青少年默認網路、背側注意網路及突顯網路的分層架構

關鍵詞：默認網路、背側注意網路、動態因果模型、靜息態fMRI、突顯網路

1 研究背景

大腦是一個結構、功能複雜，工作效率又極高的系統。研究發現在執行外部任務時，默認網路（default network，DN）同背側注意網路（dorsal attention network，DAN）以及突顯網路（salience network，SN）間總是呈現負相關關係。這其中尤以DN的核心子系統（cDN）：後扣帶回（PCC）、內側前額葉（MPFC）與DAN和SN的負相關最為顯著。

然而，通過無方向性的功能連接方法並不能說明這些任務狀態下負相關的網路究竟是cDN在調控DAN及SN還是DAN、SN在調控cDN。同時，格蘭傑因果分析由於腦區間不同的血液動力學延遲、fMRI固有的低時間解析度及信號雜訊，其應用也受到一定局限。

基於上述問題，Zhou及Friston等人將譜動態因果模型（spectral dynamic causal modeling，spectral DCM）用於DN、DAN及SN間負相關關係的分析，希望以此揭示它們內在的相互作用。

2 研究方法

志願者：本研究志願者來源於BeTwiSt數據集。共有202對同性別雙胞胎（111對同卵雙生、91對異卵雙生，平均年齡17.4±2.1歲，年齡範圍14-23歲，其中女孩佔48.5%）。

數據採集：上述志願者均採集高解析度的3D T1像及全腦閉眼靜息態功能像。其中，T1像體素平面內解析度1x1mm2，層厚1.33mm。功能像TR為2000ms，體素平面內解析度3.4x3.4mm2，層厚3mm，層間距1mm，共採集180個時間點。

數據處理：採集的數據使用SPM12結合DPARSF進行預處理。具體步驟為：首先，去除數據前十個時間點，確保磁化平衡；然後對數據進行時間層校正、頭動校正、空間標準化處理（同時將功能像數據重採樣至3x3x3mm3大小）；最後對標準化後的功能像進行FWHM為6mm的空間平滑，並去除冗餘信息干擾。其中，冗餘信息包含了24個的與頭動相關的參數、白質信號、腦脊液信號、線性及二次漂移趨勢。北京賽博爾提供相關數據處理培訓，詳見文末，歡迎諮詢。

感興趣區域（VOI）的選擇及信號提取：對預處理後的數據進行空間上的獨立成份分析（ICA），經過GIFT軟體中的Group ICA工具包分析，共分出20個獨立成份。通過將這些獨立成份和已有研究進行對照，找出相應三個網路的感興趣區。其中，SN包含5個節點（nodes）：背側扣帶回（dACC）、右側和左側前腦島（rAI/lAI），前額葉皮質前部（aPFC）。DAN包含6個節點：右側和左側額葉視區（rFEF/lFEF）、右側和左側額下回（rIFG/lIFG）、右側和左側頂上小葉（rSPL/lSPL）。cDN則主要研究4個區域：內側前額葉前部（aMPFC）、PCC、左側及右側角回（lAG/rAG）。在DN中選取上述4個cDN的主要原因是它們和SN及DAN總是呈負相關關係。表1展示的是各個區域的峰值坐標點，圖1中展示的是相應的位置。然後結合一般線性模型中個體性別、年齡、頭動等的差異，通過GIFT提供的方法，將組VOIs反向映射到個體。並進一步提取個體VOIs中的時間序列用於後續DCM分析。

表1.選取的感興趣區域坐標

縮寫：cDN，默認網路核心部分

圖1.使用ICA找到的感興趣區域（VOIs）。其中圓球代表從ICA中找到的cDN、SN及DAN這三個網路中具體選取的VOIs。

一階DCM分析：譜DCM分析通過SPM12軟體包實現。對於每個被試，均構建完整的連接模型，以此詳細對比所有嵌套模型的網路間和網路內部的聯繫。

二階分析：使用基於參數的經驗貝葉斯公式（Parametric Empirical Bayes，PEB）對個體內部連接和組水平連接間的關係進行建模分析。這種分層的模型通過在個體參數（模型）中添加一個高斯隨機成份，從而將固有連接視為隨機（個體間）效應。也就是說，個體間的一般線性模型效應會產生一個個體內非線性（動態因果）的模型。

同時，使用貝葉斯模型（Bayesian model）評估負相關網路內部的各個腦區間的相互作用。由於完整的連接模型共有225（15乘以15）個，而內部可能的嵌套模型數量則更加龐大。因此，通過貝葉斯模型降階（Bayesian model reduction，BMR）對嵌套模型進行快速評估。

分層聚類分析：為了刻畫組水平DCM中得出的網路成份，對有效連接及功能連接進行分層聚類分析。

靜息態網路中的分層架構：在考慮不確定因素的前提下，通過計算網路間的連接強度，來評估各個網路的分層情況。具體計算步驟為：首先要計算連接的貝葉斯對比；對於給定的對比向量c（其中每一個元素代表一個參數P），以及後驗概率N(M,Σ)，期望的對比值計算公式為μ=cTM。其中，N代表多變數正態分布，Mpx1為參數P的期望值，Σpxp是相應的協方差矩陣。而對比的方差（不確定因素）的計算公式則為σ2=cTΣc。

根據上述公式得到的貝葉斯對比，結合網路平均輸出連接和輸入連接間的差異，計算網路分層架構。

3 研究結果

有效連接：通過結合PEB估計及BMR獲得的組水平有效連接矩陣見圖2A。從圖2A中可以看到：(1)屬於同一個網路的各個腦區間的連接緊密；(2)從SN和DAN發出，到cDN終止的連接均呈現負向連接。說明SN和DAN抑制了cDN的激活。同時，也說明SN和DAN的激活降低了DN激活的變化速率；(3)從cDN發出，到SN和DAN終止的連接均呈現正向連接（說明DN對SN和DAN起到促進激活的作用）；(4) SN和DAN間存在雙向激活連接。圖2B則說明有效連接的模式和功能連接間存在鏡像關係。而且，Zhou和Friston等人還回歸了個體間性別、年齡等差異因素，所得結果與上述一致。進一步說明上述發現不隨混淆因素的改變而改變。

圖2C展示的是網路間平均有效連接的強度，揭示了3個網路間的分層關係。結果表明：SN和DAN對cDN表現出負向抑制作用，而cDN對SN和DAN表現出正向激活作用。

圖2.網路內和網路間的有效連接。(A) BMR後15個腦區的有效連接矩陣。圖中顏色代表由貝葉斯模型平均（BMA）後得到的連接參數。cDN、SN和DAN用黑色粗線標出。(B)使用BrainNet Viewer將節點及網路內和網路間有效連接映射在皮層表面。其中，抑制連接（負向）用青色表示，激活連接（正向）用黃色表示。(C)各網路間有效連接。網路間的有效連接不但考慮了連接強度，同時還考慮了條件不確定性因素（如：協方差矩陣）。同樣，抑制連接（負向）用青色表示，激活連接（正向）用黃色表示。

原因到結果的映射：圖3展示的是有效連接是如何影響功能連接的。內源性的波動（神經雜訊，圖3A）作為輸入導致了神經活動，最終引起BOLD（血樣水平依賴）響應的改變。這種從原因到結果的模型被定義為動態因果模型，為了舉例說明從原因（有效連接，圖3B）到結果（功能連接，圖3E）的過程，將中間的卷積核函數（圖3C）和隨時延變化的互協方差函數（圖3D）進行了展示。那麼最常用的，基於皮爾遜相關的功能連接就可以被表示為零時延並標準化了的互協方差（圖3E）。有效連接和功能連接間的區別在於，有效連接更加稀疏。

圖3.動態因果模型用於對內源性波動建模的示意圖。(A)神經活動中的內源性波動。(B) BMR後的有效連接。抑制連接（負向）用青色表示，激活連接（正向）用黃色表示。(C)連接的卷積核函數（基於所有志願者的平均得出）。(D)圖(C)中連接的互協方差函數。(E)從互協方差函數中計算得到的功能連接矩陣（僅顯示了經過多重比較校正的結果，FDR，P

4 研究結論

本研究使用譜DCM分析方法，深入探索了cDN、SN和DAN這三個負相關網路間大腦腦區的相互作用關係。結果證明，這一基於PEB和BMR的動態因果分析方法為研究靜息態網路間的有效連接提供了新的途徑。

5 參考文獻

ZhouY. et al., 2018. The Hierarchical Organization of the Default, Dorsal Attentionand Salience Networks in Adolescents and Young Adults. Cerebral Cortex, 28:726-737.

北京賽博爾培訓班信息（直接點擊文字即可瀏覽！）

由北京賽博爾舉辦的fMRI基礎班是首個手把手教學的磁共振數據培訓班，從磁共振簡單原理、fMRI原理到SPM的使用，內容涵蓋fMRI基礎中的基礎，非常適合功能磁共振零基礎學員。

fMRI提高班從Linux系統下科研軟體（FSL）入手，內容豐富，適合具有一定功能磁共振數據處理基礎的醫生及研究人員。

腦網路培訓班內容涵蓋了腦網路的很多前沿方法， 包括時頻分析、基於SurfStat以及GRETNA的腦網路拓撲屬性、MVPA方法等等，對掌握了基本fMRI及腦電數據處理方法後的醫生及研究人員有很大提高。

PET數據處理培訓班內容主要包括：PET成像原理，圖像重建，PET在神經退行性疾病中應用，PET圖像的預處理操作，PET圖像的定量分析，PET圖像的統計分析，小動物PET圖像分析，以及PET實驗設計與結果解讀等。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！