多疑特质与模糊社交情境下的脑活动

 导读

面对同一个事件，不同人会有不同的反应，人格特质在这一过程中扮演了很重要的角色。多疑人格便是其中一个影响因素。通过脑成像研究，人们已经发现一些脑区在特定任务中的激活与人格特质相关。但是这种控制严重的实验室实验， 很难解释在现实生活中人们面对复杂刺激时的脑活动状况。

采用自然刺激是解决实验室研究生态效度问题的有效手段。故事(narrative)就是一种很好的自然刺激。首先，人们在小说世界中的代入程度与现实世界类似，这有助于考查人类在现实世界中的各项反应；其次，相关刺激输入极为精准，排除了其他无关信息的干扰；最后， 为了理解整个故事，被试要不间断地处理故事信息，这有助于获得连续的功能脑影像数据。

前人已经采用看电影、听故事等自然刺激手段去研究不同群体在面对同一自然刺激时的大脑活动。他们采用随机分组的方式，对每个组施加不同的干预，发现在面对同一刺激时，同组被试的脑活动同步性要高于组间的被试间大脑活动同步性。然而，这些研究都是通过人为干预的方式来研究组内脑活动同步与组间脑活动差异，对由个体特质引起的自发的脑活动之间的同步性，目前并没有相关研究。而本研究就是为了解决这个问题，期望探索人格特质这一自发因素是如何影响大脑对复杂刺激的反应。

欢迎加入

全国脑成像学术讨论群

添加小编微信

brainnews_11

-留言脑成像研究群-

///

Trait paranoia shapes inter-subject synchrony in brain activity during an ambiguous social narrative

作者：Finn, E.S., Corlett, P.R. et al.

● 回答什么问题

本文回答的主要问题是：人格特质如何影响大脑对复杂刺激的反应。

How do personality traits modulate brain activity evoked by a complex stimulus?

● 如何回答

被试

23名健康志愿者被试参加本实验，其中1人因为磁共振扫描头动过大和自我报告叙述的后1/3时存在入睡情况被排除。用于分析的最终数据集包含22名被试(11名女性；年龄范围为19-35岁，平均为27岁，标准差4.4)。所有参与者都是右利手，母语为英语，没有神经疾病或损伤史，扫描时也没有接受精神药物治疗。所有被试都根据耶鲁大学院校审查委员会提供了书面知情同意书。本项实验所有被试都完成了对实验室的两次来访（行为评估+MRI扫描）。

流程

总计两轮测试（见图1）：

*图1. 实验流程

    第一轮：GPTS-A多疑人格特质测试+其他认知测试(不用于本研究，主要目的是掩护当前实验目的)

    第二轮：fMRI测试，让被试聆听一个医生在亚马逊经历的悬疑事件，测试完之后立刻复述故事；复述完之后，填一份对故事感想的多选题，47题。

分析方法

研究者统计分析所用指标

Inter-Subjects Correlation (ISC): 在预处理之后，使用Afni的3dTrelate函数在所有可能的对象对(i，j)上计算故事期间的ISC，得到231(n*(n−1)/2，其中n=22)个唯一的ISC图，其中每个体素处的值表示该体素在对象i中的时间进程和其在对象j中的时间进程间的Pearson相关性。为了识别在所有231个对象对中表现出统计上显著的ISC的体素，我们使用最近开发的线性混合效应(Linear Mixed-effects ,LME)模型和交叉随机效应公式在单组水平上进行推断，以准确地解释ISC数据中嵌入的相关结构，并对得到的地图进行多重比较校正，并使用q＜0.001的体素错误发现率阈值对可视化进行阈值设置。

GPTS分数处理： 根据中位数，将被试分为两组（即高多疑特质组与低多疑特质组,图2b）。

* 图2. 组内、组间ISC

被试复述音频打标: 用gentle对音频进行逐字时间戳打标，其中一个作者（E.S.F)对内容进行分割，并对相关分割内容进行编码（1 = 模糊的社会互动或心智化,ambiguous social interaction or mentalizing；0 = None）。另外找4位完全naive的被试对这些分割内容进行打分，总计5位中有3位打1则为1，其他为0，总计48段内容为1。

语言特征分析： 对被试复述内容语音转文字后进行语言特征（social and psychological states) 分析(LIWC公司)，LIWC出来的结果分成了67个不同的维度（作者对得分进行了标准化。

统计方法

1. 根据GPTS分组，计算各组内的ISC(ISC(low,low); ISC(high,high))以及组间ISC(ISC(low,high))（见图2C）

2. 采用LME模型对ISC的组间差异进行统计。进行了三组对比：

• ISC(high,high) VS. ISC(low,low)

• ISC(high,high) VS. ISC(low,high)

• ISC(low,low) VS. ISC(low,high)

3. 用LIWC语言特征分析所得67个维度得分预测多疑特质(partial least squares regression, PLSR, 采用matlab函数plsregress)

4. 事件相关分析。在复述音频的打标中，相应的marker打在每段分割内容的末尾。相应marker与经典hrf分别做卷积，纳入到回归方程中，对BOLD信号做一般线性模型分析。

●用什么证据回答

总体情况

总体而言，被试在听故事的时候在， 其大部分脑区，特别是颞叶部分，有较高的ISC （图3）。

* 图3. 被试总体在听故事时的ISC

组间对比结果

组间的对比结果显示，高多疑特质组相较于低多疑特质组，其left temoral pole, left precuneus, right mPFC (一个前端一个后端)，均显示较高的ISC (图5a)。通过这些激活区域的MNI比对Neurosynth (一个联系脑区与认知任务的数据库)，左颞极 (left temporal pole)和右前内侧前额叶 (right anterior mPFC) 这两个区域与心理化 (mentalizing)相关。因此，这两个区域的也被作为后续分析的ROI。

*图5. 各项对比条件下显著的cluster

LIWC语言特征得分与多疑特质的关系

根据PLSR分析结果可知，语言特征的第一个成分就已经能够解释多疑得分72%的变异量。这个成分在67个语言特征上的loading如图6a所示。其中loading最高的“关系”（Affiliation）相关的复述例子如图6b所示。作者也要求被试对故事在16个情绪维度上进行五点量表评分，将评分与多疑特质进行等级相关，相关关系不显著（图6c）。

* 图6.

语言特征及被试对故事整体情绪观感评价与多疑特质之间的关系。a语言特征预测多疑特质第一成分的loading情况；b Affiliation的例子；c 整体情绪评价与多疑特质的关系，按相关关系的显著性p值进行排序。

ROI的ISC与多疑特质的相关

作者将被试两两之间的ROI to ROI的ISC根据多疑特质进行了排序，得到了如图7所示的两个矩阵(一个ROI一个矩阵)。

如图所示，ISC随着多疑特质的升高其相关性越大。这种关系在散点图中也能够体现，散点图中每个点代表一个被试，横坐标是被试的多疑特质，纵坐标是该被试与其他被试ISC的中位数。两个散点图所示的相关关系均显著。

*图7. ISC与多疑特质的关系。

ROI上的事件相关分析结果

在进行事件相关的GLM分析的时候，除了上述两个ROI之外，还选取了学界公认的与mentalizing相关的颞顶联合(left TPJ)脑区，以及与听觉相关的赫氏回(left Hescl's gyrus)，四个选定的ROI如图7a所示。

因为在打标的时候分了两类标记点(marker)，即心理化语句(mentalizing sentences)和 非心理化语句(non-mentalizing sentences)，因此对应这两个回归会得到两个beta值。

作者用这两个beta值在四个ROI上，在高多疑特质与低多疑特质组之间进行比较，由此得到了b、c两个子图。统计结果显示， ISC对比所得ROI特异性地能够反映被试多疑特质的高低，而传统上的mentalizing以及听觉相关的ROI，则没有显示出组间差异。

d、e所示的相关关系分析，也说明了同样的道理。

*图7. GLM所得beta值与多疑特质的相关分析。

● 结论

在听故事的过程中，被试在left temporal pole 和 right anterior mPFC 这两个脑区特异性地对mentalizing内容有反应。这种反应受到被试多疑特质的调节，越多疑的被试，反应越强烈。两个ROI对mentalizing的反应，同样能够被ISC刻画，且在多疑被试之间的ISC更加强烈。

● 有什么启发

首先，由这种人格特质调节ISC的研究思路，可以拓展到其他人格特质甚至是精神疾病状态。

其次，这种针对连续变量的分析方法值得在日后的ISC分析中予以借鉴。

● 原文链接

https://doi.org/10.1038/s41467-018-04387-2

///

主讲&翻译：胡志善

编辑&排版：金书玉、李嘉琳

审校：PHI group

文字：PHI group

心理健康与脑影像研究组致力于神经影像数据科学和儿童青少年精神障碍的神经影像研究。研究方向为：   

（1） 神经影像数据科学：面向临床应用，发展神经影像数据的统计和机器学习方法。目前研究项目涉及影像数据驱动的个体分类、利用自然刺激范式识别精神疾病、大规模神经影像数据库的构建和数据挖掘。

（2）儿童青少年精神障碍与脑发展异常：从脑发展异常角度研究儿童青少年精神障碍的脑异常、客观诊断指标和干预方法。目前研究项目涉及8-17岁儿童青少年焦虑障碍的脑影像队列研究。