分离与整合：任务状态下的脑网络动态变化

按：最近看到James Shine关于神经调节系统/神经递质与认知和脑网络的一系列工作，在Neuron、eLife、NN、TiCS等期刊都有发表。这里回顾一篇他们相对早一些的工作（2016），Schultz & Cole 对这篇文章有一个preview，看起来甚至比原文更清晰，建议有兴趣的同学阅读。

人脑可以从一种比较安静的状态迅速转变为更积极的解决问题的状态，比如在骑车的时候我们只需要少量的认知投入，但突然要你做一道数学题的时候，大脑就会转变为需要更多认知投入的目标导向的状态。

那么大脑是如何实现这种快速的状态转变的呢？这篇文章就从脑网络动态变化的角度给出了一些证据。基于92名人脑连接组计划（HCP）的被试，研究者计算了模块内的连通性（WT）和模块间的连通性（BT），以此来估计每个区域对于维持网络结构的重要性。此外，本研究基于图论的方法提出了“cartographic profile”的分析方法，结合k-means聚类分析，发现了人脑活动信号可以分为“分离”（segregated network structure）和“整合”（integrated network structure）两种状态（图1）。大脑状态会在这两种状态下不规律地波动，且大部分时间是处于整合状态。

图1 （A）一个被试平均模块间连通性的时间序列，基于此，脑网络结构可以被分类为两种状态：“分离”（红色）和“整合”（蓝色）；（B）两种状态的平均cartographic profile，可以看做这两种状态在该空间的表征模式；（C）在整合状态下拥有更强W_T的区域；（D）在整合状态下拥有更强B_T的区域。

接下来，研究者考察了在任务状态下（N-back任务）脑网络整合与分离的平衡。结果发现，在任务状态下，脑网络会趋向整合状态进行转变（图2），尤其是额顶区域、默认网络、丘脑/纹状体等区域（图2C）。这些区域之前被认为是具有高度连通性的节点区域（"hub"），对认知任务的完成、维持全脑网络的稳定具有重要作用。

这种转变是否只对N-back任务起作用呢？作者为了考察任务的特异性，选择了HCP数据集的六种任务进行探索。结果发现尽管脑网络在所有任务状态下都趋于整合，但是幅度有所差异（图2D），越复杂、困难（尤其是涉及认知控制）的任务越需要调整为整合状态。

图2（A）模块间连通性的变化和实验任务的block设置呈高度正相关。黑线是被试平均的模块间连通性变化，蓝线是task-block regressors。（B）任务态和静息态的cartographic profile 区别，蓝色是任务态<静息态；红色是任务态>静息态。（C）与静息态相比，任务过程中模块内连通性和模块间连通性更高的区域。可以看出额顶区域和皮层下区域在任务态的B_T显著提高；初级皮层的W_T在任务态提高，默认网络的W_T在任务态降低。（D）HCP数据集中六种任务状态下向整合状态偏移的幅度。

既然如此，那么整合状态对行为表现是否存在影响呢？研究者利用漂移扩散模型（drift-diffusion model）对N-back任务进行建模（图3A），得到漂移率（v）、非决策时间长度（t）和反应边界（a）三个参数来代表任务的行为表现。其中漂移率代表证据积累的速度，是任务表现的正向指标；非决策时间是任务表现的负向指标；反应边界则描述了反应的谨慎程度。结果发现，全脑整合程度和漂移率正相关（图3B）、和非决策时间负相关（图3C），和反应边界没有相关。这表明脑网络的整合状态可以支持认知表现，有助于认知加工。

图3  脑网络整合状态有助于认知加工。（A）漂移扩散模型的示意图；（B）漂移率和cartographic profile的关系，右侧代表漂移率和B_T正相关的区域；（C）非决策时间和cartographic profile的关系，右侧代表非决策时间和B_T负相关的区域。

接下来作者探讨了这种转变的潜在生理机制，他们认为大脑的神经调节系统（neuromodulatory brain system）可以介导神经增益控制（neural gain control），这也许在调节全脑的整合状态中起到重要作用。由于瞳孔直径的变化可以敏感反映上行神经调节系统（如蓝斑核）的活动，这里作者又做了一个补充实验来验证他们的假设。结果发现，瞳孔直径确实和平均BT呈正相关（图4），尤其是在额顶区、纹状体、丘脑等区域，表明从分离到整合状态的转换可能是由上行神经调节系统调节的。

为了确认大脑的整合区域，研究者利用parcel-wise conjunction analysis发现了一个右侧偏侧化的脑网络（包括额叶、顶叶、丘脑、纹状体等）与BT的提升有关；也发现了一个由视觉皮层、脑岛在内的网络与WT的提升有关（图4C）。这些结果表明，一个分布式的脑网络介导了完成认知加工所需的计算整合。

图4  （A）瞳孔直径和B_T变化具有显著正相关（B）卷积后的童可可直径和cartographic profile的关系，结果发现瞳孔直径和网络水平的整合具有正相关；（C）与W_T、B_T有关的脑区（红色/蓝色）。

此外，为了保证可重复性，作者分别利用三个独立的数据集重复了这一分析，结果表明这种结果是可重复且稳健的。

下面用一张图总结本文的发现：

（A）人的脑网络可以分为两种状态，整合状态和分离状态。分离状态下，网络内部的连接强；整合状态下，网络间的连接强；

（B）任务的复杂度和网络的整合程度正相关；网络的整合程度与认知任务的表现呈正相关；

（C）脑网络从分离到整合的转变伴随着瞳孔直径的扩张，由于瞳孔直径的变化与蓝斑等活动有关，这意味着脑网络向整合状态转变的机制可能受到生理唤醒（arousal）等反映神经增益的上行神经调节活动调节。

图5  对本文的总结 （Schultz & Cole, 2016）

论文原文：Shine, J. M., Bissett, P. G., Bell, P. T., Koyejo, O., Balsters, J. H., Gorgolewski, K. J., . . . Poldrack, R. A. (2016). The Dynamics of Functional Brain Networks: Integrated Network States during Cognitive Task Performance. Neuron, 92(2), 544-554. doi:10.1016/j.neuron.2016.09.018

相关阅读

感谢支持！欢迎留言、转发、分享！