NeuroImage：多任务共激活模式揭示一个鲁棒性的反相关功能网络

​《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》

​摘要

过去几十年里，研究者对于对抗的脑状态是不是人脑活动组织的基本原则一直有争议。一些人认为内在的静息态功能连接反相关脑网络是预处理的人为结果。一些人认为这种反相关有生物学意义的，它是大脑对不同刺激如何作出反应的预测因子。本研究调查了不同任务的全脑共激活模式，检验了任务态脑区显示的反相关是否与静息态相似。我们检查了HCP（N=680）中47个任务对比的脑活动，发现网络间鲁棒的对抗互联。默认网络的脑区表现出最高的皮层相关的负连接度。这种跨任务的负共激活模式与全局信号回归（GSR）处理的静息态数据结果一致。经过GSR的静息态数据是任务诱发的调节的更好的预测因子。最后，在25个抑郁症病人的队列中，我们发现DLPFC和人体大脑亚属前扣带皮层的基于任务的反相关与DLPFC-TMS的临床效果有关。总之，我们的发现说明反相关是有生物学意义的现象，可能反映了重要的功能性脑组织原则。

简介

脑网络功能活动反相关处于争议已经良久。2005年研究报道了默认网络（DN）和背侧注意网络（DAN）的竞争关系，即它们的活动是反相关的。随后，反相关在更多网络被报道。2009年，研究者发现GSR可以产生反相关，这表明反相关可能是人为的。2012年，研究发现没有GSR，DN和DAN也会出现反相关。最近的研究进一步发现反相关的生物学意义。 全局信号定义为脑内所有体素平均信号强度的时间序列。GSR是静息态数据预处理技术，用来消除全局信号波动。优点是可以去除非神经信号，缺点是创造或夸大虚假的反相关，加剧短程连接的运动伪影，可能会去除一些神经信号。另外，最新研究发现全局信号拓扑学个体差异可能与不同的认知和行为测度相关。GSR的使用应当谨慎，视情况而定。 在本研究中，我们从人类连接组项目的大样本中，利用跨越不同认知领域的各种任务条件，探讨了功能网络之间的对立关系。我们将任务激活图结合起来，就好像它们是在不同时间点观察到的信号一样，然后研究在不同的任务中，两个大脑区域是否一致地显示出反相关的活动。与静息态分析不同，基于任务的相关分析忽视了移除每个“时间点”的全局平均信号。为了理解GSR如何偏置了静息态反相关的观察，我们比较了任务态基于反相关的共激活与有或没有GSR的静息态的反相关。探索了全脑负功能连接数量，测试了它们在不同脑状态（任务和静息）和处理方式（做或不做GSR）的空间分布。最后探讨了反相关的临床意义（数据来源于以前研究中25个TMS-DLPFC治疗的耐药性抑郁症患者）。

1. 方法 1.1 被试和数据采集 数据集I:680（男305）的队列来自于HCP数据集。（1200时间点的静息态和7个任务态） 数据集II:25个药物难治性抑郁症（17女，平均54.8岁）。平均BDI抑郁量表基线评分38.6，rTMS治疗后显著减小到21.2.个体确定的刺激位点在左侧DLPFC，MNI（-33±7,30±9,50±9），半径为12mm的球。为进行连接分析，将25个rTMS位点从MNI空间变换到fsaverage空间，然后将其配准到fsLR坐标系。 1.2 HCP任务 任务fMRI数据包括来自于7个认知领域的47个独一的对比激活图。任务使用的对比见表1，任务简述如下：

在这里插入图片描述

运动任务：受试者用手、脚或舌头做线索移动，控制条件下，盯着屏幕中的十字。

语言任务：包括故事和数学条件。故事条件受试者听故事，指出故事主题。数学条件，受试者解决简单的加减问题。

工作记忆任务：受试者指出测试项的刺激是否在记忆项中出现过，

赌博任务：受试者猜测神秘卡片上的数字大于或小于5，猜测正确奖励钱。猜对与错的概率设置为相等，确保正误答案数大致相等，确保受试者得到相同奖励。

关系处理任务：屏幕顶部和底部各有一对物体，受试者要决定顶部物体的形状或内容不同，是否底部物体也是这样的不同。控制条件，顶部一对物体，底部一个物体，受试者决定底部的物体与顶部特征之一相匹配。

社会认知任务：任务由心智理论（TOM）组成，受试者观看随机或相关移动的物体的视频，视频末尾，受试者指出这个物体是否展现出社会样的交互。

情绪处理任务：屏幕顶部一个脸，底部两个脸。受试者指出底部哪一个与顶部情绪匹配。控制组将脸改为形状。

1.3 MRI数据分析 数据集I：静息态HCP数据用ICA-FIX去噪预处理。最近研究发现多种噪声成分仍存在，且破坏了功能连接-行为关系，进一步用内部pipeline对数据预处理。内部GSR处理pipeline包括：1）去平均和去趋势，2）回归运动和运动衍生变量，3）回归平均脑脊液、平均白质、平均全脑信号，4）0.01-0.08带通滤波。非GSR处理则不进行回归全脑平均信号的操作。 任务态fMRI是HCP预处理和分析过的，不包括GSR。任务激活图用4mm高斯平滑，不进行额外处理。为提取任务激活值，用beta值（任务效应尺寸）估计不同条件和任务诱发的BOLD信号变化。所有分析，数据重采样到32k_fs_LR表面空间。 1.3.1 fMRI BOLD活动和FC 为视检任务期间正负波动活动，画出三个种子内部顶点的47个beta图：后扣带皮层（PCC）、颞中回（MTG）、额眼场（FEF），每个种子内所有顶点beta值平均。为比较任务共激活图与文献报道的静息FC相似性，用串联的47个beta值生成PCC和其他每个皮层顶点之间相关图。生成随机选择HCP图和HCP队列总体图，个体相关图在所有受试者间平均。群体图在个体水平进行r-z转化，生成组平均z图，然后转化回r，生成相关图。 为比较任务与静息反相关相似性，计算任务共激活和静息FC。聚类得到8个种子点，DN(4个)：PCC,内侧前额叶（mPFC）,顶叶后下叶（pIPL）,MTG和DAN(4个):中颞叶（MT+）,顶上小叶（SPL），FEF,额下联合（IFG）（图2顶）。对任务数据，计算每个每个种子区47个beta值和其他顶点之间的皮尔森相关。静息数据，串联所有可用sessions的时间序列。对每个种子和个体，在种子内平均所有顶点时间序列，计算平均时间序列与其他皮层顶点时间序列相关性。然后确定哪种静息态数据与任务态反相关更相似，将每个种子的连接剖面根据反相关是否存在二值化。正相关等于0，反相关等于1.计算任务和两种静息之间每个种子二值化反相关剖面的Dice重叠：

在这里插入图片描述

Dice重叠表明两个数据集的相似程度。它返回的是受试者内部，所有两个数据集呈现的反相关中，在比较的两种情况下与种子表现出反相关的顶点的比例。

1.3.2 反相关度和反相关剖面图相似性 为检验全脑反相关，对每个顶点计算连接剖面（定义为给定顶点和其他1483个正态分布在32k-fs-LR表面的顶点的皮尔森相关（任务态的共激活和静息态的FC）），调查反相关度（定义为连接剖面内反相关数量，量化了一个脑区与其他脑区的竞争程度）。对每个顶点，将所有人反相关度平均。也用min-max将反相关度标准化。计算任务，rest-GSR,rest-nonGSR的标准化反相关度。 另外，在全脑顶点水平比较不同条件和脑状态的反相关剖面。根据反相关的存在将每个顶点的连接剖面二值化。分别计算task与rest-GSR和rest-nonGSR之间每个顶点二值化反相关剖面的Dice重叠。所有受试者每个顶点的Dice系数平均，画到皮层表面。计算每个受试者全脑顶点平均Dice系数，来确定静息态与任务态反相关图的接近度。计算rest-GSR和rest-nonGSR间的Dice重叠和反相关度的空间分布。 1.3.3 移动对反相关的效应 Non-GSR的数据包含更多噪声。是否移动对反相关有影响呢？特别是在non-GSR条件下。计算rest-nonGSR和rest-GSR中的反相关度与移动的皮尔森相关。然后根据移动，将HCP分为三个相等组：低、中、高，考虑高和低组。组内计算移动和标准化反相关度的皮尔森相关，用Dice相关，将每个条件与任务状态比较来决定反相关剖面中的相似性。 1.3.4 反相关与rTMS临床效应相关性 左侧DLPFC-rTMS用于抑郁症临床治疗，可以影响到sgACC等与DLPFC连接的遥远脑区，这种遥远的影响可能调节了它的抗抑郁效应。我们分析了前面研究中的25个病人（DLPFC-rTMS到sgACC的负向FC与rTMS疗效有关）。 计算了刺激前后BDI分数变化比。计算sgACC与每一个左侧DLPFC（静息态和HCP任务态数据）的群体水平相关系数。对静息数据，计算每个25个左侧DLPFC与sgACC的FC，然后在HCP中平均。对任务数据，计算基于47个对比的左侧DLPFC与sgACC共激活，然后在所有HCP平均。计算群体水平DLPFC-sgACC基于连接的共激活和BDI分数变化比的单尾斯皮尔曼相关。然后将基线BDI作为协变量进行相同分析，因为更严重的症状提升空间越多，可能会偏置结果。 1.4 控制分析 我们进行了两个运动回归，为评价是否第二个运动回归影响了数据，用随机选择的三个HCP个体生成FC图，与一次或两次回归生成的图做比较。计算连接图的皮尔森相关。 然后，工作记忆和运动组成了47个对比的68%（32个），可能我们得到的反相关受到这两个任务展示的反相关的主导，因此移除这32个对比，重新进行反相关分析。 第三，DN展示出最大的反相关度（图3B），可能我们的得到的反相关受DN连接驱动。我们计算了不包括DN的连接的反相关度。 1.5 可视化 HCP的Connectome Workbench display tool进行可视化。 https://www.humanconnectome.org/

1.6 数据和代码 数据：https://www.humanconnectome.org/

代码：http://nmr.mgh.harvard.edu/bid/DownLoad.html

结果

2.1 任务和静息个体种子点与其他脑区的反相关

为了探索，我们画出了PCC,MTG,FEF的47个beta图来视检随机选择的个体HCP水平任务期间相关或相反的波动（图1A）。静息态常见DN于DAN反相关，我们期望这两组种子（PCCvs.FEF）串联数据在任务激活中表现相反波动,而DN种子（PCCvs.MTG）表现相似波动。图1B证实了期望，无论在个体还是组水平。乍一看，任务与静息共激活模式相似。 然后，比较三种条件下的反相关：任务，rest-GSR,rest-nonGSR。计算HCP样本中用来自于DN和DAN的两组种子计算全脑相关。发现每个种子在三种条件都呈现反相关（图2A），说明不同认知条件网络间的对抗关系。不同的DN种子表现出与DAN不同反相关，证明了DN和DAN功能子系统组织的变化性。Rest-GSR反相关增强。在表面，反相关在reat-GSR条件分布最广泛最强烈，在rest-nonGSR更稀疏更弱，在任务条件下介于两者之间。总体上，DN与DAN反相关，且相关图与其他反相类似（PCC的黄色在MT+为蓝色，反之亦反）。任务反相关空间分布与rest-GSR更相似（图2B）。 第二回归是否影响静息态FC呢？在GSR-和nonGSR-预处理数据中，一次回归和两次回归FC图极度相似。实际上GSR和nonGSR数据空间相关为0.999.因此第二回归不影响数据。

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

2.2 不同任务和静息的默认网络与许多脑区表现出鲁棒的反相关

图3A是三种条件绝对反相关度的差异。图3B是标准化反相关度，促进了反相关在皮层表面分布可视化。图3A的所有顶点都表现出与其他脑区的反相关，说明反相关是脑活动的普遍特征。DN区域，包括DLPFC,mPFC，lTC，lPC和后中线（楔前叶和PCC）以及边缘网络（vmPFC和内侧颞叶）表现出最大的反相关度（图3B）。这在任务和静息都是真实的。 排除运动和工作记忆任务对比的反相关分析中，发现剩余15对比的反相关度。反相关分布与47对比结果相似。说明运动和工作记忆没有对结果造成不成比例的影响。 排除DN驱动反相关，发现有或没有DN得到的反相关分布都高度相似。说明我们的结果不是DN驱动的。 比较任务与两种静息的反相关剖面（图3C左）。发现更大反相关度的脑区（图3B）表现出条件之间更大的相似性。Rest-GSR的总体Dice系数显著大于rest-nonGSR.说明GSR处理的静息数据是任务诱发的调节的更好的预测因子。直接比较两种静息反相关度也是高度相似。 控制分析反相关与头动的关系。仅在rest-nonGSR发现更大的头动与更小的标准化反相关度相关（图4A）。高头动和低头动组内比较，低头动组，尽管头动对rest-nonGSR反相关的影响不显著，但任务与rest-GSR的反相关剖面更相似（图4B左）。高头动组，对rest-nonGSR,头动对反相关无显著影响（图4B右），任务与rest-GSR的反相关剖面更相似。结果说明，即使有微小的头动，任务态的反相关剖面与rest-GSR的更相似。

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

2.3 网络间反相关可导致有意义的临床生物标志 在数据集II,基于静息数据发现了DLPFC和sgACC之间的反相功能连接。而来自于47个基于任务的beta图的相关性发现，DLPFC与sgACC的相关性显著与疗效相关（图5），说明更强的反相关有更好的疗效。基线BDI作为协变量，发现反相关与BDI提升之间仍显著相关。这些独立成像模式的结果表明，不管大脑状态如何，网络之间的反相关性可以产生有意义的临床生物标志物。

在这里插入图片描述

讨论

本研究通过研究不同任务的共激活模式的相关性来说明反相关是脑活动组织的基本原则。且与是静息态数据否进行GSR的数学过程无关。我们的结果显示，在执行任务时，大脑活动中存在非人为的反相关性。此外，与非GSR处理的静息状态数据相比，GSR处理的静息状态数据中的反相关性能更好地预测大脑活动在不同任务之间的波动。我们的结果指出了在人类功能性大脑组织中抗相关性的神经生物学作用。