认知功能障碍是许多精神障碍的核心特征，包括精神分裂症（SZ），并且与异常的大脑激活和功能连接有关。然而，目前尚不清楚认知障碍如何与功能障碍和任务激活异常相关联。
这项研究使用最近开发的活动流映射方法，将精神分裂症的脑功能连接与任务下的异常激活联系起来，以描述精神分裂症的认知功能障碍。
< h1 类"pgc-h-right-arrow" data-track""3" >后视图</h1>
普遍性认知障碍是SZ最常见和最稳定的迹象之一。功能性磁共振成像（fMRI）将SZ的认知功能障碍与局部大脑活动和功能障碍联系起来。功能连接（功能连接，FC）被定义为不同大脑区域之间的统计依赖性，有助于测试SZ的"连接障碍"假说。
虽然有大量证据表明精神分裂症中存在FC异常，但尚不清楚异常FC如何导致异常任务诱导的激活和认知障碍。
最近，受连接计算建模原理的启发，研究人员开发了一种"主动流动映射"的建模方法，将大脑激活与FC联系起来。这种方法解释了给定的大脑区域激活是如何通过分布式FC和激活产生的（图1）。
该方法已被用于预测健康成年人中任务诱导的激活。将这种方法应用于临床数据可以帮助研究异常连接和活动流如何影响异常激活，这与认知障碍直接相关。
图 1.活动流算法
任务诱导的大脑区域j的激活可以通过将所有其他大脑区域i的兴奋乘以这些大脑区域和j之间的功能连接来预测。活动流的关键假设是，激活是由以 FC 估计值为特征的分布式进程生成的。如果SZ的异常激活反映了一个分布式过程，则活动流预测应该能够在经验数据中重复组激活差异。
<h1类"pgc-h-arrow-right-"数据跟踪""10"的>方法</h1>
该研究在OpenNeuro数据库（n-93）和SZ（n-36）中选择了健康的成年人，他们都在实验时接受了治疗。该研究收集了静止，任务状态数据和结构数据，并使用fMRIprep和Ciftify进行数据预处理。
灰度数据被简化为Cole-Anticevic总脑网络部门（CAB-NP）图，其中包括718个皮层和皮下脑区域。由于头部过度移动，6个HC和12个SZ被淘汰。实验任务是空间容量工作记忆（WM）任务（图2）。
图 2.空间容量工作记忆任务 （SCAP） A. 任务范例。B. 结果的准确性。小组和任务难度的主要影响是显著的。
1. 任务激活估计
使用标准 GLM 来适应从编码到反应间 （6.5-9.5s） 活动的 SCAP 任务。然后比较单个水平内具有高WM负载的WM负载的减少活动。此外，在CAB-NP图谱的12个功能网络中进行了相同的分析。对各组间存在显著差异的大脑区域进行随访，作为ROI。
2.FC估计
静止状态和任务状态数据（非 WM 任务）连接以形成用于估计 FC 的单个时间序列。给定大脑区域的FC通过主要成分回归方法计算，并获得每个大脑区域的主要成分。
3. 活动流映射
公式
原理如图1所示。
请注意，在预测给定大脑区域的激活时，排除任何具有组间激活差异的大脑区域，以确保预测不仅仅依赖于与功能异常的大脑区域的连接。
4. 模拟FC干预
使用回归模型将患者的ROI激活与HC激活水平相匹配。所得β权重被解释为模拟FC。使用活动流映射生成 SCAP 任务准确性的预测，并将其与原始数据进行比较。
<h1类"pgc-h-right-arrow"data-track""24"的>结果</h1>
1. 任务引发激活异常
SZ在左腹带背回皮层（ACC），右内坩埚区（MST），右外侧裂背臀骨（PO）和右后脑岛（PI）中存在激活异常（图3）。
SZ 的这些区域在高 WM 负载与低 WM 负载条件下的激活较少。网络级检查发现默认网络 （DMN） 表现出相同的活动模式。ROI 和网络级别的异常激活和行为是相关的。
图 3.SCAP任务相关的大脑活动A.组间差异（高与低WM负荷，pFWE<0.05）。B.CAB-NP脑分裂。C. 网络级组差异（pFWE < 0.05）。
2.FC例外
ROI组之间的有限差异（SZ>HC：左MST-右肌/纹状体;SZ <HC：右PI-right ACC）。FC 组之间在网络级别没有区别。
3. 活动流预测异常激活
活动流图谱成功预测了两组受试者全脑的活动模式（图4），两组全脑预测无显著差异。ROI 组和网络预测组之间的差异如图 4 所示。
图 4.活动流映射预测异常激活 A. 真实和预测的组差异。B. 投资回报率和DMN的真实和预测性激活。* P < 0.05
4. 预测异常行为
所有 ROI 激活都与图 5 中的单个行为相关。
图 5.激活预测行为 A.SCAP 的准确性与实际激活或预测激活有关。B.实际任务的准确性与活动流映射获得的准确性的比较
5. 模拟 FC 干预
平均真实 FC 和模拟 FC 之间的差异如图 6 所示。结果显示，每个目标大脑区域与上叶和前额叶皮层之间的FC增加。结合感觉网络的减少，FC有助于使功能失调的激活和行为正常化。
图 6.SZ 假定连接干预 A. 回归模型用于拟合 SZ 的 FC 到 HC 数据。B. 每个投资回报率的平均数据驱动型 FC 干预权重。C.需要最大和最小FC干预的大脑区域。D. 验证 FC 干预。E. 模拟 FC 生成的预测行为。
< h1级"pgc-h-arrow right-"data-track""40" ></h1>
本研究通过"主动流动映射"模拟了大脑间隔和任务相关活动的运动，作为FC的函数。结果表明，分布式空间的来源可以准确预测与行为相关的异常激活，这表明FC在SZ的异常活动和行为中起着关键作用。
具体而言，SZ的感觉运动和认知控制网络之间的活动流量增加导致任务状态中默认网络停用的减少，表明SZ无法抑制与任务无关的信息。
基于上述结果，采用数据驱动的模拟发现，上叶和前额叶皮层活动的变化改善了SZ的大脑激活和行为表现，从而为个性化刺激干预提供了线索。
引用
Hearne LJ， Mill RD， Keane BP， Repovš G， Anticevic A， Cole MW.精神分裂症中大脑激活和认知异常的潜在活动流。科学技术 2021年7月14日;7（29）：eabf2513.doi： 10.1126/sciadv.abf2513.PMID： 34261649;PMCID： PMC8279516.
编译者：Liu（Brainnews創意團隊）
评论：西蒙（Brainnews编辑部）
#pgc-card .pgc-card-href { text-decoration： none; 大纲：无; 显示： 块; 宽度： 100%; 身高： 100%; } #pgc-card .pgc-card-href：hover { text-decoration： none; /-pc Styles/.pgc-card （box-size：border-box; 高度： 164px; 边框： 1px 实心#e8e8e8; 位置：相对; 填充： 20px 94px 12px 180px; 溢出：隐藏; } .pgc-card：：after { content： " "; 显示： 块; 左边框：1px实心#e8e8e8; 高度： 120px; 位置：绝对; 右： 76px; 顶部：20px; } .pgc-cover { position： absolute; 宽度： 162px; 高度： 162px; 顶部： 0; 左： 0; 背景尺寸：封面; } .pgc-content { overflow： hidden; 位置：相对; 上衣： 50%; -webkit-transform： translateY（-50%）; 转换： translateY（-50%）; } .pgc-content-title { font-size： 18px; 颜色： #222; 行高： 1; 字体粗细：粗体; 溢出：隐藏; 文本溢出：省略号; 空格：不换行; } .pgc-content-desc { font-size： 14px; 颜色： #444; 溢出：隐藏; 文本溢出：省略号; 顶部填充：9px; 溢出：隐藏; 行高： 1.2em; 显示： -webkit-inline-box; -webkit-line-clamp： 2; -webkit-box-orient： vertical; } .pgc-content-price { font-size： 22px; 颜色： #f85959; 填充顶部：18px; 行高：1米; } .pgc-card-buy { width： 75px; 位置：绝对; 右： 0; 顶部： 50px; 颜色： #406599; 字体大小： 14px; 文本对齐：居中; } .pgc-buy-text { padding-top： 10px; } .pgc-icon-buy { 高度： 23px; 宽度： 20px; 显示： 内联块; background： url（https://lf6-cdn-tos.bytescm.com/obj/cdn-static-resource/pgc/v2/pgc_tpl/static/image/commodity_buy_f2b4d1a.png）; }
双脑：认知神经科学之父，加扎尼加自传书籍心理学应用心理学，48.8 购买