雖然動物研究已經證明了一種獨特的與生殖相關的神經可塑性，但人們對懷孕對人類大腦的影響知之甚少。本文通過一項全面的孕前隊列研究來調查懷孕是否與靜息狀態下的大腦活動、白質微結構、神經代謝物濃度和灰質結構的變化有關。本文發現懷孕會導致神經的結構和神經網絡的有選擇性并且穩定的變化，這種變化在默認模式網絡中最為明顯。這些神經變化與妊娠激素相關，主要是孕晚期的雌二醇，而與其他因素如滲透效應、壓力和睡眠沒有發現關聯。此外，這些變化與母胎結合、筑巢行為和對嬰兒線索的生理反應有關，并且是母胎結合障礙的預測指標。這些發現表明，大腦結構和功能存在與妊娠相關的選擇性改變，這可能促進與圍產期中關鍵的母嬰二元體的相關過程。本研究發表在Nature Communications雜志。(可添加微信號siyingyxf或18983979082獲取原文，另思影提供免費文獻下載服務，如需要也可添加此微信號入群，原文也會在群里發布)。
溫故而知新，建議結合以下相關文獻閱讀（直接點擊，即可瀏覽，加微信號siyingyxf或18983979082獲取原文及補充材料）：
懷孕導致人類大腦結構的長久改變
介紹
懷孕是一個非常極端的生物過程，是女性生命中的重大轉變之一。這一時期涉及一連串錯綜復雜的內分泌變化，這些變化導致了女性身體的多種適應。實際上，身體的所有系統在懷孕期間都會受到影響，這其中包括了女性生理上長期變化，這種變化會在分娩后持續數十年。然而，由于女性健康和生物學的研究的缺乏，這一獨特過程對人類大腦的影響長期以來一直是一個幾乎未被探索的領域。
大量證據表明，繁殖與各種非人類動物獨特而顯著的大腦可塑性有關，涉及哺乳動物大腦和行為的顯著變化。我們之前已經表明，懷孕會導致人腦灰質結構發生變化。在當前的研究中，我們使用一項全面的前瞻性隊列研究著手調查成為母親如何改變女性的白質微觀結構、神經代謝物濃度和神經網絡組織。該隊列研究對女性是從受孕前一直隨訪至到產后后期，并參加了四次縱向實驗。為了使我們能夠全面研究妊娠對人類大腦的影響，該項目采集了結構磁共振成像(sMRI)、彌散加權成像、1H核磁共振波譜和靜息態功能MRI。此外，為了研究驅動懷孕相關神經可塑性的機制，我們根據懷孕每四周收集的生物樣本，結合睡眠和壓力等經驗因素，獲得了激素變化的概況。最后，我們的目標是通過檢查與妊娠和產后階段的關系，確定與妊娠相關的神經可塑性的潛在功能意義。
使用這些數據，我們：
(i)通過比較女性的孕前和孕后腦部掃描，檢查懷孕是否會導致灰質結構、擴散指標、神經代謝物濃度以及神經網絡內部和之間的時間連接發生變化與未生育的婦女相比，在這項研究中懷孕的婦女；
(ii)通過1年的產后后續隨訪調查了這些大腦變化的持久性；
(iii)各種潛在生物學因素的貢獻和經驗因素；
(iv)妊娠期母體生理和心理指標的關系；
(v)這些神經變化是否與母嬰指標和母嬰損傷相關。
在這項研究中，我們全面描繪了女性大腦在這個獨特的過渡時期所表現出的變化。我們的數據揭示了顯著和選擇性的大腦結構和功能可塑性，這可能為母親的妊娠和母性行為以及新母子關系的建立賦予適應性優勢。
方法設計與參與者
本文建立了一項孕前前瞻性隊列研究，在接下來的幾年中對未生育的婦女進行了檢查和跟蹤。有和沒有計劃在不久的將來懷孕的婦女都被納入研究。這些群體的招募和數據收集同時啟動。參與者是通過廣告、傳單（在當地全科醫生和藥房）和口口相傳招募的。最終的組分配取決于在本研究過程中是否懷孕。最后一組稱為懷孕組(PRG)和對照組(CTR)。
材料和分析結構MRI
采集數據。sMRI是在3T的飛利浦MRI掃描儀上采集的。在橫向方向獲取高分辨率3DT1加權圖像。在數據處理之前，通過肉眼檢查了MRI圖像以進行質量控制，但沒有圖像被排除在外。結構MRI數據總共160個，包括基線和產后早期（每組40名受試者具有完整的前期和后期的數據），而涉及產后晚期（Post+1）共84個（來自在基線、產后早期和產后晚期接受掃描的28名PRG參與者）。
縱向同構建模。sMRI圖像在SPM12(中處理，在Matlab7.8(MathWorks)中實現，使用縱向同構建模。首先使用框架內提供的縱向配準工具對每個參與者的圖像進行處理，該工具以交錯的方式結合剛體配準、強度非均勻校正和非線性微分同構配準。考慮到在配對配準中與不對稱相關的偏差，這種方法將兩個時間點都配準到同一受試者內的平均圖像。使用統一分割算法將這些中點平均圖像分割為組織類。由縱向配準產生的雅各布矩陣隨后與每個受試者的灰質(GM)腦區相乘，創建GM的體積變化圖。為了將這些圖像轉換入MNI空間，使用SPM12中的DARTEL工具對圖像進行標準化，并使用10mm的平滑核進行平滑，將每個受試者平滑后的GM體積差異圖納入一般線性模型。
基于體素的橫斷面形態測量方法被應用于基線期的圖像，以確認PRG組和CTR組之間沒有預先存在的基線差異。該方法包括使用統一分割算法對基線圖像進行分割、對GM圖像進DARTEL歸一化以及在應用10mm平滑核對圖像進行平滑.使用上述相同的方法處理隨訪期的圖像，繪制后不同時間段的的體積差異圖。
統計分析。采用SPM中的一般線性模型來檢驗在不同時間段的變化是否存在組間差異。采用雙樣本t檢驗比較PRG組和CTR組生育前后GM體積變化圖。采用SPM中的單側標準統計檢驗。如果觀察到顯著的組間差異，我們將繼續使用單樣本t檢驗分別檢查組內的變化，以確定那些組間變化導致了這些組間差異。
為了研究受妊娠影響區域內的GM體積在產后第一年相對于孕前和產后早期是否發生進一步變化，我們對代表產后1年和孕前基線期之間以及產后早期和產后晚期之間體積變化的差異圖進行了單樣本t檢驗。使用VBM8工具箱提取效應量。將統計圖投影到Caret軟件(caret5,http://brainvis.wustl.edu/wiki/index.php/Caret)提供的PALS表面上生成圖像。大腦切片使用MRIcron創建。采用fwe校正（P<0.05）的體素水平閾值來構建全腦統計圖。
重疊量化分析。為了客觀地檢驗觀察到的變化的解剖定位，我們計算了我們的結構變化與認知成分和Yeo等人提取的靜息態神經網絡之間的空間對應關系。Yeo等人分析了超過大量的fMRI數據，以定義人類聯想皮層的認知本質，并分析了1000個個體的靜息態fMRI數據，以識別人類大腦皮層在靜息狀態下的組織為內在神經網絡。此外，利用Smith等人的功能網絡進行重疊定量分析。
通過計算這些大腦解剖圖譜與妊娠期GM體積變化圖之間的重疊處，來提取我們的結果與這些功能地圖的重疊。然后，根據大腦灰質的隨機分布，定義相對于預期重疊的分數體積。
彌散加權MRI
采集數據。對所有受試進行彌散加權成像的數據采集。使用以下參數設置獲得了兩次橫向DTI掃描：掃描參數設置為:30個非共線擴散加權體積(b值為1000s/mm2)和5個非共線擴散加權體積(b值為0s/mm2)。并行成像靈敏度編碼的快速MRI(SENSE)因子=3。翻轉角度90°；2mm切片75篇；無切片間隙；采集矩陣128×98;重建矩陣128×128;視場=240×240mm;TE=69ms;TR=7315ms;掃描時間為271s，共542s。第二組DTI參數設置與第一組相同，不同之處是采用反k空間讀出方向，以去除磁敏感偽影。在數據處理前檢查了擴散加權掃描的質量，但不排除任何圖像。因此，彌散加權MRI數據的分析共涉及160次產前和產后的分析(每組有完整的產前和產后數據集的40名受試者)，而涉及產后+1的分析共涉及84次(28名PRG參與者，在基線、產后早期和產后晚期接受掃描)。
處理和分析。采用FSL軟件對dwi圖像進行預處理。利用topup工具對磁敏感引起的畸變進行估計和校正，并利用渦流對電流引起的畸變和受試者運動進行校正。然后用dtifit完成張量擬合。采用DTI-TK軟件進行基于張量的掃描配準。該軟件包使用全擴散張量信息來驅動配準，從而改善了白質結構的配準。
通過對每個受試者縱向掃描的初始剛性配準和隨后的非線性配準的迭代過程，創建受試者內部的DTI模板。然后，通過對組內模板應用相同的過程生成組模板。將每次掃描的兩種變換合并成一個變形場，應用于原始張量圖像，使其進入成組模板空間。在成組空間中對每一幅配準擴散張量圖像計算各向異性分數(FA)、平均擴散率(MD)、軸向擴散率(AD)和徑向擴散率(RD)。
隨后應用基于纖維束示蹤的空間統計。將DTI-TK獲得的平均FA圖像進行減薄，得到代表所有束中心的平均FA骨架。然后將每次掃描的標準化FA數據投射到這個骨架上，然后將這個投影也應用到MD、RD和AD圖像上。將每位受試者的基線期骨架化的圖像與隨訪圖像相減，計算出每個參數(FA、MD、RD、AD)的差異圖像。對每個參數進行基于體素的統計分析。采用兩樣本t檢驗比較組間FA、MD、RD、AD的縱向演變差異。采用單側標準FSL統計檢驗(FSL隨機化)。使用全腦FWE校正對結果進行多重比較校正。
質子核磁共振波譜
數據采集。磁共振波譜(MRS)采用單體素點分辨波譜(PRESS)定位(TR=2000ms;TE=37ms;128個平均值，2個模擬掃描，16個無壓水的參考掃描)。在我們之前的研究中，我們發現感興趣的體積(VOIs)位于大腦結構發生強烈變化的兩個區域。一個為楔前葉/后扣帶回(PCC)，位于雙側大腦半球之間，體積為8mL(20×20×20mm3)。這個VOI將被稱為PCCVOI。另一個VOI位于右側顳上回，體積為12mL(20×30×20mm3)。兩個VOIs的位置是根據Hoekzema等人確定的集群來選擇的。采用基于二階投影的自動算法進行填補。
在本研究納入的女性中，39名在本研究期間成為母親的女性和38名CTR組女性在產前和產后的MRS數據是可獲得的，因為3名受試由于時間不足而在其中一次時間節點沒有獲取MRS數據。此外，因為波譜VOI在PRE階段被放錯了位置。1名CTR組受試被排除在分析之外，
波譜定量和質量評估。使用包含17種代謝物的數據集，使用LCModel估算代謝物濃度。在本研究中，我們考慮了主要代謝物tNAA(n-乙酰天門冬氨酸，包括來自n-乙酰天門冬氨酸的谷氨酸)，tCr(肌酸和磷酸肌酸)，Cho(磷酸化膽堿和甘油磷酸膽堿)，Glu(谷氨酸)，Ins(肌醇)。使用水結垢表示濃度。然后，基于每個受試者3DT1圖像的Sienax分割(FSL5.0.10)，校正相應VOI中灰質、白質和腦脊液的部分體積貢獻。代謝物濃度的計算方法見LCModel手冊。
基于全寬半高寬(FWHM)、信噪比(SNR)和各代謝物的Cramer-Rao下界評估波譜質量。FHWM>0.1ppm(12Hz)和/或SNR<5的光譜被認為質量較差。這導致了75%的STG波譜被排除，這一區域被排除在進一步的分析中。所有PCC波譜質量較高，SNR均值±sd為24.84±1.86,FWHM為4.60±0.61Hz,CramerRao下界均低于10%:tCr2.13±0.33%，tNAA2.22±0.41%，Cho4.62±0.51%，Ins6.73±0.74%，Glu7.95±0.49%。兩組間的波譜質量測量沒有觀察到差異。
統計分析。使用SPSS對LCModel得到的代謝物濃度進行分析。我們采用重復測量一般線性模型評估這些代謝物濃度隨時間的變化是否存在組間差異。使用Shapiro-Wilk檢驗評估正態性，并進行非參數檢驗(對前后差值的Mann-WhitneyU檢驗)，以判斷分析數據過程中偏離正態性的情況。參數檢驗和非參數檢驗的結果都有呈現。利用Bonferroni校正針對代謝物數量對結果進行了多重比較校正。由于Bonferroni校正程序假設檢驗之間獨立，因此根據所檢查變量之間的平均相關性(R)調整校正閾值。
靜息態功能MRI
數據采集。所有受試在靜息時進行功能MRI掃描。為了盡量減少受試者入睡的可能性，受試被要求注視屏幕中間的一個白色十字。采集全腦T2*加權平面回波圖像(EPIs)(139個，包括2次模擬掃描，以平衡T1飽和效應)，采集參數如下:TR=2.2s;TE=30ms;反轉角=80°;視野=220×220×111;體素大小=2.75×2.75;共37層。
預處理。采用DPARSF(version4.5)對靜息態fMRI圖像進行預處理，包括斷層時間校正、序列重組以及解剖圖像與平均功能圖像的共配準。然后對變換后的解剖圖像進行分割，使用DARTEL將圖像轉換為MNI空間。隨后，將一個10mm3的全寬半高高斯核(FWHM)應用到空間域，該核與多主題獨立成分分析中推薦的2-5體素的FWHM寬范圍平滑核匹配。
考慮到頭部運動，我們應用了Friston24參數模型，排除了在任何影像中任何幀內位移(FD)超過2mm(平移)或2°(旋轉)或平均FD超過0.2的受試者。因此，CTR組的4名參與者必須從對生產前后階段的分析中移除，PRG組的2名參與者必須從生產后+1年階段的分析中移除。這提供了包括PRG組40名婦女(基線年齡(平均±標準差):29.35±3.51)和CTR組36名婦女(基線年齡(平均±標準差):29.22±3.65)的前后分析的總樣本。
獨立成分分析。使用GIFTv4.0b中的GroupICAforfMRI工具箱進行組空間獨立成分分析。采用默認選項和Infomax算法進行組間獨立分量分析，涉及所有被試的前后兩階段，分3個步驟進行：數據縮減、獨立分量分析和反重建。首先，采用主成分分析(PCA)對個體參與者的數據進行約簡，然后將數據拼接，再進行PCA數據約簡。接下來，利用這組簡化后的數據進行ICA。最后，基于輸出分量和信息對每個參與者的時間和空間序列進行反重建，用于PCA數據約簡步驟。之所以使用20個成分的低模型階ICA，是因為這個維度被認為是檢查大規模大腦網絡的最佳維度。Smith通過R>0.25的截止值定義了靜息狀態下大腦的主要網絡，通過空間排序自動選擇成分，這些成分的相關值較好（最小值R=0.41，最大值R=0.78）。鑒于結構相的顯著性腦區和默認模式網絡之間有很強的重疊，因此，還在空間選擇過程中使用了GIFT提供的默認模式網絡組件，成分的相關值為R=0.63。
在確定神經網絡后，我們使用FNCToolbox利用滯后移算法提取這些網絡之間的相關性。FNC通過計算皮爾遜相關和限制時間序列之間的滯后來計算每對網絡之間的約束最大滯后相關。FNC使用默認選項，呈現定義的神經網絡之間的相關性。
統計分析。使用一般線性模型檢查了SPM12中定義的每個神經網絡的網絡內一致性。為了檢驗組間在每個階段網絡一致性的變化是否存在差異，我們測試了組(PRG,CTR)*階段(前，后)交互效應。當觀察到顯著性結果時，隨后進行配對樣本t檢驗。為了完整性，為了增強統計方法與解剖數據分析的一致性，我們對Post-Pre差異圖像額外進行了2個樣本t檢驗，得到相同的結果。為了將結果限制在與網絡相關的核心區域，構建相應網絡的平均分量(imcalc>0.5)的蒙版用于分析。鑒于結構變化和DMN之間有很強的重疊，我們主要對DMN的網絡內和網絡間的連通性感興趣，但報告了所有神經網絡的結果。
我們通過配對樣本t檢驗，檢查包括后1年隨訪期和另外2個階段產后期間的變化。為了完整性，還對Pre會話進行了額外的比較，以檢查基線差異。通過fwe校正（P<0.05）的結果被認為是顯著的。
網絡間相關性在SPSS中檢驗，使用重復測量一般線性模型。為了檢查懷孕前和懷孕后之間網絡的連通性是否存在變化，我們測試了組(PRG/CTR)和會話(Pre/Post)之間的交互作用。此外，使用產后+1期的數據，通過配對樣本t檢驗來檢查產后網絡間連通性是否存在變化。使用相關調整Bonferroni校正進行多次比較校正，P<0.05的結果被認為是顯著的。
如果您對腦影像數據分析感興趣，可瀏覽思影科技課程及服務，感謝轉發支持（可添加微信號siyingyxf或18983979082咨詢，另思影提供免費文獻下載服務，如需要也可添加此微信號入群）:
上海：
第二十五屆磁共振腦影像結構班（上海，2.3-8）
第二十九屆擴散成像數據處理班（上海，2.11-16）
第十四屆任務態功能磁共振數據處理班（上海，2.22-27）
第七十七屆磁共振腦影像基礎班（上海，3.3-8）
南京：
第三十五屆磁共振腦網絡數據處理班(南京，2.1-6）
第二十六屆腦影像機器學習班（南京，2.17-22）
重慶：
第二十三屆磁共振腦影像結構班（重慶，2.8-13）
第七十三屆磁共振腦影像基礎班(重慶，2.17-22）
第二十五屆腦影像機器學習班（重慶，2.26-3.3）
北京：
第三十四屆磁共振腦網絡數據處理班（北京，2.9-14）
第七十五屆磁共振腦影像基礎班（北京，2.23-28）
數據處理業務介紹：
思影科技功能磁共振(fMRI)數據處理業務
思影科技彌散加權成像（DWI）數據處理
思影科技腦結構磁共振（T1)成像數據處理業務
思影科技嚙齒類動物（大小鼠）神經影像數據處理業務
思影科技定量磁敏感（QSM)數據處理業務
思影科技影像組學（Radiomics）數據處理業務
思影科技DTI-ALPS數據處理業務
思影數據ASL數據處理業務
思影科技靈長類動物fMRI分析業務
思影科技腦影像機器學習數據處理業務介紹
思影科技微生物菌群分析業務
思影科技EEG/ERP數據處理業務
思影科技近紅外腦功能數據處理服務
思影科技腦電機器學習數據處理業務
思影數據處理服務六：腦磁圖（MEG）數據處理
思影科技眼動數據處理服務
招聘及產品：
思影科技招聘數據處理工程師 （上海，北京，南京，重慶）
BIOSEMI腦電系統介紹
Artinis近紅外腦功能成像系統介紹
目鏡式功能磁共振刺激系統介紹
結果
灰質結構（GM）
圖1 灰質體積在懷孕期間(懷孕前到懷孕后)發生變化。懷孕婦女(PRG)與未懷孕婦女(CTR)之間的灰質體積變化。a灰質體積變化的表面圖，通過 FWE校正的團塊。b從每個團塊的平滑歸一化后提取的顯示PRG組(N = 40)和CTR組(N = 40)中每位女性個體灰質體積變化的圖像（冠狀位和矢狀位）。由于這些分析產生了大量的團塊，只顯示了最重要的團塊(T > 8)。
這項前瞻性隊列研究涉及四個階段（懷孕前(Pre)、懷孕晚期(Prg)、懷孕后(Post)、晚期產后(Post+1y))。除了懷孕期間的階段外，每個階段都包括MRI采集，其中包括高分辨率的大腦解剖掃描。為了檢查成為母親對大腦灰質(GM)結構的影響，我們分析了每個人懷孕后的大腦掃描與懷孕前的掃描之間的關系，使我們能夠可靠地提取出相對于每個人懷孕前基線的大腦結構變化。還在可比的時間間隔內收集了未生產的對照組女性的縱向數據。完整的前后縱向數據集是研究期間的40名懷孕的未產婦(PRG組)和40名未懷孕的未產婦(CTR組)。
使用SPM12在個體水平上研究GM體積變化，并將初產婦女的GM體積變化圖與未產婦女的GM體積變化圖進行比較�；�期的GM體積沒有顯著性的組間差異。本研究發現，不同時間段的GM體積變化具有高度顯著組間差異(圖1)，posthoc分析顯示，每一類都反映了懷孕婦女區域GM在時間點之間的減少。并且有較高的效應值。
GM體積減小主要集中在雙側顳上溝、顳頂葉交界處以及大腦的前中線和后中線，包括位于楔前葉和后扣帶回皮層和內側前額葉至外側額葉區域的團塊。這些發現與之前的結果類似，并且本文發現GM體積減小延伸到例如作為雙側顳頂葉交界處的其他腦區。
除此之外，本文還計算了內在功能連接網絡的空間對應關系。DMN與本文研究中觀察到的結構大腦變化模式之間具有很強的相似性。
神經網絡組織
圖2 妊娠前后DMN網絡一致性的變化。
a在研究期間懷孕的婦女的DMN網絡內連通性增加。
b描述DMN連接變化的大腦表面圖。p < 0.0001，未經校正。
c描述每組的DMN連接個體變化的散點圖。
d懷孕婦女(N = 40)與未懷孕婦女(N = 36)在不同階段默認模式網絡內一致性變化的效應量圖。所描述的效應大小 (Cohen’s d > 0.8)
鑒于在孕期觀察到了DMN的結構變化，本文進一步研究了懷孕是否也會導致該網絡的內在功能活動發生變化。采集了每個階段的靜息狀態fMRI數據，并使用獨立成分分析(ICA)進行分析，呈現內在功能連接的網絡。與對照組相比，不同階段的懷孕組神經網絡時間相關性出現顯著的組間差異，出現顯著性組間差異的團塊位于DMN中的雙側楔葉（圖2）。在任何其他神經網絡的網絡內連接變化方面，PRG和CTR組之間沒有觀察到顯著差異。
涉及DMN圖的進一步分析表明在懷孕組的功能連接增加，表明成為母親會增加DMN的時間連接（圖2）。與此同時，我們對其他的網絡也進行了t檢驗分析，除了DMN連接增加之外，還有視覺網絡連接的增加。然而，如前所述，這種效果并沒有出現在檢查PRG和CTR組之間前后差異的交互對比中。
在基線期，DMN連接在腦內相關的團塊中內沒有組間差異，盡管在其他兩個區域觀察到基線期的組間差異。雖然這些差異不在相關團塊中，但這些先前存在的差異可能與DMN連接的后續變化有關。因此，我們還在這些腦區內的基線與整個妊娠期間觀察到的DMN相鏈接變化之間進行了相關性分析，未存在相關。
納入生育治療、雙胞胎分娩和病史等潛在混雜影響因素的模型呈現出高度相似的結果。作為對網絡內連接分析的補充，我們還研究了不同靜止狀態網絡之間的連接。與對照組相比，未觀察到懷孕女性的網絡間連接有顯著變化。因此，這些發現表明，成為母親與大腦默認模式網絡時間連貫性的選擇性變化有關。
神經代謝物
為了檢查懷孕是否會導致神經代謝物濃度的變化，我們分析了楔前葉/后扣帶皮層在整個懷孕期間體積減少最嚴重的腦區中以下神經代謝物濃度的變化：tNAA(n-乙酰天冬氨酸，包括n-乙酰天冬氨酸谷氨酸)、tCr(肌酸和磷酸肌酸)、Cho(磷酸膽堿和甘油磷酸膽堿)、Glu(谷氨酸)和Ins(肌肌醇)的代謝物濃度。在檢查孕前和孕后神經代謝物的變化時，發現tNAA和Glu在兩組之間沒有差異，Cho、Ins和tCr的升高，但沒有通過校正。
影響在產后持續存在
圖3 產后晚期隨訪(+ 1 y后)孕前至產后晚期初產婦灰質體積變化。有28名受試有完整的產前、產后和產后1年數據集。
a產后晚期(后1年)與懷孕前基線(前)相比灰質體積減少的腦區，p < 0.05，基于體素的fwe校正。
b與產后早期(產后)相比，產后晚期(產后+ 1y)的灰質體積增加的腦區，p < 0.05，基于體素的fwe校正。
c每個階段(后和后+1 y)與孕前基線期相比，平均灰質體積變化最重要的大腦團塊(即，T > 8)。
為了研究在整個產后期間觀察到的大腦結構和功能影響的持久性，我們檢查了產后1年左右隨訪期(產后+1y期)獲得的神經影像學數據。從懷孕前到產后晚期，有28名婦女被完整的縱向數據集。
比較產后1年與基線期的灰質結構的變化，本文發現產后1年GM體積減少的模式與產后早期與基線比較時觀察到的模式高度相似，這表明懷孕相關的大腦變化在產后1年仍然明顯(圖3a)。然而，當比較產后早期和產后晚期時，我們觀察到幾組GM體積變化，表明整個產后體積增加，其中體積部分逆轉到懷孕前水平（圖3b）。與我們之前的結果一致，在海馬復合體中觀察到最顯著的體積增加（圖3c），也有研究還發現其他腦區出現產后體積增加。
功能含義
強烈協調激素流入的時期通常代表明顯的功能變化�；趧游镅芯勘砻�，與妊娠相關的神經可塑性有助于誘導母體準備行為和照料反應，我們主要感興趣的是研究與妊娠相關的神經變化是否相關刺激妊娠母性過程，促進分娩和母性的準備。因此，我們調查了灰質體積和DMN連接的變化是否與孕婦的(i)母胎依戀、(ii)對嬰兒暗示的生理反應以及(iii)筑巢行為有關。最后，我們還檢查了這些神經變化是否與產后測量(i)母嬰關系和(ii)母嬰關系受損有關。
在非人類動物中，母性行為的最初表現之一是筑巢行為，它指的是為分娩做準備的一系列廣泛行為，如選擇巢穴地點、建造巢穴和防御巢穴。女性還會表現出各種筑巢行為和沖動，這些行為和沖動在懷孕的第三個月達到頂峰，主要涉及空間準備和社會選擇的過程。我們的研究表明，筑巢行為與DMN的功能連接無關。然而，整個懷孕期間灰質結構的變化與筑巢行為的兩個域（社會選擇的熟悉偏好子量表和空間準備的能量爆發子量表）相關，但只有第一個相關性通過校正，從而表明在整個懷孕期間觀察到的灰質變化與促進懷孕的特定行為沖動和活動有關，并且能通過Bonferroni校正。
在懷孕期間，許多母親開始對胎兒產生依戀。本文使用產前依戀量表和孕產婦產前依戀量表，分析了女性在向母親轉變的過程中大腦的變化與母胎關系的相關性。這些分析表明，默認模式網絡的神經連接變化與孕婦將胎兒與自己區分開來并將他/她視為一個個體的程度相關，DMN功能連接的增強與更強的組間差異。然而，應該指出的是，雖然在研究問題中對多重比較進行校正時這種效果仍然很顯著，但是沒有通過Bonferroni校正，同時未觀察到與灰質的相關性。
除了婦女對其胎兒的心理反應外，我們還調查了她們對嬰兒暗示的生理反應。我們測量了女性心率峰值之間的間隔和對哭鬧嬰兒電影的皮膚電反應。對這些指標的相關性分析表明，女性對嬰兒的心率反應與DMN連接呈負相關（校正之后），當暴露在這些積極的嬰兒刺激下心率會減慢�？傊�，這些發現表明與懷孕相關的大腦變化與孕婦的筑巢行為、對嬰兒線索的生理反應和母胎依戀有關。
最后，我們還使用產后依戀量表(MPAS)檢查了孕期觀察到的大腦變化是否與產后母親與嬰兒的聯系有關。此外，我們使用產后親子關系問卷(PBQ)測試了產后母嬰關系中問題的關聯，我們發現在產后早期，大腦變化與母嬰關系和母嬰關系受損沒有相關性。然而，整個懷孕期間默認模式網絡的變化與母嬰關系和產后后期母嬰關系受損顯著相關，DMN的變化的增多與母嬰關系受損有關。
此外，涉及產后關系變化的補充分析表明，與妊娠相關的DMN變化與隨后的母嬰關系發展和產后關系受損有關。更具體地說，更強的大腦變化與相對更強的母嬰聯系和母親在與嬰兒互動中所經歷的快樂以及較少的嬰兒導向的敵意相關。因此，在整個懷孕期間，更強的DMN連接變化與母嬰關系受損、嬰兒排斥和病理性憤怒的產后發展風險降低有關。
Bonferroni校正后，DMN連接的變化與產后母嬰結合和嬰兒排斥和病理性憤怒的變化之間的相關性仍然顯著。這些發現揭示了妊娠相關的功能性神經可塑性與產后母嬰關系和關系受損之間的聯系，這表明，這些神經調節的妊娠效應對母親照料的影響可能在產后母親與嬰兒的后續關系中發揮作用，并可能對母嬰關系產生長期影響。
影響因素
為了研究驅動這些與懷孕相關的大腦變化的機制，我們檢查了它們與關鍵的生物學和經驗因素的關系。我們假設妊娠激素是觸發和調節妊娠相關神經可塑性的主要因素。因此，在懷孕期間收集了10個時間點的尿液樣本，用于測定雌二醇、雌三醇、皮質醇和孕酮的水平，并獲得整個懷孕期間的激素水平。相關分析發現灰質體積變化與雌激素雌二醇和雌二醇之間的相關性，盡管只有與雌二醇的相關性通過了多次比較校正。
與雌二醇回歸模型相關的權重圖，反映了整個大腦體素的相對貢獻，表明神經變化最強的區域也對這種回歸有很大貢獻。事實上，體重圖與觀察到的懷孕期間大腦變化圖非常相似，這表明在懷孕期間的雌二醇水平可能會對整個大腦產生影響，并可能有助于觀察到的整體模式神經變化。
補充圖10 懷孕期間(前到后)平均雌二醇水平與大腦結構變化之間的相關性
a)多變量回歸分析結果的散點圖描述了妊娠期平均雌二醇水平(pg/ml)除以肌酐(mg/dl)與妊娠期灰質體積變化之間的關系。
b)權重圖，描述每個體素對多元回歸的相對貢獻。藍色描述了對回歸的負貢獻，反映了懷孕期間較高的雌二醇水平與藍色區域內更強的體積減小有關。
然后進行了涉及整個懷孕期間雌二醇測量的不同采樣點的補充分析，以檢查這些影響的時間。這些分析表明與第12周采樣的雌二醇水平相關，以及與第24周雌二醇水平相關的趨勢。此外，觀察到從妊娠晚期每個抽樣周提取的雌二醇水平的關聯或趨勢，表明尤其是妊娠晚期雌二醇水平與觀察到的大腦變化相關。
除了這些內分泌指標外，本文還研究了各種其他因素：(i)壓力，(ii)睡眠，(iii)壓力，(iv)產后因素持續時間，(v)母乳喂養，(vi)分娩類型。總的來說，這些數據表明壓力、睡眠、暴露于產后因素的持續時間、母乳喂養和分娩類型并不是導致觀察到的大腦變化的主要因素。
除此之外，一項補充分析發現母乳喂養的總月數與Post+1y期間的變化與產后灰質體積和DMN相干性變化之間的相關性，揭示了DMN連接在產后期間的逆轉程度之間呈正相關和母乳喂養的持續時間，這表明延長母乳喂養可能在刺激產后維持這些與妊娠相關的神經變化方面發揮作用。
討論
懷孕是一個巨大的轉變，也是生命中最極端的內分泌事件之一。本研究旨在描繪這一獨特的神經生物學之旅對女性大腦結構、新陳代謝和神經網絡組織的影響，并深入了解驅動這些神經變化的機制及其功能意義。在調查女性的GM結構時，我們觀察到與對照組相比，在各個階段之間懷孕組GM體積減少，這主要影響前后皮質中線以及雙側外側前額葉的特定部分和顳葉皮層。
此外，目前的研究涉及擴散加權成像、磁共振波譜和靜息狀態功能MRI，使我們能夠分析妊娠是否與神經網絡組織、神經代謝物和白質結構的變化有關。與灰質結構的高度顯著變化相反，與對照組相比，妊娠組的白質擴散指標或體積沒有顯著變化，這表明女性的白質解剖結構在整個過程中保持相對穩定這一時期。眾所周知，性類固醇激素是神經元形態和數量的重要調節劑，目前的觀察結果可能反映了大腦灰質中的成分相對于白質結構中的成分對妊娠激素波動的更強的敏感性。因此，在哺乳動物成年期，性激素被認為主要通過調節樹突棘和突觸密度來誘導中樞神經系統的神經可塑性。雖然我們無法使用這些技術辨別觀察到的宏觀變化背后的細胞過程，但我們的研究結果表明，與懷孕相關的變化代表了一種選擇性過程，它強烈地影響大腦的某些成分。
這些發現表明懷孕會導致神經結構和神經網絡組織的選擇性和顯著變化，特別是影響人腦的默認模式網絡，這可能是成為母親后自我神經表征轉變的基礎。性類固醇激素，主要是妊娠晚期的雌激素，被確定為導致觀察到的神經解剖學變化的潛在因素，但是沒有觀察到與其他因素或生物學指標的關聯。此外，我們的研究結果表明，與妊娠相關的神經可塑性在心理和生理妊娠母體過程中發揮作用，幫助女性為嬰兒的到來做好準備。此外，神經變化與母嬰關系和母嬰關系損害有關，并且會在產后后期進一步發展，表明對母親和嬰兒的長期影響。這些數據提供了關于成為母親對人類大腦影響的關鍵見解，并指出大腦結構和功能的顯著的變化，這些變化促進了對建立新的母嬰二元體至關重要的妊娠期和產后母性過程。
如需原文及補充材料請添加思影科技微信：siyingyxf或18983979082獲取,如對思影課程及服務感興趣也可加此微信號咨詢。另思影提供免費文獻下載服務，如需要也可添加此微信號入群，原文也會在群里發布，如果我們的解讀對您的研究有幫助，請給個轉發支持以及右下角點擊一下在看，是對思影科技的支持，感謝！
微信掃碼或者長按選擇識別關注思影
非常感謝轉發支持與推薦
歡迎瀏覽思影的數據處理業務及課程介紹。（請直接點擊下文文字即可瀏覽思影科技所有的課程，歡迎添加微信號siyingyxf或18983979082進行咨詢，所有課程均開放報名，報名后我們會第一時間聯系，并保留已報名學員名額）：
核磁：
南京：
第三十五屆磁共振腦網絡數據處理班(南京，2.1-6）
第二十六屆腦影像機器學習班（南京，2.17-22）
上海：
第二十五屆磁共振腦影像結構班（上海，2.3-8）
第二十九屆擴散成像數據處理班（上海，2.11-16）
第十四屆任務態功能磁共振數據處理班（上海，2.22-27）
第七十七屆磁共振腦影像基礎班（上海，3.3-8）
重慶：
第二十三屆磁共振腦影像結構班（重慶，2.8-13）
第七十三屆磁共振腦影像基礎班(重慶，2.17-22）
第二十五屆腦影像機器學習班（重慶，2.26-3.3）
北京：
第三十四屆磁共振腦網絡數據處理班（北京，2.9-14）
第七十五屆磁共振腦影像基礎班（北京，2.23-28）
腦電及紅外、眼動：
北京：
第五屆R語言統計班（北京，2.1-5）
第三十屆腦電數據處理入門班（北京，2.16-21）
南京：
第二十九屆腦電數據處理入門班（南京，2.26-3.3）
上海：
第三十六屆腦電數據處理中級班（上海，3.13-18）
數據處理業務介紹：
思影科技功能磁共振(fMRI)數據處理業務
思影科技彌散加權成像（DWI）數據處理
思影科技腦結構磁共振（T1)成像數據處理業務
思影科技嚙齒類動物（大小鼠）神經影像數據處理業務
思影科技定量磁敏感（QSM)數據處理業務
思影科技影像組學（Radiomics）數據處理業務
思影科技DTI-ALPS數據處理業務
思影數據ASL數據處理業務
思影科技靈長類動物fMRI分析業務
思影科技腦影像機器學習數據處理業務介紹
思影科技微生物菌群分析業務
思影科技EEG/ERP數據處理業務
思影科技近紅外腦功能數據處理服務
思影科技腦電機器學習數據處理業務
思影數據處理服務六：腦磁圖（MEG）數據處理
思影科技眼動數據處理服務
招聘及產品：
思影科技招聘數據處理工程師 （上海，北京，南京，重慶）
BIOSEMI腦電系統介紹
Artinis近紅外腦功能成像系統介紹
目鏡式功能磁共振刺激系統介紹
