静息态网络核心区域的动态连接的调制激活

来自哈佛医学院的Tang wei和Stufflebeam等人在PNAS上发文，主要介绍了其针对静息态网络核心区域的动态连接影响局部神经激活的研究。文章指出尽管目前针对大脑模块的隔离和聚合有大量的研究，但是对于分离的模块之间如何进行聚合的了解仍然不足。这个问题的核心是探寻脑区如何受其他脑区影响而变化的机制。在这里，这项研究探寻了两个脑区的连接如何影响特定脑区的神经活动。通过来自同一组被试（29个样本）的静息态fMRI以及MEG数据,分析样本静息态网络（DMN）两个核心区域的静息态关系，得到10-Hz范围内，后扣带皮质（PCC）对前扣带皮质（ACC）的定向影响。这种随时间变化的影响与ACC信号的强度变化相关：在13-16Hz使频谱强度下降，1-7Hz和30-55Hz会使频谱强度增加。研究还发现，30-55Hz的振幅与ACC中3-4Hz的激活相位耦合。这些结果表明局部频谱变化与脑网络之间具有相关性。这些频谱信息可以表明PCC-ACC连接在静息态下的功能性作用，同时帮助理解局部激活和大脑网络动力学之间的动态关系。

大尺度脑活动的一个基本特征是隔离和聚合。不同的脑区可以在认知过程中被激活，并形成一定神经表达。这些隔离的脑区通过脑网络连接相互影响，最终导致确定行为的脑区聚合结果。隔离和聚合这两个对偶特征确定了认知过程中的两个主要研究方向：1）响应认知子过程的脑区局部激活的研究;2）跨区域耦合的研究，其反应了模块之间的聚合。虽然神经影像学领域在两个方向上的研究都有进展，但研究结果之间仍存在差距。对于隔离模块间如何聚合的生物学基础的了解仍然不足。其问题的核心是了解一个脑区在其他脑区影响下的局部激活响应机制，一个重要的步骤是得到网络的下一步输出。然而，目前的研究主要针对脑区自身的激活或者脑区的连接单独进行研究，并没有进一步对这两者之间的关系进行探究。这项研究的困难在于如何同时研究脑区连通性和脑区激活。这种方式需要具有很高时空分辨率的数据，这对于目前的成像技术而言是很难实现的，最近，开始有研究试图弥补这些差距。一种方式是对fMRI序列用滑动窗方式处理，从而增加时间信息。另外一种方式是利用MEG连接与fMRI结合，验证可能连通性和脑区活动的关系。这些新方法利用了脑网络的时空关系。从而能够对脑区连接和脑区激活关系进行研究。考虑到静息态网络（DMN）在静息状态下可以避免刺激驱动引起的激活干扰，以及，DMN是对于持续的研究认知功能分析非常有效，因此，研究选择了研究DMN与脑区激活的相关性的研究。研究采集了同一组受试者的fMRI和MEG数据，并将分析集中在DMN的两个核心区域：前和后扣带皮质（ACC，PCC）。在fMRI的指导下在MEG空域建立ACC－PCC的短时格兰杰因果关系（GC）。这种动态度量能够让我们检测脑区内神经激活引起的光谱变化以及这种变化如何与脑区间的连接相关的关系。研究结果表明脑区之间的相互作用能够实时地影响脑区内激活。特别地，研究指出PCC在一个频带中的影响与ACC在多个频带中的局部频谱变化相关。此外，脑区内部频带保持了相位幅度关系，揭示了PCC-ACC之间的功能联系。

结论

 首先，文章验证了MEG空间中获得的ACC-PCC连接的GC可靠性。这个过程包括两个步骤：１）利用功能连接MRI（fcMRI）作为指导，构建MEG频域中的ACC-PCC连接。２）利用该频域计算ACC和PCC之间的的GC图。接着，研究验证了GC的时间变化是否与MEG源信号的局部功率变化相关。比较了GC到一个区域较强的时间段和当GC较弱时的功率谱密度（PSD）。 对于显示PSD差异的源信号的频率分量，研究测试了交叉频率耦合以验证大脑的模块激活是否具有一定的功能意义。文章选用10 Hz神经活动来计算fMRI的连接。利用MEG之间功率计算ACC-PCC之间的时间相关性，作为MEG连通性的测度。利用正交化消除源信号的零滞后相关。计算1至56Hz之间的ACC-PCC不同频率的的相关性。发现10Hz强度的相关性最高（图1A）。另外，其还利用BOLD信号计算量ACC和PCC之间的fcMRI。10Hz功率得到的连接和fMRI连接具有显著的样本间相关性，（Pearson’s r = 0.39, P <

0.04, 图1B）。显示了在10Hz功率下个体有强的fcMRI通常会有强的MEG连接。因此，研究采用10Hz功率下的神经激活来计算ACC和PCC之间的连接。

图１．MEG连接在10Hz下与fcMRI连接有很强的相关性。（A）ACC和PCC的MEG信号的时间相关性的散点图，颜色代表Pearson相关的大小，和弦标记显著性r值，（B）FcMRI在10Hz左右的MEG连接散点图，每个点代表样本，黑色为回归线。

图２，10Hz下的GC图。一个特定样本的示例，显示为种子点与任意脑区在一个时间段内的GC直方图,值为零表示没有GC流（B）PCC种子点的显著性检验。（C）ACC的流入（左）和PCC的流出（右）的组级估计。

基于种子点的ACC和PCC之间的空间特异性GC计算

利用滑动窗，计算每个滑动窗10Hz范围内的ACC-PCC的GC，作为滑动窗的动态MEG连接测度。在测试连通性和脑区活动之间的关联性之前，首先检查GC测量的空间特异性。这一步同时了验证GC有效地验证了连通性，以及排除了在先前分析中由于ACC和PCC区域的预选引起的潜在偏差。为此，使用基于种子点的方法：当一个地区被设置为种子时，GC测量应该在其他区域周围显示大的聚类值，并在皮层的其余部分显示随机的小值。在这里使用出种子点和入种子点的GC之间的差值（图2A），来替代原始GC值。正分被标记为“流出”，负分标记为“流入”。不同时间段进行非参数聚类水平测试，以确定每个顶点的GC流的显著性。有效顶点被标记为感兴趣区域（ROI），表示GC值较大的区域（图2B）。得到ROI后，在每个受试者中绘制ROI，然后在对象之间覆盖以得出组级别的估计（图2C）。对于ACC种子区域的流入影响，在所有29个受试者中，PPC表现出大于对照的GC影响。对于PCC种子区域的流出影响　，在28个受试者中，受GC影响，ACC成为ROI。我们在ACC流出图或ACC的 ROI中的PCC流入图中的没有找到PCC的

ROI（图S1和S2）。结果一致地表明，GC影响是由PCC直接指向ACC的。

ACC中与AC相关的功率谱变化

基于种子的GC图不仅验证了ACC-PCC相互作用的空间特异性，而且提出了作用的方向不对称性。从PCC指向ACC有更强的GC，反之亦然，研究探寻了ACC中的局部活动如何根据PCC的GC影响而改变。具体来说，研究测量了不同GC强度下ACC中PSD的强度。在每个时间窗内，估计ACC每个顶点的GC和PSD（图3A），并将顶点和时间段聚类成时空簇，得到时间（> 20

s）和空间稳定（> 20个相邻顶点）的时空模式。根据顶点的数据段是否属于GC簇，这些功率谱被标记为内部簇或外部簇。簇内的数据段显示，在13-16Hz范围内的功率始终较低，但在 1-7Hz和30-55Hz的功率范围内的功率更大。（图3B）。所有差异分数的列表及其意义见表S1。这些结果提供了从PCC到ACC的定向影响与ACC功率变化之间的关系。由于在特定的认知活动中，一些慢的激活相位（theta带）会影响一个快的激活相位（gamma带），为此，研究测试了频谱低端和高端之间是否存在交叉频率耦合。如果能够在theta和gamma分量之间发现这个模式（图3B），它将提供证据表明光谱不是随机的，而是会携带一定的功能信息。最后研究发现在3-4Hz和30-55Hz分量之间的ACC活动的模式：gamma在3-

4-Hz幅度±π/ 2相位的附近达到峰值（图3C）。 卡方检验证实了这一结论的显著性（图3D）。具体来说，如果没有相位耦合，则gamma的前5％幅度的相位角将在[-π，π]上服从均匀分布。然而，实际分布与均匀分布显著的偏离(图3)，卡方检验也验证了其显著性（χ992= 141.1，P <0.01），。在1-7-hz的波段中，没有发现其他低频成分的耦合现象。

图3 10-Hz局部活动变化与的GC波动有关。一个对象的实例，显示ACC的GC簇。（B）簇内外的频谱功率差异，用平均值表示，星号表示与零的偏差。（C）ACC在3-4Hz相位上的拟合Gamma振幅，显示在示±π/

2附近达到峰值，每一条线代表一个样本（D）相位角直方图。

讨论

 文章揭示了DMN中两个核心脑区的动态连接和局部激活的关系。利用fcMR和IMEG，定义了10Hz下PCC到ACC的有向、非对称的GC。发现，随时间变化的GC会随着ACC的强度的变化而变化。13–16Hz的频谱能量下降以及1–7 Hz和30–55 Hz的频谱能量上升会导致强的GC流。在ACC中，低频成分和高频成分的振幅之间也存在显著的耦合。这些发现的大脑活动的整合和分离之间的联系，揭示了DMN中脑区间动态的交互作用。

功能连接和局部神经活动可能是相互依赖的

之前的研究通常独立的研究功能连接和局部神经活动，然而，在这篇文章中，作者发现这两个特征在时间尺度下具有一定的相关性，需要指出的是，这种关系并不能简单的理解成因果性，这种网络的相互作用可能导致一些频谱强度的波动，另外，脑区的局部动态变化也可能影响网络耦合，目前的分析并不能消除这种干扰，尽管如此，这个研究对表述耦合区域的工作机制提供了一种解释。

ACC-PCC的功能连接在10Hz频率下的构建

在之前的一系列研究中，主要在一个大范围的频域中构建静息态网络。其中alpha和beta是最长使用的两个频率范围。这项研究主要利用alpha频率来构建ACC-PCC连接（图１），通过GC分析发现在超过功能频率下的PCC到ACC的直接定向联系（图2C），此外，在theta和gamma波段(图3B)的ACC能量GC关联表明，并非所有与网络相关的频谱强度波动都与网络相关，这个结论可以同时在功率相关和fMRI相关上的得到验证。后面的结果也继续验证了这个结论，。另外，交叉验证表明，10HZ具有最好的结果。

定向不对称GC支持PCC是网络的hub节点这一结论。

研究发现PCC到ACC方向的GC影响比反方向的要强（图 2），这与后脑区域的信息流主要在alpha/beta波段相一致。这种不对称也与PCC在大脑皮层中的结构和功能hub中心的作用相一致。特别在一项研究中，PCC被发现可以在不同的状态网络之间进行交互。在这里，对ACC的定向影响可能是在DMN中执行的PCC的协调活动的一部分。如果是这样，ACC的相关光谱变化可能有助于阐明网络协调活动的神经活动。另外，没有观察到从ACC到PCC的GC在GC中的主导地位。一种可能性是，其包含太少的theta周期长度，无法有效的对GC进行估计。尽管枕叶皮层被认为具有很强的静息状态alpha振荡，但它在GC(图2C)中并没有得到一致的ROI。其次，虽然在其他频率带中有可能存在SNR差异，但是在其他频率的GC映射中没有得到一致的ROI(图S1和S2)。第三，虽然皮层表面上的信噪比MEG的来源要高，但是其并没有显示出MEG的GC流更大的价值(图S1和S2)。

交叉频率耦合揭示ACC的皮质兴奋调节中的作用

尽管两者都是DMN的核心区域，但是ACC的功能与PCC不同。在基于任务的行为研究中，ACC被认为是一个与执行功能和目标导向行为相关的主要区域。在这里，theta和gamma频率之间发现的相振幅关系被称为皮质兴奋性的神经生理反射。在静息状态下，有一个执行功能的功能区域不断调整，使大脑能够灵活地从被动状态切换到主动行为状态，这一发现可能为进一步研究这一假设提供了一个方向  。

最后，文章最后提到这里存在的“隐藏节点”问题(从PCC到ACC的影响可能会经过第三个区域，在GC图中无法直接计算得到。由于目前进行的映射覆盖了大脑皮层的所有顶点，如果存在，隐藏的影响很可能来自于皮层下的结构。由于缺乏皮质下的记录，这个问题无法从目前的数据中得到解决。

附加材料：

图S1，在所有的受试者中ACC种子点不同频率的的流入(A)和流出(B)ROIs，。黑圆圈标记了5个样本种子的位置。

图S2在所有的受试者中PCC种点的不同频率的的流入(A)和流出(B)ROIs，。黑圆圈标记了5个种子点的位置。

图S3 与图3B的比较，在情景记忆检索任务中，与10-hz的GC波动相关的ACC能量变化。

图S4 GC的弱自相关活动，（A）x与y 之间的流出，（B）z到x和y之间的流出。所有的图利用最顶部图的相同坐标。GC利用Geweke提出的F分数得到，每个图表示了在一个参数设置下流出等级的F改变。参数b表示在x对有的影响接近于零时，y对x的影响强度，h控制x和y间的流出k控制z到x和y的流出，曲线结果由200次循环取平均得到。

图S5 GC的强自相关活动，（A）x与y 之间的流出，（B）z到x和y之间的流出。所有的图利用最顶部图的相同坐标。GC利用Geweke提出的F分数得到，每个图表示了在一个参数设置下的流出等级的F改变值。参数b表示在x对有的影响接近于零时，y对x的影响强度，h控制x和y间的流出k控制z到x和y的流出，曲线结果由200次循环取平均得到。

图S6 ACC和PCC之间的MEG激活的GC。利用多元回归法在参得到了正交化信号，将每个ROI的信号视为一个向量。在不同ROI间计算GC。每个条都是对信号序列、脑区和样本的平均值。误差条表示样本之间的SE。星星代表不同样本的配对t测检验的显著性水平（P小于0.01)。

.

图 S7 zero-PACF时间序列百分比的直方图

图S8 为了验证有效性进残留白度测试，为了提高计算效率，在种子点和随机抽取的顶点间取样1000个模型，占总模型的1/10.（A）叠加了29个样本的数值的残差自相关箱形图。在每个受试者的每个滞后值中，框图显示了中位数（框内的线），上分位数（框的上侧线），下分位数（框的下侧线）和异常值（在黑色边界之外的交叉线） 的自相关分数分布在1000个模型上。 （B）针对每个样本，分布在1000个模型上的残差互相关图。

表S1簇内和簇外的强度差异统计信息

表S2 参数设置

参考文献：Tang W, Liu H, Douw L, et al. Dynamic connectivity modulates local activity in the core regions of the default-mode network[J]. Proceedings of the National Academy of Sciences, 2017, 114(36): 9713-9718.