文摘
努力理解大脑的功能体系结构一直确定多个重叠的大规模神经网络可观测的多个国家。尽管这些网络的普及,目前尚不清楚在这些地区大规模神经网络如何交互协调的行为。在这里,我们收集的功能磁共振成像数据从188年人类受试者参与三个认知任务和一个静息状态的扫描。使用多个任务和大样本允许我们使用split-sample验证测试结果的复制。我们分配task-rest对功能网络使用概率空间独立成分分析。我们检查任务和其他国家之间的连接使用dual-regression变化分析,量化voxelwise连接估计为每个网络感兴趣的同时控制信号产生的影响从其他网络和工件。我们的分析显示系统依赖功能连接在一个大脑区域:楔前叶。具体来说,任务绩效导致增加之间的连接(与其他相比)楔前叶和左frontoparietal网络(lFPN),而其他增加楔前叶,静息状态网络之间的连接(静)。这种效应更大的绝对星等静,暗示一个静息状态的认知高度专业化。内的所有结果复制两个独立样本。 Our results indicate that the precuneus plays a core role not only in DMN, but also more broadly through its engagement under a variety of processing states.
介绍
人类的大脑在休息,当走神和反思,显示了独特的和可靠的连接模式广泛的脑区分开。这些连接网络被认为反映内在属性的神经组织(Damoiseaux et al ., 2006;史密斯et al ., 2009)。一个网络,特别感兴趣的是静息状态网络(静),由后扣带皮层(PCC)和楔前叶,内侧前额叶皮质,两国交界处。这个网络的地区获得特别注意在连接时显示减少任务减少连接扩展与任务难度(麦基尔南et al ., 2003休息期间)——增加(舒尔曼et al ., 1997;Raichle et al ., 2001;福克斯et al ., 2005)。建立在此基础上,许多研究都涉及这个网络在调节注意力状态和认知更广泛的(皮尔森et al ., 2011;水蛭,2013)。
先前的研究在静息状态之间的关系和其他网络主要采用对抗模型,这样静接触与任务相关的网络暂时anticorrelated (福克斯et al ., 2005;Fransson 2005),最近的研究表明,这些模型可能过于简单。虽然PCC /楔前叶被认为包括静息状态的功能的核心,该地区展览连接模式,不同于更大的网络:随着任务难度的增加,腹侧和背侧PCC /楔前叶表现出相反的模式与静息的集成;进一步,在休息,背PCC /楔前叶显示连接静息和task-positive网络(水蛭et al ., 2011)。其他研究已经表明,PCC /楔前叶展览期间增加激活许多任务,包括自传体记忆提取(Maddock et al ., 2001),奖励结果监控(海登et al ., 2008),和情感刺激处理(Maddock et al ., 2003)进一步挑战静协会任务分离,并突出功能之间的差异静息和网络更广泛的核心。理解静息的作用及其与任务相关的关系网络在休息和任务状态可能解决这些对比结果和提供关键洞察网络参与调节认知。
我们调查了静息和task-positive通过比较网络连通性之间的关系在休息和任务状态。我们收集功能神经影像数据从188年受试者参与三个认知任务在不同的扫描和一个静息状态的扫描。数据从每个任务都配上相应的静息状态数据,分为初级和复制样品,并分配到功能网络使用空间独立成分分析(贝克曼et al ., 2005;史密斯et al ., 2009)。我们检查连接任务和休息期间使用dual-regression分析(图1),量化voxelwise连接估计为每个网络的兴趣,虽然控制了其他网络的影响(Filippini et al ., 2009;水蛭et al ., 2011;锋利的et al ., 2011)。我们的研究结果表明,楔前叶展品高度连接性与静息和task-positive网络根据任务状态,和另外展品连接可靠的辨别任务状态的模式。这个观察表明,楔前叶中起着核心作用不仅在静息,而且认知下通过其参与更广泛的各种各样的处理状态。
原理图的分析方法。数据集预处理后,每个任务是配合相应的其他数据集和随机分成两个样品,导致六task-rest配对样本。为了清楚起见,集团以粗体显示一个例子;每一个为每个组分别执行以下步骤。每个task-rest集团英格尔进行配对,导致25为每个task-rest配对样本空间网络地图。网络地图从每组提交dual-regression分析,使我们能够量化,对于每一个参与者,每个网络在控制体素的连接其他网络的影响。每个参与者的静息状态连接地图然后减去从他们的任务状态连接,允许我们检查受试的差异为每个网络连接根据任务状态和休息状态。结果task-rest不同地图提交permutation-based测试检查任务之间的差异和休息。最后,我们一起做了一个在所有分离样品的结果在每个网络,在每个对比(休息>任务,任务> rest),检查区域表现出更强的与每个网络连接在休息(与任务)和任务(与其他相比),期间独立于特定的任务。
材料和方法
参与者和实验任务。
一群209人完成了三个任务和一个静息状态的扫描。在静息状态的扫描过程中,受试者有指令保持固定在一个中央交叉,不要去想什么特别的。在静息状态扫描之前,参与者从事三个半球决定需要外部集中注意力的任务。所有任务共享一个共同的结构,剩下的时期(即。,fixation) embedded within periods of active decision making, evaluation, and response selection. Although the precise timing of each task is not central to the core analyses–which compare task state and rest state–we here include a brief description of each task.
首先,参与者从事流行的变体鼓励响应时间任务(克努森et al ., 2000;克里西罗et al ., 2011)。在每个试验中,受试者出现一个1 s线索,表明足够快的反应是否会获得金钱奖励。受试者出现交叉固定,抖动在1.75和2.75之间,然后0.1 - -0.3 s线索,促使他们做出回应。受试者的任务是通过按钮按下回应之前,提示消失。响应时间是紧随其后的是一个intertrial间隔(来)2 - 8 s。
鼓励响应时间的任务后,参与者完成了财务决策任务已经使用以前研究框架效应(Martino et al ., 2006)。在每个试验中,参与者为1 s看见一个线索表明最初的货币基金,以及以下的货币结果决定是否捐赠主体或主体选择的慈善机构。养老线索后,受试者一段3.5秒决定他们之间必须选择“确定”选项(保持或失去整个养老)或“赌博”选项显示保持或失去养老的概率。期的决定是那么紧随其后的是一个来抖动在2.5和6.5之间。
财务决策的任务后,参与者完成了一个简单的评估任务,旨在研究大脑中表示的风险。这个任务由赌博收益变化的大小和概率(改编自Huettel et al ., 2006)。在每个试验中,受试者第一次看到一个提示,抖动在2.25和6.3之间,表明货币收益和损失的概率或每个可能结果的大小。这个最初的线索后,受试者面对剩下的信息(例如,如果概率显示第一,然后他们看到级)4到10年代。一旦赌博提供完整的信息,对象是一个估值屏幕为2.25 - -6.3。赌博的表达值后,结果显示为1 s,然后跟着一个来发现抖动在2.5和7.5之间。
前精神或神经系统疾病患者被排除在外;其他个人被排除在外基于数据质量问题(见下文,预处理),或停止响应行为任务。这些排除标准离开最后一个样本的188总科目(85男性,103名女性;年龄:18到59,意味着= 22;教育水平:12 - 24,意味着= 15;实验数据集1:N = 177;实验数据集2:N = 179;实验数据集3:N = 183;每个三个任务由不同子集的主题,根据质量保证措施)。由于大样本大小,我们选择随机将每个task-rest样本分为主要和复制集显式复制测试结果(实验数据集1:N1 = 88; Experiment 1 dataset 2: N2 = 89; Experiment 2 dataset 1: N1 = 90; Experiment 2 dataset 2: N2 = 89; Experiment 3 dataset 1: N1 = 92; Experiment 3 dataset 2: N2 = 91). All participants gave written informed consent as part of a protocol approved by the Institutional Review Board of Duke University Medical Center.
图像采集。
扫描进行了使用通用电气MR750 3.0 T扫描仪使用8路并行成像系统。T2*三图像获得使用循环敏感性编码序列(加速因子= 2)片平行于轴面连接前和后连合(重复时间(TR): 1580毫秒;回波时间(TE): 30 ms;矩阵:64×64;的视野(FOV): 243毫米;立体像素大小:3.8×3.8×3.8毫米;37轴向片;翻转角度:70度]。这个序列被选为改善敏感性构件(Pruessmann et al ., 2001;Truong和歌曲,2008年),特别是在腹侧额叶区域经常发现在静息(Gusnard瑞克,2001年;福克斯et al ., 2005;福克斯瑞克,2007年)。这些功能数据预处理之前,每次运行的前八册被允许磁稳定。所有功能数据集被截断在静息状态扫描192卷,以方便比较。整个大脑高分辨率解剖扫描获得(T1三FSPGR序列;TR: 7.58女士;TE: 2.93毫秒;矩阵:256×256;视场:256毫米;立体像素大小:1×1×1毫米;206轴向片;翻转角度:12度)来促进coregistration和功能数据的标准化。
预处理。
我们的预处理程序使用的工具FMRIB软件库(目前版本4.1.8;http://www.fmrib.ox.ac.uk/fsl/)包(史密斯et al ., 2004;三色et al ., 2009)。我们纠正头部运动通过重新调整时间序列中间卷(詹金森和史密斯,2001年),然后删除nonbrain材料使用大脑提取工具(史密斯,2002)。接下来,我们纠正intravolume slice-timing差异使用Fourier-space阶段转变,调整到中间片(Sladky et al ., 2011)。图像被使用6毫米full-width-half-maximum高斯内核空间平滑。接下来,我们使用一个自由高通与150年代的截止时间过滤(Gaussian-weighted最小二乘直线拟合,σ= 75年代),由于宽带光谱功率在静息状态的波动(Niazy et al ., 2011)。每个4 d数据然后使用一个乘法总平均强度归一化因子。最后,我们空间归一化功能数据到蒙特利尔神经学研究所(MNI) avg152 t1加权模板(3毫米各向同性的分辨率)使用参仿射变换实现在调情詹金森和史密斯,2001年)。
作为我们的预处理步骤和质量控制的一部分,我们研究三个部分相关的质量保证措施和排除受试者表现出极端值对这些指标。首先,我们估计平均signal-to-fluctuation-noise比率(SFNR)为每个主题(弗里德曼和格洛弗,2006)。第二,我们计算的平均volume-to-volume运动为每个主题。第三,我们在功能数据通过评估识别离群值卷每卷的均方根误差(RMSE)相对于参考卷(中间时间点);卷被认为是一个异类的RMSE振幅超过75 + 150%的四分位范围的RMSE值为所有卷在一个(即运行。,一个标准的箱线图阈值)。计算这些指标后,我们排除受试者在任何标准衡量是极端的相对于其他科目(即。,SFNR <第五百分位SFNR值的分布;离群值量> 95离群值的分布量;平均volume-to-volume运动> 95)。
虽然在连接排除异常值分析是至关重要的,因为工件(例如,运动)会严重扭曲的结果(Jansen et al ., 2012;et al ., 2012年;Satterthwaite et al ., 2012),这是同样重要的是解决数据质量问题在剩余的科目。为此,我们退化了方差与六个参数描述运动(旋转和沿三个轴的翻译),以及卷标识为离群值。虽然我们没有使用洗涤过程描述权力et al (2012),我们离群值的回归方法实现同样的目标,消除信号不连续和头部运动的非线性影响,不能由传统的运动参数或派生的运动参数。
独立成分分析。
我们提交的每个六组数据(三task-rest对,每个分为初级和复制组)分离概率组独立成分分析(ICA);贝克曼和史密斯,2004年),用于目前的多元探索线性分解成独立的组件(旋律)3.10版。英格尔能够识别的神经网络提取结构化信号,同时存在于数据;此外,英格尔的利益(即可以单独的关键信号。,patterns of coactivation) from artifactual or physiological noise and head motion.
六个组的数据提交给每个英格尔由静止状态数据和任务数据,这样,每个数据集都有两个输入为每个主题:一个静息状态的扫描和一个基于任务的扫描。ICA估计之前,进一步处理的数据使用voxelwise的正常化voxelwise方差。是增白处理过的数据,然后投射到一个25-dimensional子空间。我们选择25组件基于之前检查多个静息状态的网络(工匠们报告Filippini et al ., 2009;锋利的et al ., 2011);然而,我们注意到,组件主要影响的数量估计的粒度网络(史密斯et al ., 2009)。白茫茫的数据被分解成一组向量描述信号的变化在(1)时间(时间课程)和(2)空间地图(组件),使用一个定点迭代技术(Hyvarinen 1999)优化非高斯空间源分布。估计网络地图阈值除以每个地图的SD残留噪声,然后拟合直方图的高斯混合模型归一化强度值(贝克曼和史密斯,2004年)。
Dual-regression分析。
检查任务之间的连接和其他的变化,我们提交网络从每组映射到一个单独的dual-regression分析,量化voxelwise为每个网络连接估计,虽然控制了其他网络的影响(Filippini et al ., 2009;水蛭et al ., 2011,2012年)。每个dual-regression分析包含两个阶段(图1)。首先,每个网络地图是退化到每个主题的个人功能的数据集,导致科目的时间为每个网络课程。第二,这些导致时间课程被倒退到一个主题的功能数据估计,在每一个主题,每个体素与每个独立网络的连通性。重要的是,第二个,时间回归检查每个体素的连接与每个空间网络在控制其他影响网络,包括那些可能artifactual。量化task-rest连通性变化在每一个主题,每个参与者的静息状态的连接映射是减去从他们的任务状态连接地图,导致不同图像指示task-minus-rest连接的变化。
使用这些主题——和网络特殊连接不同地图,然后,我们构建了一个组级别一般线性模型来估计每个网络根据任务状态变化和休息状态。重要的是,我们建模subject-level运动估计占任何一致的差异由于参与者执行任务或在休息。具体来说,我们包括两个讨厌的解释变量,总结了运动的个体差异(平均volume-to-volume运动和离群值的比例卷标识),以及回归量指示SFNR, SFNR差异可能与虚假的连接(差异有关Friston 2011;O ' reilly et al ., 2012)。这些解释变量被减去的参数值计算的静息状态的扫描任务状态的扫描,提供一个task-minus-rest每个指标的差异值,进一步控制了任何虚假的差异,可能出现由于受试者将更多的在执行一个任务而休息。此外,我们包括回归量占性别差异(菲利皮主持et al ., 2013),以及一个虚拟的协变量占一个微妙的变化在半途扫描参数,开始数据收集(即。利用脂肪饱和脉冲)。
识别工匠们从我们的ICA与感兴趣的四个网络,我们为每个网络进行了空间相关性分析英格尔和四种网络的选择史密斯et al。(2009)。在每个的六个数据集,我们选择最匹配的地图的每个三个task-positive(执行控制,左和右frontoparietal网络;rFPN)和一个任务消极网络(静)的兴趣史密斯et al。(2009)。我们进行了双向对比比较任务和其他国家在一年的四个工匠们。非参数的方式评估统计学意义,使用蒙特卡罗permutation-based统计测试10000排列α= 0.05修正为多个比较整个大脑以及四个网络测试(尼科尔斯和福尔摩斯,2002)。估计的激活,我们使用threshold-free集群增强(史密斯和尼克尔斯,2009年)。大脑激活显示使用MRIcroGL (http://www.mccauslandcenter.sc.edu/mricrogl/)。
识别大脑区域显示基于状态的连接不同独立于任何特定的任务,我们一起进行分析所有六组的连接映射在对比(任务>休息,休息>任务)使用的最小统计量(尼科尔斯et al ., 2005)。所有坐标报告MNI空间。
结果
功能连接网络由任务状态调制
我们最初的分析相比voxelwise与多个网络连接估计休息和任务。我们预测区域内静息会表现出增强的连接网络静止与任务相比,符合之前的报道高架激活静息休息期间(格雷丘斯et al ., 2003)。相比之下,我们假设区域将显示在任务型网络连通性增加与网络在任务与休息。检验这些假设,至关重要的是,跨多个独立样本,以确保一致的结果我们进行了联合分析在所有六组的三个task-positive网路,突出网络,左和右frontoparietal网络和任务消极静(福克斯et al ., 2005)。这四个网络,左边frontoparietal网络(lFPN;图2一个),静息状态网络(静息;图2一个)表现出可复制连接根据任务状态的差异。结合分析整个静连接地图显示更大的连接与网络静止与任务;这些差异被发现在supracalcarine皮层,intracalcarine皮层,precuneal皮层,楔形的皮质、扣带皮层(表1)。相比之下,结合分析整个lFPN连接地图揭示了重要的连接网络direction-heightened相反的任务相比,休息;这种差异被发现在precuneal和楔形的皮层(表2)。单独的连词在静息和lFPN连接地图显示一个地区内的重叠楔前叶(−坐标:6日63年,42岁;图2B);这个区域显示依赖与网络连接相反的对比。
重叠与静息和frontoparietal网络连通性。一个,我们发现两个网络表现出明显的连接不同的任务和其他州,静息状态网络(上),左侧frontoparietal网络(底部)。激活显示的十字路口z改变了网络地图,分别在六组检查。B内,楔前叶展出task-dependent连接与lFPN(红色)和静(蓝色)。引人注目的是,一个次区域楔前叶(−坐标:6日63年,42岁;黄色)有区别在两个网络任务状态,表明这个地区是一个共享多个网络之间的节点。
在静息楔前叶的中心
调查是否重叠区域观察到楔前叶展出网络特殊连接,我们将连接的大小与静息和lFPN。我们发现连接楔前叶的次区域的绝对星等与静息比lFPN两主和复制组(倒塌在任务;p< 0.0001两组;图3一个右边的集酒吧),表明高度集成的楔前叶在静止状态。
静静止和典型的静之间的连接区域。我们检查了峰值之间的连接体素的规范化静息状态网络(静)地区(史密斯et al ., 2009)和我们的休息>任务和任务>其他连接地图为静息和和左frontoparietal (lFPN)网络。一个参数估计,量化与rest-minus-task之间的连接选择的地区和静(蓝色)和lFPN(红色)在每个任务的主要组织和复制每个任务组。学科之间误差表明SEM。主和复制样品的三个任务,precuneal地区被连接的重叠明显表现出更大的连接与静静止(与任务)比其他任何地区测试。这种模式复制在空间不同区域的楔前叶选择从一个独立的静地图(史密斯et al ., 2009)。B,检查楔前叶的角色在静息,中华民国是计算为我们precuneal地区和规范化的峰值体素静区域(史密斯et al ., 2009)。我们主要和复制组的三个task-rest适合,我们发现rest-minus-task连接估计我们precuneal之间重叠区域和静在区分任务状态和休息状态明显优于其他典型的静区测试(表3)。这个结果是在另一个空间precuneal地区复制,选择从一个独立的静地图(史密斯et al ., 2009)。rTPJ,右颞交界处;lTPJ,左颞交界处;mPFC,内侧前额叶皮质。
我们还研究了连接的模式是否发现特定于该次区域的楔前叶,或者更广泛地应用于楔前叶。因此,我们选择了峰值precuneal区域的体素激活在一个独立的静地图(坐标:3−60 30;史密斯et al ., 2009)。我们发现这空间不同的集群表现出类似的模式连接的precuneal次区域发现从我们一起分析(图3一个);具体地说,这个独特的楔前叶区域表现出高度连接性与静而lFPN主和复制组(倒塌在任务;p对两组p < 0.0001)。
虽然我们的研究结果强调的重要性在静息楔前叶,目前尚不清楚是否该地区提供一个专门的函数相对于其他静地区。研究这种可能性,我们相比楔前叶次区域其他地区典型的静。具体地说,我们创建了5毫米球周围每个峰的静息状态网络激活体素一个独立激活地图(史密斯et al ., 2009相比),并与我们的静地图区域的连通性。这些地区包括楔前叶(坐标:3−60 30),paracingulate回(现年54岁的坐标:0−3),左侧侧枕叶皮质区(坐标:48−−66年,36),和对侧枕叶皮质区(坐标:54,−60,27)。引人注目的是,在各种DMN-typical区域测试,我们的楔前叶次区域显示明显更大的连接与静静止与任务比任何其他地区相比测试;这是发现在两个主和复制组(图3一个)。重要的是,这种模式的结果是类似的评估独立时,空间分离楔前叶区域(史密斯et al ., 2009),这表明楔前叶更广泛地服务于一个独特的功能网络中相对于其他地区。
进一步评估是否楔前叶是一个专门的函数在静息,我们检查了接受者操作特征曲线(ROC)这些地区。我们比较曲线下的面积(AUC)其他静地区检查之前(图3B)。测试的四个区域中,楔前叶地区展出AUC显著大于其他三个地区的主要和复制样品(表3)。再次,这种模式的结果也适用于楔前叶地区选择从一个独立的静地图(史密斯et al ., 2009)。这些结果证实了早期的证据表明一个独特的角色楔前叶的静息状态,表明,楔前叶之间的连接性,静区分对象是否在任务或其他更好的比任何其他规范静地区。
讨论
大规模的神经网络,特别是静(Raichle et al ., 2001;贝克曼et al ., 2005),已成为一个焦点在一组不同的神经科学的研究中,从人类神经影像学(格雷丘斯和梅农,2004;福克斯et al ., 2006;Buckner和卡罗尔,2007)在动物(单一机组录音海登et al ., 2009,2010年)。
然而,不同大规模网络的交互方式来编排任务——和静止状态的行为仍然难以捉摸。我们调查了这个问题,发现楔前叶展品依赖交互与left-lateralized frontoparietal网络(lFPN)及静息状态网络(静)。此外,楔前叶静的连通性表现出不同的模式,这表明它可能是一个特殊的关系网络。
相当大的前神经影像牵连了楔前叶作为人类大脑中的一个中心节点,重要支持复杂的认知和行为。楔前叶由一个核心区域的静息状态,表现出降低激活在大部分外部驱动的任务(Raichle et al ., 2001;Fransson 2005),和可靠的增加激活休息和特定的任务,如自传记忆(艾迪斯et al ., 2004),以及独特的交互与其他网络(Fransson Marrelec, 2008)。静的角色一直特别感兴趣的,因为它显示了网络内的静息代谢率最高,要求∼35%葡萄糖在人类的大脑比其他任何地区(Gusnard瑞克,2001年)。此外,楔前叶的广泛的连接,包括更高的协会区域,表明一个重要的角色在整合内部和外部驱动的信息(Cavanna特林布尔,2006)。尽管如此,该地区的功能尚不清楚。而楔前叶显示高度活化在情景(弗莱彻et al ., 1995;Lundstrom et al ., 2005)和自传记忆(艾迪斯et al ., 2004;Eustache et al ., 2004)任务,它同样显示高度激活期间休息(Raichle et al ., 2001),一个效果增强在单一的单位增加脱离所执行的任务(海登et al ., 2009)。我们的研究结果扩展这些竞争结果的统一函数(水蛭et al ., 2011)通过承认楔前叶功能变量,根据任务表现出与不同的神经网络连接状态或水平与环境的接触和证明连接楔前叶与静反映了这种程度的参与。
在本研究中我们使用了一个相对新颖的分析方案比较与网络连接不同的认知状态。分析允许我们三个重要优势先前的研究检查task-dependent连通性变化(Fransson Marrelec, 2008;梅恩et al ., 2010,2013年;戈登et al ., 2012)。首先,dual-regression技术允许我们的能力调查与多个不同的网络连接在控制其他的影响,潜在的重叠,网络(Filippini et al ., 2009;水蛭et al ., 2012)。这是至关重要的,因为典型的seed-based分析将无法区分单独的反应从静息和lFPN在我们的研究中,而ICA和dual-regression能够解析空间重叠的网络连接(科尔et al ., 2010)。第二,拥有这样一个大样本大小允许我们确认结果dual-regression分析在一个独立的样本,因此衰减的概率我们的观察是由于1型错误(按钮et al ., 2013)。最后,比较静息状态的三个不同的任务使我们能够识别不同的连接性,独立存在的任务,可以更广泛地推广,这在以前的研究中没有可行的(Fransson Marrelec, 2008;戈登et al ., 2012)。
我们注意到我们的分析方法也代表着离开其他研究中心的功能连通性变体用图论的方法(斯波恩et al ., 2007;Buckner et al ., 2009)。而我们的方法确定楔前叶作为中心通过检查多个交互网络的相互作用在不同的处理,图形理论方法通常寻求识别中心通过量化节点之间连接的强度在单一网络静止(审查,请参阅图像和斯波恩,2009)。这样的方法可以强大,但他们可以引入问题如果不能很好地反映功能边界节点(例如,如果区域是来自解剖地图册);也就是说,不合适的节点定义可以限制后续图像分析(史密斯,2012关于中心),可能扭曲索赔。最近的工作避免了这个陷阱,关注voxelwise度量的静息状态功能连通性密度,暗示楔前叶作为关键皮质中心(预Volkow, 2010)。我们推测,我们的方法结合这些方法可以结合这两种方法的优点,早些时候透露其他皮质中心造成一系列的处理状态。
我们的研究是一个潜在的限制三个任务检查涉及犒赏决策。虽然在很多方面都不同于另一个任务,常见的基于任务的连接可能出现由于潜在的公共流程。例如,最近的一项研究表明不同的连接与静在不同记忆过程(Shapira-Lichter et al ., 2013),这表明不同的认知任务的要求可能会导致不同的连接模式。虽然我们的研究表明,楔前叶展品与lFPN task-dependent连接,静息时检查三个半球决策任务,有可能是其他地区的网络,如壁内的或内侧前额叶皮层,不同任务条件下可能表现出类似的行为,如自传记忆或社会认知任务。我们注意,发现楔前叶展品连接与先前的研究一致的变化研究task-rest变化使用工作记忆任务(Fransson Marrelec, 2008),这表明我们的结果不是特定于我们的决策任务,但可能适用于更广泛的任务。然而,后续研究应该检查一个更广泛的任务,广泛接触不同的认知过程来获得进一步的洞察的功能动态lFPN静。
第二个潜在限制我们的研究在于数据采集的设计。每个参与者完成了三个任务在相同的顺序,然后完成了静息状态的扫描。之前最近的研究表明,暴露在一个任务可能改变静息状态连接几分钟后任务(威茨et al ., 2005;史蒂文斯et al ., 2010;东et al ., 2013)。这个问题部分改善在我们的研究中,然而,由于我们比较静息状态数据的三个不同的任务在他们的相对时间静止状态扫描(例如,通过分钟将近一个小时)。此外,任务相关影响静息状态的连接可以最小化或消除当比较不同任务和休息,因此部分阻碍任务型变化。因此,我们得出这样的结论:最近任务绩效可能已部分导致了我们的观察结果;未来的研究与平衡的任务和休息扫描将需要解决这个问题。最后,因为我们要分析开门的认知状态,仍可能有参与者经历了短暂的过渡期的休息在每个任务。然而,我们相信,即使在任何潜在的时刻休息在每个任务(例如,在它),主题仍预期任务,因此在质量上不同的认知状态比在静息状态的扫描。支持这一假设来自非人灵长类动物单机制记录(海登et al ., 2009),发现神经元活动后扣带明显不同的是相比之下,暗示休息期间。未来成像工作应该检查是否与楔前叶连接模式也反映出这些短暂的认知状态的变化。
尽管有这些限制,我们的结果支持这个想法,楔前叶同时与静息状态和frontoparietal网络来区分不同的认知状态。我们的研究结果也表明,楔前叶,一个臭名昭著的神秘区域(Cavanna特林布尔,2006),作为一个专业中心在静息。重要的是,理解函数和内专业化大规模工匠们可以提供洞察障碍中断功能连通性,尤其是精神分裂症(Whitfield-Gabrieli et al ., 2009)、抑郁(格雷丘斯et al ., 2007)和自闭症(肯尼迪et al ., 2006)。
脚注
这项研究是由国立卫生研究院的资助(NIMH rc1 - 88680)和孵化器奖从杜克大学脑科学研究所(S.A.H.)。我们感谢安妮Harsch和爱德华McLaurin援助与数据收集,和r . McKell卡特,约翰·克里西罗Vinod万卡特拉曼·莱马克里斯,艾米平淡无奇,萨拉Boltuck辅助数据收集和研究设计。
- 斯科特a .修特尔是信件,应向箱90999年,杜克大学,杜伦大学,27708年数控。scott.huettel在}{duke.edu
