DOI: https://doi.org/10.1038/s41514-026-00345-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41651845
تاريخ النشر: 2026-02-06
المؤلف: Blanca Zufiria Gerbolés وآخرون
الموضوع الرئيسي: دراسات الاتصال الوظيفي في الدماغ
نظرة عامة
تستكشف هذه الدراسة تأثير الشيخوخة على شبكات تشابه المادة الرمادية وعلاقتها بالتدهور المعرفي، باستخدام التصوير بالرنين المغناطيسي المدعوم بالانتشار وتصوير الرنين المغناطيسي الوظيفي في حالة الراحة لمقارنة هذه الشبكات بالاتصال التشريحي والوظيفي. تكشف النتائج أن شبكات تشابه المادة الرمادية تتفوق على كل من الاتصال التشريحي والوظيفي في التنبؤ بالعمر والأداء المعرفي، حيث تظهر العلامات الأولى للتغيرات المرتبطة بالعمر طوال فترة البلوغ.
علاوة على ذلك، أظهرت هذه الشبكات زيادة في المرونة تجاه التغيرات في الإدراك والسلوك والاختلافات الجنسية. من المهم أن الدراسة وجدت أن التغيرات المرتبطة بالعمر في تشابه المادة الرمادية تتوافق مع بنية الدماغ الخلوية، خاصة في الطبقات القشرية الثانية والثالثة. تقدم هذه النتائج رؤى بيولوجية قيمة حول الآليات العصبية التي تكمن وراء الشيخوخة المعرفية وتؤكد على أهمية التشابه المورفولوجي الفردي في فهم التغيرات المعقدة في الدماغ على مدار الحياة.
مقدمة
تناقش مقدمة ورقة البحث التباين في الشيخوخة المعرفية، مشددة على أنه بينما يعاني بعض الأفراد من تدهور معرفي كبير، يحتفظ آخرون بالاستقرار حتى سن متأخرة. يركز البحث في الشيخوخة المعرفية على دور الاتصال الدماغي، حيث أظهرت الشبكات الوظيفية والتشريحية، التي تم تقييمها من خلال التصوير بالرنين المغناطيسي المدعوم بالانتشار (DWI) والرنين المغناطيسي الوظيفي (fMRI)، أنها تتغير مع تقدم العمر وترتبط بالتدهورات في قدرات معرفية متنوعة. ومن الجدير بالذكر أن التغيرات المرتبطة بالعمر في المسارات الرئيسية للمادة البيضاء والاتصال الوظيفي قد لوحظت، مما قد يعيق المعالجة المعرفية الفعالة ودمج المعلومات عبر الدماغ.
على الرغم من هذه النتائج، فإن قدرة تقنيات التصوير الحالية على تفسير التباين في النتائج المعرفية محدودة، مما يثير القلق بشأن حساسيتها والآثار المحتملة المربكة للحركة والضوضاء الفسيولوجية. قدمت التطورات الأخيرة طرقًا تستخدم بيانات التصوير بالرنين المغناطيسي الهيكلي لإنشاء شبكات تشابه مورفومتري بناءً على ميزات مثل سمك القشرة وحجم المادة الرمادية. ومع ذلك، غالبًا ما تعتمد هذه الطرق على مجموعة صغيرة من الميزات المرتبطة، مما يحد من قدرتها على كشف الارتباطات بين المناطق بشكل كبير. لمعالجة هذه القيود، يقترح المؤلفون نهجًا جديدًا يقوم بإنشاء شبكات تشابه الدماغ الفردية باستخدام حجم المادة الرمادية الإقليمية، مما يسمح بالتقاط الانحرافات الشخصية عن الأنماط الطبيعية. تشير نتائجهم إلى أن شبكات تشابه المادة الرمادية أكثر فعالية من مقاييس الاتصال التشريحي والوظيفي التقليدية في التنبؤ بالتدهور المعرفي المرتبط بالعمر، كاشفة عن تغييرات دقيقة في سن 32. بالإضافة إلى ذلك، يعزز إطار التعلم العميق الذي يدمج هذه الشبكات المتشابهة مع مقاييس الاتصال الحالية دقة التنبؤ، مما يشير إلى أن تشابه المادة الرمادية قد يكون علامة أكثر حساسية على شيخوخة الدماغ.
الطرق
في هذه الدراسة، استخدم المؤلفون ثلاثة شبكات عصبية رسومية مستقلة (GNNs) للتنبؤ بأعمار الأفراد بناءً على شبكات الدماغ المختلفة، مما يبرز فعالية GNNs في تطبيقات علوم الشبكات العصبية. تضمنت المنهجية بناء شبكات فردية واستخدام التحقق المتقاطع 10 مرات متكررة 100 مرة مع مجموعات تدريب تم إنشاؤها عشوائيًا لتقييم الأداء التنبؤي لشبكات تشابه الدماغ مقارنة بالشبكات التشريحية والوظيفية. أظهرت النتائج أن شبكات تشابه الدماغ تفوقت بشكل كبير على كل من الشبكات التشريحية (مع مقاييس مثل $R: P=7.70 \times 10^{-20}$ و $MSE: P=6.49 \times 10^{-11}$) والشبكات الوظيفية (مع $R: P=8.39 \times 10^{-34}$ و $MSE: P=8.03 \times 10^{-55}$) في التنبؤ بالعمر ضمن مجموعة CamCAN.
علاوة على ذلك، تم التحقق من النتائج في مجموعة ثانية، مجموعة LEMON، حيث تم نمذجة العمر كنتيجة ثنائية بسبب توزيع العمر غير المستمر. كشفت تحليلات التصنيف أن شبكات تشابه الدماغ تفوقت باستمرار على الاتصال التشريحي والوظيفي في مقاييس الأداء المختلفة، بما في ذلك الدقة والحساسية والنوعية والمساحة تحت المنحنى (AUC). ومن الجدير بالذكر، لوحظت اختلافات كبيرة في الدقة (P=0.025) والنوعية (P=0.0024) مقابل الاتصال التشريحي، وفي مقاييس متعددة مقابل الاتصال الوظيفي وانكماش المادة الرمادية، مما يبرز قوة شبكات تشابه الدماغ في مهام تصنيف العمر.
النتائج
في هذه الدراسة، قمنا بتحليل بيانات من 632 فردًا طبيعيًا معرفيًا تتراوح أعمارهم بين 18 و88 عامًا من مجموعة كامبريدج للشيخوخة وعلوم الأعصاب (Cam-CAN). خضع المشاركون للتصوير بالرنين المغناطيسي المدعوم بالانتشار (DWI)، وتصوير الرنين المغناطيسي الوظيفي في حالة الراحة (rs-fMRI)، وتصوير T1-weighted (T1W) لتقييم الشبكات التشريحية والوظيفية وشبكات تشابه الدماغ. شملت التقييمات المعرفية ستة مجالات: الذكاء السائل العالمي، الذاكرة، الحركية الحسية، اللغة، العواطف، والوظائف التنفيذية، كما هو موضح في الجدول 1.
لتحقيق نتائجنا، قمنا بتضمين مجموعة ثانية من 201 مشارك طبيعي معرفيًا من مجموعة بيانات Leipzig Mind-Brain-Body (LEMON)، تتكون من مجموعات عمرية أصغر (20-35 عامًا) وأكبر (59-77 عامًا). اتبعت هذه المجموعة بروتوكول تصوير دماغي وتقييم معرفي مشابه، كما هو موضح في الجدول التكميلي 1. يعزز تضمين هذه المجموعات المتنوعة قوة نتائجنا فيما يتعلق بالعلاقة بين بنية الدماغ ووظيفته والأداء المعرفي عبر مجموعات عمرية مختلفة.
المناقشة
تستكشف الدراسة دور تشابه الدماغ كمؤشر للشيخوخة والتدهور المعرفي، كاشفة أنه علامة أكثر حساسية من مقاييس الاتصال التشريحي والوظيفي التقليدية. باستخدام أطلس Brainnetome، قام الباحثون ببناء شبكات تشابه الدماغ بناءً على ارتباطات حجم المادة الرمادية بين الأفراد الشباب وقاموا بتقييم الانحرافات في المشاركين الأكبر سنًا. تشير النتائج إلى أن التغيرات في شبكات تشابه الدماغ تحدث في وقت مبكر من عملية الشيخوخة، بدءًا من حوالي 32 عامًا، مقارنة بالشبكات التشريحية والوظيفية، التي تظهر تغييرات قابلة للاكتشاف في 43 و62 عامًا، على التوالي. وهذا يشير إلى أن شبكات تشابه الدماغ أكثر قدرة على التقاط التغيرات الدقيقة المرتبطة بالعمر، مما يتماشى مع الأدبيات السابقة حول الشيخوخة المعرفية.
أظهر التحليل الإضافي أن شبكات تشابه الدماغ لا تتنبأ بالعمر بدقة أكبر فحسب، بل ترتبط أيضًا بقوة بالأداء المعرفي عبر مجالات متنوعة. تسلط الدراسة الضوء على أنه بينما تكون التغيرات في الاتصال التشريحي والوظيفي أكثر وضوحًا في المناطق الحسية الأولية، فإن التغيرات في تشابه الدماغ تؤثر بشكل أساسي على قشرة الارتباط، التي تعتبر حيوية للوظائف المعرفية. بالإضافة إلى ذلك، عزز دمج تشابه الدماغ مع الشبكات الوظيفية والتشريحية في نموذج متعدد الوسائط دقة التنبؤ بالعمر، مما يبرز أهمية تشابه الدماغ في فهم الشيخوخة المعرفية. تدعو النتائج إلى استخدام تشابه الدماغ كعلامة جديدة في أبحاث الشيخوخة، مما يبرز إمكانيته لاستراتيجيات التدخل المبكر في التدهور المعرفي المرتبط بالعمر.
DOI: https://doi.org/10.1038/s41514-026-00345-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41651845
Publication Date: 2026-02-06
Author(s): Blanca Zufiria Gerbolés et al.
Primary Topic: Functional Brain Connectivity Studies
Overview
This study investigates the impact of aging on gray matter similarity networks and their relationship with cognitive decline, utilizing diffusion-weighted imaging and resting-state fMRI to compare these networks with anatomical and functional connectivity. The findings reveal that gray matter similarity networks are superior to both anatomical and functional connectivity in predicting age and cognitive performance, exhibiting the earliest signs of age-related changes throughout adulthood.
Moreover, these networks showed increased resilience to variations in cognition, behavior, and sex differences. Importantly, the study found that age-related alterations in gray matter similarity correlate with the brain’s cytoarchitecture, particularly in cortical layers II and III. These results offer valuable biological insights into the neural mechanisms underlying cognitive aging and underscore the significance of individual morphological similarity in understanding complex brain changes over the lifespan.
Introduction
The introduction of the research paper discusses the variability in cognitive aging, highlighting that while some individuals experience significant cognitive decline, others maintain stability into late adulthood. A central focus of cognitive aging research is the role of brain connectivity, as both functional and anatomical networks, assessed through diffusion-weighted imaging (DWI) and functional MRI (fMRI), have been shown to change with age and correlate with declines in various cognitive abilities. Notably, age-related alterations in major white matter tracts and functional connectivity have been observed, which may hinder efficient cognitive processing and information integration across the brain.
Despite these findings, the ability of current imaging techniques to explain variability in cognitive outcomes is limited, raising concerns about their sensitivity and the potential confounding effects of motion and physiological noise. Recent advancements have introduced methods that utilize structural MRI data to create morphometric similarity networks based on features like cortical thickness and gray matter volume. However, these methods often rely on a small set of correlated features, limiting their capacity to reveal significant inter-regional associations. To address these limitations, the authors propose a novel approach that constructs individual brain similarity networks using regional gray matter volume, allowing for the capture of personalized deviations from normative patterns. Their findings indicate that gray matter similarity networks are more effective than traditional anatomical and functional connectivity measures in predicting age-related cognitive decline, revealing subtle changes as early as age 32. Additionally, a deep learning framework that integrates these similarity networks with existing connectivity measures enhances prediction accuracy, suggesting that gray matter similarity may serve as a more sensitive marker of brain aging.
Methods
In this study, the authors employed three independent Graph Neural Networks (GNNs) to predict individual ages based on various brain networks, highlighting the efficacy of GNNs in network neuroscience applications. The methodology involved constructing individual networks and utilizing 10-fold cross-validation repeated 100 times with randomly generated training sets to assess the predictive performance of brain similarity networks compared to anatomical and functional networks. The results indicated that brain similarity networks significantly outperformed both anatomical (with metrics such as $R: P=7.70 \times 10^{-20}$ and $MSE: P=6.49 \times 10^{-11}$) and functional networks (with $R: P=8.39 \times 10^{-34}$ and $MSE: P=8.03 \times 10^{-55}$) in age prediction within the CamCAN cohort.
Furthermore, the findings were validated in a second cohort, the LEMON cohort, where age was modeled as a binary outcome due to the non-continuous age distribution. Classification analyses revealed that brain similarity networks consistently outperformed anatomical and functional connectivity in various performance metrics, including accuracy, sensitivity, specificity, and area under the curve (AUC). Notably, significant differences were observed in accuracy (P=0.025) and specificity (P=0.0024) against anatomical connectivity, and in multiple metrics against functional connectivity and gray matter atrophy, underscoring the robustness of brain similarity networks in age classification tasks.
Results
In this study, we analyzed data from 632 cognitively normal individuals aged 18 to 88 years from the Cambridge Centre for Ageing and Neuroscience (Cam-CAN) cohort. Participants underwent diffusion-weighted imaging (DWI), resting-state functional MRI (rs-fMRI), and T1-weighted (T1W) imaging to assess anatomical, functional, and brain similarity networks. Cognitive assessments covered six domains: global fluid intelligence, memory, sensorimotor, language, emotional, and executive functions, as detailed in Table 1.
To validate our findings, we included a second cohort of 201 cognitively normal participants from the Leipzig Mind-Brain-Body (LEMON) dataset, comprising younger (20-35 years) and older (59-77 years) age groups. This cohort followed a similar brain imaging and cognitive evaluation protocol, as outlined in Supplementary Table 1. The inclusion of these diverse cohorts enhances the robustness of our results regarding the relationship between brain structure, function, and cognitive performance across different age groups.
Discussion
The study investigates the role of brain similarity as a predictor of aging and cognitive decline, revealing that it is a more sensitive marker than traditional anatomical and functional connectivity measures. Utilizing the Brainnetome atlas, the researchers constructed brain similarity networks based on gray matter volume correlations among young individuals and assessed deviations in older participants. The findings indicate that changes in brain similarity networks occur earlier in the aging process, starting around 32 years of age, compared to anatomical and functional networks, which show detectable alterations at 43 and 62 years, respectively. This suggests that brain similarity networks are more adept at capturing subtle age-related changes, aligning with previous literature on cognitive aging.
Further analysis demonstrated that brain similarity networks not only predict age more accurately but also correlate strongly with cognitive performance across various domains. The study highlights that while anatomical and functional connectivity changes are more pronounced in primary sensory regions, brain similarity alterations predominantly affect the association cortex, which is crucial for cognitive functions. Additionally, the integration of brain similarity with functional and anatomical networks in a multimodal model enhanced age prediction accuracy, underscoring the importance of brain similarity in understanding cognitive aging. The results advocate for the use of brain similarity as a novel marker in aging research, emphasizing its potential for early intervention strategies in age-related cognitive decline.