內側額葉皮質，包括前扣帶回皮質，已經被發現與包括認知控制、疼痛和情緒在內的多個心理領域有關。然而，目前尚不清楚這個區域是否一般化地表征了這幾個心理過程（即心理學領域，以下翻譯中有交替互換使用）。此外，如果是一般化的表征，那么它們反映了跨領域共享的單個底層進程(single underlying process shared across domains)還是多個特定于領域的進程(domain-specific processes)？因此，作者對來自270名參與者的18項研究中的功能性核磁共振活動進行研究進行分解，將其分為研究特異性成分、子領域特異性成分和領域特異性成分，并識別出跨子領域但對每個領域都有特異性的潛在多變量表征。疼痛表征局限于前扣帶回皮質，負性情緒表征局限于腹內側前額葉皮質，認知控制表征局限于后扣帶回部分。這些發現為額葉內側皮層的表征提供了證據，這些表征在研究和子領域中普遍存在，但特定于不同的心理領域，而不是可還原為單一的潛在過程。本文發表在Nature neuroscience雜志。
文章重點：

研究方法：

使用來自18個研究的270名被試，考察疼痛、負性情緒和認知控制的一般化表征及其表征是否在三個心理學領域具有重疊。分析的方法類似于心理測量學的思路，主要分析過程包括特征的選擇（包括研究的選擇、感興趣區的選擇和contrast的選擇）、模型的建立（本研究中使用了表征相似性分析）和模型的推斷統計檢驗。其中還包括了模型系統誤差的檢驗和可識別性的檢驗過程。此外，還進行了探照燈（search-light）映射分析對是否重疊進行評估。

 研究結果：
       主要分析結果顯示疼痛表征位于aMCC、pMCC和dMFC，負性情緒表征位于vmPFC和dMFC，反應選擇(認知控制的一個子研究領域)位于vmPFC。探照燈映射的結果與主要分析結果類似，并且進一步還發現了認知控制表征局限于后扣帶回部分，且這三個心理過程在大腦中的表征幾乎沒有重疊。 

研究結論：

疼痛、認知控制和負性情緒反映的是三個不同的心理過程，其在大腦中的表征不是重疊的，故而不是受同一個心理過程驅動的。 

正文：

研究背景：認知神經科學的一個核心目標是確定不同的心理過程是如何在大腦中表征的。內側額葉皮質（MFC）包括額上回和扣帶回的多個功能不同的皮質區，與多個不同的心理過程有關。顯然，MFC內的不同區域編碼不同的功能，幾個“中樞”區域，尤其是前扣帶回皮質（aMCC）與多種心理過程均相關�？缥锓N的研究將aMCC的活動與多種功能聯系起來，包括認知控制、基于獎勵的學習和決策、軀體疼痛以及情緒和社會信息的處理。事實上，這一區域對各種各樣的任務都有反應，而且研究者們提出了很多理論來解釋它的反應機制，以至于它被稱為“羅夏測驗”，并被認為是許多認知神經科學家的“圣杯”。

關于aMCC功能的理論通常將這一區域的大量信號解釋為跨領域的底層心理過程的組成部分。這些底層心理過程包括沖突監測、適應性控制（即對負性情緒和傷害的控制過程）、認知努力、行動評估和控制以及生存威脅的檢測等。

這些模型之所以具有價值，是因為它們為跨多個領域的aMCC的參與提供了綜合解釋。然而，用功能磁共振成像（fMRI）測量不同區域的腦活動，掩蓋了具有不同功能的不同局部神經回路的潛在多樣性。

例如，對非人類靈長類動物aMCC的電生理和光遺傳學研究為不同神經元的亞群具有不同特異性的功能特性提供了證據。最近的證據表明，在某些情況下，多變量(multivariate patterns)fMRI活動模式可以識別分布在細胞亞群中的表征，其中就包括識別aMCC內與不同任務相關的功能分離模式。【編者注：也就是說可以對aMCC內具有不同的功能的不同的區域可以進行分離】因此，對aMCC具有跨領域的多變量大腦表征的相似性的假設還沒有得到充分的驗證。【也就是說有研究者提出可能這些心理過程共享了一個底層的心理過程，但是還沒有得到實證的支持】可想而知，如果一組心理過程激活了同一個底層進程的表征，那么這些心理過程會在aMCC和其他MFC區域產生類似的大腦活動模式。相反，如果不同的心理過程對應不同的底層過程的表征并且不和其他心理過程共享，則它們對應著不同的大腦活動模式。

在這里，作者使用心理測量理論中的結構效度來檢驗這些假設。作者研究了有MFC參與的三個心理過程：疼痛、認知控制和負性情緒。作者從18個研究中（每個研究15名被試）采集了270個被試的數據。數據采集時進行了平衡，并且按照層次結構進行排列。每個心理過程有三種不同的實驗操作（以下被稱為子領域或子過程，例如，誘發皮膚疼痛、內臟傷害性疼痛和急性機械刺激性疼痛），每個實驗操作有兩個獨立的研究（以下被稱為研究；圖1a）。雖然在神經影像學研究中，將單一研究中的活動模式等同于“表征”是很常見的，但測量理論和第一性原則要求潛在結構的表征必須是可概括的。

例如，對“痛苦”的描述必須泛化為不同類型的痛苦刺激。作者的方法允許作者開發多變量模型，定位對應于單個心理活動的大腦表征，而不是由單個研究的子活動或單一研究的細節驅動（圖1b）。通過這種方式，這些模型評估了大腦表征的普遍性，并測試了疼痛、認知控制和消極情緒理論結構的有效性。

圖1a 這個圖可以很好的看出來作者建立的多層次的模型，一共三個領域，每個領域包括三個子領域，每個子領域將兩個研究納入其中�！究梢詫㈩I域類比為一個潛變量，將子領域類比為一個維度，將各個研究類比為每個題目】

研究方法：

實驗設計：

作者采用了一種結構驗證方法來檢驗三種涉及MFC的結構的一般表示：疼痛、認知控制和消極情緒。通過（i）識別潛在的多變量表征，這些表征是潛在的心理領域，而不是某一特定研究或子領域（即任務）的特質（ii）檢查這些潛在表征在多個心理領域的相似性，與傳統的單一研究或單一方法研究相比，該框架對aMCC和MFC內心理過程的共享表征提供了更明確的檢驗。這種方法已經在心理測量學研究中應用了幾十年來評估結構效度。其思想是定義一個潛在的結構（例如，智力和焦慮），并用多種不同的指標來衡量它。使用多個指標可以提取構成結構的共同因素。同一結構的指標之間的相互關系為收斂有效性提供了證據，表明指標測量同一結構。如果不同的指標只加載在不同的結構上，它們就提供了區別效度的證據。同時，收斂和區別效度為結構效度提供了有力的證據。【編者注：也就是說如果不同的指標能收斂，那么他們就是測量的同一個結構，如果不能收斂而是加載在不同的結構上，那就是測量的不同的結構，同樣類比心理測量學中的因素分析方法】

功能磁共振成像（fMRI）的指標是由不同任務引起的大腦活動模式，而結構則是任務假定測量的功能心理域（如疼痛或工作記憶）。絕大多數的研究，甚至像HCP和Biobank這樣的大規模研究，都只使用一種特定的任務變體作為一個領域的單一指標。這就給從大腦活動模式的相似性推斷心理過程的相似性帶來了問題。例如，如果疼痛任務中aMCC的活動不同于消極情緒任務中aMCC的活動，是因為疼痛的表現不同于消極情緒，還是因為所研究的疼痛的特定變體不同于消極情緒的特定變體？一項關于多種疼痛和多種消極情緒的研究可以解決這個問題，如果它表明，多種疼痛的共同大腦表征不同于多種消極情緒的共同表征，那則可以說明疼痛與負性情緒是不同的心理過程。這是作者在本研究中使用的方法，具體如下。

研究和contrast選擇：

fMRI數據來自于急性熱性軀體刺激、急性內臟刺激、急性機械性軀體刺激、工作記憶、反應選擇、反應沖突、利用視覺場景圖像誘發負面情緒、社會排斥、對他人疼痛的感知以及來自國際情緒數字聲音系統的情緒厭惡片段。這些數據一起形成了一個平衡的分層樣本，有六個疼痛研究（兩個熱的，兩個內臟的和兩個機械的），六個認知控制研究（兩個工作記憶，兩個反應選擇和兩個反應沖突），和六個消極情緒研究（兩個視覺，兩個社交，兩個聽覺）。盡管負性情緒可以通過多種方法誘發，包括回憶情緒事件，但作者在這里分析的大腦活動集中在外部處理上，因為這與重疊的MFC活動有穩定的聯系。由于研究中樣本量的可變性（范圍=15-183），通過從每個研究中選擇15名被試（總計n=270）對數據進行隨機子抽樣。雖然沒有使用統計方法預先確定這個樣本量，但它與以前的已經發表的研究中所報告的相似。因為作者的重點是在各個研究中進行統一分析，所以沒有嘗試復制個別實驗。沒有被試被排除在分析之外。這些數據的一個子集先前被用于一個元分析，這個元分析的目的是解碼疼痛、情緒和工作記憶的認知狀態。【這個元分析是Yarkoni, T.,Poldrack, R. A., Nichols, T. E., Van Essen, D. C. & Wager, T. D.Large-scale automated synthesis of human functional neuroimaging data. Nat.Methods 8, 665–670 (2011) 】

這不是一項隨機研究，而是多個研究的元分析。18項研究中的每一項研究的被試都是獨立招募的。數據的收集與本研究的目標無關。后驗分組是基于每項研究的目標和所使用的實驗操作（例如，涉及前臂熱刺激的研究被認為是疼痛領域的組成部分），而不是盲目的。【假設驅動而不是數據驅動的】

所有被試均按照當地道德和機構審查委員會的規定提供知情同意書。研究5（n=15，4名女性；平均年齡=26.9）、6（n=15，8名女性；平均年齡=24.2）、17（n=15，7名女性；平均年齡=31.1）和18（n=15，9名女性；平均年齡=24.4）中的被試提供了科羅拉多大學博爾德學院審查委員會批準的知情同意書。研究11的被試（n=21，9名女性；平均年齡=30.5）根據紐約大學機構審查委員會的規定提供了知情同意書。倫理認證、圖像采集和分析以及人口統計學的描述在補充表7中進行了簡要說明，并在相應的參考文獻中進行了詳細說明（另見生命科學報告摘要）。來自熱痛刺激的對比是高水平和低水平的疼痛或高水平的疼痛刺激和基線之間的對比。內臟刺激研究的對比是直腸擴張試驗和基線檢查。對于機械刺激研究，對拇指施加壓力和基線進行對比。兩項工作記憶研究的對比是N-back和注視點基線。對于反應選擇研究，對照為GO/NOGO任務的反應選擇和基線。反應沖突的對比選擇了Eriksen Flanker任務和Simon任務中一致和不一致的對比。視覺負性情緒的研究將負性和中性IAPS圖片或負性圖片與基線進行比較。社會消極情緒研究比較了看前伴侶和朋友的照片和看別人痛苦的照片和基線。聽覺負性情緒研究將聽不愉快的聲音和基線進行對比。【contrast的選擇標準】
 fMRI分析
作者采用了三種聚合方法來分離一般化的大腦表征：

（i）作者模擬了大腦活動的不同模式與另一種模式中有什么區別，稱為表征相似性分析（RSA）；

（ii）作者直接比較了來自同一心理過程（但在不同的研究和子心理過程）和不同心理過程的研究中大腦活動的相似性；

（iii）作者使用偏最小二乘回歸來描述MFC中可概括的大腦表征的空間分布。特征選擇輸入數據被定義為前部中線的體素，也就是LONI Probabilistic 腦圖譜中前部扣帶回和額上回的體素，也就是MNI空間中y=-22mm的體素。最初的分析在四個扣帶回亞區和腹內側前額葉、背內側前額葉進行。這些解剖定義的感興趣區包括后中扣帶回皮層(pMCC; y = –22mm to y = 4.5 mm, z > 5 mm, 822 voxels),前中扣帶回皮層(aMCC; y = 4.5 mm to y = 30mm, z > 5 mm, 815 voxels)，膝前扣帶回皮層(pACC; y > 30 mm, z < 5 mm, 794 voxels)、膝下前扣帶皮層(sgACC; y = 4.5 mm to y =30 mm, z < 5 mm, 302 voxels)和額上回以及腹內側前額葉皮層（以z=5mm分開，分別為dMFC4311個voxels和vmPFC10619個voxels），由于這些分區最初是在Talairach空間中定義的，所以使用Lancaster變換將它們轉換為MNI-152空間。【這是主要分析，一共選了6個ROI】

使用探照燈映射進行二次分析，以MFC中每個體素為中心的球形區域（半徑=8 mm）內的fMRI激活模式作為輸入。另一個探索性的分析使用了基于RSA的模型比較，詳細描述如下，使用基于結構和功能連接性的全腦分組進行。【還有兩個補充性分析】

RSA：模型建立。作者通過計算大腦活動的多體素模式的相關距離（1-Pearson's r，不包括相異值為0的對角線元素）來估計表征差異矩陣（representationaldissimilarity matrices，RDMs）。每項研究抽取一名被試獲得每個模式。

接下來，作者構建了基于模型的RDMs來描述每個心理過程的不同組成部分（圖1）。在最低水平上，18項研究單獨建模，以解釋研究的特異性。接下來，對9個子領域（內臟刺激、熱刺激、機械刺激、反應沖突、GO/NOGO反應選擇、工作記憶、視覺負性情緒、社交負性情緒和聽覺負性情緒）進行建模，以解釋跨研究的普遍存在的反應模式。

最后，將三個心理領域（疼痛、認知控制和負性情緒）建模為獨立的預測因素，以解釋反應模式，這些反應模式不僅在研究中普遍化，而且也在子領域中普遍化，因此可以實現在三個領域中的普遍化，而不能實現跨三個領域的普遍化。

個體RDMs是根據子研究（18個RDMs）、子領域（9個RDMs）或心理過程（3個RDMs）的二進制向量計算的。除了一個常數RDMs外，這30個RDM中唯一的非對角元素（子對象間的差異）被矢量化以在模型中形成回歸函數。該模型采用線性回歸擬合觀察到的受試者間腦差異矩陣。所有基于相似性的分析都排除了對角元素，因為它們具有完美的相關性和零相異性。一般的線性模型假設獨立性，而不同的矩陣表現出復雜的依賴性；因此，作者使用bootstrap推斷來獲得p值（參見下面的“關于RSA模型參數的推斷”一節）。

圖1b

RSA：模型屬性和診斷。【以下部分是采用模擬數據證明上述建立的RSA模型不存在系統誤差】

為了評估模型的適用性，作者使用1000個Functional Connectomes Project的靜息狀態fMRI數據（n=270）進行了模擬實驗。這使得作者能夠測試RSA模型的假陽性率，以及參數估計的偏差和方差，使用的數據除了真實的fMRI噪聲外沒有真實的效應。這是評估標準GLM分析中假陽性率的方法。

作者使用蒙特卡羅（Monte Carlo）程序對1000個rs-fMRI數據進行了基于RSA的分析，每個rs-fMRI數據為270名被試隨機生成的事件相關的fMRI模型，允許作者在零假設下估計RSA參數估計的分布。為了降低研究/中心導致的共同方法偏差，作者從18個不同的中心選擇rs-fMRI被試，從每個中心抽取15名被試（總數n=270）。所有數據都經過標準預處理，包括頭動矯正、標準化到MNI空間、空間平滑（4-mmFWHM）和高通濾波（128-s）。

然后，對于每個Monte Carlo迭代，作者為每個被試生成一系列10個隨機事件集，用Dirac delta（脈沖響應）函數對其建模，并用SPM的標準血液動力學響應函數對其進行卷積，從而為每個受試者生成一個感興趣的單一回歸器（還包括一個常數項）。

然后，作者估計這些模型，生成一系列270個與事件相關的激活圖，然后進行基于RSA的建模。為了估計基于bootstrap的推理中RSA模型參數估計的誤報率，作者進行了bootstrap重采樣（b=200個bootstrap樣本），得到了每個RSA模型參數的p值。作者將整個過程重復1000次，每次迭代都隨機指定模型，即估計總共270000個獨特的fMRI激活圖和1000個RSA模型擬合和bootstrap測試。

由于模型是隨機指定的，所以rs-fMRI數據與模型不存在一致關系，故而無偏模型在1000次Monte Carlo迭代中的參數估計應以零為中心，這可以表明沒有系統偏差。因此，為了估計偏差，作者從零開始計算每個參數估計的平均偏差。作者還估計了1000次迭代中參數估計的方差；方差越小，表示精度和功率越高。為了估計方差，作者計算了1000次迭代中每個RSA參數估計的標準誤。假陽性的比例用p<0.05臨界值（雙尾）進行評估。置信區間定義為bootstrap分布上低于2.5個百分點或高于97.5個百分點的參數估計值，每個RSA模型參數估計值的誤報率定義為該參數估計值顯著的1000個RSA模型的比例。這些分析結果表明，建模過程是無偏的，即平均零假設值幾乎為零。在評價的180個參數（6個ROIs×30個參數）中，最大效應與0無顯著性差異（z=0.904，p=0.366）。此外，所有RSA模型參數的假陽性率都小于等于0.05（附圖5）。

附圖5a為每一次Monte Carlo迭代的過程，b為參數估計的平均數和標準差（大部分平均數都為0，標準差也很�。�，c為假陽性率的比例，只有sgACC、dMPF和vmPFC有部分研究高于0.05，大部分還是很好的。

 作者還使用Wishart分布（附圖6，這里不再展示，同附圖5結果類似）生成的合成零假設數據和一組同質任務數據（使用研究13中的180名受試者）重復了整個RSA模型模擬（500次迭代），并發現了相同的結果（未在文中顯示）�？偟膩碚f，RSA模型程序在零假設下提供了無偏估計，并且適當地控制了假陽性率。 

RSA：模型可識別性。【以下兩個部分驗證模型的可識別性】

在這里，作者對被試間的RDMs關系型數據庫進行建模，因此要建模的數據包含一個n×n的差異性矩陣，其中n是被試；此矩陣具有秩min（n，r），其中r是用于計算相關性的體素數。相異矩陣的下三角被矢量化，并與線性模型擬合，設計矩陣基于等效矢量化的相異矩陣（如圖1所示）。因此，結果數據是長度u=n×（n–1）/2的向量。模型尺寸取決于所使用的精確參數化，但研究影響的飽和模型的尺寸為k+k×（k–1）/2，其中k是研究數量；這是每個研究中平均研究內關系（對受試者）的k參數，以及k×（k–1）/2參數，用于每對研究之間的每種可能關系。

在實際應用中，作者使用了一個簡單得多的模型，但通過檢查設計矩陣的秩和方差膨脹因子來確定可識別性。在本研究中，作者納入了k=18項研究，n=270名參與者平均分配（每個研究15名）。作者使用模型中的常數項來描述研究中數據的平均相似性，留下一個子空間的研究間關系由k+k×（k-1）/2-1=170維跨越。

原則上，可識別模型中研究間差異的回歸數上限為170。然而，作者主要感興趣的是特定的研究間的關系，特別是那些共同的子領域（同一子域的成對研究的9個參數）和共同的領域（三組9個研究的3個參數，加載在三個亞型的同一域結構上）。因此，作者的完整模型包含31個回歸項：18個用于特定研究，9個用于子域，3個用于域，以及一個截距項。由于每個ROI的體素數量至少為302>31，因此不存在零殘差模型的風險。

RSA：模型秩和方差膨脹因子。為了驗證模型的可辨識性和有效性，作者計算了設計矩陣的秩和每個回歸器的方差膨脹因子（VIF）。VIF表示由于與其他回歸方程的線性組合的部分共線性，每個參數估計的方差增加的程度。作者的設計矩陣的秩是31，這表明模型是全秩的、可識別的，并且沒有過度參數化。所有回歸項的VIF都是有限的，這與模型是可識別的事實一致（補充圖2）�；�于研究、領域和子域之間部分共享的方差，不同回歸模型之間的VIF不同，這是不可避免的，因為每個領域被試共有的部分協方差與子域和屬于子域的研究共享。然而，在給定樣本量的情況下，VIF顯然在一個范圍內，表明了對每個參數解釋的唯一方差進行推斷的合理能力。主要關注的回歸項（即三個領域級術語）的VIF=1.66。

統計：關于RSA模型參數的推論。【這部分是重點，主要檢驗RSA模型一般化參數是否顯著】模型中的參數估計值提供概化性估計值，而一個顯著的參數估計依賴于回歸模型的性質。特定于研究(study-specific)的回歸模型考察一個研究中個體被試的概括性，因為他們在活動的空間模式中捕獲了被試間的相關性。正值表明，對于所建立的研究模型，被試之間的模式相似。子領域級(Subdomain-level)回歸模型考察控制其他模型參數的情況下，同一子領域的兩個研究的概化性。正值表示在建模子領域的研究中共享的空間模式，因此是同一個子研究領域的證據。領域級(Domain-level)回歸，這是這里的主要興趣，考察控制特定于研究和子領域的共享模式后三個不同的子領域（六個研究）的可概括性。正值表示跨子域的共享空間模式，因此，表示與域相關的一致模式的證據。因此，作者將這些參數估計值稱為一般化指數，因為它們反映了大腦激活模式在多大程度上在子領域、研究或被試中一般化。因為回歸模型是在多元回歸模型中聯合檢驗的，顯著的域級參數估計意味著跨域共享的腦活動模式不可還原為子領域特定的或研究特定的模式。 

統計：RSA模型比較。

為了正式比較領域一般化表征的證據數量，使用貝葉斯信息準則（BIC）進行了模型比較。參考模型包括每個研究項（18個參數）和每個子領域項（9個參數）以及一個常數項（總共28個參數：18+9+1）。接下來，作者擬合了三個模型，每個模型都包含一個領域的附加項（總共29個參數：28+1）。最后，一個包含所有三個心理領域（總共31個參數：28+1+1+1）的更為詳細的模型被擬合。【小結一下：參考模型28個參數，然后有3個包含29個參數的模型，以及1個包含31個參數的模型】這五個模型適用于每個感興趣的區域和MFC的全部范圍。使用擬合模型的對數似然計算BIC值，并基于自由參數的數量進行懲罰。由于不同矩陣元素之間的依賴性，樣本數量設置為分析中包含的被試數量（270），而不是不同矩陣中唯一元素的數量。使用Wagenmakers和Farrell中的公式將BIC值轉換為權重。這些權重描述了在給定一組先驗模型的情況下，哪個模型最有可能在每個區域產生觀察到的相似結構。最后，對每個感興趣區域的BIC分析所支持的模型計算調整后的R²。此外，還對橫跨整個大腦的區域進行了分析（如Brainnetome Atlas）。由于此圖譜分割包含的區域的體素比分析中包含的被試少，因此將采樣數設置為最小值270，并將每個區域中的體素數設置為最小值。 

統計：比較域內和域間空間相關性的自由模型分析。為了在不使用預期相似關系的外顯模型的情況下為一般化的大腦表征提供證據，作者檢驗了域內、不同子域之間和域內、研究之間以及域內的一般非零相關性。非零相關性的檢驗是通過構建置信區間（α=0.05）來進行的，使用bootstrap分析和偏差校正加速百分位數法。作者還進行了一系列層次檢驗，比較：（i）來自同一領域但不同子域的被試間相關性vs.來自不同領域的相關性；（ii）來自同一領域但不同研究的相關性vs. 來自同一領域但不同子域的相關性；（iii）來自同一領域的相關性vs. 同一領域與不同研究的相關性。這些測試是為了依次確定域、子域和三個域中每一個域的研究的平均效果而構建的。根據相關系數的平均差，通過計算bootstrap置信區間得出推論。

統計：每個領域潛在模式的PLS（偏最小二乘回歸）估計【以下兩部分為補充分析】。

為了估計與每個域相關的活動模式（圖2），分別在每個感興趣區運行偏最小二乘回歸，與構成數據矩陣的所有270名受試者和構成輸出矩陣的偽編碼變量（270名受試者，30個參數：18項研究，9個子域，和3個域，基于每項的包含/排除，值為+1/-1）。參數估計運行了5000次迭代，并根據bootstrap分布的平均誤差和標準誤差估計z-分數。作者注意到，這種方法并不是為了確保表示對于每個域都是唯一的；如果一些研究或子域與域具有特別高的協方差，它們可能會對域級模式產生很大的影響。因此，基于PLS的模式估計與RSA結合使用，并直接比較被試間的相關性。
統計：探照燈閾值和重疊評估。

在探照燈圖的連接分析和可視化中，使用未修正的閾值（p<0.05）來確保過度保守的閾值不會“模糊”重疊區域。為了估計域重疊的相對證據，使用最小統計量計算Bayes因子，并將連接零和0到10之間的均勻分布作為先驗分布（參數估計的理論合理值）。該檢驗評估是否有更多的證據支持重疊（即，三個映射的最小統計值顯著大于零）或反對重疊（三個映射的最小統計值相對接近或小于零）。Bayes因子>3提供了重疊的證據，而小于0.33的值提供了反對重疊的證據。探照燈地圖與現有腦圖譜的對應關系。創建帶圖（Riverplots）來描述探照燈地圖與現有解剖和功能圖譜之間的對應關系（量化為余弦相似性）。 

結果心理過程的解剖學描述

鑒于扣帶回功能在細胞結構基礎上的區域特異性，作者首先在6個解剖定義的感興趣皮質區域內應用了表征相似性分析：后扣帶回（pMCC）、aMCC、膝周前扣帶回、膝下前扣帶回、腹內側前額葉（vmPFC）和背側MFC。該分析揭示了aMCC、pMCC和dMFC中疼痛的一般性表征，且不與其他心理過程共享。在aMCC、pMCC和dMFC中，甚至控制子領域和研究后，參數估計依然是正的。

這些結果表明，這些區域的疼痛誘發活動模式與認知控制或負性情緒操作時的活動模式有質的區別，且獨立于子領域和研究。因此，在aMCC活動模式方面，不同子過程疼痛研究的被試之間更相似于而不是與認知控制或消極情緒的研究更相似。因為這些關聯是跨子領域計算的，所以它們不太可能由任何特定子領域或研究中的相似性驅動。對于pMCC和dMFC的活性模式，雖然它們的數量級較小，但定性上相似。這些發現與aMCC與疼痛相關的理論模型以及背側前扣帶回皮質屬于疼痛回路的研究一致。以往研究中，在傷害性刺激過程中對aMCC活性的觀察通常歸因于更普遍的機制，如引導注意、反應選擇或對顯著事件的反應。

然而，作者發現誘發疼痛的表現不同于認知和情緒過程的表現，認知和情緒領域也需要注意、突出和涉及運動準備，排除了疼痛刺激時aMCC反應的由這些一般性因素驅動的解釋。區域分析還揭示了消極情緒在社會情緒、情緒圖片和情緒聲音中的一般化表征在vmPFC和dMFC中。在vmPFC中，不同負性情緒亞區的激活模式比誘發疼痛或認知控制研究更為相似。這些觀察結果與最近的神經影像學研究一致，這些研究確定了vmPFC中跨模態主觀價值和情緒感知的表征。通過揭示消極情緒在刺激模式和社會情境中的普遍表現，這些結果進一步證實了vmPFC整合了不同刺激的情緒價值的觀點。

此外，這些數據表明，盡管痛苦和不愉快的情緒事件可能涉及共同的負性情緒成分，但這兩種刺激誘發的vmPFC表征在性質上是不同的。最近的元分析工作表明，這種差異可能與情緒意義的產生有關，在情緒意義中，有關環境線索、過去事件的記憶和對潛在結果的評價的信息被結合起來，成為物體在當前環境中幸福感的綜合表現。這種綜合性的處理方式與非概念驅動的情緒表達方式（如疼痛）形成鮮明對比。作者強調，這些數據并沒有直接評估vmPFC表征對積極情緒或通過記憶提取誘發的內部生成狀態的普遍性，因為作者關注的是使用消極刺激的誘導。MFC中沒有扣帶回或其他區域表現出特定于工作記憶（N-back任務）、反應選擇（GO/NOGO）或反應沖突（Flanker和Simon任務）子領域的認知控制的一般化表征。

然而，作者確實在vmPFC中發現了反應選擇的一個一般化表征，這是一個認知控制的子領域，尤其涉及運動抑制。正如作者之前在任務執行過程中觀察到的，這一表現可能反映了一種與其他領域或其他認知控制子領域不共享的失活模式。不同反應選擇研究之間的vmPFC激活模式比起與負性情緒、誘發疼痛、工作記憶或反應沖突的處理模式更為相似。因此，盡管在vmPFC中觀察到了消極情緒和反應選擇的一般化表征，但這些表示似乎是不同的�？刂葡嚓P表征也可能高度依賴于單個研究使用的參數，因為作者在多個區域發現了強大的研究特異性效應，包括aMCC。

圖2 主要結果

在MFC的整個范圍內（結合六個感興趣的區域）對激活的分析產生了類似的結果，疼痛刺激和負面情緒的影響在各個領域內共享而不是跨領域的普遍存在。直接對比領域內大腦活動的空間相似性和領域間的空間相關性的驗證性分析進一步支持了這些結果。使用不同模型參數的附加驗證性分析產生了定性相似的結果(見附圖3)。

附圖3 不同的模型參數產生的結果類似

為了量化有利于三個領域中每一個領域的一般化表征的證據的權重，作者還使用貝葉斯信息準則對每個感興趣的領域進行了模型比較。分析結果證實了根據單個參數估計得出的推論。aMCC表征最好的解釋模型包括疼痛領域（除了研究和子領域的項），但不是認知控制或消極情緒。另一方面，vmPFC的表征，最好解釋的是消極情緒的領域，而不是疼痛或認知控制。dMFC和全MFC表示的最佳擬合模型包括所有三個心理學領域，表明這些區域的編碼不同。使用Brainnetomeatlas進行的附加模型比較是一個基于功能和解剖連接的分割圖，它也為MFC以外的其他腦區的一般化表征提供了證據。

附圖4 使用Brainnetome atlas進行的附加模型比較，紅色代表疼痛、綠色代表認知控制、藍色代表負性情緒，紫色代表疼痛和負性情緒的證據相等，灰色表示這三個領域均沒有在此處有一般化表征。

心理領域的探照燈映射

由于扣帶回溝的解剖結構存在變異性，作者還進行了探照燈成像，以不強烈依賴區域之間的邊界的情況下定位特定于心理學領域的一般化表征，并減少解剖變異性的影響。在這種方法中，作者模擬了以MFC中每個體素為中心的球形體積（半徑=8mm）的相似結構，識別出局部腦活動模式包含疼痛、認知控制和負面情緒的一般性表征的區域。這些探照燈通過檢查小球中的激活模式，提供了模式信息的平滑估計，不受可能與每個被試的解剖結構不匹配（編者注：這一點很重要，因為約40%的受試者有一個扣帶回旁gryus，它擴展了MCC的空間范圍）的固定邊界的限制。

探照燈分析的結果與基于解剖分割的結果基本一致（圖4a、d）。在扣帶回溝內的aMCC中發現疼痛的一般化表征，并延伸至dMFC。與區域分析一致的是，dMFC、扣帶回溝背側上方的前補充運動區和vmPFC出現負性情緒，盡管處于較低（未經過校正）閾值。

圖4 探照燈映射結果

與區域分析不同的是，探照燈分析揭示了認知控制沿著扣帶回溝延伸到SMA和運動皮層的一般化表征。這一定位位于aMCC和dMFC之間，與元分析一致。元分析顯示該區域和喙后扣帶區（一個經典的被認為參與反應選擇的區域）與控制相關（包括工作記憶、抑制和注意力轉移任務）。由于該區域與功能相關的大腦區域很接近，并且與之相連，因此它是整合來自多個來源的不同類型控制信號的主要候選區域，例如控制的預期值和價值導向的行為適應。

對扣帶回功能的綜合觀點部分地得到了以下觀察的支持：在疼痛、認知控制、社交和評估過程中，aMCC和鄰近MFC中觀察到重疊激活。為了評估在本研究中確定的領域特定的表征是否在MFC的更廣范圍內類似地重疊，作者對探照燈地圖進行了聯結分析(圖4c)。結果顯示，這些表征是不可分離的，但在任何體素通常都沒有重疊。在dMFC中發現了小的重疊，小團塊活動編碼用于疼痛和認知控制(60個體素)，以及疼痛和負面情緒(93個體素)。vmPFC的疼痛和負性情緒也有一定程度的重疊(17個體素)�？蹘Щ仄�層中唯一的重疊效應是疼痛和認知控制，跨越了pMCC(6個體素)和aMCC(2個體素)的邊界。

為了評估不重疊的證據，作者使用三個領域聯結分析的最小z-得分計算Bayes因子。在這個分析中，如果三個領域的最小統計量都小于或接近于零，則幾乎不支持重疊。相反，如果最小統計量較大且為正，則域之間更有可能存在重疊。值<1則表示沒有重疊，值>1則表示有重疊。Bayes因子<0.1通常被認為反對重疊，而Bayes因子>10通常被認為是重疊的有力證據。結果顯示最大貝葉斯因子為0.0898，也就是說MFC中不存在重疊的實質性證據（圖4c）。

總結：總的來說，這篇文章通過多體素模式識別的方法來對分層結構的研究假設進行了驗證性的分析，并且結合蒙特卡洛模擬以及無偏的search-light方法對統計結果進行了嚴格的驗證性分析。這種分析思路為大腦中在多個任務中都被發現出現激活的腦區的神經參與解碼提供了新的途徑，為了能夠發現一般的功能定義，不特定于研究而是特定于領域并通過結構化的方法探索一般于領域加工的腦區編碼方式是解釋不同任務中發現類似腦區出現激活的更好方法。這種方法可以獲得更大的泛化能力并且同時揭開不同任務的神經處理過程。