任务态功能连接的功能重要性

静息状态下的功能连接为内在的大脑网络组织提供了实质性的见解，然而来自内在网络组织的任务相关变化的功能重要性仍然不清楚。事实上，这种与任务相关的变化很小，表明它们可能只有最小的功能相关性。或者，尽管这些与任务相关的变化幅度很小，但对于人脑通过区域间关系的快速变化自适应地改变其功能的能力来说，它们可能是必不可少的。我们使用活动流映射——种建立经验衍生网络模型的方法——来量化任务状态功能连接(高于和超过静止状态功能连接)在塑造(女性和男性)人脑认知任务激活中的功能重要性。我们发现，任务状态功能连接可以用来更好地预测所有24种任务条件和所有360个测试的皮层区域的独立功能磁共振成像激活。此外，我们发现预测的准确性受到个体特异性功能连接模式的强烈驱动，而来自其他任务的功能连接模式(任务 - 一般功能连接)仍然改善了静态功能连接之外的预测。此外，由于活动流模型模拟了任务诱发的激活(行为的基础)是如何产生的，这些结果可以提供机械论的见解，解释为什么先前的研究发现了任务状态功能连接和个体行为差异之间的相关性。这些发现表明，与任务相关的功能连接变化在动态重塑大脑网络组织中起着重要作用，在任务执行过程中改变了神经活动的流动。

1. 简介

我们和其他人最近使用功能磁共振成像(fMRI)发现，大脑区域之间的统计关系——功能连接性(FC)——在静止状态和各种任务状态之间是相似的。尽管FC中与任务相关的变化很小，但已经观察到休息和任务状态之间的一些统计上可靠的变化。这些相对较小的与任务相关的FC变化的功能相关性仍然不清楚，尽管这些FC变化和从休息到任务状态的转变之间有明确的关系。

我们最近开发了一种方法，通过将FC整合到简单的预测任务诱发激活的网络模型中来量化静息态FC的功能相关性。在这里，我们试图将这种方法扩展到任务功能磁共振成像数据，以评估任务状态功能相关。这些模型的核心机制与大多数生物和人工神经网络模型中使用的机制相同:传播和激活规则(Fig. 1A). 传播规则指定远端节点的活动通过连接权重影响给定的目标节点，而激活规则指定传入的活动将在通过函数(通常是非线性)以确定目标节点的输出活动之前被求和。活动流映射方法(Fig. 1B)基于此框架，结合经验FC和激活估计，为每个待预测区域建立预测模型(一次一个)。由于待预测区域的活动水平是根据经验观察的，因此我们可以通过与经验数据进行比较来测试模型的准确性。因此，通过预测各种认知任务诱发的激活(例如，跨区域和跨任务条件)，活动流映射提供了一种根据经验测试活动流模型中包括的连通性估计的功能(认知和计算)相关性的手段。

在这里，我们使用活动流映射来测试任务状态FC的功能相关性，特别是当任务状态FC不同于静止状态FC时。关键测试是任务状态FC是否提高了各种任务条件下基于活动流的预测准确性。出于几个原因，这样的观察并不重要。首先，任务状态FC和静息状态FC之间相对较小的变化使得任务状态FC是否会产生显著更好的任务诱发激活预测准确性变得不清楚。其次，我们最近验证了一种方法，该方法用于用fMRI数据进行任务态FC估计之前减去平均任务诱发激活，这与噪声相关性文献中用于表征神经元和神经群体之间功能关系的方法相同(通常用于非人动物神经科学)。相对于许多先前的研究，这更好地确保了待预测的激活对FC估计没有直接影响(减少潜在的循环)。

第三，我们在大多数人类的fMRI FC估计值随着休息到任务而降低的发现中复制了非人动物的文献。这似乎与两个神经系统相互作用时FC应该增加的普遍直觉背道而驰。一种可能性是两个神经群体之间的活动流随着群体之间的线性关系(即，它们的FC)减少而增加(Fig. 1C，D)，而不是FC增加。这与神经群体之间的关系是sigmoidal传递函数的可能性一致。我们最近使用了锋电位和神经场模型来表明，大脑区域之间的sigmoidal传递函数(抑制高和低活动水平的差异)足以解释观察到的FC随着任务诱发的神经活动的增加而降低(Fig. 2).然而，不管sigmoidal传递函数是否是神经群体之间关系的潜在机制，使用任务状态FC观察改进的预测精度将提供证据，表明观察到的FC从静止到任务的变化可能是功能相关的(而不是统计假象)。这是因为所预测的事物具有明确的功能相关性:不同各种大脑区域和任务条件的任务诱发激活(例如，视觉任务中的视觉皮层反应、运动任务的运动皮层反应)。事实上，任务激活(神经活动水平的变化)可以引起知觉、运动和认知过程(例如，因为神经刺激)，并且可能取决于状态依赖的网络重新配置。

图1 使用任务态FC的基于活动流的预测的预测提升

图2 神经集团通过sigmoidal激活函数互相作用，有助于解释从静息到任务的全局FC减小

我们的任务-状态FC是功能相关的假说的关键检验是，任务-状态FC模型参数化的网络模型是否比静态FC模型参数化的网络模型更能预测任务诱发激活。该测试将证明任务相关的网络重新配置促进了任务相关激活的传播，任务相关激活通常被认为是认知过程的主要神经基础。我们使用来自人类连接体项目的功能磁共振成像数据对这一假设进行了各种测试，该项目为活动流模型预测提供了大量的任务条件，并为估计FC提供了每个受试者的大量任务状态和静止状态数据。我们首先使用标准领域皮尔逊相关功能函数测量法测试任务状态和静止状态FC。然后，我们测试是否活动流模型中因果混淆的更好的考虑提高了预测精度。最后，我们测试了影响任务状态FC预测准确性的各种因素，例如测试来自其他任务的任务状态FC是否也能提高预测。证实任务状态FC在各种任务条件下持续改善任务激活预测，将表明任务驱动的网络变化在产生感知、运动和认知过程下的任务激活中起着重要作用。图3是fMRI数据处理流程，用以比较基于任务态FC与静息FC相比的任务激活预测。

图3 来自HCP的数据分为发现集和重复集。通过1）任务FC估计之前，FIR回归移除跨block平均任务响应，2）在活动流映射步骤从预测子集合移除每个要被预测的脑区来避免循环。

2. 结果

2.1 任务态FC比静息态FC能更好的模拟任务诱发的活动流

我们之前发现，跨各种任务的任务状态FC与静止状态FC的差异很小。此外，我们最近发现任务状态FC皮层区域间的相关强度始终低于静息状态下的相关强度(Fig. 4)，可能是由导致方差和协方差猝灭的任务相关局部抑制驱动的(Fig. 2)。这些结果似乎表明，任务状态FC对任务相关功能的贡献可能很小。与这一结论一致，我们发现在没有任务状态功能信息的情况下，仅使用静止状态功能网络结构上的估计活动流可以精确预测任务诱发的激活模式。在这里，我们试图通过直接比较使用任务状态FC上的活动流和静止状态FC上的活动流对任务诱发激活的预测来量化任务状态FC对任务诱发过程的贡献。

我们首先描述了从静止状态FC到任务状态FC的区域间相关性的皮层范围的变化(Fig. 4c)。从静息到任务，显著变化的联系减少的可能性是增加的14倍。

与之前的研究一样，任务诱发的激活模式超过机会水平被预测了(使用在静息状态皮尔逊相关FC上估计的活动流)，预测的激活模式和实际的激活模式之间的概率对应关系为:r = 0.51 (Fig. 5A)。在复制数据集中也是如此(r = 0.51)，24个条件中的每个条件也是如此。在这里分析的360个皮层区域的100%中，条件水平响应曲线也高于机会水平被预测 (Fig. 5D)。这些结果证实了静息状态FC在预测任务诱发活动流方面的信息含量，静息状态FC构成了后续测试的基线。如假设的那样，我们发现任务状态FC提升了基于活动流的任务诱发激活预测。

图4 静息态和任务态FC相似且大多从静息到任务减小

图5 任务状态FC改善了基于相关性的活动流模型

2.2 当因果混淆减少时，预测精度提高了

我们假设，与使用皮尔逊FC相比，使用活动流图(使用静止状态FC和任务状态FC)的多元回归FC可以提供更准确的任务诱发激活预测，因为因果混杂减少了。

在检验这一假设之前，我们分析了休息和任务期间多元回归FC值的变化(Fig. 6).当使用多元回归FC时，得到的连接系数小得多，并且连接矩阵更稀疏，这与减少混杂数量的多元回归FC相对于基于相关性的FC是一致的。然后，我们对这24个FC估计值进行平均，以进行分析和可视化。平均静息态FC和任务态FC非常相似(r =0.94)，基于相关性的FC也是如此。我们发现2.6%的连接(915个连接)在静息和任务之间显著不同。0.28%的连接从静息到任务显著增加，2.28%的连接显著减少。

图6 多元回归FC在休息和任务上是相似的，并且大多从休息到任务递减。

使用具有静息状态数据的多元回归FC，再次预测任务诱发的激活模式，预测的和实际的激活模式之间具有高于概率的对应关系(r = 0.46;Fig. 7a)。这分别适用于24个条件中的每一个。在这里分析的360个皮层区域中，98%的皮层区域的条件反应曲线也预测高于概率 (Fig. 7d)。请注意，用于任务状态FC结果的时间点数量与静止状态FC的估计相匹配。

正如假设的那样，我们还通过多元回归FC发现，相对于静止状态的FC，任务状态的FC改善了基于活动流的任务诱发激活预测。使用任务状态多元回归FC预测任务激活模式的活动流(Fig. 7c)得出以下总体预测精度:r = 0.76。任务状态和静止状态FC活动流预测的直接对比如下:r差= 0.31。这些结果与应用数据集的结果一致(r = 0.77；r差= 0.31)，以及分别针对24个条件中的每一个。对于360个皮层区域的每一个，任务状态FC下的反应曲线也比静止状态FC下的反应曲线预测得更好。

图7 任务状态FC改善了基于多元回归的活动流模型

2.3 将大脑表面不同认知领域的预测可视化

24个任务条件中的3个被选为详细说明，因为他们的认知需求是多样化的（图8）。与所有其他任务条件一样，使用任务状态FC预测这三个任务条件明显优于静止状态FC。减少重复Figure 7，我们使用了一种不同的度量来量化预测精度:平均然后比较R2预测精度。这包括在比较预测的和实际的激活模式之前对受试者的激活进行平均，然后使用R2分数来量化相似性。使用R2评分时，不仅考虑了使用皮尔逊相关量化的未缩放模式相似性，还考虑了数值的范围。使用先平均后比较的方法，因此预测与实际的相似性反映了中可视化的组平均值的相似性Figure 8。然而，请注意，与所有其他分析一样，在对相似性值进行分组平均之前，在个体受试者水平进行比较更准确。这是因为考虑了个体特定的激活和FC，而不是在预测和实际比较之前模糊个体之间的活动和连接模式。

图8 可视化不同认知领域任务条件

2.4 相比活动流预测中的增加，任务状态FC的作用减少

任务状态FC估计的可能违反直觉的方面是，相对于静息态FC估计，它们减少了（图2）。此处我们设法确定是否这些减少在功能上有意义。考虑到最具统计学意义的任务相对于休息的FC变化从休息到任务都有所下降，但任务状态FC总体上提高了活动流预测的准确性，这种下降很可能在提高活动流预测的准确性方面发挥了突出的作用。我们试图用一种损伤方法更好地确定这种可能性——选择性地去除感兴趣的联系，以便量化它们对预测准确性的重要性。

大量的任务状态FC减少(超过一半的FC变化)可能看起来违反直觉。这是可能的，因为活动流反映了激活(从块间静止基线开始的活动水平的变化)乘以连通性，使得即使FC降低(例如，0.25，从0.40下降)也可以乘以从静止基线开始的正激活增加(例如，0.30)，以产生正活动流(例如，0.25 x 0.30 = 0.075；Fig.1C，D)。这些结果表明，尽管一个区域的活动增加对另一个区域的影响较小(相对于静止状态)，但任务状态FC的降低仍然会导致远端区域的活动增加(通过活动流)。

2.5 个体特异因素在任务态FC中的作用

我们比较了以下三个因素的影响:小组对个人，休息对任务，相同对不同的任务运行。这揭示了所有三个因素的统计显著性效应，显示了个体、任务和相同运行因素的增加(Fig. 9).这是皮尔逊相关关系(Fig. 9A)和R2(Fig. 9B)活动流估计精度的案例。

图9 固有的，个体的，任务特异的和任务运行特定的因子对每个人任务激活的贡献

2.6 任务一般FC也提高了预测精确性

使用任务状态FC生成的状态一般化矩阵(Fig. 10A)。所有的任务条件都可以单独用来预测所有其他高于概率的任务条件。使用时间匹配的静息态FC也发现了同样的结果(Fig. 10B)。总的来说(对状态一般化矩阵中的所有值取平均值)，任务状态FC比静止状态FC更能预测任务活动。然而，当单独比较每个条件对时(Fig. 10C)任务状态FC并不能更好地单独预测所有情况。事实上，存在预测准确性显著增加和降低的情况 (Fig. 10D)。

图10相似的任务条件可以更好的描述活动流

3. 讨论

任务状态FC的功能相关性最近受到质疑，这是由于从静止状态FC到任务状态FC的变化数目和尺寸小，以及使用静止状态FC预测任务激活的惊人功效。此外，这违背了一个普遍的直觉，即随着神经群体的相互作用，FC应该增加在任务执行中，实际上随着神经群体活动水平的增加和更强的相互作用，FC趋于降低。我们试图测试这样一种可能性，即尽管任务状态的变化具有反直觉的性质，但它在认知任务激活的形成中起着重要作用。支持这一结论，使用任务状态FC参数化网络模型持续改进了(相对于使用静止状态FC)持续认知任务激活的预测。此外，经验导出的网络模型的使用提供了关于任务状态FC如何工作的机械论观点影响大脑功能:通过动态改变大脑区域之间的活动流，以与内容相关的方式塑造任务激活。

总之，我们发现了强有力的证据，证明任务状态FC在神经认知功能中具有突出的作用。这是建立在我们先前的工作基础上的，我们的工作表明内在的大脑连接性(通过静息状态FC测量)在神经认知功能中有很大的作用，通过塑造认知任务激活。我们再次量化了连接性对认知任务激活的可能贡献，发现相对于静止状态的FC，任务状态的FC持续改善了任务激活的预测。这表明任务状态FC可能具有重要的功能作用，尽管从静止状态变化尺寸小，尽管这些(统计上显著的)变化大部分是FC强度的降低。这个结论是非常普遍的，因为认知任务激活在所有360个皮层区域和所有24个测试的任务条件中被更好地预测。我们预计这些发现将有助于未来对任务-状态FC效应的解释，例如在活动增加的情况下对任务-状态FC下降的解释，这可能反映了活动流的总体增加。