过去，神经科学家常把某个心理特质直接对应到某类脑影像模式：寻找智商的生物基础，或焦虑的脑标志。但人的成长环境会深刻影响大脑与认知发展。发表在《科学》的一项新研究，把成百上千个生活、环境和认知变量同时纳入分析，想看看哪些因素与儿童大脑组织最相关。
同时看649个变量
研究团队使用美国“青少年脑认知发展研究”的数据。该项目追踪了全美数千名9至10岁儿童。研究者分析两种常见磁共振成像指标：一是静息态功能连接，用来描绘大脑不同区域如何“通信”；二是皮层厚度，测量大脑外层灰质的物理厚度。
随后，他们把脑扫描结果与649个非影像变量逐一比较，这些变量覆盖身体健康、养育方式、人格、物质使用、社会适应等12类。结果中，社会经济指标与儿童脑数据的关联最强、最稳定。其中单项最强关联，是孩子家庭邮编所代表的社会经济机会，包括学校质量、环境毒素和资源可及性。睡眠时长和屏幕使用时间也排名靠前，而传统认知指标和总体心理健康症状排名低得多。
这些关联出现在大脑哪里
研究者进一步定位这些社会经济关联对应的脑区。他们发现，社会经济地位与初级运动、感觉区域的差异密切相关，这些区域负责处理身体运动和即时感官输入。
为了解释这种模式，团队把它与已有脑参考图比较，包括追踪神经递质的正电子发射断层扫描、监测睡眠的脑电记录，以及任务推理的影像。社会经济脑模式与生理唤醒、睡眠剥夺、压力和兴奋剂类药物影响的生物特征很接近，却没有映射到额叶和顶叶皮层。这些联合皮层通常负责逻辑、数学和复杂思维等高级认知任务。
智商脑图几乎重合
更意外的是，智商分数的脑图与社会经济脑图几乎相同，同样集中在运动和感觉区域，绕过了真正负责复杂推理的脑区。研究者怀疑存在数学重叠，于是从测试分数中统计扣除社会经济地位影响。调整后，脑与智商分数的强关联大部分消失，只剩微弱模式，并稍微向已知认知网络偏移。
团队还用多变量分析训练机器学习模型，仅凭脑连接预测儿童智商。当训练集只包含高社会经济背景儿童时，模型在另一组新参与者中完全无法预测分数；只有当训练数据包含较低社会经济地位社区的儿童时，模型才有效。研究者称这是“捷径学习”：算法没有识别智力的生物标志，只是捕捉到与分数相关的社会经济地位。
这不是个体宿命
这些关联来自大规模人群、同一时间点的观察。群体平均不能预测某个孩子未来的认知潜力。社会经济机会只解释了儿童脑扫描总差异的约16%，还有许多生物和环境因素参与发展。
研究挑战了“智商分数测量固定、本质化生物特质”的观念，也提示过去把脑网络与智力联系的研究，可能记录的是环境压力的生理代价。未来需要纵向研究追踪这些发展路径，并探索睡眠质量和压力干预能否帮助资源不足社区儿童的大脑发育。