《Brain Imaging and Behavior》：The brain network underlying social participation: a multimodal, data-driven investigation
编辑推荐：
摘要：识别影响社会参与(social participation, SP)的脑表型(brain phenotypes)有助于理解精神障碍中的社会缺陷。既往研究存在方法学异质性，对于哪些脑区至关重要尚缺乏共识。数据驱动变量选择(data-driven varia
摘要：识别影响社会参与(social participation, SP)的脑表型(brain phenotypes)有助于理解精神障碍中的社会缺陷。既往研究存在方法学异质性，对于哪些脑区至关重要尚缺乏共识。数据驱动变量选择(data-driven variable selection)可克服此局限，促进对社会脑区无偏复制与新发现。研究人员比较了数据驱动筛选与文献综述鉴定脑区在解释SP变异方面的差异。研究纳入37,576名UK Biobank受试者（平均年龄65±8岁，53%为女性），具备结构及功能神经影像数据，SP评分（范围0–10）由休闲活动参与度与亲友探访频率合成。首先通过文献回顾确定既往与社会测量相关的脑区子集；其次在25%（n=9,394）样本中应用递归特征消除(recursive feature elimination, RFE)筛选影像衍生表型(imaging-derived phenotypes, IDPs)；在剩余75%（n=28,182）样本中采用分层回归(hierarchical regression)，比较数据筛选与文献鉴定的脑表型集对SP变异的解释力。个体p值采用错误发现率(false discovery rate, FDR)进行多重比较校正。RFE筛选出198个IDPs。数据筛选IDPs对SP的解释方差（1.31%）显著高于文献集（0.84%，F=3.17，p<0.0001）。17个IDPs与SP显著相关，包括中后扣带回(mid-posterior-cingulate)、额下/眶回(inferior-frontal/orbital)及岛叶(insular)皮层厚度，以及中央周围(pericentral)与内侧额顶(medial frontoparietal)及小脑(cerebellar)网络间的功能连接(functional connectivity, FC)。多模态脑影像衍生表型可预测SP微小但显著的变异。研究人员证实了既往报道的中央周围、内侧额顶及眶回区与社会脑的关联，同时发现岛叶、听辐射(acoustic radiation)及外侧额顶(lateral frontoparietal)网络的新关联。本研究凸显数据驱动方法在巩固社会脑区域参与证据、优于文献法及揭示既往未发现关系方面的价值。
论文解读：《支撑社会参与的脑网络：一项多模态、数据驱动的研究》发表于《Brain Imaging and Behavior》
一、研究背景与目的
社会参与(social participation, SP)与生活质量、身心健康密切相关，社会隔离是死亡风险因素，精神病性障碍患者常表现严重社会功能缺陷。所谓"社会脑(social brain)"假说认为存在专门处理社会性刺激的脑网络，但其具体解剖组成长期存在争议——不同研究因社交指标定义不一、分析方法（假设驱动 vs 数据驱动）、影像模态单一导致结果高度不一致，部分脑区（如杏仁核、海马）在重复研究中未能稳定复现。此外，既往多依赖文献先验假设圈定感兴趣区(ROI)或种子区，可能遗漏关键区域或引入发表偏倚。为克服上述局限，研究人员采用英国生物样本库(UK Biobank, UKB)大样本多模态神经影像数据，结合递归特征消除(recursive feature elimination, RFE)这一数据驱动特征选择方法，无偏筛选与SP关联的影像衍生表型(imaging-derived phenotypes, IDPs)，并与传统文献法鉴定的脑区集合对比解释力，旨在明确支撑SP的多模态社会脑网络特征及验证数据驱动策略优势。
二、关键技术方法
研究人员使用UK Biobank 2023版发布的46,812名受试者影像数据，排除缺失SP、非高加索人、精神病及神经退行性疾病、FreeSurfer处理所需T2 FLAIR缺失者，最终纳入37,576人（年龄45–83岁，均值64.5±7.67，53.3%女性）。SP综合评分由休闲/社交活动参与[Data-Field 6160]与访友/亲属频率[Data-Field 1031]合成（0–10分）。IDPs涵盖T1加权结构像（皮层体素体体素volume、厚度thickness、面积area，皮层下体积及强度intensity）、弥散加权像(diffusion-weighted MRI, dwMRI)各束FA(fractional anisotropy, 分数各向异性)及概率纤维追踪(probabilistic tractography, PT)/TBSS(Tract Based Spatial Statistics, 基于纤维束空间统计)指标、静息态功能磁共振(resting-state fMRI, rsfMRI)功能连接(functional connectivity, FC)矩阵边(edge)。文献集通过系统检索筛选既往全脑分析关联客观社交表型的脑区对应UKB IDPs获得。数据驱动集在25%样本(n=9,394)中对各模态IDPs做标准化、合并高相关(r>0.80)变量后分别运行带自助法(bootstrapping, 100次)与10折交叉验证(5 repeats)的RFE，稳定入选（>50次bootstrap）IDPs进入最终集。在独立75%样本(n=28,152)中以协变量（年龄、性别、教育年限、头大小、独居/同居状态、慢病/残疾）为基础模型，分层加入文献集或RFE集IDPs做线性回归，ANOVA比较模型差异，个体p值FDR(q<0.05)校正。
三、研究结果
Literature-based feature identification（文献法特征鉴定）
灰质结构文献检出15篇研究（12篇全脑），主要涉及前额叶、眶额皮层(orbitofrontal cortex, OFC)及海马旁/内嗅区，对应44个UKB-IDPs；dwMRI文献4篇主要提示扣带束及胼胝体FA，对应12个IDPs；rsfMRI文献11篇（3篇全脑）提示中央周围(pericentral)与内侧/外侧额顶、枕、小脑网络间FC，对应81个IDPs。合计文献鉴定137个IDPs。
Data-driven participants & feature selection（数据驱动受试与特征选择）
总样本37,576人，按3:1随机拆分训练/测试集。RFE从442个皮层IDPs中选78个（43厚度、29体积、6面积），含中央前/中央沟、眶回及沟；31个皮层下体积选11个；31个皮层下强度全选；dwMRI中20/21个概率追踪束及9/34个TBSS束被选中，中小脑脚、上纵束(SLF)及扣带束FA跨两类入选；rsfMRI 210条边选49条，以内侧额顶(medial frontoparietal, MFP/默认模式网络default mode network, DMN)与中央周围、外侧额顶(lateral frontoparietal, LFP)、枕内侧(medial occipital)间连接为主。总计RFE选198个IDPs。
Overlap between literature-identified and data-selected features（文献集与数据驱动集重叠）
两集共42个IDPs重叠（占RFE集35.6%），FC重叠最高（38.8%），其次为皮层GMV（38.0%）、皮层下GMV（36.4%）、FA（27.6%）。
Data-driven feature selection outperforms literature-based feature identification（数据驱动特征选择优于文献法）
基础协变量模型解释SP方差约5.02%。各模态RFE集增量R2：T1结构0.45% vs 文献0.08%；dwMRI 0.15% vs 0.01%；rsfMRI 0.84% vs 0.74%。跨模态合并：RFE集解释SP增量方差1.31%，文献集0.84%（F=3.17，p<0.0001）。FDR校正后17个IDPs显著：左中后扣带回(mid-posterior cingulate gyrus/sulcus)厚度、左眶额下回(inferior frontal gyrus, orbital part)厚度、左侧上环形岛沟(superior-circular insular sulcus)厚度；内侧额顶网络(MFP/DMN)与中央周围(pericentral)、外侧额顶(LFP)、枕内侧网络间FC；小脑网络与中央周围及外侧枕网络FC；左侧听辐射(acoustic radiation)FA、右侧大脑脚(cerebral peduncle)FA、右侧杏仁核强度及壳核(putamen)平均强度。无皮层面积IDPs通过校正。
四、讨论与结论总结
研究人员指出数据驱动RFE联合大样本增强检测灵敏度，既复现已知社会脑关联——中央周围与小脑网络FC、中后扣带回（既往多为体积现确认为厚度）及眶额下回(inferior frontal/orbital gyrus, IFG/OFC)体积/厚度关联，又新发现岛叶(superior-circular insular sulcus)、听辐射FA及内侧-外侧额顶网络间FC与社会参与相关，提示情感、认知控制及突显/边缘系统共同支撑社会行为。杏仁核仅在强度(intensity)而非体积上显著，呼应假设驱动ROI研究与全脑研究的不一致，说明数据驱动全脑法可减少偏倚。脑成像表型仅解释SP约1.31%变异，暗示社会参与受复杂非神经因素影响（已证年龄、性别、教育、健康状态贡献更大），但效应微小而显著。研究局限含横断面设计无法推断因果、UKB SP指标较局限（未涵盖非正式社交）、样本偏老年(45–83岁)白人降低外推性。
结论翻译：
社会参与与多模态脑指标变异相关，包括中后扣带回沟回厚度、眶回及环状岛沟上段厚度，内侧额顶网络(MFP/DMN)与外侧额顶、中央周围及枕内侧网络的功能连接，以及大脑脚与听辐射FA值。数据驱动特征选择优于文献鉴定法，应用于多模态神经影像数据集时，既能确认又能拓展既往社会脑知识。RFE选出IDPs同时复现（中央周围-小脑FC、中后扣带回及眶区）并新发现（岛叶、听辐射、外侧额顶网络）与社会参与相关的影像表型。采用网络视角与多模态整合可深化社会脑神经生物学理解；结构功能IDPs合共解释SP约1.31%方差，证实神经生物学对复杂多维社交表型具微小但显著贡献。
