免费医学论文发表-人脑状态动力学具有高度可重复性，并与神经和行为特征相关
李康柱 ，Jie Lisa Ji 吉丽莎 ，克拉拉·丰特诺，露西·伯科维奇，马西赫·拉赫马蒂，衬板，格雷加·雷波夫斯，约翰·克里斯塔尔，约翰·默里，艾伦·安蒂切维奇
发布时间：2024 年 9 月 24 日
抽象
神经活动和行为在个体 （状态） 和个体 （特征） 之间有所不同。然而，状态特征神经变异与行为的映射尚不清楚。为了解决这一差距，我们量化了源自静息态功能磁共振成像的全脑共激活模式的瞬时变化。在健康的年轻人中，我们在单受试者水平上确定了共激活模式的可重复时空特征。我们证明，状态特征神经变异和特征减少的联合分析揭示了个体差异的一般基序，包括表现出日常变异性的状态特异性和一般神经特征。主要神经变化与行为表型的主要变化共同变化，突出认知功能、情绪调节、酒精和物质使用。占据特定共激活模式的个体特异性概率是可重复的，并且与神经和行为特征相关。这种状态-性状变异的综合分析有望开发个体生活功能结果的可重复神经影像学标志物。
数字
图 7图 1图 2图 3图 4图5图 6图 7图 1图 2图 3
引文： Lee K， Ji JL， Fonteneau C， Berkovitch L， Rahmati M， Pan L， et al. （2024） 人脑状态动力学具有高度可重复性，并与神经和行为特征相关。公共科学图书馆生物学22（9）： e3002808 号。 https://doi.org/10.1371/journal.pbio.3002808
学术编辑： Laura D. Lewis，麻省理工学院，美国
收到： 2023 年 10 月 15 日;接受： 2024 年 8 月 15 日;发表： 9月 24， 2024
版权所有： © 2024 Lee et al.这是一篇根据知识共享署名许可条款分发的开放获取文章，该许可允许在任何媒体上不受限制地使用、分发和复制，前提是注明原作者和来源。
数据可用性： 所有相关的原始数据文件均可从 Human Connectome Project （HCP） S1200 数据数据库 （https://www.humanconnectome.org/study/hcp-young-adult/document/1200-subjects-data-release） 获得。支持信息文件中提供了这项工作结果的基础数据集。本研究中使用的代码可在 Zenodo 上找到：Lee， K. （2024）。pyCAP 代码：人脑状态动力学具有高度可重复性，并与神经和行为特征相关。芝诺多。https://doi.org/10.5281/zenodo.13251562。
资金： 这项工作得到了 5P50AA012870-22 SP 的支持 - 国家酒精滥用和酒精中毒研究所 （NIAAA）/NIH/DHHS （https://www.niaaa.nih.gov/） 为 JHK 和国家心理健康研究所 （NIMH）/NIH/DHHS （https://www.nimh.nih.gov/） 拨款 5U01MH121766-03 SP 用于 J.D.M. 的 AA 和 P50MH109429 LB 得到了贝当古·舒勒基金会 （https://www.fondationbs.org/en） 和菲利普基金会 （https://www.philippefoundation.org/ 的支持).GR 得到了斯洛文尼亚研究署 （ARRS） 拨款 P3-0338、J7-8275、J5-4590 （http://www.aris-rs.si/en/） 的支持。资助者在研究设计、数据收集和分析、发表决定或手稿准备方面没有任何作用。
利益争夺： K.L. 为 Manifest Technologies 提供咨询。A.A. 和 J.D.M. 持有 Neumora Therapeutics（前身为 BlackThorn Therapeutics）、Manifest Technologies 的股权，并且是以下专利的共同发明人：Anticevic A、Murray JD、Ji JL：维度几何嵌入中神经行为关系的系统和方法（N-BRIDGE），PCT 国际申请号 PCT/US2119/022110,2019 年 3 月 13 日提交和 Murray JD、Anticevic A、Martin WJ：检测方法和工具， 诊断、预测、预测或治疗受试者的神经行为表型，美国申请编号 16/149,903，于 2018 年 10 月 2 日提交，美国 PCT 国际申请编号 18/054、009，于 2018 年 10 月 2 日提交。J.L.J. 是 Manifest Technologies 的员工，之前曾在 Neumora 工作，并且是以下专利的共同发明人：Anticevic A、Murray JD、Ji JL：维度几何嵌入 （N-BRIDGE） 中神经行为关系的系统和方法，PCT 国际申请号 PCT/US2119/022110,2019 年 3 月 13 日提交。C.F. 为 Manifest Technologies 提供咨询，之前为 RBNC（前身为 BlackThorn Therapeutics）提供咨询。G.R. 为 Neumora 和 Manifest Technologies 提供咨询并持有其股权。L.P. 是 Manifest Technologies 的员工。J.H.K. 持有 Biohaven Pharmaceuticals、Biohaven Pharmaceuticals Medical Sciences、Clearmind Medicine、EpiVario、Neumora Therapeutics、Tempero Bio、Terran Biosciences、Tetricus 和 Spring Care 的股权。J.H.K.为AE研究基金会、Aptinyx、Biohaven Pharmaceuticals、Biogen、Bionomics， Limited（澳大利亚）、BioXcel Therapeutics、勃林格殷格翰国际、Cerevel Therapeutics、Clearmind Medicine、Cybin IRL、Delix Therapeutics、卫材、Enveric Biosciences、Epiodyne、EpiVario、Evidera、Freedom Biosciences、Janssen Research & Development、Jazz Pharmaceuticals、Leal Therapeutics、Neumora Therapeutics、Neurocrine Biosciences、Novartis Pharmaceuticals Corporation、Otsuka提供咨询。America Pharmaceutical、Perception Neuroscience、Praxis Precision Medicines、PsychoGenics、Spring Care、Sunovion Pharmaceuticals、Takeda Industries、Tempero Bio、Terran Biosciences 和 Tetricus。所有其他合著者均声明没有竞争利益。
缩写： ADP， 角度偏差惩罚;大胆 血氧水平依赖性;CAB-NP 型， Cole-Anticevic 脑网络分离;帽 共激活模式;CCA， 典型相关方法;DT / 停留时间;FD / 框架位移;功能磁共振成像 / 功能性磁共振成像;佛 部分占用率;视场角 / 视野;HCP， 人类连接组项目;主成分分析 / 主成分分析;rs-fMRI / 静息态功能磁共振成像;RT， 反应时间;磁磁共振 / 经颅磁刺激
介绍
功能磁共振成像 （fMRI） 领域试图表征人脑的功能组织及其与个体差异的关系 [1,2]。这些新兴方法可以识别神经特征（即受试者特异性）[3,4] 或状态（即受试者内随时间变化）[5–7] 的低维表示，这可能预测行为表型。越来越多的工作表明，功能磁共振成像 （fMRI） 可能在表征复杂的神经信号如何映射到人类行为变异方面具有巨大潜力。
在静息时测量的大脑活动的自发波动（即静息态功能性磁共振成像 （rs-fMRI））嵌入在时间和空间中，表现出丰富的时空信息，这些信息在（状态）和（特征）个体之间变化。状态性状 rs-fMRI 信号变化的联合特性仍然知之甚少，构成了关键的知识差距。个体在 rs-fMRI 的任何给定时间的精神状态都可能受到许多内在（例如代谢）[8,9] 或外在（例如药物）因素的影响，这些因素直接影响复杂行为背后的回路活动 [10–18]。另一方面，可能还有其他维度会导致大型神经影像学数据集的可变性，并削弱它们识别清晰的大脑-行为关系的能力。这些维度之一可能是时变信号动力学。例如，人格理论认为，特质的特征是思想、感觉和行为的模式，这些模式在个体内部的相似情况下普遍存在，并且在个体之间有所不同，而行为状态则反映了随时间和情况而变化的模式[19,20]。
从历史上看，rs-fMRI 研究量化了神经特征（例如，表征受试者的静止功能连接），以研究它们如何根据给定的行为特征（例如，流体智力或一组临床症状）在人群中发生变化 [21–23]。神经状态动力学或时变 rs-fMRI 连接的分析可用于了解个体差异 [24]。评估神经活动的每时每刻的变化可以提供有关工作记忆中与任务切换和决策相关的潜在大脑状态的信息 [25]。Shine 及其同事利用跨多个认知任务的任务 fMRI 数据降维，建议可以使用沿着全球大脑活动的低维流形的动态流来描述不同认知任务的执行和流体智力的个体差异 [26]。关于自发性脑动力学的综合状态和特征变异如何映射到复杂行为表型的个体变异，存在知识差距。
最近对 3 个大型联盟数据集（总共 N = 38,863）的荟萃分析表明，普通人群的大脑-行为关联具有较小的效应量（例如，|r|< 0.2） 使用来自数千人的数据，将结构 MRI、rs-fMRI 和任务 fMRI 激活的神经测量与包括认知能力或精神病理学在内的行为测量相关联 [27]。虽然平均而言，大样本量是发现和复制小脑-行为关系的关键[27]，但这些最近的进展留下了一个悬而未决的问题，即在考虑时变信号动力学的定量方法中可以看到很强的脑-行为效应[28–30]。尽管如此，状态相关定量方法在 fMRI 中的应用仍未得到充分利用，以表征大脑-行为关系中可重复的个体间差异 [31,32]。此外，结合来自 rs-fMRI 信号的状态相关和特征相关信息可能提供有关个体大脑-行为关联的收敛信息。为此，我们检验了这样一个假设，即可以通过量化来自整个大脑的时变 rs-fMRI 信号的组合状态和特征信息来实现可重复的神经行为映射。
一种同时捕获性状和状态神经特征的方法是分析 rs-fMRI 的共激活模式 （CAP） [33]。该分析侧重于每个时间点全脑血氧合水平依赖性 （BOLD） 信号的瞬时变化，提供了一种量化人间共激活的空间模式和神经颞组织模式个体变化的方法 [33]。几项研究报道了健康成人中类似的平均 CAP 模式[33]，这也显示出一些显著的性别差异 [34]，并受到正在进行的任务条件的影响 [35]。CAP的空间和时间组织（例如，CAP状态占据的时间框架数量）在不同意识水平[36]、精神分裂症[37]、精神病前期[38]、抑郁[39,40]和双相情感障碍[41,42]中被发现。所有这些研究都表征了患者和健康对照者之间的组级效应，跨组 CAP 的数量固定，通常通过选择与预选（即种子）区域中的高振幅信号相关的少量时间点来捕捉大脑动力学的简洁快照。虽然这些研究提供了 CAP 包含丰富信息的见解，但它们系统性地忽略了所有范围的 BOLD 波动。换句话说，很少有研究利用整个 BOLD 信号范围来定义 CAP [7]。此外，据我们所知，还没有研究调查过一组可重复的CAP的受试者内和受试者间变异性，这些CAP利用了整个BOLD信号波动范围[43,44]。最后，没有研究反过来量化 CAP 特性的个体差异如何映射到复杂行为。
在这里，我们检验了一个假设，即存在一个可重复的 CAP 特征集，它反映了状态和特征大脑动力学，并且该特征集与多个行为域中的个体表型相关。为了解决这个问题，我们研究了 rs-fMRI 和从人类连接组计划 （HCP） S1200 个体数据中的 337 名没有家庭关系的健康年轻人那里获得的行为数据 [45]。为了优化解释受试者内部和受试者之间 CAP 变化的神经特征，我们利用大脑 CAP 的即时变化开发了一个状态-特质大脑动力学的三轴模型。我们确定了 3 个可重复的 CAPs，这些 CAPs 可以在单受试者水平上量化，表现出静息态网络空间剖面和个体特异性时间剖面的递归快照。通过分析 CAP 模式的时空状态特征动态，数据揭示了始终表现出行为相关 CAP 特征的个体群体。这些结果表明，开发可重复的大脑行为模型的关键步骤可能涉及神经特征的初始映射，这些特征可以稳健且可重复地捕获神经特征的组合特征（受试者间变异性）和状态（受试者内变异性）方差。
结果
在休息的健康受试者中可重复地发现三种大脑共激活模式
对 CAP 瞬时变化的分析假设每个 fMRI 时间框架都有一个神经状态（即 CAP 状态），并通过 fMRI 时间框架的空间聚类确定一组随时间和受试者重复出现的 CAP [7,33]。
我们从 337 名健康年轻人 （年龄 22 至 37 岁，180 名女性） 在 2 天内获得的 4 次 rs-fMRI 数据（15 分钟/运行）中确定了一组可重复的 CAPs，使用洗牌的分割半重采样策略跨 1,000 种排列。在这里，我们使用了整个 BOLD 信号波动范围进行 CAP 估计，没有稀疏时间点采样。在每个排列中，我们将样本 （N = 337） 随机分成 2 个，每个样本涉及相同数量的非重叠受试者（分别为 n = 168，随机排除一个受试者）（图 1A 和 S1）。为了在低维空间分析 CAP 并减轻 CAP 分析的计算负担，该分析处理聚类过程中的每个 3D 时间帧（例如，4,000 个时间帧/受试者），我们使用了涉及 718 个皮层表面和皮层下体积包裹的 Cole-Anticevic 脑网络分割 （CAB-NP） [46]。我们在属于每个地块的体素中对预处理后的 BOLD 信号进行了平均 [47]。因此，在每次拆分中，一个 4,000 x 718 的单个 rs-fMRI 数据阵列在受试者之间时间连接。使用 K-means 聚类根据空间相似性对时间框架进行聚类，其中使用 k 从 2 到 15 变化的肘部方法估计每次拆分的聚类数 （k）（参见 S2 图 中 K-means 聚类解决方案的估计 Silhouette 分数）。最后，通过平均每个集群内关于每个宗地的时间框架来获得 CAP。
缩略图 下载：
PPT的PowerPoint 幻灯片
PNG放大图片
国际电影节原始图像
图 1. 全脑 rs-fMRI 中一组可重复的 CAP 涉及经典静息态网络的重复混合表示。
（A） 分析概述。在每个排列中，337 名受试者被随机分成 2 个大小相等的组。在每次拆分中，rs-fMRI 数据的按时间分组在受试者之间临时连接。使用 K-means 聚类根据空间相似性对时间框架进行聚类。每个拆分的集群数 （k） 是估计的。每个 CAP 作为每个簇的质心获得（S1 图 ）。（B） 个体对特定数量的 CAP （k） 的统计偏好是可重复的。在每次拆分中，使用在 1,000 个排列中产生特定解决方案（例如，4 个 CAP 或 5 个 CAP）的排列数量来量化个体对特定数字的偏好。具体来说，我们计算每个主题（方法）的差值（k = 5 的出现）—（k = 4 的出现）。（C） 5-CAP 基集（左）以及 4-CAP 基集与 5-CAP 基集之间的空间相关性（右）。r 值四舍五入到最接近的 2 位十进制数字。（D） CAB-NP [46]。（E） 5 个基 CAP 的空间地形。（F） 5 个基 CAP 与典型静息态网络的空间相似性，使用 （D） 中的 CAB-NP 分割预定义。CAB-NP，Cole-Anticevic 脑网络分离;CAP，共激活模式;rs-fMRI，静息态功能磁共振成像。
https://doi.org/10.1371/journal.pbio.3002808.g001
我们首先发现，可重复的大脑状态的数量存在个体差异。具体来说，在这两个拆分中，估计的 CAP 数量为 4 或 5，每个排列的发生率为 ≈50%（S3A 和 S3B 图）。然而，有趣的是，在两个拆分中共出现相同数量的 CAP 的情况很少见 （<6%）（S3C 图）。换句话说，一半的样本产生了 5 个 CAPs，而另一半产生了 4 个 CAPs。因为 2 个不重叠的一半中的每一个都包含一个不同的样本子集，我们假设可重复大脑状态数量的个体差异在观察到的分裂间差异中起作用。为了检验这一假设，我们通过比较估计 4 个 CAP 或 5 个 CAP 的概率来量化个体对特定数量的 CAP 的偏好。估计 k 个 CAP 的概率是通过在跨排列拆分中出现 k 个解估计来量化的（参见方法）。事实上，个体受试者占据 4 或 5 个 CAP 的趋势具有高度可重复的趋势（图 1B）。总之，这些结果表明存在 CAP 状态，该状态在受试者子集中可重复地发现，但在其他受试者中则不然。
为了确定 CAPs 的可重复空间地形以进行进一步分析，我们独立生成了 2 组基础 CAPs： 4-CAP 和 5-CAP 基础集 （S4 图）。4-CAP 基集是通过将凝聚分层聚类应用于仅从导致 4 个 CAP 估计的排列中收集的 CAP 获得的。然后，通过平均属于每个集群的 CAP 生成基础 CAP，并使用 718 个地块的平均值和标准差将每个地块中的基础 CAP 值归一化为 z 分数（S4 图）。5-CAP 基集也是使用从排列中收集的 CAP 获得的，从而得到 5-CAP 解决方案。我们发现 4-CAP 基础集由 2 对抗相关 CAP （I+ 和 I-、II+ 和 II-） 组成，而 5-CAP 基础集由相同的 2 对抗相关 CAP 和 1 个额外的 CAP （III） 组成 （图 1C）。这些基础 CAP 的模式在 2 次分裂之间是一致的（S5 图 ）。CAP 的数字 （I、II 和 III） 和符号 （+ 和 -） 被任意标记。总体而言，我们在 rs-fMRI 中发现了 3 个 CAP 随着时间的推移和健康受试者中重复出现。
全脑共激活模式是混合静息态网络的递归快照
正如预期的那样，3 个 CAP 的空间模式与众所周知的 rs-fMRI 网络相关（图 1E 和 1F）。CAP I 涉及默认模式和额顶叶网络与背侧注意力、扣带鳃盖、躯体运动和次级视觉网络之间的强烈双极性。在这里，双极性代表具有不同静息态网络（CAP+ 与 CAP−）的每个 CAP 的正余弦相似性与负余弦相似性。CAP II 在初级视觉、眼眶情感、默认模式和额顶叶网络与背侧注意力、躯体运动和次级视觉网络之间的双极性较弱。CAP III 显示默认模式、躯体运动和次级视觉网络与额顶叶、背侧注意力和扣带-盖网络之间存在很强的双极性。考虑到静息态网络是根据分布式大脑区域中信号的共波动来识别的，我们的结果表明，这些 CAPs 代表了每个时间范围内不同功能网络所涉及的区域之间不同信号共波动的重复快照。
CAP III 在某些个体中可重复地发现，但在其他人中则不然
我们在图 1B 中的结果表明，可重复的大脑状态的数量存在个体差异。由于 CAP 是使用一组受试者的数据估计的，因此单个受试者对此估计的贡献相对较小。此外，估计的 CAP 的空间地形是否在排列中可重现仍然未知。为了解决这些问题，我们调查了三个问题：（i） 每当从拆分数据中估计 4 个 CAP 时，它们的空间模式是否可以在排列中重现;（ii） 每当从拆分数据中估计 5 个 CAP 时，它们的空间模式是否可以在排列中重现;（iii） 与 5-CAP 溶液相比，4-CAP 溶液中是否存在可重现性缺失的特定 CAP 状态。所有 718 个皮质和皮质下包裹都包含在本文和以下分析中。
首先，我们计算了空间相关值 （r（EC我、BCj）） 从每个拆分数据估计的 CAP 之间（估计的 CAP;电子商务我，i = 1,.., 4 或 5）和给定的基 CAP （Basis CAP;BC级）（图 2A）。请注意，这些预定义的基础 CAP 是使用跨排列的所有 CAP 的凝聚分层聚类获得的组平均和排列平均 CAP（图 1E）。在每个排列中，每个 EC我根据与给定基础 CAP 的最大秩相关性进行标记。结果，r 值的边际分布表明 4-CAP 溶液和 5-CAP 溶液的空间模式具有很强的可重复性（S6 图）。从每个拆分中估计的 CAP 与至少一个基础 CAP 高度相关，表明所有 CAP 都存在 1 对 1 匹配。此外，CAP III 在一个分裂中可重复地发现，但在另一个跨排列的分裂中未发现（图 2 和 S7）。总之，这项分析表明 CAP III 的存在与否不是随机的伪影，而是实际上与个体的可重复神经动力学有关。
缩略图 下载：
PPT的PowerPoint 幻灯片
PNG放大图片
国际电影节原始图像
图 2. 跨半分割排列估计的 CAP 的空间模式是可重复的，表明在一个分割中始终不存在特定空间模式 （CAP III），但在另一个跨排列的分割中没有。
（A） 概念验证。在该图中，我们展示了“每当从拆分数据估计 4 个 CAP 时，它们的空间模式是否可在排列中重现”，以及“与 5-CAP 解决方案相比，4-CAP 解决方案中是否存在可重现缺失的特定 CAP 状态”。为了解决这些问题，首先，在 1,000 个排列中，我们只采用使用肘部方法产生 4-CAP 解决方案的排列，在该数据中为 502 个排列。其余 498 种排列大多导致 5-CAP 解决方案，很少产生 6-或 7-CAP 解决方案，如 （S3 图） 所示。计算每个估计的 CAP（EC;表示为 a、b、c 和 d）和给定基础 CAP （BC） 之间的空间相似性（r，相关系数）。在此示例中，我们从 5-CAP 基差集中选择 BC 1。为了可视化，R 值四舍五入到最接近的 2 位十进制数字。最后，我们获得了 BC 1 和 502 种排列中估计的 CAP 之间的 r 值的边际分布。（B） CAP III 在 5-CAP 溶液中可重现地发现，而不是在跨排列的 4-CAP 溶液中发现。与 5-CAP 基集相比，我们对从每个半分部数据估计的 4 个 CAP 重复了空间相似性分析。在每个排列中，每个估计的 CAP 都根据与基础 CAP 的最大秩相关性进行标记。从具有相同标签的 CAP 估计的数据点 （r 值） 使用相同的颜色编码。使用核密度估计来说明所有估计的 CAPs 和 5-CAP 基集中的每个 BC 之间的 r 边际分布。从拆分 1 数据获得的结果显示在 （B） 中，并在拆分 2 数据中复制（参见 S7 图）。请注意，所有 718 个皮质和皮质下包裹都包含在此分析中。为简单起见，CAP 的皮层下区域没有可视化。CAP，共激活模式。
https://doi.org/10.1371/journal.pbio.3002808.g002
单个时间框架与基本 CAP 的空间对齐
为了找到个体中常见的簇或 CAP 的最佳数量，我们使用了一种方法，该方法通过结合轮廓标准和肘部方法来考虑簇的数量和簇内相似性之间的权衡（S2 图 ）。为了评估个体共激活模式对观察到的 CAP 变异性的贡献程度，我们分析了 337 名受试者在擦洗后获得的所有 fMRI 时间框架。对于每次拆分，我们使用 Pearson 相关性计算了单个 3D fMRI 时间框架与 5 个基本 CAP（通过 K-means 聚类估计的集群质心）的空间对齐，确定了与每个时间框架产生最高相关性的基础 CAP。结果，最大相关性的平均值和标准差为 0.22±0.11（S8 图），表明静息态人脑动力学存在很大变化。值得注意的是，通过平均每个集群内的时间框架来估计的 CAP 的组级空间地形在排列中保持一致（图 2），使我们能够研究其时间动态的个体差异。
单主体水平的可重现状态特征神经特征
我们确定了 3 个 CAPs，它们反映了时变神经活动的全脑基序。在这里，我们展示了单受试者水平的空间 CAP 特征的可重复估计。CAP 分析涉及使用 K-means 聚类过程将各个时间框架分配给估计的 CAP 之一（图 3A）。使用与预先确定的 5-CAP 基集的最大排名相关性标记每个拆分中估计的 CAP （S6 图 ）。反过来，这种 CAP 状态的逐帧识别允许估计单个受试者的 CAP 状态的时间概况。我们证明，神经动力学的可再现状态和特征特征可以使用 CAP 时间特征的几个关键参数进行量化（见图 3A）。
缩略图 下载：
PPT的PowerPoint 幻灯片
PNG放大图片
国际电影节原始图像
图 3. 静息态脑 CAP 在时间特征和重测信度的主体间和主体内方差之间和主体内具有明显的差异，如神经特征方差空间的 3 轴表示所示。
（A） 分析概述。在每天每个排列的每个半分数据中，估计每个 CAP 状态的 FO、受试者内停留时间平均值 （Mean DT） 和受试者内停留时间标准差 （Var DT）。（B） CAP I+ 的个体平均 DT 在排列和 2 天内的稳定性。使用第 1 天的拆分 1 数据从上到下对单个受试者进行排名排序。虽然估计的平均 DT 值从 0 到 6，但数据集在分布尾部表现出稀疏出现。为了提高各行（受试者）的视觉清晰度，采用了饱和的色彩图。有关使用非饱和颜色图的相同数据的替代表示，请参阅 S9 图 3。我们还发现，这些 CAP 的单个 Var DT 和单个 FO 在排列和 2 天内是可重复的（S9 图 ）。（C） 使用双向随机效应模型 （ICC（2,1）） 通过组内相关系数量化每个 CAP 状态下 FO （上）、平均 DT （中）和 Var DT （下）的第 1 天和第 2 天可靠性。在计算 CAP III 的 ICC 时，不考虑导致没有 CAP III 的排列，因为两天的时间指标值都为零。（D） 扫描 2 天之间神经测量的重测信度。（顶部）对于 CAP I + 状态，我们显示了第 1 天和第 2 天之间个体 FO 、受试者内均值和 DT 方差的散点图。显示每个散点图的线性拟合线（红色）。r 值由 Pearson 相关系数测量，当相应的双侧 p 值小于 0.001 时，认为 r 值显著。（下）对于其余 4 个 CAP 状态，重复相同的散点图分析（S10 图）。我们在条形图中汇总了所有 CAP 的估计 r 值。（E） 神经性状方差空间的 CAP。计算受试者之间每个 CAP 测量的相对方差 （方差系数）：单个 FO （x 轴） 、平均 DT （y 轴） 和 Var DT （z 轴）。三轴表示允许统一和优化颞部 CAP 特征的变化和大脑活动颞部组织的不同模式。请注意，所有 718 个皮质和皮质下包裹都包含在此分析中。参见图 1E 中 CAP 的皮质下区域。用于生成结果的数据可以在 S1 数据中找到。CAP，共激活模式;DT， 停留时间;FO， 分数占用率。
https://doi.org/10.1371/journal.pbio.3002808.g003
定义
分数占用率 （FO（s， i））：时间范围的总数（或重复的 MRI 时间;TR） 的 CP 表示受试者每天在 CAP 状态 i 中度过，由受试者 s 每天在任何 CAP 状态下度过的总时间范围进行标准化。FO 是一个相对度量 （%TR），因此所有 CAP 状态的 FO 之和为每天一个受试者内的 1。FO 反映了 CAP 动态的主体间方差 （性状方差）。
停留时间 （DT（s， i， c））：在受试者每天 s 内占据相同 CAP 状态 i 的时间连续片段 c 的时间帧数 （#TR）。
DT 的受试者内平均值（平均 DT（s， i））：CAP i 每天被受试者 s 占用的所有连续时间片段的 DT 估计值的平均值。
DT 的主体内方差 （Var DT（s， i））：在受试者每天 s 内占据 CAP i 的所有时间连续片段的 DT 估计值的标准差。DT 测量涉及神经动力学的特征 （主体间） 和状态 （主体内） 成分。
对每个排列的每个拆分数据进行这些 CAP 测量的量化。为了评估 CAP 动力学的日常变异性，我们分别计算了每天的这些指标。总之，我们估计了每个受试者每个 CAP 的 FO 、 mean DT 和 var DT。这使我们能够平均跨排列的估计神经测量，提供每天每个受试者的每个 CAP 的神经测量的摘要统计量。这些统计数据在单受试者水平上是可重复的，如图3B [48–50]所示。在解释结果时需要小心，因为稳定的状态动态的个体特异性属性（例如本研究中的平均 DT）也可以被视为特征。
在这项研究中，我们有兴趣检验这样一个假设，即神经共激活动力学中存在个体差异的可重复的一般基序，其中个体以不同的方式占据（或投射到）。虽然 [26] 之前的工作通过应用 rs-fMRI 信号量的主成分分析 （PCA） 来关注时空神经活动的低维流形，但我们的目标是确定一个低维特征空间，该空间表征大脑状态时间组织的状态和特征特性。为此，我们首先证明状态-性状 CAP 动力学在单受试者水平上跨排列是可重复的，而受试者内日间可靠性低于同一天的排列间可靠性（图 3B、3C 和 S10）。首先，我们使用线性回归测量了神经测量的重测信度（图 3D）。对于每个 CAP，我们发现第 1 天和第 2 天之间单个神经测量的相关性中等低 （r≤0.5）（图 3D）。CAP I+ 显示日间可靠性最高，而 CAP III 最低。其他 4 个 CAP 状态的散点图见 S10 图。在计算所有 CAP 的相关性均值和 SD 时，FO 的日间相关性为 0.41±0.07，均值 DT 为 0.41±0.06，var DT 为 0.38±0.07。
其次，我们使用双向随机效应模型 （ICC（2,1）） 计算了每个排列中每个拆分的类内相关系数。因此，对于每个 CAP，我们在 1,000 个排列中测量 2,000 个 ICC 值。所有 CAP 的平均 ICC 为 FO 0.39±0.06 （平均值±标准差），平均 DT 为 0.39±0.05，Var DT 为 0.34±0.06。与使用边缘水平功能连接报告的其他研究中的平均 ICC 的荟萃分析估计 （0.29±0.03，平均 ± 标准误差） 相比，这些状态特征神经测量显示出公平的重测（日常）可靠性 [51]。5 个 CAP 的 FO 的主体内方差显示在 S12 图中。总之，这些结果显示了个体内 CAP 动态的日常变异性（状态）以及每天受试者间（性状）的高度可重复性。
状态和性状神经变异的联合分析
我们提出了一个联合状态和性状神经变化的分析框架，同时考虑到神经特征的重测（或日常）可靠性。重要的是，这个框架使我们能够可视化一个人（状态）内变化的 CAP 属性如何在人（特征）之间变化。在图 3E 中，我们说明了时空 CAP 动力学的状态和特征方差分量的三轴表示。对于每个 CAP，我们估计 3 个神经特征的标准化主体间方差（方差系数）。然后，将 5 个 CAP 状态（CAPs I+/−、II+/− 和 III）投射到该空间上。有趣的是，我们发现 CAP II 在所有 3 个指标（FO、均值 DT 和变异 DT）中表现出最高的相对主体间变异（即特征）。相反，CAP III 表现出比 CAP II 更低的受试者间方差，但更高的受试者内方差（如 2 个不同日期的测量之间的距离所示;见图 3E）。事实上，拟议的状态-性状神经变异联合分析提供了神经共激活的个体内和个体间方差的丰富景观。
神经特征减少捕获个体变异的一般基序
一个重要而有趣的问题是，具有不同状态-性状变异模式的神经特征是否可以提供有关个体差异的重要信息。换句话说，我们感兴趣的是研究是否有一组神经特征可以在许多健康受试者中常见，这些特征具有一组可重复的神经共激活特性，这反过来又可以与行为表型有关。为了解决这个问题，我们首先收集了为每个人估计的 30 个神经特征：3 个神经测量 （FO、平均 DT 和变异 DT） × 5 个 CAP （I+、I-、II+、II- 和 III） × 2 天。我们执行了逐个特征 （3.37×30） 矩阵的凝聚分层聚类 （图 4A）。我们使用树状图中最终合并的 70% 的距离截止值来确定簇的数量（图 4B）。结果，我们发现了 3 个亚组（A、B 和 C），每个亚组由 163、127 和 47 个个体组成（图 4C）。
缩略图 下载：
PPT的PowerPoint 幻灯片
PNG放大图片
国际电影节原始图像
图 4. 在健康受试者中鉴定表现出不同神经状态-性状差异的亚组。
使用 30 个个体神经状态特征的凝聚分层聚类确定 HCP 数据中的三个健康受试者亚组 （A、B 和 C），这些特征是根据时间 CAP 特征估计的 （分数占用率，FO;受试者内平均停留时间，平均 DT;受试者内停留时间方差，var DT）。（A） 对于每个受试者，收集了从 5 个 CAP 和 2 天估计的 30 个神经特征。对于每个 CAP，每个神经特征都是通过平均排列中估计的值来获得的。3 轴散点图中的每个数据点都指示一个主题。通过对每天受试者内排列的特征值求平均值来获得单个神经特征。（B） 对特征矩阵执行凝聚分层聚类。在树状图中，使用最终合并的 7% 的距离截断值找到 3 个聚类。此外，为了估计识别子组的这个状态特征特征空间的主要几何形状，我们将 PCA 应用于特征矩阵。（C） 使用 PCA 将聚类主题嵌入到 3D 空间。（D） 每个神经 PC 解释的方差 （%）。（E） 阳性和阴性 CAP 之间个体神经特征的相似性。显示了 CAP I+ 和 I- 的示例。所有结果见 S11 图 （0.9±0.04，平均值 ± SD）。（F） 前 3 个神经 PC 上每个神经特征的负载。在每个雷达图中，显示了 5 个 CAP 的 3 条线，表示 FO（石板蓝）、平均 DT（钢蓝色）和 Var DT（绿松石色）。为了便于解释，分别显示了第 1 天（顶部）和第 2 天（底部）的特征加载，而神经 PC 是使用两天的神经特征获得的，如 （A） 所示。（G） 每台 PC 上的神经特征负载在几天之间是可靠的。对于每个神经 PC，在第 1 天和第 2 天收集的 2 个特征加载向量之间计算 Pearson 相关系数 （r）。神经 PC 3 反映了受试者内（日间）方差对时间 CAP 谱的贡献。CAP，共激活模式;DT， 停留时间;FO，分数占有率;HCP，人类连接组项目;PCA，主成分分析。
https://doi.org/10.1371/journal.pbio.3002808.g004
为了进一步研究是否存在捕获个体差异的神经状态-特征变异的低维几何结构，我们将 PCA 应用于逐个特征的主体矩阵。显然，使用分层聚类确定的 3 个亚组分布在由前 3 个神经 PC 表示的低维空间中，它们分别解释了 33.5%、23.9% 和 16% 的方差（图 4D）。值得注意的是，亚组 A 在神经 PC 1 上的得分高于其他组，亚组 C 在神经 PC 2 上的得分高于亚组 B（图 4C）。我们对这些 PC 上的特征加载的进一步分析揭示了一组独特且简化的神经变异特征，每个特征都代表 CAP 特异性 （PC 1） 和一般 （PC 2） 神经状态性状变异，它们也表现出日常变异性 （PC 3）。此外，我们发现每对正负 CAP 模式（状态 I+ 和 I-，状态 II+ 和 II-）表现出相似的时间 CAP 曲线（图 4E 和 S11）。
具体来说，神经 PC 1 的特征是 CAPs I/III 与 CAP II 的时间图谱不同。它包括 CAP I/III 的 FO、平均 DT 和可变 DT 的较高负载，以及 CAP II 的 DT 测量值的较低负载（图 4F）。请注意，FO 是一个相对度量 （#TR），因此所有 CAP 状态的 FO 之和为 1，而 DT 度量是绝对的 （#TR）。这表明在神经 PC 1 上表现出高分的个体占据 CAPs I 和 III 的时间相对较长，而 PC 1 得分低的个体占据 CAP II 状态的时间更长。关于 CAP II，与停留时间测量 （平均 DT 和变异 DT） 相比，FO 在神经 PC 1 上表现出更明显的负负荷。另一方面，神经 PC 2 突出了状态持久性的一般模式（高主体内平均 DT 和高主体内方差），同时也对 FO 表现出较弱的 CAP 特异性影响（CAP I/III 处 FO 的负载较低，而 CAP II 处 FO 的负载较高）（图 4F）。此外，在神经 PC 2 中，CAP II 的 DT 测量显示出比 FO 更高的负载。较长的停留时间表示个人在转换到另一个 CAP 之前占据了较长时间的状态，这表明状态持久性很强。与神经 PC 1 和 2 显示出很强的日间可靠性相反，神经 PC 3 在第 |r|> 0.9;图 4G）。特别是，神经 PC 3 捕获了日常变异性的特定组成部分：在神经 PC 1 中观察到的 CAP 特异性模式可以在几天之间发生系统性变化（例如，图 4F 中的符号翻转特征加载）。
总之，我们的结果表明，时空 CAP 动力学的状态和性状方差都涉及识别个体差异的关键信息。具体来说，我们确定了 3 个神经 PC，它们建立了状态和性状神经共激活变异的低维、一般基序。个体变异的第三个主要组成部分涉及有关神经共激活的日常变异性的信息，这表明受试者内变异的模式可以是唯一的个体化。反过来，这可以被视为提供关于个体神经表型的附加信息的性状模式。虽然性状变异 （神经 PC 1 和 2） 主要负载在个体差异的一般基序上，但在天数的时间尺度上观察到的状态方差 （神经 PC 3） 也有助于这个低维特征空间，因此反映了神经表型。对每种神经测量的个体分布的评估支持了这些发现（S13 图）。此外，我们发现 CAPs I 和 II 的 FO 总体上比 CAP III 的 FO 具有更高的平均值和变异性。我们在平均 DT 和变异 DT 中观察到相同的模式（S13 图）。事实上，我们结合单个神经特征集的分层聚类和 PCA 的分析揭示了 3 个表现出不同神经变异模式的亚组。
神经状态特征的主要变化与行为表型的主要变化共同变化
接下来，我们感兴趣的是研究在这个低维神经特征空间上量化的个体变异性在多大程度上与个体人类行为的变化有关。我们采用了类似的降维策略来估计行为主成分 （PC），这些成分在人们占据不同位置的多个行为领域中提供低维几何图形。这样，我们可以将各个主题分别分布在 2 个特征空间中以及这些模式如何相互关联。
为了估计行为表型主要变化的几何形状，我们对 HCP S1200 不受限制和受限行为数据中 15 个行为领域的 262 个变量进行了 PCA：警觉性 （1-2）、认知 （3-39）、情绪 （40-63）、性格 （64-68）、情绪任务表现 （69-74）、赌博任务表现 （75-86）、语言任务表现 （87-94）、 关系任务表现 （95-100）、社交任务表现 （101-113）、工作记忆任务表现 （114-167）、精神病学维度 （168-189）、酒精使用 （190-222）、烟草使用 （223-252）、非法药物使用 （253-258） 和大麻使用 （259-262）（图 5A）。在 S14 图 1 中找到行为变量列表。在执行 PCA 之前，将反映任务中反应时间 （RT） 的几个变量转换为 1/RT，以便更好地解释 PC 几何形状。
缩略图 下载：
PPT的PowerPoint 幻灯片
PNG放大图片
国际电影节原始图像
图 5. 神经状态特征的主要变化与行为表型的主要变化共同变化，突出了与情绪调节、认知功能以及酒精和物质使用相关的个体生活功能结果。
（A） 从 HCP S1200 不受限制和限制数据中获得的 262 个行为变量之间的相关结构。沿相关矩阵每个轴的色条表示每个变量类别的颜色代码。类别是从在线提供的 HCP 数据字典 （HCP_S1200_DataDictionary_April_20_2018.csv） 中定义的。测量任务 RT 的变量被转换为 1/RT，以解释响应时间越短表示任务性能越好这一事实。有关所有行为变量的列表，请参见 S14 图。（B） 第一台 PC 解释了 11.2% 的方差。在进一步分析中考虑了解释 ~50% 方差的前 15 个 PC。（C） 在分割半重采样的 1,000 次排列中，我们比较了 2 次分割中估计的 PC 的几何形状是否一致。计算每对行为 PC 的 Pearson 相关系数 （r）。（D） 每个行为变量在第一主成分 （PCA） 上的排序载荷。每个数据点都表示一个行为变量。对 （A） 中的所有 262 个变量进行 PCA。y 轴上显示的 39 个子类别也是使用 HCP 数据字典定义的。属于同一类别的多个子类别使用与 （A） 中相同的颜色进行编码。用于生成结果的数据可以在 S2 数据中找到。HCP，人类连接组项目;PCA，主成分分析;RT，反应时间。
https://doi.org/10.1371/journal.pbio.3002808.g005
进行 PCA 后，使用排列检验评估衍生 PC 的显着性。具体来说，对每个排列进行 PCA，其中受试者的顺序被随机打乱，这反过来又提供了一个空模型 [23]。结果，我们发现 27 个 PC 的方差比例超过了偶然性（10,000 次排列中 p<0.05）。随后，我们考虑了前 15 个 PC，它们共同解释了大约 50% 的总方差，以进行进一步分析。使用半分割排列方法评估这 15 个 PC 的可重复性，我们将 337 名受试者随机分成 2 个大小相等的组 （n = 168），并对每个分割应用 PCA。然后，针对每个排列计算从 2 个分裂半场估计的第 n 个 PC 之间的 PC 几何的相似性（Pearson 相关性），其中 n 是每个 PC 基于解释方差的排名顺序。
结果，我们发现第一个解释 11.2% 方差的行为 PC （PC 1）（图 5B）具有高度可重复性，表现出从 2 个分裂半场估计的第一个 PC 之间 PC 几何的相似性（r = 0.9±0.03,1,000 次排列的平均 ± SD）（图 5C）。行为 PC 1 突出了与认知功能、情绪调节以及酒精和物质使用相关的个体生活功能结果（图 5D 和 6A）。工作记忆任务表现的变量在行为 PC 1 上具有最高的负载，其次是情绪、关系、语言、赌博任务表现、流体智力、自我调节/冲动和情景记忆。相比之下，与酒精和物质使用相关的变量（例如，短期烟草使用）和精神病学维度（例如，积极和消极影响、压力、焦虑、抑郁和社会支持的自我报告测量）在行为 PC 上表现出最低的负负荷 1。行为 PC 2 突出了与情绪、人格和精神生活功能相关的项目（图 6B）。行为 PC 3 突出显示了物质使用，显示该 PC 上与饮酒习惯相关的项目显着高负荷（图 6C）。
缩略图 下载：
PPT的PowerPoint 幻灯片
PNG放大图片
国际电影节原始图像
图 6. 神经状态特征的主要变化与行为表型的主要变化共同变化，突出了与情绪调节、认知功能以及酒精和物质使用相关的个体生活功能结果。
（A） 行为 PC 1（黑色，左圆圈）的几何图形反映了子组 A（黄色）和子组 B（绿色）之间组均行为变量（标准化行为数据，右圆圈）的差异。未显示亚组 C，因为在 （D） 中未发现显著的组差异。（B） 行为 PC 的几何学 2.（C） 行为 PC 的几何学 3.（D） 使用神经状态特征测量确定的亚组之间个体 PC 1 分数的比较（图 4）。在每个行为 PC 的亚组之间进行双样本双侧 t 检验。p邦： Bonferroni 校正了 p 值。（E） 具有 2 个协变量 （年龄和性别） 的 3 个神经 PC 1 的多元线性回归模型显示，神经 PC 1 与行为 PC 1 相关 （部分 R2= 0.023，β 1= 0.26，SE = 0.09，t = 2.8，p = 0.006），其中倍数 R 2= 0.041，调整后的 R2= 0.026，F（5,331） = 2.814，p 值 = 0.017（对于完整模型）。 （F-H）神经 PC 对个体行为 PC 分数预测的可重复性分析。在每个排列中，对整个样本中随机一半 （N = 168） 中受试者的神经和行为数据进行 PCA。估计具有 3 个神经 PC 1 和 2 个协变量 （年龄和性别） 的多元线性回归模型的参数，以评估每个行为 PC 的可预测性。p邦： Bonferroni 校正了 F 检验的 p 值。用于生成结果的数据可以在 S2 和 S3 数据中找到。PCA，主成分分析。
https://doi.org/10.1371/journal.pbio.3002808.g006
为了评估行为变量的主要变化与神经特征的主要变化之间的关联，我们首先比较了使用神经特征确定的亚组之间 15 个行为 PC 的个体分数分布（图 4）。与亚组 B （n = 127） 相比，被归类为亚组 A 的个体 （n = 163） 在行为 PC 1 上的得分显著更高 （p邦<0.05，t = 3.05，双样本双侧 t 检验）（图 6E）。 在比较性别之间行为 PC 1 的个体评分时，我们发现没有关系。我们没有观察到神经状态-性状动力学在识别亚组 C （n = 47） 中的任何行为相关性。此外，行为 PC 3 显示出强烈的性效应 （p邦<0.005）。
接下来，我们使用多元线性回归模型（行为 PC 1 ~ 神经 PC 1 + 神经 PC 2 + 神经 PC 3 + 年龄 + 性别）研究了行为 PC 1 的个体分数是否与 3 个神经 PC 的个体分数相关。神经 PC 1 与行为 PC 1 相关 （部分 R2= 0.023，β 1= 0.26，SE = 0.09，t = 2.8，p = 0.005），其中倍数 R 2= 0.041，调整后的 R2= 0.026，F（5， 331） = 2.814 和 p 值 = 0.017（图 6E）。 神经 PCs 2 和 3 与年龄未显示任何关联。性别与行为 PC 1 表现出较弱的相关性 （部分 R2= 0.016，β 1= −1.44，SE = 0.61，t = −2.34，p = 0.02）。
低维神经行为关联的可重复性和交叉验证
为了进一步评估图 6E 中发现的低维空间中神经行为关联的可重复性，我们首先对 1,000 个排列的拆分数据（随机 N = 168）执行相同的多元线性回归方法。通过对每个行为 PC 数据中的单个受试者进行洗牌来生成零数据（S15 图）。为了预测行为 PC 1，得到的部分 R2值在排列中具有很强的可重复性（部分 R2对于神经 PC1，= 0.025±0.017，p 邦<e−10，F 检验; 整体 R2= 0.056±0.024），如图 6F 所示。与使用整个数据的分析类似，性别也是行为 PC 1 的可重复预测因子（部分 R2= 0.02±0.016，p 邦<e−10，F 检验）。 其次，我们使用从每个 split 1 数据训练的多元线性回归模型来预测跨排列的相应 split 2 数据中的个体行为分数（S16 图）。虽然总体预测性能相对较低，但具有高度可重复性，并且与零数据分析 （R2= 0.011±0.013，p < e– 10，F 检验）。
接下来，我们重复了相同的分析来预测行为 PC 2 和 3。神经 PC 1 和 2 与行为 PC 2 显示出可重复的关联，行为 PC 2 突出了情绪、人格和精神生活功能，而年龄和性别显示出更大的预测能力（图 6G）。为了预测行为 PC 2，估计的部分 R2神经 PC2 为 0.008±0.01，年龄为 0.018±0.014，性别为 0.013±0.019（图 6G）。另一方面，神经 PC 2 可预测行为 PC 3，突出与饮酒习惯和性别差异密切相关（图 6H）。为了预测行为 PC 3，估计的部分 R2神经 PC2 为 0.016±0.014，性别为 0.059±0.036，而总体 R2对于完整模型，为 0.098±0.041（图 6H）。
CAP III 对主要神经行为关系的影响
目前尚不清楚 CAP III 的存在是否以及如何影响其他 CAP 的时间 CAP 概况，以及它与行为个体差异的关系。为了解决这些问题，我们研究了 CAP III 与 3 个神经 PC （图 4） 和第一个行为 PC （图 5） 的关系。具体来说，为了量化 CAP III 发生的概率，我们比较了 5 个 CAP 涉及 CAP III 的概率和有 4 个 CAP 而不涉及 CAP III 的概率。我们发现，与其他亚组相比，亚组 C 发生 CAP III 的可能性很高（图 7A）。CAP III 发生概率高的个体神经 PC 1 得分较低 （r = −0.26， p<0.001） 和神经 PC 2 得分较高 （r = 0.24， p<0.001;图 7B 和 7C）。与神经 PC 3 的个体评分没有关系 （图 7D）。CAP III 发生的概率与行为 PC 1 的个体评分之间存在微弱的负相关 （r = -0.18，p<0.005;图 7E）。我们发现 CAP III 发生的概率与行为 PC 2 和 3 之间没有相关性。这些结果共同表明 CAP III 的时空特性与神经 PC 和行为 PC 1 的关联。
缩略图 下载：
PPT的PowerPoint 幻灯片
PNG放大图片
国际电影节原始图像
图 7. CAP III 发生的概率与神经和行为 PC 相关。
（A） 每个人发生 CAP III 的概率（x 轴），可以解释为个体对 CAP III 的偏好，通过 4 个 CAP 与 5 个 CAP 的发生差异进行评估，如图 1B 所示。对于每个受试者，我们计算了估计 4 个 CAP 时的排列数量（1,000 个排列中出现的数量），以及当估计 5 个 CAP 时涉及的同一受试者的排列数量。然后，对于每个对象，我们比较了每个拆分的发生率差异 （Δ Occurrence = Occurrence （k = 5）–Occurrence （k = 4））。然后，对于每个个体，将 Δ Occurrence 平均 2 次分裂。最后，将受试者内的平均 Δ Occurrence 在受试者之间标准化为 z 分数。个体按使用 30 个神经特征的分层聚类定义的亚组进行颜色编码（图 4）。（B-D）相对于神经 PC 1 （B） 、神经 PC 2 （C） 、神经 PC 3 （D） 和行为 PC 1 （E） 的个体分数，个体对 CAP III 的偏好的散点图。用于生成结果的数据可以在 S4 数据中找到。CAP，共激活模式。
https://doi.org/10.1371/journal.pbio.3002808.g007
运动的影响
为了评估运动的影响，计算了每个受试者在时间范围内的平均帧位移 （FD）。受试者的估计平均 FD 为 0.16±0.58 （N = 337）。请注意，在估计 CAP 时，我们擦洗了过度运动的时间框架 （FD ˃ 0.5mm）（S1 图）。受试者的平均擦除时间框架数为 76±192.6（计数），占每个受试者时间框架总数（去除虚拟扫描前 4,400/受试者）的 1.73±4.38%。在 5/28 名受试者中，超过 337% 的总时间范围被擦除 （8.3%）。我们还测量了运动的持续时间 （过度运动的连续时间范围的数量），以评估是否存在较长的运动时间段，这可能会影响时间 CAP 曲线的估计，尤其是对 CAP 状态转换和停留时间的分析。受试者与运动相关的连续时间框架的平均长度为 1.34±0.38。重复排除这 28 名受试者的分析并没有改变结果，包括神经测量的 PCA 和低维神经行为关系（S17 图）。
总之，我们检验了以下假设：存在一个可重复的 CAP 特征集，它反映了状态和特征大脑动力学，并且这个组合特征集与多个行为域中的个体表型相关。具体来说，行为 PC 1 突出了与认知、情绪调节、酒精使用和物质使用相关的个体生活功能结果。发现行为 PC 1 得分高的个体 （i） 在 CAP I 花费的时间比在 CAP II 的时间长;（ii） CAP I 的受试者间方差高于 CAP II;（iii） 在所有 CAP 中表现出高全局持久性（更长的停留时间）;（iv） 患 CAP III 的机会较低。这种神经行为模式与 （v） 与性别差异相关。行为 PC 2 突出了情绪调节、人格和精神生活功能。发现具有高行为 PC 2 分数的个体 （i） 在所有 CAP 中表现出更长的停留时间;（ii） 在 CAP I 的时间比在 CAP II 的时间长;以及 （iii） 与年龄相关联。行为 PC 3 强调酒精、尼古丁和物质使用。发现行为 PC 3 评分高的个体 （i） 在所有 CAP 中都有更长的停留时间;（ii） 患上 CAP III 的机会较高;以及 （iii） 与性别差异有关。
讨论
这项研究提供了证据，强调了量化大脑动力学的受试者内和受试者间方差成分的重要性，以及它们与功能行为结果个体差异的联系。在这里，我们表明 rs-fMRI 的动力学可以通过 CAP 分析进行量化，并揭示可重复的神经特征，这些特征可以最大限度地发挥状态方差、性状方差和重测可靠性的影响。我们发现人脑表现出一组高度可重复的低维特征，这些特征可以索引全脑的共激活模式。神经特征减少捕捉了个体变异的一般主题，因此个体以不同的方式占据这个低维状态特征神经空间，这反过来又预测了生活和行为结果。由共激活动力学的日常变化索引的状态方差加载到个体变异的低维基序上，因此反映了神经表型。
我们确定了 3 个 CAP，代表健康年轻人混合静息态网络的递归快照，它们表现出不同的时空特征，这些特征在单受试者水平上是可重复的。反过来，使用时间 CAP 谱的分层聚类确定了 3 个个体亚组，这些谱映射到捕获状态（即人内）和特质（即人之间）方差成分的 CAP 动力学的不同方面。我们发现神经状态和性状 CAP 特征的主要变化与行为表型的主要变化共同变化。换句话说，我们确定了映射到一个人的生活结果概况的 rs-fMRI 动力学的特定特性。至关重要的是，占据给定 CAP 的个体特异性概率具有高度可重复性，并且与神经和行为特征相关。总的来说，这些结果表明，可重复的神经动力学模式可以捕获人内和人与人之间的差异，这些差异定量地映射到个体之间的不同功能结果。
识别人类中可重现的神经动力学概况
在这项研究 （n = 337，图 1E） 中，我们确定了 3 个可重复的 CAP。这些CAP捕获的空间模式类似于Bolt及其同事先前确定的rs-fMRI BOLD波动的零滞后驻波和时间滞后行波的分析结果，使用复杂的PCA和各种潜在降维方法对HCP数据集（n = 50）[52]。Bolt 及其同事确定的 3 种模式与我们研究中发现的 CAP 之间的空间对应有助于解释我们的结果。具体来说，CAPs I+/I- 的空间地形可能与 BOLD 信号的任务正/任务负动态有关，而 CAPs II+/II- 可能与全局信号波动有关[52]。然而，与 rs-fMRI 中大多数关于 CAP 的早期研究类似 [33]，Bolt 及其同事采用了基于预定义区域中时间过程的高振幅信号的稀疏时间点采样策略 （15%），以及任意选择双集群解决方案 [52]。稀疏时间点采样基于一个假设，即功能连接模式源于离散的神经事件 [6]，通常由皮层活动的高振幅共波动驱动 [53]。这些研究表明，估计的 CAP 与广泛研究的静息态功能连接模式（例如默认模式网络）之间存在空间对应关系 [6,33,54]。
然而，据我们所知，还没有研究调查整个 BOLD 信号范围内 CAPs 模式的受试者内和受试者间变化的联合特性。此外，尚无研究检验考虑完整的 BOLD 信号范围对 CAP 特性和行为之间关系的影响 [36–42]。在这里，我们提出了一种分析方法，该方法使用整个 BOLD 信号范围优化已识别 CAP 的主体内方差、主体间方差和重测信度。至关重要的是，我们展示了每个受试者的可重复时空 CAP 特征（图 2、3、S9 和 S10）。反过来，我们显示了 CAP 神经表型的主要变异与行为表型的主要变异之间的关联（图 5）。
评估 BOLD 信号的时间采样对 CAP 分析的影响超出了本研究的范围。然而，以前的研究表明，只关注特定的时间点，例如在具有高 BOLD 信号振幅或与种子区域强信号相关性的事件期间的时间点，而忽略其余数据（例如，事件不存在），可能会导致误导性结论 [44]。Iraji及其同事[44]指出，事件缺失的时间点可以捕捉默认模式功能网络连接与精神分裂症症状之间独特而稳健的关系。因此，针对这一特定问题的未来研究将有助于确定瞬时大脑共激活模式可以在多大程度上捕捉个体大脑动力学的不同特征。例如，CAP 衍生的测量可以通过各种时间采样策略从数据中量化，例如随机或根据特定信号标准改变分析时间点的比例。此外，fMRI BOLD 采集的时间分辨率的影响（例如，重复时间;TR） 的 SET 实例。
最近的一项工作提出了一种通过最大限度地提高个体可识别性在受试者水平上检测个体 CAP 的方法 [55]。使用密集采样的 Midnight Scan Club 数据集 [56]，他们在组水平和单受试者水平上确定了 4 个 CAP，其中 2 个 CAP 对表现出相反的空间模式，类似于本研究中的发现（图 1）。然而，他们的研究并没有解决如何评估个体化 CAP 及其时间概况与行为的关系，而是关注两个水平上相同数量的集群。相比之下，我们专注于在组水平上识别神经共激活 （CAPs） 的可重复空间模式，并在单受试者水平上量化 CAPs 时间概况的可重复特征集，从而提供了一个统一的框架来评估个体差异使用神经共激活的状态和特征变化的联合分析。同样，在 [24] 中使用另一种动态功能连接方法在组水平上估计了几种大脑状态，而它们可以识别状态活跃的时间点，从而允许估计每种状态和每个受试者的 FO。
总的来说，这些结果强调，状态-性状 CAP 动力学在单受试者水平上跨排列和分裂是可重复的（图 3 和 S9）。就上下文而言，此处报告的统计数据（图 3C）表明，与荟萃分析估计的面积间功能连接矩阵的组级可重复性相比，其可重复性更高 [51]。尽管如此，观察到的 ICC 值仍然相当低，反映了日期之间的显著差异。这表明，虽然性状特征是个体方差的一般基序上加载的最主要因素，但观察到的状态方差（天与日之间）也有助于这个一般基序。在这种情况下，ICC 的相当低的范围反映了在时间尺度上受试者内方差的显着数量，并支持我们共同识别神经表型的状态特征成分框架。同样，Yang 及其同事发现，除了少数受试者外，在 10 次扫描（~ 30 分钟/扫描）中，在个体水平上识别的 CAP 随着时间的推移是不稳定的，并且当整合持续时间更长的数据时，受试者特异性 CAP 变得更加可靠和个体特异性 [55]。因此，我们认为受试者内部的这种时间波动可以为个体特定的大脑组织带来关键见解。将神经特征的数量减少为一组可重复的 CAP 可能使神经特征和行为之间实现更稳健和可重现的映射。换句话说，我们假设进一步优化可重复的数据简化神经特征是朝着将 rs-fMRI 信号映射到健康和临床相关的行为变异并获得稳健的神经行为模型迈出的关键一步。
量化神经动力学的关节状态和性状方差成分
图 3E 中所示的时空 CAP 动力学的三轴表示突出了一种考虑时间 CAP 特征的方法，该方法可以为特征选择提供信息。换句话说，我们表明，通过将每个主题内得出的 CAP 度量投影到特征方差空间中，可以可视化在人（状态）内变化的 CAP 属性如何在人（特征）之间变化。
例如，我们发现 CAP II 在此处介绍的所有测量中表现出最高的相对主体间差异（即特征）。相反，CAP III 的受试者间方差低于 CAP II，但受试者内方差较高。这表明，尽管总体上 CAP III 的个体差异较小，但任何给定的人都可能在几天之间表现出这种模式的显着变化。这些观察结果具有高度可重复性，并且普遍同意 [52] 中报道的 3 种模式所解释的方差。这就提出了一个问题，即共同考虑状态和特征指标是否可以揭示神经特征的关键属性，而这些属性反过来又可以为它们与行为的映射提供信息。例如，人们会期望个体之间差异显著但受试者内差异很小的神经特征可以作为跟踪纵向行为变化的可靠神经标志物（例如，在某些精神病人群中观察到的神经发育变化或快速情绪波动，这在健康人群中可能不会发生）。相比之下，最大化受试者内变异的神经特征，同时仍然表现出显着的特征变异，可能更擅长检测预期会随着时间的推移发生重大变化的神经行为关系。
事实上，使用已识别 CAP 的状态和性状方差成分揭示了 3 个健康受试者亚组。这一发现与使用具有不同状态方差模式的神经特征可以提供有关个体差异的重要信息的概念一致（图 4）。这种聚类的目的不是对单个受试者进行分类。相反，我们旨在测试是否存在一组在许多健康受试者中普遍观察到的神经特征，表现出可能与行为表型相关的可重复神经共激活特性。我们首先发现 3 个亚组 （每组 n = 163、127 和 47） 可以投影到数据缩减的 PCA 模型中。神经 PC 1 的特征是 CAP I/III 与 CAP II（CAP 特异性）之间 FO 和 DT 测量的不同模式，神经 PC 2 代表所有 CAP 状态的一般持久性（一般），神经 PC 3 代表个体内部的日常变化（图 4D-4F）。这种额外的神经特征减少水平捕捉了个体在神经共激活的复杂时间模式方面如何变化的一般主题。
虽然这项研究表明在研究个体差异的神经基础时考虑状态变化的重要性，但我们没有直接比较仅使用状态特征、仅使用特征特征以及状态和特征时神经行为映射的性能。对状态操作进行综合实验的进一步研究，例如药理学神经影像学或经颅磁刺激 （TMS），可以帮助了解状态和特征神经特征如何响应此类操作而变化，以及状态和特征神经特征是否反映了有关个体差异的独特或附加信息。
将共激活的神经模式与行为和生命功能联系起来
人类神经成像的主要目标之一是识别与人类功能相关的特征。更具体地说，来自 fMRI 的信号是否携带与成人积极或消极的生活功能结果相关的信息？以前的工作使用多变种典型相关方法 （CCA） 验证了这一假设 [22]。虽然这些初步发现令人信服，但人们并未广泛认识到使用许多神经影像学特征的 CCA 模型容易出现过拟合。为了解决这个问题，我们调查了由神经动力学的联合状态和特征方差分量识别的简化和可再现的神经特征集是否可以解释代表一般人群的成年人样本中功能行为结果的变化。在这里，我们根据 HCP 样本中的 262 个行为特征计算了一个 PCA 模型，它揭示了一个通过 permutation testing 的 n = 27 个 PC 的解决方案。然而，我们发现第一个行为 PC 捕获了所有行为方差的 >11%，并且具有高度可重复性（行为 PC 1 负载的分裂相关性为 r ˃ 0.9;图 5C）。因此，我们检查了第一个 CAP 衍生的神经 PC （图 4） 和第一个行为 PC 之间的关系，结果显示神经 PC 1 分数较高的个体 （亚组 A，图 4F） 也具有较高的行为 PC 1 分数 （图 6D 和 6E）。
这些结果表明，优先占据 CAP I 并表现出强状态持久性的个体也表现出更高的认知和情感功能结果（图 4 和 5D）。相比之下，主要长时间使用 CAP II 的人往往表现出相对较低的认知分数，以及较高水平的酒精和物质使用。这与 fMRI 信号中一般全脑共激活模式与个体的功能水平相关的观点一致。值得注意的是，CAP II 在所有测量中表现出最高的相对受试者间差异（图 5D）。此外，CAP II 显示出一个似乎是“全球”的空间主题。这与先前的研究结果一致，即包含额顶叶控制网络主要贡献的整体 rs-fMRI 信号地形图与积极和消极的生活结局和心理功能相关 [57]。有趣的是，我们发现观察 CAP III 可能与研究样本的成分有关。换句话说，有一组 CAP III 发生率高的人（亚组 C），如果在报告的排列测试中采样，将产生 3-CAP 解决方案（I、II 和 III）。个体中存在 CAP III 的概率较高与行为 PC 1 评分较低相关，表明功能生活结局较差（图 1、2 和 6）。更具体地说，具有高 CAP III 神经信号模式可能性的个体表现出相对较低的认知功能、较高的酒精使用和较高的物质使用。
我们的结果与使用其他动态功能连接方法的几个发现相吻合。Vidaurre及其同事使用隐马尔可夫模型，使用HCP-YA rs-fMRI数据集识别了12种大脑状态，并得出了2种元状态，每种元状态都是一组更有可能相互转换的大脑状态[24]。他们发现，大脑状态及其相关元状态的 FO 具有主体特异性和行为相关性，突出了几种幸福感、智力和人格特征 [24]。使用本研究中研究的相同主题来评估认知任务期间的大脑活动是否表现出与使用 rs-fMRI 估计的相似的 CAP 特征和低维状态特征差异，以及它们与这种高阶元状态 [24] 和在多个认知任务中发现的低维整体大脑活动 [26] 的关系，这将是一件有趣的事情。
这有力地支持了这样一种观点，即人脑中可重复的功能共激活模式可以映射到对心理健康有影响的行为结果。在这里，我们通过仅考虑神经和行为特征空间的第一个 PC 来找到这种模式。目前尚不清楚 CAP 动力学的进一步特征优化是否会揭示与更严重的心理健康症状相关的更强影响，这可以在临床样本中检测到。事实上，在以前的研究中，CAP 的空间和时间组织与精神症状有关 [37\u201242]。然而，目前尚不清楚在健康的普通成年人群中可重复的 CAP 衍生的神经特征是否也能预测严重的精神症状。换句话说，可能只有经历一定程度症状严重程度的个体才能检测到 CAP（以及我们量化的相关状态特征方差成分）。在这种情况下，考虑定义状态神经测量的可能性和时间尺度至关重要——即状态存在于一个人身上的可能性有多大，以及它与行为相关持续多长时间。与此相关，关键是要考虑在给定的 CAP 状态模式中必须存在多少人与人之间的差异才能揭示临床样本中的个体症状变化——从而使其成为精神症状的特征样神经标志物。这项研究的结果强调了在临床应用中解析瞬时（状态）或持久（特征）CAP 属性的重要性。
换句话说，心理健康症状可以被认为是因人而异（即作为一种特征）或人内部不同（即作为一个状态），这些症状可以单独量化。例如，特质焦虑是指一个人在广泛的背景下和较长时间内经历焦虑情绪的倾向。相比之下，状态焦虑是临床上定义的发生在当下的焦虑 [58,59]。目前的研究结果表明，总体上表现出高度焦虑的可能性和在任何特定时刻感到焦虑的可能性可能与相同的潜在神经共激活模式发生有关。我们认为这可能是一个普遍现象，可以扩展到其他心理健康结果。因此，在未来的工作中，研究状态和特质神经特征在预测心理健康结果的严重程度和发生可能性方面的综合贡献将是有价值的 [60]。
我们在可重复的神经行为关联中的结果强调了行为 PC 1、2 和 3 的神经相关性。具有较高认知能力 （行为 PC 1） 的个体在 CAP I 中花费的时间比在 CAP II 中花费的时间长。行为 PC 2 显示与神经 PC 1 和 2 以及年龄和性别相关。关于静息态功能连接，虽然 CAP I 和 II 在语言、初级视觉和扣带回-鳃盖网络区域表现出差异，但这些 CAP 状态的总体模式涉及默认模式和额顶叶网络中的大脑活动模式与属于次级视觉、躯体运动和背侧注意力网络的区域的相反模式 [61].这表明与从单峰感觉运动皮层到跨模态关联皮层的皮层层次结构有关，并且在儿童至青春期的功能连接发展中可能起作用 [62]。
最后，这里的一个重要考虑因素是，我们没有评估样本量对 CAP 及其特性估计的影响。目前尚不清楚本研究中发现的捕获个体变异的一般基序的低维特征集是否特定于 HCP S1200 数据集中的样本，或者是否可以推广到更大、更多样化的普通人群样本。在几天、几个月或几年的密集采样数据集中，我们可能会发现主体内（状态）变化的另一个维度，这有助于个体差异的一般主题。如果样本量较小或样本成分不同，观察到特定 CAP（例如 CAP III）甚至检测到新 CAP 的机会可能会降低。这可能是因为特定的 CAP 可能很罕见，尤其是当它与一般人群中不常见的神经模式有关时，神经精神或神经系统症状可能是这种情况。另一个需要考虑的重要方面是将这项工作扩展到儿科和青少年样本，因为随着人脑的发育，CAP 的配置可能会有很大的不同。此外，在本研究中，我们专注于检查没有家庭关系的健康年轻参与者的 CAPs 模式。使用其他动态功能连接方法（例如，隐马尔可夫模型），已经表明大脑状态的 FO 是特定于受试者且高度可遗传的 [24]。在未来的工作中探索完整的 HCP S1200 数据集可能有助于解决这些问题，以及这些 CAP 和相关神经指标是否具有遗传性，并且在同卵双胞胎或异卵双胞胎之间更相似。
CAP 的生物学解释
一般来说，从 BOLD fMRI 信号衍生的 CAP 可以解释为不同大脑区域如何随着时间的推移同步和协调其活动的模式。本研究中确定的 3 个 CAP 代表了全脑共激活基序，可以在给定的时间和空间分辨率下在普通人群中可重复观察到。尽管这 3 个 CAP 具有正号和负号，可能无法涵盖所有可能的大脑状态，但值得注意的是，我们的结果收敛于这样一个可重复的低数字。虽然 CAP 分析取决于样本（受试者）的数量和时间点，但在这项研究中，通过发现的可重复性来确定 CAP 的数量来平衡这一限制。然而，我们承认人脑中 CAP 的真实数量可能超过本分析中确定的数量。未来使用更大数据集的研究可能会揭示其他可重复的大脑状态，包括罕见但一致的 CAP。导致 rs-fMRI 扫描期间个体可变性的潜在因素，例如极度焦虑、情绪高涨、静息态扫描期间的持续认知或身体疼痛，可能会影响 CAP 估计。详细研究这种变异性有助于识别以前被认为在较小样本中罕见或不可重复性的潜在基序，但在较大的数据集中可能会变得明显，例如来自 HCP-YA S1200 数据集或英国生物样本库的完整样本 [63]。
结论
了解大脑如何随着时间的推移产生共激活的神经活动模式，对于得出人类发生的可重复的全脑神经动力学模式至关重要。在这里，我们通过量化神经共激活的状态（主体内）和特征（主体间）方差成分来推进这一目标。我们通过利用嵌入在整个 rs-fMRI BOLD 信号范围内的丰富时空信息来做到这一点，它揭示了 3 个 CAP，它们反映了时变神经活动的全脑基序。至关重要的是，我们在组水平上展示了对空间 CAP 特征的可重复估计，在单受试者水平上展示了 CAP 状态的时间特征。我们发现 CAP 时间特征的不同参数，例如占用和持久性，可以一起研究并表示为状态或特征特征。反过来，我们表明低维神经特征空间捕获了 CAP 参数中的状态和特征变化，这反过来又表现出行为相关的特征。具体来说，在给定 CAP 中花费的时间更长、在 CAP 中持续的时间更长以及所有 CAP 之间过渡的差异更大，也表现出更高的认知功能、更好的情绪调节以及更低的酒精和物质使用。至关重要的是，占据特定 CAP 的个体特异性概率具有高度可重复性，并且与神经和行为特征相关。这突出了研究 CAP 衍生指标作为神经标志物的重要性，该标志物可能会随着心理健康症状而改变，并可能随着发育而变化。总的来说，这些结果显示了人类神经共激活动力学的可重复模式，它捕获了受试者内和受试者之间的差异，这反过来又映射到人们的功能性生活结果。
材料和方法
人类连接组计划 （HCP） 数据集 [45]
参与者从华盛顿大学（美国密苏里州圣路易斯）及周边地区招募。我们从 HCP 的 S1200 版本中选择了没有家庭关系的参与者，因此我们的分析共纳入了 337 名参与者。该数据集包含来自 180 名女性和 157 名男性的静息态 fMRI 数据，年龄范围为 22 至 37 岁（平均年龄 = 28.6，SD = 3.7），90% 为右撇子。在 WashU 的改进的 3T Siemens Skyra （Connectome Skyra） 上使用 32 通道头线圈收集全脑回波平面成像数据，重复时间 （TR） = 720 毫秒，回波时间 （TE） = 33.1毫秒，翻转角 = 52，带宽 = 2,290 Hz/像素，面内视场 （FOV） = 208 × 180毫米，72 个切片和 2.0 毫米各向同性体素， 多频段加速因子为 8。在 2 天内收集 rs-fMRI 血氧水平依赖性 （BOLD） 图像。每天收集 2 次 （14.5 min/run） rs-fMRI，具有相反的相位编码方向 （L/R 和 R/L）。受试者被指示睁大眼睛，注视十字准线。还收集了基于任务的成像数据，但未用于本研究。使用以下参数收集结构 MRI：T1 加权（0.7 mm 各向同性分辨率，TR = 2,400 ms，TE = 2.14 ms，翻转角度 = 8，面内视野 = 224 × 224）和 T2 加权（0.7 mm 各向同性分辨率，TR = 3,200 ms，TE = 565 ms，可变翻转角度，面内视野 = 224 × 224）。在 [64] 中查找有关数据集的更多详细信息。
数据预处理
我们使用以下步骤对 rs-fMRI 进行预处理，这些步骤对应于 HCP 联盟推进的步骤：（i） [65] 概述的“最小预处理”管道，其中包括强度归一化、相位编码方向非翘曲、运动校正和空间归一化为标准模板 MSMAll [66]，角度偏差惩罚 （ADP） 版本;（ii） 高通滤波 （0.009 Hz）;（iii） 用于去除伪影的 ICA-FIX [67]。接下来，每次运行中的“最低限度预处理”rs-fMRI 以连接信息学技术倡议 （CIFTI） 文件格式表示，该格式结合了皮层的基于表面的数据表示和皮层下灰质位置的基于体积的数据（即“灰度”）。使用 Workbench v1.2.3 和 Matlab 2014b （The Mathworks） 以及定量神经影像环境和工具箱 （QuNex） [23,47] 进行了其他分析。
先前专注于 CAP 分析的研究显示，CAP 特性在体素和区域水平上是一致的 [37,68]。为了在低维空间分析 CAP 并减轻 CAP 分析的计算负担，该分析处理聚类过程中的每个 3D 时间框架，我们应用了 Cole-Anticevic 脑网络分割 （CAB-NP） 分包[46]。CAB-NP 包裹由 （i） 180 个双侧皮质包裹（左半球和右半球共 360 个）组成，与人类连接组项目的多模态分割 （MMP1.0） 一致 [66];（ii） 使用静息态功能 BOLD 协变与皮质网络解决方案定义的 358 个皮层下包裹 [46]。为了在每次运行开始/偏移时消除任何潜在的伪影，从每个受试者的每次 rs-fMRI 运行中删除前 100 帧。为了在每次运行中标准化 rs-fMRI 数据，从每个时间序列中删除每次运行的平均值。随后，rs-fMRI BOLD 运行按采集顺序连接（rs-fMRI 运行 2-1-4-3，首先是 R/L，然后是 L/R），导致每个受试者的 rs-fMRI 数据阵列为 4,000 × 718 个。
CAP 分析
我们确定了整个大脑 rs-fMRI BOLD 信号在每个时间点的瞬时变化，并量化了个体之间共激活 （CAP） 的空间模式，以及 CAP 时间组织的个体变化 [33]。本研究中提出的分析框架在 S1 图中进行了描述，并使用 Python 3.6.15 使用 Yale 高性能计算资源实现。在每个排列中，N = 337 名受试者被随机分成 2 个大小相等的组 n = 168，不重叠的受试者。我们出于多种原因使用了 shuffled split-half resampling 策略。首先，将 K-means 聚类应用于整个样本的串联时间序列一次，可导致每个受试者的神经测量值为单一。使用这种简单的方法，无法量化来自各种样本人群的串联时间序列的 CAP 测量的个体可靠性。当受试者被包含在不同的样本人群中时，我们的方法允许估计每个受试者的神经测量的统计可重复性，从而减少潜在的抽样偏倚。此外，我们可以通过从拆分 1 数据训练神经行为模型并在剩余的拆分 2 数据上测试模型，使用相同的拆分半重采样方案进行神经行为关联分析的交叉验证。
在每个分割中，4， 000 × 718 个预处理的 rs-fMRI 数据阵列在受试者之间时间连接。使用 scikit-learn 1 对每个拆分数据执行以下步骤。3.2 与 Python 一起使用。（i） 清除具有过度运动的时间框架（帧位移 ˃ 0.5mm）[23,69,70]。HCP 最小预处理管道包括运动校正 [65];因此，我们避免使用过于保守的阈值进行运动划动，并在分析中保留了尽可能多的可能有用的帧。（ii） 使用 K-means 聚类算法和 Lloyd 算法，根据空间相似性对其余时间框架进行聚类，将聚类数 （k） 从 2 个变为 15 个。（iii） 估计最佳集群数。（iv） 使用具有最佳数的 K-means 解，通过对每个聚类内的时间框架进行逐个包裹平均，将 CAP 定义为聚类质心。
集群数量
虽然对聚类 k 数量的估计在 CAP 分析中至关重要，但该领域缺乏关于确定它的最佳标准的共识 [71]。早期的研究使用了从 6 到 30 的预定义任意数字，并报告了使用小 k 估计的 CAP 在使用较大 k 的结果中始终存在 [7,37,72]。有人认为，较大的 k 可能会降低集群的稳定性，例如，由于 rs-fMRI 采集持续时间短，将少量时间框架分配给集群时 [73]。Yang 和同事在组和个体水平分析中计算了聚类结果的剪影分数，从 k 到 21 不等，并选择 k = 4 作为权衡，以确保对时空动态的可靠估计 [55]。
为了找到一个最佳数字，我们使用了一种方法，该方法考虑了聚类数量和聚类内相似性之间的权衡（例如，剪影标准 [74]）。我们观察到轮廓得分随着 k 的增加而单调递减（S2 图），这与 Yang 及其同事的观点一致 [37]。在我们的研究中，为了确定最佳聚类数，我们将聚类数 （k） 从 2 变为 15。对于每个 k，使用 k-means++ 算法初始化 K-means 聚类，方法是根据点对整体惯性贡献的经验概率分布使用抽样来选择随机生成的质心。惯性定义为样本到其最近的聚类中心的平方距离之和。单次运行的最大迭代次数设置为 1000，以避免算法在完全收敛之前停止。使用每个 k 估计 K-means 解的轮廓系数。最后，通过对估计的 Silhouette 分数应用肘部方法来确定最佳数字。当我们使用 Python 的 kneed 包中的 KneeLocator 类观察到 Silhouette 分数的下降速率随着 k 的增加而发生显著变化时，定义了肘部点。
基础 CAP 生成
解决方案的发生率 （%） 的计算方法是：生成聚类的排列数除以排列总数 （1,000）。两种拆分中解决方案的共现率 （%） 由导致相同数量的聚类的排列数除以排列总数确定。参见 S4 中过程图的第 （1） 部分。
可以使用从排列中估计的 CAP 的凝聚分层聚类来获得一组基础 CAP，从而产生相同数量的聚类 （），如下所示。对于每个 split，我们首先表示 h麦克斯/1， 000 次排列得到解。（1） 我们收集 CAP （） 并将它们跨 h 连接麦克斯排列生成一个 （） 数组，其中 P 是地块的数量。（2） 将凝聚分层聚类应用于此数组，以根据空间相似性识别聚类。（3） 在每个集群中，每个宗地中的共同激活值在分配给同一集群的 CAP 之间取平均值，从而生成平均（基础）CAP。（4） 使用整个大脑中每个地块的平均值和标准差，将基础 CAP 的每个地块中的值归一化为 Z 分数。对所有簇重复步骤 （3） 和 （4），从而产生基础 CAP。参见 S2 图中图表的第 （2） 部分。
特定 CAP 的个体偏好
CAP 发生的概率，可以解释为个人对特定 CAP 的概率偏好，通过检查导致特定解决方案 k 的排列数量来量化。为此，我们比较了具有 k 个 CAP 涉及感兴趣 CAP 的概率和具有 k– 1 个 CAP 而不涉及感兴趣 CAP 的概率，假设跨排列对 k 个 CAP 的空间地形进行可重复估计，类似于比较完整模型和简化模型的方法。具体来说，在 1,000 个半分割排列中，一个主体参与了 p 的 1 个分割数据1排列 和 IN 拆分 2 数据 为 P2= 1， 000 –p1.那么，当只考虑从这些 p 中拆分 1 个数据时1permutations 的数组，我们可以计算导致 k 的排列数和导致 k-1 的排列数。在每个拆分中，对于每个受试者，我们计算差异（k 个 CAP 的出现）减去（k-1 个 CAP 的出现）来量化个体对特定 CAP 的偏好。为了将这些与行为变量（标准化）相关联，我们使用跨受试者的 Z 转换对个体对特定 CAP 的概率偏好进行了标准化。
神经测量的量化和运动的影响
占有率 （（FO（s， i）） ）定义为受试者每天在 CAP 状态 i 中度过的总时间范围 （#TR） 数，由受试者每天在任何 CAP 状态下度过的总时间范围数标准化。停留时间 （（DT（s， i， c））） 定义为在受试者 s 每天内占据相同 CAP 状态 i 的时间连续片段 c 的时间框架数 （#TR）。DT 的受试者内均值和方差、平均 DT（s， i）） 和 Var DT（s， i） 计算为受试者每天占据 CAP i 的所有连续片段的 DT 估计值的平均值和标准差。这些 CAP 测量是针对每个排列和每天的每个拆分数据分别估计的。请注意，在计算这些 CAP 测量值之前，会擦除过度运动 （FD ˃ 0.5 mm） 的时间框架 [47,69]。运动清理有助于最大限度地减少运动对 CAP 和 CAP 衍生措施分析的有害影响，但它可能会影响这些 CAP 措施的量化 [75]。虽然运动相关时间范围内的 CAP 状态仍然未知，因为在 CAP 识别之前执行清理，但如果运动相关时间帧之前和之后的时间帧占据相同的 CAP 状态，它们将合并为一个连续的片段。例如，如果一致的 CAP 状态（例如，[I，I，I]，真实 DT = 3）被高运动体积 M（例如，[I，M，I]）中断，则估计的 DT 将短于真实值（[I，I]，估计的 DT = 2）。相反，如果运动期间的 CAP 状态与之前和之后的状态不同 （[I，II，I]，三个段中的每一个的真实 DT = 1），则在划动 [I，I] 后将估计组合段的 DT，导致 DT = 2。为了验证我们的研究结果不受这种影响，我们调查了运动量（划动的时间框架的数量）和运动的持续时间（过度运动的连续时间框架的数量）。我们确定了 fMRI 时间序列涉及相对较高的运动的受试者，导致擦除了超过 5% 的总时间框架，并重复了排除这些受试者的整个分析。
神经降维
为了确定状态特征神经特征空间的主要几何形状，为每个个体估计 30 个神经特征：3 个神经测量 （FO、平均 DT 和变异 DT） × 5 个 CAP （I+、I-、II+、II- 和 III） × 2 天。这些神经特征是跨受试者收集的，以创建一个逐个受试者的矩阵。对这个逐个主题矩阵执行两次分析。首先，使用 scikit-learn 1 将凝聚分层聚类应用于特征矩阵。3.2. 使用带有欧几里得度量的病房连锁标准来最小化被合并集群的方差。使用树状图中最终合并的 70% 的距离截止值确定簇的数量。其次，将 PCA 应用于这个逐个主题矩阵，以估计识别子组的这个状态特征特征空间的主几何。
行为数据分析
行为数据的分析是使用 [23] 中描述的方法实现的。我们对 HCP S1200 不受限制和受限行为数据中 15 个行为域的 262 个变量进行了 PCA（S14 图）。本分析中使用的行为变量名称和相应域与 HCP 数据字典为 S1200 数据版本提供的变量名称相同。当年龄调整后和未调整的数据都可用时，我们仅使用年龄调整后的数据。为了研究第一个行为 PC 的个体分数与前 3 个神经 PC 的个体分数之间的关联，我们使用多元线性回归模型（行为 PC 1 ~ 神经 PC 1 + 神经 PC 2 + 神经 PC 3 + 年龄 + 性别）。通过计算部分 R 来评估神经 PC 和行为 PC 1 之间的关联2、回归系数 β 和标准误差 （SE）。回归系数的显著性是通过计算相应的 t 分数来确定的。部分 R2被定义为部分决定系数，该系数通过在将感兴趣的变量引入模型后平方和的比例减少来衡量。使用 Python 3.6.15 和 R Studio v.2022.12.0 进行可视化和统计分析。
道德声明
在收集 HCP 年轻成人 S1200 数据时，按照美国圣路易斯华盛顿大学机构审查委员会 （IRB） 的指示，每个参与者在第 1 天开始时在知情同意书上提供了他们的审查和签名 [45]。这项研究是根据《赫尔辛基宣言》中表达的原则进行的。KL、JLJ 和 AA 已获得 HCP 开放获取数据使用条款的认可，以访问所有 HCP 数据。KL 进一步获得了访问 HCP WU-Minn-Ox HCP 生成的受限数据的批准。这项工作中进行的所有分析均已获得美国康涅狄格州耶鲁大学 IRB 的批准（IRB 编号：1111009332）。这项工作 100% 基于人工努力，在本文的制作过程中没有使用人工智能 （AI） 辅助技术。
声明
KL 为 Manifest Technologies 提供咨询。AA 和 JDM 与 Neumora Therapeutics（前身为 BlackThorn Therapeutics）、Manifest Technologies 持有股权，并且是以下专利的共同发明人：Anticevic A、Murray JD、Ji JL：维度几何嵌入中神经行为关系的系统和方法 （N-BRIDGE），PCT 国际申请号PCT/US2119/022110,2019 年 3 月 13 日提交和 Murray JD、Anticevic A、Martin WJ：检测、诊断、预测、预测或治疗受试者神经行为表型的方法和工具，美国申请号 16/149,903，于 2018 年 10 月 2 日提交，美国 PCT 国际申请编号 18/054、009，于 2018 年 10 月 2 日提交。JLJ 是 Manifest Technologies 的员工，之前曾在 Neumora 工作，并且是以下专利的共同发明人：Anticevic A、Murray JD、Ji JL：维度几何嵌入中神经行为关系的系统和方法 （N-BRIDGE），PCT 国际申请号 PCT/US2119/022110,2019 年 3 月 13 日提交。CF 为 Manifest Technologies 提供咨询，之前为 RBNC（前身为 BlackThorn Therapeutics）提供咨询。GR 为 Neumora 和 Manifest Technologies 提供咨询并持有股权。LP 是 Manifest Technologies 的员工。JHK 持有 Biohaven Pharmaceuticals、Biohaven Pharmaceuticals Medical Sciences、Clearmind Medicine、EpiVario、Neumora Therapeutics、Tempero Bio、Terran Biosciences、Tetricus 和 Spring Care 的股权。JHK为AE研究基金会、Aptinyx、Biohaven Pharmaceuticals、Biogen、Bionomics， Limited（澳大利亚）、BioXcel Therapeutics、勃林格殷格翰国际、Cerevel Therapeutics、Clearmind Medicine、Cybin IRL、Delix Therapeutics、卫材、Enveric Biosciences、Epiodyne、EpiVario、Evidera、Freedom Biosciences、Janssen Research & Development、Jazz Pharmaceuticals、Leal Therapeutics、Neumora Therapeutics、Neurocrine Biosciences、Novartis Pharmaceuticals Corporation、Otsuka America提供咨询。制药、Perception Neuroscience、Praxis Precision Medicines、PsychoGenics、Spring Care、Sunovion Pharmaceuticals、Takeda Industries、Tempero Bio、Terran Biosciences 和 Tetricus。所有其他合著者均声明没有竞争利益。
支持信息
CAP 分析的工作流程。
显示 1/22： pbio.3002808.s001.tif
跳至 fig分享导航
很抱歉，我们无法加载您的数据。
1 / 22
下载
无花果分享
S1 图 CAP 分析的工作流程。
https://doi.org/10.1371/journal.pbio.3002808.s001
（TIF）
S2 图 K 的质量表示 CAP 分析中的聚类解决方案。
从拆分数据的 K-means 聚类解决方案中估计不同数量的聚类 （k） 的 Silhouette 分数。显示了 10 种排列的结果（每个排列中有 2 个分裂的一半）。使用 Silhouette 分数的肘部方法估计最佳 k 值，并以红色突出显示。
https://doi.org/10.1371/journal.pbio.3002808.s002
（TIF）
S3 图 跨排列出现 CAP。
（A） 1,000 次排列中每个拆分的 CAP 的估计数量 （k）。（B） 每次分样中 k = 4 或 k = 5 个溶液的发生率 （%）。（C） 两种分裂中 k = 4 或 k = 5 溶液的共现率 （%）。
https://doi.org/10.1371/journal.pbio.3002808.s003
（TIF）
S4 图 生成基础 CAP 集。
https://doi.org/10.1371/journal.pbio.3002808.s004
（TIF）
S5 图 基础 CAP 的空间模式彼此不同，并且可以使用拟议的洗牌半分分析进行重现。
（A） 每个分割半数据中基差 CAP 的空间模式。4-CAP 基集和 5-CAP 基集是独立于相同的半分模数据生成的，使用 1,000 次洗牌的分半重采样的分层聚类，如 S2 图 1 所示。（B） 拆分 1 数据（左）和拆分 2 数据（右）内 4-CAP 基集的空间相似性（r，相关系数）。为了可视化，R 值四舍五入到最接近的 2 位十进制数字。（C） 拆分 1 数据（左）和拆分 2 数据（右）内 5-CAP 基集的空间相似性。（D） 拆分 1 和 2 数据之间的 4-CAP 基集（左）和拆分 1 和 2 数据之间的 5-CAP 基集（右）的空间相似性。（E） 拆分 1 数据（左）和拆分 2 数据（右）内 4-CAP 基集和 5-CAP 基集之间的空间相似性。
https://doi.org/10.1371/journal.pbio.3002808.s005
（TIF）
S6 图 从两个拆分中估计的 CAP 的空间模式是可重复的，并且与至少一个基础 CAP 密切相关。
（A） 从左到右，使用核密度估计说明了所有估计的 CAP （EC） 和 4-CAP 基集中的每个基础 CAP （BC） 之间的 r 的边际分布。结果来自拆分 1 数据（上）和拆分 2 数据（下）。使用排序算法对每个 r 值进行颜色编码，以使用与 BC 的最大空间相关性来标记相应的 EC。（B） 从左到右，使用核密度估计来说明所有估计的 CAP 和 5-CAP 基集中的每个 BC 之间的 r 边际分布。
https://doi.org/10.1371/journal.pbio.3002808.s006
（TIF）
S7 图 当 CAP 状态 III 的空间地形在一个拆分中发现而不是在另一个排列中发现时，它是可重复的。
https://doi.org/10.1371/journal.pbio.3002808.s007
（TIF）
S8 图 单个 fMRI 时间框架与估计的基础 CAP（集群质心）之间的相关性分布，通过 K-means 聚类将各个时间框架分配给这些 CAP。
https://doi.org/10.1371/journal.pbio.3002808.s008
（TIF）
S9 图 单个平均 DT、var DT 和 FO 跨排列的稳定性。
https://doi.org/10.1371/journal.pbio.3002808.s009
（TIF）
S10 图 单受试者水平神经测量的日间可靠性。
散点图中的每个数据点都是一个主题。对于每个受试者，神经测量在排列中平均。
https://doi.org/10.1371/journal.pbio.3002808.s010
（TIF）
S11 图 正和负共激活模式之间时间组织的相似性。
CAP 状态 I 和 II 在阳性和阴性共激活状态（I+ vs. I- 和 II+ vs. II-）中具有相似的 FO、平均 DT 和 DT 方差。每个数据点都指示一个主题。所有排列和 2 天的时间度量值在每个受试者内取平均值。
https://doi.org/10.1371/journal.pbio.3002808.s011
（TIF）
S12 图 跨排列的 5 个 CAP 的 FO 的主体内方差。
https://doi.org/10.1371/journal.pbio.3002808.s012
（TIF）
S13 图 时空 CAP 动力学的单个神经测量的分布在亚组之间不同。
每个 CAP 状态的单个 FO 、均值 DT 和变异 DT 的分布由 3 个子组进行颜色编码。第 1 天和第 2 天数据的结果单独显示并在组间进行比较。每个数据点都表示一个主题。蓝线：使用组间双侧双样本 t 检验估计 5 个 CAP 中具有 Bonferroni 校正的 p 值，p邦<.001（粗体）和 p邦<.05（虚线）。
https://doi.org/10.1371/journal.pbio.3002808.s013
（TIF）
S14 图 行为变量列表。
行为变量名称与 S1200 数据版本的 HCP 数据字典提供的变量名称相同：HCP_S1200_DataDictionary_April_20_2018.csv。有关详细信息，请查看 https://wiki.humanconnectome.org/display/PublicData/HCP-YA+Data+Dictionary-+Updated+for+the+1200+Subject+Release。
https://doi.org/10.1371/journal.pbio.3002808.s014
（TIF）
S15 图 空数据是通过对行为数据中的单个主体进行随机排序而生成的。
部分 R 的 Null 分布2是针对神经行为关联模型中的每个预测因子进行估计的，该模型是根据 1,000 个半分割排列的拆分数据训练的。
https://doi.org/10.1371/journal.pbio.3002808.s015
（TIF）
S16 图 基于半排列的交叉验证，对从神经 PC 预测行为 PC 1 的预测模型进行交叉验证。
多元线性回归模型使用拆分 1 数据进行训练，并在每个排列中的拆分 2 数据上进行测试。空数据是通过对行为数据中的单个主体进行随机排序而生成的。用于生成结果的数据可以在 S3 数据中找到。
https://doi.org/10.1371/journal.pbio.3002808.s016
（TIF）
S17 图 重复神经行为关联的分析，排除高运动受试者并没有改变结果。
在 337 例受试者中，排除了 28 例过度运动 （FD ˃ 0.5mm） 的受试者。在 1,000 个排列中，随机选择一组受试者 （n = 154），并对这些受试者的神经测量进行 PCA。估计用于预测这些受试者行为 PC 的多元线性回归模型。空数据是通过对行为数据中的单个主体进行随机排序而生成的。用于生成结果的数据可以在 S5 数据中找到。
https://doi.org/10.1371/journal.pbio.3002808.s017
（TIF）
S1 数据。 用于生成图 3C 的数据。
提供了三个数据集，分别用于分数占用、受试者内平均值和停留时间的标准差。A 列：CAP 标识（0：CAP I+、1：CAP I-、2：CAP II+、3：CAP II-、4：CAP III）。列 B：拆分 1 或 2。C 列：排列指数 （1–1,000），D 列：类内相关系数 （ICC）。
https://doi.org/10.1371/journal.pbio.3002808.s018
（XLS）
S2 数据。 用于生成图 5 和 6 的数据。
表 1（行为 PC 加载）涉及 262 个行为变量（列）在行为 PC 1-15（行）上的加载。表 2（单个 PC 分数）涉及行为 PC 1-15（列）的单个主题（行）的分数。
https://doi.org/10.1371/journal.pbio.3002808.s019
（XLS）
S3 数据。 用于生成图 6、S15 和 S16 的数据。
（第 1-3 页）结果如图 6 和 S16 所示。（第 4-6 页）空数据会导致 S15 和 S16 图A-G 列涉及使用跨 1000 次排列的分割半数据集的第一次分析的结果。列 A （排列索引）。B-F 列：部分 R2针对神经 PC 1、神经 PC 2、神经 PC 3、年龄和性别进行估计。G 列：总体 R2.H-J 列涉及使用交叉验证的第二次分析的结果，其中来自 Split 1 数据的多元线性回归模型用于预测跨排列的相应 Split 2 数据中的单个行为 PC 分数。H 列：相关系数。列 I：相关系数的估计值 p。J 列：总体 R2.
https://doi.org/10.1371/journal.pbio.3002808.s020
（XLS）
S4 数据。 用于生成图 7 的数据。
A 列（子组-30nf）：使用 30 个神经特征为每个个体确定的子组。列 B （主题 ID）。C 列 （k5-k4 counts-mean12-z）：CAP III 发生的概率 （z）。D-F 列。神经 PC 上的个人分数 1-3。G 列 行为 PC 的个人分数 1.
https://doi.org/10.1371/journal.pbio.3002808.s021
（XLS）
S5 数据。 用于生成 S17 的数据 图 .
（第 1-3 页）结果不包括高运动的受试者。（第 4-6 页）Null 数据结果，不包括具有高运动的受试者。
https://doi.org/10.1371/journal.pbio.3002808.s022
（XLS）
确认
我们感谢 Zailyn Tamayo 和 Mara Heneks 在耶鲁大学医学院精神病学系神经认知、神经计算和神经遗传学 （N3） 部门对计算资源使用的技术支持。
引用
1.Power JD、Cohen AL、Nelson SM、Wig GS、Barnes KA、Church JA 等。人脑的功能性网络组织。神经元。2011;72(4):665–678.PMID：22099467
查看文章PubMed/NCBI谷歌学术
2.Dubois J， Adolphs R. 从 fMRI 建立个体差异科学。趋势 Cogn Sci. 2016;20(6):425–443.PMID：27138646
查看文章PubMed/NCBI谷歌学术
3.Rosenberg MD、Finn ES、Scheinost D、Papademetris X、Shen X、Constable RT 等人。来自全脑功能连接的持续注意力的神经标志物。国家神经科学。2016;19(1):165–171.PMID：26595653
查看文章PubMed/NCBI谷歌学术
4.Van Den Heuvel MP，Pol HEH。探索大脑网络：静息态 fMRI 功能连接综述。欧洲神经精神药理学。2010;20(8):519–534.PMID：20471808
查看文章PubMed/NCBI谷歌学术
5.Gaudes CC、Petridou N、Dryden IL、Bai L、Francis ST、Gowland PA。单试验 fMRI 粗体反应的检测和表征：无范式映射。嗡嗡脑 Mapp。2011;32(9):1400–1418.PMID：20963818
查看文章PubMed/NCBI谷歌学术
6.Tagliazucchi E， Balenzuela P， Fraiman D， Chialvo DR. 通过新颖的点过程分析揭示大规模脑 fMRI 动力学的重要性。前生理学 2012;3：15。PMID：22347863
查看文章PubMed/NCBI谷歌学术
7.刘晓波， 张 C， 杜恩 JH.将自发的大脑活动分解为不同的 fMRI 共激活模式。Front Syst 神经科学。2013;7:101.PMID：24550788
查看文章PubMed/NCBI谷歌学术
8.Rack-Gomer AL、Liau J、Liu TT。咖啡因会减少运动皮层中的静息态 BOLD 功能连接。神经影像学。2009;46(1):56–63.PMID：19457356
查看文章PubMed/NCBI谷歌学术
9.Laumann TO、Gordon EM、Adeyemo B、Snyder AZ、Joo SJ、Chen MY 等人。高度采样的个体人脑的功能系统和区域组织。神经元。2015;87(3):657–670.PMID：26212711
查看文章PubMed/NCBI谷歌学术
10.Gonzalez-Castillo J、Hoy CW、Handwerker DA、Robinson ME、Buchanan LC、Saad ZS 等人。使用简短的全脑功能连接模式跟踪个体的持续认知。美国国家科学院院刊 2015 年;112(28):8762–8767.PMID：26124112
查看文章PubMed/NCBI谷歌学术
11.戈登 EM、布里登 AL、比恩 SE、瓦迪亚 CJ。与工作记忆相关的功能连接变化在任务脱离之后仍然存在。嗡嗡脑 Mapp。2014;35(3):1004–1017.PMID：23281202
查看文章PubMed/NCBI谷歌学术
12.Lewis CM， Baldassarre A， Committeri G， Romani GL， Corbetta M. 学习塑造了静息人脑的自发活动。美国国家科学院院刊 2009 年;106(41):17558–17563.PMID：19805061
查看文章PubMed/NCBI谷歌学术
13.Tambini A， Ketz N， Davachi L. 休息时增强的大脑相关性与最近经历的记忆有关。神经元。2010;65(2):280–290.PMID：20152133
查看文章PubMed/NCBI谷歌学术
14.Munn BR， Müller EJ， Wainstein G， Shine JM.上升的唤醒系统塑造神经动力学以介导对认知状态的感知。Nat Commun.2021;12(1):6016.PMID：34650039
查看文章PubMed/NCBI谷歌学术
15.Lee K、Horien C、O'Connor D、Garand-Sheridan B、Tokoglu F、Scheinost D 等人。唤醒会影响调节大脑功能连接整合的分布式枢纽。神经影像学。2022;258:119364.PMID：35690257
查看文章PubMed/NCBI谷歌学术
16.Cross NE、Pomares FB、Nguyen A、Perrault AA、Jegou A、Uji M 等人。整合和分离的大脑活动平衡的改变是睡眠剥夺后认知缺陷的标志。PLoS 生物学 2021;19（11）：e3001232。PMID：34735431
查看文章PubMed/NCBI谷歌学术
17.Laumann TO、Snyder AZ、Mitra A、Gordon EM、Gratton C、Adeyemo B 等人。关于 BOLD fMRI 相关性的稳定性。大脑皮层。2017;27(10):4719–4732.PMID：27591147
查看文章PubMed/NCBI谷歌学术
18.Tagliazucchi E， Laufs H. 从典型的 fMRI 静息态数据中解码觉醒水平揭示了觉醒和睡眠之间的可靠漂移。神经元。2014;82(3):695–708.PMID：24811386
查看文章PubMed/NCBI谷歌学术
19.奥尔波特 GW。性格：心理学解释。1937;.
查看文章谷歌学术
20.Fleeson W， Jayawickreme E. 整体特征理论。J Res Pers. 2015;56:82–92.PMID：26097268
查看文章PubMed/NCBI谷歌学术
21.Finn ES、Shen X、Scheinost D、Rosenberg MD、Huang J、Chun MM 等人。功能性连接组指纹识别：使用大脑连接的模式识别个体。国家神经科学。2015;18(11):1664–1671.PMID：26457551
查看文章PubMed/NCBI谷歌学术
22.Smith SM、Nichols TE、Vidaurre D、Winkler AM、Behrens TE、Glasser MF 等人。种群协变的正-负模式将大脑连接、人口统计学和行为联系起来。国家神经科学。2015;18(11):1565.PMID：26414616
查看文章PubMed/NCBI谷歌学术
23.Ji JL、Helmer M、Fonteneau C、Burt JB、Tamayo Z、Demšar J 等人。沿精神病谱系绘制大脑-行为空间关系。Elife 的。2021;10.PMID：34313219
查看文章PubMed/NCBI谷歌学术
24.Vidaurre D、Smith SM、Woolrich MW。大脑网络动力学在时间上是分层组织的。美国国家科学院院刊 2017 年;114(48):12827–12832.PMID：29087305
查看文章PubMed/NCBI谷歌学术
25.Taghia J、Cai W、Ryali S、Kochalka J、Nicholas J、Chen T 等人。揭示在认知过程中调节表现和决策的隐藏大脑状态动态。Nat Commun.2018;9(1):2505.PMID：29950686
查看文章PubMed/NCBI谷歌学术
26.Shine JM、Breakspear M、Bell PT、Ehgoetz Martens KA、Shine R、Koyejo O 等人。人类认知涉及神经活动和神经调节系统的动态整合。国家神经科学。2019;22(2):289–296.PMID：30664771
查看文章PubMed/NCBI谷歌学术
27.Marek S、Tervo-Clemmens B、Calabro FJ、Montez DF、Kay BP、Hatoum AS 等人。可重复的全脑关联研究需要成千上万的人。自然界。2022;603(7902):654–660.PMID：35296861
查看文章PubMed/NCBI谷歌学术
28.罗森伯格医学博士，Finn ES。如何在没有数千个个体的情况下建立强大的大脑-行为关系。国家神经科学。2022;25(7):835–837.PMID：35710985
查看文章PubMed/NCBI谷歌学术
29.格拉顿 C、纳尔逊 SM、戈登 EM。大脑行为相关性：通往可靠性的两条途径。神经元。2022;110(9):1446–1449.PMID：35512638
查看文章PubMed/NCBI谷歌学术
30.Horien C、Noble S、Greene AS、Lee K、Barron DS、Gao S 等人。使用大型开源神经成像数据集的搭便车指南。Nat Hum 行为。2021;5(2):185–193.PMID：33288916
查看文章PubMed/NCBI谷歌学术
31.功能性大脑连接的个体差异：对精神疾病个性化方法的影响。对话 Clin Neurosci。2022.
查看文章谷歌学术
32.Kong R， Li J， Orban C， Sabuncu MR， Liu H， Schaefer A， et al.个体特异性皮层网络的空间地形可预测人类的认知、个性和情感。大脑皮层。2019;29(6):2533–2551.PMID：29878084
查看文章PubMed/NCBI谷歌学术
33.刘 X， Duyn JH.从自发性大脑活动的短暂实例中提取的时变功能 Gnetwork 信息。Proc Natl Acad Sci. 2013;110(11):4392–4397.
查看文章谷歌学术
34.Murray L， Maurer JM， Peechatka AL， Frederick BB， Kaiser RH， Janes AC. 使用共激活模式分析观察到的功能网络动力学的性别差异。认知神经科学。2021;12(3–4):120–130.PMID：33734028
查看文章PubMed/NCBI谷歌学术
35.Gaviria J， Rey G， Bolton T， Delgado J， Van De Ville D， Vuilleumier P. 情感和认知挑战后静息时的大脑功能连接动力学。Hum Brain Mapp 2021 年;42(4):1054–1069.PMID：33231916
查看文章PubMed/NCBI谷歌学术
36.Amico E、Gomez F、Di Perri C、Vanhaudenhuyse A、Lesenfants D、Boveroux P 等人。后扣带皮层相关的共激活模式：异丙酚诱导的意识丧失的静息态 FMRI 研究。公共科学图书馆一号。2014;9（6）：e100012。PMID：24979748
查看文章PubMed/NCBI谷歌学术
37.Yang H， Zhang H， Di X， Wang S， Meng C， Tian L， et al.功能性脑网络的可重复共激活模式揭示了精神分裂症中异常的动态状态转变。神经影像学。2021;237:118193.PMID：34048900
查看文章PubMed/NCBI谷歌学术
38.Bolton TA、Wotruba D、Buechler R、Theodoridou A、Michels L、Kollias S 等人。动态重新审视三重网络模型：精神病前期的低显著性网络状态切换。前生理学 2020;11：66。PMID：32116776
查看文章PubMed/NCBI谷歌学术
39.Kaiser RH、Kang MS、Lew Y、Van Der Feen J、Aguirre B、Clegg R 等人。青少年抑郁和反刍中异常的额岛默认网络动力学：初步的静息态共激活模式分析。神经精神药理学。2019;44(9):1604–1612.PMID：31035283
查看文章PubMed/NCBI谷歌学术
40.Belleau EL， Bolton TA， Kaiser RH， Clegg R， Cardenas E， Goer F， et al. 静息态脑动力学：与儿童性虐待和重度抑郁症的关联。神经影像：临床。2022 年：103164 PMID：36044792
查看文章PubMed/NCBI谷歌学术
41.Rey G、Bolton TA、Gaviria J、Piguet C、Preti MG、Favre S 等人。双相情感障碍中杏仁核连接的动力学：跨情绪状态的纵向研究。神经精神药理学。2021;46(9):1693–1701.PMID：34099869
查看文章PubMed/NCBI谷歌学术
42.Piguet C， Karahanoğlu FI， Saccaro LF， Van De Ville D， Vuilleumier P. 情绪障碍破坏了大脑静息状态网络的功能动力学，而不是空间组织。神经影像：临床。2021;32:102833.
查看文章谷歌学术
43.Ladwig Z， Seitzman BA， Dworetsky A， Yu Y， Adeyemo B， Smith DM， et al. BOLD 协波动“事件”是从静态功能连接预测的。神经影像学。2022;260:119476.PMID：35842100
查看文章PubMed/NCBI谷歌学术
44.Iraji A、Faghiri A、Fu Z、Kochunov P、Adhikari BM、Belger A 等人。超越冰山的 “CAP”：fMRI 中的内在连接网络不断参与和重叠。神经影像学。2022;251:119013.PMID：35189361
查看文章PubMed/NCBI谷歌学术
45.Van Essen DC、Smith SM、Barch DM、Behrens TE、Yacoub E、Ugurbil K 等人。WU-Minn 人类连接组项目：概述。神经影像学。2013;80:62–79.PMID：23684880
查看文章PubMed/NCBI谷歌学术
46.Ji JL， Spronk M， Kulkarni K， Repovš G， Anticevic A， Cole MW.绘制人脑的皮层-皮层下功能网络组织。神经影像学。2019;185:35–57.PMID：30291974
查看文章PubMed/NCBI谷歌学术
47.Ji JL， Demšar J， Fonteneau C， Tamayo Z， Pan L， Kraljič A， et al. QuNex– 用于可重复神经影像分析的集成平台。前 Neuroinform。2023;17:1104508.PMID：37090033
查看文章PubMed/NCBI谷歌学术
48.Bellec P， Rosa-Neto P， Lyttelton OC， Benali H， Evans AC. 静息态 fMRI 中稳定簇的多级自举分析。神经影像 2010;51(3):1126–1139.PMID：20226257
查看文章PubMed/NCBI谷歌学术
49.Lee K， Khoo HM， Lina JM， Dubeau F， Gotman J， Grova C. 内侧颞叶癫痫中脑网络枢纽的破坏、出现和偏侧化。神经影像：临床。2018;20:71–84.PMID：30094158
查看文章PubMed/NCBI谷歌学术
50.Lee K、Lina JM、Gotman J、Grova C. SPARK：基于稀疏性的大脑功能连接中可靠的 k 中心性和重叠网络结构的分析。神经影像学。2016;134:434–449.PMID：27046111
查看文章PubMed/NCBI谷歌学术
51.Noble S， Scheinost D， 警员 RT。功能连接的十年重测信度：系统评价和荟萃分析。神经影像学。2019;203:116157.PMID：31494250
查看文章PubMed/NCBI谷歌学术
52.Bolt T、Nomi JS、Bzdok D、Salas JA、Chang C、Thomas Yeo B 等人。对三种时空模式的整体功能性大脑组织的简洁描述。国家神经科学。2022;25(8):1093–1103.PMID：35902649
查看文章PubMed/NCBI谷歌学术
53.Zamani Esfahlani F、Jo Y、Faskowitz J、Byrge L、Kennedy DP、Sporns O 等人。皮层活动的高振幅协波动驱动功能连接。美国国家科学院院刊 2020 年;117(45):28393–28401.PMID：33093200
查看文章PubMed/NCBI谷歌学术
54.Karahanoğlu FI， Van De Ville D. 瞬态大脑活动在空间和时间重叠网络方面解开 fMRI 静息态动力学。Nat Commun.2015;6(1):7751.PMID：26178017
查看文章PubMed/NCBI谷歌学术
55.Yang H， Yao X， Zhang H， Meng C， Biswal B. 基于密集采样的静息态 fMRI 数据估计动态个体共激活模式，并利用它来更好地识别受试者。Brain Struct Funct.2023;228(7):1755–1769.PMID：37572108
查看文章PubMed/NCBI谷歌学术
56.Gordon EM、Laumann TO、Adeyemo B、Gilmore AW、Nelson SM、Dosenbach NU 等人。通过静息态功能相关性确定的大脑系统的个体特异性特征。神经影像学。2017;146:918–939.PMID：27640749
查看文章PubMed/NCBI谷歌学术
57.Li J、Bolt T、Bzdok D、Nomi JS、Yeo BT、Spreng RN 等。人脑中全局信号的地形和行为相关性。Sci Rep. 2019;9(1):14286.PMID：31582792
查看文章PubMed/NCBI谷歌学术
58.Leal PC， Goes TC， da Silva LCF， Teixeira-Silva F. 不同威胁情况下的特质与状态焦虑。趋势精神病学心理学家。2017;39:147–157.PMID：28813110
查看文章PubMed/NCBI谷歌学术
59.Saviola F， Pappaianni E， Monti A， Grecucci A， Jovicich J， De Pisapia N. 特质和状态焦虑在人脑中的映射方式不同。科学代表 2020;10(1):1–11.
查看文章谷歌学术
60.Moujaes F、Preller KH、Ji JL、Murray JD、Berkovitch L、Vollenweider FX 等人。朝着绘制人类迷幻神经生物学的神经行为异质性作图。生物精神病学。2022.
查看文章谷歌学术
61.Larsen B， Sydnor VJ， Keller AS， Yeo BT， Satterthwaite TD.皮层神经发育感觉运动关联轴的关键时期可塑性框架。趋势神经科学。2023. PMID：37643932
查看文章PubMed/NCBI谷歌学术
62.Luo AC、Sydnor VJ、Pines A、Larsen B、Alexander-Bloch AF、Cieslak M 等人。沿感觉运动关联轴的功能连接发展增强了皮层层次结构。Nat Commun.2024;15(1):3511.PMID：38664387
查看文章PubMed/NCBI谷歌学术
63.Bycroft C、Freeman C、Petkova D、Band G、Elliott LT、Sharp K 等人。具有深度表型分析和基因组数据的英国生物样本库资源。自然界。2018;562(7726):203–209.PMID：30305743
查看文章PubMed/NCBI谷歌学术
64.Smith SM、Beckmann CF、Andersson J、Auerbach EJ、Bijsterbosch J、Douaud G 等人。人类连接组项目中的静息态 fMRI。神经影像学。2013;80:144–168.PMID：23702415
查看文章PubMed/NCBI谷歌学术
65.Glasser MF、Sotiropoulos SN、Wilson JA、Coalson TS、Fischl B、Andersson JL 等人。Human Connectome 项目的最小预处理管道。神经影像学。2013;80:105–124.PMID：23668970
查看文章PubMed/NCBI谷歌学术
66.Glasser MF、Coalson TS、Robinson EC、Hacker CD、Harwell J、Yacoub E 等人。人类大脑皮层的多模态分割。自然界。2016;536(7615):171.PMID：27437579
查看文章PubMed/NCBI谷歌学术
67.Salimi-Khorshidi G， Douaud G， Beckmann CF， Glasser MF， Griffanti L， Smith SM. 功能 MRI 数据的自动去噪：结合独立成分分析和分类器的分层融合。神经影像学。2014;90:449–468.PMID：24389422
查看文章PubMed/NCBI谷歌学术
68.Janes AC， Peechatka AL， Frederick BB， Kaiser RH.人类连接组中瞬态静息态共激活网络的动态功能。嗡嗡脑 Mapp。2020;41(2):373–387.PMID：31639271
查看文章PubMed/NCBI谷歌学术
69.Power JD， Barnes KA， Snyder AZ， Schlaggar BL， Petersen SE. 功能连接 MRI 网络中的虚假但系统性相关性源于受试者运动。神经影像学。2012;59(3):2142–2154.PMID：22019881
查看文章PubMed/NCBI谷歌学术
70.Van Dijk KR， Sabuncu MR， 巴克纳 RL.头部运动对内在功能连接 MRI 的影响。神经影像学。2012;59(1):431–438.PMID：21810475
查看文章PubMed/NCBI谷歌学术
71.Vergara VM， Salman M， Abrol A， Espinoza FA， Calhoun VD.使用集群有效性索引确定动态功能连接中的状态数。J 神经科学方法。2020;337:108651.PMID：32109439
查看文章PubMed/NCBI谷歌学术
72.Zhang J， Huang Z， Tumati S， Northoff G. fMRI 衍生的全局信号地形的静息任务调节是由瞬时共激活模式介导的。PLoS 生物学 2020;18（7）：e3000733。PMID：32649707
查看文章PubMed/NCBI谷歌学术
73.使用多波段多回波成像提高动态功能连接的共激活模式分析的稳健性和可重复性。神经影像学。2021;243:118555.PMID：34492293
查看文章PubMed/NCBI谷歌学术
74.罗塞乌 PJ.剪影：用于解释和验证聚类分析的图形辅助工具。J Comput Appl Math. 1987 年;20:53–65.
查看文章谷歌学术
75.Bolton TA、Tuleasca C、Wotruba D、Rey G、Dhanis H、Gauthier B 等人。TbCAPs：共激活模式分析的工具箱。神经影像学。2020;211:116621.产品编号：32058000
查看文章PubMed/NCBI谷歌学术
您当前的位置：
