Nature子刊新研究「大脑时钟」可以判断一个人的大脑衰老速度是否快于实际年龄。结果显示，女性、不平等现象严重的国家和拉丁美洲国家的人，大脑衰老速度更快。

如果给你一个查询自己大脑「脑龄」的机会，想不想试试？

自己的大脑「脑龄」是会比实际年龄大还是小？还是基本一致？

发表在Nature子刊《Nature Medicine》的新研究发现，一款基于AI模型的「大脑时钟」可以确定一个人的大脑衰老速度是否比实际年龄增长快。

论文地址：https://doi.org/10.1038/s41591-024-03209-x

通过fMRI和EEG技术构建的脑时钟模型，能捕捉到不同地域、性别和疾病等因素导致的脑衰老差异。时钟显示，女性、不平等程度较高的国家和拉丁美洲国家的人群中，大脑老化速度更快。

脑时钟可以量化大脑年龄和实际年龄之间的差异，有望帮助我们判断大脑健康情况和了解脑部疾病。

研究的主要作者、圣地亚哥阿道夫·伊巴涅斯大学的神经科学家Agustín Ibáñez说，「大脑衰老的方式，不仅仅是时间的问题，也与居住地、职业、社会经济水平、生活环境中的污染程度等因素息息相关。」

大脑连接

通常认为，性别差异是影响大脑衰老的关键因素。对阿尔茨海默病连续体萎缩的研究表明，女性脑萎缩的速度比男性更快。

然而，迄今为止，还没有研究探索大脑的年龄异常，包括跨区域、性别的人口异质性的影响，以及大脑是如何从健康发展到出现病理状况的。

研究人员通过评估一种复杂的脑部功能连接来研究大脑衰老，即功能连接指标，可以衡量大脑区域间相互作用程度，通常随着年龄的增长而下降。

论文收集了15个国家的数据，包括7个拉丁美洲和加勒比国家（LAC）和8个非 LAC 国家。

在5306名参与者中，有些人身体健康，有些人患有阿尔茨海默病或其他形式的痴呆症，有些人患有轻度认知障碍（痴呆症的先兆）。

研究人员使用功能磁共振成像（fMRI）或脑电图（EEG）测量了参与者的静息大脑活动，即当他们不做任何事情时的大脑活动。

fMRI测量大脑中的血流量，EEG则测量脑电波活动，之后利用图卷积网络 (GCN) 实现fMRI和EEG信号的功能连接。

作者计算了每个人大脑的功能连接指标，并将这些数据输入到两个经过训练的深度学习模型中来预测大脑年龄，一个接收fMRI数据作为输入，一个接收EEG数据。

然后就可以计算每个人的大脑年龄差距，也就是实际年龄与脑时钟估计的大脑年龄之间的差距。

例如，大脑年龄差距为十岁，意味着大脑连接功能与实际年龄大十岁的人基本相同。

研究过程

研究的总数据集由5306名参与者组成，其中2953名参与者接受fMRI，2353名参与者接受EEG采集。

其中，3509人为对照，517人患有MCI，828人患有阿尔茨海默病，463人患有行为变异型额颞叶痴呆（bvFTD）。

fMRI数据集包括来自LAC（阿根廷、智利、哥伦比亚、墨西哥和秘鲁）以及非LAC（美国、大陆和日本）的2953名参与者；EEG数据集涉及来自阿根廷、巴西、智利、哥伦比亚和古巴 (LAC) 以及希腊、爱尔兰、意大利、土耳其和英国 (非LAC) 的2353名参与者。

通过过滤和伪影消除（artifact removal）对原始fMRI和EEG信号进行预处理，并对EEG信号进行归一化以将其投影到源空间中。

使用自动解剖标记 (AAL) 图集对fMRI和EEG信号进行分割，构建节点，获得了两种模式的连接矩阵，随后用图表表示，作为卷积深度学习网络的输入。

LAC和非LAC

研究使用来自对照数据集（LAC和非LAC）的fMRI和EEG信号来训练和测试大脑衰老模型，预测大脑年龄的模型获得了足够的拟合度（fMRI：R2=0.52，P<0.001，f2=1.07；EEG：R2=0.45，P<0.001，f2=0.83）。

主要的预测性脑区域特征包括额后网络的中枢，fMRI模型的额外节点包括额下回、前扣带回、正中扣带回和副扣带回；对于脑电图，关键节点还包括顶上回、顶下回和枕下回。

在非LAC数据集中，模型对脑年龄的预测具有较高的拟合度（fMRI：R²=0.40，P<0.001，f²= 0.67；EEG：R²=0.43，P<0.001，f²=0.76），主要预测特征的枢纽节点包括额上回（背外侧）、中央前回和枕中回等。

在LAC数据集中训练和测试的模型的拟合度相对较低，存在较大的正偏差，主要特征涉及额顶叶网络的前颞叶节点，与非LAC模型相比，表现为更大的脑年龄，共同节点包括枕中回、顶上回和额中回等。

这些数据表明，LAC地区的参与者不仅在fMRI和EEG两种影像数据的脑龄预测中都显示出显著的脑龄偏大，而且程度远高于非LAC国家。

研究认为，这种差异可能与LAC地区的社会经济不平等、空气污染以及医疗资源的不足密切相关。

LAC地区长期以来面临着严重的社会经济不平等问题。研究通过分析基尼系数（一种衡量收入不平等的指标）发现，LAC地区的社会经济不平等与脑龄差异呈显著正相关，这意味着更高的不平等可能导致更快的大脑老化。

PM2.5等空气污染物也是LAC地区脑龄差异加剧的重要因素。研究表明，长期暴露于高浓度的空气污染中，会对大脑健康产生负面影响，尤其是会加速大脑的老化过程。

LAC地区的医疗资源相对匮乏，许多慢性疾病和传染病的负担更大，这些因素都可能加速大脑功能的衰退。

MCI、阿尔茨海默病和bvFTD加速衰老

模型显示，相比患有轻度认知障碍的人和健康对照者，患有阿尔茨海默症或其他类型痴呆症的人大脑年龄差距更大，从健康对照组到MCI到阿尔茨海默病，脑龄差距逐渐增加。

性别因素

控制性别变量，非LAC数据集的各组之间没有显著差异。然而，在LAC地区，患有阿尔茨海默症的女性表现出更大的大脑年龄差距。

研究发现，患有神经认知障碍的女性生活在性别不平等程度较高的国家（特别是来自LAC），常常有更高的脑年龄差距。

总体而言，受所在国家性别不平等的影响，拉丁美洲和加勒比地区患有阿尔茨海默症的女性可能往往得不到及时有效的治疗，与男性相比，大脑年龄差距较大。

研究结论

研究主要使用了梯度增强回归模型来探讨社会因素、疾病因素和性别差异对大脑年龄差距的影响。其中，社会因素比较丰富，包括空气污染（PM2.5）、社会经济不平等（基尼系数）以及传染病、孕产妇、产前和营养状况以及非传染性疾病等等。

在LAC和非LAC数据集中，神经认知障碍疾病（MCI、阿尔茨海默症或bvFTD）和严重的社会经济不平等情况（基尼系数）是大脑年龄差距扩大的最大影响因素，高污染以及疾病也影响大脑年龄差距的扩大，尽管幅度不大。

值得注意的是，在拉丁美洲和加勒比地区，虽然神经认知障碍疾病仍然占据最大影响因素，但是横向比较来看，社会经济不平等因素是三个模型中影响大脑年龄差距占比最大的。

空气污染以及传染性和非传染性疾病的负担也有影响，这些变量在非LAC模型中都不算影响较大的因素。

总之，神经认知障碍疾病以及与社会经济不平等、空气污染等宏观社会因素，是让大脑年龄差距扩大的最大影响因素，尤其是在拉丁美洲和加勒比地区，这一差距尤其明显。

参考资料：

https://www.nature.com/articles/d41586-024-02770-2a

文章来源“新智元”，作者“耳朵 乔杨”