PNAS: 默认模式网络与语言以及控制系统的耦合信息流

《本文同步发布于“脑之说”微信公众号》

导读
人脑在静息状态下，可以利用功能连接将其划分为一些经典大尺度功能网络。这些网络分管不同的认知功能，例如，一个极为重要的网络——默认网络（DMN）主要参与人的内在导向认知活动，像是记忆、社交思维以及奖赏机制。在之前基于平均后的群组水平数据的研究中，尽管参与了多重认知活动，默认网络仍被划分为一个网络整体。这令人不禁遐想，默认网络是否存在稳定的负责不同单一认知功能的子网络呢？这篇于近期发表在《PNAS》的文章 ”Default-mode network streams for coupling to language and control systems” 不同之前研究的方法，其利用多次重复采集的个体水平静息态数据，来探究这一问题。本文即对该研究进行解读。

一、 研究背景
默认网络作为被研究的最多的功能网络之一，其主要脑区包括双侧内侧顶叶皮层、内侧以及顶侧前额叶皮层、角回、内侧以及外侧颞叶皮层和小脑。利用静息态功能连接可以很稳定的探测到这些区域作为DMN，但矛盾的是，这些区域在任务活动中的激活却表现出异质性（heterogeneity）。DMN通常与自传体记忆（autobiography memory）以及其他的内在导向认知活动（internally oriented cognition）。然而，许多研究表明，DMN不同的部分区域分别与语境信息处理（processing contextual information）、恐惧焦虑情绪管理（regulation of fear and anxiety）、奖赏以及基于奖赏机制的决策（reward processing and reward-based decision making）、社交处理（social processing），甚至是一些任务导向的认知控制活动（task-oriented cognitive control）。不仅是任务参与，DMN的其他许多特性中在其内部都表现出极大的异质性。这种现象的一种解释是DMN的这种功能异质性是由其内部相互区分的子网络结构所决定的。之前已经有些研究利用组平均静息态功能连接（RSFC）数据对DMN的子网络进行过研究，但这些研究并不能找到稳定的子网络结构，这一点与RSFC在个体间的差异性息息相关，即便是对个体间配准过程做了优化仍不能解决这一问题。因此，对功能网络子网络的探究更适合在个体水平上去做。这边文章便是基于这一思路，在10个被试中稳定的探测到DMN的子网络结构。

二、 研究方法
被试：MSC（Midnight Scan Club）数据集，包括10名被试，华盛顿大学圣路易斯采集，每名被试采集10个session的数据，总计有超过10个小时的静息态以及任务态数据（3种任务）。
预处理：结构像利用FreeSurfer分割并重建皮层，并配准到HCP的fs_LR空间；功能数据经时间层矫正、头动矫正、磁敏感畸变矫正，并采样到3mm体素大小Talairach空间。静息态数据还做了去线性漂移、头动过大时间点的插值以及滤波（0.009-0.08Hz）。随后功能数据均采样到fs_LR_32k空间。
定义功能网络：对RSFC矩阵采取多稀疏度（0.01, 0.02, 0.05, 0.1, 0.2, 0.5, 1, 2, 5%），并利用InfoMap算法分割功能网络。
图论指标计算：节点中心度（degree centrality）、参与系数（participation coefficient）等，均利用BCT（Brain Connectivity Toolbox）实现。

三、 研究结果
① 最佳网络稀疏度的选择
文中为了确定最佳的网络稀疏度等参数，利用分割得到的网络内每个顶点间的FC模式的相似性作为内部验证（internal validation），利用空间方差分析（spatial ANOVA）的R²来作为外部验证（external validation）。如图所示，最终确定最佳的稀疏度为0.1%。

图1-网络最佳稀疏度的选取

② DMN的子网络结构在被试间可被稳定探测
以MSC01被试为例，文章将DMN分为9个子网络，分别为 顶叶子网络（parietal subnetwork）、腹内侧子网络（ventromedial subnetwork）、前膝子网络（pregenual subnetwork）、后皮质子网络（retrosplenial subnetwork）、后内侧颞叶子网络（posterior medial temporal lobe， MTL subnetwork）以及双侧前部以及后部侧部子网络（left and right anterior and posterior lateral subnetwork）。

图2-DMN的9个子网络

这9个子网络在被试中均可以被发现，且空间位置大致相同，被试间具有较高的重合率。

图3-DMN的9个子网络在被试中的存在情况

③ 不同的子网络参与不同的认知任务
在不同的任务刺激下，DMN的子网络激活程度不同，呈现差异化的分布。在scene>face任务对比中，顶内侧下、后皮质以及颞下皮质中的子网络与该任务激活呈现很强的正相关，而内侧顶叶与腹内侧前额叶的子网络则呈现很强的负相关。而在words>fixation任务对比下，外侧颞叶以及前额叶的子网络呈现明显的激活，而内侧顶叶以及角回处的子网络则呈现明显的负激活。简单总结，由RSFC数据分得的DMN子网络结构可以很好的反映任务在经典大尺度网络定义下内部的差异化激活。

图4-DMN的子网络结构与其在任务刺激下的差异化激活具有相同模式

④ 顶叶子网络作为DMN的核心，外侧子网络为与其他网络连接的hub节点
文章中计算了每个子网络到DMN自身以及到语言网络（在本文中即腹侧注意网络）、额顶网络的功能连接，发现顶叶子网络与其他DMN的连接强度显著高于其他子网络，而双侧外侧前部子网络与语言网络的连接显著强于其他网络，双侧外侧后部子网络则与额顶网络拥有更强的连接。同时，文章中还计算了节点度中心性作为DMN网络内中心性的度量，利用参与系数作为连接hub的度量，结果发现顶叶子网络的节点度中心性要显著大于其他子网络，而四个外侧子网络则更具连接中心的特性。结合以上发现，可以得出顶叶子网络为DMN的核心，而外侧子网络为其连接中心的结论。

图5-DMN的子网络根据FC以及网络性质定义为不同的角色

⑤ 不同的子网络在时域上具有不同的延迟特性
通过估计每个子网络平均时间序列信号与其余所有子网络的延迟，可以从结果中看到，子网络的时域延迟特性具有明显的差异，顶叶子网络以及右侧背外侧子网络的信号在时域上要早于其他子网络，而左侧背外侧子网络以及双侧前侧子网络则相对滞后。再通过计算所有子网络配对间的时域延迟，文章中得到了一个子网络对子网络的时域延迟矩阵。通过这个矩阵可以得知，顶叶子网络要显著的先于双侧前侧子网络以及左侧背外侧子网络。

图6-DMN外侧子网络相较于顶叶子网络具有明显的时域延迟特性

三、 结论
通过在个体水平上的DMN子网络分析，本文将DMN划分为9个子网络，并发现了前部外侧子网络耦合到控制网络的信息流通道，以及背外侧子网络到语言网络的信息流通道。并且在子网络结构下可以更好的代表任务态激活模式。而且这种个体化的DMN子网络在未来的临床应用中或许将发挥重要的作用。
参考文献：Default-mode network streams for coupling to language and controlsystems, Evan M. Gordon et al., Proceedings of the National Academy of Sciences Jul 2020, 202005238; DOI:10.1073/pnas.2005238117