nature neuroscience：整合脑干和皮层功能结构

1. 摘要

脑干是中枢神经系统的基本组成部分，但它通常被排除在体内人脑映射工作之外，从而阻碍了对脑干如何影响皮质功能的全面了解。在本研究中，我们使用高分辨率 7 T功能性磁共振成像来获得一个功能性连接组，该连接组涵盖皮质和横跨中脑、脑桥和延髓的58 个脑干核。我们在脑干中发现了一组紧凑的整合中心，它们与大脑皮层有着广泛的连接。脑干和大脑皮层之间的连接模式表现为神经生理振荡节律、认知功能专业化模式和单模态-跨模态功能层次。皮质功能拓扑和脑干核之间的这种持续对齐是由多种神经递质受体和转运体的空间排列决定的。我们使用来自同一参与者的 3 T数据复制了所有发现。总的来说，这项研究表明，皮质活动的多种组织特征可以追溯到脑干。

2. 引言

大脑是由功能上相互作用的神经群组成的网络。利用多种成像技术可以研究清醒人类大脑的功能结构，尽管这些技术通常偏向于信号质量最高的大脑皮层。因此，关于大脑功能活动的关键发现——包括功能专门的大脑区域的存在、具有同步神经活动的区域网络以及高阶认知过程背后的机制——主要局限于大脑皮层。因此，一个重要的问题是：皮层外结构在皮层功能中起什么作用？

现代在体脑网络重建中，最突出的缺失部分或许是脑干。这种早期的进化结构对于生存和意识至关重要，它整合了来自整个神经系统的信号。此外，多种神经递质系统起源于脑干核并投射到整个皮质，塑造皮质活动。与皮质功能研究形成鲜明对比的是，有关脑干功能的知识主要来自病变研究或模型生物研究，而这些研究通常仅限于特定的脑干核或通路。最近令人兴奋的成像进展提高了整个脑干功能成像的可行性，包括超高场磁共振成像( MRI )扫描仪和广泛的脑干特异性生理降噪管道。此外，最近开发的涵盖多个核的脑干图谱使得能够通过对脑干的解剖学全面表征来增强皮质功能连接组。

在本研究中，我们通过分析高分辨率 7 T静息态功能性磁共振成像 (fMRI) 数据集以及涵盖中脑、脑桥和延髓 58 个核团的全脑干图谱，研究了脑干的功能结构如何与皮质功能相一致。首先，我们确定了脑干皮质连接的枢纽，并发现神经振荡的电生理特征可以通过脑干皮质功能连接 (FC) 来反映。接下来，我们根据脑干核团与皮质的连接方式对其进行聚类，并确定了服务于与记忆、社会认知、运动、感觉和情绪相关的熟悉的皮质功能激活模式的脑干核团群落。使用正电子发射断层扫描 (PET) 估计的 18 种神经递质受体和转运体的脑图，我们发现了脑干皮质 FC 的化学结构特征。最后，我们证明了皮层功能层次划分单峰（低阶）和跨峰（高阶）脑区反映了与脑干的连接模式。总之，本研究利用同时进行的脑干和皮层功能活动活体人体成像，将我们对皮层功能的视角（包括动态、认知功能和单峰-跨峰皮层功能梯度）扩展到脑干，展示了皮层功能结构如何始终如一地反映脑干的影响。

3. 结果

使用 7 T扫描仪在 20 名无关健康参与者（29.5 ±1.1 岁，10 名男性和 10 名女性）中获取皮层和脑干的静息态 fMRI 时间序列，并使用 3 T扫描仪在同一个体中获取重复数据。按照既定的脑干特定协议处理脑干数据，并根据指定的皮层和脑干种子和目标区域定义所有功能连接（详情见方法）。根据 Schaefer 分区中的 400 个区域定义皮层区域16，根据脑干导航图谱中的 58 个核定义脑干核（50 个双侧核和 8 个中线核；图1a、b；图谱可在https://www.nitrc.org/projects/brainstemnavig上找到）。我们通过将神经递质受体密度的 PET 图像分割到脑干来验证脑干图谱，并证实受体在其相关脑干核中表现出高密度，例如缝核中的血清素受体 (5HT 1A、 5HT 1B、5HT 2A、 5HT 4和 5HT 6 ) 和转运蛋白 (5-HTT)、黑质和腹侧被盖区中的多巴胺受体 (D 2 ) 和转运蛋白 (DAT) 以及蓝斑中的去甲肾上腺素能去甲肾上腺素转运蛋白 (NET)。接下来，我们证实脑干中的时间信噪比 (tSNR) 虽然很低，但在皮质 tSNR 范围内。最后，我们确认较小的脑干核与较低的 tSNR 无关（r = −0.45，P = 0.0004）。

图片

图1. a, 脑干导航图谱（https://www.nitrc.org/projects/brainstemnavig/）中所有 58 个脑干核的阈值（35%）概率模板的冠状（后视图）、矢状和轴向视图。b, 皮质（灰点， n = 400）和脑干（绿点，n = 58）地块坐标质心的冠状（后视图）、矢状和轴向视图。c, 左，FC 矩阵（458 个区域 × 458 个区域）。右，皮质和脑干之间的 FC 矩阵（400 个皮质区域 × 58 个脑干核）。d，脑干内（绿色）、脑干与皮质之间（蓝色）以及皮质内（粉色）的 FC 密度分布。e，区域间 FC 散点图，作为质心间欧氏距离的函数。皮质内双侧 Spearman r =−0.29，P ≈ 0；脑干皮质双侧 Spearman r = 0.05，P = 8.7 × 10−16；脑干内双侧 Spearman r =−0.11，P = 3.4 ×10−6。

在图1c中，我们展示了脑干和皮质的 FC（时间序列之间的 Pearson 相关性）。皮质 FC 显示出熟悉的网络组织，并且与人类连接组计划 (HCP) 的 FC 数据相关；Spearman 的r = 0.58，P ≈ 0）。有趣的是，我们发现脑干与皮质的功能连接比与自身的连接更紧密（图1d；Welch 双侧t检验t = 33.9，P < 0.001）。事实上，皮质 FC 随着欧几里得距离而减小，而脑干 FC 受距离的影响较小（分别为r = −0.29 和r = −0.11；图1e）。这与脑干中的主要白质束（例如内侧丘系、脊髓丘脑束和皮质脊髓束）投射到脑干以外的区域（包括皮质、皮质下和脊髓）的事实相一致，这可能导致脑干内 FC 较弱，而脑干与皮质之间的 FC 较强。

3.1 脑干皮质 FC

图1所示的脑干皮质FC 的水平和垂直条纹模式表明脑干皮质连接存在一种主导模式。下文中，我们将脑干核与皮质之间的连接模式称为“脑干到皮质”连接，反之亦然，称为“皮质到脑干”连接，尽管没有方向性含义。脑干核与皮质连接的主导模式被量化为跨皮质区域 FC 的总和（“加权程度”；图2a）。脑干到皮质中枢（与皮质功能连接最密切的脑干核）在空间上是隔离的，这符合中枢位置优化距离和有效信息传输之间的权衡的理论。

图片

图2. a, 脑干到皮质加权程度是通过对所有皮质区域的脑干核 FC 求和来计算的。图中显示了脑干核的冠状面（后视图）、矢状面和轴向视图。节点大小和颜色反映加权程度，并绘制了脑干内 5% 最强功能连接的边缘（2.5% 和10%）。关键脑干核已标记。b, 皮质到脑干加权程度是通过对所有脑干核的皮质区域 FC 求和来计算的。颜色条范围从数据的 2.5 到 97.5 百分位数。c，根据层状分化类型对皮质到脑干的加权程度进行分组（各组之间显著不同；单向方差分析F = 18.5，P = 2.8 × 10 −11）。类别：旁边缘（n = 61）、异型（n = 136）、单型（n = 120  ）和独特型（n  = 3）。d, 根据细胞结构类型对皮质到脑干的加权程度进行分组（各组之间显著不同；单向方差分析F = 35.6，P  = 2.0 × 10 −34）。类别：岛叶（n = 16）、边缘（n  = 39）、关联网络 1（n  = 155）、关联网络 2（n  = 77）、初级/次级感觉（n  = 64）、初级运动（n = 26 ） 和初级感觉（n  = 23）。c和d中的小提琴图估计了基础数据的核密度，其中基础数据是箱中每个皮质区域的加权程度。绿点表示中位数，垂直线表示分布的四分位数。e , 散点图显示皮质到脑干加权程度与七个 MEG 动态指标之间的相关性：六个标准频带的功率谱分布和固有时间尺度（神经元素的时间记忆；详情请参阅方法）；每个点都是一个大脑区域（n = 400）。每个图下方的大脑表面显示 MEG 测量值的皮质分布，这些分布来自 HCP 中的数据。

中脑的脑干至皮质中枢包括中脑网状结构、中脑导水管周围灰质和背缝。脑桥内的脑干中枢包括脑桥网状核、背外侧被盖核和前庭核（横跨脑桥和延髓）。最后，延髓中的其余脑干中枢包括下橄榄核和下延髓网状结构。我们证实加权程度模式与 tSNR 无关（Spearmanʼs r = 0.20，P = 0.14）。我们同样展示了皮质中的加权程度模式，它表示皮质区域与脑干的连接强度（皮质至脑干中枢；图2b）。这种模式遵循前后梯度，前扣带皮层是皮层到脑干 FC 的主要枢纽。通过根据 Mesulam 层状分化类别和 von Economo 细胞结构类别对皮层区域进行加权程度分类，我们发现边缘和岛叶类别表现出最大的脑干 FC，而单峰类别表现出最低的脑干 FC（图2c、d；Mesulam 层状类别：单向方差分析F = 18.5，P = 2 ×10−11；von Economo 细胞结构类别：单向方差分析F = 35.6，P = 2.0 ×10−34）。值得注意的是，在边缘和岛叶细胞构筑类别中，前岛叶和前扣带皮层表现出最大的皮层到脑干 FC。

3.2 脑干连接反映认知本体

各个皮质区域和脑干核同样按照脑干加权程度模式与脑干进行功能连接（图3a，左；中位数r = 0.97， 皮质区域r  ∈ [0.90, 1]，脑干核r  ∈  [0.71, 0.94]）。要了解脑干核如何与皮质进行独特的功能连接，我们需要关注超出这种主导模式的连接模式。因此，我们从每个区域的连接与脑干概况中回归了脑干加权程度（图3a）。这得到了一个 FC 矩阵，它表示脑干和皮质如何在其主导连接模式之外相互连接（图3a，中间）。通过关联脑干核对的回归皮质连接特征，我们构建了一个脑干区域×区域相关矩阵，该矩阵表示任意两个脑干核与皮质功能连接的相似性（图3a，右）。

图片

图3. 使用 Louvain 社区检测算法来确定脑干核是否可以组织成不同的社区，从而与皮质形成特定的连接模式。a，左，对于所有 458 个节点（400个皮质节点和 58 个脑干节点），我们将节点的脑干 FC 分布与插图和图2a中所示的加权程度模式进行相关（Spearman'sr ）。脑干（绿色）和皮质（粉色）节点的Spearman's r密度分布分别显示，也一起显示（蓝色）（中位数r = 0.97）。中间，这个脑干图（脑干到皮质 FC 的加权程度）从每个皮质区域的脑干 FC 模式中回归出来，得到一个 FC 残差矩阵（400 个皮质区域 × 58 个脑干核）。右图，相关矩阵表示两个脑干核在功能上与皮质连接的相似程度（Spearman's r），超出了脑干和皮质之间主要的连接模式。脑干核根据社区隶属关系排序（右侧显示社区颜色），并在热图中勾勒出社区的轮廓。右侧的括号表示在更粗略的社区检测解决方案中社区是如何连接的。b, 来自Louvain社区检测算法的社区分配。显示了脑干核的冠状（后视图）、矢状面和轴向视图。节点大小与图2a中所示的加权程度成正比。有关按社区隶属关系组织的所有脑干核的列表，请参见表1。c 、皮质加权程度模式计算为皮质区域与特定社区内所有脑干核的功能总和，并显示所有五个社区。这些图表示每个脑干社区在功能上如何与皮质连接。d,  c中的每个皮质加权程度模式与 Neurosynth 中的 123 个认知和行为元分析激活图相关。仅显示前 10% 的相关性。

该相似性矩阵在多个分辨率参数（0.1 < γ < 6.0）下接受 Louvain 社区检测算法的检验 。我们发现脑干可以分为一个嵌套的社区层次结构，每个社区代表一组表现出与皮质相似的 FC 模式的核。我们 在正文中展示了一个由五个大小大致相等的社区组成的稳定解决方案（图3b），在γ = 2.8 时，以及两个较粗的三个（γ = 1.9）和四个（γ = 2.2）社区的解决方案。每个社区内的区域列于表1中，我们将在下面详细描述每个社区 。

表1 脑干群落

图片

这些脑干群落是如何与皮质相连的？对于每个脑干群落，我们计算了每个皮质区域与该群落内脑干核的总 FC（加权程度；跨脑干核的 FC 总和）（图3c）。皮质加权程度可以解释为与每个脑干群落相关的皮质网络模式。接下来，为了确定每个皮质网络的功能特化，我们将图3c中的皮质加权程度模式与 Neurosynth 中的 123 个元分析功能激活模式相关联。我们在图3d中展示了 12 个（10%）相关性最高的Neurosynth 关键词。

我们发现一个群落（黄色）由整个脑干的区域组成，包括下丘、前庭核和下橄榄核。这个群落与单峰皮质的功能联系最为密切，与感觉知觉和运动有关。延髓中存在第二个感觉相关群落（灰色），由上橄榄复合体、内脏感觉运动复合体和中缝大核等区域组成。这个群落与初级运动和感觉皮质的腹侧区域以及前顶叶区域（如角回和缘上回）联系最为密切，这些区域与高阶运动协调和语言有关。请注意，黄色和灰色群落是在三群落解决方案中加入的。我们还发现了一个由中脑区域组成的群落（粉色），包括腹侧被盖区、背侧和尾侧线状缝核和中脑网状结构。该群落与扣带皮层的功能联系最为密切，与情绪调节、情感、成瘾和唤醒有关。该群落的皮层加权程度模式在空间和功能上也与主导加权程度模式最为相似。

最后，我们发现了两个与高阶认知功能相关的脑干群落。第一个（绿色）由中脑区域组成，包括黑质、红核、上丘和中脑导水管周围灰质。该群落与内侧跨模态皮质区域（包括楔前叶和额极）联系最为密切。第二个高阶认知群落（蓝色）由中脑和脑桥区域组成，包括蓝斑、菱脑的背外侧被盖核/中央灰质和脑桥网状核。绿色和蓝色群落都与跨模态皮质功能相关，并与记忆有关，但每个群落都有专长。绿色群落与额极联系最为密切，与自传体记忆和社会认知有关；蓝色群落与内侧和外侧跨模态皮质联系更为广泛，与记忆检索、工作记忆和认知控制有关。值得注意的是，绿色群落仍然在三群落和四群落解决方案中处于孤立状态，而蓝色和粉色群落则结合在一起。使用 3 T数据也观察到了三群落解决方案。总的来说，这些发现证明了认知功能和脑干功能之间的惊人一致性。

为了探索哪些核可能具有更高的功能灵活性，我们计算了每个脑干核的(1) 与皮质的回归 FC 与 (2) 该脑干核分配群落的皮质加权程度模式之间的 Spearman 相关性。相关性最低的核（即其群落的皮质连接模式最不具代表性的核）包括中缝核、上丘、脚被盖核、小细胞被盖核-副二联核、蓝斑下和黑质亚区域以及红核。这些核（中缝核除外，它是中线核）都是双侧核，其同源物被分配到不同的群落。这表明这些核既参与单模态（感觉运动）功能，又参与跨模态（认知）功能。

3.3 将化学结构映射到脑干群落

鉴于皮质接收来自多个神经调节脑干核的输入，我们试图确定神经递质系统、已识别的脑干群落及其皮质投射模式之间的关系。我们使用了最近人类大脑中九种神经递质系统的 PET 图谱数据来估计 18 种神经递质受体和转运体的皮质分布。具体来说，对于每个脑干群落，我们拟合了一个多元线性回归模型，该模型可根据受体和转运体密度预测群落的皮质加权程度分布（图4，左）。接下来，我们应用优势分析来估计每个受体和转运体对模型整体拟合度的相对贡献（“优势”）（图4，右）。

图片

图4.对于每个群落（显示在左侧的脑干图以及图3b中），在 18 个皮质神经递质受体和转运体密度谱与群落的皮质加权程度模式（显示为表面图以及图3c）之间拟合多元线性回归模型。模型拟合度（调整后的R 2）如条形图所示。对独立变量（受体和转运体）应用优势分析，以确定哪些受体/转运体对模型拟合的贡献最大。贡献百分比显示在热图中。受体/转运体数据是从人脑神经递质受体/转运体密度 PET 图谱中获得的。

NET 在所有群落中都成为主导受体，在蓝色记忆群落中达到峰值，该群落包括去甲肾上腺素合成的主要核：蓝斑。第二个高阶认知脑干群落（绿色）与皮质的连接方式与单胺转运体相一致，包括多巴胺能 DAT 和血清素能 5-HTT。事实上，这个群落包括多巴胺能黑质和血清素能中线和旁中线缝核。NET、DAT 和 5-HTT 还表现出较高的相互作用优势，定义为当一个独立变量添加到包含所有其他独立变量的子模型时R2的变化。这表明这些转运体与其他变量的方差相对较小——也就是说，在预测皮质加权程度时，它们始终为其他神经递质系统添加互补信息。

我们发现，感觉相关（黄色）和情感相关（粉色）脑干群落的整体拟合度最高。换句话说，这些脑干核在功能上与皮质相连，与其他脑干群落相比，其与皮质受体分布更加一致（图 4）。这两个群落最主要的受体包括组胺受体 H3 、阿片类受体 MOR、NET 和多巴胺受体 D2 ，而粉色群落的主要受体包括血清素转运蛋白 5-HTT 和乙酰胆碱转运蛋白 VAChT。这些受体涵盖多种神经递质系统，主要为代谢型，而非离子型。它们也是预测皮质加权程度模式最主要的受体（特别是 MOR、H 3和 5-HT 1A ）。总之，这些发现强调了多种递质系统在调节脑干皮质 FC 中的作用。

3.4 脑干核描绘单模态和跨模态皮质

最后，我们问：如果脑干核表现出与皮质独特的功能连接模式，那么皮质区域是否同样表现出与脑干独特的功能连接模式？使用上面描述的回归功能连接组，我们将皮质区域对的回归脑干连接概况关联起来，构建了一个皮质区域×区域相关矩阵，该矩阵表示两个皮质区域与脑干的功能连接有多相似（图5a）。

图片

图5. a，左图，FC 残差（与图3a左侧所示的矩阵相同）。右图，相关矩阵表示两个皮质区域在脑干-皮质连接的主要模式之上和之外与脑干的功能连接的相似程度（Spearman's r ）。b，将扩散图嵌入应用于 a 所示的矩阵。左图，皮质-脑干 FC 的第一个梯度。右图，皮质-脑干连接的第一个梯度与皮质-皮质 FC 的第一个梯度之间的相关性（也称为皮质功能层次、单峰-跨模态轴和感觉-联想轴；r = 0.77，P spin = 0.0001）。显示了两个梯度的梯度值分布。c，脑干加权程度模式计算为脑干核 FC 与b中所示的皮质梯度的所有负（左）或正（右）得分区域的总和。显示了脑干核的冠状（后视图）、矢状和轴向视图。节点大小与图2a中所示的加权程度成正比。

我们使用扩散图嵌入来估计皮质区域与脑干连接相似性的第一个梯度。在这个梯度上具有相似得分的皮质区域与脑干的连接相似；梯度得分的差异越大，它们的脑干连接谱中的区域越不相似。这个梯度与皮质-皮质连接的主功能梯度（也是使用扩散图嵌入得出；r =0.77，Pspin =0.0001；图5b）密切相关，这被认为描绘了从单峰（例如，涉及低阶功能的主要区域）到跨峰（例如，涉及高阶功能的关联区域）区域的皮质功能层次结构。我们发现这种皮质单峰-跨峰层次结构也反映了脑干FC。有趣的是，对于从皮质与脑干的连接得出的梯度，大多数皮质区域都位于梯度的极端。事实上，Louvain 社区检测算法最稳定的解决方案是识别两个突出的社区（一个是跨模式的，一个是单模式的）。

哪些脑干核与单模式（负梯度得分）和跨模式（正梯度得分）区域的功能连接更紧密？我们计算了从负得分和正得分皮质区域到脑干的 FC 加权程度（图5c）。我们发现单峰脑区与延髓尾部脑干核连接最紧密，包括下延髓网状结构、内脏感觉运动核复合体和苍白核和暗缝核。除了这些核之外，单峰连接最紧密的脑干核是中脑的下丘。同样，与转运区域最相关的脑干核存在于中脑和脑桥，包括腹侧被盖区、蓝斑、黑质、背缝和内侧副臂核。

3.5 皮层下复制

最后，我们将分析扩展到其他皮层下和间脑区域（物理位置在皮层和脑干之间，可能介导它们的关系），作为了解当前发现如何反映在皮层下结构的第一步。具体来说，还获取了 14 个双侧非新皮层 FreeSurfer 衍生区域（尾状核、壳核、苍白球、伏隔核、丘脑、杏仁核和海马）、八个双侧脑干导航间脑核（外侧膝状核 (LGN)、内侧膝状核 (MGN) 和丘脑底核亚区）和下丘脑的7 T功能数据。为简单起见，我们将 FreeSurfer 结构称为“皮层下”（尽管海马体在技术上属于异皮层，丘脑也是间脑的一部分），将脑干导航间脑核和下丘脑称为“间脑”。值得注意的是，FreeSurfer 衍生区域是大型的、细胞结构定义的大脑区域，不经过脑干特定的预处理，而间脑核是从 T1 图像定义的小型核，由于其大小和与血管和脑脊液 (CSF) 的接近性，确实经过脑干特定的处理。

首先，我们展示每个皮层下区域和间脑核与脑干的功能连接强度。加权程度最高的区域包括丘脑、下丘脑和 LGN。接下来，我们重建了区域×区域相关矩阵，该矩阵表示非新皮层区域在功能上与新皮层的连接程度，超越了主要的加权程度连接模式。我们应用了 Louvain 社区检测，找到了一个稳定的四个社区的解决方案，类似于图3中描述的社区，并增加了皮层下和间脑区域的社区隶属关系。杏仁核、海马、丘脑底核和 MGN 与正中缝核、下丘脑和上橄榄体（灰色社区）分组。这些非新皮质区域在功能上与初级感觉运动皮质区域最为相关。伏隔核和下丘脑与中脑导水管周围灰质、楔骨和上丘（绿色社区）分组。这些区域在功能上与腹内侧前额皮质最为相关。尾状核和丘脑与主要神经调节核分组，包括背缝、黑质和蓝斑（蓝色社区）。这些区域在功能上与跨模态皮质最为相关，包括楔前叶、前扣带皮质、角回和背外侧前额皮质。最后，壳核和苍白球与内脏感觉运动复合体、前庭核和下橄榄核（黄色社区）分组。这些区域在功能上与腹侧初级和次级运动皮质最为相关。

最后，我们将扩散图嵌入到区域×区域相似性矩阵中，该矩阵表示新皮质区域与非新皮质结构的功能连接相似性。我们发现第一个梯度仍然类似于单峰-跨模态梯度，并且我们发现海马、杏仁核和 MGN 与得分为负（单模态）的大脑区域具有最大的 FC，而尾状核、壳核、丘脑和 LGN 与得分为正（跨模态）的大脑区域具有最大的 FC。总之，当扩展到皮质下区域和间脑核时，本研究结果仍然一致。

3.6 敏感性和稳健性分析

我们进行了三项分析，以评估当前发现的敏感性和稳健性。首先，我们进行了分半重采样分析，将 20 个个体的样本随机分成两组，每组 10 人（重复 100 次）。我们将两组之间的组平均功能连接组、脑干至皮质中枢概况和皮质至脑干中枢概况关联起来，以评估不同参与者样本的结果差异有多大。我们发现 FC（0.85 < r < 0.95）、脑干至皮质中枢（0.90 < r < 1）和皮质至脑干中枢（0.7 < r < 0.92）在组间都高度相关。其次，为了确保结果对其他分区具有稳健性，我们使用 100 个区域的皮质分区16重复了分析，并发现所有分析的结果都一致。第三，由于所有参与者都接受了 7 T和 3 T扫描，我们根据 3 T fMRI 时间序列重建了他们的功能连接组。当比较这两种扫描条件下的功能连接组时，我们发现皮质内 FC 的相关性为r = 0.40；脑干内 FC 的相关性为r = 0.75；而脑干到皮质 FC 的相关性为r = 0.70。总之，这些分析表明我们的研究结果可推广到不同的扫描仪和处理流程。

最后，我们考虑了 20 位参与者的 FC 差异。对于每对参与者（总共 190 对），我们关联了（Spearman r）他们的皮层内 FC（平均r = 0.40，范围 (0.12, 0.64)）、脑干内 FC（平均r = 0.51，范围(0.27, 0.69)）和脑干皮层 FC（平均r = 0.45，范围(0.18, 0.63)）。与之前的文献一致，FC 对个体差异很敏感32。接下来，我们比较了参与者的脑干到皮质加权程度（平均值r = 0.69，范围(0.28, 0.88)）和皮质到脑干加权程度（平均值r = 0.32，范围(-0.03, 0.6)）。这表明，脑干到皮质的连接模式在个体之间比皮质到脑干的连接模式更保守。总之，所有参与者都存在脑干和皮质之间的广泛 FC 模式，但个体之间存在差异。脑干皮质 FC 的个体差异是否与个体认知和行为差异有关，是未来研究的一个重要问题。

4. 讨论

在本研究中，我们使用高分辨率 7 T fMRI 数据集与包含 58 个核的综合脑干图谱，研究皮质功能如何反映脑干功能。我们在脑干中发现了一组紧凑的整合中心，它们与皮质有很强的功能连接。我们发现多种皮质现象，包括振荡节律、认知功能和单模态-跨模态层次，都可以追溯到与脑干的特定功能连接。

由于对一系列深层结构进行成像的挑战，人类脑干的体内功能成像长期以来一直困扰着神经成像领域，导致对清醒人类脑干活动的知识真空3。在过去十年中，在获取脑干中稳健的功能信号方面取得了实质性进展。对脑干中 fMRI 信号源和噪声校正必要性的广泛研究提高了深层大脑结构中信号的获取和可解释性。2015年，Bianciardi 等人开始开发人类脑干核的体内神经成像模板，促进了全脑干功能成像的标准化。后来在 2022 年， Singh等人和Cauzzo 等人报告了功能定义的觉醒和运动以及自主神经、边缘、疼痛和感觉脑干核与大脑其余部分的静息状态功能连接组。在本研究中，我们将这些连接组合并为一个从全脑干到全皮层 FC 的单一数据集，以提出问题：活体人类全脑干功能活动能告诉我们有关皮层功能的什么信息？

首先，我们确定了脑干中与皮质功能联系最紧密的区域。尽管关于皮质中枢的文献很多，但对于脑干中的中枢却知之甚少我们确定了一组位于中脑、脑桥和延髓的整合脑干中枢。脑干到皮质中枢功能多样，一些被认为主要参与运动功能（例如，下橄榄核（运动协调）、脑桥核（运动）和前庭核（平衡）），一些与特定的神经递质系统有关（例如，背缝（血清素）和背外侧被盖核（乙酰胆碱）），还有一些与多种功能相关（例如，中脑和下延髓网状结构以及中脑导水管周围灰质）。令人惊讶的是，尽管蓝斑已知遍布整个大脑皮层，并且发挥着信息整合的作用 ，但蓝斑并未被确定为一个枢纽。

同样，我们证明皮质区域到脑干的功能连接强度呈现前后梯度，其中最大的皮质到脑干中枢位于前扣带皮层。先前的研究报告称，从前皮质到脑干的弥散加权 MRI 结构连接更强。同样，对人类 von Economo 神经元（其细胞体局限于前皮质的第五层）的转录组分析表明，这些双极神经元表达与向脑干的长距离投射相关的转录因子。换句话说，这种皮质-脑干 FC 的梯度可能反映了脑干和皮质之间潜在的突触连接。有趣的是，皮质到脑干 FC 的前后梯度与岛叶内的前后梯度平行。值得注意的是，岛叶（尽管在图2d中被归入单个细胞构造类）在功能上是多样的。我们发现脑干 FC 最多的岛叶区域是腹侧前岛叶皮质（与内脏运动控制相关的区域）和背侧前岛叶皮质（与注意力相关）。与嗅觉、味觉和内感受等感觉功能相关的中部和后部岛叶区域与脑干的功能连接较少。

此外，我们发现皮质到脑干中枢与 MEG 衍生的 alpha 功率之间存在密切的对应关系。尽管皮质节律已经得到广泛研究，但由于电生理信号在较大距离内衰减，皮质下和脑干节律难以测量。关于 alpha 节律功能作用的一种理论是，alpha 代表从丘脑到皮质的抑制性输入，即“封闭的丘脑大门”（但有关不同 alpha 振荡功能理论的广泛讨论）。这与我们的发现一致，即在 alpha 功率较低的皮质区域会发生更大的皮质-脑干同步。我们还发现皮质到脑干的加权程度与慢频率（例如，delta 和 theta）的皮质功率分布呈正相关，这可能反映了它们在认知中的作用。总而言之，我们的研究表明，脑干连接为正在进行的皮质动态变化提供语法，这促使未来的研究测试皮质和脑干节律之间的关系。

功能成像已被用来显示在特定任务期间和静息状态下共同激活的皮质区域网络。最近探索中枢神经系统皮质外结构的研究表明，皮质网络还与特定的小脑区域、脊髓节段和特定的脑干核共同激活。我们没有将皮质定义的功能激活模式强加于脑干，而是询问脑干核是否与皮质共享相似的连接模式，如果是，脑干连接的皮质网络是什么。我们发现脑干可以组织成具有相似皮质连接的层级核群落。这些群落建立了脑干核之间的功能联系，这种联系以前是未知的，而且很可能只能在活体人类中观察到，在活体人类中可以同时记录脑干和皮质的神经活动。此外，每个脑干群落都与熟悉的皮质功能网络相连，这些网络是认知、记忆、感觉、运动和情绪的基础。少数双侧脑干核被分配到具有单峰和跨峰特征的独立群落，这可能表明这些核在功能上具有灵活性（表1）。事实上，这些核也显示出与各自群落的皮质加权程度模式的相关性较低。总的来说，这些发现表明脑干广泛参与多种认知和行为功能。

每个群落都与多种心理功能相关。一个自然的解释是，这是由于它们特定的化学结构组成。也就是说，脑干由多个神经调节系统组成，这些系统投射到整个皮质，调节神经元群体的大规模同步和新兴功能。投射到整个大脑的主要神经调节系统是去甲肾上腺素能系统。我们发现 NET 与每个脑干群落相关的皮质激活模式密切相关，并且这种关系在包含去甲肾上腺素能蓝斑的群落（蓝色）中最为强（图 3）。此外，这个群落与记忆、认知控制和检索有关，所有这些整合功能都被认为是由去甲肾上腺素系统调节的。鉴于蓝斑并未被确定为枢纽，NET 在所有五个脑干群落中的首要地位乍一看也许是违反直觉的。然而，之前的研究推测蓝斑的整合特性仅在特定的行为环境下出现。这表明蓝斑，或许还有脑干中枢，可能是状态依赖性的，并且随时间变化的。因此，NET 的优势可能表明其空间模式使 NET 存在并可用于促进跨多种认知环境的脑干皮质同步。事实上，无论大脑状态如何，NET 的存在都与以下事实相一致：NET 起到终止突触中去甲肾上腺素作用的作用，并且是一种参与其他单胺类物质再摄取的非特异性转运体。此外，根据认知环境，来自蓝斑的去甲肾上腺素能投射可能专门针对皮质区域和网络。未来可以通过在任务期间进行脑干优化的 fMRI 实验来测试蓝斑的状态依赖性。第二种非排他性解释是，由于扫描时间长于11 C 的半衰期，NET 示踪剂 ([ 11 C]MRB) 的信噪比会降低。最终，还需要开展更多研究来理清蓝斑、去甲肾上腺素和 NET 在脑干皮质 FC 方面的关系。

最后，我们发现皮质区域与脑干的连接遵循一个众所周知且经常研究的皮质梯度：感觉-联想轴。感觉-联想轴或单峰-跨峰功能层次描述了皮质功能从低阶到高阶过程的梯度。该梯度与个体发育和系统发育过程中的皮质扩张相一致，随着发育而变得更加两极化69，随着病理进展而变得不那么两极化。值得注意的是，感觉-联想轴通常从皮质处理和皮质-皮质连接的角度来观察和解释。在这里，我们发现感觉-联想轴的两极与脑干表现出不同的连接模式。这可能表明来自脑干的功能输入锚定了皮质层级的两极（即初级皮质和联合皮质），而皮质-皮质连接模式填补了从低阶到高阶皮质功能的逐渐转变。换句话说，皮质功能的层级可能来自与脑干的连接模式，揭示了皮质外结构对皮质-皮质连接的影响。脑干如何参与发育、健康衰老和病理学的梯度变化是未来研究中一个令人兴奋的问题。

到目前为止，我们主要将我们的发现定位在人类神经影像学文献中。然而，脑干连接和功能早已在非人类模型生物中得到研究，例如小鼠、大鼠、猫和猕猴。这些研究通常集中于特定的脑干核或一类核，并使用顺行和逆行病毒示踪剂来映射体外传出和传入神经元投射。束追踪研究一致报告前额皮质和脑干之间存在密集的投射，这与我们的发现一致，即前皮质是脑干连接的枢纽。Porrino 和 Goldman-Rakic 报告称，大多数到前皮质的脑干投射源自腹侧被盖区、黑质、背缝、蓝斑和内侧副臂核。这五个核均被确定为具有高 FC 和跨模态皮质的脑干核（图5c）。事实上，尽管蓝斑在整个皮质中都有广泛的投射，但在大鼠中，投射到前额叶区域的去甲肾上腺素释放量大于投射到运动皮质的去甲肾上腺素释放量，这进一步支持了蓝斑与跨模态皮质具有功能联系的观点。关于血清素能缝核，先前的研究报告了喙核和尾缝核投射模式的二分法，即喙核（例如，背缝和正中缝）倾向于向喙部投射到皮质，而尾核（例如，苍白缝和暗缝）倾向于向尾部投射到脊髓或脑干网状结构中的内脏和躯体运动核。特别是，支配皮质的大多数血清素能缝神经元都是从背缝发出的。我们观察到，在与跨模态皮质和单模态皮质的连接性方面，前缝核和尾缝核之间存在同样的二分性，并且我们还确定了背缝核是脑干皮质 FC 的中心。总之，非人类物种的离体解剖学研究支持了目前人类体内 fMRI 的发现。

为什么脑干在解剖学和功能上应该与前部皮质区域建立更多的连接？一种假设是，这种连接模式与大脑的异质性有关：大脑如何有效地维持体内的能量调节。脑干连接性最强的皮质区域也是参与内脏运动控制（身体内部的运动控制）和内感受（身体内部的感觉）的无颗粒和异颗粒区域，即腹侧前岛叶和前扣带皮质。内脏运动控制和内感受对于维持身体的能量消耗（异质性）至关重要：大脑通过内感受预测身体的代谢需求，尝试通过内脏运动控制来满足这些需求，然后再次通过内感受来调整需求是否得到满足。这些皮质区域也是许多功能过程的基础（即“领域通用”），包括情绪、记忆、奖励和认知控制。我们发现参与内脏运动控制和内感受的脑干核（中脑导水管周围灰质、副臂核和内脏感觉运动核复合体）同样具有领域通用性：这些核不是聚集在同一个功能模块中（图3），而是分布在与记忆、感觉运动功能和情绪相关的所有五个已确定的群落中。此外，副臂核与其指定群落的皮质投射模式的一致性较差，这也表明了领域通用功能。这与骨骼运动（骨骼肌的运动控制）和外部感受（外部世界的感觉）大脑区域（例如“单峰”或初级感觉区域）形成对比，这些区域往往接收很少的脑干输入并且通常具有领域特异性。总的来说，我们推测脑干皮质FC 可能反映脑干在稳态中的参与。

虽然本研究主要关注脑干-皮质功能关系，但一组重要的结构可能在脑干-皮质连接中起着重要作用：皮质下层。我们发现丘脑是脑干连接的主要枢纽，这支持了大多数脑干到皮质的投射都经过丘脑的观点。与丘脑聚集的脑干核绝大多数具有神经调节作用，并且在跨模态区域与皮质功能连接，这表明高阶认知过程、丘脑和神经调节脑干核之间存在联系。此外，我们发现腹内侧边缘区域与脑干核（如中脑导水管周围灰质）之间的联系可能是由下丘脑介导的。在恒河猴中开展的解剖束追踪研究表明，下丘脑与眶额和内侧边缘区域是相连的，这些连接可能参与对情绪刺激的自主反应。最后，我们发现与运动控制相关的脑干核，例如下橄榄核、前庭核和内脏感觉运动核复合体，与同样大量参与运动控制的皮层下区域（例如壳核和苍白球）聚集在一起。事实上，这些脑干核和皮层下区域在功能上与腹侧运动皮层和次级运动皮层联系最为紧密。总之，通过使用在体 fMRI，我们可以观察到特定脑干核、皮层下结构和皮层区域之间的功能相关关系。

在本研究中，我们将体内皮质功能网络的环境扩展到脑干，发现脑干皮质功能网络反映了多种皮质现象。这为脑干功能网络的许多未来应用打开了大门。例如，多种病理标志物（如帕金森病中的 α-突触核蛋白）被认为是从脑干功能障碍中产生的，然后扩散到整个皮质。脑干功能网络模式可能产生更准确的疾病传播和异常动力学模型，从而产生潜在的可操作的脑干目标。脑干功能网络也可能促进开发更好的持续动态计算模型。虽然本研究将人类体内皮质功能的研究扩展到脑干，但将脑干功能，以及小脑、皮质下和脊髓的结构和功能整合到完整的人类中枢神经系统的单一接线图中的可能性越来越大。

最后，我们来谈谈一些重要的方法论考虑。首先，脑干核由于位置深、靠近血管和脑脊液、形状不规则且体积小，因此极难成像。该脑干数据集经过了广泛且优化的生理噪声校正和已定义核的验证，但脑干成像是一个活跃的研究领域，最佳实践仍在不断完善。例如，从个体空间到模板空间的扭曲可能会导致脑干核边界轻微重叠。此外，内侧颞叶和眶额叶区域会出现一些丢失和较低的 tSNR，脑干信号与来自第四脑室的信号显示出较低的残差相关性。其次，7 T fMRI 的时间分辨率最小化为 2.5 秒。考虑到重建小脑干核所需的切片数量和空间分辨率，这是必要的。第三，本研究仅纳入了 20 名健康参与者。尽管我们利用 3 T扫描在同一被试中复制了这些发现，并进行了分半重采样分析，但未来的工作需要在更大的数据集中验证我们的发现。第四，最佳脑干配准可能导致皮层配准不理想，尽管我们发现皮层内的 FC 与独立数据集的 FC 相关。第五，本报告主要考虑组平均 FC，尽管个体之间的 FC 存在差异。随着脑干采集和处理协议的建立，包含更多个体的数据集将使我们能够测试脑干 FC 的个体差异是否可以预测认知的个体差异。

总之，我们绘制了脑干-皮质连接的功能结构。我们发现脑干的功能结构是皮质功能中始终存在的主旋律。本研究利用现代脑成像技术的进步，将研究范围扩大到以前无法接近的结构，最终使人们更全面地了解大脑。此外，它可能有助于个性化诊断和患者管理，以及提高临床试验的准确性和有效性。

5. 方法

5.1 fMRI数据采集

研究方案得到了麻省总医院机构审查委员会的批准。未使用统计方法来预先确定样本量。在根据《赫尔辛基宣言》提供书面知情同意后，20 名无关的健康参与者（年龄 29.5 ± 1.1 岁，10 名男性和 10 名女性）参加了两次闭眼静息态 7 T和 3 T MRI 疗程（分别为Magnetom 和 Connectom；西门子医疗）。本报告未排除任何参与者，参与者每小时可获得 35 美元的报酬。在 7 T疗程期间，获得了三次 10 分钟的运行，而在 3 特斯拉下获得了一次 9 分钟的运行。值得注意的是，针对 7 T MRI 采集和处理开发了脑干专用定制协议，我们将在下文中介绍，而常规序列则用于 3 T MRI 采集。

简而言之，使用定制的 32 通道接收线圈和体积发射线圈（7 T），使用定制的 64 通道接收线圈和体积发射线圈（3 T）。对于每个参与者，使用以下参数获取三次 7 T功能梯度回波回波平面图像：各向同性体素大小 = 1.1 毫米，矩阵大小 = 180 × 240，GRAPPA 因子 = 3，标称回波间隔 0.82 毫秒，带宽 = 1,488 Hz/Px，切片数 = 123，回波时间 (TE) = 32 毫秒，重复时间 (TR) = 2.5 秒，翻转角 = 75°，同时多切片因子 = 3，重复次数 = 210，相位编码方向 = 前后，采集时间 = 10 分钟，7秒。在三次 fMRI 测试之间，通过口头方式验证参与者的清醒状态。使用泡沫垫来尽量减少头部运动，并提供耳塞。为了解释生理相关的信号波动，分别通过压电手指脉搏传感器 (ADInstruments) 和压电呼吸波纹管 (UFI) 记录心跳和呼吸周期的时间。为了校正几何失真，获取了 2.0 毫米各向同性分辨率场图。最后，为每位参与者获取解剖 T1 加权多回波 MEMPRAGE 图像，其参数如下：各向同性体素大小 = 1 mm、TR = 2.53 s、TEs = 1.69、3.5、5.3、7.2 ms、反转时间 = 1.5 s、翻转角 = 7°、视场= 256×256×176 mm 3、带宽 = 650 Hz/Px、GRAPPA 因子 = 3。

5.2 fMRI数据预处理

每次静息状态 fMRI 运行中，使用定制的 MATLAB 函数 RETROICOR 进行生理噪声校正，该函数适用于切片采集序列。然后对功能图像进行切片时间校正，重新定向到标准方向并与 MEMPRAGE 图像配准。在 AFNI 中，使用由仿射配准和基于边界（边缘增强）的非线性配准98组成的两步程序实施配准。评估了每个个体的 fMRI 与 MNI 模板空间配准的质量，以确保模板定义的脑干核与个体解剖结构一致。接下来，从 fMRI 时间序列中回归出六个刚体运动时间序列干扰回归量、一个描述单位时间呼吸量的回归量与呼吸反应函数卷积、一个描述心率的回归量与心脏反应函数卷积，以及五个对脑脊液信号进行建模的回归量（使用主成分分析 (PCA) 对脑干周围脑室（具体而言，第三脑室下部、大脑导水管和第四脑室）的掩模提取）。因此，根据设计，脑干核的时间序列与周围脑室的信号不相关。有关脑干核信号与第四脑室信号之间以及脑干核信号与脑干周围 CSF 信号的 PC1 之间的相关性。将清理后的数据除以时间信号平均值，乘以 100，并在 0.01 Hz 和0.1 Hz 之间进行带通滤波，将其缩放为信号变化百分比。最后，删除任何残留的时间平均值，并将三次运行连接起来。

5.3 脑干核分割

脑干核是根据 Brainstem Navigator 定义的，Brainstem Navigator 是之前开发的体内脑干 ( n = 58 (8 个中线和 50 个双侧) 和间脑 ( n = 8 (4 个双侧)) 核的概率图谱。核在 MNI152NLin6Asym 1 - mm 3空间中定义(矩阵大小：182 × 218 × 182 ) 。简而言之，12 名（6 名男性和 6 名女性，年龄 28 ± 1 岁）健康参与者接受了 7特斯拉 MRI 成像，获取了 T2 加权图像和扩散加权图像。扩散加权图像用于计算每个体素的扩散分数各向异性 (FA)。T2 加权和 FA 图像显示脑干核具有高对比度，可用于标记核。首先，分割了三个缝核（中缝核、背缝核和缝大核）、中脑导水管周围灰质、黑质和红核。通过对 FA 或 T2 加权图像（取决于核）进行聚类，对每个参与者进行半自动分割。簇被识别为细胞核，在某些情况下，当簇包含多个细胞核时，使用关于细胞核解剖结构的先验知识手动将细胞核彼此分离。这会为每个细胞核产生一个每个参与者的二进制掩码。标签与 MNI152 模板空间对齐，在个体之间取平均值并转换为概率，其中 100% 表示在 12 个个体中体素始终被识别为特定细胞核。对于 Brainstem Navigator图谱中的所有细胞核，半自动和手动分割确保没有细胞核重叠；但是，组平均概率模板使得细胞核可能略微重叠（重叠程度取决于应用于概率模板的阈值）。

这里分割了中脑被盖核（楔骨核、脚被盖核、口脑桥网状核、旁正中缝和尾线状缝），但进行了两项额外验证：（1）神经外科医生使用 T2 加权和 FA 图像对比度以及中脑被盖解剖标志手动分割核；（2）将分割后的核与死后组织学定义的图谱进行比较。后续研究中分割的所有后续核都是由多位专家手动描绘的。最终标签（每个个体）定义为独立专家提供的分割的交集，并通过对参与者的分割取平均值来生成概率模板。依据 Paxinos 图谱验证了分割结果。具体而言，分割了下丘、上丘和上橄榄核复合体（以及作为丘脑一部分的 MGN 和 LGN）。Singh 等人定义了外侧和内侧副臂核、前庭核复合体和延髓内脏感觉运动核。使用来自死后人类脑干标本的组织学评估还验证了外侧和内侧副臂核。Singh 等人分割了中脑网状结构、峡部网状结构、微细胞被盖核、腹侧被盖区和尾部-喙线状缝核复合体。最后，García-Gomar 等人分割了暗缝、苍白缝、蓝斑、蓝斑下核、背外侧被盖核-菱脑中央灰质、下、上延髓网状结构和脑桥网状核（口部/尾部）。

5.4 功能网络重建

为了为每个被试构建二维功能连接组，我们使用了皮质中 400 个区域的 Schaefer 图谱16和脑干中58 个核的 Brainstem Navigator 图谱（https://www.nitrc.org/projects/brainstemnavig/）来定义种子区域和目标区域。在所有分析中，我们都将概率图谱的阈值设为 35%。请注意，此阈值确实会导致边界核的一些体素重叠。具体而言，在标记为脑干核一部分的 8,334 体素中，7,922个（95%）仅被标记一次，而 405 个（4.8%）被标记两次，7 个（0.08%）被标记三次。没有任何体素被标记超过三次。由于脑干核的大小各不相同（量化为每个区域内的体素数量），最小的核（中线核）为 7 mm 3，最大的核（中脑中缝核）为 450 mm 3。tSNR 的计算方法是将时间序列的平均值除以标准差（在上述预处理步骤中降低时间序列质量之前），在参与者中取平均值并划分到定义的皮质和脑干区域。最后，FC 被定义为每对大脑区域（总共 458 个）时间序列之间的 Pearson 相关性。组平均连接组被计算为各个连接组的平均值。作为稳健性分析的一部分，使用 100 个区域的 Schaefer 图谱重复分析。在包括 Brainstem Navigator 图谱中的另外 8 个间脑核、下丘脑30和 14 个 FreeSurfer 皮层下结构28 （使用enigmatoolbox 108绘制皮层下表面）后也重复了分析。将最终的 FC 矩阵与 HCP 的标准 3 特斯拉 FC 矩阵进行比较（326 名无关参与者，年龄范围 22-35 岁，145 名男性，S900版本），从https://github.com/netneurolab/hansen_many_networks下载。

在正文中，我们没有对 FC 进行阈值处理。然而，由于脑干中较低的 tSNR 会导致信号噪声更大、可靠性更低，因此 FC 的估计值可能也更小，我们使用组平均 FC 矩阵的阈值版本重复了分析。为了生成阈值矩阵，我们对特定于个体的 FC 矩阵（皮尔逊相关系数）进行了 Fisher 变换。然后，我们实施了双尾单样本t检验以获得组统计量。阈值定义为P < 0.0005（Bonferroni 校正多重比较）。我们将组平均 FC 矩阵（皮尔逊相关系数；如图1c所示）中P > 0.0005 的所有边设置为 0，从而得到一个剩余连接数为 53.65% 的 FC 矩阵。

5.5 层状和细胞构造类

我们根据 Mesulam 层状分化类别以及 von Economo 细胞构筑类别对皮质至脑干中枢进行了分层（图2c、d）。Mesulam 层状分化类别代表了源自四个层状分化水平（独特型、单峰、异峰和旁边缘），整合了人类和非人类灵长类动物的神经解剖学、电生理学和行为研究。Paquola 等人手动将层状分化分配到表面，并划分为 Schaefer 400 分区请注意，Mesulam 层状分化类别描述了解剖排列和皮质连接模式。Barbas 等人提出了另一种更直接的层状分化映射方法（尽管目前尚无针对人类表面的 Barbas 分类版本）。同样，Vértes等人通过目视比较 von Economo 和 Koskinas的分区和解剖标志，手动将 von Economo 细胞构筑类别分配到皮质区域。最初的 von Economo 和 Koskinas 分类只包括五个类别；“边缘”（包括内嗅皮质、扣带后皮质、下皮质和扣带皮质）和“岛叶”皮质被添加为两个额外类别。然后将细胞构筑类别投射到表面，并划分为 Schaefer 400 分区。所有类别的脑图如图2所示。

5.6 MEG 数据采集与预处理

从 HCP S1200 版本中获取了 33 位无关参与者（年龄范围为 22-35 岁，17 位男性）17,113 的六分钟静息状态睁眼 MEG 时间序列。完整的MEG 采集协议可以在 HCP S1200发布手册中找到。对于每个参与者，我们使用开源软件Brainstorm 114 计算了六个不同频带（delta（2-4 Hz）、theta（5-7 Hz）、alpha（8-12 Hz）、beta（15-29 Hz）、低伽马（30-59 Hz）和高伽马（60-90 Hz））的顶点级别的功率谱。通过应用60、120、180、240和 300 Hz 的陷波滤波器进行预处理，然后在 0.3 Hz 处应用高通滤波器以消除慢波和直流偏移伪影。使用预处理的传感器级数据对每位参与者的 HCP fsLR4k 皮质表面进行源估计。使用重叠球体计算头部模型，并根据静息态MEG 和噪声记录估算数据和噪声协方差矩阵。应用 Brainstorm 的线性约束最小方差 (LCMV) 波束形成器方法获取每位参与者的源活动。然后应用 Welch 的方法估计源级数据的功率谱密度，使用长度为 4 秒、重叠率为 50% 的重叠窗口。然后计算每个顶点（即源）在每个频带的平均功率。然后根据 Schaefer 图谱将源级功率数据划分为每个频带的 400 和 100 个皮质区域。采用 Gao 等人开发的方法 ，使用 FOOOF（拟合振荡和 1/ f）工具箱115进行频谱参数化，估计 MEG 信号的固有时间尺度。计算和分析了功率谱密度和固有时间尺度图。

5.7 社区检测

为了识别与皮质类似连接的脑干节点群落，我们应用了Louvain 群落检测算法。由于脑干和皮质都按照一种主导模式与脑干相连（图2a），我们首先从每个节点的连接到脑干概况中回归出这种加权程度模式（图3a）。残差表示节点在这种主导连接模式之外相互连接的程度。其次，我们通过关联每对脑干节点的皮质连接概况，构建了一个脑干区域 × 脑干区域相似性矩阵。该相似性矩阵经过 Louvain 算法的检验，该算法最大化群落内的正相关性和群落间的负相关性。

具体来说，脑干节点以最大化质量函数的方式分配给社区：

其中是仅具有正相关的网络，和负相关的网络也是如此。项表示零模型：节点i和j之间的连接预期密度。变量σ i是节点i的社区分配，δ（σ i，σ j ）是克罗内克函数，当σ i = σj时等于 1，否则等于 0。分辨率参数γ衡量了零模型的相对重要性，γ越大（γ > 1），检测大型社区就越困难。换句话说，随着γ 的增加，网络划分越来越细，可以识别出更多的社区。我们测试了 60 个γ值，从γ = 0.1 到γ = 6.0，增量为0.1。对于每个γ ，我们重复该算法 250 次。

5.8 Neurosynth 

体素和认知过程之间的关联的概率测量是通过 Neurosynth获得的，Neurosynth 是一种元分析工具，它通过搜索与fMRI 体素坐标一起发布的高频关键词（例如“疼痛”和“注意力”）（https://github.com/neurosynth/neurosynth；使用体积关联测试图），综合了 14,000 多项已发表的 fMRI 研究的结果。如果在给定的体素上观察到激活，则关联度量是研究中报告给定认知过程的概率。尽管 Neurosynth 中报告了 1,000 多个认知过程，但我们主要关注认知功能，因此将感兴趣的术语限制在认知和行为术语上。这些术语选自认知图集，这是认知科学的公共本体，其中包括神经认知过程的完整列表。我们使用了 123 个术语，从总称（“注意力”、“情绪”）到具体的认知过程（“视觉注意力”、“情景记忆”）、行为（“饮食”、“睡眠”）和情绪状态（“恐惧”、“焦虑”）。Neurosynth 报告的坐标根据 Schaefer 图谱进行划分，并进行z评分。

5.9 神经递质受体和转运体

Hansen 等人整理了PET 衍生的受体密度数据，并从神经图谱( https://github.com/netneurolab/neuromaps) 下载了九个神经递质系统中18 种神经递质受体和转运蛋白的数据。这些包括多巴胺（D 2、DAT）、去甲肾上腺素（NET）、血清素（5-HT 1A、5-HT 1B、5-HT 2A、5-HT 4、5-HT 6、5-HTT）、乙酰胆碱（α 4 β 2、M1、VAChT）、谷氨酸（mGluR 5）、GABA（GABA A）、组胺（H 3）、大麻素（CB 1）和阿片类药物（MOR）。根据 Schaefer 图谱和脑干导航图谱对体积PET图像进行分区。

5.10 优势分析

优势分析旨在确定每个独立变量对多元线性回归模型 ( https://github.com/dominance-analysis/dominance-analysis) 整体拟合度 (调整后的R2 )的相对贡献 (“优势”)。这是通过对输入变量的每种组合 (对于具有p 个输入变量的 模型，有2 p − 1 个子模型)拟合相同的回归模型来实现的。总优势定义为在向子模型添加一个感兴趣的输入变量时，所有 2 p − 1 个子模型中R2相对增加量的 平均值。所有输入变量的优势之和等于完整模型的总调整后R2 ，因此总优势是一种在预测因子之间划分总效应大小的直观方法。因此，与评估预测因子重要性的其他方法（例如基于回归系数或单变量相关性的方法）不同，优势分析考虑了预测因子与预测因子之间的相互作用并且是可解释的。

交互优势是指在已包含所有其他独立变量的子模型中添加一个独立变量时R2的增加量。（由于总优势被定义为所有子模型中R2的平均变化量，因此交互优势是该平均值中的一个项。）在存在所有其他变量的情况下，交互优势度高的变量对线性模型的贡献更大，而交互优势度低的变量则反之亦然。因此，交互优势间接反映了模型中一个变量与其他变量之间的共享方差。总优势和交互优势通过模型的总拟合度进行归一化，以使优势在模型内和模型间完全可比。

参考文献：Integrating brainstem and cortical functional architectures.