Связь между интеллектом и функциональной связностью мозга: результаты многоцентрового исследования

Введение

Любую систему, состоящую из взаимосвязанных элементов, можно смоделировать как сеть. Одной из самых сложных и challenging систем, встречающихся в природе, является человеческий мозг. Изучить всю связность мозга на клеточном уровне с помощью современных методов нейровизуализации in vivo невозможно. Тем не менее, за последние четыре десятилетия структурные и функциональные нейровизуализационные исследования позволили получить огромное количество знаний о человеческом мозге на макроскопическом уровне. Например, было отмечено, что сети человеческого мозга организованы по принципу «малого мира». То есть высокий уровень локальной кластеризации, который обеспечивает функционирование сегрегированных, функционально coherent единиц локальной обработки информации, сосуществует с дальними связями, обеспечивая интеграцию информации между различными регионами.

Интеллект и его нейронные основы

Интеллект можно определить как «способность понимать сложные идеи, эффективно адаптироваться к окружающей среде, учиться на опыте, заниматься различными формами рассуждений, преодолевать препятствия с помощью мысли». Чарльз Спирмен观察到, что люди, которые показывают результаты выше среднего в одной когнитивной задаче, как правило, хорошо справляются и с другими когнитивными задачами. На основе этого наблюдения он выявил существование «общего фактора» интеллекта, который он назвал «g». Современные иерархически организованные модели по-прежнему помещают g на вершину иерархии с более специфическими широко организованными когнитивными способностями под ним, которые далее подразделяются на более низких уровнях.

Стабильность интеллекта и его влияние

Межиндивидуальные различия в когнитивных performance не только относительно стабильны across задач, но и сохраняются на протяжении всей жизни. Например, корреляция тест-ретест показателей теста интеллекта в возрасте 11 и 77 лет составила r = 0,63, которая скорректировалась до r = 0,73 после поправки на ослабление диапазона способностей within повторно протестированной выборки. Более того, показатели тестов интеллекта предсказывают многие аспекты жизни и здоровья, такие как производительность труда и долголетие. Учитывая considerable влияние, которое g, по-видимому, оказывает на жизненные outcomes, вопрос «Где в мозге находится интеллект?» всегда представлял особый интерес.

Сетевой подход в нейронауке

Многие нейробиологические исследования пытались ответить на этот вопрос, используя различные методы визуализации для анализа различий в нейронных свойствах областей мозга и их связи с интеллектом. Совокупные доказательства таких исследований привели три независимых мета-анализа к выводу, что с networks областей мозга, широко distributed по всему мозгу, связаны с интеллектом. Джанг и Хайер предположили, что области, связанные с интеллектом, составляют взаимосвязанную, widespread сеть (вместо того чтобы работать изолированно друг от друга), и предложили Теорию интеграции теменно-лобных областей (Parieto-Frontal Integration Theory - PFIT) интеллекта.

Функциональная связность и теория графов

Более поздние исследования направили внимание на анализ связанных с интеллектом нейронных свойств с точки зрения организации сети. Одно из направлений сетевой нейронауки сосредоточено на функциональной связности within человеческого мозга. Этот подход исходит из идеи, что функциональная связность в состоянии покоя анатомически separated областей мозга, количественно определенная с помощью функциональной магнитно-резонансной томографии (фМРТ), отражает фундаментальную архитектуру функциональных сетей, лежащих в основе task-related активностей и поведения. Функциональную связность между областями мозга можно infer из временных корреляций между спонтанными низкочастотными колебаниями в blood oxygenation level-dependent (BOLD) сигналах.

Методы и материалы исследования

Учитывая, что наборы данных, включенные в наше исследование, использовали различные behavioral меры, а данные визуализации были получены на разных сканерах, объединение в одну большую выборку было невозможно. Мы проанализировали данные четырех независимых выборок:

• Выборка RUB: 557 участников в возрасте 18–75 лет.
• Выборка HCP (Human Connectome Project): Данные были предоставлены проектом Human Connectome Project, консорциум WU-Minn.
• Выборка UMN: 335 участников в возрасте от 20 до 40 лет.
• Выборка NKI (Nathan Kline Institute): Набор данных «Enhanced Nathan Kline Institute—Rockland Sample».

Измерение интеллекта и вычисление фактора g

Поскольку в наших четырех выборках использовались разные тестовые батареи, мы решили вычислить факторы g (по одному для каждой выборки), чтобы получить сопоставимые между наборами данных меры интеллекта. После регрессии возраста, пола, возраста*пола, возраста² и возраста²*пола из тестовых показателей мы провели exploratory factor analyses на основе стандартизированных остатков для разработки иерархических факторных моделей для каждой выборки. Затем мы выполнили confirmatory factor analyses и оценили соответствие модели с помощью статистики хи-квадрат (Χ²), а также индексов соответствия RMSEA, SRMR, CFI и TLI.

Результаты

Основная цель нашего исследования заключалась в том, чтобы изучить, существуют ли воспроизводимые ассоциации между общим интеллектом и свойствами функциональной сети, используя многоцентровой подход.

Глобальный уровень

На глобальном уровне общий интеллект не показал значимых ассоциаций с глобальной эффективностью или склонностью к малому миру ни в одном наборе данных, но показал значимые положительные ассоциации с глобальным коэффициентом кластеризации в двух наборах данных (записи NKI и одна сессия HCP).

Узловой уровень

На уровне отдельных областей мозга регулярized elasticnet регрессии для узловой эффективности и локальной кластеризации не выявили ни одной области мозга, которая демонстрировала бы consistent ассоциации между наборами данных. Использование областей, идентифицированных с помощью elasticnet регрессии в одной выборке, для предсказания g в других выборках не увенчалось успехом для локальной кластеризации и привело только к одному значимому однонаправленному предсказанию между наборами данных для узловой эффективности.

Обсуждение

Наше наблюдение о том, что общий интеллект не проявлял значимой связи с глобальной эффективностью ни в одном наборе данных, согласуется с результатами, сообщенными в предыдущих исследованиях. Оно укрепляет позицию о том, что нет надежной связи между общим интеллектом и эффективностью intrinsic функциональной архитектуры мозга. Хотя мы построили highly индивидуализированные функциональные коннектомы с помощью OMST, которые, как было показано, имеют более высокую надежность тест-ретест по сравнению с conventional порогами, надежность глобальной эффективности была лишь poor to fair между днями. В целом, наше исследование предоставило дополнительные доказательства того, что нет устойчивой ассоциации между глобальной эффективностью и общим интеллектом.

Ограничения и будущие направления

Помимо недостаточной надежности, есть и другие возможные причины отсутствия воспроизводимых ассоциаций между graph metrics и g среди наборов данных:

• Демографические различия: Выборки различаются по возрастному диапазону, соотношению полов, пропорции handedness, ethnic составу и, что, вероятно, наиболее важно, средним показателям IQ.
• Размер выборки: Отношения между связностью в состоянии покоя и g могут быть небольшими, и некоторые или даже все наши выборки были недостаточно мощными, чтобы detect воспроизводимые результаты.
• Метрики: В то время как эффективность и кластеризация являются prominent graph metrics в литературе, другие graph metrics, которые model модулярность brain networks, могут быть устойчиво associated с интеллектом.
• Временное разрешение: Наборы данных различаются по временному разрешению функциональной визуализации.

Заключение

Результаты нашего многоцентрового исследования показали, что графо-теоретические меры функциональной связности в состоянии покоя не были надежно associated с g, по крайней мере, не в specific областях мозга. В то время как partial корреляции между общим интеллектом и глобальной эффективностью не показали значимых ассоциаций ни в одном наборе данных, значимые положительные ассоциации были обнаружены между общим интеллектом и глобальной кластеризацией в двух наборах данных. На уровне отдельных областей мозга не было ни одной области, которая consistently показывала бы positive или negative ненулевые размеры эффекта across всех наборов данных в нашем elasticnet подходе. Однако последние исследования предполагают, что функциональная связность действительно relevant для intelligent мышления, когда ее модулярность исследуется в dynamic manner. Кроме того, мы рекомендуем будущим исследованиям investigate task-based функциональную связность, а не связность в состоянии покоя.