本文重點：

血氧水平依賴(BOLD)信號間接提供了神經元放電的信息，未能在較快的時間尺度上捕捉到正常生理功能的進程。本文使用fMRI引導的經顱磁刺激(TMS)和同步腦電圖(EEG)來表征高時間分辨率的腦網絡動態(tài)變化。用TMS誘發(fā)對默認網絡(DMN)和背側注意網絡(DAN)的可控的擾動（這里用的是perturbation這個單詞，可理解為通過神經刺激方式對刺激靶點腦區(qū)及相關網絡的功能干擾）。源定位水平上EEG傳播模式是特定于網絡的，并且在間隔1個月的掃描中具有高度重復性。此外，高階認知能力的個體差異與DAN和DMN間TMS傳播模式的特異性顯著相關，但與靜息態(tài)EEG無關。說明了TMS-EEG基于擾動的生物標記物，在高時間分辨率下表征個體大腦網絡動力學的潛力，并潛在地提供了對其行為意義的進一步洞察?？梢宰鳛橐环N新興的聯合方法對個體大腦網絡動力學進行探測。

該文章由Beth Israel Deaconess Medical Center的研究者發(fā)表在PNAS上。 

前言

表征大腦自發(fā)活動在認知和行為中的功能作用，導致了人類大腦功能研究的基礎范式發(fā)生轉變。大量的fMRI研究表明，空間上遙遠的大腦區(qū)域自發(fā)的BOLD信號存在時間上的相干波動，并在靜息態(tài)中形成一組不同的功能網絡(RSNs)。這些RSNs與任務執(zhí)行過程中激活的網絡緊密重疊，即使在沒有外部刺激的情況下也為信息傳輸提供了支撐。RSNs反映了健康和異常大腦活動的潛在功能結構。因此，越來越多的臨床和轉化性神經科學研究集中在基于fMRI的分布式大腦網絡內和分布式大腦網絡間的連接動力學，并且作為診斷以及確定各種神經和精神疾病的治療目標的重要潛在方法。

然而，經過二十年的研究，我們對大規(guī)模分布式腦網絡功能相關性的理解仍然有限。BOLD信號提供了神經元活動的間接測量，反映了緩慢演變的血流動力學反應，通常無法捕捉RSNs持續(xù)振蕩的豐富的時間動力學特性。此外，fMRI測量了靜息狀態(tài)的連通性，確定了大腦活動中的雙變量相關性，但所確定的網絡關系的因果意義仍不清楚。

經顱磁刺激和腦電圖的同步結合（TMS-EEG）可能有助于解決這些局限性。TMS提供了一種獨特的方法來擾動RSNs的單個節(jié)點，探測局部和分布網絡的響應，從而表征所謂的基于擾動的連接。任務誘發(fā)的大腦激活可能涉及各種中間皮質/皮質下過程，并高度依賴于被試對給定任務的參與/認知策略，TMS與其不同，可以直接干擾特定的皮質區(qū)域，具有良好的空間分辨率，同時需要被試/患者的參與程度很小。同步記錄腦電可以評估TMS誘發(fā)的效應及其在功能連接的皮層區(qū)域的傳播。越來越多的證據支持了這樣的TMS誘發(fā)電位(TEPs)在表征健康和病理性大腦中的作用。

此外，TMS-EEG可能會發(fā)現大腦電生理的細微變化，而這些變化在傳統(tǒng)的靜息態(tài)EEG分析中并不明顯。例如，即使在常規(guī)頭皮腦電特征不能揭示疾病特異性改變的情況下，TMS-EEG也能夠識別大腦反應的異常，從而區(qū)分出意識較弱患者和持續(xù)植物人狀態(tài)的患者。然而，缺乏關于使用這種TMS-EEG來測量大腦網絡動力學的證據。將大腦網絡的改變以及網絡間的相互作用視為病理狀態(tài)和認知功能的潛在生物標記物十分重要。例如，在阿爾茨海默病和額顳葉癡呆患者中，使用fMRI記錄到了相同的RSNs (DMN和ASN（前部突顯網絡）)的改變；盡管這兩種情況都有顯著的神經病理基礎，但前一組患者顯示DMN-ASN功能連接增加，而后者相反。TMS-EEG是否能夠測量這種細粒度的網絡水平動力學、是否有可能顯著提高基于標準fMRI/EEG的生物標記物的分辨率仍然是懸而未決的問題。

在這里，作者使用fMRI引導的TMS-EEG來選擇性地干擾DMN或DAN這兩個網絡中的兩個相鄰的頂葉節(jié)點 (圖1B)，這兩個節(jié)點被認為分別是內在和外在定向注意過程的基礎。在fMRI中，當注意到外部刺激或一項任務時，“任務消極型”DMN（默認網絡）保持相對沉默，但在不受約束的靜息態(tài)下表現出更多的活動。相反，“任務積極型”DAN（背側注意網絡）則相反，在注意力要求高的任務中活動增加，而在靜息態(tài)時活動減少。此外，這兩個網絡間功能連接模式的中斷或異常，與個體在一些認知功能、運動行為以及各種神經和精神障礙的癥狀方面的失調有關。然而，基于fMRI不能清楚觀察到的這兩個網絡相互作用的空間?時間動力變化是否具有因果性。通過采用非侵入性和個體化的網絡擾動方法，同時使用EEG進行全腦神經成像，這兩個功能相反的網絡之間的關系可以用高時間分辨率來表征。

本文的假設是，用TSM刺激，DMN或DAN將顯示不同的空間?時間動力學，可以被源重建的高密度腦電數據所測量，并且EEG可以反映通過fMRI測量到的DMN和DAN連接的負相關模式。此外，通過在1個月內進行反復采集，證明特定網絡下TMS誘發(fā)的EEG響應具有可重復性。最后，考慮到DMN/DAN與認知(特別是流體智力和抽象推理)之間的正相關，本文假定TMS誘發(fā)的皮層反應與認知的個體差異有關，并且TMS后DMN/DAN“分離”的程度將與更高的智力測量表現呈正相關。 

方法

結構磁共振數據采集

對所有被試進行T1加權(T1w)結構MRI掃描用于神經導航。3T磁共振(GE Healthcare，Ltd.)，使用三維擾相梯度回波序列：166層軸向切片覆蓋全腦；240mm各向同性FOV；分辨率0.937 mm×0.937 mm×1 mm；翻轉角度15°；回波時間(TE)/重復時間(TR)≥2.9/6.9ms；持續(xù)時間≥432s。

靜息狀態(tài)fMRI數據及其預處理

在3T GE掃描儀上采集靜息態(tài)fMRI數據，共3次，每次5min，掃描參數為：軸面(自下而上)，FOV=240 mm，TE=25ms，TR=3196ms，層厚=2.5 mm，翻轉角=90°，體素大小1.87×1.87×2.5。使用FMRIprep(v1.2)對靜息態(tài)fMRI數據進行預處理。為了使功能網絡個體化，使用了18個功能網絡，包括來自YEO-2011組平均功能網絡的17個網絡，以及代表手部區(qū)域的額外網絡(SI附錄方法，歡迎添加微信siyingyxf或19962074063獲取)。

基線評估

每個被試的基線評估共5小時，接受仔細的認知和運動能力評估。認知評估包括改良的愛丁堡利手問卷和NEO人格問卷(NEO-FFI)?？偣?/span>14個認知任務，涵蓋如注意力、抽象推理、抑制、語言和視覺空間工作記憶以及轉換，用E-Prime 2.0呈現。作為初步分析，目標是得到以網絡為靶點的個體TEPs與流體智力(Gf)和晶體智力(Gc)相關，Gf代表與假設檢驗和推理相關的抽象推理能力(通過SM測量)；Gc代表語義知識(通過TOPF測量)。作為控制任務，還測試了SRTT。SRTT是一種廣泛使用的運動任務(SI附錄方法)。對于每項任務，記錄準確率和反應時間(RTs)，計算IES，即認知任務績效得分。IES平衡了持續(xù)認知測試期間觀察到的速度和準確率。

TMS

TMS采用與MagPro X-100刺激器連接的具有動態(tài)流體冷卻功能的八字形線圈(Mag Pro75 mm Cool B-65；MagVenture A/S)。將T1w像導入BrainSight TMS無框架導航系統(tǒng)，配準到解剖圖中用于實時監(jiān)測線圈位置。記錄右側第一骨間背側?。?/span>FDI）和拇短展?。?/span>APB）的運動誘發(fā)電位(MEPs)。將Ag-AgCl表面電極放置在肌腹和肌腱上，接地電極放置在右側尺骨莖突上。

腦電     

使用與TMS兼容的放大系統(tǒng)(actiCHamp)收集全頭皮64通道EEG數據，按照擴展的10-20國際系統(tǒng)坐標貼放電極。參考電極為Fp1。在1000 Hz的采樣率下，電極阻抗保持在5kΩ以下。使用BrainCHamp DC放大器將信號數字化，并連接到BrainVision Recorder軟件(1.21版)進行在線監(jiān)測。使用BrainSight TMS無框架導航系統(tǒng)將頭皮電極位置與MRI結構像配準。

TMS靶點

為了識別個體的TMS靶點，使用了分割為七個網絡的組級靜息態(tài)功能網絡圖。七個網絡分別對應于視覺、軀體感覺、邊緣、背側注意、腹側注意、默認和額頂RSNs。使用了每個RSN的置信概率度圖(?1~1)，值越大表示置信度越高。通過使用來自1000名健康被試的組級功能劃分和置信度圖，能夠找到每個網絡中最一致和最可靠的區(qū)域，增加了TMS-EEG發(fā)現的泛化性能。首先使用Freesurfer的球形配準將七個網絡的功能皮層圖譜和置信度圖映射到被試的皮層表面(圖1A)。然后重新采樣到結構T1w磁共振影像中。通過置信圖對每個網絡中的體素進行加權，并分別選擇右角回和右頂上回中置信度最高的體素進行DMN和DAN刺激(圖1E)。每個被試的DMN和DAN靶點映射到MNI空間，以顯示目標靶點在個體之間的可變性(圖1F)。

圖1 靶點選擇

實驗程序

被試舒適地坐在一把可調節(jié)的椅子上。每次訓練開始時確定在FDI肌肉誘發(fā)MEPs的運動節(jié)點，通過傳遞單個TMS脈沖，并在每個點2~3次刺激后以小增量步長移動TMS線圈，以相對于矢狀面45°旋轉的方式在左側運動皮質的手部區(qū)域上方(在皮層中誘發(fā)從后到前的電流)。運動節(jié)點被定義為，與APB肌相比，使用最小的刺激強度，單脈沖TMS在FDI肌中引起更大和更一致的MEPs。

通過單項電流波形施加10個脈沖，在最小刺激強度下誘發(fā)至少五個MEPs（≥50μV），以此來確定靜息態(tài)運動閾值（RMT）。根據國際臨床神經生理學聯合會的安全建議，被試被要求在試驗期間戴上耳塞，以保護聽力，并將外部噪音降至最低。TMS線圈下面放置一層薄薄的泡沫，以最大限度地減少軀體感覺對TMS-EEG電位的干擾。為了最小化與TMS相關的AEPs，在整個TMS刺激中使用聽覺白噪聲屏蔽。確定RMT之后，總共向每個刺激靶(DMN的角回節(jié)點和DAN的頂上小葉節(jié)點發(fā)送120個單TMS脈沖，強度為120% RMT，刺激60次，間隔3000~5000ms (圖1A)。操作員持續(xù)監(jiān)測被試的清醒情況，提示他們睜開眼睛。每個被試相隔4周完成兩次相同的實驗。

腦電數據處理

使用EEGLAB 14.1的腳本離線執(zhí)行所有預處理。包括基線校正，去除EEG數據中刺激前期TMS脈沖偽影，利用fast ICA去除TMS誘發(fā)的高幅值信號以及EMG偽跡，線性插值，高通濾波，利用全腦平均信號校正，利用PCA降維，再次利用fast ICA去除眼動和肌電噪聲以及單個電極的噪聲，心電和聽覺誘發(fā)電位，最后低通濾波（細節(jié)見SI附錄）。EEG通道分析

TMS刺激后對TEPs（TMS誘發(fā)電位）進行全腦平均場功率(GMFP)分析量化整體皮質激活水平(參見SI附錄，方法和圖S2)。GMFP可用于測量整個大腦對TMS的反應。還進行了局部平均場功率(LMFP)分析，以確定局部誘發(fā)活動(見SI附錄，方法和圖S3)。TEP時間序列還用于檢測兩次實驗中TEP反應的重復性。

腦電源重建

使用BrainStorm進行所有TMS誘發(fā)的EEG源重建。首先，從BrainSight中提取每個被試的通道位置和解剖標志 (鼻根、左側耳前和右側耳前)，并將其配準到BrainStorm中的個體MRI結構像上(圖1C)。接下來，加載每次刺激前500ms和刺激后1000ms的腦電數據，并把所有的實驗平均(圖1B)。使用對稱邊界元（boundary element method）算法計算神經電場正演模型，使用默認參數設置。使用TMS刺激前作為基線（?500ms至0ms），從單次實驗中估計噪聲協方差。使用最小范數估計(MNE)方法，結合動態(tài)統(tǒng)計參數映射，將源偶極子約束到皮層表面，對皮層源進行反演建模。腦電源重建的結果是每個皮層體素的MNE電流密度時間序列。

腦電源指標

首先從DMN(圖1C中紅色陰影區(qū)域)和DAN(圖1C中綠色陰影區(qū)域)提取平均電流密度時間序列，并將其投影到每個個體的表面空間上。為了檢查不同刺激條件下TMS誘導的振蕩特性，首先計算了每個網絡的事件相關譜擾動(ERSPs)。使用開放源碼的EEGLAB函數(newtimef)，使用 Morlet小波（周期0.5-3），500ms的時間窗，每次迭代滑動20ms。對ERSPs進行基線標準化(-500ms至0ms)，并使用bootstrap確定刺激后的顯著激活。

然后，我們根據噪聲協方差將電流密度歸一化(z得分)，校正得到時間序列用于時域分析(圖4B上)。最后計算了在TMS前(?500ms到?100ms；圖4B下)和TMS后(15ms到400ms)中每個網絡內所有皮質的激活。所得到的電流密度z分數和，表示給定時間窗內每個RSNs圖中的源重建皮層活動的總量。

本文還檢查了TMS后特定網絡激活程度是否與認知能力的個體差異有關。為此，通過簡單計算每種刺激條件下，TMS誘發(fā)刺激的網絡活動相對于非刺激網絡的平均百分比來量化NES，NES用于網絡特定性和認知得分之間的雙變量相關性計算，如下所示：

統(tǒng)計分析

利用Matlab統(tǒng)計工具箱17A的自定義腳本執(zhí)行所有統(tǒng)計分析。為了比較刺激條件之間的GMFP和LMFP時間序列，執(zhí)行了基于集群的置換配對t檢驗 (n=10000)(參見SI附錄)。使用配對樣本t檢驗來比較TMS前后條件下源處激活值的總和。用單因素方差分析比較不同刺激條件下的GMFP值總和。以兩次實驗為被試內因素，采用重復測量方差分析進行多重比較，采用2×2方差分析(刺激條件：DAN與DMN)×2(網絡圖：DMN與DAN)，檢測刺激條件對TMS前后網絡激活的影響。采用Bonferroni校正，以檢驗不同刺激條件下網絡活動差異是否具有顯著主效應。利用皮爾遜積差相關系數來測量兩次實驗TEP的重復性。使用散點圖進行簡單的線性回歸，以計算NES與認知表現之間的關系。所有統(tǒng)計分析均設顯著性水平(P<0.05)。

 結果

TMS誘導的皮層興奮揭示特定網絡的空間?時間動力學

圖2和圖3提供了刺激后DAN和DMN歸一化源激活模式的空間分布。在TMS到達DAN的頂葉結點后，EEG源主要圍繞左右半球的頂上回，與DAN的頂葉地形圖高度重疊(圖2)。

圖2 TMS后DAN的源激活模式    

另一方面，對DMN施加TMS后，腦電源投射到DMN的額中線和頂區(qū)(楔前葉)(圖3)。刺激網絡中活動的增加不僅局限于刺激部位，而且特異性地傳播到同一網絡的功能連接的遠端區(qū)域，揭示了TMS刺激某一節(jié)點，可以誘發(fā)特定網絡的激活。

圖3 TMS后DMN的激活模式

      首先對平均電流密度進行了時頻分析。圖4提供了網絡激活的時頻響應和傳播以及組級別的統(tǒng)計信息。結果表明，TMS刺激后的早期激活(30ms到150ms)具有從θ(4 Hz)到低伽馬(～30 Hz)頻段的寬帶振蕩特征，但誘發(fā)的顯著反應主要在β波段(13 Hz到30 Hz) (圖4A)。具體地說，雖然在刺激條件下在兩個網絡中都存在β響應，但僅在受刺激的網絡內觀察到顯著的β振蕩，這表明TMS在受刺激的網絡的“固有頻率”上誘發(fā)了顯著的網絡激活。至于激活的時間傳播，我們在TMS后觀察到明顯的相互作用模式，即與DMN相比，刺激頂上回引起DAN更高的皮層激活，而刺激角回則導致DMN激活更高(P=0.01)。此外，為了調查個體網絡是否會顯著影響觀察到的傳播模式，我們還使用基于個體fMRI種子點分析產生的網絡進行了相同的分析，觀察到了類似的顯著交互模式 (P=0.025)，不同條件下，受刺激網絡的激活程度高于未受刺激的網絡(SI附錄圖S4)。

圖4 網絡激活的時頻響應和傳播

為了進一步研究網絡差異和刺激條件間交互模式的時間演變，對源處的激活值以及代表DMN和DAN激活差異的個體時間序列，計算基于集群的置換配對T檢驗統(tǒng)計分析 (n=1000) (圖5)。結果發(fā)現在刺激DAN后約80ms和200ms，DAN的活動顯著增加。雖然DMN刺激后，DMN的時間序列高于DAN時間序列 (100ms左右有顯著差異)，但校正后沒有顯著差異(圖5A右)。對于DMN?DAN交互模式，計算了所有被試(n=21)在不同刺激條件下的源處激活值的差異，即以DAN為參考，從每個被試的DMN時間序列中減去DAN時間序列，得到平均網絡差異時間序列。我們發(fā)現在80-120ms，160-180ms，205-250ms有顯著差異 (圖5B)。最后，當觀測到網絡差異時，計算基于頂點的組平均差異，以進一步檢查不同時間窗的激活圖 (圖5C)。

100ms左右的時間窗中，與刺激DMN所誘發(fā)的活動相比，DAN右側頂葉的激活程度更高，而DMN右側顳下的激活程度則顯著降低。

約180ms時，刺激DAN使DMN右側顳下和右額的激活程度降低。

230ms左右的時間窗中，刺激DAN導致DMN右側頂葉的激活程度降低。

280ms時，DAN的右側頂葉激活增強，DMN的右側顳葉激活減弱，表明DMN和DAN節(jié)點之間的時空分離隨刺激部位的變化而變化。

圖5 TMS誘發(fā)的網絡交互作用的動態(tài)變化

以網絡為靶點的TMS誘導的皮質響應具有重復性

相隔1個月進行兩個相同的TMS實驗，能夠在源水平上復現特定網絡的時空動態(tài)變化。第二次實驗的結果顯示，與非刺激網絡相比，刺激網絡中的誘發(fā)活動增加了，保留了顯著的交互模式(P=0.02)(圖6)。結果進一步證實，TMS刺激某一節(jié)點，可以誘發(fā)特定網絡的激活。兩次實驗在重復測量方差分析中沒有發(fā)現顯著差異 (P>0.05)。此外，對電極進行相關分析，進一步證實TEP在整個頭皮上的可重復性。結果發(fā)現刺激條件內的頭皮激活高度重疊 (第一次和第二次實驗的DAN刺激)，但不同刺激條件(即DAN與DMN)之間的激活截然不同，證實了結果可復現 (SI附錄圖S5)。
TMS誘發(fā)的特定網絡激活與認知表現相關     

假設之一是，TMS后網絡分離(DMN/DAN)的大小與認知的個體差異有關。使用網絡特異性指標(網絡參與特異性[NES]) 量化TMS誘發(fā)的活動在目標網絡內的傳播情況。考慮到之前關于認知特征與RSNs動態(tài)、網絡效率和網絡間相互作用的研究，我們的目標是研究TMS網絡水平響應的特異性(刺激網絡的高激活與非刺激網絡的參與減少)是否與認知的個體差異性有關。較高的NES值反映了更特定的TMS誘發(fā)的皮層動態(tài)活動，可能捕捉到與分離/整合相關的大腦拓撲屬性。

圖7A、B提供了具有高NES分數和低NES分數的被試在選定TEP峰值處的激活模式。NES值和智商得分之間存在顯著的正相關 (圖7C右，綠色散點：r=0.53，P=0.02)，表明在刺激網絡中活動較高，但在非刺激網絡中相對較低的個體表現出更好的整體認知表現。還觀察到流體智力評分與NES之間正相關，但無顯著性 (圖7C左藍色散點：r=0.4，P=0.11；紅色散點：r=0.33，P=0.17)。值得注意的是，未觀察到NES與連續(xù)反應時間任務之間的顯著相關性(r=0.0 1，P=0.99)，表明DMN?DAN與高階認知能力的關系似乎比與運動/感覺能力的關系更為緊密。此外，作為控制條件，我們還計算了靜息態(tài)(?500到?100)皮層激活的NES值，并檢查了靜息態(tài)NES值和認知表現之間的相關性(圖7C，黑色散點)。靜息態(tài)腦電NES值與流體智力(邏輯：r=0.29，P=0.21；關系：r=0.04，P=0.80)和智商得分(r=?0.02，P=0.84)的相關性較差。

圖7 TMS誘發(fā)的網絡激活與認知表現的關系
討論

在這里，我們使用fMRI引導的單脈沖TMS在DMN和DAN的頂葉節(jié)點誘發(fā)可控的擾動，并捕捉電生理信號高時間和空間分辨率的快速變化。使用功能網絡圖作為感興趣區(qū)(ROI)重建單個源空間的EEG響應動態(tài)變化。我們發(fā)現，與DAN相比，靶向刺激DMN節(jié)點會導致DMN更大的激活，而刺激DAN則會導致相反的模式。值得注意的是，這種激活差異不僅局限于刺激點，會隨著時間擴散且依賴于網絡的拓撲結構(圖5)。結果表明TMS誘發(fā)的活動會傳播到同一網絡具有功能連接的遠端區(qū)域，顯示了TMS在靜息態(tài)fMRI網絡中的局部和分布效應。至關重要的是，相隔1個月的實驗結果可高度復現。此外，我們還提供了初步證據表明，認知能力與TMS誘導的網絡激活的相關性比與靜息態(tài)EEG動力學的相關性更強?？傮w而言，結果揭示了幾個發(fā)現，對未來的研究具有參考意義。首先，通過TMS對RSNs活動的直接外部操作，結合使用EEG高時間分辨率成像，可以提供關于大腦網絡之間快速、毫秒級的交互作用，這些模式是通過功能磁共振成像或靜息狀態(tài)EEG無法觀察到的。在給定RSNs節(jié)點處施加刺激會優(yōu)先在受刺激網絡的其他節(jié)點內傳播，并且主要在受刺激網絡或腦區(qū)的固有頻率處振蕩調制。其次，TMS誘導的網絡交互作用是可重現的，可以在不同天的實驗中重復捕獲，從而可以在未來網絡級大腦功能障礙的臨床試驗中應用。最后，初步證據表明，基于擾動的傳播模式有望成為人類認知能力的生理生物標志物。
TMS誘發(fā)的RSNs激活

最初，RSNs的存在首先是通過對正電子發(fā)射斷層掃描的薈萃分析來確定的，正電子發(fā)射斷層掃描顯示，在任務執(zhí)行期間，額葉和頂葉特定節(jié)點內的活動減少，被定義為DMN網絡。從那時起，人類RSNs的功能結構主要通過fMRI得到BOLD信號的空間動力學來研究。由于BOLD信號的局限性，越來越多的研究采用多模態(tài)神經成像技術來理解RSNs的神經起源和空間?時間特征。fMRI-EEG研究也為RSNs的電生理學基礎提供了相當多證據，證明了腦電源空間中的空間相干映射與基于fMRI的RSNs非常相似。然而，研究結果并不一致。在早期的一份報告中，研究者將獨立分量分析(ICA)識別的多個RSNs的時間進程與EEG功率譜進行比較，揭示了幾乎所有頻段的EEG振蕩與大部分RSNs活動具有相關性，表明BOLD活動與毫秒級EEG活動之間存在聯系。然而，其他研究報告的相關性很弱或沒有，甚至是相反的相關性。因此，EEG功率譜特征與RSNs內或RSNs間的動態(tài)功能連接之間的相關性及方向性尚未達成共識。限制了對RSNs間的因果關系或功能相互作用的理解。因此，最近的許多研究強調跳出靜息態(tài)相關性研究，并建議利用直接外部操作來更好地推斷RSNs之間的因果交互作用。

在這里，作者使用了一種網絡擾動的方法，發(fā)現，兩個在解剖上相對接近的皮層節(jié)點(即都位于右頂葉)的TMS產生了空間上不同的激活模式，并且TMS誘導的皮層電位不僅局部于刺激的網絡節(jié)點內，而且優(yōu)先地隨著同一網絡的拓撲結構和其主要振蕩頻率而傳播。這些結果與先前的TMS-EEG和TMS-fMRI研究表明TMS誘導的活動傳播到刺激部位之外是一致的。

早期的TMS-EEG研究主要集中在運動系統(tǒng)上，顯示TMS后的局灶性反應迅速擴散到鄰近的同側運動區(qū)，隨后傳播到對側運動區(qū)，可能是通過胼胝體連接。測量以非運動網絡為靶點的TMS刺激前后fMRI連通性的改變，也報告了對局部和遠程網絡節(jié)點激活的調制。最近，有報道稱對神經外科患者不同的RSNs節(jié)點進行顱內電刺激，由侵入性刺激誘發(fā)的反應在RSNs間相互傳播。我們的數據擴展了這些結果，提供了以下可能的證據： 

1) 兩個相鄰皮層節(jié)點受到非侵入擾動后具有靶向參與性；

2)以毫秒級的分辨率可以捕捉到它們的響應，誘發(fā)了基于fMRI網絡內的局部和分布式皮層傳播模式。以前的研究表明了從網絡的角度看待腦刺激的臨床和治療價值，促進基于神經導航的實驗性擾動，以更好地理解各種精神和神經疾病的癥狀學潛在的異常網絡及網絡的相互作用。與這些概念一致，本文的發(fā)現支持基于擾動的非侵入性神經成像作為一種可行和可靠的多模態(tài)工具來參與和表征人腦的網絡級反應。
網絡參與的重現性

TEP（TMS誘發(fā)電位）包含豐富的神經生理學信息，因此可以直接測量皮層生理特性(如興奮性、抑制性和連通性)的瞬時和持久變化。此外，到目前為止，TEP在健康和臨床人群中具有個體差異，盡管組平均TEP的可靠性已經在電極水平上進行了測量，但還沒有研究在網絡水平上使用RSNs作為源空間中的ROI來評估TMS誘發(fā)激活的重復性。在這里，通過為每個被試進行兩個相隔1個月的相同實驗，表明單個TEP的源重建對于DAN和DMN都是高度可復現的(圖5)。

關于TMS誘發(fā)的EEG反應中是否存在穩(wěn)定的非經顱外周成分仍存在爭議，是限制TEP解釋和應用的一個主要因素。雖然本研究結果的有效性和可靠性可能會受到諸如體感和聽覺電位等外周誘發(fā)反應的影響。有幾條證據表明我們的發(fā)現反映了經顱誘發(fā)的皮層活動。

首先，作者了遵循最先進的程序來最小化體感誘發(fā)電位和聽覺誘發(fā)電位(AEPs)，在線圈下面放置一層泡沫層，并屏蔽聽覺噪音。

其次，應用兩步ICA，首先去除特定于TMS的偽影，同時去除剩余的肌肉、電極和心電偽影 (SI附錄，圖S1)。第二次ICA中，只有5名被試清晰地出現了AEPs，表明屏蔽噪聲可以有效抑制非特異性的TMS誘導的聽覺激活。

第三，源分析顯示了TMS在刺激網絡中誘導激活的特異性，表明數據沒有受到體感或聽覺電位的干擾。最后，我們的地形可靠性分析(SI附錄，圖S5)在單電極水平上，也與源水平的網絡激活相一致，顯示了DAN和DMN的TMS的地形學特異性。值得注意的是，體感誘發(fā)電位主要分布在刺激部位對側的軀體感覺皮層，而AEPs則分布在雙側顳上葉，與刺激部位無關。體感誘發(fā)電位或AEPs的存在會導致刺激部位之間相對一致的激活模式。然而，我們發(fā)現在刺激DMN后600ms的DMN特異性前額葉區(qū)域有更高的激活，而DAN刺激沒有這種激活，這表明地形圖具有特異性。
TMS誘發(fā)的網絡活動的特異性與認知相關

大多數研究都集中在對靜息態(tài)下獲得的數據進行建模，在一定程度上表明，可以用來預測個體在幾個認知功能、人格特征和行為方面的差異。然而，最近的證據表明，基于任務的神經成像可以更好地描述個體連接模式和認知能力之間的聯系。與靜息態(tài)的fMRI模型相比，建立在任務fMRI上的模型在預測流體智力方面表現更好，這表明基于任務的設計可能會沿著特定的認知維度“擾亂”大腦，從而提供機會來識別大腦連接個體模式的細微差異。盡管TMS最初擾亂局部節(jié)點，但是誘導活動隨時間跨腦區(qū)傳播，且傳播節(jié)點具有功能連通性。我們的分析表明，網絡激活的特異性與流體/晶體的認知能力之間存在顯著的正相關，表明受到擾動后，網絡內和網絡間的活動可能構成人類認知能力的生物標志物(優(yōu)于靜息狀態(tài)腦電數據)。

更具體地說，本文發(fā)現TMS在DMN和DAN之間誘導了相反的振蕩模式，這種模式對優(yōu)化認知功能至關重要，是自適應地在自我參照任務和外部定向任務之間引導注意資源的基礎。有趣的是，與目前的結果一致，我們小組最近的一份報告顯示：1)在流體智力(Gf)任務時，具有強大協同激活能力的腦區(qū)與DAN高度重疊，更重要的是，這些區(qū)域與DMN之間負相關的強度是個體流體智力(Gf)表現的重要預測因子。這表明，以網絡為靶點的TMS-EEG能夠捕捉到相同的fMRI動態(tài)變化，但具有高的時間分辨率，證明負相關潛在的本質。最后，我們發(fā)現網絡參與與控制運動學習任務的表現不相關，這表明誘發(fā)的大腦皮層網絡動力學和認知之間的關系不是一個一般性和非特異性的發(fā)現。未來的研究需要對人類認知的自發(fā)的、基于任務的和基于擾動的神經標記物進行系統(tǒng)的全面調查。
本研究的局限性和未來發(fā)展方向

盡管EEG響應的源定位顯示了傳播模式取決于被刺激的網絡，但將TMS-EEG與fMRI相結合將在空間上更精準地捕捉TMS誘發(fā)的網絡效應。另一個重要的考慮是需要用相關的任務設計來擴展當前的網絡擾動方法，以便在刺激期間控制大腦狀態(tài)。鑒于DAN和DMN在靜止和認知過程中的動態(tài)和相互聯系，有必要考察：1)在任務執(zhí)行過程中，TMS誘發(fā)的網絡內和網絡間的激活在多大程度上與任務激活重疊；2)TMS誘導的網絡動力學能否預測健康人和神經/精神疾病人的任務表現。 

總結

本文使用TMS直接對靶點腦區(qū)進行外部干擾，同時使用EEG檢測電生理信號，在高時間和空間分辨率下，提供了關于腦網絡之間快速演變以及相互作用的證據，并且證明了其與認知表現的相關性，這些是通過低時間分辨率的fMRI或低空間分辨率的靜息態(tài)的EEG無法觀察到的。

由于部分患者的任務參與能力較差，本文的方法是一種很好的替代措施，可以更清楚的了解腦區(qū)之間的信息傳遞模式，在臨床上應用也可以更好地理解病理并確定治療靶點。本文的數據采集過程以及預處理過程十分嚴謹，盡可能避免一切干擾，從大腦到行為表現的研究思路也很完善，值得為我們學習，也許小小的遺憾是EEG的數據分析過程均為離線解析，如果搭配上實時EEG處理，在臨床應用上可能會實現更大的突破。

微信掃碼或者長按選擇識別關注思影