网站首页 > 新闻中心 > 脑科学新闻
联系方式
手机:18580429226
联系电话:023-63084468
联系人:杨晓飞
联系邮箱:syfmri@163.com
联系地址:重庆市渝中区青年路38号重庆国际贸易中心2004#
信息内容
Nature neuroscience:疼痛、认知控制和负性情绪在内侧前额叶皮层的一般化表征
发布者:admin 发布时间:2020/4/24

内侧额叶皮质,包括前扣带回皮质,已经被发现与包括认知控制、疼痛和情绪在内的多个心理领域有关。然而,目前尚不清楚这个区域是否一般化地表征了这几个心理过程(即心理学领域,以下翻译中有交替互换使用)。此外,如果是一般化的表征,那么它们反映了跨领域共享的单个底层进程(single underlying process shared across domains)还是多个特定于领域的进程(domain-specific processes)?因此,作者对来自270名参与者的18项研究中的功能性核磁共振活动进行研究进行分解,将其分为研究特异性成分、子领域特异性成分和领域特异性成分,并识别出跨子领域但对每个领域都有特异性的潜在多变量表征疼痛表征局限于前扣带回皮质,负性情绪表征局限于腹内侧前额叶皮质,认知控制表征局限于后扣带回部分。这些发现为额叶内侧皮层的表征提供了证据,这些表征在研究和子领域中普遍存在,但特定于不同的心理领域,而不是可还原为单一的潜在过程。本文发表在Nature neuroscience杂志。
文章重点:

研究方法:

使用来自18个研究的270名被试,考察疼痛、负性情绪和认知控制的一般化表征及其表征是否在三个心理学领域具有重叠。分析的方法类似于心理测量学的思路,主要分析过程包括特征的选择(包括研究的选择、感兴趣区的选择和contrast的选择)、模型的建立(本研究中使用了表征相似性分析)和模型的推断统计检验。其中还包括了模型系统误差的检验和可识别性的检验过程。此外,还进行了探照灯(search-light映射分析对是否重叠进行评估。

 研究结果:
   
    主要分析结果显示疼痛表征位于aMCCpMCCdMFC,负性情绪表征位于vmPFCdMFC,反应选择(认知控制的一个子研究领域)位于vmPFC探照灯映射的结果与主要分析结果类似,并且进一步还发现了认知控制表征局限于后扣带回部分,且这三个心理过程在大脑中的表征几乎没有重叠。 

研究结论:

疼痛、认知控制和负性情绪反映的是三个不同的心理过程,其在大脑中的表征不是重叠的,故而不是受同一个心理过程驱动的。 

正文:

研究背景:认知神经科学的一个核心目标是确定不同的心理过程是如何在大脑中表征的。内侧额叶皮质(MFC)包括额上回和扣带回的多个功能不同的皮质区,与多个不同的心理过程有关。显然,MFC内的不同区域编码不同的功能,几个“中枢”区域,尤其是前扣带回皮质(aMCC)与多种心理过程均相关。跨物种的研究将aMCC的活动与多种功能联系起来,包括认知控制、基于奖励的学习和决策、躯体疼痛以及情绪和社会信息的处理。事实上,这一区域对各种各样的任务都有反应,而且研究者们提出了很多理论来解释它的反应机制,以至于它被称为“罗夏测验”,并被认为是许多认知神经科学家的“圣杯”。

关于aMCC功能的理论通常将这一区域的大量信号解释为跨领域的底层心理过程的组成部分。这些底层心理过程包括冲突监测、适应性控制(即对负性情绪和伤害的控制过程)、认知努力、行动评估和控制以及生存威胁的检测等。

这些模型之所以具有价值,是因为它们为跨多个领域的aMCC的参与提供了综合解释。然而,用功能磁共振成像(fMRI)测量不同区域的脑活动,掩盖了具有不同功能的不同局部神经回路的潜在多样性。

例如,对非人类灵长类动物aMCC的电生理和光遗传学研究为不同神经元的亚群具有不同特异性的功能特性提供了证据。最近的证据表明,在某些情况下,多变量(multivariate patterns)fMRI活动模式可以识别分布在细胞亚群中的表征,其中就包括识别aMCC内与不同任务相关的功能分离模式。【编者注:也就是说可以对aMCC内具有不同的功能的不同的区域可以进行分离】因此,对aMCC具有跨领域的多变量大脑表征的相似性的假设还没有得到充分的验证。也就是说有研究者提出可能这些心理过程共享了一个底层的心理过程,但是还没有得到实证的支持可想而知,如果一组心理过程激活了同一个底层进程的表征,那么这些心理过程会在aMCC和其他MFC区域产生类似的大脑活动模式。相反,如果不同的心理过程对应不同的底层过程的表征并且不和其他心理过程共享,则它们对应着不同的大脑活动模式。

在这里,作者使用心理测量理论中的结构效度来检验这些假设。作者研究了有MFC参与的三个心理过程:疼痛、认知控制和负性情绪。作者从18个研究中(每个研究15名被试)采集了270个被试的数据。数据采集时进行了平衡,并且按照层次结构进行排列。每个心理过程有三种不同的实验操作(以下被称为子领域或子过程,例如,诱发皮肤疼痛、内脏伤害性疼痛和急性机械刺激性疼痛),每个实验操作有两个独立的研究(以下被称为研究;图1a)。虽然在神经影像学研究中,将单一研究中的活动模式等同于“表征”是很常见的,但测量理论和第一性原则要求潜在结构的表征必须是可概括的。

例如,对“痛苦”的描述必须泛化为不同类型的痛苦刺激。作者的方法允许作者开发多变量模型,定位对应于单个心理活动的大脑表征,而不是由单个研究的子活动或单一研究的细节驱动(图1b)。通过这种方式,这些模型评估了大脑表征的普遍性,并测试了疼痛、认知控制和消极情绪理论结构的有效性。

1a 这个图可以很好的看出来作者建立的多层次的模型,一共三个领域,每个领域包括三个子领域,每个子领域将两个研究纳入其中。【可以将领域类比为一个潜变量,将子领域类比为一个维度,将各个研究类比为每个题目】

 

 

研究方法:

实验设计:

作者采用了一种结构验证方法来检验三种涉及MFC的结构的一般表示:疼痛、认知控制和消极情绪。通过(i)识别潜在的多变量表征,这些表征是潜在的心理领域,而不是某一特定研究或子领域(即任务)的特质(ii)检查这些潜在表征在多个心理领域的相似性,与传统的单一研究或单一方法研究相比,该框架对aMCCMFC内心理过程的共享表征提供了更明确的检验。这种方法已经在心理测量学研究中应用了几十年来评估结构效度。其思想是定义一个潜在的结构(例如,智力和焦虑),并用多种不同的指标来衡量它。使用多个指标可以提取构成结构的共同因素。同一结构的指标之间的相互关系为收敛有效性提供了证据,表明指标测量同一结构。如果不同的指标只加载在不同的结构上,它们就提供了区别效度的证据。同时,收敛和区别效度为结构效度提供了有力的证据。【编者注:也就是说如果不同的指标能收敛,那么他们就是测量的同一个结构,如果不能收敛而是加载在不同的结构上,那就是测量的不同的结构,同样类比心理测量学中的因素分析方法】

功能磁共振成像(fMRI)的指标是由不同任务引起的大脑活动模式,而结构则是任务假定测量的功能心理域(如疼痛或工作记忆)。绝大多数的研究,甚至像HCPBiobank这样的大规模研究,都只使用一种特定的任务变体作为一个领域的单一指标。这就给从大脑活动模式的相似性推断心理过程的相似性带来了问题。例如,如果疼痛任务中aMCC的活动不同于消极情绪任务中aMCC的活动,是因为疼痛的表现不同于消极情绪,还是因为所研究的疼痛的特定变体不同于消极情绪的特定变体?一项关于多种疼痛和多种消极情绪的研究可以解决这个问题,如果它表明,多种疼痛的共同大脑表征不同于多种消极情绪的共同表征,那则可以说明疼痛与负性情绪是不同的心理过程。这是作者在本研究中使用的方法,具体如下。

研究和contrast选择:

fMRI数据来自于急性热性躯体刺激、急性内脏刺激、急性机械性躯体刺激、工作记忆、反应选择、反应冲突、利用视觉场景图像诱发负面情绪、社会排斥、对他人疼痛的感知以及来自国际情绪数字声音系统的情绪厌恶片段。这些数据一起形成了一个平衡的分层样本,有六个疼痛研究(两个热的,两个内脏的和两个机械的),六个认知控制研究(两个工作记忆,两个反应选择和两个反应冲突),和六个消极情绪研究(两个视觉,两个社交,两个听觉)。尽管负性情绪可以通过多种方法诱发,包括回忆情绪事件,但作者在这里分析的大脑活动集中在外部处理上,因为这与重叠的MFC活动有稳定的联系。由于研究中样本量的可变性(范围=15-183),通过从每个研究中选择15名被试(总计n=270)对数据进行随机子抽样。虽然没有使用统计方法预先确定这个样本量,但它与以前的已经发表的研究中所报告的相似。因为作者的重点是在各个研究中进行统一分析,所以没有尝试复制个别实验。没有被试被排除在分析之外。这些数据的一个子集先前被用于一个元分析,这个元分析的目的是解码疼痛、情绪和工作记忆的认知状态。【这个元分析是Yarkoni, T.,Poldrack, R. A., Nichols, T. E., Van Essen, D. C. & Wager, T. D.Large-scale automated synthesis of human functional neuroimaging data. Nat.Methods 8, 665670 (2011) 

这不是一项随机研究,而是多个研究的元分析。18项研究中的每一项研究的被试都是独立招募的。数据的收集与本研究的目标无关。后验分组是基于每项研究的目标和所使用的实验操作(例如,涉及前臂热刺激的研究被认为是疼痛领域的组成部分),而不是盲目的。【假设驱动而不是数据驱动的】

所有被试均按照当地道德和机构审查委员会的规定提供知情同意书。研究5n=154名女性;平均年龄=26.9)、6n=158名女性;平均年龄=24.2)、17n=157名女性;平均年龄=31.1)和18n=159名女性;平均年龄=24.4)中的被试提供了科罗拉多大学博尔德学院审查委员会批准的知情同意书。研究11的被试(n=219名女性;平均年龄=30.5)根据纽约大学机构审查委员会的规定提供了知情同意书。伦理认证、图像采集和分析以及人口统计学的描述在补充表7中进行了简要说明,并在相应的参考文献中进行了详细说明(另见生命科学报告摘要)。来自热痛刺激的对比是高水平和低水平的疼痛或高水平的疼痛刺激和基线之间的对比。内脏刺激研究的对比是直肠扩张试验和基线检查。对于机械刺激研究,对拇指施加压力和基线进行对比。两项工作记忆研究的对比是N-back和注视点基线。对于反应选择研究,对照为GO/NOGO任务的反应选择和基线。反应冲突的对比选择了Eriksen Flanker任务和Simon任务中一致和不一致的对比。视觉负性情绪的研究将负性和中性IAPS图片或负性图片与基线进行比较。社会消极情绪研究比较了看前伴侣和朋友的照片和看别人痛苦的照片和基线。听觉负性情绪研究将听不愉快的声音和基线进行对比。contrast的选择标准】
 fMRI
分析
作者采用了三种聚合方法来分离一般化的大脑表征:

i)作者模拟了大脑活动的不同模式与另一种模式中有什么区别,称为表征相似性分析(RSA);

ii)作者直接比较了来自同一心理过程(但在不同的研究和子心理过程)和不同心理过程的研究中大脑活动的相似性;

iii)作者使用偏最小二乘回归来描述MFC中可概括的大脑表征的空间分布。特征选择输入数据被定义为前部中线的体素,也就是LONI Probabilistic 脑图谱中前部扣带回和额上回的体素,也就是MNI空间中y=-22mm的体素。最初的分析在四个扣带回亚区和腹内侧前额叶、背内侧前额叶进行。这些解剖定义的感兴趣区包括后中扣带回皮层(pMCC; y = 22mm to y = 4.5 mm, z > 5 mm, 822 voxels),前中扣带回皮层(aMCC; y = 4.5 mm to y = 30mm, z > 5 mm, 815 voxels),膝前扣带回皮层(pACC; y > 30 mm, z < 5 mm, 794 voxels)、膝下前扣带皮层(sgACC; y = 4.5 mm to y =30 mm, z < 5 mm, 302 voxels)和额上回以及腹内侧前额叶皮层(以z=5mm分开,分别为dMFC4311voxelsvmPFC10619voxels),由于这些分区最初是在Talairach空间中定义的,所以使用Lancaster变换将它们转换为MNI-152空间。【这是主要分析,一共选了6ROI

使用探照灯映射进行二次分析,以MFC中每个体素为中心的球形区域(半径=8 mm)内的fMRI激活模式作为输入。另一个探索性的分析使用了基于RSA的模型比较,详细描述如下,使用基于结构和功能连接性的全脑分组进行。【还有两个补充性分析】

RSA:模型建立。作者通过计算大脑活动的多体素模式的相关距离(1-Pearson's r,不包括相异值为0的对角线元素)来估计表征差异矩阵(representationaldissimilarity matricesRDMs)。每项研究抽取一名被试获得每个模式。

接下来,作者构建了基于模型的RDMs来描述每个心理过程的不同组成部分(图1)。在最低水平上,18项研究单独建模,以解释研究的特异性。接下来,对9个子领域(内脏刺激、热刺激、机械刺激、反应冲突、GO/NOGO反应选择、工作记忆、视觉负性情绪、社交负性情绪和听觉负性情绪)进行建模,以解释跨研究的普遍存在的反应模式。

最后,将三个心理领域(疼痛、认知控制和负性情绪)建模为独立的预测因素,以解释反应模式,这些反应模式不仅在研究中普遍化,而且也在子领域中普遍化,因此可以实现在三个领域中的普遍化,而不能实现跨三个领域的普遍化。

个体RDMs是根据子研究(18RDMs)、子领域(9RDMs)或心理过程(3RDMs)的二进制向量计算的。除了一个常数RDMs外,这30RDM中唯一的非对角元素(子对象间的差异)被矢量化以在模型中形成回归函数。该模型采用线性回归拟合观察到的受试者间脑差异矩阵。所有基于相似性的分析都排除了对角元素,因为它们具有完美的相关性和零相异性。一般的线性模型假设独立性,而不同的矩阵表现出复杂的依赖性;因此,作者使用bootstrap推断来获得p值(参见下面的“关于RSA模型参数的推断”一节)。

1b

 

RSA:模型属性和诊断。【以下部分是采用模拟数据证明上述建立的RSA模型不存在系统误差】

为了评估模型的适用性,作者使用1000Functional Connectomes Project的静息状态fMRI数据(n=270)进行了模拟实验。这使得作者能够测试RSA模型的假阳性率,以及参数估计的偏差和方差,使用的数据除了真实的fMRI噪声外没有真实的效应。这是评估标准GLM分析中假阳性率的方法。

作者使用蒙特卡罗(Monte Carlo)程序对1000rs-fMRI数据进行了基于RSA的分析,每个rs-fMRI数据为270名被试随机生成的事件相关的fMRI模型,允许作者在零假设下估计RSA参数估计的分布。为了降低研究/中心导致的共同方法偏差,作者从18个不同的中心选择rs-fMRI被试,从每个中心抽取15名被试(总数n=270)。所有数据都经过标准预处理,包括头动矫正、标准化到MNI空间、空间平滑(4-mmFWHM)和高通滤波(128-s)。

然后,对于每个Monte Carlo迭代,作者为每个被试生成一系列10个随机事件集,用Dirac delta(脉冲响应)函数对其建模,并用SPM的标准血液动力学响应函数对其进行卷积,从而为每个受试者生成一个感兴趣的单一回归器(还包括一个常数项)。

然后,作者估计这些模型,生成一系列270个与事件相关的激活图,然后进行基于RSA的建模。为了估计基于bootstrap的推理中RSA模型参数估计的误报率,作者进行了bootstrap重采样(b=200bootstrap样本),得到了每个RSA模型参数的p值。作者将整个过程重复1000次,每次迭代都随机指定模型,即估计总共270000个独特的fMRI激活图和1000RSA模型拟合和bootstrap测试。

由于模型是随机指定的,所以rs-fMRI数据与模型不存在一致关系,故而无偏模型在1000Monte Carlo迭代中的参数估计应以零为中心,这可以表明没有系统偏差。因此,为了估计偏差,作者从零开始计算每个参数估计的平均偏差。作者还估计了1000次迭代中参数估计的方差;方差越小,表示精度和功率越高。为了估计方差,作者计算了1000次迭代中每个RSA参数估计的标准误。假阳性的比例用p<0.05临界值(双尾)进行评估。置信区间定义为bootstrap分布上低于2.5个百分点或高于97.5个百分点的参数估计值,每个RSA模型参数估计值的误报率定义为该参数估计值显著的1000RSA模型的比例。这些分析结果表明,建模过程是无偏的,即平均零假设值几乎为零。在评价的180个参数(6ROIs×30个参数)中,最大效应与0无显著性差异(z=0.904p=0.366)。此外,所有RSA模型参数的假阳性率都小于等于0.05(附图5)。

附图5a为每一次Monte Carlo迭代的过程,b为参数估计的平均数和标准差(大部分平均数都为0,标准差也很小),c为假阳性率的比例,只有sgACCdMPFvmPFC有部分研究高于0.05,大部分还是很好的。

 作者还使用Wishart分布(附图6,这里不再展示,同附图5结果类似)生成的合成零假设数据和一组同质任务数据(使用研究13中的180名受试者)重复了整个RSA模型模拟(500次迭代),并发现了相同的结果(未在文中显示)。总的来说,RSA模型程序在零假设下提供了无偏估计,并且适当地控制了假阳性率。 

RSA:模型可识别性。【以下两个部分验证模型的可识别性】

在这里,作者对被试间的RDMs关系型数据库进行建模,因此要建模的数据包含一个n×n的差异性矩阵,其中n是被试;此矩阵具有秩minnr),其中r是用于计算相关性的体素数。相异矩阵的下三角被矢量化,并与线性模型拟合,设计矩阵基于等效矢量化的相异矩阵(如图1所示)。因此,结果数据是长度u=n×(n1/2的向量。模型尺寸取决于所使用的精确参数化,但研究影响的饱和模型的尺寸为k+k×(k1/2,其中k是研究数量;这是每个研究中平均研究内关系(对受试者)的k参数,以及k×(k1/2参数,用于每对研究之间的每种可能关系。

在实际应用中,作者使用了一个简单得多的模型,但通过检查设计矩阵的秩和方差膨胀因子来确定可识别性。在本研究中,作者纳入了k=18项研究,n=270名参与者平均分配(每个研究15名)。作者使用模型中的常数项来描述研究中数据的平均相似性,留下一个子空间的研究间关系由k+k×(k-1/2-1=170维跨越。

原则上,可识别模型中研究间差异的回归数上限为170然而,作者主要感兴趣的是特定的研究间的关系,特别是那些共同的子领域(同一子域的成对研究的9个参数)和共同的领域(三组9个研究的3个参数,加载在三个亚型的同一域结构上)。因此,作者的完整模型包含31个回归项:18个用于特定研究,9个用于子域,3个用于域,以及一个截距项。由于每个ROI的体素数量至少为302>31,因此不存在零残差模型的风险。

RSA:模型秩和方差膨胀因子。为了验证模型的可辨识性和有效性,作者计算了设计矩阵的秩和每个回归器的方差膨胀因子(VIF)。VIF表示由于与其他回归方程的线性组合的部分共线性,每个参数估计的方差增加的程度。作者的设计矩阵的秩是31,这表明模型是全秩的、可识别的,并且没有过度参数化。所有回归项的VIF都是有限的,这与模型是可识别的事实一致(补充图2)。基于研究、领域和子域之间部分共享的方差,不同回归模型之间的VIF不同,这是不可避免的,因为每个领域被试共有的部分协方差与子域和属于子域的研究共享。然而,在给定样本量的情况下,VIF显然在一个范围内,表明了对每个参数解释的唯一方差进行推断的合理能力。主要关注的回归项(即三个领域级术语)的VIF=1.66

统计:关于RSA模型参数的推论。【这部分是重点,主要检验RSA模型一般化参数是否显著】模型中的参数估计值提供概化性估计值,而一个显著的参数估计依赖于回归模型的性质。特定于研究(study-specific)的回归模型考察一个研究中个体被试的概括性,因为他们在活动的空间模式中捕获了被试间的相关性。正值表明,对于所建立的研究模型,被试之间的模式相似。子领域级(Subdomain-level)回归模型考察控制其他模型参数的情况下,同一子领域的两个研究的概化性。正值表示在建模子领域的研究中共享的空间模式,因此是同一个子研究领域的证据。领域级(Domain-level)回归,这是这里的主要兴趣,考察控制特定于研究和子领域的共享模式后三个不同的子领域(六个研究)的可概括性。正值表示跨子域的共享空间模式,因此,表示与域相关的一致模式的证据。因此,作者将这些参数估计值称为一般化指数,因为它们反映了大脑激活模式在多大程度上在子领域、研究或被试中一般化。因为回归模型是在多元回归模型中联合检验的,显著的域级参数估计意味着跨域共享的脑活动模式不可还原为子领域特定的或研究特定的模式。 

统计:RSA模型比较。

为了正式比较领域一般化表征的证据数量,使用贝叶斯信息准则(BIC)进行了模型比较。参考模型包括每个研究项(18个参数)和每个子领域项(9个参数)以及一个常数项(总共28个参数:18+9+1。接下来,作者拟合了三个模型,每个模型都包含一个领域的附加项(总共29个参数:28+1。最后,一个包含所有三个心理领域(总共31个参数:28+1+1+1的更为详细的模型被拟合。【小结一下:参考模型28个参数,然后有3个包含29个参数的模型,以及1个包含31个参数的模型】这五个模型适用于每个感兴趣的区域和MFC的全部范围。使用拟合模型的对数似然计算BIC值,并基于自由参数的数量进行惩罚。由于不同矩阵元素之间的依赖性,样本数量设置为分析中包含的被试数量(270),而不是不同矩阵中唯一元素的数量。使用WagenmakersFarrell中的公式将BIC值转换为权重。这些权重描述了在给定一组先验模型的情况下,哪个模型最有可能在每个区域产生观察到的相似结构。最后,对每个感兴趣区域的BIC分析所支持的模型计算调整后的R2。此外,还对横跨整个大脑的区域进行了分析(如Brainnetome Atlas)。由于此图谱分割包含的区域的体素比分析中包含的被试少,因此将采样数设置为最小值270,并将每个区域中的体素数设置为最小值。 

统计:比较域内和域间空间相关性的自由模型分析。为了在不使用预期相似关系的外显模型的情况下为一般化的大脑表征提供证据,作者检验了域内、不同子域之间和域内、研究之间以及域内的一般非零相关性。非零相关性的检验是通过构建置信区间(α=0.05)来进行的,使用bootstrap分析和偏差校正加速百分位数法。作者还进行了一系列层次检验,比较:(i)来自同一领域但不同子域的被试间相关性vs.来自不同领域的相关性;(ii)来自同一领域但不同研究的相关性vs. 来自同一领域但不同子域的相关性;(iii)来自同一领域的相关性vs. 同一领域与不同研究的相关性。这些测试是为了依次确定域、子域和三个域中每一个域的研究的平均效果而构建的。根据相关系数的平均差,通过计算bootstrap置信区间得出推论。

统计:每个领域潜在模式的PLS(偏最小二乘回归)估计【以下两部分为补充分析】

为了估计与每个域相关的活动模式(图2),分别在每个感兴趣区运行偏最小二乘回归,与构成数据矩阵的所有270名受试者和构成输出矩阵的伪编码变量(270名受试者,30个参数:18项研究,9个子域,和3个域,基于每项的包含/排除,值为+1/-1)。参数估计运行了5000次迭代,并根据bootstrap分布的平均误差和标准误差估计z-分数。作者注意到,这种方法并不是为了确保表示对于每个域都是唯一的;如果一些研究或子域与域具有特别高的协方差,它们可能会对域级模式产生很大的影响。因此,基于PLS的模式估计与RSA结合使用,并直接比较被试间的相关性。
统计:探照灯阈值和重叠评估。

在探照灯图的连接分析和可视化中,使用未修正的阈值(p<0.05)来确保过度保守的阈值不会“模糊”重叠区域。为了估计域重叠的相对证据,使用最小统计量计算Bayes因子,并将连接零和010之间的均匀分布作为先验分布(参数估计的理论合理值)。该检验评估是否有更多的证据支持重叠(即,三个映射的最小统计值显著大于零)或反对重叠(三个映射的最小统计值相对接近或小于零)。Bayes因子>3提供了重叠的证据,而小于0.33的值提供了反对重叠的证据。探照灯地图与现有脑图谱的对应关系。创建带图(Riverplots)来描述探照灯地图与现有解剖和功能图谱之间的对应关系(量化为余弦相似性)。 

结果心理过程的解剖学描述

鉴于扣带回功能在细胞结构基础上的区域特异性,作者首先在6个解剖定义的感兴趣皮质区域内应用了表征相似性分析:后扣带回(pMCC)、aMCC、膝周前扣带回、膝下前扣带回、腹内侧前额叶(vmPFC)和背侧MFC该分析揭示了aMCCpMCCdMFC中疼痛的一般性表征,且不与其他心理过程共享。aMCCpMCCdMFC中,甚至控制子领域和研究后,参数估计依然是正的。

这些结果表明,这些区域的疼痛诱发活动模式与认知控制或负性情绪操作时的活动模式有质的区别,且独立于子领域和研究。因此,在aMCC活动模式方面,不同子过程疼痛研究的被试之间更相似于而不是与认知控制或消极情绪的研究更相似。因为这些关联是跨子领域计算的,所以它们不太可能由任何特定子领域或研究中的相似性驱动。对于pMCCdMFC的活性模式,虽然它们的数量级较小,但定性上相似。这些发现与aMCC与疼痛相关的理论模型以及背侧前扣带回皮质属于疼痛回路的研究一致。以往研究中,在伤害性刺激过程中对aMCC活性的观察通常归因于更普遍的机制,如引导注意、反应选择或对显著事件的反应。

然而,作者发现诱发疼痛的表现不同于认知和情绪过程的表现,认知和情绪领域也需要注意、突出和涉及运动准备,排除了疼痛刺激时aMCC反应的由这些一般性因素驱动的解释。区域分析还揭示了消极情绪在社会情绪、情绪图片和情绪声音中的一般化表征在vmPFCdMFC中。vmPFC中,不同负性情绪亚区的激活模式比诱发疼痛或认知控制研究更为相似。这些观察结果与最近的神经影像学研究一致,这些研究确定了vmPFC中跨模态主观价值和情绪感知的表征。通过揭示消极情绪在刺激模式和社会情境中的普遍表现,这些结果进一步证实了vmPFC整合了不同刺激的情绪价值的观点。

此外,这些数据表明,尽管痛苦和不愉快的情绪事件可能涉及共同的负性情绪成分,但这两种刺激诱发的vmPFC表征在性质上是不同的。最近的元分析工作表明,这种差异可能与情绪意义的产生有关,在情绪意义中,有关环境线索、过去事件的记忆和对潜在结果的评价的信息被结合起来,成为物体在当前环境中幸福感的综合表现。这种综合性的处理方式与非概念驱动的情绪表达方式(如疼痛)形成鲜明对比。作者强调,这些数据并没有直接评估vmPFC表征对积极情绪或通过记忆提取诱发的内部生成状态的普遍性,因为作者关注的是使用消极刺激的诱导。MFC中没有扣带回或其他区域表现出特定于工作记忆(N-back任务)、反应选择(GO/NOGO)或反应冲突(FlankerSimon任务)子领域的认知控制的一般化表征。

然而,作者确实在vmPFC中发现了反应选择的一个一般化表征,这是一个认知控制的子领域,尤其涉及运动抑制。正如作者之前在任务执行过程中观察到的,这一表现可能反映了一种与其他领域或其他认知控制子领域不共享的失活模式。不同反应选择研究之间的vmPFC激活模式比起与负性情绪、诱发疼痛、工作记忆或反应冲突的处理模式更为相似。因此,尽管在vmPFC中观察到了消极情绪和反应选择的一般化表征,但这些表示似乎是不同的。控制相关表征也可能高度依赖于单个研究使用的参数,因为作者在多个区域发现了强大的研究特异性效应,包括aMCC

主要结果

 

MFC的整个范围内(结合六个感兴趣的区域)对激活的分析产生了类似的结果,疼痛刺激和负面情绪的影响在各个领域内共享而不是跨领域的普遍存在。直接对比领域内大脑活动的空间相似性和领域间的空间相关性的验证性分析进一步支持了这些结果。使用不同模型参数的附加验证性分析产生了定性相似的结果(见附图3)

附图不同的模型参数产生的结果类似

 

为了量化有利于三个领域中每一个领域的一般化表征的证据的权重,作者还使用贝叶斯信息准则对每个感兴趣的领域进行了模型比较。分析结果证实了根据单个参数估计得出的推论。aMCC表征最好的解释模型包括疼痛领域(除了研究和子领域的项),但不是认知控制或消极情绪。另一方面,vmPFC的表征,最好解释的是消极情绪的领域,而不是疼痛或认知控制。dMFC和全MFC表示的最佳拟合模型包括所有三个心理学领域,表明这些区域的编码不同。使用Brainnetomeatlas进行的附加模型比较是一个基于功能和解剖连接的分割图,它也为MFC以外的其他脑区的一般化表征提供了证据。

附图使用Brainnetome atlas进行的附加模型比较,红色代表疼痛、绿色代表认知控制、蓝色代表负性情绪,紫色代表疼痛和负性情绪的证据相等,灰色表示这三个领域均没有在此处有一般化表征。

 

心理领域的探照灯映射

由于扣带回沟的解剖结构存在变异性,作者还进行了探照灯成像,以不强烈依赖区域之间的边界的情况下定位特定于心理学领域的一般化表征,并减少解剖变异性的影响。在这种方法中,作者模拟了以MFC中每个体素为中心的球形体积(半径=8mm)的相似结构,识别出局部脑活动模式包含疼痛、认知控制和负面情绪的一般性表征的区域。这些探照灯通过检查小球中的激活模式,提供了模式信息的平滑估计,不受可能与每个被试的解剖结构不匹配(编者注:这一点很重要,因为约40%的受试者有一个扣带回旁gryus,它扩展了MCC的空间范围)的固定边界的限制。

探照灯分析的结果与基于解剖分割的结果基本一致(图4ad)。在扣带回沟内的aMCC中发现疼痛的一般化表征,并延伸至dMFC。与区域分析一致的是,dMFC、扣带回沟背侧上方的前补充运动区和vmPFC出现负性情绪,尽管处于较低(未经过校正)阈值。

探照灯映射结果

 

与区域分析不同的是,探照灯分析揭示了认知控制沿着扣带回沟延伸到SMA和运动皮层的一般化表征。这一定位位于aMCCdMFC之间,与元分析一致。元分析显示该区域和喙后扣带区(一个经典的被认为参与反应选择的区域)与控制相关(包括工作记忆、抑制和注意力转移任务)。由于该区域与功能相关的大脑区域很接近,并且与之相连,因此它是整合来自多个来源的不同类型控制信号的主要候选区域,例如控制的预期值和价值导向的行为适应。

对扣带回功能的综合观点部分地得到了以下观察的支持:在疼痛、认知控制、社交和评估过程中,aMCC和邻近MFC中观察到重叠激活。为了评估在本研究中确定的领域特定的表征是否在MFC的更广范围内类似地重叠,作者对探照灯地图进行了联结分析(4c)。结果显示,这些表征是不可分离的,但在任何体素通常都没有重叠。在dMFC中发现了小的重叠,小团块活动编码用于疼痛和认知控制(60个体素),以及疼痛和负面情绪(93个体素)vmPFC的疼痛和负性情绪也有一定程度的重叠(17个体素)。扣带回皮层中唯一的重叠效应是疼痛和认知控制,跨越了pMCC(6个体素)aMCC(2个体素)的边界。

为了评估不重叠的证据,作者使用三个领域联结分析的最小z-得分计算Bayes因子。在这个分析中,如果三个领域的最小统计量都小于或接近于零,则几乎不支持重叠。相反,如果最小统计量较大且为正,则域之间更有可能存在重叠。<1则表示没有重叠,值>1则表示有重叠。Bayes因子<0.1通常被认为反对重叠,而Bayes因子>10通常被认为是重叠的有力证据。结果显示最大贝叶斯因子为0.0898,也就是说MFC中不存在重叠的实质性证据(图4c)。

总结:总的来说,这篇文章通过多体素模式识别的方法来对分层结构的研究假设进行了验证性的分析,并且结合蒙特卡洛模拟以及无偏的search-light方法对统计结果进行了严格的验证性分析。这种分析思路为大脑中在多个任务中都被发现出现激活的脑区的神经参与解码提供了新的途径,为了能够发现一般的功能定义,不特定于研究而是特定于领域并通过结构化的方法探索一般于领域加工的脑区编码方式是解释不同任务中发现类似脑区出现激活的更好方法。这种方法可以获得更大的泛化能力并且同时揭开不同任务的神经处理过程。

    

 

 

请微信搜索“思影科技”关注我们,关注我们的公众号,获得更多精彩脑科学内容,如需原文或对思影科技课程感兴趣请添加微信号siyingyxf19962074063


欢迎浏览思影的数据处理课程以及数据处理业务介绍。(请直接点击下文文字即可浏览思影科技其他课程,欢迎添加微信号siyingyxf19962074063进行咨询,仍接受报名,受疫情影响部分课程时间或有调整,报名后我们会第一时间联系):

 

第六届任务态fMRI专题班(重庆4.8-13)
第二十八届磁共振脑影像基础班(重庆2.24-29)
第十四届磁共振脑网络数据处理班(重庆3.18-23)
第二十届脑电数据处理中级班(重庆3.7-12)
第二十九届磁共振脑影像基础班(南京3.15-20)
第十五届磁共振脑网络数据处理班(南京4.13-18)
第十届脑影像机器学习班(南京3.3-8)
第六届小动物磁共振脑影像数据处理班(3.27-4.1)
第十二届磁共振弥散张量成像数据处理班(南京3.21-26)
第九届磁共振脑影像结构班(南京2.26-3.2)
第八届脑电数据处理入门班(南京3.9-14)
第七届眼动数据处理班(南京4.9-13)
第七届近红外脑功能数据处理班(上海4.2-7)

思影数据处理业务一:功能磁共振(fMRI)
思影数据处理业务二:结构磁共振成像(sMRI)与DTI
思影数据处理业务三:ASL数据处理
思影数据处理业务四:EEG/ERP数据处理

思影数据处理服务五:近红外脑功能数据处理

思影数据处理服务六:脑磁图(MEG)数据处理

招聘:脑影像数据处理工程师(重庆&南京)

BIOSEMI脑电系统介绍