该论文发表于Nature Communications（中科院一区，IF=15.7），题目为《Distributed neural representations of conditioned threat in the human brain 》。

德克萨斯大学休斯顿健康科学中心的温珍福研究员为此论文的第一作者，Joseph E. LeDoux教授与Mohammed R. Milad教授共同为此论文通讯作者。

论文链接：

https://www.nature.com/articles/s41467-024-46508-0

论文概要

人类对威胁的检测与应对过程衔接了多个神经节点，囊括了杏仁核（Amygdala）、海马(hippocampus)、岛叶皮层（Insular cortex）以及内侧前额叶皮层（mPFC）。近期的理论观点提出：针对威胁相关的感觉与认知加工，应当整合更多散布在大脑中的神经节点。然而，就威胁线索与安全线索的检测与响应问题，目前尚未提出灵敏的可重复多脑区融合神经解码器。

本研究整合了来自1465名受试者的功能性磁共振成像（fMRI）数据，涵盖了不同威胁条件化范式与负性情绪范式，结合多变量模式分析（MVPA）方法探究了威胁状态与安全状态的分布式神经表征。研究结果发现，多个人脑神经节点能够在威胁状态与安全状态之间动态切换其表征方式。本文的研究将以往研究中已被充分刻画的“威胁回路”与感觉相关、认知相关的神经节点相融合，建立了可复现的神经解码器；其能忽略实验设计或数据采集参数差异的影响，区分机体的威胁状态与安全状态。

研究背景

感觉系统会在个体遭遇威胁性刺激时激活，传递有关该威胁的多模态信息并传入相关神经回路。这些信息会启动机体内隐与外显的防御行为，同时也会形成长期记忆表征，供机体在未来再次遭遇类似情境时加以利用。

巴甫洛夫式威胁条件化一直是研究这些神经表征的重要实验范式。以往的研究主要探讨少数皮层结构与皮层下结构在条件刺激（CS）与非条件刺激（US）之间联结形成、防御反应的产生过程与随后消退过程中的作用，并由此提出了“威胁回路”（threat circuit）的概念。这种基于巴甫洛夫反应的简化模型仍具有一定的局限性，并不能充分解释在威胁条件化与消退学习过程中所形成、存储并不断更新的复杂认知与记忆表征。尽管“威胁回路”在威胁状态的检测与反应中发挥重要作用，但该回路与其他认知与感觉神经网络相互作用的过程尚未明确。目前，该领域尚缺乏一种可重复的分布式神经表征编码方式，能够在威胁条件化、消退学习等阶段中，对威胁线索与安全线索进行灵敏区分。

多变量模式分析（MVPA）能够整合分布于多个脑区的神经活动模式，并灵敏地区分不同的心理过程。此外，通过交叉验证和外部验证程序，MVPA能够检验其跨任务、跨数据集的泛化能力；且相较传统的单变量分析，MVPA的稳定性更强。因此，MVPA被认为是解决上述问题的有力工具。

通过整合“威胁回路”及与威胁信息编码相关的脑区，作者构建了一个扩展回路。该回路涵盖感觉、工作记忆与认知相关的神经节点，能够稳健地分析威胁编码信息，并泛化到其他数据集。

研究方法

实验设计与流程

本文实验所选取的是Milad等人使用的一种范式——整个实验分为两天、三个阶段：第一天包括威胁条件化阶段与消退学习阶段，第二天为消退记忆回忆阶段。在威胁条件化阶段中，使用三种颜色的光作为条件刺激（CS），其中两种与轻微电击配对（记为CS+），另一种不与电击配对（记为CS−）。随后，在消退学习阶段，仅呈现CS−与其中一种CS+（记作CS+U，未呈现的一种CS+则记作CS+E），且不再伴随电击。消退记忆回忆阶段中，CS+E、CS+U以及CS−均在无电击条件下呈现。

神经影像数据采集与预处理

研究使用了多个独立实验的数据集，涵盖了不同的扫描设置。对于这些数据，作者使用了ANTs（版本2.3.3）进行预处理：首先对T1加权（T1w）结构像进行了强度非均匀性校正；随后对其进行去颅骨处理并分割白质与灰质；在进行非线性配准后，映射到蒙特利尔神经学研究所（MNI）标准空间。

之后，对得到的图像进行头动校正和层间时间校正，并进行配准。标准化后的功能像使用Lanczos插值方法重采样至2×2×2mm的体素分辨率，并采用6mm半高全宽（FWHM）的高斯核进行空间平滑得到体素图像。

脑激活估计

预处理后的fMRI数据首先被分为4个试次一组的trial-block（下文简记为TB）,随后采用单变量广义线性模型（GLM）在TB水平估计不同条件诱发的脑激活图。最终，对于每名被试，GLM模型在每个试次区块中生成两张激活图（分别对应CS+和CS−），并将这些激活图作为后续解码分析的输入。

图 1分析总览 A.威胁回路 B. 除威胁回路及近邻体素外的其他神经系统 C.交叉验证和外部验证过程 D. 更新后的“威胁检测和灵活响应回路” E. 外部验证数据集

第一种分析方法：基于“威胁网络”激活模式的解码分析

作者在TB层面对每个实验阶段分别训练了CS分类器，用以区分不同类型的条件刺激，它们使用“威胁网络”关键节点中的体素激活值（图1 A）作为分类特征。

第二种分析方法：基于“全脑”激活模式的解码分析

根据近期提出的“威胁信息的加工过程涉及分布在多处的神经系统”的观点，作者通过从全脑范围内提取体素激活值用于分类分析，检验了该观点的正确性。为了排除“威胁回路”对结果的影响，作者在分析中不仅排除了“威胁回路”内的体素，还进一步排除了其周围半径为3个体素的邻域体素（图1 B）。

分类流程

模型中采用 scikit-learn中实现的带L2正则化的逻辑回归（亦称岭回归）作为分类器。之后在探索性数据集上采用10次五折交叉验证的平均值对分类性能进行评估——即将探索性数据集中的被试均匀划分为5个折次，使用其中4个折次作为训练集，最后一组作为测试集验证分类效果；当5个折次均轮流作为测试集完成评估后，一次交叉验证流程结束。

泛化能力与体素贡献分析

为检验模型的泛化能力，研究使用探索性数据集中的全部数据训练分类器，将其应用于未参与训练的验证数据集来评估模型的分类性能。随后，通过对分类器中提取到的模型权重进行Haufe变换映射回信号空间，可以获得每个体素的预测权重；为了增强预测权重的鲁棒性，作者还使用bootstrap重采样方法对该过程重复执行10次，并取平均值作为最终预测权重。最终，经过置换检验，可以确定全脑分析模式中具有统计学显著性的体素。

扩展回路与表征相似性分析

基于对全脑分析中的显著体素，可以识别出14个具有显著贡献的脑区，这14个新识别的脑区与10个传统“威胁回路”脑区共同构成了更新后的“威胁检测与灵活反应回路”。随后，作者通过表征相似性分析评估了该回路中各脑区在解码过程中的贡献相似性，并进一步利用多维尺度分析将这些脑区聚类成三个功能群体：始终编码CS+、始终编码CS-、以及根据实验阶段在CS+与CS-之间动态切换编码偏好的脑区群，揭示了威胁加工过程中稳定与灵活并存的神经机制。

研究结果

基于威胁回路与全脑模式的解码结果

图 2基于“威胁回路”激活模式的分类分析 A. 在发现数据集 (n = 425) 上的交叉验证性能。B、C. 在验证数据集 1 (n = 98) 和验证数据集 2 (n = 127) 上的泛化性能。D. “威胁回路”节点的预测模式。

首先，作者分析了基于传统威胁回路模式的解码性能：在威胁条件化阶段，“威胁回路”的激活模式在全部四个TB中均成功区分了CS类型、在消退学习阶段，仅在第一个TB中可以成功解码CS+与CS−，且后续解码性能不再显著；在消退记忆回忆阶段，第一个试次区块中同样可以成功区分线索类型。

通过进一步分析体素对分类性能的贡献（图2 D），该分析揭示了若干更具可解释性，且值得关注的空间分布结果：杏仁核与岛叶皮层的不同亚区在不同试次区块中对CS+与CS−的解码表现出差异化的贡献、中央内侧杏仁核（CMA）仅在威胁条件化阶段的第一个试次区块中表现出与CS+呈现相关的预测模式，随后则转而编码CS−；同时，部分脑区在不同试次中呈现一致的预测模式。第三，杏仁核、膝下前扣带皮层（sgACC）以及腹内侧前额叶皮层（vmPFC）的预测模式呈现出适应性变化——在不同实验组和实验阶段之间，动态切换其在CS+与CS−之间的编码偏好。这些数据提示这些脑区在整个实验过程中呈现出动态参与特征。

图 3基于“全脑”激活模式的分类分析。A. “全脑”激活模式在发现数据集上的交叉验证性能。B、C.在验证数据集1和验证数据集 2上的泛化结果。D.全脑体素的预测模式。红色/蓝色体素表示该体素对CS+/CS-的激活程度更高；图中仅显示对分类有显著贡献的体素。

考虑到多个其他脑区在威胁信息的处理过程中也发挥了重要作用，作者进一步采用不包含传统威胁回路的全脑激活模式进行解码。结果表明，采用“全脑”激活模式（不包含“威胁回路”）进行解码，在数值上获得了更优的解码性能（图3 A），且在多个验证数据集中保持了与发现数据集相当的解码性能（图3 B、C）。在控制体素数量一致的条件下，全脑模式仍在数值上表现出优于威胁回路的分类性能。基于置换检验的体素贡献分析进一步识别出脑中多个广泛分布于不同神经系统中的关键脑区（图3 D），其中部分区域在消退学习阶段与消退记忆回忆阶段中持续发挥作用。

图 4基于所有灰质模式的分类。A. 在发现数据集（n = 425）上的交叉验证准确率。B. 在验证数据集 1（n = 98）上的泛化准确率。C. 在验证数据集 2（n = 127）上的泛化准确率。误差线代表标准误差 (SEM)。分类使用了所有灰质体素（包括“威胁回路”体素）的激活模式。

作为补充分析，作者还使用了所有灰质体素（包括“威胁回路”体素）进行分类，其结果与图2 A中的表现相似（图4）。基于这些结果，能够识别出14个贡献最显著的脑区（图5 A）,包括：角回（AG）、眶额皮层（OFC）、辅助运动区（SMA）、初级躯体感觉皮层（S1）、初级运动皮层（M1）、视觉皮层（VIS）、小脑（CER）、丘脑（TH）、额下回盖部（Opr）、额下回三角部（Tri）、中额回（MFG）、尾状核（Cd）、上额回（SFG）、后扣带皮层（PCC）。

扩展威胁检测与反应回路及其功能组织

图 5 “威胁检测与灵活反应回路”及其在外部数据集上的泛化表现。A. 扩展的“威胁检测与灵活反应回路”示意图。B. 在 Vinberg等人数据集上的解码表现。C. 在 Visser等人数据集上的解码表现。D. 在 Hennings等人数据集上的解码表现。E. 在 Reddan等人数据集上的解码表现。F. 在 Zhou等人数据集上的解码表现。G. 在 Chang等人数据集上的解码表现。H. 在 Woo等人采用躯体疼痛范式的数据集上的解码表现。I. 在 Woo等人采用社会排斥范式的数据集上的解码表现。

基于全脑解码中表现出显著贡献的脑区，并结合传统威胁回路，作者构建了一个“扩展的威胁检测与反应回路”（图5 A）；并根据各脑区在不同试次区块中对条件刺激类型的偏好，识别出三个“脑社区”：第一社区（图5 A中红色）在条件化、消退学习和记忆提取阶段中始终编码威胁线索（CS+）；第二社区（图5 A中蓝色）：始终编码线索的安全性（CS-）；第三社区（图5 A中黄色）：表现出动态编码特性，其信号会根据实验阶段在威胁与安全（CS+或CS-）之间发生切换。该结果表明，扩展回路不仅涵盖了情绪加工核心区域，还整合了感觉、注意与认知控制相关网络，为威胁加工提供了更全面的神经框架。

总结

通过置换检验、交叉检验以及跨范式、跨感觉通道和跨任务的外部验证，作者表明扩展威胁回路解码器不仅对条件化威胁刺激具有高度敏感性，而且在区分条件化威胁与一般内在显著负性刺激方面表现出明确的特异性，支持条件化威胁具有独立神经表征这一观点。

撰稿人：姜山

审稿人：黄海云