人脑的连接性中心节点促进了人脑网络的模块化_如何使用fieldtrip读取human connectome project数据

人脑网络由许多不同的中心节点紧密连接起来，它们分布在大脑中不同的模块内。一般认为，脑网络中包含了保持模块内部连接的局部hubs和保持不同模块间连接的网络间hubs（考虑到这些hub主要起到连接不同模块的作用，将其称之为connector hub，我们将其称之为连接性中心节点，简称连接性中心）。但这些hubs节点的机理以及它们是如何支持认知的仍不清楚。本文利用hub连接模型在一个大样本上预测了不同认知表现的个体差异。结果表明，基于hub连接的模型能准确预测476名被试在4个不同任务中的认知表现。此外，发现人脑中存在一个最优网络结构，具有更强适应性的连接性中心和相应模块的被试表现出更高的认知能力，而与任务类型无关。本文的研究为相关模型提供了重要的证据，在该模型中，连接性中心可以调整其相邻hub的连接性，使其更加模块化，同时允许认知任务进行跨模块的信息集成，以增加了全脑的模块化程度，并提升认知能力。本文发表在Nature human behaviour杂志。

研究背景：

人脑是一个复杂的网络，一般将大脑划分为不同的区域（即节点），并使用某种方法表征大脑区域之间的关系（即连接的边）来构建人脑网络。在功能磁共振成像（fMRI）数据的网络模型中，每条边代表两个节点之间的功能连接强度，即fMRI活动水平的时间相关性（图1）。该网络模型可用于研究大脑全局和局部的连接模式。大脑网络包含不同的模块，这些模块是由一组内部紧密相连但与其他节点连接较弱的脑区组成的（图1）。我们把网络的这种特性称为模块化，可以使用模块化指数Q来量化。

已有研究表明，模块化在自然界的复杂系统中无处不在，从秀丽隐杆线虫到人类，不同物种的大脑中都能观察到模块化结构。考虑到它们的普遍性，模块化网络组织被自然而然地被选中，可能是因为它们降低了代谢的成本。功能和结构连接在代谢上成本较高。解剖学上的形态学差异和功能上的特异性构成了模块化的生理学基础，模块化减少了网络的平均长度和连接数量，即降低了网络布线的成本。此外，大脑的基因型-表现型图谱也被发现是模块化的，其形成了一系列的表现型，包括受基因群共同影响的大脑模块(例如视觉模块)。这表明，模块化在遗传和表型水平上，允许网络系统在新的选择压力下快速进化。

正如本文的作者在他们早期的工作中指出的那样，模块化可能会增加信息处理系统的适应性。网络仿真表明，模块化允许鲁棒的网络动态性，因为节点之间的连接可以在不牺牲信息处理功能的情况下被重新配置，而这也是一个网络演化所必需的过程。人工智能研究表明，与非模块化网络相比，模块化网络解决任务更快、更准确，发展速度也更快，且布线成本更低。更关键的是，模块化也与个体行为相关，已有研究表明脑网络的模块化程度可以预测个体内部工作记忆能力的变化以及个体对认知训练的反应。

一般在每个模块中，都存在与自己模块有很强连接的局部hubs。模块内的连接强度可以用来测量一个节点的局部性(见方法部分的公式和图1)。节点的模块内连接强度高，说明节点在自己的模块内具有较强的连通性，因此是一个局部hub。局部hubs是功能分离的重要基础，可以保障具体功能在局部脑区的信息处理。由于局部hubs的连接主要集中在其自身模块内，其功能可能是特定和分离的，因此对局部hubs的破坏往往会导致相对特定的认知缺陷，而不会显著改变网络的模块化组织。这使他们在信息处理中具有更加离散的特点，而且他们的活动水平不会因为有更多的模块参与到任务中而增加。

然而，一个完全模块化的网络会使大脑在功能上受到极大的限制——因为缺乏群体之间的联系，例如，来自视觉皮层的信息永远无法到达运动皮层，因此视觉信息无法被用来表征运动。那么，信息是如何在这些彼此分离的模块中整合的呢?模块化网络在分离和整合之间是相互依赖的，局部模块化保障了更低的网络消耗，而连接性中心将不同的模块整合起来，保障了网络信息在不同模块之间的传输和整合。

图1 功能连接和网络特征的处理流程。

a、跨时间的平均血氧水平依赖（BOLD）信号从264个皮层、皮层下和小脑区域提取，其中3个区域如图所示。

b、三个节点的时间序列如图所示。为了度量功能连接，计算所有i和j节点的时间序列与节点j的时间序列之间的Pearson相关系数r。

c、最强的（例如前5%的r值）功能连接作为图的加权边（图密度的范围已被探索，详细信息请参见方法介绍部分）。

d、应用Infomap模块检测算法，将每个节点分配到一个网络模块中，在示意图（顶部）和跨被试的平均图（底部）中以不同颜色显示。单个模块（底部，浅蓝色）及其与图其余部分的连接被提取和放大，节点按模块着色。注意，与其他模块中的节点相比，每个模块内的节点彼此之间的连接更紧密。

e、给定特定的模块分配和网络，计算节点的参与系数。红色节点是高参与系数的节点，如图(上)和均图(下)所示。提取并放大具有高参与系数的节点（及其连接；底部），节点按模块着色。可以看到，连接性中心节点连接到许多不同的模块。

f、进一步计算了模块内的连接强度。紫色节点是模块内的高强度节点，如图所示(顶部)和均图(底部)。提取并放大模块内具有高强度连接的节点（及其连接；底部），节点按模块着色。局部节点与其所属的模块是强连接的。

连接性中心具有跨不同模块的各种连接性。一般使用参与系数于测量节点的多样性。高参与系数反映了一个节点的连接均匀分布在大脑的各个模块，因此被称为连接性中心。连接性中心是信息整合处理的理想位置。在人类的大脑网络中，连接性中心具有特定的细胞结构，涉及各种认知任务，位于许多模块边界的解剖区域。此外，连接性中心的损坏会导致大量的认知缺陷和网络模块化结构的下降。在认知任务中，连接性中心似乎协调了其他节点对之间的连接变化，有研究发现连接性中心的神经活动可以预测其他节点连接的变化，特别是不同模块中节点之间的连接。连接性中心之间也有强烈的相互连接，形成了所谓的rich-club。连接性中心几乎可以连接到网络中的每个模块。因此，他们可以获得来自每个模块的信息。最后，如果更多模块参与一项任务，则连接性中心的活动会增加，这表明连接性中心的消耗会随着更多模块的参与而要求更高。

这些发现的一个简单的机制模型是连接性中心可以调节不同模块之间的连通性。神经元调节是指选择性地代表特定刺激、关联或信息的细胞。本文引入了网络调优的机制概念，其中节点之间的连接被整合起来以实现特定的网络功能或拓扑结构，例如跨模块的信息整合或两个模块之间的连接性降低。

本文认为：连接性中心是网络形成跨模块的多样化连接的基础，它使得网络不仅可以完成不同模块之间的信息整合，还可以让网络中的节点间从原本是不同模块之间的连接变化为同一个新的模块。这种机制促进了一种全脑模块化网络结构的动态优化，在这种结构中，每个模块中的局部hubs和节点主要用于自主的局部加工处理，并由不同连接性中心提供的模块化网络结构进行网络调优，这可能是各种认知过程的最佳选择。因此，尽管连接性中心的成本高，但强大且多样化的连接性中心对于复杂的模块化神经网络中的整合处理可能至关重要。

当前，局部hubs和连接性中心已经被网络科学进行了详尽地研究，它们的功能可以从它们在网络中的拓扑位置推断出来。此外，个体的大脑网络连通性已被证明能够预测任务表现，并能够以“指纹识别”相似的原理重认个体。然而，目前还没有研究利用这些个体差异来测试相关的hub模型，支持这些hub功能的机制模型以及它们如何支持人类认知的直接证据仍然缺乏。

此外，目前还不知道人脑中是否存在一组跨任务的hub节点及特定的网络结构对不同的任务都是最优预测的（又或者是不同任务由不同的hub节点来预测）。在本研究中，作者分析了在任务执行过程中脑网络hubs的拓扑特征，并研究了个体差异如何与网络连通性、模块化和任务执行情况以及在扫描仪之外收集的包括心理测量学(例如，流动智力，工作记忆)和其他行为测量(例如，睡眠质量和情绪状态)相关。本文测试了一种hub模型，在该模型中，连接性中心会调整其相邻节点与其他节点的连接性，使其更具模块化（或者更不模块化），从而增加了网络的全局模块化结构，并提升任务表现，且这种调整不特定于任务。

为了测试该模型，本文使用Human Connectome项目的476名（S500版本）被试的fMRI数据。使用在7种不同认知状态（静息状态、工作记忆、社会认知、语言和数学、赌博、相关匹配和运动；见方法部分）期间收集的fMRI数据为每个被试建立一个功能网络。因此，每个被试有7个不同的网络（文中主要用了4个任务和任务态数据对应的4个网络）用于分析。每条边代表264个节点中每对节点之间的功能连接强度。在每个网络中，计算出Q值，将每个节点划分到一个模块(参见方法)。然后，在每个网络中，对于每个节点，测量该节点的局部性和多样性。模块内强度用来度量节点的局部性，而参与系数用来度量节点的连接多样性，即是否是一个连接性中心(具体见方法部分)。

方法

数据与预处理

本文使用来自Human Connectome Project S500发布的fMRI数据。对于任务型fMRI数据，采用AFNI对图像进行预处理。使用AFNI，将脑脊液mask、白质mask、全脑信号和运动参数的平均信号通过线性回归去除。在AFNI中，使用了“-automask”来生成掩码（mask)。使用“-passband 0.009 0.08”进行了带通滤波。最后，使用“-blur 6”，在时间序列滤波后，使用6毫米全宽半最大值滤波器对图像进行平滑(仅在mask内)。

考虑到情绪任务的长度较短(176帧;静息态:1200，社交任务:274，相关匹配任务:232，运动:284，语言:316，工作记忆:405，赌博:253)，故未纳入后续分析。对于静息时收集的fMRI数据，使用了之前由Human Connectome Project用ICA-FIX进行预处理的图像，同样做了0.009-0.08的带通滤波。本研究没有从每个节点的时间序列中回归刺激或任务效应，因为节点的低频振荡对刺激或任务效应的反应是有意义的。此外，其他研究者也发现任务效应回归的影响很小（这一点读者在阅读时要考虑一下，因为有其他研究发现任务刺激会夸大与任务相关脑区之间的功能连接：Task activations produce spurious but systematic inflation of task functional connectivity estimates）。

由于fMRI数据采集期间被试的头动会影响功能连接的估计，并且已被证明会影响大脑与任务表现间的关系，因此后续的预测分析去除了逐帧位移大于0.2mm的帧，包括去除时间点前后的帧。被移除帧数超过75%的受试者未被分析。

图论分析：

Power atlas被用来定义本研究中的264个节点，因为它是唯一满足以下所有要求的atlas:

（1）由于本atlas中节点的同质性较高，且节点不共享物理边界，因此不会高估区域的局部连通性。

（2）它是唯一一个基于功能连接和任务激活研究定义的atlas，使其成为当前分析的最佳选择。

（3）它准确地将节点划分为使用其他方法观察到的模块(例如，在体素水平上)，这种划分已在许多研究中使用。将节点规范地划分为模块有助于研究结果的解释和总结。此外，使用这种划分可以有效计算模块内和模块间各被试边权重的变化。

（4）它覆盖皮层上、皮层下和小脑区域的解剖结构。

所有的图论分析都是使用作者编写的Python代码执行，这些代码使用了iGraph库。所有的分析代码都是公开的。对于每个任务(使用了左-右和右-左两个梯度方向扫描的图像)，每个受试者，计算了Power图谱中264个区域的平均信号。计算所有信号对之间的Pearson r，形成一个264×264的矩阵，然后对其进行Fisher z变换。本文选择Pearson值来表示节点之间的功能连接(即边)，因为其解释简单，且在人类网络神经科学中普遍存在。然后对左右扫描方向获取的矩阵和右左方向扫描图像的矩阵取平均，为每个被试的每个任务获得一个264*264的功能连接矩阵。然后，在成本s范围(区间0.05-0.15，步长0.01)内，对均值矩阵进行阈值选择，保持边权值。计算最大生成树，确保所有节点至少有一条边。在本文的分析中没有包含负相关。然后将矩阵归一化，使其和为多个被试的共同的值，并用于表示图中的边。因此，所有图具有相同的边数和边权值和。

对于每个任务，执行Infomap算法。虽然该方法已被证明在已知模块结构的基准网络上具有很高的准确性，但它仍然是一种启发式方法，因为模块检测是非确定性多项式的。虽然Infomap并没有明确地最大化Q值，但它已在几个测试案例中准确地估计了模块结构，使Q值、参与系数和基于模块结构计算的模块内强度准确有效。此外，在生物网络中，Infomap实现的Q值类似于最大化Q的算法;在当前静息态数据中，Infomap Q值与FastGreedy Q值的Pearson相关 r = 0.87 (d.f = 474, P < 0.001, 95% CI: 0.84, 0.89);通过独立t检验发现，Infomap Q值高于Fast-Greedy Q值(t (d.f: 952): 16.027, P < 0.001，Cohen’s d: 0.775, 95% CI: 0.024, 0.03)。Infomap Q值与Louvain Q值在Pearson相关r = 0.98 (d.f = 474, P < 0.001, 95% CI: 0.97, 0.98); Louvain Q值高于Infomap Q值。当将Infomap Q值与包含Louvain和Fast-Greedy(两种明确最大化Q的算法)的分布进行比较时，通过独立t检验(t (d.f: 1429): 5.304, P < 0.001, Cohen’s d: 0.222, 95% CI: 0.005, 0.011)，Infomap Q值显著更高。无论如何，本文使用Infomap检测到的模块结构与其他方法的Q值高度相似(补图15)。此外，以往的工作已经证明了模块检测的稳定性和参与系数跨模块检测方法。

补图15

预测指标：

所有的预测指标都是经过先验选择的。在工作记忆任务中，使用了所有n-back条件下(脸、身体、位置、工具)的平均准确率。在相关匹配任务中，在匹配条件和关系条件中都使用了平均正确率。对于语言任务，采用了该任务在数学和语言条件下所达到的最大难度。本研究没有使用判断准确性，因为任务的难度取决于被试的表现，因此，对这些任务的准确性不是一个标准的衡量标准。对于社会任务，考虑到几乎所有被试都正确地将社会互动识别为社会互动，使用了正确识别随机互动的百分比。

深度神经网络模型

深度神经网络是一种监督学习算法，可以学习非线性函数进行回归或分类。与逻辑回归不同，在输入层和输出层之间有一个或多个非线性层，称为隐含层。因此，通过学习相邻层神经元之间的权值，该模型可以将一组输入特征与输出关联起来(补图1)。本文使用了sklearn Python库代码实现。具体地，对被试z的预测计算为:

model = sklearn.neural_network.MLPRegressor(hidden_layer_sizes = (8,12,8,12))

model.fit(x[subjects! = z], y[subjects! = z])

prediction = model.predict(x([z])

本文使用了深度学习模型来通过网络节点的参与系数和平均模块强度来预测被试，其中x是跨被试的特征集合，y是跨被试的任务表现。

多样性和局部性模块化系数

为了进一步理解多样性和局部促进的模块化系数，本文执行了一个迭代的分半分析。具体来说，首先估计了一半受试者中每个节点的平均模块内强度或参与系数，以及另一半受试者中每个节点的局部性和多样性促进系数，测试了10000次受试者的随机分组。在每种认知状态下，都可靠地观察到了所有的关系(补图7)。接下来，本文试图确定这种关系是否是模块化网络在数学形成上的必要特征，还是大脑网络的神经生理学特有的现象。为了解决这个问题，本文测试了4个null网络模型，发现它们中没有一个表现出平均参与系数和多样性促进的模块化系数之间的显著关系(补图8)。本文评估了网络中识别出的模块数量是否无意中影响了本文的结果。结果观察到，每个网络中的模块数量与Q值呈负相关(补图9)。从模块化值Q回归每个网络中的模块数量后，发现本文的结果在定性上没有变化(补图10)。最后检测了感兴趣的变量之间的关系是否是线性的(因此适合用Pearson r相关系数检验)还是非线性的。为了解决这个问题，分析了参与系数和模块化值之间关系的一阶、二阶和三阶曲线拟合。结果观察到，通过一阶拟合，许多关系都被很好地捕捉到了，连接性中心的最大参与系数对应于最大Q指数，只有少数显示出更非线性的关系(补图11)。

连接性中心调优其邻接节点的连接性的替代分析

本文执行了另一种分析，以测试连接性中心是否将其邻居节点的连接调节为更模块化。对于每个节点i，分别计算了一个矩阵，其中的第j和k项是Pearson r相关系数，它捕捉了节点i的参与系数与跨被试网络中节点j和k之间的边权之间的关联程度。这些Pearson r值允许作者们测试一个节点的参与系数是否与它的邻居、与自己模块的连接增加、而与其他模块的连接减少呈正相关。用节点i的参与系数对应的矩阵r值与节点j的模块内边权之和减去节点i的参与系数对应的矩阵r值与节点j的模块间边权之和。因此，该值衡量节点i的参与系数与节点j的模块化(模块内)连通性的增加之间的关系。进一步使用节点划分为与节点本身创建的模块(图4d)。计算中忽略了节点i和节点j之间的边，因为节点i的参与系数可能与节点i和节点j之间的边权重高度相关，本文只关心节点i的参与系数如何调节节点j与网络其余部分的连接，而不是节点j与节点i的连接。在被试中平均不为正的边不包括在本分析中，因为在基于fMRI的网络中对负边的解释不明显(结果相似，仅包括前25%的边;见补图13)。计算节点i和j之间的边强度与i对j的模块化程度的调整量之间的相关性，使节点i的集合为连接hubs或非连接hubs。正相关意味着一个节点偏向于调整它的邻居与它的非邻居之间的连接，以使其更加模块化。在所有认知状态中，这些相关性是正的和显著的(Pearson’s r > 0.17, P < 0.001, Bonferroni校正(n tests = 7))，这表明连接性中心可以调节其邻居节点的连接，从而使其更模块化。

为了测试这种关系是否存在于局部hubs，同样计算一个相似矩阵,其中，对于每个节点i，第j-k个元素是Pearson r值，它捕获的是跨被试的网络中节点j和k之间，节点i的模块内强度与边权重的相关程度。计算节点i和j之间的边强度与i的模块内强度对j模块化的调整量之间的相关性，使得节点i要么是局部hubs，要么是非局部hubs。这些相关性都不是鲁棒的（–0.1>r<0.1）。这些分析丰富了我们的结论，结果表明，连接性中心通过将其邻居节点的连接性调整为更加模块化来促进更高的模块化。

统计方法

受试者数量由人类连接组项目在分析开始时发布的受试者数量决定的。由于该数据集代表了当时同类数据集中最大的数据集，并且受试者的数量大于许多类似的分析，因此没有根据power来计算被试量。

所有比较均以alpha = 0.05为显著性水平。对于Pearson r相关系I，r经Fisher-z变换。对于t检验，所有P值都是双边检验。

所有P值都经过Bonferroni校正以进行多重比较。

研究结果

深度学习的预测模型显著(P<0.001, Bonferroni校正(n tests = 4))预测了所有四项任务的表现(图2)。此外，使用仅具有节点多样性、局部性和模块化特征的节点(即忽略网络中的边连接)的预测模型，并没有显著降低模型的预测精度。考虑到在分析fMRI数据时头动是一个重要的问题，本文利用了scrubbing方法从fMRI数据中去除头动伪影，并从任务表现中回归平均逐帧位移。这些附加分析都没有显著降低预测模型的预测精度。最后，在每个任务中，单独的模块化(Q)与任务表现仅有弱相关(工作记忆，Pearson's r (d.f. = 471)： 0.303, P < 0.001，置信区间(CI)： 0.219, 0.383；相关性：Pearson's r (d.f = 455)： 0.106, P: 0.095, CI： 0.014, 0.196；语言和数学，Pearson 's r (d.f = 469)： 0.085, P： 0.259, CI： -0.005, 0.174；社会，Pearson's r (d.f = 471)： 0.084, P： 0.275, CI： -0.006, 0.173；所有CIs = 95%)。这些结果表明，节点的多样性和局部性，结合网络的模块化连接结构，可以很好地预测被试的任务表现。

人类连接组项目包括磁共振成像扫描仪以外收集的心理测量和其他行为测量;为了进行区分，并将这些测量与任务表现测量和任务对应的网络区分开来，本本将这些行为层面的认知测量称为“主体认知分数”。如果一个特定的hub和网络结构对于许多不同类型的认知和许多不同的行为（hub功能的机械模型的一个组成部分）通常是最优的，那么预测任务的最优hub和网络结构应该在主体认知分数中同样是最优的。

作者认为对于每个不同的任务，预测模型构建的特征可以捕捉每个被试的hub和网络结构对于该任务的任务表现的优化程度。利用给定的被试的功能网络、hub的属性以及网络结构，可以获得每个被试的hub和网络结构对主体认知分数的预测精度。本文对所有的主体认知分数的预测是用的四个任务下的任务态数据构建的功能网络来执行的。因此，预测模型构建的特征可以捕获每个被试的hub和网络结构（在任务执行期间测量（例如，工作记忆））对于给定的主体认知分数（例如，延迟记忆）的优化程度。

这样就可以衡量两种模型的特征之间的对应关系——预测任务时表现最好的模型和预测主体认知分数最好的模型的特征值的相似程度，这个程度可以通过跨受试者计算两种预测模型在特征分数上的相关性来计算。具体地说，对于每个跨被试的特征，计算预测任务表现(例如，工作记忆)的预测模型中的特征与预测主体认知分数(例如，延迟记忆)的预测模型中的特征之间的对应值。然后计算边、局部性和多样性特征的平均相关性，本文将其称之为特征关联性。这里的计算忽略了Q值，因为不管模型预测精度，Q特征都保持不变。因此，该值决定了每个任务的最优hub和网络结构对于其他主体认知分数是否最优，以及所有任务的最优hub和网络结构对于其他主体认知分数是否同样最优。

对于每项任务，对于该任务而言最佳的hub和网络结构通常对于积极的主体认知分数也是最优的，而对于消极的主体认知分数来说是次优的。其次，预测核磁任务的最优hub和网络结构与预测其他主体认知分数的最优hub和网络结构的相似性可以通过关联特征间的对应值来衡量。

结果发现，在所有任务之间(r (d.f = 45)的特征值相似性在0.82和0.96之间（图2b)，说明预测不同任务时特征值的高相关性。

图2 使用节点的多样性和局部性、模块性以及网络连接来预测认知表现。

a、对于每个任务，由节点的多样性、局部性、模块性和网络连接作为特征的预测模型预测的任务表现和真实的任务表现之间的相关性。每个数据点代表受试者的(y轴)真实表现和由神经网络预测的受试者的(x轴)表现。阴影区域代表95%的CIs。在每项任务中，预测模型都显著预测了任务表现(p . <1⨯10-3，Bonferroni校正(n次测试= 4)，N=工作记忆:473，关系:457，语言和数学:471，社交:473)。

b，关联不同任务预测模型中特征的特征对应值，这个特征对应值越高说明模型中的特征的相似性越高，也就是虽然是不同的任务态功能数据预测不同的任务，但存在一组最优的特征在不同的任务中起到了相同的预测作用。

作者进一步使用节点的多样性、局部性和模块性作为特征预测了不同的主体认知分数，结果发现，预测模型能够显著地预测大多数主体认知分数(补充图4)。这些结果表明，如果一个人在一个给定的任务中有一个特定的大脑状态，根据网络hubs的连接性定义，这个状态对于给定的任务是最优的，它也可能对其他主体认知分数也是最优的。关键的是，不同任务的最优hub和网络结构对于其他主体认知分数同样是最优的。此外，这些发现表明，预测模型捕获了网络中与行为和认知相关的hub连接模式，而不是过拟合，即仅与特定认知过程或行为相关的hub连接模式。

补充图4

使用相当框架的DL模型通过脑网络特征预测不同的认知分数时，最优模型的特征值与预测任务时模型特征值的相似性，说明最优预测模型的特征在预测不同认知分数时是相似的。

在建立了hub的局部性、多样性以及模块化和任务表现之间的关系之后，本研究试图通过分析网络中节点多样性的个体差异如何预测大脑网络模块化的个体差异，来测试不同连接性中心节点提高模块化的机制。通常，大脑区域的受损可以用来推断该区域的功能——如果一个区域受损并导致模块化降低，则该区域可能参与了保持模块化的过程。从这个逻辑反推，如果一个节点在大脑中连接（即和许多节点存在高相关）很强时，大脑的模块化程度增加，则同样说明该区域的强连接与模块化的保持有关（补充图5）。

补图5

纵向为大脑节点，横向为被试在对应节点的参与系数，并且可以把每一行和相应的每个节点的模块化系数计算相关，测试参与系数与模块化程度之间的关系，这个关系被称为节点的多样性模块化系数，

作者首先测试了跨被试的节点的参与系数是否与模块化系数Q呈正相关。对于每个节点，计算该节点的参与系数与跨被试的网络模块化值(Q)之间的Pearson相关系数R。直观上，R值越大，说明节点的多样性(即参与系数)越大，网络的模块化程度越高。这是一个重要的特征，可以用来区分大脑不同区域的作用。为了便于表示，本文将每个节点的R值称为多样性促进的模块化系数，因为它衡量了节点连接的多样性如何促进网络的模块化(本文使用这个术语来说明这两个关系无因果性)。对于每个节点，还计算了模块内强度与被试Q值之间的Pearson相关r。直观上，r值越大，说明节点的局部性(即模块内强度)越高，网络模块化程度越高。我们将每个节点的r值(在模块内强度和跨被试的Q值之间)称为局部促进模块化系数，因为它衡量的是节点连接的局部性如何促进网络的模块化。

本文分别对所有七种不同的认知状态的网络进行了这些计算。在所有状态下，在bonferroni校正的独立双尾t检验中，连接性中心的多样性促进的模块化系数显著高于其他节点(图3,工作记忆t (d.f: 262)：7.182，P < 0.001,Cohen’s d：1.104，CI：0.062，0.117；赌博t (d.f: 262)：4.101，P：0.0004，Cohen’s d：0.63，CI：0.025，0.052；语言与数学t (d.f: 262)：7.292，P < 0.001，Cohen’s d：1.12，CI：0.062，0.102；运动t (d . .f: 262)：7.354，P < 0.001，Cohen’s d：1.13，CI：0.088，0.13；相关性t (d.f: 262)：4.457，P：0.0001，Cohen’s d：0.685，CI：0.038，0.075；静息态t (d.f: 262)：3.947，P：0.0007，Cohen’s d：0.606，CI：0.029，0.096；社交t (d.f: 262)：3.716，P：0.0017，Cohen’s：0.571, CI：0.022，0.051。校正后的Bonferroni P值(n检验= 7)，所有CI = 95%)。

此外，在所有认知状态中，在Bonferroni校正的独立双尾t检验中，局部hubs（模块内强度最高的前20%节点）的局部促进模块化系数显着高于其他节点（图3b，工作记忆t (d.f.: 262)：5.415, P < 0.001, Cohen’s d：0.832, CI：0.045, 0.093；赌博t (d.f.: 262)：4.959, P < 0.001, Cohen’s d：0.762, CI：0.034, 0.074；语言与数学t (d.f.: 262)：6.428, P < 0.001, Cohen’s d：0.988, CI：0.045, 0.085；运动t (d.f.: 262)：9.822, P < 0.001, Cohen’s d：1.509, CI：0.101, 0.146；相关性t (d.f.: 262)：6.131, P < 0.001, Cohen’s d：0.942, CI：0.036, 0.07；静息态t (d.f.: 262)：0.966, P：1.0, Cohen’s d：0.148, CI：–0.014, 0.038；社交t (d.f.: 262)：4.54, P：0.0001, Cohen’s d：0.698, CI：0.026, 0.06.）。P值经过Bonferroni校正(n检验= 7)，所有CI = 95%)。

虽然连接性中心的多样性促进模块化系数并不总是正的，但它们通常接近或高于零。这意味着多样化的连接性中心可以与模块之间增加的集成连接相关联，而不会降低网络的模块化。为了更充分地理解节点多样性与网络模块化之间的关系，我们计算了每个节点跨被试的平均参与系数(定义了一个连接性中心节点)与节点多样性促进的模块化系数之间的Pearson相关系数r。此外，计算了每个节点跨被试的平均模块内强度（定义了一个局部hub）和节点的局部性促进模块化系数之间的Pearson相关r。在每个任务中，节点的平均参与系数与该节点的多样性促进模块化系数之间存在显著的正相关。在每个任务中，节点的平均模块内强度与其局部促进的模块化系数也存在显著的正相关。这些分析表明，无论被试的认知状态如何，连接性中心与许多模块的强多样化连接和局部hubs的强局部连接性都与更高的大脑网络模块化相关。因此，这些结果与连接性中心节点功能的机理模型是一致的，即连接性中心通过不同的连接性保持了网络的模块化结构。

作者验证了以上这些结果的可靠性和可复现性，并证明它们不是由分析上的必要关系驱动的。首先，计算一半被试的平均参与系数和模块内强度，并计算另一半被试的多样性和局部促进的模块化系数，测试10000次重新分组。然后，测试了4个null模型，以确保当前的结果不是由分析上的必要关系驱动的。其他分析确保当前的结果不是由模块数量驱动的。最后，为了证明使用Pearson r计算系数的合理性，还确认了节点多样性与Q的关系为典型的线性关系（线性关系可以解释绝大部分的节点多样性的变异性）。

以上分析说明，在更能预测任务的最优模型中，连接性中心会将其邻居节点的连接调整为更模块化，从而增加了网络的全局模块化结构，接下来的问题是，不同的hubs是否同时促进更高的模块化和更高的任务表现？为了解决这一问题，计算了每个节点的参与系数(或模块内强度)与任务表现之间的Pearson R。当某个节点的r值为正时，则该节点的参与系数(或模块内强度)越高的被试在任务中的表现越好。本文将此r值称为节点参与系数促进的多样性任务表现系数，以及模块内强度的局部促进任务表现系数。请注意，这些r值与构建预测性能模型特征时使用的r值相同。然而，对于预测模型，我们计算这些r值时，被试的行为被预测出来了。在这个部分，计算所有被试的r值。

在所有任务中，在Bonferroni校正的独立双尾t检验中，连接性中心的多样性任务表现系数(前20%最强)显著高于其他节点，只有语言和数学任务在Bonferroni校正后不显著P = 0.0677（未校正P = 0.0169）(图3c,工作记忆t (d.f.: 262): 5.378, P < 0.001, Cohen’s d: 0.826, CI: 0.03, 0.071;语言与数学t (d.f.: 262): 2.404, P: 0.0677, Cohen’s d: 0.369, CI: 0.005, 0.04;相关性t (d.f.: 262): 2.959, P: 0.0135, Cohen’s d: 0.455, CI: 0.01, 0.037;社交t (d.f.: 262): 4.744, P < 0.001, Cohen’s d: 0.729, CI: 0.025, 0.053)。Bonferroni校正的所有P值(n tests = 4)，所有CI = 95%。

同时，局部hubs的局部促进任务表现系数(最强的前20%)显著高于其他节点(图3d,工作记忆t (d.f.: 262): 2.712, P: 0.0285, Cohen’s d: 0.417, CI: 0.008, 0.054;语言与数学t (d.f.: 262): 2.864, P: 0.0181, Cohen’s d: 0.44, CI: 0.006, 0.043;相关性t (d.f.: 262): 0.327, P: 1.0, Cohen’s d: 0.05, CI: –0.016, 0.021;社交t (d.f.: 262): 1.862, P: 0.2547, Cohen’s d: 0.286, CI: 0.0, 0.031.所有P值都经过Bonferroni校正了(n tests = 4)，所有CIs = 95%)。

此外，每个节点的多样性任务表现系数与每个节点的平均参与系数呈显著正相关，说明对于连接性中心而言，参与系数越高，任务表现越好。每个节点的局部促进任务表现系数与每个节点的平均模块内强度之间的Pearson r相关性也是正的且显著的(Bonferroni (n tests = 4) P = 0.081，未校正的P = 0.02)，这表明，对于局部hubs，更高的模块内强度也与更高的任务表现相关。最后,节点多样性促进模块化系数与节点多样性任务表现系数显著正相关(图3e)，节点局部性促进模块化系数与节点局部性促进性能系数显著正相关(图3f)。因此，不同的连接性中心与更高的任务表现相关，与它们促进更高的模块化的程度成正比。这表明不同hubs促成的网络模块化的增加与提高的任务表现之间存在很强的相关性。

图3 连接性中心节点和局部性hub同时促进了模块化的增加。

a–d，对于每项任务，计算了多样性和局部性促进的模块化系数，衡量节点的多样性和局部性(分别)如何促进模块化。在每一项任务中，与其他节点相比，连接性中心(a)和局部性hub(b)的多样性和局部性促进的模块化系数显著更高(局部性的静息状态除外)，表明强连接性中心和局部性中心促进了脑网络的模块化结构。对于每个任务数据，计算了多样性和局部性促进的任务表现的相关系数。在每项任务中，与其他节点相比，连接性中心(c)和局部性中心(d)的多样性和局部性促进性能系数显著更高，表明强连接性中心和局部性中心有助于提高任务表现。

e，节点的多样性促进模块系数和节点的多样性任务表现系数之间的相关性。

f、节点局部性促进模块系数和节点局部性促进性能系数之间的相关性。在e和f中，N = 264，表示图中的节点数。阴影区域代表95%置信区间。所有P值均经过Bonferroni校正(n次试验= 4次)

接下来，作者测试了该模型的机制是否如他们假设的那样：即连接性中心是否通过调整其邻边的连接性以使其更加模块化来增加Q系数？这种关系应该只适用于连接性中心，而不是局部hubs，因为以前的研究表明连接性中心可以调整模块之间的连接并保持模块化结构。因此，作者们检查了其多样性促进模块化系数为正的连接性中心。这种分析有两个方面。首先，连接性中心是否通过调整模块内的边的强度来增加模块化？其次，连接性中心是否主要调整其邻接的模块内边的强度（这个强度指的是度值）以增加全局模块化？

为了测试网络调优机制的第一个方面——模块内的边是否由连接性中心调优以增加全局模块化——本文首先将节点规范地划分为不同的模块(图4d显示了这种划分)。然后评估了网络中每条边的权重与被试的模块化值(Q)之间的关系(图4a)。接下来，计算了每个连接性中心节点的参与系数与各个边的权重之间的关系(图4b)。较高的Q值和较高的连接性中心参与系数与视觉、感觉/运动手、感觉/运动嘴、听觉、腹侧注意、背侧注意和扣带眶额模块之间的连接降低有关。这些模块还与具有更高模块化值和更高连接性中心节点参与系数的网络中的额顶叶、默认网络、突显网络和皮层下模块联系更紧密。

鉴于这些观察结果，本文进一步找到在连接性中心之间调节增加参与系数和模块化(Q)的边，因为这些边可能是连接性中心为了增加Q而调整的边。具体来说，对每个连接性中心进行了中介分析，利用边权来调节hubs参与系数与跨被试网络Q指数之间的关系。

连接hub参与系数的边的中介值和Q是边权重的回归系数乘以连接性中心跨被试的参与系数乘以Q指数的回归系数乘以边的权重，以此跨被试地控制连接性中心的参与系数。跨连接性中心的每个边的平均中介值如图4c所示。本文发现视觉、感觉/运动手、感觉/运动嘴、听觉、腹侧注意、背侧注意和扣带岛盖模块之间的边，以及这些模块与额顶叶、默认网络和皮层下模块之间的边，调解连接性中心的参与系数和Q指数之间的关系。这些结果与机理模型一致，其中不同的连接性中心调整连接以增加感觉、运动和注意力系统之间的分离，从而增加网络的全局模块化。

图4

接下来，文章测试了网络调优机制的第二个方面——连接性中心的参与系数和Q指数之间的关系是否主要由连接性中心的邻居的边模式增加Q来调节。邻居的定义基于图中2个节点之间密度为0.15的边(因为这是我们探索的最密集的成本)。上面计算的中介值表示节点i的参与系数和Q值之间的边。因此，对于每个连接性中心节点i，有一组节点i的邻居的边的绝对中介值数组（对于每个邻居j的数组，n = 263）和一组节点i的非邻居的绝对中介值的数组边（对于每个非邻居j的数组，n = 263）。忽略每个数组中节点i的边，因为我们只对连接性中心节点i的参与系数如何通过j与网络其他部分的连接来调制Q感兴趣，而不是j与连接性中心节点i的连接(因此，n = 264-1)。

如果一个连接性中心节点主要是通过调整邻居的边来调制Q，那么邻居数组中的绝对中介值应该大于非邻居数组中的绝对中介值。对于所有连接性中心(邻接与非邻接)，t值在两组数组之间的分布如补图12所示;

在任务中，连接性中心的“邻居”边的中介值一致且显著高于非邻居边。此外，同样的t值也可以用模块内的强度而不是参与系数来计算;因此，一个边在局部hub的模块内强度和Q之间进行调解。跨任务，通过双尾独立t检验(t (d.f: 1,358): 3.892, P: 0.0001, Cohen’s d: 0.219, CI: 1.887, 6.62)，连接性中心的“邻居”中介t值显示高于局部hubs的“邻居”中介t值，表明这个结果是特定于连接性中心的。所有分布被确认为正态分布(k2> 100.0，所有任务P < 0.00001)。本文还进行了另一种分析，以确认这些关系。这些结果表明，每个连接性中心节点，而不是局部hub，可调整其邻居的连接，使其更模块化。连接性中心的高度多样性促进的模块化系数在很大程度上不能反映扩散的全脑连接变化。相反，连接性中心的连接方式可能允许它们直接调优其邻居的连接，使其更模块化，从而增加全脑网络的模块化。因此，局部促进的模块化系数可能是连接性中心调制的下游效应。支持这一解释的是，本文发现，当连接性中心具有高参与系数时，局部hubs具有较高的模块内强度。

总结：

总而言之，本文使用一个深度学习模型首先发现，利用脑网络的节点多样性和局部性分数、网络的模块化和网络的连接性可以高度预测任务表现和一系列主体的认知分数。至关重要的是，每个预测模型中在不同的任务预测下都表现出一致的特征分数和模式。表明存在一组特定的hub和网络结构支持了跨认知和任务的表现。

作者们进一步的计算了不同类型的连接中枢与模块化的关系，发现中心性节点和局部性节点可以保持或增加大脑网络的模块性。此外，不同的连接性中心节点调整其邻居的连接，使其更模块化。最后，研究发现连接性中心节点的多样性同时促进了更高的模块化和任务表现。因此，连接性中心节点似乎有助于在整合认知过程中维护一个最佳的模块化架构，而不会大大增加布线成本或降低模块化程度。总之，这些数据与中心性模块调节网络模块化的假设一致，连接性中心节点集成信息，随后将其邻接的连接调整为更模块化，增加了网络的全局模块化，允许局部性中心和其他节点执行分离处理。

本文的发现印证了之前许多基于任务的fMRI研究，这些研究已经确定了在特定的认知过程中大脑更活跃的区域。尽管不同区域在不同的任务中或多或少地活跃，包括连接性中心，但在不同的认知过程中，始终需要连接性中心的不同连接、整合和调优功能。本文的发现也与对局灶性脑损伤患者的神经心理学研究相一致。研究发现，对连接点的损伤会降低模块化并导致大量的认知缺陷，而对局部hubs的损伤不会降低模块化并导致更孤立的缺陷，如偏瘫或失语症。

未来的分析应该试图理解本文发现的连接性中心的一般最佳连接模式，以及对单个任务最优的连接模式，包括这些连接模式是否交互以及如何交互。