Возможности индивидуального фМРТ-картирования мозговых основ рабочей памяти с помощью задачи «N шагов назад»

Актуальность. Использование индивидуальных карт активации мозга по данным функциональной магнитно-резонансной томографии (фМРТ) для уточнения диагноза и прогноза пациента на текущий момент невозможно, однако отслеживание изменений активации в ходе лечения или реабилитации может быть полезным для оценки их эффективности. Популяционные исследования чаще всего не позволяют выделить клинически значимые параметры активации и интерпретировать их изменения. Чтобы восполнить этот пробел, мы предлагаем детально рассматривать индивидуальные различия активации, связанные с состоянием изучаемой функции.
Цель: анализ индивидуальных различий активации головного мозга при выполнении задачи «N шагов назад» (обновление материала в рабочей памяти) у молодых и пожилых здоровых людей в связи с точностью и временем ответа в данной задаче.
Материал и методы. У 16 молодых (18–35 лет) и 16 пожилых (60–75 лет) здоровых праворуких участников регистрировали фМРТ при выполнении задач «N шагов назад» и рассматривали активацию в условии «2 шага назад» против «0 шагов назад». На групповом уровне оценивали эффекты возрастной группы (молодые/пожилые) и типа материала (вербальный/невербальный), а также точности и времени ответа.
Результаты. У всех участников вне зависимости от возраста ухудшение выполнения задачи «2 шага назад» сопровождалось более выраженной активацией: в зрительной коре билатерально и в правой нижней лобной извилине при снижении точности, в лобных компонентах фронтопариетальной сети и лобном полюсе справа при увеличении времени ответа.
Заключение. Полученные корреляции объясняют очень малую долю дисперсии в паттернах активации в задачах на рабочую память, поэтому не могут быть использованы для интерпретации индивидуальных карт активации. Однако они способны открыть путь к оценке индивидуальных паттернов в динамике в том случае, если получат подтверждение в лонгитюдном исследовании.

1. Huettel SA, Song AW, McCarthy G. Functional magnetic resonance imaging. 2nd ed. Sinauer Associates Inc.; 2008: 510 pр.

2. Кремнева Е.И., Змейкина Э.А., Морозова С.Н. и др. Функциональная МРТ в неврологии. М.: Научный центр неврологии; 2016: 90 с.

3. Drew PJ. Vascular and neural basis of the BOLD signal. Curr Opin Neurobiol. 2019; 58: 61–9. http://doi.org/10.1016/j.conb.2019.06.004.

4. Matthews PM. An introduction to functional magnetic resonance imaging of the brain. In: Jezzard P, Matthews PM, Smith SM (Eds). Functional magnetic resonance imaging: an introduction to methods. Oxford University Press; 2001: 4–34.

5. Scott TL, Gallee J, Fedorenko E. A new fun and robust version of an fMRI localizer for the frontotemporal language system. Cogn Neurosci. 2017; 8(3): 167–76. http://doi.org/10.1080/17588928.2016.1201466.

6. Thompson PM, Jahanshad N, Ching CRK, et al. ENIGMA and global neuroscience: a decade of large-scale studies of the brain in health and disease across more than 40 countries. Transl Psychiatry. 2020; 10(1): 100. http://doi.org/10.1038/s41398-020-0705-1.

7. Elam JS, Glasser MF, Harms MP, et al. The Human Connectome Project: a retrospective. Neuroimage. 2021; 244: 118543. http://doi.org/10.1016/j.neuroimage.2021.118543.

8. Canario E, Chen D, Biswal B. A review of resting-state fMRI and its use to examine psychiatric disorders. Psychoradiology. 2021; 1(1): 42–53. http://doi.org/10.1093/psyrad/kkab003.

9. Sander CY, Ionescu TM, Mehta MA, et al. Pharmacological MRI: utility in understanding drug mechanisms in psychiatric disorders. J Magn Reson Imaging. 2025; 63(2): 346–63. http://doi.org/10.1002/jmri.70160.

10. Song SE, Krishnamurthy LC, Rodriguez AD, et al. Methodologies for task-fMRI based prognostic biomarkers in response to aphasia treatment. Behav Brain Res. 2023; 452: 114575. http://doi.org/10.1016/j.bbr.2023.114575.

11. Dreyer FR, Doppelbauer L, Buscher V, et al. Increased recruitment of domain-general neural networks in language processing following intensive language-action therapy: fMRI evidence from people with chronic aphasia. Am J Speech Lang Pathol. 2021; 30(1S): 455–65. http://doi.org/10.1044/2020_AJSLP-19-00150.

12. Терновой С.К., Синицын В.Е., Морозов С.П. Применение функциональной магнитно-резонансной томографии в нейрохирургии опухолей головного мозга. Медицинская визуализация. 2002; 2: 5–10.

13. Власова Р.М., Печенкова Е.В., Синицын В.Е., Степанян М.А. Сочетание функциональной магнитно-резонансной томографии и нейропсихологического обследования при предоперационной диагностике в нейрохирургии опухолей головного мозга. Кубанский научный медицинский вестник. 2010; 6: 38–43.

14. Lakhani DA, Sabsevitz DS, Chaichana KL, et al. Current state of functional MRI in the presurgical planning of brain tumors. Radiol Imaging Cancer. 2023; 5(6): e230078. http://doi.org/10.1148/rycan.230078.

15. Buck S, Sidhu MK. A guide to designing a memory fMRI paradigm for pre-surgical evaluation in temporal lobe epilepsy. Front Neurol. 2019; 10: 1354. http://doi.org/10.3389/fneur.2019.01354.

16. Добрушина О.Р., Сидякина И.В., Лядов К.В. и др. Навигационная транскраниальная магнитная стимуляция в реабилитации травматического повреждения лобных долей головного мозга. Анналы клинической и экспериментальной неврологии. 2014; 8(3): 49–56.

17. Назарова М.А., Новиков П.А., Никулин В.В., Иванова Г.Е. Диа­ гностические возможности транскраниальной магнитной стимуляции для прогнозирования двигательного восстановления после инсульта. Нервно-мышечные болезни. 2020; 10(1): 64–74. http://doi.org/10.17650/2222-8721-2020-10-1-64-74.

18. Bouton CE, Shaikhouni A, Annetta NV, et al. Restoring cortical control of functional movement in a human with quadriplegia. Nature. 2016; 533(7602): 247–50. http://doi.org/10.1038/nature17435.

19. Manero A, Rivera V, Fu Q, et al. Emerging medical technologies and their use in bionic repair and human augmentation. Bioengineering. 2024; 11(7): 695. http://doi.org/10.3390/bioengineering11070695.

20. Lipkin B, Tuckute G, Affourtit J, et al. Probabilistic atlas for the language network based on precision fMRI data from >800 individuals. Sci Data. 2022; 9(1): 529. http://doi.org/10.1038/s41597-022-01645-3.

21. Shashidhara S, Spronkers FS, Erez Y. Individual-subject functional localization increases univariate activation but not multivariate pattern discriminability in the “multiple-demand” frontoparietal network. J Cogn Neurosci. 2020; 32(7): 1348–68. http://doi.org/10.1162/jocn_a_01554.

22. Duffau H. A two-level model of interindividual anatomofunctional variability of the brain and its implications for neurosurgery. Cortex. 2017; 86: 303–13. http://doi.org/10.1016/j.cortex.2015.12.009.

23. Ward PGD, Orchard ER, Oldham S, et al. Individual differences in haemoglobin concentration influence bold fMRI functional connectivity and its correlation with cognition. Neuroimage. 2020; 221: 117196. http://doi.org/10.1016/j.neuroimage.2020.117196.

24. Weiss-Croft LJ, Baldeweg T. Maturation of language networks in children: a systematic review of 22 years of functional MRI. Neuroimage. 2015; 123: 269–81. http://doi.org/10.1016/j.neuroimage.2015.07.046.

25. Nenert R, Allendorfer JB, Martin AM, et al. Age-related language lateralization assessed by fMRI: the effects of sex and handedness. Brain Res. 2017; 1674: 20–35. http://doi.org/10.1016/j.brainres.2017.08.021.

26. Dubois J, Adolphs R. Building a science of individual differences from fMRI. Trends Cogn Sci. 2016; 20(6): 425–43. http://doi.org/10.1016/j.tics.2016.03.014.

27. Nosari G, Delvecchio G, Diwadkar VA, Brambilla P. Brain imaging in psychiatry. In: Tasman A, Riba MB, Alarcón RD, et al. (Eds). Tasman’s psychiatry. Springer International Publishing AG; 2024: 1–32. http://doi.org/10.1007/978-3-030-42825-9_115-1.

28. Zhou X, Kedia S, Meng R, Gerstein M. Deep learning analysis of fMRI data for predicting Alzheimer's disease: a focus on convolutional neural networks and model interpretability. PLoS One. 2024; 19(12): e0312848. http://doi.org/10.1371/journal.pone.0312848.

29. Lencz T, Moyett A, Argyelan M, et al. Frontal lobe fALFF measured from resting-state fMRI as a prognostic biomarker in first-episode psychosis. Neuropsychopharmacology. 2022; 47(13): 2245–51. http://doi.org/10.1038/s41386-022-01470-7.

30. Pilmeyer J, Huijbers W, Lamerichs R, et al. Functional MRI in major depressive disorder: a review of findings, limitations, and future prospects. J Neuroimaging. 2022; 32(4): 582–95. http://doi.org/10.1111/jon.13011.

31. Camino-Pontes B, Gonzalez-Lopez F, Santamaria-Gomez G, et al. One-year prediction of cognitive decline following cognitive-stimulation from real-world data. J Neuropsychol. 2023; 17(2): 302–18. http://doi.org/10.1111/jnp.12307.

32. Chai WJ, Abd Hamid AI, Abdullah JM. Working memory from the psychological and neurosciences perspectives: a review. Front Psychol. 2018; 9: 401. http://doi.org/10.3389/fpsyg.2018.00401.

33. Harding IH, Yucel M, Harrison BJ, et al. Effective connectivity within the frontoparietal control network differentiates cognitive control and working memory. Neuroimage. 2015; 106: 144–53. http://doi.org/10.1016/j.neuroimage.2014.11.039.

34. Marek S, Dosenbach NUF. The frontoparietal network: function, electrophysiology, and importance of individual precision mapping. Dialogues Clin Neurosci. 2018; 20(2): 133–40. http://doi.org/10.31887/DCNS.2018.20.2/smarek.

35. Бакулин И.С., Забирова А.Х., Копнин П.Н. и др. Активация коры головного мозга при выполнении задачи Стернберга на вербальную рабочую память. Вестник Российского государственного медицинского университета. 2020; 1: 42–50. http://doi.org/10.24075/brsmu.2020.013.

36. Miri Ashtiani SN, Daliri MR. Identification of cognitive loaddependent activation patterns using working memory taskbased fMRI at various levels of difficulty. Sci Rep. 2023; 13(1): 16476. http://doi.org/10.1038/s41598-023-43837-w.

37. Blokland GA, McMahon KL, Thompson PM, Martin NG, de Zubicaray GI, Wright M, et al. Heritability of working memory brain activation. J Neurosci. 2011; 31(30): 10882–90. http://doi.org/10.1523/JNEUROSCI.5334-10.2011.

38. Etzel JA, Courtney Y, Carey CE, et al. Pattern similarity analyses of frontoparietal task coding: individual variation and genetic influences. Cereb Cortex. 2020; 30(5): 3167–83. http://doi.org/10.1093/cercor/bhz301.

39. Egli T, Coynel D, Spalek K, et al. Identification of two distinct working memory-related brain networks in healthy young adults. eNeuro. 2018; 5(1): ENEURO.0222-17.2018. http://doi.org/10.1523/ENEURO.0222-17.2018.

40. Kirchner WK. Age differences in short-term retention of rapidly changing information. J Exp Psychol. 1958; 55(4): 352–8. http://doi.org/10.1037/h0043688.

41. Печенкова Е.В., Королькова О.А., Паникратова Я.Р. и др. Сравнительный анализ методик изучения рабочей памяти в фМРТи МЭГ-исследованиях. Экспериментальная психология. 2025; 18(1): 181–99. http://doi.org/10.17759/exppsy.2025180112.

42. Li G, Chen Y, Le TM, et al. Neural correlates of individual variation in two-back working memory and the relationship with fluid intelligence. Sci Rep. 2021; 11(1): 9980. http://doi.org/10.1038/s41598-021-89433-8.

43. Haier RJ, Siegel BV, Nuechterlein KH, et al. Cortical glucose metabolic rate correlates of abstract reasoning and attention studied with positron emission tomography. Intelligence. 1988; 12(2): 199–217. http://doi.org/10.1016/0160-2896(88)90016-5.

44. Dunst B, Benedek M, Jauk E, et al. Neural efficiency as a function of task demands. Intelligence. 2014; 42(100): 22–30. http://doi.org/10.1016/j.intell.2013.09.005.

45. Burzynska AZ, Garrett DD, Preuschhof C, et al. A scaffold for efficiency in the human brain. J Neurosci. 2013; 33(43): 17150–9. http://doi.org/10.1523/JNEUROSCI.1426-13.2013.

46. Wu S, Wang H, Chen C, et al. Task performance modulates functional connectivity involving the dorsolateral prefrontal cortex in patients with schizophrenia. Front Psychol. 2017; 8: 56. http://doi.org/10.3389/fpsyg.2017.00056.

47. Yang H, Zhang J, Jin Z, et al. Using modular connectome-based predictive modeling to reveal brain-behavior relationships of individual differences in working memory. Brain Struct Funct. 2023; 228(6): 1479–92. http://doi.org/10.1007/s00429-023-02666-3.

48. Nichols TT, Gates KM, Molenaar PC, Wilson SJ. Greater BOLD activity but more efficient connectivity is associated with better cognitive performance within a sample of nicotinedeprived smokers. Addict Biol. 2014; 19(5): 931–40. http://doi.org/10.1111/adb.12060.

49. Nasreddine ZS, Phillips NA, Bedirian V, et al. The Montreal Cognitive Assessment, MoCA: a brief screening tool for mild cognitive impairment. J Am Geriatr Soc. 2005; 53(4): 695–99. http://doi.org/10.1111/j.1532-5415.2005.53221.x.

50. Oldfield RC. The assessment and analysis of handedness: the Edinburgh inventory. Neuropsychologia. 1971; 9(1): 97–113. http://doi.org/10.1016/0028-3932(71)90067-4.

51. Vidal C, Content A, Chetail F. BACS: The Brussels Artificial Character Sets for studies in cognitive psychology and neuroscience. Behav Res Methods. 2017; 49(6): 2093–112. http://doi.org/10.3758/s13428-016-0844-8.

52. Peirce J, Gray JR, Simpson S, et al. PsychoPy2: experiments in behavior made easy. Behav Res Methods. 2019; 51(1): 195–203. http://doi.org/10.3758/s13428-018-01193-y.

53. Smith SM, Jenkinson M, Woolrich MW, et al. Advances in functional and structural MR image analysis and implementation as FSL. Neuroimage. 2004; 23(Suppl 1): S208–19. http://doi.org/10.1016/j.neuroimage.2004.07.051.

54. Nieto-Castanon A, Whitfield-Gabrieli S. CONN functional connectivity toolbox: RRID SCR_009550 release 22. Boston: Hilbert Press; 2022. http://doi.org/10.56441/hilbertpress.2246.5840.

55. Huang S, Chen C, Mo Y, et al. Exploring the n-back task: insights, applications, and future directions. Front Hum Neurosci. 2025; 19: 1721330. http://doi.org/10.3389/fnhum.2025.1721330.

56. Hidalgo-Lopez E, Noachtar I, Pletzer BA. N-back task revisited: comparing the neural correlates of updating and interference control. Imaging Neurosci. 2025; 3: IMAG.a.1025. http://doi.org/10.1162/IMAG.a.1025.

57. Печенкова Е.В., Королькова О.А., Паникратова Я.Р. и др. Разработка эквивалентных задач для исследования мозговых механизмов вербальной и невербальной рабочей памяти. В кн.: Ермакова И.В., Чернова М.Б. (ред.) Физиология развития ребенка. Всероссийская конференция с международным участием, приуроченная к 80-летию Института развития, здоровья и адаптации ребенка (Институт возрастной физиологии РАО). М.: ФГБНУ «Институт развития, здоровья и адаптации ребенка»; 2024: 240–5.

58. Naveh-Benjamin M, Cowan N. The roles of attention, executive function and knowledge in cognitive ageing of working memory. Nature Rev Psychol. 2023; 2(3): 151–65. http://doi.org/10.1038/s44159-023-00149-0.

59. Aron AR, Fletcher PC, Bullmore ET, et al. Stop-signal inhibition disrupted by damage to right inferior frontal gyrus in humans. Nat Neurosci. 2003; 6(2): 115–6. http://doi.org/10.1038/nn1003.

60. Nee DE, Wager TD, Jonides J. Interference resolution: insights from a meta-analysis of neuroimaging tasks. Cogn Affect Behav Neurosci. 2007; 7(1): 1–17. http://doi.org/10.3758/cabn.7.1.1.

61. Criaud M, Boulinguez P. Have we been asking the right questions when assessing response inhibition in go/no-go tasks with fMRI? A meta-analysis and critical review. Neurosci Biobehav Rev. 2013; 37(1): 11–23. http://doi.org/10.1016/j.neubiorev.2012.11.003.

62. Huang Y, Su L, Ma Q. The Stroop effect: an activation likelihood estimation meta-analysis in healthy young adults. Neurosci Lett. 2020; 716: 134683. http://doi.org/10.1016/j.neulet.2019.134683.