请输入关键字
陈飞燕课题组在《Cerebral Cortex》发表文章揭示长期认知训练促进儿童脑网络的功能性分化
来源:中国珠算心算协会 作者:陈飞燕 编辑:秘书处 时间:2022-07-10

 

浙江大学物理系交叉学科实验室陈飞燕教授


模块化是脑功能网络的基本特征,脑功能网络的模块化组织结构在认知训练过程中会发生适应性调整,这被认为是产生人类学习行为的重要神经机制(Bassett & Mattar, 2017)。

社区结构是网络模块化的基础,可把网络的节点集划分为不同的社区(Sporns & Betzel, 2016),相同社区中的节点(脑区)在特定任务中的活动模式更类似(Crossley et al. 2013),因此功能网络的社区结构能够反映人类大脑的认知体系结构(cognitive architecture)。

探究社区结构在认知训练过程中的变化可为理解脑的可塑性提供重要线索(Petersen & Sporns, 2015)。脑功能网络的动力学研究已经证实,短期训练可优化社区的时间重构(the temporal reconfiguration)(Bassett et al., 2011; Finc et al., 2020),从而提升任务相关模块的内部协同性(recruitment),削弱它们与高级认知模块(如默认网络)之间的非必要功能融合,进而促进相关行为的自动化过程 (Mohr et al., 2016)。

然而,先前的研究多局限于网络动力学领域,且这些研究仅关注持续数周到半年的训练任务,那么经过持续数年的长期训练,大脑网络的社区结构是否会以及会产生何种变化呢?

针对这个问题,本研究以长期珠心算训练为例,探讨珠心算训练对静息态脑网络社区结构的影响,以及对高级认知模块的可塑性。

35名经过五年珠心算训练的儿童和31名在年龄、性别、智商等各方面匹配的儿童参与了本研究。研究发现,经过长期的珠心算训练,珠心算儿童的脑功能网络的内禀社区结构发生了显著的变化,提升了个体间的相似性。有趣的是,这些发生变化的“核心区域”与课题组前期研究所发现的脑结构变化区域具有高度一致性,这意味着社区结构的变化与脑结构的变化具有潜在的关联。

此外,发生变化的“核心区域”主要隶属于视觉网络, 感觉运动网络以及默认网络。通过进一步分析,我们发现长期的珠心算训练强化了这三个网络的局部信息加工能力,即提升了模块内的内聚力(cohesion)和削弱了模块间的相互作用(interaction)(如图1所示)。视觉网络和感觉运动网络属于任务相关模块,它们的变化表明长期珠心算训练有助于这两个网络的功能专用化(functional specialization),这支持了珠心算训练能够提升视觉空间认知能力的观点(C. Wang et al., 2015)。默认网络属于高级认知模块,其作用类似于一个建立在长期记忆基础上的“自动驾驶系统”(memory-based autopilot)(Vatansever, Menon, & Stamatakis, 2017),其变化有助于信息加工的自动化(automated information processing),这也从另一个角度解释了为什么珠心算专家在许多不同类型的任务中做出比普通人更加迅速且精确的反应(Wang et al., 2015; Zhou et al., 2019)。感觉运动网络和默认网络之间相互作用的降低则表明长期珠心算训练削弱了任务相关模块与高级认知模块之间非必要的功能融合。

我们还发现,珠心算组的脑功能网络表现出更高的全局性功能分化(图2),包括更高的模块度,更低的参与系数和模块间连接以及更多的区域核心节点。值得注意的是,珠心算组“核心区域”的平均参与系数与全脑的平均参与系数,模块度以及模块间连接数量均具有显著的相关性,在对照组则没有发现这种的相关性,这有可能表明“核心区域”是训练提升全脑功能分化的一种“启动子”。

综上所述,长期的珠心算训练可以显著改变儿童脑功能网络的内禀社区结构,这种变化主要发生在视觉网络, 感觉运动网络以及默认网络,该研究表明长期珠心算训练能够促进个体间的相似性,提升局部信息加工能力,这种内禀社区结构的变化有利于脑网络的功能分化。


该研究工作由浙江大学物理系交叉学科实验室陈飞燕教授团队完成,该研究论文(Adaptive reconfiguration of intrinsic community structure in children with 5-Year abacus training)于2021年5月发表在Cerebral Cortex。论文第一作者为张翼博士,通讯作者为陈飞燕教授和香港浸会大学的周昌松教授。论文作者还包括王春杰和姚雨钊。该研究得到国家社科基金重大项目(17ZDA323),国家自然科学基金项目(32071096)等项目的资助。


参考文献:

1. Zhang, Y., Wang, C., Yao, Y., Zhou, C., & Chen, F. (2021). Adaptive Reconfiguration of Intrinsic Community Structure in Children with 5-Year Abacus Training. Cerebral Cortex, 31(6), 3122-3135.

2. Bassett, D. S., & Mattar, M. G. (2017). A network neuroscience of human learning: Potential to inform quantitative theories of brainbehavior. Trends in Cognitive Sciences, 21(4), 250-264.

3. Bassett, D. S., Wymbs, N. F., Porter, M. A., Mucha, P. J., Carlson, J. M., & Grafton, S. T. (2011). Dynamic reconfiguration of human brain networks during learning. Proceedings of the National Academy of Sciences, 108(18), 7641-7646.

4. Bassett, D. S., Yang, M., Wymbs, N. F., & Grafton, S. T. (2015). Learning-induced autonomy of sensorimotor systems. Nature neuroscience, 18(5), 744-751.

5. Crossley, N. A., Mechelli, A., Vértes, P. E., Winton-Brown, T. T., Patel, A. X., Ginestet, C. E., ... & Bullmore, E. T. (2013). Cognitive relevance of the community structure of the human brain functional coactivation network. Proceedings of the National Academy of Sciences, 110(28), 11583-11588.

6. Finc, K., Bonna, K., He, X., Lydon-Staley, D. M., Kühn, S., Duch, W., & Bassett, D. S. (2020). Dynamic reconfiguration of functional brain networks during working memory training. Nature communications, 11(1), 1-15.

7. Mohr, H., Wolfensteller, U., Betzel, R. F., Mišić, B., Sporns, O., Richiardi, J., & Ruge, H. (2016). Integrationsegregation of large-scale brain networks during short-term task automatization. Nature communications, 7(1), 1-12.

8. Petersen, S. E., & Sporns, O. (2015). Brain networkscognitive architectures. Neuron, 88(1), 207-219.

9. Sporns, O., & Betzel, R. F. (2016). Modular brain networks. Annual review of psychology, 67, 613-640.

Vat

10. ansever, D., Menon, D. K., & Stamatakis, E. A. (2017). Default mode contributions to automated information processing. Proceedings of the National Academy of Sciences, 114(48), 12821-12826.

11. Wang, C., Geng, F., Yao, Y., Weng, J., Hu, Y., & Chen, F. (2015). Abacus training affects mathtask switching abilitiesmodulates their relationships in Chinese children. PloS one, 10(10), e0139930.

12. Zhou, H., Geng, F., Wang, Y., Wang, C., Hu, Y., & Chen, F. (2019). Transfer effects of abacus training on transientsustained brain activation in the frontal–parietal network. Neuroscience, 408, 135-146.