编辑推荐：
为解决大脑内部状态变化难以发现和表征的问题，研究人员开展感知决策任务相关研究，发现同一任务存在多种大脑激活模式，且有一种涉及 DMN 激活。该研究成果有助于深入理解大脑认知过程，强烈推荐科研读者阅读。
在神经科学的研究领域中，大脑活动一直是科学家们重点关注的对象。我们都知道，大脑就像一台极其复杂的超级计算机，指挥着我们的一举一动、一思一念。当我们面对同样的刺激或执行相同的任务时，大脑活动却存在着巨大的差异。这种差异不仅体现在单个神经元上，还表现在大规模的脑网络层面，并且对我们的认知和行为有着深远的影响，无论是在社交场合的表现、经济决策的制定，还是低层次的感知过程中，都能看到它的影子。
然而，传统的研究方法在探索大脑活动时，存在着一定的局限性。以往的标准分析往往致力于找出所有试验中任务诱导的大脑活动变化，就好像在一群人中寻找大家都有的共性特征一样。这种方法在研究诸如面部感知、记忆、导航等众多任务时被广泛应用，其背后的假设是大脑对刺激或任务的反应存在一种单一的激活模式。在功能磁共振成像（fMRI）研究中，通常会采用标准的一般线性模型（GLM）分析来确定这种模式，在这种情况下，试验之间的大脑活动变化常常被当作无意义的噪声忽略掉。
但实际上，大脑活动的变化真的只是噪声吗？越来越多的研究表明，事实并非如此。fMRI 中的血氧水平依赖（BOLD）信号在空间和时间上都具有可变性，这种可变性很可能源于大脑内部有意义的处理过程，而不仅仅是噪声。并且，有研究假设，由于大脑的某种特性（如简并性），一个认知过程或许可以通过多种途径来完成。就好比从家到学校，可能有多条路线可以选择，只不过这些多种途径在健康个体中尚未被明确识别出来。
为了深入探究这个神秘的大脑世界，解开大脑活动变化的谜题，来自 [第一作者单位] 的研究人员进行了一系列研究，并将成果发表在《Nature Communications》期刊上，论文题目是《Multiple distinct brain activation patterns underlie the same perceptual decision-making task》。他们发现，完成相同的感知决策任务可以通过多种大脑激活模式来实现，而且其中一种模式还涉及到默认模式网络（DMN）的激活，这一发现打破了以往人们对大脑活动的认知，具有重要的意义。
研究人员在此次研究中，运用了多种关键技术方法。首先，利用功能磁共振成像（fMRI）技术记录大脑在执行任务时的活动情况。然后，借助一种基于模块化最大化的聚类算法对试验进行分类。这种算法就像是一个智能的分类器，能够根据试验间大脑活动的相似性，将众多试验分成不同的类别，帮助研究人员找出不同的大脑激活模式。此外，还使用了一般线性模型（GLM）分析，来确定任务相关的大脑激活区域，以及研究不同试验类型与大脑激活之间的关系。
下面我们来详细看看研究人员都发现了什么。
- 大脑活动在个体试验间的差异：研究人员对三个感知决策任务进行了研究。在实验 1 中，通过标准的 GLM 分析，他们观察到在执行任务时，视觉和运动皮层的活动增加，而眶额叶皮层和后扣带回皮层的活动减少。然而，当他们仔细观察单个试验时，却发现了惊人的差异。比如，在对实验 1 的分析中，用 GLMsingle 估计的单试验 beta 反应与群体平均结果大相径庭。就像实验 1 中，受试者 1 的试验 2 在后扣带回皮层和眶额叶皮层都显示出强烈的正向活动，而试验 6 的激活模式却与群体平均图相似，这两个区域呈现出负向活动。这就好像在一个班级里，大家虽然都在做同一件事，但每个人的表现却各不相同。
- 感知决策过程中多种不同但稳定的试验亚型：单试验的激活情况可能存在噪声，难以解释，但不同试验间大脑活动与群体平均图的差异，让研究人员猜测在执行任务时可能存在多种大脑激活模式。为了验证这一猜测，他们采用数据驱动的分类方法，对所有试验的大脑活动进行聚类分析。结果在实验 1 中发现了三种不同的试验亚型，每个亚型在所有受试者和不同刺激条件下都存在，并且各自占总试验数的比例大致相同。进一步研究这些亚型的激活模式，发现亚型 1 和 2 在一些区域的激活情况有相似之处，但也有不同，比如亚型 2 在脑岛有强烈的双侧激活，而亚型 1 在脑岛是双侧失活。最令人惊讶的是亚型 3，它在默认模式网络（DMN）有强烈激活，而在一些任务积极区域则表现为失活。在实验 2 和实验 3 中，研究人员也进行了同样的分析，同样发现了多种激活模式，并且在每个实验中都有一种模式与 DMN 的激活相关。这就好比在一场比赛中，虽然大家的目标相同，但却有不同的比赛策略和表现方式。而且研究人员还发现，不同亚型的存在并非是因为个体差异，每个受试者都有相当比例的试验属于不同的亚型。此外，通过对不同大脑网络的分析，他们发现不同亚型在各个大脑网络的激活程度也有所不同。
- 试验亚型的稳健性：为了确保这些发现的可靠性，研究人员进行了一系列验证实验。他们首先检查了聚类结果是否依赖于聚类算法的方法选择，发现当改变分辨率参数 γ 时，在一定范围内（0.8 - 1.01），聚类得到的核心亚型数量是稳定的。较高的 γ 值虽然会导致更多的聚类，但只是将部分试验从主要亚型中分离出来，并没有产生本质上不同的亚型。接着，研究人员为了确认结果不受数据噪声的影响，进行了多种分析。他们将受试者分成两半，分别进行聚类分析，然后用支持向量机（SVM）分类器预测另一半数据的标签，结果 SVM 分类器平均能正确标记 87.2% 的试验，而基于实验条件进行分类的 SVM 分类器却只能随机猜测。同时，研究人员还发现试验亚型与头部运动等噪声因素没有明显关系，即使使用不同的分析方法（如用 200 个脑区的平均激活进行聚类分析），结果依然相似。最后，研究人员证实了实验因素（如受试者年龄、性别、试验顺序等）也不会导致试验间的激活差异。这些结果表明，研究中发现的多种激活模式是真实存在的，并非由一些无关因素导致的。
- 不同亚型之间的行为差异：找到了不同的试验亚型后，研究人员开始研究它们对行为表现的影响。通过混合效应模型分析，他们发现不同亚型在反应时间（RT）和自信程度上存在显著差异，但在准确率上的差异并不明显。比如在实验 1 中，亚型对反应时间和自信程度有显著影响，但对准确率影响不显著；在实验 2 中，与 DMN 激活相关的亚型 3 反应时间最快；而实验 3 中，不同亚型在准确率和反应时间上没有显著差异。此外，研究人员还发现，将试验进行聚类分析后，能提高大脑活动与行为之间关系的敏感性。这意味着，不同的大脑激活模式确实会影响我们的行为表现，而且通过更细致的分类，我们能更好地理解大脑与行为之间的联系。
- 亚型激活的潜在机制：研究人员还深入探究了不同亚型之间的转换概率和潜在机制。他们发现，特定亚型的试验更有可能被同一亚型的试验所跟随，这表明这些亚型反映了潜在认知过程的缓慢变化。此外，通过构建模型，他们发现大脑的全局激活主要由少数几个网络的刺激驱动。这就像是在一个复杂的系统中，虽然各个部分都在运作，但起关键作用的可能只是其中的几个核心部分。
- 跨试验一致激活的脑区：除了关注试验间的差异，研究人员还研究了跨试验的共同之处。通过特殊的分析方法，他们找到了一些在所有试验中激活方向始终一致的脑区。在视觉和左运动皮层，他们发现了持续的激活，而在一些区域，如内侧躯体运动皮层、右运动皮层和双侧颞叶皮层，则存在持续的失活。这说明，即使存在不同的试验亚型，但大脑在执行任务时，某些基本的激活模式还是相对稳定的。
- 扩展到工作记忆任务：研究人员并不满足于在感知决策任务中的发现，他们还想知道在其他认知任务中是否也存在多种激活模式。于是，他们分析了人类连接组计划中 n - back 任务的数据。在这个任务中，受试者需要完成 0 - back 和 2 - back 的试验。通过同样的聚类分析方法，他们发现了三种试验亚型，但其中两种较为相似，第三种可能是由运动伪影导致的。这表明，虽然多种激活模式在一些任务中存在，但并非在所有任务中都会出现。
综合以上的研究结果，研究人员得出结论：在感知决策任务和工作记忆任务中，都存在多种不同的大脑激活模式，这意味着大脑在完成任务时可能采用了多种独立的途径。这一发现意义重大，它挑战了传统观念中认为默认模式网络（DMN）在需要外部聚焦注意力的任务中应该被抑制的观点。因为研究中发现，在感知决策任务中，竟然有一种试验亚型显示出 DMN 的强烈激活，而且这种亚型在行为表现上与其他激活任务积极区域的亚型相似。这让我们重新思考 DMN 在任务执行过程中的作用，它可能并不只是简单的 “任务消极” 网络。同时，这也为我们理解大脑的认知过程提供了新的视角，大脑可能就像一个充满智慧的旅行者，在完成任务时可以根据不同的情况选择不同的 “路线”，也就是不同的大脑激活模式。不过，这项研究也存在一些局限性。例如，目前还不清楚为什么不同实验中的亚型会存在差异，而且虽然知道亚型反映了不同的认知过程，但具体是什么过程还难以确定。未来的研究可以针对这些问题进一步探索，相信会为我们揭示更多大脑的奥秘。
