IF36.1｜239种功能连接算法全面基准测评

不同FC算法得到的脑网络差异巨大，选对方法才能问对问题。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

静息态功能磁共振成像（fMRI）是研究脑功能连接（FC）的主流手段，通常用皮尔逊相关来度量脑区间的同步活动。但FC本质上是一个统计构造，没有物理实体，因此如何估计FC是一个主观的方法学选择。文献中存在大量成对交互统计量，包括非线性、时滞、逆协方差等方法，它们可能捕捉不同的神经生理机制。然而，绝大多数研究默认使用皮尔逊相关，缺乏对不同FC方法系统性的比较和基准测试，这限制了我们对脑功能组织的理解，也阻碍了针对特定研究问题优化FC算法的能力。

科学问题

卡在哪里： 此前研究多集中于单一或少数几种FC方法，缺乏在大规模方法库上系统比较不同统计量对FC网络拓扑、几何、生物学对应关系以及个体差异预测的影响。

本文要回答： 本文系统基准测试239种成对交互统计量，评估它们在枢纽映射、距离依赖、结构-功能耦合、生物学网络对齐、个体指纹和脑行为预测等方面的表现。

技术路线

作者主要用了：pyspi、239种成对统计量、HCP数据集、结构连接、生物学网络、信息分解。

作者利用pyspi工具包从49种成对交互度量中衍生出239种统计量，应用于HCP 326名健康年轻人的静息态fMRI数据。首先计算所有统计量之间的相似性矩阵，揭示方法家族聚类；然后系统评估每种统计量生成的FC矩阵在多个经典特征上的表现，包括枢纽分布、与物理距离和结构连接的关系、与多模态生物学网络的对应、个体指纹和脑行为预测；最后利用信息分解框架分析不同统计量捕捉的信息流模式。

图 1　Fig. 1。图1展示了239种成对统计量之间的相似性矩阵，按统计家族聚类。顶部矩阵显示组平均相似性，直方图显示相似性值分布。底部展示了8个代表性FC矩阵，可见不同统计量生成的网络组织差异明显，如块状结构程度不同。

核心亮点

亮点 1｜FC方法家族聚类明显

239种统计量之间的相似性矩阵显示，它们形成与统计家族对应的聚类。协方差类与相关、距离相关、互信息等高度相似，而与精度、距离、熵等呈负相关。不同统计量生成的FC矩阵在组织上差异显著，例如块状结构的程度不同。这表明选择不同的FC计算方法会得到网络配置迥异的脑网络。

图 2　Fig. 2。图2a显示每种统计量的边权重概率密度，部分高度偏斜。图2b显示每个脑区在每种统计量下的加权度排名，精度类统计量在默认网络和额顶网络有突出枢纽。图2c和2d分别显示与物理距离和结构连接的相关系数，可见跨统计量变异很大。

亮点 2｜枢纽分布随方法变化

不同统计量生成的FC矩阵中，加权度（枢纽强度）的分布存在显著差异。大多数统计量在背侧注意、腹侧注意、视觉和躯体运动网络显示高加权度，但精度类统计量则在默认网络和额顶网络检测到更突出的枢纽。此外，边权重的概率密度也因统计量而异，有些高度偏斜，有些更均匀，反映了拓扑组织的差异。

图 3　Fig. 3。图3展示FC矩阵与五种生物学相似性网络的相关性，包括基因表达、层状相似性、受体相似性、电生理连接和代谢连接。其中与受体相似性和电生理连接的相关性最强，与代谢连接较弱。精度类统计量普遍对齐较好。

亮点 3｜结构-功能耦合差异巨大

所有统计量中，FC与物理距离的负相关强度在|r| 0.1到0.3之间变化，而结构连接与FC的耦合强度（R²）从0到0.25不等。精度、随机交互和虚部相干等统计量表现出最强的结构-功能耦合。这表明即使是被广泛报道的基本网络特征，其效应大小也高度依赖于FC的定义方式。

图 4　Fig. 4。图4a显示个体指纹的可识别性指数，精度类统计量表现最佳（>2.1），协方差类次之（~1.5）。图4b显示脑行为预测的准确性热图，不同统计量对不同行为组分的预测能力差异显著，认知和烟草使用预测较好。

亮点 4｜与生物学网络对齐程度不一

将每种FC矩阵与基因表达、层状相似性、神经递质受体、电生理连接和代谢连接等生物学网络进行相关分析，发现与受体相似性和电生理连接的对齐最强，而与FDG-PET代谢连接的对齐较弱。精度类统计量再次表现出与多种生物学相似性网络的紧密对齐，表明它们可能捕捉更直接的神经交互。

图 5　Fig. 5。图5a为整合信息分解框架示意图，图5b列出16种信息流原子，图5c显示每种统计量中16种信息流原子的相对贡献。大多数统计量以冗余信息存储为主，但少数统计量捕捉到信息迁移、加密等更复杂模式。

亮点 5｜个体指纹和预测能力差异显著

个体指纹分析显示，协方差类统计量的可识别性指数约为1.5，而精度类统计量超过2.1，表现最佳。在脑行为预测中，协方差、精度和信息论类统计量对认知和烟草使用的预测较好，而光谱类统计量表现较差。预测性能与指纹能力呈正相关，表明方法选择对个体差异研究至关重要。

亮点 6｜信息流模式分解揭示机制差异

利用整合信息分解（ΦID）将成对交互分解为16种信息流原子，发现大多数统计量主要捕捉冗余信息的存储，但某些统计量如相位滞后值、传递熵和协整等则捕捉信息迁移、复制、去重以及加密/解密等更复杂的信息动态。这表明不同FC方法对信息处理机制的敏感性不同，为选择方法提供了机制层面的依据。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： pyspi、239种成对统计量、HCP数据集、结构连接、生物学网络、信息分解
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事脑功能连接分析、方法学比较或脑网络建模的研究人员。

带走一句

没有一种FC方法适用于所有问题，应根据研究目标选择统计量；精度类方法在多项基准中表现突出，值得优先尝试。