当前位置：首页 > news >正文

神经生物学+图论双buff，揭示大脑语言系统的拓扑结构

news 来源：原创 2025/7/17 12:59:29

摘要

近年来，神经影像数据分析的进展促进了大脑网络整合中适应性变化的表征。本研究提出了一种融合知识驱动与数据驱动的独特方法，为更精确地理解这些变化提供了新思路。通过运用图网络分析，并结合特定领域脑网络系统的现有神经生物学知识，本研究深入探讨了大脑网络交互与整合的机制。作为概念验证，本研究将该方法应用于语言领域(代表性模型系统)，并采用包含特定语言任务的功能影像数据集进行验证。研究结果揭示了在词汇生成和理解任务中，运动与感觉语言模块之间存在双重分离现象。此外，通过引入脑网络的层级特性以及局部和全局度量指标，证实了不同层级的网络呈现出差异化的语言脑网络整合模式。这种新的方法有助于从局部和全局层面对大脑网络功能进行差异化和全面的解释，标志着我们在研究大脑网络整合的适应性变化(无论在健康还是疾病状态下)方面取得了重大突破。

引言

从以往研究来看，脑功能研究主要通过卒中或手术导致的局部脑损伤来建立脑区与认知功能之间的关联。早期的脑成像研究同样聚焦于特定的脑区。然而，大脑系统并非由单一脑区定义，而是通过分布式脑区的协同运作来处理即时行为目标信息。因此，近年来的研究更强调大脑系统的网络特征及其与认知过程、行为和疾病之间的关联。

在脑网络研究中，结构和功能神经成像方法已被用于活体脑网络评估。目前主要采用两种方法来研究大脑网络功能。第一类脑网络分析基于脑系统功能定位的先验知识，我们称之为知识驱动或自上而下的方法。这种方法通过特定脑区的连接(例如基于种子点的功能连接)关系进行研究。第二类则不受特定神经环路的限制，直接从数据中提取网络特征(例如独立成分分析和聚类)，即数据驱动或自下而上的方法。

将图网络分析应用于大脑系统为理解网络特征开辟了新的视角。尽管图网络分析主要用于数据驱动研究，但它同样可以作为连接知识驱动和数据驱动方法的桥梁。然而，目前仍缺乏能整合知识驱动与数据驱动的网络分析方法以实现对脑网络交互与整合的更全面认识。在这里，本研究旨在填补这一方法论空白，基于现有的神经生物学知识，并应用图网络分析来研究特定领域脑网络系统的整合机制。由于大脑网络是按层级组织的，因此本研究将从多层级结构的角度来考察领域特异性脑网络。具体以语言领域这一特征明确的大规模网络系统为例，采用经过公开验证的、包含特定语言任务的功能影像数据集来探索语言网络整合。

本研究以Brodmann分区(BA)作为功能模块的基本单位，并基于最新的研究成果进行了适当调整。考虑到大脑网络的层级整合特性，本研究从局部到全局功能整合水平设定了多个层级功能模块。研究使用来自OpenNeuro(http://openneuro.org)的公开fMRI数据集进行了两项独立分析。虽然本分析以语言系统为例，但该方法可推广至语言处理之外的多种神经环路研究。第一项分析使用了两个语言任务：词汇理解(WC)和词汇生成(WG)任务，探讨了在执行需要相关网络参与的认知任务时，功能特化的大脑网络系统是如何整合的(重点关注语言脑网络)。第二项分析则采用了一个简单的运动任务fMRI数据集，考察了躯体感觉-运动(SM)皮层在左右半球的整合差异。

方法

任务态fMRI数据集与认知任务

本研究使用了两个开放MRI数据集。首先，采用OpenNeuro数据集ds004073比较语言偏侧化(https://doi.org/10.18112/openneuro.ds004073.v1.0.0)。该数据集包含六项语言任务，本研究选用了词汇理解(WC)和词汇生成(WG)任务。在WC任务中，受试者需从看到的两幅图片中选择与听觉呈现词汇相匹配的选项。WG任务要求受试者完成语音流畅性测试，根据提示字母(如“s”、“l”等)默想以该字母开头的单词。牛津语言数据集原包含50名受试者，本研究排除了1名WC任务数据缺失和2名场图图像损坏的受试者数据。

验证分析使用了来自OpenNeuro的另一个数据集，即“运动、语言和空间注意功能的fMRI重测数据集”(https://openneuro.org/datasets/ds000114/versions/1.0.2)中的运动任务数据。该运动任务要求受试者根据指令活动其右手食指、右脚或嘴唇15s，block间隔设置为15s。该数据集包含10名受试者，本研究同时采用测试和重测数据来检验结果的一致性。

MRI数据预处理与连接矩阵计算

首先使用SPM12(https://www.fil.ion.ucl.ac.uk/spm/)对MRI数据进行预处理。结构像通过CAT12工具箱(https://neuro-jena.github.io/cat/)处理，将个体原始空间的MRI图像标准化至MNI模板空间。使用b0场图校正因磁场不均匀性引起的功能图像失真，并进行头动校正。随后将共配准的功能图像归一化到MNI空间，并应用4mm半高全宽高斯核进行空间平滑处理。

为从fMRI数据集中提取时间序列，本研究定义了1054个节点，其中包括1000个皮层节点和54个皮层下节点。使用Schaefer图谱和墨尔本皮层下图谱最高分辨率分别定义皮层节点和皮层下节点。然后，提取各节点的时间序列。使用6个头动参数、脑脊液(CSF)和白质(WM)信号及其一阶导数去除伪影，并以0.5mm帧位移阈值和前后相邻帧进行体积剔除。WC和WG任务剔除体积平均占比分别为6.3%和10.6%，其中WG任务的剔除率显著更高(p=0.007)。最后，应用0.008Hz的高通滤波。

连接矩阵是通过对预处理后的时间序列进行Pearson相关计算得出的。对于每个连接矩阵，分别采用前20%、30%或40%的阈值来生成二值连接矩阵。当考虑全局信号时，本研究计算了在控制灰质、白质和脑脊液的全脑体素平均信号后的偏相关。

语言功能模块

语言网络模块架构基于文献构建，包含四个空间分辨率和层级结构(见表1)。因此，语言系统包含以下BAs区：BA20、BA21、BA22、BA38、BA39、BA40、BA41、BA42、BA44、BA45和BA47。BA21和BA22根据y坐标中位数进一步分为前部和后部。接下来，计算各节点中心坐标后划定语言模块内外区域。需要注意的是，BA区并非网络节点的最小单元，相反，1054个节点(1000皮层+54皮层下)中的每个节点代表网络节点的最小单元。语言模块架构的最精细分辨率水平(Level 1)包含10个功能模块，各模块由左右半球的几个BA区组成：“词汇识别”模块包含BA20以及BA21、BA22的后部；“语义加工”模块包含BA38以及BA21、BA22的前部；“句法加工”模块包含BA39和BA40；“听觉加工”模块包含BA41和BA42；“运动语言”模块包含BA44、BA45和BA47。第二级模块包括6个模块：“词汇加工”模块由“词汇识别”和“语义加工”模块组成；“语言感觉”模块由“语义加工”和“听觉加工”模块组成；“语言运动”模块与“运动语言”模块等同。第三级包括两个模块：语言模块中的所有区域，无论是在右半球还是左半球。最后，第四级对应于语言模块中的整个网络。

表1.语言模块定义标准。

图论指标

本研究采用两种不同的方法计算功能模块的图论指标。首先，本研究计算了“局部指标”，它反映了大脑节点在功能模块内的整合程度。其次，计算“全局指标”，它通过考量功能模块外部的连接关系，表征各功能模块脑节点在全脑网络中的整合状态。所有计算通过大脑连接工具箱(https://sites.google.com/site/bctnet/)完成，具体指标见表2。本研究以二值化图形指标作为主要结果。由于有些图论指标之间存在相关性，因此本研究重点分析以下三个指标：度密度、平均最短路径长度和介数中心性。此外，本研究纳入了各任务和受试者的全局功能连接(FC)均值以控制整体FC水平。

表2.图论指标列表。

验证分析

本研究进行了三项验证分析：与静息态fMRI数据的比较、全脑节点随机化分析和简单运动任务fMRI数据分析。静息态对比采用来自人类连接组计划(https://www.humanconnectome.org/)100名无关受试者的预处理静息态fMRI数据。按照与语言任务fMRI数据相同的处理流程提取1054个节点的时间序列，并计算相关矩阵。为了评估结果的稳健性，对连接矩阵进行10000次bootstrap重采样，然后应用30%的阈值生成二值化图形后，计算词汇识别、运动语言和左半球语言模块的图论指标，据此获得各语言任务条件下的p值分布，定量评估网络差异的变异性和统计显著性。其次，通过全脑节点随机化分析验证语言网络模块架构变化的任务特异性。对WC/WG任务分别创建平均连接矩阵模板并二值化后，随机选取与目标模块(词汇识别、运动语言和左侧语言模块)相同数量的节点，计算其局部/全局密度、最短路径长度和介数中心性，重复10000次构建随机零模块的指标分布。第三项验证采用一个简单的运动任务数据集。在这里，本研究指定了一个躯体感觉-运动(SM)模块(包含BA1-4)，并比较了左右SM模块的图论指标。

结果

为了证明与BOLD激活相关的语言功能模块的功能特异性，本研究首先考察了任务相关的激活模式。在第一层级的“词汇识别”和“运动语言”模块中(图1A和表1)，预测WC任务在“词汇识别”模块中的激活更强，而WG任务在“运动语言”模块中的激活更强。因此，本研究预期任务与功能模块之间会存在交互效应。统计分析结果也证实了这两者之间的显著交互作用(p＜0.0001)(图1B)：在“词汇识别”模块中，WC任务的激活显著高于WG任务，而“运动语言”模块则呈现相反的模式。

图1.第一层级词汇识别与运动语言模块的BOLD激活及图论指标。

随后，为了进一步探讨这些功能模块中的网络整合特征，本研究使用图论指标进行了检验。根据分析流程(图2)，本研究计算了WC和WG任务下两个模块的图论指标(图1)。局部图论指标仅使用模块内的节点进行计算，用于表征功能模块内部的网络完整性。对于这些局部图论指标，密度、平均最短路径长度和介数中心性均存在语言任务与感觉-运动模块的显著交互作用(密度：p=0.005；最短路径长度：p=0.002；介数中心性：p=0.117)(图1C)。与预期一致，在“运动语言”模块中，WG任务期间的密度和最短路径长度显著高于WC任务。WG任务的介数中心性低于WC任务，而在“词汇识别”模块中则正好相反，这可能是因为高密度网络中的路径长度较短，且连接度较高，因此介数中心性相对较低。

图2.数据处理流程。

全局图论指标用于描述功能模块与其他脑区之间的连接关系(图1D)。在全局节点度上，任务的主效应显著(WC＞WG，p=0.0008)，但不同功能模块之间的连接强度变化没有显著差异。WC任务中的最短路径长度比WG任务更短(p＜0.0001)，但不同模块之间的最短路径长度无显著差异。介数中心性既无任务间的整体差异，也没有模块间的特异性变化。目前对于是否需要在功能连接分析中控制全局信号仍存在争论。因此，本研究计算了有无全局信号缩放情况下的连接矩阵，并比较了功能模块和任务之间的交互作用。研究结果发现，无论是否进行全局缩放，模块与任务之间的交互作用是一致的，但多数图论指标的语言任务间差异在全局信号缩放后有所减弱。

接下来，本研究考察了脑系统层级水平对网络整合的影响。例如第一层级的功能模块更具局部约束性而功能分化明显，第三层级的功能模块则整合了功能分化且空间分散的脑区。这种多尺度层级分析能揭示认知任务执行更需要局部还是分布式脑区的参与。针对第三层级的左半球语言模块(包含左半球所有语言模块)(图3A和表1)，局部图论指标显示，WC任务的密度显著更高(p=0.003)，而最短路径长度和介数中心性更低(最短路径长度：p=0.0015；介数中心性：p=0.0036)(图3B)，表明左半球语言网络在WC任务中的整合度更高。全局图论指标呈现出相同的趋势(密度：p＜0.0001；最短路径长度：p＜0.0001；介数中心性：p＜0.0001)，这表明WC任务中左半球语言网络与其他脑区的整合更强。

图3.左半球语言模块在第三层级时的图论指标。

为了验证语言功能模块网络整合的观测结果，本研究进行了两项分析。首先，本研究比较了语言任务与静息态fMRI数据的图论指标。结果显示，虽然大多数语言模块的局部密度在语言任务与静息状态下无显著差异，但局部最短路径长度、介数中心性以及大多数全局指标均发生了显著变化(图4；FDR校正p＜0.05)，这表明在执行语言相关任务时，语言模块之间的连接更加紧密，呈现出一种更为整合的网络结构。其次，通过节点随机化生成零功能模块(无特定功能)，并计算每个功能模块和每个语言任务的图论指标。图5展示了语言模块的图指标真实值(图5中的折线)，以及零功能模块图论指标的分布情况(图5中的直方图)。结果显示，语言模块的全局介数中心性和最短路径长度均值与零功能模块的分布存在显著差异(FDR校正p＜0.05)。这些结果表明本研究方法能够有效捕捉语言任务相关的领域特异性网络整合变化。

图4.语言任务与静息状态的比较。

图5.语言模块与随机零模块的比较。

本研究观察到图论指标与BOLD激活均存在任务与功能模块的交互效应。任务相关的区域BOLD激活变化是否与图论指标变化相关联，值得进一步研究。为此，本研究分别检验了各任务中BOLD激活与图论指标的相关性，以及两个任务之间BOLD激活差异与图论指标差异的相关性。虽然在宽松阈值(p＜0.05)下观察到部分显著相关性(图6)，但没有观察到系统性的显著相关性模式(FDR校正p＞0.05)。这些结果表明BOLD激活无法预测图论指标，二者捕捉的是大脑网络功能的不同方面。

图6.区域BOLD激活与图论指标之间的关联分析。

本研究采用相对阈值法构建二值化网络，但需注意该方法可能存在偏差。首先，选择一个特定的阈值可能会导致随机假阳性/假阴性结果。其次，全脑网络平均相关性衍生的全局功能连接(FC)可能会引入系统性连接偏差。针对第一个问题，本研究选择30%的相对阈值作为代表性结果(如图2、3所示)，同时在20%和40%阈值下进行验证分析，结果趋势与30%阈值一致。对于第二个问题，本研究比较了WC任务和WG任务之间的全局功能连接性值，结果发现WG任务的全局FC显著高于WC任务(p=0.0004)。因此，本研究进一步通过全局FC值校正后进行任务×模块比较，发现无论是否进行全局信号缩放，任务与模块的交互模式均保持稳定。

最后，本研究通过一项简单的运动任务数据对分析流程进行了验证。该任务要求受试者在fMRI扫描期间完成嘴唇、右手手指或脚部运动。研究结果显示，左侧SM模块的局部密度、局部最短路径长度显著更高，介数中心性显著更低(p＜0.024；图7)，而全局图论指标无显著差异(p＞0.05)。这些结果在重测数据中得到了验证，进一步证实了局部指标更能反映区域的激活特征，而全局指标则反映了分布式网络的整合情况。

图7.简单运动任务(右手手指/右脚/嘴唇运动)期间躯体感觉运动模块的图论指标。

结论

本研究开发了一种独特的方法，将特定领域脑网络系统的现有神经生物学知识与图网络分析相结合，从而深入探讨脑网络的交互、协调与整合机制。作为概念验证，本研究利用语言网络的丰富先验知识，证明了该方法能够揭示更多关于脑网络整合的功能特性，并通过简单运动任务验证了分析流程的有效性。通过多层级网络分析并结合局部和全局网络指标，我们获得了对大脑回路功能特性的更深层次理解，这些发现超越了传统方法(仅通过分析特定脑区的激活)所能提供的信息。

参考文献：Yosuke Morishima, Martijn van den Heuvel, Werner Strik, Thomas Dierks; Neurobiologically informed graph theory analysis of the language system. Network Neuroscience 2025; doi: https://doi.org/10.1162/netn_a_00443

小伙伴们关注茗创科技，将第一时间收到精彩内容推送哦～

相关文章：