我们使用一个测试数据集(N=419)和一个验证数据集(N=328)来研究这个问题,该数据集包括高分辨率的静息态功能磁共振成像(functional magnetic resonance imaging,fMRI)的时间序列和人类连接组(Human Connectome Project,HCP)中跨越认知、情感、社会和个性特征的58个行为度量指标。首先,我们比较了静态和动态FC捕获行为信息的程度。然后我们研究FC的行为相关性是否优先在网络内或网络间的连接上捕获。最后,我们检验静态和动态FC是否捕获了互补的行为信息。用静息态fMRI数据的一阶自回归(AR-1)模型来评估FC动力学。AR-1模型利用fMRI时间序列的时间顺序来捕获发生在几秒钟分辨率下的动态FC,而静态方法不受经典滑动窗口法的限制。然后使用方差成分模型将FC动态与58个行为指标联系起来。该模型已广泛用于全基因组复杂性状分析,最近还被用于研究性状的神经解剖学特征,如认知或临床测量。
我们发现动态FC专门捕获评估基于任务的行为度量指标,静态和动态FC都可以解释自我报告的度量指标。我们认为,这反映了相应行为实验涉及的功能过程的本质。一方面,基于任务的度量指标在时间尺度上以秒的级别参与认知过程,这可以被动态FC捕获。另一方面,自我报告的度量可能反映了在几秒钟内不太可能改变的类似特质的属性,因此静态FC中较长时间内平均的功能连接也能很好地解释。此外,我们的结果还表明基于任务表现的得分是由涉及多个静息态网络之间相互作用的全脑FC动力学定义的。总之,这些发现不仅提供了一个“任务-表现”的统计度量,而且为执行各种任务所涉及的认知过程的时间尺度提供了新的见解,从而也支持了近年来出现的"网络-大脑"范式。
结果
静态和动态FC对应的行为指标
使用方差成分模型研究FC与行为度量指标之间的联系。模型输入为(i)一个包含N = 419名被试的58个行为度量指标的矩阵和(ii)至少一个N×N矩阵,称为相似矩阵,用K表示,其第i,j项编码了受试者i和j的(静态或动态) FC之间的相似性。注意,静态FC矩阵是对称的,而动态FC矩阵是非对称的。该模型估计了FC变异性所解释的行为变异水平,包括所有行为度量指标的平均值以及每个行为度量指标的平均值。
动态FC捕获更多的行为信息。我们首先比较了静态和动态FC标记所解释的行为变异水平。为此,我们进行了两次多元方差成分模型的分析:一次使用编码静态FC模式的被试间相似性的相似矩阵,一次使用动态FC模式的相似性。
a行为指标是根据动态FC是否比静态FC解释了更多的变异而排序的。正的t统计量T表明动态FC比静态FC能解释更多的方差。任务-表现对应的行为度量指标用绿色圆点标记,自我报告测量用橙色圆点标记。
b自我报告测量中静态和动态FC解释的平均方差没有发现显著统计差异(p > 0.10,双边t检验)。
行为相关的FC动力学产生于网络交互。脑网络之间的功能相互作用已被证明在执行任务和特征描述中发挥关键作用。我们测试静息态网络之间的相互作用对于从FC中提取行为信息是否也是至关重要的。为此,使用了与上述相同的模型,但相似度矩阵不是从整个静态或动态FC矩阵中计算的。相反,只使用了已知的静息态网络对应的FC矩阵的子块。换句话说,我们测试了行为变异性是如何在静息态网络连接模式的变异性中被捕获的。我们在7个皮层静息态网络中使用了共同的分区,包括皮层下区域,如图3所示。
静态和动态功能连接仅限于网络内或网络间,对几乎所有网络对的平均行为方差解释均在10%以下。并不奇怪,这低于全脑连接模式所解释的行为变异(静态FC为19% ,动态FC为37%),正如先前的研究结果所预测的那样,个体的FC指纹分布在整个大脑。更令人意想不到的是这种情况下FC动态似乎并没有比静态FC捕获更多的行为信息。相反,平均而言,在所有网络间连接上(图3,无阴影示意图),静态功能连接比动态功能连接解释了更多的行为变异(p=8.31×10-3;双边t检验),而在网络内连接上没有发现统计上的显著差异(图3,阴影图)。
静态与动态FC的互补性检验。我们发现,平均而言动态FC比静态FC捕获了更多的行为信息(图1),尤其是对任务表现的度量(图2)。然而,这并不意味着静态FC没有捕获到除动态FC捕获信息之外的额外行为信息。为了检验这一点,我们使用了多元方差成分模型的一个改进版本,该模型使用了多个相似度矩阵,在我们的情况二中,即由静态和动态FC计算的相似度矩阵作为初始输入矩阵,并估计由这些相似度矩阵联合的行为方差水平。
结合静态和动态FC的平均行为方差如图4a中深蓝色所示。8个代表性指标的结果见图4b,其余50个指标的结果见附图2。图4a中,组合值明显高于静态FC(p=4.73×10-4 ;双边t检验),证实了动态FC包含了静态FC之上和之外的信息。然而,平均组合的结果与动态FC没有发现统计学差异(p> 0.10,详见附表1),这表明静态FC捕获的信息在很大程度上也被动态FC捕获。
动态FC交互作用驱动捕获任务-表现型指标。我们研究哪些动态FC交互作用有助于与任务-表现的整体关联(图2c)。我们使用了定义在公式(2)中的方差分量模型的重新表述,该模型揭示了每对(子)网络之间的相互作用对总体可解释方差的相对贡献(补充方程(10)。结果见图5。可见,默认C区和额顶C区与皮层下区域都对动态FC与任务表现之间的关联贡献较大。
附图4 (左)两两ROI交互作用对任务-行为可解释方差的贡献。颜色对应图3和图5中使用的7-网络分块。(右)对应17-网络的子网络分割
讨论
研究静息态功能组织如何与各种行为特征相联系是一个中枢神经影像学的研究问题。功能连接(FC)是评价这种组织的经典方法,最近的研究表明,利用FC的动态特性而不是经典的静态FC指标可以为解释不同时间尺度的大脑功能提供新的方法。在本研究中,我们旨在细化对FC动力学所捕获的行为信息的理解。为此,我们探讨了静息态静态和动态FC指标与涵盖认知、社会、情绪和人格特征的大量指标的相关程度。我们的研究首先表明,在超过58个选择的行为指标中,动态FC捕获的行为信息显著多于普通的静态FC。这证实了目前的发现,强调了静息态动态功能连接比静态功能连接在描述正念、疾病和饮食行为方面的优势。
有趣的是,在已知的静息态网络中,或者在成对网络之间,FC动力学并没有捕获比同一网络中静态FC更多的行为信息(图3)。例如,平均而言静态网络间FC解释了比动态网络间FC更多的行为变异。这些结果乍看起来似乎是和直觉相反的,表明由FC局部模式得到的相似性度量在静态和动态情况下并不是以相同的方式相互补充的。换句话说,动态FC在解释图1中观察到的行为信息方面的优势被编码在全局动态FC交互模式中。从方法学的角度来看,这也表明即使动态FC通过放宽与此度量相关的静态假设而使用比静态FC更丰富的统计信息,也不应该先验地、主观地认为是比静态FC更好的神经影像学标记。
在图2中,我们表明动态FC专门捕获任务中表现的指标,如工作记忆任务,而静态和动态FC同样很好地解释了自我报告的指标,如孤独感。这种额外的信息被发现分布在全局动态FC模式中,并且不局限于单一区域或网络(图3)。更确切地说,图5表明默认网络和额顶网络驱动来自其他网络的动态FC的整合。这与以前的研究结果一致,将这些区域定义为动态功能连接组的枢纽,并进一步支持了在任务执行过程中耦合默认网络和额顶活动的重要性。
总的来说,这些研究结果支持了当下的研究成果,表明不同类型的指标,如疼痛、感知和警觉,都是在多个脑区之间的动态相互作用中被捕获的,而不是在单一网络内。然后,即使它们涉及到静息态网络之间的相互作用,我们的结果也反映了任务条件下网络相互作用的本质。事实上,任务的执行依赖于不同网络在更快时间尺度上的协调激活,而这可以被动态所捕获,并且这对静态FC来说是很难实现的。相反,自我报告的度量可被认为是类似于特质的属性,因此可以用静态FC来解释。研究结果还表明,简单任务呈现分离的激活模式,而涉及多个认知过程的复杂任务(例如,工作记忆或视觉空间注意)需要多个内在网络的整合激活,并激活如连接枢纽的灵活脑区。假设任务-表现指标比自我报告的指标捕获了更复杂的行为特征,正如上文所定义的那样,似乎并不是不合理的,任务-表现指标是指被试在经常涉及多个或协调行动的测试中达到高分。更一般地,这些结果构成了支持近年来兴起的"网络大脑"范式的有力证据。该范式本质上将大脑视为一个产生复杂时空活动模式的多尺度网络,而不是具有局部特异性的神经元群体的集合。
动态FC似乎比静态FC捕捉到更复杂的网络相互作用,这也得到了FC与潜在的大脑解剖结构或结构连接(SC)之间联系的支持。由于静态FC更接近SC,因此动态FC库也捕获了来自SC的游移,表现为更高的效率和更低的模块度。这些在动态FC中编码的模块化组织的波动被证明在不同的时间尺度上运行,并支持静息态网络的周期性耦合,可能构成了意识的特征,并允许更有效的神经元信息传递。
其他研究表明,与静态相比,任务期间动态FC变异性的振幅降低。结合图2和图3的结果,表明基于任务的行为指标是由静息态的动态FC专门捕获的,我们可能假设存在一个静息态的"动态库",它定义了任务表现。这种由动态FC编码的动态库,而不是如图4所示的简单的静态FC,来自涉及多个内在网络的高度集成连接。因此,我们也可以将这种动态连接性结构解释为人类连接组进化的标志,即倾向于获得高效的组织来执行复杂的任务。
图2中提出的行为指标的“二分类法”目的是研究静态和捕获了不同的行为属性动态FC之间的统计差异。这种“二分类法”存在一定的局限性。首先,在所提出的两个类别中,"任务表现"或"自我报告"中的行为指标的分类并不是那么简单的。例如,“滞后思考”任务的指标没有被分类,因为人们可以认为它既不是与一个感知真理相关联的表现也不是像工作记忆任务等经典任务一样最佳分数相关的指标。同样其他类似指标(握力、气味识别、步行速度、对比敏感度、味觉强度、步行耐力)也没有被分类 (附表2)。然而,我们注意到,将这些指标分为一类或两类并没有明显改变图2中的结果。也就是说,只考虑两类行为指标忽略了行为的多因素性质,所以行为指标的组合也可以使用其他分类标准,如遗传特征和精神状态或内在和外在。
根据系统理论文献,我们将BOLD时间序列的AR模型称为"动态的"。这一命名的出发点在于,考虑到时间序列中存在的记忆性(如xt取决于xt-1),这类模型能够比无记忆的(或'静态',遵循相同的命名规则)模型更好地再现多元时间序列中的经验波动。AR模型也被用来计算塑造静息态脑功能的主导动态模式。总体而言,该模型可以被看作是一种简洁的方法来概括BOLD和由时变模型直接导出的FC时间序列的时间波动。
总结:
总之,静态FC提供了大脑功能在几分钟内的平均度量。这是一种过度简化,我们提出了新的动态FC捕获大脑功能在几秒钟内的时间变化。虽然这些新的度量被证明可以捕获fMRI数据的更多统计特性,但它们在静态FC之上和之外的行为相关性仍然不清楚。在这里,我们使用747名HCP被试和58个行为度量指标表明功能连接动力学通过利用多重网络交互中编码的动态信息来专门捕获基于任务表现的指标。相反,自我报告的指标可同时被静态和动态FC捕获。总的来说,我们相信我们的工作为更好地描述塑造人类行为各个方面的认知过程开辟了未来的可能性。
补充:方法部分:
数据及预处理
我们使用了HCP中1200名被试的数据,包括结构MRI、静息态功能MRI和来自兄弟姐妹群体中比较年轻(年龄22-35岁)和健康参与者的行为指标。所有成像数据均在3-T Siemens Skyra扫描仪上采集多波段序列。功能图像的时间分辨率为0.72 s,空间分辨率为2 mm,而结构图像的空间分辨率为0.7 mm。每个被试可得到4个14.4 min(1200帧)的函数时间序列。静息态fMRI数据采用多模态表面匹配方法将静息态fMRI数据投影到fs _ LR表面空间( MSM- All.皮层和皮层下数据均使用ICA-FIX方法进行处理,并以CIFTI灰度格式保存。该过程包括24个运动相关参数的回归(6个经典运动参数,它们的导数,以及这12个参数的平方))。然后移除FD>0.2 mm或DVARS>75处的信息,以及这些位置之前的一帧和后的两帧。回归线性和平均皮层灰质信号并舍去删除的帧来计算回归系数。进行平均皮层灰度信号回归,以加强FC指标和行为指标之间的联系
然而,我们注意到未回归平均皮层灰质信号也得到了类似的结论(附图10)。最后,将fMRI时间序列分割成419个感兴趣区域(region of interest,ROI),包括Freesurfer定义的400个皮层区域和19个皮层下区域。每个受试者的静态功能连接是基于pearson相关矩阵获得的,这些相关矩阵是由每个试验的未删除任何信息所计算的,都经过Fisher-z变换、平均和变换回r空间。动态功能连接由fMRI时间序列的一阶自回归表示的模型参数估计:
我们选取了58个行为指标,包括认知、社会、情绪和人格特质(附表2)。这些指标包括来自NIH Toolbox的指标和一些著名的非NIH指标(例如,NEO-FFI)。如果没有明确属于"任务-表现"、"自我报告"两个类别之一,则将这些指标分为"未分类"。
联系客服