独特的神经学“功能性烙印”使科学家能够研究遗传学，环境和衰老之间对大脑连接结构的影响
俄勒冈健康与科学研究所的研究员兼实验室经理
Mikaela Cordova首先进行了脱金属处理：去除戒指，手表，去除小工具和其他金属来源，检查口袋中是否有被遗忘的物体，她说，这些物体可以“飞向内部”。 然后，她用扫描仪进入房间，抬起和放下床，用传感器朝着视窗和iPad摄像头的方向挥舞着头饰，这允许进行虚拟漫游（我在马萨诸塞州数千公里的距离观察发生了什么）。 MRI扫描器中内置的麦克风使她的声音有些失真，从我稍微模糊的角度来看，它看起来不像工业管道，而更像是嘴里有蓝色发光的动物。 我忍不住想，这个可怕的描述会引起她典型客户的共鸣。
科尔多瓦与孩子们一起工作，平息他们的恐惧，帮助他们进入扫描仪并摆脱它，用一个好听的字眼，皮克斯卡通和糖果承诺引诱他们，以最大程度地减少他们的烦恼。 这些孩子正在参加一项旨在标记大脑神经连接的研究。
大脑区域之间的一组物理连接被称为“连接”，从认知的角度来看，这是将人与其他物种区分开的地方。 但是除此之外，这些联系使我们彼此区别。 现在，科学家们将
神经影像学和机器学习相结合，以了解个体大脑的结构和功能如何相似以及它们之间的差异，并学习如何预测特定大脑在遗传和环境影响下随时间的变化。
在副教授
达米恩·费尔（Damien Fair）的指导下，科尔多瓦工作的实验室正在进行功能连接-协调某些任务并影响行为的大脑区域地图。 Fair创造了个性独特的神经联系的名称：一种功能性的烙印。 像指纹一样，每个人都有自己的功能指纹，可以用作唯一的标识符。
费尔说：“我可以从五岁的女儿身上取一个指纹，即使她25岁，也能发现该指纹属于她。” 尽管她的手指可以长大，但会随着年龄和经验的变化而有所变化，“其主要标志不会随处可见”。 同样，Faire实验室的工作表明，人的功能连接的本质可以用作识别符，并且原则上可以预测生活中正常的大脑变化。
功能连接的定义，跟踪和建模可能揭示大脑结构如何影响人类行为，并且在某些情况下会导致某些神经精神疾病的出现。 为此，Fair及其团队系统地梳理了扫描，研究和病历中的数据，以寻找联系方式。
表征连接
传统的功能连接标记技术一次仅关注大脑的两个区域，使用MRI查找这些区域的活动变化之间的相关性。 信号变化的大脑区域同时获得1点。 如果信号在一个部分中增加而在另一部分中减少，则为-1点。 如果站点之间没有关系，则为0分。
从左至右：Michaela Cordoba，Oscar Miranda Dominguez和Damien Fair这种方法有其局限性。 例如，他认为选定的一对大脑区域独立于其他区域，尽管每个区域可能都依赖于来自相邻区域的数据，而这些附加数据可以掩盖任何一对大脑区域的真实功能关系。 为了超越这些假设，有必要研究大脑各个部分的同步通信，而不仅仅是它们的一些样本，并在它们的联系中找到我们可能没有注意到的更广泛，更有用的模式。
2010年，Fair与他人合着了《科学》杂志上发表的一篇著作，该
著作描述了使用机器学习和MRI扫描来同时跟踪所有连接的对，以确定给定大脑的年龄。 尽管这不是唯一一次同时分析多个沟通渠道模式的团队，但他的工作引起了研究界的积极讨论，因为这是第一个使用这些模式确定个人年龄的团队。
四年后，在创造了``功能性烙印''一词的工作中，Faire团队开发了自己的标记功能连接的方法，并根据不仅来自一个区域而且来自所有其他区域的信号相互结合来预测单个大脑区域的活动。
在他们的简单线性模型中，大脑一个区域的活动等于所有其他区域的总贡献，每个其他区域根据所考虑的大脑两个区域之间关系的强度来承受自己的重量。 相对功能性烙印是通过对每个大脑区域交互作用的相对贡献来完成的。 研究人员每人仅需2.5分钟即可基于高质量的MRI图像建立线性模型。
根据他们的计算，大约30％的连接是个人独有的。 与简单的功能（如感觉，运动或视觉）相比，大多数研究站点通常管理需要认知处理（学习，记忆和注意力）的高级任务。
Fair解释说，这些站点在人与人之间是如此不同，这一事实是有道理的，因为控制高级功能的区域实际上使我们成为了我们。 实际上，大脑区域，例如额叶和顶叶在进化的后期出现，并且随着现代人的出现而增加。
费尔说：“如果您考虑人们可能有什么共同点，那显然是一些简单的功能，就像我动手的方式或视觉信息的处理方式一样。” 这些区域在整个人群中差别不大。
靠近光谱的蓝色部分-不同人之间的变异较少，靠近红色的光谱-更多变异考虑到大脑各部分活动的独特模式，该模型可以根据第一次扫描后两周进行的新扫描来确定一个人。 但是，与人的生命有关的几周呢？ Fair和团队开始考虑一个人的功能烙印是否可以存在多年甚至几代人。
如果研究人员能够将一个人的功能性烙印与其近亲的烙印进行比较，他们将能够区分出形成我们神经联系的遗传和环境影响。
跟踪神经遗传
在基因和大脑组织之间建立联系的第一步是确定该联系的哪些方面在同一家族的成员中是共同的。 有细微差别-已知亲属的大脑结构在体积，形状和完整性方面都相似，但这并不意味着这些结构之间的键结构相同。 由于某些精神疾病是一个家庭的特征，费尔（Fair）确定遗传关系的愿望最终可以帮助分离大脑的那些部分和基因，从而增加某些疾病的风险。
正如他们在6月发表的
一篇论文中所写的那样，实验室着手创建一个机器学习平台，该平台可以回答以下问题：亲戚之间的大脑连接是否比随机人之间的连接更相似。
研究人员在一组新的大脑图像（包括儿童图像）上仔细检查了他们的线性模型，以验证青春期连接套的相对稳定性。 结果表明，尽管几年来大脑发育过程中神经连接发生了变化，但该模型对于识别个体确实足够敏感。
遗传学和环境对大脑回路的影响的研究始于分类器-一种分类算法，根据其功能烙印将受试者分为“亲戚”和“非亲戚”两类。 该模型针对来自俄勒冈州的儿童进行了训练，然后检查了另一组儿童数据以及另一个样本，其中包括来自
人类连接套
项目的成年人。
在人类connectome项目的框架中获得的大脑区域之间的解剖连接的图像之一关于人如何基于眼睛的颜色，头发的颜色和生长的身体信号建立人与人之间的联系，因此分类器基于神经联系进行了类似的过程。 事实证明，
同卵双胞胎的功能性印记最相似，然后在男女皆宜的双胞胎中，然后在普通的兄弟姐妹中，最后在没有家庭联系的人中，差异就越来越大。
Faire实验室的一名雇员，该研究的第一作者
Oscar Miranda-Dominguez副教授感到惊讶，他们能够使用经过儿童训练的模型来识别成年亲戚。 成人训练的模型无法做到这一点-可能是因为成人系统已经完全发达，并且其功能不如年轻的大脑发育。 米兰达说：“随后的有关数据集和年龄范围不断扩大的研究可能会澄清成长过程中的问题。”
他补充说，该模型识别家庭成员之间细微差异的能力非常出色，因为研究人员训练了分类器，以便更形象地搜索“亲戚”或“非亲戚”，而不是区分亲戚程度（他们的2014年模型能够识别出这些隐性差异，但更多传统的关联方法失败了）。
尽管他们的双胞胎样本还不够大，无法理解遗传学和环境之间的差异，但费尔说，“毫无疑问”，后者在塑造功能性烙印中起着重要作用。 除文章外，还描述了一个可以将一般环境与一般遗传学区分开的模型，但是由于没有足够大的数据集，研究小组仍对得出最终结论持谨慎态度。 费尔说：“我们所看到的大部分与遗传有关，而与环境无关，但您不能说环境对连通性影响不大。”
米兰达说，为了区分共同环境和普通遗传学的贡献，“例如，您可以找到将同卵双胞胎与子宫孪生区分开的大脑特性，因为两种双胞胎都有共同的环境，但只有同卵双胞胎才具有遗传贡献。”
尽管他们研究的所有神经回路都显示出亲戚之间的某种程度的相似性，但高阶系统最多。 事实证明，这些是在四年前进行的一项研究中显示出亲戚之间最大差异的相同地点。 正如米兰达（Miranda）指出的那样，这些网站规范了负责社会互动的行为，可能预先确定了“家庭特征”。 在家庭功能列表中，高血压，关节炎和近视之后，您可以立即添加“分布式大脑活动”。
寻找大脑预测的年龄迹象
Fair和Miranda描述了俄勒冈州功能连接的遗传基础，而伦敦国王学院的研究人员
James Cole则致力于利用神经成像和机器学习来解读大脑年龄的遗传。 Faire的团队根据各个区域之间的功能联系来确定大脑的年龄，Cole则将其视为萎缩的指标-随时间推移对大脑的压缩。 多年来，细胞干dry或死亡，神经体积减少，颅骨没有变化，并且释放的空间充满了脑脊液。 从某种意义上说，经过一定的发展阶段，大脑会因干燥而衰老。
2010年，当Fair出版了《科学》杂志上有影响力的著作时，激起了人们对使用
fMRI数据确定脑龄的热情，Cole的一位同事领导了一个类似的项目，其结果
发表在NeuroImage上。 他使用了解剖学数据，因为大脑的感知年龄和年代年龄之间的差异（“大脑的缺口年龄”）可以提供生物学信息。
根据科尔的说法，年龄对每个人，每个大脑甚至每种细胞的影响都略有不同。 衰老的马赛克来源仍然未知，但科尔说，从某种意义上说，我们仍然不知道什么是衰老。 基因表达随时间变化，新陈代谢，细胞功能和细胞变化也一样。 但是，器官和细胞可以独立变化。 没有一个基因或激素可以控制整个衰老过程。
詹姆斯·科尔尽管通常认为不同的人以不同的速度衰老，但是同一人的不同方面可以不同地衰老的想法似乎更具争议性。 正如科尔所解释的，有许多测量年龄的方法，但是到目前为止，很少有人进行比较或组合。 也许通过探索几种不同的人体组织，科学家将能够对年龄进行更普遍的估计。 科尔的工作正处于这一旅程的开始，探索大脑组织的图像。
Cole方法的理论平台相对简单：将算法数据提供给健康人，以便他学会使用解剖学数据预测大脑的年龄，然后在新样本上测试模型，然后从大脑年龄中减去受试者的年龄。 如果他们的大脑年龄超过时间顺序，则表明年龄相关变化的累积，可能与疾病如
阿尔茨海默氏病有关 。
2017年，Cole
使用高斯过程回归（GPR）形成了每个参与者大脑的年龄。 这使他可以将自己的年龄估计值与其他现有估计值进行比较，例如研究在不同年龄添加甲基时打开和关闭基因组的哪些部分。
DNA甲基化等生物标志物已被用于预测死亡率，科尔认为大脑年龄可用于此。
确实，由于身体和认知健康不佳，大脑似乎比按年龄大的人处于更大的危险中。 科尔惊讶地发现从神经影像数据获得的大脑高龄并不总是与甲基化高龄相关。 但是，如果发现受试者的两个年龄都很高，则其死亡风险会增加。
那年晚些时候，Cole及其同事使用数字神经网络
扩展了他们的工作 ，以检查对同卵双胞胎的大脑年龄的估计是否比产前双胞胎的年龄更接近。 数据取自MRI图像，包括整个头部，鼻子，耳朵，舌头，脊髓以及在某些情况下颈部周围的脂肪的图像。 经过最少的预处理后，它们便由神经网络喂食，经过训练后，它们可以估算出大脑的年龄。 证实有关遗传学影响的假说，同卵双胞胎的大脑年龄差异小于单卵双胞胎。
尽管这些结果表明大脑的年龄最有可能由遗传决定，但科尔警告说，环境影响不应被拒绝。 他说：“即使您有遗传倾向使您的大脑看起来更老，”他说，“很有可能，如果您改变环境，它将完全帮助您减轻遗传带来的损害。”
神经网络在评估大脑年龄方面的帮助有其缺点-至少在今天如此。 神经网络通过MRI数据筛选并发现个体之间的差异，而研究人员尚不确定哪些差异与受试者相关。 但是深度学习的一个共同缺点是，没有人知道神经网络可以识别的数据集的哪些特征。 , , , , « », . , , , , ?
, , , , . , , , , .
, , , , , , . , , GPR .
, , , . - , .
数据集的增加可能允许进行更复杂的预测，例如确定与心理健康有关的模式。因此，考夫曼说，在数据集中拥有完整的信息，而无需进行转换和缩减，可以帮助科学。 “我认为这是深度学习方法的巨大优势。”– , , . , , . , , . , , , , , , .
他说，他们的下一个目标将是超越遗传力，并安装某些神经通路和基因，以决定大脑的解剖结构及其信号网络。尽管考夫曼（Kaufman）的方法（如科尔的方法）也侧重于解剖学，但他强调了根据大脑的连接来衡量大脑年龄的重要性。他说：“我认为这两种方法都很重要。” “我们需要了解大脑结构和功能的遗传性和基本遗传结构。”. - , , , , , , , . , , , .