SCIENCE ADVANCES：人类大脑进化与认知的高能耗神经调节体系架构

与其他物种相比，人类大脑在体内代谢中表现出最高的能量需求之一。目前尚不清楚这种高能量需求是均匀地支持增大的大脑，还是特定的信号机制需要更多能量。我们假设，能量需求的区域分布将揭示对人类认知发展有贡献的信号策略。我们使用多模态脑成像技术测量了大脑功能连接体内的能量分布，发现进化扩展区域的信号通路的能量成本比感觉运动区域高出67%。此外，组织学、转录组数据和分子成像独立地揭示了能量需求区域内G蛋白偶联受体信号的上调。我们的研究结果表明，神经调节物质活动主要涉及认知功能，如阅读或记忆处理。该研究表明，神经调节物质活动的上调以及大脑体积的增加，是人类大脑进化的关键方面。本文发表在SCIENCE ADVANCES杂志。

引言：

     在超过4亿年的时间里，各种物种的大脑结构根据类似的组织原则进化。神经元作为局部信号单位，通过其突触形成了密集的连接网络，具有广泛的信号通路。然而，与人类相比，某些哺乳动物表现出更大的大脑尺寸（例如印度象），更高的脑体比率（例如小鼠），或更多的神经元数量（例如长鳍领航鲸）。这表明大脑结构的扩展并不是唯一促成了人类认知出现的因素。

     在这里，我们的重点是探索大脑连接网络的代谢特征。大脑依赖于持续的能量供应，在人类中，大脑是能量需求最高的器官之一。与其他物种相比，人类大脑在相对于体内代谢的能量需求中表现出最高的需求之一。大脑的代谢能量如何在整个大脑中分布？神经元的基本设计在进化过程中得到了保留，不同哺乳动物的个体细胞的信号成本相当。在系统层面上，人类大脑中神经元和非神经元细胞的数量符合其作为灵长类大脑的预期。此外，它在整个大脑皮层中保持了与其他物种相似的神经元分布。因此，我们假设区域能量需求将根据大脑连接网络中的信号程度而有所不同。

      除了神经元信号的程度外，研究人员还建议，神经调节在人的适应行为和认知中起着至关重要的作用。大脑连接网络的拓扑分析甚至建议在信号效率和调制之间存在能量成本的权衡。虽然我们对神经调节对人类进化影响的认识仍在发展中，但来自人类捐赠者大脑的受体自显影数据揭示了神经调节受体在大脑皮层中的分布存在显著差异。对大脑代谢组学的比较研究进一步展示了在人类大脑和与其密切相关的灵长类物种之间，在与能量代谢和突触调节相关的代谢物中存在显著差异，且区域变化明显。总之，代谢组学和受体数据表明神经调节的区域异质性，并暗示其与能量代谢可能存在联系。然而，尚不清楚能量代谢是否在人类连接网络中变化，并与某些信号机制的存在成比例。

材料和方法

     数据处理使用了Python包Pandas和Numpy，神经影像数据通过Nilearn和Nibabel进行处理，绘图使用Matplotlib、Seaborn和Joyplot，而大脑表面图表示使用WBplot。

参与者

       本研究包括来自三组独立队列的30名健康参与者的47个数据集。此外，三个数据集由于运动伪影（帧移位 >0.25 mm (49)）和数据不完整而被排除。所有参与者均为右撇子，并且没有报告任何精神病史。参与者被告知研究目的和潜在风险，并签署了书面知情同意书。该研究获得了Rechts der Isar医院当地伦理委员会的批准，并按照《赫尔辛基宣言》进行。分析了三组参与者，其中两组来自我们的研究站点，另一组来自外部站点：(i) 一个被试内探索样本（TUM.exp），包括9名参与者（平均年龄 = 43岁，标准差 = 7岁；4名女性）；(ii) 一个前瞻性复制样本（TUM.rep），包括11名参与者（平均年龄 = 27岁，标准差 = 5岁；6名女性）；(iii) 一个外部被试内复制样本（VIE.rep） (50)，包括10名参与者（平均年龄 = 27岁，标准差 = 7岁；5名女性）。VIE.rep队列中有两名参与者只有一次成像会话。

数据采集

      在慕尼黑工业大学,我们在受试者静息状态下同时测量了FDG-PET活动和血氧水平依赖(BOLD)功能磁共振成像(fMRI)信号,受试者保持睁眼,除了慕尼黑工业大学实验的第二次成像,受试者闭眼。数据采集使用西门子Biograph mMR一体化PET/MR(3T)扫描仪(西门子,德国埃朗根),并使用12通道相控阵头线圈进行MRI采集。PET数据以列表模式收集,平均静脉注射184 MBq(SD = 12 MBq)[18F]FDG。与PET测量同时,使用Twilite血液采样器(Swisstrace,苏黎世,瑞士)每秒从桡动脉自动采集动脉血样本,以测量血液放射性。

     fMRI数据在10分钟时间间隔内使用单次回波平面成像序列采集（300个体积；35个切片；重复时间，TR = 2000 ms；回波时间，TE = 30 ms；翻转角，FA = 90°；视野，FOV = 192 × 192 mm²；矩阵大小 = 64 × 64；体素大小 = 3 × 3 × 3.6 mm³）。使用单次回波平面成像序列采集了弥散加权图像（60个切片；30个非共线梯度方向；b值 = 800 s/mm²和一个b = 0 s/mm²图像；TR = 10,800 ms，TE = 82 ms；FA = 90°；FOV = 260 × 264 mm²；矩阵大小 = 130 × 132；体素大小 = 2 × 2 × 2 mm³）。解剖图像基于T1加权3D-MPRAGE序列（256个切片；TR = 2300 ms；TE = 2.98 ms；FA = 9°；FOV = 256 × 240 mm²；矩阵大小 = 256 × 240；体素大小 = 1 × 1 × 1 mm³）。

      维也纳大学的数据采集和格式与慕尼黑工业大学类似,在其他地方有描述(50)。主要区别在于注射的[18F]FDG剂量更高且变异性更大(平均剂量= 356 MBq,SD = 66 MBq),手动测量动脉输入函数的血液放射性,以及略有不同的fMRI协议,包括采集时间(~7分钟)、重复时间TR(2400 ms)和体素大小(2 × 2 × 3.7 mm3)。

数据处理

      以下MR和PET数据的预处理和后处理流程在TUM.exp数据集上建立,并在不做进一步修改的情况下应用于TUM.rep和VIE.rep数据集,除了因TUM和VIE数据之间的数据结构不同而需要明确说明的情况。所有处理步骤和参数图的计算都在每种模态的原始空间中进行,仅为了组分析而转换到蒙特利尔神经科学研究所MNI152NLin6ASym的标准脑空间,体素分辨率为3 mm。对于感兴趣区域(ROI)分析,我们使用HCP-MMP1.0分割方案,这是一种来自人类连接组计划数据集的基于人群的皮层分割,每个半球有180个ROI(51),并计算每个ROI内感兴趣指标的中位值。此外,根据每个ROI在七个标准脑功能网络(52)中的位置对其进行标记。

磁共振成像

      结构和fMRI数据的预处理使用了连接组分析的可配置管道（C-PAC，版本1.4.0）按照标准协议进行：

• 解剖图像去除了颅骨，分割为三种组织类型[脑脊液（CSF），白质（WM）和灰质（GM）]，并配准到由FSL提供的MNI152NLin6ASym模板（54）。通过保留灰质概率图中概率超过25%的体素和功能图像中所有tSNR值的15百分位以上的时域信噪比（tSNR）生成个体灰质掩模。每个队列的灰质组掩模通过对各个灰质概率图进行平均并保留灰质概率超过25%的体素生成。对于联合分析，将每个队列的灰质组掩模相乘。基于FSL-VBM进行了体素内形态学分析（VBM）。调制的灰质图像使用各向同性高斯核[全宽半最大（FWHM）= 5毫米]进行平滑。

• 功能图像进行了切片时间校正、重新对齐、运动校正、去颅骨，并配准到解剖图像。随后，在整个fMRI运行过程中归一化了全局平均强度，回归了干扰信号（扫描仪漂移、生理噪声和头部运动信号），并对时间序列进行了带通滤波（0.01-0.1 Hz）。接下来，基于每个体素在个体灰质掩模中的预处理时间序列的体素间Pearson相关性（P < 0.001显著性阈值）计算dFC（功能连接度，degree of functional connectivity），使用AFNI的3dDegreeCentrality功能。最后，dFC（功能连接度）图像通过高斯滤波器（FWHM = 6毫米）进行空间平滑，并通过解剖图像配准到MNI152NLin6ASym 3毫米模板。干扰信号的回归使用了二次和线性去趋势来建模扫描仪漂移，而生理噪声通过分解白质和CSF体素时间序列的方差最大五个主成分进行建模（CompCor）。

• 动态功能连接通过滑动窗口时间序列（宽度 = 40秒，步长为20秒）的时间标准差计算。动态dFC图像通过高斯滤波器（FWHM = 6毫米）进行空间平滑，并通过解剖图像配准到MNI152NLin6ASym 3毫米模板。

• 扩散加权图像预处理和概率轨迹追踪使用MRtrix3（版本3.0.0），FSL和高级标准化工具（ANTs），遵循解剖限制的轨迹追踪管道。预处理包括去噪、涡流校正、运动校正（使用FSL topup）和偏场校正（使用ANTs）。结构连接矩阵从预处理图像中使用单组织约束球形解卷积概率轨迹追踪导出。此外，对轨迹图应用了基于球形解卷积的过滤，受解剖组织掩模和HCP-MMP分区的约束。最后，结构连接的强度通过捕获直接和间接连接的通信能力来导出。

正电子发射断层扫描（PET）

      对于TUM队列，前45分钟的PET采集使用NiftyPET库基于有序子集期望最大化（OSEM）算法进行离线重建，使用14个子集和4次迭代，并分为33个动态帧：10×12秒，8×30秒，8×60秒，2×180秒，和5×300秒。衰减校正基于T1衍生的伪CT图像。对于VIE队列，前40分钟的PET采集使用Siemens e7重建工具基于OSEM算法进行离线重建，使用21个子集和3次迭代，并分为30个动态帧：24×5秒，1×60秒，1×120秒，1×300秒，1×600秒，和2×1200秒。衰减校正基于参与者的低剂量CT图像。    

      所有重建的PET图像经过运动校正和空间平滑处理（使用高斯滤波器，全宽半高值FWHM = 6毫米）。使用Patlak图模型，基于预处理后的PET图像的最后五个帧（20到45分钟之间的帧）和从预处理后的动脉血样中得到的动脉输入函数，计算净摄取率常数（Ki）。通过将Ki图与每个受试者的血浆葡萄糖浓度相乘，再除以一个0.65的集总常数，计算出脑葡萄糖代谢率（CMRglc）。使用从T1加权图像中得到的灰质（GM）、白质（WM）和脑脊液（CSF）掩模，通过迭代Yang方法对CMRglc图进行局部体积校正（PVE校正）。最后，将校正后的CMRglc图通过解剖图像配准到MNI152NLin6ASym 3毫米标准模板上。

动脉输入函数

      对于TUM队列，血液时间-活动曲线（TACs）使用Turku PET中心命令行接口库TPCCLIB（版本0.7.5）进行预处理。首先，血液TACs通过b2plasma函数转换为血浆TAC，基于参考FDG血浆/血液比率函数随时间变化和每位参与者的血细胞比容值进行测量；否则，使用参考值0.4/0.45（女性/男性）。对于VIE队列，全血样本被离心以测量血浆中的放射性。对于所有队列，血浆TACs使用指数函数的和进行建模，拟合到重建的PET时间帧的中间以获得动脉输入函数（AIF）。对于TUM.exp.队列中没有完整动脉采样的四名参与者，AIF基于从TUM所有参与者中得出的人口基准输入函数（PBIF）生成。

人群基准输入函数

     人群基准AIF计算为我们中心具有动脉输入采样的参与者的平均AIF（n = 16）。然后，将个体AIF根据注射后立即预期的FDG浓度Cp*(0)（公式1）进行标准化。

      当动脉采样不可用时，Cp i*(0)是[18F]FDG的初始血浆浓度，定义为示踪剂注射后直接的预期浓度，通过在t=0时评估公式2计算得出。公式2在5到30分钟之间模拟了示踪剂的血浆浓度作为一个指数函数，反映了血管内和血管外[18F]FDG的平衡。

      α通过SciPy中的非线性最小二乘优化方法拟合公式2得出。对于由于技术错误未进行动脉采样的TUM.exp.的四名参与者，他们的个体AIFs（AIFiPBIF）根据人群基准输入函数（公式1）计算，并按注射后立即的预期[18F]FDG浓度[Cp*(0)]（公式3）进行缩放。

     在缺乏动脉采样数据的情况下，注射后立即测得的预期FDG浓度Cp*(0)可以用注射剂量（iD）、受试者体重（W）和身高（H）的函数来近似估算（公式4）。

     其中，参数h、w和c是通过最小化我们中心具有动脉输入采样数据的参与者的c值

的变异系数来得出的，同时在公式4中分别独立地改变参数h和w的取值范围（h的取值范围为0到2，w的取值范围为0到1）。

信号传递的能量成本：
      脑能量代谢（CMRglc）与全脑功能连接度（degree of functional connectivity，dFC）之间的关系在灰质掩模内的皮层体素上使用线性回归模型（公式5）进行建模。

信号传导的能量成本

     大脑能量代谢（CMRglc）与大脑全局功能连接度（degree of functional connectivity，dFC）之间的关系通过线性回归模型（公式5）进行建模，该模型在灰质掩膜内的皮层体素之间应用。

      能量成本被定义为拟合公式5中模型后的残差，表示无法用dFC解释的CMRglc变异。位于回归线上方的正能量成本代表了在给定dFC下能量需求高于预期的区域，而位于回归线下方的负能量成本则代表了在给定dFC下能量需求低于预期的区域。

外部数据来源

       在这里，我们将组内成像数据与七个不同的外部数据集整合，这些数据集包括大脑形态学、组织学、转录组数据、分子成像和比较大脑数据。每个外部数据集都提供了它们自己的区域划分方案，首先使用 Enigma 工具箱提供的划分转换工具将其转换为 HCP-MMP1.0 划分方案。

      1.物种间总体脑代谢与脑体积之间的异速生长 ：该数据集包括 10 个不同物种在休息状态下无麻醉成年动物的 CMRglc（包括人类），这些数据汇编自先前的研究。

     2.从非人灵长类动物到人类的皮层扩展：该数据集提供了一张从黑猩猩（Pan troglodytes）到人类（Homo sapiens）的皮层扩展脑图，使用基于 29 只黑猩猩和 30 人类的体内 T1 加权 MR 图像的表面对表面映射。

     3.BigBrain Atlas：该数据集提供了一位 65 岁死后大脑的超高分辨率体积重建，使用 Merker 染色。我们使用了 BigBrain Warp 工具箱提供的 50 个等体积表面版本，取样于皮层和白质表面之间。首先将体积（volume)值反转以反映皮层深度的细胞密度，然后计算每个强度轮廓的偏度以展示细胞密度在红粒层和上粒层之间的分布。

     4.Allen 人脑图谱：该数据集提供了六位人类捐赠者大脑的全皮层微阵列数据。我们使用了 Enigma 工具箱提供的基于 Abagen 工具箱 (85) 预处理版本的数据。预处理包括基于强度的微阵列探针过滤、跨半球选择代表性探针、将微阵列样本与 HCP-MMP1.0 划分方案的脑区匹配、使用缩放的鲁棒 sigmoid 函数进行基因和样本归一化、以及对至少有 0.2 跨捐赠者相似性的基因在分区和捐赠者间的平均化，留下共计 8426 个基因供进一步分析。对于下列基因集，我们计算了每个基因的区域平均值和 z-score 表达值。

      5.基因型组织表达数据库 (GTEx v8)：该数据集提供了从大约 1000 名参与者的 54 个未患病组织部位收集的组织特异性基因表达谱。基于 P < 0.05（单侧 t 检验，FDR 校正）提取了 1588 个基因，这些基因在大脑中的表达显著高于其他器官，并作为 GOE 分析的背景列表 (35)。

      6.外部 PET 神经受体图谱 ：该数据集汇总了 28 个不同且先前发表的关于健康人类化学结构的 PET 成像研究的数据。它包括 19 个独特受体和转运蛋白在 9 个神经递质和神经调节系统中的配体占据的组平均体积 PET 图谱：多巴胺、去甲肾上腺素、血清素、乙酰胆碱、谷氨酸、GABA、组胺、大麻素和阿片。转录组数据与 PET 成像数据之间的后续分析包括以下三个 PET 配体：胆碱能尼古丁（乙酰胆碱）受体 alpha 4 beta 2（[18F]flubatine 示踪剂）、阿片受体 mu 1（[11C]carfentanil 示踪剂）和血清素 5-羟色胺受体 4（[11C]SB207145 示踪剂）。

      7.Neurosynth 数据库：该数据集提供了与 23 个认知术语相关的大脑活动的元分析统计图，这些术语来自数千项研究，涵盖从感觉运动到高阶认知功能。元分析图中的显著区域（z-score > 2.3）被用作掩码，以提取能量成本和化学结构图的联合 PLS 评分的分布。

统计分析

相关性分析

     两个变量之间关系的显著性通过以下两种方式评估：

     1.参数法：基于它们之间皮尔逊相关系数的 P 值。

     2.非参数法：使用 Brainsmash 工具箱，通过置换数据 1000 次而保持目标图的空间自相关信息（Psmash），评估 P 值的分布。

     为了测试队列和性别之间的可能差异，这两个变量在独立的单因素方差分析（ANOVA）中用作被试间因素。CMRglc 和 dFC 之间线性关系的斜率和相关值作为因变量。此外，通过计算个人相关值与年龄的皮尔逊相关系数，测试了年龄对 CMRglc 和 dFC 之间线性关系的影响。ANOVA 和相关性分析使用 Python 包 Pingouin (版本 0.3.9) 进行。

脑图之间空间相似性的分析

      TUM.exp1 的能量成本分布与其他队列的能量成本分布之间的空间相似性，基于它们之间的空间皮尔逊相关系数进行评估。这种相关性的统计显著性，通过与从 TUM.exp1 图中置换能量成本（1000 次）而保持其空间自相关性获得的零分布相关值进行比较来评估。

线性模型之间的统计比较

      使用单因素方差分析（ANOVA）测试由两个线性模型解释的 CMRglc 方差之间的差异：一个简单模型仅使用 dFC 作为预测变量，另一个多重线性模型使用 dFC 和其他连接性测量作为额外预测变量。模型比较在 R 统计软件（版本 4.1.2）中进行。

异速生长分析

      异速生长描述了身体参数的缩放关系。根据一般异速生长关系，大脑模型的代谢异速生长将总脑大小作为 CMRglc 的函数，公式如下：

       使用 Python 库 SciPy（版本 1.7.3）提供的非线性最小二乘优化方法，将方程 6 适合于脑大小和 CMRglc 的对数数据之间的线性回归。

能量成本的组分析

       使用 FSL 随机化（randomize）置换测试工具（P < 0.01，家族误差率校正，5000 次置换），对所有队列中所有参与者的个体参数图进行体素级单样本 t 检验，识别出显著偏离的能量成本脑区。

GOE 分析

        在此分析中，我们评估了不同能量成本脑区中的差异表达基因及其假定功能。通过 AHBA 基因在皮层区域中的表达值与平均能量成本图之间的相关性，识别出显著相关基因（P < 0.005，Benjamini-Hochberg FDR 校正）。这些基因随后作为输入用于 GOE 分析和可视化工具 GOrilla（版本 03/06/2021），并使用不同的工具 Panther（版本 17.0）进行复制。该分析识别出基因本体注释，这些注释显著富集基因，并使用 10^-3 的最小超几何 P 值阈值进行多重比较校正（Benjamini-Hochberg FDR 校正）。背景使用 GTEx 数据库的脑特异性基因集（见“外部数据来源”部分）。

PLS 分析

       使用 pyls Python 库进行 PLS 分析，分析能量成本的 z-score 图（334 个 ROIs × 30 个参与者）与关于人脑化学结构的外部 PET 图集（334 个 ROIs × 19 个神经递质受体，见上文）之间的关系。此分析使用奇异值分解揭示两个数据集之间共享的信息，表示为一组正交潜变量。使用置换测试（5000 次置换）确定潜变量的统计显著性，而使用自举重采样（5000 次）检查输入特征对每个潜变量的贡献和可靠性。能量成本得分（图 4C 中的表面表示）通过将能量成本图投影到第一个潜变量上来计算，而受体负荷（图 4C 中的柱状图）是神经受体图与第一个能量成本得分之间的皮尔逊相关。

结果

       我们通过检查体素的葡萄糖代谢与其在大脑皮层中的整体功能连接性之间的相关性来量化信号的能量成本。健康受试者在集成的正电子发射断层扫描（PET）/磁共振成像（MRI）扫描仪上进行扫描，使我们能够同时测量葡萄糖的脑代谢率（CMRglc）和约12,000个皮层体素中的同步信号水平，即功能连接度（dFC）。

      我们在三个不同的队列中每个个体的大脑中发现了CMRglc和dFC之间的线性关系，这些队列是在两个不同的机构测量的。我们首先分析了一个探索性队列的数据（TUM.exp1和TUM.exp2，年龄：43 ± 7岁，四名女性，N = 9，测量两次），并在来自两个队列的另外三个数据集中复制了我们的结果（TUM.rep队列，年龄：27 ± 5岁，六名女性，N = 11，测量一次；VIE.rep1和VIE.rep2队列，年龄：27 ± 7岁，五名女性，N = 10，测量两次），使用相同的分析流程（图1B；所有Psmash < 0.024，通过置换测试校正空间自相关，见材料和方法）。图1D展示了个体受试者数据的示例图，而每个受试者和成像会话的结果可以在图S1中找到（皮尔逊r：平均值= 0.42，SD = 0.08；所有P < 0.1 × 10−24，来自个体相关分析，N = 47；Psmash > 0.05对N = 8数据集）。

图 1. 葡萄糖代谢与个体大脑功能连接度呈线性关系

       (A) 示意图展示了四个示例区域（r）的能量代谢和全脑功能连接度的皮层分布。葡萄糖的脑代谢率 (CMRglc) 由 PET 获取并按体素或区域平均计算。功能连接度（dFC）的计算方式是将一个体素或区域与整个皮层其他体素或区域之间同步的 fMRI 信号水平成比例的连接权重之和。表格中仅包含示例值。

      (B) 我们分析了每个受试者的个体大脑空间中体素级别的 CMRglc 和 dFC 之间的关系，受试者来自在我们机构测量的探索性队列（TUM.exp1/2：浅/深橙色），以及一个年轻的复制队列（TUM.rep：紫色），以及在不同机构扫描的健康受试者的第二个复制队列（VIE.rep1/2：浅/深绿色）。

      (C) 对于组统计分析，将大脑数据转换为标准大脑空间（MNI，见材料与方法）在体素级别或标准分区图集（顶部；MMP，见材料与方法）的功能区域平均水平上进行。每个五个组中个体之间的体素级别 CMRglc 和 dFC 的显著皮尔逊相关性。每个数据集的皮尔逊 r 值分布在小提琴图中总结（底部）。

     (D) 个体数据集的体素级别 CMRglc 和 dFC 之间显著皮尔逊相关性的示例图。所有受试者的回归图见图 S1。

     在不同队列之间，皮尔逊 r 值没有显著差异（皮尔逊 r 范围 = [0.17, 0.57]；平均值 = 0.42；SD = 0.08；F1,28 = 2.41，P = 0.13，单因素方差分析（ANOVA））。请注意，跨越队列和扫描仪，我们发现每个连接的能量需求增加相似（斜率范围 = 1.12 到 3.79；平均值 = 2.42；SD = 0.69；F1,28 = 0.07，P = 0.79，单因素 ANOVA），但基线 CMRglc（y 截距）各异。此外，能量成本的线性增加与性别和年龄无关（皮尔逊 r 女性/男性：平均值 = 0.44 / 0.41，SD = 0.10 / 0.05；F1,28 = 0.82，P = 0.37，单因素 ANOVA；皮尔逊 r 年龄 = 0.07；P = 0.70；CI: [−0.30, 0.42]；N = 30 名受试者）。我们还发现灰质部分体积对能量-连接度缩放没有影响，使用体素形态测量作为线性模型中的解释变量（F2,330 = 50.05，P = 0.13，单因素 ANOVA）。最后，我们测试了不同连接度测量的能量-连接度缩放的稳定性。结果显示，无论是动态功能还是结构连接度，信号的能量成本缩放都是一致的（图 S2）。我们在在线存储库中存储了脚本和数据，并可以在在线 jupyter-notebook 中复制分析的各个步骤（见数据和材料可用性）。

      接下来，我们确定了信号能量成本偏离的区域，计算为每 dFC 的残差 CMRglc（图 2A，顶行）。在所有队列和个体大脑中，我们确定了信号能量成本的一致皮层分布。图 2A 中的大脑地图显示了跨越 TUM.exp1 队列受试者的平均高（红色）和低（蓝色）信号能量成本区域。我们在其余四个数据集上进行了相同的分析，发现每个队列中的代谢能量分布一致，在额叶区域的信号能量成本较高，在感觉皮层的信号能量成本较低（图 2B；每个队列的模式与 TUM.exp1 的显著空间相似性，所有 Psmash < 0.0001，保持空间自相关的体素级置换测试（双侧），1000 次置换）。图 2C 显示了所有队列的所有受试者中信号能量成本的平均地图。请注意，残差 CMRglc 跨越连接组可变化高达 ± 25%，相比平均代谢率 CMRglc = 31.4 μmol/(分钟 100 g)。

图 2. 脑连接组中信号能量成本的区域分布

     (A) 上排：单个受试者的 dFC（x 轴）和 CMRglc（y 轴）的散点图，显示每 dFC 体素较高（红色）和较低（蓝色）的能量需求对应的 CMRglc 残差分布。下排：队列 TUM.exp1 中信号平均能量成本的大脑地图。所有受试者的拟合（x 轴）与残差（y 轴）CMRglc 的散点图显示随机分布，表明模型中没有未解释的结构（r = 0，p = 1，CI = [−0.03, 0.03]）。

     (B) TUM.exp1 和四个队列中信号能量成本分布的显著空间相似性。

     (C) 各队列受试者平均信号能量成本的体素级散点图和区域级大脑表面图。

     (D) 显示显著偏离的区域，特别是信号能量成本较高（红色）和较低（蓝色）的区域。饼图总结了具有不同能量成本的区域分布。

     (E) 条形图说明所有队列中每个受试者的区域级信号能量成本分布（点），按从低到高的中位成本排序。如果信号能量成本在>95%的所有受试者中偏离归一化皮层平均值，则对区域进行着色。颜色代码说明了区域所属的七个标准功能网络之一（见材料与方法）。

     (F) 饼图总结了具有较低（左）和较高（右）信号能量成本的区域与投射到大脑表面的六个标准脑网络的关联。

      我们随后调查了信号能量成本是否与皮层的某些功能域相关。图 2D 显示了组分析的结果，识别出在 CMRglc 中显著偏离线性模型拟合零假设的皮层区域[ P < 0.01，体素级非参数置换 t 检验（双侧），5000 次置换，使用家族错误率（family-wise error rate）校正多重比较]。结果显示，所有区域中有 28.7% 的区域信号能量成本显著低于模型预测值（蓝色），24.1% 的区域信号能量成本显著高于模型预测值（红色）。在受试者层面，我们在>95% 的所有数据集中识别出信号能量成本偏离的 76 个区域（所有区域的 23%，图 2E 中的彩色 ROI；点代表单个受试者），以及在所有数据集中每个受试者都有偏离信号能量成本的核心区域（功能区域的 7%）。图 2F 中的颜色方案指示了成本偏离区域与六个已建立功能网络之一的关联（见材料与方法）。饼图显示，较低信号能量成本的区域集中在感觉运动网络（紫色、蓝色和绿色总和占 75%），而较高信号能量成本的区域主要位于额顶网络（红色和黄色总和占 78%）。

      总结而言，我们在个体受试者数据中识别出信号路径能量成本变化的一致模式。特别是，额顶网络中信号的能量需求比感觉运动网络高出多达 67%。

      鉴于某些信号通路具有更高的能量成本，我们接下来研究了人类大脑的整体葡萄糖代谢是否高于其他物种。与器官大小或体积相关的代谢生物学标度称为代谢异速生长。我们复制了10种哺乳动物的脑CMRglc与脑体积之间对数-对数关系的标度指数-0.14【18】[最小二乘拟合，CMRglc = 0.814 * 脑体积^(-0.14); R² = 0.81; P = 0.0004; N = 10]。我们人类队列的平均葡萄糖代谢（CMRglc = 31.35 μmol/min * 100 g）位于最小二乘拟合的置信区间内（图3A; CI: [−0.19, −0.01]）。这意味着人类整个大脑的能量代谢与其大小的异速生长预测值一致。是否存在能量成本的区域性变化分布？使用描述从黑猩猩到人类同源脑区扩展的形态测量图集（见材料与方法），我们发现信号能量成本与脑扩展之间存在正线性关系【图3B; r = 0.30, P < 0.0001; Psmash = 0.047, CI: [0.49, 0.89]; N = 335个来自人类连接组项目多模态分区（HCP-MMP）分区的区域】。移除异常值（±3中位绝对偏差）后，这种关系仍然存在【r = 0.28, P < 0.0001; Psmash = 0.053, CI: [0.51, 0.98]; N = 335个来自MMP分区的区域】。请注意，x轴表示的是进化过程中扩展的程度，而不是区域的实际大小。总结而言，整个大脑的皮层代谢遵循异速生长。然而，在人类进化过程中扩展最显著的区域每克组织的代谢需求高于大脑的其他部分。

图3. 信号传导的能量成本与宏观和微观尺度上的大脑形态进化相关

      (A) 10种哺乳动物（包括人类）大脑CMRglc与体积的异速生长标度（外部数据，见材料和方法）。我们来自灰质（GM）的数据位于模型拟合的置信区间内（橙点）。

    (B) 信号传导能量成本与从非人类到人类灵长类动物的皮层扩展程度之间的显著Pearson相关性。

     (C) 信号传导的能量成本与下颗粒层的细胞密度相关。BigBrain图集的组织切片（见材料和方法）显示灰质中细胞的染色强度（顶部）。显示了从脑膜到白质（WM）表面细胞染色强度的分布，针对两个示例区域（紫色和黄色），然后将其转化为染色强度的偏度（底部）。这两个区域是颗粒层上部（黄色，右偏）和颗粒层下部（紫色，左偏）细胞密度较高的示例。脑表面显示了整个皮层中层优势的分布。散点图揭示了信号传导能量成本与细胞密度偏度之间显著的负Pearson相关性，表明下颗粒层细胞密度最高的区域能量成本最高。

     接下来，我们通过BigBrain图集（见材料和方法）研究了高能量成本信号传导的脑区的微结构。这是一个关于人类供体脑50个皮层层次细胞分布的组织学图集。对于每个区域，将脑细胞的染色强度沿皮层深度绘制并转化为密度分布。密度偏度表示沿皮层深度的细胞相对分布（左偏度~下层细胞密度较高）。然后，我们计算了信号传导能量成本与皮层区域细胞密度分布之间的相关性。结果显示，能量成本与上层偏度之间存在显著的负相关关系（图3C，右；r = −0.5, P < 0.0001, Psmash = 0.011, CI: [−5.29, −3.81]; N = 335 MMP区域）。这意味着，与低能量成本区域相比，高能量成本信号传导的区域在皮层下层的细胞密度更高。

      根据我们目前关于宏观和微观尺度上形态差异的结果，我们假设信号传导能量成本分布与独特的分子特征相关。Allen人脑图集（AHBA）提供了跨越皮层表面的转录组数据，并平均取自六个供体脑（见材料和方法）。我们将AHBA的微阵列数据投影到我们的信号传导能量成本地图上，并在皮层区域内进行8426个基因表达谱的成对相关性分析。结果显示，617个基因表达谱与人类皮层的信号传导能量成本显著相关（图4A，左；P < 0.005，FDR校正用于多重比较）。我们随后使用基因本体富集（GOE）分析研究显著相关基因的推定功能。“细胞成分”的分析显示，信号传导能量成本高的区域显著富集了编码“突触”，“突触部分”和“树突”等成分的基因，即参与信号传导的细胞区室（图4A，中；P < 0.02，FDR校正；表S1）。“分子功能”的分析确定了七个显著富集的簇，也主要与信号传导相关（图4A，右；P < 0.05，FDR校正；表S2）。具体来说，我们发现了代谢型，即G蛋白偶联的神经调节和电压门控信号传导活动的基因注释。使用不同的GOE工具和数据库进行的结果复制（见材料和方法，表S3和S4）。图4B的堆叠饼图总结了分子功能。这表明，95%在高能量成本区域过表达的基因参与信号传导（绿色），其中主要涉及代谢型信号传导（粉色，40%）。换句话说，人类大脑在使用诸如5-羟色胺、多巴胺或去甲肾上腺素等慢速神经调节剂进行快速神经传递的长期调节上花费了大量能量。

图4. 神经调节剂的区域活动与高能量成本的信号传导和复杂认知相关

      (A) 在170个皮层区域中，信号传导的能量成本与8426个脑特异性基因表达值之间的显著Pearson相关性（虚线）。基因本体富集分析识别出与相关基因显著关联的细胞成分（中）和分子功能（右）。

     (B) 基因本体富集分析的分层摘要，强调编码参与信号传导的蛋白质的基因的参与（95%，绿色，内环），特别是G蛋白偶联的代谢型神经调节（40%，粉色，外环）和离子型信号传导（26%，橙色，外环）。

     (C) 多维PLS分析显示，86%的皮层能量成本分布（第一个潜变量，PLS 1）可通过19种神经调节剂和神经递质的受体PET成像定义的神经化学信号的线性组合解释（代谢型：粉色，离子型：橙色，转运蛋白：灰色）。误差条表示使用bootstrap重采样（5000次置换）的95%置信区间。（右）对于三个受体，分别有转录组学[（A）中的彩色条]和成像数据[（C）中的“粗体”配体]，这允许使用基因表达数据验证独特受体的活性。对于离子型（A4B2）和两个代谢型（MU，5HT4）受体，分别在能量成本和转录组学数据与成像数据之间的单独回归分析中得出了相似的方向和斜率（彩色回归：PET成像，灰色回归：转录组学数据），支持了转录组学数据与成像数据的结果一致性。x轴对应于受体密度（彩色）或基因表达（灰色）的z分数。

     (D) Joyplot展示了每个23个认知领域（y轴）之间能量成本和化学结构特征的第一潜变量分数（z分数> 2.3）的体素直方图。颜色编码显示了从简单感官处理到高级认知功能的平均能量成本的增加排名（蓝色 > 红色）。

     接下来，我们用受体成像数据重复了神经调节剂活动基因上调的发现。在一项强有力的合作研究中，最近的同事们收集了来自28项不同PET研究的19种独特受体和转运蛋白的大脑活动数据（见材料和方法）。这包括血清素能（5HT1b, 5HT6, 5HT1a, 5HTT, 5HT2a, 和5HT4）、多巴胺能（D1, FDOPA, DAT, 和D2）、胆碱能（A4B2, VAChT, 和M1）、肾上腺素能（NAT）、组胺能（H3）、大麻素能（CB1）和阿片能（MU）系统的受体活性图，以及三种谷氨酸能（mGluR5和NMDA）和GABA能（GABAa-bz）系统的受体。我们将所有配体占用的PET图输入到部分最小二乘回归（PLS）分析中，以测试神经调节剂活动对信号传导能量成本空间分布的联合解释能力。PLS分析的第一个成分（图4C中的脑图）解释了86%的皮层能量成本方差（5000次随机化后的P = 0.0002）。具体而言，16个受体和转运蛋白显著贡献了主要潜变量（图4C中的条形图）。这意味着信号传导能量成本的皮层分布与区域神经调节剂活动水平密切相关。

      我们最终验证了个体受体的转录组学和PET成像数据之间的一致性。来自AHBA的617个过表达基因中，有三个基因特异性编码其密度由独特的PET配体捕获的膜受体（见图4C中的“粗体”配体；受体/基因/PET配体组合如下：阿片受体MU/OPRM1/[11 C]-carfentanil；血清素受体5HT4/HTR4/[11 C]-SB207145；胆碱受体alpha-4 beta-2/CHRNA4/[18F]-flubatine）。这使我们能够具体测试基因表达水平与特定受体的成像基础活动之间的一致性。对于这三个受体中的每一个，配体活动通过相似的符号和皮层区域回归的斜率确认了基因表达水平（图4C，右；PET数据：MU：r = 0.32, P < 0.0001, CI = [0.17, 0.46]；5HT4：r = −0.05, P = 0.532, CI: [−0.21, 0.11]；A4B2：r = 0.41, P < 0.0001, CI: [0.26, 0.53]）。转录组学和分子成像独立地表明，大脑能量密集区域具有高水平的神经调节剂活动。特别是，我们的分析指出，G蛋白偶联的神经调节对长期的能量需求过高。

      到目前为止，我们已经确定在进化上扩展最多的皮层中存在高密度的慢作用神经调节剂活动。最后一步，我们探讨了这些区域是否参与了更高的认知处理。这将支持一个昂贵的信号传导架构专用于人类认知的观点。Neurosynth项目是一个元分析数据库，汇总了从数千个神经成像研究中得出的各种认知功能的体素级活动统计图（见材料和方法）。我们提取了从简单感官处理到复杂认知的23个认知领域的区域活动图，并评估了图4C中化学结构图与每个活动图之间的相似性。结果表明，具有强神经调节剂活动的区域特别有助于复杂功能如记忆处理和阅读，但在感觉运动处理的活动模式中较不显著（图4D）。

讨论

      通过一个独特的成像设置，我们量化了人脑中信号传导的能量成本。我们发现，通过神经调节剂对神经递质信号进行长期调节，产生了过高的代谢需求。神经调节剂活动在进化上扩展最多的皮层中十分密集，特别涉及认知处理。

      在全局层面上，我们确认总脑能量代谢按照代谢异速生长规律（metabolic allometry）进行。如同其他器官的代谢异速生长规律所报道的那样，指数为-0.14意味着更大的大脑单位体积消耗的能量比例更少。据推测，这是由于人类能量高效的全局信号传导架构。我们测量的平均代谢率为31.35 μmol葡萄糖/分钟/100克灰质组织，相当于一个平均大小的成人大脑每天代谢大约12块方糖（每块4克）。然而，在区域层面上，我们发现个别信号传导路径的能量成本有高达50%的差异。最近发表的BrainEnergyAtlas模型也对所有神经纤维活动的能量预算进行了建模，发现了不均等的区域分布。尤其是，我们注意到在进化上扩展最多的结构中能量代谢较高。然而，需要注意的是，人类和黑猩猩大脑数据之间的任何差异不能归因于单一祖先，而是反映了两个谱系变化的互动。尽管如此，我们关于代谢区域差异的发现与人类和灵长类动物的事后大脑转录组和代谢组分析的结果相符，这些分析表明前额叶皮层的代谢上调。

      过高的能量需求背后的机制是什么？通过转录组学和受体成像数据，我们发现进化上扩展的皮层中过高的能量代谢与神经元信号传导，尤其是代谢型神经调节剂活动有关。这些神经调节剂，如血清素、多巴胺和去甲肾上腺素，作为大脑范围内回路的总体调节剂。G蛋白介导的快速神经递质信号调节对信息处理产生了长期和广泛的影响。这种影响更多是关于设定一般兴奋性的基调，而不是传递单个信息位。

      慢作用的神经调节剂相比快速神经递质信号传导有更高的能量需求，这是由于包含第二信使和蛋白质转化的一系列生化步骤。这证实了我们的观察，即在一般能量需求与信号路径数量之间的线性扩展之上，包含大量神经调节剂的区域的能量需求过高。上调代谢型信号传导的区域还具有独特的细胞和基因组成。我们的组织学数据分析表明，这些区域的低层皮质细胞密度较高，而转录组数据则显示这些区域的基因富集与树突和突触中的信号整合有关。这与最近的放射自显影数据支持的信息整合与细胞成分，特别是低层皮质中的细胞成分相联系的结果一致。

      最近的研究表明，信号传导的能量成本在记忆形成等长期过程中增加。我们的数据表明，在人脑中，高代谢型信号传导能量成本的脑区在长期认知处理（包括记忆处理、认知抑制和阅读）中起着重要作用。此外，神经调节剂还与主要精神疾病相关的认知功能障碍有关。然而，目前调节神经调节剂的精神药物疗效有限，需要进一步研究以更好地理解那些患者中代谢型信号传导的功能失调。

      我们的研究结果表明，人类认知的进化可能不仅仅源于整体脑容量的增大，而特别是由于慢作用神经调节回路的发展。看起来，增加皮质能量代谢和能量基质供应（15-17）的益处超过了其风险。然而，我们对慢作用神经调节剂与快速信息处理相互作用对人类认知贡献的了解仍然有限。