Nature neuroscience：食物价值信息在框额皮层的表征
Nature neuroscience：食物价值信息在框额皮层的表征
在生活中的决策过程中，食物价值也是一个重要的决定因素。但是食物价值和其他奖励的信息是如何在大脑中得到表征的，我们仍旧所知甚少。对人类进行基于食物的决策任务，我们发现可以通过对食物的营养属性来预测主观价值（营养属性如蛋白质、脂肪、碳水化合物和维生素含量）。fMRI的多变量分析表明，虽然在内侧和外侧的眶额皮层(OFC)的神经活动模式中都有食物价值的表征，但只有外侧的OFC能表征基本的营养属性。有效连接性分析进一步表明，内侧OFC会整合外侧OFC中所表征的营养属性的信息，以计算整体价值。这些发现为食物价值的营养属性的表征机制提供了一个解释。本文发表在Nature neuroscience杂志。（可添加微信号siyingyxf或18983979082获取原文及补充材料）。
研究背景：
在目前，越来越多的证据表明，OFC（眶额皮层）和邻近的内侧前额叶皮层(PFC)在决策时对物体的期望值或效用方面的表征发挥着关键作用。这种价值信号可以作为决策过程的输入信息，让个体作出选择行为，以得到最佳预期收益的结果。在这个区域发现的价值信息对应许多不同类型信息的线索，包括食物奖励，金钱奖励，消费品，以及更抽象的目标，例如进行想象的休闲活动。但我们仍不清楚人类是如何形成对食物价值信息的评估。
在本研究中，我们专注于食物奖励的评估。食品评估是所有人每天完成的决策过程的一个基本组成部分。功能失调的食品评估过程可能会导致肥胖和进食障碍。最近的人类神经影像研究已经开始研究OFC在食物价值计算中的功能性的贡献。内侧OFC编码与食品奖励中食品类型无关的价值信号，无论这些价值信息是通过直接经验或通过想象新经验而获得的。另一方面，外侧OFC对食物价值的编码是身份特异的。但还不清楚对食品决策影响明显的深层属性（如食品的营养价值）是如何在OFC区域表征的。
本文假设食物奖励的价值至少在一定程度上是通过到对食物营养成分属性的考虑来计算的。本研究关注人们对蛋白质、碳水化合物和脂肪含量的考虑，还包括了对食物中特定的甜碳水化合物（糖）、钠和维生素含量如何考虑。在此基础上，作者进一步假设OFC将在表征这些营养属性方面发挥作用，从而用于构成关于价值信号的具体表征。
方法
被试
实验中共招募了24名健康被试。由于功能磁共振成像扫描的技术问题，排除了一名被试的数据。因此，使用了其余23名被试的数据（8名女性；年龄30.7±4.12岁； BMI为23.51±4.00，）。所有被试均经过预先评估，以排除以前有任何神经/精神疾病史的被试。我们还确认了被试有没有节食或出于任何原因寻求减肥。
刺激
在我们的实验中，我们使用了56种食物（例如零食，水果，沙拉等；其中一些是从先前的研究中选择的）。被试对这些食物非常熟悉，并且均为可在当地商店购买到。在食物属性评估任务中（见下文），在56个食品中，平均只有1.43±2.84个食品（平均±标准差）被评为“完全不熟悉”。可从包装标签的卡路里计数器获得有关这些物品的客观营养因子的信息。
所有刺激均以高分辨率彩色图像呈现给被试。使用Matlab里的“图像处理工具箱”提取有关图像的低级视觉特征（亮度，对比度，红色强度，绿色强度，蓝色强度，色度和饱和度）的信息。对于每个图像，使用工具箱提取每个像素中的红色，绿色和蓝色强度，然后计算亮度作为强度的加权总和（0.2126×红色+ 0.7152×绿色+ 0.0722×蓝色）。我们还使用Matlab的rgb2hsv函数计算了每个像素的色度，饱和度和亮度。对于每个完整图像，每个低级视觉特征均定义为所有像素的平均值。最后，将每个图像的（局部）对比度定义为像素亮度值的sd。
实验任务
被试在MRI扫描仪进行WTP任务，然后在扫描仪外进行属性评估任务。为了增强被试的进食动机，我们要求他们在实验前3小时内不要进食或喝水以外的任何液体。自我报告证实了其遵守情况，被试的饥饿评分平均为4.13±0.92（从1，“一点都不饿”到6，“非常饿”）。此外，实验后要求被试在实验室呆30分钟，在此期间，他们唯一能吃的就是实验中获得的食物。
WTP任务（在MRI扫描仪内部）
按照作者实验室在先前研究中使用的程序，他们采用了改进版本的拍卖任务来衡量被试对食品的支付意愿（即主观价值）（图1a）。 在此任务的每一个试次中，被试被授予3美元，并分别为56件商品出价（0美元，1美元，2美元或3美元）。实验结束时，计算机会随机选择一些试次。这些选定的试验是从{$ 0，$ 1，$ 2，$ 3}价值的食物中等比例抽取出来的，在这些试次中是随机的。被试需要对这些食物进行反竞标任务。如果被试的出价等于或大于计算机出价，则被试支付反竞标的出价并得到食物。否则，被试将保留最初的3美元。拍卖机制是兼容动机的，因为被试的最佳策略始终是竞标的出价越接近他们真正愿意为获得该物品而支付的金额，并使用问卷调查，以确认他们正确理解了实验机制。
该任务包括4轮fMRI实验，每一轮包括56个试次。在第1轮和3轮中的每一个中，随机选取了56个刺激中的28个，以随机顺序呈现了两次（即每一轮56次试验）。在第2轮和第4轮中，呈现了其他28个刺激两次。总计，被试对每种食物进行了4次竞标。我们平均了这四个试次的出价（即付款意愿），以此作为该刺激的“主观价值”。
在每个试次开始时，给被试呈现一个食物刺激 （评估阶段，3s；图1a）。 在下一阶段，被试通过按与出价金额相应的按键来对该刺激进行出价（出价阶段，在2.5 s之内）。在此，为了分离出价金额和刺激呈现顺序的信息，按键和所对应的出价金额在整个试验中都是随机的。在被试出价之后，立即显示被试的出价（反馈阶段，0.5 s），然后是间隔时间段（ITI阶段，2–12 s）。在此任务期间，仅在其中1.55±2.94％的试次中没有做出反应，并且在fMRI分析中将这些被试没有作出反应的试次建模为不感兴趣的回归指标（见下文）。
营养属性评分任务（MRI扫描仪之外）
被试对56个食物的主观营养因素进行评分。值得注意的是这个营养因素评分任务是在主观价值评定任务之后的，所以被试在主观价值评定任务时不会意识到他们后面还需要对食物的营养成分因素进行评分。这让我们可以排除被试在评定食物价值/的任务中是特意根据食物的营养成分的这一可能性（因为作者的实验对营养成分的测定是隐性的）。
这个任务包括了八个阶段，在每个阶段中，被试要根据56个食物的六个营养成分因素、总的卡路里含量和对其的熟悉度来回答以下的八个问题：
（1）这个食物中脂肪含量有多高？
（2）这个食物中碳水化合物含量有多高？
（3）这个食物中蛋白质含量有多高？
（4）这个食物中维生素含量有多高？
（5）这个食物中糖含量有多高？
（6）在这个食物中钠含量（盐）有多高？
（7）在这个食物中卡路里含量有多高？
（8）你对这个食物有多熟悉？
这八个问题在每个被试中都是随机的。值得注意的是，在这项任务中，被试是评价每个食物中的营养成分的“密度”。在指导语中，我们明确地告诉被试，“请你猜测这个食物中的营养成分的密度，即每单位重量（比如说10oz）中该营养成分的含量。
在每个试次中，被试移动红色指标，在从“完全没有”到“非常多”的连续评分指标中回答一个问题，没有限制回答时间(图1b)。在每个试次中，在连续评分指标中红色指标的位置都是随机的，被试是通过按键1或2来使得红色指标向左或向右移动。如果被试确定自己的答案，则按键3。
图1 实验任务和行为
a，WTP任务中一个试次的时间线。在每个试次中，被试报告了他们对每种食品的支付意愿（即主观价值）。请注意，在出价阶段，每个试次中按键和美元金额之间的对应关系都是随机的。
b，营养属性评估任务中一个试次的时间线。在每个试次中，被试可以通过移动红色指针，从“完全没有”到“非常多”的连续评分指标中回答一个问题（例如“脂肪中的脂肪含量高吗？”）。
c，主观和客观营养因素之间的相关性（n = 23名被试）。在每个箱型图中，中心线表示中位数，方格的底部和顶部边缘表示第25和75个百分位数（q25 和q75）。末端代表不视为异常值的最大和最小数据点，空心圆为异常数据点。 ** P <0.01，t检验（肥胖： t22 = 17.73，P <0.001；钠：t22 = 18.38，P <0.001;碳水化合物：t22 = 7.71，P <0.001；糖：t 22 ＝ 26.34，P ＜0.001。蛋白质：t 22 ＝ 18.64，P ＜0.001；维生素：t22 = 23.70，P <0.001）。
d，每个回归模型中主观价值的预测成绩（n = 23名被试）。预测成绩是通过交叉验证的预测值与实际值之间的相关性进行评估。箱型图与c中相同。 ** P <0.01，t检验（主观因素：t22 = 12.36，P <0.001；客观因素：t22 = 8.34，P <0.001；主观的卡路里含量：t22 = –0.26，P = 0.607；客观的卡路里含量：t22 = –1.18，P = 0.875）。
e，每个Logistic回归模型中预测食物主观价值的成绩（n = 23名被试）。通过交叉验证的正确率来评估成绩。箱形图与c中相同。 ** P <0.01和* P <0.05，t检验vs.50％（主观因素：t22 = 13.61，P <0.001；客观因素：t22 = 9.98，P <0.001；主观卡路里：t22 = 2.05，P = 0.026；客观卡路里：t22 = 2.43，P = 0.012）
行为分析对于主观营养因素的回归分析。
为了检验六种主观营养成分因素的组合可以最佳地预测主观食物价值，我们运行了以下的回归分析。对于每个被试，我们根据主观营养因子对每个刺激的价值进行回归。比较所有可能的64个模型（包括六个因素中的一个，一部分或全部），我们发现脂肪，碳水化合物，蛋白质和维生素这四个因素的组合有最佳的预测能力。在此，每个模型的预测能力（即营养因子的组合）是通过leave-one-out交叉验证进行评估的。也就是说，对于每个被试和每个模型，（i）我们进行了回归分析，每次drop掉56个刺激中的一个； （ii）根据获得的回归系数计算遗漏项的预测值； （iii）对56个项目分别重复上述程序； （iv）计算预测值与实际值之间的相关性。该模型的整体预测成绩是通过平均被试之间的相关性而获得的。作为模型的鲁棒性检测，我们还对分类之后的预测值进行了逻辑回归，使用“正确率”来衡量预测能力。分析表明，与线性回归结果一致，脂肪，碳水化合物，蛋白质和维生素这四个因素的组合有最佳的预测能力。
对于客观营养因素的回归。我们用客观的营养因素作为解释变量，然后运用了相同的线性和逻辑回归分析。对于总体的卡路里含量的回归。我们对主观和客观的总的卡路里含量的猜测运用了相同的分析。
fMRI数据采集
我们使用位于加利福尼亚州帕萨迪纳市Caltech脑成像中心的3T Siemens（Erlangen）Trio扫描仪和32通道射频线圈收集了fMRI图像。使用单次T2 *加权回波平面成像序列（体积TR = 2,780 ms，TE = 30 ms，FA = 80°）测量BOLD信号。我们每个体素采集了44个倾斜的切片（厚度= 3.0毫米，间隙= 0毫米，FOV = 192×192 mm，矩阵= 64×64）。将切片与AC-PC平面成30°对齐，以减少眶额区域信号丢失。经过四次功能运行后，使用标准MPRAGE脉冲序列（TR = 1,500 ms，TE = 2.63 ms，FA = 10°）获取高分辨率（1 mm 3）解剖图像。使用Matlab R2013b中的SPM8分析了fMRI数据。
fMRI数据预处理
使用SPM8中的标准程序对每个被试的fMRI图像进行预处理：在时间层校正之后，将图像重新对齐到每个run的第一个功能脑图以校正被试的头部运动，在空间上进行归一化并在时间上进行滤波（使用128的高通滤波器宽度s）。使用8-mm FWHM Gaussian kernel的空间平滑对功能图像进行进行空间平滑，但平滑后的图像仅用于二阶分析和心理生理交互分析（请参见下文），而不适用于MVPA或表征相似性分析（RSA）。对于searchlight MVPA和RSA，分别对准确性和相关性图进行了平滑处理，但输入的功能图像是未经平滑的。
多体素模式分析（MVPA）
为了检验主观价值的信息是否可以从fMRI响应模式中解码出来，我们进行了多体素模式分析。并将相同的程序应用于营养成分和低水平视觉特征的分类分析。
分类样本
我们使用每个食物的体素水平的BOLD反应全脑图作为分类样本。对每个被试和每轮实验建立一般线性模型（GLM）。GLM包含28个回归变量表示28种不同食物的评估阶段（持续时间= 3 s），还有四个回归变量表示出价阶段（持续时间=反应时间），反馈阶段（持续时间= 0.5 s），按键（持续时间= 0 s）和缺失试验（评估阶段，持续时间= 3 s）。所有的回归因子都具有典型的血液动力学反应功能（即与HRF函数进行了卷积）。另外，包括六个运动校正参数和线性趋势作为头动的回归变量。对于每个体素，前28个回归变量的参数估计值对应于每轮实验中对28种食物的功能磁共振成像响应。然后将每种食物的脑激活反应作为分类样本输入分类分析。
分类标签
某些被试对主观价值或营养成分的评分分布具有较高的偏度。为避免不平衡问题，我们根据每个被试的评分中值拆分为“高”和“低”值标签。请注意，中位数拆分是针对每个被试进行的交叉运行，这不能确保每轮实验中的标签都达到完美平衡。
分类算法
我们使用成本参数C= 1的线性支持向量机作为分类器。我们使用解码工具箱（Decoding Toolbox，TDT，这个工具包使用过程比cosom mvpa简单一些，但是在灵活性上不如，并且引用量差一些，但也是一个进行mvpa分析的好选择）进行了分类分析。分类准确度是通过leave-one-run-out的交叉验证来估计的。
更具体地说，为避免每轮实验中的标签不平衡的偏差（请参见上面的“分类标签”部分），我们执行了bootstrap检验，该程序重复了1000次。也就是说，我们随机删除了一些样本（不替换），以确保每轮实验中每个标签中的样本数量均等；然后对平衡数据进行上述分类分析。并重复该程序1,000次，从而获得平均分类精度。
ROI分析
我们根据AAL图谱定义了感兴趣的区域（ROI），外侧OFC，内侧OFC和其他区域。见正文中图7A的详细信息。将每个ROI中的fMRI响应输入上述分类分析。然后，对于每个ROI，我们使用单样本t检验（单尾）检验被试的平均准确度是否大于50％（随机水平）。双尾检验仅用于交叉解码分析，以检查平均准确度是大于还是小于50％。我们还进行了置换检验（每个被试内的分类标签置换1,000次；单尾），以检查平均准确度是否显著大于随机水平（这里的置换次数有点少了）。
Searchlight分析
我们还以3个体素（9mm）为半径在整个OFC 的ROI内（外侧和内侧OFC）进行了Searchlight解码分析。在此分析中，每个被试的正确率图都使用8mm的FWHM Gaussian kernel在空间上进行了平滑处理，并进入了SPM8进行的二级分析。在外侧和内侧解剖OFC ROI内使用体素水平的FEW的小体积矫正，使用50%进行单样本t检验。对于全脑分析，我们用团块水平的FWE校正进行多重比较（团簇阈值，P = 0.001）。
联合检验
在联合检验中，如果所有个体因素均得到了有效解码（P <0.05），则我们拒绝零假设（至少有一个因素未被表征），支持所有因素均得到表征的备择假设。在本研究中，我们主要使用t检验进行联合分析，而对于某些关键结果，我们还基于置换检验进行了联合检验（图3a）。
表征相似性分析（RSA）
为了进一步检查在该主观营养信息在OFC表征的方式，我们还进行了表征相似性分析（RSA）。
基于体素的表征不相似性矩阵（RDM）
与MVPA一样（请参见上面的“分类样本”部分），我们针对每个被试和每轮实验提取了针对每种食物的体素水平的BOLD响应。在整个运行过程中对fMRI响应进行平均，我们估计每个被试对每个刺激的每个体素的响应。然后，我们根据56个刺激中每对的相关距离（即1 –像素之间的皮尔逊相关相关系数）创建了RDM矩阵。
补充图1 对56个刺激的营养评分（a上为1和3run的28个刺激对象，
a下为2和4run的28个刺激对象，b为不同的营养指标的相关矩阵）
行为RDM
基于四个主观营养成分（脂肪，碳水化合物，蛋白质和维生素；以及每个营养成分，将各个刺激的评级进行z归一化）中每个刺激对的相关距离，创建行为RDM 。请注意，以四种营养成分的相对含量而言，成对的相关距离反映了两项之间的差异。
体素水平和行为RDM的比较
我们计算了体素的上三角部分与行为RDM之间的Spearman等级相关性。然后将每个被试的Fisher z-转换的后相关系数进行二阶分析。
补充图5 脑激活RDM和行为RDM矩阵的构建和表征关系
a为56个刺激对象之间在IOFC和mOFC区域的神经RDM，b为这56个对象根据四个营养要素评分构建的行为RDM矩阵，d为和行为RDM显著相关的脑区，集中在框额皮层，尤其是IOFC和mOFC，e为组水平的神经RDM，下面的柱状图为56个对象聚类树的结果。
ROI分析
对于外侧和内侧的OFC ROI，我们进行了上述分析，然后使用单样本t检验（单尾）检验了平均相关系数是否大于0 。
心理生理交互（PPI）分析
遵循SPM8中的标准程序，我们对空间平滑的fMRI图像进行了PPI分析，如下所示。
提取BOLD信号
我们首先构造了一个GLM来提取BOLD信号。GLM包含回归指标，表示评估阶段（持续时间= 3 s），投标阶段（持续时间=反应时间），反馈阶段（持续时间= 0.5 s），按键阶段（持续时间= 0 s），缺失试验（评估阶段），持续时间= 3 s），六个运动校正参数和线性趋势，以及描述主观价值和四个主观营养成分的估值阶段回归的参数调制量（跨刺激z标准化）。基于GLM，我们通过searchlight MVPA从外侧和内侧OFC ROI中提取了编码价值的BOLD信号（针对评估阶段进行了调整的特征变量，图 2b，; 以相应的峰值体素为中心半径为3个体素的球体）。
PPI模型规格和估计
然后，我们构建了另一个用于PPI分析的GLM，包括以下回归因子：
（i）生理因素，来自外侧OFC（IOFC）的BOLD信号；
（ii）生理因素，来自内侧OFC（mOFC）的BOLD信号；
（iii）心理因素，boxcar回归量表示评估阶段（持续时间= 3 s；我们称此回归量为VAL）；
（iv）心理-生理相互作用（PPI）因子，去卷积的外侧OFC BOLD信号与心理因子（VAL）的相互作用；
（v）PPI因子，去卷积的内侧OFC BOLD信号与心理因子（VAL）的相互作用：
其中Y表示目标ROI中的BOLD信号，X是一组其他回归变量（见下文），β值表示回归系数，而ε代表残差。注意，在PPI分析中，mOFC BOLD信号，IOFC BOLD信号和相应的PPI因子包含在同一GLM中。为了控制无关效果，我们包括四个回归指标，分别表示出价阶段（持续时间=反应时间），反馈阶段（持续时间= 0.5 s），按键阶段（持续时间= 0 s）和缺失试验（评估阶段，持续时间= 3） s），以及评估阶段回归变量的参数调制器，这些参数表示所提供食物的主观价值和四个主观营养成分。除生理因素外，所有回归指标均与标准HRF卷积。另外，包括六个运动校正参数作为无效的回归变量，以表示头动。
PPI效果的统计检验
然后，我们使用一个单样本t检验（单尾）对四个ROI中的每一个进行了检查，以确定被试之间的平均回归系数是否大于0 。为了进一步支持该检查，我们还采用了 bootstrap检验，该检验不太容易受到潜在异常值的影响。在bootstrap检验中，通过替换方法从原始数据中重新采样，我们获得了100,000个与原始样本大小相同的bootstrap数据集；然后获得其平均值的分布；最后，我们检验了分布的5％的五分位数是否大于0。
本研究中使用的统计检验概述
参数检验是在正态性假设下使用的（数据的正态性未经过正式检验）。这是用于神经成像的典型方法。值得注意的是，对于某些关键结果，我们还进行了置换检验和bootstrap检验，这些检验不需要关于数据的正态假设。除非另有说明，否则我们采用单尾检验，因为这些检验将检查解码准确性是否大于偶然性。交叉解码分析采用双尾检验（请参见正文），以检查平均准确度是大于还是小于50％。在searchlight分析中，对ROI分析使用体素水平FEW的小体积校正，对全脑进行团块水平的FWE校正（聚类阈值，P= 0.001）。
如果您对任务态fMRI感兴趣，欢迎浏览思影科技课程及服务。（可添加微信号siyingyxf或18983979082咨询）：
第八届任务态数据处理班（南京，3.2-7） 第一届任务态功能磁共振提高班（南京，3.9-14）
目镜式功能磁共振刺激系统介绍
结果
在OFC中对主观价值的表征
作者利用leave-one-out交叉验证方法的多体素模式分析（MVPA）验证了OFC在编码食物的主观价值方面的作用。在这个分析中，我们利用线性分类器对功能磁共振成像反应模式进行了训练，根据每个被试的评分将食品分类为主观价值高低的食品。与我们的假设一致，在被试进行食物价值估计时内侧OFC可以解码出食物价值表征。此外，与之前的研究结果一致，还发现了部分的外侧OFC可以解码出主观价值。具体来说，在解剖学上定义的内侧和外侧感兴趣的区域OFC中，可以在其fMRI响应模式上解码主观价值，且解码正确率高于随机水平（ROI；P <0.01；图2a）。在出价和反馈时也可以解码价值信息（补充图2b）。searchlight分析还确定了内侧和外侧OFC能解码主观价值（P <0.05，FEW校正，图2b）。此外，我们发现对于每个分类器，体素的分类权重在负值到正值之中分布广泛（补充图2c，d），表明OFC中对主观价值的解码本质上是多元的。
图2 主观食物价值的神经表征
a,在外侧和内侧OFC中（IOFC和mOFC）都可以编码主观价值信息。IOFC和mOFC的解码正确率都被展示于图中（n=23名被试）。左边：如图1c中所绘制的箱型图。**P< 0.01, t test vs. 50% (IOFC: t22= 4.75, P< 0.001; mOFC: t22= 3.57, P< 0.001)。右边：每个点意味着所有被试的平均解码正确率。灰色的横线表明由置换检验程序得到的零分布的第95个百分位(IOFC: P< 0.001; mOFC: P< 0.001).
b,OFC的子区域可以解码主观食物价值。从searchlight分析中得到的解码正确率的脑图。阈限为p<0.005（未矫正）。峰值的体素：蒙特利尔神经学研究所坐标(MNI): x, y, z= –36, 26, –11 and 12, 53, –8 (P< 0.05, 基于FEW的小体积矫正).
在OFC中对营养因素的表征
然后，我们测试了被试为了决策而在对食品进行评估时（即在WTP任务期间），OFC是否表征了可以预测食物价值的四个主观营养因素的信息。为此，我们对四个主观营养因素评分过程中运用了相同的MVPA方法来进行价值编码。与我们最初的假设一致，在外侧OFC感兴趣区域可以对主观的营养因素进行解码（P <0.05；图3a），但是在内侧OFC区却不能（P>0.05，联合检验；图3b）。另一方面，在出价或反馈时，我们发现外侧或内侧OFC不能编码主观营养因素（P> 0.05，联合检验;补充图4a，b），表明外侧OFC仅仅在评估食物价值时可以表征关于营养因素的信息。Searchlight分析已确认在外侧OFC在评估食物价值时对各种主观营养因素信息的编码，包括能编码脂肪，蛋白质和碳水化合物含量的团簇，在体素水平的多重比较校正中均显著p<0.05。能编码维生素含量的团块接近显著（p = 0.080 FWE SVC;图3c）。
总而言之，这些结果表明，在评估食物价值时，外侧OFC而非内侧OFC可以编码主观营养因素的信息。
除此以外，我们还注意到外侧和内侧OFC的解码正确率的不同不能归因于ROI中包含的体素数量的不同(尽管外侧和内侧OFC的ROI分别包含2325和533个体素）。为了证明这一点，我们在外侧OFC和内侧OFC随机重采样了相同数量的相邻体素 ROI（形成由553个体素组成的连续团块），然后我们测试了在减少了体素数量的ROI中是否还能编码主观营养因素的信息。我们的分析表明，即使体素数量较少，在外侧的OFC的脑激活模式仍然可以解码主观营养因素信息（p<0.05）。接下来，我们的结果明确了在估计食物价值时，外侧OFC表征主观营养因素和食物价值。首先，在外侧OFC的ROI中，能解码营养因素的分类器无法解码的食物价值的信息（p> 0.05）；其次，即使从营养因素评分和脑激活对食品刺激的反应(方法)中回归出价值的影响，在外侧OFC ROI中仍然可以解码主观营养因素（对于碳水化合物，脂肪和维生素，p<0.05；蛋白质有相同的趋势，p<0.10;联合测试P <0.10;图3d）。
图3 主观营养因素的神经表征。
a,IOFC可以解码主观营养因素，解码正确率显著。IOFC的解码正确率如图所示（n=23名被试）。对于每个营养因素的解码正确率都是显著的p<0.05。左边：如图1c中所绘制的箱型图。对于每个营养因素而言*P< 0.05 and **P< 0.01 , t 检验 vs. 50% (脂肪: t22= 2.40, P= 0.013; 碳水化合物.: t22= 2.77, P= 0.006; 蛋白质: t22= 2.31, P= 0.015; 维生素: t22= 2.32, P= 0.015).右边：如图2a（右）。置换检验(脂肪: P= 0.004; 碳水化合物: P< 0.001; 蛋白质: P= 0.013; 维生素: P= 0.001).
b, mOFC 对主观营养因素的神经表征。在mOFC中对于主观营养因素的解码正确率并不显著高于随机水平 (n= 23 被试).。左边: t 检验 vs. 50% (脂肪: t22= 0.68, P= 0.250; 碳水化合物.: t22= –1.74, P= 0.952; 蛋白质: t22= 0.75, P= 0.230; 维生素: t22= –0.02, P= 0.508)。右边: 置换检验 (脂肪: P= 0.238; 碳水化合物: P= 0.923; 蛋白质: P= 0.159; 维生素: P= 0.519).
c, IOFC的子区域解码每一种主观营养因素（n=23名被试）。从searchlight 分析中得到解码正确率脑图，阈限为 P< 0.005 (未校正) 。峰值体素为: 对于脂肪而言MNI x, y, z= –21, 56, –8 (P< 0.05, 小体积校正); 对于碳水化合物是–15, 14, –17 (P< 0.05, 小体积校正);对于蛋白质而言 33, 38, –14 (P< 0.05, 小体积校正); 和对于维生素而言 18, 17, –20 (P= 0.080, 小体积校正).
d, 回归排除主观价值的效应后，IOFC对主观营养因素的编码(n= 23 被试). 箱型图如a. 对于每个主观营养因素而言：+P< 0.10, *P< 0.05 and **P< 0.01, t 检验 vs. 50% (脂肪: t22= 1.53, P= 0.070; 碳水化合物: t22= 2.20, P= 0.020; 蛋白质: t22= 4.06, P< 0.001; 维生素: t22= 2.90, P= 0.004).
此外，我们还研究了外侧OFC体素的不同的活动模式是否表征了四种不同的主观营养因素。（i）从最初的56种食物中随机抽取42种食物，以确保脂肪和维生素之间的相关性较低（平均值r>–0.3）； （ii）然后对重采样的数据进行MVPA；（iii）将上述过程重复十次（取平均值的平均值）。在重新采样的数据上，我们发现，与原始数据集的结果一致（图3a），对脂肪（或维生素）训练的分类器可以解码有关脂肪（或维生素的信息）。另一方面，在交叉解码中（即对脂肪进行了分类器的训练然后对维生素进行了测试，反之亦然），正确率与随机水平之间没有显著差异。这些发现共同表明，在外侧OFC中，体素的不同活动模式表征不同主观营养因素的信息。
到目前为止，虽然我们专注于在行为分析中以四个主观营养因素来预测食物价值，但我们仍然测试了实验中所包含的其他因素的表征证据：包括主观的钠和糖含量（但发现与价值没有显著相关性）。在外侧OFC中可以编码主观含糖量的信息，编码正确率显著（P <0.01），而在内侧OFC中则不能（P=0.100；）。另一方面，外侧或内侧OFC对钠含量的编码正确率均不显著（分别为P=0.474和P=0.557；）。
我们通过从客观营养素含量（而非主观含量）中提取的标签上训练MVPA分类器，研究了OFC对客观（相对于主观）营养素的解码程度。该分析表明了外侧和内侧OFC对客观营养因素的总体作用较弱（即无显着的联合效应p> 0.05），尽管在外侧OFC可以对单个客观因素的一个子集的解码正确率显著。这些结果表明，OFC中对主观营养因素的表征比客观因素更强。
在OFC中主观营养因素的相对含量的表征
为了进一步探索在OFC中如何表征营养信息，我们实施了表征相似性分析（RSA），以检验营养因素的主观评分模式在多大程度上与眶额叶皮质中这些因素的编码有关。在RSA中，我们比较了从fMRI数据获得的体素水平的RDM和每个刺激的主观营养成分的RDM。在此分析中，在体素水平上的相似度定义为每对刺激之间体素活动之间的相关性，而营养相似性定义为四种主观营养因素（脂肪，碳水化合物，蛋白质和维生素）的相关性。因为本文采用了相关距离来测量不同对象之间的距离，所以根据营养因素的相对含量来定义两个刺激之间的营养相似性是符合假设的（作者们用了1减去相关性值来作为相关距离）。RSA结果揭示外侧OFC的ROI中fMRI反应的相似性模型显着表征了营养因素相对含量的相似性模型（P <0.01；见方法部分的补充图5），但在内侧OFC中没有发现相同结果。我们还进行了searchlight的RSA，发现体素水平的fMRI与外侧OFC扩散区域的主观营养相似性模型之间存在显着关联（P <0.05，见方法部分的补充图5）。这些结果表明，在外侧OFC中可以表征每种营养属性的相对含量。
在OFC中表示低级视觉特征
对OFC中低级视觉特征的分析我旨在排除外侧OFC表征低级视觉特征（例如亮度和对比度）信息的可能性，如果这些低级特征之间存在相关性，分类器可能会检测到这些信息和价值和/或主观营养因素之间的相关。为此，我们从呈现给被试的食物图像中提取了八种低级视觉特征（亮度，对比度，红色的强度，绿色的强度，蓝色的强度，色度，饱和度和亮度），然后测试在OFC中是否可以解码视觉特征。此外，作为阳性对照，我们还在初级视觉皮层（V1，Brodmann区域17）进行了测试。这些分析表明，外侧和内侧OFC都没有对相关的低级视觉特征的信息的显著表征（对于所有特征P>0.05；图4a）。而正如预期的那样，初级视觉皮层确实能解码有关低级视觉特征的信息（P <0.05，联合检验；图4b）。这些结果表明，外侧OFC能编码有关价值和主观营养因素的信息，但不编码关于食物图片中低级的视觉信息。
图4 对于低级视觉特征的神经表征
a，在IOFC和mOFC中对低级视觉特征的解码正确率没有显著高于随机水平。IOFC和mOFC的解码正确率如图所示（n=23名被试）。箱型图如图1c，左边：t检验vs.50% (亮度: t22= 0.83, P= 0.208; 对比度: t22= 1.64, P= 0.058; 红色: t22= 0.88, P= 0.195; 绿色: t22= 1.64, P= 0.057; 蓝色: t22= 0.29, P= 0.387; 色度: t22= –1.30, P= 0.896; 饱和度: t22= 0.00, P= 0.520; 亮度: t22= –0.86, P= 0.800)。右边: t 检验 vs. 50% (亮度: t22= –0.26, P= 0.603; 对比度: t22= 0.22, P= 0.414; 红色: t22= 0.81, P= 0.212; 绿色: t22= 0.87, P= 0.200; 蓝色: t22= –0.15, P= 0.440; 色度: t22= –3.12, P= 0.998; 饱和度: t22= 0.50, P= 0.313; 亮度: t22= 1.05, P= 0.153).
b, 在V1中可以解码低级视觉特征(n= 23 被试)。箱型图如图 1c.。对于每个因素，*代表P< 0.05 and **代表P< 0.01 , t 检验 vs. 50% (亮度: t22= 5.07, P< 0.001; 对比度: t22= 4.60, P< 0.001; 红色: t22= 6.30, P< 0.001; 绿色: t22= 5.03, P< 0.001; 蓝色: t22= 4.60, P< 0.001; 色度: t22= 2.20, P= 0.019; 饱和度: t22= 8.32, P< 0.001; 亮度: t22= 5.38, P< 0.001).)
评估时OFC子区域之间的有效连通性
通过在fMRI数据上利用MVPA，我们能够证明在食品评估期间，外侧OFC加工了食物基本营养属性的信息。然而，要计算总体主观价值，需要整合单个营养成分的表征。我们假设在内侧或外侧OFC中编码主观食物价值的脑区将会发生单个营养成分表征的整合。为了测试哪些编码主观食物价值的OFC子区域参与了整合过程，我们进行了有效连通性分析：一种测量心理生理学交互作用的方法。连接性分析基于以下假设，即如果某个区域有参与到整合过程中，则该区域必须（i）包含有关总体主观价值的信息，以及（ii）在评估时，是否加强了与编码食物各组成营养属性的区域的有效连通性。心理生理交互分析测试了在食物价值评估时，searchlight MVPA分析中确定的与食物价值相关的OFC子区域（图2b）是否增加了与编码四个主观营养属性的外侧OFC子区域的任务相关连接性（图 3c）。
我们发现，食物价值评估显著增加了食物价值相关的内侧OFC子区域和表征营养属性的外侧OFC子区域之间的有效连通性，（P <0.05，；图5a）。非参数bootstrap检验进一步验证了这一结果（P <0.05），该方法对潜在的异常值具有较强的抵抗力。另一方面，尽管单个属性的一个子集确实显示了连接性效应，但我们发现在出价或反馈时，有效连接性都没有显着增加（P> 0.05）。同样，我们也没有找到有力证据证明在与食物价值相关的外侧OFC区域中营养属性的信号的显著的整合（P> 0.05；图5b）。这些结果表明,内侧OFC满足上述两个标准，即大脑区域对价值信息的整合,这与以下的观点一致，即在评估食物价值时，外侧OFC中关于食物基础营养属性的表征与内侧OFC对于主观食物价值信息出现高度整合。
图 5 在食物价值评估阶段OFC 子区域的有效性连接
a, 在食物价值评估阶段解码四种营养因素的mOFC子区域和IOFC子区域的有效性连接。A对于每一个营养因素都发现了显著的有效性连接，表明了显著的联合效应 P< 0.05. 心理生理交互作用PPI的回归效应量大小如图所示 (n= 23 被试)。箱型图如图 1c. 对于每个因素而言**P< 0.01 and *P< 0.05 , t 检验 (脂肪: t22= 1.74, P= 0.048; 碳水化合物: t22= 2.85, P= 0.005; 蛋白质: t22= 5.05, P< 0.001; 维生素: t22= 3.25, P= 0.002).
b, 对于编码食物价值的IOFC子区域和编码四个营养因素的其他IOFC区域之间的有效性连接结果箱型图如a; t 检验 (脂肪: t22= 0.62, P= 0.272; 碳水化合物: t22= 1.78, P= 0.045; 蛋白质: t22= 1.12, P= 0.137; 维生素: t22= 1.78, P= 0.045). 对于两个因素（碳水化合物和维生素），我们发现了显著的有效性连接，而其他两个因素则没有达到显著性水平，也没有在外侧OFC中发现总体的连接效应。
其他大脑区域对食物价值和营养因素的表征
先前的研究表明，不仅在OFC中而且在其他皮质区域中能够编码价值或奖励信号。作为在我们原始假设之外的事后调查，我们测试了以下六个ROI对于食物价值和主观营养因素的编码：背侧PFC（包括前扣带回皮层），背外侧PFC，腹侧PFC，后顶叶皮层（PPC），岛页和杏仁核（有关ROI的信息，请参见补充图7a）。与以前的发现一致，发现所有这些ROI都可以编码食物的主观价值的信息（所有P均<0.05；补充图7b）。另一方面，只有在PPC中才能对四种主观营养因素的信息对食物价值进行解码，解码正确率显著（P <0.05，联合检验；补充图7c），而腹外侧PFC和背外侧PFC分别仅表征一个和两个因素（补充图7c）。但是，当我们对这些事后ROI进行多重比较的校正时，PPC的编码正确率不再显着（P> 0.05，采用Bonferroni校正进行联合检验）。我们还实施了全脑searchlight分析，发现V1还会加工四个主观营养因素的信息（P <0.05 团块水平FWE校正）。这些结果表面，不仅外侧OFC，V1和PPC也都表征有关营养因素的信息。
这些结果在一起可能表明从V1到PPC以及外侧OFC的功能性梯度：V1主要表征视觉信息，外侧OFC主要表征营养属性的信息，而PPC（后顶叶皮层）是中间节点。但是，由于PPC结果在针对多个ROI的多重比较的校正中并不显著，因此应谨慎对待此结果，直到可以重复出来相同的结果。
补充图7 其他大脑区域对食物价值和营养因素的表征
a为不同roi的信息，名字在上文中已有解释和标注。
b为不同roi对价值信息的mvpa解码的正确率。
c为不同roi对主观营养因素和低水平的视觉特征的mvpa分类正确率。
总结：
总而言之，在这项研究中，我们提供了如何通过大脑中的营养成分来构造食物奖励的价值信号。通过任务态功能磁共振方法阐述了营养价值对食物奖励的影响。从行为结果上，本研究发现对脂肪，碳水化合物，蛋白质和维生素含量的认知可以最好地预测食物的价值。这表明食物价值至少部分是通过整合有关营养的信息来计算的。
然后，本文探索了这些属性信息如何在大脑中表征和整合。对fMRI数据进行MVPA发现，尽管外侧和内侧的OFC均表征价值，但只有外侧的OFC表征了有关营养的信息。此外，本文发现了与价值相关的内侧OFC子区域和表征营养的外侧OFC子区域之间的有效连通性。最近人类神经影像学研究已证明，内侧PFC中的内侧OFC及其邻近区域编码的价值信息和物体本身没有关系，而外侧OFC编码的价值责任物体的特异性，并且会受到选择性贬值的影响。本文的发现超出了先前的研究范围，进一步阐明了哪些属性是食物价值评估的因素，以及OFC如何表示表征这些因素。
当前，功能失调性的食物的估值方法在肥胖的和厌食中开始发挥重要作用，本文的研究发现揭示了神经和饮食失调潜在的心理机制，对于开发新疗法是重要的一步。
腾讯云开发者
