人类杏仁核特异性连接与心理健康维度的关系

人们越来越关注使用神经影像学方法预测精神疾病。然而，预测通常依赖于大的大脑网络和大的疾病异质性。因此，它们缺乏解剖学和行为特异性，阻碍了针对性干预的进展。在这里，我们设法解决这两个挑战。首先，利用静息状态功能磁共振成像，我们将杏仁核（与情绪障碍相关的区域）分成七个区。接下来，一项问卷因素分析提供了焦虑抑郁患者经常改变的亚临床心理健康维度，如负面情绪和睡眠问题。最后，对于每个行为维度，我们确定了单个杏仁核子区和高度特异的感兴趣区域（如脑干中缝背核或内侧额叶皮质区）之间最具预测性的静息状态功能连接。杏仁核网络的连通性预测了独立数据集中的行为。我们的结果揭示了心理健康维度与精确皮层下网络连通性之间的特定关系。本文发表于Nature Human Behaviour。

近年来，利用核磁共振成像（MRI）预测健康结果，包括心理健康的测量，变得越来越流行。例如，静息状态功能磁共振成像（rs-fMRI）连通性测量可以预测一个人是否患有广泛性焦虑症（GAD）、严重抑郁症（MDD）和强迫症（OCD），或者是否会对治疗产生反应。在这些类型的研究中获得的预测准确率通常令人印象深刻，通常达到60-80%。然而，在大多数情况下，预测依赖于大量的大区、网络或边（edge）。因此，令人印象深刻的预测准确性是以降低解剖特异性为重要代价的。

尽管这类研究对诊断和预后至关重要，但如果目的是从机理上理解疾病以支持有针对性的治疗干预，则缺乏解剖学特异性可能会有问题。特定回路的识别和特征描述对于确定疾病的性质和变体可能是必要的，对于开发涉及特定回路中大脑活动调控的新疗法可能也是至关重要的。

第二个问题是，无监督解码方法虽然强大，但通常对解剖先验不可知。然而，大量证据表明，特定神经递质系统和特定脑区在调节与心理健康相关的重要功能方面发挥着作用。调节情绪处理的边缘系统及其与额叶皮质区的联系一直被报道具有重要作用。这个网络中的一个关键枢纽是杏仁核。切除或破坏该区域可减少恐惧和焦虑反应。抑郁症患者的正电子发射断层扫描显示杏仁核和相连的膝下皮层代谢异常。此外，杏仁核是调节和表达情绪的关键区域之一。因此，当前研究的一个目的是研究在多大程度上可以解释人类心理健康的差异，包括社会和情感行为，以及与以杏仁核为中心的可识别神经回路的功能连接的关系。在包括灵长类动物在内的动物模型中，杏仁核与特定皮层和皮层下区域的单突触联系已经建立了一段时间，并且人们对杏仁核相互作用介导的行为越来越了解。

然而，如果决定将注意力集中在大脑区域，如杏仁核，那么第三个问题就会出现。它也与脑干有很多交互作用，但脑干的活动很难被以影像学方式呈现。此外，这些区域与杏仁核内的特定亚核有非常特殊的联系。因此，我们的第一步是将人类杏仁核分割成功能亚单位。我们利用了人类连接组项目（HCP）的一部分高质量数据。使用来自200名健康参与者的静息状态数据，我们可靠地确定了每个半球中的七个杏仁核亚区。在3T（n=200）和7T（n=98）采集的另外两个数据集中重复了这种分割。我们还投入了大量精力开发了一种精细的数据预处理路径，该路径侧重于去除与呼吸相关的伪迹，使我们能够检测脑干区域的活动，其中一些区域与特定的杏仁核亚核有非常特殊的相互作用。

在提高解剖特异性的同时，我们还致力于解决将基线神经测量与心理健康相关联的另一个主要问题，即疾病本身定义不清，并且涉及广泛的损伤，这些损伤并非始终存在于所有诊断为同一疾病的患者中，并且在疾病之间部分重叠。这可能是为什么接受过区分抑郁症患者和非抑郁症患者训练的分类器可能会显示出一个广泛的区域网络，而不是映射到定义明确、解剖可解释的大脑回路的另一个原因。如果我们能够专注于特定的而不是广泛的症状类别的话，我们也许能够更好地将它们与特定的脑回路联系起来。由于我们检测的样本，精神健康状况是在亚临床范围内有所不同（即并不是符合特定临床诊断的疾病状态）。然而，我们能够通过对一组问卷分数进行因子分析来定义潜在行为，这组分数产生了心理健康的四个高度可复制的维度。在我们的最后一步中，我们为四个行为维度中的每一个维度选择了杏仁核和其他大脑区域之间功能连接的最佳预测因子。我们发现，在一个独立的数据集中，特定数量的杏仁核功能连接预测了每个心理健康维度。我们的研究使用来自大量健康参与者的数据，结合了解剖信息方法和更敏感的区分心理健康相关的行为表型的特征，证明了精确的大脑连接集合中的功能连接可以预测心理健康的亚临床维度变化。

结果

在体人类杏仁核可分割成七个核。杏仁核由解剖上不同的子核组成。因此，我们的第一个目标是使用rs-fMRI提供杏仁核的最佳在体分割方式。以前人类的在体研究已经在杏仁核内划分了两到三个亚区（例如，基底外侧区和中央内侧区）。然而，考虑到HCP数据的质量（例如，改进的序列、2 mm各向同性分辨率、0.7 s时间分辨率、每人1h的rsfMRI数据），以及我们为消除生理混杂信号而采取的增强处理步骤，我们推断我们可能可靠地识别出杏仁核内更详细的解剖结构模式。

我们使用来自200名HCP参与者子集的精细预处理的rs-fMRI数据生成了一个组连接体。精细的预处理侧重于去除生理伪影，并提高杏仁核及其许多投射目标和源的时间信噪比（tSNR）（参见方法、补充方法和扩展数据集）。我们没有囊括所有1206名HCP参与者，因为这些额外的预处理步骤需要呼吸和心脏活动的高质量生理记录，而这些记录在相当多的HCP参与者中是不可用的或质量不够的（关于受试者纳入标准，见方法和补充方法）。由此产生的组连接组包含了每对大脑坐标之间的平均功能连接，因此对其他难以成像的区域提供了高保真的连接估计。例如，杏仁核到全脑的平均连通性（图1a）就说明了这一点，与之前的工作一致，它突出了杏仁核与外侧颞极和颞极区域、腹侧尾内侧额叶皮质（BA32和BA25）、丘脑、下丘脑和腹侧纹状体之间的整体强功能连通性。在另外两个HCP数据集中复制了这种平均杏仁核功能连接模式（3T，n=200；7T，n=98；扩展数据图2；更多详情见方法和补充方法）。

为了确定杏仁核内的区域细分，我们对相似矩阵进行了分层聚类，该矩阵总结了杏仁核体素之间功能连接模式的相似性。换言之，对于任何一对杏仁核体素，该矩阵捕捉到了它们各自的连接模式与整个大脑所有其他脑坐标的相似性。根据组平均连接组计算相似矩阵。因此，它忽略了受试者之间存在的变异性，而关注的是杏仁核内体素与大脑其他部分的功能连接的变异性。分层聚类导致杏仁核分裂成越来越多的簇。我们根据解剖因素，如簇位置、大小和半球对称性，以及已知的子区（见方法和补充方法），评估了在不同簇深度获得的细分。使用这些标准，我们选择了一个在每个半球包含七个细分的简约且解剖上合理的分区，以进行进一步分析（图1b；关于浅聚类和深聚类步骤，请参见扩展数据图3a）。我们在两个额外的数据集（3T，n=200；7T，n=98；扩展数据图4）中重现了这种分割（但有细微差别），但在整个文章中使用了原始分割（即这7个分区）。由于这种分割是从组连接体中获得的，因此对每个个体来说都是相同的，因此在随后侧重于个体差异的分析中没有引入误差。

图1 平均杏仁核功能连接和杏仁核簇的定义

a.杏仁核平均连通性。根据n的rs fMRI数据生成了一个组连接体= 200名3T年轻成年HCP参与者使用改进的预处理管道纠正生理噪声（扩展数据图1）。所有杏仁核体素与大脑其余部分的平均功能连通性，经全局绝对连通性强度校正后，显示了示踪研究预期的模式，例如杏仁核与颏下前扣带回皮质、下丘脑和腹侧纹状体的强连通性。颜色条表示皮尔逊r。这一模式在两个独立的数据集中复制，其中包含n= 另外200名3T HCP参与者和n= 98名7T-HCP参与者（扩展数据图2）。

b.杏仁核簇。对不同杏仁核体素的全脑功能连接模式之间的相似性进行分层聚类，以识别共享连接模式的杏仁核亚区。确定了七个细分（左、水平；中、冠状；右、矢状视图；如图所示，行对应于Z、Y和X视图中的不同切片）。这七个亚区在大脑半球表现出强烈的对称性，与组织学和高分辨率死后结构神经成像确定的亚区非常相似。在两个独立数据集中获得的分割图谱很好再现了这些细胞核细分（扩展数据图4），但为了一致性，此处显示的分割用于本研究中报告的所有分析。S、 上部；I、 下部；L、 左侧；R、 右侧；A、 前部；P、 后部。

在这个分割过程中，自然出现了几个解剖上看似合理的特征。首先，正如预期的那样，簇在左右半球几乎是对称的（图1b）。重要的是，这不是聚类算法强制约束的结果。第二，簇具有空间凝聚性，但大小不同。例如，得到的中央核每半球包含30个体素，而腹外侧核包含50个体素（关于簇大小的完整列表，请参见补充表1）。最后，簇的定位方式可以观察到从腹外侧到背内侧，从腹前到背后的明显进展，因此与之前报告的组织原则相对应（图1b）。

为了促进与其他研究的联系，我们给每个簇指定了一个假定的标签，对应于先前已确定的核（见方法）。我们将我们的聚类与几个人类杏仁核图谱进行比较，依据大小和位置使用了最相近的匹配（图2a）。这七个核被标记为中央核（Ce）、皮质核（CoN）、辅助基底核或基底内侧核（AB/BM）、基底核（B）和侧核（背侧部分LaD；中间部分LaI；腹侧部分包含基底外侧部分LaV/BL）。方法中进一步解释了我们选择这些标签的理由，补充表2总结了其与其他猕猴和人类研究中的核标签的对应关系。从这一点开始，所有报告的分析都使用了这种分割和相应的标签。

本研究的主要目的之一是确定杏仁核和其他大脑区域之间的功能连接，这些区域可能调节与心理健康变化相关的功能（例如，睡眠和情绪变化）。因此，为了确定杏仁核与之相互连接的感兴趣区域（ROI），我们将重点放在这些过程的中心区域（图2c），以及与杏仁核具有已知单突触或双突触连接的区域。在脑干，我们定义了蓝斑（LC）、中缝背核和正中核（DRN，MRN）、中脑导水管周围灰质背侧和腹外侧（dPAG，vlPAG）以及黑质（SN）的ROI。在前脑皮层下，我们包括终纹床核（BNST）和伏隔核（NAc）。在大脑皮层，我们重点研究了内侧区24、25、32、9m、后眶额皮质（OFC）和额叶盖，根据它们与猴脑中区域的相似性，它们是最可能与杏仁核相连的额叶区域。我们还考虑了前额叶46区和9/46区的侧面，因为刺激这两个区域都会影响杏仁核恐惧威胁相关反应。我们使用根据最近的一个分区确定的ROI，该分区将24区进一步细分为a24、p24和a24pr（不包括最后面的中间扣带区p24pr），将32区细分为s32、p32、d32、a32pr和p32pr，将额盖细分为FOP1-5，将9/46区细分为9-46d、a9-46v和p9-46v，并确定了pOFC区域（有关更多详细信息，请参见方法和图2c）。对于皮质下ROI，我们使用了已出版的图谱中已建立的ROI（见方法），因为HCP无法提供基于对比的脑干细胞核团描绘。补充表1总结了所有包含的ROI及其各自的大小。

图2b显示了从七个杏仁核团中的每个核跨半球合并到上述28个皮质、皮质下和脑干ROI的平均功能连接。虽然功能连接受到区域之间单突触连接的存在和这些路径中的可塑性变化的强烈影响，但它也反映了区域之间的多突触相互作用。然而，观察到的杏仁核的功能连接模式显示了一些特征，这让人想起动物示踪研究：所有杏仁核与腹侧、尾侧内侧额叶皮质和尾侧眶额叶皮质的区域，包括25区、pOFC和s32，都有很强的功能连接，这可能是非人类灵长类动物研究所预期的。基底核（B，AB/BM）和皮质核（CoN）与这些区域的功能连接最强。相同的杏仁核与外侧前额叶区域（46和9/46）有很强的功能联系，但正负颠倒，表明与血氧水平依赖性（BOLD）波动呈负相关。与此形成鲜明对比的是，中央（Ce）核与大多数皮质下和脑干区域（如NAc或dPAG）的功能连接最强。我们在另外两个独立的数据集中重现了杏仁核和ROI之间的平均功能连接模式（整个矩阵：n=200 3T:双尾Pearson’s r（194）=0.968，P=8.82×10−119，CI=（0.958，0.976）；n=98 7T:双尾Pearson’s r（194）=0.884，P=3.92×10−66，CI=（0.850，0.912）；扩展数据图5）。

行为：捕捉心理健康的潜在维度。在确定了杏仁核和我们ROI之间平均功能连接值的解剖学合理性之后，根据已发表的示踪研究，我们接下来寻求与参与者心理健康相关的维度特征。虽然HCP数据不包括临床诊断为精神健康障碍的患者，但我们试图沿着亚临床范围的连续体检查精神健康维度的差异。因此，我们选择了HCP数据中的所有行为分数，这些分数反映了情绪和心理健康、睡眠质量和人格类型的各个方面（见方法）。共纳入33个标记，涉及NIH工具箱“情绪”（子量表：心理健康、社会关系、负面影响、压力和自我效能）、匹兹堡睡眠问卷、五大因素和UPenn情绪识别测试的测量。我们推断，一些分数反映了可能有潜在共同原因的类似行为表型。为了获取产生这些心理健康分数的常见“潜在”维度，我们进行了因子分析，得出了四个主要因素（参见方法，图3a和扩展数据图6）。

第一个因素强调了社会支持和总体生活满意度的影响，孤独感产生了强烈的负载荷，情感支持、友谊、生活满意度和目标产生了正载荷（因此，这个因子在NIH工具箱中跨越了“心理健康”和“社会关系”两个子量表）。相比之下，第二个因素主要强调了负面情绪，包括恐惧、压力和悲伤（都在NIH工具箱的“负面影响”子量表中）。第三个因素几乎完全与睡眠相关的标记物有关，作为匹兹堡睡眠问卷的一部分进行评估。睡眠量有负载荷，但如噩梦、惊醒和睡眠质量不足有正载荷。最后，第四个因素与愤怒和身体攻击、敌意和被拒绝的感觉，包括对宜人性的负面影响有关（图3a，扩展数据图6和表1）。因子分析也在另外两个独立的数据集中被重现（扩展数据图7）。值得注意的是，由于因子分析侧重于行为数据而非神经数据，因此它可以用于所有HCP数据集，而不仅仅是呼吸和心脏活动的高质量生理记录的数据子集。当对n=1206名3T HCP参与者进行重复分析以获得最大稳健性时，得出的因素非常相似（因子负荷n=200与n=1206 3T参与者之间的双尾皮尔逊相关：因子1:r（31）=0.94，P=1.5×10−16，CI=（0.89，0.97）；因子2:r（31）=0.93，P=1×10−14，CI=（0.86，0.96）；因子3:r（31）=0.97，P=9.6×10−10，CI=（0.93，0.98）；因子4:r（31）=0.9，P=1.3×10−12，CI=（0.8，0.95）；扩展数据图7）。

我们将这四个因素的负荷乘以参与者最初的33分，构建出反映参与者幸福感这四个维度的潜在行为。我们将其概括为：“社会和生活满意度”、“负面情绪”、“睡眠”和“愤怒和拒绝”。

心理健康维度和杏仁核连接。在下一个分析步骤中，我们考察特定杏仁核子区和ROI之间的功能连接是否携带了四个潜在心理健康维度捕获的有关心理健康的信息。与使用组平均功能连接性值的杏仁核图谱不同，这里我们关注的是功能连接的个体间差异。为了提高从单个参与者测量的神经信号的可靠性，我们剔除了8名功能连接值异常的参与者，我们对混杂变量进行了校正，并在整个过程中使用了稳健回归（有关更多详细信息，请参阅方法）。因此，所有后续分析都依赖于总共393名3T和97名非重叠的7T参与者。此外，为了确保心理健康维度的平衡分布（在最初的n=200 3T参与者中存在，但在n=200 3 T重复数据集的参与者中不存在），我们汇总了所有3T参与者的数据，以进行进一步分析。

我们首先确定了核特异性杏仁核功能连接与心理健康维度之间的关系是否在两个独立的（3T和7T）数据集之间重复。我们拟合了稳健的线性回归系数，以分别捕获3T和7T数据集每个“边”（例如Ce到NAc）的功能连通性值与行为维度（例如睡眠问题）之间的关系。这导致四种行为和两个数据集各有196个回归系数（7个杏仁核×28个ROI）。如果杏仁核的功能连通性没有关于心理健康维度的信息，那么，偶然的概率会是，3T与7T数据集中的行为之间的回归系数之间的相关性为零。为了正式测试这一点，我们在保持功能连通性值不变的情况下，通过将行为得分重复采样n=10000次，生成了一个零假设分布。事实也证明，这个零假设生成的回归系数模式的跨数据集分布的中点集中在零上（图4a）。然而，实际数据中3T和7T回归系数之间的相似性明显大于偶然性（基于非参数置换零假设分布的正相关的单尾皮尔逊相关检验：r（782）=0.26；P=0.0313，CI=（0.2，0.33）；图4a、b）。这表明，杏仁核功能连通性和心理健康维度之间的关系在这两个数据集中是相似的。

为确定哪些功能连接对各行为维度的跨数据集模式重现贡献最大，我们计算了在包含给定边缘与排除给定边缘时获得的3T和7T模式之间的相关系数差异（Pearson’r的差异，rDiff；图4c）。通过目视检查获得的地图，发现了几个有趣的模式（图4c）。对于生活满意度，强调了额叶区域与B和LaD杏仁核之间的功能连接值的重要性。对于负性情绪来说，与LaD的功能连接对跨数据集的相似性贡献最大。此外，与皮质下区域LC和NAc以及pOFC的功能连接也很重要。对于睡眠，最显著的特征是皮质下边缘系统的重要性（如NAc和多个脑干核，包括SN、dPAG和LC）以及多个杏仁核核和内侧额叶皮质p32区之间的功能连接。愤怒与更广泛的参与途径有关，但主要与CoN和LaD有关。总体而言，尽管有一些相似之处，但在四个心理健康维度中，特定杏仁核通路中的功能连接的贡献明显不同。例如，内侧背区p32pr和基底核（p32pr-B）之间的功能连接有助于预测生活满意度（蓝色；rDiff=0.0156），但对其他三种行为没有预测作用（所有rDiff<0.0002），而与NAc和p32的功能连接与睡眠特别相关，但与生活满意度、消极情绪或愤怒的关系较小。

在确定了核特异性杏仁核功能连接性和心理健康维度之间的总体关系之后，我们接下来考察是否可以使用3T数据估计的回归系数预测个体7T参与者的行为得分。换言之，我们利用独立数据集（3T）得出的核特异性杏仁核功能连接性值加权，检验了我们是否可以在完全独立的数据（7T）中预测心理健康维度。对于每个行为维度，将根据3T数据估计的196个稳健回归系数应用于单个7T参与者的功能连接值，以获得他们的预测行为得分。这种样本外预测在生活满意度、负面情绪和愤怒取得了显著结果（7T数据测试中预测行为和真实行为之间的单尾相关性为正相关：LifeSat:r（95）=0.187，P=0.0335，CI=(−0.01, 0.37); 负值：r（95）=0.219，P=0.0155，CI=（0.02，0.4）；愤怒：r（95）=0.226，P=0.0143，CI=（0.02，0.4），但对睡眠没有显著（r（95，0.05，P=0.31，CI=(−0.15, 0.25); 图4e）。

鉴于内侧颞叶区域被认为是高脱落和低信噪比区域，我们进行了第二次重复，以进一步证明核特异性杏仁核功能连接预测心理健康维度变化的一致性。这一次，我们检查了参与者内部的一致性，而不是跨数据集的一致性（跨3T/7T数据集的数据池，n=490）。我们将每个参与者的完全静息状态数据分为两半（run1+2对比run3+4，分别在不同日期的单独session中获得），并再次计算稳健回归系数，以预测四个行为维度，但这一次分别使用仅从完全静息态数据的第一或第二部分提取的静息状态功能连接性值。使用bootstrap获得的零分布估计了随机选取的两半数据之间回归系数的相似性。真实功能连通性行为关系明显大于随机预期（单尾皮尔逊相关评估为正相关：r（488）=0.47；P=0.014，CI=（0.42，0.52）；图4a）。功能连接对参与者内部重复的贡献最大的解剖路径与我们之前跨数据集复制的贡献最为相似（图4d）。总之，这些分析表明，尽管从皮质下区域（如杏仁核）获取可靠的神经影像数据存在大量噪音和困难，但数据集内和数据集之间功能连接的特定变化模式始终与参与者的心理健康维度相关。

杏仁核网络特征预测心理健康。在确定杏仁核功能连接的总体模式与心理健康相关之后，我们接下来探讨了更小的核特定的功能连接是否能够预测我们四个心理健康维度的变化。到目前为止，所有预测都依赖于从7个杏仁核到28个ROI的196个功能连接值的完整集合，但我们对数据集之间和数据集内最有助于相似性的路径的初步可视化表明，边的特定子集在每种情况下可能特别重要（图4c，d）；实际上，包含非贡献预测因子可能只会给预测增加噪声。

为了以无偏的方式测试这一点，我们根据3T参与者获得的绝对稳健线性回归系数，迭代地将越来越多的功能连接性值（从1到196）作为预测因子，并在7T参与者中测试所有预测。换言之，与以前一样，3T系数应用于7T功能连接性值，以生成样本外7T预测，但这次使用的是边数量增加的子集，根据它们在3T数据中的贡献顺序确定。预测被评估为7T参与者的预测和真实行为分数之间的相关性（图5a）。根据定义，相邻预测仅因包含一条额外的边而彼此不同，这必然意味着预测之间的相互关系。因此，我们没有评估1到196条边之间的每一步，而是使用该分析来确定（1）最小的显著性预测和（2）总体最佳预测，并以纠正模型数量（n=196）和行为维度（n=4）的方式对这些预测进行统计检验。为了用这种方法检验显著性，我们用相同的程序生成了两个零分布，但使用了混合行为分数（见方法）：（1）为达到显著性的最小边数；（2）为达到最佳的皮尔逊r系数。我们最小的重要网络的平均值比随机预测的要小（LifeSat n=68，NegEmot n=2，Sleep n=14，Anger n=13；得出的平均值n=24.25，给定排列空分布P=0.0032，该平均值n的单尾可能性）。同样，全局峰值的Pearson r平均值高于随机预测值（LifeSat r=0.197，NegEmot r=0.22，Sleep r=0.19，Anger r=0.24；平均值r=0.2118，给定排列零分布P=0.0068，该平均值r的单尾可能性）。重要的是，对于所有四个心理健康维度，在包含所有n=196条边之前，达到了最早的显著和最高的预测精度。图5b，c描绘了在每个行为维度上达到显著意义的最小杏仁核网络；扩展数据图8还显示了与最高预测精度相关的边缘。

对于生活满意度，n=87个连接中的功能连通性导致了最强的样本外预测（r=0.197，与之相比，上述所有n=196个边的r=0.187；图5a），达到显著性的最小网络位于n=68个边（r=0.172）。图5b显示了7T参与者在这一边数下获得的真实生活满意度得分与预测生活满意度得分之间的关系（基于3T参与者估计的回归系数）。

为了深入了解与生活满意度相关的解剖路径，图5c还显示了有助于预测n=68个边缘的生活满意度的功能连接值指纹（参见扩展数据图8，了解n=19的早期峰值和n=87个边缘的峰值的类似指纹）。图5c中的指纹还显示了每条边进入生活满意度得分预测的强度（线宽）和符号（虚线，负号）。线条的颜色表示相应的杏仁核。最强的预测因子是LaD和内侧前额叶区域（a24pr）之间的功能连通性。该边和随后的上边缘（n=19，参见指纹；扩展数据图8）主要位于内侧额叶和额叶鳃盖区之间，尤其是a24pr和p32pr，FOP3和4，以及杏仁核LaD（红色）和B（浅蓝色）。此处功能联系更强与生活满意度得分更高相关（正线性回归系数如连续线所示）。相比之下，与几个皮质下和侧前额叶区域（BNST、RN_DR、p9-46v和a9-46v）的功能连通性主要与LaI（黄色）有关，此处功能连通性对生活满意度的预测有负面影响（虚线），而更弱（与皮质相比，细线），表明连通性越低，生活满意度越高。然而，请注意，大多数确定的皮层下和皮层连接具有较小的平均负功能连接（与图2相比）。考虑到平均功能连通性的符号和功能连通性与生活满意度相关系数的符号，表明B/LaD和内侧皮质区域之间的负功能连通性不太明显，LaI和皮质下/侧PFC结构之间更显著的负功能连接与生活满意度得分的提高相关。

对于负面情绪，当仅在n=17个边中包含功能连接时，达到了峰值准确度（r=0.224；图5a），并且该预测比包含所有边缘时的预测更好（r=0.219）。最早的显著预测出现在n=2个边（r=0.195）。

相关的连接性指纹（图5c）表明，与生活满意度不同，负情绪得分的最强预测因子是杏仁核和皮质下区域，尤其是伏隔核和蓝斑（NAc-B、NAc-AB/BM、LC-Ce；参见图5c中的指纹和扩展数据图8）。这些皮层下通路中更强的功能连通性与更明显的负面情绪相关（正回归系数，连续线），且主要与杏仁核浅核Ce、CoN和B相关。在n=17边缘的峰值，杏仁核和皮层区域之间只有少数边有助于预测负面情绪得分。这些主要是与LaD和PFC的腹后部更多（区域25、p32和pOFC），并且它们往往具有负回归系数（虚线）。大多数与负面情绪相关的边与杏仁核平均呈正向功能连接，这表明杏仁核与特定皮层下区域的连接更强，与特定皮层区域的连接较弱，与更显著的负面情绪相关。

睡眠问题是唯一的无法根据完整的边集合进行预测的行为维度（图4e）。然而，对于睡眠来说，较小的边集表现得更好。睡眠的最高预测值出现在n=17个边（r=0.189），最早的显著预测值出现于n=14个边（r=0.185）。

图2 杏仁核及其与感兴趣区域的功能连接的轮廓。

a、核的命名。标记被分配给从层级聚类中获得的七个杏仁核亚区（Ce，中央核；CoN，皮质核；B，基底；AB，辅助基底内侧；LaV，包含基底外侧侧面的外侧（腹侧部）；LaI，侧向（中间部分）；LaD，外侧（背部））。

b、功能耦合强度（组平均值）。七个核团到28个感兴趣区域（ROI）的平均静息状态功能连通性是根据它们与杏仁核的已知连通性以及在调节情绪和心理健康方面的潜在作用来确定的。根据示踪研究，这突出了颏下皮质（25区）与整个杏仁核，特别是基底亚区之间的强大功能连接。在后OFC（pOFC）和32区的颏下部分（s32）观察到类似的轮廓。相比之下，皮质下和脑干区域与中央核的连接最为紧密，这一点不出所料。ROI和细胞核之间的平均功能连接在两个数据集中重复（扩展数据图5）。色条表示Pearson的r.c，本研究中使用的所有感兴趣区域（ROI）显示在皮质表面（顶行：左两个面板）和皮质下区域的体积切片（顶排：右两个面板和底行）。缩略语和皮层下ROI定义见正文。皮质区域的定义摘自参考文献。

预测睡眠问题的连接的解剖指纹与预测生活满意度和负面情绪的连接指纹非常不同（图5c）。Ce杏仁核和皮质下/脑干区域、dPAG和NAc（图5c）以及LC（n=17；扩展数据图8）之间存在一些强预测因子。这里的功能连通性平均趋于正，并且正预测睡眠分数（连续线）。这表明更强的大脑皮层下功能连接与更明显的睡眠问题有关。有助于预测睡眠问题的皮层联系主要是内侧额叶区域，特别是p32，但也有d32和9m，以及B核，但与外侧PFC或额叶盖区无关。识别出的边缘具有负（虚线）和弱（薄）回归系数，平均多数为正，表明较低的基底核到内侧前额叶功能连接与较高的睡眠问题有关。

愤怒/拒绝在n=62条边（r=0.237）处达到样本外预测精度的峰值，这比全组n=196条边的预测结果要好（r=0.226）。最早的显著预测出现在n=13个边（r=0.174）。预测愤怒/拒绝分数的解剖路径的指纹与其他三个行为维度不同（图5c）。一个值得注意的特征是，几乎所有边都以正回归系数（连续线）进入预测，这两种预测都与皮质下和皮质区域的功能连接有关。此外，大多数预测边与杏仁核皮质核CoN（中蓝色）有关，而LaV/BL（深红色）和LaI（黄色）在峰值预测中的相关预测因子数量分别为第二和第三大（扩展数据图8）。许多已识别的边平均具有负性或小/调节性功能连接，这表明皮质下和皮质杏仁核网络中总体上不太明显的负连接与较高的愤怒/排斥分数相关。

为了测试对于所有四个行为维度，3T数据中的最高预测因子，即绝对回归系数最高的边，是否确实比相同数量的随机选取边能更好地预测7T行为得分，我们重复了上述步骤，将边的数量从1增加到196，重复10000次，但这次使用了从196个杏仁核到ROI连接的完整集合中随机排列的1到196个边集合。所得零分布如图5a中的黑色所示。对于四个维度中的三个维度（生活满意度除外），从3T数据中选择的顶边在预测7T行为分数方面比相同大小的随机边子集表现得更好（零边以上预测的百分比高达70条边（图5a中的第二行）：LifeSat，27.14%；NegEmot，98.57%；睡眠，74.29%；愤怒，90.00%；零边以上的预测百分比最多达196条边（图5a中的第一行）：LifeSat，71.94%；NegEmot，69.39%；睡眠，60.71%；愤怒，58.67%）。这表明，数据集之间不仅在回归权重的总体模式方面存在一致性，而且在较小的连接集对预测给定的心理健康维度具有特别的相关性方面也存在一致性。

比较核特异性预测和整个杏仁核预测。在下一步中，我们测试了将杏仁核分割成亚核是否能提高心理健康维度预测的准确性。我们重复了整个杏仁核的稳健回归，即使用整个杏仁核和同一组28个ROI之间的功能连接。如前所述，将3T参与者所有28条边的稳健回归权重应用于7T参与者，以获得样本外预测。这对消极情绪（正相关关系的单侧Pearson相关检验：r（95）=0.2，P=0.026，CI=（0，0.38））和愤怒（Pearson r（95=0.18，P=0.037，CI=(−0.01, 0.37); 图6a）产生了显著预测结果。然而，当考虑到整个杏仁核而不是特定于核的杏仁核功能连接时，对所有四个行为维度的预测都更差（LifeSat：核r=0.19，整体r=0.17；NegEmot：核r=0.22，整体r=0.20；睡眠：核r=0.05，整体r=−0.09; 愤怒：核r=0.22，整体r=0.18；比较图。4e和6a）。为了解释预测因子的数量，我们还为核和整个杏仁核版本生成了单独的零分布，以获得直接可比的P值，但这并没有改变结论（见补充方法和结果）。因此，考虑到单独杏仁核与整个杏仁核的功能联系，所有四个心理健康维度的预测仍然显著受益（图6b）。当比较峰值精度而不是用全组边缘实现的预测时，得出了相同的结论（扩展数据图9a和补充结果；显示了最早有效峰（图6c，d）和全局峰（扩展数据表9b）的指纹和散点图，以与核版本进行比较）。因此，尽管它们体积较小，但考虑到单个皮质下核的功能连通性，用子核有助于预测心理健康维度。

预测维度和总体心理健康指数。到目前为止，我们已经假设，心理健康的维度标记能够让我们捕捉到功能上有意义的过程（例如，那些与负面情绪或睡眠相关的过程），与心理健康的一般标记相比，更可能与杏仁核功能连通性相关，例如整体抑郁得分。为了验证这一假设，我们使用精神疾病诊断与统计手册（DSM）导向的“抑郁问题”分数和Achenbach成人自我报告（ASR）焦虑/抑郁（AnxD）分量表分数重复了我们的分析。使用所有196个核特定3T权重对7T受试者的功能连接值进行样本外预测，两个分数均不显著（DSM:r（95）=0.11，P=0.13，CI=(−0.1, 0.29); ASR AnxD:r（95）=0.1，P=0.13，CI=(−0.09, 0.31); 图7a和扩展数据图10）。这表明杏仁核功能连接值比抑郁症等广泛的标记物更能用于预测心理健康维度。我们对三种维度行为的样本外预测（除睡眠外）优于对DSM或ASR AnxD的预测（图7b、c）。因此，了解小的皮层下网络对心理健康的贡献有助于考虑功能上有意义的行为维度，而不是收集复杂症状集的总分。

图3 潜在的行为维度反映了心理健康的不同方面。

a、行为得分的因素负荷。根据作为HCP一部分的33个行为得分（表1）进行的因子分析揭示了四个因子。每个因素的载荷以不同的颜色显示，对应于四行。右侧按贡献（绝对负荷）的顺序显示最高的五个贡献分数。这表明，这四个因素反映了参与者心理健康的不同维度，我们将其概括为“社会和生活满意度”、“负面情绪”、“睡眠”（问题）和“愤怒和拒绝”。当对所有1206名HCP参与者进行因子分析时（见方法），或仅对此处包含的3T和7T参与者的子集进行因子分析（扩展数据图7），这四个因子被重复。

b、因子载荷之间的相关性（颜色条表示皮尔逊r）。

讨论

长期以来，人们一直认识到需要更好地描述心理疾病的生物学基础以及与心理疾病相关的维度变化，但最近又重新强调了这一点。在这里，我们使用了静息状态fMRI，这是一种常用的工具，用于评估人脑连接性，但对神经和行为数据的分析采用了一种不同的理论基础和方法。首先我们采用了行为数据分析，而不是将抑郁症等疾病划分为几个具有生物学意义的亚组或将人分类（例如，患者与对照组），我们的目标是定义具有生物意义的行为维度，这些维度反映了心理健康的核心方面，即使在亚临床范围内也会表现出差异。在神经分析中，我们能够通过选择一些解剖驱动的大脑连接中的功能连接来预测这些心理健康维度。所有这些都是使用几个独立的数据集完成的，确保了鲁棒性和可重复性。

我们确定了四个行为维度，我们认为这四个维度反映了人们心理健康的不同方面：社会/一般生活满意度、负面情绪、睡眠问题和愤怒/拒绝问题。我们没有使用诸如抑郁总分之类的总结性测量，而是推论出，因为特定的大脑连接具有特定的输入和输出组合，所以对于功能上有意义的行为单位来说，更可能实现行为到精确连接中功能连接的映射。我们通过因子分析获得了这样的行为维度。为了将行为维度与精确的大脑联系联系起来，我们重点关注杏仁核。首先，我们证明了杏仁核对应的七个杏仁核亚区是可能的。这些次区域的功能连通性与彼此相比确实有所不同，但它们在两个半球的拓扑结构安排相似。这种杏仁核分裂现象在多个数据集中重复出现。其次，我们证明了每个杏仁核和28个皮质、前脑皮质下和脑干区域之间的BOLD信号的平均功能连接相关模式与解剖示踪研究的预测大致相同。这些ROI是根据动物示踪工作中与杏仁核的强、通常是单突触的连接及其与心理健康相关功能过程的相关性而预先选择的。然后，我们能够进入研究的最后阶段，并表明特定杏仁核和这些其他区域之间功能连接的变化可以预测四个心理健康维度的变化。

表1 心理健康分数的因子负荷

我们数据的三个方面强调了特定杏仁核的功能连接的重要性。首先，对于我们的三个行为维度，少于15个连接中的功能连接足以在独立数据集中预测行为得分（图5b和扩展数据图8），我们预计在包括行为分布极值的临床人群中预测准确度会更高。在神经影像学方面，我们的样本规模相当大，涵盖了490名数据集的参与者。因此，我们认为所报告的效应大小是有意义的。尽管大型网络分析方法具有重要性，但我们当前方法的优势在于，它提供了特定的区域和连接作为治疗干预的目标。第二，与仅考虑杏仁核整体连接性时的情况相比，核特异性杏仁核功能连接性的变化更好地与心理健康维度预测相关（图6和扩展数据图9）。最后，我们确定杏仁核功能连通性比抑郁总分更适合预测行为维度，这在四分之三的心理健康维度上都是如此（图7和扩展数据图10）。重要的是，心理健康的四个维度之间的预测联系存在很大差异（见图5中的指纹），只有少数边是共享的。

图4 特异性杏仁核功能连接与心理健康维度的个体间差异具有一致的关系。

a、两种重复类型：在两个包含核特异性杏仁核功能连接和心理健康维度的HCP数据集中，研究了核特异性杏仁核功能连接的个体间变异与心理健康维度之间的关系n = 393名参与者分别在3T和n接受测试= 97名非重叠参与者在7T测试（剔除异常值后）。尽管皮质下区域的神经成像信号存在挑战，但这种关系是稳定和可复制的，其建立方式有两种：（1）跨数据集重复（左）：稳健回归系数捕获了每个边缘（例如Ce到NAc）的静息状态功能连通性与四个心理健康维度中的每个维度之间的关系；它们的相似性（即比较b组顶行与底行的模式）在数据集中的概率大于预期（使用混合行为分数生成的零分布；n= 10000次迭代）。（2）参与者内重复（右）：根据一半的静息状态数据估计的稳健回归系数（运行1 + 2对3 + 4，从单独的会话中）也显示出大于机会相似性（使用置换零分布的非参数测试的单侧P值）。

b、3T和7T数据集回归权重的相似性。可视化获得的每个边、心理健康维度（列）和数据集（行）的稳健回归系数说明了它们在队列中的相似性。

c、 d，对于每条边，其对跨数据集（c）和参与者内（d）相似性的贡献rDiff计算为排除该边（195个值）和包括所有196条边（28个ROI×7个核）时获得的相关性之间的差异。对rDiff值的目视检查突出了两次重复的rDiff数值之间的强烈相似性（c与d），四个行为维度和解剖特异性之间的明显差异，例如，皮质与B和LaD核的连接对于预测生活满意度的重要性，与NAc的连接，其他皮层下区域和内侧额叶区域p32预测睡眠，和皮质核（CoN）的功能联系预测愤怒。 e、使用3T权重进行样本外7T预测。3T参与者应用7T功能连接性值预测7T心理健康维度的回归系数估计结果显示，除睡眠问题外，所有心理健康维度都有显著的样本外预测（独立单侧相关性评估积极关系）。

我们不仅在杏仁核的重要性方面有很强的解剖学优势，而且在杏仁核与特定皮质、前脑皮层下、中脑和脑干区域相互作用的重要性方面也有很强优势，这要归功于对这些回路进行了大量动物模型研究。由于精细的fMRI数据预处理，我们不仅能够检测内侧颞叶的活动，而且能够检测特定脑干区域的活动，并将功能连通性与我们的心理健康指数的变化联系起来。我们相信还有其他主要的解剖中枢，如腹内侧和颏下额叶区域，值得用类似的方法进行研究。单个区域或网络不太可能足以全面预测一个人心理健康的各个方面。然而，我们认为重要的是要认识到个体和可识别边的功能连接可能具有特别重要的意义。在考虑心理健康的定向干预时，这是一种更常见的观点，例如，使用侵入性脑深部刺激，在某些情况下会显著改善情绪，但当皮质下和皮质区域之间的正确连接成为目标时，这种方法可能会特别有效。同样，其他非侵入性刺激方法，例如重复经颅磁刺激，当靶向或改变特定皮层下回路时，可能会更成功。随着无创超声方法的进步，这种干预可能变得更可行。我们的研究结果表明，针对特定核团的干预措施可能对那些主要患有睡眠问题的人有益，而针对其他人的干预措施则可能对那些经历强烈负面情绪的人有益。

图5 较小的特定杏仁核连接的功能连通性可以预测心理健康维度的个体间差异。

a、边的子集在1到196之间实现的心理健康维度预测：将3T参与者估计的稳健回归系数应用于7T参与者的功能连接性值，以预测7T数据中心理健康维度的个体间差异（如图4e中使用所有196条边所做）。预测准确度显示为7T参与者的真实和预测心理健康维度得分之间的相关性，但仅在峰值处进行了统计评估（灰色箭头：“全局峰值”），并得出了达到显著样本外预测的最小边数（黑色箭头，“最小信号”；见使用排列生成零分布的方法；各情况下的精确P值，见结果）；在3T数据中按绝对回归系数的顺序包含边时，彩色条表示精度；黑色曲线表示使用相同数量的边但包含在随机顺序（n）中的性能= 10000次采样；误差条表示s.e.m.）；r处的黑线= 0.168表示P时显著性阈值<0.05纯可视化（灰色线：P<0.1); 第二行显示相同的内容，但放大了前70条边。对于所有四种行为，较小的杏仁核功能连接值集（<196）实现了显著的样本外预测。一般来说，除了生活满意度外，使用3T顶部边比随机选择相同数量的边要好。

b、 c，预测图解（散点图，b）和相关解剖网络，贡献边显示为指纹（c），用于实现显著样本外预测的最小数量的边（使用a中的黑色箭头表示）。指纹显示圆周上的ROI（深色，皮质下），中央的杏仁核（彩色编码）；线宽表示绝对3T回归系数的大小；线条样式表示其符号（连续，正；虚线，负）。

我们将杏仁核分割成七个核，这与之前的研究惊人地相似，这些研究只能在尸体解剖上进行。例如，Saygin等人在7T下以100–150μm的分辨率进行扫描，并确定了九个核，它们的大小、位置和过渡模式与此处确定的七个核相似。以前基于活体数据的分割确定了较少的分支，但这些研究中确定的边界仍然类似于我们在此确定的边界的子集，因此强调了结果的一致性。我们获得的细粒度分割反映了改进的图像质量和预处理方案可以更好地控制生理噪声。我们相信，有可能获得更多分辨率和信噪比相似的数据，这将使我们的方法更广泛地适用于神经科学界和其他皮层下脑结构的研究，包括临床人群。在我们的数据中，我们表明，详细的杏仁核分区对于实现本文所报道的行为预测准确性非常重要（图5和图6）。鉴于杏仁核小核之间已知的解剖和功能差异，这并不奇怪。

在之前的研究中，确定了不同潜在行为的杏仁核网络的解剖特征似乎是合理的，并且在重复中是一致的（跨数据集和参与者内部；图4）。重要的是，我们注意到，决定解剖网络重点的特征选择和回归权重估计都是在初始数据集中进行的（n=393 3T参与者），所有预测都是在样本中生成的（n=97 7T参与者）。

图6 划分杏仁核可以提高预测心理健康维度的个体间差异的准确性。

a、整个杏仁核相对于核特异性杏仁核耦合的敏感性：当考虑到整个杏仁核的功能连通性与我们的28个先验ROI，而不是核特异性功能连通性时，实现了样本外预测，虽然不太精确，但对于四个心理健康维度中的两个维度（消极情绪和愤怒；评估积极关系的独立单边相关性）来说仍然重要。

b、跨数据集：为了控制核特异性和整个杏仁核功能连接预测因子数量的差异（28对196），样本外7T预测（也如图4a所示）根据其自身的零分布进行评估。在所有四个心理健康维度上，细胞核特异性预测（顶部）仍然优于整个杏仁核预测（底部）（彩色条表示皮尔逊r覆盖在零分布上；统计数据见正文）；当观察使用较小边集实现的峰值预测时，这也是正确的（扩展数据图9）。

c、 d，如图5b、c所示，对于达到显著性的最小边集的预测（散点图，c）和相关贡献边（指纹，d）的说明（睡眠从未达到显著性；如果使用的边少于28条，即使在a中使用28条边缘不显著，生活满意度也很显著），这突出了心理健康各维度之间的明显差异（如适用，使用在单侧相关性中达到显著性的最小网络来显示相关性，以供说明）

杏仁核与主要位于内侧和外侧额叶皮质的区域，如a24pr、p32pr、a32pr和d32区域，以及几个额叶顶盖（FOP3、FOP4）和侧前额叶区域之间的功能连通性最能预测社会和生活满意度。作用方向意味着这些区域与杏仁核基底或背侧外侧核之间不太明显的负连接预示着生活满意度的提高（图4c、d和5c，以及扩展数据图8）。这些位于或靠近背侧前扣带回（dACC）的区域以及额叶内/脑岛区域与焦虑症患者的行为改变和适应能力有关。虽然背外侧前额叶皮质（dlPFC）和杏仁核之间可能没有多少直接联系，但dlPFC是抑郁症的刺激目标，并改变杏仁核的威胁反应。因此，这些内侧和外侧额叶区域与杏仁核之间的功能联系可能有助于整体社会和生活满意度似乎并不奇怪。内侧前额叶、额叶盖层和外侧前额叶神经元表达几种神经递质的受体，包括5-羟色胺（例如，5HT-1A、5HT-2）、去甲肾上腺素（alpha1）和多巴胺（D5）。这些神经递质系统的受体也表达在杏仁核中，密度不同。鉴于此处使用的HCP数据的形式，很难确定哪种神经递质系统最有可能介导观察到的效应。然而，将功能连接性变化与特定神经递质通路的变化联系起来，将是未来研究的一个有趣途径。

图7 杏仁核功能连通性与维度行为的关系比整体抑郁得分更好。

a、 b、预测抑郁得分而不是维度标记。如图4e所示，使用从3T参与者估算的核特异性功能连接和回归权重，对7T参与者的ASR_AnxD得分进行样本外预测并不显著（a）（对于DSM，请参见扩展数据图10），其准确度低于我们四分之三的维度行为（b）（评估正相关的独立单侧相关性）。

c、当使用较小的边集时，与尺寸分数相比，ASR的总体预测更差（图5a中显示的尺寸行为条形图被叠加为彩色线进行比较）；图示含义如图5所示

有证据表明，静息状态相关性反映了解剖连接。然而，值得注意的是，虽然此处使用rs fMRI作为解剖连接的代理，但我们确定的静息状态功能连接的模式不一定对应于单突触连接。

消极情绪（我们的第二种潜在行为）和杏仁核功能连接之间的联系也可以在这些区域的功能背景下理解，即使某些关键途径可能是间接的。杏仁核与pOFC、25区和几个皮质下结构（最显著的是LC、NAc）的功能连接似乎是合理的。在大脑皮层，pOFC或FOP3/4与LaD之间的连接较弱，但25区与B区之间的连接较强，与更明显的负面情绪有关（与生活满意度相反；扩展数据图8）。尽管pOFC很少受到关注，但双相情感障碍患者的pOFC灰质减少，pOFC和杏仁核都与刺激-奖赏关联学习的最基本方面有关。25区与自主和情感调节有关，与杏仁核相似，抑郁症患者的代谢异常。刺激该区域或其相互联系可能会减少抑郁。我们确定的第四个潜在的心理健康测量指标（愤怒和拒绝）也与25区和pOFC有关，此外，最近还与其他额叶幕区有关，这些区域与近期结果与更广泛、更长期的奖励经验的平衡有关。然而，在此，与杏仁核皮质核CoN的功能连接最为重要（图4c、d和5，以及扩展数据图8）。

与皮质区域相反，与杏仁核的皮质下功能联系更强而不是较弱预示着负面情绪。这表明，皮质-杏仁核相互作用减弱的同时，杏仁核与皮质下区域的相互作用增强，皮质下区域与广泛分支的神经调节系统的起源有关，如5-羟色胺和去甲肾上腺素（RN_DR，LC）以及其他系统的关键靶点，如多巴胺（NAc）。去甲肾上腺素介导应激和应激相关反应，应激诱导的去甲肾上腺素能系统失调可能有助于抑郁症的发病机制。增加去甲肾上腺素也可以作为抗抑郁治疗有效。当考虑到与整个杏仁核的功能连接时，LC和NAc功能连接也可以预测负面情绪（图6d和扩展数据图9）。这表明LC/NAc和杏仁核之间的一种更为全面的功能连接模式可能有助于调节情绪。心理健康的第三个潜在测量指标反映了睡眠问题，并与明显不同的连接指纹相关联（图4c、d和5c）。

与其他三种行为不同，使用整组特定于核的功能连接值（图4e）无法很好地预测这种行为，但使用数量较少的边缘（图5）更好，边缘包括主要皮层下网络的功能连接，尤其是NAc，但没有额盖或侧额区。NAc是腹侧被盖区多巴胺神经元的重要投射靶点，纹状体功能障碍与睡眠障碍有关，NAc核心的神经元对控制慢波睡眠尤为重要。

我们注意到了我们方法的一些局限性：我们依赖于来自高度优化的脉冲序列的相对较大的数据集（每个参与者1小时的静息状态），而这些数据集在患者中可能并不经常可用。我们获得的一些结果可能反映了控制生理噪声的图像质量和预处理方案的改进。然而，获取心脏和呼吸轨迹很容易，并且使用大多数MR设备中可用的标准设备，因此我们的方法可以用于其他地方。HCP数据不包括临床诊断为精神健康障碍的患者，在包括行为分布极值的临床人群中，预测准确度可能更高。最后，我们没有将这里描述的杏仁核网络与大脑其他部位的网络进行比较。因此，不能说它们一定是预测此处研究的心理健康维度的最佳网络。相反，我们的数据强调了（1）在研究功能连接时，将皮质下结构进行分割以匹配这些回路组织的核尺度的价值；（2）使用功能上可解释的行为维度而不是复杂的总分的重要性；（3）皮层下小网络对预测心理健康维度具有重要意义。

总之，我们的工作表明，来自动物研究的强大的解剖学先验，加上具有足够质量和分辨率的神经成像数据，使得在心理健康的各个维度和特定神经回路之间建立联系成为可能。至关重要的是，这种预测可以通过识别心理健康维度来促进，即使在亚临床范围内，这些维度也是自然出现的功能分组，更可能映射到大脑的功能组织。

方法

参与者。来自HCP的完整数据集(https://www.humanconnectome.org/)，基于两个标准：获得的生理变量的质量（心脏和呼吸；目视检查并使用汇总测量，如随时间变化的差异）及其总DSM/ASR（DSM_Depr，ASR_Totp）分数，以便我们最大化参与者的亚临床差异（得出的DSM平均得分：4.46，方差：16.64；所有1206名HCP参与者的平均值：4.25；方差：12.24；平均/方差ASR总分n=200:37.91，669.08；n=1206:37.43，523.82）。有关参与者选择的更多详细信息，请参阅补充方法。

数据和最小预处理。在3T Siemens Skyra或7T Siememens Magnetom扫描仪上，使用定制脉冲序列采集了四次静息状态运行。简而言之，3T静息状态运行持续14.4分钟，重复时间（TR）为720 ms，回波时间（TE）为33 ms，各向同性分辨率为2 mm，72个切片，多波段因子为8，导致1200个时间点。7T静息状态运行持续16分钟，TR为1s，TE为22.2ms，各向同性分辨率为1.6mm，85个切片，多频带系数为5，面内加速度系数为2。两次运行使用右-左相位编码，两次使用左-右相位编码（或前-后与后-前7T）。采集自旋回波图像和T1加权图像进行畸变校正和配准。我们使用了每个参与者的所有四个run，并下载了最小预处理HCP数据。简而言之，这些数据经过畸变校正、时间滤波、投影到从T1加权图像获得的表面重建上，同时保持皮层下体素（cifti格式），并进行最小平滑。这些预处理管道基于FMRIB软件库（FSL）、FreeSurfer（5.2版）和Connectome Workbench命令行函数中的工具。将7T数据再次取样至2mm，以匹配3T数据的分辨率。

3T数据的附加预处理。尽管3T HCP-YA数据的质量很高，但仍有关于皮质下相对较弱信号的讨论。因此，使用这些数据发表的大部分工作都集中在皮质区域。由于生理因素（例如呼吸、脉搏）引起的噪声在脑干和颞叶结构中尤其明显，这是本研究的所有关键领域，我们对数据中的生理噪声进行了额外的校正。目前，标准HCP管道中未包含去除生理信号引起的噪音。我们使用了PNM工具箱(https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/PNM)生成生理回归量（共有33个回归量，包括：基本心脏和呼吸回归量的余弦和正弦，以4为顺序建模，因此有16个回归量；心脏和呼吸cos（c+r）、sin（c+r）、cos（c− r），sin（c− r），每个模型都使用2阶，因此也是16个回归变量；加上每次呼吸量）。除了生理回归之外，我们还从提供的6个运动回归中构建了24个运动回归（在HCP数据发布中，这些回归存储在Movement_Regresors.txt中）：6个原始回归、它们的导数和得到的12个回归的平方。我们还使用了“fixextended”HCP数据集（memoleix_mix和Noise.txt）提供的独立成分分析（ICA）-去噪。对运动、生理和ICA噪声回归因子进行归一化、高通滤波和去漂移，以模拟对数据进行的预处理。然后，从数据和ICA成分中积极回归运动和生理混杂因素（从而完全消除由生理或运动参数解释的任何方差），然后使用软回归从数据中去除ICA噪声成分（从而仅去除ICA噪音成分特有的方差）。有关校正生理噪声的附加预处理的验证，请参见补充方法。

组连接体。使用算法“MIGP”78从第一个3T数据集（n=200）的200个单独数据集生成组平均时间序列（更多详细信息，请参阅参考代码和补充方法）。使用函数cifti相关（使用Fisher’s z）从平均时间序列创建一个致密连接体。使用Wishart RollOff对噪音进行校正。对3T和7T复制数据集重复相同的程序（n=200和n=98）。

簇（集群）。全密度连接体仅限于包含杏仁核和大脑其余部分（647个体素）的体素功能连接,×91282脑坐标）。将功能连接值转换为绝对值（即功能静息状态连接的无符号“强度”）。这产生了预期的效果，即下一步创建的相似性矩阵是由高功能连通性值与低功能连通性价值的差异驱动的，而不是由大的正功能连通性与大的负功能连通性的差异驱动。基于这种绝对功能连通性，使用皮尔逊相关系数（FSLnets function nets_netmats，

FSLnets:https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FSLNets). 换言之，对于任何一对杏仁核体素，相似矩阵都能捕捉到它们与大脑其他部分的连接模式的相似性。相似矩阵被输入到一个层次聚类算法中（FSLnet的函数nets_hierarchy.m部分）。因此，我们根据不同杏仁核体素与大脑其余部分的连接相似性，获得了不同深度杏仁核的聚类解。

为了确定适当的聚类深度，我们检查了所得到的大脑半球的对称性、简单性和细节之间的平衡以及解剖合理性。关于我们如何选择最终聚类深度的详细信息，请参阅补充方法。在整个结果中，我们重点关注深度的集群解决方案，当合并两个半球的相应集群时，会产生7个集群（图1b和2a）。其他较浅和较深的聚类深度如扩展数据图3所示。

按照完全相同的程序，我们在两个额外的数据集（3T n=200；7T n=98；扩展数据图4和补充方法）中复制了这种划分。我们使用第一个3T数据集生成的分割进行所有进一步分析。重要的是，由于这种划分是从组连接体而不是每个参与者单独获得的，因此在随后侧重于个体差异的分析中没有引入偏见。

集群命名。集群的标记主要基于人脑图谱和7T的尸检，分辨率为100–150 μm 。我们的标记与这两个图谱的标记以及非人类灵长类动物使用的两个常见命名法之间的相似性见补充表2。补充表1还总结了所有集群的大小。有关我们选择核标签的详细说明，请参见补充方法和图2a。总的来说，我们的细胞核的位置和标记与参考文献中报道的有很好的对应关系（补充表2）。

ROI选择。我们有几个先验的感兴趣区域，这些区域是由之前的工作所告知的，包括在猕猴身上使用示踪物的解剖学研究以及在患有精神健康障碍的人类身上的研究。因此，我们的ROI选择完全由假设驱动，并遵循两个关键标准：（1）了解某个区域与杏仁核的单突触或双突触连接，以及（2）了解某一区域在心理健康/情绪障碍中的重要性。我们的大多数ROI都满足这两个标准。我们所包括的大多数ROI已知与杏仁核有单突触联系（或者在一些脑干和dlPFC区域，分别通过下丘脑或内侧PFC形成双突触联系），并且大多数杏仁核连接强的区域也包括在内。我们遗漏了一些与杏仁核有单突触联系的区域，例如颞叶前部，因为我们没有强有力的理由相信它们与本研究中感兴趣的心理健康相关行为相关。其他值得注意的遗漏是下丘脑和海马体，它们需要进行分割，而将其作为整体包含是没有意义的。我们所有的ROI如图2c所示。我们总共包括8个皮层下和脑干区域，以及20个皮层区域。请参阅补充方法，了解如何创建这些ROI的二进制掩码，以及每个ROI的详细动机。补充表1显示了所有ROI的完整列表，详细说明了它们各自的体素/顶点大小；除了中间中缝（RN_MR），所有ROI都至少有20个体素/顶点。投资回报率的选择是在之前进行的，独立于随后侧重于个体差异的分析。为了分析团体和个人数据，我们计算了每个ROI的平均时间历程。因此，与较大的ROI相比，较小的ROI的平均时间进程可能不太可靠，但在随后的分析中，所有ROI都被赋予了同等的权重。总的来说，我们没有发现大多数效应与较大的ROI有关，这表明即使较小的ROI也足以捕获有意义的信号。图2b所示杏仁核和ROI之间的功能静息状态连接的平均模式证实了这一观点，我们在两个独立的数据集中进行了有力的复制（扩展数据图5）。

选择行为分数。我们的目标不是使用精神病学分数（例如抑郁总分），而是定义亚临床范围内情绪和社会幸福感的潜在差异，特别是焦虑或抑郁个体可能受影响的情绪和社会福利维度。我们检查了作为HCP的一部分获得的所有限制性和非限制性行为标记，并选择了与心理健康相关的标记。我们包括33种行为，包括：

（1）NIH工具箱情感组的17项测量结果，包括（i）6项负面影响测量结果：愤怒情绪、愤怒敌意、愤怒攻击、恐惧肉体、悲伤；（ii）3份来自心理健康工具箱（生活满意度、平均目标、积极影响）；来自社会关系工具箱（友谊、孤独、感知敌意、感知拒绝、情感支持、工具支持）；来自压力和自我效能工具箱（感知压力、自我效能）。

（2）匹兹堡睡眠问卷81中的9项指标：入睡时间（上个月）、每晚睡眠时间（下个月）；睡眠问题：30分钟内无法入睡，半夜或清晨醒来，做梦不好，总体睡眠质量，服用睡眠药的频率，白天保持清醒的频率，一天中保持热情的频率。

（3）五因素模型中的5个指标：神经质、外向/内向、友善、开放和认真。

（4）宾州情绪识别测试的测量结果：正确的愤怒识别数和正确的恐惧识别数。有关项目数量和与这些项目相关的评分的详细信息，请参阅补充方法。

因素分析和潜在行为的构建。我们使用Matlab函数“factoran”和“promax”旋转对这33个行为标记（z评分）进行了因子分析。基于前100名参与者的筛选测试提出了四个因素，所有这些因素在检查其权重后似乎都可以解释。因此，我们将因子的数量固定为四个。重要的是，在n=200 3T HCP的完整第一个数据集中复制了相同的四个因素；有关结果因子分析的多个进一步复制，请参见补充方法。

四个因素的权重乘以最初的33个行为标记（z评分），以构建每个参与者的四个总结或潜在行为。这些被总结并通篇称为“社会和生活满意度”、“负面情绪”、“睡眠”和“愤怒和拒绝”。

杏仁核核耦合与心理健康的关系。采用两种样本外复制的回归方法来确定杏仁核核功能连接是否可以预测四个心理健康维度。为了生成回归权重，要预测的数据y为393×1或97×1向量，描述每个3T或7T参与者的真实行为得分。潜在预测因子X矩阵是一个矩阵，每个参与者的静息状态功能连接（FC）值为393×196（或97×196），上述区域（7个杏仁核×28个ROI）之间的功能连接测量值为196，我们称之为“边”。尽管连接并不总是单突触的，但这种功能连接测量是解剖学连接的指标。如果原始400名3T和98名（非重叠）7T参与者中的离群参与者在所有边缘的FC值与参与者平均值的偏差超过10%，则根据其各自的FC值保守地拒绝。这确定了7名3T和1名7T参与者为异常值，随后分别对其余393名和97名参与者进行了所有分析。接下来，从数据中回归混杂因素，并分别在3T和7T数据中进行。混淆包括：（1）量化平均头部运动的汇总统计，（2）体重，（3）身高，（4）血压-收缩压，（5）血压-舒张压，（6）血液中的血红蛋白A1C，（7）大脑总体积的立方根，（8）颅内总体积的立方根。因此，共有8个混杂因素从矩阵X中回归。y和X均为z评分。

为了生成图4b中的曲线图，我们估计了196条边、4个行为维度以及3T和7T队列中每个边的功能连通性的稳健线性回归模型（Matlab函数“robustfit”）。在每种情况下，得到的稳健回归权重捕获了FC和行为之间的关系。由于存在大量的回归变量以及它们之间的相关性，在一个大型回归模型中包含所有边是不可行的。

为了测试获得的稳健回归权重是否反映了单个杏仁核核的功能连接与四个心理健康维度之间的有意义关系，我们测试了回归权重是否（1）在3T和7T数据集之间相似（“跨数据集复制”），以及（2）在实验的两半之间相似（对应于MR会话）（“参与复制”；图4a）。首先，对于跨数据集复制，我们计算了3T和7T数据的回归权重总体模式之间的皮尔逊相关系数（图4b中的第1行与第2行）。为了确定获得的相关性是否比偶然预测的更好，考虑到大脑与杏仁核的连接中存在的噪音水平以及我们的连接数量，我们通过将包含行为维度n=10000次的向量y重新组合，并重新计算回归系数总体模式之间的相关系数，生成了一个零分布（图4a）。

第二，为了尝试参与者内复制，从一半的静息状态数据中提取功能连接值，分别从run1 2或run 3 4中提取（分别在两个单独的会话中获取）。然后，针对从第1+2次和第3+4次run中获得的FC值，分别计算了反映FC（X）和行为得分（y）之间关系的稳健回归权重。这里，我们使用了来自所有n=490名3T+7T参与者的合并数据。使用Pearson相关性计算两个实验组获得的稳健回归权重的总体模式之间的相似性。同样，为了测试他们的相似性是否大于偶然的预期，通过使用随机行为分数重复该程序n=10000次，生成了一个零分布（图4a）。

为了可视化单个FC值对两种复制类型的贡献，我们计算了每个行为维度的稳健回归系数模式之间的相关性，并将使用所有FC值获得的相关系数与忽略单个FC值或边时获得的相关系数进行了比较（对196个边中的每个边重复一次）。完全相关系数和忽略相关系数之间的差异反映了单个边中的功能连接对复制的贡献程度（rDiff）。图4c和d分别显示了两种复制类型的rDiff，即比较3T和7T回归系数（跨数据集重复），并比较从两个实验组获得的回归系数（参与者内重复）。

知道杏仁核功能连通性和心理健康维度之间的关系在数据集内和数据集之间是一致的，并不一定意味着从一个数据集估计的系数将有助于预测独立队列中的行为得分。为了测试这是否可行，我们将从3T参与者的数据中估计的196个稳健回归权重的完整集合应用于7T队列中测量的FC值，以预测7T参与者行为得分的个体间差异,（图4e）。该预测的拟合优度被确定为真实心理健康维度得分与样本外模型预测的心理健康维度分数之间的相关性（皮尔逊r）。

在整个手稿中，计算复制分析的P值（图4a、6b和7b）和探索FC值是否可以预测行为维度的分析（图4e、5b、6a和7a），以解决稳健回归系数（重复）的两种模式之间或预测和真实行为分数（样本外预测）之间是否存在正相关的问题，分别是，因此是单尾的。

杏仁核网络特征预测心理健康。上述预测是使用全套196个FC值生成的。为了检查是否可以使用更小的FC值集进行显著的样本外预测，我们重复了对7T行为分数的预测，但这次我们迭代包含了从1到196的越来越多的边。边的包含顺序基于3T参与者估计的绝对回归系数。如上所述，将选定的3T系数应用于每个连接子集的相应7T FC值，以预测7T行为分数，并使用越来越多的FC值重复此过程（从1到196，步骤1）。因此，所有预测都是根据样本生成的，边缘的选择基于独立的数据集，因此没有偏见。图5a显示了1到196条边的拟合优度（真实和预测的7T行为分数之间的相关性）。对于每个行为维度，获得的相关系数用于识别（1）导致显著样本外预测的最小边数,（r>0.168）；（2）最佳样本外预测（最大r值）。对于可视化，图5a显示了表示趋势和P<0.05显著性水平的线条，对应于Pearson的r值0.1312和0.168（给定n=97，单侧）。

为了确定所有196个模型中（1）最小有效网络的大小和（2）Pearson的r在峰值预测时是否显著，我们生成了两个置换零分布（见补充方法）。

为了说明预测的质量和贡献边，针对达到显著性的最小数量的边（根据定义，这些边仅在P<0.05以下；图5b）和显示总体最佳预测的边数量生成散点图和指纹（扩展数据图8）。指纹显示了每条边的3T回归系数的大小作为线条的宽度，它预测行为维度的符号作为线条样式（连续、正；虚线、负），颜色反映了杏仁核。此外，在扩展数据图8中，一条环绕线表示同一边的功能连通性是平均为正、负还是接近零（介于−0.2和0.2）（比较图2b和扩展数据图8）。补充图1显示了单个连接的预测，以说明3T数据中的行为变异性更大。

第二项控制分析侧重于使用因子分析得出的行为得分是否有利。对问卷得分进行因子分解，因为我们假设特定杏仁核网络中的功能连接更可能与更简单的功能性有意义的行为维度相关，而不是复杂的标记，例如一个人的总体抑郁得分。为了验证这一假设，我们重复了对参与者的DSM和ASR焦虑抑郁总分（ASR_Anxd_Raw）的分析。我们使用了相同的分析管道，并将两个凹陷标记的预测结果与我们最初的四个行为维度的预测结果进行了比较（图7和扩展数据图10）。