负性情绪倾向（dispositions towards negative emotions）的功能神经生物学（The functional neurobiology of dispositions towards negative emotions）

《Nature Communications》：The functional neurobiology of dispositions towards negative emotions

　　

摘要：个体在体验负性情绪（negative emotions）的倾向性上存在差异，这种变异性主要由广义心理学构念（construct）如神经质（Neuroticism，其面包括焦虑、抑郁和应激易感性等）所捕捉。尽管证据不一致，杏仁核（amygdala）和显著网络（salience network）一直被假定为这类倾向性的神经基础。研究人员预先注册（preregistered）了对上述假设及其他竞争性假设——辅以理论无关（theory-agnostic）机器学习预测——的全面检验，使用两种最常用的情绪神经影像任务（场景与面孔；N＝338/424）中的神经反应数据。含贝叶斯因子（Bayes factors）的证据表明，神经质与任何脑区、网络、情感特征模式（affective signature）或机器学习模式（包括杏仁核）均无关联。然而，全脑机器学习模式稳健地预测了神经质面应激易感性（stress vulnerability；r＝.21），并在独立数据集中得到复现（r＝.19）。预测性能最强依赖于体感运动网络（somatomotor network）和视觉网络（visual network），而非显著网络脑区，将应激易感性联系至皮层感知—动作系统（cortical perception–action systems）。结合涵盖14个特质构念和1176个模型的多重宇宙分析（multiverse analysis），研究结果表明从常见情感任务的大脑反应预测情绪倾向性具有高度选择性；同时凸显了构念与任务选择的重要性，并对最常用神经标记物（包括杏仁核及显著网络反应）的作用提出了挑战。

论文解读：《Nature Communications》——负性情绪倾向的功能神经生物学

一、研究背景与立题依据

负性情感性（negative affectivity/negative affectivity），在人格与精神病理学模型中又称神经质（Neuroticism）或负性情感（Negative Affect），是理解情绪障碍及一般幸福感的核心维度。传统情感神经科学大量基于负性情绪状态（state）的研究发现杏仁核（amygdala）、前岛叶（anterior insula）、背侧前扣带皮层（dorsal anterior cingulate cortex, dACC）及显著网络（salience network，即腹侧注意网络 ventral attention network）对负性刺激有激活，因此常被推论这些区域/网络的"过度激活"也构成负性情绪特质（trait，即个体间稳定差异）的神经基础。然而，从状态推及特质存在跨层次推断风险（Simpson's paradox等），且既往元分析并未在健康人群维度性神经质与这些经典"情感热点区"间发现稳健关联。与此同时，大样本研究显示基于静息态或结构像预测个体特质差异效力有限。鉴于负性情感性特质在精神病维度分类（RDoC, HiTOP）中的重要地位，有必要在使用最广泛情绪范式（负性场景与面孔观看）中，以大样本、预注册设计、多层次神经指标（单区域—大规模网络—已验证情感神经特征 affective neural signatures—数据驱动全脑机器学习）系统检验"神经质关联于杏仁核/显著网络激活"这一经典假设，并探索是否存在可预测的特质面（facet）。

二、主要关键技术方法概述

研究人员采用美国匹兹堡成人健康与行为项目（Adult Health and Behavior project, AHAB-2）及匹兹burgh影像项目（Pittsburgh Imaging Project, PIP）社区队列，最终纳入场景任务N=338、面孔任务N=424，具美国人口代表性神经质分数分布。被试完成两种任务态fMRI：负性/中性国际情感图片系统（International Affective Picture System, IAPS）场景观看（Look Negative vs Look Neutral对比）及负性/中性面孔匹配（Faces vs Shapes对比）。采集3T BOLD-fMRI并标准化预处理获得个体水平对比图。分析分三阶段：（1）文献导向检验：提取双侧杏仁核、前岛叶、dACC平均信号及局部机器学习模式、七大体素静息态网络（Yeo-7：Limbic, Ventral Attention/Salience, Dorsal Attention, Fronto-Parietal, Default Mode, Visual, Somatomotor）平均激活及其线性/非线性组合、五种已验证情感神经特征（PINES, VIFS, 三种离散负情绪特征）与神经质评分相关，并用贝叶斯因子量化零效应支持；（2）数据驱动全脑机器学习：采用偏最小二乘回归（Partial Least Squares Regression, PLS）、主成分回归（Principal Component Regression, PCR）、支持向量回归（Support Vector Regression, SVR），以嵌套交叉验证在训练集筛选最佳模型并在独立留出样本（hold-out sample, 场景N=102/面孔N=101）验证，初以整体神经质为因变量未达阈值后扩展至神经质六面（抑郁、焦虑、应激易感性(stress vulnerability)、愤怒、冲动性、自我意识）及他人评定；（3）探索性多重宇宙分析（multiverse analysis）：遍历14种情感构念×多算法×预处理选择共1176模型评估预测准确性，并结合虚拟损伤（virtual lesion）解析网络贡献、半分信度及聚合/区分效度检验。

三、研究结果

Evidence against meaningful neuroticism associations with literature-based neural measures（神经质与文献导向神经测量间无实质关联的证据）

研究人员计算神经质总分与各文献导向神经指标（杏仁核、前岛叶、dACC平均激活及局部模式、七大型网络平均激活及多元组合、PINES/VIFS/三种离散情绪神经特征）的Pearson相关，并用Split-half交叉验证与Bayes factor(BF₀₁)量化。结果显示所有|r|<0.20且绝大多数BF₀₁>10强烈支持零假设，即神经质不与任一单区域、经典网络或已验证负性情感神经特征存在有意义关联。七大型网络在个体间（between-person）水平任务激活极度相关(r均值≈0.68)，提示常用网络对个体差异缺乏特异性。

Whole-brain machine learning identifies a stress vulnerability pattern（全脑机器学习识别出应激易感性模式）

以整体神经质为因变量全脑PLS模型交叉验证相关r≈0.00未达预设标准；扩展模型空间后最佳模型为场景任务[负性–中性]对比下以SVR预测神经质面应激易感性(stress vulnerability)，训练集r=0.21(p=0.009, 单侧置换检验)，在独立留出样本复现r(100)=0.19, p=0.028, BF₁₀=2.53。整体神经质无法从两任务反应中被解码，而应激易感性可被全脑分布式模式预测并在外部样本泛化。

Reliability and psychological interpretation of the stress vulnerability pattern（应激易感性模式的信度与心理释义）

应激易感性模式的半分信度(Spearman–Brown校正)r=0.83（杏仁核反应r=0.29）。留一交叉验证预测值与特质负性情感相关r=0.13、与正性情感r≈0.01及外向性r≈0.00，与应激易感性自身r=0.25，显示聚合与区分效度。Neurosynth自动元分析解码显示该模式最相似广义主题"stimulation"，且与五种文献情感神经特征空间相关|<0.02，表明其捕获的是不同于瞬时情感状态的特质相关信息。

The stress vulnerability pattern is distributed across neural systems（应激易感性模式分布于多神经系统）

虽无FDR校正显著体素，宽松阈值(α=0.05, ≥50 voxel)揭示约13000显著体素遍布七大型网络88/489区及脑干/小脑/基底节。虚拟损伤分析去除单一网络后预测力最大降幅来自体感运动网络(somatomotor network, Δr=0.05)与视觉网络(visual network, Δr=0.04)，表明预测主要依赖分布式而非局灶信息，且最强调感知—动作(perception–action)而非典型情感网络。

Image centering indicates limited literature-based neural associations with stress vulnerability（图像中心化显示文献神经指标与应激易感性仅有有限关联）

对同一面应激易感性做文献指标相关发现：仅在图像逐像居中对齐(image-wise centering，即去除全脑全局信号偏移)条件下杏仁核反应呈微小显著正相关，未居中对齐则无；dACC及背侧注意/额顶/默认模式网络反应与应激易感性呈稳定负相关（与理论预期相反）；悲伤(sadness)神经特征反应偏高。提示全局信号(global signal)是单区域关联的重要混淆因素，控制后杏仁核与应激易感性有小效应关联但不适用于神经质整体及其他负性情感构念。

Predictability of dynamic affective states（动态情感状态的可预测性）

用相同方法建模被试在场景任务中动态自陈负性情感(within-person)，交叉验证平均r=0.88(SD=0.14)，远高于特质间(between-person)预测(r≤0.30)，复现已验证情感神经特征表现，说明状态解码高效但特质解码需构念—任务匹配且效应量较小。

Exploratory multiverse analysis（探索性多重宇宙分析）

1176模型显示：神经质各面中仅应激易感性在多数模型具最高预测相关；场景任务整体优于面孔任务；构念选择与任务选择解释预测准确率变异最大(随机森林变量重要性及方差分解)；PLS/PCR/SVR相当且优于随机森林；使用全样本提升性能。预测梯度符合表面效度：任务中自评负性反应 > 负性情感倾向(STAI/神经质他评/自评) > 抑郁症状 > 正性情感。

四、讨论与结论总结（翻译研究结论部分）

综上，本研究挑战了"广泛负性情感性——特别是神经质——映射于观看负性面孔/场景时经典'情感'区域及显著网络对负性刺激的泛情境性过度激活(hyperresponsiveness)"这一主导假设。相反，结果支持构念—检测匹配(construct–assay alignment)原则：当实验任务诱发紧密匹配目标构念心理内容的神经计算时，才出现可靠的脑—特质关联。在此框架下，应激易感性(而非整体神经质)显示出可复现的分布式全脑可预测性，指向个体在对厌恶事件赋予概念化感知—动作相关性(conceptual perception–action relevance)上的差异，而非泛化的情感强度。更广泛而言，负性情感性神经生物学研究的进展可能较少依赖单纯扩大使用通用情感任务的样本量，而更多取决于更严密的构念界定、过程选择性任务组合(process-selective task batteries)及能处理全局信号偏差的分析流程，同时对特质水平效应量持现实预期(r≈0.20–0.30)。研究人员发现神经质与杏仁核、显著网络、已验证情感神经特征均无实质关联；应激易感性可从负性场景诱发全脑BOLD反应中以机器学习模式预测并在独立样本复现，该模式主要依赖视觉与体感运动系统分布式信息，与瞬时负情感神经特征基本正交，具良好信度与构念效度。这提示未来人格与精神病理维度神经影像研究应重视特质构念细分与任务—构念匹配、采用全脑分布式模式、控制全局信号混淆，并以中等效应量预期指导样本与解释。