文章来源于Leads神经影像与电生理，已获转载授权
fUS技术是一种全新的脑功能成像技术，突破了传统脑功能成像的诸多局限，实现自由活动动物上的脑功能成像，推进了脑功能成像技术与动物行为学的深度结合。
自此，动物脑功能成像不必局限于麻醉动物或有限的一些简单刺激，利用fUS技术神经生物学家们可以获得动物丰富多样的行为过程中，宝贵的脑功能图像。此外，fUS技术相比较传统的fMRI等脑功能成像技术，具有更高的时空分辨率，更高的敏感性，能够捕捉到更多大脑活动的信息。
到目前为止，fUS技术已经被应用到大小各异的各种动物上，从小鼠，大鼠，雪貂，兔子到更大型的非人灵长类。本篇文章汇总了fUS在非人灵长类上的一些研究结果，借此望读者一窥此新技术的应用方向和前景。
01
Functional ultrasound imaging of the brain reveals propagation of task-related brain activity in behaving primates2019，Nature Communication
DOI: 10.1038/s41467-019-09349-w
本项工作利用fUS技术研究猕猴在认知任务中脑功能的变化，发现supplementary eye field (SEF)脑区在猕猴盯点任务中被激活，并利用fUS 极高的时间分辨率，研究了任务激发的脑信号在皮层不同位置出现的时间差，以及在同一皮层区域内信号扩布的情况。
图1. 左图，猕猴头部佩戴fUS探头，需通过盯点的方式将屏幕中的点移动到屏幕的一侧的圈内，这样的trail重复多次持续60秒，接着进入60秒的无任务时间段，循环进行。下方屏幕可见采集到的fUS脑功能图像。右图，从无任务时间段（红）进入任务时间段（绿），SEF脑区的脑功能信号明显增强，并且在第一个trail开始后一秒就可检测到脑功能信号的增强。
图2. 得益于fUS超高的时间分辨率（10ms)，不但检测到任务引起ACC及SEF这两个皮层区域的脑功能响应，而且观察到这两个脑区响应时间上的差异，SEF脑区是首先激活的，而ACC的激活在其后，并且在这两个区域任务引起的脑功能信号都是从皮层外层向内层扩布的，扩布的速度在这两个脑区有明显的差异。
02
Functional ultrasound imaging of deep visual cortex in awake nonhuman primates2020，PNASDOI: 10.1073/pnas.1916787117
对于非人灵长类视觉皮层的研究，fMRI是一个十分有用的工具，但是由于fMRI的空间分辨率有限，只能得到低分辨率的视网膜脑图（retinotopic maps），而视觉皮层中的眼优势柱则无法分辨。光学成像的方法能够提供高分辨率的成像，但是只能观察到皮层的表层和较小的观察视野。这就意味着光学成像无法用来观察非人灵长类的深层视觉皮层。
而利用fUS技术，研究人员首次在清醒的非人灵长类深层视觉皮层上观察到眼优势柱的存在，并实现完整视觉皮层的高精度观察，这是采用其它活体成像技术难以实现的。
图3. A，B，C显示了视觉刺激呈现的方式和fUS探头检测的深部脑区。D，单次呈现0.5s的视觉刺激就能在视觉皮层检测到显著的活动增强。重复10次刺激足以得到精准的响应，可用于视网膜脑图（retinotopic mapping）的构建。
图4. 以往的研究表明非人灵长类浅层视皮层存在眼优势柱结构，左眼与右眼优势柱呈间隔排布，而深层视皮层是否也存在类似结构一直无法确定。这里利用fUS技术首次清楚地表明，在猕猴深层视皮层上同样存在间隔排布的左右眼优势柱。
03
Single-trial decoding of movement intentions using functional ultrasound neuroimaging2021，Neuron
DOI: 10.1016/j.neuron.2021.03.003
在2021年新发的这篇Neuron文章中研究人员利用fUS技术作了全新的尝试，首次将脑功能成像技术运用到脑机接口领域。脑机接口是指在人或动物大脑与外部设备之间创建的直接连接，实现脑与设备的信息交换。脑机接口中所接收的大脑信号通常是电信号，一般使用植入式电极来采集神经元放电。然而植入式电极一方面对大脑造成创伤，另一方面也存在随时间老化的问题。在这一工作中，研究人员尝试利用无需植入大脑的fUS探头来获取恒河猴大脑的信号。
图5. 两种实验范式，恒河猴在盯点之后呈现提示点，记忆提示点位置，随后根据提示点的位置移动眼睛（上）或拉杆（下），移动方向正确即可得到奖励。
图6. 左图为功能性超声图像，亮斑为呈现向左或向右提示点后的脑功能信号存在差异的位点。C，D分别为左图上c，d位点的脑功能信号，可见c位点对向左和向右的提示有差异的响应。正是由于存在这些差异响应的位点，通过机器学习能够准确地预测动物即将做出向左或向右的移动。
研究结果显示，在几秒钟内算法预测出非人类灵长类动物将要进行的行为（眼球运动还是拉杆）、运动方向（向左还是向右），以及它们计划何时运动。论文显示，这一新方法预测猴子眼球运动的准确率约为78%，预测拉杆动作的准确率为89%。
这一研究一方面为未来脑机接口的研究开启了新的方向，另一方面也证明了fUS信号具有高度的准确性和敏感性，单次trail的信息就足以作出正确的预测了。