認知神經科學前沿文獻分享

基本信息

Title:Patterns of brain-wide associations reflect socioeconomics

發表時間:2026-06-11

發表期刊:Science

影響因子:45.8

獲取原文:

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

研究背景

在認知神經科學領域，全腦關聯研究（BWAS）一直試圖回答一個核心問題：人與人之間行為特質（如智商）或生活環境（如社會經濟地位）的差異，是如何在大腦功能和結構上體現出來的？

過去，大量研究將目光聚焦于智商（IQ）或精神病理學特征，試圖在復雜的神經網絡中尋找“聰明大腦”或“抑郁大腦”的專屬標記。然而，隨著樣本量的擴大，一個不可忽視的方法學局限出現：當我們只盯著單一變量時，往往會忽略真實世界中成百上千種環境因素的交互作用。一個所謂的“高智商大腦特征”，到底是因為孩子真的更聰明，還是僅僅因為他擁有更好的睡眠、更少的壓力，或者更富裕的家庭環境？

為打破這種單一視角的局限，華盛頓大學的 Scott Marek 團隊借助青少年大腦認知發展（ABCD）研究的龐大隊列，將多達 649 種非影像學變量（涵蓋社會經濟地位、屏幕時間、認知能力、睡眠等）同時映射到兒童的大腦靜息態功能連接（RSFC）和皮層厚度上。這項近日發表在 Science 上的重磅研究，不僅揭示了究竟是什么在真正主導兒童大腦的個體差異，更對過去神經影像學中根深蒂固的“智商決定論”提出了顛覆性的挑戰。

研究核心總結

這項研究并沒有平均分配精力去描述 649 個變量，而是通過嚴密的對比和降維，剝絲抽繭地揭示了環境、大腦與認知之間的真實因果邏輯。

一、社會經濟地位（SES）是塑造兒童大腦的最強因素

研究者首先對 649 個變量與大腦功能連接的關聯強度進行了全景式排名。結果出乎意料：排在最前面的并不是認知能力或心理健康指標，而是社會經濟地位（SES）。

在與大腦靜息態功能連接關聯最強的 40 個變量中，有 37 個與兒童所處的社會經濟環境（如所在街區的兒童機會指數、家庭收入等）直接相關，其余 3 個則是睡眠和屏幕時間。相比之下，SES 與大腦的關聯強度比智商高出 50%，比精神病理學總分高出 130%。這意味著，在人群水平上，兒童大腦組織方式的最大變異來源，是他們所處的社會經濟環境。

Fig 1. 649種變量與大腦關聯強度的全景排名，清晰顯示出社會經濟地位（藍色圓點）在單變量和多變量模型中均占據壓倒性的主導地位。

如果 SES 對大腦的影響最大，那么這種影響具體發生在大腦的哪些區域？

研究發現，SES 的全腦關聯模式高度集中在初級運動和感覺網絡，而不是負責高級認知功能的額頂網絡（FPN）。更有趣的是，當研究者提取所有 649 個變量的“第一主成分”（即所有變量共享的最大變異模式，被稱為“暴露組圖譜”）時，發現它與 SES 的大腦模式幾乎完全重合。

為了理解這種感覺運動模式的生物學意義，研究者將其與已知的任務態 fMRI 圖譜、神經遞質受體圖譜進行了空間對比。結果表明，這種由 SES 主導的大腦模式，與去甲腎上腺素受體密度、睡眠剝奪的腦電圖特征以及興奮劑（如哌甲酯）的作用模式高度相似，但與工作記憶、邏輯推理等高級認知任務的激活模式呈負相關。這提示我們，SES 對大腦的塑造，很可能是通過睡眠不足和慢性生理壓力等“覺醒相關”的生物學途徑實現的。

Fig 2. SES的大腦關聯圖譜（A）與睡眠、屏幕時間、智商的圖譜高度相似，且幾乎完美等同于所有649個變量提取出的“暴露組主成分圖譜”（D）。

Fig 3. 空間相似性對比揭示，SES和暴露組的大腦模式（中）與去甲腎上腺素、睡眠剝奪等覺醒/壓力指標（右）高度重合，而與高級認知任務（左）截然不同。

一個長期的領域共識是，高級認知功能（如智商）依賴于額葉和頂葉皮層。然而，本研究中智商的 BWAS 圖譜卻詭異地呈現出與 SES 相似的“感覺運動模式”。這引發了一個關鍵疑問：大腦與智商的關聯，是不是被 SES 混淆了？

當研究者在統計模型中控制了 SES 變量后，大腦與智商的關聯強度出現了斷崖式下跌——約 70% 的顯著關聯直接消失。更關鍵的是，控制 SES 后，智商的 BWAS 圖譜不再表現出與壓力和睡眠相似的感覺運動模式，而是開始向額頂葉的高級認知模式靠攏。這提供了強有力的證據：過去我們在全腦網絡中看到的許多“智商特征”，其實只是 SES 的影子。

Fig 4. 控制社會經濟地位（SES）后，大腦與智商的單變量關聯強度大幅減弱（A、B），且智商的大腦圖譜不再與興奮劑/壓力模式重合（C）。

為了進一步驗證這種混淆效應，研究者測試了基于機器學習的多變量大腦-智商預測模型的泛化能力。

結果揭示了一個經典的“捷徑學習（Shortcut learning）”陷阱：如果只用高 SES 家庭的兒童數據（此時 SES 與智商的相關性極弱）來訓練模型，模型在預測新樣本的智商時表現極差（預測相關性幾乎為零）。只有當訓練樣本包含了低 SES 兒童，使得模型能夠捕捉到 SES 與智商的共變關系時，模型才能“成功”預測智商。

換句話說，當多變量模型看似在用大腦網絡預測智商時，它實際上是在預測這個孩子的家境。相比之下，直接用大腦網絡預測 SES 的模型，無論在何種樣本組合下都表現出了極高的穩定性和泛化能力。

Fig 5. 跨情境泛化測試表明，當訓練樣本僅限于高SES兒童時（F），大腦-智商預測模型完全失效；模型只有在包含低SES樣本時才看似有效。

Fig 6. 隨著訓練樣本中SES與智商相關性的增加，大腦-智商模型的預測力才隨之上升（A、B），且這些“智商模型”預測SES的準確率甚至高于預測智商本身（C），證實了捷徑學習的存在。

研究意義

這項研究對認知神經科學和發展心理學具有深遠的理論與方法學意義。

首先，它打破了“智商在大腦中具有穩定、本質化印記”的迷思。研究證明，兒童時期大腦組織方式的主軸是社會經濟環境，而非先天智力。那些長期被歸因為“智商差異”的神經影像學特征，很大程度上是貧困、慢性壓力和睡眠剝奪在感覺運動皮層留下的生理刻痕。這一發現將干預的焦點從不可改變的先天特質，轉移到了可干預的環境因素（如改善睡眠和減輕壓力）上。

其次，它為神經影像學中的 AI 與多變量建模敲響了警鐘。研究清晰地展示了“捷徑學習”如何在腦科學中發生：強大的機器學習算法極易捕捉到數據中信號最強但并非目標的混淆變量（如 SES）。如果不加甄別地盲目追求預測準確率，我們得到的可能只是社會不平等在算法中的倒影，而非真正的大腦認知機制。

分享人：飯鴿兒

審核：PsyBrain 腦心前沿編輯部

你好，這里是「PsyBrain 腦心前沿」

專注追蹤全球認知神經科學的最尖端突破

視野直擊 Nature, Science, Cell 正刊 及核心子刊與頂級大刊

每日速遞「深度解讀」與「前沿快訊」

科研是一場探索未知的長跑，但你無需獨行。歡迎加入PsyBrain 學術社群，和一群懂你的同行，共同丈量腦與心智的無垠前沿。

點擊卡片進群，歡迎你的到來

一鍵關注，點亮星標 ? 前沿不走丟！

一鍵分享，讓更多人了解前沿