Science：静息态fMRI可预测任务执行过程中大脑活动的个体差异

我们在感知、思考和行动方式上都有所不同。我们的大脑在解决问题的方式上也有所不同。了解大脑活动的这些个体差异是神经科学的一个重要目标，因为它提供了一条将大脑和行为联系起来的途径。

通常，由实验任务引起的大脑活动的个体差异归因于两个可能的因素。首先，它们可能是由于大脑个体形态的差异造成的。绝大多数大脑成像研究依靠对不同大脑的空间配准过程中的形变程度来解释大体解剖学中被试之间的差异。其次，被试可能使用不同的策略或认知加工，涉及不同的大脑环路。心理学家在设计他们的任务时非常小心，以限制这种可变性的来源。然而，在所有行为领域都可以看到个体差异。在成像研究中，这些被试之间的差异通常被视为“噪音”，并通过平均个体反应的过程来剔除。事实上，人们认为这种个体差异主要是由与行为相关的不稳定因素造成的。

作者假设大脑激活的个体差异是个体固有的特征，并且在很大程度上独立于不稳定因素。他们探讨了当被试在静息态不做任何外显的任务时，在多大程度上任务诱发的大脑活动的个体差异可以通过磁共振成像（MRI）扫描仪获得的大脑功能连接的差异来预测。目标是基于对任何给定被试的一次无任务扫描(即静息时的无约束认知，没有明确的实验任务)，在多个行为领域预测与单个被试的脑图相匹配的几个任务诱发的激活脑图。

作者设计了一套基于回归的模型，利用任务无关的特征来预测个体的任务诱发反应。根据大脑中的功能分化可以通过潜在的远距离大脑连接和相互作用来理解这一假设，作者使用了基于静息态的功能连接的预测因子。从静息态数据中提取的大脑网络在性质上类似于组水平上的任务诱发网络。因此，他们假设，使用静息态的功能连接，可以预测任务反应的个体差异。他们还使用了编码个体大脑形态和微结构的预测因子，总共产生了107个预测因子。所有的预测值都来源于静息态下的被试，独立于任何给定的任务。

注：本文的作者用了107个与特定行为任务无关的静息态功能磁共振数据的特征和结构磁共振数据的特征来预测不同行为领域的任务激活脑图，在实际训练过程中，Y是每个被试在特定任务下的脑激活图，X则是由107个静息态功能磁共振数据的特征和结构特征组成的。作者使用来留一交叉验证的方法来对每一个被试都形成有效的预测，从而可以对每个被试的实际激活图和预测图进行比较。本文发表在Science杂志。

该模型经过训练，可以在每个任务的一组被试中有效预测结果变量和任务激活，随后，将训练模型应用于样本外被试以预测他们的任务激活。作者把重点放在预测大脑皮层的任务激活上，当然，这种方法也可以很容易地扩展到包括皮质下的灰质核团。

这篇文章的数据是人类连接组计划项目(HCP)数据库的子集(98名被试)。选择HCP数据是因为它们包括静息态测量、弥散加权MRI和结构MRI，以及跨几个行为域的任务诱发数据。因此，作者可以使用同一组无任务数据来测试对几个不同任务的预测。HCP任务数据包括七个行为，每个任务集包含与每个任务的不同方面相关的几个统计图。每个被试共有47个独立的任务图谱（z分数）。

作者的目标不是预测被试在特定任务中的平均激活情况，而是预测他们在激活模式上的差异。该模型的这一方面在四种不同的任务条件下进行了说明(图1)。该模型可以根据激活的形状、位置、大小和拓扑特征来预测被试之间的激活差异。在更多的被试和HCP使用的所有行为域中预测的个体差异如图1所示。该模型可以基于单一的无任务数据集，精确地预测所有行为域中的单个任务的变化。

为了得到他们的预测与实际任务图的相似程度，他们将预测图与其实际激活图（图 2A）重叠，比如将其和在语言任务中数学-故事对比的实际激活进行重叠比较。为了进行比较，他们还将相同的被试与标准(即所有人中的中位数)被试的实际激活图重叠。当将特定被试的预测图与他们的实际激活图进行比较时，获得了形态上的最大重叠。作者在模型训练的过程中使用了留一法（leave-one-out approach）：即在训练被试X的预测模型时，模型并未见到过X被试的真实脑激活图。在这种情况下，仅基于静息态连接和脑结构形态特征进行训练的模型对这个被试的激活预测图与真实的脑激活图更相似。可以说明，该模型并没有学习给定任务的激活是什么样子，而是学习了如何从特征(静息态连通性和形态学)映射到单个被试的任务激活图。

图1.预测任务图中的个体差异。图中显示了三个被试和四个不同任务对比的实际和预测的阈值任务图。该模型能够捕捉被试之间在形状、拓扑结构和激活图范围上的显著变化。

图2.个体预测的特异性。一个被试的模型预测图与其实际激活图比其他被试的预测图要更相似。

(A)三个被试语言任务的数学-故事对比度的预测图(在右侧额叶上放大)与他们的实际激活图(顶部)重叠。作者还将被试的预测图与中间被试(底部)的激活图重叠。蓝色表示实际激活，红色表示预测激活，黄色表示重叠。最大重叠是在将给定被试的预测图与他们自己的实际图进行比较时获得的。

(B)实际(列)和预测激活(行)之间的皮尔逊相关矩阵。相关矩阵是明显的对角占优的，这表明平均而言，任何给定被试的模型预测都更类似于被试本身的实际图的映射而不是其他被试的图。这也显示为直方图，其中相关矩阵 (被试X与被试Y)与对角线元素(被试X与被试X)进行比较。垂直虚线对应于沿对角线的相关系数的中值。

(C)六个其他行为域的脑激活图和预测激活图的相关矩阵和直方图。当作者对相关矩阵的行和列进行归一化时，对角线优势更加突出。在所有情况下，两种分布之间的Kolmogorov-Smirnov检验(自身与他人)有非常显著的差异(P<10−10)。

为了定量评估模型的性能，作者估计了所有被试对(无阈值)预测和实际图之间的空间相关性(图2B和C)。矩阵中的每一列（或者说每一行）都是一个被试的任务图与另一个(非对角线)或相同(对角线上)被试的预测图之间的皮尔逊相关性。相关矩阵明显是对角占优的，这表明平均而言，任何给定被试的模型预测与被试自己的实际图比与其他被试的图更相似(参见图2B和C中所示的直方图，比较对角上和非对角线上的条目)。

对相关矩阵的行和列进行归一化(其去除了总体平均相关性，并说明了实际图比预测图更易变的事实)更清楚地显示了对角优势(见图3)。对角优势在所有任务和对比度图中都很明显，除了一张对比度图(赌博奖励)。出现这种情况的原因是，这种对比度的激活仅限于皮质下灰质，而作者的模型只对大脑皮层做出预测。从总体上来看，该模型的泛化能力超出了模型中用于训练的被试的范畴，这一点具有重要的意义。这可以在以后将它用于预测没有可用的任务数据的个体(例如，不能执行任务的患者)的激活情况。

图3.获取定性和定量的个体间差异。

(A)模型预测了位置、形状和拓扑的变化(对比：语言任务中的数学-故事)。

(B)计算每个大脑半球的Z分数峰值，以检验该模型预测每个被试激活量的准确性。然后为每个被试计算预测数据和实际数据的偏侧化指数(右侧和左侧峰值激活水平之间的差值)，并分别显示为红色和蓝色条(语言任务)。该模型能够预测个体被试在两种对比度下的偏侧化指数，包括大多数被试都是左侧化的情况。统计检验：数学-故事[相关系数(r)=0.47，P<10−5]，故事-数学(r=0.48，P<10−6)。

该模型可以精确地捕捉个体间的交互。这种变化的原因是什么？个体被试的功能性大脑区域在大小、位置和形状上有很大的不同。例如，初级视觉皮层可以在表面积上变化(不同被试之间)两倍或更多。这种可变性仍然允许对被试的大脑区域进行一对一的映射，前提是单个区域可以在单个被试中进行映射。但是另一种类型的变化是地形可变性，例如，这意味着不同的受试者被试可能有不同的活动模式，被试之间没有明显的一一对应关系。这两种类型的可变性(形状或大小对地形)都可以通过该模型获得(图3A)。请注意，地形可变性不能用被试之间的空间对齐来解释，因此，比较或平均被试在具有不同脑地形时的激活是一个开放的过程。事实上作者可以从无任务的数据中预测这种变化，这可能会使在不同被试之间匹配大脑网络(而不是大脑区域)的新策略成为可能。

作者的模型还可以预测脑活动在不同系统中的分布，例如在半球偏侧化的情况下。功能的偏侧化常见于语言领域，但也常见于注意力加工。他们的模型可以预测语言任务中个体之间的这种差异，如图 3B 所示。根据预测和实际数据估计了一个偏侧化指数，定义为右半球和左半球峰值Z(在预测峰值周围半径为10 mm的球体上平均)之间的差值。该模型能够准确预测个体被试的偏侧化指数。他们还预测了同一任务的两个不同的对比(数学-故事和故事-数学)，前者倾向于在左右两侧的个体中表现出大致相等的分布，而后者显示了更多的左侧化的被试。该模型可以获取到语言偏侧化的趋势，即使对于少数右侧化的被试也是如此。

该模型还可以预测非典型激活。在图4中作者展示了被试的5种不同的行为域的例子，这些行为域或符合或不符合大部分被试的模式。该模型预测了平均未激活区域的激活。也正确预测了平均激活区域中没有激活的部分（个体在真实情况下激活了，但平均激活区域没有，即个体差异比较大的区域）。

图4.在非典型被试中的预测。该图展示了当被试与组平均激活不同时，作者的预测模型能够检测被试之间的可变性。在每一行中，左侧显示每个行为域的组激活，右侧显示两个被试的实际激活和预测激活。在每一行中，显示了一个被试(A)的激活和预测，其激活类似于组激活，而另一个被试(B)的激活与组激活不同，如黑色圆圈所示。该模型可以捕捉组中不活动的团块的存在(第1、4和5行)，以及组中不存在活动的cluter(第2和3行)。注意，被试A和B在行为领域中不是同一对被试。

总体而言，一组简单的模型被训练来学习无任务和任务诱发的图之间的映射，可以用来准确地预测激活图在广泛的行为域中的个体差异。预测图甚至与大脑活动的空间布局中巨大的个体差异相匹配，包括功能激活的位置、形状、大小和脑地形(例如，活动是局部的还是分散的，或者它是由单个区域还是多个子区域组成)。

该模型还可以根据无任务数据集预测给定任务中激活量的个体差异。该模型主要使用静息态连通性，此外还有一些获取局部形态和微观结构的结构特征。平均而言，在所有任务中，除了皮质下连接特征外，所有特征都参与了预测。虽然模型利用了结构特征，但删除它们并不影响模型的性能，而使用纯粹基于结构特征的模型则消除了预测中的个体间可变性。这表明，静息态连通性本身就足以预测任务图中的个体可变性，而不依赖于所捕捉到的少数结构特征的形态变化。然而，静息态数据也可能间接捕获额外的解剖学可变性。

为什么作者可以从静息状态数据中预测任务诱发的活动？静息态网络和组水平的任务网络之间的良好匹配已经展示出来了，其中有人认为功能网络在静息态不断地相互作用，具有与在行动和认知加工中看到的相同的功能层级。他们的模型提供了从静息态数据到任务图的显式映射，证实了这一假设，但重要的是要考虑对结果进行其他解释。单独使用解剖学时，被试之间的排列可能不是最优的。因此，模型可能解释了被试之间的功能失调。模型不仅跟踪功能区域的位置和形状的变化，而且捕捉个体被激活的大脑网络拓扑的变化，并可以预测非典型被试的激活。因此，在保持大脑拓扑结构的同时对齐被试的标准方法不太可能修复这些类型的错位。作者的模型可以根据单个被试在任务期间显示的活动量做出定量预测。这样的预测不太可能是出于失调的考虑。静息态数据可以提供对血氧水平依赖(BOLD)信号进行“校准”的手段。然而，预测值是基于连通性的测量，而不是原始的BOLD信号强度本身[尽管信噪比仍可能影响静息态的功能连通性]。

确定静息态信号中的哪些信息在驱动预测，对于理解它的性质和潜力将是重要的。因为在这项研究中使用的所有预测都是基于静息态获得的扫描，作者的模型对被试在执行给定任务时选择的不同策略是盲目的。他们将这些特征称为“固有的”，但也得承认，这些特征可能是“结构固有的”(与大脑组织和连接有关)，也可能是“功能固有的”(与被试在静息态扫描时的认知状态有关)。

大脑连通性可以预测激活的想法之前已经在不同的模式中报道过，其中弥散磁共振成像被用来测量连通性。最近，静息态的连通性被证明可以预测被试的身份，就像指纹一样。这篇文章的目标不是简单地识别被试，而是预测每个被试的大脑活动的整体布局。此外，作者还打算通过一次无任务扫描来预测许多不同认知域的脑活动的拓扑特征，包括那些表现出与组平均水平不同的激活模式的被试(当大多数训练被试都是左侧化的时候，最引人注目的可能是右侧化的被试)。

总结：

总而言之，该框架在基础研究和神经科学领域具有重要的实践意义。它提供了一种基于单次静息态扫描来推断多个个性化功能定位器的方法。这样的工具可以用来详细研究局部大脑区域的反应轮廓，而不需要获取通常很耗时的任务定位。如果这种工具可以推广到组成HCP数据库的年轻、健康的人群之外，就可以用来研究不能执行任务的被试的功能区，比如婴儿或瘫痪患者。

如需原文及补充材料请添加思影科技微信：siyingyxf或18983979082获取,如对思影课程及服务感兴趣也可加此微信号咨询。另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布，如果我们的解读对您的研究有帮助，请给个转发支持以及右下角点击一下在看，是对思影科技莫大的支持，感谢！

Science：静息态fMRI可预测任务执行过程中大脑活动的个体差异相关推荐

linux脚本执行过程中被挂起,Linux学习笔记（八）——脚本执行的过程控制
一.脚本执行过程中的控制之前的内容中,运行编写好的脚本时都是在命令行上直接确定运行的,并且运行的脚本是实时的,这并不是脚本唯一的运行方式,下面的内容是脚本的其他运行方式.例如在Linux系统中如何控 ...
Sql Server 因为触发器问题导致数据库更新报错“在触发器执行过程中引发了错误，批处理已中止”的问题处理...
在维护一个非常旧的项目时,由于该项目版本已经非常老了,而且在客户现场运行的非常稳定,更要命的是本人目前没有找到该项目的代码,为了处理一个新的需求而且还不能修改程序代码,于是决定从数据库入手,毕竟该项目 ...
在动作观察，运动想象和站立和坐姿执行过程中解码脑电节律
事件相关去同步化与同步化(ERD/S)和运动相关皮质电位(MRCP)在下肢康复的脑机接口(BCI)中,特别是在站立和坐姿中,起着重要的作用.然而,人们对站立和坐着的大脑皮层活动的差异知之甚少,尤其是大 ...
java 方法执行结束局部变量释放_JAVA-方法在执行过程中，JVM的内存分配和变化情况，栈（stack）的情况浅析...
方法在执行过程中,在JVM中的内存是如何分配的?内存是如何变化的? 一.方法只定义不调用,是不会被执行的,并且在JVM中也不会给该方法分配"运行所属"的内存空间.只有在调用这个方法 ...
python 利用pyinstaller 编译.exe文件过程中编写完的.exe文件执行过程中闪退
问题描述: python 利用pyinstaller 编译.exe文件过程中编写完的.exe文件执行过程中闪退,并提示no module named 'pyproj.datadir' 解决方法: 闪退 ...
对下图所示的连通网络G,用克鲁斯卡尔(Kruskal)算法求G的最小生成树T,请写出在算法执行过程中,依次加入T的边集TE中的边。说明该算法的基本思想及贪心策略,并简要分析算法的时间复杂度
对下图所示的连通网络G,用克鲁斯卡尔(Kruskal)算法求G的最小生成树T,请写出在算法执行过程中,依次加入T的边集TE中的边.说明该算法的基本思想及贪心策略,并简要分析算法的时间复杂度
一个进程在执行过程中可以被中断事件打断_Linux操作系统：中断类型和中断的作用...
1．中断的概念中断对于操作系统非常重要,它就好像机器中的齿轮,驱动各部件的动作.所以,许多人称操作系统是由"中断驱动"的. 所谓中断是指CPU对系统发生的某个事件做出的一种反应, ...
VBA代码执行过程中，显示程序的运行状态
VBA执行过程中,显示状态栏 Application.StatusBar = "文件1作成開始" 非常有用,当程序效率低时,让我们知道程序执行到何种程度
Pytest----pytest-sugar 执行过程中显示进度条
[原文链接]Pytest----pytest-sugar 执行过程中显示进度条 Pytest-sugar是一款用来改善控制台显示的插件,增加了进度条显示,使得在用例执行过程中可以看到进度条,而且进度条 ...

Science：静息态fMRI可预测任务执行过程中大脑活动的个体差异

Science：静息态fMRI可预测任务执行过程中大脑活动的个体差异相关推荐

最新文章

热门文章