2022年5月25日，《Human Brain Mapping》（SCI，5年IF 5.805）在线刊发了王穗苹教授教授课题组的研究论文：Generalizable predictive modeling of semantic processing ability from functional brain connectivity（https://doi.org/10.1101/2021.05.11.443600）。本研究通过基于大样本人类连接组项目(HCP)数据集和严格的预测模型分析个体功能连接(FC)模式，识别语义处理SP变量背后的神经特征，为SP伴语言障碍患者的个性化教育和干预实践奠定了潜在的基础。2017级硕士生孟丹婷为该论文的第一作者，冯刚毅教授为通讯作者，王穗苹教授为共同通讯作者，本实验室为第一完成单位。
人类的语义处理（semantic processing, SP）能力包含多种认知成分，如执行控制、注意力、选择等，个体间这些功能的差异可能会导致SP的差异。同时SP在认知构成中的多面性表明，SP的神经实现需要大脑多个区域的共同努力，这也体现在区域间的连接上，与SP相关的区域可以根据其功能连接特征被分为三个子网络: 经典Perisylvian语言网络(PSN)、额顶叶网络(FPN)和默认模式网络(DMN)。以往的研究多采用小样本量的方法，导致总体上统计能力较低、效应量估计过高，可重复性较差。为了克服传统方法的缺陷，本研究采用两步交叉验证和概化方法，基于人类连接组项目（HCP）的大样本(N = 868)构建和验证SP预测模型。
本研究利用HCP数据集构建和交叉验证模型，并评估样本内模型泛化，并使用语义词汇决策(SLD)数据集和爱丽丝故事理解(ASC)数据集两个独立的数据集来估计HCP模型的样本外泛化性能。结果显示，PSN内部以及PSN与其他子网络之间的FC增加预示着更高的SP能力，而额顶叶网络(FPN)节点、顶叶下和其他子网络之间的FC增加预示着较差的SP能力。SP预测模型可以推广到不同的神经成像和行为范式的独立数据集，且复杂的FC模型能够预测了不同人群中SP。这些发现有助于理解SP个体差异的神经来源，更可能为SP和语言障碍患者的个性化教育和改善干预实践奠定基础。
图1：交叉验证模型预测性能和显著贡献的网络连接
(a)模型构建阶段的SP预测性能;(b)跨功能磁共振成像状态的分布预测;(c)显著预测有助于模型预测的边缘