情绪体验通常由“效价”和“唤醒度”两个方面构成，其中唤醒度反映情绪的强烈程度，是所有情绪的共同基础。然而，目前对情绪唤醒在大脑中的具体表征仍缺乏清晰认识。已有研究多关注生理唤醒或警觉状态，而较少区分主观情绪唤醒本身的神经机制。此外，传统研究方法在真实情绪情境和结果稳定性方面存在一定局限。因此，有必要构建一种能够准确刻画主观情绪唤醒、并在不同情绪和任务中具有良好泛化性的脑功能模型。

2025年，美国耶鲁大学医学院的Raimundo Rodriguez所在的研究团队在Nature neuroscience（IF=20）上发表发表了一篇题目为“A neurofunctional signature of affective arousal generalizes across valence domains and distinguishes subjective experience from autonomic reactivity”，研究通过创新方法分离静息态fMRI中的共激活模式，发现剩余信号能更精准表征个体差异与行为特征。研究发现特征化连接组呈现三大特性：个体间相似度降低、身份识别度提升，并能有效预测行为表型指标——其表征个体行为差异的效能通常优于标准连接组。这表明在主导静息态功能连接的共激活信号之外，还存在更具价值的神经信号，或许能更精准刻画大脑内在功能架构。

个体间相似的连接组活动本身具有重要价值并能预测行为，但是剩余活动信号长期被学界忽视。通过弱化共性特征、强化个体差异的"漫画处理法"，研究人员连接组对年龄、智商和情绪处理等特征的预测能力显著提升。研究发现经过漫画化处理的数据承载着与原始数据不同的信息维度。

本研究采用了人类连接组计划、加州大学洛杉矶分校神经精神现象学联盟及耶鲁大学自主研发的功能性磁共振成像数据集。首先，研究者从数据集中识别出关键模式：当受试者执行特定任务时，不同脑区会同步激活或抑制的跨个体共性特征。随后，他将这些共性模式从受试者静息状态下采集的功能磁共振成像数据中剔除。

图1 实验主要分析

研究结果证实，这种方法有效扩大了数据中个体间的差异度，同时使同一受试者的不同扫描数据更易被识别。这证明研究方法确实实现了数据的'漫画化'处理。另外一个核心问题在于这种方法对行为特征预测能力的影响。通过检验多种特征，研究人员发现漫画化处理通常能提升预测精度。

但有趣的是，并非所有特征的预测都得到改善。研究人员说："经过漫画化处理的连接组在预测年龄、智商、性别、体重指数以及情绪处理、物体相似性识别能力等方面表现更优，但对边缘型人格障碍的预测效果反而减弱。"这种预测效果的不均衡性说明，该方法不仅仅是'净化'数据或简单去除噪音。这些发现还表明特定特征和行为预测需要依赖差异化活动模式，而其他特征则需借助共性模式——这意味着两类模式承载着不同类型的信息。”研究团队验证了这一观点。当将漫画化数据与原始数据结合使用时，预测效果比单独使用任一类数据都更理想。

参考文献

Rodriguez R X, Noble S, Camp C C, et al. Connectome caricatures remove large-amplitude coactivation patterns in resting-state fMRI to emphasize individual differences[J]. Nature Neuroscience, 2025: 1-11.

资讯来源

https://medicalxpress.com/news/2025-11-caricature-brain-method-sharpens-cognitive.html/

解读：王淳