE-4区域内显示出显著的正相关性,在VE 3–4区域内显示出显著的负相关性。这种模式与先前组分析中观察到的zvalαβ和D?(α,β)的方向一致,表明较高的IQ与次级感觉区域(VE-4)内的形态测量同质性增加相关,但后部关联区域与次级感觉区域(VE 3–4)之间的耦合减少。另一方面,在个体级分析中,某些对存在显著差异,例如VE 1–7、2–7和5–6,在MSN中SCCs和zval均为负/正,但在MIND中方向相反。这些差异也反映在zvalαβ(图4a)和D?(α,β)(图4b)的组级分析中,强调了两种类型SBN捕获的不同模块化连接模式。组级分析与个体级分析的比较。图4e展示了p=0.1时MSN(左)和MIND(中)的组级指标(zvalαβ, D?(α,β)和个体级SCCs ρup(Ep(α,β),CIQ)和zvalup(α,β)之间的符号一致性。对于两个网络,大多数VE区域对的个体级SCCs ρ和zvalup(α,β)在p=0.1时的符号与组级zvalαβ和D?(α,β)的符号一致。这种一致性表明组级分析和个体级分析之间的相关趋势是一致的,证实了所选密度阈值保留了与认知相关的关键结构连接。值得注意的是,MSN在VE区域对之间的群体-个体一致性比例上要高于MIND(分别为22/28=78.6% vs 16/28=57.1%),这表明其在认知评估中的方法论稳健性和分析稳定性更为优越。图4e的右侧面板整合了两个网络(MSN和MIND)中每个VE区域对的符号一致性,以及所有群体和个体层面的分析指标(zvalαβ、D?(α,β)、ρup和zvalup(α,β)。所有分析指标都与我们关注的相关性的大小和方向一致。一致相关的VE区域对包括VE 2–2、4–4、1–2、1–3和3–7之间的正相关,以及VE 3–4之间的负相关。如前所述,VE 4–4和3–4在群体分析中显示出显著的SCCs(结构一致性系数),同时具有相对较高的|zvalαβ|和|D?(α,β)|值,这突显了它们的形态测量区域相关性和分布相似性与认知表现之间的强烈关联。

3.2.2 个体层面的VE内部/之间连接和IQAs分析
如2.2.2节所述,我们计算了IQ分数与解剖模块化指标(Sintra、Sinter和RVE)之间的SCCs(结构一致性系数)。图7a(MSN)和图7b(MIND)总结了不同连接密度p下的这些SCCs,揭示了两种网络类型之间的IQ-模块化关系。图表显示了MSN和MIND在不同连接密度下IQ分数与模块化连接组件(?∈Sintra,Sinter,RVE)之间的相关模式。

下载:下载高分辨率图片(574KB)
下载:下载全尺寸图片

图7. SCC结果展示了MSN(a, c)和MIND(b, d)中IQ与解剖模块化指标(?∈Sintra,Sinter,RVE)之间的关系。a和b面板显示了不同连接密度p下的ρup(?p,CIQ)(SCCs)值。c和d面板在连接密度p=0.1时展示了散点图,其中IQ分数(x轴)与各种指标(y轴)相对应。每个散点图包括数据点(浅红色:CG;浅蓝色:GG)、回归线、阴影置信区间,以及Mann–Whitney U检验得出的相应P?p值和SCC ρ值。

如图7a所示,IQ在所有连接密度下都与Sintra和RVE呈显著正相关,而与Sinter呈负相关。最强的相关性出现在0.05≤p≤0.15的范围内,对于这三个指标都是如此。具体来说,在p=0.1时(图7c),与Sintra的相关性为ρ=0.40(名义未校正P=0.015),与Sinter的相关性为ρ=?0.44(名义未校正P=0.017),与RVE的相关性为ρ=0.42(名义未校正P=0.015)。另一方面,图7b显示IQ与Sintra和RVE呈正相关,SCCs值最高约为0.2。虽然IQ与Sinter之间的相关性在大多数密度下接近零,但在0.05≤p≤0.15的范围内略微负相关,但仍然较弱(|ρ|<0.2)。在p=0.1时(图7d),具体相关性分别为:ρ=0.13(Sintra)、ρ=?0.10(Sinter)和ρ=0.14(RVE),所有名义P值均大于0.05,表明在这三项指标的探索性分析中没有明显的群体差异。

两个网络在0.05≤p≤0.15的范围内显示出一致的解剖模块化指标(Sintra, Sinter, RVE)相关趋势(正/负),这与之前的群体层面网络趋势一致。然而,MSN在这些指标与IQ之间的相关性明显强于MIND。

4. 讨论
本研究基于VE(视觉编码)分析了两种类型的个体层面脑网络(MSN和MIND网络)在不同连接密度下的解剖模块化差异,使用了29名男童的结构MRI数据和认知测试分数。在群体层面,我们检查了VE区域之间的连接差异以及CG(初级感觉区)和GG(高级感觉区)之间的VE内部/之间连接。在个体层面,我们使用Spearman相关性评估了认知分数与VE区域对连接和VE内部/之间连接强度之间的关联,并使用Mann–Whitney U检验进一步评估了这些个体层面指标的群体差异的统计显著性。通过整合这些分析,我们的研究初步了解了解剖模块化如何与不同网络构建方法下的认知表现相关。鉴于样本规模较小且同质性较高,这些探索性发现应被视为初步结果,需要在更大、更多样化的队列中进行复制。

连接密度在塑造MSN和MIND网络中CG和GG之间的观察到的拓扑差异方面起着关键作用。在当前数据集中,0.05≤p≤0.15的密度范围显示了两种网络类型最清晰和最稳定的模块化-认知模式。在这个范围内,我们观察到更明显的CG-GG差异,两组之间的欧几里得距离更大且更稳定,VE区域对连接强度/模块化指标与认知分数之间的SCC值也更高——这些效应在MSN中尤为显著。

值得注意的是,如图4e所示,对于大量的VE区域对,群体层面差异的方向(正/负)(通过平均SEDs和zval捕捉)与个体层面关联的方向(通过SCCs ρ和zvalup(α,β)捕捉)在p=0.1时对齐,无论是MSN还是MIND网络都是如此。这种一致性可能表明群体层面和个体层面的分析得出了一致的相关趋势,并且这个密度范围可能保留了当前数据集中的核心结构连接。

在p<0.05时,这些指标往往较低或高度不稳定。例如,在MSN和MIND网络中,某些VE区域对之间的SCCs与IQ分数之间的变异性和不稳定性更大。这种不稳定性可能是由于过度稀疏造成的,这可能会破坏网络拓扑并扭曲有意义的结构模式。

当p≥0.15时,大多数指标会下降,但随着p的增加而保持稳定,表明捕捉认知相关差异的敏感性和有效性降低。

这些观察结果特定于当前29名男童的数据集,不应被解释为选择密度的通用建议。相反,它们提供了初步证据,表明在类似的探索性分析中,中等密度可能有用,需要在更大、更多样化的队列中进行复制。我们的观察结果与Sebenius等人(2023年)的研究结果形成对比,他们采用了非常低的连接密度(p=0.01),但与Seidlitz等人(2018年)和Solé-Casals等人(2019年)的研究结果大体一致,后者使用了p=0.1的密度。此外,这些结果也与Han等人(2025a, 2025b)的研究结果一致,他们报告称,在相关的MSN分析中,0.05≤p≤0.15范围内的拓扑特征与认知表现的相关性更强。

我们对MSN和MIND网络的综合分析表明,解剖学内部/之间模块化连接与认知表现之间存在一致性关联。更重要的是,这些发现为模块化架构如何支持认知发展提供了新的见解,并完善了当前的智力模型。我们首先观察到,在所有儿童中,VE内部连接始终比VE之间连接更强,这一基础架构模式与先前关于灵长类动物内部模块化连接更密集的证据一致(Harriger等人,2012年)。此外,IQ与半球内连接强度比之间的正相关进一步支持了先前的发现(Meunier等人,2010年;Simon等人,2012年;Simon等人,2018年;Stevens等人,2012年),这些发现表明,倾向于内部模块化连接而非外部模块化连接的不平衡可能支持认知表现的提升,特别是在这里研究的解剖模块化框架内。

在两种网络类型中,更强的VE内部连接都与更高的IQ分数相关,这一点得到了多条证据的支持:群体层面分析显示GG组的zvalintra和D?intra值为正,同时VE内部连接强度增加;个体层面分析进一步证明了IQ与Sintra和RVE之间的正相关。然而,MIND与VE内部连接的相关性不如MSN明显,这可能表明在捕捉认知相关模块特征方面存在敏感性差异。

涉及VE之间连接的关系显示出更复杂的模式。在MSN中,较弱的VE之间连接似乎与更好的认知表现相关,这反映在负的zvalinter和D?inter值上,GG组的VE之间连接强度略有降低,以及个体层面分析中与Sinter的显著负相关——尽管效应大小通常小于VE内部连接。相比之下,MIND显示出不稳定的方向性关系,仅在特定的连接密度下与VE之间连接有弱的负相关。

总体而言,这些观察结果得出了几个具有理论意义的结论。首先,强大的内部模块化连接对于高效的神经专业化至关重要,可能反映了支持更高认知功能出现的发育机制。其次,模块之间连接与智力的关联更具变异性且依赖于方法,MSN特别表明较弱的模块之间连接与更高的IQ相关,而在MIND中这种关系较弱且不稳定。第三,MSN特别强调,过度的模块间整合可能不利于认知表现,从而为高效模块化假说提供了具体的实证支持。

这些结果部分与之前的研究(Solé-Casals等人,2019年)的结果相反,尽管使用了相同的样本。之前的研究报告称,在群体层面的SCNs中,更密集的模块间连接和更稀疏的内部模块连接有助于更高的认知表现。这种差异可能源于网络构建方法和所使用模块的差异,如表1所概述的。最终,我们的结果支持高效模块化假说,该假说认为最佳的认知功能依赖于分离和整合之间的平衡:强大的内部模块化连接支持模块内的专门化处理,而选择性的模块间连接则实现了模块间的高效通信,而不会产生过多的连接成本(Bertolero等人,2015年;Betzel等人,2017年;Bullmore和Sporns,2009年;Chaddock-Heyman等人,2020年;Sporns,2013年)。通过明确内部和模块间解剖连接对儿童认知表现的独特和互补贡献,这项工作不仅强化了高效模块化假说,还为未来关于解剖模块化如何塑造认知发展的研究提供了发展和方法论框架。

我们对MSN和MIND网络的综合分析揭示了解剖学内部/之间模块化连接与认知表现之间的趋同和差异模式,为理解智力的神经基础提供了互补的见解。

表1. Solé-Casals等人研究与本研究的比较。

| | Solé-Casals等人研究 | 本研究 |
|------|------------------|------------------|
| | 研究对象 | 29名儿童(相同) |
| | 脑网络构建 | SCN(MSN vs. MIND) |
| | 网络层面 | 群体层面 | 个体层面 |
| | 形态测量特征 | CTSA、GMV、CT、MC、GC |
| | 使用的模块 | Louvain算法基础的VE分类 |
| | 连接密度框架 | MST |
| | 认知关联分析 | 群体层面 | 个体层面 |

**一致的模式。** 在两个网络和所有分析层面(图4e的右侧面板)中,多个VE区域对显示出一致的方向效应,包括VE 2–2、4–4、1–2、1–3和3–7之间的正相关,以及VE 3–4之间的负相关。值得注意的是,对于两个网络,VE 4-4(初级感觉区内)在个体层面与IQ分数始终显示出显著的正相关(MSN:ρ=0.32,zval=2.20;MIND:ρ=0.36,zval=1.46),同时群体层面也存在显著差异(MSN:D?=0.47×10?2,zval=3.98;MIND:D?=0.27×10?2,zval=1.73)。这种趋同表明,初级感觉区内增强的形态测量相似性——这些区域对于整合复杂感知信息至关重要(Banich & Compton,2018)——可能与更高效的感知处理相关,并可能作为认知效率的神经基础。

此外,对于两个网络,VE 2-2(前额叶关联区内)在个体层面始终与IQ分数呈正相关(MSN:SCC =0.30,MIND:SCC =0.16),同时群体层面也存在显著差异(MSN:D?=0.25×10?2,zval=1.06;MIND:D?=0.13×10?2,zval=6.22)。这种模式表明,前额叶关联区内增强的形态测量相似性——这些区域对于执行控制、工作记忆和复杂认知处理至关重要(Banich和Compton,2018;Miller和Cohen,2001)——也可能与更好的认知表现相关。同样,对于两个网络,VE 3-4(后部关联区-初级感觉区)在个体层面始终与IQ呈显著的负相关(MSN:SCC =?0.30,zval=?0.55;MIND:SCC =?0.24,zval=?0.94),同时群体层面也存在显著差异(MSN:D?=?0.33×10?2,zval=?0.33;MIND:D?=?0.15×10?2,zval=?0.28)。这种模式可能表明,后部关联区与初级感觉区之间减少的结构耦合可能通过功能分离提高认知效率,反映了它们不同的功能角色:后部顶叶区域支持空间注意力、多感官整合和情景记忆检索(Banich和Compton,2018;Cabeza等人,2008),而初级感觉区专门从事特定模式的感知处理(Banich & Compton,2018)。

总体而言,分析显示两种网络类型中都存在一致的解剖模块化-认知关系,其中高级前额叶关联区(VE-2)和初级感觉区(VE-4)内的增加的形态测量相似性与更高的IQ相关,表明增强了整合处理能力。相反,后部关联区与初级感觉区(VE 3–4)之间减少的耦合与更高的IQ相关,可能反映了功能专业化。这些独特的神经特征共同表明,关键区域内的整合以及不同专门化系统之间的分离都有助于提高认知效率,从而支持了之前讨论的有效模块化假说。此外,特定VE区域对(特别是VE 4–4、2–2和3–4)在各种分析方法和网络类型中始终与智商相关联,这为它们作为智力潜在神经基础提供了有力证据。

在MSN和MIND捕捉与认知相关的解剖学连接性方面存在关键的方法学差异。首先,MSN显示出更高比例的VE区域对具有群体-个体一致性(22/28=78.6%),而MIND为16/28=57.1%,这可能表明其在认知评估中的方法学稳健性和分析稳定性相对更强。此外,几种VE区域对在两种网络类型中与智商的关联相反——这种模式在群体层面和个体层面分析中都是一致的。具体来说,VE 1–7和2–7在MSN中显示出显著的负相关,而在MIND中则显示出正相关;VE 5–6在MSN中显示出显著的正相关,而在MIND中则显示出负相关。这些差异可能反映了MSN在认知评估中的方法学稳健性和分析稳定性优于MIND。这也表明MSN和MIND可能对大脑皮层组织的不同方面具有不同的敏感性:MSN捕捉区域平均形态测量特征的相似性,而MIND则强调分布差异,可能导致对解剖学模块化-功能关系的不同解释。

我们对MSN和MIND网络的系统比较揭示了它们在方法论基础、结构敏感性和认知可解释性方面的根本差异,尽管它们共享相同的形态测量输入。MSN使用PCC来捕捉区域平均形态测量特征的相似性,从而强调宏观结构特征的方向对齐。由此产生的连接值是有符号的(范围从-1到1),但在生成不同连接密度的MST网络时只保留正值。相比之下,MIND网络利用对称KL散度来评估顶点级形态测量轮廓的分布一致性。这种方法产生的相似性度量是无符号的,范围在0到1之间,反映了大脑区域间潜在形态测量分布的相似程度。

另一方面,我们的研究表明MSN在群体层面差异和个体层面认知相关性方面表现出更强的区分能力。主要差异包括:CG-GG平均MSN的VE内和VE间连接具有更大的欧几里得距离;在观察到的连接密度范围内(0.05≤p≤0.15),IQ与VE内/VE间连接强度及其比率之间的相关性更强且更明显;大多数VE区域对在CG和GG平均MSN中的平均欧几里得距离更高;以及MSN中VE区域对的群体-个体一致性率更高(76.8% vs. 57.1%)。MSN在检测认知关联方面的更高敏感性可以归因于其捕捉正负形态测量关系的能力,这可能提供了对大脑网络结构和功能的更细致视图。相反,MIND网络由于关注分布一致性,可能会忽略这些关系中的某些细微差别,这可能是其与认知表现关联较弱的原因。此外,MSN中更高的群体-个体一致性表明这种网络构建方法在捕捉与认知能力相关的大脑结构个体差异方面可能更稳定。在这个样本中,这些观察结果表明MSN可能比MIND更敏感地检测到儿童认知相关的模块化模式。

除了对发展神经科学的贡献外,这些发现对心理教育实践也有潜在意义。通过捕捉个体层面的结构网络轮廓,这种方法可以更细致地描述儿童的认知优势和困难,超越全局测试分数来理解个体间的学习差异。从长远来看,基于网络的指标可以通过添加神经生物学维度来补充传统的心理测量评估,尽管需要进一步的工作将这些群体层面的发现转化为个性化的工具。我们的研究中包括了天才样本,这进一步允许对这一特定人群进行初步反思。这些发现可能有助于阐明天才学生中的神经认知异质性,揭示并非所有天才个体都具有相同的认知优势的神经基础。这反过来可以为未来关于天才群体内差异化认知轮廓的研究提供信息,并谨慎地有助于开发更细致的心理教育评估框架或支持策略,以满足他们多样化的学习需求。

尽管这项研究提供了关于解剖学模块化与认知之间关系的新见解,但仍需考虑几个限制。首先,样本量相对较小,只有29名参与者(GG组15名,CG组14名),主要是由于神经影像数据收集的限制。这个有限的样本降低了研究的统计功效,并可能影响结果的普遍性,因此未来更大样本量的研究将有助于产生更稳健和可靠的结果。其次,该研究仅包括男童,这阻碍了对大脑模块化和认知可能存在的性别相关差异的考察,限制了研究结果在更广泛儿科人群中的适用性;因此,未来的研究应包括男女两性以解决这一问题。第三,分析依赖于Desikan-Killiany 308图谱,不同的分割方案可能会产生不同的结果,因此未来的工作需要比较多个图谱的结果,以评估结果的稳健性和有效性。第四,VE分类在儿童中的使用尚未得到充分验证,尽管它已在之前的儿科研究中使用过(Lu等人,2009年;Natu等人,2019年;Solé-Casals等人,2019年;Sowell等人,2004年;Toga等人,2006年),因此未来的研究应确定这种分类是否适合用于研究儿童的大脑模块化。最后,该研究仅依赖于结构连接性,这限制了结果的功能解释,未来结合fMRI数据的研究可以帮助澄清解剖学模块化与功能网络动态之间的关系。

尽管由于样本相对较小且同质性较高,这项研究具有探索性,但它系统地考察了通过比较MSN和MIND网络在多个连接密度下的表现,系统地研究了解剖学定义的模块化(VE)与男童认知表现之间的关系,使用了群体和个体层面的分析。在这个样本中,MSN显示出比MIND网络更强的群体区分能力和与认知的更强关联,最明显的模式出现在0.05 ? p ? 0.15的密度范围内。主要发现与有效模块化假说一致,因为两种网络类型中更强的VE内连接性和较弱的VE间连接性与更好的认知表现相关,尽管在MIND中的这些关联较弱。一致的结果确定了特定的VE区域对作为认知效率的潜在神经基础,包括高级前额关联(VE-2)和次级感觉(VE-4)区域内的更大模块内相似性,以及后部关联区域和次级感觉区域(VE 3–4)之间的较低模块间耦合。这些模式说明了专门化模块内的功能整合和它们之间的分离如何共同支持高级认知。同时,也出现了显著的方法学差异,因为基于方向相关性的MSN更加强调与认知相关的模块结构,而基于分布相似性的MIND显示出较弱的关联,并在某些VE对(如VE 1–7、2–7和5–6)中产生了不同的结果。

总体而言,这项研究提供了关于解剖学模块化如何支持儿童认知表现的实证和方法学见解。这些发现有助于理解大脑网络模块化在认知发展中的理论,并为选择网络构建方法和解释未来神经影像研究中的密度依赖结果提供了初步指导。此外,观察到的解剖学模块化连接模式为个体认知变异性提供了神经生物学视角,并指出了在心理教育评估中的潜在应用。未来的研究应在更广泛和更多样化的群体中考察这些动态,并结合多模态成像,以加深我们对生命周期中结构-功能网络组织的理解。

**作者贡献声明:**
Shuning Han:写作——审阅与编辑、撰写原始草稿、可视化、软件、方法论、调查、正式分析。
Gemma Vilaseca:写作——审阅与编辑、数据管理。
Núria Vilaró:写作——审阅与编辑、数据管理。
Feng Duan:写作——审阅与编辑、资金获取。
Zhe Sun:写作——审阅与编辑。
Cesar F. Caiafa:写作——审阅与编辑、资金获取。
Jordi Solé-Casals:写作——审阅与编辑、监督、资源管理、项目管理、方法论、数据管理、概念化。

**伦理批准:**不适用。

**资助:**
F.D. 的工作部分得到了中国国家重点研发计划(编号2025YFE0107700)和天津市科技计划项目(编号24ZXYXSY00140)的支持。
C.F.C. 的工作部分得到了阿根廷PICT 2020-SERIEA-00457和PIP 112202101 00284CO项目的支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号