在1199个人脑执行任意任务的个体化功能连接组中的语言网络

《Nature Communications》：A language network in the individualized functional connectomes of 1199 human brains doing arbitrary tasks

　　

一个半世纪的神经科学产生了许多关于语言神经生物学的不同理论。可能导致这种情况的两个因素包括：(a) 对语言及其组成过程的概念性分歧，以及(b) 语言区域地形图的个体间内在变异性。最近对少量密集扫描个体的功能磁共振成像(functional magnetic resonance imaging, fMRI)研究认为，一个语言选择性的大脑网络从无任务（如静息态）或任务回归后的激活时间序列的相关性（个体化功能连接组学，iFC）中自下而上地涌现出来。在此，研究人员大规模地检验了这一假设，并评估了其对于任务无关语言定位的实用价值：研究人员将iFC分别应用于1,957个fMRI扫描会话（1,199个独特的大脑），每个会话包含不同的任务。研究人员发现，iFC确实揭示了一个高度左半球优势的额颞网络，该网络在个体内比个体间更稳定，对分割粒度具有鲁棒性，并且对语言具有选择性。这些结果支持了该网络是成人大脑功能组织中关键结构的假设，并表明它可以从任意成像数据中回顾性地恢复，这对神经科学、神经外科和神经工程具有意义。

**论文解读文章**

**研究背景与问题**
神经科学一个半世纪以来产生了许多关于语言神经生物学的不同理论，两个主要因素导致这一状况：一是对语言及其组成过程的概念性分歧，任务设计嵌入了理论预设，造成不同实验间难以综合；二是语言区域地形图的个体间内在变异性，语言区与宏观解剖结构（如脑沟、脑回）之间的“绑定”较弱，导致基于群体水平的分析难以准确界定语言功能区域。近年来，少量个体密集扫描的功能磁共振成像（fMRI）研究表明，一个语言选择性脑网络可以通过无任务（如静息态）或任务回归后的激活时间序列相关性（个体化功能连接组学，iFC）自下而上地涌现，但这些研究样本量小（n<20），且多基于单一任务状态（静息态）。为克服这些局限，本研究在大规模样本中检验iFC是否能在任意任务数据中稳健地恢复语言网络，并评估其实际应用价值。

**研究内容与结论**
研究人员分析了来自Fedorenko实验室2007-2024年间收集的1,199个独特大脑的1,957个fMRI扫描会话，每个会话包含不同任务，完全自动化地应用iFC方法进行分割。研究发现，iFC揭示了高度左半球优势的额颞网络（LangFC），该网络在个体内比个体间更稳定，对分割粒度鲁棒，且对语言具有选择性。这些结果支持该网络是成人大脑功能组织的关键结构，并可从任意成像数据中回顾性恢复，对神经科学、神经外科和神经工程具有重要意义。论文发表在《Nature Communications》。

**关键技术方法**（不超过250字）
研究人员采用基于功能连接组（FC）的个体化分割方法：对每个扫描会话的fMRI时间序列进行带通滤波（0.01–0.1 Hz）、去趋势和z分数标准化，然后与1000个解剖模板（Schaefer等，2018）的时间序列计算相关性，得到V×1000功能连接矩阵，并二值化（90%分位数阈值）。使用k-means聚类（100次随机初始化）将体素聚类成k个网络（k从10到200，步长10），通过线性分配对齐和移动平均得到概率性分割。然后基于空间相似性（Pearson相关）将分割结果与16个参考图谱（包括语言图谱LanA和15个功能网络图谱，源自Fedorenko等，2011和Yeo等，2011）进行标注，选择对参考图谱平均空间相似性最高的k值。样本队列来源于Fedorenko实验室所有神经解剖学正常的个体（排除脑损伤或神经发育障碍患者），共1,199个独特大脑。所有分析完全自动化，无需任务信息。

**研究结果**
1. **LangFC显示出预期地形图，不同于其他脑网络**：通过比较LangFC与参考图谱及其他iFC网络，发现LangFC具有与先前任务定位一致的左半球优势额颞分布，与听觉网络（AUD）和默认网络B（DN-B）等相邻网络空间分离。LangFC的“外围”区域倾向于落在右半球语言区同源区及左半球颞叶语言区后方，与先前任务结果一致。
2. **LangFC对语言具有选择性**：LangFC与语言任务对比（句子vs非词，S-N）的空间相关性高（平均z(r)约0.5），而对非语言任务（如执行功能、数学、音乐、视觉感知）相关性低（平均z(r)约0-0.15）。仅言语心理理论任务也引起较强响应，但该任务存在语言混淆（语言复杂度差异）。与参考图谱相比，LangFC比LANG图谱更具选择性，比LanA图谱在功能选择性上更优。
3. **LangFC跨越不同任务状态出现**：即使仅基于非语言任务（如空间工作记忆、面孔感知）的数据进行分割，也能恢复出功能相似的LangFC，但选择性略有降低。且无论是否进行任务回归，LangFC估计结果相似，表明其连接性足够强，可跨任务状态恢复。
4. **LangFC在功能上不同于邻近网络**：听觉网络（AUD）仅对听觉语言任务有强响应；额顶网络A（FPN-A，多重需求网络）对执行/数学任务有强响应，对语言任务呈负响应；默认网络B（DN-B，心理理论网络）对心理理论任务有强响应，对执行任务呈负响应。LangFC与这些网络呈现双重分离。
5. **LangFC对分割粒度具有鲁棒性**：当网络数量从50增加到200时，LangFC的大小（约2000个体素）和空间相似性保持稳定，未出现明显分裂，表明该网络是功能整合的单元，而非内部功能分化。
6. **LangFC在个体内稳定，个体间变异**：跨session比较显示，LangFC在个体内比个体间更相似（平均z(r)约0.6 vs 0.3），且全脑水平上比任务对比图（S-N）更稳定。但在六个左半球前颞叶区域掩膜内，任务对比图更稳定。
7. **LangFC可以高效识别**：即使仅基于单个功能运行（约198个时间点）也能识别出具有语言选择性的LangFC，但增加数据量（如5个以上运行）可提高稳定性。
8. **LangFC再现了基于任务定位的结果**：通过重新分析Shain等（2024）的研究，用LangFC概率图替代S-N任务对比图进行个体化功能感兴趣区（fROI）定义，发现LangFC在敏感性上接近任务定位，且优于分组水平分析，尤其在额下回等区域效果显著。

**总结讨论与结论**
讨论部分指出，本研究通过大规模样本验证了iFC方法可以恢复语言网络，为语言神经生物学提供了理论无关的解释目标。该网络的功能整合性不支持宏观解剖区域（如额下回vs颞上回）的功能细分假设。iFC方法在回顾性分析中具有优势，可用于缺乏任务数据的数据集、手术前语言区定位以及神经假体电极放置等应用。研究也存在局限性：自动标注可能引入噪声；仅使用k-means方法，未探索更先进的分割技术；未考虑功能连接动态性及多变量交互。此外，研究建议iFC应作为任务定位的补充而非完全替代，因为任务数据能提供独立验证。

**研究结论**：iFC方法能够从任意fMRI数据中可靠地恢复语言选择性额颞网络（LangFC），该网络在个体内稳定、对语言选择性高、跨任务状态鲁棒，且与任务定位结果高度一致。这一发现支持了语言网络是成人大脑功能组织关键结构的假设，并为神经科学、神经外科和神经工程提供了理论无关的个体化定位工具。