人脑功能结构的年龄差异

1. 摘要

大脑的内在功能组织在成年后会发生变化。年龄差异在多个空间尺度上被观察到，从分布式大脑系统的模块化和全局分离的减少，到网络特异性的去分化模式。然而，我们尚不确定去分化是否会导致大脑功能随着年龄的增长发生不可避免的，局限性的经验依赖的整体变化。我们采用多方法策略在多个空间尺度上调查去分化。在年轻（n=181）和年老（n=120）的健康成年人中收集多回波（ME）静息态功能磁共振成像。在保留群体水平的脑区和网络标签的同时，实现了对个体变异敏感的皮层分割以用于每个被试的精确功能映射。ME-fMRI处理和梯度映射识别了全局和宏观网络的差异。多变量功能连接方法测试了微观尺度的连边水平差异。老年人表现出较低的BOLD信号维度，与整体网络去分化相一致。梯度基本上是年龄不变的。连边水平的分析揭示了老年人中离散的、网络特异的去分化模式，视觉和体感网络在功能连接内更为整合，默认和额顶控制网络表现出更强的连接，以及背侧注意网络与跨模态区域更为整合。这些发现强调了多尺度、多方法来表征功能性大脑老化结构的重要性。

2. 引言

大脑活动中的自发振荡为描述大规模功能网络提供了基础。这种内在的功能网络结构是由遗传因素和经验依赖的神经可塑性变化决定的，这些变化短到几个时间点或长达几十年。内在老化连接的主要组织特征包括网络内部连接减少和网络间连接增加，导致去分化，或更少分离的网络架构。

现在有大量的证据表明，内在的网络去分化是大脑功能的一个全局特征老化。这可能是指随着年龄发生的系统结构、神经生理、血管或代谢改变的功能重组，与特定大脑区域功能专门化的丧失并行发生。这些全局网络的变化表明，网络去分化可能是一种非特异性的神经标记物，与晚年大脑健康状况下降的其他大体指标相一致。然而，这种非特异性变化也是因为静息态功能磁共振成像数据采集、处理和分析方法的误差导致的系统性、年龄相关的混淆。其中最突出的例子是与年龄相关的运动差异，这引入了虚假的与年龄相关的连接模式差异。这些和其他混杂因素强调了对静息态功能磁共振成像数据进行严格去噪的必要性，并对该领域提出了重大挑战。

与全局网络的变化相比，有越来越多的证据表明网络特定的去分化模式。特定关联网络之间以及关联与感觉运动网络之间的年龄相关的去分化。在最常见的网络特异性去分化模式中，默认和背侧注意网络之间的BOLD信号的反相关性降低，而在年轻人执行的大多数任务中，这两个脑网络表现为在休息时和执行任务是具有强烈的反向激活模式。

特定网络之间更大程度整合的证据表明，静息态功能连接（RSFC）功能磁共振成像的作用超出了衰老大脑健康的全局指标。相反，这些特定的去分化模式可能作为晚年生活中特异性认知变化的神经标记。事实上，网络去分化的可分离模式与视觉空间能力、运动功能、情景记忆、处理速度和执行功能的年龄差异有关。Chan等人提供了早期证据，表明网络特异性去分化模式是特异性神经认知老化的标志。他们观察到一种网络去分化的整体模式（即，分离减少），这与较低的情景记忆能力有关。然而，这种关系在关联网络中比在感觉运动网络中更强，表明皮层关联网络之间的去分化是与年龄相关的情景记忆衰退的敏感和特异性标志。我们也报道了类似的发现，表明与年龄相关的默认网络和额叶区域之间的连接增加与较低的流体智力有关，以及和老年人个人过去记忆的性质和内容的特定差异有关。

这些报告（以及许多其他报告）表明，大脑内在网络组织的改变可以提供神经认知老化的全局和网络特异性标记物。然而，RSFC研究的理论、经验和方法差异以及许多分析策略上的不同妨碍了网络组织中年龄相关差异的精确映射。这种精确度对于开发敏感和特异性的神经认知老化的RSFC标记物是至关重要的。在这里，我们提出了一个综合的、跨方法的研究，调查在较大的年轻人和老年人样本中的网络去分化模式。我们采用了三种方法来研究从全局到连边水平的年龄差异的多个空间尺度上的去分化，同时试图减轻一些最常见的fMRI获取和分析挑战。我们将在下面简要地描述每种方法和相关的假设。我们的分析方法的概述示意图如图1所示。

我们首先通过测量整个皮层的BOLD信号协方差的时空模式的差异来检验整体网络去分化，我们称之为BOLD维度。多回波fMRI（ME-fMRI）数据采集协议的创新，结合使用多回波独立分量分析（ME-ICA）的BOLD信号去噪的TE依赖模型，使BOLD从非BOLD（即噪声）信号可靠地分离到不同的分量。新出现的证据表明，BOLD组件的数量，或BOLD维度，是一个有生物学意义的度量指标，显示了从童年到中年的下降，这反映了更大的功能整合和空间分布和分离的大规模网络的发展。虽然这一指标迄今尚未在老年人中进行研究，但我们预测，作为全局网络分化的代理，BOLD维度将显著低于年轻人，这与之前关于年龄相关网络去分化的报告一致。

图1. 研究方法的流程图。A)多回波静息态功能磁共振成像图像的处理。对于每个功能像运行三个回波（TE1、TE2和TE3）使用ME-ICA进行组合和去噪。去噪过程包括去除具有非BOLD信号（噪声）的组件，并保留BOLD组件。MEFC图像由BOLD分量系数集组成。B)生成了个体化的分割。所有被试的MEFC数据都被重新采样到一个共同的皮层表面。所有被试首先被初始化为一个预定义的皮层分割图谱（Schaefer图谱）。然后根据被试对分割进行细化（特定被试的分割）。对于每个被试，从每个脑区中提取MEFC数据并与之相关，以创建一个特定于被试的功能连接矩阵。这些矩阵被用于C)计算年轻人和老年人的皮层梯度，d)使用PLS评估与年龄相关的功能连接的差异。

其次，我们使用扩散映射嵌入方法估计RSFC皮层梯度，调查宏观水平上网络去分化的年龄差异。梯度映射识别了描述跨皮层外套的区域连接模式转变的特征向量，主要的RSFC特征向量解通常区分感觉/运动皮层和跨模态皮层。梯度作为连接组强大的组织特征，在宏观梯度体系结构中，特定于区域的连接功能可能会发生变化，即在年龄不变的宏观网络组织中发生的特定于网络或节点的变化。

第三，我们使用偏最小二乘（PLS）分析检测了用无阈值的、连边水平的连接组学识别的去分化模式的年龄差异。PLS是一种多元方法，它可以在单个统计步骤中分析完整的连边水平的连接矩阵，消除了在先验定义的网络分割方案中需要额外的阈值，使我们能够在整个矩阵中识别可靠的年龄差异。这为检测大脑功能网络组织中的年龄差异提供了连边水平的精度，包括网络特异性的去分化模式。我们首先研究了一个七个网络解决方案中的连边水平的连接组学差异。我们预测，正如之前报道的和上面回顾的那样，网络内部连接的减少和网络之间连接的增加。由于我们不知道之前的任何研究报告了统计上可靠的无阈值、连接模式，我们也预计这种增加的边缘分辨率将揭示迄今为止未报告的年龄差异。最后，基于之前的工作，我们对默认、背侧注意和额顶控制网络的子网络地形进行了先验分析。在这里，我们预测随着年龄的增长，网络内连接降低，默认和背侧注意网络之间的反相关性降低，额顶控制网络与默认和背侧注意网络区域的网络间连接更强。

结合起来，这些技术为人类大脑的功能结构提供了一个广泛的窗口，从整个大脑皮层的全局协方差模式，到连边水平连接的精确映射。通过在认知正常的老年人和年轻人样本中实施一种综合的、多尺度的分析方法，我们的目的是描述衰老大脑内在功能结构中年龄差异的整体和特定模式。

3. 材料和方法

3.1 被试

被试为181名年轻的（MEANage = 22.59岁，SD = 3.27；57%女性）和120岁的（MEANage = 68.63岁，SD = 6.44；55%女性），来自纽约伊萨卡和加拿大多伦多（表1），总样本量为301。实施了标准的纳入和排除标准，以确保所有被试都很健康，没有神经系统、精神疾病或其他已知的影响大脑或认知功能的潜在疾病。具体来说，被试被筛选以排除患有急性或慢性精神疾病的个体。研究人员还询问了被试目前使用的情绪药物（如抑郁）、思维或心理能力（如注意力缺陷障碍），或在资格访谈后的3个月内经历了健康状况的显著变化。分别使用贝克抑郁量表或老年抑郁量表对年轻和年长的被试进行抑郁症状筛查。两名老年人因“中度抑郁”而被排除在外。为了筛查正常的认知功能，被试接受了简明精神状态检查（MMSE）和NIH流体智力评估。如果被试在MMSE上的表现低于27/30，并且在NIH的流体智力指数的年龄调整得分在倒数第25百分位，他们被排除在外。所有被试都是右撇子，视力正常或矫正到正常。程序的管理符合康奈尔大学的机构审查委员会和约克大学的研究伦理委员会，包括获得每个研究被试的书面知情同意。

3.2 认知评估

我们首先用全面的认知评估来描述我们的样本；301人中有283人（163/181名年轻人，120/120名老年人）在大脑扫描前进行了认知测试。对情景记忆、语义记忆、执行功能和处理速度等认知领域进行了索引评分（描述内容见表1）。情景记忆任务包括韦氏记忆量表（韦氏2009）、联想回忆范式和NIH认知工具箱Rey听觉语言学习和图片序列记忆测试。语义记忆任务包括Shipley-2词汇和NIH认知工具箱图片词汇和口头阅读识别测试。执行功能指标包括步道测试、阅读跨度任务、NIH认知工具箱侧侧控制和注意任务、维度变化卡片排序和列表排序工作记忆测试。处理速度测试采用口头的符号数字模式测试。

表1. 样本人口统计数据 

所有数据均为z分数指数代表了一个认知领域内所有测量的平均z分数。在这4个领域中，分数越高表示表现越好。脑-行为的相关性阈限为0.05，95%的置信区间（CI）。Bonferroni多重比较校正后设置为P < 0.013。

3.3 神经影像

3.3.1 图象采集

成像数据是在康奈尔磁共振成像设施的3T GE750发现系列磁共振扫描仪上获得的，或者是在多伦多约克大学神经成像中心的带有32通道磁头线圈的3T西门子Tim Trio MRI扫描仪上获得的。扫描协议在不同的站点之间紧密匹配。康奈尔大学的解剖扫描采用T1加权体积磁化制备的快速梯度回波序列（TR = 2530 ms；TE = 3.4 ms；翻转角为 7◦；各向同性体素大小为1mm，176层，共扫描5分25秒）。在约克大学，解剖扫描使用T1加权体积磁化制备的快速梯度回波序列（TR = 1900 ms；TE = 2.52 ms；翻转角为9◦；各向同性体素大小为1mm，192层，共扫描4分26秒）。康奈尔大学ME-EPI序列（TR = 3000 ms；TE1 = 13.7 ms，TE2 = 30 ms，TE3 = 47 ms；翻转角为83◦；矩阵大小为72×72；视场（FOV）= 210 mm；46层；各向同性体素大小为3mm；共204个时间点）和约克大学（TR = 3000 ms；TE1 = 14 ms，TE2 = 29.96 ms，TE3 = 45.92 ms；83◦；矩阵大小为 64×64；FOV = 216 mm；43层；体素大小为3.4×3.4×3mm；200个时间点）。被试被要求保持清醒，睁着眼睛，在黑暗的扫描室里呼吸，正常眨眼。

3.3.2 预处理

使用FSL BET中的默认参数对解剖图像进行颅骨剥离。脑提取的解剖和功能图像被提交给ME-ICA。ME-ICA依赖于BOLD信号的TE依赖模型来确定每个体素中的T2∗，并将BOLD信号从非BOLD噪声源中分离出来。在TE依赖去噪之前，对时间序列数据进行最小限度的预处理：丢弃前4个时间点，计算图像进行去倾斜、运动校正和解剖功能共配准，并将每一卷跨TEs进行空间对齐。然后使用T2∗图谱进行解剖-功能共配准。与原始EPI图像相比，T2∗图更精确地描绘了灰质和脑脊液室，这是衰老研究中一个重要的考虑因素，这些边界往往被扩大的心室和更大的蛛网膜下腔模糊。然后在TEs中进行最佳组合并去噪。感兴趣的输出包括：(i)由BOLD组件组成的空间地图，（ii）只包含BOLD组件的重构时间序列，以及（iii）BOLD组件的系数集。

在后续步骤中使用了原生空间中去噪的BOLD组件系数集，并为功能连接分析进行了优化。我们将这些数据称为多回波功能连接（MEFC）数据。一旦估计了连接矩阵，就采取了其他措施来考虑ME-ICA中独立组件数量的变化，具体如下。使用freesurfer将MEFC神经图像映射到每个被试的皮质表面。为了最大限度地对齐结构和功能数据的强度梯度，MEFC数据首先线性配准到T1加权图像。该配准的倒数用于将T1加权图像投影到原生空间，并通过三线性体积到表面插值将MEFC数据在皮层表面重新采样到表面（fsaverage5）。这将产生一个皮层表面图，其中每个顶点或表面点都从体素数据中插值。一旦到达表面，运行被连接起来，每个顶点上的MEFC数据被归一化为零均值和单位方差。

3.3.3 个体化分割

ME-fMRI处理后的数据提供了良好的可靠性和时间信噪比，足以对个体被试进行精确映射。采用个性化的功能分割方法来识别特定人群的功能网络节点。这些个体化的分割被用于梯度和边缘海拔高度的连接分析，以方便比较年轻人和老年人之间的RSFC。对标准化模板的不良注册可能无法捕捉到大脑皮层功能组织的个体差异，而且这些注册问题可能在不同年龄组之间有系统的差异。通过衍生出功能定义的、个人特异性的皮层分割，可以解释个体水平上的差异，从而减轻组间比较中的系统配置偏差。采用个体化的分割方法也可以减少噪声伪影的影响，这些噪声伪影可以掩盖小而可靠的组差异，增加检测可靠的大脑行为关联的能力。

我们使用之前的个体分割（GPIP）生成特定被试的功能分割来检验大脑功能网络组织的个体差异。这种方法能够更准确地估计被试特定的个体功能区域，并且对RSFC与行为的关联更敏感。这种方法的主要优点是，脑区标签之间的对应关系在被试之间得到保留，而脑区边界允许根据每个被试的特定功能网络组织而移动——从而提供了在人群中共享的连接模式。从一个初始预定义的组分割图谱开始，GPIP首先细化了相对于每个个体的静息态fMRI数据的脑区边界。接下来，使用一个组稀疏性约束，联合估计来自所有被试的协方差/偏相关矩阵。GPIP在这两个步骤之间迭代，不断更新脑区标签，直到收敛，定义为每个脑区变化不超过一个顶点或20次迭代。与其他基于组的分割方法相比，GPIP已被证明可以改善脑区内BOLD信号的同质性和功能专门化区域之间的描述。

我们从每个顶点提取MEFC数据，并将上述分割应用于301名被试的整个队列，分辨率分别为200和400个脑区。对于每个分辨率，MEFC数据被初始化为由Schaefer等人开发的一组分割图谱。我们使用这种皮层分割方案作为我们的个体化的皮层分割图的初始化参考，以及我们下面描述的连边水平的连接组分析。我们选择Schaefer图谱有三个原因：(i)它是从功能上派生出来的，因此更接近于当前的研究目标，（ii）它在不同的层次上具有较高的空间分辨率（我们在这里报告了400和200个脑区分割的发现），（iii）它是文献中最常用的皮层分割图谱之一，提供了Yeo 7-和17-网络中节点的内在划分。

在使用Schaefer分割初始化后，两步迭代过程重复20次，最终的分割代表相对于整个皮层表面的最佳分割。我们通过取给定脑区中所有顶点对的平均相关系数，然后对所有包裹进行平均来计算同质性。在每次重复中重复，以观察随着迭代分割的进行，同质性的增量变化。首先在被试水平上计算同质性，然后在整个队列中平均以进行组估计。对于被试的一个子集，来自最终分区的一些脑区合并到内侧壁（没有数据存在）或进入属于对侧半球的脑区中。因为分区很可能反映了功能组织中被试特异性的神经生物学变异，所以分配到对侧半球的脑区被允许保留其原始的组图谱标签。在400个脑区分辨率下，69名老年人和35名年轻人出现了脑区与内侧壁合并，这些被试平均有2-3个脑区；62名老年人和24名年轻人的脑区迁移到对侧半球，平均有2-3个包裹。在200个包裹的分辨率下，18名老年人和10名年轻人发生了脑区与内侧壁合并，平均这些被试中有1个脑区。在这个分辨率下，没有一个脑区迁移到对侧半球。

3.3.4 功能连接矩阵

根据每个被试的个体化脑区为其构建一个连接矩阵。由于MEFC数据由运行连接的ICA系数集（每个分量×顶点的系数权重）组成，我们从每个脑区内的顶点中提取并平均MEFC数据，以获得一个脑区级系数集。连接是通过计算每个脑区系数集之间的皮尔逊相关性来估计的，从而得到一个功能连接矩阵。在这种方法中，RSFC被计算为脑区间ICA系数的相关性，而不是像通常那样所做的BOLD信号时间序列间的相关性。然后应用典型的Fisher的r-to-z变换来标准化相关值的分布，并解释MEFC数据自由度的变化，或去噪ICA系数的数量（即BOLD分量的数量）的变化。

3.4 分析

3.4.1 BOLD信号维度

ME-fMRI和ME-ICA处理框架的一个独特优势是，BOLD和非BOLD信号被分离成独立的组件。一种新的“BOLD维度”度量，即ME-ICA识别的BOLD组件的数量，可以作为大脑全球网络结构的数据驱动表示，用于调查随年龄的变化。我们通过测试了2组数据来评估BOLD维度的重测可靠性。然后，采用独立样本t检验和ANCOVA的方法，对全脑容量（灰质和白质之和除以颅内总体积，自由计算）对年龄组之间的总BOLD维数进行比较。为了观察BOLD维度随年龄增长的轨迹，将来自独立发育样本与当前数据汇总。由于我们的样本由2个离散的年龄队列组成，这些额外的数据点被用于适当地拟合年龄和BOLD维数之间的函数。为了使样本具有可比性，并解释不同数据集之间的采集差异，BOLD维度根据获得的时间点的数量进行了缩放。然后，将年龄与BOLD维数之间的关系拟合为一个幂律函数。进一步表征BOLD信号维数，包括与参与系数、模块化和图分析度量的关联，以及BOLD信号维数与全脑RSFC的关系。

3.4.2 梯度和流形偏心

皮层梯度允许功能连接的低维（即宏观）表示，从而划分全脑功能连接的过渡。梯度图的嵌入已经可靠地划分了皮层从单模态到跨模态的过渡到视觉和躯体运动皮层等。皮层梯度使用大脑空间工具箱（https://github.com/MICAMNI/BrainSpace）中的函数进行计算并在MATLAB中实现。对于每个被试，400×400 GPIP功能连接矩阵的阈值依次排列到上10%的连接，以只保留最强的正连接。在稀疏矩阵上计算余弦相似度，输入到扩散映射嵌入算法，生成一个矩阵，以捕获顶点之间的全脑连接模式的相似度。

然后，我们应用扩散映射嵌入，一种来自图拉普拉斯函数族的非线性维数流形学习技术，以识别个体被试水平上的梯度成分。每个梯度代表一个由高维相似度矩阵估计的低维嵌入/特征向量。在嵌入空间中，对其全脑功能连接模式具有更大相似性的顶点看起来距离更近，而不同的顶点看起来距离更远。因此，每个嵌入轴可以被解释为一个基于连接模式相似性/差异性的方差轴。嵌入空间中的欧氏距离等价于以这些点为中心的概率分布之间的扩散距离，每个点都等价于“梯度之差”分数。该算法由单参数α控制，该参数α控制采样点密度对流形的影响。我们在本研究中使用了α = 0.5，它区分了扩散映射嵌入和拉普拉斯特征映射，并允许在嵌入空间的估计中同时包含全局和局部关系。执行了一个迭代的Procrustes旋转，以将被试特定的梯度组件与一个年轻-年老的组平均模板对齐并进行组比较。组比较采用Surfstat基于表面的线性模型进行。

我们计算了流形偏心率来量化梯度空间中顶点的扩散率。根据Betlehem等人和Park等人的报告，我们为每个被试在二维梯度空间中总结了每个顶点到全脑中位数的欧氏距离的平方。顶点在梯度空间中的位置表示顶点落在每个梯度轴上的坐标。任意两个顶点的接近程度说明了它们的功能连接在每个梯度上的相似程度。网络中的顶点越分散，功能连接的变化就越大，差异也就越差。然后比较了不同年龄组的平均流形偏心率。

3.4.3 连边水平的连接组

采用PLS检验区域间功能连接的组差异。PLS是一种多元方法，通过识别两组变量中最大程度共变的变量的线性组合来确定两组变量之间的关联。至关重要的是，PLS能够实现无阈值连接矩阵的全脑对比，允许更精确地绘制边缘年龄差异。在我们的分析中，一组变量是单个RSFC矩阵，而另一组变量代表组分配或个体差异指标。

使用Schaefer图谱评估全脑水平的功能连接。受先前工作的启发，我们还研究了默认注意、背侧注意和额顶叶控制网络的子网络之间的RSFC。对于子网络分析，我们首先根据基于Schaefer等人的映射，将400个脑区中的每个脑区重新分配到Yeo 17网络的相应网络中。接下来，我们创建了8个子网络之间的成对连接矩阵：背侧注意（DAN-A和DAN-B）、额顶叶控制（CONT-A、CONT-B和CONT-C）和默认网络（DN-A、DN-B和DN-C），得到一个192×192的矩阵。400×400脑区结果的完整覆盖了17个网络特征，以及200×200矩阵的17个网络和子网络特征。在每一层上，使用所有被试的分割功能连接矩阵创建一个数据矩阵X。X矩阵的组织方式是，每一行对应于一个观察结果（每个被试，嵌套在年龄组中），每一列中的单元格对应于来自每个被试的连接矩阵（矩阵的下三角形）的唯一连接。计算各组内的列平均值，X中的数据以平均值为中心。然后将以均值为中心的数据提交到奇异值分解（SVD）中，以提供相互正交的潜在变量。每个潜在变量代表一个特定的关系（例如RSFC×Group），由三个元素：(i)左奇异向量组成的加权连接模式最优表示协方差，（ii）右奇异向量，代表研究设计变量的权重，可以解释为数据之间的权重，和（iii）标量奇异值，代表协方差占每个潜在变量（组）和RSFC之间的强度。通过取左奇异向量和每个被试的RSFC矩阵的点积来计算大脑连接得分。因此，大脑连接得分代表了被试表达给定潜在变量所捕获的连接模式程度的单一测量。

所有PLS潜在变量均采用置换检验进行统计学评估。X行被随机重新排序，并进行SVD迭代，如上所述。在相应的PLS分析中，在X和Y之间不存在关系的零假设下，创建了一个奇异值的分布：全脑（或子网络）RSFC没有组间差异。对每个潜在变量的P值被计算为排列后的奇异值大于或等于原始奇异值的比例。重要的是，排列测试涉及整个多变量模式，并在一个单一的分析步骤中执行，因此不需要对多次比较进行校正。

采用Bootstrap重采样的方法来估计每个RSFC边的权值的可靠性。被试被随机重新抽样（X行）进行替换。对矩阵进行SVD处理，该过程重复1000次，生成奇异向量中权值的抽样分布。为了识别对整体连接模式在统计上有显著贡献的单个连接，我们计算了奇异向量中的每个权重与其Bootstrap估计的标准误差之间的比率。

3.4.3.1 网络水平的贡献

PLS分析确定了因组而不同和/或与个体差异指标共同变化的区域间连接模式。对于每一种分析，我们还进行了网络水平效应的研究。为了量化网络级对PLS衍生的功能连接模式的贡献，我们从正的和负的RSFC权重构建了两个独立的加权邻接矩阵。对于这两个矩阵，节点表示由单个分割定义的脑区，而边对应于每个成对连接的阈值Bootstrap比率。根据Yeo等人报告的网络分配，量化网络水平的功能连接贡献，取给定网络中所有连接权值的平均值，从而生成7×7矩阵。通过置换检验计算网络内和网络间连接的显著性。在每个置换过程中，对每个节点的网络标签进行随机重新排序，并重新计算网络内和网络间连接的平均值。该过程重复了1000次，以生成一个经验的零抽样分布，表明网络分配和连接模式之间没有关系。通过估计抽样分布的值大于或等于原始值的比例来确定与网络矩阵的成对连接的显著性。

3.4.3.2 弹簧嵌入式图

使用Pajek软件从RSFC数据的组平均矩阵中呈现弹簧嵌入图。包含前5%的正连接的稀疏矩阵被输入到Pajek中。绘制与之前健康老化调查中相似的阈值允许与之前的结果进行直接比较，以优化社区（即网络）结构进行可视化。

4. 结果

为了探究衰老大脑的内在功能结构，我们在年轻和老年人的健康成年人中实施了一个多方面的、多尺度的数据采集和分析方案（见图1和材料和方法）。为了识别随年龄变化的网络去分化的整体模式，我们首先评估了作为ME-ICA输出的ME-fMRI BOLD信号维度上的年龄差异。接下来，我们研究了网络特异性的去分化模式，对比了年轻人和老年人之间的宏观尺度梯度和边缘水平的网络连接组。在每一轮研究中，我们都研究了年轻人和老年人的网络组织和认知功能之间的联系。所有结果在将站点、性别、教育和eWBV作为协变量的情况下报告的。

4.1 BOLD信号维数

收集了两次10分钟的静息态ME-fMRI测试。BOLD维数，即ME-fMRI信号中独立的BOLD成分的数量，在整个运行中都是稳定的（r（299）= 0.79，P < 0.001 [0.75,0.83]；图2A）。年轻人比老年人表现出更大的BOLD维度（t（299）= 15.38，P < 0.001；Cohen‘s d = 1.81；图2B）。当纳入站点、性别、教育程度和eWBV的协变量时（F（1,281）= 97.07，P < 0.001；ηp 2 = 0.26）。在寿命发展的背景下，包括一个8-46岁的额外样本，一个幂函数提供了年龄和BOLD维度之间的合适拟合（R2 = 0.547；图2C）。 

图2. BOLD信号维度。A)在两次ME-fMRI测试中，具有较高的再测试可靠性。B)小提琴图显示了年轻人和老年人中总BOLD信号维数的分布。C)散点图显示BOLD信号的年龄维度。

4.2 梯度分析 

接下来，我们对年轻人和老年人中RSFC的宏观梯度进行了表征。在两组中，主梯度从感觉和运动区域向默认网络等跨模态系统移动（图3A），表明皮层的宏观功能组织一般随着年龄的增长而保留。然而，在该拓扑组织中出现了区域年龄差异（FWE P < 0.05；团簇水平阈值P < 0.01；图3A）。在主梯度上的皮层全年龄组比较显示，老年人右侧上顶叶和躯体感觉皮层的梯度值较高，而枕叶和腹侧颞区的梯度值较低。

当检查第二个梯度时，视觉和感觉/运动网络在皮质梯度组织方面的差异也很明显。在之前的研究中，第二个梯度区分了两组患者的视觉皮层和躯体运动皮层（图3B）。然而，组间的全皮层比较显示了这一拓扑的细微差异。特别是，我们观察到，与年轻人相比，老年人的颞顶叶交界处的梯度值增加，而顶叶上小叶/顶叶内沟的一个节段的梯度值降低。这些结果表明，随着年龄的增长，沿第二梯度轴的区域也会改变它们的连接，同样在感觉/视觉区域也发生了变化。

最后，我们在年轻人和老年人的二维梯度嵌入空间中绘制了主-第二梯度流形散点图（图3C）。老年人表现出更多的扩散，即去分化的顶点。我们通过计算每个被试的流形偏心率来量化这种扩散率，即从质心开始的欧氏距离的总和，并在组间进行比较。结果显示，老年人（t（299）=−10.74，PSPIN<0.01，Cohen‘s d=1.26；F（1,281）= 47.18，P < 0.001，ηp 2 = 0.14，包括站点、性别、教育程度和eWBV作为协变量）。

由于BOLD维数和流形偏心率都显示出显著的年龄组差异，我们进行了事后皮尔逊相关性，以测试这些大脑组织的全局测量是否可靠地相关。负相关在年轻（r（179）=−0.575，P<0.001，[−0.66，−0.47]）和老年人（r（118）=−0.255，P<0.005，[−0.42，−0.08]）中观察到，因此更高的BOLD维度与流形中更分散、更紧凑的顶点有关。在计算控制年龄的偏相关时，在完整样本（Pr（298）=−0.391，P<0.001，[−0.48，−0.29]）上进行计算时，这种关系仍然存在。不重叠的95% CI表明在年轻人中存在显著的负相关。重复协变量（年轻的结果相似：Pr（161）=−0.45，P<0.001，[−0.−0.53，−0.001]；old：Pr（113）=−0.23，P<0.05，[−0.35，−0.11]；完整样本：Pr（280）=−0.34，P<0.001，[−0.44，−0.23]）。

图3. 年轻人和老年人的大脑皮层连接梯度。A)年轻（左）和老年人（中）成年人的平均主梯度，代表功能连接相似性方差轴，从单模态到跨模态皮层从最低到最高。B)年轻（左）和老年人（中）成年人的平均第二梯度，代表一个功能连接相似性方差轴，从视觉到躯体运动皮层的范围从最低到最高。老年人>年轻人对比显示，在FWE P<为0.05，团簇水平阈值P<0.01（a和b，右）。C)表示主梯度值的顶点方向的散点图。这个梯度流形被描述为年轻（左）和老年人（右）的成年人。散点图的颜色表示Yeo等人（2011）的7个网络解决方案中的功能网络。VIS =视觉，SOM =躯体运动，DAN =背侧注意，VAN =腹侧注意，LIM =边缘，FPC =额顶控制，DN =默认。

4.3 连边水平的连接组

接下来，我们研究了年轻人和老年人之间的连边水平、脑区间的功能连接差异。组平均连接矩阵如图4A和B所示。通过按网络成员度排列的弹簧嵌入式布局，可以观察到组间正连接前5%的定性差异（图4C和D）。嵌入图表明，老年人的背侧注意和额顶叶控制网络有更多的整合。 

图4. 年轻人和老年人的功能连接组。对A)年轻人和B)老年人的400个分割数据的平均RSFC。使用C)年轻人和D)老年人的平均相关矩阵的7个网络（5%密度）的嵌入图。功能高度相关的节点被紧密地组合在一起。E)采用多变量PLS分析来确定年轻人和老年人之间RSFC的年龄相关性差异。红色表示年轻人的RSFC显著增加，蓝色表示老年人的RSFC显著增加。f和G)网络贡献代表了年轻F)和老年人网络内部和之间显著的正和负连边权值的总结。网络内和网络之间的平均正Boostrap比率和负Bootstrap比率表示为每个z分数相对于置换的零模型的P值。更高的z分数表明比零分布预测的连接。VIS =视觉，SOM =躯体运动，DAN =背侧注意，VAN =腹侧注意，LIM =边缘，FPC =额顶控制，DN =默认。

4.3.1 PLS（全脑）

79,800个脑区间连接（即400×400功能连接矩阵的下三角形）的年龄相关差异是定量的用PLS进行评估。一个显著的潜在变量（P < 0.001）显示了RSFC的年龄差异模式，在整个连接体中观察到增加和减少（图4E）。对网络内边缘和网络间边缘的网络贡献分析显示了显著的年龄效应。老年人在所有7个网络中都表现出较低的网络内连接，而边缘网络、额顶控制网络和默认网络之间的连接则较低（图4F）。老年人在视觉和躯体运动网络系统之间表现出更大的网络间连接（图4G）。当使用200个脑区的分割方案进行检查时，与年龄相关的差异的总体模式是相似的。

4.3.2 PLS（子网络）

在一个先验的、有针对性的子网络分析中，我们检验了默认、背侧注意的和额顶控制网络的子网络之间的功能连接的年龄组差异。平均年龄组子网络矩阵如图5A和B所示。每组中前5%的正连接（图5C和D）表明，老年人对默认网络（DN-A）和额顶控制网络（CONT-C）的整合程度更强。

与脑区间功能连接的PLS进行定量比较，发现了明显的年龄差异模式（P < 0.001；图5E）。较年轻的成年人（图5F）表现出更多的网络内连接。网络间的连接也出现在对于CONT-A和CONT-B，以及在DN-A到DN-B和DN之间-C。在CONT-B和DN中也观察到年轻人的网络间连接-B.老年人（图5G)显示出背侧注意网络与额顶控制网络和默认网络(DAN-A到CONT-B和CONT-B；CONT-B），额顶控制网络(CONT-A、CONT-C和DNT-B），老年人额顶控制子网络(CONT-A和CONT-C、CONT-C和CONT-BC）的连接更强。在200个分割方案中观察到类似的连接模式。 

图5. 遵循Yeo17网络后的默认（DN）、背侧注意（DAN）和额顶叶控制（CONT）子网络的功能连接。A)年轻人和B)老年人的平均组水平连接。C）年轻人和D）老年人的平均相关矩阵的嵌入图(5%密度）。功能高度相关的节点被紧密地组合在一起。E)DAN、CONT和DN中年轻人和老年人的RSFC差异。F和G)网络贡献代表了年轻人和老年人网络内部和之间的正和负连边权值的总结。

4.4 连接组结果的站点验证

为了验证我们的连边水平的结果是稳健的和可复制的，并且不会被PLS模型的潜在过拟合所混淆，我们仅对伊萨卡样本进行了全网络和子网络PLS分析。然后从伊萨卡样本衍生的权重和多伦多样本的个体RSFC矩阵中计算大脑连接得分，并在组间进行比较。年龄组差异在多伦多样本（t（61）= 6.42，P < 0.001，Cohen‘s d = 1.63；F（1,57）= 21.13，P < 0.001，ηp 2 = 0.27，包括性别、教育程度和eWBV作为协变量）。在子网络分析中，年龄组差异也重复在多伦多样本中（t（61）= 7.01，P < 0.001，Cohen‘s d = 1.79；F（1,58）= 24.16，P < 0.001，ηp 2 = 0.29，包括性别、教育程度和eWBV作为协变量）。这些站点验证分析证明了PLS结果对模型过拟合的潜在问题是稳健的，并且在伊萨卡样本中观察到的功能性大脑老化的连边水平效应也在多伦多站点观察到。

4.5 认知

总的来说，观察到预测的年龄组的认知差异。年轻人在情景记忆指数（t（281）= 17.51 P < 0.001；Cohen‘s d = 2.11），执行功能（t（281）= 12.67，P < 0.001；Cohen‘s d = 1.52）和处理速度（t（281）= 15.03，P < 0.001；Cohen‘s d = 1.81）上表现更好。老年人的语义记忆指数得分较高（t（281）= 9.18，P < 0.001；Cohen‘s d = 1.10；见表1；章节：F（1277）=194.07，P<0.001，ηp 2 = 0.41；语义：F（1277）=37.55，P<0.001，ηp 2 = 0.12；执行功能：F（1,277）= 132.70，P < 0.001，ηp 2 = 0.32；处理速度：F（1,277）= 97.21，P < 0.001，ηp 2 = 0.26）。

通过全脑和子网络分析，我们检测了认知与BOLD信号维度、流形偏心率和大脑连接得分之间的关联。虽然观察到一些显著的大脑行为关联，但在模型中添加站点作为协变量后，所有这些关联都低于统计显著性阈值。

5. 讨论

大脑老化的特征是大脑活动和功能连接模式的去分化。在这里，我们采用了一种综合的、多方法的方法来检验跨多个空间尺度的内在网络去分化的模式。具体来说，我们应用了新的方法来识别年轻人和老年人之间RSFC的全局、宏观梯度和连边水平的差异。BOLD维度，即ME-fMRI信号中BOLD（即非噪声）成分的数量，在老年人中较低，标志着老年人向去分化大脑网络的整体转变。相比之下，宏观连接梯度的组织结构随着年龄的增长而基本保持不变。然而，在连接梯度上的区域和全局差异确实出现了。对PLS进行的边缘水平、多变量分析也揭示了老年期的区域和网络特异性的去分化模式。在整个皮层连接体中，老年人和年轻人的视觉和躯体运动区域在功能上与其他大规模的网络更为整合。在一项包括默认、背侧注意和额顶叶控制网络在内的定向子网络分析中，老年人表现出更大的默认-执行耦合，而默认和背侧注意网络之间的反相关性降低。通过在多个空间尺度上检查功能连接体的年龄差异，我们发现衰老大脑的内在网络结构以整体和地形上离散的、网络特定的功能去分化模式为标志。这些发现为去分化的整体和网络特异性模式提供了证据，为未来研究RSFC作为神经认知衰老的敏感和特异性标记物的改变奠定了基础。

5.1 BOLD信号维度和全局网络去分化

与年轻人相比，老年人的BOLD信号的维度显著降低，这反映了网络去分化持续到晚年的普遍模式。这一发现建立在早期关于从青春期到成年早期和中期的横断面维度降低的报告之上。在成人早期发育中，维度的降低主要归因于前额叶和其他跨模态皮层之间的功能整合，转移了从局部连接到更长期连接的过渡，以及空间分布但内在一致的大脑网络的形成。在这一时期，大脑功能组织的变化与认知发展相平行，其标志是更整合和复杂的认知功能的出现，并且在结构连接中也很明显。

BOLD信号维度的下降，从青春期开始，从成年到晚年。在年轻人中，较低维度预示更大的功能整合和大规模大脑网络的出现。然而，我们观察到成年BOLD信号维度持续下降，表明网络整合可能在中年时达到拐点。在此之后，维数的持续降低可能不再是由网络集成所驱动的，而是由全局网络的解体，以及BOLD信号中相干网络组件的相关损失所驱动的。重要的是，我们使用这种新的BOLD信号维数度量的发现与早期关于与年龄相关的网络模块化下降和网络隔离的报告一致。事实上，在我们的样本中，这些测量方法是可靠且与维度呈正相关的。然而，与这两种网络组织的图分析度量不同，BOLD信号维数对于皮层分割方案、网络定义或特定网络度量的选择是不可知的。因此，我们认为维度可以作为一个有用的、在晚年生活中的大脑功能健康的数据分割标记。在这方面，重要的下一步将是提高我们对老化的机制理解。这种全局变化可能是由于系统性的已知随着年龄的增长而发生的结构、神经生理、代谢或脑血管变化。

最后，作为一种应用于健康老化样本的新度量标准，我们承认，未来有重要的方向，可以更充分地质疑BOLD信号维数作为功能性脑老化的信息标记的有效性和适用性。根据最初在年轻人和中年人中提出的路线图，需要对该指标进行验证。作为T2∗信号衰减的物理性质，BOLD信号的TE依赖性（驱动ME-ICA BOLD信号去噪）在年龄差异方面具有很大的鲁棒性。直接验证这一假设将是未来研究的一个重要方向。综上所述，BOLD信号的TE依赖性以及在健康年轻样本中进行的验证研究使我们相信BOLD信号维度可以作为可靠的脑老化信息标记。

5.2 梯度和宏观尺度的连接组

BOLD信号维度降低到较年长的年龄表明全球向去分化的网络结构转变。我们研究了这种全局变化是否可能包含更精确的拓扑模式，反映为大脑区域之间的连接功能的更大相似性。我们通过研究年轻人和老年人的宏观连接梯度来验证这一假设。虽然这是第一个使用ME-fMRI和个体化分割方法进行梯度分析的报告，但我们的发现在很大程度上概括了在年轻人中观察到的连接梯度。从感觉/运动到跨模态关联皮层（主梯度）和从视觉到躯体运动皮层（第二梯度），观察到功能连接模式的转变。这种梯度结构与年轻人和老年人相似，这表明梯度的宏观组织通常随着年龄的增长而保持不变，正如之前观察到的那样。然而，在两种梯度图中确实出现了特定的与年龄相关的区域差异。

在这两个梯度上的年龄相关的差异包括视觉、躯体运动和注意网络中的区域。这些差异表明，相对于相应的梯度锚（主梯度的单模态或跨模态，或第二梯度的视觉）的分化减少。具体来说，上顶叶小叶，背侧注意网络的一个节点，涉及外部定向注意和视觉运动控制过程，以及躯体运动区域在与跨模态区域的连接上表现出更大的相似性。这与早期的报告和在目前的连接水平分析中观察到的模式一致，即晚年生活中背侧注意和默认网络之间的反相关性降低。

在主梯度上，老年人的视觉区域更明显地沿着单模态轴固定。这一发现与RSFC的弹簧嵌入图（图4C和D）相一致，在前5%中有更多孤立的视觉区域。这表明，老年人的主要梯度可能更多地由跨模态与视觉系统的分化驱动，而在年轻人中，跨模态与体感/运动系统的分化有更明显的分化。这一发现与连边水平的结果（下面讨论）形成对比，该结果显示视觉和躯体运动皮层与跨模态关联区域有更多的与年龄相关的整合。重要的是，梯度本身并不反映了功能连接的强度，而是反映了特定区域和皮层其他部分之间的RSFC的低维模式。因此，连接向视觉区域的转移并不涉及这些区域的功能整合，而是它们沿梯度轴的权重。在梯度映射之前对连接矩阵的阈值可能有助于年龄相关的视觉皮层向第一个梯度的单模态锚移动。虽然只是推测，但我们认为这个阈值可能导致阈值上连接向较强的局部连接和较弱的长期功能连接的过度表示。这将与在初级感觉区的局部连接中，长关联纤维通路的体积和完整性的相对减少与年龄相关的减少相一致。这些与年龄相关的结构差异反过来又会使功能连接偏向更局部的模式，从而在年龄相关的梯度图中向单模态锚的转变。然而，这些发现强调了阈值决策的重要性和潜在影响，我们在下面关于连边水平连接的讨论中也回到了这一点。

梯度流形是前两个连接嵌入梯度的散点图，它代表了跨功能层次结构的组织（图3C）。流形偏心度描述了区域到流形中心的欧氏距离，并显示了第一个梯度与第二个梯度的真实度。在老年人中，我们观察到更高水平的流形的顶点扩散更大。不局限于视觉或体感区域，整个系统的组织更广泛，表明整体去分化。这一观察结果与之前观察到的在整个生命周期中流形扩散的增加是一致的。这个流形偏心率的度量与组内和组间的BOLD维度的全局度量呈负相关。在老年人中观察到的较低的BOLD维度与较高的流形偏心率有关，为全局去分化提供了交叉方法收敛。

值得注意的是，我们应用了扩散映射嵌入，这是一种来自图拉普拉斯函数族的非线性维数流形学习技术。该方法是文献中实施最广泛的方法之一。然而，鉴于新奇的梯度映射在老年人群，未来研究的方向将是批判性地评估全方位的方法以及算法参数，包括纳入排斥属性在梯度分析产生更大的清晰关于离散网络的隔离和随年龄的差异。

5.3 连边水平的连接组

为了更精确地研究连边水平的连接模式，我们采用了一种多元分析方法。由于PLS在一个分析步骤中使用SVD来测试所有边缘之间的年龄差异，我们报告了整个功能连接体之间的RSFC差异，从而消除了应用功能连接强度或密度阈值的需要。对年轻人和老年人的完整连接体进行视觉检查（图4A-D）显示了老年人网络去分化的全局模式，与我们的维度结果和以前的报告一致。这些定性差异在组分析（图4E)和聚合网络矩阵（图4F和G）中进行了统计学验证。正如预测的那样，年轻人表现出了一种强大的网络内连接模式，以及跨模态网络之间的连接。

尽管保留了宏观尺度的梯度，但边缘水平的分析显示，网络特有的连接模式存在显著的年龄差异。首先，在这里研究的7个典型网络中，老年人的网络内连接性较低。网络功能连接的减少是正常老化的一个标志。我们推测，网络内一致性的退化可能是老年期BOLD信号维度降低和整体网络去分化的关键决定因素。除了较低的网络内一致性外，连边水平的分析还显示了3种不同的，网络特异性的去分化模式。其中最引人注目的是，老年人的视觉和躯体运动区域与所有其他网络有更大的整合（图4G）。视觉和体感区域的功能整合以前已经被观察到。Chan等人报道了视觉皮层与其他大脑网络的分离减少，尽管这在他们的分析中没有被明确量化。类似地，在一项关于RSFC年龄差异的大型研究中，与年龄相关的节点参与的增加，一种功能整合的图形分析标记，仅限于视觉和体感网络。此外，Stumme等人报道，RSFC的年龄差异在视觉和体感皮层中最为显著。虽然先前的研究报道了感觉运动随年龄的整合模式，但这些模式并没有作为大脑功能老化的中心特征得到突出。如上所述，关于梯度分析的结果，梯度矩阵的统计阈值可能会显著影响这些发现。基于阈值的方法强调了最稳健的连接之间的年龄相关差异，通常与跨模态皮层相关，可能掩盖了其他网络中不太稳健的年龄差异。这在我们的研究结果中尤为明显，与在阈值弹簧嵌入网络中观察到的关联网络相比，躯体运动和视觉网络显示出较小的年龄差异（图4C和D）。相比之下，对无阈值矩阵的分析显示，感觉运动网络的整合是衰老连接体最显著的特征之一（图4E-G）。

我们发现，更大的视觉网络整合并行基于任务的研究发现，跨模态区域对感觉关联皮质的自上而下调节是功能性大脑老化的中心特征。在与年龄相关的感觉信号保真度下降的背景下，跨模态皮层的更大激活被解释为对早期感觉处理的自上而下调节的需求增加。事实上，感觉衰退和运动放缓是老年人认知功能个体差异的主要原因。这表明，对这些主要感觉运动区域（以及顶叶上叶的视觉注意和视觉运动控制区域，见上文“梯度分析”）的更大调节可能是维持晚年复杂思想和行动的必要条件。虽然超出了目前的研究范围，但我们推测，这种任务驱动的对跨峰和感觉运动皮层之间更大的交叉对话的需求，可能反过来塑造了老年期这些网络的内在功能结构。

我们还对默认网络、背侧注意网络和额顶控制网络的连边水平的年龄差异进行了有针对性的分析。先前的研究表明，这些网络在定向认知任务中相互作用，在任务和休息期间显示相似的连接特征，成年发生显著变化。为此进行先验分析，我们采用了来自17个网络和7个网络的子网络拓扑。这使我们能够更精确地调查与年龄相关的变化。重要的是，正如我们所观察到的，对于完整的连接分析表明，而嵌入图（图5C和D）未能揭示连边水平分析中出现的默认网络、背侧注意网络和额顶控制网络网络之间的连接显著年龄差异（图5E-G）。虽然网络内连接减少的预测模式在整个子网络中被重现，但我们观察到另外两种网络特定的去分化模式。正如预测的那样，默认大脑和额叶大脑区域存在更大的年龄相关耦合，我们将这种模式描述为默认的衰老执行耦合假说。这种模式在7个网络分析中没有出现（图4）。然而，当应用于连接水平子网络矩阵时（图5E-G），CONT-A到DN-A，CONT-B到DN-C，CONT-C到DN-B子网络出现了清晰的DECHA模式（图5G）。虽然我们在这里没有确定与认知的可靠关联，但我们假设这种去分化模式可能代表了晚年生活中认知结构的变化，对认知衰老的适应性和适应性不良后果。

在这个子网络分析中出现了第二种去分化模式。老年人在背侧注意和其他两个关联网络之间表现出更强的连接。这种模式在包括上顶叶在内的DAN-B子网络中尤其明显。先前的报告显示，背侧注意和默认网络之间的反抗相关性降低。这些连边水平的发现也与我们的梯度分析一致，其中上顶叶，DAN-B的一个节点，显示了连接梯度的年龄差异，其功能连接轮廓更类似于其他跨模态区域。DAN-B子网络包括假定的额叶视野和中央前回的区域，涉及自顶下皮层或目标导向的注意控制。这再次与神经认知老化的神经调节解释相一致，即在以后的生活中，更大的注意资源分配可能被用于提高感知表征。未来的研究将需要直接测试这些假设，将网络特定的去分化模式与特定领域的认知变化联系起来。

5.4 认知功能

我们的研究结果表明，整体的和网络特异性的去分化都是功能老化连接的核心特征。在最后一系列的分析中，我们调查了这些网络的变化是否与认知功能有关。我们观察到与BOLD信号维度和连接水平的连接有显著的行为相关性。然而，有趣的是，当站点作为统计模型的协变量时，所有观察到的关联都低于统计显著性阈值。尽管大脑和行为年龄的影响在这两个站点都有重复，但情况确实如此。因此，我们在这里没有进一步解释大脑和行为方面的关联。虽然我们非常小心的站点匹配了数据收集协议和核心人口统计数据，但研究地点包含了许多其他的调节因素，这些因素可能影响了这两个地点的大脑和行为关联。虽然多站点调查产生的统计能力提高了检测大脑行为关联的敏感性，但这也需要与人口差异相关的结构化噪声的潜在代价。理解这些差异也将是未来研究的一个重要方向。

6. 结论

我们采用了多种方法的数据采集和分析协议来研究多个空间尺度上的功能性脑老化，特别强调了内在网络去分化的年龄相关模式。BOLD信号维度的降低表明，在老年人和年轻人中，与年龄相关的向去分化网络组织的全局转变。横断面研究设计的局限性限制了对大脑功能的寿命变化的解释。然而，我们推测，整个成年期的网络整合可能包括成年中期的拐点，超过这个拐点，成年早期的网络整合将转变为网络去分化模式，以及分段和模块化的网络结构的解体。这里采用的方法和分析方法的选择，至少在一定程度上，克服了老年网络神经科学中一些最持久和最普遍的挑战。这些包括BOLD信号内噪声轮廓的年龄相关的可变性，以及对标准化模板的群体空间对齐所引入的扭曲。当然，这些方法并不能解决使RSFC分析复杂化的所有混杂因素。其中最关键的问题是解决，或至少准确地建模，神经血管耦合的年龄差异。随着年龄的变化，神经血管耦合的改变可能会引入虚假的RSFC差异，这是标准成像协议难以检测到的。虽然ME-ICA方法将BOLD信号中的神经源和非神经源分离出来，是一个重大进展，但实现多模态方法，如同时动脉自旋标记和回波平面成像可能需要解决这一问题。此外，在BOLD信号中观察到残留的运动相关噪声，这可能归因于呼吸作用。虽然这种噪声没有混淆我们的年龄效应，但它的持久性需要额外的考虑，并指出需要进一步的改进来改善ME-fMRI数据的信噪比。尽管存在这些局限性，我们认为这里采用的多面方法提供了对大脑功能网络结构的年龄差异的全面解释，包括新的和以前观察到的网络去分化和整合模式。综上所述，这些发现进一步为目前对功能网络是如何形成、形成和转变到老年的理解增加了清晰度和精确性。