《NeuroImage》：Amplitude-Conditioned Brain Dynamics Reveal Widespread Negative Modulation and Targeted Positive Modulation of Functional Networks
编辑推荐：
•振幅变化调制全脑功能连接（functional connectivity, FC）。
•脑网络表现出广泛的负向调制，但仅呈稀疏、靶向的正向调制。
•时空聚合可将动态特征稳定为可靠特质。
•振幅变化调制全脑功能连接（functional connectivity, FC）。
•脑网络表现出广泛的负向调制，但仅呈稀疏、靶向的正向调制。
•时空聚合可将动态特征稳定为可靠特质。
研究背景：人脑是由相互作用的区域构成的复杂网络，功能连接（functional connectivity, FC）通常定义为区域神经信号间的统计依赖，是刻画大尺度脑组织的主要框架。传统范式多依赖成对（二元）交互和静态功能连接组，难以刻画两区域关系随第三区域状态变化的纠缠架构。虽有高阶交互、动态因果建模（Dynamic Causal Modeling, DCM）、心理生理交互（Psychophysiological Interaction, PPI）及静息态PPI（resting-state PPI, rs-PPI）等探索，但rs-PPI依赖单一、对称的线性交互项，存在方向模糊，难以系统刻画所有调制器–边组合的条件关系形状、异质性和非线性结构。动态功能连接（dynamic functional connectivity, dFC）按时间窗追踪变化，却未锚定特定生理事件；拓扑高阶FC、元连接性和边中心方法亦未参数化三元调制门控。为此，研究人员提出以自发血氧水平依赖（blood oxygen level-dependent, BOLD）信号瞬时振幅为条件变量的全脑非线性状态依赖条件连接框架，旨在以平稳零模型评估动态特征、绘制振幅条件调制拓扑、评估时间整合对重测信度的剂量效应，并用正则化预测建模检验其行为相关性；其意义在于提供统一的全连接组映射框架，同时明确其反映统计条件依赖而非因果或直接神经兴奋/抑制。
关键技术方法：基于人类连接组计划（Human Connectome Project, HCP）WU-Minn Consortium的“100 Unrelated Subjects”队列；重测分析纳入HCP Retest中8名与无关系样本重叠的被试。静息态功能磁共振成像（functional magnetic resonance imaging, fMRI）重复时间（repetition time, TR）0.72 s、每session 1200时间点；采用Schaefer 2018 200分区并按17网络组织。对每个调制节点按振幅排序并均分为20个分位箱，每箱60 TR，计算其余节点对静态Pearson相关，形成调制谱；提取方差（敏感性）、斜率（极性）、过零率（Zero-Crossing Rate, ZCR；波动性）和贝叶斯信息准则（Bayesian Information Criterion, BIC）选择的多项式阶数（非线性复杂度）。以随机分箱、多元高斯和迭代振幅调整傅里叶变换（Iterative Amplitude Adjusted Fourier Transform, IAAFT）零模型比较，并以静态FC和一阶自相关（lag-1 autocorrelation, AR1）残差化控制；用组内相关系数（Intraclass Correlation Coefficient, ICC(2,1)）评估信度；以岭回归重复10折交叉验证预测五因子行为表型。
3.1 动态调制特征的拓扑及对零模型的偏离：通过将高维个体张量聚合为群体拓扑图，发现调制特征呈非均匀空间分布并锚定内在架构；斜率/极性显示负向调制占优，方差和ZCR在初级感觉系统较高。通过与随机分箱、多元高斯和IAAFT替代比较，Slope和非线性复杂度与平稳替代对应较弱，Variance和Volatility随空间聚合与平稳模型对应增强，且经验动态调制幅度总体超过线性高斯预测。回归残差化显示静态FC解释Volatility 48.0%、Variance 13.4%、Slope 1.3%、非线性复杂度0.8%，AR1增量0.9%–3.2%；残差化后Slope在原始和网络水平保持高对应（r=0.97、0.98），Variance节点水平r=0.90，ZCR有限（r=0.27–0.41），非线性复杂度弱（r=-0.02–0.22）。结论是振幅条件调制与常规信号结构的关系依赖指标和尺度。
3.2 动态调制的拓扑：广泛负向调制与靶向正向调制：通过节点水平和17×17网络目标敏感性矩阵评估极性，发现负向调制能力远大于正向：负向调制最强节点（如Precuneus和extrastriate visual areas）在高振幅偏移时抑制超过7,500–8,200条边，最大正向调制仅约2,200条边；正向效应稀疏，主要集中于初级感觉运动与视觉网络内连接；网络特异分解显示默认模式网络（Default Mode Network）作调制器时可选择性增强特定跨网络通路并抑制无关感觉串扰。通过全局调制强度（平均方差）和调制多样性（方差Shannon熵）分析，初级视觉/感觉运动强度最高，低熵“targeted specialists”包括Precuneus、顶下小叶（Inferior Parietal Lobule, IPL）和特定VisualC节点，高熵“global broadcasters”位于突显/腹侧注意网络（Salience/Ventral Attention network）及特定Somatomotor节点；非线性足迹在extrastriate Visual和Somatomotor最高，连续非线性指标与离散患病率图相关ρ=0.456。结论是负向调制广泛，正向调制稀疏、靶向且受网络分解影响。
3.3 时空聚合提高重测信度并使动态特质与静态骨架分离：通过ICC(2,1)多水平可靠性分析，原始边水平个体差异可靠性极低（如Slope ICC=0.09），但群体水平相关高（r=0.68）；空间聚合至节点水平显著恢复个体特质（如Variance ICC由0.07升至0.59），Edge-in-Network水平ICC约0.15–0.41且一般低于节点水平。时间整合呈剂量效应，整合60 min后网络水平Variance ICC=0.82、节点水平Slope ICC=0.64。结论是空间压缩和时间整合可将瞬态动态稳定为可靠特质，节点全局调制能力较稳定，具体网络靶向交互更状态依赖。
3.3.1 可靠性与平稳信号结构的关系：通过替代和残差化分析，静态FC对Volatility解释较高（48.0%）、Variance中等（13.4%）、Slope和非线性复杂度低（1.3%、0.8%）；AR1增量小；残差化后Slope保持强空间对应，而Volatility和非线性复杂度较弱。结论是聚合后信度提升不能统一归因于静态结构，部分特征与稳定协方差和时间结构相关，部分不易由这些因素解释。
3.4 分箱参数与策略的稳健性：通过改变分箱数K=10/5、滑窗振幅和均匀振幅分箱比较拓扑，基线K=20与K=10群体指标r>0.88，与滑窗r>0.90；均匀分箱导致拓扑一致性下降，近20%极端箱缺乏有效相关估计所需帧；非线性复杂度对参数最敏感。结论是宏观拓扑对分箱分辨率和边界离散化稳健，但极端状态采样和非线性离散化需谨慎。
3.5 动态调制特质为特定潜行为表型提供互补预测价值：通过岭回归重复10折交叉验证和1,000次置换，比较动态特质与静态FC对五因子预测。静态FC对认知（Cognition）有强基线（r=0.20）；Edge-in-Network水平动态特质显示选择性优势：Internalizing静态FC r=0.00，而Slope r=0.25（p
chance=0.024）、Variance r=0.20（p
chance=0.065）；Well-Being中Variance r=0.27（p
chance=0.018）高于静态基线r=0.09；Processing Speed中ZCR r=0.19（p
chance=0.062）高于0.12。配对置换对静态基线多为趋势水平（如Slope预测Internalizing配对p=0.085；Variance预测Well-Being配对p=0.112）。结论是动态调制特征对特定情感表型具互补预测价值，但样本量限制使结果具探索性。
讨论部分总结：讨论指出，负向调制广泛可能支持功能分化、限制过度同步并保留系统间差异，稀疏正向调制可能作为靶向控制机制；正向调制在网络特异分解下更丰富。调制多样性区分“global broadcasters”和“targeted specialists”，前者与全局唤醒/警觉相关，后者利于内部定向过程或特定感觉通路。聚合以及非线性/波动指标与静态FC、AR1关系异质，ZCR因零点边界对相关分布敏感，不宜视为纯高阶交互。行为预测提示一般认知更贴近静态硬件，情感和内部化困扰可能与动态灵活性和瞬时负向调制能力相关。限制包括振幅排序对与调制器共线节点的方差抑制、IAAFT对应、小样本N=100、非线性阶数离散BIC敏感、BOLD振幅混杂及未做全局信号回归（Global Signal Regression, GSR）。
研究结论翻译：总之，研究人员提出了一种条件化、振幅依赖框架，揭示人脑存在不对称、层级组织的调制拓扑。尽管时空聚合成功将这些动力学稳定为具有行为相关性的特质，尤其对情感表型，但研究结果也突显一个关键方法学悖论：宏观动态特征可能仍紧密依附于连接组的静态与频谱支架。未来研究须谨慎处理这些分析边界，以分离脑动力学的真正非线性成分。
