摘要

儿童肥胖及其不良健康后果在世界范围内有所上升，在美国等高收入国家，低社会经济地位增加了风险。了解儿童肥胖、认知、社会经济因素和大脑之间的相互作用对于预防和治疗至关重要。使用来自青少年大脑认知发展 （ABCD） 研究的数据，我们调查了体重指数 （BMI） 与大脑结构和功能连接指标的关系。与体重健康的儿童 （n= 4,754） 相比，肥胖或超重 （n = 2,356） 的儿童更有可能生活在贫困中，并且表现出较低的认知能力。较高的 BMI 与多个大脑测量值相关，这些测量值对胼胝体中较低的纵向扩散性最强;小脑、岛叶和躯体运动皮层的活动增加;多模式大脑区域的功能连接性降低，在低收入家庭的儿童中影响更为明显。值得注意的是，近80% 的低收入关联和 70% 的认知障碍与 BMI 的关联是由躯体运动区较高的大脑活动介导的。躯体运动区静息活动增加以及结构和功能连接性降低可能导致低收入家庭儿童超重或肥胖的风险增加。支持低收入家庭并实施教育干预措施以改善认知能力，可以促进健康的大脑功能并降低肥胖的风险。

1 引言

儿童肥胖症在世界范围内呈上升趋势，目前的估计表明，美国有19.7% 的儿童肥胖 （1）。导致儿童肥胖的因素有几个，包括低家庭收入 （2）、遗传 （3） 和环境因素，例如高热量食物和缺乏开放的运动空间 （4）。由于儿童肥胖会干扰正常的大脑发育 （5-8） 并且与认知功能下降有关 （7， 9， 10），因此迫切需要更好地了解它如何影响大脑功能。大脑在儿童早期迅速成熟，到 6 岁时达到成人大小的约 90%。此外，随着儿童在童年晚期和青春期的进展，白质 （WM） 体积和 WM 纤维束的分数各向异性 （FA） 通常会增加，而灰质 （GM） 体积减少，大脑功能连接重组，在某些网络中减少，而在其他网络中增加 （11-13).虽然体重指数 （BMI） 与大脑结构和功能连接之间的关系很复杂且可能是双向的，但 BMI 与大脑发育过程中结构和功能连接改变的确切机制和关联程度仍然知之甚少。此外，由于贫困也会对大脑发育和认知功能产生负面影响 （14-18），因此评估家庭收入对 BMI 与大脑连接和认知之间关系的影响也很重要。更好地了解 BMI 和大脑发育之间的复杂相互作用可能有助于指导儿童肥胖的预防和治疗策略 （19）。

2 结果

人口统计特征。在本研究的 7,110 名儿童中，根据年龄和性别的 BMI 第 85 个百分位数，4,754名体重健康 （67%） 和 2,356 名超重或肥胖 （33%）。这种分类方法是儿科研究的标准方法，因为它解释了随着生长发育而自然发生的 BMI 变化 （24）。因此，儿童超重和肥胖不是使用固定的 BMI 阈值（例如 BMI > 30，用于成人）来定义。这些比例与 2017-2018 年期间 2-19 岁美国儿童和青少年报告的超重或肥胖率 （35.4%） 一致 （25%），对应于收集 ABCD 基线数据的时间范围。对种族和民族差异的分析显示，与认定为白人的家庭（30% 和 18%）和西班牙裔（25% 和 19%）的肥胖或超重儿童比例更高。收入差异分析显示，肥胖或超重儿童比健康体重范围内的儿童更有可能生活在贫困中（在美国定义为家庭收入低于 25,000 美元），肥胖或超重儿童的比值比分别为 0.20 和 0.15，而健康体重范围内的儿童为 0.09。肥胖或超重儿童比健康体重范围内的儿童更容易出现抑郁症状 （6.1% 对 3.3%;df = 1，n = 4,422，χ2= 16.4，P = 3.3 × 10 –5).

Discovery 和 Replication 子样本。发现样本和复制样本之间体重健康的儿童和肥胖或超重儿童的比例没有差异 （χ2= 2.3;P = 0.13）。Discovery 和 Replication 子样本之间的脑容量、性别和 MRI 制造商比例差异最小（表 1）。

按体重类别划分的 BMI、人口统计学和认知的可重复性。BMI 在Discovery 和 Replication 数据集中都显示出一致的右偏分布（偏度 = 1.5，峰度 = 4.0），这些分布由权重类别解释（图 1A）。性别之间的 BMI 没有差异。体重健康的儿童和肥胖或超重的儿童随着年龄的增长而显示出类似的 BMI增加（图 1B）。BMI与家庭收入组呈负相关，因此较高的 BMI 与较低的家庭收入相关，这在发现和复制样本的肥胖/超重和健康体重组中独立显著（图 1、C 和 D）。然而，请注意，在健康体重组中，发现 （r = –0.094） 和复制 （r = –0.077） 样本的相关性非常小（图 1、C 和 D）。

图一. BMI、年龄、家庭收入和认知。（A和 B） BMI （A） 及其与年龄相关的增加 （B） 在 3,696 名男孩和 3,414 名女孩（4,754 名健康体重范围内的儿童和 2,356 名肥胖或超重儿童）中的分布及其在发现 （n = 3,597） 和复制 （n = 3,513） 子样本中的可重复性。（C和 E） 在肥胖或超重的儿童中，较高的 BMI 与较低的家庭收入 （C） 和总认知评分 （E） 可重复地相关。（D和 F） 与健康体重范围内的儿童相比，肥胖或超重的儿童更有可能居住在低收入家庭 （D） 并且在发现和复制子样本中独立地完成认知任务 （F） 的表现较低。基于年龄和性别的 BMI 百分位数用于确定体重类别。数字标签是反映 Person 相关性分析 （R;B、C和 E）或 t 检验（D和 F）。

各组之间的认知评分不同，对于发现和复制样本，肥胖或超重儿童的认知评分均低于健康体重范围内的儿童（图 1F）。在肥胖或超重的儿童中，BMI 与总认知综合评分呈负相关，因此较高的 BMI 与较低的分数相关，而在健康体重范围内的儿童中相关性不显著（图 1E），表明BMI 对认知产生负面影响的阈值效应。体重类别、家庭收入等级和总认知综合体对 BMI 的主要影响以及体重类别和家庭收入之间的交互作用在发现和复制子样本中独立存在显著影响 （P < 7 × 10–5;F（1,3240）>15.8;安科瓦;补充表 1）。

年龄、BMI 和家庭收入与结构连通性的关联。我们使用 ANCOVA 调查年龄和BMI 对 WM 完整性的相关性。该模型包括 2 个体重类别/组（超重/肥胖和健康体重）、2 个自变量（年龄和 BMI）和一个因变量（FA、MD、lD 或 rD）。针对每个 DTI 指标和 ROI 进行了独立的 ANCOVA。我们的分析揭示了 MD 与年龄的负相关，lD 与 BMI呈负相关，年龄与 FA 呈正相关（图 2、A 和 B）。尽管年龄较大与 FA 较高和 MD、lD 和 rD 较低有关（图 2、A 和 C）;MD 的年龄相关变化比 FA 、 lD 和 rD 更臭名昭著，尤其是在上皮质纹状体纤维中。

图二. 白质扩散与 BMI 和年龄的关联。（A和 B） 发现（n = 2,386;1,625 名健康体重和 761 名肥胖/超重）子样本中 42 个主要白质纤维束的脑容量校正分数各向异性 （FA） 和平均值 （MD）、纵向 （lD） 和径向 （rD） 扩散率与年龄 （A） 和 BMI （B） 的相关性。（C-F）胼胝体 lD 与年龄 （C） 、 BMI （D） 、家庭收入范围 （E） 和流体认知综合评分 （F） 的线性关联。仅使用西门子 MRI 扫描仪收集的数据进行此分析。统计分析采用ANCOVA 模型，FDR 校正阈值 pFDR < 0.05。基于年龄和性别的 BMI 百分位数用于确定体重类别。

BMI 升高与许多纤维束的年龄校正 lD 降低有关，尤其是在胼胝体中明显 （R[4,796] = –0.24;P < 2 × 10–16;科恩的 d = 0.49;图2B）、小镊子、钩状、丘脑前辐射、海马旁扣带回和扣带回-扣带回纤维束 （R[4,796] < –0.15;P < 2 × 10–16).壁叶和额叶皮质纹状体束的负相关并不一致。较高的 BMI 始终与双侧年龄校正 MD 和rD 降低相关，包括钩状和纹状体额下、扣带-扣带纤维束、胼胝体、小镊子和大镊子、左穹窿、上皮质纹状体额叶纤维束和左丘脑前辐射（图 2B).此外，BMI 增加与多个区域的年龄校正FA 降低有关，包括双侧穹窿、右侧上纵束、右侧额下纵束、右侧颞叶皮层纵束和双侧顶上皮层 WM 纤维束。

按体重组进行的单独分析表明，两组胼胝体的 lD 都随着年龄的增长而降低（图 2C），肥胖或超重儿童的 lD 低于健康体重范围内的儿童（图 2D）。胼胝体中的 lD 与肥胖或超重儿童和健康体重儿童的家庭收入具有可重复的正相关，并且与肥胖儿童的体液综合评分具有可重复的正相关 （R[404] > 0.11;P < 0.045,2 侧），但在健康体重范围内的儿童中，这种关联是不可重复的（图 2，D-F）。肥胖或超重儿童的胼胝体 BMI 和lD 之间的负相关显著强于健康体重范围内的儿童，这与发现和复制样本无关 （Z > 4，P < 1 × 10–5; 图 2D）。年龄、BMI、体重类别、总认知综合和家庭收入对胼胝体 lD 的主效应显著 （F[1,4410] > 9，P < 0.003;安科瓦;补充表 2）。

BMI 与大脑活动和功能连接的关联。为了评估儿童之间静息脑活动和功能连接的 BMI 相关差异，我们使用了 fALFF 和 gFCD 指标，它们在发现和复制子样本中显示出高重现性（补充图 2 和 3）。顶点方向的 ANCOVA 显示BMI 和 fALFF 之间存在正相关，这在小脑中最大（Cohen的 d = 0.12），在所有皮质下区域的双侧都显着（补充图 4）;岛盖区、躯体运动区和运动前区;旁中央叶;眶额叶皮层;中扣带;早期和 MT+ 视觉区域;外侧和内侧颞叶皮层 （P罗斯福< 0.05;图 3A）。这种模式在发现和复制子样品中表现出高水平的重现性（补充图 5）。背外侧前额叶、上顶叶和顶下皮层（包括楔前叶）中 BMI-fALFF 相关模式的重叠最小 （~6%;补充图 6），表明这些区域的 BMI 和 fALFF 之间存在弱关联。相比之下，较高的 BMI 与较低的 gFCD 相关，gFCD在楔前叶 （面积 7 m;Cohen 的 d = 0.18），并且在其他默认模式网络 （DMN） 区域（后扣带、角回和内侧前额叶皮层 [PFC]）的双侧也显著;在额上回、下回和中颞回;主要和次要视觉区域;下顶叶皮层和上顶叶皮层;前运动皮层;背外侧 PFC;额杆;小脑前叶 （P罗斯福< 0.05;图 3B）。这些模式在发现和复制子样品中具有很高的重现性（补充图 7）。

图三. BMI 与 fALFF 和 gFCD 的关联。（A和 B） BMI 与低频波动分数振幅 （fALFF;A） 和全局功能连接密度 （gFCD;B） 在 7,110 名儿童中，功能专业化指数的评分突出了单峰皮层区域（视觉、视觉、听觉、AUD 和躯体运动、SM 皮层），呈现在左 （L） 和右 （R） 大脑半球的平坦（顶行）和外侧和内侧充气表面（中间和下行）。黑线是人类大脑皮层 360 个多模态分区的轮廓 （27）。使用 ANCOVA 发现显著性。

我们应用了一个功能专业化指数 （26），该指数区分了以高专业化指数 （>0.5） 为特征的单峰皮层区域（如视觉、听觉和躯体运动皮层）与以较低专业化指数为特征的异峰关联皮层区域（如岛叶、背外侧 PFC 和下顶叶皮层），以绘制与 BMI 的关联。BMI 与 fALFF 的关联与单峰区域 （36%） 的重叠比 BMI 与 gFCD的关联 （11%） 更明显（图 3）。

fALFF 和 gFCD 与认知、家庭收入和 FA 的关联。为了检查 BMI、静息态指标（fALFF和 gFCD）和认知综合评分与家庭收入之间的关联，我们测量了它们在人类大脑皮层多模态包裹的特定投资回报率内的 Pearson 相关性 （27） 跨体重类别。较低的认知能力与较高的 fALFF 相关，主要发生在岛叶、扣带回和躯体运动皮层以及皮质下和小脑区域（图 4A）。这种关联在健康体重的儿童和肥胖或超重的儿童中是一致的，在发现和复制子样本中（补充图 8 和 9;R > 0.14，P < 2 × 10–8).此外，较低的家庭收入与枕骨和内侧颞区、岛叶、扣带中段和躯体运动皮层的较高 fALFF 有关（图 4B），在发现和复制子样本中独立地跨体重类别（补充图 8 和 9;R > 0.09，P < 0.001）。此外，较低的认知能力与 DMN 和额顶叶网络 （FPN） 区域的较低 gFCD 相关，而外侧视觉区域、副中央叶和中扣带皮层的较高 gFCD 相关（图 4A）;这种关系在重量类别和子样本之间是一致的（补充图 9;R > 0.74，P < 0.003）。此外，较低的家庭收入与 FPN 和 DMN 区域的较低gFCD 以及外侧视觉区域、躯体运动皮层、旁中央叶和中扣带皮层较高的 gFCD 相关（补充图 9 和 10;R > 0.072，P < 0.007）。在发现和复制子样本中，fALFF 和 gFCD 的相关模式在很大程度上是互补的，因此与 fALFF 高度相关的大脑区域与 gFCD 的相关性较低（家庭收入：R[379] > 0.64;总复合：R（379） > 0.52;P < 1 × 10–20).虽然报告的相关性显著（范围约为 0.06至 0.15）且可重复，但它们表现出适度的效应量，由于ABCD 研究的样本量较大，因此可以检测到。

图四. 与认知、收入和分数各向异性 （FA） 的关联。（A和 B） 在发现子样本中，较高的认知综合评分 （A） 或家庭收入范围 （B） 与较低的低频波动幅度 （fALFF） 相关，主要发生在岛叶、扣带回、外侧视觉和躯体运动皮层;额顶和默认模式网络区域中的全球功能连接密度 （gFCD） 更高;以及降低躯体运动皮层和枕外侧区域的 gFCD。（C） 较高的FA，在大脑中所有白质纤维的平均值，与内侧上颞区 （MST） 较低的低频波动分数振幅 （fALFF） 相关，与楔前叶（布罗德曼区内侧部分 7 [7m] 的内侧部分）较高的整体功能连接密度 （gFCD） 相关，独立地适用于肥胖或超重儿童 （n = 2,356;红色） 和健康体重范围内的儿童 （n= 4,754;green） 的较高的 BMI 与楔前叶较低的 gFCD 相关，独立于体重类别，并且仅在肥胖或超重儿童中与较高的 fALFF 相关。右大脑半球。黑色等值线划定了右大脑半球 180 个 ROI 的边界。基于年龄和性别的 BMI 百分位数用于确定体重类别。

整个大脑 WM 束较高的平均 FA 与 gFCD 升高和 fALFF降低相关，与体重类别无关 （R> 0.14;P < 1.5 × 10–8; 图 4C）。

BMI 对皮质下区域和小脑的影响。我们还评估了 BMI、静息态活动和皮层下 ROI 内连接性之间的关联。在所有 19 个皮层下 ROI 中，BMI 与 fALFF 的正相关在双侧是可重复的 （P < 0.05，Bonferroni 校正），并且在体重类别之间没有差异（补充图 11）;gFCD患者仅在双侧小脑中可重现。在小脑内，IV、V、VIIIb 和 IX 小叶双侧fALFF 与 BMI 存在可重复的正相关，体重类别之间没有差异。BMI 和 gFCD 之间线性关联的斜率在几个区域为负值：双侧小叶 IV、VI、VIIb、VIIIa 和 IX，以及 Crus I（不包括蚓部）和 Crus II、V（右）和 VIIIb（蚓部）。此外，与健康体重范围内的儿童相比，肥胖或超重儿童（小叶 VIIb 和 VIIIa 以及蚓VIIIa）中的这些关联较弱（P < 0.001,2 尾 t 检验）。

我们研究了通过 fALFF 或 gFCD 将家庭收入和认知能力与 BMI 联系起来的间接途径（CMA 模型 1;图 5，A 和 D）。我们的分析揭示了家庭收入对 BMI 的一致间接关联，通过双侧躯体运动区、岛叶、扣带和小脑的 fALFF 介导，以及通过 FPN 和 DMN 区域的双侧gFCD 介导 （P顶点< 0.001;图 5、B 和 C，以及补充图 12 和 13）。具体来说，双侧上额叶语言 （SFL） 、视觉皮层 （V3） 和前运动 （6d） 区域表现出fALFF 对家庭收入与 BMI 之间关联的最强中介作用 （>78%;补充图 13）。对于家庭收入，fALFF 的平均中介比例更高（发现，37%;复制，36%），而不是 gFCD（发现，14%;复制，7%;t[436] > 10;P < 2 × 10–21).此外，这些区域的 fALFF 和 gFCD 始终是认知表现与 BMI 之间关联的部分介质 （P顶点< 0.001;图 5、E 和 F 以及补充图 14）。对于总综合得分，fALFF 的平均中介比例也更高（发现，31%;复制，32%），而不是 gFCD（发现，7%;复制，11%;T（624）> 14;P < 4 × 10–42).fALFF 介导总认知对 BMI 关联的间接影响的区域比观察到的中介家庭收入对 BMI 间接影响的区域更广泛。

此外，我们通过检查通过家庭收入和认知表现将大脑功能连接与 BMI的关联联系起来的间接途径（CMA 模型 2;补充图 15）。我们的分析揭示了家庭收入对双侧岛叶和扣带中段 BMI 和 fALFF 之间关联的微弱但一致的中介效应（补充图 15）以及FPN 和 DMN 区域双侧 BMI 和 gFCD 之间的关联 （P顶点< 0.001;补充图 16）。对于家庭收入，gFCD 的平均中介比例更高（发现，5%;复制，4%），而不是 fALFF（发现，2%;复制，2%;t（243）> 6.8;P < 1 × 10–10).此外，认知表现在这些区域的fALFF 或 gFCD 与 BMI 之间始终起着适度的中介作用 （P顶点< 0.001;补充图 15 和 16）。具体而言，对于总综合评分，gFCD 的平均中介比例更高（发现，9%;复制，9%），而不是 fALFF（发现，7%;复制，6%;t（293） > 3.9;P < 1 × 10–4).CMA 模型 1 的中介比例大于 CMA 模型 2 的中介比例。

图五. 因果中介分析（CMA;模型 1）。家庭收入 （A-C） 或认知能力 （D-F） 与体重指数 （BMI） 关联的总影响比例，该指数由低频波动的分数振幅 （fALFF） 或覆盖在右大脑半球外侧和内侧表面的整体功能连接密度 （gFCD） 介导，用于发现（n = 3,597 名儿童）和复制样本 （n= 3,513 名儿童）。黑色等值线划定了右大脑半球 180 个 ROI 的边界。阈值 P顶点< 0.001。

3 讨论

美国儿童肥胖的高患病率引起了人们对其对大脑发育影响的担忧，因为有证据表明儿童肥胖与对大脑功能和结构以及认知的不利影响有关 （5-10）。从 ABCD 获得大型纵向数据集增加了研究肥胖对大脑结构（包括 WM 完整性）、功能（包括功能连接）和认知影响的能力 （28， 29）。然而，这些效应的可重复性和意义 （30） 仍不清楚。在这里，我们使用来自 ABCD 研究的大量美国儿童研究了 BMI 对 DTI 和静息态功能MRI （fMRI） 指标的影响，同时严格控制混杂的人口统计变量（例如，年龄、性别、种族）、头部运动和脑容量，以及研究特定变量（扫描仪制造商和研究地点）分别在发现和复制样本中。我们发现 BMI 与自发的大脑活动呈正相关，如 fALFF 索引，与大脑连接（结构和功能）、家庭收入和认知呈负相关，在 Discovery 和 Replications 子样本中可重复地显示。自发的大脑活动（主要在躯体运动区域）部分介导了结果，因此家庭收入和认知表现对他们与 BMI 关联的总影响中近 80% 是由躯体运动皮层中的 fALFF 介导的。这表明社会经济地位或认知能力的变化可能部分通过它们对这些大脑区域的大脑活动的影响来影响 BMI。值得注意的是，fALFF 对认知表现与 BMI 之间关联的中介作用在大脑中比在家庭收入中观察到的中介作用更广泛，这表明认知对BMI 的贡献与家庭收入无关。

我们发现胼胝体 BMI 升高和 lD 降低之间存在可重复的关联 （Cohen's d = 0.49），并且与其他 WM 束的关联不太明显但仍然显着。轴向扩散率 （lD） 测量水分子沿 WM 纤维主轴的扩散速率，并提供有关 WM 微观结构完整性的信息 （31）。胼胝体在功能偏侧化和有意识体验所需的认知、感觉和运动系统的协调中起着至关重要的作用 （32）。我们的研究结果与之前在成人和青少年中进行的 DTI 研究一致，这些研究报告了 BMI 与胼胝体中 FA 降低或 MD增加之间的相关性 （28， 33-41），并且它们与 WM 完整性在肥胖中受损的观点一致 （29）（参见 Kullmann 等人的评论;参考文献 8).该区域较低的纵向水扩散可能表明半球间连通性降低，这可能会减少左右皮层区域之间的信息整合，并导致高 BMI 儿童报告的认知障碍 （42， 43）。FA 与 fALFF 和 gFCD 的可重复线性关联与大脑活动和功能连接受大脑结构连接影响的假设一致 （44）。

较高的 BMI 与内感受、躯体运动、内侧视觉、皮质下和小脑区域的 fALFF 增加相关 （Cohen's d = 0.11）。这表明与健康体重范围内的儿童相比，肥胖或超重儿童在这些区域的局部神经元活动增加。这些发现与体重健康的男性相比，肥胖男性大脑中自发静息活动的同步性或振幅的报告一致 （45， 46）。

与 BMI 和fALFF 之间的正相关相反，与 gFCD 的关联是负的，主要影响多模式关联皮层。BMI 高的儿童表现出较低的 gFCD，在默认模式和扣带鳃盖区域的影响最强 （Cohen 的 d = 0.16）。gFCD 绘制了大脑区域的整体功能整合 （21），将协调主要静息状态网络 （48） 的少数代谢要求高的枢纽 （47） 与丰富的弱互连脑网络节点 （49） 形成对比。与 gFCD 最强的关联是在楔前叶，楔前叶是大脑中的主要枢纽之一 （49），参与高度集成的内部和外部驱动过程 （50）。fALFF 和 gFCD 伴 BMI 之间的相反模式让人想起我们之前报道的哌醋甲酯作用的模式 （51）。虽然哌醋甲酯被用来提高多动症儿童的注意力 （52），但它也会导致体重减轻，并已被用于减轻肥胖儿童的体重 （53）。在目前的研究中，楔前叶 gFCD 的增加与较高的认知评分相关，这表明 gFCD 的降低可能有助于增加肥胖风险和损害认知能力的过程。

我们的研究结果在发现和复制子样本中是可重复的，并且与先前发现肥胖或超重个体中 DMN 连接性低下一致 （54）。这些发现表明，肥胖与参与自我指涉加工的大脑网络连接的扰动有关。至关重要的是，在发现和复制子样本中，DMN 中 gFCD 和 rD 中 lD 的 BMI 相关降低呈正相关，表明 BMI 影响功能和结构性大脑连接。这一发现与胼胝体在促进跨分布式网络的功能连接方面的作用一致 （55）。由于 ABCD 研究是纵向的，因此随着时间的推移监测这些儿童将能够评估高 BMI 是否会触发结构和功能连接的中断。它还将有助于确定体重减轻的儿童是否明显连接性改善，而体重减轻的儿童则不明显。此外，检查非超重或无肥胖儿童的连接中断是否可以预测肥胖的未来发展，这表明连接受损可能是一个脆弱性因素，增加了肥胖的风险。

在本研究中，肥胖儿童的液体和总认知复合体低于健康体重范围内的儿童，并且与肥胖儿童的 BMI 成比例下降，这与 ABCD 儿童 BMI 与执行功能之间的负相关一致 （7）。在我们的研究中表现出较低认知综合评分的儿童还显示胼胝体中的 lD 降低，楔前叶的 gFCD 降低。这些发现与我们的假设一致，即液体认知障碍反映了 DMN 区域的信息整合较低 （22），并且可能受到 BMI 相关因素的影响。请注意，结晶综合评分与 BMI 之间缺乏关联与之前的 ABCD 研究一致，这些研究报告了与 BMI 相关的总认知和液体认知下降，但结晶认知则没有 （56）。尽管与肥胖儿童 lD 降低和gFCD 降低相关的机制尚不清楚，但它们可能部分反映了与肥胖相关的神经炎症变化 （57）。

较高的家庭收入与较低的 BMI 相关，这与美国儿童家庭收入与 BMI 之间的负相关一致，这在一定程度上反映了导致肥胖的食物的成本低于健康食品 （58）。收入也与胼胝体的 lD 和 DMN 区域的 gFCD 呈正相关，这与我们之前的发现一致 （15）。各种研究表明，来自低收入家庭的儿童认知能力较差 （59），皮层较薄，皮质表面积和体积较小 （14， 60-65），工作记忆 （66） 和决策 （67） fMRI 任务期间的大脑激活较低，FA较低 （68），并且在青春期更倾向于肥胖或超重 （69）。这些数据表明，超重可能反映了多种因素（饮食不当、体力活动减少、新陈代谢受损、遗传、环境毒素、内分泌状况、睡眠不足、压力和荷尔蒙失衡以及先前存在的执行控制功能障碍），导致我们在低收入家庭儿童中观察到的胼胝体和 DMN 功能连接中的 WM 扩散减少。

在这里，我们记录了 fALFF 在家庭收入和 BMI 认知表现之间关系中的部分中介作用。介导 fALFF 与肥胖对收入和认知关联的常见大脑区域包括躯体运动皮层、岛叶、扣带回和小脑。岛叶和扣带，即参与执行控制的扣带-鳃盖网络 （CON） 区域 （70），作为家庭收入和 BMI 认知表现之间的中介，与显著性网络的作用一致，显著性网络是 CON 的一部分，在控制儿童对高热量食物刺激的冲动行为中发挥作用 （71-73).由于在对肥胖或超重的学龄前儿童的研究中观察到更大的冲动和对高热量食物的偏好 （74），我们的 CMA 结果表明，脑岛和扣带等区域内较高的自发大脑活动可能会导致 BMI 的差异，可能是通过它们对与食物消费相关的冲动行为的影响。此外，fALFF 在体运动和小脑区域中的介导与它们在运动控制、感觉处理、奖励整合、冲动调节和进食协调中的作用一致 （75-77）。

尽管这些发现表明，社会经济因素部分通过其对大脑活动 （fALFF） 的影响来影响 BMI，但值得注意的是，fALFF 在认知表现对 BMI 的间接影响中的中介在大脑中显示出比在家庭收入中观察到的更普遍的模式。这表明区域脑活动对认知对 BMI 关联的间接影响的贡献超出了通过家庭收入介导的贡献。这可能反映了这样一个事实，即除家庭收入外，多种因素会影响儿童的认知能力，包括教育质量、暴露的丰富性、营养、睡眠、身体活动和遗传学等 （78）。我们的研究结果与公共卫生相关，因为它们表明，为低收入家庭提供支持的干预措施和政策将改善认知能力和大脑发育，正如最近一项基于 ABCD 的研究所表明的那样 （79）。我们的研究结果还表明，支持父母如何提高儿童认知技能 （80） 的预防干预措施可能有益于大脑发育并降低肥胖风险。它还表明，加强教育系统可能有助于预防儿童肥胖。

我们的研究结果揭示了 BMI 与家庭收入之间存在负相关关系，即使在体重健康的个体中也是如此。这表明 BMI 与社会经济地位之间的关联不仅限于肥胖，而是延伸到 BMI 值的整个范围。有几个因素可能有助于这种更广泛的关系。高收入家庭可能更容易获得更健康的食物选择、体育活动的机会和医疗保健资源，所有这些都有助于保持健康的体重 （81）。此外，与较高收入水平相关的较高教育程度可能会带来更好的营养和健康知识和实践 （82）。环境因素也起着一定的作用，因为高收入家庭通常生活在拥有更多娱乐设施和更安全的体育活动环境的社区 （82）。此外，低收入家庭可能面临更高水平的压力和心理健康挑战 （83），通过与压力相关的饮食行为和减少体育活动的机会，导致体重增加和更高的 BMI （84）。这些发现强调了在研究 BMI 和体重相关健康结果时考虑社会经济因素的重要性。旨在减少肥胖和改善整体健康的干预措施应考虑更广泛的社会经济背景，并解决影响 BMI 的资源、教育和环境因素的差异。

对于 CMA 模型 1，与 gFCD 相比，fALFF 的平均中介比例更高。这表明，与功能连接相比，自发的大脑活动可能对 BMI 的家庭收入和认知能力之间的关系产生更大的影响。虽然这两种指标都反映了大脑功能的不同方面，但这种中介比例的差异可能反映了这些大脑过程在调节饮食行为和代谢过程中所发挥的特定作用。与 CMA 模型 2 相比，CMA 模型 1 显示出更大的中介比例，表明家庭收入和认知能力直接影响大脑活动和连接，从而增加它们与BMI 的关联。我们的 CMA 研究结果还强调了儿童时期社会经济因素、大脑功能和 BMI 之间的复杂相互作用。虽然我们的 CMA 表明认知障碍影响 BMI 的途径（CMA 模型 1），但重要的是要认识到这种关系可能是双向的，与肥胖相关的代谢后果可能会影响认知功能（CMA 模型 2）。此外，BMI 和认知功能都可能受到其他因素的影响，例如社会经济地位、生活方式选择或遗传易感性。因此，我们的研究结果不应被解释为得出结论，即青少年的高 BMI 完全是由于认知缺陷，而是作为影响认知和 BMI 的多种因素复杂相互作用的一部分。图 5D 中的因果关系方向似乎有悖常理。然而，在我们的分析中，我们使用总认知分数作为认知刺激的代表。认知刺激包括挑战和吸引大脑的各种活动，可以在塑造和增强大脑连接方面发挥关键作用，尤其是在关键发育时期。通过将认知分数表示为影响连通性，我们旨在强调这种关系的动态和互惠性质。认知刺激反映在更高的认知表现分数上，可以改善大脑连接性，就像强大的连接性可以支持更好的认知功能一样。这种双向关系强调了在理解大脑-行为交互时考虑两个影响方向的重要性。

我们研究的其他局限性包括参与者的年龄范围受到限制，这可能会限制研究结果对大脑发育其他阶段的适用性。此外，应注意，与更广泛的美国人口相比，ABCD 研究中极低收入家庭的代表性不足。虽然 ABCD 样本和美国人口之间的父母教育水平处于较低水平，但与美国人口相比，ABCD 研究中获得学士学位的父母比例相对较高。本研究中大多数效应的幅度相当适中，它们之所以具有统计学意义，主要是因为 ABCD 数据集的样本量非常大。BMI 也与家庭收入呈负相关，即使在体重健康的个体中也是如此，他们的 BMI 通常在 15 到 20 之间。这表明 BMI 与家庭收入之间的关联不仅仅是由肥胖驱动的，还反映了影响整个 BMI 范围内个人的更广泛的社会经济影响。

总之，我们证明了 BMI 与 9 至 10 岁儿童的认知能力、家庭收入、自发的大脑活动以及功能和结构性大脑连接之间存在一致、适度的关联。认知能力差与 BMI 之间的关联部分反映了显着网络以及躯体运动和小脑区域的自发性大脑活动增加，这在低收入家庭的儿童中尤为突出。尽管我们的数据表明，低收入和认知障碍在一定程度上影响 BMI 是因为它们在大脑中的影响，但这些关联也是双向的。高 BMI 及其不良代谢影响，如神经炎症，可能会影响大脑和认知。

4 方法

性别是一个生物变量。这项研究的结果并不仅适用于 1 种性别，因为女孩和男孩都包括在分析中。具体来说，女孩 （n = 3,414） 和男孩 （n = 3,696） 都参与了这项研究，确保了两性的代表性。性别在出生时定义，并根据生物学特征确定。本研究数据源自 ABCD 研究，它收集了性别和性别数据，确保了全面的数据收集实践。BMI 对大脑连接的影响没有显着的性别差异。因此，性别在统计分析中被视为不感兴趣的协变量，以解释与性别相关的任何潜在变异性。

参与者。多中心纵向 ABCD 研究对 11,800 多名儿童进行了为期 10 年的跟踪调查，包括年度实验室评估和两年一次的 MRI。如果儿童有医疗、神经或认知问题，则被排除在外;英语水平差;或 MRI 的禁忌症 [85]。

在本研究中，我们分析了 2.0 数据发布中报告的 ABCD 研究中 9,521 名儿童的基线神经影像学和行为数据，这些儿童的 WM 扩散指标和静息态 fMRI 数据以连接信息学技术倡议 （CIFTI） 格式可用。在功能连接分析中，我们排除了 560 名在静息态 fMRI 期间头部运动水平过高的参与者 （> 50% 的时间点有框架位移，FD < 0.5mm），282 名体重不足 （BMI <第五个百分位数），以及 284 名缺少关键信息 （BMI、认知综合评分或家庭收入） 的参与者。我们将研究限制在非裔美国人、西班牙裔和白人群体中，以尽量减少我们分析的可变性。这种方法有助于确保样本更加同质，并减少与种族相关的潜在混杂因素。因此，我们排除了 1,105 名亚裔 （n= 162） 或混合 （n = 943） 种族/族裔的参与者，以保持这一重点并提高我们在特定群体中研究结果的可靠性。因此，BMI 和静息态功能连接研究的最终样本包括 7,290 名儿童（3,501 名女孩和 3,789 名男孩）。关于结构连接指标的研究仅限于其中的 4,797 名参与者（2,386 名用于发现，2,411 名用于复制;2,283 名女孩和 2,514 名男孩），他们在 ABCD 研究中接受了西门子扫描仪的 MRI 测量，以最大限度地减少 DTI 指标在 MRI 扫描仪上的可变性 （86）。

体重指数。儿童的 BMI 是从 ABCD 青年人体测量学数据 （abcd_ant01.txt） 中提取的，该数据是从国家研究所心理健康数据档案 （NDA;https://nda.nih.gov/）。我们使用疾病控制和预防中心 （CDC） 国家卫生统计中心提供的临床生长图表来确定基于年龄和性别 （https://www.cdc.gov/growthcharts/clinical_charts.htm） 的 BMI 百分位数，以确定健康体重 （BMI <第 85 个百分位数<第五个百分位数）和超重/肥胖 （BMI >第 85 个百分位数）。

行为数据。我们从 NDA 下载了标准的液体、结晶和总认知综合评分，这些评分是在 NIH 工具箱中计算的 （23）。使用以下测试计算未校正的流体综合评分：（a） 模式比较处理速度;（b） 列表排序工作记忆;（c） 图片序列存储;（d） 埃里克森侧翼任务;（e） 维度变化卡片排序任务。使用 （f） 口语阅读识别和 （g） 图片词汇测试计算结晶综合分数。液体和结晶复合材料用于计算总认知综合评分。

家庭收入。ABCD研究使用 10 个收入等级调查了家庭年收入：（a） < 5,000 美元;（b） 5,000 美元至 12,000 美元;（c） 12,000 美元至 16,000美元;（d）16,000 美元至 25,000 美元;（e） 25,000 美元至 35,000美元;（f）35,000 美元至 50,000 美元;（g） 50,000 美元至 75,000美元;（h）75,000 美元至 100,000 美元;（i） 100,000 美元至200,000 美元;（j） > 200,000 美元。这些数据是从 NDA 下载的。

抑郁症。为了评估抑郁症导致的功能损害，我们使用了从 NDA 下载的 ABCD 家长诊断访谈 （abcd_ksad01）。

MRI 数据。对于功能连接分析，我们使用了 ABCD-脑成像数据结构 （ABCD-BIDS） 社区集合 （ABCC） （https://collection3165.readthedocs.io/en/stable/），其中包括来自 10,038 名已通过质量保证的儿童的静息态 fMRI 数据 （87）。ABCD-BIDS 使用修改版的人类连接组项目 （HCP） 管道来容纳来自所有 21 个 ABCD 站点的 GE、Phillips 和 Siemens 扫描仪和头线圈，从而最大限度地减少了 MRI 扫描仪差异造成的不必要的变化。ABCD 成像程序是 3T MRI 扫描仪（Siemens Prisma、Phillips 和 General Electric 750 扫描仪）的标准化程序，这些扫描仪配备了成人尺寸的多通道线圈，能够进行多波段回波平面成像 （EPI）。这些程序已在 21 个站点实施，更多详细信息可以在 refs 中找到。86 和 88。总之，结构 MRI 采用 3D T1w 反演制备的射频破坏梯度回波和具有 1 mm 各向同性分辨率的 T2w 可变翻转角快速自旋回波脉冲序列。fMRI 数据是使用 T2* 加权多波段EPI 获取的，参数包括 30/800 ms 的 TE/TR、2.4 mm 的各向同性分辨率、52° 的翻转角、覆盖整个大脑的 60 个切片和 6 （88） 的多波段切片加速度。使用多波段 EPI （89， 90） 获得具有 1.7 mm 各向同性分辨率的弥散 MRI 数据，切片加速因子 = 3，五个 b 值（b = 0、500、1000、2000 和 3000 s/mm）2）和 96 个扩散方向 （86）。在 ABCD 2.0 数据发布中，采用概率方法自动标记所有主要 WM 束 （91），同时排除 GM 和脑脊髓液 （CSF） 体素 （86）。

再现性。参与者被分为 3 个独立的人口统计学匹配子样本：发现（n = 3,597，女孩 = 1,765）、复制（n = 3,513，女孩 = 1,649）和正常性（n = 180;女孩 = 87），该状态基于可能影响大脑发育的社会人口学因素（年龄、性别、种族、年级、父母的最高教育水平、惯用手）（87）。

质量保证。ABCD 研究的自动化 QA 程序详见其他处 （86）。此外，图像还针对扫描仪特定的梯度失真和强度不规则进行了校正。训练有素的评估人员审查了图像是否存在潜在问题，例如质量低下和伪影，例如模糊、重影或振铃，这可能会阻碍大脑分割 （86）。

ABCD-BIDS 管道。与 HCP 管道一样，ABCD-BIDS 管道由 5 个连续的步骤组成：PreFreesurfer，执行结构数据的大脑提取、去噪和标准化为标准模板;Freesurfer 使用 FreeSurfer（86） 进行大脑分割并创建脑表面，FreeSurfer 已被验证可用于儿童 （92）;PostFreesurfer，将大脑表面转换为与 HCP 兼容的 CIFTI 格式;fMRIVolume，将函数时间序列注册到体积标准模板;和 fMRISurface，将功能时间序列数据转换为 CIFTI 格式。HCP 和ABCD-BIDS 管道之间的差异在其他地方有完整的描述 （87）。简而言之，ABCD-BIDS 管道不需要 T2w 图像，并在 PostFreeSurfer 中对标准图谱执行非线性配准，从而提高了配准的有效性。此外，ABCD-BIDS 管道使用 ANTS （93） 进行非线性配准，其性能始终优于其他非线性配准方法 （94）。此外，ABCD-BIDS 管道中的 fMRISurface 步骤包括功能连接预处理，可将真实的头部运动与呼吸相关磁场变化引起的虚构运动分开 （95）;它通过回归时变头部运动、WM 和CSF 信号以及可能影响组比较的全局信号来执行标准去噪 （96， 97）。此过程适用于从 Freesurfer 获得的 360 个皮质分区 （98） 和19 个皮层下分区内的密集 （dtseries） 和打包 （ptseries） CIFTI 数据集。

头部运动。使用 ABCD-BIDS 管道确定的运动删失数据用于消除 FD > 0.5 mm 的时间框架。解决头部运动问题在儿科结构和功能神经影像学中至关重要 （99）。为了解决这个问题，我们还考虑了个体在静息态 fMRI 扫描期间的平均 FD 作为他们在扫描仪中头部运动倾向的指标。

结构连接。为了从 FA、rD、lD 和 MD 的扩散张力成像测量中评估 WM 完整性，我们使用了表格化的扩散成像指标，这些指标可从 NDA 下载并在其他地方描述 （86）。

fALFF 和 gFCD。fALFF 用于量化 0.01-0.10 Hz 低频带宽中静息 fMRI 信号波动的比例 （20），这是大脑活动的标志物 （100）。gFCD 映射 （49） 用于量化给定大脑坐标与所有其他大脑坐标的功能连接密度。gFCD 等于功能连接总数的对数，这是使用 Pearson 相关 （49） 计算的。具体来说，如果 2 个灰坐标的时变信号具有相关性 R > 0.6 （21），则认为它们具有功能连接。使用 Matlab 2017b （MathWorks） 和 NIH 的 Biowulf 集群 （https://hpc.nih.gov/） 在单个时间序列的每个大脑灰度 （47） 处映射 fALFF 和 gFCD，n = 91,282 个灰度 （101） 和最多 1,520 个时间点 （20 分钟）。

ROI分析。独立计算每个人 379 个分区和 28 个小脑分区 （102） 中每个分区的平均 ROI 值，以评估 fMRI 指标 （fALFF和 gFCD） 与认知和家庭收入的关联。

功能专业化指数。为了评估 ROI 的整体功能专业化，我们使用了人类大脑皮层的多模态分割 （98），它记录了每个 ROI 与 3 个听觉、躯体运动和视觉领域的关联程度。具体来说，功能特化指数是根据领域 S 之间特化的绝对差异来定义的1= 听觉与体感;S2= 听觉与视觉;和 S3= 体感与视觉作为功能专业化指数 = max（S我） – 平均值 （S我），并在 360 个atlas 分区中标准化为 1 （26）。

中介分析。“中介”包 （103） 用于估计因果中介效应 （104）。使用一千个自举样本和协方差矩阵的异方差一致性估计器来估计平均直接效应 （ADE） 和平均因果中介效应 （ACME） 以及中介比例。

参考文献

Tomasi D, Volkow ND. Childhood obesity's effect on cognition and brain connectivity worsens with low family income. JCI Insight. 2024 Jul 9;9(16):e181690. doi: 10.1172/jci.insight.181690. PMID: 38980723; PMCID: PMC11343596.

解读：范美怡