|
正文： 人脑的区域和系统级组织可以通过功能连接磁共振成像（fcMRI；不同区域之间的fMRI活动模式相关性）无创地映射。fcMRI可以用来识别功能上同质的区域和对应于任务激活方法检测到的模式的不同系统。对于大型人群，会出现一个“典型”的分布式功能系统的平均模式，该模式在不同研究中可重复，并映射到运动、感觉和更高级别处理的差异上。 然而，最近的工作也强调，任何特定个体都会在某些位置上与这种群体模式不同。我们将这些位置称为“网络变异”，在这些位置上，个体的功能连接模式与典型的群体平均值有显著差异。网络变异在时间上稳定，并且在任务状态中保持一致，与个体在任务相关脑激活和行为测量中的差异有关，这些差异在个体的亚群之间是一致的。我们假设网络变异反映了个体间功能性脑区组织的性状样变异。 尽管许多研究已经识别出大脑网络组织中的个体差异，但较少的工作探讨了变异是否呈现不同形式以及这些形式如何与其他物种的皮层神经解剖比较研究中观察到的源头和机制相联系。许多研究，包括我们过去的工作，通常将所有形式的皮层变异统一对待，经常假设变异是由系统间边界的边界移动驱动的：一个功能区域可能相对于典型模式扩展、收缩或略有偏移（例如，正如V1的文献所记录的，其大小在不同个体间可能相差两倍以上）。这些边界移动可能代表与行为变异相关的重要个体差异，并且可能通过功能对齐方法解决，该方法允许将特定于个体的区域在局部进行位移。 然而，大脑组织也可能与典型模式有更显著的不同，具有在远离它们规范系统组织的位置上出现的特异性功能连接磁共振成像（fcMRI）岛屿。我们称这些大脑组织的变化为“异位侵入”，以反映这些变异的异常位置（图1）。在发展中系统性剥夺可以看到主要感觉/运动区域的功能或连接性的戏剧性变化，但在神经典型人类的高级区域中这些变化有多常见则理解得较少——尽管之前有一些观察到它们的记录。异位侵入不容易通过扩展机制来解释，并且将难以通过只假设大脑架构中局部位移的功能对齐技术来解决，这使得群体研究产生混淆。  本研究的目标是考察人类中异位侵入和边界移动变异的相对普遍性，并比较这两种变异形式的属性。区分这些形式将加深我们对人类大脑组织中个体差异及其源头和后果的理解。 结果 我们使用了大型的人类连接组项目（HCP；N=374个无关个体用于主要分析，N=793个个体用于行为和双胞胎样本相似性分析）和精确的午夜扫描俱乐部（MSC；N=9，每个被扫描十次）数据集的组合，调查了“边界”移动变异和“异位”侵入——功能网络变异的更远端岛屿，这些岛屿并非与其典型布局相邻（见图1）。这两个数据集的结合使用，是为了利用它们在样本大小和个体数据量方面的相对优势，并展示这项工作的可复制性。 我们首先检查了与边界移动变异相比，参与者中异位侵入的普遍性。接下来，我们探讨了两种变异形式在空间发生、它们所属的网络以及任务反应时的比较。我们在家族样本中对比了变异，以估计它们受遗传相似性的影响，并检查了是否有个体亚群显示出相似的边界和异位变异形式。最后，我们研究了边界和异位变异如何预测行为表型。 边界和异位变异在人类中很常见 我们的首要目标是确定边界和异位变异发生的频率。我们使用了两种方法来定义边界移动和异位侵入。我们的主要方法（图1）基于它们与预定义的规范（发布的群体平均）网络边界的距离来定义边界移动和异位侵入。 我们的次要方法（补充图2）采用无分割的方法来定义这两种形式的变异，基于与群体平均网络中附近位置的连续相似性测量。这种方法的优势在于它不依赖于特定的群体网络分割（例如，参考文献11与参考文献10的群体网络）或网络分辨率（例如，参考文献10的7个网络与17个网络）。重要的是，两种方法的结果在很大程度上是一致的（补充结果）。 使用任一方法，几乎所有个体中都一致地识别出异位和边界变异：在9/9个MSC个体和371/374个HCP个体中观察到至少一个异位变异和至少一个边界变异（>99%）。在MSC中，个体网络变异中平均有49.9%（±10.4%）是异位变异；在HCP中，平均有42.6%（±14.9%）的个体网络变异是异位变异（图2a；见补充图3中使用我们的次要方法得到的类似结果和补充图4中HCP中异位比例的细分）。增加距离标准（从3.5毫米增加到5、7.5或10毫米）仍然保留了大量的异位变异，大约30%的变异在10毫米时被分类为异位（图2b）。实际上，异位变异与其所属网络的中位距离大于15毫米（补充图5）。使用我们的次要方法定义边界和异位变异时，结果也是一致的（补充图6）。当根据参与者自己的网络边界定义异位变异时，也获得了类似的结果（补充图7和补充表1）。因此，远距离的异位变异并不罕见，并且与边界变异一样，在人群中相对普遍存在。
图2：个体中边界和异位变异的普遍性。 图2 a，饼图显示了HCP数据集中所有个体（左侧）和MSC数据集中各个体（行）的边界和异位变异的比例。在HCP和MSC数据集中，几乎所有个体都一致地识别出异位变异和边界变异。 b，其他距离下异位变异的比例（误差条代表参与者间的标准误差；每个点代表一个单独的个体）。随着将异位变异分类所需的最小距离增加到5、7.5和10毫米，异位变异继续在HCP数据集中的所有变异中占有相当大的比例，即使在10毫米的距离下，这一比例也近30%。异位变异与网络边界的中位距离大于15毫米（补充图5）。使用无分割方法定义网络变异时也看到了类似的结果（补充图3和6）。 变异形式在空间分布上显示出差异 接下来，我们探讨了异位和边界变异是否出现在不同的位置。我们检查了人群中异位变异的空间重叠情况，并将其与边界变异的重叠进行了比较（图3a）。这两种形式的变异一般都遵循之前描述的在皮层关联区域更高的流行分布，特别是在侧脑前区、上脑前区和颞顶联合区（TPJ）附近。然而，直接对比显示边界变异和异位变异之间存在差异。在HCP和MSC数据集中也看到了类似的分布（补充图8）。  真实的异位和边界变异地图的差异性显著大于随机情况所预期的（基于排列测试的P < 0.001；方法和图3b）。异位变异在右半球的背外侧额区出现得更频繁，而边界变异在两个半球的颞顶联合区（TPJ）的前部和上额前区更为常见（图3c；基于簇校正排列测试的P < 0.05）。在更远距离定义的异位变异（补充图9）和我们的无分割次级定义方法（补充图10）中观察到了类似的结果。 网络分配在不同变异形式中有所不同 接下来，我们检查了每种变异形式的网络关联。通过识别最适合该变异种子图的模板（补充图12），将变异“分配”到一个网络（术语说明：一个给定网络分配的变异被称为，例如，“DMN变异”，指的是不在典型DMN区域但种子图与典型DMN分布匹配的位置；在典型DMN位置发现的区域被这样简称，不进行缩写）。在两个数据集中，无论是哪种形式，变异都经常被分配到默认模式（DMN）、额顶叶 (FP) 和扣带回-岛盖 (CO)网络，这与之前的报告一致（图4a和补充图13）。  当彼此对比时，我们发现边界和异位变异在不同网络中的相对普遍性存在差异。实际上，混合效应广义线性模型分析揭示了变异形式和网络之间的显著交互作用（P < 0.001），表明变异形式对个体级别变异频率的影响在不同网络中有显著差异。 在HCP数据集中使用我们的主要变异定义方法，边界变异更常被分配到默认模式网络（DMN）、额顶网络（FP）和顶枕网络（PON）。异位变异相对更多地与背侧注意网络（DAN）、顶叶内侧网络（PMN）和感觉/运动网络相关联。HCP数据集中变异标签的排列测试确认了这些观察结果（图4b）。如预期，异位变异在较小或空间更局部的网络中相对较多，因为这些网络边界更容易远离。然而，异位变异仍然常与大型网络如DMN(默认模式网络）、FP（额顶网络）、CO（扣带回-岛盖网络）、DAN（背侧注意网络）和视觉系统相关联，强调了它们的普遍性。MSC中变异网络分配的分布显示在补充图13中。虽然MSC中的变异总体较少（导致每个网络中变异形式的比例变化更大），但发现与HCP数据集一致，即异位变异与许多大（和小）网络相关联。无分割分类方法导致大多数网络的网络分布相似，尽管在异位与边界比例上存在一些差异（补充图14）。 有趣的是，结合位置和网络分配分析的信息，可以发现边界和异位变异在其区域相对于规范结构的“交换”模式不同（补充图15）。例如，在FP（额顶）网络的典型（即群体平均）区域中发现的边界变异最常被重新分配到DMN、CO（扣带回-岛盖网络）或DAN。因此，虽然各有特点，但这两种形式的变异在它们的变化方式上显示出一定的限制。 虽然本文的范围不包括完全探索变异形式（边界、异位）与网络分配之间的相互作用，但在未来的工作中详细检查这个问题将是有用的。为了帮助这一努力，补充图11为每个网络单独提供了边界和异位变异地图。 边界和异位变异展示了改变的任务响应 接下来，使用这两个数据集，我们询问这两种形式的变异是否显示出与它们特有网络关联一致的改变任务响应。遵循文献15的方法，我们首先关注来自MSC的混合设计任务（方法）。平均激活与基线对比，这种对比通常在DMN区域引发负激活，在FP、DAN和视觉系统中引发正激活。 在MSC中，异位和边界变异显示出预期方向上的任务激活反应偏移，这与它们的网络分配相符（图5b）。边界变异的激活偏移超出了基于新分配的预期激活，超过了异位变异。虽然我们观察到边界DMN变异的强烈任务去激活（t(7) = -5.38, P = 0.001，八名MSC参与者展示边界DMN变异），与规范DMN去激活密切对齐，异位DMN变异则显示出相对弱（但仍显著）的去激活（t(6) = -2.76, P = 0.033，七名MSC参与者展示异位DMN变异）。在“任务正性”网络如视觉、FP和DAN网络中也看到了类似的模式，而CO、语言和突显网络则没有被这种对比强烈调节。  图5：MSC和HCP中变异位置的任务诱发激活。 a, 在MSC中，DMN分配的变异体在个体内的平均激活与所有其他个体在同一位置的平均激活对比，边界变异（左侧）和异位变异（右侧）；九名MSC参与者中有八名展示了边界DMN变异，七名展示了异位DMN变异被纳入此分析。颜色代表不同的MSC参与者。双尾t检验显示边界（P = 0.00056）和异位（P = 0.00098）变异的功能激活从它们位置的典型反应偏移到基于它们网络关联的预期反应。使用我们的次级变异分类方法（补充图16）也看到了类似的结果。 b，MSC中一组混合设计任务的所有任务条件中变异的平均激活（z）（红色，异位；蓝色，边界），列出网络的典型位置（黑色）或其他网络的典型位置（灰色）。误差条表示个体间的标准误差。 c，MSC中向列出网络的边界（蓝色）和异位（红色）变异的归一化偏移（N = 9）。值表示列出网络的平均归一化值（计算为（变异 - 其他网络）÷（典型网络 - 其他网络））；误差条表示网络内对比间的标准误差。 d，HCP个体（N = 358）的平均任务激活。对于每个网络，如果网络的典型区域激活超过其他网络至少0.5%的信号变化，则包括对比。虚线标出了给定典型网络激活大于其他网络激活的对比与其他网络激活更大的对比。误差条表示给定对比的个体间的标准误差；参见补充表2以获取更多对比信息。 e，HCP中边界（蓝色）和异位（红色）变异向每个列出的网络的归一化偏移（N=358）。边界和异位变异在任务中展示了偏移响应，边界变异一致地更强烈地偏向其分配网络的规范激活（PON变异除外）。误差条表示网络内对比间的归一化标准误差。 这一发现进一步通过比较MSC中每位参与者的DMN变异在给定个体中的任务激活与其他个体中相同位置的任务激活进行了检验（图5a）。这一分析显示，在每个个体参与者中都观察到与该位置预期的相比，边界变异（t(7) = 5.97, P < 0.001）和异位变异（t(6) = 5.99, P < 0.001）都出现了类似的显著激活减少。然而，异位DMN变异出现在典型反应模式更为正向的位置，因此没有达到边界变异那样强烈的去激活水平。我们使用无分割次级分类方法发现了类似的结果（补充图16）。 我们将这些结果扩展到HCP中的额外任务和参与者。使用HCP数据集的分析级任务fMRI图来查询七个任务中的所有对比（见方法和补充表2了解对比名称）。图5d显示了每个对比按网络的结果。再次，两种变异形式都显示了偏移激活，但边界变异向同一网络的规范区域的预期方向偏移更远，而异位变异则较少。通过计算边界或异位变异向其规范网络区域的响应的平均激活偏移，并以所有“其他”网络区域的响应为基准进行归一化，确认了这一结果的一致性（图5e）。同样的分析也应用于MSC任务结果以确保一致性（图5c）。在所有情况下，边界和异位变异都显示了向规范网络响应的任务激活偏移。在HCP中除了一个网络外，边界变异始终比异位变异更强烈地偏向其网络的规范响应。 这些发现共同表明，边界和异位变异都与改变的任务激活有关，偏向于变异所分配网络的预期激活。与DMN关联的边界变异保持了与其分配网络规范位置类似的任务激活，而异位变异则显示出中等程度的任务激活响应。 变异形式表现出不同的遗传影响 为了更好地理解促成网络变异形成的因素，我们使用具有家族关系的HCP个体的扩展子集来检查双胞胎样本中的相似性（图6a）：单卵双生（MZ）双胞胎（N=88对），异卵双生（DZ）双胞胎（N=45对），兄弟姐妹（N=137对），以及无关个体（N=122对随机选取）。在MZ双胞胎中，网络变异的位置最为相似，DZ双胞胎和兄弟姐妹间相似性居中，而在无关个体间相似性最低（图6c）。这一模式表明网络变异位置受到遗传影响。实际上，基于Falconer公式的双胞胎样本相似性估计对于边界和异位变异都显著高于随机排列的零分布（分别为P<0.001和P<0.002；图6b）。使用无分割变异方法时也发现了类似的双胞胎样本相似性结果（补充图17）。这些发现与过去的报告一致，即功能网络组织是可遗传的，但在此基础上进一步证明了遗传影响特别是针对大脑的特异性变异位置。  误差条代表个体对之间的标准误差，中心位置显示的是对间平均Dice系数。 令人感兴趣的是，边界变异在同卵双胞胎之间的相似性似乎比异位变异更高（图6c；发现变异形式和组之间存在显著的交互作用，P < 0.001）。与DZ双胞胎和非双胞胎兄弟姐妹对（P = 0.015），以及与无关个体（P < 0.001，经Bonferroni校正）相比，MZ双胞胎在变异形式之间显示出更大的差异。对每个组内边界和异位变异相似性进行的配对t检验显示，除了无关个体组外，所有组别都表现出显著差异（MZ对和DZ/兄弟姐妹对各自的P < 0.001，经Bonferroni校正）。因此，与异位变异相比，边界变异与共享遗传信息的关联更为密切，这表明它们可能有不同的潜在来源。 子群体在边界和异位变异之间表现出差异 鉴于这些证据，我们询问不同的人是否共享变异特性。在之前的研究中【15】，我们发现网络变异在人与人之间以分类方式存在差异，并且可以用来识别具有相似特异性脑组织形式的个体子群体。在那项工作中，我们发现了两个大的可复制的个体群体：一个是与默认模式网络（DMN）更相关的变异，另一个是与控制和感觉运动处理系统更相关的变异。这些信息可能有助于限制关于个体大脑组织差异如何在人群中产生的理论。在这里，我们检查了在单独考察边界和异位变异时，是否可以明显看到类似的子群体。 HCP数据集中的374名无关个体基于其变异与11个网络模板的相似性被分组，然后被聚类成子群体（方法）。为了测试可复制性，分析在两个分半数据中进行（如参考文献15中所述）。对于边界和异位变异，都存在三个一致的子群体（图7a、b）。这些子群体包括变异如何与控制网络、默认（及相关）网络和感觉/运动网络相链接的差异（在补充结果中进一步描述）。分配是稳健的，个体内部会议间子群体分配的一致性高（>80%；补充图18），并且通过针对零模型的验证进一步得到证实（补充结果）。  显然似乎个体并未在不同变异形式的子群体中保持一致性分组（即，一个被边界变异分配到类似DMN的B1子群体的个体，并不一定基于异位变异被分配到类似DMN的E1子群体）。为了确认这种差异，进行了额外的分析，其中每个个体被强制分到DMN或控制/处理集群，因为这些是跨分析中最一致识别出的集群，使用模板方法（方法）。所有至少有一个边界变异和一个异位变异的HCP个体都被纳入此分析（N = 371/374）。然后比较了群组分组（图7c）。虽然一个个体基于边界变异的子群体与其总体（所有变异）子群体有些相关（调整后的Rand指数=0.30），但基于异位变异的子群体与基于边界（调整后的Rand指数=-0.008）或所有变异的子群体（调整后的Rand指数=0.099）是独立的。跨形式的聚类差异明显大于跨会话的差异（补充图18）。这表明边界和异位变异形式相对独立，呈现出个体间不同的模式。 变异形式在行为预测上的差异 在最后的探索性分析中，我们检查了边界和异位变异是否能预测扫描外测量的广泛行为表型，使用与我们在聚类分析中相同的网络关联度量。虽然这些关系可能很小，但它们可能开始识别这些大脑组织度量与认知和心理病理学度量之间的微妙差异。 我们使用十折交叉验证与支持向量回归预测扫描外HCP行为测量（参照19文献）的变异特征（方法）。与过去的结果一致，我们发现可以从fcMRI预测行为表型——在这种情况下甚至是在每个个体中限制在最具特异性网络位置的相对稀疏测量（补充图19和补充表3）。边界和异位变异的网络关联（即用于个体子群体分析的相同度量）在一定程度上预测了行为变量（平均边界预测r = 0.012, P < 0.04；异位预测r = 0.030, P < 0.001）。最强的预测与一系列情感、认知和生活质量的度量有关（补充图19a），异位变异比边界移动显示出更强的预测力（补充图19b）。 重要的是，边界和异位变异预测了不同的行为变量，并且没有任何行为变量同时被两种变异形式预测。边界和异位变异之间的预测相关性为 r = −0.126（补充图19c）。当使用变异的位置而非其网络关联作为预测特征时，观察到边界和异位变异之间的类似差异（补充图20）。同样，没有任何行为表型同时被边界和异位变异预测（边界和异位变异之间的预测相关性为 r = −0.09）。值得注意的是，在这种情况下，只有边界变异平均显著预测行为表型（平均 r = 0.015，P < 0.007），最强的预测出现在认知变量上。当使用无分割次级方法定义边界与异位特征时，获得了类似的结果（补充图21和22）。 这些发现表明，使用大脑网络特征预测行为度量是可能的，但这些关系平均而言复杂且相对微弱。边界和异位变异预测不同结果的证据表明，简单的汇总度量（例如，将所有大脑网络中个体差异的形式合并）会混合不同的大脑内表型并使解释变得模糊。为了测试这一想法，我们检查了将边界和异位特征结合起来是否会改善行为预测。有趣的是，尽管在分析中特征数量增加了一倍，我们发现联合模型和表现最佳的单一模型之间的预测结果相当（例如，对于网络关联，异位预测为 r = 0.030，联合预测也为 r = 0.030）。异位与联合模型之间的预测值相关性为 r = 0.73。因此，至少在这种情况下，将边界和异位特征结合起来并没有带来预测性能的提升，而是增加了对预测来源的模糊性。 讨论 在这里，我们记录了功能性大脑网络中个体差异的两种形式：邻近系统间边界的移动和异位侵入，即典型系统在其常规位置远处的岛屿。这两种形式的分离可能会为个体差异的来源及其对规范和病理行为的影响提供新的见解。 异位岛屿是常见的变异形式 近期大量研究提供了关于与认知变异相关的大脑组织中个体差异的证据。在这些研究中，个体差异通常被等同对待，经常假设它们反映了系统间边界的差异——例如，某个区域在附近位置占据了更多区域。然而，我们的工作表明，变异的大脑位置也表现为异位侵入。异位变异很常见，在两个数据集中约占40-50%的变异。即使在较远的距离（>10毫米远离典型网络）上，约30%的变异是异位的。因此，异位变异不仅常见，而且许多变异相当远离其预期的网络边界。需要不同的理论和方法来解决异位变异问题。 以前的工作已经暗示了异位变异的存在。文献11、15观察到个体的功能网络组织与群体平均网络不同的区域，包括远离通常观察到的边界的区域（例如，参考文献15中图4b的DMN变异和参考文献11中图7的CO（扣带回-岛盖网络）岛屿）。文献37记录了几个在个体层面地形学相对于群体平均表示的显著空间位移的实例。我们基于这些观察结果系统地描述了异位变异的普遍性，并确定它们如何与边界移动不同。 值得注意的是，异位变异是相对于群体平均定义的，基于假设群体平均代表了个体间典型的网络结构。这种方法在理解个体差异相对于许多基于群体平均的分析策略的后果方面也是相关的。然而，另一个问题是这些变异相对于特定个体的网络结构是如何定位的。当详细调查时，我们发现相对于群体定义的大多数异位变异也包括了岛屿，这些岛屿与个体内同一网络是分开的，这些岛屿区域具有与异位变异相似的基本属性（补充图7）。然而，未来的研究需要更详细地检查相对于特定个体网络的岛屿变异。 边界和异位变异是大脑变异的不同形式 比较神经解剖学研究已经表明，哺乳动物的皮层功能结构在皮层区域大小/位置、数量、组织和连接性等多种方面存在差异。尽管不经常讨论，但许多这些差异也在同一物种内的个体间观察到。过去的工作表明，即使在典型人群中，人类皮层区域的大小和位置也存在显著的变异（例如，V1区的大小（参考文献22），可能与视觉处理的功能差异有关（参考文献38,39,40），以及布罗卡区的位置（参考文献41,42））。结合这些工作，我们假设（参考文献15,43），变异代表了边界移动（相对于典型皮层区域布局的扩张、收缩或位移，这将在其典型位置附近产生差异）和异位侵入（远离典型组织结构的区域的连接性和功能改变）的组合。 在这里，我们展示了这两种变异形式在人群中和许多脑区普遍存在，但它们在空间位置、网络分配、任务激活、遗传影响、行为变量的预测和子群体分配等多个维度上存在差异。总的来说，这些观察表明边界和异位变异可能与不同的潜在源头相关联。 许多发展因素影响皮层功能系统的组织方式。皮层中模式中心的转录因子表达梯度控制许多皮层区域的大小和位置。有人提出，内在的遗传因素创造了“原始区域”，其边界通过依赖经验的机制被细化和锐化。类似的原理被认为是分布式皮层系统发展的基础，从一个原始的组织开始，通过经验被细化、分化和锐化，已有研究报告显示功能性大脑网络的遗传性。在这里，我们提供了变异位置受遗传影响的证据。然而，即使是MZ双胞胎之间的变异也远非完全相同，表明环境因素的重大贡献。有趣的是，MZ双胞胎中边界变异的相似性显著高于异位变异，表明边界移动可能相对更多地与遗传因素相关。 确实，尽管某些特性是遗传决定的，但深刻的经验差异（例如，在关键时期的感官剥夺）可以大幅改变啮齿动物的皮层区域大小、布局和连接性。同样，面孔的经验对于形成恒河猴的面部选择性区域至关重要，尽管基本的视网膜拓扑组织仍然存在。在人类中，先天性盲人显示出视觉区域的内部地形学完整，但区域间连接性存在差异，而那些只有一只手出生的人显示出代表其他身体部位运动功能的皮层区域扩张。MZ双胞胎中异位变异的较低相似性表明，这些变异可能更多地受到依赖经验的机制的影响。 这些在人类和非人类动物模型中的研究有助于解释皮层组织如何在个体间显示出实质的共性，以及在物种内的点状差异位置——一些与局部变化相关（例如，由于区域大小的变化可能导致边界变异），其他可能与更远的改变相关（例如，一个（子）区域的连接性/功能的强烈变化可能是异位变异的基础）。网络变异提供了一种稳健且高通量的方法，用于识别人脑中大脑组织的变化，有助于限制皮层区域变异的来源和后果的理论。未来的研究可以系统地测试这项工作提出的假设，使用网络建模方法的组合（例如，测试网络活动演化的级联交互模型）、不同年龄群体的变异研究（确定边界和异位属性在寿命期间的变化）以及纵向研究设计，以确定边界和异位变异在个体中随时间的变化。 对基础研究的影响 目前，许多静息态和任务相关的fMRI研究通过空间归一化来聚合或比较参与者数据，假设大脑系统的空间布局在个体之间是保持一致的。然而，大脑区域和系统定位的广泛个体差异可能会在进行群体级分析时导致不利影响，包括灵敏度和功能分辨率的损失，任务功能连接的预测准确性，任务诱发信号的预测，以及从静息态网络预测行为的能力。这些局限性导致群体研究无法全面解释大脑功能和认知。 通过更精确的解剖配准来改善个体间的对齐，例如通过基于表面的映射方法，可能会改善。然而，由此产生的功能重叠可能会因脑区而异，可能偏向于增强支持感觉/运动功能的区域的一致性。作为一种替代方案，基于功能信号本身的对齐方法可能会增加跨个体的一致性。这包括从每个个体收集功能定位任务数据，采用fcMRI方法从大量数据的个体中定义大脑系统和区域，或采用基于超对齐的技术来增加功能对应性。其他开发用于处理功能对齐的方法包括模板匹配技术，多模态功能/解剖配准，以及层次功能分区方法，即使在数据量较少的情况下也能识别个体的大脑系统和区域。 这些方法在跨个体比较中展示了巨大的实用性。然而，许多方法依赖于在相对受限的空间范围内调整区域。虽然在某些情况下这可能是合适的，但施加严格的距离标准并不适合检测距离其典型网络边界更远的异位变异（补充图5；近三分之一的异位变异发生在距同一网络边界>30mm的位置）。我们的结果主张使用能够（a）进行个体级区域识别（例如，个体定位器）或（b）允许区域的长距离位移（例如，采用扩大的聚焦程序）的程序。也有可能个体功能特征将与可用于对齐的可变细微解剖特征（例如，第三级脑沟）相关联。 调整异位变异在某些大脑位置比其他位置更为相关。异位变异在侧前额皮层相对更为普遍，这一区域被认为在任务控制、语言以及以感觉为偏向的注意力和工作记忆等高级过程中发挥作用。侧前额皮层异位变异的普遍性表明，研究人员在解释这些区域的群体级结果时应特别小心，除非执行了考虑非局部偏差的跨个体功能对齐方法。对侧前额皮层的理解可能会因使用改进的功能对齐方法的研究而得到推动，这些方法能够在跨个体异质性面前，将多功能区域与专门区域分离开来。相比之下，边界变异在颞顶联合区（TPJ）和喙上额叶区更为常见，这些区域与转移注意力和心理理论等功能有关，表明专注于这些领域和区域的研究可能会受益于实施距离约束变化的对齐方法。 在考虑边界和异位变异对认知神经科学研究的影响时，一个引人入胜的问题是变异功能连接在不同任务情境下可能发生变化的程度。在我们和其他人的之前工作中，我们通常看到任务和静息状态的功能连接具有相当多的共同点，只有相对微妙的任务状态相关变化。同样，我们已经证明变异在不同任务中基本稳定。然而，任务中确实会出现功能连接的微妙差异，这些差异可以用来预测任务状态，甚至可以从个体中预测。因此，一个富有成果的研究方向将是确定任务如何分别影响边界和异位变异。 对研究个体差异的影响 两种变异形式之间一个显著的区别在于它们在参与者间的共变情况。在两种情况下，个体子群体都显示出相似的变异模式：例如，两种形式的变异中，一个子群体的变异与默认模式网络（DMN）有强烈联系，而另一个子群体的变异与自上而下控制网络联系更紧密。然而，子群体在其特定的变异轮廓上有所不同（例如，额顶（FP）网络是与DMN或扣带回-岛盖网络（CO）子群体一起分组的）。或许最值得注意的是，两种变异形式看起来是独立的：也就是说，一个人基于边界变异被归类为“DMN”子群体的，基于异位变异可能轻易地被归类为“CO（扣带回-岛盖网络）”子群体。在变异形式的相对比例上也观察到其他个体差异。这些发现引出了一个问题：变异如何与大脑功能和行为上的个体差异相关？ 我们证明了边界和异位变异的属性与任务激活的显著差异相关，无论是在MSC中还是在HCP中的一系列任务激活中都是如此。尽管位置不同，边界移动强烈匹配其相关网络的任务响应。相比之下，异位变异显示了一个更中间的轮廓，表明它们可能是中间功能处理的场所。 与边界和异位变异与改变的大脑功能相关的想法一致，我们还发现这些变异可以用来预测行为度量。虽然预测水平较低，但在交叉验证的样本中是显著的。在我们之前的工作中，我们证明了网络变异在会话之间具有高稳定性，甚至可达一年，并且跨任务状态也是如此。网络变异的这些性状类特征，以及它们与任务期间功能反应的差异相关联，表明它们可能作为神经典型人群和精神神经疾病病例中个体行为差异的标志。其他研究也表明，功能网络中的个体差异与行为相关，包括个体层面网络地形学与认知和情绪度量的联系，功能网络地形学变化与多种行为因素的关联，以及认知能力与支持执行功能的网络成熟之间的联系。例如，参考文献19, 24显示，个体网络地形学和个性化分区预测行为的水平高于传统群体分区方法所显示的水平。 引人入胜的是，我们发现边界和异位变异预测不同的行为表型（在预测表现中相关性较低）。异位变异基于变异的网络关联显示了最强的预测能力，并与一系列情感和认知变量相关联。相比之下，边界移动基于其位置表现出更好的预测能力，并且与认知测量最紧密相关。重要的是，将边界和异位变异特征结合在一起并没有实质性提高预测能力。这些差异表明，如果将这两种形式的变异分开，或以更复杂的方式整合，承认它们可以提供不同的信息来源，可能会提供更深入的见解。这种理解将有助于改善关于个体在网络变异与行为之间的机制联系的理论，这对于使用这些信息指导临床实践和干预至关重要。 尽管有这些观察结果，我们注意到本研究中报告的大脑-行为预测相对较小。鉴于最近关于大脑-行为相关性小的发现，这些结果并不令人惊讶，我们的预测水平与使用类似数量/类型特征的过去工作一致。有趣的是推测为什么我们发现与行为测量的关系有限，而与任务激活的差异更为接近。一种可能性是大脑网络和行为测量的局限性。另一种可能是大脑组织中的个体差异可能是简并的，产生类似的行为结果（这一现象以前被称为“行为表型复制”）。未来的研究重要途径将是建立原则，明确个体在大脑组织中的差异何时与个体在行为表现中的差异相关联。 结论 本研究展示了两种不同的大脑网络个体变异形式都很常见，但它们在空间位置、网络分配、任务反应模式和子群体特征上存在差异。两者都显示出遗传影响的证据，但边界移动的位置在同卵双胞胎中的相似性显著更高，表明它们可能与遗传变量更紧密相关。最后，两种形式的变异预测不同的行为变量。在研究皮层系统组织及其与行为的联系时，必须考虑这些不同的属性。 |
|
|
