任務態fMRI研究：皮質—腦島環路編碼主觀價值預期

08-16

埃默里大學在PNAS上發文，研究了個體通過主觀價值的評估來指導其完成基於努力的目標導向行為的神經機制。為此，研究者讓被試在fMRI中完成一項基於努力的決策任務。在此過程中，關於努力成本和獎勵大小的信息是隨時間而分開呈現的，從而使我們能夠基於選擇相關信息的展開而建立不同的努力/獎賞計算模型。最後，研究者發現腹內側前額葉（vmPFC）涉及編碼主觀價值的預期，背側前扣帶（dACC）和前腦島的活動與努力的折現和對主觀價值預期的誤差有關。該發現強調了當選擇的信息不充分時，大腦如何計算和監控基於主觀價值的預期。

關鍵詞：決策主觀價值預期 BOLD 任務態

我們每天都會做出成百上千次如何努力以達到自己的目標的決策。這些決定必須經常在信息不完整的情況下作出，在這些條件下，我們即使選擇付出努力也可能得不到想要的回報。因此，這些選擇需要通過潛在的主觀價值評估來指導基於努力的目標導向行為。然而，到目前為止，研究者尚不清楚該過程的神經機制。因此，研究者為了探究該問題，讓被試在MRI中完成一項基於努力的決策任務。

方法

研究者首先招募了31名被試(14 male, Mage = 20.8, SDage = 3.4; 詳細信息見附錄，表二)，讓被試在MRI（西門子3T Tim Trio，32導）中完成基於努力的決策任務：被試需要在實驗中選擇」是不努力而獲得1美元」還是「努力獲得更高的獎賞」(選擇努力程度（20%，50%，80%，100%；按鍵速度）和獎賞（（$1–$5.73）；獨立變化)，此任務有三個階段（Cue1：呈現努力水平或獎賞大小，Cue2: 呈現Cue1未呈現的另一項，decision：被試選擇）（圖1A）。最後，一名被試因頭動過大，一名被試因在任務中睡著（還有這操作？），還有一名被試因未完成決策任務而被剔除。最終對28名(13 male, Mage = 20.2, SDage = 2.1)被試的數據進行了後續分析。為了更好地估計工作和獎勵如何影響個人的選擇，研究者使用了一個雙參數的effort discounting model擬合數據。

數據處理：

研究者使用SPM12對所有被試的影像數據進行分析，首先進行了預處理（包括：時間層校正,頭動矯正，將個體的功能圖像配准到個體的結構像，空間標準化（MNI），高斯平滑（6-mm FWHM）），然後利用3個GLMs（一般線性模型）來進行進一步的統計分析:

GLM1:確定編碼獎賞或努力的腦區

GLM2確定編碼主觀價值以及整合努力和獎賞信息的腦區

GLM3確定編碼主觀價值預期與主觀價值預期誤差的腦區

最後，對全腦結果使用FWE （cluster-corrected threshold of P <0.05）進行校正。

主觀價值（SV）和主觀價值預期誤差（SVPE）的演算法見附錄，公式1和2.

結果：

行為結果：參與者在66%的試驗中選擇了更高的努力選項（圖1）。正如研究者預料，更大的獎勵和更小的努力成本吸引了更多的努力選擇。而且模型擬合的結果與前人的研究的結果一致，相較於線性、拋物線和雙曲線模型（見SI附錄，表S1），該模型具有更優的擬合效果（由AIC和BIC決定）。個人和群體平均主觀價值折現曲線如圖1 C所示。

圖1. A.實驗設計流程。

B. 基於努力水平和獎勵幅度的努力選擇的比例。

C.根據計算模型的結果，個人和組平均值（深藍色）的主觀值曲線。

影像分析結果

研究發現了一個包括腦島，dACC，輔助運動區和紋狀體（VS）的網路，這些區域與基於努力的決策任務以及其他各種功能有關（圖2A）。但研究者沒有發現與努力成本有關的腦區。之後，研究者利用GLM2分析發現vmPFC[x = 4, y = 32, z = -8, t = 5.02, cluster-corrected tocontrol for family-wise error rate (pFWE) < 0.001]（圖2C）與dACC(x = -8, y = 20, z = 42, t = 4.69, cluster corrected pFWE= 0.001)（圖2B）與主觀價值的編碼有關，這與前人的研究一致。

圖2.A.Cue2呈現激活的腦區.

B.與主觀價值降低相關的dACC的BOLD信號升高。

C.與主觀價值大小相關的vmPFC的BOLD信號升高。

考慮到只在cue1下的主觀價值編碼和可能已經形成的預期，研究者將GLM1分為主觀價值是否只基於cue1信息還是可能在cue2信息下改變(例如,如果在提示2中需要付出很高的努力，那麼在提示1中以很高的獎勵開始的trail的價值可能會變得明顯不那麼有吸引力）。之後，研究者將獎賞分為高獎賞（80%-100%）和低獎賞（20%-50%），發現在高獎賞的cue1下觀察到腦島更大的激活（圖3.），但卻沒有發現其在高努力的cue1下激活（圖3.B）

圖3 A.cue1為高獎賞時，BOLD信號變化； B.cue1為高努力時，BOLD信號變化。

研究者利用滑動窗分析（GLM3）對基於預期和計算預期差異進行建模來探究與主觀價值預期誤差（subjective value prediction error, svpe）有關的腦區，發現dACC(x = 8, y = 24, z = 32, t = 4.52, clustercorrected pFWE < 0.001)，背內側尾狀核(x = 12, y = 2,

z = 12, t = 4.18, cluster-corrected pFWE = 0.006)和前腦島(x = -36, y = 16, z = -10, t = 6.26, cluster-corrected pFWE< 0.001)在基於努力的選擇過程中，這些腦區在預測誤差信號的編碼中發揮作用（圖4）。而且，即使在控制了選擇困難、主觀價值和選擇結果（努力選擇或無努力選擇）相關的回歸因素時，這些結果仍然存在。此外，研究者為了更好地知曉這些腦區在主觀價值預期編碼上與主觀價值評估上的特異性，研究者將dACC，腦島和尾狀核作為ROI，對它們的亞區進一步研究，研究者發現dACC的前部（圖4.D），背側腦島（圖4.E）和後側尾狀核（圖4.F）與主觀價值預期誤差編碼更為密切。

圖4.(A)與SVPE（主觀價值預期誤差）相關的腦區激活；

（B）相對於主觀價值，腦島BOLD信號對SVPE的響應更強；

（C）dACC響應於SVPE的BOLD信號增強；

（D）對於主觀價值，前側dACC比後側dACC的BOLD活動更強；(E)尾狀核響應於SVPE的BOLD信號增強。

研究者再次利用滑動窗分析cue1時(cue2呈現之前)編碼主觀價值預期的腦區，最終發現當cue1為努力信息時，沒有追蹤到任何腦區與編碼努力的主觀價值預期相關；而當cue1為獎賞信息時，vmPFC(x = 2, y = 48, z = -8, t = 6.27,cluster-corrected pFWE < 0.001; 圖5)與之有關。

圖5.，cue1條件時獎賞信息時vmPFC的激活與BOLD信號。

一句話總結：本文發現vmPFC，dACC涉及編碼主觀價值；dACC，前腦島和背內側尾狀核的活動與努力的折現和對主觀價值預期的誤差有關；而主觀價值預期的編碼主要在於vmPFC。

參考文獻：Arulpragasam AR, Cooper J A, Nuutinen M R, et al. Corticoinsular circuits encode subjectivevalue expectation and violation for effortful goal-directed behavior[J].Proceedings of the National Academy of Sciences, 2018: 201800444.

微信搜索「思影科技」公眾號，第一時間獲取腦影像資訊