编辑推荐：
为解决如何从多模态网络层面理解脑与行为关系、弥合脑连接组与行为架构研究之间的空白，研究人员结合图论与探索性图分析(EGA)，探讨了大规模脑静息态网络拓扑属性对七个认知/行为领域的预测作用。结果表明，不同认知/行为领域对应静息态网络的特异性整合与分离特征，例如高级认知功能与额顶网络整合度提高、默认模式网络分离度提高相关，而适应不良行为（如物质滥用、冲动性）则与感觉运动网络和边缘网络整合度增强相关。该研究凸显了网络神经科学方法在揭示人类认知与行为复杂动态本质方面的优势。
想象一下，我们的大脑像一张由数十亿神经元连接而成的庞大网络地图，而我们的行为和心理活动，从解决复杂问题到情绪调控，则是这张地图上复杂交通流的结果。长期以来，科学家们试图理解大脑的结构如何支持如此多样的功能。传统研究往往聚焦于孤立的大脑区域或单一功能，但在“连接组”时代，人们越来越认识到，必须转向多模态、网络层面的视角。这就好比研究城市的交通，不能只看单个路口，而要分析整个路网的拓扑结构。然而，一个核心挑战在于：我们如何将个体独特的行为“架构”——即各种认知、情绪、人格特质之间复杂的相互作用网络——与大脑网络的拓扑特性（如不同脑区之间的整合与分离程度）联系起来？现有的研究要么专注于大脑连接组，要么专注于行为网络，很少有工作将这两种网络分析方法结合起来，系统地探索它们之间的对应关系。这项发表在《Biological Psychology》上的研究，正是为了填补这一空白。
为了回答“个体行为网络架构如何映射到大脑网络的拓扑结构上”这一核心问题，研究团队展开了一项整合性分析。他们巧妙地将两种强大的图分析方法——用于分析大脑功能连接的图论，和用于从行为数据中识别潜在“社区”或功能域的探索性图分析(EGA)——结合在了一起。研究利用人类连接组计划(Human Connectome Project, HCP)中379名健康成年人的数据，首先通过EGA从38个行为变量中数据驱动地识别出7个相对独立又互有联系的行为/认知“社区”，包括：心理健康(MTL)、外化问题(EXT)、高级认知功能(HCF)、核心认知功能(CCF)、物质使用/滥用(SUB)、延迟折扣任务(DDT)和疼痛(PAI)。这些“社区”的分数（网络分数）被用作代表个体行为架构的指标。同时，利用静息态功能磁共振成像数据，研究者计算了7个经典静息态网络（视觉网络(VIS)、感觉运动网络(SMN)、背侧注意网络(DAN)、腹侧注意网络(VAN)、边缘网络(LIMB)、额顶网络(FPN)和默认模式网络(DMN)）的多种图论指标，以量化其网络内和网络间的整合与分离特性。最后，他们采用广义可加模型(Generalized Additive Models, GAMs)来捕捉脑网络拓扑指标与各行为域分数之间可能存在的非线性关系，从而系统探究是哪些脑网络、以何种拓扑方式，支撑着不同的行为功能。
为开展研究，作者主要应用了以下关键技术方法：1) 使用人类连接组计划(HCP) S1200数据集中379名健康参与者的静息态fMRI和行为数据。2) 对fMRI数据采用基于图论的功能连接组学分析，以Schaefer 200脑区为节点，计算其时间序列的皮尔逊相关，构建功能连接矩阵，并在一系列比例阈值(10-40%密度)下提取静息态网络在整体、网络间和网络内不同层面的拓扑指标。3) 对38个行为变量应用探索性图分析(Exploratory Graph Analysis, EGA)和社区检测，以识别并提取7个行为/认知域的网络分数。4) 使用广义可加模型(Generalized Additive Model, GAM)来建模脑网络拓扑指标与行为域网络分数之间可能非线性的关系，并采用斯皮尔曼相关进行单节点水平分析以进一步定位关键脑区。
3.1. 网络内连接性 结果显示，在7个静息态网络内部，仅发现额顶网络(FPN)的模块化程度(Mod)与高级认知功能(HCF)正相关，且这一关系在60%、80%和90%的多个连接密度阈值下均稳定。这表明，在静息状态下，一个被细分为更专门化功能“社区”的额顶网络，更有利于支持复杂认知任务的表现。
3.2. 网络间连接性 广义可加模型分析显示，所有7个行为/认知域均与一个或多个静息态网络的拓扑属性存在显著关联，且这些关联在多个连接密度阈值下均表现稳健。研究发现了具有领域特异性的整合与分离特征模式：1) 对于适应功能：高级认知功能(HCF)和核心认知功能(CCF)的更好表现，与额顶网络(FPN)的整合度（参与系数(PC)）和/或分离度（聚类系数(CC)）提高，以及默认模式网络(DMN)的整合度降低相关。此外，感觉运动网络(SMN)和腹侧注意网络(VAN)的更高整合度/中心性也对高级认知功能有正向贡献。2) 对于适应不良域：物质滥用(SUB)与外化问题(EXT)则与感觉运动网络(SMN)和边缘网络(LIMB)的整合度增强，以及背侧注意网络(DAN)的分离度增强相关联。具体而言，物质滥用分数与感觉运动网络(SMN)的节点强度(NS)和参与系数(PC)呈正相关；外化问题分数与边缘网络(LIMB)和背侧注意网络(DAN)的聚类系数(CC)呈负相关。3) 其他发现：更低的疼痛(PAI)感知与视觉网络(VIS)更高的整合度相关；更差的延迟折扣（更冲动）与默认模式网络(DMN)和边缘网络(LIMB)更高的整合度相关；更差的心理健康(MTL)状况与边缘网络(LIMB)节点强度降低但聚类系数升高相关，表明其长程连接减弱而局部处理增强的“孤岛化”模式。这些关联通过一张视觉图（）得到了直观展示。
3.3. 单节点分析 为进一步定位，研究对在网络间分析中显示显著关联的网络，进行了节点水平的斯皮尔曼相关分析，同样要求结果在至少三个阈值下稳健。研究发现：1) 疼痛：更低的疼痛分数与左侧距状裂、左侧楔叶和右侧梭状回这几个视觉网络(VIS)节点更高的参与系数(PC)相关，这些节点显示出与腹侧/背侧注意网络及感觉运动网络的高连接。2) 外化问题：更高的外化行为分数与右侧眶额皮层（边缘网络）以及双侧辅助运动区/额眼区和顶上小叶（背侧注意网络）更低的聚类系数(CC)相关（）。3) 延迟折扣：更高的冲动性（更低的DDT分数）与默认模式网络(DMN)多个区域（如角回、颞中回）以及右侧颞下回（边缘网络）更高的参与系数(PC)相关（）。4) 物质滥用：更高的物质使用分数与感觉运动网络(SMN)内中央前回多个节点更高的节点强度(NS)，以及背侧注意网络(DAN)多个区域更高的聚类系数(CC)相关（）。5) 高级认知功能：更好的高级认知表现与默认模式网络(DMN)、感觉运动网络(SMN)、视觉网络(VIS)和边缘网络(LIMB)多个节点更低的参与系数(PC)（即更分离），以及额顶网络(FPN)节点更高的参与系数(PC)和聚类系数(CC)（即同时具有整合与分离特性）、腹侧注意网络(VAN)节点（如脑岛）更高的居间中心性(BC)相关（; ）。6) 核心认知功能：与高级认知功能类似，更好的核心认知表现也与默认模式网络(DMN)多个节点更低的参与系数(PC)，以及腹侧注意网络(VAN)节点（如左侧脑岛、右侧颞上回）更高的节点强度(NS)相关（）。
该研究的结论与讨论部分强调了其多重重要意义。首先，这项研究成功地将用于分析大脑连接组的图论与用于构建行为网络的探索性图分析(EGA)两种网络方法结合起来，为理解脑-行为关系提供了一个新颖的、无理论偏见的、网络对网络的整合分析框架。研究核心结论是：人类不同的认知与行为功能，对应于静息态大脑网络特异性的整合与分离平衡特征。具体而言，高效的认知功能（如高级和核心认知功能）通常伴随着默认模式网络(DMN)和边缘网络(LIMB)更高的分离度（即更少的网络间整合），以及额顶网络(FPN)和腹侧注意网络(VAN)更高的整合度与中心性。这种模式反映了任务正网络与任务负网络之间经典的反相关关系，以及控制网络在整合专门化信息与执行全局协调之间的精细平衡。相反，适应不良的行为域（如冲动决策、物质滥用、外化问题）则表现出相反的模式：感觉运动网络(SMN)和边缘/默认模式网络的整合度增强，而负责自上而下控制的背侧注意网络(DAN)则变得更加分离。这暗示了一种“自下而上”的感觉/奖赏驱动与“自上而下”的认知控制之间的失衡，可能是此类行为风险的神经基础。此外，研究发现网络间的连接性措施比网络内的拓扑属性更能预测行为变异，这支持了认知功能源于分布式脑网络动态交互的“整体论”观点，而非单一脑区的独立工作。
这项研究的意义在于，它超越了传统的“脑区-功能”一一对应模式，从系统层面揭示了脑网络组织原则与行为组织架构之间的深层联系。它不仅为理解正常个体差异提供了新视角，所发现的“整合-分离”特征模式也可能作为区分健康与潜在病理状态的生物标志物，为未来精神神经疾病的早期识别和干预靶点提供了新的思路。尽管研究存在横断面设计无法推断因果、结果依赖于特定分析管道等局限性，但其开创性的方法融合与丰富的发现，无疑为推动网络神经科学与行为科学的交叉融合发展奠定了重要基石。
