多疑特质与模糊社交情境下的脑活动

///

Trait paranoia shapes inter-subject synchrony in brain activity during an ambiguous social narrative

作者：Finn, E.S., Corlett, P.R. et al.

本文回答的主要问题是：人格特质如何影响大脑对复杂刺激的反应。

How do personality traits modulate brain activity evoked by a complex stimulus? 

被试

23名健康志愿者被试参加本实验，其中1人因为磁共振扫描头动过大和自我报告叙述的后1/3时存在入睡情况被排除。用于分析的最终数据集包含22名被试(11名女性；年龄范围为19-35岁，平均为27岁，标准差4.4)。所有参与者都是右利手，母语为英语，没有神经疾病或损伤史，扫描时也没有接受精神药物治疗。所有被试都根据耶鲁大学院校审查委员会提供了书面知情同意书。本项实验所有被试都完成了对实验室的两次来访（行为评估+MRI扫描）。

流程

总计两轮测试（见图1）：

*图1. 实验流程

    第一轮：GPTS-A多疑人格特质测试+其他认知测试(不用于本研究，主要目的是掩护当前实验目的)

    第二轮：fMRI测试，让被试聆听一个医生在亚马逊经历的悬疑事件，测试完之后立刻复述故事；复述完之后，填一份对故事感想的多选题，47题。

分析方法

研究者统计分析所用指标

Inter-Subjects Correlation (ISC): 在预处理之后，使用Afni的3dTrelate函数在所有可能的对象对(i，j)上计算故事期间的ISC，得到231(n*(n−1)/2，其中n=22)个唯一的ISC图，其中每个体素处的值表示该体素在对象i中的时间进程和其在对象j中的时间进程间的Pearson相关性。为了识别在所有231个对象对中表现出统计上显著的ISC的体素，我们使用最近开发的线性混合效应(Linear Mixed-effects ,LME)模型和交叉随机效应公式在单组水平上进行推断，以准确地解释ISC数据中嵌入的相关结构，并对得到的地图进行多重比较校正，并使用q＜0.001的体素错误发现率阈值对可视化进行阈值设置。

GPTS分数处理： 根据中位数，将被试分为两组（即高多疑特质组与低多疑特质组,图2b）。

* 图2. 组内、组间ISC

被试复述音频打标: 用gentle对音频进行逐字时间戳打标，其中一个作者（E.S.F)对内容进行分割，并对相关分割内容进行编码（1 = 模糊的社会互动或心智化,ambiguous social interaction or mentalizing；0 = None）。另外找4位完全naive的被试对这些分割内容进行打分，总计5位中有3位打1则为1，其他为0，总计48段内容为1。

语言特征分析： 对被试复述内容语音转文字后进行语言特征（social and psychological states) 分析(LIWC公司)，LIWC出来的结果分成了67个不同的维度（作者对得分进行了标准化。

统计方法

1. 根据GPTS分组，计算各组内的ISC(ISC(low,low); ISC(high,high))以及组间ISC(ISC(low,high))（见图2C）

2. 采用LME模型对ISC的组间差异进行统计。进行了三组对比：

• ISC(high,high) VS. ISC(low,low)

• ISC(high,high) VS. ISC(low,high)

• ISC(low,low) VS. ISC(low,high)

3. 用LIWC语言特征分析所得67个维度得分预测多疑特质(partial least squares regression, PLSR, 采用matlab函数plsregress)

4. 事件相关分析。在复述音频的打标中，相应的marker打在每段分割内容的末尾。相应marker与经典hrf分别做卷积，纳入到回归方程中，对BOLD信号做一般线性模型分析。

总体情况

总体而言，被试在听故事的时候在， 其大部分脑区，特别是颞叶部分，有较高的ISC （图3）。

* 图3. 被试总体在听故事时的ISC

组间对比结果

组间的对比结果显示，高多疑特质组相较于低多疑特质组，其left temoral pole, left precuneus, right mPFC (一个前端一个后端)，均显示较高的ISC (图5a)。通过这些激活区域的MNI比对Neurosynth (一个联系脑区与认知任务的数据库)，左颞极 (left temporal pole)和右前内侧前额叶 (right anterior mPFC) 这两个区域与心理化 (mentalizing)相关。因此，这两个区域的也被作为后续分析的ROI。

*图5. 各项对比条件下显著的cluster

LIWC语言特征得分与多疑特质的关系

根据PLSR分析结果可知，语言特征的第一个成分就已经能够解释多疑得分72%的变异量。这个成分在67个语言特征上的loading如图6a所示。其中loading最高的“关系”（Affiliation）相关的复述例子如图6b所示。作者也要求被试对故事在16个情绪维度上进行五点量表评分，将评分与多疑特质进行等级相关，相关关系不显著（图6c）。

* 图6. 

语言特征及被试对故事整体情绪观感评价与多疑特质之间的关系。a语言特征预测多疑特质第一成分的loading情况；b Affiliation的例子；c 整体情绪评价与多疑特质的关系，按相关关系的显著性p值进行排序。

ROI的ISC与多疑特质的相关

作者将被试两两之间的ROI to ROI的ISC根据多疑特质进行了排序，得到了如图7所示的两个矩阵(一个ROI一个矩阵)。

如图所示，ISC随着多疑特质的升高其相关性越大。这种关系在散点图中也能够体现，散点图中每个点代表一个被试，横坐标是被试的多疑特质，纵坐标是该被试与其他被试ISC的中位数。两个散点图所示的相关关系均显著。

*图7. ISC与多疑特质的关系。

ROI上的事件相关分析结果

在进行事件相关的GLM分析的时候，除了上述两个ROI之外，还选取了学界公认的与mentalizing相关的颞顶联合(left TPJ)脑区，以及与听觉相关的赫氏回(left Hescl's gyrus)，四个选定的ROI如图7a所示。

因为在打标的时候分了两类标记点(marker)，即心理化语句(mentalizing sentences)和 非心理化语句(non-mentalizing sentences)，因此对应这两个回归会得到两个beta值。

作者用这两个beta值在四个ROI上，在高多疑特质与低多疑特质组之间进行比较，由此得到了b、c两个子图。统计结果显示， ISC对比所得ROI特异性地能够反映被试多疑特质的高低，而传统上的mentalizing以及听觉相关的ROI，则没有显示出组间差异。

d、e所示的相关关系分析，也说明了同样的道理。

*图7. GLM所得beta值与多疑特质的相关分析。

在听故事的过程中，被试在left temporal pole 和 right anterior mPFC 这两个脑区特异性地对mentalizing内容有反应。这种反应受到被试多疑特质的调节，越多疑的被试，反应越强烈。两个ROI对mentalizing的反应，同样能够被ISC刻画，且在多疑被试之间的ISC更加强烈。

首先，由这种人格特质调节ISC的研究思路，可以拓展到其他人格特质甚至是精神疾病状态。

其次，这种针对连续变量的分析方法值得在日后的ISC分析中予以借鉴。

https://doi.org/10.1038/s41467-018-04387-2

///

主讲&翻译：胡志善

编辑&排版：金书玉、李嘉琳

审校：PHI group

文字：PHI group