社交网络的度中心性与协调的神经活动有关
趋同处理可能是促进社会联系的一个因素。我们使用神经成像和网络分析来调查大一学生在观看自然的视听刺激(即视频)时社交网络地位(通过度中心性测量)和神经相似性之间的联系。参与社交网络研究的学生有119名；其中63人参与了神经成像研究。我们发现，在与高级解读和社会认知相关的脑区(例如，默认模式网络)，高度中心性的个体彼此间以及与同龄人之间有相似的神经反应，而低度中心性的个体表现出更多样化的反应。被试自我报告对刺激的享受程度和感兴趣程度遵循类似的模式，但这些数据并没有改变我们的主要结果。这些发现表明，对外部刺激的神经处理过程在高度中心性的个体中是相似的，但在低度中心性的个体中是特殊的。本文发表在Nature Communications杂志。
引言
人类具有社会性质，社交困难与个体发病率和死亡率的可能性增加等无数的负面后果有关。大量社交可预防社交孤立和与社会脱节。在人类社会网络中，社交程度具有差异，已经确定这种差异是个人健康的关键决定因素。社交程度还会对个人所在的社会网络产生深远的影响。
尽管强有力的证据表明，人脉广泛对一个人的健康和幸福有好处，而且人脉广泛的人能够很好地在自己的社交网络中对他人施加影响，对于哪些因素能将人脉广的人(比如朋友多的人)与其他的人区分开来，我们的理解还存在很大的差距，例如尽管一些人格特征(如外向性和情绪稳定性)与在某些社会网络中良好的联系有关，但在其他情况下却没有发现这种联系。很有可能是因为关注人格特征的方法没有捕捉不同社会背景下区分中心个体的特征。例如，一种可能性是，在社会网络中处于中心地位的个体与社区中更多的人联系、理解以此去应对他们周围的世界。认识到并坚持社会规范是成功形成和保持社会关系的关键，因此，人脉广的人可能更适应同伴的规范，这可能是他们在社会网络中处于中心地位的原因，也可能是结果(或两者的结合)。因此，有良好人际关系的人可能会以与他们的同龄人非常相似的方式应对周围的世界。相应地，与拥有大量社会联系的个体(即具有较高度中心性[degree centrality]的个体)相比，拥有较少社会联系的个体(即那些度中心性较低的人)可能会以与其同龄人(包括彼此)不太相似的方式处理应对周围的世界。
在本文中，我们验证了这样一个假设，即在其社会网络中处于中心地位的个体对自然刺激(特别是视频)的神经反应比处于非中心地位的个体与他们的同龄人更相似。具体来说，我们测试是否很多人评选出的社交达人(他们可能是高度中心性)比大众认为的社交能力欠佳的人(更偏向低度中心性)更容易和同龄人有相似的神经反应，有许多方法可以定义网络中一个节点的重要性(即中心性)。在自然主义范式中(在这种范式中，人们接受复杂的视听刺激，如随着时间的推移而展开的视频)，测量神经活动可以让人在思维过程不受约束时获得洞察力。在观看动态的自然刺激时，个体之间协调的大脑活动(即神经反应的被试间相关性(ISCs))与友谊都有关联(在之前的友谊网络研究中，“友谊”的定义是基于谁提名谁作为经常的社交伙伴)，以及对事件有共同的解释和理解。因此，一个人的平均神经反应时间序列与他们的同龄人相似的程度，可以帮助我们了解他们在多大程度上以一种他们圈子中共享的价值观、信仰和经验的方式处理周围的世界。
我们还测试了在社交网络中处于高度中心性的个体是否在处理外部刺激方面与其他处于高度中心性的个体非常相似，而处于非中心地位的个体是否则以自己独特的方式处理外部刺激。为了帮助解释这一观点，我们从小说《安娜·卡列尼娜》(Anna Karenina)的著名开场白中做了一个类比：“幸福的家庭都是相似的；不幸的家庭各有各的不幸。”安娜·卡列尼娜原则假设，具有特定结果的努力具有相似的特征(因此，在这种意义上，它们“都是相似的”)，缺乏任何一种特征都会导致所讨论的结果的缺失。安娜卡列尼娜原理的概念已被应用于研究各种现象。例如，它最近被用于将神经相似性与行为结果联系起来，如特质偏执狂，在本研究中，我们测试了一个假设，即“高度中心性的个体都是相似的，但每个低度中心性的个体都有自己不同的方式。”
我们首先测试在一个社区中，高度中心性的个体是否以一种与其他社区成员更相似的方式处理外部刺激。我们通过计算个体与其同伴之间的平均神经相似性来评估。我们还测试了以下假设：高度中心性的个体彼此间有非常相似的神经反应，而每个低度中心性的个体则以自己独特的方式(即，特质性)作出反应。我们的研究结果支持了这两种假设。我们发现，平均而言，高度中心性的个体与其社区的其他高度中心性的个体有非常相似的神经反应，特别是在大脑中与共同的高级解读和社会认知相关的区域(例如，默认模式网络区域)。相比之下，我们发现低度中心性的个体有相对特殊的神经反应。当我们控制了人口学变量和个体之间的社会距离时，我们得到了类似的结果。此外，尽管被试对刺激的享受程度和感兴趣程度的自我报告遵循了与大脑数据相似的模式，但是对他们自我报告的偏好的解释并没有改变我们的主要结果。总之，我们发现在社会网络中处于中心地位的个体在处理外部刺激的方式上彼此间往往比处于非中心地位的个体更相似，而每个处于非中心地位的个体彼此间都有他们自己的特殊的不同处理方式。
方法
两个社区的社会网络特征。
共有119名被试完成了我们的社交网络调查，校区1=70和校区2=49人。所有被试均为住在美国一所大型州立大学(加州大学洛杉矶分校)两个校区之一的大一学生。在调查中，被试首先要写出他们的全名和任何已知的昵称。这让我们可以将他们的名字与校区其他同学那里收到的提名数量进行匹配。然后，被试输入其校区内经常与他们互动的其他人的名字。他们回答了以下问题：“想想你喜欢和谁一起度过空闲时间。自从你来到(加州大学)，你最常交往的人是谁?”(例如：一起吃饭，一起出去玩，一起学习，一起消磨时间)。” 这项研究不受时间限制，被试可以不受任何限制地说出他们想到的符合的人的名字。
我们使用R中的IGRAPH软件包对社交网络数据进行分析。我们构建了两个网络(即，每个校区一个)，并用未加权边和有向边对被试的答案进行编码。然后我们计算每个个体的度中心性，代表了个人的社区成员(参与社交网络调查的人)的数量，这些人把他们称为他们经常互动的人。在每个校区的fMRI样本子集中，度中心性的分布是相似的。
整合校区的数据。
正如我们在前一小节中所指出的，在我们的研究中，每个被试都住在两个校区之一，我们根据每个被试从同一校区的同龄人那里获得的提名数计算了度中心性。每个校区都是相对封闭的，鼓励学生(例如，通过校区内的活动)在他们的校区内形成社会联系。为了最大限度地提高统计效能，我们比较了两个校区中所有可能的被试配对的神经反应，然后将ISCs（inter-subject correlations，被试间相关性）与所有可能的配对被试的度中心性值联系起来，包括那些生活在不同校区的人。这种方法可能削弱了我们检测神经相似性和度中心性关系的能力，削弱程度取决于度中心性和神经相似性的联系有多少是基于社区特定的规范。然而，这两个校区都是由就读于同一所大学的一年级学生组成，因此我们推断他们可能有相似的共同价值观、信仰和经历，因此我们的神经分析将来自不同校区的个体之间的ISCs纳入进来是合理的。后来，我们用仅基于校区内神经相似性的分析进行了这些主要分析。这些随后的分析的结果与我们主要的分析结果相似。
功能磁共振成像研究的被试。
两个校区共有70名被试参与了我们的神经成像研究。我们排除了两名在一半以上的扫描过程中头动过大的患者，排除了一名在一半扫描过程中睡着的患者。我们还排除了一个既没有完成扫描也没有完成社交网络调查的人。另外三名参与fMRI研究的被试没有完成社交网络的调查也被排除。最终共纳入年龄在18岁到21岁之间的63名被试(40名女性)(平均年龄= 18。19，标准差= 0。59)完成所有分析。参与fMRI的被试和所有被试的度中心性分布相似。我们纳入了两名fMRI被试的部分数据。一名被试在四轮扫描的其中一轮头动过度，一名被试在四轮扫描的其中一轮睡着了。在涉及大脑数据的分析中，我们排除了这些被试的相关数据，只分析了剩下的三轮数据。
功能磁共振成像过程。
本研究需所有被试本人完成，研究内容包括自我报告调查和90分钟的神经成像扫描，在扫描中，我们使用功能磁共振成像(fMRI)测量他们的大脑活动。大一的被试们的fMRI数据在9月到11月初完成采集，因此，它是在我们研究的社交网络部分开始收集数据之前完成。在扫描前，被试完成了自我报告调查，其中包括了年龄、性别和种族等人口统计信息。在这项研究的fMRI部分，被试观看了14个有声视频的片段，这些视频时长(91到734秒)和内容都不同。在扫描之前，我们告诉被试，他们会观看不同内容的视频剪辑，而其他人则在“浏览频道”(“浏览频道”指的是在不同的电视频道中寻找可看的节目。) ，视频片段共4轮，每轮片段之间没有休息。被试在完成fMRI研究后获得了50美元。
我们使用了与以前工作中相似的标准来选择新的刺激。首先，我们选择了被试之前不太可能看到的刺激，以避免因熟悉内容而引起被试间的差异。其次，为避免患者因走神而可能给我们的数据带来干扰，我们选择了更可能会吸引关注的刺激以最小化被试在观看时走神的可能性。最后，我们选择了可能引发不同个体从内容中得出的解释和含义的实质性变化的刺激。被试要像在平时生活中那样，自然地观看视频。所有的被试都以相同的顺序观看视频，以避免因刺激呈现方式的不同(而非个体水平的内在差异)而导致的神经反应的任何潜在变化。我们可以把连续有序的一系列刺激看成是单一连续的内容(类似于电影中的不同场景)。刺激的不同相对顺序可能会产生不同的结果，就像电影中场景的重新排序可能会产生不同的结果一样(例如，由于在电影中基调、叙事和主题的演变是不同的)。在我们的研究中，因为我们首先要保证对个体水平差异的敏感性最大化，因此我们以相同的顺序向所有被试展示视频以保证被试间看视频的背景一致，视频任务分为4轮，总共持续了大约60分钟。我们还收集了大脑的结构像。在fMRI扫描之后，被试提供了他们对每个视频的评分(以1到5之间的整数形式)既有关于享受程度(如：你有多喜欢这个视频?；回答范围从1到5，“1 =非常无聊”和 “5 =非常有趣”)。我们在fMRI扫描后获得了这些偏好评级，以尽量减少在扫描过程中可能会发生的潜在偏差或处理中断，因为如果被试在扫描过程中被要求在每个刺激出现后立即对内容进行反思，就可能发生这种情况。
功能磁共振成像数据采集。
使用32通道线圈的3T西门子Prisma扫描仪扫描被试。回波时间=37ms，重复时间=800ms，体素大小=2mm× 2mm×2mm，矩阵尺寸=104×104 mm，FOV=208mm，层厚=2mm。每轮的开始(持续时间=8秒)和结束(持续时间=20秒)都包含一个黑屏，使BOLD信号稳定。我们也获得了高分辨率的T1加权(T1w)图像进行配准和标准化。我们将胶带粘在MRI扫描仪的头部线圈上，并将胶带贴在参与者的额头上。众所周知，这大大减少了头部运动。
功能磁共振成像数据分析。
我们使用fMRIPrep对fMRI数据进行数据处理。对于每个被试的四轮BOLD，均采用以下预处理。采用2步配准，6mm高斯核平滑，利用独立分量分析(ICA-AROMA)对预处理后的mni-空间时间序列BOLD进行自动去除运动伪影。BOLD时间序列被重新采样到MNI152标准空间。以下10个由fMRIPrep生成的混淆变量要去噪：从脑脊液、白质和全脑mask中提取的全脑信号、平均逐帧位移(FD)、三个平移运动参数和三个旋转运动参数。
脑区的皮层ROI。我们使用Schaefer等人的200个ROI的皮层提取整个大脑的神经反应，使用哈佛-牛津皮层下图谱提取14个皮层下ROI。最终，共214个ROI。
被试间的相关性。我们使用PYTHON 中的SCIPY 1.5.3库来计算ISCs。除了两个被试只使用了部分数据外，我们提取并连接了每个被试在四轮扫描中的预处理的时间序列数据。对于这两个被试，我们将他们的三轮可用的扫描数据连接到单个时间序列中，然后通过将他们的数据与其他被试相应的三轮扫描数据进行比较，计算出这些被试的ISCs。我们提取了每个被试在每个时间点(即每个重复时间(TR))每个大脑区域的平均时间序列。我们的分析包括63名被试，在各种排除之后，共有1952个独特的对。对于每一对，我们计算了214个大脑区域中每个神经反应的平均时间序列之间的Pearson相关性。然后我们对皮尔逊相关性进行Fisher-z变换，并在每个大脑区域内对随后的值进行标准化(即使用z值)。
被试水平的分析。正如我们在结果部分所述，我们对个体的度中心性是否与他们同龄人的神经相似性相关感兴趣。为了验证这一关系，我们将配对水平的神经相似性度量转换为个体水平的度量，以获得单个数字，该数字编码了每个脑区中个体与其他个体的平均神经相似性。对于每个个体，我们计算了他们与其他个体在每个脑区的Fisher-z变换ISC值的平均值。然后，我们为每个大脑区域拟合一个单独的广义线性模型，以测试在各个脑区的度中心性的个体差异与平均神经相似性之间的联系。采用FDR校正。
配对水平的ISC分析。在我们的配对水平分析中，我们采取了以下步骤来测试在214个脑区的度中心性和神经相似性之间的关联。首先，我们通过创建一个二分类变量，将被试水平的度中心性转化为配对水平，这表明配对的两个成员是否具有高、低或混合程度的度中心性 (即{高高}，{低，低}，或{低，高})。在1952对独特的配对中，有253个是{高，高}，779个是{低，低}，920个是{低，高}。为了将这种配对水平的度中心性与神经相似性联系起来，我们使用了Chen等人的方法并且用R拟合具有交叉随机效应的线性混合效应模型。这种方法可以解释从每个被试的重复观察中得出的数据的非独立性。
配对水平的行为分析。
我们采用了一种类似的方法，(如同在我们的配对水平的ISC分析)，以测试配对的度中心性和偏好相似性之间的关系。为此，我们遵循了上述关于配对的ISC分析的讨论中描述的相同的过程，并拟合了两个混合效应模型去考虑数据的非独立性结构。我们为每种类型的评级(即，享受和兴趣)构建了一个这样的模型，去从配对水平的度中心性中推断相似性。
结果
社交网络特性。我们研究了美国一所大型州立大学(加州大学洛杉矶分校)的两个不同校区的一年级学生的个人社交网络。共有119名被试完成了一项在线调查，他们在调查中指出在他们的校区中与谁交往最频繁(与我们团队之前关于友谊网络的研究一致)。其中一些被试还完成了功能磁共振成像(fMRI)这部分的研究。(这项研究的fMRI部分排除后共纳入63人）利用被试的反应，我们为这两个校区构建了一个有向网络(见图1)。在每个网络中，节点代表一个个体，有向边代表一个个体提名另一个个体作为经常交往的社会伙伴。对于每个个体，我们计算了度中心性，它代表这个个体在该社区网络中被其他人提名为常规社交伙伴的次数，它可以反映该社区中其他人认为这个人是常规的社会伙伴的程度。一个人的度中心性完全不依赖于一个人自己报告的关于与他人关系的答案。因此，度中心性不容易受到自己的社会伙伴的错误看法的影响，并且它相较于其他描述中心性的概念更不易被错误地描述社会关系，例如不易受到调查中任何被试的疏忽或对调查问题的非典型解释的影响(因为一个人的度中心性是基于许多被试的回答汇总的数据)。度中心性特别适合我们的研究，因为它不受网络中多个成分的存在的影响。
图1 研究范式和计算。
a。功能磁共振成像研究范式示意图。在研究的第一阶段，用fMRI测量了被试观看一系列自然刺激(即视频)时的大脑活动。在fMRI扫描之后，被试提供了他们对每个视频的享受程度和感兴趣程度的评级。
b。社会网络调查示意图。在研究的第二阶段，被试完成了一项在线社交网络调查，指出了社区中哪些人是他们的朋友。
c。神经相似性原理图。被试观看刺激时我们提取了神经反应的时间序列。然后，计算了214个脑区每个时间序列的被试间相关性(ISCs)。
d。网络计算示意图。基于被试在(b)中的反应，我们构建了两个有向的、无权重的网络--一个代表每个居民区，其中每个节点代表一个人，每个有向边代表一个人提名另一个人为朋友。对于每个个体，我们计算了度中心性，代表这个个体在他们自己的社区被其他人提名为朋友的次数。
在我们的主要分析中，我们使用中位数将我们的样本二分类为高度中心性组和度中心性组。这与最近的研究神经相似性与行为测量的相关性研究是一致的。在我们的fMRI研究中，如果被试的度大于中位数，我们就把他们归为高度中心性组(具体的说就是度大于2，则归为高度中心性组，最终高度中心性组共23人；如果度小于或等于中位数(即小于或等于2；则归为低度中心性组，最终低度中心性组共40人)。
神经相似性。在我们的fMRI研究中，被试观看了14个各种主题的视频片段。我们用fMRI研究被试在处理自然刺激过程中共享的神经反应，并计算了神经反应时间序列的ISCs(见图1)。
被试水平的ISC分析。我们测试了在社区中高度中心性的个体是否比低度中心性的个体表现出更典型的神经反应。为此，在每个脑区，我们通过计算每个被试与其他被试之间的Fisher-z变换后的ISC均值，将我们的配对水平的神经相似性度量转换为被试水平的度量。每个个体的每个脑区产生了一个ISC值，这个值编码了该个体与所有其他个体在相应大脑区域的神经反应的平均相似性(见图2a)。在计算出这些值后，我们将每个脑区的ISC作为因变量(我们将其转化为z值以产生标准化系数)，将二分类变量的度中心性作为自变量(见图2b)，拟合一个广义线性模型(GLM)。我们发现，高度中心性的个体与同龄人在双侧背内侧前额叶皮层(DMPFC)和右楔前叶的平均神经相似性具有更大的相关性。我们在图2c中显示了这些结果。此外，我们在皮质下区域未发现任何显著关联。我们还拟合了类似的模型来控制可能与神经相似性相关的人口统计变量，其中一些模型只考虑了生活在同一个校区的被试之间的神经相似性，一些模型控制了生活在同一个校区的被试之间的社会距离，还有一些模型使用了大约相等的中心度的数据子集。其他方法也得到了类似的结果。为了确认我们分析二分类的度中心性的结果也成立，我们还进行了类似的分析，将被试在每个脑区的平均ISCs与非二分类的度中心性联系起来。对于每个脑区，我们计算了Spearman等级相关来检验每个脑区平均ISCs与度中心性之间的关系。通过这些计算，我们确定了与使用二分类的度中心性时相似的区域(即低值与高值)。我们发现双侧DMPFC和左上顶叶的神经相似性与度中心性显著相关(见图2d)。换言之，我们发现个体在DMPFC（背内侧前额叶皮层）、楔前叶和顶叶的度中心性和他们与同龄人的平均神经相似性之间存在正相关。右侧DMPFC的ISC及其与度中心性的关系见图3。在皮质下区域，我们并未发现任何显著相关性。
值得注意的是，对于以上分析，我们发现在所有情况下，被试与其同伴的ISCs值与其度中心性存在显著正相关。也就是说，在两种分析中，我们都发现更高的度中心性与更典型的神经反应有关。此外，在这些分析和我们所有的其他分析中，我们没有发现在大脑任何一个区域中，低度中心性的人与同龄人的神经反应更相似。
相似的偏好。对于每个被试，我们采取了以下步骤来计算他们与同龄人在享受和兴趣评级方面的平均相似性。对于1952对(即，个体配对)，我们计算了配对的两个被试在14个不同的视频中享受评级之间的欧几里得距离，并将距离度量转换为标准化相似性度量(其中相似性计算公式为s= 1−[distance/max(distance)])。相似度值越大(从0到1)，表示两个人对内容的喜爱程度越相似。我们用同样的方法对感兴趣程度评级。用此方法计算出每对中的个体的偏好相似性度量。
图2 被试水平的分析。
a。被试水平的分析方法。首先，配对水平的ISCs进行Fisher-z变换，该ISCs由一对Pearson相关系数的矩阵编码(用r表示)。然后计算每个被试与其他被试的ISC的平均值(即：取矩阵每一行的均值)。我们对214个脑区进行了上述计算。每个被试的每个脑区均产生了一个ISC值。ISC值编码被试与其他被试在相应脑区的神经反应的平均相似性。
b。我们测试了被试在每个脑区的度中心性和被试水平的ISC值之间的关系。
c。我们将平均ISCs与二分类的度中心性变量联系起来，结果表明，在双侧DMPFC（背内侧前额叶皮层）和楔前叶中，高度中心性的个体与同伴的平均神经相似性比低度中心性的个体大得多。
d。我们将平均ISCs与原始(即非二分类)的度中心性做相关，结果与(c)中的分析相似。我们发现双侧DMPFC、楔前叶和顶上小叶的平均ISCs与度中心性呈正相关。
被试水平偏好分析。
我们感兴趣的是：
(1)在其居住社区中呈高度中心性的个体，其偏好是否比在其社区中呈低度中心性的个体与社区中其他人的偏好更相似；
(2)这种自我报告的偏好差异是否可以解释我们上面报告的神经结果。为了研究这一点，我们将配对水平的偏好相似性度量转换为被试水平的变量。首先我们计算每个被试与其他被试在享受评级方面的平均相似性。这估计了每个被试在他们对视频的享受程度上与其他被试的平均偏好相似的程度。我们测量感兴趣程度评级时重复了上述过程。计算享受性评级时为每个被试生成一个数字，代表他们与同龄人在享受评级方面的平均相似性，计算感兴趣程度评级时也为每个被试生成一个数字，代表他们与同龄人在兴趣评级方面的平均相似性。然后，我们将平均享受程度和兴趣相似性度量与二分类的度中心性变量关联起来，通过将相似性度量的z值作为因变量，将二分类的度中心性作为自变量，拟合每个相似性度量的广义线性模型。我们的结果表明，平均而言，在社交网络中具有高度中心性的人与他们的同龄人在评判有趣和愉快的内容方面，比低度中心性的人更相似。
图3 被试水平的ISC结果在社会网络中的可视化。
一年级宿舍的(a)校区1和(b)校区2的社交网络可视化。每个被试都来自两个不同的社区之一，其中一个“社区”由住在宿舍同侧同楼层的人组成。每个节点(我们用圆盘表示)代表一个居住在社区中的居民，两个节点之间的每条线段表示一条有向边(如果是单向的，则为单向有向边)，(如果是双向的，表示双向有向边)。例如，从节点A到节点B的箭头表示节点A指定节点B为好友。有两个箭头表示彼此指定的友谊。节点的大小表示节点的度中心性，节点越大，个体的度中心性越高。节点的颜色代表了在右侧DMPFC中节点与所在社区其他成员的平均神经相似性，颜色越深表示神经相似性越大。如图所示，有更高度中心度的个体(即被许多其他个体提名为朋友的个体)在右侧DMPFC中与同伴的平均ISCs值往往最大。
鉴于我们的发现，在自我报告内容偏好方面，高度中心性的个体比低度中心性的个体更接近他们的同伴，ISC与度中心性之间的联系可能源于自我报告偏好方面的被试间相似性。为了探索这种可能性，我们在控制了享受程度和感兴趣程度评级的相似性后拟合了广义线性模型来测试每个大脑区域的ISC和度中心性之间的关系。我们的结果表明，在控制了享受和兴趣评级的相似性之后，ISC和度中心性之间的关系仍然具有统计学意义，这表明这些区域的神经相似性超越了人们可以纯粹归因于自我报告偏好评级的相似性。
配对水平的ISC分析。
被试水平的ISC结果表明，高度中心性的个体(即那些被许多人提名为常规社会伙伴的个体)与同伴的神经相似性平均高于低度中心性的个体。我们还采用了一种更细分的方法来测试具有相似度中心性的个体是否彼此最相似，用这种方法时我们不管被试的度中心性是高还是低，发现社区中高度中心性的个体与其他高度中心性的个体最相似，而低度中心性的个体相对而言比较特殊(即，与他人不同，包括其他低度中心性的个体)。为了将我们的配对水平的神经相似性与个体的度中心性联系起来，我们将被试水平的二分类的度中心性转化为一个二分类水平的变量。我们配对为：(1){高，高}两个被试均为高度中心性，(2){低，低}两个被试均为低度中心性，(3){低，高} 一个被试为低度中心性，一个被试为高度中心性。对于我们的214个大脑区域，我们拟合了一个具有交叉随机效应的线性混合效应模型，以解释数据的非独立结构，将相应大脑区域的ISC作为因变量，并将配对水平的度中心性变量作为自变量。然后，我们进行了事先比较分析，比较不同程度的度中心性组，从而确定包含一个或多个低度中心性个体的大脑区域与较不协调的神经反应有关。 (即ISC{高，高}>ISC{低，低}，ISC{高，高}>ISC{低，高}，ISC{低，低}，ISC{低，低})(见图4a)。
图4 配对水平的分析及结果。
脑区配对的ISCs编码在一个矩阵中，其条目由成对的Pearson相关系数组成。矩阵的行和列是根据被试的度中心性排序的。我们对不同程度的度中心性组进行了事先比较，去测试是否高度中心性组(即ISC{高，高})的ICS值比低度中心性组(即ISC{低，低})和混合度中心性组(即ISC{低，高})更大。
ISC{高，高}>ISC{低，低}对比是我们对以下假设最直接的检验：高度中心性的个体彼此有非常相似的神经反应，而低度中心性的个体有相对特殊的神经反应。之所以会出现这种情况，是因为它测试了神经相似性是否在同为高度中心性的个体组中大于两个人同为低度中心性的个体组。相比之下，ISC{高，高}> ISC{低，高}也适用于最近邻模型，这反映了一个假设，即行为特征越相似的个体也会表现出更大的神经相似性。(我们使用术语“最近邻模型”来指这样一种假设，即个体的神经反应与他们的近邻最相似，而不管他们在某种程度上的绝对分类如何，比如它们的度中心性是高还是低。此外，ISC{低，高}> ISC{低，低}不一定要成立来支持以下假设：高度中心性的个体彼此有更多相似的神经反应，而低度中心性的个体有相对特殊的神经反应。例如，即使每个低度中心性的被试的反应方式完全不同，但他们与其他低度中心性个体和高度中心性个体的ISCs值也可能会相同。然而，我们推断，ISC{低，高}>ISC{低，低}很可能出现在我们的数据集中，因为所有被试都共享了潜在的刺激驱动的反应；每个低度中心性个体将部分地反映这些共享的刺激驱动的反应(他们可能以一种特殊的方式偏离典型的反应)。因此，我们报告了三个对比的结果：(1)ISC{高，高}>ISC{低，低}，这是对我们的假设最直接的检验；(2)ISC{高，高}> ISC{高，低}，这是对我们假设的检验，但对于最近邻模型也是成立的；和(3)ISC{低，高}> ISC{低，低}，不需要成立来支持我们的假设，但我们希望成立。
我们在图4中说明了三种对比(ISC{高，高}>ISC{低，低}，ISC{高，高}>ISC{低，高}， ISC{低，高}>ISC{低，低})的结果。正如在我们的被试水平的分析结果一样，我们成对水平的分析结果也显示，在DMPFC（背内侧前额叶皮层）、楔前叶和顶上小叶的部分中，具有高度中心性的个体组(即{高，高})比低度中心性的个体组(即{低，低})有更大的ISCs(见图4b)。此外，腹外侧前额叶皮层(VLPFC)和颞叶的ISCs值在{高，高}组比{低，低}组更大。皮质下区域(包括杏仁核、海马、左苍白球和右丘脑)的ISCs值{高，高}组比{低，低}组大。当我们对比高度中心性组和混合度中心性组(ISC{高，高} >ISC{低，高})以及混合度中心性组和低度中心性组(ISC{低，高}>ISC{低，低})时，我们发现尽管效应值更小，但有类似的结果。见图4b、c。我们的研究表明，高度中心性的个体在神经反应上非常相似，而低度中心性的个体神经反应与高度中心性以及其他低度中心性的个体都不相同。换句话说，低度中心性的个体有特殊的神经反应，每个低度中心性的个体都有自己不同于其他个体的典型反应。
我们还进行了类似的分析，将平均ISCs与原始的非二分类的配对水平上的度中心性联系起来，为此，我们将每对的最小度中心性与我们214个大脑区域的神经相似性联系起来。取每对的最小度中心性值去检验只有两个高中心性的个体才彼此间有非常相似的神经反应的假设。如果低度中心性与特殊的神经反应有关，那么即使分组中只有一个低的度中心性个体(低，低)、(低，高)，也应该与小的ISC有关。对于每个脑区，我们拟合了一个具有交叉随机效应的线性混合效应模型。
与我们使用二分类的度中心性变量的配对水平结果一致，我们发现：在左侧DMPFC（背内侧前额叶皮层）、楔前叶、后扣带皮层、顶上小叶和颞中回的最小度中心性与神经相似性之间存在正相关。也就是说，对于最小度中心性较高的配对组，这些脑区有更大的神经相似性。用二分类的度中心性来反映我们的结果，高度中心性组具有更大的神经相似性(见图5)。
图5。神经相似性与组间最小度中心性的配对水平的关联性。我们发现ISC与最小度中心性呈正相关。脑区(包括DMPFC、VLPFC、楔前叶、颞叶和部分顶上小叶)的ISCs越大，其最小度中心性越高。β为标准化回归系数。我们将度中心性和ISC之间有显著关联的区域标黑。
配对水平的偏好性分析。
我们测试了个体自我报告的偏好是否与假设一致，即高度中心性的个体偏好彼此非常相似，而低度中心性的个体偏好是特殊的，每个低度中心性个体的偏好都有自己的方式从而不同于其他个体。我们还测试了这种自我报告的偏好差异是否可以解释我们的神经结果。
具体来说，我们研究了被试之间自我报告偏好的相似性是否可以解释我们的观察结果，即社区中高度中心性的个体与其他高度中心性的个体的神经反应相似，而低度中心性的个体则相对具有特殊性。为了检验这一可能性，我们拟合了额外的线性混合效应模型，以测试每个脑区的ISCs与配对水平的度中心性之间的关系，我们的结果表明，在控制了享受和兴趣评级的相似性后，将ISCs和配对水平的度中心性联系起来的安娜卡列尼娜结果模式仍然显著。因此，我们的结论是，我们发现更大的神经相似性倾向于发生在高度中心性的个体之间，而相对较低的神经相似性倾向于发生在低度中心性的个体之间，这些差异并非由自我报告的偏好评级差异所导致。
讨论
在社会网络中，哪些因素区分高度中心性的个体?我们的结果与以下观点一致：在其社会网络中处于中心地位的个体以典型的方式处理外部刺激，而非中心地位的个体以特殊的方式处理外部刺激。在我们的研究中，我们发现当观察动态的自然刺激时，在几个包括与事件和社会认知的共同高级解读相关的类似神经反应脑区(例如，默认模式网络区域)，高度中心性的个体彼此间比低度中心性的个体表现出更大的平均神经相似性，我们在度中心性和神经相似性的关系中观察到一种独特的模式：高度中心性的个体彼此间的神经反应非常相似，而低度中心性的个体彼此之间以及他们的同伴之间处理外部刺激的典型方式都不相同。我们的研究结果表明高度中心性的个体处理和应对外界刺激的方式，让许多同龄人彼此关联，而低度中心性的个体的特立独行导致他们与同龄人之间很难产生联结。然而，需要纵向研究来确定社交网络度中心性是否与处理外部刺激的方式类似。
平均而言，高度中心性的个体与同伴在双侧DMPFC和楔前叶这两个默认网络具有更大的神经相似性。与我们的研究结果相一致的是，在DMPFC、楔前叶、以及默认模式网络的其他区域(如后扣带皮层和下顶叶)，高度中心性的个体对彼此的反应相似而低度中心性的个体反应则不同。这些区域涉及社会化认知过程，比如心智和观点采择。这些区域的神经相似性也与对事件的理解和解释的相似性有关，即可能因为在观看自然刺激时，拥有相似观点的人在这些高阶大脑区域有更大的相似性。此外，这些区域的神经相似性与友谊有关；朋友(也就是经常互相交往的人)比非朋友的人在这些区域有更大的相似性。尤其是，最近有人提出默认网络将周围环境的外部信息与内部经验和图式结合起来有助于促进关键意义的构建以及创建随着时间推移展开的情境模型，而默认网络区域的ISCs支持在个体之间创建共享意义。我们的研究结果表明，高度中心性的个体处理外部刺激的方式与他们的同龄人理解和回应外部刺激的典型方式密切相关。这种相似性可能有助于他们与许多人建立联系(尽管需要进一步的工作来阐明我们的结果背后的因果机制)。我们的研究结果还表明，高度中心性的个体彼此相似，而低度中心性的个体与群体处理和理解外部刺激的典型方式不同(例如，他们每个人都以自己独特的方式处理和回应外部刺激)。即使我们控制了可能与神经相似性相关的人口统计变量和个体之间的社会距离，我们的结果也是显著的。因此，我们的发现表明，默认网络(以及其他区域)的神经相似性与度中心性的关联性，不仅仅让最中心的个体更有可能成为彼此的朋友，此外，我们观察到，高度中心性的个体与许多同龄人，包括那些与他们不是朋友的人，也有着非常相似的神经反应。
在我们的研究中，高度中心性的个体也自我报告了对刺激的偏好，这些刺激更能反映他们同龄人的偏好。具体来说，高度中心性的个体在某种程度上发现愉快和有趣的刺激与他们的同龄人有更大的平均相似性。此外，高度中心性的个体彼此间对刺激有类似的偏好，但每个低度中心性的个体对刺激有特殊的偏好(即，偏好既不同于他们的同龄人的偏好，也不同于其他非度中心性的个体的偏好)。与此同时，观察到的行为模式表明，高度中心性的个体自我报告的偏好与他们的同龄人的偏好更一致，因此可能与其他人觉得有趣的东西更一致；这帮助他们通过共同的兴趣与同龄人建立联系。值得注意的是，控制享受和兴趣评级的相似性并没有改变我们将神经相似性与社交网络中的度中心性联系起来的结果。也就是说，我们发现，与高级解读和社会认知相关的脑区的神经相似性与网络度中心性有关，而这超出了我们能够通过自我报告的偏好获得的范围。这表明随着时间的推移，测量神经对自然刺激的反应，可以捕捉到心理处理过程的重要方面，这远远超出使用几个有针对性的自我感觉问题所能获得的结果。度中心性与ISCs的紧密联系，可能源于几个因素，包括ISCs的时间粒度比我们的自我报告测量更细，自我报告的局限性，还有一种可能性，即与度中心性相关的处理过程的相似性，反映了情境的内部模型随着时间的推移而形成的相似性。计算ISCs的一个显著好处是，人们可以使用它们来同时描述心理处理的许多不同方面的相似性。因此，人们可以洞察不同的情绪和认知过程，这些过程是在应对不同的情况时展开的，可能是由个人原有的信念、价值观、态度和经验塑造的。我们的神经发现也提供了一些见解，可以告诉我们哪些自我报告方法可能捕捉到高度中心性的个体与他们的同龄人之间可能特别相似的处理类型。测量度中心性和(1)对捕捉个人社会和认知倾向的自我报告量表的反应和/或(2)个人对刺激的解释(例如，通过自由反应的语义分析捕获)的典型性之间的关联可能尤其富有成效。
因为我们的研究只有一波fMRI数据，因此一个重要限制是我们不能确定产生该影响的因果机制。有必要进行更多的研究来理清各种可能的原因。我们希望这样的研究将有助于辨别是否：(1)与同龄人以相似的方式处理外部的刺激，会导致某些人在他们的社交网络中变得更加高度中心性，(2)某些个体在社会网络中呈高度中心性，使他们与同龄人有更相似的方式去处理外部刺激，或者(3)这两种可能性的某种组合在起作用。此外，如果高度中心性的个体处理刺激的方式与他们的同龄人相似，未来的研究也可以帮助揭示： (1) 高度中心性的个人(在社交网络中处于中心地位)在他们的社交网络对他人产生影响，所以许多人与高度中心性个体更相似(2)高度中心的个体为了适应社会网络的规范，会改变他们处理外部刺激的方式，或者(3)这两种可能性的某种结合正在发挥作用。使用纵向研究评判这些可能性很重要。
总之，我们的研究结果表明，从与社会认知和建立共享的内部情境模型相关的神经反应中可以看出社交网络中的高度中心性个体在处理外部刺激的方式上与他们的同龄人非常相似。我们还发现，高度中心性的个体在神经处理过程中彼此相似，而低度中心性的个体则各有不同。总的来说，结果表明，人类对世界的相似理解，反映在不同的人之间的相似大脑反应中，可能有助于人类实现和维持社会联系。