本篇文献发表在NeuroImage杂志。本公众号所发布内容旨在与大家分享学术新知，促进交流学习，版权归原作者或原出处所有，感谢各位学者的辛勤成果。

1.引言

1.1.自我与非自我区域在大脑全局空间组织中如何区分？

“自我”的概念是心理学、精神病学和神经科学研究的核心课题，是我们理解人类心理过程的基石。自我是心理生活的核心部分，涵盖感觉、运动、情感和认知领域。此前，研究者基于这些领域提出了多种自我模型，包括心理/认知/叙事自我、外部身体自我和内部内感受自我。相应地，研究者也提出了多种神经关联，如皮层中线结构、颞顶联合区和岛叶。然而，这些“自我区域”如何与大脑其余部分（即“非自我区域”）区分开来，仍不明确。有趣的是，多项研究表明自我与大脑静息态活动密切相关。那么，自我及其与非自我的区分是否是我们大脑自发活动的内在特征？此研究旨在通过探究自我与非自我区域的区分是否以及如何通过大脑内在地形图实现，来回答这一问题。

大脑如何区分自我与非自我区域？免疫系统区分自身与非自身抗原的能力——产生针对外来实体的抗体，同时不损伤自身细胞——体现了分子层面的自我/非自我区分。与免疫系统类似，神经元也必须区分内部和外部刺激，这一过程对于大脑解释和响应环境线索至关重要。神经元对外部输入做出选择性反应，同时维持大脑内部环境的完整性和稳定性。这种选择性反应有助于形成对外部刺激的准确感知和适当反应。

免疫系统在区分其抗原和抗体中的自我与非自我方面有明确的机制。与免疫系统相比，目前我们尚不清楚大脑通过何种特征来区分与自我相关的区域和与非自我相关的区域。具体而言，大脑神经活动的结构和功能特征——这些特征促进了它们在整个大脑中的空间分布区分——仍未明确。鉴于自我与大脑的自发活动相关，人们可能会假设自我与非自我的区分已经体现在自发活动中——因此，它可能是大脑全局空间设计及其潜在生理特征中内置的内在特征。因此，此研究的目标是探究在静息态活动中测量的大脑自发活动及其空间分布中的结构、功能和生理特征，这些特征使得与自我相关的区域能够与与非自我相关的区域区分开来。

是否存在与自我独特相关的特定脑区？虽然这一争论尚未解决，但研究证实某些核心区域与自我的不同方面相关。例如，心理或认知自我与皮层中线结构相关，而身体自我则与颞顶联合区更相关。此外，处理身体内部感觉的内感受自我，与典型的内感受区域如岛叶和丘脑相关。近期一项大规模荟萃分析总结了这些发现，提出了一个与自我相关的三层级自我层次结构，涉及自我的内感受、外感受和心理方面。然而，这些自我区域如何通过其结构、功能和生理特征与大脑空间分布中的非自我区域区分开来，仍不清楚。探究这一问题正是此研究的目标。

1.2.在大脑全局空间组织中区分自我与非自我区域：髓鞘、自相关窗口、全局信号及其潜在生理特征

这种自我区域三层级层次结构（包括其与非自我区域的区分）的确切结构、功能和生理特征尚不明确。一个值得注意的结构特征是神经元的髓鞘含量。通过T1加权/T2加权比值（T1w/T2w ratio）估算的皮层内髓鞘含量已广泛应用于研究。整个皮层观察到不同的髓鞘化模式：单模态区域（如感觉运动和初级视觉皮层）显示出较高的髓鞘化水平，而跨模态区域（包括前额叶和扣带皮层）则表现出较低的髓鞘含量。鉴于三层级层次结构中的自我区域主要包含高阶或跨模态区域，可以预期自我与非自我区域的区分遵循髓鞘厚度的单模态-跨模态梯度，自我区域的髓鞘化程度低于非自我区域。

髓鞘也与功能特征相关，如大脑的内在神经时间尺度（INT）。皮层髓鞘厚度已被确立为解剖层次的非侵入性标志：高度髓鞘化的区域（如感觉皮层）表现出较短的内在神经时间尺度（INT），而髓鞘化较少的区域（如跨模态联合皮层）则表现出较长的时间尺度。此外，有证据表明，由NMDA受体介导的递归兴奋活动从感觉区域到高阶联合皮层逐渐增加。计算研究表明，增加的兴奋活动会导致这些神经放电的长程自相关。这些发现共同表明，髓鞘化作为皮层层次的代理指标，可以为整个皮层的兴奋-抑制平衡提供有价值的见解，特别是通过其对递归兴奋活动和基础兴奋动态的影响。

自相关窗口（ACW）作为INT的测量指标，捕捉特定脑区内神经活动的时间持续性。髓鞘含量较低的区域表现出较长的ACW（作为INT的测量指标），这可以通过髓鞘含量与INT之间的负相关来解释。值得注意的是，心理或认知自我与较长的ACW相关。鉴于ACW遵循上述从感觉单模态到联合跨模态区域的髓鞘梯度，可以假设典型的自我区域（如皮层中线区域）表现出比非自我区域更长的ACW。

单模态与跨模态区域之间的另一个区分特征是全局大脑活动（全局信号（GS））及其通过全局信号相关性（GSCORR）测量的空间分布。GSCORR揭示了GS的空间分布，并提供了不同脑区如何与全局大脑活动相关并由此同步的见解：在单模态感觉区域中观察到比高阶跨模态联合皮层更高的GSCORR。然而，GSCORR的空间分布如何与自我与非自我区域的区分相关，目前尚不清楚。

1.3.研究目标——大脑单模态-跨模态空间分布中自我与非自我区域的结构、功能和生理区分

第一个目标——利用fMRI静息态研究自我与非自我区域的髓鞘、时间尺度和全局信号：基于自我的三层级层次结构，通过关注其结构（如髓鞘含量）、功能-时间（如带有ACW的INT）和功能-空间（如GSCORR）特征，来区分自我与非自我区域。如前所述，与单模态区域相比，自我相关区域在跨模态区域中表现出更长的ACW和更低的GSCORR。鉴于已知的INT与髓鞘之间的负相关关系，此研究假设自我相关区域将比非自我区域具有更低的髓鞘含量、更长的ACW和更低的GSCORR。为验证这一假设，此研究将标准指标应用于人类连接组计划（HCP）的大规模fMRI数据集。此研究还利用了与自我-非自我区域相交的跨模态-单模态图谱，将区域分为四组：跨模态-自我（TS）、跨模态-非自我（TNS）、单模态-自我（US）和单模态-非自我（UNS）。这种分类使此研究能够检验自我与非自我区域之间的差异是内在的（即独立于单模态-跨模态区分本身），而不仅仅是跨模态-单模态区分的副产品。此外，此研究对所有被分类为自我或非自我的区域应用了自助法，以评估观察到的差异是否可归因于偶然性。此研究还控制了预处理效应，如带通滤波和全局信号回归，以说明这些步骤如何影响类别之间的差异。

第二个目标——自我与非自我区域中髓鞘、时间尺度和全局信号之间的关系：探究这三个指标——髓鞘含量、ACW和GSCORR——之间的关系，既包括整个大脑及其单模态-跨模态空间分布的全局层面，也包括自我和非自我区域内部。基于上述先前的研究发现，此研究预期在自我和非自我区域中，髓鞘含量与ACW呈负相关，与GSCORR呈正相关。此假设将通过贝叶斯中介模型进行探究。

INT对于组织整个大脑的功能连接（FC）至关重要。近期使用超高场fMRI在灵长类动物中的研究表明，这些时间尺度沿着与FC梯度相对应的空间梯度排列，突显了它们在大规模网络组织中的重要性。值得注意的是，较长的INT表现出独特的连接特征。INT的变化影响皮层在感觉和认知领域的功能结果——较慢的时间尺度与认知参与相关，而较快的时间尺度增强与视觉反应区域的连接，并声称FC和INT相互影响。此外，已有研究表明INT改变了工作记忆的FC。另外，无论是通过药物镇静还是皮层失活导致的INT中断，都会导致FC改变和认知缺陷。这些发现突显了INT如何动态调节FC，影响自发和任务相关的脑活动。因此，此研究假设INT/ACW与GSCORR密切相关，因为后者测量的是大脑的全局FC；但此研究也假设这种关系在自我和非自我区域中会略有不同。

此研究关于髓鞘、ACW和GSCORR关系的概念模型基于先前的研究，这些研究表明局部皮层特性（如髓鞘含量，在此研究中将其作为解剖层次和递归兴奋的代理指标）塑造了局部网络的INT。ACW通过捕捉区域内神经信号相关性来索引局部时间尺度。相比之下，GSCORR反映了整个皮层的大规模同步性，是一种区域间测量指标。综合这些不同的证据线索，表明ACW自然地处于结构/生理指标（髓鞘）和全局功能指标（GSCORR）之间的“中间”位置。这些考虑促使此研究将ACW作为髓鞘与GSCORR关系的中介。原则上，也可以检验另一种模型——例如GSCORR中介髓鞘-ACW关系——但此类模型与当前的理论不太一致，当前理论认为局部生理特性（髓鞘化、兴奋性）驱动局部区域内神经时间尺度，进而扩展为大脑的全局区域间动态。此研究将使用贝叶斯统计来检验这些不同的模型。

第三个目标——利用计算建模检测自我与非自我区域的潜在生理特征：基于INT和FC受皮层层次结构中兴奋与抑制平衡影响的证据，此研究的第三个具体目标侧重于理解脑区内的基础兴奋张力和递归兴奋连接如何介导从髓鞘结构特性到ACW和GSCORR功能动态的转变。先前的计算研究表明，基础兴奋活动和递归兴奋连接对于局部-全局耦合和局部振荡的调节至关重要。因此，此研究旨在探索这两种神经兴奋动态形式如何作为解剖层次（髓鞘含量）与功能结果（如ACW和GSCORR）之间的桥梁，以及这如何使自我与非自我区域得以区分。

为实现这一目标，此研究将应用Wilson-Cowan神经质量模型进行计算建模，该模型结合了人类MRI/fMRI的结构连接和功能连接数据；将数据拟合到模型后，此研究能够模拟并探究生理特征（如全局耦合、局部基础兴奋张力、递归兴奋连接）与神经测量指标（髓鞘含量、ACW和GSCORR）之间的相互作用。这有助于通过其潜在的生理特征（如递归连接和神经兴奋）来区分自我与非自我区域。此研究还检验了局部动态参数（如髓鞘和兴奋性递归连接）是否与区域内指标（如ACW）更密切相关，而节点内参数（如全局耦合）是否与GSCORR更密切相关。

鉴于递归连接和神经兴奋都沿着单模态-跨模态梯度表现出差异，此研究假设自我区域在递归兴奋连接和基础兴奋张力两方面都比非自我区域表现出更高的水平。总之，自我区域在神经元水平上表现出更高的神经兴奋水平和更强的递归连接，这可为自我参照加工提供神经生物学基础，可能潜在地反映了一种心理递归形式。因此，增强的递归连接，加上更高的神经兴奋水平，可能为自我区域内同一输入或刺激的增强递归加工提供生理基础，在神经层面上，这种递归加工通过较长的ACW得以促进；而在心理层面上，它可能表现为一种自我参照加工，即同一输入/刺激的延长递归加工，如同自我区域内的内在回音。

2.结果

2.1.静息态fMRI结果 I：自我区域比非自我区域髓鞘含量更低、ACW更长、GSCORR更低。

此研究首先比较了自我与非自我区域在髓鞘含量、ACW和GSCORR上的差异。ACW定义为自相关函数降至零的滞后时间，GSCORR定义为某个脑区的BOLD信号与全脑灰质平均BOLD信号之间的皮尔逊相关系数。髓鞘化程度通过结构MRI的T1w/T2w比值估算。

当对每个受试者分别计算自我和非自我区域的平均值（称为“受试者层面分析”）时，发现自我区域的髓鞘含量显著低于非自我区域（t(163) = 62, p < 0.001, d = 4.9，图1A左）。自我区域的ACW显著长于非自我区域（t(163) = 10.2, p < 0.001, d = 0.795，图1A中）。非自我区域的GSCORR显著高于自我区域（t(163) = 3.66, p < 0.001, d = 0.286，图1A右）。

当对每个脑区计算所有受试者的平均值（称为“区域层面分析”）时，Shapiro-Wilk检验显示，自我组数据服从正态分布，而非自我组的GSCORR和MY不服从正态分布。因此对MY和GSCORR采用Mann-Whitney U检验，对ACW采用t检验。结果与受试者层面分析一致：自我区域的髓鞘含量低于非自我区域（W = 4251, p < 0.05, r = 0.106，图1B左），自我区域的ACW长于非自我区域（t(37) = 2.82, p < 0.05, r = 0.53，图1B中）。但在此分析中，自我与非自我区域的GSCORR无显著差异（W = 4949, p = 0.43, r = 0.041，图1B右）。总体而言，自我区域表现出更低的髓鞘含量、更长的ACW和更低的GSCORR。

此研究还比较了不同预处理条件下的结果，包括带通滤波（0.01 Hz至奈奎斯特频率）和全局信号回归（GSR）的组合。在所有预处理条件下，自我区域的ACW均高于非自我区域。在包含全局信号时（无论是否带通滤波），非自我区域的GSCORR均高于自我区域。这表明观察到的组间差异对预处理方法的选择是稳健的。

为了检验自我/非自我的区分是否仅仅是单模态/跨模态区分的反映（即单模态区域对应非自我，跨模态区域对应自我），此研究进一步分析了单模态与跨模态区域之间的差异。在所有预处理组合中，跨模态区域的ACW均高于单模态区域；而GSCORR在单模态区域中更高（除应用GSR的情况外）。作为GSCORR的对照，还计算了全局功能连接（GFC，即对相关系数而非BOLD信号取平均），GFC的模式与GSCORR一致。

随后，将跨模态区域和单模态区域进一步划分为自我和非自我亚组。结果显示，ACW呈现从跨模态自我最长到单模态非自我最短的梯度（图4B）。GSCORR和GFC的模式相反。这说明自我/非自我的区分独立于单模态/跨模态区分，在两种模态内部均存在。

此外，此研究通过自助法对自我和非自我区域的标签进行随机重排，以检验观察到的差异是否由偶然因素导致。结果表明，ACW和髓鞘含量的实际差异在随机重排和控制重排中均显著（p值阈值为0.05），说明髓鞘和ACW对区分自我区域有重要作用，而重排后差异消失。最后，使用3T S1200数据集中的100名无血缘关系受试者数据，验证了自我/非自我区域在受试者层面的差异与空间分布的关系。

图1. 自我区与非自我区的比较。

2.2.静息态fMRI结果 II：髓鞘与ACW、GSCORR的相关关系

鉴于已知的髓鞘与ACW的负相关关系，此研究在全脑范围内（包括所有脑区）计算了髓鞘与ACW、髓鞘与GSCORR以及ACW与GSCORR的相关性。结果显示，ACW与髓鞘含量在全脑呈强负相关（Spearman相关，ρ = -0.45, ρ_spin < 0.001，图2A左），显著性通过旋转置换检验确定。GSCORR与髓鞘呈正相关（ρ = 0.44, ρ_spin = 0.001，图2A右），经过10次数据重排后仍显著。

将脑区分为自我和非自我后，自我区域中髓鞘与ACW无显著相关（ρ = -0.29, ρ_spin > 0.05），但髓鞘与GSCORR呈强正相关（ρ = 0.44, ρ_spin < 0.05，图3左）。非自我区域中髓鞘与ACW呈强负相关（ρ = -0.46, ρ_spin < 0.001），GSCORR与髓鞘呈正相关（ρ = 0.43, ρ_spin < 0.05）。

总体而言，髓鞘与ACW在全脑呈强负相关，与GSCORR呈正相关。这种全局模式在非自我区域中尤为明显，而在自我区域中髓鞘与ACW无显著相关。

最后，为排除区域数量差异的影响，此研究将非自我区域的数量通过k-means聚类匹配到与自我区域相同。将非自我（多数类，k=5）聚类后，从每个聚类中按比例随机抽取与自我区域数量相当的样本，不足时取全部，通过裁剪或添加使样本量平衡，合并后得到平衡的数据集。调整区域数量后，上述相关关系保持不变。

图2.全脑区域 ACW 、 GSCORR 及髓鞘含量的相关性分析。

2.3.静息态fMRI结果 III：利用分层贝叶斯模型探究髓鞘、ACW和GSCORR的关系

为考虑受试者间的个体差异，此研究采用了分层多水平贝叶斯模型。该模型可以汇集所有受试者和脑区的信息，对估计进行正则化。使用多元高斯分布作为先验，以捕捉不同参数之间的相关性。比较了两个模型：仅包含髓鞘和GSCORR的线性模型，以及将ACW作为中介变量的中介模型。马尔可夫链蒙特卡洛（MCMC）采样有效，各链均收敛。后验预测检验表明模型能够捕捉数据的分布。

在中介模型中，基线GSCORR与髓鞘斜率的ρ值后验分布显示，基线GSCORR越高，髓鞘含量也越高，这一模式在自我和非自我区域中一致（ρ_self = 0.54, 95% CI [0.41, 0.68]；ρ_non-self = 0.55, 95% CI [0.47, 0.65]）。这表明髓鞘对GSCORR的影响受基线GSCORR水平的调节。

为了验证ACW的中介作用，进行了反事实分析。当人为控制髓鞘从-2标准差变化到+2标准差时，髓鞘对GSCORR的总效应在自我区域中的平均斜率为0.28（95% CI [0.07, 0.51]），在非自我区域中为0.24（95% CI [0.01, 0.45]）（图3B）。模型成功捕捉了髓鞘与GSCORR的正相关关系，与图2一致。

同样，模型也捕捉到了髓鞘与ACW的负相关关系：非自我区域的组平均斜率为-0.13（95% CI [-0.29, 0.12]），自我区域为-0.12（95% CI [-0.26, 0.03]）（图3C）。置信区间显示非自我区域的髓鞘-ACW关系存在一定不确定性，而自我区域则更为确定，说明当汇集受试者信息而非简单平均时，自我区域表现出更清晰的髓鞘-ACW负相关。

当在反事实分析中阻断髓鞘到ACW的路径后，自我和非自我区域的斜率均变得不确定（自我：0.02, 95% CI [-0.23, 0.27]；非自我：0.01, 95% CI [-0.23, 0.27]），这验证了ACW的中介作用（图3D）。这表明当模型包含受试者间变异时，自我和非自我区域均表现出ACW对髓鞘- GSCORR关系的中介效应。

图3.分层可变截距与斜率模型：为避免以平均化处理数据的方式丢失不确定性信息，我们采用受试者分层的可变效应模型。脑区被分为自我区与非自我区。

此研究还检查了模型对GSCORR的后验分布。先验假设下，自我和非自我区域的GSCORR均分布在0附近，无偏斜。应用贝叶斯程序后，线性模型（87%）和中介模型（79%）均使非自我区域的GSCORR增加，反映了图1A中非自我区域GSCORR高于自我区域的现象。10名随机受试者的后验分布成功复现了观察数据的模式和变异性。

进一步比较两个模型的预测准确性，使用帕累托平滑重要性采样（PSIS）。尽管PSIS对增加参数有惩罚，但中介模型的预测准确性仍优于线性模型。此外，尝试将GSCORR作为中介变量（即GSCORR中介髓鞘-ACW关系）的模型，其预测准确性显著降低。

综上，自我和非自我区域均表现出髓鞘通过ACW影响GSCORR的中介作用，但非自我区域中髓鞘-ACW关系的不确定性更高。这强调了在分析中考虑受试者间变异的重要性，而非简单平均。

2.4.计算建模 I：模拟神经活动的层次差异——ACW和GSCORR对神经兴奋和递归连接的依赖性

在统计上证实GSCORR依赖于髓鞘和ACW后，此研究利用生物物理模型复现这些观察，以检验以下假设：髓鞘导致的ACW和GSCORR差异在计算上与兴奋性递归连接和基础兴奋活动有关。实验数据表明，髓鞘含量从跨模态自我到单模态非自我递增，而ACW呈相反趋势。GSCORR方面，跨模态自我区域高于跨模态非自我区域，单模态自我与单模态非自我之间无显著差异，但总体单模态区域的GSCORR高于跨模态区域（图4B）。

为检验ACW和GSCORR的差异是否与递归兴奋强度和兴奋张力（根据皮层层次缩放，以髓鞘为代理指标）有关，进行了Wilson-Cowan神经质量模型模拟。首先进行单节点模拟，系统改变递归兴奋强度（c_excexc），发现当递归强度在15-20.8范围内时，ACW随递归强度增加而延长（Spearman相关：ρ = 0.612, p < 0.001）。这说明局部递归连接影响局部时间尺度（ACW），支持将更高递归连接分配给ACW更长的区域。

在全脑模拟中，此研究探索了三种情景：

情景一：同时根据髓鞘反向缩放递归连接和基础兴奋，调整其均值和方差，选出与经验数据最匹配的参数集。

情景二：将递归连接固定为情景一估计的值，但去除与髓鞘相关的变异，仅让基础兴奋随髓鞘变化。

情景三：将递归连接和基础兴奋均固定为情景一的均值，不随髓鞘变化。

通过综合评分寻找最佳拟合，发现当递归连接均值为20、标准差为2，基础兴奋均值为0.8、标准差为0.2时，区域间差异与经验数据最为吻合。

使用这些参数模拟后，结果显示：单模态区域的GSCORR高于跨模态区域，其中单模态非自我区域显著高于单模态自我区域，跨模态区域间无显著差异，与经验数据一致。具体统计比较为：跨模态自我 vs. 单模态自我（估计值 = -0.00931, t(59) = -2.88, p < 0.05, d = -0.74）；跨模态自我 vs. 单模态非自我（估计值 = -0.017, t(59) = -9.09, p < 0.0001, d = -1.385）；跨模态非自我 vs. 单模态自我（估计值 = -0.007, t(59) = -3.15, p < 0.05, d = -0.616）；跨模态非自我 vs. 单模态非自我（估计值 = -0.015, t(59) = -17.76, p < 0.0001, d = -1.258）；单模态自我 vs. 单模态非自我（估计值 = -0.00883, t(59) = -3.12, p < 0.05, d = -0.642）。同时，ACW在跨模态自我中最长，沿皮层层次递减至单模态非自我最短（图4）。

当只根据髓鞘缩放基础兴奋（递归固定为c_excexc=20）时，只有单模态非自我在GSCORR上高于跨模态非自我（估计值 = -0.006, t(59) = -4.04, p = 0.001, d = -0.411），ACW仍能复现地形梯度。当两者均固定（c_excexc=20, c_ext_baseline=0.8）时，所有区域间的GSCORR和ACW均无显著差异。这表明递归连接在产生自我/非自我区域的差异中起着关键作用。

图4.神经质量模拟的多步骤过程。

2.4.1.计算建模 II：局部（递归、神经兴奋）和全局（全局耦合）参数对区域内（ACW）和区域间（GSCORR）指标的影响

在验证了空间分布模拟方法的重要性后，此研究进一步探讨了关键模型参数对ACW和GSCORR的影响。理论上，局部兴奋参数（递归连接和基础兴奋）应主要影响区域内指标（ACW），而区域间参数（全局耦合）应主要影响区域间指标（GSCORR）。为验证此假设，使用混合效应模型评估各参数的贡献。

结果显示，在控制区域类别（US、UNS、TS、TNS）后，递归连接对ACW的解释力（边际R² = 0.138，条件R² = 0.469）远高于对GSCORR的解释力（边际R² = 0.043，条件R² = 0.120）。相反，全局耦合对GSCORR的解释力（边际R² = 0.065）高于对ACW的解释力（边际R² = 0.010）。这支持了假设：全局耦合主要影响区域间功能连接（GSCORR），而局部兴奋参数主要影响局部神经动态（ACW）。

2.4.2.计算建模 III：在模拟数据中复现静息态fMRI的中介分析

接下来，此研究将分层贝叶斯模型应用于模拟数据，检验模拟数据是否同样表现出ACW的中介作用。结果表明，递归连接与ACW呈正相关，与GSCORR呈负相关，在自我区域中尤为明显。在反事实分析中，即使阻断递归连接到ACW的路径，ACW与GSCORR的负相关仍然存在，可能是由于基础兴奋的影响。

总之，通过调整单个节点的基础兴奋和递归连接强度（以髓鞘作为层级结构的替代指标），此研究成功复现了不同层次水平空间分布上的经验差异。这些生物物理调整表明，递归连接和基础兴奋张力是产生自我与非自我区域在空间分布上动态区分的关键因素，也为经验数据中观察到的髓鞘、ACW和GSCORR之间的关系提供了计算层面的解释。

图5. Wilson–Cowan神经质量模型模拟及经验结果复现。

在脑海科技云平台中，内置了与全脑信号相关性分析模块，支持用户批量处理多模态数据，并确保每一步参数设置都有据可查。此外，平台的项目管理模块可清晰记录数据筛选标准、排除被试原因、分析版本、质量控制等信息，极大提升了多模态整合研究的透明度和可复现性。感兴趣可联系19906719439咨询以及预约产品演示。

3.讨论

3.1.概述——主要发现

此研究的发现表明，与非自我区域相比，自我脑区表现出更低的髓鞘含量、更长的ACW和更低的GSCORR（图1）。这些差异在控制预处理选择、单模态-跨模态效应和区域标签伪影后仍然稳健。此研究进一步证明，自我与非自我区域的区分与单模态-跨模态区域的区分并不相同；相反，此研究进一步证明，自我与非自我区域的区分在单模态和跨模态区域内部也各自成立——这进一步强调了自我-非自我区分作为大脑全局空间组织中一个基本设计特征的内在本质。在全局和区域层面上，ACW与髓鞘呈负相关，而GSCORR与髓鞘呈正相关（图2）。这些关系独立于每个类别内的区域数量，强化了它们源于大脑内在地形和动态原理的观点。为进一步探究结构层次（髓鞘）如何与全脑信号相关性（GSCORR）相关联，此研究采用了分层贝叶斯中介模型。反事实分析证实，在自我和非自我区域中，ACW中介了髓鞘与GSCORR之间的关系，即使在个体受试者层面也是如此。此外，GSCORR在非自我区域中始终较高，强调了正则化先验的作用（图3）。值得注意的是，将ACW建模为中介比直接的髓鞘-GSCORR关系提高了预测准确性——这表明局部区域内神经动态（ACW）调节并驱动区域间大规模功能组织（GSCORR）。自我与非自我区域的空间分布区分进一步得到了其生理差异的支持，这些差异通过使用神经质量模型（Wilson-Cowan模型）的计算建模进行了研究。在将数据拟合到模型并在模型中复现后，此研究表明自我区域在递归兴奋连接和神经兴奋两方面都比非自我区域表现出更高的水平。这证明了自我与非自我区域在结构（髓鞘）、功能（GSCORR）和动态（ACW）特征上的神经差异与其潜在的生理特征（即递归连接和神经兴奋）相关。尽管是初步的，但可以认为增强的递归连接，加上更高的神经兴奋和更长的自相关窗口，非常适合自我区域高度的自我参照加工——后者可能表现为输入/刺激在类似回音室的方式下的延长加工。

4.局限性

首先，此研究未纳入任务态数据，尽管自我相关区域来源于任务态荟萃分析。虽然有大量证据将自我相关过程与静息态活动联系起来，但任务态数据的缺乏限制了将研究结果推广到不同认知状态的能力。其次，此研究未纳入心理测量或行为数据，因此无法将大脑结构及功能的自我-非自我差异与特定的认知或情感结果相关联。未来的研究应整合任务态数据和心理评估，以更好地理解大脑活动和功能中的自我/非自我区分。此外，纳入行为测量将为这些神经区分如何转化为可观察行为提供有价值的见解。

与先前研究类似，此研究采用了一个使用髓鞘（T1w/T2w比值）的层次模型，但在层次定义方式上有所不同。先前模型采用信息可逆性的热力学测量，而此研究的模型将层次视为兴奋参数（即递归连接和基础兴奋）的梯度，这些参数在皮层中逐渐增加。这与先前的研究结果一致，即内在时间尺度（ACW）遵循组织梯度，将神经生理学见解扩展到皮层层次和兴奋性。

中介模型存在潜在的混杂因素。鉴于已知的髓鞘和内在时间尺度的发育和老化轨迹，未来的研究应更明确地检查年龄相关的变异性。在此，HCP S1200受试者数据集的年龄是同质的，这有利于降低潜在的混杂效应。此外，通过髓鞘的皮层层次是通过MRI的T1w/T2w比值估算的，这可能受到血管密度和代谢活动的影响，而不仅仅是髓鞘。因此，ACW和GSCORR的区域差异可能部分反映了血管混杂因素和铁含量，而非直接的神经特性。最后，功能连接的其他测量指标，包括亚稳态和有效连接，可能为理解层次在塑造大规模脑动态中的作用提供补充见解。

5.结论

此研究为结构-功能层次、神经动态和生理特征如何塑造大脑自发活动全局空间组织中自我与非自我区域的区分提供了重要见解。此研究使用fMRI静息态证明，与非自我区域相比，自我区域表现出更低的髓鞘含量、更低的GSCORR和更长的ACW。分层贝叶斯建模和中介分析表明，ACW是髓鞘对GSCORR影响的关键中介，在自我和非自我区域中虽然方式略有不同，但都起着关键作用。其次，在将数据拟合到Wilson-Cowan模型后，此研究显示自我与非自我区域的区分不仅在全局层面成立，而且在跨模态和单模态区域内部也分别成立。这强烈支持了自我-非自我区域在大脑全局空间组织中具有内在本质的假设：自我与非自我的区分是大脑空间设计中一个基本或不可或缺的元素。自我与非自我区域的区分进一步得到了其生理差异的支持：自我区域比非自我区域表现出更高的递归连接和增强的神经兴奋。更高程度的递归连接，加上增强的神经兴奋和更长的自相关窗口，被认为是介导这些区域自我参照加工的理想条件——因此，这可以被视为一种“心理递归”形式，即同一输入/刺激以延长的“回音室”方式进行加工——大脑自我区域内的内在回音。

6.方法

6.1.数据集

6.1.1.伦理批准

此研究使用的数据来自人类连接组计划（HCP）数据库（WU-Minn Consortium；主要研究者：David Van Essen和Kamil Ugurbil）。数据采集和共享的所有程序均经华盛顿大学机构审查委员会批准（IRB #201204036），所有参与者均签署了书面知情同意书。作者未收集新数据。所有程序均按照相关机构和国家的伦理指南和法规进行。

6.1.2.数据处理

此研究使用了来自HCP S1200受试者数据集的7T磁共振成像（MRI）扫描数据。纳入的受试者均接受了7T功能磁共振成像（fMRI）扫描，没有对应的3T序列，这样可以与作为独立数据集的3T fMRI扫描结果进行比较，两组受试者不重叠。该队列共包含164名具有7T数据的受试者。关于数据集的详细信息，包括数据集说明、处理流程、皮层内髓鞘含量计算、神经时间尺度估计和全局信号相关性。

简而言之，髓鞘含量（MY)通过T1加权/T2加权比值（T1w/T2w ratio）近似估算。此研究使用自相关函数估计内在神经时间尺度（INT）。对于每个Glasser分区的血氧水平依赖（BOLD）时间序列，计算自相关窗口-0（ACW-0），即自相关函数首次降至零以下的滞后时间，然后在多个时间窗（每个5秒）内取平均，得到平均ACW-0值。全局信号相关性（GSCORR）的计算方法为：先计算每个体素/区域的BOLD信号与整个灰质平均BOLD信号的皮尔逊相关系数，再对该相关系数进行Fisher-Z变换，从而得到每个区域与全局大脑活动相关性的空间分布指标。

6.2.定义自我与非自我区域

与自我相关的区域根据先前一项大规模荟萃分析的结果确定。使用AFNI软件将这些区域的蒙特利尔神经学研究所（MNI）坐标映射到Glasser分区上，以确定它们在分区方案中的位置。所有未被标记为自我区域的分区均被归为非自我，最终得到33个自我区域和327个非自我区域（区域分布见图1）。

为避免在自我与非自我区域之间引入人为的虚假差异，此研究对整个大脑的区域标签进行了随机重排，同时保持两类区域的数量不变（自我33个，非自我327个）。重排分为两种方式：（1）完全随机重排，重复10次；（2）控制重排，即自我区域在左右半球间均匀、平均地重排。

7.统计方法

7.1.假设检验

为比较自我与非自我区域在各变量上的差异，此研究采用了两种不同的分析方法。首先，对每个受试者，分别计算自我区域和非自我区域内各变量（ACW-0、髓鞘、GSCORR）的平均值，然后使用配对t检验比较自我与非自我区域的差异。其次，对每个脑区，将所有受试者的数据取平均，得到每个区域的平均值，然后对自我区域组和非自我区域组进行比较：由于MY和GSCORR在非自我区域中不服从正态分布，故采用Wilcoxon秩和检验；而ACW服从正态分布，采用t检验（见图1A和B）。

7.2.空间置换检验

为探究髓鞘含量、GSCORR和ACW-0三者之间的关系，此研究首先在全脑范围内（包括自我和非自我区域）计算了髓鞘与ACW-0、髓鞘与GSCORR的相关性，以评估结构-功能耦合。

为避免空间自相关和半球对称性等因素对统计结果的影响，采用了空间置换分析方法。具体步骤是：为每个半球生成保持空间自相关的零模型。将其中一个变量的空间图投射到球面上，随机旋转该球面，再将旋转后的图重新投影回皮层表面，得到随机化的空间图。通过比较两个变量实际空间图的Spearman相关系数与随机化后得到的零分布（重复100,000次），确定显著性的p值（p_spin），显著性阈值为0.05（见结果和图2）。

7.3.分层贝叶斯模型

为检验内在神经时间尺度（INT，即ACW）在髓鞘含量与全局信号相关性（GSCORR）之间的中介作用，此研究采用有向无环图结合贝叶斯回归方法，使用R 4.2.2版本中的‘rstan’（Stan开发团队）、‘cmdstanr’和‘rethinking’包。为了更精确地分析自我与非自我区域中这些变量间的复杂关系，使用贝叶斯估计，这种方法能够有效纳入不确定性并处理变量间的交互作用。

为充分利用数据中的个体变异，此研究采用分层多水平贝叶斯分析，为每个受试者设置独立的变截距和变斜率，并对这些参数设置超先验，从而对估计进行正则化。模型的数据结构包括多个受试者、多个脑区，关键变量为标准化后的髓鞘含量、GSCORR和ACW。每个受试者的脑区数据被标记为“自我”或“非自我”，以便分别分析。

此研究设计了两个模型：(详见下图）

基线模型：仅考察GSCORR与髓鞘的直接关系。

中介模型：将ACW作为髓鞘到GSCORR的中介变量。

模型参数使用Cholesky分解处理相关矩阵，并采用多元高斯分布作为先验，以捕捉参数间的相关性。每个模型运行4条马尔可夫链，每条链1000次迭代。

8.神经质量建模——Wilson-Cowan模型

为在计算机中模拟大脑活动，此研究采用了Wilson-Cowan神经质量模型。该模型通过一组数学方程描述兴奋性和抑制性神经群体之间的相互作用，能够模拟不同脑区神经元的放电率变化。

此研究使用Python库neurolib实现了该模型。在该模型中，每个节点代表一个脑区，由兴奋性和抑制性两种神经群体组成，两类群体之间相互连接，每个群体内部也有递归连接（即自我反馈）来维持活动稳定（图5A）。节点之间通过结构连接矩阵相连，该矩阵基于健康人脑的弥散张量成像（DTI）数据构建，使用了HCP多模态分区1.0图谱，共包含360个脑区。模型还包含一个调节全局连接强度的参数（‘K_gl’ = 2.067），用于控制不同脑区之间的相互影响程度。模型中有两种类型的兴奋性输入：与时间无关的基础兴奋张力，以及与时间相关的兴奋性输入，后者用维纳白噪声过程（一种随机波动模型）模拟静息态下的随机神经活动。

为探究递归连接与ACW的关系，此研究首先进行了单节点模拟（不考虑脑区间连接）。在此简化场景中，系统性地改变递归兴奋强度（c_excexc，从10到30，步长0.1），并将基础兴奋固定为0.65，测量不同递归强度下的ACW值。结果显示，在递归强度15-20.8范围内，ACW随递归强度增加而延长（Spearman相关：ρ = 0.612, p < 0.001），表明递归连接直接影响局部神经活动的时间尺度。

基于上述发现，此研究进行了全脑网络模拟，并根据髓鞘含量对不同脑区的参数进行空间位置缩放。对于递归兴奋性连接强度（‘c_excexc’），其值根据髓鞘含量进行反向缩放；对于每个节点的基础兴奋活动，同样根据由髓鞘近似的层次组织增加跨节点的兴奋活动。具体而言，此研究使用自定义函数生成一个合成变量，该变量具有指定的均值、标准差以及与现有髓鞘变量的相关性：从正态分布中创建随机目标变量，将其标准化后与标准化版本的髓鞘结合，以达到所需的相关性，最后使用指定的均值和标准差将新变量还原成设定的均值和标准差。

此研究使用网格搜索方法定义参数空间以系统地探索不同值对模型行为的影响。参数包括递归兴奋的标准差（‘sd_recur’，范围1到5，5个增量）和基础兴奋（‘sd_basal’，范围0.05到0.2，5个增量），以及它们各自的均值（‘mean_recur’，范围12到20，5个增量；‘mean_basal’，范围0.5到0.8，4个增量）。使用系数-1缩放递归连接和基础兴奋参数，以确保两者根据髓鞘含量进行适当调整。通过综合评分比较模拟结果与真实数据的匹配程度，发现在最佳十个分数中，当平均兴奋性递归连接强度设为20、标准差为2，基础兴奋活动设为0.8、标准差为0.2时，区域间的差异最大，与经验发现一致。

此研究通过多阶段模拟过程评估神经模型的动态。模型从提供的轨迹使用随机初始条件进行初始化，关键参数（如递归兴奋c_excexc和基础兴奋exc_ext_baseline）使用上述函数动态更新，以引入预定义的统计特性。评估分三个阶段进行模拟：首先进行短暂初始检查（3秒），确保模型产生活动；然后进行30秒BOLD信号测试，验证动态响应；最后按模型参数定义的持续时间进行完整模拟运行。后处理包括计算放电率信号的ACW和GSCORR。如果模型满足有效动态行为的标准则存储结果，否则保存为无效。该模拟使用网格搜索系统地探索参数空间，以理解不同参数对模型行为的影响（图5B）。对耦合微分方程使用Euler-Maruyama近似，迭代模型5 × 10毫秒，迭代步长0.1毫秒，模拟中前2000毫秒用作预热期。为进行统计比较，迭代模型60次，并将区域平均为跨模态-自我、跨模态-非自我、单模态-自我和单模态-非自我。为比较各层（单模态/跨模态和自我/非自我），实施了重复测量固定效应方差分析模型。

为评估模拟数据与经验观察的匹配程度，此研究采用了类别（TS、TNS、US、UNS）差异的成对比较和基于秩的相关性测量。总结了每组参数集下各类别（模拟ACW和GSCORR）的数据，然后使用两个指标将这些模拟向量与相应的经验向量进行比较：一是成对匹配分数，比较经验数据中类别对差异的方向与模拟数据中的方向，若方向匹配则增加匹配计数，对所有匹配比较求和得到数值分数，反映模拟再现经验数据集中观察到的类别相对排序的一致性程度；二是Spearman秩相关，独立计算整个经验向量与相应模拟向量之间的Spearman’s rho，捕捉单调关联的程度。成对匹配分数和Spearman秩相关分别针对ACW和GS维度计算，合并后生成总体指标（两个特征的总匹配分数和平均Spearman相关性），用于根据模拟数据再现观察到的经验模式的接近程度对参数设置进行排序。

为检验递归连接（‘c_excexc’）和兴奋性（‘c_ext_baseline’）的影响，此研究考察了两种附加条件：一是“忽略空间分布”方法，兴奋性节点的递归强度固定为20，基础兴奋固定为0.8；二是基础兴奋按空间分布缩放方法调整但递归连接固定为20的条件。这些替代方案允许此研究分别检验髓鞘缩放的影响以及递归连接的影响。

8.1.混合效应模型

此研究使用迭代方法检验了兴奋性递归连接和全局耦合的影响。首先保持相同的空间分布设定和模拟参数，然后对全局耦合值进行网格搜索，范围从0.5到5。评估策略表明，大于2.6的全局耦合值会产生生物学上不合理的输出。对于每次模拟，计算ACW和GSCORR两种测量指标。

为探究这些测量指标与连续参数（全局耦合和兴奋性递归连接）之间的关系，采用混合效应模型。在这些模型中，连续参数作为固定预测因子，区域类别（TransSelf、TransNonself、UniSelf和UniNonself）被纳入，区域作为随机效应。模型示例如下：

ACW_ij =β₀+β₁*Recurrent_ij +β₂*Category_ij +β₃*(Recurrent_ij×Category_i)+β_0j +ε_ij