PNAS | 注意控制的高低，可能早已写在大脑网络的“默认协作方式”里|pnas|协作方式|脑干|负荷|静息

认知神经科学前沿文献分享

基本信息

Title:Attention control ability is associated with frontoparietal control network interactions

发表时间:2026-05-04

发表期刊:PNAS

获取原文:

1. 添加小助手:PSY-Brain-Frontier即可获取PDF版本

引言

注意控制并不是一个只在实验室里才有意义的抽象概念。现实中，一个人能否在干扰中守住目标、在疲劳或压力下维持专注，往往会影响学习效率、工作表现，甚至与身心健康相关。更关键的是，这种能力既会随当下状态波动，也存在相对稳定的个体差异。过去很多研究已经描述了“人在某一刻是否专注”对应的大脑活动变化，但对于“为什么有些人长期更擅长控制注意”这一特质层面的问题，神经机制仍不够清楚。

现有研究大致分成两路：一类看任务中的平均脑反应，把当下表现和脑活动直接对应起来；另一类则聚焦静息态网络，试图从不做任务时的大脑连接模式中寻找个体差异线索。问题在于，这两种视角常常分开讨论，较少直接回答一个更完整的问题：稳定的注意控制差异，是否既能在静息基线中看到，也会在任务负荷上升时表现为不同的大脑网络重构方式？

这篇发表于 PNAS 的研究正是围绕这个缺口展开。作者把额顶叶控制网络（frontoparietal control network, FPCN）放在中心，考察它与默认模式网络（default mode network, DMN）、背侧注意网络（dorsal attention network, DAN）、腹侧注意网络（ventral attention network, VAN）以及蓝斑（locus coeruleus, LC）之间的动态耦合，是否与注意控制能力有关，并比较静息、1-back 和 3-back 三种状态。

实验设计与方法逻辑

研究采用三次会话设计，两次在扫描外完成行为任务，一次进入 MRI。初始样本为 217 名 18 至 35 岁成年人，排除数据不完整、结构异常、运动过大和行为结果缺失后，最终纳入 196 人。行为层面，作者用多项任务构建注意控制、工作记忆容量和流体智力三个潜变量，并将注意控制残差化，以检验其独特贡献。

MRI 层面，每位被试完成静息态、1-back 和 3-back 三种各 10 分钟的 fMRI。

核心发现

发现一：高注意控制者在静息时就表现出更弱的 FPCN–DMN 同向耦合

Figure 2A 是理解全文的第一条主线。整体来看，FPCN 与 DMN 的关系会随着任务负荷增加而持续下降：静息时二者呈正相关，1-back 时正相关减弱，到了 3-back 则转为负相关。这说明随着任务要求提高，控制网络与更偏内部导向加工的网络逐步分离。更重要的是，这种变化并不只是状态效应。作者发现，注意控制越高，静息态下 FPCN–DMN 的正相关越弱，接近“少同步甚至无明显相关”的基线构型；相反，低注意控制者从静息到 1-back、再到 3-back 的变化幅度更大。

Figure 2. Multilevel modeling results of trait-level attention control,

发现二：FPCN–DAN 协同最稳定地指向高注意控制者的目标导向加工优势

如果说 Figure 2A 强调的是与内部导向系统的分离，那么 Figure 2B 展示的就是向外部目标导向系统的靠拢。总体上，FPCN–DAN 相关性随负荷显著增强：静息时略为负相关，1-back 时转为正相关，3-back 时正耦合明显升高。与注意控制相关的模式也相当清晰：高注意控制者在静息时就表现出更高的 FPCN–DAN 相关，说明他们即使在没有任务时，也更接近一种便于外部目标加工的组织状态；而从 1-back 到 3-back，高注意控制者的正耦合上升更明显。

Figure 1. Three-factor model using confirmatory factory analysis to capture trait-level attention control,

发现三：FPCN–VAN 呈现复杂的负荷依赖重构，而非“越同步越好”

Figure 2C 提醒读者，注意控制相关的网络差异并不能都概括为“高者连接更强”。FPCN–VAN 的总体模式是：静息时接近零且略偏负，1-back 时接近零且略偏正，3-back 时则转为明显负相关。个体差异则更复杂：高注意控制者在静息时的 FPCN–VAN 关系更偏正，但从静息进入 1-back 后反而更趋负相关，从静息到 3-back 也更明显走向负向；低注意控制者则在 rest 到 1-back 更容易转正，而从 1-back 到 3-back 再更明显转负。

Figure 3. Visualization of the QPP template results on the residualized attention control latent factor estimated score (n = 30) for high attention and (n = 30) for low attention

发现四：高负荷下更强的 FPCN–LC 正耦合，把皮层控制网络与脑干调制系统联系起来

Figure 2D 是本文相对新颖的一部分，因为它把经典的大尺度皮层网络结果延伸到了脑干蓝斑系统。群体平均上，FPCN 与 LC 在静息和 1-back 时仅表现为轻度正相关，而在 3-back 时整体并不显著。但当把注意控制个体差异纳入后，真正的分层出现在高负荷条件：注意控制越高，3-back 中 FPCN–LC 越偏向正相关；低注意控制者则更偏向负相关，而且这种差异也体现在从静息到 3-back、以及从 1-back 到 3-back 的变化中。

归纳总结和点评

这项研究的主要贡献，在于把“稳定的注意控制差异”具体落到了可观测的大尺度脑动态架构上：通过潜变量建模、QPP 分析和 196 人的 fMRI 数据，作者显示高注意控制者并不只是做任务时更会调动控制系统，而是在静息状态下就呈现出更少的 FPCN–DMN 同步、更多的 FPCN–DAN 协同，并在高负荷下进一步表现出更强的 FPCN–DAN 与 FPCN–LC 协调。换句话说，任务中的网络重构并非凭空发生，而可能建立在更稳定的基线组织之上。文章的优势在于样本量较大、同时比较静息与两级任务负荷，并尽量剥离注意控制与工作记忆容量、流体智力的共享方差，使“注意控制的独特贡献”更具说服力。与此同时，论文的边界也很明确：LC 的空间定位仍有限，全局信号回归存在方法学争议，1-back 与 3-back 未必只是同一任务的不同难度版本，而且全部结果本质上都是相关性证据，尚不足以支持因果判断。即便如此，这项工作仍提出了一个很有启发性的框架：注意控制既是状态中的调节能力，也可能是一种预先写入大脑动态协作方式的稳定特质。