成人衰老如何在静息与任务态间纵向重塑脑网络？

研究追踪了哪些个体内变化

这篇论文要回答的是：成人衰老是否会产生一种跨脑状态重复出现的系统级功能网络重塑，还是纵向变化主要局限于特定状态。它还提出一个测量问题：在观察到的协方差连接下降中，有多少来自BOLD波动振幅，而不是网络组织本身。

队列来自Aging Adult Brain Connectome：852名成人，基线年龄36至89岁，共2,220次影像采集、8,727条会话-状态记录，中位随访5.5年。每名参与者在静息态和三种任务中接受扫描：CARIT Go/NoGo抑制控制任务、FaceName配对联想记忆任务，以及包含视觉刺激和按键反应的视觉-运动任务。基线年龄与随访时长被分别建模，因此估计值描述的是个体随时间的变化，而不是年轻人与老年人之间的差异。

协方差、振幅与归一化的选择

核心指标是网络内协方差：对十个皮层网络中的每一个，取该网络内部不同脑区配对之间已发布协方差的均值。协方差同时保留脑区之间的时间耦合和BOLD波动的幅度，而相关分析会用测得的波动振幅去除协方差，从而消除振幅。这一区别很重要，因为衰老与BOLD振幅降低相关，这可能拉低协方差，而相对耦合并未改变。

因此作者构建了两种分母。信号归一化用已发布的、去除了非结构化噪声的脑区振幅计算信号配对振幅，再去除每个网络的协方差。候选总振幅归一化则用已发布信号振幅与单独估计的噪声振幅共同重建的振幅作为分母。他们还将每个观测拆成共同水平和网络相对剖面：共同水平是十个网络的等权均值，网络相对剖面是每个网络相对该均值的偏离。剖面在每个观测内求和为零，因此它去除了所有网络共享的变化，只保留网络之间的相对位置。

原始协方差随信号振幅一同下降

在任何归一化之前，网络内共同协方差按状态不同每5年下降7-11%。已发布信号配对振幅在各状态平均下降约9%，显著大于估计的噪声配对振幅。换言之，原始协方差的下降与信号成分的下降同步得多，而与噪声成分关系较弱。

这正是归一化选择会改变主要结论的原因。在信号归一化下，估计的共同水平轨迹接近零，四个状态联合检验未检出（斜率分别为每5年+0.015、+0.008、+0.021和-0.001个对数单位；Holm校正p = .332）。在候选总振幅归一化下，共同水平在每个状态都下降（分别为-0.061、-0.043、-0.053和-0.075个对数单位；Holm校正p = 1.8 x 10^-7），两条轨迹存在差异（Holm校正p = .015）。因此，分母中保留噪声方差的相关类指标可能显示共同下降，而信号归一化指标不会。

额顶网络在四种状态中均上升

网络相对剖面确实随随访发生变化（卡方9 = 43.90，p = 1.47 x 10^-6），且变化模式因状态而异（卡方27 = 112.00，p = 2.55 x 10^-12）。跨状态平均，额顶网络的相对斜率最正，为每5年+0.058个对数单位，其次是语言网络的+0.037；听觉网络（-0.045）和视觉网络1（-0.042）最负。

更清晰的结果来自直接对比：额顶协方差减去其余九个网络的均值，在每个状态都为正，静息态为每5年+0.081个对数单位，CARIT为+0.063，FaceName为+0.045，视觉-运动为+0.070，约合每5年5-8%（卡方4 = 37.08，p = 1.73 x 10^-7）。其幅度因状态而异（p = .0052）。额顶网络自身在中心化之前的信号归一化水平也上升（每5年+0.070个对数单位），因此相对上升并非仅由其他网络下降造成。

方向重复出现，完整模式并不重复

这是论文的核心区分。重复出现的是额顶偏移的方向，而不是一个不变的十网络模式。完整剖面因状态而异，40个网络-状态斜率中只有5个的Bonferroni同时区间排除零：额顶网络在静息、CARIT和视觉-运动状态，以及听觉网络在CARIT和FaceName状态。拟合剖面在5年间也略有收缩，跨网络标准差的等状态比值为0.926（95%乘数区间0.896-0.960），意味着起始较低的网络倾向于上升，起始较高的网络倾向于下降。

额顶方向也是更稳健的发现。在候选总振幅归一化下，额顶相对斜率分别为每5年+0.099、+0.072、+0.056和+0.098个对数单位（p = 6.09 x 10^-7），比信号归一化斜率高出0.010-0.028，但这一差异未被检出为显著（p = .215）。两个剖面总体检验在两种归一化下都保持显著，而个别网络-状态估计确实发生移动；例如CARIT中的视觉网络1从-0.047变为+0.027。

站点、结构与偏协方差检验

剖面的等状态排序在四个采集站点之间相似，每个站点的剖面与其余三个站点均值的相关系数为r = .790-.922。等状态额顶相对斜率在每个站点都为正（每5年+0.056至+0.077个对数单位），逐一剔除任一站点后在每个状态仍为正，并且在仅限822名单一扫描仪参与者的厚度校正模型中，四个状态仍全部为正（联合p = 2.78 x 10^-7）。

额顶皮层厚度下降幅度小于九个网络的参照值（每5年+0.0156毫米，p = 2.93 x 10^-9）；在功能模型中校正个体内和个体间厚度后，四状态斜率向量的范数仅变化2.1%，校正与未校正斜率之间未检出差异（联合p = .719）。在偏协方差下，额顶相对斜率在每个状态仍为正，但平均小于同一批数据行的原始全协方差（+0.066对+0.127），等状态剖面检验不再被检出（p = .137），而状态依赖剖面检验仍被检出（p = .0029）。

未检出与流体认知的个体内耦合

在746名至少两次同时具备四状态fMRI与流体认知复合分数（FluidIQ）的参与者中（1,881次访视），额顶相对指标与流体认知之间的个体内耦合未被检出（卡方4 = 5.63，p = .228；标准化系数-0.057至+0.040，所有同时区间均包含零）。个体间关联则被检出（p = 2.20 x 10^-7）。该子集比未纳入者更年轻（平均基线年龄60.1岁对67.0岁），影像随访时间也更长。

作者明确说明了这意味着什么、不意味着什么。把更强的额叶参与解读为补偿或脚手架，需要它与维持或改善的表现相联系；本研究建立了轨迹，但没有确立其功能。要直接检验补偿，需要重复的、与任务相关的认知测量，以便精确估计个体内关联。

证据支持什么，止于何处

分析使用的是已发布的影像衍生指标，因此残余头动和会话级数据质量无法直接评估，总振幅也只是基于已发布产物重建的候选量，而非实测值。信号归一化指标是网络层面的比值，因此网络内部脑区相对振幅的变化也可能对其有贡献。发布文档也未说明在估计协方差前是否回归掉任务诱发反应，因此任务态协方差可能包含共享的任务诱发反应。额顶网络是在同一队列的剖面结果之后才被刻画，其突出性需要在独立样本中确认。基线年龄的调节作用未被检出（联合p = .748），因此报告效应是观测年龄范围内的平均值。

论文自身的优先级来自两类结果的分野。依赖归一化的共同水平变化是较脆弱的发现：它是否出现取决于分母中是否包含噪声。状态依赖的再分配，特别是额顶相对上升的正向方向，则是在两种归一化下、每个站点以及厚度校正后都成立的发现。因此，读者在比较纵向连接研究时，应先检查振幅分母，再把整体下降当作关于网络组织的事实；同时应把额顶偏移视为一条个体内轨迹，其认知后果仍未被检验。

本文引用的文献