基于连接组约束的神经解码研究揭示从感知到认知到行动的表征层次结构
1. 研究作者、机构及发表信息
本研究由Yu Zhang（浙江实验室）、Lingzhong Fan（中国科学院脑网络组研究中心）、Yongfu Hao（浙江实验室）、Alain Dagher（加拿大麦吉尔大学蒙特利尔神经研究所）、Tianzi Jiang（中国科学院自动化研究所）和Pierre Bellec（加拿大蒙特利尔大学老年研究所）共同完成，发表于Science Bulletin第70卷（2025年）。
2. 学术背景
科学领域：认知神经科学、计算神经科学。
研究动机：理解人类认知的神经机制是神经科学的核心目标，但个体间大脑解剖、功能与行为的显著异质性（intersubject variability）使跨被试的认知建模面临挑战。当前的功能对齐（functional alignment/hyperalignment）方法假设神经响应跨一致，难以捕捉群体异质性，且忽略脑区间的功能交互。
研究目标：提出生物约束的图神经网络（Biologically Constrained Graph Neural Networks, BGNNS），整合脑图谱（brain atlases）、连接组（connectomes）和神经动力学（neural dynamics）的生物学先验，建立跨被试的全脑任务功能磁共振（task-fMRI）建模框架，揭示认知过程的层级表征。
3. 研究流程
（1）BGNNS模型构建与工作流程
（2）实验数据集与处理
- 数据来源：HCP task-fMRI数据库，覆盖6个认知域（语言、运动、工作记忆等），共138,662个fMRI样本和91,426个试次。
- 分析方法：
- 分层聚类与表征相似性分析（Representational Similarity Analysis）提取模块表征。
- 遗传相关性分析：利用HCP双胞胎数据验证表征的遗传性（如工作记忆负载的遗传力h²=0.3597）。
4. 主要结果
（1）多层级认知表征的发现
- 视觉工作记忆（WM）的三级层次：
- 模块1（感觉处理）：腹流（如梭状回面孔区FFA、海马旁回位置区PPA）对面孔/地点的选择性响应。
- 模块2（记忆负载）：前顶叶网络（如额眼区FEF、顶内沟IPS）的2-back vs. 0-back任务对比。
- 模块3（内容依赖机制）：面孔记忆依赖前额叶自上而下调控，地点记忆依赖枕颞叶自下而上处理。
- 行为验证：面孔记忆表现更优（准确性更高，反应时更短，p<10^-14），支持“特权记忆状态”假说。
（2）BGNNS的优越性能
- 解码准确率：单模态任务（如语言分类F1=0.98）和高阶任务（如WM分类F1=0.94）均表现优异。
- 生物学约束验证：功能/解剖连接组先验均优于随机连接图（p<0.001），小脑图谱对单模态任务有效但对高阶任务有限。
（3）功能对齐与行为关联
- 脑-行为关联：BGNNS表征与WM任务准确性（r=0.5031）和反应时（r=-0.2684）显著相关。
- 遗传关联：记忆负载表征与行为分数存在遗传相关性（如准确性qg=0.80）。
5. 研究结论与价值
- 科学价值：
- 提出首个整合多模态生物学先验的图神经网络框架，为跨被试认知建模提供新。
- 揭示认知表征的层级组织（如“感知-抽象-行动”梯度），支持内容依赖的记忆机制理论。
- 应用价值：
- 可推广至个体化脑图谱与连接组，推动精准神经解码。
- 为脑疾病（如痴呆症）的异常认知模式诊断提供工具。
6. 研究亮点
- 方法论创新：BGNNS首次将脑图谱、连接组动态图卷积结合，克服功能对齐的均质化假设。- 重要发现：
- 工作记忆的内容依赖性（面孔vs.地点的不同神经通路）。
- 小脑在单模态任务中的特异性角色。
- 数据规模：基于迄今最大的公开fMRI数据集（1200被试），结果具有高统计效力。
7. 局限性与展望
- 局限性：需在独立数据集验证泛化性；fMRI时间分辨率限制毫秒级分析；未考虑个体化脑图谱差异。
- 未来方向：结合超高分辩率成像（如7T fMRI）和个体化连接组优化模型。
注：本研究受中国科技创新2030重大项目（2021ZD0200201）和国家自然科学基金（62327805）支持，数据与代码已开源。