FPCN网络对MS的预测模型的建立具有重要意义，FPCN中额中回、额上回和顶下叶，对MS的预测至关重要。
记忆抑制(MS)对精神健康至关重要。然而，还没有研究探讨内在静息状态功能连接(rs-FC)是如何预测这种能力的。Wenjing Yang等采用基于静息状态的fMRI数据的连接组预测模型(CPM)研究预定义的脑网络(额顶控制网络/FPCN)中的rs-FC曲线是否以及如何预测497名参与者的MS。
该研究采用思考/不思考范式，通过MS诱发的遗忘来评估MS能力。FPCN特异性模型能很好地预测MS能力，MS的实际得分和预测得分之间存在显著的相关性，r=0.52，P<0.001，Pperm <0.001。该研究保留了出现在所有回合中的FCS，并将这些FCS定义为共同的消极和积极网络。MS能力方面，普通负向网络包含175条边(占所有可能边的2.9%)，正向网络包含167条边(占所有可能边的2.8%)。通过对每个连通FCS的特征权重进行汇总，定义了FPCN各区域的区域级特征权重。MS负性网络的关键节点主要有MFG、额上内侧回、MFG背侧和额下回。SIF阳性网络的关键结节主要有MFG、内侧SFG和旋转背下顶下叶(IPL)。额顶控制网络特有的功能连接模型可以预测抑制诱导遗忘(SIF)得分。(A)预测模型中的预测性能。(B)特征权重等于或大于0.9的正负功能连接。(C)额顶控制网络个脑区的区域水平特征权重，通过汇总每个相连的FCS的特征权重来定义。不同网络的预测性能，交叉验证(CV)策略和特征选择阈值。(A-C)不同网络的功能连通性模型的留一交叉验证(LOOCV)预测性能，特征选择阈值从0.05%到0.0001([005：005：0.0001])。(D-F)不同网络的功能连接模型在特征选择阈值范围内的10倍CV预测性能，范围从0.05%到0.0001([0.05%：0.05%：0.0001])。只有对SIF得分有显著预测作用的模型才标上数字(Pperm<0.05，经FDR校正)FPCN网络对MS的预测模型的建立具有重要意义，FPCN中额中回、额上回和顶下叶，对MS的预测至关重要。此外，FPCN与多个网络(如背侧注意网络(DAN)、腹侧注意网络(VAN)、默认模式网络(DMN)、边缘系统和皮质下区域)之间的功能相互作用使MS的预测成为可能。重要的是，预测性FPCN网络是稳定的，并且是MS特有的。这些结果表明，FPCN的灵活性与其他网络相互作用，是解释MS能力的基础。这也将有助于理解这些功能网络的变化是如何导致以某些精神障碍为特征的侵入性思维和记忆的。Yang Wenjing,Zhuang Kaixiang,Liu Peiduo et al. Memory Suppression Ability can be Robustly Predicted by the Internetwork Communication of Frontoparietal Control Network.[J] .Cereb Cortex, 2021, undefined: undefined.可加梅斯小编：caro654308545 入群～！