NC最新：容易焦虑和抑郁的大脑长什么样？基于400人大样本的fMRI预测研究

认知神经科学前沿文献分享

基本信息

Title:The functional neurobiology of dispositions towards negative emotions

发表时间:2026-06-27

发表期刊:Nature Communications

影响因子:18.1

获取原文:

1. 添加小助手:PSY-Brain-Frontier即可获取PDF版本

研究背景

在日常生活中，人们体验负面情绪的倾向存在巨大差异。这种差异在心理学中通常被概括为“神经质”（Neuroticism）或“负性情绪特质”（Negative affectivity），它不仅是人格分类的核心维度，也是理解抑郁、焦虑等精神病理学现象的关键基石。

长期以来，认知神经科学领域存在一个主流假设：神经质源于大脑对负面刺激的“跨情境高反应性”。顺着这个逻辑，研究者们自然而然地将目光锁定在了杏仁核、前脑岛、背侧前扣带回（dACC）以及突显网络（Salience network）上。然而，这些基于“短暂情绪状态（State）”得出的神经标记，真的能直接等同于“稳定人格特质（Trait）”的神经基础吗？

为了回答这个根本性问题，Sicorello 等人开展了一项极具野心的大规模预注册研究，并将其成果发表于 Nature Communications。他们利用最经典的两种情绪 fMRI 任务（观看负性场景和负性面孔），在数百人的大样本中，从单一脑区、静息态网络、已验证的情绪神经印记，一路测试到全脑机器学习模型。这项研究不仅试图检验经典理论的真伪，更试图为“如何用大脑数据预测复杂心理特质”建立新的标尺。

Fig 1. 研究设计与分析流程图。研究系统性地评估了从单一脑区、大尺度网络、多变量神经印记到全脑机器学习模型对负性情绪特质的预测能力。

研究核心总结

这项研究并没有停留在单一的假设检验上，而是根据大脑信号的复杂程度，层层递进地拆解了负性情绪特质的神经基础。

一、 经典“情绪脑区”与神经质缺乏实质性关联

研究者首先测试了领域内最广为流传的假设：神经质是否与杏仁核、前脑岛或突显网络的高反应性有关。结果出人意料——无论是单一脑区的平均激活、七大经典静息态网络的任务态响应，还是目前最先进的负性情绪多变量神经印记（如 PINES、VIFS），都无法有效预测个体的神经质得分。

贝叶斯因子分析进一步提供了支持“零假设”的强有力证据。这意味着，在面对标准的负面视觉刺激时，那些传统意义上的“情绪热点脑区”的活跃程度，并不能解释为什么有些人天生更易体验到负面情绪。这一发现直接挑战了神经质源于“跨情境杏仁核高反应性”的经典理论。

Fig 2. 神经质与文献中经典神经指标的关联。无论是脑区（a）、网络（b）还是多变量印记（c），其与神经质的相关性均极低，置信区间基本排除了具有实际意义的效应量。

既然经典脑区失效了，全脑分布式的信号能否捕捉到蛛丝马迹？在排除了宽泛的“神经质”大类后，研究者将目光转向了神经质的子维度。通过全脑支持向量回归（SVR）模型，他们成功在“观看负性场景”任务中预测了神经质的一个核心子维度：压力脆弱性（Stress vulnerability），并且该模型在独立的验证集中得到了稳健的重复（r ≈ 0.20）。

更有意思的是这个预测模型的神经权重分布。虚拟损伤分析（Virtual lesion analyses）表明，该模型最依赖的并非边缘系统，而是视觉网络和躯体运动网络。这提示我们，高压力脆弱性的人在面对负面场景时，大脑的差异可能主要体现在对刺激的“知觉-动作”准备上（即如何评估并准备应对威胁），而不是单纯的“情绪感受”强度上。

Fig 3. 神经质子维度的机器学习预测结果。在所有子维度中，仅有“压力脆弱性”在场景任务中表现出稳健的跨样本预测能力，且其神经权重广泛分布于全脑。

Fig 4. 图像中心化（Centering）对神经指标相关性的影响。研究发现，只有在去除全脑全局信号的个体差异后，杏仁核才与压力脆弱性表现出微弱的相关，提示了全局信号在个体差异研究中的潜在混淆作用。

为了更全面地理解哪些因素决定了大脑预测心理特质的成败，研究者进行了一项包含 1176 个模型的“多宇宙分析”（Multiverse analysis），涵盖了 14 种不同的情绪特质和多种数据处理策略。

结果清晰地表明，决定预测准确率的最重要因素是“心理构念（Construct）”与“实验任务（Task）”的选择。宽泛的人格特质（如整体神经质）很难被通用的负面刺激任务所预测；而当任务的心理学内涵与特定特质（如场景任务之于“压力脆弱性”）高度契合时，稳健的脑-行为关联才会浮现。

Fig 5. 1176 个模型的多宇宙分析结果。预测准确率呈现出明显的梯度：与任务直接相关的情绪状态最容易被预测，而越是宽泛、与当前任务脱节的特质（如积极情绪、抑郁症状），预测效果越差。

Fig 6. 实验设计因素对预测准确率的方差分解。心理构念的选择和任务类型的选择是解释模型表现差异的最核心变量。

研究意义

这项工作为认知神经科学中关于“人格与情绪特质”的研究提供了一次重要的纠偏。

首先，它在理论上打破了“神经质=杏仁核/突显网络高反应性”的简单映射。研究提示，负性情绪特质的个体差异，可能更多地体现在大脑如何赋予负面事件以“知觉与行动的意义”，而非单纯的情绪唤醒。

其次，在方法学上，该研究确立了“构念-任务对齐（Construct-assay alignment）”原则。未来的研究不能再指望用一套通用的“看负面图片”任务来测量所有复杂的心理特质。想要找到特定人格的神经基石，必须设计在计算层面上与该特质高度匹配的专属任务。

最后，这项研究也为领域划定了现实的预期边界。在跨模态的脑-问卷关联研究中，真实的效应量（r 值）通常在 0.20 到 0.30 之间。承认并接受这种适度的效应量，放弃对单一脑区夸大其词的解读，才是脑科学走向精准化与个体化预测的必经之路。

分享人：饭鸽儿

审核：PsyBrain 脑心前沿编辑部

你好，这里是「PsyBrain 脑心前沿」

专注追踪全球认知神经科学的最尖端突破

视野直击 Nature, Science, Cell 正刊 及核心子刊与顶级大刊

每日速递「深度解读」与「前沿快讯」

科研是一场探索未知的长跑，但你无需独行。欢迎加入PsyBrain 学术社群，和一群懂你的同行，共同丈量脑与心智的无垠前沿。

点击卡片进群，欢迎你的到来

一键关注，点亮星标 ⭐ 前沿不走丢！

一键分享，让更多人了解前沿