静息态网络拓扑传输认知任务信息
Please 关注 our 公众号
来自美国罗格斯大学的Takuyalto等人在Nature communications期刊上发文，提出了一种新方法——信息传输映射——来验证假设：静息态功能网络拓扑可以描述传输认知任务信息的脑区间计算映射。作者发现基于静息态网络估计的活动流可以预测广泛分布的脑区内多种多样任务规则信息的传输。进一步，作者发现这些任务态信息的传输通过认知控制网络内的全局中心区域进行协调。
人脑被认为是一个分布信息处理装置，信息传输路径构成决定其计算架构的一个核心特征。许多研究利用静息态fMRI时间序列的相关来研究人脑功能连接（functional connectivity，FC）。而静息态FC路径和人脑认知信息传输路径是否相关仍是未知的。尽管一些研究揭示了任务信息在大脑的分布表征，但这些研究仍没有揭示这些任务是如何协调的，以及一个脑区的信息如何被其他脑区利用来产生认知计算。
最近的研究表明，静息态FC描述了任务诱发的活动流路径（图1a），即任务激活在脑区间的移动。基于此，作者假设静息态网络拓扑描述脑区间任务信息传输的潜在映射。
最近的任务显示静息态FC反映人脑不变的全局路径架构。已有证据显示任务表现时功能网络拓扑学差异在静息态已经出现。因此，假定任务间功能网络组织有适度的改变，静息态FC主要显示固有功能网络结构在没有认知内容时已经出现。作者提出假设：静息态网络拓扑描述基线网络状态，分布的认知信息在其中进行处理。
作者的假设需要一个方法，来获得脑区之间的信息表征映射，与确定的神经网络模型中层间信息权重相似。这与之前描述脑区间任务相关信息协调的方法不同。
图1.通过活动流映射和认知任务信息解码测量信息传输。a.活动流映射的计算原理。b.分离的区域顶点/体素间区域到区域活动流映射。数学上，预测区域B的活动模式通过区域A的活动模式向量与区域AB间顶点到顶点静息态FC矩阵的点积计算。c.信息传输映射，利用空间Spearman秩相关比较区域B的预测激活模式和实际激活模式。
超越一般性假设，作者进一步关注静息态网络拓扑学特定特征对于任务相关信息传输的贡献。最近的研究定义了灵活枢纽网络在认知控制任务中广泛产生的静息态FC和高强度活动。认知控制网络包括额顶网络（frontoparietal network, FPN，执行任务）、扣带盖网络（cingulo-opercularnetwork, CON，维持任务）和背侧注意网络（dorsalattention network, DAN，实现自上而下的注意过程），在认知需求过程中的高度涉及，说明了区域和网络间灵活地传输任务信息的作用。因此验证假设：（1）静息态FC描述区域间和网络信息传输；（2）认知控制网络在[基于固有功能网络性质]传输任务信息到其他区域时起着重要作用。
作者使用涉及对认知控制重要的多种特征的认知范式，来分离很可能涉及认知控制网络的认知表征。采用具体排列规则操作（Concrete Permuted Rule Operations，C-PRO）范式（图2），在三个不同的认知域（逻辑，感觉和任务）变换规则来产生许多独特的认知任务集。作者预测认知控制网络会灵活地代表任务规则信息，并通过广泛的固有连接将信息传输到其他区域。实验设计和分析框架的结合允许作者分离认知操作并将它们与活动流映射下的神经生物过程联系，因此以认知信息传输为目标。
图2.具体置换规则操作实验范式。对于给定任务，呈现给被试指令集（即任务规则集），在这些指令集中，对他们呈现3个规则，每个来自不同的规则域（逻辑，感觉和任务规则域）。
作者得到的主要结果是：
（1）认知控制网络的网络组织。采用最近提出的功能定义皮层区（图3a），作者首先检验了认知控制网络是否是全局枢纽。用多重线性回归估计的静息态fMRI FC计算网络间全局连接（between-network global connectivity，BGC），具有高BGC的网络被量化为全局枢纽（图3c）。标准化Pearson相关（图3b）因为可能膨胀整体连接数未被用来计算BGC。作者将分析约束在以往发表的功能网络模板的7个网络内（图3a）。发现静息态估计的最高BGC的3个网络是3个认知控制网络FPN,CON, DAN（图3d）。这重复了之前显示认知控制网络是全局枢纽的结果。
图3.静息态时大尺度网络组织。a.使用最近发表的多模态人类大脑皮层分割图谱，将每个区域指定到一个功能网络，共7个功能网络。b.对a中的区域用Pearson相关计算全脑FC矩阵，行列的颜色代表a中的网络设定。c.用多重线性回归计算静息态FC矩阵。对每个区域的时间序列，将所有其他脑区的时间序列作为目标脑区的回归项拟合一个多重线性回归模型。d.对于每个定义的功能网络静息态fMRI平均BGC。认知控制网络（下划线）相比非认知控制网络有高BGC。
（2）信息传输映射的计算确认。作者之前的研究表明，建立基于静息态网络的活动流可以预测全脑激活模式，但被编码为细粒度激活模式区域的认知信息是否可以被基于静息态FC的活动流预测仍是未知的。为了验证这种可能性，作者从“all-to-one”活动流方法（用所有其他脑区的活动流预测单个脑区活动水平，图1a）转移到区域对间活动流建模（用一个脑区细粒度激活模式预测另一个脑区细粒度激活模式，图1b）。
要验证这种可能性需要开发新方法——信息传输映射——来量化静息态下区域对间信息传输数量（图1b,c）。这个方法（图1c）基于源脑区激活模式预测目标脑区激活模式。预测的激活模式之后与目前任务情况目标区域实际的激活模式来做比较。匹配的条件预测-实际的相似性接下来与不匹配条件预测-实际相似性比较，相似性差异量化预测出现的任务特异信息的数量。因为预测基于静息态FC模式估计的活动流，这使得可以通过静息态FC来推断任务相关的信息传输数量。
图4.网络到网络信息传输映射的计算验证。a.突触权重矩阵下4个局部网络1个枢纽网络。b.对模拟的静息态时间序列通过多重回归FC估计恢复大尺度突触重组。c.作者模拟了4个认知网络内4个不同的区域。d.静息态估计的BGC增加反映潜在的突触组织。e.网络对间阈值化的信息传输估计。矩阵中的每行代表一个源网络，对其他目标脑区用信息传输映射步骤（图1c）映射激活模式。矩阵中每列代表一个目标网络，作者比较了这个网络和预测到的激活模式。FWE校正后（p < 0.05）T统计量图。
作者通过一个具有一个枢纽网络和4个非枢纽网络的简单抽象神经网络模型验证该方法（图4a）。发现模拟的静息态FC对于枢纽网络准确地反映高BGC。进一步，给定潜在突触连接结构（图4a）和通过静息态FC（图4b, d）估计的固有拓扑，作者假设信息传输目标和来源枢纽网络确实会保留任务特异信息。采用信息传输映射方法（图1c），作者量化通过网络对间活动流信息传输数量（图4e），发现信息[传输到的和来源的]保留任务特异表征的灵活枢纽网络和非枢纽网络。尽管非枢纽网络对间传输没有保留统计上重要表征，同样发现这些结果与自上而下和自下而上的模拟同时发生时一致。这些结果显示模拟的静息态fMRI动力学足够反映潜在的突触组织，来描述任务信息携带的控制功能网络间活动流的映射，这也是作者新方法的重要假设。
这些模型模拟确认了对于提出的信息传输机制重要的两个假设：（1）静息态FC足够有效地描绘固有FC，来反映潜在的沟通信道的能力；（2）固有FC描述预测任务相关激活模式传输必需的信息-保留映射。因此，这些结果验证了通过活动流估计信息传输的分析基础，这在接下来被应用到经验fMRI 数据的[网络-网络]和[区域-区域]信息传输映射。
（3）通过静息态网络拓扑进行的信息传输。作者接下来将信息传输映射步骤应用到真实fMRI数据，检验其推断人脑认知信息传输的能力。为了验证认知控制网络可能通过其静息态网络拓扑广泛分布认知信息，作者使用了一个针对认知控制的实验范式C-PRO（图2）。
作者首先确定来自C-PRO范式的任务规则信息广泛分布在整个皮层网络。在7个功能网络中的6个逻辑规则信息显著可解码，感觉运动网络是没有包含解码逻辑规则信息的唯一网络。感觉规则信息在FPN, DAN,CON和视觉网络（visual network, VIS）显著可解码，没有在默认网络（default mode network, DMN）、听觉网络（auditorynetwork, AUD）和SMN可解码。运动规则信息在DAN, CON和SMN显著可解码，没有在FPN,DMN, VIS和AUD解码。
图5.在信息传输映射前对每个任务规则域各区域的信息估计，FWE校正p < 0.05。a.阈值后全脑逻辑规则信息估计图。在每个区域用顶点对逻辑规则域计算交叉验证表征相似性分析。对各区域，每个被试计算平均信息估计，被试间对0计算单尾t检验。b.阈值化的全脑感觉规则信息估计图。c.阈值化的全脑运动规则信息估计图。不同于逻辑和感觉规则表征，运动规则表征主要在运动/触觉网络。
作者接下来关注区域-区域间映射，不同于网络-网络传输，区域-区域间映射基于细粒度顶点水平模式。作为先决条件，首先对于360个区域中的每个使用交叉验证表征相似性分析，用激活模式在顶点水平量化C-PRO范式每个规则域的信息内容。发现逻辑规则相对分散，在额叶和顶叶皮层有高质量表征（图5.a）。感觉规则信息也相对分散，尽管高质量表征主要在视觉区。最后，作者发现运动规则表征显著地更局部化，在SMN有高质量表征（图5.c）。
区域-区域信息传输映射使用区域内顶点水平激活模式与区域间顶点-到-顶点静息态FC一起预测每个区域的信息内容（原文图6）。作者对360个区域对中的每个都实行这个步骤，并且在每个规则域将结果可视化为360 x 360矩阵。但因为在每个区域对视觉解释信息传输困难（因为稀疏），作者通过网络收缩了区域-区域间信息传输矩阵信息来更好地可视化网络水平区域到区域信息传输。进一步，为了查看传输信息区域的解剖位置，作者对于每个规则域计算了每个皮层区域统计显著的比例，并且在皮层表面上画出这些百分比（原文图7）。所有情况下，这些发现在多个功能网络和多个任务域支持静息态FC拓扑描述信息传输通道。
作者最后考察了认知信息传输的行为相关性。发现多个大脑系统和多个认知域，任务表现、静息态FC拓扑和信息传输的结合有力地说明了静息态FC拓扑在认知信息传输和任务信息处理中的重要作用。
讨论
作者发展了一个新的方法来量化脑区间信息传输。这个方法需要源脑区和目标脑区间的信息保留映射。特别地，作者采用的证据自发的模式，可以在局部和大尺度脑网络被用于成功地估计任务相关活动流，从而用静息态fMRI获得生物物理可塑的、数据驱动的映射。
以往的研究关注任务诱发的FC在转移[分布的任务表征]时的重要作用。重要的是，最近的研究说明任务诱发的FC改变相对于静息态FC拓扑较小。这说明这里考察的静息态FC拓扑很可能携带大量的任务相关的信息传输，伴随任务诱发的FC改变只对这个进程贡献了较小的改变。
总结来说，作者结合了大脑活动模式解码和静息态FC，来展示[细粒度的固有连接模式]如何与[认知信息传输]关联。进一步，通过估计通过皮层传输的信息，作者发现认知控制网络在认知任务信息的全局传输中起着重要作用。
参考文献：Ito T,Kulkarni K R, Schultz D H, et al. Cognitive task information is transferredbetween brain regions via resting-state network topology[J]. bioRxiv, 2017:101782.