Nature子刊 | 工作记忆中的多模态网络动态

尽管很多认知过程可以被映射到单个脑区的功能上，但是复杂的认知活动需要依靠各脑区之间的协同工作。工作记忆（working memory; WM）就是一个很好的例子，它一方面受到额顶网络（FPN）的支持，同时也受到默认网络（DMN）的影响。但是，我们还不清楚这两个网络在WM任务中的互动关系。

前人研究发现，这两个网络在高WM负荷情况下的功能是竞争性的，也就是两个系统的活动存在反向相关。而且，这种反向相关的模式可以预测WM的行为表现。为了探索两个网络间竞争的机制，本研究基于人脑连接组计划（HCP）中644个被试在2-back工作记忆任务中的功能像数据和DTI结构像数据，采用多模态神经指标（脑区活动、区域间功能连接、结构连接、工作记忆的个体差异与上述指标关系等），试图建立了一个机制框架。

作者认为，FPN的动态会直接调节FPN和DMN之间的连接强度，他们提出的假设机制是：FPN由两个独立的、不重叠的子网络组成。其中，子网络A与DMN的动态正向相关，子网络B和DMN的动态反向相关（图1a)。当第一个子网络的相对活动比较强的时候，DMN和FPN之间的连接就是正向的；第二个子网络相对活动强的时候，DMN和FPN之间的连接就是负向的。这个假说可以解释DMN和FPN之间功能连接的灵活动态变化，也可以解释WM个体差异与网络间连接强度的关系。

为了验证上述模型，作者首先利用加权随机分块模型（weighted stochastic block model; K=2），找到了这两个分离的子网络（图1b）。通过比较这两个子网络的基因表达模式差异，结果进一步表明这两个子网络在生物学上存在分离。

图1 （A）默认网络(DM)活动、额顶网络(FP)以及两个分离的子网络活动的示意图。（B）额顶子网络A和子网络B。

为了验证第二个假设，这里用两个子网络和DMN做了功能连接分析，结果发现，子网络A与DMN表现出正向的功能连接，而子网络B与DMN表现出负向的功能连接（图1c）。此外，与背侧注意网络（DAN）的功能连接结果发现，子网络B与DAN的连接为正向；子网络A与DAN的连接为负向。

进一步，从网络动态活动上而言，子网络A的活动强度与DMN和FPN之间的功能连接有显著的正相关（图1d），而子网络B的活动强度与两个网络间的功能连接又显著的负相关（图1e）

图1（C）两个子网络与默认网络的功能连接；（D）子网络A（E）子网络B的强度与额顶网络和默认网络连接强度的关系

从与行为结果关系的角度而言，由于DMN和FPN之间的连接强度本身可以负向预测WM表现，因此作者进一步预测两个子网络的活动与行为结果之间存在相应的关系。结果如预期一致，子网络A的活动与WM表现负相关；子网络B的活动与WM表现正相关。

接下来，研究者从网络白质结构的角度进行了探索。相似地，结果发现子网络A相对而言与DMN有着更强的结构连接（图2a）；而子网络B相对与DAN有更强的结构连接（图2b）。这些结果表明，FPN可能处于一个结构连接体的位置，介导了DMN和DAN之间的耦合，且这种耦合与行为表现存在负向关联。

此外，作者还计算了与DAN和DMN有关的区域边界控制（regional boundary control；图2c），结果表明，在20个边界控制超过95%的区域中，至少9个区域位于额顶网络，说明FPN的结构位置可以有效控制DMN和DAN之间的耦合。

图2  额顶网络两个子网络的白质连接。（A）两个子网络与DMN的结构连接强度；（B）两个子网络与DAN的结构连接强度；（C）相对零模型而言，边界控制的解剖分布大多在FPN中被表达

之前的实证研究结果已经说明了子网络A和子网络B的活动强度可以从不同方向影响FPN和DMN之间的功能连接，接下来的分析中，作者进一步利用计算模型（动态网络模型）来模拟这些活动，为两者之间的关系提供更多的证据。

首先，利用一个四节点网络的动态模型（图3a），每个节点代表一个子网络，中间连线代表连接强度。为了构建脑活动的动态振荡行为，这里将每个节点都看做一个振荡器（oscillator；图3b），具体的模型构建可见原文Methods部分。

图3 (A) 构建的四系统动态网络模型。DM（默认网络）、DA（背侧注意网络）、SN-A（额顶子网络A）、SN-B（额顶子网络B）是由4个振荡器或192个振荡器组成的系统；全脑是由400个振荡器组成的系统。（B）将各网络动态集成到6分钟的时间序列，与n-back任务的时间长度一致。

四节点模型的结果表明，子网络A的活动增加与FPN和DMN之间连接呈正相关；子网络B的活动增加与两个网络间连接强度呈负相关（图3c）。由于四节点的模型太过简化，该结果能否推广到更复杂的网络中仍不清楚，因此研究者进一步利用了192个节点和400个节点的网络探索这个问题。在这两个模型中，四个系统均被分割到更细的脑区节点，结果表明，这两个模型的结果与之前的四个节点的模型是一致的（图3d/e）。

图3（C~E）4节点、192节点、400节点模型中，子网络A/B活动强度与DMN和FPN间网络强度的关系

之后，研究者又利用不同节点个数的动态模型分析了两个额顶子网络强度与DAN和FPN连接强度的关系，结果同样与实证研究结果一致，即子网络A的活动强度与FPN和DAN之间的功能连接强度负相关，子网络B的活动强度与FPN和DAN之间的功能连接强度正相关。

总结

综上所述，本研究先利用无监督的聚类分析将FPN区分成了两个不重叠的子网络，其一在功能上与DMN一致，其二与DAN功能上一致。这两个子系统的相对活动水平可以使FPN的功能与DMN或DAN的功能趋同。无论是结构连接还是功能连接，子网络A都与DMN的连接更紧密，子网络B与DAN连接更紧密。最后，无论是脑影像数据还是非线性动力系统建模，都表明两个子网络的强度可以不同方向影响FPN与DMN、FPN与DAN之间的功能连接强度。总之，在工作记忆任务中，FPN（而非DMN）可以部分控制着FPN与DMN之间的连接。

本研究实际上关注的是脑网络功能组织方式，工作记忆任务只是一个载体。他们将FPN分为两个独立子网络的思想和Dixon等人（2018）在PNAS的文章一致，同时进一步做出了一些扩展。

论文原文：

Murphy, A. C., Bertolero, M. A., Papadopoulos, L., Lydon-Staley, D. M., & Bassett, D. S. (2020). Multimodal network dynamics underpinning working memory. Nat Commun, 11(1), 3035. doi:10.1038/s41467-020-15541-0

相关阅读

感谢支持！欢迎留言、转发、分享！