静息态功能连接组揭示面孔与场景知觉的特异网络及其行为预测价值

《Human Brain Mapping》:Distinct Resting-State Connectomes for Face and Scene Perception Predict Individual Task Performance

【字体: 大 中 小 】 时间:2026年03月26日 来源:Human Brain Mapping 3.3

编辑推荐:

  本研究针对FFA(Fusiform Face Area)和PPA(Parahippocampal Place Area)如何与更广泛脑网络交互以支持其特异功能这一科学问题,利用Human Connectome Project (HCP)的静息态fMRI和MEG数据,系统性描绘了FFA与PPA在空间和频率维度上的功能连接组。研究发现,FFA与PPA锚定了空间分离的静息态网络,该网络在MEG的β和γ频段亦有体现。更重要的是,基于连接组的预测模型(CPM)证实,这些内在fMRI连接模式的强度能够分别特异性预测个体在面孔匹配和场景n-back任务中的反应时。这项研究揭示了支撑面孔与场景知觉的特异性内在功能结构,并建立了其与个体行为表现的直接联系。

  
我们每天都会看到无数的面孔和场景,大脑似乎毫不费力就能识别出熟人、判断出自己所处的环境。这种看似简单的认知过程,背后是高度特化的大脑区域在协同工作。其中,梭状回面孔区(Fusiform Face Area, FFA)和海马旁回位置区(Parahippocampal Place Area, PPA)是两个明星区域,分别被公认为处理面孔和场景信息的“核心枢纽”。然而,大脑并非由一个个孤立的“岛屿”构成,高效的认知功能依赖于区域间的紧密协作与信息交流。长久以来,一个关键的科学问题悬而未决:FFA和PPA这两个功能特异的区域,在静息状态下(即大脑不执行特定任务时)与全脑其他部分是如何连接的?这些固有的、内在的连接模式,是否构成了它们执行面孔和场景知觉功能的“基础架构”?更重要的是,这种内在的连接强度,能否反映甚至预测我们在完成相关任务时的个体表现差异?解答这些问题,对于深入理解大脑功能组织的根本原理,以及探索个体认知能力差异的神经基础,具有至关重要的意义。
近日,一篇发表在《Human Brain Mapping》上的研究论文“Distinct Resting-State Connectomes for Face and Scene Perception Predict Individual Task Performance”,为上述问题提供了系统的答案。该研究综合利用了人类连接组计划(Human Connectome Project, HCP)提供的多模态神经影像数据,包括高时空分辨率的静息态功能磁共振成像(fMRI)和脑磁图(MEG),对FFA和PPA的静息态功能连接组进行了精细刻画,并首次通过预测模型,证实了这些内在网络连接模式与个体行为表现之间的特异性因果关系。
为开展此项研究,研究人员主要运用了以下几项关键技术:首先,利用HCP公开数据集,选取了经过严格筛选的参与者样本(如核心分析55人,预测分析350余人)。其次,基于Neurosynth元分析定位并确定了FFA(对应HCP-MMP1图谱中的FFC脑区)和PPA(对应PHA3脑区)作为种子点。接着,采用fMRI计算了种子点与全脑180个脑区的偏相关,以刻画空间连接模式;并利用MEG的功率包络相关和部分定向相干等方法,分析了不同频段(δ、θ、α、β、γ)的振幅耦合与方向性连接。最后,运用连接组预测建模(Connectome-Based Predictive Modeling, CPM)方法,以静息态fMRI连接矩阵为特征,预测个体在面孔匹配和场景n-back任务中的反应时,并通过留一交叉验证和置换检验评估预测的显著性与特异性。
研究结果如下:
2.1 识别FFA和PPA种子区域
通过Neurosynth元分析与聚类方法,成功在HCP多模态分区图谱中确定了FFA和PPA对应的种子脑区,为后续连接分析奠定了基础。
2.2 fMRI连接揭示FFA和PPA的不同网络
静息态fMRI分析显示,FFA和PPA的全脑功能连接模式存在显著的空间分离。FFA主要与外侧枕颞区、颞下回、颞顶交界区等脑区连接;而PPA则与腹内侧视觉区、后扣带回、内嗅-嗅周皮层等区域连接更强。直接对比进一步识别出20个优先连接FFA的脑区和13个优先连接PPA的脑区,清晰勾勒出两个功能特异的网络。
2.3 频率特异性的MEG连接谱
MEG分析表明,上述网络的空间分离在β(13-30 Hz)和γ(30-100 Hz)频段的振幅耦合中得到了体现。方向性分析揭示了一个有趣的模式:流向FFA和PPA种子区的“传入”影响主要由高频(β、γ)携带,而源自种子区的“传出”影响则在低频(δ、θ、α)相对更强。这为理解网络内部的信息流动提供了时间动力学视角。
2.4 内在网络连接预测行为表现
这是本研究最核心的发现。基于连接组的预测模型(CPM)显示,FFA网络的内在连接强度能够特异性预测个体在面孔匹配任务中的反应时(预测相关性r=0.31),而PPA网络则能特异性预测个体在场景0-back和2-back任务中的反应时(r=0.25, 0.29)。更重要的是,这种预测关系呈现“双重分离”:FFA网络不能预测场景任务表现,PPA网络也不能预测面孔任务表现。控制分析表明,即使排除与种子点直接相连的边,网络内其他连接仍能预测行为,说明预测信息分布在整体网络中。
2.5 后部与前部PPA网络
补充分析发现,行为预测主要依赖于后部PPA(PHA3)锚定的网络,而以前部PPA(PHA2)为种子的网络预测能力不显著,提示后部PPA网络在当前的场景知觉任务中扮演更关键的角色。
在讨论部分,作者深入阐述了本研究发现的重要意义。首先,研究证实了FFA和PPA不仅是任务激活的特异脑区,它们更锚定了在静息状态下就已存在的、功能分离的内在网络。这些网络的空间拓扑结构与已知的任务网络高度吻合,为“静息态网络是任务网络的基础架构”这一假说提供了来自高级知觉领域的强有力证据。其次,MEG揭示的频段特异性(β/γ)和方向性动态,将静态的空间连接图扩展到了时空维度,表明高频振荡在维持这些特异网络的信息整合中扮演关键角色。最后,也是最具突破性的一点在于,研究通过严谨的预测模型,首次建立了静息态功能连接模式与个体知觉行为表现之间的、具有功能特异性的因果预测关系。这种“双重分离”的预测模式,强有力地证明了大脑内在连接组的组织结构直接支撑并限制了我们的认知能力。个体在面孔或场景识别任务上的表现差异,部分源于其对应内在功能网络的连接效率差异。
总之,这项研究通过融合fMRI与MEG,多维度描绘了支撑面孔与场景知觉的、具有独特时空特征的内在功能连接组,并确立了该连接组架构对个体行为表现的预测价值。它不仅深化了我们对大脑功能模块化与网络化组织原则的理解,也为未来探索个体认知差异、神经发育障碍乃至神经退行性疾病的生物标记物开辟了新的途径。论文表明,我们的大脑在“休息”时所展现的连接模式,早已为我们在“工作”时的卓越表现写好了蓝图。
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