意志性眼动控制与ADHD的关系：一项来自双生子的研究

自上而下的意志性眼动控制是人们在日常生活中完成目标导向性行为的重要功能，该功能的损伤可能是注意缺陷多动障碍（ADHD）的内表型。本研究以双生子为被试，探讨了其在反应抑制眼动范式的表现与父母评定的ADHD特征之间的关系。研究表明，自上而下的眼动控制与ADHD的注意力不集中特征之间存在明确的受遗传影响的关系。该研究发表在Journal of Child Psychology and Psychiatry杂志。

引言

注意缺陷多动障碍（ADHD）是一种复杂病因的神经发育疾病，其基因型和症状可能由多种病因引起。内表型是位于基因型和表型间因果链上的可遗传性状。反应抑制的损伤被认为是ADHD的一种内表型，在不同的抑制探测任务如停止信号范式，反向眼跳任务中均被报道。反向眼跳任务是一项能敏感测量自上而下抑制机制的反应抑制任务，该任务需要进行意志性眼跳而不是反应性眼跳。在反向眼跳任务中，刺激出现在屏幕中央，紧随出现一个在周围的刺激。要求被试注视周围刺激的镜像位置，而不是反应性地注视周围刺激。注视方向调制失败反映了目标导向的自上而下的抑制控制的失败。高方向错误在ADHD患者中很常见。除了方向错误外，ADHD患者还存在更多的预期眼动（即在显示周围刺激之前发生的凝视移动）。   

前人关于双生子的研究表明，反向眼跳任务中抑制反应性反应的能力是遗传特征，但反向眼跳任务的表现与ADHD之间的病因联系缺乏直接证据支持。前人研究表明，其它类型的反应抑制与ADHD有遗传关联，但尚不清楚这些发现如何与眼球运动水平的反应抑制相关。此外，虽然先前研究表明，反向眼跳任务的表现是遗传的并与ADHD有关，但没有研究直接评估两者之间的遗传关联。本研究在一个大的双胞胎样本中评估了反向眼跳任务的表现和ADHD特征，以期进一步了解两者之间的病因联系。

本研究检验了以下假设：

（1）较高水平的抑制错误与较高水平的ADHD特征相关。

（2）抑制与ADHD的个体维度特征之间存在共同的病因遗传影响。

方法

被试：   

从瑞典的纵向儿童和青少年双胞胎研究（CATSS）中招募9-14岁的儿童。邀请双胞胎参加行为评估（认知评估加上父母报告的ADHD测量和背景问卷）和眼动追踪任务。存在听力或视力损伤、大脑发育障碍、不精通瑞典语以及异性双胞胎和有缺失值的双胞胎个体被排除在外。   

研究收集了723名儿童的眼动追踪数据，其中640名儿童被纳入最终分析。最终的样本包括158对单卵（MZ；55.7%女性）和162对双卵（DZ；53.1%女性），平均年龄为11.1（SD=1.3）岁。在本研究评估时，共有14名参与者（2.18%）被诊断为ADHD。表1显示了研究样本的人口学变量、ADHD特征、反应抑制测量的表现以及未标准化的智商得分（分布图见图S1和S2）。

表1 研究样本特征

图S1 样本中注意力不集中和多动/冲动性特征的分布

图S2 眼动追踪变量的分布：方向错误和预期眼动的比例

程序

测试包括眼动追踪任务（反向眼跳任务和其它与当前研究问题无关的范式），认知评估和父母报告问卷。本研究使用远距离红外眼球追踪系统（Tobii T120；120Hz采样率）来记录眼球运动。使用Tobii Studio在23英寸显示器上以1024*1280像素分辨率全屏显示刺激。参与者距离显示器约60厘米。任务开始前，使用9点校准图确定眼睛的位置。校准成功后开始正式实验。当双胞胎1完成眼动追踪任务时双胞胎2完成认知评估任务，父母完成关于双胞胎的电子问卷。短暂休息后，这对双胞胎的任务（和父母）进行了调换；完成所有测试耗时约120分钟。接受ADHD药物治疗的双胞胎被要求在测试日不要服用药物。

1、 反向眼跳任务

该任务中，一个刺激出现在屏幕中央（CS），接着在周围出现一个新的刺激（PS）。一旦PS出现，要求被试尽可能快地注视PS的镜像位置。刺激有两种呈现条件：间隔和重叠。在间隔条件下，CS在PS出现前200ms消失。在重叠条件下，PS出现时CS仍显示。CS由一个黑色十字和一个黄色圆圈组成，两者的视野宽度均为1.5°，背景为灰色。共48个试次，在正式试次之前完成3次练习试次，并在必要时重复指导语。

间隔与重叠条件的呈现概率相同。PS出现在左右侧的概率相同，出现的位置随机。CS呈现1600 ms或1200 ms，PS呈现1000 ms，因此一个试次共持续2600ms或2200 ms。条件（间隔/重叠）和持续时间（长/短）间呈现是随机的。因变量是方向误差（方向误差占有效试次总数的比例）和预期眼动（预期眼动占有效试次总数的比例）（这篇文章对实验的具体操作过程描写相当到位，达到了可以看着文章描写就能把实验重复出来的程度，当然一定程度上与文章中的实验操作比较简单明了有关，但是以后的文章中对实验操作细节的描写一定是从能够被其他研究者有效重复出发的，对实验细节的阅读和把握可以大大提升你对实验意图和实验结果的理解）。

2、 ADHD特征

本研究使用瑞典版的父母长版Conners 3量表测量ADHD特征。该量表具有较高的重测信度（r=.71～.98）和内部一致性信度（a=.52～.94），良好的鉴别诊断效度。作者使用注意力不集中和多动/冲动子量表的原始总分，以及两者的总和来反映ADHD的总体特征。这些子量表共有24个项目（最大注意力不集中得分：30，多动/冲动：42）涉及上个月的注意力不集中行为以及多动和冲动行为。

3、 智力

本研究使用韦氏儿童智力量表第四版（WISC-IV）中词汇、数字广度、编码和矩阵推理子量表的分数来评估认知能力（韦氏智力量表已经更新到第五版，不知道这篇研究为什么没有用最新的版本，一般这种商用公司的出版的最新版本会比前一代版本有更好的适应性，如果大家能用最新的，尽量用最新的）。 

眼动追踪数据分析

使用在MATLAB（MathWorks）中编写的自定义脚本进行数据分析。试次在每个条件下（间隔/重叠）进行独立分析。为了识别眼跳，脚本将两个67ms长的滑动窗口的中值应用于采样的凝视（gaze）位置（这是左右眼位置的平均值）。如果位置变化率超过39°/s的速度阈值，则标记为眼跳。为了算定向性眼跳，要求眼跳开始于中央兴趣区（AOI）之内，定义为7°3’宽和10°4’高，在PS出现后结束于AOI之外。短于60 ms或长于800 ms的眼跳被排除。该阈值与之前的研究一致，是根据样本的数据分布精心选择的。

一个有效试次需要满足以下纳入标准：

（a）gaze首次离开中心AOI之前的最后200 ms内（PS出现前），在中心AOI内至少50%的样本是有效的gaze数据。这确保了离开的潜伏期不是基于虚假的数据，排除了预期的眼球运动。

（b）在PS出现前，gaze在中心AOI内至少有50%的时间为CS。这确保了被试在注视转移之前看过CS，并且排除了大量数据丢失的试次。

（c）要求在确定的眼跳之后的gaze数据样本是注视点的一部分，即在随后的200 ms期间，至少50%的gaze数据位于中央AOI的两侧。

如果眼跳朝向PS而不是其镜像位置，则将其标记为方向错误，表示为与有效试次总数的比例。预期的眼球运动表示为预期眼动试次与有效试次加预期眼动试次之和的比例。当至少50%的gaze数据样本在PS出现之前的最后200毫秒内已经在中央AOI之外时，被认为是预期的眼球运动。若检测到预期的眼球运动则试次无效。（在眼动数据处理中，眼跳的判定和注视点的判定可能对研究结果有明显的影响，现在大家一般使用商用软件中的算法来直接判定这些基本指标，从不同研究的发表情况看，是收到期刊和科研人员的支持和认可的，所以一般没有特殊需求，不建议自己写计算代码来进行判定，除非你有良好的眼动数据处理的理论基础） 

统计分析

表型关联：

研究了反应抑制测量（方向错误和预期眼动的比例）和个体ADHD特征（注意不集中和多动/冲动）之间的关系。智商、年龄和性别作为协变量，使用WISC-IV子量表分数（数字广度、编码、词汇和矩阵推理）来包含智商的不同方面。使用了多元线性回归混合效应模型分析这种关联，该模型考虑了双生子内的非独立性。此外，为了解释因变量的偏态性（即反应抑制测量），引入了非对称标准误差（图S1和S2）。为了简化效应量的比较，所有报告的系数都是标准化系数。

双重分析：

为了检验变量之间的协变量来源，使用了双变量孪生模型（即双变量分析，作者这里只是基于统计检验的对象，起了这么个名字，双变量分析是定量（统计）分析的最简单形式之一。为了确定它们之间的经验关系，它涉及两个变量（通常表示为X，Y）的分析。双变量分析有助于检验简单的关联假设，作者这里利用多元线性回归中对协方差的估计进行了不同模型影响的估计，作者下图中用到的路径图示只是通过不同协方差的影响值标注出对双变量的不同影响，不是路径分析方法实现的）。单卵双胞胎（MZ）在基因上是相同的；因此，当与同性双卵双胞胎（DZ，只分享50%的基因）在某一性状上进行对比时，可以推断出该性状变异的来源。例如，如果MZ双胞胎比DZ双胞胎更相似，这可以归因于遗传效应。性状变异的来源可分为基因[遗传；可加的（A）和不可加的（D）]，环境影响可进一步分为共享（C；包括除遗传外使双胞胎彼此相似的一切，例如家庭环境，社会经济地位）和非共享（E；包括使双胞胎彼此不同的一切，例如，测试当天生病）。

利用多元孪生分析，可以估计两个（或多个）变量之间协变量的遗传来源和环境来源。性状间的遗传重叠程度（同一组基因）称为遗传相关。同样，也可以估计共享和非共享环境影响之间的重叠程度。使用贝叶斯信息准则（BIC）来检验拟合优度。BIC通过权衡模型对数据的拟合程度以及使用的参数数量来确定最简约的模型，较低的BIC值表示一个更好的拟合模型（与此相同的还有AIC指数，都是用来评价模型的拟合优度的）。所有的统计和孪生模型分析都是使用MPlus进行的。
结果

群体比较

尽管被诊断为ADHD的参与者很少，但这组个体在反应抑制任务和多动症特质量表上的得分较高（表2）。方向错误g_Hedges=0.61（95%CI：0.06，1.16）和预期眼动g_Hedges=0.80（95%CI：0.27，1.33）有中等效应量。这些效应大小完全符合先前的研究（hedges是T检验时不符合两组样本方差齐性检验时，一般来说是两组样本不等时，使用的校正后的效应量，其大小和cohen d 一致），显示了ADHD中两种类型的眼跳抑制的问题，需要注意的是，由于诊断个体的数量较少，这些估计的准确性较差。

表2 有或无ADHD诊断的参与者反应抑制和ADHD特征的平均值和标准差

全样本中的表型关联

方向错误：本研究样本中，ADHD的总体特征（beta=-.01；95%CI：0.07,0.04）。注意力不集中（b=.03；95%CI：0.09，0.16）和多动/冲动（b=0.08；95%CI:0.23，0.07）都不能预测方向错误。因此，作者不再进行包含这一变量在内的任何分析。

预期眼动：ADHD的总特征是预测预期眼动的一个重要指标（b=0.11，95%CI:0.04，0.19）。注意力不集中（b=0.19，95%CI:0.09，0.29）即使在包含协变量（年龄、性别、多动症和智商；b=0.15，95%CI:0.02，0.28）后，也是预测预期眼动的显著因素，但多动/冲动不是（b=0.01，95%CI:0.09，0.07），表明更高的预期眼动与更高的注意力不集中特征特别相关。

孪生分析

在注意力不集中（rMZ=0.27，95%CI:0.13，0.41；rDZ=0.06，95%CI:0.001，0.12）和预期眼球运动（rMZ=0.39，95%CI:0.17，0.61；rDZ=0.02，95%CI:0.11，0.15）方面，同卵双生子的相关性是异卵双生子的两倍多，表明遗传效应的影响。

基于孪生相关，拟合了一个相关因素ADE模型（见图S3）。AE模型和DE模型也被用来进行比较。经比较，AE模型被确定为与先前理论概念（以ACE模型为起点）和过去研究结果之间的合理折衷的拟合模型（表3）。

图S3  ADE模型相关因子解的路径图

注释：显示潜在遗传（A=累加；D=非累加）和环境（E）效应（黑色箭头）的标准化路径系数和95%置信区间的路径图。图的上部显示了累加遗传相关性（红色箭头）、非累加遗传相关性（绿色箭头）和非共享环境相关性（蓝色箭头）。
                      表3 不注意和预期眼动二元模型拟合结果

AIC，Akaike信息标准；BIC，贝叶斯信息标准，可以看出DE模型拟合最优

      未经调整的AE模型（图1）评估表明，注意力不集中的遗传率较高（h²=0.70；95%CI：0.60，0.79），预期性眼动遗传率中等（h²=0.49；95%CI：0.35，0.62）。双变量模型确定了注意力不集中与预期眼动比例之间中等大小的遗传相关性，但精确度相对较低（r=0.19；95%CI：0.02，0.36）。

图1 不注意和预期眼动的AE二元模型相关因子解的路径图

注释：标准化了加性遗传效应（A）和非共享环境效应（E）的路径系数和95%置信区间（黑色箭头）。遗传相关性（红色箭头）和非共享环境相关性（蓝色箭头）显示在图的上部。
   在对二元模型（图S4）中的协变量进行调整后，注意力不集中（h²=0.57；95%CI：0.44，0.67）和预期眼球运动（h2=0.40，95%CI:0.21，0.56）的遗传力估计值仍然显著。然而，在校正协变量（ra=0.09；95%CI:0.16，0.36）后，注意力不集中和预期眼动之间的遗传相关性没有达到统计显著性，未校正和校正模型之间的置信区间相同。在除多动/冲动外的协变量的模型中，结果相似（图S5）。

图S4  AE模型相关因子解的路径图（包括协变量）

注释：显示加性遗传效应（A）和非共享环境效应（E）的标准化路径系数和95%置信区间的路径图（黑色箭头）。图的上部显示了遗传相关性（红色箭头）和非共享环境相关性（蓝色箭头）。HY：多动/冲动，4IQs：WISC子量表（数字重复，编码，词汇，矩阵）。

图S5  AE模型相关因子解的路径图，不包括作为协变量的多动/冲动维度

注释：显示加性遗传效应（A）和非共享环境效应（E）的标准化路径系数和95%置信区间的路径图（黑色箭头）。图的上部显示了遗传相关性（红色箭头）和非共享环境相关性（蓝色箭头）。4IQs：WISC子量表（数字重复、编码、词汇、矩阵）。

讨论本

研究发现，父母报告的注意力不集中特征，与眼睛运动的细微变化有表型联系，这种表型联系有共同的遗传效应，这表明在反向眼跳任务中表现不佳可能是注意力不集中ADHD亚型的内表型。

反向眼跳任务中的预期眼动与父母报告的不注意行为之间的表型关联与病例-对照文献一致。先前研究中，与对照组相比，ADHD患者在反向眼跳任务中出现的提前的眼跳次数增加。与文献一致，孪生相关和单变量孪生模型评估表明两种测量都有遗传影响。在调整协变量时，注意力不集中（h²=0.57）和预期眼球运动（h²=0.40）的遗传力中等，与之前ADHD特征研究和反应抑制测量中的报告相似。有证据表明，注意力不集中特征和预期的眼球运动之间存在显著的遗传相关性（r_a=0.193），这一发现与使用停止信号范式的研究一致，后者也发现了反应抑制测量子集与ADHD特征之间的遗传关联。然而，在校正协变量后，相关性不显著。这一结果可以由广义基因假说解释，该假说认为，多效性或“广义”基因作用于许多表型，导致在遗传水平上缺乏特异性。或者，在控制所有协变量后，我们可能缺乏检测独特基因贡献的统计能力。

生理学上的解释可能归因于多巴胺能系统。ERP研究将ADHD患者预期眼球运动次数的增加归因于CNV均值的减弱或几乎消失，一种与多巴胺能相关的运动准备/准备电生理成分基底节活动。这种预期控制的缺陷也符合认知能量模型，该模型认为低CNV激活可能是能量状态的结果。预期性眼球运动也与位于上丘的注视和眼跳细胞、FEF和DLPFC有关，属于额叶顶叶、背侧注意和视觉网络结构，影像学研究中ADHD的这些结构有改变（也就是说缺乏类似的功能像研究，比较让ADHD躺在核磁里做研究也太难了，但可以考虑定位能力比ERP更好的近红外成像手段来进一步研究该问题）。

与对预期性眼球运动的发现相反，本研究没有观察到方向错误与ADHD特征之间的联系。这些结果与其他没有观察到这种关联的研究结果一致，或者在不同的实验条件下未能一致观察到这种关联。尽管如此，Aichert等人（2012）报告了方向错误和冲动性之间微弱但显著的联系。然而，值得注意的是，尽管本研究缺乏两者的关联性，但我们观察到诊断样本和阈下样本之间的平均差异，这与大多数病例-对照研究一致。对这些差异的潜在解释是，ADHD特质评分未能捕捉到导致表现差异的缺陷，例如，动机和唤醒，或者抑制缺陷并不一致，也不普遍存在于ADHD个体中。因此，尽管我们不能完全排除方向错误作为ADHD状态标记的可能性，但这一有趣的模式要求我们对ADHD个体的方向错误进行更深入的研究，而不是那些具有高ADHD特征、亚阈值和未诊断的个体。
局限性和未来方向

本研究可能由于样本量的关系，未能研究一些小但有意义的关联，如探索潜在的性别效应。此外，虽然研究样本包括来自一名医疗从业者临床诊断的亚组，但该亚组数量较小，未达到预期的人群患病率，且未经独立验证。

像这样的双胞胎研究提供了遗传变异与表型变异比率的信息，并且可以识别共同发生表型的遗传（和环境）路径，然而不能直接告知所涉及的基因变异。因此，后续研究的一个方向是分子遗传学研究。基因分型和使用遗传工具（例如，全表型和全基因组关联研究、多基因评分）的方法有助于识别遗传途径。通过识别特定的基因，可以尝试通过实验、动物模型或观察方法（如孟德尔随机化），探索因果关系的方向，并解开交叉表型关联中的遗传多效性效应。另一个前瞻性的方向是纵向双生子设计，探索在整个生命周期中观察到的共有病因的稳定性。

通过更好地理解ADHD神经认知特征和病理生理学之间的相互作用（例如，意志性眼动控制是否会导致注意力不集中），是朝着改进治疗方案迈出的关键一步，例如，通过在紊乱亚组中识别更个性化的治疗方法，可能实施诊断标记物，或与眼动控制相关的早期靶向干预。
结论

过早（或预期）的眼球运动与ADHD特征的相关说明，这种表型是可遗传的，更具体地说，与注意力不集中特征呈正相关。这种表型关联似乎反映了共同的遗传病因。本研究通过识别注意力不集中行为和反应抑制之间的独特的部分遗传关系，加深了我们对ADHD表型的理解；然而，眼球运动是否在ADHD的病理生理学中起到因果作用，还是作为注意力不集中的潜在内表型发挥作用，仍有待确定。更详细地了解自上而下的眼动控制与日常生活中的行为问题之间的联系是进一步研究的重要课题。

从全文的分析看，本文重点在探索性分析，对于假设的验证性分析篇幅较小。本文使用的mixed model在现在的数据分析中越来越受到，那么为什么需要 Mixed-effect Model?因为有些现实的复杂数据是普通线性回归是处理不了的。例如我们对一些人群进行重复测量，此时存在两种随机因素会影响模型，一种是对某个人重复测试而形成的随机噪声，另一种是因为人和人不同而形成的随机效应，如果将一个人的测量数据看作一个组，随机因素就包括了组内随机因素（noise）和组间随机因素，这种嵌套的随机因素结构违反了普通线性回归的假设条件。在本文中，作者所处理的双胞胎的数据其实是存在组间因素不独立的问题的，尤其是单卵细胞双生子的基因表型，是存在组内相关性的，使用一般线性模型的多元分析难以处理这种结构。因此，鲁迅先生说过：学好统计真的很重要！

微信扫码或者长按选择识别关注思影