空间任务指令与全局激活趋势对皮质伸手网络功能模块化的影响

本研究针对人类如何根据任务指令（自我中心编码vs.地标中心编码）整合视觉线索与运动计划信号以影响全脑网络特性的问题，通过图论分析（GTA）fMRI数据，发现自我中心（Egocentric）任务形成四个双侧模块，而地标中心（Allocentric）任务则整合为三个模块，并招募额外枢纽（Hubs）负责视觉编码与自我-地标整合。去除伸手相关激活趋势后，全局同步性（global synchrony）降低而聚类（clustering）增加，模块化（Modularity）被证实是预测任务与行为指标的最佳参数。该研究揭示了任务指令通过调节中间/局部网络属性（如模块化整合与枢纽招募）影响空间信息处理，对理解大脑网络在复杂行为中的动态重组具有重要意义。

　　

在日常生活中，人们能够轻松地伸手取物，这背后涉及复杂的大脑空间信息处理过程。当我们看到一件物体时，大脑需要判断它的位置——是以自我为中心（Egocentric，例如“在我右前方”），还是以环境中的地标为参照（Allocentric，例如“在杯子右边”）。这两种编码方式依赖于不同的神经通路：自我中心编码主要涉及背侧视觉流（dorsal stream），而地标中心编码则更多涉及腹侧视觉流（ventral stream）。然而，当任务指令要求我们忽略地标或使用地标进行瞄准时，大脑如何动态整合这些信息？全局的脑激活趋势（如运动计划引起的广泛BOLD信号上升）又在其中扮演什么角色？这些问题尚未得到充分解答。

为了深入探究任务指令和全局激活趋势如何影响大脑网络的功能组织，研究人员对先前已发表的fMRI数据集进行了图论分析（Graph Theory Analysis, GTA）。该研究聚焦于自我中心与地标中心两种指向任务，旨在对比不同空间参考框架下大脑网络的全局参数、模块化结构和关键枢纽节点。研究结果发表于《NeuroImage》杂志。

研究人员主要运用了功能磁共振成像（fMRI）技术采集脑活动数据，并采用图论分析（GTA）方法构建功能网络。数据分析包括：基于Schaefer-Yeo图谱定义200个感兴趣区域（ROIs）作为网络节点；提取对比度缩减时间序列以隔离任务相关信号；应用线性去趋势处理以分离全局激活趋势的影响；计算聚类系数（Clustering Coefficient, CC）、全局效率（Global Efficiency, EF）、能量（Energy, E）等全局网络参数；采用Newman模块化算法识别功能模块；使用特征向量中心性（Eigenvector Centrality）和介数中心性（Betweenness Centrality）识别网络枢纽（Hubs）；最后利用支持向量机（SVM）进行任务解码和线性回归分析行为预测。

3.1. 全脑分析：皮质趋势介导全局网络参数

研究发现，去除数据中的线性趋势后，网络的聚类系数显著上升（t(22)=3.64, p=0.0034），能量（同步性）显著下降（t(22)=5.20, p=0.0002），但全局效率未受显著影响。这表明全局激活趋势有助于维持大规模网络同步，而去趋势操作增强了局部聚类并减少了全局整合。

3.2. 中间水平分析：行为影响信号模块化

模块化分析显示，自我中心任务形成四个双侧模块：上枕顶叶/躯体运动模块（模块1）、下顶叶/外侧前额叶模块（模块2）、上颞叶/下前额叶模块（模块3）和下枕颞叶/前额叶模块（模块4）。地标中心任务则整合为三个模块，其中腹侧视觉节点（原模块4）被并入背侧模块（模块1）和颞叶模块（模块3）。去趋势后，地标中心网络恢复为四个模块，背腹侧整合减弱。量化分析表明，自我中心任务在下顶叶/外侧前额叶模块（模块2）模块化更高（t(22)=4.43, p=0.0008），而地标中心任务在上颞叶/下前额叶模块（模块3）模块化更高（t(22)=4.00, p=0.001）。

3.3. 局部分析：自我中心与地标中心脑网络的枢纽性

枢纽分析发现，自我中心任务的局部枢纽（特征向量中心性）主要位于后部顶叶和枕叶区域（如SPL、PC、ExStr）。地标中心任务招募了更多枕叶枢纽（如ExStrInf、ExStrSup）以及前部枢纽（如PFCl、PFCd、FEF）。全局枢纽（介数中心性）在地标中心任务中增加，主要位于颞叶模块（如TempPar）和腹侧视觉皮层。任务间对比显示，地标中心任务在广泛区域（如OFC、Ins、IPL、SomMotA）表现出更高的特征向量中心性和介数中心性。

3.4. 从网络参数解码任务

支持向量机（SVM）分类显示，基于模块化参数（尤其是模块2和模块3）可高精度区分自我中心与地标中心任务（原始数据准确率85.7%，去趋势数据87.7%）。模块化是区分任务的最重要参数（Kruskal-Wallis重要性评分138.72和107.85），而全局参数贡献较小。

3.5. 从网络参数预测行为

线性回归分析表明，模块化与行为误差显著相关：模块2模块化与地标中心任务的恒定误差负相关（β=-7.57, p=0.014），模块3模块化与自我中心任务的恒定误差负相关（β=-6.17, p=0.015）。模块1模块化与两个任务的变量误差负相关（自我中心β=-7.93, p=0.015；地标中心β=-4.36, p=0.033），能量（同步性）与地标中心任务的变量误差负相关（β=-11.92, p=0.006）。

研究结论与讨论部分强调，任务指令（自我中心vs.地标中心）通过调节网络模块化和枢纽招募影响空间信息处理。地标中心指令导致背腹侧视觉流整合、前部枢纽招募增加以及全局网络整合增强，反映了该任务对视觉配置计算、认知控制和自我-地标整合的更高需求。全局激活趋势（如运动计划相关的广泛BOLD上升）在维持大规模同步和跨模块通信中起关键作用，而去趋势操作揭示了更特定的任务相关功能分离。模块化被证明是区分任务和预测行为表现的最敏感指标。

该研究的意义在于揭示了大脑功能网络在任务指令下的动态重组机制，提供了从全局到局部水平理解空间认知神经基础的新视角。结果支持了背侧流作为默认感觉运动转换器但受其他输入调制的模型，并表明事件相关连接分析可作为神经疾病诊断的强大工具（如阿尔茨海默病或精神分裂症中的网络模块化破坏）。此外，研究方法（fMRI与GTA结合）为未来研究复杂行为的大脑网络组织提供了可推广的框架。