有没有第四种方法呢？有，就是利用现有的各种基因数据库，站在分子进化论的角度，从基因多态位点的结构和分布中寻找基因和位点近期选择的蛛丝马迹，然后推测造成近期选择压力的人类行为或特质。这种方法首先要求能够从海量的基因数据中寻找近期选择的基因和多态位点，主要是学会看两种图。涉及到的知识其实都是基于高中的孟德尔遗传定律，只是从群体的角度，用概率统计的方法去理解孟德尔遗传定律。第一种是VG图（http://pga.gs.washington.edu/），第二种是看u-shape curve.

先说第一种图，什么是VG图呢？就是在一定的region范围中有很多SNP位点，把其中的一个SNP位点拿出来考察。把这个SNP位点的两种纯合子都挑出来。在每个纯合子中，把其他的SNP位点的纯合子、杂合子用不同的颜色表示出来。在这个图中，每一列代表一个SNP，从左到右是按照base position的顺序排列，每一行代表一个被试，横竖交叉的小格子代表基因型。详细的介绍可以参看网页：http://pga.gs.washington.edu/。下面就是一张VG图。这张图中有横竖两条灰线，竖线代表当前考察SNP位点的base position，横线（separate line）的上下分别是当前考察位点的两个纯合子被试，当前考察的SNP位点在88124340bp。而第一列代表的是在88025134bp的一个SNP。第一列下来可以看到separate line上面的格子都是蓝色，说明，当前考察SNP位点（88124340bp）的一种纯合子被试在88025134的这个SNP位点上也都是纯合子，即当前考察SNP位点（880124340bp）的与第一列代表的位点（88025134bp）连锁在一起。这个图的关键还不在这里。大家注意到separate line的下面，横竖格子几乎都是相同的颜色，这就是haplotype block，说明当前位点（88124340bp的下面一种纯合子的allele与周围的snp存在连锁不平衡，但是上面一种纯合子的allele却没有，即两种allele与周围SNP的结构存在差异。从孟德尔遗传定律来说，两个allele应该是一样的。所以这种差异提示下面一种allele可能受到近期的选择，导致它周围的SNP都随着它一起保留下来。为什么说是可能呢，因为这还关系到allele frequency和allele age。如果allele 很年轻，频率又很高，存在这样的大的block，说明是近期选择，这就涉及到U-shape 曲线了。

一、数据处理

freesurfer分析3D，最好是原始的dcm数据，不要进行数据转格式转换和坐标变化，原始数据就可以。所以把数据放在sub1,sub2,sub3…….,这样我们就可以用循环来做了。我们的计算机中心用的是PBS的系统，进行并行运算:

#！/bin/bash
#PBS  -N  sub1
#PBS  -l  select=1:ncpus=1
SUBJECTS_DIR=your_subjects_path
imge=`ls your_subjects_path/sub1/*.IMA|head  -n  1`
recon-all  -subjid  sub1   -i ${imge}

这就是分析一个被试的代码，然后用前面介绍过的sed命令，把sub1替换成其他被试编号，就生成了其他被试代码。然后 在端口敲入命令：qsub 代码文件。数据就开始分析了。

二、数据检查

数据检查主要tkregister2、 tkmedit、tksurfer三个命令结合起来。但是在这种视觉检查以前，应该先看前面recon-all.log文件是否报错。可是recon-all.log文件好大了，怎么办呢，用grep命令，查找一下文件里面有没有”error”,并输出含有“error”的行数：

grep  -n  “error” recon-all.log

如果都没有错误，那就OK.另外还有一个命令也很有意思，会自动帮我们察看是否存在top错误：

mris_euler_number  sub1/surf/lh.org
mris_euler_number sub1/surf/lh.white
mris_euler_neumber sub1/surf/lh.pial

如果这三个命令生成的数字完全一样，就没于top结构问题，然后我们再进行视觉检查,首先检查register:

tkregister2 --mgz --s sub1 --fstal --surf orig

然后检查tkmedit 和tksurfer检查白质、灰质分割问题。

tkmedit sub1 brainmask.mgz rh.white -aux wm.mgz -aux-surface lh.white
tksurfer sub1 rh inflated

检查的时候，一般在c130-170这部分slices问题比较研究，总是有脑膜被看成是灰质了，需要编辑brainmask.mgz，把它删掉。具体检查参看freesurfer wiki.检查完毕后，根据编辑过的地方重新跑一下数据。根据recon-all的步骤，先register,然后是-autorecon2-cp,然后是-autorecon2-wm, -autorecon2-pial，-autorecon3。当register出现问题时，几乎需要完全重新算数据,其他的就从编辑过的最早步骤开始。例如，一个被试修改过cp、wm,那么就从cp开始重新算。

recon-all  -subjid  sub1<
recon-all -autorecon2-cp -autorecon3 -subjid sub2
recon-all -aurorecon2-wm  -autorecon3 -subjid sub3
recon-all -autorecon2-pial -autorecon3 -subjid sub4

数据重新算后，还要一个一个地进行视觉检查一下，才能进行下一步数据统计分析.

三、数据统计分析

开始进行数据分析了。首先把数据对其到freesurfer自带的fsaverage空间上。数据跑完后，会自动出现在被试目录中。先把每个被试的数据叠加成一个4D的文件，而叠加顺序事先要设计好，把其他相关的变量也放进去。这里举一个简单例子：三组被试，每组两个被试：AA型、AB型、BB型，另外还有被试年龄数据，那么这个文件内容如下：

GroupDescriptorFile   1
Title g3v1
Class AA
Class AB
Class BB
Variables Age
Input sub1 AA 22
Input sub2 AA 19
Input sub3 AB 20
Input sub4 AB 15
Input sub5 BB 22
Input sub6 BB 18

当编辑好这个这个文件后，命名为g3v1.fsgd，意思是被试分为三组，一个连续变量。就运行下面的命令：

mris_preproc --fsgd g3v1.fsgd --target fsaverage --hemi lh --meas \thickness --out lh.thickness.00.mgz
mris_preproc --fsgd g3v1.fsgd --target fsaverage --hemi rh --meas \thickness --out rh.thickness.00.mgz

上面的命令把被试的皮层厚度数据按照g3v1.fsgd中德被试顺序排列成一个4D的文件,左右半球分别生成一个文件。但是这些数据没有进行smooth.然后我们进行10mm的smooth。可以用mri_info lh.thickness.00.mgz查看文件信息，如是不是有6个被试等。

mris_surf2surf --hemi lh --s fsaverage --sval lh.thickness.00.mgz --\fwhm 10 --cortex --tval lh.thickness.10.mgz
mris_surf2surf  --hemi rh --s fsaverage --sval rh.thickness.00.mgz --\fwhm 10 --cortex --tval rh.thickness.10.mgz

生成的文件lh.thickness.10.mgz和rh.thickness.10.mgz是最重要的数据文件.可以用mri_info命令察看数据信息。

下一步就要进行数据统计，在进行数据统计之前，我们还要做一些准备，举上面的例子吧。我想要检验三组被试皮层厚度是否存在差异，总体被试的皮层厚度与年龄的关系，每个组被试的皮层厚度与年龄的关系，不同组被试年龄与皮层厚度的关系是否有差异。我要做这些统计分析，就需要有design matrix. freesurfer默认design matrix从文件中读取，这些文件叫做mtx文件。准备mtx文件需要首先计算回归子的数据，公式为：Nregressors = Nclasses*(Nvariables+1) = 3*(1+1) = 6.这里我们的有三组，一个连续变量。所以有6各回归子。
考察AA与AB的组间差异则为：1  -1  0 0 0 0
考察AA与BB的组间差异则为：1 0 -1 0 0 0
考察AB与BB的组件差异则为：0 1 -1 0 0 0
所有被试皮层厚度与年龄的关系：0 0 0 0.333 0.333 0.333
AA组内皮层与厚度的关系：0 0 0 1 0 0
AA组与AB组皮层与厚度关系是否存在差异：0  0  0  1  -1  0
AA组与AB和BB组皮层厚度与年龄的关系是否存在差异：0  0 0  1 -0.5   -0.5
现在我们准备好了上面的所有文件，分别命名为 1.mtx、2.mtx、3.mtx....... 7.mtx

终于可以最后统计了，命令如下 ：

mri_glmfit --y lh.thickness.10.mgz --fsgd  g3v1.fsgd --C C1.mtx --C  \C2.mtx --C C3.mtx --C C4.mtx .... --C  C 7.mtx --surf fsaverage lh --\cortex  --glmdir g3v1.lh

这样结果就存放在g3v1.lh文件夹中，在这个文件夹中，还会生成7个子文件夹，每个文件夹对一个 统计比较 ，里面最重要的文件时一个叫做sig。mgz的文件

四、数据结果的整理和报告

当统计分析完后，需要对数据进行查看和整理，到底显著没有啊。首先肉眼看一下吧,看一下AA与AB有没有差异,p<0.01:

tksurfer fsaverage lh inflated -annot aparc.annot -fthresh 2 -overlay \g3v1.lh/C1/sig.mgh

如果有激活，下一步就是进行校正，这里就做Clusterwise Correction。

mri_glmfit-sim --glmdir g3v1.lh/C1 --sim mc-z 5000 4 mc-z.abs --sim-sig  \abs  --overwrite

这里用的Monte Carlo检验, 5000次, p<0.0001, Z进行绝对值比较，这样可以看双侧了，如果只想看AA>AB,那么就用“mc-z.pos”和 “--sim-sig pos”。overwright就是要把原始数据覆盖，生成一个新的CSD文件，放在C1文件夹中。这是一个文本文件。这一步需要几个小时的时间，这一步完成后，查看校正后的结果：

tksurfer fsaverage lh inflated -annot g3v1.lh/C1/mc-\z.abs4.sig.ocn.annot -fthresh 2 -curv -gray

或者

tksurfer fsaverage lh inflated -annot g3v1.lh/C1/mc-\z.abs4.sig.ocn.annot -fthresh 2 -overlay g3v1.lh/C1/mc-\z.abs4.sig.cluster.mgh

这就是最后的结果。

首先弗里德曼检验（friedman test）是一种非参数统计(nonparametric statistics），在不知道总体分布或者不考虑总体分布的情况下适用，数据是等级数据。举一个列子,有14个被试，采用6种不同的训练水平，每次训练后进行测试，得到成绩，即一个单因素多水平重复测量。首先，我们要对每次训练后的成绩转化为等级，即在spss中数据是ordinal的。如下：

当我们的数据在spss中准备好后，打开数据文件datasample.sav文件。然后从下来菜单File中open syntax，浏览到spss_friedmanph.sps（下载地址http://timo.gnambs.at/en/scripts/friedmanposthoc）,点击打开。这里，根据自己的数据需要进行一些修改，首先在文件中找到以下的代码：

*START Configuration 1*/
*Load demo file.
get file = data_friedman.sav.
*Significance level.
compute #alpha = 0.05
*Number of variables to compare.
compute #varcnt = 6.
*Sample size.
compute #sample =14.

把上面删掉的部分根据自己的数据修改：首先是数据文件、变量数目、样本数目，如果你觉得.05还不够严格，你可以改成.01等。然后点击Run all，就可以啦。结果如下：

如果上面mean rank difference of variables中的数据与下面的Critical rank difference（Schaich & Hamerle， 1984)或者Critical rank difference（Conover，1971，1980）中的数字比较，大则在0.05水平上显著了。

在报道结果的时候需要引用文献：

*    > Bortz, J., Lienert, G. & Boehnke, K. (2000). Verteilungsfreie Methoden in der Biostatistik. Berlin: Springer.
*    > Schaich, E. & Hamerle, A. (1984). Verteilungsfreie statistische Prverfahren. Berlin: Springer.
*    > Conover, W. J. (1971,1980). Practical nonparametric statistics. New York: Wiley.

其中，腹内侧前额叶和左侧背外侧前额叶通过比较来自腹侧纹状体和杏仁核的预期收益和预期成本的神经信号，对收益和成本进行比较加工。而在两侧顶内沟的BOLD信号反应了来自腹内侧前额叶的收益与成本之间的积累差异。当收益与成本之间的差异达到一定阈限，个体就会拒绝或者接受这个选项。

参看PNAS文章：How the brain integrates costs and benefits during decision making

这种现象很常见。很多家长在孩子的教育中，总是用物质奖赏让孩子努力学习，慢慢的孩子就丧失了学习的内部动机。那这种现象的背后，有什么样的神经机制呢？

认知神经科学家发现，纹状体前部和前额叶脑区参与了外部物质奖赏对内部动机的破坏。皮层基底节评价系统(the corticobasal ganglia valuation system)整合外部动机和内部动机的过程可能就是这种现象的神经加工过程。

参见PNAS文章：Neural basis of the undermining effect of monetary reward on intrinsic  motivation; Removing financial incentives demotivates the brain

在这之前，首先了解一下NIfTI格式如何存储图像信息。以3D图像为例，256 × 256，Sagital128层的数据，也就是有256×256 ×128个voxels，而每个voxel的坐标就是(i,j,k)。第一个voxel就是(0,0,0),第二个voxel就是(1,0,0),第三个是(2,0,o).坐标总是从零开始，当i到最大值255时，开始j，当j到最大值是，再从k开始。这些坐标与解剖方向完全没有关系。那么NIfTI格式与解剖有关的信息存放在qform和sform距阵中。当qform和sform矩阵的编码不为0时，才能提供有用的解剖信息，当编码为0是，则是unknown。这两个矩阵其中一个矩阵存储scaner中空间的解剖坐标信息，另一个则存储MNNI152的标准空间的解剖坐标信息。通常情况下这两个矩阵只有一个能提供信息，要不就是两个都是一样的。那怎么看一个图像的这些信息呢。用fslhd命令就可以查看图像的这些信息：

fslhd  2008110402_t1_mprage.nii.gz

就可以看到一下信息：

filename       2008110402_t1_mprage.nii
sizeof_hdr     348
data_type      INT16
dim0           3
dim1           256
dim2           256
dim3           128
dim4           1
dim5           1
dim6           1
dim7           1
vox_units      mm
time_units     Unknown
datatype       4
nbyper         2
bitpix         16
pixdim0        0.0000000000
pixdim1        1.0000000000
pixdim2        1.0000000000
pixdim3        1.3299789429
pixdim4        0.0000000000
pixdim5        0.0000000000
pixdim6        0.0000000000
pixdim7        0.0000000000
vox_offset     352
cal_max        0.0000
cal_min        0.0000
scl_slope      1.000000
scl_inter      0.000000
phase_dim      1
freq_dim       2
slice_dim      3
slice_name     alternating_increasing
slice_code     3
slice_start    0
slice_end      127
slice_duration 486.162506
time_offset    0.000000
intent         Unknown
intent_code    0
intent_name
intent_p1      0.000000
intent_p2      0.000000
intent_p3      0.000000
qform_name     Scanner Anat
qform_code     1
qto_xyz:1      0.000000  0.000000  1.329979  -83.099068
qto_xyz:2      -1.000000  0.000000  -0.000000  138.169495
qto_xyz:3      0.000000  1.000000  -0.000000  -135.455063
qto_xyz:4      0.000000  0.000000  0.000000  1.000000
qform_xorient  Anterior-to-Posterior
qform_yorient  Inferior-to-Superior
qform_zorient  Left-to-Right
sform_name     Unknown
sform_code     0
sto_xyz:1      0.000000  0.000000  0.000000  0.000000
sto_xyz:2      0.000000  0.000000  0.000000  0.000000
sto_xyz:3      0.000000  0.000000  0.000000  0.000000
sto_xyz:4      0.000000  0.000000  0.000000  0.000000
sform_xorient  Unknown
sform_yorient  Unknown
sform_zorient  Unknown
file_type      NIFTI-1+
file_code      1
descrip        t1_mprage_sag
aux_file

在上面的信息中，dim1, dim2, dim3就是(i,j,k)信息。我们可以看到qform_name 是 Scanner Anat，并且qform_code编码为1，并且可知qform_xorient  是Anterior-to-Posterior；qform_yorient是 Inferior-to-Superior，而qform_zorient 是Left-to-Right。也就是说，如果我们用fslview打开这个图像，第一个窗口是x*z平面，屏幕上左右拉动绿色线，向右x增大。如果关注图像解剖方向Ap，向P看到MNI坐标中y变负；第二个窗口时y*z平面，屏幕上左右拉动绿色线，向右y增大。关注图像解剖方向IS，向右S则MNI坐标中z变正；第三个窗口是x*y平面，左右拉动绿线，则z增大，关注图像解剖方向AP，向右则向P，MNI坐标中x变正。然后我们用fslorient -getorient  2008110402_t1_mprage.nii.gz查看图像是radiological还是neurological，结果是radiological。为什么呢？首先要了解什么是Radiological。

Radiological的坐标系主要指以我们自己为坐标只要有下负上正，左负右正就可以，不用去看fslview中的LR，PA，IS等信息。Radiological主要是从放射扫描工作中来的。扫描员面对病人的时候，以自己为参考点，右手为正，头顶为正，前面为正，这样的一个三维坐标系。由于病人是面对扫描员的，所以在扫描员的坐标轴中，病人左脑就是在右边，右脑在左边。Radiological严格说与LR，PA，IS等解剖结构没有关系。只要用fslview打开，拉动图像上面的绿线左右移动，如果向右x值增大或者y增大，向上z增大就是Radiological的坐标系。上面的图像2008110402_t1_mprage.nii.gz是sagital方向采样的，256*256*128，而且qform_xorient是 Anterior-to-Posterior，qform_yorient 是Inferior-to-Superior，qform_zorient是Left-to-Right，也就是在x*z，y*z，x*y三个平面上，分别向右拉得到x，y，x增大，这与radiological的坐标系是一致的，所以是radiological。Neurological只是以病人为参照系，相当于病人背对着扫描员，左边就是左脑，右边就是右脑。

通常而言，我们可以在fslview中打开一个标准的MNI152_T1_2mm_brain,看看是什么样子的：xyz坐标，向右拉动绿色的线，分别得到x，y，x都增大，向上得到z增大。对于解剖方向，旁边的MNI坐标为(有正负)：LR，PA；IS。记住标准空间中xyz坐标和MNI坐标的方向。可以用命令fslorient -getorient MNI152_T1_2mm_brain 可以查看MNI152_T1_2mm_brain的坐标是Radiological。

我们通常用MRIconvert和dcm2nii进行数据格式的转换，两个转换生成的方向一般是不一样的。MRIconvert不进行reorient。刚才我们的256*256*128的sagital的3D数据，经过MRIconvert转换后，得到2008110402_t1_mprage.nii.gz，fslreorient -getorient命令发现是radiological，解剖方向与MNI吻合，即MNI的x是LR，y是PA，z是IS。这时候只需要fslreorient2std  2008110402_t1_mprage.nii.gz 3d.nii.gz命令就可以了。可以用fslhd查看3d.nii.gz的信息，会发现与MNI152_T1_2mm_brain是一样的，在fslview检查也会发现与MNI一样，qform和sform都是：

qform_xorient   Left-to-Right
qform_yorient  Anterior-to-Posterior
qform_zorient  Inferior-to-Superior

用dcm2nii转换得到三个文件：2008110402_t1_mprage.nii.gz，o2008110402_t1_mprage.nii.gz, co2008110402_t1_mprage.nii.gz。文件2008110402_t1_mprage.nii.gz没有经过任何的处理，o开头的是经过reorient的图像，co是经过切脖子的并且reorient的图像。用fslhd查看o2008110402_t1_mprage.nii.gz和co2008110402_t1_mprage.nii.gz，这两个图像的信息是一样的，会发现qform_code和sform_code都是1，如下：

qform_xorient   Right-to-Left
qform_yorient  Anterior-to-Posterior
qform_zorient  Inferior-to-Superior

用fslorient -getorient 会发现是Neurological。这种情况需要用fslorient  -swaporient co2008110402_t1_mprage.nii.gz 3d.nii.gz就可以了。然后再用fslhd和fslorient -getorient查看一下是否与MNI一样。

fslswapdim命令可以一步完成操作。以2008110402_t1_mprage.nii.gz为例，在fslview中仔细地查看会发现，原来的-z是正确的x，-x是正确的y，而y是正确的z，于是命令：fslorient -swaporient  2008110402_t1_mprage.nii.gz  -z  -x  y 3d.nii.gz.然后用fslhd和fslorient -getorient查看图像与MNI的方向是否一样的。

首先需要有一个google帐号，点开google reader，最右上角有一个Add a subscriptiom。

打开pubmed网页，在搜索框中输入要订阅的杂志：neuron[jour],然后点击search,得到一个搜索结果。然后点击搜索框上面的RSS的图标，会出来一个RSS Settings的设置框，选择文献数目，默认是15，另外RSS订阅的名称，默认就是neuron[jour],我会改成neuron，然后点击Creat RSS，生成一个RSS seed，点击橘色的XML，打开一个链接，把这个链接的地址复制下来。

然后点击google reader页面下的Add a subscriptiom,粘贴复制的链接地址，点击Add，订阅就完成了。

每天早上，打开google reader，你就可以看到neuron杂志的最新文章的摘要了。

同一天，2010年12月1号，Neuroimge上面也刊登了一篇名为《Funcitional connectivity of the insular in the resting brain》。两个杂志同时刊登insula的文章，研究的结果也相似，非常有趣。

文章原文链接：

http://cercor.oxfordjournals.org/content/early/2010/11/19/cercor.bhq186.short?rss=1

http://www.sciencedirect.com/science?_ob=ArticleURL&_udi=B6WNP-51J9DKK-3&_user=10&_coverDate=11/24/2010&_rdoc=1&_fmt=high&_orig=search&_origin=search&_sort=d&_docanchor=&view=c&_acct=C000050221&_version=1&_urlVersion=0&_userid=10&md5=e42ac9bd5bb7fd46975c68e2b07876fb&searchtype=a

在很多任务状态下，焦虑水平能够预测amygdala与mPFC的功能连接强度。Kim发现，在rest状态下，高焦虑个体中，焦虑水平与amygdala与vmPFC的功能连接呈负相关，低焦虑个体的焦虑水平与amygdala与vmPFC的功能连接呈正相关。此外，高焦虑个体的焦虑水平与amygdala与dorsal mPFC的功能连接无关，而低焦虑个体的焦虑水平与amygdala与dorsal mPFC的功能连接负相关。amygdala与vmPFC和dmPFC的功能连接与焦虑水平的关系出现分离。

个体的焦虑水平在一定程度上也反映了个体的一种人格特质。大脑的结构和功能遗传与环境的共同产物。这种不同焦虑水平个体表现出来的大脑功能连接之间的差异是否反映了长期的一种心理行为对大脑结构和功能的塑造作用呢？

下面是英文原文：

Anxiety is linked to compromised interactions between the amygdala and the dorsal and ventral medial prefrontal cortex (mPFC). While numerous task-based neuroimaging studies show that anxiety levels predict amygdala–mPFC connectivity and response magnitude, here we tested the hypothesis that anxiety would predict functional connectivity between these brain regions even during rest. Resting-state functional magnetic resonance imaging scans and self-reported measures of anxiety were acquired from healthy subjects. At rest, individuals with high anxiety were characterized by negatively correlated amygdala–ventral mPFC functional connectivity, while low anxious subjects showed positively correlated activity. Further, high anxious subjects showed amygdala–dorsal mPFC activity that was uncorrelated, while low anxious subjects showed negatively correlated activity. These data show that amygdala–mPFC connectivity at rest indexes normal individual differences in anxiety.

文章链接：

http://cercor.oxfordjournals.org/content/early/2010/12/01/cercor.bhq237.short?rss=1

首先是sed的文件读取功能。假设有一个文本文件sublist，内容如下：

sub001

sub002

sub003

sub004

打印该文件的第2行的命令：sed -n ’2p’ sublist。或者 sed -n ”${i}’p’ sublist。这时候${i}指变量i。

打印该文件的第1到3行的命令：sed -n ’1,3p’ sublist。或者 sed -n ”${i}’,'${j}’p’ sublist。这里${i}和${j}都是变量。

打印含有字符”sub001″的行：sed -n ‘/sub001/p’ sublist。

打印第二行后所有内容：sed -n ”2,$’p’ sublist

除了以上的功能，sed还可以删除文本。以上面的文件为例子。只需要把p缓换成d则可以。

sed的文本替换功能，如果要把sub002替换成sub112.命令如下：sed ‘s/sub002/sub112/g’ sublist.