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|JNC|fmri|全脑|宇宙|杏仁核|神经质|脑区

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。

二、全脑机器学习成功解码“压力脆弱性”

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。