网易首页 > 网易号 > 正文 申请入驻

数字学习的神经生物学

0
分享至

Neurobiology of numerical learning

数字学习的神经生物学

https://www.sciencedirect.com/science/article/pii/S0149763424000137



摘要

数值能力是应对现代世界需求的复杂认知技能。尽管人们早已认识到不同物种数值认知背后的脑结构与功能,但遗传学和分子技术最近扩展了我们对数值学习机制的认识。在本综述中,我们讨论了与数值能力神经生物学基础相关的研究现状。我们考察了遗传因素如何与数学能力相关联,以及这些关联如何与当前关于人类和非人类动物中支撑这些能力的脑区知识相联系。我们进一步探讨了特定神经递质水平的显著变化在多大程度上可用作个体表现和学习困难的潜在标记,并考虑了脑刺激方法在调节学习和改善干预结果方面的治疗潜力。最后讨论了这项研究对构建更全面的数学学习神经基础观点的意义。

关键词: 数值认知 神经生物学 遗传学 数学能力 脑结构 计算障碍

1. 引言

数值能力对多个物种都至关重要。在现代社会中,它们对于许多基本和高级的日常活动都是必不可少的,例如管理金钱、看时间、打电话、使用密码、进行测量等。然而,人类成年人与幼婴(例如,Benavides-Varela 和 Reoyo-Serrano, 2021; de Hevia, 2016; Feigenson 等, 2002; Hyde 和 Spelke, 2011)以及非人类动物(例如,Agrillo 等, 2006; Agrillo 和 Bisazza, 2018; Rugani, Cavazzana 等, 2013; Rugani 等, 2008; Rugani, Vallortigara 等, 2013)共享一部分基础数值技能,这些技能被认为是更复杂数值推理的进化基础(Dehaene, 2011)。例如,幼婴能够区分包含少量物品的序列(如 1 vs 2、2 vs 3 块饼干),但在数量较大时(如 3 vs 4)则无法区分,无论是在视觉领域(Feigenson 等, 2002)还是听觉领域,也无论是语言刺激还是非语言刺激(Benavides-Varela 和 Reoyo-Serrano, 2021)。行为研究得到了神经数据的支持,这些数据揭示了 6–7.5 个月大的婴儿对小数(1–3)和大数(8–32)数值表征存在可分离的神经反应特征(de Hevia, 2016; Hyde 和 Spelke, 2011)。同样,与非人类动物的比较研究也表明,例如食蚊鱼在大数范围内能够以 1:2 的比例区分鱼群(如 2 vs 4、4 vs 8 和 8 vs 16),但无法以 2:3 的比例区分(如 8 vs 12)。而在小数范围内,当两组数量相差一个元素时,鱼类能够区分 2 vs 3 或 3 vs 4 条鱼。Rugani 等人(2008)在小鸡身上也报告了类似的结果,即使控制了面积和周长等其他数量线索后依然如此(Rugani, Vallortigara 等, 2013)。

这部分基础数值能力为个体提供信息并促进与环境中的同种个体数量、食物、捕食者或猎物相关的快速适应性行为,从而提供生存和繁殖优势(Butterworth, 2022; Butterworth 等, 2018; Nieder, 2020)。从人类生命周期的角度来看,如果这些能力没有得到充分发展,可能会导致一种称为计算障碍(dyscalculia)的神经发育障碍(Ardila 和 Rosselli, 2002; Butterworth, 2019)。

通过评估人类成人、婴儿和非人类物种表征和区分非符号数量(例如点集、物体、声音等)并对这些表征进行简单运算的能力,经常可以证实它们具备基础的数字处理能力。据报道,这种数字处理能力存在于哺乳动物(Brannon 和 Terrace, 1998; Cantlon 和 Brannon, 2006; Merten 和 Nieder, 2009)、鸟类(Kirschhock 等, 2021; Pepperberg, 2006; Rugani 等, 2009, 2015)、鱼类(Agrillo 等, 2017; Potrich 等, 2015a, 2019, 2022)、爬行动物(Gazzola 等, 2018; Miletto Petrazzini 等, 2018)、两栖动物(Stancher 等, 2015)和无脊椎动物(Bortot 等, 2019, 2020, 2021; Dacke 和 Srinivasan, 2008; Giurfa, 2019)中。这些基础数值处理能力由两个系统支撑(Benavides-Varela 等, 2018; Hyde, 2011)。首先是一个非符号且独立于语言的机制,即近似数量系统(Approximate Number System, ANS),它支持对集合中物体数量的类比和粗略表征,并使个体能够区分不同数量的集合(Feigenson 等, 2004)。近似数量感并不特别精确,而是相对嘈杂。参与者在 ANS 任务上的准确性取决于比率,并遵循韦伯-费希纳定律(Weber-Fechner’s Law),这意味着随着两个数字之间差异的减小,个体区分这两个数字变得越来越困难(Dehaene, 2011; Ditz 和 Nieder, 2016; Mechner, 1958; Moyer 和 Landauer, 1967; Piazza 等, 2010; Potrich 等, 2015a; Skorupski 等, 2018)。第二个支持数值能力的系统是客体追踪系统(object tracking system),它致力于精确和准确的感知,但仅限于小数量(即 1 到 4)。该系统支持在不经过任何计数或估计过程的情况下迅速掌握集合中物体数量的能力(也称为“感数”,subitizing)(Atkinson 等, 1976; Cantrell 和 Smith, 2013; Feigenson 等, 2004)。

在过去的几十年里,研究已经基于行为和脑活动测量评估并研究了这些基础数值处理能力。然而,直到最近几年,研究才开始采用基于分子和遗传机制的技术来研究数值认知。同样,研究也是最近才开始探索大脑特定区域神经递质浓度的变化如何调节数值学习能力。尽管这项创新研究才刚刚起步,但它扩展了目前对数值能力在进化和发育过程中如何发展和运作的理解。此外,它们还为理解个体差异和数学学习障碍开辟了新的视角,并为改善临床群体和教育环境中的数学能力提供了潜在的应用途径。

本综述旨在概述这些有前景的正在进行的研究方向。最终目标是推进 tentative links(初步联系),跨越那些确定了功能性脑区、信号分子(即神经递质)浓度变化以及导致数值缺陷风险的候选基因的研究,从而为数学学习的神经基础贡献一个全面的神经科学观点。

2. 人类与非人类动物中的非符号数值加工与脑激活

数值认知涉及多种过程,从数量的心理表征基本机制到复杂的算术程序。本节简要概述了参与人类基础非符号数字加工(例如,表征给定数量的点并将其与另一组点进行比较)的主要脑区。这并非对数值认知神经影像学的全面综述;如需更多背景信息,建议读者查阅其他近期文献(例如,Ferrigno 和 Cantlon, 2017; Hyde, 2021; Moeller 等, 2015)。

过去30年来,与基础非符号数字加工相关的功能性脑系统已得到充分描述(Dehaene, 1997; Dehaene 等, 1999, 2003)。后顶叶和前额叶皮层的皮质区域已被确定为支撑数量处理的两个主要区域(例如,Dehaene, 1996; Piazza 等, 2004, 2007; Pinel 等, 2001)。特别是,神经影像学研究反复报告称,在人类成人执行各种数值任务时,双侧顶内沟(IPS)均被激活。例如,当参与者接触一系列偶尔改变数量的点集时(Piazza 等, 2004),或当他们被要求估计集合的数量时(例如,Castelli 等, 2006; Piazza 等, 2006)。无论刺激是以听觉形式(一系列音调)还是视觉形式(一系列点)呈现,IPS都会参与处理(Piazza 等, 2006);此外,当个体执行需要使用符号的数值任务时,如阅读阿拉伯数字(Dehaene 等, 2008)或进行计算(Dehaene 等, 2003),IPS同样会被激活。这表明IPS专门用于处理数值信息,且独立于刺激的呈现方式和任务需求。

有趣的是,IPS——尤其是右半球——似乎从发育的最初阶段就致力于处理数值信息。当儿童接触数量不断变化的点流时,该区域会被优先激活;但当流中的数量保持恒定而物体身份发生变化时,该区域则不会被激活(Cantlon 等, 2006; Kersey 和 Cantlon, 2017)。一项针对4岁儿童的功能性磁共振成像(fMRI)研究发现了双重分离现象:背侧顶内区对数值变化敏感,而腹侧枕颞系统则对物体身份产生反应。这种分离甚至在更早的发育阶段就已出现,即在3个月和6个月大时(Hyde 等, 2010; Izard 等, 2008),此时婴儿对世界的经验还很有限。这些发现强调,右侧顶叶区域对数值转换的激活具有生物学根源,在个体发育中得以保留,并且在人类接受符号教育之前就已经具备功能。

除了IPS的参与外,一些研究报告了前额叶皮层(PFC)的激活也与基础数字处理有关(例如,Cantlon 等, 2006; Izard 等, 2008; Jacob 和 Nieder, 2009; Piazza 等, 2007)。该区域已被确认参与人类和非人类灵长类动物的数值估计(Nieder 等, 2002; Piazza 等, 2007)。Piazza等人(2007)的一项fMRI研究使用适应范式证明,当人类成人接触到数值偏差刺激时,PFC和额下皮层会被激活。随后,另一项fMRI适应研究重复了这一结果(Jacob 和 Nieder, 2009)。后者不仅证实了PFC对数值变化的反应,还提供了证据表明这种反应是特异性的,而非对偏差的一般性反应,因为该区域对颜色等非数值维度的变化没有反应。类似的发现在针对学龄前儿童(Cantlon 等, 2006)和学龄儿童(Ansari 和 Dhital, 2006)的fMRI研究中也有报道。Ansari和Dhital(2006)的另一项研究还显示,PFC的激活会受到距离效应的影响,即对于数值距离较小(较难比较)的刺激,其激活水平高于数值距离较大(较易比较)的刺激。

有趣的是,年龄、任务需求和练习等多种因素可能会相互作用并影响PFC在处理人类数值信息时的参与程度。神经激活的年龄相关变化表现为:在执行相同的非符号量级比较任务时,学龄儿童比成人更多地招募额叶区域(Ansari 和 Dhital, 2006);这一现象在测试符号数字处理和算术的研究中也存在。此外,无论是正常发育的儿童还是成人,算术能力的提升都会导致激活模式从额叶脑区向IPS中更特异的功能反应转移(例如,Ansari 等, 2005; Arsalidou 和 Taylor, 2011; Kaufmann 等, 2006; Kucian 等, 2008; Zamarian 等, 2009)。因此,算术程序的自动化似乎会导致PFC参与度的降低。

除顶叶和额叶区域外,最近的研究还发现了与基础视觉数值加工相关的脑活动——特别是源自初级感觉系统的早期事件相关电位(ERPs)(例如,Arsalidou 和 Taylor, 2011; DeWind 等, 2019; Fornaciai 等, 2017; Park 等, 2016)。然而,与其他脑区相比,关于初级感觉区域对数值信息激活的研究仍处于起步阶段。Park等人(2016)比较了双侧枕顶区和枕叶皮层对数值变异的ERP反应。作者发现,枕顶区的ERP反应受数量调节,峰值出现在约180毫秒处。此外,在内侧枕叶皮层,他们观察到了更早的反应,约在75毫秒处,这表明数值维度在视觉层面(枕叶皮层)就被早期感知到了。随后,Fornaciai等人(2017)重复了Park等人(2016)的结果,显示数量对ERP的影响在刺激呈现后175–275毫秒达到枕顶区峰值,而在内侧枕叶区则在75–125毫秒更早出现。此外,他们还发现在内侧枕叶皮层,与刺激的上下位置呈现相关的ERP极性反转分别出现在早期的55毫秒和90毫秒。这种极性反转反映了早期视觉皮层(V1、V2和V3)参与了数值加工。因此,初级视觉区域可能是提取视觉数值信息的第一个皮层阶段,因为其相关的ERP潜伏期短于顶叶区域的ERP。最近,DeWind等人(2019)利用全脑fMRI方法扩展了脑电图(EEG)的发现,从而补充了此前仅限于枕顶区和枕叶电反应的研究。结果重复了Fornaciai等人的研究,显示了数量变化对信号强度的影响。事实上,早期视觉皮层中的血氧水平依赖(BOLD)信号强度随阵列数量的增加而增加,且独立于其他非数值视觉特征。值得注意的是,这条通路可能仅支持数量的视觉表征。如果是这样,未来的研究还需解决当涉及其他感觉模态时,数值信息流在大脑中是如何传递的问题。此外,这些研究主要集中在成人的数量表征上。一个有趣的问题是,初级感觉过程在发育早期参与的程度有多大。

初级感觉通路的另一个区域,即丘脑,也被认为参与了人类的数值信息处理。一项针对成人的适应研究发现,当重复呈现相同数量的集合时,丘脑区域的激活减少(Piazza 等, 2007),这表明该区域可能参与了数值信息的编码。当成人执行近似判断任务时,无论刺激模态如何,都观察到了左侧丘脑的激活(Stanescu-Cosson 等, 2000)。同样,一项针对儿童的研究也发现丘脑区域在数量估计任务中有显著参与。此外,该研究还显示,数学能力较低的儿童右侧丘脑的反应显著强于高能力同龄人(Kovas 等, 2009)。这表明,童年时期丘脑的偏侧化激活可能被视为基础数值能力个体差异的一个潜在标志。

值得一提的是,一些研究并未在核心数量区域发现与数量相关的激活,并且发现大脑的其他区域(如小脑和岛叶)也参与了基础数值任务(Kovas 等, 2009; Shuman 和 Kanwisher, 2004)。例如,Kovas等人(2009)以及Shuman和Kanwisher(2004)对“IPS特异性地表征抽象数值量级”这一假设提出了挑战。具体而言,Kovas等人(2009)根据数学能力的高低将10岁的参与者分为两组。这两组表现出相似但也不同的脑激活模式。两组在特定脑区(如岛叶)的相似反应被解释为该区域对所有儿童的数值能力都具有功能性作用。而高能力儿童与低能力儿童在小脑、左侧屏状核、右侧距状沟、左侧舌回和右侧丘脑区域等区域的反应差异,则暗示了在核心数量区域之外存在一个广泛分布的网络参与其中。根据作者的观点,这些网络可能决定了不同的数学能力。Shuman和Kanwisher(2004)通过在成人参与者中进行三个实验来探究非符号数字处理是否会引发hIPS激活:数字比较任务、适应范式以及操纵难度的数值任务(“距离效应”)。这三个实验的结果与之前的文献和预测相反。首先,结果显示在任何感兴趣的区域(包括hIPS区域)均未观察到数量重复的适应效应。其次,IPS对数字的反应并不比对颜色(控制条件)更强,且激活水平不随任务难度变化而变化。作者假设,未能在IPS中证明非符号数字的特异性领域激活,是因为该区域既参与数值处理,也参与不涉及数字的其他处理过程(即颜色)。

综上所述,这些研究极大地促进了我们对支撑人类表征和操作数量能力的脑区的识别。多项使用不同神经影像技术和范式的成人研究表明,后顶叶和前额叶皮层支撑着人类的基础数值技能。除IPS和前额叶皮层外,研究人员最近还强调了初级视觉皮层和丘脑区域在人们处理数值信息时的参与,但这些新发现仍需进一步研究加以证实。从发育的角度来看,研究表明类似的区域在生命早期就支持数值处理能力。然而,与成人相比,儿童表现出更强的后顶叶区域右侧偏侧化激活以及前额叶区域激活的增加(另见Salillas 等, 2023的最新综述)。

是什么导致了数值认知及其支撑脑系统的特化出现?它最初是为了解决什么问题而产生的?数值表征能力并不局限于人类物种。正如下一节将要概述的那样,关于非人类动物数值表征能力神经基础的研究阐明了这些能力的进化起源,并有助于理解数值推理背后的基本计算机制。

2.1. 支持基础数值加工的神经机制是否与其他物种共享?

人类和非人类动物都具备数量感,因为在处理非符号数量时它们表现出相似的反应,例如它们都展现出近似数值能力、距离效应、比率依赖性表现等(例如,Beran 和 Beran, 2004; Brannon 和 Terrace, 1998; Cantlon 和 Brannon, 2005, 2006; Miletto Petrazzini 和 Wynne, 2016; Nieder, 2005)。这些相关的行为发现证明,数值能力是一种系统发育上较早出现的机能。然而,它们留下了一个未解的问题:跨物种的相似行为模式究竟是源于大脑的同源性,还是通过进化过程中独立的大脑功能和结构而获得的。为了应对这一关键挑战,比较神经科学研究采用了不同的技术来直接探索特定脑区的激活以及这些区域内单个神经元的放电如何支撑并关联动物的数值技能(综述见 Nieder, 2021)。

早期针对猴子的神经生理学研究使用了延迟样本匹配范式,在该范式中,动物经过训练后需在短暂延迟后判断两个连续的视觉展示是否包含相同数量的物品。研究发现,尽管待判断元素的物理外观差异巨大,猴子仍能做出准确判断。更重要的是,研究还揭示了存在编码特定数量的神经元。这些神经元对视觉展示中的物品数量具有调谐性:当呈现其偏好数量时,它们达到放电峰值;而随着与目标数量距离的增加,其反应会减弱(Nieder 等, 2002; Nieder 和 Merten, 2007; Viswanathan 和 Nieder, 2015)。

这些神经元位于何处?对数量有调谐性的神经元主要位于外侧顶内区(LIP;例如,Nieder 和 Miller, 2004; Roitman 等, 2007)和腹侧顶内区(VIP;例如,Nieder 和 Miller, 2004; Tudusciuc 和 Nieder, 2007)。因此,这些神经元的定位揭示了其与人类神经影像学研究中常报告的顶内沟激活之间存在合理的同源关系。关于后顶叶区域参与数值处理的额外证据来自对不同哺乳动物(如猫和狗)的电生理学和fMRI研究(例如,Thompson 等, 1970)。例如,Aulet等人(2019)使用fMRI研究了清醒状态下被动观看不同数量点阵(2、4、6、8和10个点)的狗。结果显示,该物种自发区分数值信息的能力同样由顶颞叶的激活所支持,且激活程度随数值比率的变化而变化。因此,人类与非人类大脑反应的相似性指向了顶叶联合皮层区域的一个进化前体,这可能有助于破译贯穿系统发育产生数量感的密码(Nieder, 2021),并阐明人类更复杂数值能力的根源(Nieder 和 Dehaene, 2009)。

与人类一样,猴子体内与数量相关的信息不仅在顶叶皮层中处理,也在额叶中得到表征,特别是在外侧前额叶皮层(Nieder, 2012; Nieder 等, 2002; Nieder 和 Merten, 2007; Nieder 和 Miller, 2003, 2004)。PFC中选择性响应数量的神经元激活似乎独立于连续变量(如阵列的物理变化)(Nieder 等, 2002; Nieder 和 Miller, 2004)。此外,当以听觉形式或作为运动动作呈现数量时,也能观察到灵长类动物PFC的激活(Sawamura 等, 2002)。因此,有观点认为,抽象数值信息首先在顶叶皮层编码,随后可能传递至PFC,在那里被维持以获得对行为的控制(Nieder 和 Dehaene, 2009)。因此,这种支持大脑基础数值表征的“顶叶-额叶”信息流似乎是人类和其他灵长类动物共有的。

最近的研究旨在探究在系统发育上与人类相距较远的动物是否表现出可比的神经相关物,并在面对数值信息时呈现相似的脑激活。针对鸟类(特别是鸦科动物)的有趣研究确定了鸟类尾外侧新纹状体(NCL)可能是哺乳动物PFC的同源结构。具体而言,单细胞记录研究观察到,在接受过类似非人类灵长类动物顶内沟训练任务的乌鸦NCL中,存在选择性响应数量的神经元激活(Ditz 和 Nieder, 2015; Kirschhock 等, 2021),在幼鸡中也观察到了类似现象(Kobylkov 等, 2022)。此外,在未接受训练的乌鸦NCL中也发现了相同的数量神经元激活,证实了该皮质区域在数值处理方面具有自发的倾向性(Wagener 等, 2018)。然而,正如Stacho等人(2020)所指出的,这种相似性可能应被视为趋同演化(homoplasy)而非同源(homology),因为NCL并不具备哺乳动物PFC特有的分层结构。

综上所述,针对人类和非人类灵长类动物的研究表明,这些物种之间存在共同的数值加工神经基础。事实上,不同物种在接触数字或参与区分及估计任务时,均表现出顶叶-前额叶皮层的神经激活。此外,即使在系统发育上比灵长类离人类更远的哺乳动物(如狗)身上,也观察到了顶叶激活。最后,在鸟类中也观察到了与数值处理相关的可比脑激活:鸟类的NCL似乎是哺乳动物PFC的一个有前景的趋同演化区域。

值得注意的是,迄今为止大多数关于脑激活和神经相关物的证据都来自脊椎动物,尤其是非人类灵长类动物、鱼类和鸟类。为了更好地理解数量感的神经起源,需要对不同的脊椎动物和无脊椎动物进行比较分析。例如,针对爬行动物(Miletto Petrazzini 等, 2017)、蜜蜂和蜘蛛的有前景的研究突出了这些物种的数量感和复杂的数值技能(例如,Bortot 等, 2019; Cross 和 Jackson, 2017; Giurfa, 2019; Giurfa 等, 2022)。例如,蜜蜂能够根据视觉模式信息来判断降落在觅食地点所需的标志物数量(Chittka 和 Geiger, 1995)。这些动物的特定脑区,即双侧蕈状体和中央复合体,被假设为可能的数值处理中心,并且与数值任务中被激活的哺乳动物皮质区域同源(Tomer 等, 2010)。Vasas和Chittka(2019)最近使用受昆虫启发的神经网络模型评估了这一假设,但到目前为止尚未收集到关于脑激活的数据。研究这些在系统发育上与脊椎动物相距甚远的物种的脑活动,可能会为数值加工的进化基础提供新的见解。这也可能有助于当前关于以下问题的公开辩论:即类似的数值能力行为证据是源于所有脊椎动物的共同祖先(例如,Cantlon, 2012),还是源于动物在其进化路径上为生存而面临的自然选择压力。第一种假设意味着所有物种都拥有从中发展出数值能力的相同大脑结构;而第二种假设则认为,这些能力源于相似的生存挑战,并通过遗传传递给后代以确保物种的生存(例如,Nieder, 2021)。

2.2. 分子技术对理解数值加工神经相关物的贡献

采用更精细的分子技术有望为研究支撑数值过程的神经相关物开辟新方向。这已成为动物模型(特别是家鸡和斑马鱼)中创新研究的焦点。鱼类的数值能力已有大量文献记载(例如,Agrillo 等, 2012; Miletto Petrazzini 等, 2012; Petrazzini 等, 2015;综述见 Agrillo 等, 2017; Agrillo 和 Bisazza, 2018)。例如,Hager 和 Helfman(1991)以及 Mehlis 等人(2015)的行为研究表明,当被置于陌生环境中时,个体鱼类倾向于加入两个鱼群中较大的那个。此外,与其他物种一样,鱼类也表现出比率依赖性区分能力,这意味着它们的表现符合韦伯定律(Weber’s law)(Agrillo 等, 2008; Potrich 等, 2015b)。

最近,Messina 等人(Messina 等, 2020, 2022b)利用技术进步研究了斑马鱼离散数量估计所涉及的脑区。他们实施了习惯化/去习惯化行为范式,并结合了分子生物学分析。首先让鱼对一组视觉刺激(3个或9个小红点)产生习惯化。五小时后,在去习惯化阶段,鱼接触到一种新的刺激,其数量发生变化(从3变到9或反之)、形状变化、表面积变化,或者没有任何变化(对照组)。该范式涉及一种基本的学习形式,即对重复呈现的刺激行为反应减弱,而对新颖刺激反应增强(Gerlai, 2016)。斑马鱼通过增加靠近新刺激的时间来表现出对数值变化的行为反应。在去习惯化阶段三十分钟后,Messina 等人(2020)解剖了斑马鱼的大脑,以调查因数值新颖性而发生神经元激活变化的脑区,即与数量区分过程相关的神经相关物。研究者通过观察即刻早期基因(IEGs;c-fos 和 egr-1)的表达来追踪神经元活动。C-fos 是与数值表现相关的神经元激活指标,而 egr-1 则与更一般的学习和记忆过程相关(Gallo 等, 2018)。为了量化 IEG 表达对数值新颖性的响应并评估其在鱼类主要脑区(端脑、丘脑、视顶盖、视网膜、小脑和延髓)内的变化,Messina 及其同事使用了逆转录定量聚合酶链式反应(RT-qPCR)。

作者发现,关于数值去习惯化的处理,IEG 表达最一致的变化发生在端脑和丘脑,延髓也有有限程度的变化。然而,这些区域以及其他区域(包括视网膜、视顶盖和小脑)中的 IEG 表达水平也受到表面积变化的调节。后一发现表明,有必要探索端脑和丘脑内的特定部分,以便更精确地定位斑马鱼中编码数量表征的脑区。因此,同一研究小组随后的一项研究尝试通过同时进行 qPCR 和原位杂交来进行这种精细化探索(Messina 等, 2022b)。在该研究中,去习惯化阶段后,处死鱼类并将其大脑解剖为端脑的皮质(背侧)亚区,包括中央、内侧和外侧部分(Ganz 等, 2014; Nieuwenhuys, 2009),以及皮质下或腹侧端脑核团(V;Ganz 等, 2012)。再次使用 qPCR 分析了去习惯化阶段后这些脑区中 egr-1 表达的变化。同时也测量了 c-fos 阳性细胞检测信号,但由于信号太弱而未进行分析(Messina 等, 2022b)。在这种情况下,背中央皮质是皮质内唯一显示出与数量区分过程相关的 IEG 表达调节的脑区。然而,该区域的 IEG 表达不仅受数值变化的调节,也受形状变化的调节。因此,原位杂交测定对于调查哪些特定区域对上述各变量有差异化反应至关重要。研究发现,背中央皮质的最尾端部分对数值变化有反应,而最前端部分对形状变化敏感。这项研究指出了斑马鱼中存在参与数量区分的皮质机制,这与使用体内全脑功能成像发现的数值敏感神经元位置相一致(Messina 等, 2022a)。同时,该研究也留下了一个问题:丘脑中的特定区域(在 Messina 等人 2020 年针对鱼类的研究,以及 Piazza 等人 2007 年和 Stanescu-Cosson 等人 2000 年针对人类的研究中被识别出的结构,但在本次原位杂交分析中未进行评估)是否也可能支持这些能力。如果在端脑和丘脑区域都发现特定区域被招募用于数量表征,这将符合 Lorenzi 等人(2021)和 Vallortigara 等人(2022)概述的离散量级表征的感觉输入通路,即数量首先在初级感觉系统中提取,然后在联想端脑区域进行处理。正如上文所述,在人类中,数值信息似乎也是先在早期视觉皮层编码,然后在联想区域处理(Fornaciai 等, 2017; Park 等, 2016; Zamarian 等, 2009)。在其他物种中得到进一步证实将证明存在一种提取视觉近似数量的大脑机制,且该机制在不同物种间具有其他相似性。

在使用分子技术的研究中也报道了与人类观察到的大脑机制的其他平行现象。例如,在 Boschetti 等人(2015)的研究中,作者训练家鸡注意屏幕上的特定数量物体,并让它们对该任务习惯化数天。在测试阶段,小鸡被分为两组:“数量组”看到新的且数量可变的物体,“对照组”看到的物体数量与熟悉化阶段相同。通过分析不同脑区(包括海马体、隔区、视觉纹状体和尾外侧新纹状体)中 c-fos 蛋白的表达来追踪神经元激活。结果显示,与对照组相比,数量组右半球背外侧海马体和左半球背侧隔区中的免疫反应细胞数量显著更多。值得注意的是,在鸟类中,背外侧海马体被认为与哺乳动物的内嗅皮层同源,后者是海马旁回的一部分。作者声称,这一发现很有趣,因为人类的“海马旁回”区域与顶内皮层相连,而顶内皮层在数值处理中起着至关重要的作用(Boschetti 等, 2015)。然而,值得注意的是,这些区域的定位与之前在鸦科动物研究报告的结果相冲突,后者的数值相关神经元是在尾外侧新纹状体中发现的,这是鸟类端脑的一个高级联想区。因此,需要进一步研究来扩展和确认这些结果。

总之,本节回顾了揭示与数值处理相关区域并在不同物种中使用先进且适当技术的研究。证据是通过多种方法收集的,包括人类的 fMRI、EEG 和功能近红外光谱(fNIRS),非人类脊椎动物的单细胞记录,以及斑马鱼和小鸡的分子生物学技术。这些研究一致表明,端脑区域被招募用于处理数值信息(人类:Piazza 等, 2002, 2004, 2007;非人类灵长类动物:Nieder, 2012; Nieder 等, 2002; Nieder 和 Merten, 2007; Nieder 和 Miller, 2004; Roitman 等, 2007; Viswanathan 和 Nieder, 2013;鸦科动物:Ditz 等, 2018; Ditz 和 Nieder, 2015, 2016;斑马鱼:Messina 等, 2020, 2022b;小鸡:Kobylkov 等, 2022)。具体而言,在人类和非人类灵长类动物的数值处理中会招募额叶和顶叶区域,而在鸟类和鱼类等其他物种的神经激活中则发现了趋同演化现象。

我们预期,未来在这些物种中的研究将有助于更好地理解从基因到行为等不同复杂性层面的数值认知。这可能为理解与数学能力相关基因的功能作用开辟新方向,而这些基因迄今为止几乎仅在人类中且仅在与更复杂的数学技能相关联的背景下被研究过。接下来几节将回顾针对数值学习在遗传和分子分析层面进行的研究。

3.遗传因素对数值认知及发展性计算障碍(DD)的贡献

长期以来,人们已知晓数学表现存在个体差异(Dowker, 2005; Dowker 等, 2019)。有些人擅长数学成就,对数字有极浓厚的兴趣,并且是极其快速高效的计算者(Lubinski 和 Benbow, 2006);而另一些人即使在算术最基本的方面也面临持续且严重的学习困难。低数学成就不仅负面影响儿童的学业成绩、心理健康甚至自尊心(Fritz 等, 2019),在成年后还会减少工作机会的选择范围,并损害个体在日常生活中的独立性(例如,Arcara 等, 2017; Benavides-Varela 等, 2015, 2017, 2020; Semenza 等, 2014; Vigna 等, 2022)。

这些数值能力的个体差异日益受到关注,研究视角涵盖了其与领域特异性能力(即基础数值能力;例如,Butterworth 等, 2017; Passolunghi 和 Lanfranchi, 2012)、领域一般性认知能力(如工作记忆和其他执行功能;Alloway 和 Passolunghi, 2011; Macchitella 等, 2023; Passolunghi 等, 2014)以及社会、经济和父母影响等情境因素的关系(例如,Benavides-Varela 等, 2016; Stevenson 等, 1993)。然而,实验方法也一致证明了在解释正常群体和病理群体的个体变异时,考虑遗传因素的重要性。

例如,家族聚集性研究可以揭示个体与其父母、兄弟姐妹等表现出相同特征或障碍的程度,这是识别特定表型或疾病遗传决定因素的常见第一步。针对发展性计算障碍(一种导致算术技能受损的特定学习障碍;美国精神医学学会, 2013; Shalev, 2004)的早期家族聚集性研究表明,该障碍倾向于在同一家族成员中出现(Shalev 等, 2001)。Shalev 等人的研究报告称,在一个由39名计算障碍儿童组成的样本中,66%的母亲、40%的父亲、53%的兄弟姐妹以及44%的二级亲属也患有发展性计算障碍。然而,这种困难在近亲中的聚集可能归因于环境因素、遗传因素或两者的共同作用。事实上,家庭数值活动(Benavides-Varela 等, 2016)、文化和父母对数学的态度(Stevenson 等, 1993)等也可以解释家族分离效应(Szűcs 和 Goswami, 2013)。关于人类行为个体差异相对更确凿的遗传证据来自双生子和收养研究,下文将对此进行讨论。

3.1. 双生子研究

双生子研究通过比较同卵双胞胎(MZ)和异卵双胞胎(DZ)之间的效应,提供了遗传力的定量测量。由于同卵双胞胎共享100%的遗传多态性,而异卵双胞胎仅共享50%,因此在假设同卵和异卵双胞胎对共享相似环境的程度相同的前提下,同卵双胞胎之间比异卵双胞胎之间更高的相似性应反映遗传贡献(Pinel 和 Dehaene, 2013)。早期的数学表现双生子和收养研究报告了广泛的遗传力范围,从0.20到0.90不等(例如,Alarcón 等, 1997; Kovas 等, 2007; Light 等, 1998; Loehlin 和 Nichols, 1976; Oliver 等, 2004; Thompson 等, 1991; Tosto 等, 2014)。研究间的高度变异性可能是由于样本量、年龄和所使用的表现测量方法的差异所致(Oliver 等, 2004)。专门评估基础数字处理和区分能力的双生子研究报告称,16岁双胞胎对的遗传力为中等水平,约为0.32(Tosto 等, 2014)。

大型双生子研究还做出了重要努力来量化共享环境(例如,Kovas 等, 2007 中为0.16至0.20)和非共享环境对个体表型的影响(例如,Tosto 等, 2014 中为0.68),从而揭示了先天与后天因素在儿童数学能力发展中的关系。然而,据我们所知,尚无研究提供遗传模型来纵向估计遗传和环境因素的相对贡献。此类研究对于理解各独立因素(即表型-环境)及其相互作用如何在发育过程中具有不同的权重具有重要意义。

另一个重要的研究领域涉及这些遗传影响在多大程度上属于数学的领域特异性能力,还是属于领域一般性认知能力。双生子研究在这方面也提供了信息。研究报告显示,在未筛选的样本中,阅读能力和数学能力之间存在遗传相关性(范围从0.40到0.98)(Knopik 和 DeFries, 1999; Kovas 等, 2005; Light 等, 1998; Markowitz 等, 2005; Thompson 等, 1991)。在有学习障碍的选定群体中也报告了阅读和数学之间的部分遗传重叠(例如,Knopik 等, 1997; Kovas 等, 2007; Light 和 DeFries, 1995)。因此,“通才基因”假说被提出,该假说认为影响某一学习领域(如数学表现)的基因在很大程度上也是影响其他能力的基因(Plomin 和 Kovas, 2005),尽管同时也承认存在一些针对每种能力的特异性遗传效应(Plomin 和 Kovas, 2005)。

Pinel 和 Dehaene(2013)的一项fMRI研究纳入了19对同卵双胞胎(MZ)和13对异卵双胞胎(DZ)成人,为连接遗传相关性(同卵双胞胎间的相似性高于异卵双胞胎)与支持数值加工的脑区功能激活提供了相关证据。在该研究中,参与者执行了减法任务、数值控制任务和运动控制任务。结果证实,双侧后顶上小叶和右侧顶内沟——正如第一节所述,这两个区域支持核心数字处理——显示出显著的遗传贡献。这指出了所报道遗传力的合理生理学基础。然而,该研究仅招募了成年人,因此留下了这样的可能性:即在算术学习的早期阶段,遗传联系及其对大脑反应的贡献可能会以不同的方式被调节。

总而言之,双生子研究表明遗传变异对数值能力有着普遍的影响。然而,在分子遗传学时代,经典的双生子研究设计只是遗传学研究的一个方面。如上所述,双生子研究估算的是某种性状(在本例中为数学能力/障碍)的遗传力,而分子遗传学则试图定位并识别与表现测试相关的候选基因的效应。下文报告的研究使用了遗传-分子方法来识别发展性计算障碍(DD)及其他表现出数学困难的遗传综合征中的特定基因。

3.2. 分子遗传学方法

遗传变异可以有多种形式,包括单核苷酸水平的变异(即单核苷酸多态性或SNPs)、核苷酸重复次数的变异(即串联重复序列可变数目或VNTRs),或染色体重组。每种形式的变异都可能改变基因组功能,从而影响表型(Zhang 和 Meaney, 2010)。利用基因组序列信息最著名的应用之一是全基因组关联研究(缩写为GWAS)。这种研究方法用于识别与疾病风险或特定性状具有统计学关联的基因组变异。GWAS最常见的方法是病例-对照设计,即评估两个大型个体群体,寻找在患有特定疾病或性状(如计算障碍)的病例组中比健康或正常发育对照组更频繁出现的基因组变异。

Docherty等人(2010)、Baron-Cohen等人(2014)以及Chen等人(2017)的研究是利用SNPs识别可能影响数学能力和障碍基因的GWAS研究。Docherty等人(2010)首先收集了5019名10岁双胞胎的数学成绩。然后,他们将数学表现最高和最低的个体的DNA混合在一起(各300人)。Docherty等人(2010)分离出了10个SNPs(rs11225308, rs363449, rs17278234, rs11154532, rs12199332, rs12613365, rs6588923, rs2300052, rs6947045 和 rs1215603),这些SNPs可以解释数学能力的个体差异。与这些遗传变异最近的基因是MMP7、GRIK1、DNAH5、SMAD3、ARID1B、FLJ20160、GUCY1A2、NRCAM、DLD和NUAK1,使它们成为数学能力和障碍的潜在标记物。这10个SNPs解释了数学能力表型变异的2.9%。需要注意的是,对于大多数具有多基因遗传性的复杂认知性状而言,所解释的表型变异比例较小是常见的现象,且该比例随实施的统计分析方法而异(Kutalik 等, 2011)。在Docherty的研究中,仅在三个基因(MMP7、GRIK1和DNAH5)上发现了显著(经Bonferroni校正)的关联。这些基因编码具有各种功能的蛋白质。MMP7编码一种降解细胞外基质成分的蛋白质。GRIK1编码神经元谷氨酸受体亚基GluR-5,而DNAH5编码动力蛋白轴丝重链5蛋白,其突变会导致原发性纤毛运动障碍(Carvalho 和 Haase, 2019)。值得注意的是,研究还将它们与胚胎生长和组织修复(Chakraborti 等, 2003; Hornef 等, 2006)、神经传递和突触可塑性(Bortolotto 等, 1999; Huettner, 2003)以及正常大脑发育(Ibañez-Tallon 等, 2004)联系起来。

Baron-Cohen等人(2014)的GWAS也在16至18岁的参与者中寻找与数学能力相关的候选基因,这些参与者的数学能力存在高(n=419)低(n=183)之分。与Docherty等人(2010)不同,他们控制了言语能力,且评估的SNP数量(N=906,600)几乎是前一项研究的两倍。虽然没有SNP达到全基因组显著性水平,但在验证样本中的个体基因分型表明,只有一个SNP与数学能力相关(rs789859)。该SNP位于3号染色体长臂3q29区域的FAM43A(序列相似性家族43成员A)启动子内。该基因编码一种功能尚未完全阐明的蛋白质。然而,该区域的遗传变异也与自闭症、精神分裂症和学习困难有关(Mulle 等, 2010; Nava 等, 2014; Sagar 等, 2013; Willatt 等, 2005)。

另一项GWAS研究在中国1622名7–13岁儿童中进行(Chen 等, 2017),使用学校期中和期末考试成绩作为定量测量指标。基因分型使用120万SNP平台进行,鉴定出SPOCK1基因上的四个SNPs(rs1012694, rs11743006, rs17778739 和 rs17777541)。该基因编码一种高度保守的糖蛋白Testican-1,其功能正在研究中。它似乎参与调节增殖、细胞周期进程、凋亡、粘附和细胞-基质相互作用,并且在大脑丘脑中表达最为显著(Edgell 等, 2004)。Chen及其合作者提出,SPOCK1基因可能是支撑数学发展的潜在候选基因。

最近,Skeide等人(2020)探讨了大脑结构(灰质体积)与先前研究中确定的10个候选基因上的18个SNPs之间的关联(RP11–815M8.1, FLJ20160, ROBO1, FAM43A/LSG1, SFT2D1, DLD, NRCAM, NUAK1, C14orf64, 和 GRIK1;Docherty 等, 2010; Chen 等, 2017; Baron-Cohen 等, 2014; Mascheretti 等, 2014)。作者调查了3–6岁未入学的儿童(探索样本:n=101;复制样本:n=77),并纵向评估了“脑-基因”关联是否能预测在校期间的数学表现。仅在ROBO1基因上检测到数学候选基因与灰质体积之间的显著关联。ROBO1对灰质体积的影响定位于右侧顶叶皮层(右侧顶内沟),并延伸至右侧顶上回腹侧。此外,3–6岁时这些区域内与ROBO1相关的灰质体积与7–9岁时的数学成绩显著相关。这一结果与前述研究相符,表明顶叶皮层从婴儿期起就参与了数学认知(例如,Cantlon 等, 2006),并提示与ROBO1相关的右侧顶叶皮层体积个体差异可以预测儿童的数学变异。ROBO1是免疫球蛋白基因超家族的成员,编码一种对轴突导向和细胞迁移重要的蛋白质(美国国家医学图书馆,无日期)。ROBO1还与发育中新皮层的神经发生和神经元增殖过程有关(Yeh 等, 2014),并可能参与胼胝体结构和连通性的调节(Darki 等, 2017)。

回顾一下,已有少数GWAS专门聚焦于识别与数学能力相关的遗传变异(见表1)。其中一些变异位于在神经细胞组织中表达并调节神经发生、细胞功能、迁移以及更广泛的神经发育和功能的基因上。此外,其中一些似乎与负责定量处理的脑区的脑皮层体积和激活有关。然而,各研究之间的重叠很少。这可能部分由数量性状位点假说解释,该假说指出复杂性状(如数学能力)的表型可能由大量基因产生,每个基因的作用都很小(Plomin 等, 2009)。数学表现的个体差异也可能意味着不同的性状架构,即一个人的计算障碍可能是由微重复引起的,而另一个人则是由不同基因上给定序列的缺失引起的,还有其他人则没有可检测到的基因变异等等(Carvalho 和 Haase, 2019)。其他可能解释结果异质性的因素包括方法论上的差异,例如各研究定义高低数学成就所使用的阈值不同、表现测量方法的差异,以及伴随诊断进行的神经心理学、情绪和社会人口学评估的范围/存在与否的差异。



鉴于各研究获得的异质性结果,以及许多此类遗传变异似乎与神经发育有关,一个有趣的问题是:它们是否也会影响其他认知功能的个体差异?下一节将简要回顾针对这一问题并使用分子遗传学方法的研究。

3.3. 数学与其他认知能力之间的共享遗传成分

文献中常用于探讨个体差异的另一种策略是估算与某一性状相关的遗传变异量,并考察其与其他性状变异的相关性。这种方法已被用于寻找与常和发展性计算障碍及阅读障碍共病的表型相关的候选基因(Knopik 和 DeFries, 1999; Light 和 DeFries, 1995; Markowitz 等, 2005)。例如,Ludwig等人(2013)的全基因组关联研究评估了阅读障碍参与者及其他未受影响的样本组。他们发现MYO18B基因内的遗传变异rs133885与各样本的数学能力相关,表明该SNP对儿童数学能力的贡献独立于其阅读能力。此外,通过对健康成人进行结构MRI扫描,该研究表明这种遗传变异会影响顶内沟(IPS)的形态,即携带者表现出右侧顶内沟深度减小(Ludwig 等, 2013;另见 Molko 等, 2003)。然而,由于随后一项更大样本量的重复研究未能在阅读障碍群体或一般人群中发现与该遗传变异的关联,因此该SNP对数学能力的贡献尚无定论(Pettigrew 等, 2015)。

在后续研究中,Mascheretti等人(2014)调查了KIAA0319和ROBO1基因内的八个SNPs在一组493个意大利核心家庭中的作用,这些家庭的先证者均患有发展性阅读障碍。研究旨在探讨这些基因对某些阅读障碍表型中观察到的数学困难的贡献。结果显示ROBO1与数学技能(即心算)之间存在显著关联,支持了该基因在阅读障碍个体数学技能中的作用。同一小组的相关研究(Marino 等, 2011)探讨了数学特征与两个发展性阅读障碍易感基因(DCDC2和DYX1C1)之间的关联。该研究揭示了DCDC2与“数值事实”之间以及DYX1C1与“心算”之间的关联。综上所述,这些研究表明,一些共同的遗传基础可能调节阅读障碍个体的语言和数学特征,特别是对于那些涉及言语过程的数学任务(如乘法表)。

Stefansson等人(2014)扫描了与精神分裂症和/或自闭症相关的拷贝数变异(CNVs)。CNVs是基因组区域的重复和缺失(Niemi 等, 2018),这使得特定DNA片段在不同个体的基因组中存在差异。这些区域可能包含也可能不包含基因,它们是智力障碍、自闭症和精神分裂症的常见病因(Carvalho 和 Haase, 2019)。在他们的研究中,Stefansson等人观察到47名既未患上述疾病也无智力障碍的对照者有阅读和数学困难史,并且显示出1号断点和2号断点之间的15q11.2染色体缺失(15q11.2 (BP1-BP2))。已知该缺失会影响四个基因(NIPA1、NIPA2、CYFIP1和TUBGCP5),并增加患多种疾病的风险(Farrell 等, 2020),包括使阅读障碍和计算障碍表型的风险增加四倍。此外,结构MRI显示15q11.2(BP1-BP2)缺失携带者在与读写相关的脑区中灰质和白质减少。这一发现得到了Ulfarsson等人(2017)的支持,他们证实15q11.2(BP1–BP2)缺失增加了合并阅读障碍和计算障碍的风险。此外,通过MRI他们还显示了左侧梭状回灰质结构的体积变化,该区域在读写和数学处理中都起着主要作用(Butterworth 等, 2011)。fMRI研究发现,在执行语言任务(语音词汇决策)和数学任务(乘法验证)时,左侧梭状回和左侧角回的激活降低,这表明该CNV在支撑阅读障碍和计算障碍的结构及功能脑特征中发挥作用。总之,针对阅读障碍儿童数学困难的研究结果表明,一组共享的遗传因素可能同时影响阅读和数学功能(Kovas 和 Plomin, 2006)。然而,在许多此类研究中,样本构成了一个相当异质的群体。因此,这些结果是否同样适用于未筛选的一般人群样本、患有数学和其他认知障碍的个体,以及仅被诊断为计算障碍的选定或临床群体,仍有待讨论(Benavides-Varela, 2020; Butterworth, 2019)。

3.4. 遗传综合征中的数学学习障碍

在研究数学能力背后的遗传成分时,其他通常影响数学功能的遗传综合征患者也被纳入考量(例如脆性X综合征、普拉德-威利综合征、威廉姆斯综合征、22q11.2缺失综合征或特纳综合征)(Messina 等, 2022a; Molko 等, 2003; Reiss 等, 2000; Rivera 等, 2002)。本节将举例说明其中一些研究,以更好地理解数学能力中观察到的异质性(Brankaer 等, 2017)。表2总结了他们的发现。


一个特别值得关注的案例是特纳综合征(Baker 和 Reiss, 2016)。这种遗传病影响约1/2000的女性。它是由女性两条X染色体中一条的散发性部分或完全缺失引起的(Ranke 和 Saenger, 2001)。特纳综合征女性患计算障碍的患病率为50%(Murphy 等, 2006)。该综合征通常在数字领域产生加工缺陷(特别是反应时间较慢)。特纳综合征患者在减法和大数运算、感数(subitizing)和认知估计(Bruandet 等, 2004; Simon 等, 2008)以及符号数字处理(Brankaer 等, 2017; Simon 等, 2008)方面的算术困难尤为明显。与其他遗传病不同,这些缺陷往往在没有智力障碍和言语障碍的情况下表现出来(Reiss 等, 2000)。

Molko及其同事的一项fMRI研究显示,特纳综合征患者在精确和近似计算过程中,顶内沟的激活随数字大小而出现的异常调节。形态学分析还揭示了右侧顶内沟的长度、深度和几何形状异常,表明在该遗传病中该脑区存在严重紊乱。这项开创性研究证实了右侧顶内沟在算术能力发展中的关键作用,并指出了一种遗传形式的数值困难,这可能与其处理数值特征的脑区的功能和结构异常有关(Molko 等, 2003)。

由不同遗传机制(包括染色体异常、微缺失、微重复等)引起的其他综合征则表现出更为复杂的特征,除了数值困难外,还伴有其他认知缺陷。克氏综合征(Klinefelter syndrome)就是如此,这是一种以多出一条X染色体为特征的遗传病,影响0.1%至0.2%的男性。它不仅导致算术任务受损(Ross 等, 2009; Rovet 等, 1996),还会引起显著的言语和阅读缺陷(Bender 等, 1986;综述见 Karipidis 和 Hong, 2020)。

在腭心面综合征(velocardiofacial syndrome)患者中也报告了数学障碍,他们在符号处理(De Smedt 等, 2008)和基础数字处理技能(Attout 等, 2017; De Smedt 等, 2009; Oliveira 等, 2014; Simon 等, 2005)以及数学推理任务方面均表现出困难。该病症由22号染色体缺失(22q11.2)引起,还会导致先天性心脏畸形、精神障碍、智力障碍和语言发育迟缓(综述见 Carvalho 等, 2014; Carvalho 和 Haase, 2019)。一项功能性脑成像研究将腭心面综合征患者中观察到的数值缺陷与颞叶灰质体积减少联系起来(Eliez 等, 2001)。随后的研究也表明,受影响个体在视空间和数值信息处理方面的困难与后顶叶脑区、胼胝体以及丘脑和扣带回相关区域的异常有关(Simon 等, 2005)。

数学学习障碍也是威廉姆斯综合征(Williams syndrome)的一个重要特征(O’Hearn 和 Landau, 2007),该综合征由7q11.23缺失引起。威廉姆斯综合征患者往往在数量判断以及数轴估计(Ansari 等, 2007; Opfer 和 Martens, 2012)和感数范围内的计数(O’Hearn 等, 2011;但也见 Paterson 等, 1999, 2006)方面表现不佳。已有研究分别报告了符号和非符号模态下的缺陷(Krajcsi 等, 2009; Rousselle 等, 2013),以及两种数字处理系统之间的分离(Libertus 等, 2014)。从神经心理学和医学角度来看,威廉姆斯综合征患者也表现出复杂的状况,常伴有运动、执行功能和视空间能力的损伤(Vandeweyer 等, 2012)。

在一些单基因疾病中也描述了某种形式的计算障碍,如1型神经纤维瘤病(Burgio 等, 2017; Mazzocco, 2001)、普拉德-威利综合征(Bertella 等, 2005; Semenza 等, 2008)和脆性X综合征。后者是由X染色体上的智力低下基因(FMR1)胞嘧啶-鸟嘌呤-鸟嘌呤重复序列扩增引起的,目前提供了与计算障碍特征相关的单基因成分的最佳证据(Carvalho 和 Haase, 2019)。87%的脆性X综合征女孩表现出显著的数学能力缺陷(Murphy 等, 2006),据报道她们在基础数值理解、量级估计和心理数轴判断方面存在困难(例如,Murphy 和 Mazzocco, 2008)。该基因的完全突变还可能引起其他认知缺陷,如智力障碍、自闭症和多动症(ADHD),而前突变有时会影响工作记忆、执行功能和视空间感知。有趣的是,Semenza及其同事(2012)发现,FMR1前突变携带者虽然认知功能完好且能够完成计算任务,但在基础数字理解方面仍表现出细微的数学弱点,例如处理模拟量表和数字转译的某些方面。领域特异性(即数学)和领域一般性认知因素对这些缺陷出现的影响,是当前和未来研究的肥沃领域。

4.神经递质的浓度和数学

如前几节所述,支撑人类和非人类物种数值认知的主要脑区和网络已得到广泛研究。许多研究也探讨了与数值能力相关的遗传成分,尤其是在人类中。相比之下,迄今为止,只有少数研究探索了分子机制对数值学习的贡献。我们尚未发现任何研究调查基础数值表征(见第1节)与大脑不同区域神经递质浓度之间的关系。然而,最近有四项研究聚焦于神经化学物质在人类高级数学能力(如符号算术和数值推理)中的作用(Krause 等, 2018; Zacharopoulos 等, 2022, 2021a, 2021b)。所有这些研究都使用了质子磁共振波谱(H-MRS),有时还结合了其他神经科学方法。H-MRS是一种基于MRI的神经影像技术,用于测量预定义感兴趣脑区内的体内代谢物(Egerton, 2021)。具体而言,它利用氢质子的共振信号产生代表大脑内分子化学组成的光谱数据(Martín Noguerol 等, 2016; Tognarelli 等, 2015)。MRS是第一种非侵入性检测人脑中基因表达或代谢产物的技术(Roy 等, 2022),尽管正电子发射断层扫描(PET)也是追踪神经递质的另一种可能手段(Ceccarini 等, 2020; Sander 和 Hesse, 2017)。值得注意的是,与PET和单光子发射计算机断层扫描(SPECT)相比,MRS不需要注射放射性示踪剂,因此被认为侵入性更小。

在过去的10到15年中,MRS已被广泛用于测量肌酸、肌醇、N-乙酰天门冬氨酸、胆碱和乳酸,这些物质对于诊断不同的神经系统疾病至关重要(Tran 等, 2009)。随着更新近的信号采集序列的出现,科学家们开始使用MRS来研究谷氨酸和γ-氨基丁酸(GABA),它们分别是大脑主要的兴奋性和抑制性神经递质(Krause, 2015)。这些神经递质特别引人关注,因为它们在大脑中含量丰富并影响其活动和连接性。例如,已有研究表明它们在皮层兴奋与抑制、知觉训练、视觉感知、注意力和认知技能习得中发挥作用(Cohen Kadosh 等, 2015; Frangou 等, 2018; Kihara 等, 2016; Lunghi 等, 2015; Terhune 等, 2015)。此外,这些神经递质似乎也大量参与了神经可塑性过程(Hassan, 2021)。

就数值认知而言,研究人员最近分析了用MRS测量的谷氨酸和GABA静息浓度如何可能与不同的数学技能相关。具体而言,这些神经递质的浓度是在先前研究表明与基础和高级数值任务均相关的脑区中测量的,即顶内沟(IPS)和额中回(MFG)。尽管方法和理论框架相似,但将神经递质浓度与数学技能联系起来的MRS研究很难一概而论,因为每项研究都侧重于不同的研究问题。不过,仍可得出一些一般性的考量。

4.1. 顶叶和额叶脑区中GABA和谷氨酸的浓度及其与数学能力的关联

Zacharopoulos等人(2021b)开展了一项探索神经递质如何支撑数值技能的初步研究,他们分析了不同数值技能与左侧IPS和左侧MFG中GABA及谷氨酸静息浓度之间的关系。54名大学一年级本科生完成了以下测试:韦氏个人成就测验(WIAT-II UK)中的数值运算和数学推理分测验、Tempo-Test-Rekenen测验(de Vos, 1992)、计算估计测验、数值敏捷性测验以及数值能力倾向测验中的数字序列分测验(要求从五个数字中选择能正确完成序列的数字;例如,1 3 6 10 15 21 _;选项:26 27 28 29 30)。此外,在参与者观看电影时收集了结构MRI和MRS数据,并测量了基线水平的神经化学物质浓度。结果显示,数字序列任务的表现与左侧IPS内的GABA静息浓度呈负相关。IPS中的GABA与数字序列任务之间的关系具有特异性,仅存在于顶叶而非额叶区域,且仅针对GABA而非谷氨酸。此外,未发现神经递质浓度的基线水平与其他数值任务表现之间存在显著关系(Zacharopoulos 等, 2021b)。有趣的是,数字序列任务需要识别调节序列中数字间关系的逻辑规则。该任务所需的一些能力——如数值程序、数值灵活性或寻找通用逻辑规则——与其他被测试的任务所共有的。因此,作者得出结论,左侧IPS中的GABA浓度与一组独特且特定的技能相关,这些技能涉及数值领域中包含数值灵活性的逻辑规则识别。值得注意的是,在该研究中神经递质水平是在基线状态下测量的,因此当个体积极参与解决数值任务时,其贡献可能会有所不同。

4.2. IPS中受年龄调节的GABA和谷氨酸浓度及数学能力的变化

在同一研究小组的另一项研究中,考察了左侧IPS和左侧MFG中静息GABA及谷氨酸浓度与数学能力之间的关系是否随发育而改变。先前的研究表明,这些神经递质在可塑性和学习中发挥作用,但这一事实对缓慢出现的复杂能力(如算术、数学推理等)的影响尚不清楚。因此,Zacharopoulos等人(2021c)分析了这些神经递质的基线浓度如何与当前及未来的数学能力相关联。该研究采用横断面纵向设计,对从小学到大学的255名学生进行了两次检查,间隔约1.5年。数学能力通过z分数转换并平均以下三项测试的结果来评估:韦氏个人成就测验(WIAT)中的数值运算和数学推理分测验,以及Tempo-Test-Rekenen测验。此外,还使用韦氏简式智力量表第二版(WASI II)中的矩阵推理分测验评估了一般认知能力。通过结构MRI和MRS获取数据,评估了左侧IPS和左侧MFG中的静息GABA和谷氨酸浓度。研究发现,左侧IPS中的静息谷氨酸和GABA解释了当前和未来数学成就的独特变异。然而,IPS神经递质浓度与数学成就之间的关系受到年龄的调节:成年人表现出谷氨酸浓度与数学能力之间的正相关,以及GABA浓度与数学能力之间的负相关;而在年轻参与者中则发现了相反的模式。值得注意的是,这些关联不受一般认知能力的混淆影响。关于左侧MFG,发现谷氨酸浓度在年轻参与者中与数学能力呈负相关,而在成熟参与者中呈正相关。但与IPS不同的是,年龄并未调节左侧MFG中GABA浓度与数学能力之间的关系。考虑到可塑性的概念,可以对这些结果进行解释:GABA和谷氨酸浓度根据特定认知功能的关键期,增强或限制该功能的可塑性。具体而言,已有充分文献记载,随着个体解决算术问题变得越来越熟练,对额顶网络的依赖减少,而对支持事实提取和语义记忆的其他脑区(如角回和海马体)的依赖增加(Bailey 等, 2012; Geary 等, 2007; Menon, 2016)。因此,从儿童期到成年期,特别是在IPS中,谷氨酸的增加和GABA的减少可能代表了支撑这种转换的机制之一。

4.3. 缺乏数学教育情况下的GABA和谷氨酸浓度

同一研究小组还调查了左侧MFG和左侧IPS中神经递质浓度与数学能力之间的关系是否会因缺乏数学教育而受到影响(Zacharopoulos 等, 2021a)。提出这个问题是恰当的,因为在某些国家(如英国),16岁的青少年可以决定停止学习数学。因此,来自相似教育体系和水平的英国青少年可能在数学教育方面存在特异性差异。本研究招募了具有不同数学背景的个体。与之前的研究一样,使用结构MRI和MRS评估左侧IPS和左侧MFG中的GABA和谷氨酸浓度,同时采用静息态fMRI检查额顶连接性。评估了数学能力(即韦氏个人成就测验中数值运算和数学推理分测验的表现)、数学焦虑和一般认知能力。该研究包含两个实验。在第一个实验中,对87名A-level学生进行了测试,以观察其大脑中的神经递质浓度是否能分类他们是否缺乏数学教育。结果显示,左侧MFG内GABA浓度的降低成功区分了青少年是否在学习数学,并且与额顶连接性呈负相关。第二个实验旨在阐明神经递质浓度的差异是在继续接受数学教育之前就存在的(从而影响了继续学习数学的决定或可能性,即生物标志物假说),还是由于缺乏数学教育本身造成的(即可塑性假说)。在这种情况下,对42名A-level之前的学生进行了测试。结果不支持生物标志物假说,表明之前的发现并非源于数学教育停止前已存在的差异。此外,还观察到左侧MFG的GABA也能预测约19个月后数学推理的变化。

4.4. 与卓越数学技能相关的GABA和谷氨酸浓度

另一项值得提及的测量神经递质水平的研究比较了一位数学天才与四位在性别、年龄和教育程度上匹配的高功能专家对照组(无惊人天赋者)的神经生化特征(Krause 等, 2018)。事实上,了解支撑卓越技能的神经生物学因素对于描述数值领域中观察到的个体变异性具有重要意义。最近,Krause及其同事(2018)研究了一位没有已知神经系统或精神疾病史的数学天才的神经生物学特征。每当面对复杂的算术问题(通常是乘法、开方计算或因数分解)时,这位被测天才仅需几秒钟就能给出答案,其标准化数学能力排名高于第99.8百分位。在研究期间,使用标准化的韦氏个人成就测验评估了天才和对照组的数值运算及数学推理表现。在单独的会话中,使用MRS测量右侧MFG中的谷氨酸和GABA水平;初级视觉皮层也被作为对照区域进行评估。选择聚焦于右侧MFG是因为先前的研究发现,在专家级计算者进行心算时该区域处于活跃状态(Fehr 等, 2010; Pesenti 等, 2001)。与对照组相比,天才在右侧额中回(MFG)中显示出较低的谷氨酸与GABA浓度比率,但单独的谷氨酸或GABA并无显著差异。重要的是,在对大脑特定区域的兴奋/抑制平衡得出任何结论之前需谨慎。MRS测量的谷氨酸和GABA浓度可能包含了神经递质以及可能转化为其他代谢实体的前体物质的组合(Krause 等, 2018; Tognarelli 等, 2015; Vandeweyer 等, 2012)。值得注意的是,Krause及其同事(Krause 等, 2018)并未调查IPS或左侧MFG中的谷氨酸和GABA浓度。未来的研究可以进一步调查左右IPS以及左侧MFG中谷氨酸与GABA的比率,以更好地理解这些神经递质在与数值认知相关的不同脑区中的浓度平衡。初级视觉皮层中也测量了谷氨酸和GABA的浓度;在这种情况下,未检测到显著差异。

4.5. 多巴胺调节在数学能力中的作用

除GABA和谷氨酸外,多巴胺是另一种可能调节数值认知的神经递质。迄今为止,已有部分研究分析了多巴胺在灵长类动物执行功能和目标导向行为中的作用(Ott 等, 2014, 2018; Ott 和 Nieder, 2019; Vijayraghavan 等, 2017)。然而,关于多巴胺与数值认知之间关系的研究却寥寥无几。一项值得提及的研究由Julio-Costa等人(2013)开展,他们在155名8–12岁儿童中发现了多巴胺代谢与数值认知之间可能存在关联。调节多巴胺代谢的酶之一是儿茶酚-O-甲基转移酶(COMT;Karoum 等, 2002)。缬氨酸158甲硫氨酸(val158met)是COMT酶的一种多态性,由COMT基因的核苷酸取代产生(Weinshilboum 等, 1999)。研究使用了四引物扩增阻滞突变系统-聚合酶链式反应(ARMS-PCR)这一基因分型方法来检测COMT val158met多态性中的SNPs(Ruiz-Sanz 等, 2007)。数值认知通过符号数值任务(即简单运算、言语到阿拉伯数字及反之的数字转译任务)和非符号数值任务(即量级估计和比较任务)进行评估。Julio-Costa等人(2013)发现Val158met与数字处理任务之间存在关联。此外,结果显示缬氨酸等位基因纯合子(COMT val/val)儿童与杂合子加甲硫氨酸纯合子(met+)儿童之间存在差异。具体而言,两组在非符号数值测量方面存在区别,即非符号量级比较任务和非符号量级估计任务。这项研究补充并联系了前文关于人类数学能力相关SNPs的章节,并鼓励未来的研究更深入地分析多巴胺在数值认知中的作用。

4.6. 总结

表3总结了本节所述研究的总体发现。结果表明,左侧IPS中的GABA浓度与整体数学能力呈负相关(Zacharopoulos 等, 2021c),尤其与数字序列任务呈负相关(Zacharopoulos 等, 2021b)。值得注意的是,当参与者缺乏数学教育时,未发现其与IPS中GABA浓度有显著关联。相反,另一个脑区——左侧MFG中GABA水平的降低则预测了数学教育的退出(Zacharopoulos 等, 2021a)。另一方面,左侧IPS中的谷氨酸浓度与整体数学技能相关。这种关联似乎受到年龄的调节(Zacharopoulos 等, 2021c)。同样,研究发现左侧MFG中的谷氨酸浓度在年轻参与者中与数学能力呈负相关,而在成熟参与者中呈正相关(Zacharopoulos 等, 2021c)。需要更多的研究来证实后一发现,因为在该新兴领域迄今开展的研究中,仅有一项研究验证了这一点。


5. 利用经颅刺激调节数学脑功能

基于经颅电刺激(tES)的新技术在增强数学认知和学习方面前景广阔(Lazzaro 等, 2022; Schroeder 等, 2017)。tES是一个统称,涵盖了多种非侵入性技术,如经颅直流电刺激(tDCS)、高清tDCS(HD-tDCS)、经颅随机噪声刺激(tRNS)和经颅交流电刺激(tACS)(Lazzaro 等, 2022)。所有这些技术都涉及通过放置在头皮上的电极施加微弱电流。

尽管这些技术的神经生物学基础尚未完全阐明,但不同的分子和细胞机制很可能参与其中,包括膜电位和神经同步性的变化、蛋白质合成以及胶质细胞的作用(Korai 等, 2021)。值得注意的是,一些研究表明阳极和阴极tDCS会影响受刺激大脑皮层中的神经递质浓度和活性。具体而言,一项MRS研究显示,阳极刺激会降低局部GABA浓度,而阴极tDCS则会降低局部谷氨酸能神经元活性,并伴随GABA的高度相关减少(Stagg 等, 2009)。Antonenko等人(2017)的一项研究证实了这些结果,他们观察到与假刺激相比,阳极tDCS后GABA水平显著降低。另一项研究发现,在使用GABA拮抗剂后,阳极tDCS会在皮层或皮层下区域产生延迟但增强的兴奋性增加(Nitsche 等, 2004)。最近,Alvarez-Alvarado等人(2021)通过质子磁共振波谱测量了基线时及为期两周的干预结束时的谷氨酰胺/谷氨酸(Glx)和GABA浓度,该干预包括前额叶皮层的tDCS刺激结合认知训练。初步证据表明,这种干预增加了额叶皮层中兴奋性神经递质的浓度。总而言之,研究表明tDCS会影响大脑中不同的分子和细胞机制,包括局部神经递质浓度。

同样,在最近的一项研究中观察到,对62只小鼠的前额叶皮层进行重复tRNS刺激,通过降低GABA能活性影响了该脑区的兴奋-抑制比率(Sánchez-León 等, 2021)。因此,tRNS的功效可能至少部分与神经递质浓度的调节有关。

如上所述,通过tES引起的GABA和谷氨酸的可能变化直接关联到这些神经递质在数学能力中的作用,也关联到该技术改善数值认知某些方面的已报道有效性(Lazzaro 等, 2022; Schroeder 等, 2017)。例如,Lazzaro等人(2022)回顾了26项研究,其中大多数使用tDCS和tRNS来增强非符号和符号数字处理过程(N=9)、算术过程(N=16),或两者兼有(N=1)。综述得出结论,大多数研究(26项中有20项)发现tES能有效改善数值认知的某些方面。具体而言,顶叶区域的阳极tDCS和额叶区域的双侧tDCS能显著增强数字处理;顶叶和额叶区域的双侧tDCS以及额叶左侧阳极tDCS能改善算术技能;无论作用于哪个脑区(顶叶或额叶),双侧tRNS均能有效改善数字和算术过程(Lazzaro 等, 2022)。

同样,其他综述文章(Schroeder 等, 2017; Simonsmeier 等, 2018)证明了在教育环境中使用tES的潜力,并强调了这些技术可能更有效的条件。例如,Simonsmeier等人(2018)的研究表明,tES主要在学习过程中影响神经递质和突触机制,而在信息回忆中的作用有限。事实上,他们的发现揭示,当在学习干预期间给予刺激时,参与者在测试中的表现优于在测试本身期间给予刺激时的表现。

尽管这些技术在临床和学校环境中代表了有前景的工具,但所有综述都指出各研究之间存在高度的方法学异质性,且缺乏针对临床人群的研究。未来,对这些生物机制的深入了解,加上更好地理解这些神经递质水平对典型和非典型人群中数学技能的影响,可能会促成tES技术的广泛应用。

6. 结论

本文综述的研究为数学学习的神经基础提供了一个全面的系统神经科学视角(见图1)。在第一节中,我们总结了参与人类基础非符号数字加工的主要脑区。研究一致表明,与数量相关的激活集中在两个脑区,即联想后顶叶区域和前额叶皮层。在幼儿中也鉴定出了顶叶和额叶区域的参与。然而,研究表明,与成人相比,发育期人群表现出更强的后顶叶区域右侧偏侧化激活以及前额叶区域激活的增加。这表明成熟因素以及文化或教育因素会影响支撑数值能力的脑系统的组织方式。



从进化的角度来看,研究已证实人类和非人类灵长类动物具有共同的神经基础。例如,猴子与人类一样,当以不同感觉模态(如视觉、听觉等)表征数值信息时,均表现出顶叶-前额叶皮层的神经激活。在其他哺乳动物(如狗)中也证实了顶叶(而非额叶)的激活。此外,研究人员还在系统发育上与人类相距较远的物种(如鸦科动物、家鸡和鱼类)中鉴定出了对数值变化敏感的脑区。总体而言,对这些物种的研究有助于当前关于“数值能力是否源于所有脊椎动物的共同祖先”这一开放性辩论。在鸟类中,鸟类的尾外侧新纹状体被确定为可能是哺乳动物PFC的同源结构。在鱼类中,与灵长类动物类似,联想皮质区域(即背中央皮质的尾部)和初级感觉系统(即丘脑)已被证实与数量区分能力相关。至关重要的是,由于最近采用了更精细的分子技术来探索这些动物模型,使得与人类观察到的大脑机制之间的平行比较成为可能。

另一方面,探讨人类数值能力个体差异的研究一致认为,必须考虑遗传因素对数值认知的贡献。研究中实施了多种方法。例如,同卵双胞胎和异卵双胞胎之间的一致性测量表明,遗传变异对数值能力有着普遍的影响。此外,同卵双胞胎比异卵双胞胎在核心数字处理区域(即顶叶脑区)的功能激活上具有更高的相似性,这为所报道的遗传力提供了合理的生理学基础。然而,在遗传力和双生子研究报告的遗传相关性之间存在很大的变异性。

少数全基因组关联研究(GWAS)专门聚焦于识别与数学困难相关的遗传变异。尽管已经确定了多个候选基因,但各研究之间的重叠很少。一方面,这反映了所测试的数学能力的性质,即各研究涉及了广泛的数值技能(不仅限于基础数值处理)。另一方面,这也表明特定的复杂表型(如数学学习障碍)很可能是由大量基因及其相互作用产生的。所有这些基因的差异作用可能解释了数学学习困难特征的异质性。有趣的是,迄今为止只有一个候选基因ROBO1在多项研究中被证实与数值障碍有关。该基因最近被发现与幼儿右侧顶叶皮层结构(体积)的个体差异相关。此外,这些个体差异还能预测数年后儿童小学阶段的数学成绩。Skeide等人(2020)是首个提供这种直接“脑-基因”关联的研究,为基础研究开辟了新途径。最近的一项研究还考察了ROBO1及其他先前与发展性计算障碍相关的基因在斑马鱼左右皮质中的分布(Messina 等, 2021)。研究发现ROBO1(连同NIPA1、NIPA2)主要在动物大脑的右半球表达。这表明该基因在人类和非人类动物中的表达存在基本同源性,并强调了评估大脑偏侧化对于进一步理解发展性计算障碍发病机制中涉及的神经生物学机制的相关性(Miletto Petrazzini 等, 2020; Shalev 等, 1995)。

值得注意的是,ROBO1的表达在阅读障碍个体中也发生了改变。这与一种观点相吻合,即影响某一学习领域(如数学表现)的基因也可能影响其他学习能力(如阅读)(Kovas 等, 2005),从而导致某些个体中观察到的计算障碍与阅读障碍的共病现象。

针对已知遗传综合征患者的研究进一步阐明了数学学习障碍的异质性,以及可能导致此类困难的广泛遗传和染色体变异。这些遗传综合征中独特的认知和发展特征及其与较差数学成就的关联,对诊断和干预具有重要意义。换言之,由于导致数学困难的因素多种多样,有效支持这些儿童的方法可能需要根据其特定特征进行量身定制(Mazzocco, 2015)。在这些遗传综合征中,很难将数学因素和其他认知因素的独立贡献区分开来,这是当前和未来研究的核心问题。

一组创新性的研究从另一个分析层面探讨了数学学习。它们聚焦于理解特定神经递质如何参与数学功能。一项开创性研究表明,COMT相关的多巴胺调节可能与量级处理和量级表征的发展有关(Júlio-Costa 等, 2013)。更新近的研究调查了GABA和谷氨酸浓度在与数值认知相关的脑区(即顶内沟和额中回)中的作用及其与数学能力的关系。它们展示了神经递质是如何被调节和平衡的,以及这种平衡如何随年龄、数学学习经历或熟练程度的变化而变化。然而,目前的研究状态存在一些局限性,阻碍了最终结论的得出。首先,在不同研究中发现显著相关性的数学任务各不相同。其次,神经递质浓度是在基线条件下获取的,而非参与者执行算术任务时。第三,研究调查了各种脑区中的神经递质浓度(例如仅左侧或仅右侧IPS,而非双侧),这使得无法建立一个关于大脑神经化学调节及其与数学能力关联的综合框架。尽管如此,这些研究仍是一项突破,并为更好地理解特定神经递质的调节作为发育障碍、个体表现以及与终身数学学习能力相关的大脑可塑性的潜在标志物提供了机会。这反过来将为改善数值能力的干预措施开辟新的视角。例如,对顶叶和额叶区域的经颅刺激已成功改善了数值认知的某些方面(Lazzaro 等, 2022; Schroeder 等, 2017)。虽然这些技术的神经生物学基础尚未完全阐明,但它们对GABA和谷氨酸调节过程的影响可能与其有效性有关。

简而言之,在不同分析层面上探索数学学习神经生物学的研究,为阐明一系列问题提供了机会,包括系统脑机制、其进化根源以及对教育和临床实践的意义。这也有助于揭示数学学习困难的可能原因、早期诊断标志物以及针对受此困扰人群的干预方案(干预方案示例见 Benavides-Varela 等, 2020, 2023; Re 等, 2020)。我们预计,未来几年内的研究将对这些复杂能力的下游步骤提供更清晰的表征,并在细胞、分子、遗传、脑功能及相关行为结果之间建立更明确的联系。这需要重大的、协作式的跨层级研究,并敦促研究人员不仅要继续,还要扩展这种整合方法的范围。

原文链接:https://www.sciencedirect.com/science/article/pii/S0149763424000137

特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

相关推荐
热点推荐
前10月全国税收收入增长6%,其中个税收入增长22.9%

前10月全国税收收入增长6%,其中个税收入增长22.9%

风向观察
2026-11-20 18:17:34
江苏男子撞破妻子出轨,熟睡中被灌进水泥,真相让人后背发凉

江苏男子撞破妻子出轨,熟睡中被灌进水泥,真相让人后背发凉

夜话奇谭
2026-11-20 14:50:59
武汉95后小伙子承父业收废品,买到一架客机,拆解视频意外爆火,本人回应:把童年顺口溜干成了现实

武汉95后小伙子承父业收废品,买到一架客机,拆解视频意外爆火,本人回应:把童年顺口溜干成了现实

极目新闻
2026-11-20 15:01:38
山东省原副省长闫剑波,辞去山东省委委员职务;今年9月已跨省任厦门代市长;曾任禹城市委书记、济宁市委副书记、威海市委书记等职

山东省原副省长闫剑波,辞去山东省委委员职务;今年9月已跨省任厦门代市长;曾任禹城市委书记、济宁市委副书记、威海市委书记等职

极目新闻
2026-11-20 18:40:29
邳州市人大常委会党组成员、四级调研员、邳州市总工会主席张莹接受纪律审查和监察调查

邳州市人大常委会党组成员、四级调研员、邳州市总工会主席张莹接受纪律审查和监察调查

扬子晚报
2026-11-20 15:04:57
全完了!黄仁勋多项“恶行”被美国媒体曝光,多名英伟达高管大爆黑料

全完了!黄仁勋多项“恶行”被美国媒体曝光,多名英伟达高管大爆黑料

可达鸭面面观
2026-11-19 21:51:59
沪指跌超2%,最低探至3500.88点

沪指跌超2%,最低探至3500.88点

澎湃新闻
2026-11-20 11:39:12
人事|孙珊任上海市规划和自然资源局局长

人事|孙珊任上海市规划和自然资源局局长

上观新闻
2026-11-20 19:23:37
美国若在G20峰会期间举行第二次三国元首会晤中方将如何回应?外交部回应

美国若在G20峰会期间举行第二次三国元首会晤中方将如何回应?外交部回应

澎湃新闻
2026-11-20 17:06:06
创业板指跌逾3% 下跌个股近5200只

创业板指跌逾3% 下跌个股近5200只

财联社
2026-11-20 10:25:04
越来越多孩子自杀  多地高中严格执行周末双休

越来越多孩子自杀 多地高中严格执行周末双休

风向观察
2026-11-20 07:40:00
南京一全季酒店顶楼突然塌陷 房客一觉醒来透过缝隙看到了天空

南京一全季酒店顶楼突然塌陷 房客一觉醒来透过缝隙看到了天空

信网
2026-11-20 19:26:08
不止感谢中国!普京会上另提一事,已有8伙伴力挺,中方也在其中

不止感谢中国!普京会上另提一事,已有8伙伴力挺,中方也在其中

云上乌托邦
2026-11-19 12:48:01
太和县公安局李兴派出所一级警员李鹏被查

太和县公安局李兴派出所一级警员李鹏被查

阜阳发布
2026-11-19 22:16:52
特朗普临走撂下句话,我越想越不对劲:这哪是夸中国,分明是报价

特朗普临走撂下句话,我越想越不对劲:这哪是夸中国,分明是报价

天光破云来
2026-11-20 13:12:25
突发!台积电收紧对华AI芯片代工

突发!台积电收紧对华AI芯片代工

EETOP半导体社区
2026-11-20 08:17:23
为什么国家越来越强,我们的日子却越来越紧

为什么国家越来越强,我们的日子却越来越紧

小禾的半糖生活
2026-11-18 13:20:03
全面下跌,何时见底?

全面下跌,何时见底?

星图金融研究院
2026-11-20 15:37:21
两男子半夜抢劫杀害招待所同屋住客,潜逃27年落网即将受审,死者女儿:父亲是来看我的,他被害后我内疚多年

两男子半夜抢劫杀害招待所同屋住客,潜逃27年落网即将受审,死者女儿:父亲是来看我的,他被害后我内疚多年

极目新闻
2026-11-20 19:13:17
阿里巴巴因隐瞒与黄仁勋外遇对象业务关系遭股东起诉

阿里巴巴因隐瞒与黄仁勋外遇对象业务关系遭股东起诉

互联网大观
2026-11-20 13:49:45
2026-11-20 20:08:49
CreateAMind incentive-icons
CreateAMind
CreateAMind.agi.top
1683文章数 21关注度
往期回顾 全部

科技要闻

老黄想回来?英伟达董事会:没门

头条要闻

中国女子在希腊失踪半年 保险箱发现10万欧元现金

头条要闻

中国女子在希腊失踪半年 保险箱发现10万欧元现金

体育要闻

伪强队?拥4亿豪阵欧国联6连败+世界杯出局

娱乐要闻

陈晓楠对话厉娜和许飞引全网热议

财经要闻

10万人逼宫英伟达,黄仁勋要复职了?

汽车要闻

全新红旗H9最有意思的地方,是它开始有自己的豪华逻辑了

态度原创

艺术
时尚
教育
旅游
公开课

艺术要闻

投资55亿!深圳歌剧院施工现场更新,主音乐厅马蹄形已现!

秋天衣服别总穿纯色,试试这几件条纹单品,简单时尚又减龄

教育要闻

济南市历下区燕山小学教育集团将出席2026第四届课博会,解码“做中学”视域下小学科学教育生态构建

旅游要闻

青岛冬日赏鸥地图|沿着海岸线,赴一场海鸥之约

公开课

李玫瑾:为什么性格比能力更重要?

无障碍浏览 进入关怀版