我们发现了个性化联想网络功能地形的规范性性别差异，包括腹侧注意、默认模式和额顶网络。此外，染色体富集分析显示，功能地形多变量模式的性别差异在空间上与x连锁基因的表达以及星形细胞和兴奋性神经元细胞类型的特征相耦合。这些结果突出了性别作为形成功能地形的生物变量的作用。

先前的研究表明，在大脑皮层的功能网络的空间分布中，个体间存在着巨大的差异，或称功能地形。然而，青少年个体网络的地形图是否存在性别差异尚不清楚。在这里，作为费城神经发育队列的一部分，我们利用先进的机器学习方法(稀疏正则化非负矩阵分解)来定义693名接受功能MRI检查的青少年(年龄8到23岁)的个性化功能网络。基于功能地形的多变量模式分析支持向量机对参与者性别进行分类，准确率为82.9% (P<0.0001)。对参与者性别分类最有效的脑区属于联想网络，包括腹侧注意网络、默认模式网络和额顶叶网络。使用带有惩罚样条的广义加性模型的大量单变量分析提供了收敛的结果。此外，来自Allen人脑图谱的转录组数据显示，功能地形多变量模式的性别差异与X染色体上的基因表达在空间上相关。这些结果突出了性别作为形成功能地形的生物变量的作用。

1.简介
在认知领域已经记录了显著的性别差异，包括视觉空间处理、社会认知、情感记忆和执行功能。先前的研究试图在儿童和青少年时期出现的大脑结构和功能的性别差异的背景下理解这些行为差异。尽管这些研究关注的是性别差异和由于遗传、激素、生殖、重要的是要注意，基于性别的社会和文化概念的个人经历也可以塑造大脑发育，并导致行为的性别差异。在本报告中，我们主要关注性别差异，尽管我们也承认，考虑到人类参与者研究的相关性，性别和性别的影响很难分离。了解发育过程中大脑结构和功能的规范性性别差异，不仅可以让我们更多地了解认知中性别差异的神经生物学，也是构建精神病理学中性别差异研究框架的必要的第一步。

先前的神经影像学研究已经检查了网络连接的性别差异是认知和精神障碍的性别差异的一个原因。例如，与女性相比，男性平均倾向于表现出更强的模块间连通性和更低的模块内连通性。这些连接模式与更好的空间和运动任务的表现有关，在这些认知领域，男性比女性表现更好。相比之下，女性在语义决策和言语回忆任务上表现优于男性。这些发现被归因于功能性语言处理区域连通性的性别差异。同样，女性在情绪识别和情绪分化任务上也比男性表现更好。这些任务探索社会认知，这是一个与社会和奖励网络相关的领域，具有显著的性别差异。此外，抑郁和焦虑在女性中更普遍，与情绪障碍症状相关的大脑连接模式在女性中更普遍。相反，注意缺陷多动障碍(ADHD)和品行障碍在男性青年中更为普遍，可能与执行系统的功能连接异常有关。尽管这些研究和其他研究表明，网络连接的性别差异可能是不同行为表型的基础，但研究结果是异质的，引起了对可重复性和临床转化潜力的关注。

在先前的研究中发现这种异质性的一个潜在原因是使用了标准化网络地图集。标准化网络图谱假设个体结构和功能解剖之间有稳定的1:1对应关系。这些方法假设，通过对不同主体的大脑结构解剖进行对齐，也可以对不同主体的功能网络解剖进行对齐。然而，来自多个独立小组的证据表明，在跨解剖皮层或功能地形的功能网络空间分布中存在显著的个体间差异。这些研究表明，结构和功能之间的映射在成人个体之间有很大差异。在这些成人研究的基础上，我们的小组提供了青少年个性化功能网络空间地形发展的初步描述。个体间个性化功能网络的地形变化在关联网络中是最大的，如腹侧注意、额顶和默认模式网络。如果不考虑功能地形，可能会将地形的个体差异混淆为区域间功能连通性的测量。鉴于这些困难，功能地形是否存在性别差异尚不清楚。此外，尚不清楚这种差异是否会在以功能网络大规模重塑为标志的青年时期出现。

因此，在这里，我们利用费城神经发育队列的一部分青少年成像的大量样本来评估功能地形的性别差异。我们使用机器学习来定义个性化的功能网络，假设在关联网络中性别差异最大。由于神经解剖学上的性别差异先前已被认为与性染色体基因表达有关，我们也评估了地形上的性别差异与基因表达之间的关系。我们预测，在功能网络地形上具有显著性别差异的皮层也会在性染色体上的基因表达中富集。

2.结果

如前所述，作为费城神经发育队列的一部分，我们使用稀疏正则化非负矩阵分解(NMF)在693名8 - 23岁的年轻人(57%为女性)中获得个性化的功能网络。在定义个性化网络的过程中，我们首先为整个样本创建了一个共识图谱，然后使用该共识图谱为每个参与者定义个性化网络(图1A和SI附录，表S1)。使用这种群体共识图集可以确保每个个体参与者的个性化网络之间的空间通信。为每个参与者确定了17个功能网络(图1B)，这与其他常用的地图集和之前的工作相对应。网络的命名如Cui等人所述，包括默认模式网络1、8和12、额顶网络3、15和17、腹侧注意网络7和9、背侧注意网络5和14、视觉网络6和10、躯体运动网络2、4、11和13以及听觉网络16。与将每个顶点分配到单个网络的硬分区方法不同，NMF是一种软分区方法。NMF产生一个概率分区，使皮层上的每个位置(即顶点)从每个网络接收一个负载；这些负载量化了给定位置属于网络的程度。通过根据每个顶点的最高负载(图1C)对其进行标记，这种概率分组可以转换为用于显示的离散网络定义。

图1 定义具有非负矩阵分解的个性化功能网络
对单个参与者功能网络的目视检查显示出地形特征的显著差异(图2A)。这种个体间的地形变化在关联网络如腹侧注意网络和默认模式网络中尤为明显。相比之下，运动和感觉网络在个体之间似乎更加一致。为了定量评估这种变异性，我们计算了所有17个网络的群体图谱和每个参与者之间的Dice系数。当根据中位数Dice对网络进行排序时，我们发现这种相似性度量在关联网络中最低，而在感觉运动网络中最高，这表明关联网络的地形有更大的个体间变异(图2B)。

图2 功能网络拓扑图在个体和性别之间有所不同

2.1 机器学习使用功能地形准确识别性别

根据我们观察到的关联网络在个体间的空间分布是不同的，我们假设性别促成了这种个体间的地形变化。为了验证这一假设，我们首先试图了解功能地形的高维模式反映性别的方式。多元模式分析允许这种高维数据的集成，还可以识别区分男性和女性的复杂地形模式。因此，我们使用线性支持向量机(SVM)和嵌套的双重交叉验证(2F-CV)来构建多变量模型，将参与者分为男性和女性(SI附录，图S1)。考虑到我们的大样本量，使用2F-CV最小化过拟合，同时留下足够大的样本来测试模型性能。尽管在我们的样本中，男性和女性之间没有显著的年龄差异，但我们通过从训练数据集中的每个特征回归这些协变量，在这些模型中考虑了年龄和扫描仪头部运动，然后将这些模型参数直接应用到测试数据集，以避免泄漏。多变量模型能够将看不见的参与者区分为男性或女性，准确率为82.9% (P<0.0001；图3 a)。模型的敏感性和特异性分别为0.76和0.88；受试者工作特征曲线(ROC)下面积(AUC)为0.94。为了了解哪些网络对预测的贡献最大，我们分别对每个网络中所有顶点的正权和负权进行了相加。这表明，关联网络的功能地形变化，包括腹侧注意力、默认模式和额顶网络，对模型的贡献最大，因此在预测参与者性别方面相对更重要(图3b和C)。为了确定给定顶点对预测模型的重要性，我们将所有17个网络的绝对权重相加，以总结每个顶点的预测权重。这一综合测量结果强调，包括颞顶交界处、顶叶上小叶和眼窝前额皮质在内的联合皮层区域在预测参与者性别方面是最重要的(图3D)。基于自旋的保守空间随机化检验证实，从折叠1计算的特征权重与从折叠2计算的特征权重一致。虽然图3C中所示的加权总和确定了哪些网络对预测的贡献最大，但这种度量并不能直接评估每个网络独立对预测精度的贡献程度。因此，我们使用嵌套的2F-CV运行了17个网络特定模型。这些网络特异性模型揭示了关联网络的地形最准确地分类了参与者的性别(SI附录，图S2)。

图3 基于功能地形的多变量模式分析支持向量机预测被试性别

接下来我们进行了一系列的敏感性分析。当样本被分成三个年龄层(SI附录和SI附录，图S3)，当样本被限制为青春期后青年(SI附录，图S4)，当分析在性别平衡的子样本中进行(SI附录，图S5)，当使用不参与模型训练和测试的性别平衡的受试者组构建群体图谱(SI附录，图S6)时，分类性能保持稳健。以及在分类前进行降维(SI附录，图S7)。

2.2 大量单变量分析产生收敛结果

我们的多变量模式分析的目标是利用所有区域共同包含的信息对参与者的性别进行分类。虽然多元模型对分类问题是最优的，但它们的描述效用有时是有限的。由于参数空间的高维性质，无法确定特征如何在模型框架内交互，这可能会阻碍多元模型中特征的可解释性。相比之下，传统的大量单变量分析描述了特定因素和大脑兴趣测量之间的关系，从而提供了补充多变量结果的描述性信息。因此，我们还使用传统的质量单变量分析来检验性别对网络地形的影响。我们使用带有惩罚样条的广义加性模型(GAMs)来解释线性和非线性发展效应。我们在每个顶点拟合一个GAM来评估性别对网络负载的影响。年龄和扫描头部运动被包括作为协变量，年龄建模使用一个惩罚样条。通过控制错误发现率(FDR；Q<0.05)。

为了确定性在一个给定顶点的整体影响，我们对所有17个网络的性影响Z统计量的绝对值进行了相加。这项综合测量强调，性别对地形的影响在关联皮质区域是最大的，包括颞顶交界处、顶叶上小叶和眼窝前额皮质(图4A)。值得注意的是，这个来自大量单变量模型的结果与我们的多变量分析是收敛的，我们的多变量分析确定了在参与者性别分类中权重最大的同一区域的联想皮层。我们使用考虑空间自相关的基于保守自旋的空间随机化检验，评估了这个质量单变量汇总度量和机器学习模型的绝对预测权重求和图(图3D)之间对应关系的显著性。该分析表明，不同方法之间具有高度的收敛性(图4 b)。与我们的多变量分析一样，使用单变量方法估计的性别影响在关联网络中是最大的，包括腹侧注意、默认模式和额顶网络(图4 C和D和SI附录，图4，S8 S10)。在默认模式网络和额顶网络中，男性比女性有更多的顶点和更大的负载，但在默认模式网络中差异很小。与此相反，女性在腹侧注意网络和背侧注意网络中有更多的负载点。此外，支持向量机和GAMs都识别出楔前叶是一个在地形上具有较大性别差异的区域；雌性楔前叶在默认模式网络中的负荷较大，而雄性在额顶网络中的负荷较大(图4E)。对年龄-性别相互作用的分析显示没有显著影响。

图4 大量单变量分析提供了收敛的结果，确定了关联网络的显著性别差异

2.3 基因富集分析将地形图的性别差异与x染色体基因联系起来

上述结果表明，男性和女性在功能地形上存在显著差异。接下来，我们试图了解地形上这些性别差异的生物学基础。尽管目前对驱动个体间地形变化的因素知之甚少，但神经解剖学上的性别差异此前被归因于性染色体基因表达的差异。因此，我们进行了染色体富集分析，以确定地形的性别差异是否与基因表达在空间上耦合。我们比较了来自机器学习模型的绝对预测权重求和图与来自Allen人脑图谱(n = 12,986个基因，使用1000分区图谱；材料和方法)。我们首先将每个基因的空间表达模式与多变量(SVM)模型中的特征权重关联起来。接下来，我们将染色体基因集与多变量模型中的特征权重之间的空间对应程度量化为支持向量机加载图与该染色体上基因表达之间相关集的中位数秩。正如预测的那样，我们观察到x染色体基因的显著富集(P = 0.02；图5A)对预测参与者性别更重要的位置与X染色体上基因表达的相关性更高。在一系列改变分区粒度的敏感性分析中，这种x染色体富集仍然显著(P = 0.001)；既改变了分区的分辨率，又使用了独立的处理管道，为注释、过滤和样本分配提供了替代方法 (P = 0.02)；将转录组数据仅限于男性供体(P = 0.02)；这限制了样本的性别平衡子集(P = 0.03)；详见材料与方法及SI附录、材料与方法。

图5 功能地形图多变量模式中显示性别差异的区域在x连接、兴奋性神经元和星形细胞相关基因的表达中富集。

以上结果表明，功能地形图多变量模式的性别差异与x连锁基因的表达相关。然而，皮层基因表达的区域差异可能反映了皮层细胞组成的区域差异。因此，我们进行了细胞类型特异性富集分析，以了解离散底层基因集的收敛和发散模式。使用先前工作中指定的细胞类型特异性基因集，我们发现在参与者性别分类中更重要的区域在星形细胞和兴奋性神经元基因。为了获得对细胞结构更细致的理解，我们使用Lake等人确定的更细粒度的神经元子类分配来分配细胞类型。与粗细胞类型结果相收敛，星形细胞相关基因富集了对参与者性别分类更重要的区域(图5B)以及几个兴奋性神经元的子类，包括Ex5b， Ex1， Ex3e， Ex6b， Ex2。值得注意的是，这些基因集包括大量的x连锁基因(SI附录，表S2)。最后，我们使用GOrilla进行了基于排序的基因本体(GO)富集分析，以检验功能富集。该分析确定了几个与大脑解剖相关的GO术语，包括神经元部分、突触和谷氨酸突触(SI附录，图S11)。

3. 讨论

在这项研究中，我们利用机器学习和大量的青年样本来研究功能网络地形的性别差异。我们首先证明了地形的性别差异在联想网络中是最大的，包括腹侧注意网络和默认模式网络。利用功能地形的复杂多元模式，我们能够以很高的精确度预测一个看不见的参与者的性别。染色体富集分析显示，功能地形图多变量模式的性别差异在空间上与x连锁基因的表达以及星形胶质细胞和兴奋性神经元细胞类型的表达特征耦合。这些结果确定了个性化关联网络地形的规范性性别差异，并强调了性别作为形成功能地形的生物变量的作用。

我们的主要发现是在功能地形上存在显著的性别差异，并且这些差异在关联网络中表现得最为明显。这一发现与先前关于功能地形的研究一致，这些研究表明，在关联网络中，地形的个体间变异是最大的。重要的是，我们的研究结果表明，地形的个体间变异有很大一部分是由性别驱动的。在默认模式网络、额顶网络、腹侧注意网络和背侧注意网络中，地形的性别差异最大。这些网络的地形变化与情感、社会和执行功能有关，所有这些行为都有记录在案的性别差异。

地形上的性别差异产生的机制可能是多重的。尽管人们对功能地形的个体间差异越来越感兴趣，但目前尚不清楚是什么遗传或环境因素导致了这些差异。在之前的工作中，我们证明了个体间的地形变化与大脑组织的基本特性一致，包括髓磷脂含量和脑血流。我们在这些发现的基础上，将地形的性别差异与基因表达数据联系起来。正如预期的那样，我们发现在预测参与者性别方面更重要的区域与X染色体上的基因表达相关。地形的性别差异与x -连锁基因的空间表达模式之间的对应关系表明，观察到的地形性别差异可能部分由基因表达驱动。尽管据我们所知，此前没有研究检查过功能地形图性别差异的遗传基础，但这一发现与此前将脑结构的性别差异与性染色体基因表达联系起来的工作总体上是一致的。

4.总结

综上所述，我们确定了青少年个性化联想网络功能地形的规范性性别差异。这些结果表明，功能地形的个体间变异部分是由性别驱动的。此外，我们的研究结果表明，地形的性别差异可能部分与基因表达有关。未来的工作应该研究个性化网络地形的性别差异是否可以解释社会情感或认知功能的规范性变化。在精神病理学中，地形和性别差异之间的关系也是未来研究的明确领域，因为这可能确定精神障碍风险的性别特异性生物标志物。

参考文献：Sex differences in the functional topography of association networks in youth