《Human Brain Mapping》：Individual Differences of Cortical and Subcortical Emotion-Informed Functional Gradients
编辑推荐：
支持情绪体验的大脑区域之间的复杂相互作用及其与个体差异的联系是一个活跃的研究课题。此外，利用功能梯度（functional gradients）研究静息态和电影fMRI（functional magnetic resonance imaging）期间人类皮层组
支持情绪体验的大脑区域之间的复杂相互作用及其与个体差异的联系是一个活跃的研究课题。此外，利用功能梯度（functional gradients）研究静息态和电影fMRI（functional magnetic resonance imaging）期间人类皮层组织的兴趣日益增长。其中，多项研究表明，尽管电影观看期间被试间同步性高于静息态，但电影fMRI相比静息fMRI在脑指纹（brain fingerprinting）性能上有所提升，反映出更强的神经识别能力。类似地，在本研究中，研究人员通过功能梯度研究了个体差异（特别是状态焦虑（state anxiety）和开放性（openness）得分）与电影中情绪场景处理期间大脑活动之间的关系。除了包括皮层下区域（subcortical regions），研究人员提出了一种新的探索性框架，用于基于电影的情绪注释数据（emotional annotation data）选择帧子集来计算功能梯度，从而得到情绪知情功能梯度（emotion-informed functional gradients）。然后，研究人员评估了不同被试间情绪知情梯度的方差，并利用这些相同的梯度来预测个体差异。对于情绪知情功能梯度，状态焦虑的最高预测性出现在负效价（negative valence）和中高唤醒度（medium-high arousal）的场景中，这与焦虑在效价-唤醒度-权力（Valence-Arousal-Power, VAP）情绪空间中的典型位置相对应。此外，状态焦虑的预测性往往与被试间变异性（inter-subject variability）呈负相关。相比之下，开放性的预测性在低唤醒度场景中最高，并与被试间变异性呈正相关。尽管是初步结果，这些发现表明宏观尺度大脑组织（macroscale brain organization）受情绪体验影响，基于情绪体验的帧选择可能有助于消除非被试特异性变异性，同时提取与情绪体验相关的被试特异性信息。这也表明帧选择增加了被试间变异性，从而允许提取更多被试特异性信息。因此，扩展电影fMRI中脑指纹的概念，研究人员的结果提供了初步证据，表明情绪体验增强了个体差异不同领域的分离。此外，根据感兴趣的个体差异，在更多或更少受约束的实验范式下采集的fMRI可能更适合揭示大脑功能的不同属性。
**论文解读**
**研究背景与问题**
功能磁共振成像（functional magnetic resonance imaging, fMRI）是神经科学中探测人脑活动的重要工具。传统上，fMRI分析主要关注单变量方法，通过对比不同任务块下的激活来将特定脑区分配给特定功能。静息态fMRI的出现引入了功能连接（functional connectivity, FC）概念，通过计算脑区之间的时间相关性来理解区域间相互作用及分布式功能网络，揭示了无任务状态下大脑的内在组织，并使其变化与个体差异或疾病相关联。然而，无任务状态下的脑活动测量存在局限性，脑活动模式会随情绪状态变化，包括在静息态中。电影fMRI近年来受到广泛关注，它继承了静息态fMRI的分析技术，并显示出诸多优势，如更高的被试依从性、更高的重测信度，以及更好的个体差异解码能力。电影包含高度社会性和情绪性内容，能够诱发与更丰富过程相关的脑活动，这些过程可能具有高度个体特异性。尽管已有研究利用功能梯度（functional gradients）在电影fMRI中预测个体差异，但情绪体验如何调节被试间同步性与个体差异预测性之间的关系尚不明确。为此，研究人员开展了本研究，旨在探讨情绪过程如何影响功能梯度在皮层-皮层下组织中的重组，特别是被试间变异性及个体差异预测性。该论文发表在《Human Brain Mapping》。
**主要技术方法**
研究人员使用了Emo-FiLM数据集，包括30名健康参与者（18名女性，平均年龄25.83岁，标准差3.60）在10分钟静息态扫描和观看14部短片期间的fMRI记录。数据采集于日内瓦大学脑与行为实验室（Brain & Behavior Laboratory, BBL）的3T Siemens Magnetom TIM Trio扫描仪。功能梯度通过BrainSpace工具箱计算，基于FC矩阵构建，采用扩散嵌入（diffusion embedding）和Procrustes对齐。情绪知情梯度通过根据情绪注释数据（效价、唤醒度、权力三分量）选择特定帧子集构建。个体差异得分来自15个问卷量表，包括大五人格量表（Big Five Inventory）、抑郁焦虑压力量表（Depression Anxiety Stress Scales, DASS）等。预测分析采用Lasso回归，并使用嵌套交叉验证评估性能。
**研究结果**
**3.1 电影与静息态中的梯度布局**
电影和静息态的第一主梯度（principal gradient）呈现皮层单模态-跨模态组织，后部（主要是视觉区域）和额叶区域分别位于两极。第二梯度也呈现单模态-跨模态组织，体感运动区域和默认模式网络（default mode network, DMN）区域分别位于两极。第三梯度中，电影下DMN和边缘系统（包括内侧和外侧颞叶）构成两极，而静息态下无清晰锚点。皮层下区域在电影第三梯度中分布更极端，纹状体和海马与边缘极紧密关联。
**3.2 电影与静息态的被试间变异性**
电影梯度比静息态梯度的被试间变异性更小（图3a）。网络水平分析显示，仅在视觉、背侧注意、体感运动和默认模式网络中，静息态与电影间的变异性差异显著；体感运动网络在静息态中更稳定，而在电影中变异性更大。
**3.3 电影与静息态中的个体差异预测**
基于电影梯度，可以预测状态焦虑；基于静息态梯度，可以预测开放性。状态焦虑在电影中预测更优（p < 10
-5），开放性在静息态中预测更优（p < 10
-5）。其他个体差异得分无显著预测性。
**3.4 情绪知情梯度的布局**
基于情绪注释选择帧子集得到的情绪知情梯度，在组水平上与全电影梯度布局相似，呈现由相同网络锚定的层次结构。
**3.5 情绪知情梯度的重测信度**
全电影梯度的平均组内相关系数（Intra-Class Correlation, ICC）为0.88，情绪知情梯度（分位数）为0.74。区分度（Discriminability）在电影和情绪知情梯度中均较高（分别为1.0和0.97）。情绪知情梯度在所有分位数范围内均表现出强重测信度。
**3.6 情绪知情梯度中的被试间变异性**
随着唤醒度增加，变异性降低；随着权力增加，变异性增加（图7）。
**3.7 情绪知情梯度中的个体差异预测**
对于状态焦虑，预测性最高的帧组合为[Q2-效价, Q3-唤醒度]（负效价、中高唤醒度）和[Q3-权力, Q3-唤醒度]（高权力、高唤醒度），最大预测相关系数ρ
emo-info=0.33（全电影ρ
full=0.26，静息态ρ
rest=0.03）。对于开放性，预测性最高的帧组合为[Q1-效价, Q1-唤醒度]（负效价、低唤醒度）和[Q3-权力, Q1-唤醒度]（高权力、低唤醒度），最大ρ
emo-info=0.32（全电影ρ
full=0.03，静息态ρ
rest=0.21）。
**3.8 电影中的预测性与变异性关系**
状态焦虑的预测性与边缘网络和视觉网络的被试间变异性呈显著负相关；开放性的预测性与视觉网络的被试间变异性呈显著正相关（表2）。
**总结与讨论**
本研究表明，电影fMRI和静息态fMRI在功能梯度组织上存在差异，电影下被试间变异性更低，但能更好地预测某些个体差异（如状态焦虑），而静息态则更适合预测开放性。情绪知情梯度通过帧选择增强了情绪体验相关信息的提取，并发现高唤醒度场景有利于焦虑预测，低唤醒度场景有利于开放性预测。预测性与变异性的反向关系提示，不同个体差异依赖于内在与刺激驱动脑组织之间的不同平衡：状态焦虑可能更依赖于情境依赖的情绪加工，而开放性则更依赖于内在组织的认知模式。尽管样本量有限（30人），但每位被试的大量数据保证了功能梯度的稳定估计。未来研究应扩展至更大样本和更多样化的个体差异测量，并探索动态功能梯度的应用。结论部分翻译：研究人员研究了电影和静息态fMRI的功能梯度，并为电影数据引入了情绪知情功能梯度。研究人员首先展示了静息态和电影在个体间变异性和个体差异预测方面的差异。为了更好地理解电影中哪些元素有助于预测个体差异，研究人员随后基于情绪体验进行帧选择以提取情绪知情梯度。研究人员发现，电影和静息态突出了个体特质中的独特特征，因此可根据研究者感兴趣的变量加以区别利用。有趣的是，尽管由于更强的被试间同步性导致电影功能梯度的被试间变异性受限，但电影fMRI的梯度在部分个体差异特征上优于静息态，而在其他特征上则不然。在自然刺激fMRI广泛使用和关注的背景下，本研究强调了考虑电影内容（尤其是情绪体验）的重要性，同时也确认了静息态fMRI作为神经科学范式的关键地位。
