人类大脑皮层的边缘中心功能网络表示揭示了重叠的系统级架构
Richard F. Betzel
}
网络神经科学一直依赖于一个以节点为中心的网络模型，其中细胞、群体和区域通过解剖或功能连接相互联系。这种模型无法解释边缘之间的相互作用。在这项研究中，我们开发了一个以边缘为中心的网络模型，生成了“边缘时间序列”和“边缘功能连接”（eFC）的构建。利用网络分析，我们展示了在静息状态下，eFC 在数据集之间保持一致，并在同一人在多次扫描会话中具有可重复性。我们证明，对 eFC 进行聚类会产生将大脑自然划分为重叠簇的边缘社区，感觉运动和注意力网络中的区域展现出最高水平的重叠。我们展示了 eFC 受感觉输入变化的系统调节。在未来的工作中，以边缘为中心的方法可能有助于识别疾病的新生物标志物，描述个体差异并绘制高分辨率神经回路的结构。
网络科学为表示和建模神经系统提供了一个有前途的框架。从相互连接的细胞，到神经元群体，再到大规模的脑区域，网络分析为理解统治神经系统组织和塑造大脑功能的拓扑原则提供了见解。这些原则包括小世界结构、整合中枢和富俱乐部的出现、模块化结构促进专门信息处理以及拓扑特征与布线的物质和代谢成本之间的权衡。
这些以及网络神经科学中的其他发现的核心是大脑的简单表示，其中神经元元素及其成对相互作用分别被视为网络的节点和边。这种标准模型在本质上是以节点为中心的，因为它将神经元元素（节点）视为大脑结构和功能的不可简化的单位。对网络节点的强调进一步得到加强，通过对大脑网络进行的分析，这些分析往往集中在节点或节点组的属性上，例如它们的中心性或社区关联。
节点中心方法的局限性在于它无法捕捉边之间的潜在有意义的特征或模式。在其他科学领域中，优先考虑网络边缘——例如，通过将边缘-边缘相互作用建模和分析为图形——为复杂系统的组织和功能提供了重要见解。尽管如此，网络神经科学仍然主要关注节点特征和分区，与对大脑皮层和皮下灰质区域进行分割、映射和比较的丰富历史相呼应。另一方面，最近几项研究已经开始从相互作用边缘的角度对大脑网络进行建模，其中包括一项基础研究，该研究将图论测量应用于相互关联的白质束的“线图”。尽管线图非常新颖，但由于其构建需要用户首先指定，然后将稀疏阈值应用于连接矩阵，因此从未被广泛采用。
在这里，我们提出了一个新颖的建模框架，用于从边缘中心的角度研究功能性脑网络数据。我们的方法可以被视为对Pearson相关性测量的时间“展开” - 这是一种常用于估计脑区域间功能连接强度的度量标准 - 从而为每个边缘生成可解释的时间序列，表达其权重在时间上的波动。重要的是，边缘时间序列允许估计边缘相关结构，我们称之为eFC。高振幅的eFC指数表示两个边缘在时间上共同波动的相似性很强，而低振幅的eFC表示共同波动模式在很大程度上是独立的。
从神经科学的角度来看，eFC可以被看作是对传统节点中心大脑网络表示的延伸和补充。在节点中心的网络模型中，功能连接代表了从空间上不同区域记录的活动的时间相关性，并且通常被解释为区域间通讯的一种测量。也就是说，强功能连接被认为反映了大脑区域间'通讯'的时间平均强度。另一方面，eFC跟踪了通讯模式如何随时间演变，并最终评估了大脑是否同时出现了类似的模式（见附图1）。
在这项研究中，我们展示了在有足够数据的情况下，eFC 是高度可复制的，在多个扫描会话中在个体内是稳定的，并且在数据集之间是一致的。接下来，我们应用数据驱动的聚类算法对
结果
在本节中，我们分析使用功能性磁共振成像（fMRI）数据估计的 eFC，这些数据来自三个独立获取的数据集：来自人类连接组计划（HCP）的 100 名无关参与者，作为午夜扫描俱乐部（MSC）的一部分被扫描了十次的十名参与者，以及作为健康大脑网络（HBN）串行扫描倡议的一部分被多次扫描的十名参与者。
eFC。许多研究已经调查了节点和边代表大脑区域和成对功能相互作用的网络。在这里，我们将这个框架扩展到考虑不是大脑区域对之间的相互作用，而是边对之间的相互作用。
现有用于估计边边连接矩阵的方法包括构建线图或计算边重叠指数。虽然适用于具有正加权边的稀疏网络，但这些方法不太适用于功能神经影像数据，因为网络通常是完全加权和带符号的。在这里，我们介绍一种适用于这些类型数据的方法，直接基于时间序列，与通常用于评估区域间功能连接强度的Pearson相关系数密切相关。我们将通过该程序获得的矩阵称为。
从区域时间序列开始，可以通过三个步骤完成计算 eFC，首先是对时间序列进行评分（图1a，d）。接下来，对所有脑区域的配对，我们计算它们评分时间序列的逐元素乘积（图1b，e）。这将产生一组新的时间序列，称为“边缘时间序列”，其元素表示脑区域之间瞬时共同波动的大小，其时间平均值恰好等于皮尔逊相关系数（图1c）。当两个区域的活动在同一时刻完全朝着相同方向偏离时，共同波动值为正，当活动朝相反方向偏离时为负，当活动接近基线时为零。重要的是，这些边缘时间序列的大小与扫描中的运动没有系统关联（附图2）。第三和最后一步涉及计算边缘时间序列之间的逐元素乘积。当在所有边缘对上重复时，结果是一个边对边矩阵，其元素被归一化到区间内。 如果和 2a; 请参阅有关 eFC 构建的详细信息的方法）。
尽管据我们所知，eFC 是一种新颖的构造，但我们注意到计算 eFC 的前两个步骤与计算节点功能连接的步骤相同（
接下来，我们探讨了在获取和处理决策过程中 eFC 的变化。我们发现在三个独立获取的数据集中，
接下来，我们询问了eFC是否表现出明显的空间依赖性，因为众所周知，它随着欧几里得距离的函数而衰减。我们通过由大脑区域对的质心形成的四边形的表面积来评估eFC的空间分散性（我们在补充图6中探索了一种替代的边级距离度量）。我们发现表面积与eFC之间存在微弱的负相关关系；边-边对；图2d），这表明，与传统的连接权重更受大脑区域之间空间关系影响的情况不同，eFC受大脑几何形状的约束较少。
最后，我们询问了eFC是否带有nFC社区的印记-大脑区域的活动与其自身社区成员高度相关，但与其他社区成员弱相关或反相关？为了回答这个问题，我们根据每个nFC网络中的边是否在或者在脑系统之间进行分类，导致eFC图中三种可能的连接组合：eFC可以连接两个都在一个社区内的边，两个都在不同社区之间的边，或者一个在社区内一个在社区之间的边。总的来说，我们发现与其他两类相比，eFC对于社区内边的连接明显更强（图2e）。有趣的是，我们发现通过将社区内边按认知系统进行划分，eFC可以进一步区分（单向方差分析（ANOVA）；图2f）。
eFC在个体内是稳定的。在本节中，我们描述了eFC对扫描持续时间的稳健性 - 即在eFC稳定之前需要多少数据，以及eFC在同一参与者的重复扫描中是否一致。为了回答这些问题，我们利用了MSC数据集的个体内设计。对于每个参与者，我们汇总了他们在所有扫描会话中的fMRI数据，并估计了一个单一的eFC矩阵。然后，我们对时间上连续的较小数据进行抽样，从而大致保留了自相关结构，并估计了
a
d
b
e
C
图1 | eFC矩阵的推导。 eFC矩阵的每个元素是基于四个节点（脑区）的fMRI BOLD活动时间序列计算得出的。a、d，我们展示了来自区域
接下来，我们检查了 eFC 在多次扫描会话中的可靠性。也就是说，如果我们在不同的日子对一个人进行成像，他们在那些日子的 eFC 是否更相似，而不是与另一个人的 eFC 更相似？我们估计了 eFC 并计算了所有 MSC 参与者和扫描之间的成对相似性（皮尔逊相关性）。我们发现在 MSC 数据集中，eFC 非常可靠，其中参与者内部相似性的平均值为
总的来说，这些发现表明，eFC 表现出高度的参与者特异性，并捕捉到个体的特异特征，前提是 eFC 是在足够长的时间段内估计的。这一观察结果是对
人类大脑皮层的重叠社区结构。尽管许多研究已经调查了大脑的社区结构
尽管在使用
在本节中，我们对人类大脑皮层中的 eFC 矩阵进行聚类，以发现重叠的社区。更具体地，我们使用修改后的
在图4中，我们展示了使用
图2：eFC矩阵的组织。a，eFC矩阵的力导向布局（在去除弱连接后的最大连通组件）。该图中的节点代表传统nFC矩阵中的边。这里的节点根据相应边是否在认知系统内或系统间而着色。系统内边用黑色圈起。b，eFC矩阵，其中行和列对应于大脑区域对。c，
图3 | 扫描会话中 eFC 的参与者内部和参与者间相似性。a，会话平均 eFC 矩阵与使用不同数据量估算的 eFC 的相关性；平均值显示为黑线。b，参与者内部和参与者间的 eFC 相似性。每个块对应于单个参与者的数据；参与者也可通过每个块旁边矩形的颜色进行识别。c，来自
尽管此处检测到的社区是在边的级别上定义的，而不是节点，但我们可以将边的社区投影回大脑区域。这是通过提取与每个社区相关联的边，确定哪些节点位于每个边的端点（'存根'）并计算每个节点在此存根列表中出现的次数来实现的。我们在图 4d 中以矩阵形式展示这些结果。在此面板中，行和列表示根据参考文献中描述的规范系统标签排序的节点。
在图 4e 中，社区的重叠性质更加清晰，其中社区以地形方式表示。与相同视觉节点相关联的边在某种程度上都涉及到社区 7、8、9 和 10，从而将视觉系统与多个其他大脑系统连接起来。例如，在社区 8 中，涉及到视觉和体感运动系统节点的边被聚集在一起，而在社区 9 中，涉及到视觉和控制网络节点的边被分配到同一个社区。
认知系统的社区重叠和功能多样性。在前一节中，我们展示了人类大脑皮层可以根据其边缘相关结构被划分为重叠的社区。这一观察结果引发了一系列额外的问题。例如，哪些脑区参与了许多社区？哪些参与了少数社区？如果我们改变了调查的尺度-检测到的社区数量-这些问题的答案会改变吗？答案是否取决于我们分析的数据集？在本节中，我们将详细探讨这些问题。
评估社区重叠的一种策略是简单地计算每个节点的边被分配到不同社区的数量。考虑到边社区分配的分布的更微妙的度量是标准化熵，它指数了分布的均匀性。因此，我们在改变社区数量从
我们发现，在感觉运动和注意力系统内，标准化社区熵最高，而在传统上与控制和默认模式网络相关的区域内最低（图5a-c）。值得注意的是，我们从MSC和HBN数据集（附图11）以及个体参与者水平（附图12）获得了类似的结果，当我们改变聚类数目（附图13）和使用不同的分区方案时（附图14）。这些观察结果似乎与先前的报告相矛盾，先前的报告中功能重叠最大的是控制网络，最小的是主要感觉系统（图5d）。
这些看似相反的观点是否可以调和？为了回答这个问题，我们计算了第二个功能多样性的度量。归一化熵是根据它们参与的边缘社区在个体大脑区域层面上定义的，而这第二个度量是在整个大脑系统层面上定义的，并评估了系统区域之间边缘社区分配的平均相似性（图6a、b和方法）。直觉上，功能多样性的系统由边缘社区分配独特且彼此不相似的大脑区域组成。我们发现，在感觉运动网络内的区域，熵水平最高，系统内相似性也最高（图6c）。相比之下，构成控制网络的子网络显示出最低的系统内相似性，而它们的组成节点熵水平较低（图6c）。
在补充材料中，我们探讨了标准化熵与更熟悉的重叠度量之间的关系，这些重叠度量来自于包括参与系数、动态灵活性和多功能性在内的方法（补充图 15 和 16）。我们还比较了从 eFC 社区结构中得出的标准化熵模式与使用替代方法获得的熵模式，包括线图、从属图模型、贝叶斯非负矩阵分解和混合成员随机块模型（补充图 17）。
eFC 受感觉输入变化的调节。在前面的部分中，我们证明了
为了解决这个问题，我们分析了 HBN Serial Scanning Initiative 记录的 fMRI 数据，包括休息时和参与者被动观看电影《夺宝奇兵》时的数据。我们分别估计了每个电影和休息扫描的群体平均 eFC。
总的来说，我们发现在观看电影时的 eFC 与休息时估计的 eFC 高度相关（图 7a）。在六部电影中，
d
e
图4 | 边缘社区。我们对来自HCP数据集的eFC应用基于相似性的聚类。这里我们展示了在固定聚类数为
扫描结果显示，与静息状态的eFC的平均相关性为
a
d
图 5 | 边缘社区熵和重叠。a，标准化熵的地形分布。在这种情况下，标准化熵衡量了节点在所有社区中的分配的均匀性，并作为重叠的度量。一般来说，更高的熵对应于更高水平的重叠。b，与最高标准化熵水平相关的大脑系统。这些包括视觉、注意、体感和颞顶系统。c，所有大脑系统的熵值；
a
图 6 | 边缘社区的系统级相似性。a，边缘社区可以映射到一个
此过程）。如预期的那样，涉及系统 5 和 6 的 eFC 从休息到电影时显著减少（置换检验；假发现率固定在
电影观看和休息状态之间的 eFC 连接权重差异强烈暗示高低聚类重叠位置可能在条件之间也不同。为了测试这一点，我们使用了早期描述的相同聚类算法来划分
a
b
e
h
电影减去休息
图 7 | 被动观看电影对 eFC 的影响。a、在休息状态下估计的 eFC 与在观看电影期间估计的 eFC 的二维直方图。b、在休息状态下估计的整个大脑 eFC 与观看电影的相似性。请注意，对于两种条件，条件内相似性更大。
c，社区平均的eFC差异。社区5和6平均关联着最大幅度的差异。请注意，这些社区是根据HBN数据估计的，并不完全等同于图4中显示的那些，后者是根据HCP数据估计的。d，社区5和6的地形分布。请注意，这些社区涉及与视觉和体感系统相关的边缘。e，社区重叠的平均差异（归一化熵）；对比了休息和观影条件下大脑区域的熵分数（置换检验；成对样本的平均差异；）。f，休息状态下大脑整体归一化熵与观影的相似性。小提琴图显示系统特定的归一化熵差异。请注意，一些熵增加最大的区域集中在控制和默认模式网络；大脑区域。熵差异的地形分布。箱线图，显示为绿色并叠加在和的数据点上，描述了分布的IQR（箱体）和中位数值。 胡须延伸到第25和第75百分位数上下四分位范围的最近点。
将节点对转化为不重叠的簇，并基于这些簇计算每个节点的簇重叠作为归一化熵。我们发现，与休息状态相比，在观看电影期间熵增加（排列测试；成对样本的平均差异；），表明社区之间的重叠增加（图7e），并且整个大脑的熵模式也不同（排列测试；图）。我们在个体大脑区域的水平上进行类似的测试，发现个体大脑区域中的个体通过了统计测试（排列测试；虚发现率固定在5%；；附图19b）。我们进一步测试这些差异是否表现出系统特异性效应，通过计算每个系统的熵变化均值，并将其与随机和均匀排列系统标签后的均值变化进行比较。我们发现七个系统表现出这种效应，增加集中在控制和显著性/腹侧注意网络中，而在背侧注意颞顶叶和视觉系统中减少（系统标签的排列；虚发现率固定在5%；图）。
总的来说，这些结果表明，像
讨论
在这里，我们提出了一个关注边缘-边缘相互作用的人类大脑皮层网络模型。这些相互作用形成的网络 - 我们称之为 eFC - 在数据集中是相似的，并且在个体内比个体间更相似。当进行聚类时，eFC 提供了广泛重叠社区结构的自然估计。我们发现重叠量在大脑皮层中有所变化，但在感觉运动和注意力网络中达到峰值。我们发现与感觉运动和注意力网络相关的大脑区域参与了比其他大脑系统更多的社区，但相对于彼此，这些区域参与了相似的社区。最后，我们展示了在观看电影时，eFC 和社区重叠在系统上有所变化。
以边缘为中心的功能网络组织视角。节点为中心的表示主导了网络神经科学领域，并成为该领域几乎每一项发现的基础。边缘为中心的表示将焦点从节点激活之间的二元关系转移到边缘之间的相互作用（共同波动模式的相似性，可能是沟通的一个标志）。尽管在其他科学领域中已经探索了相关模型，包括神经科学，在那里它们首次被用于研究交互白质，但它们需要稀疏的节点-节点连接矩阵作为输入，并且不适用于连续值时间序列数据。
在其他科学领域中已经探索了相关模型，包括神经科学，在那里它们首次被用于研究交互白质，但它们需要稀疏的节点-节点连接矩阵作为输入，并且不适用于连续值时间序列数据。
在这项研究中，我们开发了一种新颖的功能性神经影像数据的边缘中心表示，该表示直接操作观察到的时间序列。我们估计边缘之间连接权重的方法可以被看作是对熟悉的Pearson相关性的时间“展开” - 这个测量经常用来估计大脑区域对之间关系的幅度。而Pearson相关系数计算节点对的时间平均共同波动幅度，我们简单地省略了平均步骤，得到“边缘时间序列”，它代表了在每个时间点上两个节点之间的共同波动幅度。这一简单的步骤使我们能够跟踪边缘权重在时间上的波动，并且至关重要的是，允许边缘之间的双向关系，从而创建了神经系统结构的边缘中心表示（图1）。如果我们将边缘时间序列解释为对神经元素之间通信过程的总体效果的时间展开，那么边缘时间序列可以以高时间分辨率跟踪分布式神经元素之间的通信模式。
我们注意到我们的边缘中心方法在概念上与几种现有方法类似。例如，“时间导数的乘法”通过使用节点对的差异活动时间序列计算元素级乘积。然后，这些时间序列与核卷积以生成时间变化的平滑估计。尽管类似，我们的方法依赖于未转换的活动来估计边缘时间序列，从而保留静态关系和每个边缘时间序列的均值之间的关系。另一个相关方法是“共同激活模式”（CAPs），它在高活动帧期间提取和聚类体素或顶点级活动。由于一个体素可以在不同情境下共同激活，聚类中心在空间上会相互重叠。尽管CAPs和eFC都会产生重叠结构，但它们作用于不同的基质，CAPs关注活动，而eFC关注共同激活的相似性。 尽管 CAPs 需要相对于 eFC 指定额外的参数，例如，高活动帧的阈值，但由于其专注于活动而不是连接性，CAPs 可能更好地扩展。
最后，我们注意到
重叠的社区扩展了对系统级皮层组织的理解。在这里，我们展示了使用社区检测方法对eFC进行聚类自然地导致了在映射回脑区和节点级别时重叠的社区。过去对皮层组织的研究几乎完全集中在非重叠的社区上。以这种方式定义社区的决定部分受可解释性的驱动，但也受到用于检测社区的方法的限制的影响，这些方法仅将节点分配给一个社区。当前对社区的这种观点取得了巨大成功。它提供了对大脑的低维描述，可以用来定义节点角色和检测中心，可以在解剖和功能网络上同样成功地应用。
社区的主导非重叠视角强烈影响了我们对大脑功能的思考。由于功能性社区与任务诱发活动的模式呈现可靠的对应关系，我们开始将个体社区与特定的认知领域联系起来。例如，将社区主要视为处理视觉信息、执行认知控制或执行注意功能并不罕见。尽管将大脑功能定位于社区可能是一个合理的一阶近似，但这种观点延续了一个大脑功能的观点，即大脑区域、系统和社区基本上是单一功能的。然而，这种观点与许多认知和行为方面超越这些传统社区标签的观察不符。
另一个观点是，重叠是由社区结构中随时间变化的波动引起的。也就是说，在任何给定时刻，社区是不重叠的，但由于节点随时间改变其社区归属，它们看起来“模糊”。这里开发的方法与大脑区域和社区是动态的、表现出高度退化功能的观点密切相关。其他研究通过研究共同激活中的重叠或通过使用滑动窗口分析和多层模型来探究重叠和动态社区，以检测随时间改变其社区分配的灵活区域。然而，我们的方法是独特的，强调一种普遍重叠状态，即节点瞬间属于多个社区。
限制。其中一个最重要的限制涉及从功能成像数据中估计边缘时间序列。为了计算边缘时间序列，我们首先对区域时间序列进行了
另一个限制涉及 eFC 的可扩展性。计算将大脑划分为
未来的方向。虽然 eFC 描述的是边之间的相互作用，而不是节点，但仍然可以使用之前应用于
窗口导致时间上事件的“模糊”42。未来工作的其他方向包括开发具有重叠系统标签的整个脑功能图谱，以及应用于特定脑区域和子系统以构建细粒度重叠图谱。我们还注意到，由于eFC的推导基于Pearson相关性，因此可以直接估计基于滞后和部分关系的eFC的类似物。
eFC可能在机器学习和神经影像数据分类应用中很有用。eFC矩阵的维度远远大于典型的nFC矩阵。我们推测，一些额外的维度可能有助于研究大脑行为关系，例如通过识别沿着个体、临床队列或行为自然分离的流形，增强分类准确性（基于eFC的大脑行为关系的探索性分析结果见附录图21-23）。另一方面，eFC的增加维度需要特别考虑，因为它带来了统计和解释上的挑战。多变量方法，如典型相关分析或偏最小二乘法，都可以帮助规避多重比较问题，可能会在未来涉及eFC的大脑行为分析中证明有用，并应该进行研究。
此外，未来的研究应该探讨适用于eFC的空模型。与nFC一样，eFC是基于相关性的，边-边连接的权重彼此不独立。这意味着基于重连的空模型（将连接视为独立的）并不适用。应考虑其他类别的空模型，包括基于时间序列的替代物。适当的空模型可能有助于澄清未来研究中的脑行为关系。
这里提出的用于研究节点对之间相互作用的框架可以推广到通过简单计算节点三元组、四元组和五元组的元素乘积来研究更多节点之间的相互作用。在某些方面，这种扩展类似于最近代数拓扑的应用，可以揭示网络中的高阶关系（通过图单纯形）。然而，需要注意的是，尽管生成高阶时间序列很简单，但必然会伴随着维度的增加，这可能使得这种方法在整个大脑网络中计算上变得棘手。另一方面，高阶时间序列（及其对应的eFC模拟）可能有助于研究由相对较少的脑区或核团组成的预定义电路的组织。
最后，在这里开发的以边缘为中心的框架不仅限于 fMRI，而且可以轻松扩展到不同的记录模式，包括头皮/颅内脑电图或脑磁图，这使得可以在
在线内容
任何方法、额外参考资料、自然研究报告摘要、源数据、扩展数据、补充信息、致谢、同行评审信息；作者贡献和竞争利益的详细信息；以及数据和代码可用性声明均可在 https://doi.org/10.1038/s41593-020-00719-y 获取。
收到日期：2019 年 9 月 9 日；接受日期：2020 年 9 月 3 日；
在线发表日期：2020 年 10 月 19 日
参考文献
-
Bassett, D. S. & Sporns, O. 网络神经科学。自然神经科学。20, 353-364 (2017)。 -
Schröter, M., Paulsen, O. & Bullmore, E. T. 微连接组学：在细胞尺度上探究神经网络的组织。自然神经科学评论。18, 131-146 (2017)。 -
Dann, B., Michaels, J. A., Schaffelhofer, S. & Scherberger, H. 将行为灵长类动物的额顶单元网络的功能网络拓扑和振荡结合起来。eLife 5, e15719 (2016) -
Park, H.-J. & Friston, K. 结构和功能脑网络：从连接到认知。科学 342, 1238411 (2013)。 -
Sporns, O. & Zwi, J. D. 大脑皮层的小世界。神经信息学 2, 145-162 (2004)。 -
Power, J. D., Schlaggar, B. L., Lessov-Schlaggar, C. N. & Petersen, S. E. 人类功能性脑网络中枢的证据。神经元 79, 798-813 (2013)。 -
Sporns, O. & Betzel, R. F. 大脑模块化网络。心理学年度评论。67, 613-640 (2016) -
Bullmore, E. & Sporns, O. 大脑网络组织的经济性。自然神经科学评论。13, 336-349 (2012). -
Bullmore, E. & Sporns, O. 复杂的大脑网络: 结构和功能系统的图论分析。自然神经科学评论。10, 186-198 (2009). -
Rubinov, M. & Sporns, O. 大脑连接的复杂网络测量：用途和解释。神经影像学 52, 1059-1069 (2010)。 -
Ahn, Y.-Y., Bagrow, J. P. & Lehmann, S. 链接社区揭示网络中的多尺度复杂性。自然 466, 761-764 (2010)。 -
Evans, T. & Lambiotte, R. 线图、链接分区和重叠社区。物理评论 E 80, 016105 (2009)。 -
Eickhoff, S. B., Constable, R. T. & Yeo, B. T. 大脑皮层的地形组织和脑图绘制。神经影像 170, 332-347 (2018)。 -
de Reus, M. A., Saenger, V. M., Kahn, R. S. & van den Heuvel, M. P. 人类连接组的边缘中心视角：大脑中的链接社区。英国皇家学会哲学交易 B 生物科学 369, 20130527 (2014)。 -
Smith, S. M. 等。FMRI 的网络建模方法。神经影像 54, 875-891 (2011) -
雷德等人。推动功能连接研究从关联到因果。自然神经科学。22，1751-1760（2019 年）。 -
范埃森等人。WU-Minn 人类连接组计划：概述。神经影像。80，62-79（2013 年）。 -
戈登等人。精准功能映射个体人类大脑。神经元。95，791-807（2017 年）。 -
O'Connor, D. 等。健康大脑网络串行扫描计划：用于评估跨扫描条件和会话的个体间差异及其可靠性的资源。Gigascience 6, giw011（2017） -
van Oort, E. S. 等。使用瞬时连接的时间序列进行功能划分。Neuroimage 170, 31-40（2018）。 -
Esfahlani, F. Z.，Bertolero, M. A.，Bassett, D. S. 和 Betzel, R. F. 功能性大脑网络的空间独立社区和中心结构。Neuroimage 211, 116612（2020）。 -
Schaefer, A. 等人。人类大脑皮层的局部-全局划分来自内在功能连接的 MRI。Cereb. Cortex 28, 3095-3114 (2018)。 -
Laumann, T. O. 等人。高度采样的个体人类大脑的功能系统和区域组织。Neuron 87, 657-670 (2015)。 -
Amico, E. & Goñi, J. 人类功能连接图中可识别性的追求。Sci. Rep. 8, 8254 (2018)。 -
Bassett, D. S. 等。人类大脑网络在学习过程中的动态重构。美国国家科学院院刊 108, 7641-7646 (2011)。 -
Finn, E. S. 等。功能性连接组指纹：利用脑连接模式识别个体。自然神经科学 18, 1664-1671 (2015)。 -
Anderson, M. L.，Kinnison, J. & Pessoa, L. 描述大脑区域和大脑网络的功能多样性。神经影像 73, 50-58 (2013)。 -
Pessoa, L. 理解大脑网络和大脑组织。物理生命评论。11，400-435（2014 年）。 -
Yeo, B. T.，Krienen, F. M.，Chee, M. W.和 Buckner, R. L. 估计人类大脑皮层功能连接网络的分离和重叠。神经影像。88，212-227（2014 年）。 -
Wilf, M.等人。人类视觉皮层自发出现的模式反映对自然感官刺激的反应。大脑皮层。27，750-763（2017 年）。 -
Baldassano, C., Hasson, U. & Norman, K. A. 在叙事感知过程中对真实世界事件模式的表征。J. Neurosci. 38, 9689-9699 (2018)。 -
Avena-Koenigsberger, A., Misic, B. & Sporns, O. 复杂脑网络中的通信动态。Nat. Rev. Neurosci. 19, 17 (2018)。 -
Shine, J. M. 等。使用时间导数相乘估计动态功能连接。Neuroimage 122, 399-407 (2015)。 -
刘，X. & Duyn，J. H. 从短暂的自发脑活动实例中提取的时变功能网络信息。美国国家科学院院刊 110，4392-4397（2013 年）。 -
Newman，M. E. & Girvan，M. 在网络中查找和评估社区结构。物理评论 E 69，026113（2004 年）。
方法
在这项研究中，我们使用了三个独立获取的、公开可用的神经影像数据集，并且没有为这项研究收集任何数据。我们没有使用统计方法来预先确定样本量，但我们的样本量与先前发表的研究报告中的相似，并且代表了所有可用数据（MSC和HBN）或由研究协调员预先选择的子集（HCP）。我们没有将参与者随机分配到实验组中，而是选择分别分析每个数据集。原始研究的作者进行了适当的任务条件平衡。数据分析没有在对实验条件不知情的情况下进行。由于参与者不是根据组别成员身份进行评估，因此盲法不适用于本研究中报告的整体组分析。所有分析均使用MATLAB（MathWorks，Inc.）2019a版本进行。更多研究设计和统计细节可在在线提供的生命科学报告摘要中找到。
数据集。HCP数据集包括来自100名无关成年参与者的静息态功能磁共振成像（rsfMRI）数据（54%女性；平均年龄岁；年龄范围岁）。这些参与者被选为HCP发布的“100名无关主体”之一。该研究获得了华盛顿大学机构审查委员会的批准，并从所有参与者那里获得了知情同意。参与者在两天内接受了四次15分钟的rsfMRI扫描。有关成像参数和图像预处理的详细描述可在参考文献中找到。rsfMRI数据采用了梯度回波回波成像（EPI）序列（运行持续时间、翻转角度、等向性像素分辨率、多带因子）进行获取，眼睛睁开并接收到盯着十字架的指令。图像是在一台3T西门子Connectome Skyra上使用32通道头线圈收集的。
MSC数据集包括了来自10名成年人的静息态功能磁共振成像（其中
HBN串行扫描计划数据集包括来自13名成年人的静息态功能磁共振成像（rsfMRI）和观看电影的功能磁共振成像（mvfMRI）（其中女性；平均年龄岁；年龄范围岁）。HBN数据集中有三名参与者没有足够的非异常功能扫描（请参见下面的质量控制标准）可进行有意义的分析（非异常扫描百分比和），因此完全被排除在当前研究之外。这使得HBN数据集中只有十名参与者（女性；平均年龄岁；年龄范围岁）。该研究已获得切萨皮克机构审查委员会的批准，并从所有参与者那里获得知情同意。参与者在一个1-2个月的时间内进行了14次扫描会话，每位参与者获得次扫描。在第八次会话中，参与者观看了电影《夺宝奇兵》（卢卡斯影业）的六个约20分钟的扫描。 rsfMRI和mvfMRI采用梯度回波EPI序列获取（每段运行时间
图像预处理。HCP功能预处理。根据参考文献提供的描述，HCP数据集中的功能图像进行了最小预处理。简而言之，这些数据经过了梯度失真、磁化失真和运动的校正，然后与相应的T1加权（T1w）图像对齐，使用一次样条插值步骤。这个体积进一步校正了强度偏差，并标准化为平均值10,000。然后将这个体积投影到
MSC和HBN功能性预处理。MSC和HBN数据集中的功能图像使用基于Nipype 1.1.9的fMRIPrep 1.3.2进行预处理。fMRIPrep的预处理描述基于软件中分发的模板，其受“无版权保留”（CC0）许可证保护。fMRIPrep的内部操作使用Nilearn 0.5.0，ANTs 2.2.0，FreeSurfer 6.0.1，FSL 5.0.9和AFNI v16.2.07。有关管道的更多详细信息，请参阅fMRIPrep文档中与工作流程对应的部分。
T1w图像使用ANTs中的N4BiasFieldCorrection进行强度非均匀性校正，并在整个工作流程中作为T1w参考。然后使用Nipype实现的antsBrainExtraction.sh工作流程对T1w参考进行头骨剥离，使用NKI作为目标模板。使用recon-all重建脑表面，并使用Mindboggle对先前估计的脑部掩模进行优化，以调和ANTs和FreeSurfer推导的皮层灰质分割。通过antsRegistration进行非线性配准，使用T1w体积和模板的脑提取版本，将空间标准化到ICBM 152非线性不对称模板版本。使用FSL的fast在脑提取的T1w图像上执行脑组织分割，包括脑脊液、白质和灰质。
功能数据使用AFNI的3dTshift进行时间切片校正，并使用FSL的mcflirt进行运动校正。无场图畸变校正通过将功能图像与相同参与者的T1w图像配准并进行强度反转来实现，并使用平均场图模板进行约束，采用antsRegistration实现。然后使用基于边界的配准将其配准到相应的T1w图像，自由度为。运动校正变换、场畸变校正变形、BOLD到T1w变换和T1w到模板（MNI）变形被连接并使用Lanczos插值在单个步骤中应用，使用antsApplyTransforms。基于这些预处理的BOLD计算了几个混杂时间序列：帧间位移（FD）、DVARS和三个区域全局信号。FD和DVARS分别针对每个功能运行计算，均使用Nipype中的实现。三个全局信号在脑脊液、白质和整个脑掩模内提取。 参与本研究的每个 MSC 和 HBN 个体的 nifti 文件遵循文件命名模式 *space-T1w_desc-preproc_bold.nii.gz。
图像质量控制。保留了 HCP 和 MSC 数据集中的所有功能图像。使用 fMRIPrep 的视觉报告和 MRIQC 0.15.1（参考
功能和结构网络预处理。分区预处理。设计用于优化fMRI信号的局部梯度和全局相似度测量的功能分区（Schaefer200）被用来定义大脑皮层上的200个区域。这些节点也映射到Yeo标准功能网络。对于HCP数据集，Schaefer200以'CIFTI'文件的形式在'32k fs LR'空间中公开提供。对于MSC和HBN数据集，使用高斯分类器表面图谱（在100个不相关的HCP参与者上进行训练）和FreeSurfer的mris_ca_label功能为每个参与者获得了Schaefer200分区。这些工具使用在recon-all管道中计算的表面配准来基于个体表面曲率和沟回模式将群体平均图谱转移到个体空间。该方法为每个参与者生成了T1w空间体积。用于功能数据时，分区被重采样到2mm T1w空间。这个过程可以针对分区的其他分辨率（即Schaefer100）重复进行。
功能网络预处理。每个预处理的BOLD图像都经过线性去趋势、带通滤波、混杂回归和标准化处理，使用Nilearn signal.clean进行处理，该处理方法可以正交地去除混杂因素和时间滤波器。混杂回归包括六个运动估计；平均脑脊液、平均白质和平均全局信号的时间序列；这九个回归因子的导数；以及这18个项的平方。此外，对于每个超过运动阈值（均方根位移和FD）的fMRI帧，还添加了一个尖峰回归因子。这种混杂策略已被证明是减少与运动相关的伪影的相对有效选项。在预处理和干扰回归之后，每个节点的残余平均BOLD时间序列被恢复。为每个参与者计算eFC矩阵，然后对参与者进行平均，以获得每个数据集的代表性eFC矩阵。这个处理过程对于静息态和观影数据都进行了处理。
边缘图构建。从 fMRI 数据（或任何神经时间序列数据）构建网络需要估计每对时间序列之间的统计依赖关系。该依赖关系的大小通常被解释为衡量这些体素或包裹之间功能连接强度（或弱度）的指标。迄今为止，最常见的统计依赖度量是 Pearson 相关系数。让
分别是从体素或包裹
为了估计以边缘为中心的网络，我们需要以一种微小但至关重要的方式修改上述方法。假设我们有两个评分的包裹时间序列，b1 和 b2 。为了估计它们的相关性，我们计算它们的逐元素乘积的均值（不是准确的平均值，因为我们除以 b3 而不是 b4 ）。假设，相反地，我们从不计算均值，而是在计算元素乘积后直接停止。这个操作会导致一个长度为 b5 的向量，其元素编码了包裹 b6 和 b7 的瞬时共同波动的幅度。例如，假设在时刻 b8 ，包裹 b9 和 b10 相对于基准同时增加了它们的活动。这些增加被编码为在第 t 位置的正条目，所以它们的乘积也是正的。如果 b13 和 b14 同时减少了它们的活动（因为负数的乘积是正数），情况也是如此。另一方面，如果 b15 增加了而 b16 减少了（或反之亦然），这会表现为一个负的条目。 同样，如果
因此，由
在这里，分母是必要的，以将
聚类算法。通常情况下，eFC矩阵比传统的nFC矩阵要大得多。尽管大多数聚类算法可以应用于数百甚至数千个观测值，但为eFC（由数万个观测值组成，每个观测值都至少与同样多的特征配对）估计聚类存在着计算挑战，特别是如果旨在探索可能分区的空间。为了解决这个问题并对eFC进行聚类，我们开发了一个简单的两步聚类程序，该程序在eFC矩阵的低维表示上运行。
首先，我们对 eFC 矩阵进行特征分解，保留前 50 个特征向量。特征向量系数被重新缩放到区间
我们注意到，一般来说，其他社区检测算法可以用来替代
社区重叠度量。聚类算法将边分成不重叠的簇。也就是说，每条边
其中
为了将这个度量标准归一化并绑定到区间[0,1]，我们除以
边社区相似性。当我们对一个 eFC 矩阵进行聚类时，我们将每条边分配给一个单独的社区。这些边社区可以重新排列成一个
从这个矩阵中，我们可以通过计算向量
在这里，
从
我们将这些方法应用于从HCP数据集中提取代表性
SVINET方法采用了混合成员随机块模型算法，这是一种基于将具有相似连接模式的节点分组的网络社区的生成模型。该方法先前已被用来证明大脑参与许多认知功能的区域也参与了比例更多的社区。该方法基于二进制连接进行操作；因此，边缘权重被丢弃。每次运行都以一个随机整数为种子，并进行250次迭代的链接抽样。至少具有一定成员可能性的结果社区分配被记录为成员隶属关系。
AGMFIT方法采用基于二部图结构的社区生成模型，将节点链接到社区。AGMFIT算法的核心概念是社区以“平铺”方式重叠，意味着具有重叠社区成员资格的节点比非重叠节点更密切地相互连接。这种重叠结构模型已被证明能够准确捕捉大规模社交网络中的核心-边缘结构。该方法基于二进制连接运作；因此，边权重被丢弃。每次运行都以随机整数作为种子。
NMF 方法采用概率数据降维模型，导致网络的软分区。已经证明该方法可以避免在合成随机图数据中过度拟合社区，其中不存在真实社区。对于该方法，保留了边权重，并将邻接矩阵的对角线条目设置为节点度数（如文档中建议的）。每次运行都是随机初始化的。未能产生所需数量的社区的运行将被拒绝，并且采样将持续进行，直到获得 250 个分区。至少具有成员资格可能性的结果社区分配被记录为成员资格隶属。
对于 ThrLink 方法，我们从阈值邻接矩阵创建了加权线图。使用广义 Louvain 算法对该矩阵进行聚类，分辨率参数调整为产生所需数量的社区。为了调整此参数，使用一系列值来恢复不同大小的社区。记录产生所需数量的社区的最小和最大值。统一地
在此范围内随机抽样的
我们将社区熵与一系列可轻松从
参与系数衡量节点连接在（非重叠的）社区中分布均匀的程度。接近1的数值表示连接分布均匀。参与系数的计算公式为：
这里，
我们还使用检测到的社区来估计区域的多功能性，它衡量了节点在社区检测算法的重复运行中社区分配的变化。我们计算多功能性如下：
对于给定值的
最后，我们计算网络的灵活性，它衡量了大脑区域随时间变化社区的频率。我们将每个非重叠窗口内估计的功能连接建模为多层网络中的一层，并使用多层模块化最大化算法
这里，
eFC 的图论分析。我们对 eFC 矩阵应用了图论度量，以表征其拓扑特征
-
度分别测量了 eFC 网络中给定节点上正负连接的总数。 -
强度是度的加权模拟，分别测量了 eFC 网络中给定节点上正负连接的总权重。度和强度告诉我们，平均而言，eFC 网络中给定节点与其他节点的相互作用强度或弱度。 -
参与系数测量了节点在 eFC 网络中的连接是集中在边缘社区内还是分布在各个边缘社区之间的程度。接近 0 的值意味着 eFC 网络中给定节点主要与其所在的边缘社区中的其他节点相互作用；接近 1 的值意味着 eFC 网络中给定节点与所有边缘社区均匀相互作用。 -
中介中心性衡量了 eFC 网络中通过给定节点的节点对之间的最短路径数量。一般来说，中介中心性意味着 eFC 网络中的特定节点可能在网络中占据重要位置。 -
聚类系数衡量了 eFC 网络中一个节点的邻居节点之间相互连接的程度。
使用 eFC 进行大脑行为关系的探索性分析。将 eFC 权重与行为进行相关性分析。我们还使用了 eFC 数据来探索大脑行为关系。整个流程首先计算每个参与者的一对一 eFC 矩阵（附录图 21a），并将其上三角元素表示为一个向量（附录图 21b）。这个过程对 HCP 100 个不相关受试者队列中的所有个体都重复进行，将向量化的矩阵存储在一个单独的矩阵中（附录图 21c）。同时，我们对参与者的行为数据进行评分，并进行主成分分析，得到一组表征行为变化的正交模式的分数（附录图 21d 和附录表 1）。我们计算了分数与向量化的 eFC 矩阵的行的相关性（每一行表示特定边缘-边缘相互作用的 eFC）（附录图 21e）。 重复这个过程对所有行，将得到一组相关系数的向量，可以重新调整以适应一个边对边矩阵的上三角形，从而得到一个相关性地图（附图 21f）。这整个过程分别为主要成分 1-10 和扫描 REST1 和 REST2 重复。
我们比较了来自 REST1 和 REST2 的相关性地图，并发现了良好的对应关系（附图 21h，i）。为了更好地解释这些地图，我们采用了一个社区级别的分析（请参阅附图 22 以获取简短的示意图）。简而言之，这涉及通过边缘社区聚合和平均相关系数（附图 22b）；将平均相关系数与使用受限制的置换测试获得的空值分布进行比较（附图 22c）；并进行统计评估，控制社区水平的虚发现率（附图 22d）。有关置换测试的更多细节，请参阅附图 18。
利用这种社区级的方法，我们更详细地调查了
除了使用原始 eFC 数据建模大脑行为关系外，我们还通过在回归 nFC 效应后重复相同的分析来进行了分析。具体来说，我们使用图 2c 中描述的程序仅使用
区域统计与行为的相关性。我们还通过从每个派生一系列区域（局部）网络统计量并计算行为测量与这些统计量的相关性（补充图 24）来比较
这些发现表明，
以 nFC 为基础对 eFC 进行建模。
用信息解释边缘对
第二类模型以
在这个模型中，我们系统地变化了交互项，
总的来说，我们发现模型 1 和模型 2 都无法完全复制 eFC。模型 1 表现特别糟糕
总的来说，这些观察结果表明，使用线性组合的
统计。所有个体和群体之间的统计比较均使用成对样本和双样本
报告摘要。有关研究设计的更多信息，请参阅与本文相关的《自然研究报告摘要》。
数据可用性
所有成像数据均来自公开可用的开放存储库。人类连接组计划数据可在 https://db.humanconnectome.org/ app/template/Login.vm 签署数据使用协议后访问。午夜扫描俱乐部数据可通过 OpenNeuro 在 https://openneuro.org/datasets/ds000224/ versions/1.0.1 访问。健康大脑网络串行扫描计划数据可在 https://fcon_1000.projects.nitrc.org/indi/hbn_ssi/download.html 访问。
代码可用性
计算 eFC 及其相关衍生物的代码已在 https://github.com/brain-networks 上提供。
参考资料
-
Shine, J. M. 等。人类认知涉及神经活动和神经调节系统的动态整合。自然神经科学。22，289-296（2019 年）。 -
Davison, E. N. 等。任务状态下的大脑网络适应性。PLoS 计算生物学。11，e1004029（2015 年）。 -
Glasser, M. F.等。人类连接组计划的最小预处理流程。神经影像 80, 105-124 (2013)。 -
Robinson, E. C.等。MSM: 一种新的灵活的多模式表面匹配框架。神经影像 100, 414-426 (2014)。 -
Esteban, O.等。fMRIPrep: 用于功能性 MRI 的稳健预处理流程。自然方法 16, 111-116 (2019)。 -
Gorgolewski, K.等。Nipype：一个灵活、轻量级和可扩展的 Python 神经影像数据处理框架。Front. Neuroinform. 5, 13 (2011)。 -
Abraham, A.等。使用 scikit-learn 进行神经影像的机器学习。Front. Neuroinform. 8, 14 (2014) -
Avants, B. B., Epstein, C. L., Grossman, M. & Gee, J. C. 具有互相关的对称微分同胚图像配准：评估自动标记的老年人和神经退行性大脑。Med. Image Anal. 12, 26-41 (2008) -
Tustison, N. J.等。N4ITK：改进的 N3 偏差校正。IEEE Trans. Med. Imaging 29, 1310-1320（2010 年）。 -
Dale, A. M.，Fischl, B.和 Sereno, M. I. 皮层基于表面的分析：I. 分割和表面重建。Neuroimage 9, 179-194（1999 年）。 -
Klein, A.等。人类大脑的令人难以置信的形态学。PLoS Comput. Biol. 13, e1005350（2017 年）。 -
Fonov, V. S., Evans, A. C., McKinstry, R. C., Almli, C. & Collins, D. 从出生到成年的无偏非线性平均年龄适宜脑模板。神经影像学 47, S102 (2009)。 -
Zhang, Y., Brady, M. & Smith, S. 通过隐马尔可夫随机场模型和期望最大化算法对脑 MR 图像进行分割。IEEE 医学成像学报 20, 45-57 (2001)。 -
Jenkinson, M., Bannister, P., Brady, M. & Smith, S. 改进的优化方法用于脑图像的稳健准确的线性配准和运动校正。神经影像学 17, 825-841 (2002)。 -
王，S.等。评估场地图和非线性配准方法用于矫正扩散 MRI 中的磁敏感性伪影。Front. Neuroinform. 11, 17 (2017)。 -
Treiber, J. M.等。对 814 个扩散加权图像中的几何失真进行表征和校正。PLoS ONE 11, e0152472 (2016)。 -
Greve, D. N. & Fischl, B. 使用基于边界的配准进行准确和稳健的脑图像对齐。Neuroimage 48, 63-72 (2009)。 -
Power, J. D.等。检测、表征和去除静息态 fMRI 中运动伪影的方法。Neuroimage 84, 320-341 (2014)。 -
Esteban, O.等。MRIQC：推进 MRI 图像质量在未知站点的自动预测。PLoS ONE 12, e0184661 (2017)。 -
Parkes, L.，Fulcher, B.，Yücel, M.和 Fornito, A.对静息态功能性 MRI 的运动校正策略的效力、可靠性和敏感性评估。Neuroimage 171, 415-436 (2018)。 -
袁, B. T. 等。 通过内在功能连接估计人类大脑皮层的组织。 神经生理学杂志。 106, 1126-1165 (2011)。 -
菲舍尔, B. 等。 自动划分人类大脑皮层。 大脑皮层。 14, 11-22 (2004)。 -
林德奎斯特, M. A., 戈特, S., 瓦格, T. D. & 卡福, B. S. 模块化预处理流程可能会将伪影重新引入 fMRI 数据。 人类大脑医学。 40, 2358-2376 (2019)。 -
Satterthwaite, T. D.等。改进的混杂回归和过滤框架，用于控制静息态功能连接数据预处理中的运动伪影。Neuroimage 64，240-256（2013 年）。 -
Gopalan, P. K. & Blei, D. M.在大规模网络中高效发现重叠社区。美国国家科学院院刊 110，14534-14539（2013 年）。 -
Yang, J. & Leskovec, J.重叠社区解释网络的核心-边缘组织。IEEE 会议录 102，1892-1902（2014 年）。 -
Psorakis, I., Roberts, S., Ebden, M. & Sheldon, B. 使用贝叶斯非负矩阵分解进行重叠社区检测。Phys. Rev. E 83, 066114 (2011) -
Najafi, M., McMenamin, B. W., Simon, J. Z. & Pessoa, L. 在休息和任务条件下，重叠社区揭示大规模脑网络中丰富的结构。Neuroimage 135, 92-106 (2016)。 -
Guimera, R. & Amaral, L. A. N. 复杂代谢网络的功能制图。Nature 433, 895-900 (2005)。 -
Shinn, M. 等。节点附属性对社区的多功能性。Sci. Rep. 7，（2017）。 -
Pedersen, M.，Zalesky, A.，Omidvarnia, A. 和 Jackson, G. D. 多层网络切换速率预测大脑性能。Proc. Natl Acad. Sci. USA（2018）。 -
Reichardt, J. 和 Bornholdt, S. 社区检测的统计力学。Phys. Rev. E 74，016110（2006）。 -
Traag, V. A., Van Dooren, P. & Nesterov, Y. 社区检测的分辨率限制自由范围狭窄。Phys. Rev. E 84, 016114 (2011)。 -
Bazzi, M. 等。时间多层网络中的社区检测，并应用于相关网络。Multiscale Model. Simul. 14, 1-41 (2016)。 -
Betzel, R. F. 等。功能性大脑网络的社区结构展现出尺度特定的主体间和主体内变异模式。Neuroimage 202, 115990 (2019)。 -
Mucha, P. J., Richardson, T., Macon, K., Porter, M. A. & Onnela, J.-P. 时间依赖、多尺度和多重网络中的社区结构。科学 328, 876-878 (2010) -
Smith, S. M. 等。一种正负模式的人口协变链接脑连接、人口统计和行为。自然神经科学 18, 1565-1567 (2015)
致谢
这项研究得到了印第安纳大学研究副校长办公室新兴研究领域计划的支持，学习：大脑、机器和儿童（F.Z.E.和 R.F.B.）。该材料基于得到国家科学基金会研究生研究奖学金支持的工作，资助号为 1342962（J.F.）。这项研究部分得到了 Lilly 捐赠的支持，通过其支持印第安纳大学普适技术研究所，以及印第安纳 METACyt 计划的支持。印第安纳大学的 METACyt 计划也得到了 Lilly 捐赠的部分支持。数据部分由人类连接组项目提供，WU-Minn 联合体（首席研究员：D. Van Essen 和 K. Ugurbil；1U54MH091657）资助，该项目由支持神经科学研究的 16 个国家卫生研究院（NIH）研究所和中心以及 McDonnell
华盛顿大学系统神经科学中心。我们感谢 B. Mišić阅读本手稿早期版本。
作者贡献
J.F.和 R.F.B.构思了这项研究，处理数据，进行了所有分析并撰写了手稿的初稿。F.Z.E.，Y.J.和 O.S.通过讨论为项目方向做出了贡献。所有作者都帮助修订和撰写了提交的手稿。
竞争利益
作者声明没有竞争利益。
附加信息
有关本文的补充信息，请访问 https://doi.org/10.1038/s41593-020-00719-y。
信函和材料请求应寄至 R.F.B.
自然神经科学感谢 Lucina Uddin、Andrew Zalesky 和其他匿名审稿人对本工作的同行评审所做的贡献。
重印和权限信息可在 www.nature.com/reprints 获取。
自然研究
自然研究希望提高我们发表的工作的可重复性。此表提供了一致性和透明度的结构以供报告。有关自然研究政策的更多信息，请参阅作者和审稿人以及编辑政策清单。
统计
对于所有统计分析，请确认以下项目是否出现在图例、表图例、主文本或方法部分中。
无法确认
只有常见测试应仅通过名称描述；将更复杂的技术描述在方法部分。
所有被测试协变量的描述
所有假设或校正的描述，例如正态性检验和多重比较的调整
统计参数的完整描述，包括中心趋势（例如均值）或其他基本估计（例如回归系数）和变异性（例如标准差）或相关的不确定性估计（例如置信区间）
对于零假设检验，使用检验统计量（例如 F，
对于贝叶斯分析，提供有关先验选择和马尔可夫链蒙特卡洛设置的信息
对于层次和复杂设计，确定适当的测试水平并全面报告结果
效应大小的估计（例如，科恩的
我们为生物学家收集的统计信息网络包含许多上述内容的文章。
软件和代码
计算机代码可用性政策信息
数据收集
本研究中使用的所有数据均为公开可用。本研究的作者未编写自定义代码来收集任何数据；因此，作者未使用软件进行数据收集。
数据分析
人类连接组计划数据已经在ConnectomeDB（https:/db.humanconnectome.org/ app/template/Login.vm）上进行了最小预处理。午夜扫描俱乐部和健康大脑网络的fMRI数据已经使用fMRIPrep版本1.3.2进行了预处理。fMRIPrep可以在这里找到：https://github.com/poldracklab/fmriprep。fMRIPrep使用Nipype 1.1.9、Nilearn 0.5.0、ANTs 2.2.0、FreeSurfer 6.0.1、FSL 5.0.9、AFNI v16.2.07和Mindboggle [RRID:SCR_002438]。使用FreeSurfer 6.0.1拟合了特定主题的分区，代码可在此处找到：https://github.com/faskowit/multiAtlasTT，数据可在此处找到：https://figshare.com/articles/multiAtlasTT_data_hcptrained/7552853。fMRI数据使用了可在此处找到的代码进行干扰回归：https://github.com/faskowit/appfmri-2-mat，该代码使用了Nilearn 0.5.0中的signal.clean。用于分析eFC的自定义MATLAB（版本2019a）代码已经被使用。在手稿被接受后，用于生成和分析边缘时间序列和eFC的函数将作为Brain Networks & Behavior Lab Github上的存储库发布：https://github.com/brain-networks/。用于拟合替代重叠算法的自定义MATLAB代码可以在此处找到：https://github.com/faskowit/overlap_on_NxN_func.
对于使用自定义算法或软件的手稿，这些算法或软件对研究至关重要，但尚未在已发表的文献中描述，软件必须提供给编辑/审稿人。我们强烈建议将代码存储在社区代码库中（例如 GitHub）。有关提交代码和软件的更多信息，请参阅《自然研究指南》。
数据
数据可用性政策信息
所有手稿必须包含数据可用性声明。该声明应提供以下信息（如适用）：
公开可用数据集的存取代码、唯一标识符或网页链接
具有关联原始数据的数字列表
有关数据可用性的任何限制描述
所有成像数据均来自公开可用的开放存储库。人类连接组计划数据可通过（https://db.humanconnectome.org/）访问。
领域特定报告
请选择以下最适合您研究的选项。如果不确定，请在选择之前阅读相应部分。
行为与社会科学
生态、进化与环境科学
要查看包含所有部分的文档的参考副本，请参阅 nature.com/documents/nr-reporting-summary-flat.pdf
生命科学研究设计
所有研究必须在这些要点上披露，即使披露是负面的。
样本量本研究使用了三个人类神经影像数据集：人类连接组计划（HCP）、午夜扫描俱乐部（MSC）和健康大脑网络连续扫描倡议（HBN）。对于 HCP，我们使用了一个公开的包含 100 个不相关受试者的名单。对于 MSC，数据集包括 10 个受试者。对于 HBN，数据集包括 13 个受试者；由于低运动 fMRI 扫描的可用性有限，HBN 的 3 个受试者被排除在外。选择了这三个数据集以提供数据来展示新型 eFC 构建的各个方面。利用了 100 个不相关的 HCP 受试者来构建来自高质量神经影像数据的大型不相关（数据是大型双生子研究的子集）队列的 EFC。MSC 数据用于展示 eFC 的可靠性，因为 MSC 受试者每人有 10 个静息态扫描。HBN 数据集用于展示被动观影如何影响 eFC，因为对于这个数据集，获取了多个静息和观影扫描。没有使用统计方法来预先确定样本量，但我们的样本量与先前出版物中报告的相似，并且代表了所有可用数据（MSC，HBN）或由研究协调员预先选择的子集（HCP）
数据排除 根据我们的数据排除标准，HBN数据集中的三个受试者被排除在我们的研究之外，因为他们的MRI数据很少或没有通过我们的数据排除标准。个体HBN fMRI根据从MRIQC输出的图像质量度量（IQMs）进行排除。MRIQC软件包旨在利用可重现的容器化技术自动提供IQMs和个体以及群体的可视报告。使用了以下IQMs：dvars、tsnr、fd mean、aor、aqi、snr和efc。如果某个扫描的IQMs超过了数据集中特定IQM的四分位距的1.5倍（向不利方向）五个或更多的IQMs，那么将排除个体扫描。如果超过
复制补充图 3 显示了三个独立数据集（HCP、MSC 和 HBN）之间 eFC 数据的相关性。补充图 4 显示了使用不同干扰回归策略处理的 HCP 数据的 eFC 数据的相关性。补充图 11 显示了每个数据集（HCP、MSC、HBN）的归一化熵图。补充图 13 显示了 HCP 数据集中社区数量（
随机化受试者未分组。每个队列（HCP、MSC、HBN）的数据分别进行分析。这样选择是为了不混合 MRI 机器和 MRI 采集参数的数据。
数据分析未盲目进行，以符合实验条件。盲目性并不相关，因为受试者的评估并非基于组成员身份，而且盲目性并不适用于本研究中报告的整体组分析。
有关特定材料、系统和方法的报告
我们需要作者提供关于许多研究中使用的某些类型材料、实验系统和方法的信息。在这里，指出列出的每种材料、系统或方法是否与您的研究相关。如果您不确定列表项是否适用于您的研究，请在选择响应之前阅读相应部分。
材料和实验系统 |
Methods | ||
|
|
参与研究 |
|
参与研究 |
|
|
|
|
|
| 凶 | 真核细胞系 | 区 | 流式细胞术 |
|
|
|
[ | 基于 MRI 的神经影像学 |
动物和其他生物
人类研究参与者
临床数据
有关涉及人类研究参与者的研究政策信息
人口特征 人类连接组计划（HCP）旨在收集年龄在 22-25 岁之间的健康成年双胞胎（Van Essen，2012）。 “健康”的定义是广泛的，为了收集一个在行为、种族和社会经济多样性方面代表美国人口的样本。在这项研究中，使用了一个名为“不相关 100”的受试者子集。该子集具有以下特征：女性；平均年龄；年龄范围。
午夜扫描俱乐部（MSC）由 10 名健康、右撇子、年龄在 24-34 岁之间的参与者组成。人口统计信息可在 Gordon 2017 年的表 1 中找到。
健康大脑网络连续扫描计划（HBN）由 13 名参与者组成，年龄在 18-45 岁之间，他们被用作更广泛的健康大脑网络数据集收集的试点对象（O'Connor 2017）。受试者人口统计信息可在以下网址找到：http://gigadb.org/dataset/100259
招募
HCP 受试者是从密苏里州卫生和老年服务局的重要记录局招募的。MSC 受试者是从圣路易斯华盛顿大学社区招募的。
HBN 受试者是从更广泛的健康大脑网络项目参与社区招募的。这些详细信息可以在以下网址找到：http://fcon_1000.projects.nitrc.org/indi/cmi_healthy_brain_network/Recruitement.html
本研究的作者没有收集任何主要成像数据，也没有进行受试者招募。因此，作者对可能与这三个队列的数据收集相关的可能的自我选择偏见或其他偏见并不了解。基于先前描述的在三个独立获取的队列上进行的复制（跨扫描仪强度），我们估计与招募相关的潜在偏见不太可能影响研究的主要结果。
伦理监督
HCP 已获得华盛顿大学机构审查委员会批准。
MSC 已获得华盛顿大学医学院人类研究委员会和机构审查委员会批准。HBN 已获得切萨皮克机构审查委员会批准。
注意，研究方案获批的完整信息也必须在手稿中提供。
磁共振成像
实验设计
设计类型
设计规格
行为绩效指标
在这项研究中，我们使用了静息态扫描（注视十字，眼睛睁开）和观看电影任务（《夺宝奇兵》）。
在这项研究中没有使用区块。
行为测量未用于本研究的主要发现。在补充图 21-23 中，我们对 HCP 受试者的 EFC 与行为分数主成分之间的关系进行了探索性分析。主成分分析是在以下行为表现指标上进行的，这些指标作为 HCP 无限制指标可用：MMSE 分数，PSQI 分数，PSQI_Comp1，PSQI_Comp2，PSQI_Comp3，PSQI_Comp4，PSQI_Comp5，PSQI_Comp6，PSQI_Comp7，PSQI_Min2Asleep，PSQI_AmtSleep，PSQI_Latency30Min，PSQI_WakeUp，PSQI_Bathroom，PSQI_Breathe，PSQI_Snore，PSQI_TooCold，PSQI_TooHot，PSQI_BadDream，PSQI_Pain，PSQI_Other，PSQI_Quality，PSQI_SleepMeds，PSQI_DayStayAwake，PSQI_DayEnthusiasm，PSQI_BedPtnrRmate，PicSeq_Unadj，PicSeq_AgeAdj，CardSort_Unadj，CardSort_AgeAdj，Flanker_Unadj，Flanker_AgeAdj，PMAT24_A_CR，PMAT24_A_SI，PMAT24_A_RTCR，ReadEng_Unadj，ReadEng_AgeAdj，PicVocab_Unadj，PicVocab_AgeAdj，ProcSpeed_Unadj，ProcSpeed_AgeAdj，DDisc_SV_1mo_200，DDisc_SV_6mo_200，DDisc_SV_1yr_200，DDisc_SV_3yr_200，DDisc_SV_5yr_200，DDisc_SV_10yr_200，DDisc_SV_1mo_40K，DDisc_SV_6mo_40K，DDisc_SV_1yr_40K，DDisc_SV_3yr_40K，DDisc_SV_5yr_40K，DDisc_SV_10yr_40K，DDisc_AUC_200，DDisc_AUC_40K，VSPLOT_TC，VSPLOT_CRTE，VSPLOT_OOFF，SCPT_TP，SCPT_TN，SCPT_FP，SCPT_FN，SCPT_TPRT，SCPT_SEN，SCPT_SPEC，SCPT_LRNR，IWRD_TOT，IWRD_RTC，ListSort_Unadj，ListSort_AgeAdj，CogFluidComp_UnadjComp_AgeAdj, CogEarlyComp_Unadj, CogEarlyComp_AgeAdj, CogTotalComp_Unadj, CogTotalComp_AgeAdj, CogCrystalComp_Unadj, CogCrystalComp_AgeAdj, ER40_CR, ER40_CRT, ER4OANG, ER4OFEAR, ER4OHAP, ER4ONOE, ER4OSAD, AngAffect_Unadj, AngHostil_Unadj, AngAggr_Unadj, FearAffect_Unadj, FearSomat_Unadj, Sadness_Unadj, LifeSatisf_Unadj, MeanPurp_Unadj, PosAffect_Unadj, Friendship_Unadj, Loneliness_Unadj, PercHostil_Unadj, PercReject_Unadj, EmotSupp_Unadj, InstruSupp_Unadj, PercStress_Unadj, SelfEff_Unadj, Emotion_Task_Acc, Emotion_Task_Median_RT, Emotion_Task_Face_Acc, Emotion_Task_Face_Median_RT, Emotion_Task_Shape_Acc, Emotion_Task_Shape_Median_RT, Gambling_Task_Perc_Larger, Gambling_Task_Perc_Smaller, Gambling_Task_Median_RT_Larger, Gambling_Task_Reward_Perc_Larger, Gambling_Task_Reward_Median_RT_Larger, Gambling_Task_Reward_Perc_Smaller, Gambling_Task_Punish_Perc_Larger,
赌博任务惩罚中位数反应时间较长，赌博任务惩罚百分比较小，语言任务准确率，语言任务中位数反应时间，语言任务故事准确率，语言任务故事中位数反应时间，语言任务故事平均难度级别，语言任务数学准确率，语言任务数学中位数反应时间，语言任务数学平均难度级别，关系任务准确率，关系任务中位数反应时间，关系任务匹配准确率，关系任务匹配中位数反应时间，关系任务关系准确率，关系任务关系中位数反应时间，社交任务随机百分比，社交任务 TOM 百分比，社交任务不确定百分比，社交任务 TOM 中位数反应时间，社交任务随机百分比随机，社交任务随机百分比 TOM，社交任务随机百分比不确定，社交任务 TOM 百分比随机，社交任务 TOM 百分比 TOM，社交任务 TOM 中位数反应时间 TOM，社交任务 TOM 百分比不确定，工作记忆任务准确率，工作记忆任务中位数反应时间，工作记忆任务 2bk 准确率，工作记忆任务 2bk 中位数反应时间，工作记忆任务 Obk 准确率，工作记忆任务 Obk 中位数反应时间
工作记忆任务 Obk 身体准确率，工作记忆任务 Obk 身体准确率目标，工作记忆任务 Obk 身体准确率非目标
工作记忆任务 Obk 面孔准确率，工作记忆任务 Obk 面孔准确率目标，工作记忆任务 Obk 面孔准确率非目标
工作记忆任务_目标位置_准确, 工作记忆任务_目标位置_准确_目标, 工作记忆任务_目标位置_准确_非目标
工作记忆任务_目标工具_准确, 工作记忆任务_目标工具_准确_目标, 工作记忆任务_目标工具_准确_非目标
工作记忆任务_2-back_身体_准确, 工作记忆任务_2-back_身体_准确_目标, 工作记忆任务_2-back_身体_准确_非目标
工作记忆任务_2bk_面孔_准确率, 工作记忆任务_2bk_面孔_准确率_目标, 工作记忆任务_2bk_面孔_准确率_非目标
工作记忆任务_2bk_地点_准确率, 工作记忆任务_2bk_地点_准确率_目标, 工作记忆任务_2bk_地点_准确率_非目标
工作记忆任务_2bk_工具_准确率, 工作记忆任务_2bk_工具_准确率_目标, 工作记忆任务_2bk_工具_准确率_非目标
WM_Task_Obk_Body_Median_RT, WM_Task_Obk_Body_Median_RT_Nontarget, WM_Task_Obk_Face_Median_RT,
WM_Task_Obk_Face_Median_RT_Nontarget, WM_Task_Obk_Place_Median_RT,
WM_Task_Obk_Place_Median_RT_Nontarget, WM_Task_Obk_Tool_Median_RT,
工作记忆任务_Obk_工具_中位_RT_非目标, 工作记忆任务_2bk_身体_中位_RT,
工作记忆任务_2bk_身体_中位_RT_非目标, 工作记忆任务_2bk_面孔_中位_RT,
工作记忆任务_2bk_面孔_中位_RT_非目标, 工作记忆任务_2bk_地点_中位_RT,
WM_Task_2bk_Place_Median_RT_Nontarget, WM_Task_2bk_Tool_Median_RT,
WM_Task_2bk_Tool_Median_RT_Nontarget, Endurance_Unadj, Endurance_AgeAdj, GaitSpeed_Comp,
Dexterity_Unadj, Dexterity_AgeAdj, Strength_Unadj, Strength_AgeAdj, NEOFAC_A, NEOFAC_O, NEOFAC_C, NEOFAC_N, NEOFAC_E, Odor_Unadj, Odor_AgeAdj, PainIntens_RawScore, PainInterf_Tscore, Taste_Unadj, Taste_AgeAdj,
火星日志分数，火星错误，火星最终。
获取
成像类型(s)
信号强度
序列和成像参数
采集区域
扩散 MRI
预处理
预处理软件
规范化
规范化模板
噪声和伪影去除
体积审查
统计建模与推断
模型类型和设置
测试的效应结构、功能
HCP：采用梯度回波 EPI 序列获取了静息态 fMRI（rsfMRI）数据（运行持续时间=14:33 分钟，TR=
HBN：采用梯度回波 EPI 序列获取了静息态 fMRI 和观影（mvfMRI）数据（rsfMRI 运行持续时间=10:18 分钟，每段
整个大脑
HCP 中的功能图像使用 HCP pipelines 进行处理，并在 1200 个受试者数据发布后下载。HCP pipelines 利用 FSL、Connectome Workbench 和自定义 MATLAB。MSC 和 HBN 数据集中的功能图像使用基于 Nipype 1.1.9 的 fMRIPrep 1.3.2 [90] 进行预处理。fMRIPrep 的内部操作使用 Nilearn 0.5.0、ANTs 2.2.0、FreeSurfer 6.0.1、FSL 5.0.9 和 AFNI v16.2.07。有关管道的更多详细信息，请参阅 fMRIPrep 文档中与版本 1.3.2 对应的工作流程部分。
在 fMRIPrep 工作流程中，使用 ANTs 将功能图像对齐到 MNI 非对称模板版本 2009c。对于 HCP，使用 FSL FNIRT 将功能图像对齐到 FSL MNI 模板，此外，使用多模态配准将表面功能数据对齐到 fs_LR 表面空间。
对于 HCP，fMRI 数据在线性对齐（AC-PC）到 FSL MNI 模板后进行分析。对于 MSC 和 HBN，fMRI 数据在每个受试者的 T1w 空间中进行分析。
我们采用了 Satterthwaite 2013 描述的 36 参数干扰回归策略，并证明在 Parkes 2018 中是一种有效策略。在补充图 4 中，我们呈现了一个散点图，比较使用这种 36 参数策略处理的数据得出的 eFC 值与使用 ICA-FIX 去噪策略处理的数据得出的 eFC 值。
我们在体积审查的位置使用了尖峰回归。为每个超过运动阈值的帧添加了一个尖峰回归器（
指定分析类型：
推断的统计类型（参见 Eklund 等人 2016 年）
更正
模型与分析
研究中涉及
功能性和/或有效连接
图分析
本研究未进行基于体素或基于簇的推断。
本研究未进行基于体素或基于簇的推断。
在休息与电影 eFC 的比较中，我们报告了基于 FDR（Benjamini-Hochberg）阈值 alpha
在本研究中，我们提出了一种称为 eFC 的度量，概念上与 Pearson 相关性有关。与 Pearson 相关性的关系在手稿中有解释。在图 1c 中，我们将 eFC 值与边对应的 nFC 值（Pearson 相关性）的乘积进行了比较。我们注意到，由于数据维度不同，无法直接比较 eFC 和 nFC 值。
我们构建了一个边对边图（eFC 矩阵），其权重和方向均为 -1 到 1。这些值表示边时间序列之间共同波动的大小。在本手稿中，我们描述了一种将社区检测应用于该矩阵的方法。在补充图 20 中，我们提供了可以应用于 eFC 矩阵并映射回 NxN 空间的其他网络度量的示例。
美国印第安纳大学布鲁明顿分校心理与脑科学系。美国印第安纳大学布鲁明顿分校神经科学项目。美国印第安纳大学布鲁明顿分校认知科学项目。美国印第安纳大学布鲁明顿分校网络科学研究所。邮箱：rbetzel@indiana.edu
