简要总结

该研究通过分析人类连接组计划（Human Connectome Project，HCP）的数据，探讨了大脑功能连接（Functional Connectivity，FC）的个体差异与智力之间的关系，特别是利用功能梯度分析来理解这种联系。研究发现，右侧腹外侧前额叶皮层（vlPFC）的功能梯度与流体智力显著相关，表明当该区域在功能上更接近感觉系统而远离默认模式网络（DMN）时，个体在执行控制任务中的表现更好。此外，该研究还发现功能连接的变异性在大脑的关联区域最为显著，这些区域的功能连接模式在个体间差异最大。通过图论分析，研究进一步揭示了vlPFC的功能梯度与该区域的拓扑属性（如介数中心性和全局效率）显著相关，当其功能梯度较低时，其在大脑网络中的连接更加均匀地分布于多个功能系统中，这可能有助于协调感觉和高级认知系统之间的信息传递。该研究为理解智力的神经基础提供了新的视角，强调了大脑某些区域在协调感觉和高级认知系统中的重要作用，对教育和认知训练等领域具有潜在的深远影响。

摘要：

神经科学领域对个体特定的皮层结构和功能特征如何与认知特质相关联的研究兴趣日益增加。该研究基于以往的研究成果，以往研究通过使用经典的高维方法，已经证明了FC的个体间变异性反映了流体智力的差异。为了进一步探讨这种关系，该研究采用了一个新的框架来研究皮层组织：功能梯度。这种方法将局部连接性特征置于一个共同的低维空间中，其轴是功能上可解释的维度。具体而言，该研究采用数据驱动的方法来模拟功能连接变异性与个体间智力差异之间的关联。在这些位置之一，即右侧腹外侧前额叶皮层（vlPFC），该研究描述了流体智力与该区域与感觉系统和高级认知系统之间的相对功能距离之间的关联。此外，该区域的拓扑属性表明，随着其与高级认知系统的功能亲和力降低，vlPFC的功能连接在所有网络中分布更加均匀。参与多个功能网络可能反映了更好地协调感觉和高级认知系统的能力。

1 引言

当前神经科学将行为视为皮层区域和皮下结构的分布式群体之间动态相互作用的结果。这些相互作用表现出特征性的功能架构以及稳定的拓扑特征。然而，人脑还表现出个体间的高度结构和功能变异性，这是由于遗传和环境因素相互作用的结果。

个体大脑的独特功能和结构特征被比作指纹，因为它们表现出结构形态、白质纤维和内在功能连接的独特模式，这些模式可用于准确识别个体。这些不同来源的个体间变异性已被映射到皮层上，研究表明联合区域表现出最独特的结构-功能模式，使得背侧注意网络、前额顶网络（FPN）和默认模式网络（DMN）成为个体间变异最大的网络。多项研究表明，可以从个体静息态功能连接的组织中预测行为测量结果，强调了联合区域及相关网络对高级认知的重要性。

静息态功能连接能够传递与任务相关活动相关的信息的能力，可能部分是由于它涵盖了在无约束认知过程中出现的各种功能状态。静息态功能磁共振成像（fMRI）的低频成分被认为反映了支持获取和维持背景信息的潜在不同的电生理和代谢过程。慢速活动波被认为支持大脑活动的时空组织，这构成了任务相关大脑动态展开的功能空间。因此，皮层区域在这个空间中的相对位置可能与认知能力相关。通过采用低维视角来研究静息态活动，该研究旨在为功能组织的变异性如何转化为行为差异提供新的见解。

为了实现这一目标，该研究采用了一个框架，通过一组功能维度来描述内在功能连接模式，这些维度反映了大脑活动的不同分化轴。这种方法通过降维技术揭示功能连接数据和血氧水平依赖（BOLD）时间序列的主成分（潜在维度）。这些维度被称为功能梯度，因为它们描述了在解剖空间中最大功能差异之间的渐进过渡（图1）。例如，主梯度捕捉了局部功能连接模式与默认模式网络（DMN）和初级感觉区域的相似性。该研究检查了前三个梯度，因为它们解释了原始数据中的大部分方差，并且能够清晰地概括出功能轴。功能梯度共同定义了一个空间，反映了区域之间的拓扑关系，因此彼此靠近的区域具有相似的 BOLD 时间序列或功能连接模式，反映了皮层功能组织的拓扑结构。沿着主梯度的位置已经与某些拓扑特征和功能连接范围相关联。因此，研究梯度与网络拓扑之间的关系有助于我们理解功能连接的变异性如何与认知表现相关联。

图1 （A-C）在膨胀的皮质表面上显示的功能连接的前三个梯度（组中值）

具体而言，该研究在功能梯度框架内研究个体间功能连接（FC）的变异性，以更好地理解其与智力的不同方面之间的关系。围绕智力的构建存在丰富的争论，它包含哪些能力以及如何测量它。在这种背景下，智力一词总体上指代那些使我们能够根据背景和先验知识理解并与变化的环境互动的认知功能。这些能力可以分为两个独立的组成部分——流体智力和晶体智力，它们具有可区分的神经解剖和神经功能基础。流体技能涉及解决问题和适应新情境，与前额顶区域的活动相关。而晶体能力与通过经验获得的一般知识相关，依赖于颞叶和额叶下部区域。这些和其他认知能力表现出高度的协方差，因此可以用单一的一般智力测量值——g因子来进一步总结。值得注意的是，已有研究表明，个体智力分数与皮层的宏观功能组织相关。该研究在此基础上，利用功能梯度来综合描述功能连接的差异，以特定的系统组合的功能亲和力来表征区域之间的差异。这使得该研究能够调查功能连接变异性与智力方面的独立关系。

2 方法

2.1 参与者和数据

该研究基于人类连接组计划（HCP）提供的公开数据。由于计算限制，从完整数据集中选取了500名受试者作为子样本（约占总数的一半，总样本量为11133）。为了避免同一家庭的参与者可能带来的遗传影响，仅从每个家庭中选取了一名受试者（N=338）。从这些受试者中，排除了缺少10项认知测试中任何一项分数的个体（N=2）。此外，确保所有参与者都有四次静息态fMRI扫描，以提供更可靠的功能连接估计。为了监测受试者在扫描仪内的运动，计算了平均帧位移（FD），所有受试者的四次扫描的平均FD值在0.04到0.24毫米之间。根据Parkes等人的研究（2018），该研究的受试者在扫描仪内的运动非常轻微，无论是根据宽松还是严格的标准，因此没有因运动而排除任何参与者。最终样本为336名健康、无亲缘关系的参与者（女性178人，男性158人），平均年龄为28.6岁（标准差为3.6）。剩余未纳入主要样本的受试者（N=185，平均年龄28.6岁，标准差3.8，女性93人，男性92人）被分配到一个独立样本中，用于验证分析结果。所有受试者都有约15分钟的四次静息态fMRI时间序列，以及多项离线认知任务的分数，包括记忆、注意力和执行功能的测量。静息态fMRI时间序列是使用3T西门子连接组Skyra扫描仪，采用梯度回波EPI序列采集的，分辨率为2毫米各向同性体素，TR为720毫秒，翻转角为52°。HCP最小预处理流程应用于这些数据，包括空间失真校正、运动校正、偏场校正以及与T1加权图像的配准。使用高通滤波和独立成分分析清理时间序列中的时间伪影。将体素的时间序列映射到原生皮层表面，并注册到32k Conte69网格，应用2毫米FWHM平滑处理。为了考虑残留的解剖变异性，在计算顶点间广义典型相关分析（GCCA）时，对功能时间序列额外应用了6毫米FWHM平滑处理。在计算功能连接时，为了确保不同方法论分析的数据一致性，也对数据进行了平滑处理。

2.2 功能连接梯度

功能连接梯度是通过多种降维算法从功能连接空间中提取的潜在维度。皮层顶点根据其连接性特征在每个梯度上的相似性进行排列。例如，视觉和体感系统内的顶点在第一个梯度上（该梯度沿着感觉-默认模式网络轴发展）会非常接近，但在第二个梯度上（该梯度区分视觉和体感网络）则会非常遥远。为了提取这些潜在维度，该研究对四个BOLD时间序列进行了归一化和拼接，并应用了广义典型相关分析（GCCA）。GCCA通过找到最大化所有数据集之间成对相关性的潜在因子，将主成分分析（PCA）推广到两个以上数据集。该算法首先计算每个受试者BOLD时间序列的最信息量丰富的主成分，然后对拼接后的个体成分应用奇异值分解。第二次分解用于计算投影矩阵，将受试者的数据定位在共同空间内的高度相关子空间中，这些子空间的维度即为功能连接梯度。这种梯度提取方法使得跨受试者比较更加容易解释，因为个体主成分都被投影到同一个空间中。与以往研究类似，该研究基于三个梯度构建了一个三维的功能连接空间，这三个梯度解释了BOLD时间序列中的大部分方差。其他潜在维度在数据中解释的方差较少，不太可能影响分散度测量。

由于GCCA的两步分解方法没有直接的解释方差度量，该研究计算了两个单独的指标。第一个是单个水平分解的潜在维度解释的方差比例。第二个是第一个和组水平嵌入的潜在维度解释的累积方差的乘积。

2.3功能连接配置的个体间变异性

通过测量在由功能连接梯度定义的三维空间中顶点的分散度，来估计功能连接配置的个体间变异性（见图2）。由于顶点坐标是功能连接的三个主要潜在成分，梯度空间中的距离反映了梯度所捕捉的它们时间序列的相似性。因此，梯度空间中顶点的更高分散度可以被解释为个体间更大的功能变异性。为了捕捉这种分散度，该研究采用了Bethlehem等人（2020）提出的程序来捕捉个体间变异性。为此，在功能空间中为每个顶点识别了一个组水平的质心。然后，通过测量个体顶点与该点的欧几里得距离的平方和来衡量围绕该点的分散度（见图3A）。同样的方法也用于确定沿每个梯度轴的顶点分散度。通过将功能分散度图阈值化在95百分位，并应用200平方毫米的最小聚类大小阈值，识别出最大变异性位置，结果识别出8个独立的聚类（见图3B）。

图2 视觉摘要分析

图3 （A） 在膨胀的皮质表面上显示的梯度空间中的跨受试者顶点分散图。（B）通过在第95百分位数处对四分位数间距的表面图进行阈值处理而获得的高个体间变异性集群。（C）可视化为雷达图的变异性簇的拓扑图。

2.4 智力建模

为所有受试者计算了三种智力分数：晶体智力、流体智力和一般智力。这些测量值是通过平均HCP离线测试电池中的多个认知测量值来计算的。晶体智力包括图片词汇和口头阅读识别测试；流体智力包括维度变化卡片排序测试、Flanker抑制控制和注意力测试、图片序列记忆测试、列表排序工作记忆测试和Penn渐进矩阵；一般智力包括上述所有测量值以及模式比较处理速度测试、变量短Penn线定向测试和Penn单词记忆测试。虽然前两种测量值是HCP提供的，但一般智力是通过Dubois等人（2018）进行的因素分析计算得出的其组成部分的加权平均值（见表1）。为了控制混杂变量的影响，从智力和梯度测量中回归出了年龄、利手、性别、教育年限和帧位移的影响。

表1 结晶智力、流体智力和g因子的汇总统计数据，三者之间的皮尔逊相关性，以及用于估计它们的任务分数子集

对于每种智力测量值，分别使用最大变异性聚类的第一个、第二个和第三个梯度作为解释变量，拟合了三个多元线性模型。为了处理样本依赖偏差，该研究实施了10折交叉验证。将参与者分成10个随机的、非重叠的样本，这些样本按因变量分层，然后迭代用于评估在剩余数据上训练的模型的F值和t值。在每次折叠中，通过随机置换因变量计算了1000个零假设检验统计量。p值被计算为零假设值中大于真实统计量平均值的绝对值的比例。在F检验和每个全局显著模型内的事后t检验中应用了假发现率（FDR）校正。作为额外的验证测试，该研究计算了跨折叠的模型系数平均值，得到了一个跨折叠平均模型，并在185名参与者的独立样本上进行了测试。通过迭代置换因变量并应用FDR校正，得到了10000个零假设值，从而测试了结果F值和t值的显著性。

2.5 变异性聚类在网络拓扑中的分析

根据Schaefer等人（2018）的图谱，将受试者的皮层表面划分为400个区域，并计算了聚类与静息态网络之间重叠的顶点百分比。然后，将该研究分析定义的聚类添加到Schaefer图谱中，掩盖了与任何其他感兴趣区域重叠的原始区域，以便下游分析仅考虑不与其他区域共享的区域顶点（见图2）。总共获得了406个区域（左：204，右：202），因为原始的两个区域完全被右侧颞顶联合区和vlPFC聚类掩盖。为了构建功能连接图，为每个个体计算了一个406×406的邻接矩阵，使用区域平均BOLD时间序列之间的皮尔逊相关系数计算。从邻接矩阵中移除了所有自连接，并将矩阵阈值化，仅保留图中10%最强的正边，以减少包含假阳性连接的风险（见图2）。从这些网络中，计算了每个聚类的六个拓扑指标：（i）强度（所有连接的总强度）；（ii）全局效率（与其他所有节点的平均接近度）；（iii）局部效率（节点邻域内平均全局效率）；（iv）聚类（节点邻居之间相互连接的比例）；（v）介数中心性（通过节点的最短路径数量）；（vi）参与系数（节点的边在图中所有社区中的分布程度）。为了计算参与系数，根据Schaefer等人（2018）定义的七个典型网络，预先定义了七个社区。由于变异性聚类重叠了多个网络，因此将它们分配到自己的单独社区中。

3 结果

3.1 功能梯度

通过广义典型相关分析（GCCA）揭示的前三个维度在空间分布上与Margulies等人之前描述的梯度一致。主梯度（解释BOLD时间序列中最多方差的梯度）锚定于感觉-运动区域，并向默认模式网络（DMN）的联合区域延伸；第二个梯度区分了前额顶网络（FPN）和DMN；第三个梯度从视觉网络延伸到体感运动网络。然而，需要注意的是，与以往研究相比，第二个和第三个梯度的顺序被颠倒了。通过GCCA计算出的前三个梯度与Margulies等人研究中的第一个（相关系数ρ=0.90，校正后p值pFDR=0.001）、第三个（ρ=−0.88，pFDR=0.001）和第二个（ρ=−0.79，pFDR=0.001）功能连接梯度显示出强烈的对应关系。

3.2 功能梯度的个体间变异性

功能梯度的皮层分散度图显示出与以往研究一致的模式，个体间变异性在双侧颞顶联合区（TPJ）、腹外侧前额叶皮层（vlPFC）、背外侧前额叶皮层（dlPFC）以及枕极达到峰值。为了理解每个梯度维度上的变异性对功能连接全局分散度的贡献，该研究测试了其与沿每个单独成分测量的分散度的相关性。顶点的功能连接配置的分散度与FPN-DMN轴上的变异性更为密切相关（ρ=0.95，pFDR<0.001），其次是感觉-DMN轴（ρ=0.85，pFDR<0.001）以及视觉-体感运动轴（ρ=0.60，pFDR<0.001）。此外，分散度还与主梯度呈正相关（ρ=0.34，pFDR<0.001），而与其他两个功能轴呈负相关（FPN-DMN：ρ=−0.33，pFDR<0.001；视觉-体感运动：ρ=−0.12，pFDR<0.001），表明在靠近DMN、FPN和视觉网络端的顶点上，变异性更高。

为了识别跨受试者梯度变异性最大的位置，该研究将梯度分散度图阈值化在95百分位。通过这一过程，出现了八个个体间变异性最大的聚类，每半球四个。其中两个位于双侧颞顶联合区，两个位于枕极，其余四个分布在背外侧和腹外侧前额叶皮层。这两个位于额叶前部的沟回，另外两个位于额下回的操作部，延伸至额下沟和额中回。

3.3 功能梯度与智力之间的关联

在识别出个体间功能连接变异性最大的位置后，该研究进一步探讨了这些位置沿每个功能梯度的位置与流体智力、晶体智力和一般智力之间的关系。为此，针对每种智力测量值和每个功能维度，分别拟合了多元线性模型，将聚类的梯度作为预测变量，并控制了年龄、利手、性别、教育年限和平均帧位移的影响。由于TPJ和枕极聚类的梯度在半球间高度相关，为了避免在模型中引入冗余的解释变量，将这些聚类的左半球和右半球平均值作为单一预测变量纳入模型。

10折交叉验证程序揭示了流体智力与变异性聚类的主梯度之间存在显著关联（F=0.38，pFDR=0.03）。事后检验表明，这一结果是由右侧vlPFC聚类的主梯度与流体智力分数之间的显著负相关驱动的（β=−0.16，t=−0.16，pFDR=0.03；见图4A）。为了进一步测试这些结果的普适性，该研究还在185名参与者的独立样本上测试了跨折叠平均模型的显著性（与主要数据集无关）。然而，结果并未达到显著性（F=2.01，未校正p值=0.06）。这一结果可能受到多种因素的影响。例如，独立样本的规模相对较小，可能降低了统计检验的功效，正如最近的研究所指出的那样。同样，由于样本量较小，计算得出的GCCA成分可能更具偏差，从而阻碍了模型对新数据的适用性。

图4 在校正年龄、性别、教育程度和手性后，根据右腹外侧前额叶簇（R-vlPFC）的主梯度绘制的流体智力（A）、卡片分类（B）和侧翼抑制（C）评分

为了更深入地了解这些结果，该研究测试了右侧vlPFC聚类的主梯度与流体智力测量中包含的各个任务分数之间的斯皮尔曼相关性（校正p值以控制假发现率）。发现与维度变化卡片排序任务（ρ=−0.15，pFDR=0.023；见图4B）和Flanker抑制控制及注意力任务（ρ=−0.19，pFDR=0.002；见图4C）存在中等程度的显著相关性。总体而言，这些结果表明，当右侧vlPFC在功能上更接近感觉系统而远离DMN时（即主梯度值较低），个体在评估执行控制的任务中表现更好。

3.4 变异性聚类的拓扑属性

该研究的最后一步分析使用图论方法探讨了聚类的拓扑属性，以及这些属性是否可以解释为什么vlPFC的主梯度与流体智力相关。为此，计算了每个高梯度分散度聚类的一组拓扑属性。如图3C所示，这种拓扑分析表明，右侧vlPFC同时是介数中心性最高（z=3.78）和局部效率（z=−1.54）及聚类系数（z=−0.29）最低的聚类。其他聚类显示出类似的模式，但不如右侧vlPFC明显。例如，颞叶聚类也显示出较高的介数中心性（左：z=3.42，右：z=3.11），但其局部效率并不像右侧vlPFC那样显著降低（左：z=−0.85，右：z=−0.87）。右侧vlPFC的拓扑属性表明，它可能在功能分离的系统之间的通信中起到中介作用。

该研究进一步测试了右侧vlPFC的各种拓扑指标与其主梯度之间的关联，并使用假发现率（FDR）校正多重比较。结果显示，主梯度与该区域的参与系数（ρ=−0.53，pFDR<0.001）、全局效率（ρ=−0.17，pFDR=0.002）和介数中心性（ρ=−0.12，pFDR=0.046）之间存在显著的负相关。这些结果进一步支持了之前的解释，即当该区域在功能上更接近感觉和注意力系统时，它在网络拓扑中获得了更具中心的作用，其连接在更多网络中分布更广泛且更均匀。该聚类的其他拓扑属性并未随个体间主梯度的变化而变化。

4 讨论

该研究提出，腹外侧前额叶皮层（vlPFC）在感觉处理系统和抽象认知系统之间的位置可能有助于解释个体间智力的差异。回归建模揭示了个体流体智力分数与右侧vlPFC沿从感觉区域到默认模式网络（DMN）的功能轴的位置之间的关联。通过图论分析，该研究进一步证实了vlPFC具有独特的连接性特征，其边缘广泛分布在多个功能系统中。

该研究观察到的跨个体梯度分散度的空间分布与通过传统连接性分析测量的功能连接（FC）变异性相似，个体间差异在颞顶联合区（TPJ）、腹外侧前额叶皮层（vlPFC）和背外侧前额叶皮层（dlPFC）达到峰值。特别是，该研究捕获的梯度变异性模式与以往研究表明联合区域在个体间变异最大的研究结果一致，这些区域在多种成像模态中表现出高度变异性。这可能是由于这些区域的延长的出生后发育过程，使得它们的连接性和形态学受遗传因素的影响较小，而更容易受到环境因素的影响。例如，与支持联合区域长距离功能连接的长距离纤维束相比，感觉投射在个体间差异较小。个体间长距离连接的差异被认为也导致了表征联合区域的皮层折叠模式的高度变异性。然而，最近的研究表明，皮层拓扑结构和空间关系对功能组织也有很强的影响。例如，个体间大部分功能连接配置的差异可归因于皮层区域的空间排列和拓扑重叠的差异。主功能梯度本身显示出明确的空间组织，感觉区域位于与DMN最远的位置。因此，不能排除该研究和以往研究观察到的功能连接变异性部分是由于个体间的拓扑差异。

这些变异性来源共同决定了个体间静息活动的时空模式差异，这些差异被认为指导了皮层的功能组织。这种变异性可以被理解为皮层区域在功能空间中的位置差异，该功能空间既包含静息态活动，也包含任务相关活动。其主要三个维度代表了从感觉系统到DMN、DMN到FPN以及视觉和体感运动网络之间的过渡。在该研究的分析中，尽管梯度分散度图与DMN-FPN轴上的变异性更为密切相关，但主（感觉-DMN）梯度是唯一与智力显著相关的维度。鉴于主梯度解释了内在活动中的最多方差，可以推测个体间沿这一维度的变异性可能更好地与个体认知能力相关。与现有文献一致，这种变异性与流体智力和执行控制特别相关。这种关系是由右侧vlPFC的主梯度与这些认知测量值之间的负相关驱动的。也就是说，当vlPFC与DMN在功能上更分离时，执行功能受益。一种可能的解释是，从DMN（在梯度空间中）移得更远时，vlPFC在DMN和感觉/注意力系统之间的主梯度上获得了中间的拓扑位置，从而充当了它们之间的连接点。通过图论分析进一步证实了这一假设，该聚类平均表现出高介数和低局部效率。也就是说，vlPFC被许多节点对之间的最短路径所穿越，但它与彼此连接较松散的区域相连。因此，该区域可能作为一个连接枢纽，协调原本高度分离的系统，很可能是主梯度两端的感觉和DMN系统。与这一解释一致，进一步的分析证实，当vlPFC在功能上与DMN更不相似时，其功能连接配置显示出更高的全局效率、介数中心性和参与系数。总体而言，这些数据表明，当该区域位于主梯度的感觉端更近时，其连接分布在更多网络中。考虑到皮层几何形状对功能连接测量的影响，这一结果也可能表明，位于主梯度中间位置与与所有系统距离相等有关。无论是这些属性，都可能有助于指导外部驱动和内部驱动处理之间的有效交互：这是成功执行控制的关键因素。这些研究使用的协议与HCP数据集中使用的卡片排序和Flanker任务非常相似，这些任务是与主梯度最密切相关的流体智力组成部分。因此，vlPFC（无论是拓扑还是拓扑）在模态特定和跨模态系统之间的位置可能与这一特定的执行功能方面相互作用。

有趣的是，该研究没有观察到与晶体智力测量值的任何显著交互作用。一种可能的解释是，晶体智力的神经相关性倾向于在空间上更局部化，尤其是在颞叶和前额叶皮层，反映了长期记忆中信息存储和检索的神经相关性。这与流体智力涉及的更广泛的皮层区域形成对比，流体智力涉及多种不同的执行功能，导致高度分布的活动模式。因此，该研究假设，涉及更广泛系统的认知测量可能对梯度所捕获的全局功能组织更敏感。此外，主梯度特别适合于研究流体智力，因为以往的研究观察到DMN连接与这一测量的个体间差异具有关键作用。最后，值得注意的是，鉴于该研究样本的特征（18至35岁之间的健康年轻人），在流体智力测量中观察到的标准差大于其他两种测量（见表1）。在回归协变量后，这种差异更加明显（流体智力，SD=8.03；晶体智力，SD=0.10；g因子，SD=2.02），因为晶体智力被认为对教育等因素更敏感。

该研究的主要局限性在于在独立验证集中未能复制交叉验证结果。这种差异使得结果的可推广性和可靠性不确定，强调了未来研究需要复制该研究的发现。例如，缺乏复制促使进一步调查在依赖功能梯度观察大脑-行为关联时所需的统计功效。可能的是，由于独立样本的规模相对较小，分析的功效可能受到限制。此外，评估样本大小对GCCA成分的影响也很有用，因为它可能影响组水平分解的偏差。总之，尽管超出了该研究的范围，但更好地理解这些因素如何影响该研究中使用的方法对于更好地确定该研究的稳固性至关重要。该研究样本的有限年龄范围是另一个限制，留下了智力如何与年轻或年长人群以及更大样本中的功能连接梯度相关的问题，尤其是在大脑-行为关联研究的方法论挑战的背景下。此外，功能性磁共振成像（fMRI）本身存在固有的局限性，包括其有限的时间分辨率以及作为神经活动间接测量的性质。最后，选择分割图谱（该研究中为Schaefer 400）代表了研究人员的另一个自由度。尽管在文献中广泛使用，但未来的研究可能会调查使用不同分割图谱的影响，尤其是在分辨率方面，这可能会影响图论测量。

5 结论

总之，该研究通过将皮层功能架构的个体间变异性分解为个体功能模式中固有的可解释神经认知轴，扩展了当前对皮层功能架构个体间变异性的认识。该研究结果表明，个体功能大脑指纹与高级认知表现之间的联系可能与前额叶皮层协调对外部感觉输入的内部模式的能力有关。

精读分享

主题内容：

数据：

该文献主要使用了人类连接组计划（Human Connectome Project, HCP）的数据集，包括静息态功能磁共振成像（rfMRI）时间序列数据和多种认知测试结果。研究选取了HCP中的500名受试者作为子样本，最终筛选出336名健康、无亲缘关系的参与者用于主要分析，并额外选取了185名受试者作为独立验证样本。此外，研究还使用了Schaefer等人提供的400个脑区划分图谱，用于将皮层划分为不同区域并计算功能连接。这些数据集为研究提供了丰富的神经影像学和认知行为学信息，帮助深入探讨功能连接的个体间变异性与智力之间的关系。

方法：

该研究通过一系列复杂的方法分析了大脑功能连接的个体间差异及其与智力的关系。首先，利用广义典型相关分析（GCCA）从静息态功能磁共振成像（rfMRI）数据中提取了功能连接梯度，这些梯度是功能连接空间的潜在维度，能够描述大脑区域之间的功能差异。接着，通过计算每个皮层顶点在功能梯度空间中的分散度，识别出8个高变异性聚类。然后，结合HCP提供的认知测试结果，计算了流体智力、晶体智力和一般智力（g-因子）的分数，并使用多元线性模型分析了这些聚类的功能梯度与智力分数之间的关系。此外，通过图论分析计算了每个聚类的拓扑属性，如介数中心性和局部效率，并分析了这些属性与功能梯度之间的关系。最终，研究发现右侧腹外侧前额叶皮层（vlPFC）的功能梯度与流体智力显著相关，表明当vlPFC在功能上更接近感觉系统而远离默认模式网络（DMN）时，个体在执行控制任务中的表现更好。这一结果揭示了个体间功能连接的变异性与智力表现之间的联系可能与前额叶皮层在感觉和高级认知系统之间的协调能力有关。

结果：

该研究通过分析人类连接组计划（HCP）的数据，揭示了大脑功能连接的个体间差异与智力之间的关系。研究发现，右侧腹外侧前额叶皮层（vlPFC）的功能梯度与流体智力显著相关，表明当vlPFC在功能上更接近感觉系统而远离默认模式网络（DMN）时，个体在执行控制任务中的表现更好。此外，研究还发现功能连接的个体间变异性在联合区域（如颞顶联合区、腹外侧前额叶皮层和背外侧前额叶皮层）最为显著，这些区域的功能连接模式在个体间差异最大。通过图论分析，研究进一步证实了vlPFC的拓扑属性（如高介数中心性和低局部效率）表明其在协调感觉和高级认知系统之间起着关键作用。尽管在独立样本中未能完全复制交叉验证的结果，但这些发现为理解智力的神经基础提供了新的视角，并强调了前额叶皮层在认知功能中的重要作用。

挑战与未来展望：

挑战：

该研究在探索功能连接与智力关系方面取得了重要进展，但也面临一些挑战。首先，尽管在主要样本中观察到显著的关联，但在独立验证样本中未能完全复制这些结果，这提示了结果的可推广性和可靠性可能受到样本规模和统计功效的限制。此外，该研究的样本年龄范围有限，主要集中在18至35岁的健康年轻人，这使得难以将发现推广到更广泛的人群，尤其是儿童、老年人或具有神经发育差异的个体。此外，fMRI作为一种间接测量神经活动的技术，其时间和空间分辨率的局限性可能影响了对大脑功能连接的精确解析。最后，该研究在分析中使用了特定的脑区划分图谱，而不同的图谱选择可能会对图论分析的结果产生影响，这进一步强调了在方法选择上的谨慎性。

未来展望：

未来的研究可以针对该研究的局限性进行改进，以进一步深化对功能连接与智力关系的理解。一方面，扩大样本规模并纳入更多年龄组和不同认知水平的个体，将有助于提高结果的统计功效和普适性，同时为智力发展的神经基础提供更全面的视角。另一方面，结合多种神经影像技术，如高时间分辨率的脑电图（EEG）或高空间分辨率的弥散张量成像（DTI），可以更精确地解析大脑的动态功能连接和结构连接，从而克服fMRI的固有局限性。此外，开发和应用更先进的分析方法，如深度学习或因果推断模型，可能会揭示更复杂的神经机制，并为智力的神经基础提供新的见解。最后，通过跨学科合作，结合认知心理学、遗传学和神经科学的研究方法，可以更全面地探索智力的多维度影响因素，为未来的教育和认知干预提供理论支持。

总结：

该文献通过分析人类连接组计划（HCP）的数据，探讨了大脑功能连接的个体间差异与智力之间的关系。研究发现，右侧腹外侧前额叶皮层（vlPFC）的功能梯度与流体智力显著相关。具体来说，当vlPFC在功能上更接近感觉系统而远离默认模式网络（DMN）时，个体在执行控制任务中的表现更好。此外，研究还发现功能连接的个体间变异性在联合区域（如颞顶联合区、腹外侧前额叶皮层和背外侧前额叶皮层）最为显著，这些区域的功能连接模式在个体间差异最大。通过图论分析，研究进一步证实了vlPFC的拓扑属性（如高介数中心性和低局部效率）表明其在协调感觉和高级认知系统之间起着关键作用。尽管在独立样本中未能完全复制交叉验证的结果，但这些发现为理解智力的神经基础提供了新的视角，并强调了前额叶皮层在认知功能中的重要作用。

参考文献

Alberti F, Menardi A, Margulies DS, et al. Understanding the link between functional profiles and intelligence through dimensionality reduction and graph analysis. Hum Brain Mapp 2025;46(3):e70149; doi: 10.1002/hbm.70149.