精準(zhǔn)功能磁共振成像揭示個體化腦功能網(wǎng)絡(luò)組織*

周廣方 金 花1,,3

精準(zhǔn)功能磁共振成像揭示個體化腦功能網(wǎng)絡(luò)組織*

周廣方2金 花1,2,3

(1教育部人文社會科學(xué)重點(diǎn)研究基地天津師范大學(xué)心理與行為研究院;2天津師范大學(xué)心理學(xué)部;3學(xué)生心理發(fā)展與學(xué)習(xí)天津市高校社會科學(xué)實(shí)驗室, 天津 300387)

精準(zhǔn)功能磁共振成像(precision functional magnetic resonance imaging, pfMRI)是指在單個個體中收集大量fMRI數(shù)據(jù)的一種數(shù)據(jù)采集策略, 相較于傳統(tǒng)fMRI研究中針對每個被試采集少量數(shù)據(jù), 之后通過組平均揭示認(rèn)知過程的腦功能規(guī)律或是特定人群共享的腦功能特征的方法, 該方法的優(yōu)勢在于能夠揭示每個個體的大腦特征, 因此日益受到研究者的重視和應(yīng)用。迄今為止, 眾多研究采用該方法從功能網(wǎng)絡(luò)組織的個體差異、個體識別、局部區(qū)域的功能定位、個體網(wǎng)絡(luò)樞紐的識別、個體功能網(wǎng)絡(luò)的發(fā)展與可塑性和臨床應(yīng)用六個角度系統(tǒng)揭示了個體化的腦功能網(wǎng)絡(luò)組織, 這些研究成果對未來腦科學(xué)研究具有重要啟發(fā)。未來研究應(yīng)該重點(diǎn)探討現(xiàn)有研究所揭示的個體功能網(wǎng)絡(luò)組織特點(diǎn)與行為表現(xiàn)的關(guān)系, 通過對數(shù)據(jù)分析和成像技術(shù)的改進(jìn)減少該方法所需的掃描時間, 并嘗試將該方法應(yīng)用到任務(wù)態(tài)fMRI和多模態(tài)數(shù)據(jù)的融合研究中。

精準(zhǔn)功能磁共振成像, 腦功能網(wǎng)絡(luò), 個體差異, 功能連接

1 引言

自1992年Kwong等和Ogawa等使用功能磁共振成像(functional magnetic resonance imaging, fMRI)探究人腦功能以來(Kwong et al., 1992; Ogawa et al., 1992), fMRI逐漸成為我們了解人類大腦功能的一項重要工具, 在認(rèn)知神經(jīng)科學(xué)、心理學(xué)、醫(yī)學(xué)等領(lǐng)域取得眾多的研究成果, 揭示了從基本感覺到復(fù)雜認(rèn)知過程的神經(jīng)基礎(chǔ)。其中一個顯著成果是基于靜息態(tài)功能連接(resting state functional connectivity, RSFC)描述了人類的腦功能網(wǎng)絡(luò)組織, 如默認(rèn)網(wǎng)絡(luò)(default mode network, DMN)、額頂網(wǎng)絡(luò)(frontoparietal network, FPN)等, 這些屬于同一功能網(wǎng)絡(luò)的大腦區(qū)域雖然可能在空間上存在分離, 但它們在時間上表現(xiàn)出高度相關(guān)的活動模式(Doucet et al., 2011; Power et al., 2011; Yeo et al., 2011); 并且一些常見精神疾病與這些分布式腦網(wǎng)絡(luò)的功能障礙存在密切關(guān)系, 如抑郁癥、精神分裂癥、阿爾茨海默癥等(Barch, 2017; Karbasforoushan & Woodward, 2012; Mayberg, 2007; Sha et al., 2019)。但令人驚訝的是, 這些基礎(chǔ)研究成果向臨床應(yīng)用的轉(zhuǎn)化卻經(jīng)常存在困難。其中, 一個主要原因是以往研究大多采用組平均研究設(shè)計, 雖然這種方式對于揭示大腦功能組織的一般規(guī)律具有重要意義, 但其在捕獲個體特征方面存在相當(dāng)大的局限。

以往研究大多采用組平均設(shè)計主要是因為BOLD信號本身包含多種來源的噪音, 如：系統(tǒng)內(nèi)自由電子的熱運(yùn)動、生理(呼吸、運(yùn)動)和非生理噪音等, 這導(dǎo)致標(biāo)準(zhǔn)掃描長度的(5～10分鐘)個體fMRI數(shù)據(jù)難以獲得可靠的結(jié)果(Liu, 2016)。然而, 基于心理測量學(xué)的視角, 隨機(jī)誤差分?jǐn)?shù)變異在更大數(shù)據(jù)量時有更多的機(jī)會自我抵消, 因此真分?jǐn)?shù)在測量中占的比例更大, 測驗的可靠性也將隨之提高(Elliott et al., 2021)。因此, 近期一些研究者嘗試通過增加個體fMRI掃描長度的方式, 對個體化的功能網(wǎng)絡(luò)組織特點(diǎn)進(jìn)行探究, 這種方法被研究者稱作精準(zhǔn)功能磁共振成像。Gratton, Kraus等(2020)在對采用精準(zhǔn)功能磁共振成像方法的初期研究成果進(jìn)行總結(jié)的基礎(chǔ)上, 提出該方法在促進(jìn)研究成果的實(shí)踐轉(zhuǎn)化和臨床應(yīng)用方面表現(xiàn)出良好的前景, 如識別經(jīng)顱磁刺激(Transcranial Magnetic Stimulation, TMS)的個體特異性靶點(diǎn)、理解在組水平研究中被掩蓋的正常大腦和病理大腦之間的差異, 對治療效果的長期追蹤, 提供生物標(biāo)記識別高危患病個體, 等等。但該文完成于pfMRI方法發(fā)展的初期, 當(dāng)時的研究成果較少(僅包含了功能網(wǎng)絡(luò)組織的個體差異、網(wǎng)絡(luò)變異兩方面的研究), 且其主要目的在于闡明該方法在精神疾病治療中的良好前景和發(fā)展方向。近些年來, 眾多研究采用pfMRI方法從不同研究視角揭示了個體化的功能網(wǎng)絡(luò)組織, 取得了豐富研究成果, 目前尚缺乏對這些成果的系統(tǒng)梳理和總結(jié)。在此, 基于2020年及以后的相關(guān)文獻(xiàn)(占總pfMRI文獻(xiàn)數(shù)量的71.7%), 本文系統(tǒng)回顧了采用pfMRI方法揭示功能網(wǎng)絡(luò)組織的個體差異、個體識別、局部區(qū)域的功能定位、個體網(wǎng)絡(luò)樞紐的識別、個體功能網(wǎng)絡(luò)的發(fā)展與可塑性的研究成果及其臨床應(yīng)用, 總結(jié)了現(xiàn)有研究的優(yōu)勢和不足, 并在此基礎(chǔ)上提出了需進(jìn)一步探索的方向, 為未來腦科學(xué)相關(guān)的基礎(chǔ)研究和實(shí)踐應(yīng)用提供重要支撐。

2 pfMRI簡介

pfMRI本質(zhì)上屬于一種數(shù)據(jù)采集策略, 即對單個被試進(jìn)行長時間的fMRI掃描, 旨在為描繪個體大腦功能提供充分的高質(zhì)量數(shù)據(jù)。此外, 在一些經(jīng)典pfMRI數(shù)據(jù)集中, 通常包含多個模態(tài)的數(shù)據(jù)。如MyConnectome數(shù)據(jù)集包含了在18個月的時間跨度內(nèi)單個被試的結(jié)構(gòu)像[T1加權(quán)像、T2加權(quán)像和彌散張量成像(Diffusion Tensor Imaging, DTI)]、功能像(任務(wù)態(tài)和靜息態(tài))、基因表達(dá)和新陳代謝指標(biāo)(Poldrack et al., 2015); 午夜俱樂部(Midnight Scan Club, MSC)數(shù)據(jù)集則包含了10名被試的結(jié)構(gòu)像[T1加權(quán)像、T2加權(quán)像、磁共振血管造影像(magnetic resonance angiogram, MRA)、磁共振靜脈血管像(magnetic resonance venogram, MRV)]、功能像(靜息態(tài)和任務(wù)態(tài))和一組神經(jīng)心理測驗(涉及智力、人格等方面) (Gordon et al., 2017)。另外需要指出的是, 雖然這些數(shù)據(jù)集包含了來自于多個模態(tài)的數(shù)據(jù), 但現(xiàn)有的大多數(shù)pfMRI研究僅使用了靜息態(tài)數(shù)據(jù)以揭示個體的功能網(wǎng)絡(luò)特征。在這些研究中, 靜息態(tài)fMRI的掃描時間在0.4～32小時之間, 所采集的數(shù)據(jù)量在565 ～79360個時間點(diǎn)之間, 可見其在掃描時間和數(shù)據(jù)量上均高于傳統(tǒng)fMRI研究(一般為5～10分鐘)。同時, 為了進(jìn)一步提高數(shù)據(jù)質(zhì)量, 保證個體結(jié)果的穩(wěn)定性, pfMRI研究對于頭動噪聲進(jìn)行了較為嚴(yán)格的控制, 如在多數(shù)pfMRI研究的預(yù)處理過程中選擇刪除逐幀位移(framewise displacement, FD)大于0.2 mm的圖像(Dworetsky, Seitzman, Adeyemo, Neta, et al., 2021; Faskowitz et al., 2020; Gordon et al., 2017; Lynch et al., 2019; Perez et al., 2023), 而傳統(tǒng)fMRI研究或是未采用此方法對頭動噪聲進(jìn)行進(jìn)一步的控制, 或是雖然運(yùn)用了此方法但采用了更加寬松的閾值(一般為刪除FD > 0.5 mm的圖像) (Duda et al., 2021; Fan et al., 2021; Power et al., 2012; Sripada et al., 2020; Tarchi et al., 2022)。綜上來看, 相較于傳統(tǒng)fMRI方法, pfMRI對數(shù)據(jù)的數(shù)量和質(zhì)量都提出了更高的要求。

但是, 長達(dá)數(shù)小時的數(shù)據(jù)量并不是pfMRI方法的必然要求?？赡芤驗槠鸪醯膒fMRI研究是探索性的, 研究者并不確定多長的掃描時間可以保證獲得穩(wěn)定、可靠的個體化結(jié)果, 所以盡可能增加了掃描長度。因此一些研究者對fMRI數(shù)據(jù)量與個體結(jié)果穩(wěn)定性的關(guān)系進(jìn)行了探討。他們通常采用的方法是, 將來自同一個體的fMRI數(shù)據(jù)分成兩個部分, 以兩部分?jǐn)?shù)據(jù)獲得的結(jié)果指標(biāo)的相關(guān)性作為穩(wěn)定性的指標(biāo)(相關(guān)性越高表明結(jié)果越穩(wěn)定), 進(jìn)一步觀察結(jié)果穩(wěn)定性隨著數(shù)據(jù)量的變化趨勢。Laumann等(2015)首先對大腦皮層功能連接矩陣的穩(wěn)定性進(jìn)行了探究, 發(fā)現(xiàn)至少需要40分鐘的低頭動數(shù)據(jù)才能獲得較為穩(wěn)定個體結(jié)果(> 0.9)。Gordon等(2017)進(jìn)一步探究了其他測量指標(biāo)的穩(wěn)定性, 如模塊化系數(shù)僅需要10分鐘的數(shù)據(jù)長度, 網(wǎng)絡(luò)分配(network assignment)和全局效率則需要90分鐘, 但100分鐘的數(shù)據(jù)也沒有使參與系數(shù)到達(dá)穩(wěn)定(< 0.65)。還有研究進(jìn)一步發(fā)現(xiàn), 大腦皮層不同區(qū)域的功能連接穩(wěn)定性也存在差異, 如使用30分鐘的數(shù)據(jù), 只有28%的大腦區(qū)域表現(xiàn)出高于0.7的可靠性(Lynch et al., 2020)。相較于大腦皮層, 一些研究發(fā)現(xiàn)皮層下結(jié)構(gòu)的功能連接穩(wěn)定性通常更低, 因此對數(shù)據(jù)量提出了更高要求。如Marek等(2018)發(fā)現(xiàn)90分鐘的數(shù)據(jù)才能使小腦功能連接達(dá)到高可靠性; 而對于基底神經(jīng)節(jié)和丘腦, 則需要100分鐘的數(shù)據(jù)(Greene et al., 2020), 這種對數(shù)據(jù)量的更高要求可能與這些區(qū)域較低的信噪比有關(guān)。此外, Raut等(2020)還發(fā)現(xiàn)相較于功能連接模式, 時間滯后結(jié)構(gòu)(temporal lag structure, 大腦不同區(qū)域活動的時間進(jìn)程)的穩(wěn)定性更差, 需要100分鐘以上的數(shù)據(jù)才能獲得穩(wěn)定的個體結(jié)果。除了以上研究所關(guān)注的掃描長度之外, 還有研究表明當(dāng)掃描長度固定時, 增加掃描次數(shù)也能夠提高功能連接的可靠性(Bergmann et al., 2020; Noble et al., 2017), 因此重復(fù)測量的fMRI設(shè)計對于識別個體化的功能連接模式是非常有利的?？傊? 以上結(jié)果說明pfMRI方法的數(shù)據(jù)量需求在不同大腦區(qū)域、不同結(jié)果指標(biāo)、不同掃描次數(shù)之間存在較大差異。

3 個體化功能網(wǎng)絡(luò)組織

3.1 功能網(wǎng)絡(luò)組織的個體差異

Poldrack等(2015)首先對單個被試進(jìn)行了長時間的fMRI追蹤掃描, 該研究以作者Poldrack為研究對象, 在18個月的時間跨度內(nèi)收集了多個模態(tài)的數(shù)據(jù)。該研究不但揭示了個體功能網(wǎng)絡(luò)組織的穩(wěn)定性和特異性, 并且證明這種個體化特點(diǎn)具有生物學(xué)意義(與新陳代謝和基因等指標(biāo)存在相關(guān)), 導(dǎo)致眾多研究者關(guān)注到此領(lǐng)域并開展了深入研究。

起初, 研究者的主要關(guān)注點(diǎn)在于使用pfMRI方法探究個體的皮層功能網(wǎng)絡(luò)組織特征。Laumann等(2015)首先嘗試通過pfMRI方法對大腦皮層進(jìn)行個體化的區(qū)域劃分(areal parcellation), 發(fā)現(xiàn)基于個體的區(qū)域劃分明顯優(yōu)于組平均(基于120名被試的已有數(shù)據(jù)集劃分, Gordon et al., 2016; Wig et al., 2014)和AAL模板所定義的, 并且其與任務(wù)激活表現(xiàn)出高一致性(任務(wù)激活邊界與個體化區(qū)域劃分相似); 同時個體之間表現(xiàn)出較大的功能網(wǎng)絡(luò)變異, 這些變異主要集中在聯(lián)合網(wǎng)絡(luò)(association network, 如：FPN、DMN、帶狀蓋網(wǎng)絡(luò)(cingulo-opercular network, CO)和注意網(wǎng)絡(luò)(attentional network))。Gordon等(2017)為了推動這一新興研究領(lǐng)域的發(fā)展, 收集了10名被試的pfMRI數(shù)據(jù)(MSC數(shù)據(jù)集), 該研究在揭示功能網(wǎng)絡(luò)組織個體差異的基礎(chǔ)上, 進(jìn)一步發(fā)現(xiàn)皮質(zhì)髓鞘含量與功能網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的個體差異相對應(yīng)。除了人類大腦之外, Bergmann等(2020)發(fā)現(xiàn)老鼠的功能連接也表現(xiàn)出個體獨(dú)特性, 并且通過功能連接矩陣可以成功的對老鼠進(jìn)行識別; 但與人類大腦不同的是, 老鼠皮層功能網(wǎng)絡(luò)組織的個體效應(yīng)在感覺系統(tǒng)和聯(lián)合系統(tǒng)之間沒有差異, 而人類大腦的個體間變異主要集中在聯(lián)合系統(tǒng)。另外, Ren等(2021)對人類和恒河猴在聽覺皮層的變異進(jìn)行了探究和比較, 主要發(fā)現(xiàn)聽覺皮層的個體變異顯著大于視覺皮層, 并且聽覺皮層的低變異區(qū)表現(xiàn)出與感覺運(yùn)動皮層更強(qiáng)的功能連接, 高變異區(qū)表現(xiàn)出與額極更強(qiáng)的功能連接, 這說明聽覺皮層的低變異區(qū)可能參與了初級信息處理, 而高變異區(qū)可能參與了額葉的高階聯(lián)合加工。不僅局限于功能連接模式, 還有研究揭示時間滯后結(jié)構(gòu)也存在個體間差異。但正如前面所提到的相較于個體功能連接模式, 時間滯后結(jié)構(gòu)的穩(wěn)定性更差, 因此獲得穩(wěn)定的個體結(jié)果需要更大的數(shù)據(jù)量(Raut et al., 2020)。

需要注意的是上述介紹的所有研究都是基于傳統(tǒng)功能連接(又稱基于節(jié)點(diǎn)的功能連接, nodal functional connectivity, nFC)進(jìn)行的, 該方法以節(jié)點(diǎn)作為大腦結(jié)構(gòu)和功能的基本單元, 計算兩個節(jié)點(diǎn)活動的相關(guān)性。這種方法的一個主要局限是它不能捕獲可能具有潛在意義的網(wǎng)絡(luò)邊(edge)之間的相互關(guān)系。然而, 在其他科學(xué)領(lǐng)域?qū)W(wǎng)絡(luò)邊相互作用的分析已經(jīng)為了解復(fù)雜系統(tǒng)的組織和功能提供了重要視角(Ahn et al., 2010; Evans & Lambiotte, 2009)?；诖? Faskowitz等(2020)提出一種以功能連接邊為基礎(chǔ)對個體大腦功能網(wǎng)絡(luò)進(jìn)行研究的框架, 即大腦兩個區(qū)域之間活動相關(guān)性隨時間的展開被稱作“邊”, 兩條“邊”之間的相關(guān)性被稱作基于邊的功能連接(edge functional connectivity, eFC)。該研究采用pfMRI方法證實(shí)了eFC也可以捕獲個體特征, 并且nFC的線性組合與eFC并不相似, 說明了兩者揭示了神經(jīng)系統(tǒng)獨(dú)特的組織特點(diǎn), 應(yīng)該被視作互補(bǔ)的方法。此外, 該研究發(fā)現(xiàn)相較于nFC, eFC所具有的獨(dú)特優(yōu)勢, 如：較少的受到大腦地形的限制, 可以揭示大腦皮層的重疊網(wǎng)絡(luò)結(jié)構(gòu)(即將一個節(jié)點(diǎn)分配給不同的網(wǎng)絡(luò), 這是nFC不能達(dá)到的)。在該研究之后, Jo, Zamani Esfahlani等(2021)對Faskowitz等人(2020)的研究結(jié)果進(jìn)行復(fù)制, 并且進(jìn)一步探討了基于eFC構(gòu)建的重疊網(wǎng)絡(luò)在系統(tǒng)水平的個體特征。結(jié)果發(fā)現(xiàn)基于eFC所構(gòu)建的重疊網(wǎng)絡(luò)也表現(xiàn)出了被試特異性, 并且變異集中在控制網(wǎng)絡(luò)、顳頂和背側(cè)注意網(wǎng)絡(luò), 與nFC中的結(jié)果基本一致。研究者強(qiáng)調(diào)重疊網(wǎng)絡(luò)的發(fā)現(xiàn)對于揭示大腦功能具有重要意義, 這種功能上的重疊可能是大腦網(wǎng)絡(luò)組織的一個關(guān)鍵原則。

已有研究證明, 皮層下結(jié)構(gòu)與眾多精神疾病存在緊密關(guān)系, 如紋狀體、杏仁核、基底神經(jīng)節(jié)等(Blumenstock & Dudanova, 2020; Li et al., 2015; Mink, 2001; Satterthwaite et al., 2016), 但因皮層下結(jié)構(gòu)本身相對較小, 這就使這些結(jié)構(gòu)的個體功能網(wǎng)絡(luò)組織特征更加容易被組平均方法所混淆, 進(jìn)而導(dǎo)致基于組平均所得到的研究成果在向臨床轉(zhuǎn)化方面更加困難。因此除了前一部分與皮層功能網(wǎng)絡(luò)有關(guān)的研究之外, 還有一些研究者將研究興趣集中在皮層下結(jié)構(gòu)的個體功能網(wǎng)絡(luò)組織特點(diǎn)。有研究發(fā)現(xiàn)小腦的功能網(wǎng)絡(luò)在個體之間存在差異, 如小腦功能網(wǎng)絡(luò)的位置和每個網(wǎng)絡(luò)所占據(jù)的面積, 并且小腦網(wǎng)絡(luò)在被試之間的變異比皮層區(qū)域更大; 另外, 與小腦通常被認(rèn)為與運(yùn)動相關(guān)的觀點(diǎn)相反, 80%的小腦都是與自上而下的監(jiān)管功能有關(guān)的網(wǎng)絡(luò)(聯(lián)合網(wǎng)絡(luò)), 而運(yùn)動網(wǎng)絡(luò)僅僅占據(jù)小腦面積的19.8% (Marek et al., 2018; Xue et al., 2021)。同樣, Greene等(2020)在基底神經(jīng)節(jié)和丘腦中也發(fā)現(xiàn)了個體功能網(wǎng)絡(luò)的變異性, 并且與皮層研究的發(fā)現(xiàn)相似, 屬于控制網(wǎng)絡(luò)(如：FPN, 突顯網(wǎng)絡(luò), 注意網(wǎng)絡(luò))的區(qū)域表現(xiàn)出更大的被試間變異。對于杏仁核, Sylvester等(2020)通過pfMRI方法發(fā)現(xiàn)其存在三個子區(qū)：默認(rèn)模式子區(qū)(default mode subdivision)、背側(cè)注意子區(qū)(dorsal attention subdivision)、非特異性子區(qū)(unspecified subdivision),這三個子區(qū)的的位置也存在個體間變異。三個子區(qū)是依據(jù)其與皮層的功能連接模式進(jìn)行命名的, 如默認(rèn)模式子區(qū)與DMN存在最強(qiáng)的功能連接, 但是這種獨(dú)特的功能連接模式在組平均的數(shù)據(jù)中被掩蓋。Zheng等(2021)也通過pfMRI方法將海馬體劃分為前后兩個區(qū)域, 其中海馬前部與DMN存在更強(qiáng)的功能連接, 而海馬后部與頂葉記憶網(wǎng)絡(luò)(parietal memory network, PMN)存在更強(qiáng)的功能連接, 并且這種功能劃分與基于解剖結(jié)構(gòu)的劃分和任務(wù)激活相一致; 更為關(guān)鍵的是該研究發(fā)現(xiàn)在個體中前后兩個分區(qū)與皮層的功能連接模式分別與DMN和PMN的網(wǎng)絡(luò)邊界相對應(yīng), 但這種對應(yīng)關(guān)系在組平均中同樣不明顯。Gordon等(2022)則對紋狀體的子網(wǎng)絡(luò)進(jìn)行了劃分, 共識別出了10個子網(wǎng)絡(luò), 這些子網(wǎng)絡(luò)的位置也存在個體差異, 但它們大部分都屬于紋狀體至前額皮層的連接, 在連接強(qiáng)度上也表現(xiàn)為與額葉區(qū)域的連接更強(qiáng)。綜上, 這些研究一致的揭示了皮層下結(jié)構(gòu)的功能網(wǎng)絡(luò)組織特征及其個體間變異性, 并且這些區(qū)域的變異比皮層區(qū)域更大, 這提示在精神疾病的治療過程中需要考慮腦功能的個體化特征, 從而促進(jìn)相關(guān)的研究成果向臨床應(yīng)用轉(zhuǎn)化。

總之, 以上研究采用pfMRI方法從不同區(qū)域(大腦皮層和皮層下結(jié)構(gòu))、不同數(shù)據(jù)分析角度(nFC和eFC)均揭示了個體的功能網(wǎng)絡(luò)組織, 并證明了其在個體間的變異性。這些個體間功能網(wǎng)絡(luò)的變異主要出現(xiàn)在聯(lián)合網(wǎng)絡(luò), 而且在不同的狀態(tài)下穩(wěn)定存在。本部分的研究成果證明了pfMRI方法相對于組平均fMRI方法的獨(dú)特優(yōu)勢, 即能夠穩(wěn)定的揭示個體大腦特征; 另一方面, 本部分研究結(jié)果還提示, 以往組平均研究設(shè)計中所經(jīng)常忽視的個體差異很有可能會混淆最終的研究結(jié)果, 因此需要研究者在研究設(shè)計或結(jié)果解釋上對此問題加以考慮。目前已有研究者對此問題提出了較為可行的解決方案, 詳見下一段“網(wǎng)絡(luò)變異”部分。

基于上述研究可以發(fā)現(xiàn)大腦皮層和皮層下結(jié)構(gòu)的功能網(wǎng)絡(luò)組織均存在個體間變異性。在此基礎(chǔ)上, 有研究者改變了研究視角, 對個體與組平均功能連接模式存在差異的區(qū)域的特征進(jìn)行研究, 并將這些區(qū)域稱作“網(wǎng)絡(luò)變異”。Seitzman等(2019)首先提出了該概念, 并且他們發(fā)現(xiàn)網(wǎng)絡(luò)變異在所有個體中均可觀察到, 但是變異出現(xiàn)的位置、大小和所屬的功能網(wǎng)絡(luò)在被試之間不同。但是網(wǎng)絡(luò)變異在被試之間也存在共性, 即經(jīng)常出現(xiàn)在聯(lián)合網(wǎng)絡(luò), 且變異位置的功能連接模式與其所屬的網(wǎng)絡(luò)身份相對應(yīng), 這與前一部分的研究結(jié)果相一致。在該研究之后, 一些研究者對網(wǎng)絡(luò)變異的各方面特征進(jìn)行了深度考察。如, Perez等(2023)探究了網(wǎng)絡(luò)變異的半球不對稱性, 發(fā)現(xiàn)右半球存在更大的變異面積, 左半球的變異面積雖然較小但變異數(shù)量更多。而且不同功能網(wǎng)絡(luò)的變異在半球不對稱上也存在差異, 在DMN、CO和PMN中, 網(wǎng)絡(luò)變異主要位于右半球, 而在視覺、語言、外側(cè)軀體運(yùn)動網(wǎng)絡(luò)(somatomotor lateral network, SML)、內(nèi)側(cè)顳葉網(wǎng)絡(luò)(medial temporal lobe network, MTL)中, 網(wǎng)絡(luò)變異主要位于左半球, 研究者認(rèn)為這可能與行為或者功能的不對稱有關(guān), 如語言網(wǎng)絡(luò)偏向左側(cè), DMN偏向右側(cè)(情境記憶)。Dworetsky, Seitzman, Adeyemo, Smith等(2021)根據(jù)網(wǎng)絡(luò)變異位置與其所屬經(jīng)典網(wǎng)絡(luò)的距離, 將變異劃分為邊界擴(kuò)張和異位侵入兩種類型(如果兩者距離超過3.5 mm則劃分為異位侵入), 兩類變異形式在位置、功能連接模式上存在差異, 異位入侵變異主要出現(xiàn)在右半球的背外側(cè)額葉區(qū), 表現(xiàn)出與PMN, 背側(cè)注意網(wǎng)絡(luò)(the dorsal attention, DAN)和感覺運(yùn)動網(wǎng)絡(luò)(sensorimotor networks)更強(qiáng)的連接, 而邊界擴(kuò)張主要出現(xiàn)在顳頂聯(lián)合區(qū)的喙側(cè)和前額上側(cè), 表現(xiàn)出與DMN, FPN和頂枕網(wǎng)絡(luò)(parieto-occipital network, PON)更強(qiáng)的連接。Kraus等(2021)則對任務(wù)態(tài)中的網(wǎng)絡(luò)變異進(jìn)行了探究, 該研究發(fā)現(xiàn)網(wǎng)絡(luò)變異雖然存在一些狀態(tài)依賴, 但是在任務(wù)態(tài)和靜息態(tài)中, 變異點(diǎn)的體素數(shù)量、變異位置、網(wǎng)絡(luò)身份和功能連接模式基本一致, 說明了網(wǎng)絡(luò)變異的特質(zhì)性?；谇叭藢W(wǎng)絡(luò)變異的研究成果, Dworetsky, Seitzman, Adeyemo, Neta等(2021)嘗試通過pfMRI數(shù)據(jù)集構(gòu)建概率性腦網(wǎng)絡(luò)地圖(即在所有被試中, 同一個體素被確定為某個網(wǎng)絡(luò)的比例, 如在100個被試中, 20個被試被確定為默認(rèn)網(wǎng)絡(luò), 80個被試被確定為突顯網(wǎng)絡(luò), 則其相應(yīng)的比例為20%和80%)。通過該地圖發(fā)現(xiàn), 14個經(jīng)典網(wǎng)絡(luò)中都包含了高組間一致性的區(qū)域, 但是也存在低組間一致性的區(qū)域, 這些結(jié)果在多個數(shù)據(jù)集中均被成功復(fù)制。更為重要的是, 該研究基于Power等(2011)提出的264個ROI, 識別出153個高組間一致性的ROI, 并創(chuàng)建了一個點(diǎn)擊(point-and-click)工具, 通過該工具可以查詢153個ROI的具體坐標(biāo)和皮層上每個體素所對應(yīng)的網(wǎng)絡(luò)概率。總之, 本部分的研究在前人所揭示的功能網(wǎng)絡(luò)個體差異的基礎(chǔ)上, 進(jìn)一步提出了“網(wǎng)絡(luò)變異”區(qū)的概念, 其代表了個體功能網(wǎng)絡(luò)與組平均網(wǎng)絡(luò)不同的區(qū)域, 并且證明了這種網(wǎng)絡(luò)變異的特質(zhì)性, 闡明了網(wǎng)絡(luò)變異在半球不對稱性和變異類型上的特征。網(wǎng)絡(luò)變異的研究成果對未來fMRI研究具有重要意義, 如提示研究者在未來的組平均fMRI研究中應(yīng)盡可能選擇低變異的區(qū)域作為興趣區(qū); 或在對結(jié)果進(jìn)行解釋時, 可結(jié)合Dworetsky, Seitzman, Adeyemo, Neta等(2021)提出的概率性腦網(wǎng)絡(luò)地圖, 將腦區(qū)的個體間變異程度作為一個考慮的因素。

3.2 基于個體功能網(wǎng)絡(luò)組織差異的個體、狀態(tài)識別研究

總之, 3.1部分的研究成果從不同的研究視角共同證明了功能網(wǎng)絡(luò)組織具有個體特異性, 因此一些研究者嘗試進(jìn)一步通過這種特征進(jìn)行個體識別, 并取得了一定的成果。如, Wang等(2021)發(fā)現(xiàn)個體的功能連接模式能夠?qū)π律鷥哼M(jìn)行識別, 其準(zhǔn)確率甚至可以達(dá)到100%, 其中起主要貢獻(xiàn)的腦區(qū)主要位于高階腦系統(tǒng)(如：額葉皮層的內(nèi)側(cè)和外側(cè), 頂上回, 扣帶回前部、中部和左顳下回)。與該研究不同, Yang等(2022)揭示了大腦共激活模式(coactivation patterns, CAPs, 大腦功能連接隨時間的動態(tài)變化)也可以產(chǎn)生良好的個體識別結(jié)果, 表現(xiàn)為較低的個體間相似性和較高的個體內(nèi)相似性。另外, Jo, Faskowitz等(2021)發(fā)現(xiàn)當(dāng)擁有充足數(shù)據(jù)的情況下(大約30分鐘), 基于eFC的被試識別表現(xiàn)甚至比nFC更優(yōu)秀。但與nFC一致的是, 高水平認(rèn)知系統(tǒng)(如控制網(wǎng)絡(luò), 注意網(wǎng)絡(luò)和DMN)在基于eFC的個體識別中發(fā)揮著主要作用, 這支持了功能網(wǎng)絡(luò)的個體間變異主要發(fā)生在聯(lián)合網(wǎng)絡(luò)。除了對個體進(jìn)行識別, 還有些研究者發(fā)現(xiàn)在任務(wù)狀態(tài)間的功能組織也存在差異(Salehi et al., 2020), 因此Porter等(2023)嘗試通過大腦皮層的功能連接矩陣識別任務(wù)狀態(tài), 主要發(fā)現(xiàn)相較于不同被試訓(xùn)練得到的分類器, 相同被試得到的分類器對任務(wù)狀態(tài)表現(xiàn)出更高的識別率, 該結(jié)果不但支持了不同任務(wù)狀態(tài)間大腦功能組織的差異, 而且表明了任務(wù)狀態(tài)在個體間的特異性, 即個體化的大腦組織不僅存在于靜息態(tài)中, 在任務(wù)狀態(tài)中也普遍存在?？偨Y(jié)而言, 本部分研究從個體識別的研究視角進(jìn)一步支持了功能網(wǎng)絡(luò)組織的個體差異, 并且證明了這種個體差異具有個體特質(zhì)性, 為今后調(diào)查其與穩(wěn)定的行為特征的關(guān)系奠定了基礎(chǔ)。

3.3 個體默認(rèn)網(wǎng)絡(luò)的子網(wǎng)絡(luò)和額下回的功能定位研究

自pfMRI方法提出之后, 還有一些研究者嘗試通過該方法對大腦局部區(qū)域進(jìn)行功能定位, 目前研究的主要關(guān)注點(diǎn)在DMN。關(guān)鍵原因是有研究者認(rèn)為DMN可能存在功能不同的子網(wǎng)絡(luò)(Andrews-Hanna et al., 2010, 2014; Leech et al., 2011), 而組平均的數(shù)據(jù)可能會掩蓋劃分的細(xì)節(jié), 不適用于對DMN子網(wǎng)絡(luò)的精確描述。因此一些研究者嘗試從個體出發(fā)探究DMN的網(wǎng)絡(luò)組織細(xì)節(jié), Braga和Buckner (2017)首先在4名被試中均識別出DMN的兩個子網(wǎng)絡(luò)(網(wǎng)絡(luò)A和網(wǎng)絡(luò)B), 這兩個子網(wǎng)絡(luò)不但表現(xiàn)出不同的功能連接模式, 而且兩者的劃分在個體間存在較大的差異。在此研究的基礎(chǔ)上, Braga等(2019)進(jìn)一步采用7T fMRI (更高的分辨率)在個體中對DMN兩個子網(wǎng)絡(luò)的分布進(jìn)行了探究, 發(fā)現(xiàn)兩個子網(wǎng)絡(luò)緊密并置并相互交叉, 驗證并補(bǔ)充了之前的結(jié)果。并且DiNicola等(2020)發(fā)現(xiàn)網(wǎng)絡(luò)A和網(wǎng)絡(luò)B表現(xiàn)出不同的任務(wù)激活模式, 對于網(wǎng)絡(luò)A, 所有被試均在情境預(yù)測任務(wù)中出現(xiàn)更高的激活; 而對于網(wǎng)絡(luò)B, 所有被試均在心理理論任務(wù)中出現(xiàn)更高的激活, 進(jìn)一步說明DMN兩個子網(wǎng)絡(luò)的功能分離。Gordon等(2020)則對DMN進(jìn)行了更為細(xì)致的劃分, 他們發(fā)現(xiàn)10個被試的DMN均可劃分為9個子網(wǎng)絡(luò), 其中頂葉子網(wǎng)絡(luò)為DMN的中心, 連接向其他的子網(wǎng)絡(luò), 并且這些網(wǎng)絡(luò)與任務(wù)激活存在較好的對應(yīng)關(guān)系, 同樣支持了DMN內(nèi)部不同區(qū)域的功能分離。此外, 還有研究者探究了DMN與其他網(wǎng)絡(luò)連接(FPN)的個體間變異, 發(fā)現(xiàn)最強(qiáng)的連接并不會表現(xiàn)出被試間的變化(10～20個連接, 通常為網(wǎng)絡(luò)內(nèi)的連接), 而個體間變異主要出現(xiàn)在兩個網(wǎng)絡(luò)之間的連接(Oliver et al., 2019)。除了與DMN相關(guān)的研究之外, Suda等(2020)采用pfMRI方法對額下回(inferior frontal cortex, IFC)的子區(qū)進(jìn)行了劃分, 主要發(fā)現(xiàn)IFC可分為6個區(qū)域, 包括腹后側(cè)IFC、背后側(cè)IFC、額下聯(lián)合區(qū)、中部IFC、中央前溝腹側(cè)、中央前溝背側(cè), 其中在組水平和個體水平均發(fā)現(xiàn)了信號停止范式中的反應(yīng)抑制與中部IFC模塊中更低水平的腦激活相關(guān)?？傮w上來看, 這些研究結(jié)果均說明了大腦功能劃分的精細(xì)性, 在同一系統(tǒng)的不同區(qū)域可能負(fù)責(zé)不同的功能。同時, pfMRI方法不但可以用于探究個體功能組織的特異性, 在大腦功能的精細(xì)定位方面也具有巨大潛力。

3.4 個體網(wǎng)絡(luò)樞紐的識別研究

網(wǎng)絡(luò)樞紐是指與其他區(qū)域具有高度功能連接的節(jié)點(diǎn), 它們通常連接向多個大腦區(qū)域, 在網(wǎng)絡(luò)中處于中心地位, 研究者普遍認(rèn)為這些樞紐在信息流的傳遞和整合方面發(fā)揮著重要作用(Sporns, 2013; Tomasi & Volkow, 2011; van den Heuvel & Sporns, 2013)。以往對于網(wǎng)絡(luò)樞紐的研究也一般采用組平均的方式(Bertolero et al., 2015; Power et al., 2013), 然而通過該方法所揭示的網(wǎng)絡(luò)樞紐存在一種替代解釋, 即網(wǎng)絡(luò)樞紐所表現(xiàn)出的連接向多個節(jié)點(diǎn)的特征可能是由于個體之間功能網(wǎng)絡(luò)的差異所造成的, 并不真實(shí)存在(Gordon et al., 2017; Gordon, Lynch, et al., 2018; Smith et al., 2023)。因此一些研究者嘗試采用pfMRI方法揭示個體大腦的網(wǎng)絡(luò)樞紐, 以克服傳統(tǒng)組平均方法存在的局限性, 進(jìn)一步對網(wǎng)絡(luò)樞紐的概念提供支持。Gordon, Lynch等(2018)首先基于參與系數(shù)對個體網(wǎng)絡(luò)樞紐進(jìn)行了成功的識別, 支持了網(wǎng)絡(luò)樞紐在個體中的確真實(shí)存在。并且, 該研究通過聚類分析在個體中將發(fā)現(xiàn)的樞紐分成三類：控制?默認(rèn)連接樞紐(control-default connector hub), 交叉?控制連接樞紐(cross-control connector hub), 控制?加工連接樞紐(control-processing connector hub), 這三類樞紐表現(xiàn)出了不一致的連接模式, 并且不同類型樞紐的損害對大腦網(wǎng)絡(luò)組織的影響也存在分離的效應(yīng)。Smith等(2023)則對組平均識別的樞紐和網(wǎng)絡(luò)變異的位置進(jìn)行了比較, 主要發(fā)現(xiàn)基于參與系數(shù)識別的組網(wǎng)絡(luò)樞紐與網(wǎng)絡(luò)變異存在較少的重疊, 并且在被試之間樞紐的連接模式是較為一致的。這些研究結(jié)果均證明網(wǎng)絡(luò)樞紐在功能網(wǎng)絡(luò)中是真實(shí)存在的, 并不是來源于個體間功能網(wǎng)絡(luò)的變異性, 進(jìn)一步支持并補(bǔ)充了組平均研究中有關(guān)網(wǎng)絡(luò)樞紐的發(fā)現(xiàn)。Lynch等(2019)則對個體右側(cè)額中回的樞紐進(jìn)行定位, 并通過連續(xù)θ波脈沖刺激(the continuous theta burst stimulation, cTBS)抑制樞紐位置的活動以觀察其對任務(wù)表現(xiàn)的影響。該研究發(fā)現(xiàn), 個體樞紐的空間分布并不一致, 并且其與組平均的樞紐分布也不一致, 當(dāng)使用cTBS抑制樞紐的活動時會對任務(wù)表現(xiàn)產(chǎn)生干擾, 這種干擾主要源于對Gordon, Lynch等(2018)提出的控制?加工連接樞紐的活動抑制?？傮w而言, 本部分研究成果表明pfMRI方法克服了傳統(tǒng)fMRI研究揭示腦網(wǎng)絡(luò)樞紐的局限性, 進(jìn)一步支持了之前研究所提出的“網(wǎng)絡(luò)樞紐”的概念, 并且說明網(wǎng)絡(luò)樞紐在個體之間也存在變異性。

3.5 個體功能網(wǎng)絡(luò)發(fā)展與可塑性研究

以上介紹的研究結(jié)果大多以成年人為被試, 很少有研究探討大腦的功能組織及其個體間變異是如何隨著年齡的增長不斷發(fā)展的。為了解決這一問題, Cui等(2020)使用693名被試(8～23歲)的27分鐘高質(zhì)量fMRI數(shù)據(jù)對功能網(wǎng)絡(luò)的發(fā)展性進(jìn)行了探究。該研究發(fā)現(xiàn), 不同年齡組被試的網(wǎng)絡(luò)變異較為相似, 這些變異位置通常具有一些獨(dú)特的特征, 如高水平的血流量和進(jìn)化擴(kuò)張、較低的皮質(zhì)髓鞘含量; 但也存在一些功能網(wǎng)絡(luò)地形的差異, 如：動作網(wǎng)絡(luò)和視覺網(wǎng)絡(luò)的皮層表征隨著年齡增長而顯著下降。此外, 網(wǎng)絡(luò)地形的復(fù)雜模式可以對年齡進(jìn)行高度準(zhǔn)確的預(yù)測, 其中聯(lián)合網(wǎng)絡(luò)在年齡的預(yù)測中發(fā)揮著最主要的作用。在大腦功能組織的可塑性方面, Pritschet等(2020)對女性在整個月經(jīng)周期內(nèi)的激素水平與功能網(wǎng)絡(luò)的關(guān)系進(jìn)行了探究, 發(fā)現(xiàn)隨著血清中雌二醇的增加大腦連通性也會增加, 這種關(guān)系主要表現(xiàn)在顳頂網(wǎng)絡(luò); 并且兩天內(nèi)的雌二醇含量能夠?qū)δ苓B接進(jìn)行預(yù)測。同時, 雌二醇與功能網(wǎng)絡(luò)地形也存在一定關(guān)系, 表現(xiàn)為雌二醇含量與一些網(wǎng)絡(luò)的參與系數(shù)或者全局效率相聯(lián)系(如DMN, DAN, 控制網(wǎng)絡(luò)和顳頂網(wǎng)絡(luò))。Newbold等(2020)則通過使用肢體約束(右手)的方法探究了大腦功能組織的可塑性。該研究發(fā)現(xiàn), 肢體約束導(dǎo)致了明顯的行為變化, 被約束肢體的使用率、抓握力和精細(xì)運(yùn)動技能均顯著降低; 在腦功能組織方面, 左側(cè)軀體運(yùn)動皮層中的上肢區(qū)域(L-SM1ue)與其他運(yùn)動區(qū)出現(xiàn)明顯的分離, 并且在對應(yīng)的上肢子環(huán)路(L-SM1ue, 左側(cè)輔助運(yùn)動區(qū)和右側(cè)小腦)中出現(xiàn)自發(fā)活動脈沖。Newbold等(2021)在復(fù)制之前研究結(jié)果的基礎(chǔ)上進(jìn)一步探究了可塑性的機(jī)制, 在肢體約束中大腦功能網(wǎng)絡(luò)的變化主要表現(xiàn)為L-SM1ue與帶狀蓋網(wǎng)絡(luò)(cingulo-opercular network, CON)的連接增加, 與軀體運(yùn)動皮層其他區(qū)域的連接降低, 其中連接的增加主要是因為自發(fā)活動脈沖的出現(xiàn)(CON與L-SM1ue的自發(fā)活動脈沖可能與被棄用神經(jīng)環(huán)路的正常維持和功能恢復(fù)的預(yù)備狀態(tài)有關(guān)), 其有助于保護(hù)神經(jīng)環(huán)路免受因肢體約束導(dǎo)致的功能退化, 而與軀體運(yùn)動皮層其他區(qū)域連接的降低可能是因為赫布類似(Hebbian-like)的分離。

截至目前, 采用pfMRI方法對個體功能網(wǎng)絡(luò)發(fā)展與可塑性的研究已經(jīng)取得了初步進(jìn)展, 揭示了個體大腦功能網(wǎng)絡(luò)組織的成熟過程、及其如何受到激素和環(huán)境因素的影響。但目前的研究尚存在一定局限, 需要未來研究進(jìn)行解決。如, 在個體功能網(wǎng)絡(luò)的發(fā)展性方面, Cui等(2020)所使用的27分鐘fMRI數(shù)據(jù)依然是不足夠的?；谇懊娴慕榻B, 至少需要40分鐘的高質(zhì)量數(shù)據(jù)才能獲得穩(wěn)定的個體化結(jié)果。并且該研究所包含的年齡跨度也不足, 未能將嬰幼兒、中年、老年時期的功能網(wǎng)絡(luò)變化納入考察(Gratton, Smith, & Dorn, 2020)。因此, 未來發(fā)展性研究的一個重要方向應(yīng)該是針對單個被試收集更多的高質(zhì)量fMRI數(shù)據(jù), 同時考慮增加發(fā)展性研究的年齡跨度, 精確地描繪出大腦功能網(wǎng)絡(luò)在人的一生中是如何發(fā)展變化的。在個體功能網(wǎng)絡(luò)的可塑性方面, 目前的研究主要聚焦在施加的行為操縱或者月經(jīng)周期對正常個體功能網(wǎng)絡(luò)的影響, 卻少有研究關(guān)注神經(jīng)系統(tǒng)疾病患者功能網(wǎng)絡(luò)的變化以及各種治療手段對其功能網(wǎng)絡(luò)的改善, 此方面的研究對于神經(jīng)系統(tǒng)疾病的預(yù)防、診斷、治療以及治療效果的追蹤和評估均具有重要意義。

3.6 臨床應(yīng)用研究

自pfMRI方法被提出后, 一些研究者認(rèn)為其在臨床應(yīng)用中可能存在巨大潛力, 促使部分研究者在此方面進(jìn)行了初步研究。其中一個主要方向是在TMS治療中個體化刺激靶點(diǎn)的定位。以往研究發(fā)現(xiàn)當(dāng)刺激與亞屬扣帶回皮層(subgenual cingulate cortex, SGC)呈更強(qiáng)負(fù)相關(guān)的背外側(cè)前額葉皮層(dorsolateral prefrontal cortex, DLPFC)區(qū)域時, TMS改善抑郁癥狀的效果更好(Fox et al., 2012)。Cash, Cocchi, Lv, Wu等(2021)首先證明了通過pfMRI方法確定的個體化刺激靶點(diǎn)均表現(xiàn)出了與SGC的負(fù)向功能連接, 并且靶點(diǎn)位置在一年內(nèi)都較為穩(wěn)定, 但在不同的個體中靶點(diǎn)位置存在差異, 不過該方法一個明顯的局限是需要較多的fMRI數(shù)據(jù)(20分鐘以上)。同時, Cash, Cocchi, Lv和Zalesky (2021)雖然沒有采用pfMRI數(shù)據(jù), 但他們發(fā)現(xiàn)通過13分鐘的fMRI數(shù)據(jù)所獲得的個體化靶點(diǎn)就能夠顯著的提高治療效果, 表現(xiàn)為實(shí)際刺激目標(biāo)和個體化靶點(diǎn)之間的距離與治療效果存在顯著的負(fù)相關(guān)關(guān)系, 但實(shí)際刺激目標(biāo)與組平均目標(biāo)之間的距離與治療效果無顯著相關(guān)。結(jié)合Cash, Cocchi, Lv, Wu等(2021)采用pfMRI方法對個體化刺激靶點(diǎn)的穩(wěn)定定位, 這兩項研究共同說明了該方法在提高TMS治療效果方面具有較大潛力。Sun等(2022)則對個體化刺激靶點(diǎn)所需要的最少掃描時間(優(yōu)于組平均數(shù)據(jù)確定的刺激靶點(diǎn))進(jìn)行了探究。首先對于DLPFC-SGC的負(fù)向連接, 無論健康被試還是抑郁癥患者, 均需要40分鐘以上的fMRI數(shù)據(jù)才能夠獲得優(yōu)于組平均目標(biāo)的個體化靶點(diǎn); 其次對于頂下小葉(inferior parietal lobule, IPL)?海馬的正向連接, 則需要至少8分鐘的數(shù)據(jù)才能夠獲得優(yōu)于組平均目標(biāo)的個體化靶點(diǎn), 該研究結(jié)果說明不同區(qū)域的個體化刺激靶點(diǎn)確定所需要的數(shù)據(jù)量也不同, 這可能與之前提到的不同功能網(wǎng)絡(luò)的個體間變異性的差異有關(guān)。Lynch等(2022)在前人研究的基礎(chǔ)上, 提出了一種新的確定個體化TMS刺激靶點(diǎn)的方法：靶向功能網(wǎng)絡(luò)刺激(targeted functional network stimulation, TANS), 該研究在模擬和現(xiàn)實(shí)情境中均證明相較于傳統(tǒng)方法(根據(jù)同一MNI坐標(biāo)確定刺激位置)和ADM方法(在單一的球形興趣區(qū)中發(fā)現(xiàn)能夠最大化電場強(qiáng)度的刺激位置), TANS方法不僅增加了對與目標(biāo)區(qū)域的刺激, 而且還降低了對非目標(biāo)區(qū)域的刺激, 證明了該方法提高了TMS過程中的刺激特異性, 使其更加具有針對性。此外, 還有部分研究者采用pfMRI方法對于特定癥狀患者的功能網(wǎng)絡(luò)特征進(jìn)行了探究。如, Gordon, Scheibel等(2018)探究了外傷性腦損傷(traumatic brain injury, TBI)與白質(zhì)完整性、RSFC和創(chuàng)傷后應(yīng)激障礙(posttraumatic stress disorder, PTSD)的關(guān)系, 該研究主要發(fā)現(xiàn)個體功能連接強(qiáng)度的減少與PTSD癥狀的嚴(yán)重程度相聯(lián)系, RSFC與白質(zhì)完整性可以共同解釋PCL-5分?jǐn)?shù)總變異的41%。Laumann等(2021)則探究了圍產(chǎn)期中風(fēng)患者的功能網(wǎng)絡(luò)組織特點(diǎn), 發(fā)現(xiàn)中風(fēng)患者的初級運(yùn)動皮層出現(xiàn)損壞, 并且在運(yùn)動任務(wù)中的腦區(qū)激活出現(xiàn)明顯后移。同時患者的功能網(wǎng)絡(luò)也進(jìn)行了重新組織, 這主要發(fā)生在額葉和頂葉的聯(lián)合區(qū)域。綜上所述, pfMRI方法在臨床領(lǐng)域已表現(xiàn)出良好的應(yīng)用前景和治療效果, 在未來對患者的診斷和治療中應(yīng)該予以重視。

4 總結(jié)與展望

總之, pfMRI方法在探究功能網(wǎng)絡(luò)組織的個體差異、個體識別、局部區(qū)域的功能定位、個體網(wǎng)絡(luò)樞紐的識別、個體功能網(wǎng)絡(luò)的發(fā)展與可塑性和臨床應(yīng)用方面均取得了一定的研究成果, 表現(xiàn)出相較于組平均的fMRI研究的獨(dú)特優(yōu)勢, 對于揭示大腦認(rèn)知的基本原理和重大腦疾病的診斷和治療具有重要意義。但此領(lǐng)域的研究在關(guān)注問題和方法上還存在一定的局限性, 有待未來進(jìn)一步的研究解決, 如較少有研究探討個體功能網(wǎng)絡(luò)組織與行為的關(guān)系、pfMRI方法需要較長的掃描時間、pfMRI在任務(wù)態(tài)研究和多模態(tài)數(shù)據(jù)的融合研究中的應(yīng)用目前較少等。

4.1 個體功能網(wǎng)絡(luò)組織特點(diǎn)與行為的相關(guān)

目前來看, 已有眾多研究采用pfMRI方法從不同層次、角度揭示了大腦功能網(wǎng)絡(luò)組織的個體特異性, 這些研究成果提醒研究者在科研和臨床應(yīng)用中應(yīng)重視腦功能方面的個體差異, 具有重要的理論和實(shí)踐意義。但就目前的研究成果來看, 我們尚無法確定這些腦功能的個體差異所代表的實(shí)際意義。其中一個最主要的原因是大量的研究者將問題聚焦于腦功能網(wǎng)絡(luò)是否存在個體特異性, 卻未能將這些特征與個體實(shí)際的行為表現(xiàn)相聯(lián)系。即使有少量研究者關(guān)注到此問題, 也僅僅是對個體腦網(wǎng)絡(luò)特征與行為的相關(guān)性進(jìn)行了探索性的研究, 并沒有將其作為一個重點(diǎn)進(jìn)行深入考察(Bergmann et al., 2020; Dworetsky, Seitzman, Adeyemo, Smith, et al., 2021; Kong et al., 2019; Seitzman et al., 2019; Yang et al., 2022)。并且, 這些研究大多是基于少量被試所進(jìn)行的, 在結(jié)果的穩(wěn)定性上可能也存在一定問題。因此, 采用pfMRI方法探究個體功能網(wǎng)絡(luò)特點(diǎn)與行為表現(xiàn)的關(guān)系將是未來研究的重要方向。

4.2 減少pfMRI所需的掃描時間

對于pfMRI方法, 大多研究者所公認(rèn)的一個局限是需要較長的掃描時間。如前所述, 達(dá)到皮層功能連接的可靠估計至少需要40分鐘的低頭動數(shù)據(jù), 而皮層下結(jié)構(gòu)和時間滯后分析所需要的數(shù)據(jù)量則更高。這就導(dǎo)致了至少兩個問題, 第一, fMRI對于頭動過于敏感, 在掃描過程中需要保持頭部靜止。而長時間的頭部不動對個體來說較為困難, 尤其是特殊被試(如患者、兒童和老年人往往表現(xiàn)出增加的頭部運(yùn)動), 這給數(shù)據(jù)收集過程增加了難度(Gratton, Kraus, et al., 2020)。第二, fMRI掃描費(fèi)用較高, 長時間的數(shù)據(jù)收集也不夠經(jīng)濟(jì)?？傊? 該局限是pfMRI方法推廣和應(yīng)用一個嚴(yán)重阻礙。

目前, 對于fMRI中的頭動控制問題, 已有研究者提出了一些策略來最小化被試頭動、提高數(shù)據(jù)質(zhì)量。如, 將數(shù)據(jù)收集分為幾個較短的階段(Bergmann et al., 2020; Noble et al., 2017), 或者在數(shù)據(jù)收集過程中采用在線頭動運(yùn)動估計(Dosenbach et al., 2017)等。此外, 有關(guān)pfMRI所需的掃描時間過長的問題存在兩個方面的解決途徑。其中一個方面為減少pfMRI的數(shù)據(jù)量需求, 即探索通過少量數(shù)據(jù)獲得較為穩(wěn)定的個體化結(jié)果的方法。關(guān)于此, 近期一些研究已取得了重要的進(jìn)展。如, Kong等(2019)提出使用多階段分層貝葉斯模型(multi-session hierarchical Bayesian model, MS- HBM)估計個體化皮層網(wǎng)絡(luò), 發(fā)現(xiàn)當(dāng)只使用10分鐘的數(shù)據(jù)時, 所得到皮層劃分的同質(zhì)性就與Wang等(2015)和Gordon等(2017)研究中使用50分鐘時一致, 并且基于該方法的網(wǎng)絡(luò)劃分表現(xiàn)出與任務(wù)激活更好的對齊。另外, 有研究發(fā)現(xiàn)多回波序列fMRI可以提高BOLD信號的敏感性(Bhavsar et al., 2014), 可用于識別和丟棄非神經(jīng)生物學(xué)的fMRI信號(Power et al., 2018), 因此Lynch等(2020)推測其能夠提高個體功能連接的可靠性并進(jìn)行了驗證, 發(fā)現(xiàn)10分鐘的多回波序列fMRI數(shù)據(jù)結(jié)合主成分分析(Kundu et al., 2012)去噪方法就可獲得較為穩(wěn)定的個體功能連接估計。另一個方面為增加單位時間內(nèi)fMRI掃描所獲得的數(shù)據(jù)量, 即在同等掃描時間下獲得更多的數(shù)據(jù)量, 在近期一些短時長fMRI研究中得到廣泛使用的多波段(multi-band)fMRI技術(shù)可以達(dá)到此目的(Glasser et al., 2013; Miller et al., 2016), 該技術(shù)可以通過同時掃描大腦的不同位置, 從而提高fMRI的時間分辨率和固定時間段內(nèi)所收集到的fMRI數(shù)據(jù)量。如當(dāng)設(shè)置多波段加速因子為4時, 可以使傳統(tǒng)2秒的重復(fù)時間(Repetition Time, TR)縮短至四分之一, 從而使在相同時間內(nèi)收集到的數(shù)據(jù)量增加三倍。如之前介紹的Wang等(2021)的研究中就采取了多波段fMRI掃描的方式將TR縮減到392ms, 使其約15分鐘的時間就收集到了足夠的數(shù)據(jù)?？傮w上來看, 目前研究者已經(jīng)嘗試通過頭動控制、數(shù)據(jù)分析方法和fMRI成像方法的改進(jìn)來克服pfMRI研究中掃描時間過長的問題, 并取得了初步進(jìn)展。但是未來此方向仍需進(jìn)一步的探究, 如在減少pfMRI數(shù)據(jù)量需求所進(jìn)行的探索中, Kong等(2019)和Lynch等(2020)的方法是否也適用于eFC、網(wǎng)絡(luò)變異等其他測量的估計目前還未有研究進(jìn)行驗證; 在另一方面, 可用于增加單位時間內(nèi)fMRI掃描所獲得數(shù)據(jù)量的多波段技術(shù)可能也存在降低數(shù)據(jù)信噪比的問題, 并且這種情況隨著多波段加速因子的增加而愈加嚴(yán)重(Risk et al., 2021; Srirangarajan et al., 2021)。然而pfMRI的數(shù)據(jù)量需求可能會隨著信噪比的降低而增加, 因此在未來研究中應(yīng)該探究pfMRI的數(shù)據(jù)量需求與多波段加速因子之間的關(guān)系, 找到兩者之間的平衡點(diǎn), 從而達(dá)到縮短pfMRI的掃描時間的目的。總之, 這些問題的解決對于pfMRI方法的普遍應(yīng)用無疑具有重要意義。

4.3 嘗試將pfMRI應(yīng)用到任務(wù)態(tài)fMRI研究中

截至目前, 大多數(shù)采用pfMRI方法的研究針對的是靜息態(tài)fMRI數(shù)據(jù), 主要關(guān)注點(diǎn)也局限在腦功能網(wǎng)絡(luò), 導(dǎo)致該現(xiàn)象的主要原因還是在于該方法對數(shù)據(jù)量的要求較高。在本文所綜述的研究中, 大多采用的是網(wǎng)絡(luò)上公開的pfMRI數(shù)據(jù)集, 這種數(shù)據(jù)共享大大降低了研究者在科研過程中的成本, 但實(shí)現(xiàn)類似的任務(wù)態(tài)fMRI數(shù)據(jù)集創(chuàng)建較為困難(因為針對不同的科學(xué)問題, 存在任務(wù)類型或者任務(wù)細(xì)節(jié)上的差異)。此外, 在任務(wù)狀態(tài)下對被試進(jìn)行長時間的fMRI掃描也并不容易。如：任務(wù)要求、噪音等因素經(jīng)常導(dǎo)致參與者難以忍受長時間的fMRI掃描。因此, 僅有少量任務(wù)態(tài)的研究采用了pfMRI方法, 如Salehi等(2020)揭示了不同任務(wù)狀態(tài)間功能網(wǎng)絡(luò)組織的差異性, Porter等(2023)進(jìn)一步通過功能網(wǎng)絡(luò)組織進(jìn)行了任務(wù)狀態(tài)的識別, 但這兩項研究的主題依然局限在腦功能網(wǎng)絡(luò)組織。而近期, Mei等(2022)收集了6名被試在進(jìn)行知覺敏感性任務(wù)時的pfMRI數(shù)據(jù)(每名被試約6個小時), 揭示了無意識信息加工的神經(jīng)基礎(chǔ), 證明意識加工和無意識加工所涉及的腦區(qū)存在一定程度的重疊(如額?頂皮層, 該區(qū)域在之前組平均的研究中被認(rèn)為是意識加工對應(yīng)的區(qū)域), 該研究是將pfMRI方法應(yīng)用于任務(wù)態(tài)fMRI研究的一個重要突破, 顯示出該方法的獨(dú)特優(yōu)勢。因此未來應(yīng)針對恰當(dāng)?shù)目茖W(xué)問題, 結(jié)合4.2部分提到的減少pfMRI掃描時間的數(shù)據(jù)采集(多階段掃描)、數(shù)據(jù)分析和成像技術(shù), 嘗試將pfMRI方法應(yīng)用到任務(wù)態(tài)fMRI研究中, 以促進(jìn)該方法在腦科學(xué)研究中的普及和應(yīng)用。

4.4 pfMRI與多模態(tài)數(shù)據(jù)的融合研究

正如我們在本文第二部分所提到的, 目前一些經(jīng)典的pfMRI數(shù)據(jù)集通常包含多個模態(tài)的數(shù)據(jù)(如, 結(jié)構(gòu)像、行為評估、基因表達(dá)和新陳代謝指標(biāo)), 但是目前大多數(shù)研究卻只關(guān)注了靜息態(tài)數(shù)據(jù), 只有少量研究對多模態(tài)數(shù)據(jù)進(jìn)行了探索性的整合分析。如Poldrack等(2015)發(fā)現(xiàn)靜息狀態(tài)下的功能連接與部分基因表達(dá)模塊和人體內(nèi)的氨基酸濃度存在高度相關(guān), Gordon等(2017)的研究結(jié)果也提示功能網(wǎng)絡(luò)組織的個體差異很有可能源于大腦結(jié)構(gòu)的變化。雖然在這些研究中, 研究者對其所獲得的多模態(tài)整合分析結(jié)果并沒有進(jìn)行深入討論和分析, 但是他們的重要意義在于啟示我們這些不同模態(tài)數(shù)據(jù)之間的潛在關(guān)系, 促使研究者基于不同的科學(xué)問題產(chǎn)生新的有意義假設(shè), 推動新的pfMRI與多模態(tài)數(shù)據(jù)融合的研究。未來這一方向的研究不僅可以通過多個模態(tài)數(shù)據(jù)的相互驗證進(jìn)一步提高pfMRI的可靠性和準(zhǔn)確性, 而且多個模態(tài)信息的相互補(bǔ)充可以加深我們對大腦基本功能及其原理的理解和認(rèn)識。

Ahn, Y. Y., Bagrow, J. P., & Lehmann, S. (2010). Link communities reveal multiscale complexity in networks.(7307), 761?764.

Andrews-Hanna, J. R., Reidler, J. S., Sepulcre, J., Poulin, R., & Buckner, R. L. (2010). Functional-anatomic fractionation of the brain's default network.(4), 550?562.

Andrews-Hanna, J. R., Saxe, R., & Yarkoni, T. (2014). Contributions of episodic retrieval and mentalizing to autobiographical thought: Evidence from functional neuroimaging, resting-state connectivity, and fMRI meta-analyses., 324?335.

Barch, D. M. (2017). Resting-state functional connectivity in the human connectome project: Current status and relevance to understanding psychopathology.(5), 209?217.

Bergmann, E., Gofman, X., Kavushansky, A., & Kahn, I. (2020). Individual variability in functional connectivity architecture of the mouse brain.(1), 738.

Bertolero, M. A., Yeo, B. T., & D'Esposito, M. (2015). The modular and integrative functional architecture of the human brain.(49), E6798?E6807.

Bhavsar, S., Zvyagintsev, M., & Mathiak, K. (2014). BOLD sensitivity and SNR characteristics of parallel imaging- accelerated single-shot multi-echo EPI for fMRI., 65?75.

Blumenstock, S., & Dudanova, I. (2020). Cortical and striatal circuits in Huntington’s disease., 82.

Braga, R. M., & Buckner, R. L. (2017). Parallel interdigitated distributed networks within the individual estimated by intrinsic functional connectivity.(2), 457?471.e5.

Braga, R. M., van Dijk, K. R. A., Polimeni, J. R., Eldaief, M. C., & Buckner, R. L. (2019). Parallel distributed networks resolved at high resolution reveal close juxtaposition of distinct regions.(4), 1513?1534.

Cash, R. F. H., Cocchi, L., Lv, J., Fitzgerald, P. B., & Zalesky, A. (2021). Functional magnetic resonance imaging-guidedpersonalization of transcranial magnetic stimulation treatment for depression.(3), 337?339.

Cash, R. F. H., Cocchi, L., Lv, J., Wu, Y., Fitzgerald, P. B., & Zalesky, A. (2021). Personalized connectivity-guided DLPFC-TMS for depression: Advancing computational feasibility, precision and reproducibility.(13), 4155?4172.

Cui, Z., Li, H., Xia, C. H., Larsen, B., Adebimpe, A., Baum, G. L., ... Satterthwaite, T. D. (2020). Individual variation in functional topography of association networks in youth.(2), 340?353.e8.

DiNicola, L. M., Braga, R. M., & Buckner, R. L. (2020). Parallel distributed networks dissociate episodic and socialfunctions within the individual.(3), 1144?1179.

Dosenbach, N. U. F., Koller, J. M., Earl, E. A., Miranda- Dominguez, O., Klein, R. L., Van, A. N., ... Fair, D. A. (2017). Real-time motion analytics during brain MRI improve data quality and reduce costs., 80?93.

Doucet, G., Naveau, M., Petit, L., Delcroix, N., Zago, L., Crivello, F., ... Joliot, M. (2011). Brain activity at rest: A multiscale hierarchical functional organization.(6), 2753?2763.

Duda, M., Koutra, D., & Sripada, C. (2021). Validating dynamicity in resting state fMRI with activation-informed temporal segmentation.(17), 5718?5735.

Dworetsky, A., Seitzman, B. A., Adeyemo, B., Neta, M., Coalson, R. S., Petersen, S. E., & Gratton, C. (2021). Probabilistic mapping of human functional brain networks identifies regions of high group consensus., 118164.

Dworetsky, A., Seitzman, B. A., Adeyemo, B., Smith, D. M., Petersen, S. E., & Gratton, C. (2021). Two common and distinct forms of variation in human functional brain networks.. https://doi.org/10.1101/2021.09.17.460799

Elliott, M. L., Knodt, A. R., & Hariri, A. R. (2021). Striving toward translation: Strategies for reliable fMRI measurement.(9), 776?787.

Evans, T. S., & Lambiotte, R. (2009). Line graphs, link partitions, and overlapping communities.(1), 016105.

Fan, F., Liao, X., Lei, T., Zhao, T., Xia, M., Men, W., ... He, Y. (2021). Development of the default-mode network during childhood and adolescence: A longitudinal resting- state fMRI study., 117581.

Faskowitz, J., Esfahlani, F. Z., Jo, Y., Sporns, O., & Betzel, R. F. (2020). Edge-centric functional network representations of human cerebral cortex reveal overlapping system-level architecture.(12), 1644?1654.

Fox, M. D., Buckner, R. L., White, M. P., Greicius, M. D., & Pascual-Leone, A. (2012). Efficacy of transcranial magnetic stimulation targets for depression is related to intrinsic functional connectivity with the subgenual cingulate.(7), 595?603.

Glasser, M. F., Sotiropoulos, S. N., Wilson, J. A., Coalson, T. S., Fischl, B., Andersson, J. L., ... Consortium, W. U.-M. H. (2013). The minimal preprocessing pipelines for the Human Connectome Project., 105?124.

Gordon, E. M., Laumann, T. O., Adeyemo, B., Huckins, J. F., Kelley, W. M., & Petersen, S. E. (2016). Generation and evaluation of a cortical area parcellation from resting-state correlations.(1), 288?303.

Gordon, E. M., Laumann, T. O., Gilmore, A. W., Newbold, D. J., Greene, D. J., Berg, J. J., ... Dosenbach, N. U. F. (2017). Precision functional mapping of individual human brains.(4), 791?807.e7.

Gordon, E. M., Laumann, T. O., Marek, S., Newbold, D. J., Hampton, J. M., Seider, N. A., ... Dosenbach, N. U. F. (2022). Individualized functional subnetworks connect human striatum and frontal cortex.(13), 2868?2884.

Gordon, E. M., Laumann, T. O., Marek, S., Raut, R. V., Gratton, C., Newbold, D. J., ... Nelson, S. M. (2020). Default-mode network streams for coupling to language and control systems.(29), 17308?17319.

Gordon, E. M., Lynch, C. J., Gratton, C., Laumann, T. O., Gilmore, A. W., Greene, D. J., ... Nelson, S. M. (2018). Three distinct sets of connector hubs integrate human brain function.(7), 1687?1695.e4.

Gordon, E. M., Scheibel, R. S., Zambrano-Vazquez, L., Jia-Richards, M., May, G. J., Meyer, E. C., & Nelson, S. M. (2018). High-fidelity measures of whole-brain functional connectivity and white matter integrity mediate relationships between traumatic brain injury and post-traumatic stress disorder symptoms.(5), 767?779.

Gratton, C., Kraus, B. T., Greene, D. J., Gordon, E. M., Laumann, T. O., Nelson, S. M., ... Petersen, S. E. (2020). Defining individual-specific functional neuroanatomy for precision psychiatry.(1), 28?39.

Gratton, C., Smith, D. M., & Dorn, M. (2020). Digging deeper to chart the landscape of human brain development.(2), 209?211.

Greene, D. J., Marek, S., Gordon, E. M., Siegel, J. S., Gratton, C., Laumann, T. O., ... Dosenbach, N. U. F. (2020). Integrative and network-specific connectivity of the basal ganglia and thalamus defined in individuals.(4), 742?758.e6.

Jo, Y., Faskowitz, J., Esfahlani, F. Z., Sporns, O., & Betzel, R. F. (2021). Subject identification using edge-centric functional connectivity., 118204.

Jo, Y., Zamani Esfahlani, F., Faskowitz, J., Chumin, E. J., Sporns, O., & Betzel, R. F. (2021). The diversity and multiplexity of edge communities within and between brain systems.(7), 110032.

Karbasforoushan, H., & Woodward, N. D. (2012). Resting- state networks in Schizophrenia.(21), 2404?2414.

Kong, R., Li, J., Orban, C., Sabuncu, M. R., Liu, H., Schaefer, A., ... Yeo, B. T. T. (2019). Spatial topography of individual-specific cortical networks predicts human cognition, personality, and emotion.(6), 2533?2551.

Kraus, B. T., Perez, D., Ladwig, Z., Seitzman, B. A., Dworetsky, A., Petersen, S. E., & Gratton, C. (2021). Network variants are similar between task and rest states., 117743.

Kundu, P., Inati, S. J., Evans, J. W., Luh, W. M., & Bandettini, P. A. (2012). Differentiating BOLD and non- BOLD signals in fMRI time series using multi-echo EPI.(3), 1759?1770.

Kwong, K. K., Belliveau, J. W., Chesler, D. A., Goldberg, I. E., Weisskoff, R. M., Poncelet, B. P., ... Rosen, B. R. (1992). Dynamic magnetic resonance imaging of human brain activity during primary sensory stimulation.(12), 5675?5679.

Laumann, T. O., Gordon, E. M., Adeyemo, B., Snyder, A. Z., Joo, S. J., Chen, M. Y., ... Petersen, S. E. (2015). Functional system and areal organization of a highly sampled individual human brain.(3), 657?670.

Laumann, T. O., Ortega, M., Hoyt, C. R., Seider, N. A., Snyder, A. Z., Dosenbach, N. U., & Brain Network Plasticity Group (2021). Brain network reorganisation in an adolescent after bilateral perinatal strokes.(4), 255?256.

Leech, R., Kamourieh, S., Beckmann, C. F., & Sharp, D. J. (2011). Fractionating the default mode network: Distinct contributions of the ventral and dorsal posterior cingulate cortex to cognitive control.(9), 3217?3224.

Li, W., Ward, B. D., Xie, C., Jones, J. L., Antuono, P. G., Li, S. J., & Goveas, J. S. (2015). Amygdala network dysfunction in late-life depression phenotypes: Relationships with symptom dimensions., 121?129.

Liu, T. T. (2016). Noise contributions to the fMRI signal: An overview., 141?151.

Lynch, C. J., Breeden, A. L., Gordon, E. M., Cherry, J. B. C., Turkeltaub, P. E., & Vaidya, C. J. (2019). Precision inhibitory stimulation of individual-specific cortical hubs disrupts information processing in humans.(9), 3912?3921.

Lynch, C. J., Elbau, I. G., Ng, T. H., Wolk, D., Zhu, S., Ayaz, A., ... Liston, C. (2022). Automated optimization of TMS coil placement for personalized functional network engagement.(20), 3263?3277.e4.

Lynch, C. J., Power, J. D., Scult, M. A., Dubin, M., Gunning, F. M., & Liston, C. (2020). Rapid precision functional mapping of individuals using multi-echo fMRI.(12), 108540.

Marek, S., Siegel, J. S., Gordon, E. M., Raut, R. V., Gratton, C., Newbold, D. J., ... Dosenbach, N. U. F. (2018). Spatial and temporal organization of the individual human cerebellum.(4), 977?993.e7.

Mayberg, H. S. (2007). Defining the neural circuitry of depression: Toward a new nosology with therapeutic implications.(6), 729?730.

Mei, N., Santana, R., & Soto, D. (2022). Informative neural representations of unseen contents during higher-order processing in human brains and deep artificial networks.(5), 720?731.

Miller, K. L., Alfaro-Almagro, F., Bangerter, N. K., Thomas, D. L., Yacoub, E., Xu, J., ... Smith, S. M. (2016). Multimodal population brain imaging in the UK Biobank prospective epidemiological study.(11), 1523?1536.

Mink, J. W. (2001). Basal ganglia dysfunction in Tourette’s syndrome: A new hypothesis.(3), 190?198.

Newbold, D. J., Gordon, E. M., Laumann, T. O., Seider, N. A., Montez, D. F., Gross, S. J., ... Dosenbach, N. U. F. (2021). Cingulo-opercular control network and disused motor circuits joined in standby mode.(13), Article e2019128118.

Newbold, D. J., Laumann, T. O., Hoyt, C. R., Hampton, J. M., Montez, D. F., Raut, R. V., ... Dosenbach, N. U. F. (2020). Plasticity and spontaneous activity pulses in disused human brain circuits.(3), 580?589.e6.

Noble, S., Spann, M. N., Tokoglu, F., Shen, X., Constable, R. T., & Scheinost, D. (2017). Influences on the test-retest reliability of functional connectivity MRI and its relationshipwith behavioral utility.(11), 5415?5429.

Ogawa, S., Tank, D. W., Menon, R., Ellermann, J. M., Kim, S. G., Merkle, H., & Ugurbil, K. (1992). Intrinsic signal changes accompanying sensory stimulation: Functional brain mapping with magnetic resonance imaging.(13), 5951?5955.

Oliver, I., Hlinka, J., Kopal, J., & Davidsen, J. (2019). Quantifying the variability in resting-state networks.(9), 882.

Perez, D. C., Dworetsky, A., Braga, R. M., Beeman, M., & Gratton, C. (2023). Hemispheric asymmetries of individual differences in functional connectivity.(2), 200?225.

Poldrack, R. A., Laumann, T. O., Koyejo, O., Gregory, B., Hover, A., Chen, M. Y., ... Mumford, J. A. (2015). Long-term neural and physiological phenotyping of a single human., 8885.

Porter, A., Nielsen, A., Dorn, M., Dworetsky, A., Edmonds, D., & Gratton, C. (2023). Masked features of task states found in individual brain networks.(6), 2879?2900.

Power, J. D., Barnes, K. A., Snyder, A. Z., Schlaggar, B. L., & Petersen, S. E. (2012). Spurious but systematic correlations in functional connectivity MRI networks arise from subject motion.(3), 2142?2154.

Power, J. D., Cohen, A. L., Nelson, S. M., Wig, G. S., Barnes, K. A., Church, J. A., ... Petersen, S. E. (2011). Functional network organization of the human brain.(4), 665?678.

Power, J. D., Plitt, M., Gotts, S. J., Kundu, P., Voon, V., Bandettini, P. A., & Martin, A. (2018). Ridding fMRI data of motion-related influences: Removal of signals with distinct spatial and physical bases in multiecho data.(9), E2105?E2114.

Power, J. D., Schlaggar, B. L., Lessov-Schlaggar, C. N., & Petersen, S. E. (2013). Evidence for hubs in human functional brain networks.(4), 798?813.

Pritschet, L., Santander, T., Taylor, C. M., Layher, E., Yu, S., Miller, M. B., ... Jacobs, E. G. (2020). Functional reorganization of brain networks across the human menstrual cycle., 117091.

Raut, R. V., Mitra, A., Marek, S., Ortega, M., Snyder, A. Z., Tanenbaum, A., ... Raichle, M. E. (2020). Organization of propagated intrinsic brain activity in individual humans.(3), 1716?1734.

Ren, J., Xu, T., Wang, D., Li, M., Lin, Y., Schoeppe, F., ... Ahveninen, J. (2021). Individual variability in functional organization of the human and monkey auditory cortex.(5), 2450?2465.

Risk, B. B., Murden, R. J., Wu, J., Nebel, M. B., Venkataraman, A., Zhang, Z., & Qiu, D. (2021). Which multiband factor should you choose for your resting-state fMRI study?, 117965.

Salehi, M., Greene, A. S., Karbasi, A., Shen, X., Scheinost, D., & Constable, R. T. (2020). There is no single functional atlas even for a single individual: Functional parcel definitions change with task., 116366.

Satterthwaite, T. D., Cook, P. A., Bruce, S. E., Conway, C., Mikkelsen, E., Satchell, E., ... Sheline, Y. I. (2016). Dimensional depression severity in women with major depression and post-traumatic stress disorder correlates with fronto-amygdalar hypoconnectivty.(7), 894?902.

Seitzman, B. A., Gratton, C., Laumann, T. O., Gordon, E. M., Adeyemo, B., Dworetsky, A., ... Petersen, S. E. (2019). Trait-like variants in human functional brain networks.(45), 22851?22861.

Sha, Z., Wager, T. D., Mechelli, A., & He, Y. (2019). Common dysfunction of large-scale neurocognitive networks across psychiatric disorders.(5), 379?388.

Smith, D. M., Kraus, B. T., Dworetsky, A., Gordon, E. M., & Gratton, C. (2023). Brain hubs defined in the group do not overlap with regions of high inter-individual variability.. Advance online publication. https://doi.org/ 10.1016/j.neuroimage.2023.120195

Sporns, O. (2013). Network attributes for segregation and integration in the human brain.(2), 162?171.

Sripada, C., Rutherford, S., Angstadt, M., Thompson, W. K., Luciana, M., Weigard, A., ... Heitzeg, M. (2020). Prediction of neurocognition in youth from resting state fMRI.(12), 3413?3421.

Srirangarajan, T., Mortazavi, L., Bortolini, T., Moll, J., & Knutson, B. (2021). Multi-band fMRI compromises detection of mesolimbic reward responses., 118617.

Suda, A., Osada, T., Ogawa, A., Tanaka, M., Kamagata, K., Aoki, S., ... Konishi, S. (2020). Functional organization for response inhibition in the right inferior frontal cortex of individual human brains.(12), 6325?6335.

Sun, J., Du, R., Zhang, B., Hua, Q., Wang, Y., Zhang, Y., ... Wang, K. (2022). Minimal scanning duration for producing individualized repetitive transcranial magnetic stimulation targets.(6), 2637?2646.

Sylvester, C. M., Yu, Q., Srivastava, A. B., Marek, S., Zheng, A., Alexopoulos, D., ... Dosenbach, N. U. F. (2020). Individual-specific functional connectivity of the amygdala: A substrate for precision psychiatry.(7), 3808?3818.

Tarchi, L., Damiani, S., Fantoni, T., Pisano, T., Castellini, G., Politi, P., & Ricca, V. (2022). Centrality and interhemispheric coordination are related to different clinical/behavioral factors in attention deficit/hyperactivity disorder: A resting-state fMRI study.(6), 2526?2542.

Tomasi, D., & Volkow, N. D. (2011). Functional connectivity hubs in the human brain.(3), 908?917.

van den Heuvel, M. P., & Sporns, O. (2013). Network hubs in the human brain.(12), 683?696.

Wang, D., Buckner, R. L., Fox, M. D., Holt, D. J., Holmes, A. J., Stoecklein, S., ... Liu, H. (2015). Parcellating cortical functional networks in individuals.(12), 1853?1860.

Wang, Q., Xu, Y., Zhao, T., Xu, Z., He, Y., & Liao, X. (2021). Individual uniqueness in the neonatal functional connectome.(8), 3701?3712.

Wig, G. S., Laumann, T. O., & Petersen, S. E. (2014). An approach for parcellating human cortical areas using resting-state correlations., 276?291.

Xue, A., Kong, R., Yang, Q., Eldaief, M. C., Angeli, P. A., DiNicola, L. M., ... Yeo, B. T. (2021). The detailed organization of the human cerebellum estimated by intrinsic functional connectivity within the individual.(2), 358?384.

Yang, H., Yao, X., Zhang, H., Meng, C., & Biswal, B. (2022). Individual coactivation patterns improve the subject identification and their behavior association.. https://doi.org/10.1101/2022.01.06.475181

Yeo, B. T., Krienen, F. M., Sepulcre, J., Sabuncu, M. R., Lashkari, D., Hollinshead, M., ... Buckner, R. L. (2011). The organization of the human cerebral cortex estimated by intrinsic functional connectivity.(3), 1125?1165.

Zheng, A., Montez, D. F., Marek, S., Gilmore, A. W., Newbold, D. J., Laumann, T. O., ... Dosenbach, N. U. F. (2021). Parallel hippocampal-parietal circuits for self- and goal-oriented processing.(34), Article e2101743118.

Precision functional magnetic resonance imaging reveals individual brain functional network organization

ZHOU Guang-Fang2, JIN Hua1,2,3

(1Key Research Base of Humanities and Social Sciences of the Ministry of Education, Academy of Psychology and Behavior, Tianjin Normal University, Tianjin 300387, China) (2Faculty of Psychology, Tianjin Normal University, Tianjin 300387, China) (3Tianjin Social Science Laboratory of Students' Mental Development and Learning, Tianjin 300387, China)

Precision functional magnetic resonance imaging (pfMRI) refers to a data acquisition strategy that collects large amounts of fMRI data in single individuals. Compared with traditional fMRI research, which collects a small amount of data for each participant and then reveals the underlying brain mechanisms of cognitive process or the shared brain function features of a specific population through the group average, the advantage of this method is that it can reveal the individual brain functional features, so it has been increasingly recognized and applied by researchers. So far, numerous studies have utilized this approach to systematically reveal the characteristics of individual brain functional network organization, which mainly include the following six aspects: individual differences and individual identification in functional network organization, functional localization of local brain regions, identification of individual network hubs, development and plasticity of the individual functional network, and clinical application. These research findings provide significant insights for future studies in the field of brain science. Future research should focus on exploring the relationship between the features of individual functional networks and behavioral performance, reduce the scanning time demand of the pfMRI through the improvement of data analysis and imaging technology, and attempt to introduce this method into task-state fMRI and multimodal research.

precision functional magnetic resonance imaging, brain functional network, individual difference, functional connectivity

B845

2023-03-07

* 國家自然科學(xué)基金項目(31971021)。

金花, E-mail: jinhua@mail.tjnu.edu.cn