PsyBrain 脑心前沿 / 科研分析：认知神经科学前沿的结构化精读 / O · 综合神经科学 / O016 · Science重磅发现：决定大脑发育的最强因素，不是智商

O016 Science重磅发现：决定大脑发育的最强因素，不是智商而是“家境”！

来源：公众号 PSY-Brain_Frontier ｜发布：2026-06-15 ｜原文链接

认知神经科学前沿文献分享

基本信息

Title: Patterns of brain-wide associations reflect socioeconomics

发表时间: 2026-06-11

发表期刊: Science

影响因子: 45.8

获取原文:

添加小助手: PSY-Brain-Frontier 即可获取PDF版本
点击页面底部“阅读原文”跳转论文网页

研究背景

在认知神经科学领域，全脑关联研究（BWAS）一直试图回答一个核心问题：人与人之间行为特质（如智商）或生活环境（如社会经济地位）的差异，是如何在大脑功能和结构上体现出来的？

过去，大量研究将目光聚焦于智商（IQ）或精神病理学特征，试图在复杂的神经网络中寻找“聪明大脑”或“抑郁大脑”的专属标记。然而，随着样本量的扩大，一个不可忽视的方法学局限出现：当我们只盯着单一变量时，往往会忽略真实世界中成百上千种环境因素的交互作用。一个所谓的“高智商大脑特征”，到底是因为孩子真的更聪明，还是仅仅因为他拥有更好的睡眠、更少的压力，或者更富裕的家庭环境？

为打破这种单一视角的局限，华盛顿大学的 Scott Marek 团队借助青少年大脑认知发展（ABCD）研究的庞大队列，将多达 649 种非影像学变量（涵盖社会经济地位、屏幕时间、认知能力、睡眠等）同时映射到儿童的大脑静息态功能连接（RSFC）和皮层厚度上。这项近日发表在 Science 上的重磅研究，不仅揭示了究竟是什么在真正主导儿童大脑的个体差异，更对过去神经影像学中根深蒂固的“智商决定论”提出了颠覆性的挑战。

研究核心总结

这项研究并没有平均分配精力去描述 649 个变量，而是通过严密的对比和降维，剥丝抽茧地揭示了环境、大脑与认知之间的真实因果逻辑。

一、社会经济地位（SES）是塑造儿童大脑的最强因素

研究者首先对 649 个变量与大脑功能连接的关联强度进行了全景式排名。结果出乎意料：排在最前面的并不是认知能力或心理健康指标，而是社会经济地位（SES）。

在与大脑静息态功能连接关联最强的 40 个变量中，有 37 个与儿童所处的社会经济环境（如所在街区的儿童机会指数、家庭收入等）直接相关，其余 3 个则是睡眠和屏幕时间。相比之下，SES 与大脑的关联强度比智商高出 50%，比精神病理学总分高出 130%。这意味着，在人群水平上，儿童大脑组织方式的最大变异来源，是他们所处的社会经济环境。

Fig 1. 649种变量与大脑关联强度的全景排名，清晰显示出社会经济地位（蓝色圆点）在单变量和多变量模型中均占据压倒性的主导地位。

二、SES的大脑模式集中在感觉运动区，与压力和睡眠高度一致

如果 SES 对大脑的影响最大，那么这种影响具体发生在大脑的哪些区域？

研究发现，SES 的全脑关联模式高度集中在初级运动和感觉网络，而不是负责高级认知功能的额顶网络（FPN）。更有趣的是，当研究者提取所有 649 个变量的“第一主成分”（即所有变量共享的最大变异模式，被称为“暴露组图谱”）时，发现它与 SES 的大脑模式几乎完全重合。

为了理解这种感觉运动模式的生物学意义，研究者将其与已知的任务态 fMRI 图谱、神经递质受体图谱进行了空间对比。结果表明，这种由 SES 主导的大脑模式，与去甲肾上腺素受体密度、睡眠剥夺的脑电图特征以及兴奋剂（如哌甲酯）的作用模式高度相似，但与工作记忆、逻辑推理等高级认知任务的激活模式呈负相关。这提示我们，SES 对大脑的塑造，很可能是通过睡眠不足和慢性生理压力等“觉醒相关”的生物学途径实现的。

Fig 2. SES的大脑关联图谱（A）与睡眠、屏幕时间、智商的图谱高度相似，且几乎完美等同于所有649个变量提取出的“暴露组主成分图谱”（D）。

Fig 3. 空间相似性对比揭示，SES和暴露组的大脑模式（中）与去甲肾上腺素、睡眠剥夺等觉醒/压力指标（右）高度重合，而与高级认知任务（左）截然不同。

三、大脑与智商（IQ）的关联实则被SES严重混淆

一个长期的领域共识是，高级认知功能（如智商）依赖于额叶和顶叶皮层。然而，本研究中智商的 BWAS 图谱却诡异地呈现出与 SES 相似的“感觉运动模式”。这引发了一个关键疑问：大脑与智商的关联，是不是被 SES 混淆了？

当研究者在统计模型中控制了 SES 变量后，大脑与智商的关联强度出现了断崖式下跌——约 70% 的显著关联直接消失。更关键的是，控制 SES 后，智商的 BWAS 图谱不再表现出与压力和睡眠相似的感觉运动模式，而是开始向额顶叶的高级认知模式靠拢。这提供了强有力的证据：过去我们在全脑网络中看到的许多“智商特征”，其实只是 SES 的影子。

Fig 4. 控制社会经济地位（SES）后，大脑与智商的单变量关联强度大幅减弱（A、B），且智商的大脑图谱不再与兴奋剂/压力模式重合（C）。

四、多变量模型中的“捷径学习”：AI学到的是家境而非智商

为了进一步验证这种混淆效应，研究者测试了基于机器学习的多变量大脑-智商预测模型的泛化能力。

结果揭示了一个经典的“捷径学习（Shortcut learning）”陷阱：如果只用高 SES 家庭的儿童数据（此时 SES 与智商的相关性极弱）来训练模型，模型在预测新样本的智商时表现极差（预测相关性几乎为零）。只有当训练样本包含了低 SES 儿童，使得模型能够捕捉到 SES 与智商的共变关系时，模型才能“成功”预测智商。

换句话说，当多变量模型看似在用大脑网络预测智商时，它实际上是在预测这个孩子的家境。相比之下，直接用大脑网络预测 SES 的模型，无论在何种样本组合下都表现出了极高的稳定性和泛化能力。

Fig 5. 跨情境泛化测试表明，当训练样本仅限于高SES儿童时（F），大脑-智商预测模型完全失效；模型只有在包含低SES样本时才看似有效。

Fig 6. 随着训练样本中SES与智商相关性的增加，大脑-智商模型的预测力才随之上升（A、B），且这些“智商模型”预测SES的准确率甚至高于预测智商本身（C），证实了捷径学习的存在。

研究意义

这项研究对认知神经科学和发展心理学具有深远的理论与方法学意义。

首先，它打破了“智商在大脑中具有稳定、本质化印记”的迷思。研究证明，儿童时期大脑组织方式的主轴是社会经济环境，而非先天智力。那些长期被归因为“智商差异”的神经影像学特征，很大程度上是贫困、慢性压力和睡眠剥夺在感觉运动皮层留下的生理刻痕。这一发现将干预的焦点从不可改变的先天特质，转移到了可干预的环境因素（如改善睡眠和减轻压力）上。

其次，它为神经影像学中的 AI 与多变量建模敲响了警钟。研究清晰地展示了“捷径学习”如何在脑科学中发生：强大的机器学习算法极易捕捉到数据中信号最强但并非目标的混淆变量（如 SES）。如果不加甄别地盲目追求预测准确率，我们得到的可能只是社会不平等在算法中的倒影，而非真正的大脑认知机制。

分享人：饭鸽儿

审核：PsyBrain 脑心前沿编辑部

💡 关于我们

👋 你好，这里是「PsyBrain 脑心前沿」

🧠 专注追踪全球认知神经科学的最尖端突破

🔍 视野直击 Nature, Science, Cell 正刊及核心子刊与顶级大刊

📄 每日速递「深度解读」与「前沿快讯」

科研是一场探索未知的长跑，但你无需独行。欢迎加入 PsyBrain 学术社群，和一群懂你的同行，共同丈量脑与心智的无垠前沿。

👇点击卡片进群，欢迎你的到来👇