原文标题：对环境变化适应的不对称性及其认知计算神经机制

　　能否快速适应环境变化是个体生存的基本能力。然而，我们是如何适应环境变化的尚不清楚。为了适应复杂环境，个体需要对环境波动性进行估计并灵活恰当地调整学习和适应策略。环境波动性（environmental volatility）是指环境中行为-结果间关系动态变化的快慢程度。以往研究发现个体在稳定环境和不稳定环境中的学习率不同：在稳定环境中，个体通常认为行为-结果的对应关系不会发生变化，对过去信息和近期结果赋予同等权重，表现出较低的学习率；而当环境从稳定变为不稳定时，个体表现出较高的学习率以适应环境的快速改变（Behrens et al., 2007）。然而，个体如何在不稳定环境和稳定环境转变之间进行适应，以及这一适应过程的脑功能机制仍然未知。

　　本研究使用概率反转学习任务并结合功能磁共振成像（fMRI），探究人脑如何对环境波动性进行适应。我们采用Rescorla-Wagner（RW）强化学习模型和贝叶斯学习者模型（Bayesian learner）对被试的选择行为进行拟合。模型结果显示，RW模型更好地反映了被试的选择行为，与被试实际选择的相关最高。行为结果显示，被试对环境波动性的适应受到环境改变顺序的影响：当从不稳定环境转变至稳定环境时，被试对稳定环境的波动性估计要高于不稳定环境；同时，被试在不稳定-稳定环境转变时表现出更高的学习率，表明被试对这一转变需要更多适应性学习。

图1 概率反转学习任务及模型和行为结果

　　脑功能激活结果发现，尾状核主要参与对环境波动性的编码，并且这一编码过程能够预测被试在任务中学习策略的调整。进一步的生理心理交互作用（PPI）分析发现，尾状核-背外侧前额叶（dlPFC）之间的动态连接与被试在任务中的平均学习率有关。此外，尾状核-dlPFC连接在不稳定-稳定环境转变时相比稳定-不稳定环境转变出现下降。以上结果表明纹状体奖赏系统与前额叶认知控制系统的动态连接共同参与大脑对环境波动性的估计。

图2 脑功能激活结果

图3 生理心理交互作用（PPI）分析结果

　　鉴于大脑作为一个复杂系统能够动态适应不断变化的环境，本研究通过动态脑网络分析进一步揭示个体适应环境波动性过程中大脑模块化结构的动态变化。结果显示，当不稳定环境转变为稳定环境时，被试表现出较高的网络灵活性（network flexibility），表明大脑在适应环境波动性过程中出现动态重组。这种从不稳定到稳定环境的适应灵活性与左侧额极、右侧顶上叶、左侧缘上回等脑区的活动有关。

图4 动态脑网络分析结果

　　综上所述，本研究揭示环境波动性转变过程中，个体行为和大脑上的非对称适应。个体对稳定-不稳定环境转变比不稳定-稳定转变具有优势适应，这种非对称适应受到纹状体奖赏系统，及其与前额叶控制系统间动态连接的调节，同时涉及大脑模块化结构的动态重组。本研究为人脑适应生活中环境变化的方式提供了新见解。