《Nature Communications》：Common and distinct neurofunctional signatures of dynamic naturalistic emotion regulation strategies
编辑推荐：
适应性情绪调节对心理健康至关重要。研究人员为阐明自然情境下认知重评与接受两种情绪调节策略的神经机制是共享还是特异，结合自然态fMRI与多变量预测建模，开发了能够精确、全面地表征动态沉浸情境中负性情绪及其调节的神经功能特征。结果揭示了两种策略共享默认模式网络贡献，并在杏仁核、躯体运动注意网络（接受）与额顶控制网络（重评）上表现出特异性。该模型可精准识别男性大麻使用者的特定策略调节缺陷，提供了具有临床转化潜力的自然情境情绪调节脑模型。
在日常生活中，我们常常需要调节自己的情绪，从沮丧中振作，在焦虑中平复。这种适应性的情绪调节（Emotion Regulation, ER）能力，是维持心理健康的关键。在众多调节策略中，认知重评（reappraisal，即换一个角度理解情绪事件）和接受（acceptance，即不加评判地接纳当下情绪体验）被认为是两种有效但认知过程不同的方法。然而，一个核心的科学问题悬而未决：在更贴近真实生活、动态变化的自然情境下，这两种策略在大脑中是如何被实现的？它们依赖于一套共同的、全局性的神经过程，还是各自拥有独特的神经通路？解答这个问题，不仅有助于深化对情绪调节神经基础的理解，更能为临床上识别和干预情绪失调相关精神障碍提供精确的脑指标。
为了回答这些问题，一组研究人员在《Nature Communications》上发表了一项研究。他们巧妙地将自然态功能磁共振成像（naturalistic fMRI）与多变量预测建模相结合，旨在开发能够精准、全面地表征动态沉浸情境中负性情绪及其通过接受和重评进行调节的神经功能特征（neurofunctional signatures）。研究招募了59名参与者，让他们在观看能诱发情绪的影片时，交替使用接受或重评策略来调节感受。研究人员通过建模，成功构建了能够准确解码负性情绪强度以及所使用的特定调节策略的脑特征。这些特征表现出良好的过程特异性，并且能够在不同的被试队列、文化背景（样本量分别为n=33, 358, 45, 33）和模态间推广，证明了其稳健性。
研究发现，接受和重评这两种情绪调节策略被编码在大脑中分布式、但可区分的神经表征里。两者共享来自默认模式网络（Default Mode Network, DMN）的贡献，这提示自我参照和情景模拟等过程可能是两种策略共同的基础。同时，它们也展现出策略特异性的神经基础：接受策略的特异性与杏仁核（amygdala）、躯体运动及注意网络的活动更相关，这可能反映了对躯体感受的觉察和注意的保持；而重评策略的特异性则与额顶控制网络（Frontoparietal Control Network, FPCN）的参与紧密相连，这符合其需要更多认知控制和执行功能介入的特点。更重要的是，这些神经特征展现了临床转化潜力。研究人员利用这些特征，精确地识别出男性大麻使用者群体中存在的、策略特异性的情绪调节缺陷（n健康对照组= 48, n大麻使用者= 49），例如，大麻使用者在运用重评策略时，其对应的神经特征模式出现了异常。
综上所述，这项研究通过创新的方法，首次在动态自然情境下系统描绘了重评与接受这两种关键情绪调节策略共享与特异并存的神经图谱。它强调了全脑网络整合在情绪调节中的关键作用，而不仅仅是某个孤立脑区的活动。最终，该研究提供了一个全面、且具有明确临床相关性的脑模型，用以理解自然情境下的情绪调节与失调。这不仅推进了基础情感神经科学的发展，也为未来开发基于脑特征的、针对特定情绪调节策略缺陷的精准评估与干预工具，奠定了坚实的科学基础。
为开展此项研究，作者主要应用了以下几项关键技术方法：首先，研究采用了自然态功能磁共振成像（naturalistic fMRI）范式，让参与者在扫描仪内观看动态的情绪性影片片段，以模拟真实生活的情绪体验与调节过程。其次，研究结合了多变量预测建模（multivariate predictive modeling），具体包括使用主成分分析（PCA）进行特征降维，并应用支持向量机（SVM）等算法，构建能够从全脑活动模式中解码特定情绪状态（如负性情感）和特定调节策略（接受 vs. 重评）的神经特征模型。此外，研究采用了留一法交叉验证来评估模型的准确性，并进行了跨队列、跨文化（包括中国和美国样本）以及跨模态（从影片任务到静息态）的泛化性检验，以验证神经特征的稳健性和普适性。最后，研究者将这些神经特征作为生物标志物，在一个独立的临床人群（男性大麻使用者）中进行验证，以检验其识别情绪调节功能障碍的临床转化潜力。
情绪体验与调节的行为与神经解码
研究人员首先确保实验范式有效引发了负性情绪，并且参与者能够遵循指令执行接受或重评策略。行为数据显示，在自然观看情绪影片时，参与者的负性情感（negative affect）水平升高，而在执行任一种调节策略时，其负性情感均得到显著降低，且两种策略在降低主观情绪强度上的效果相当。这为后续的神经分析奠定了行为基础。通过多变量预测建模，研究者成功构建了神经解码器。结果显示，基于全脑功能磁共振成像（fMRI）活动模式，模型能够以显著高于随机水平的准确率，解码出参与者所体验到的负性情感强度。更重要的是，模型也能准确解码出参与者正在使用的是接受策略还是重评策略。这表明，尽管两种策略在行为效果上相似，但它们在大脑中留下了独特且可被机器识别
的“指纹”。
情绪调节神经特征的特性与泛化性
为确认所构建神经特征的有效性和可靠性，研究者进行了一系列验证。首先，这些特征表现出“过程特异性”，即解码接受或重评的模型，无法很好地解码单纯的负性情绪强度，反之亦然，说明它们捕捉到的是与调节过程本身相关的特异性神经信号，而非一般的情绪反应。其次，这些神经特征展现了强大的泛化能力。它们不仅能在训练所用的被试内部（组内）有效，还能推广到全新的、未见过的被试群体中（独立样本泛化）。更令人印象深刻的是，这些特征能够跨越不同的文化背景（从西方样本推广到中国样本，n=358）和不同的数据采集模态（从基于影片任务的动态活动模式推广到静息态功能连接模式）。这种广泛的泛化性强烈暗示，研究捕捉到的是一组稳健的、与情绪调节核心认知过程相关的基本神经架构。
共享与特异的分布式神经表征
研究进一步探寻支持接受与重评策略的神经基础。多变量模式分析揭示，两种策略的神经表征是全脑分布式的，并且彼此可以区分。进一步的功能连接和贡献图分析指出了共享与特异性网络贡献。默认模式网络（DMN）对两种策略的解码都有显著贡献，这表明内省、自我参照或情景模拟等DMN相关的功能，可能是执行任何一种有意识情绪调节策略的共同基础。同时，策略特异性的贡献模式也清晰显现：接受策略的特异性神经信号更多地与杏仁核、躯体运动皮层及注意网络（如前岛叶、辅助运动区）的活动相关，这可能对应了该策略中对情绪性身体感觉的觉察和注意锚定。相比之下，重评策略的特异性则与额顶控制网络（FPCN，包括背外侧前额叶、顶下小叶等）的参与密切相关，这与该策略需要更多的认知控制、工作记忆和语义重构过程的理论预期完全一致。
神经特征的临床转化：识别大麻使用者的情绪调节缺陷
最后，研究探索了这些基础研究发现向临床转化的潜力。研究者将训练好的神经特征模型应用于一个独立的临床队列——男性大麻使用者及其匹配的健康对照组。分析发现，与健康对照组相比，男性大麻使用者在执行情绪调节任务时，其大脑活动模式存在异常。关键的是，这种异常是“策略特异性”的。例如，在试图使用重评策略时，大麻使用者大脑中本该出现的、与FPCN相关的特异性神经特征模式显著减弱或异常；而在使用接受策略时，其神经特征模式与健康对照的差异则不同或更轻微。这些神经特征的异常程度，与个体的情绪调节困难量表得分呈现相关趋势。这一发现表明，研究所开发的神经特征（neuromarkers）能够精准、客观地识别出特定人群在特定情绪调节策略上的神经功能缺陷，为未来基于神经指标的精准评估和干预提供了直接依据。
研究的结论与讨论部分强调，这项工作首次在动态、自然的情境下，系统地描绘了重评和接受这两种关键情绪调节策略的神经特征。研究发现两者既共享默认模式网络这一共同基础，又各自拥有特异的神经回路（接受策略与杏仁核-躯体运动-注意网络耦合，重评策略则依赖于额顶控制网络），这为理解情绪调节的多样性与统一性提供了新的神经证据。研究还突出了全脑分布式网络整合，而非单个脑区，在实现复杂情绪调节中的核心作用。最重要的是，该研究发展的可泛化、过程特异的神经特征，成功地将基础科学发现推向应用前沿，通过精准识别男性大麻使用者的策略特异性调节缺陷，展示了其在精神健康领域（如成瘾、抑郁、焦虑障碍）的临床转化前景。这些综合性的、基于自然情境的脑模型，为我们理解真实世界中的情绪生活及其失调，并最终发展神经机制指导的干预手段，开辟了新的道路。
