精準功能磁共振成像揭示個體化腦功能網絡組織*

周廣方 金 花1,,3

精準功能磁共振成像揭示個體化腦功能網絡組織*

周廣方2金 花1,2,3

(1教育部人文社會科學重點研究基地天津師范大學心理與行為研究院;2天津師范大學心理學部;3學生心理發展與學習天津市高校社會科學實驗室, 天津 300387)

精準功能磁共振成像(precision functional magnetic resonance imaging, pfMRI)是指在單個個體中收集大量fMRI數據的一種數據采集策略, 相較于傳統fMRI研究中針對每個被試采集少量數據, 之后通過組平均揭示認知過程的腦功能規律或是特定人群共享的腦功能特征的方法, 該方法的優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用。迄今為止, 眾多研究采用該方法從功能網絡組織的個體差異、個體識別、局部區域的功能定位、個體網絡樞紐的識別、個體功能網絡的發展與可塑性和臨床應用六個角度系統揭示了個體化的腦功能網絡組織, 這些研究成果對未來腦科學研究具有重要啟發。未來研究應該重點探討現有研究所揭示的個體功能網絡組織特點與行為表現的關系, 通過對數據分析和成像技術的改進減少該方法所需的掃描時間, 并嘗試將該方法應用到任務態fMRI和多模態數據的融合研究中。

精準功能磁共振成像, 腦功能網絡, 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, 在認知神經科學、心理學、醫學等領域取得眾多的研究成果, 揭示了從基本感覺到復雜認知過程的神經基礎。其中一個顯著成果是基于靜息態功能連接(resting state functional connectivity, RSFC)描述了人類的腦功能網絡組織, 如默認網絡(default mode network, DMN)、額頂網絡(frontoparietal network, FPN)等, 這些屬于同一功能網絡的大腦區域雖然可能在空間上存在分離, 但它們在時間上表現出高度相關的活動模式(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絡的功能障礙存在密切關系, 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, 這些基礎研究成果向臨床應用的轉化卻經常存在困難。其中, 一個主要原因是以往研究大多采用組平均研究設計, 雖然這種方式對于揭示大腦功能組織的一般規律具有重要意義, 但其在捕獲個體特征方面存在相當大的局限。

以往研究大多采用組平均設計主要是因為BOLD信號本身包含多種來源的噪音, 如：系統內自由電子的熱運動、生理(呼吸、運動)和非生理噪音等, 這導致標準掃描長度的(5～10分鐘)個體fMRI數據難以獲得可靠的結果(Liu, 2016)。然而, 基于心理測量學的視角, 隨機誤差分數變異在更大數據量時有更多的機會自我抵消, 因此真分數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, 對個體化的功能網絡組織特點進行探究, 這種方法被研究者稱作精準功能磁共振成像。Gratton, Kraus等(2020)在對采用精準功能磁共振成像方法的初期研究成果進行總結的基礎上, 提出該方法在促進研究成果的實踐轉化和臨床應用方面表現出良好的前景, 如識別經顱磁刺激(Transcranial Magnetic Stimulation, TMS)的個體特異性靶點、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, 提供生物標記識別高危患病個體, 等等。但該文完成于pfMRI方法發展的初期, 當時的研究成果較少(僅包含了功能網絡組織的個體差異、網絡變異兩方面的研究), 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絡組織, 取得了豐富研究成果, 目前尚缺乏對這些成果的系統梳理和總結。在此, 基于2020年及以后的相關文獻(占總pfMRI文獻數量的71.7%), 本文系統回顧了采用pfMRI方法揭示功能網絡組織的個體差異、個體識別、局部區域的功能定位、個體網絡樞紐的識別、個體功能網絡的發展與可塑性的研究成果及其臨床應用, 總結了現有研究的優勢和不足, 并在此基礎上提出了需進一步探索的方向, 為未來腦科學相關的基礎研究和實踐應用提供重要支撐。

2 pfMRI簡介

pfMRI本質上屬于一種數據采集策略, 即對單個被試進行長時間的fMRI掃描, 旨在為描繪個體大腦功能提供充分的高質量數據。此外, 在一些經典pfMRI數據集中, 通常包含多個模態的數據。如MyConnectome數據集包含了在18個月的時間跨度內單個被試的結構像[T1加權像、T2加權像和彌散張量成像(Diffusion Tensor Imaging, DTI)]、功能像(任務態和靜息態)、基因表達和新陳代謝指標(Poldrack et al., 2015); 午夜俱樂部(Midnight Scan Club, MSC)數據集則包含了10名被試的結構像[T1加權像、T2加權像、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(靜息態和任務態)和一組神經心理測驗(涉及智力、人格等方面) (Gordon et al., 2017)。另外需要指出的是, 雖然這些數據集包含了來自于多個模態的數據, 但現有的大多數pfMRI研究僅使用了靜息態數據以揭示個體的功能網絡特征。在這些研究中, 靜息態fMRI的掃描時間在0.4～32小時之間, 所采集的數據量在565 ～79360個時間點之間, 可見其在掃描時間和數據量上均高于傳統fMRI研究(一般為5～10分鐘)。同時, 為了進一步提高數據質量, 保證個體結果的穩定性, pfMRI研究對于頭動噪聲進行了較為嚴格的控制, 如在多數pfMRI研究的預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fMRI研究或是未采用此方法對頭動噪聲進行進一步的控制, 或是雖然運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fMRI方法, pfMRI對數據的數量和質量都提出了更高的要求。

但是, 長達數小時的數據量并不是pfMRI方法的必然要求。可能因為起初的pfMRI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定、可靠的個體化結果, 所以盡可能增加了掃描長度。因此一些研究者對fMRI數據量與個體結果穩定性的關系進行了探討。他們通常采用的方法是, 將來自同一個體的fMRI數據分成兩個部分, 以兩部分數據獲得的結果指標的相關性作為穩定性的指標(相關性越高表明結果越穩定), 進一步觀察結果穩定性隨著數據量的變化趨勢。Laumann等(2015)首先對大腦皮層功能連接矩陣的穩定性進行了探究, 發現至少需要40分鐘的低頭動數據才能獲得較為穩定個體結果(> 0.9)。Gordon等(2017)進一步探究了其他測量指標的穩定性, 如模塊化系數僅需要10分鐘的數據長度, 網絡分配(network assignment)和全局效率則需要90分鐘, 但100分鐘的數據也沒有使參與系數到達穩定(< 0.65)。還有研究進一步發現, 大腦皮層不同區域的功能連接穩定性也存在差異, 如使用30分鐘的數據, 只有28%的大腦區域表現出高于0.7的可靠性(Lynch et al., 2020)。相較于大腦皮層, 一些研究發現皮層下結構的功能連接穩定性通常更低, 因此對數據量提出了更高要求。如Marek等(2018)發現90分鐘的數據才能使小腦功能連接達到高可靠性; 而對于基底神經節和丘腦, 則需要100分鐘的數據(Greene et al., 2020), 這種對數據量的更高要求可能與這些區域較低的信噪比有關。此外, Raut等(2020)還發現相較于功能連接模式, 時間滯后結構(temporal lag structure, 大腦不同區域活動的時間進程)的穩定性更差, 需要100分鐘以上的數據才能獲得穩定的個體結果。除了以上研究所關注的掃描長度之外, 還有研究表明當掃描長度固定時, 增加掃描次數也能夠提高功能連接的可靠性(Bergmann et al., 2020; Noble et al., 2017), 因此重復測量的fMRI設計對于識別個體化的功能連接模式是非常有利的。總之, 以上結果說明pfMRI方法的數據量需求在不同大腦區域、不同結果指標、不同掃描次數之間存在較大差異。

3 個體化功能網絡組織

3.1 功能網絡組織的個體差異

Poldrack等(2015)首先對單個被試進行了長時間的fMRI追蹤掃描, 該研究以作者Poldrack為研究對象, 在18個月的時間跨度內收集了多個模態的數據。該研究不但揭示了個體功能網絡組織的穩定性和特異性, 并且證明這種個體化特點具有生物學意義(與新陳代謝和基因等指標存在相關), 導致眾多研究者關注到此領域并開展了深入研究。

起初, 研究者的主要關注點在于使用pfMRI方法探究個體的皮層功能網絡組織特征。Laumann等(2015)首先嘗試通過pfMRI方法對大腦皮層進行個體化的區域劃分(areal parcellation), 發現基于個體的區域劃分明顯優于組平均(基于120名被試的已有數據集劃分, Gordon et al., 2016; Wig et al., 2014)和AAL模板所定義的, 并且其與任務激活表現出高一致性(任務激活邊界與個體化區域劃分相似); 同時個體之間表現出較大的功能網絡變異, 這些變異主要集中在聯合網絡(association network, 如：FPN、DMN、帶狀蓋網絡(cingulo-opercular network, CO)和注意網絡(attentional network))。Gordon等(2017)為了推動這一新興研究領域的發展, 收集了10名被試的pfMRI數據(MSC數據集), 該研究在揭示功能網絡組織個體差異的基礎上, 進一步發現皮質髓鞘含量與功能網絡拓撲結構的個體差異相對應。除了人類大腦之外, Bergmann等(2020)發現老鼠的功能連接也表現出個體獨特性, 并且通過功能連接矩陣可以成功的對老鼠進行識別; 但與人類大腦不同的是, 老鼠皮層功能網絡組織的個體效應在感覺系統和聯合系統之間沒有差異, 而人類大腦的個體間變異主要集中在聯合系統。另外, Ren等(2021)對人類和恒河猴在聽覺皮層的變異進行了探究和比較, 主要發現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表現出與感覺運動皮層更強的功能連接, 高變異區表現出與額極更強的功能連接, 這說明聽覺皮層的低變異區可能參與了初級信息處理, 而高變異區可能參與了額葉的高階聯合加工。不僅局限于功能連接模式, 還有研究揭示時間滯后結構也存在個體間差異。但正如前面所提到的相較于個體功能連接模式, 時間滯后結構的穩定性更差, 因此獲得穩定的個體結果需要更大的數據量(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功能連接(又稱基于節點的功能連接, nodal functional connectivity, nFC)進行的, 該方法以節點作為大腦結構和功能的基本單元, 計算兩個節點活動的相關性。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絡邊(edge)之間的相互關系。然而, 在其他科學領域對網絡邊相互作用的分析已經為了解復雜系統的組織和功能提供了重要視角(Ahn et al., 2010; Evans & Lambiotte, 2009)。基于此, Faskowitz等(2020)提出一種以功能連接邊為基礎對個體大腦功能網絡進行研究的框架, 即大腦兩個區域之間活動相關性隨時間的展開被稱作“邊”, 兩條“邊”之間的相關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系統獨特的組織特點, 應該被視作互補的方法。此外, 該研究發現相較于nFC, eFC所具有的獨特優勢, 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絡結構(即將一個節點分配給不同的網絡, 這是nFC不能達到的)。在該研究之后, Jo, Zamani Esfahlani等(2021)對Faskowitz等人(2020)的研究結果進行復制, 并且進一步探討了基于eFC構建的重疊網絡在系統水平的個體特征。結果發現基于eFC所構建的重疊網絡也表現出了被試特異性, 并且變異集中在控制網絡、顳頂和背側注意網絡, 與nFC中的結果基本一致。研究者強調重疊網絡的發現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絡組織的一個關鍵原則。

已有研究證明, 皮層下結構與眾多精神疾病存在緊密關系, 如紋狀體、杏仁核、基底神經節等(Blumenstock & Dudanova, 2020; Li et al., 2015; Mink, 2001; Satterthwaite et al., 2016), 但因皮層下結構本身相對較小, 這就使這些結構的個體功能網絡組織特征更加容易被組平均方法所混淆, 進而導致基于組平均所得到的研究成果在向臨床轉化方面更加困難。因此除了前一部分與皮層功能網絡有關的研究之外, 還有一些研究者將研究興趣集中在皮層下結構的個體功能網絡組織特點。有研究發現小腦的功能網絡在個體之間存在差異, 如小腦功能網絡的位置和每個網絡所占據的面積, 并且小腦網絡在被試之間的變異比皮層區域更大; 另外, 與小腦通常被認為與運動相關的觀點相反, 80%的小腦都是與自上而下的監管功能有關的網絡(聯合網絡), 而運動網絡僅僅占據小腦面積的19.8% (Marek et al., 2018; Xue et al., 2021)。同樣, Greene等(2020)在基底神經節和丘腦中也發現了個體功能網絡的變異性, 并且與皮層研究的發現相似, 屬于控制網絡(如：FPN, 突顯網絡, 注意網絡)的區域表現出更大的被試間變異。對于杏仁核, Sylvester等(2020)通過pfMRI方法發現其存在三個子區：默認模式子區(default mode subdivision)、背側注意子區(dorsal attention subdivision)、非特異性子區(unspecified subdivision),這三個子區的的位置也存在個體間變異。三個子區是依據其與皮層的功能連接模式進行命名的, 如默認模式子區與DMN存在最強的功能連接, 但是這種獨特的功能連接模式在組平均的數據中被掩蓋。Zheng等(2021)也通過pfMRI方法將海馬體劃分為前后兩個區域, 其中海馬前部與DMN存在更強的功能連接, 而海馬后部與頂葉記憶網絡(parietal memory network, PMN)存在更強的功能連接, 并且這種功能劃分與基于解剖結構的劃分和任務激活相一致; 更為關鍵的是該研究發現在個體中前后兩個分區與皮層的功能連接模式分別與DMN和PMN的網絡邊界相對應, 但這種對應關系在組平均中同樣不明顯。Gordon等(2022)則對紋狀體的子網絡進行了劃分, 共識別出了10個子網絡, 這些子網絡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, 在連接強度上也表現為與額葉區域的連接更強。綜上, 這些研究一致的揭示了皮層下結構的功能網絡組織特征及其個體間變異性, 并且這些區域的變異比皮層區域更大, 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, 從而促進相關的研究成果向臨床應用轉化。

總之, 以上研究采用pfMRI方法從不同區域(大腦皮層和皮層下結構)、不同數據分析角度(nFC和eFC)均揭示了個體的功能網絡組織, 并證明了其在個體間的變異性。這些個體間功能網絡的變異主要出現在聯合網絡, 而且在不同的狀態下穩定存在。本部分的研究成果證明了pfMRI方法相對于組平均fMRI方法的獨特優勢, 即能夠穩定的揭示個體大腦特征; 另一方面, 本部分研究結果還提示, 以往組平均研究設計中所經常忽視的個體差異很有可能會混淆最終的研究結果, 因此需要研究者在研究設計或結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“網絡變異”部分。

基于上述研究可以發現大腦皮層和皮層下結構的功能網絡組織均存在個體間變異性。在此基礎上, 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域的特征進行研究, 并將這些區域稱作“網絡變異”。Seitzman等(2019)首先提出了該概念, 并且他們發現網絡變異在所有個體中均可觀察到, 但是變異出現的位置、大小和所屬的功能網絡在被試之間不同。但是網絡變異在被試之間也存在共性, 即經常出現在聯合網絡, 且變異位置的功能連接模式與其所屬的網絡身份相對應, 這與前一部分的研究結果相一致。在該研究之后, 一些研究者對網絡變異的各方面特征進行了深度考察。如, Perez等(2023)探究了網絡變異的半球不對稱性, 發現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量更多。而且不同功能網絡的變異在半球不對稱上也存在差異, 在DMN、CO和PMN中, 網絡變異主要位于右半球, 而在視覺、語言、外側軀體運動網絡(somatomotor lateral network, SML)、內側顳葉網絡(medial temporal lobe network, MTL)中, 網絡變異主要位于左半球, 研究者認為這可能與行為或者功能的不對稱有關, 如語言網絡偏向左側, DMN偏向右側(情境記憶)。Dworetsky, Seitzman, Adeyemo, Smith等(2021)根據網絡變異位置與其所屬經典網絡的距離, 將變異劃分為邊界擴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在右半球的背外側額葉區, 表現出與PMN, 背側注意網絡(the dorsal attention, DAN)和感覺運動網絡(sensorimotor networks)更強的連接, 而邊界擴張主要出現在顳頂聯合區的喙側和前額上側, 表現出與DMN, FPN和頂枕網絡(parieto-occipital network, PON)更強的連接。Kraus等(2021)則對任務態中的網絡變異進行了探究, 該研究發現網絡變異雖然存在一些狀態依賴, 但是在任務態和靜息態中, 變異點的體素數量、變異位置、網絡身份和功能連接模式基本一致, 說明了網絡變異的特質性。基于前人對網絡變異的研究成果, Dworetsky, Seitzman, Adeyemo, Neta等(2021)嘗試通過pfMRI數據集構建概率性腦網絡地圖(即在所有被試中, 同一個體素被確定為某個網絡的比例, 如在100個被試中, 20個被試被確定為默認網絡, 80個被試被確定為突顯網絡, 則其相應的比例為20%和80%)。通過該地圖發現, 14個經典網絡中都包含了高組間一致性的區域, 但是也存在低組間一致性的區域, 這些結果在多個數據集中均被成功復制。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, 并創建了一個點擊(point-and-click)工具, 通過該工具可以查詢153個ROI的具體坐標和皮層上每個體素所對應的網絡概率。總之, 本部分的研究在前人所揭示的功能網絡個體差異的基礎上, 進一步提出了“網絡變異”區的概念, 其代表了個體功能網絡與組平均網絡不同的區域, 并且證明了這種網絡變異的特質性, 闡明了網絡變異在半球不對稱性和變異類型上的特征。網絡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研究中應盡可能選擇低變異的區域作為興趣區; 或在對結果進行解釋時, 可結合Dworetsky, Seitzman, Adeyemo, Neta等(2021)提出的概率性腦網絡地圖, 將腦區的個體間變異程度作為一個考慮的因素。

3.2 基于個體功能網絡組織差異的個體、狀態識別研究

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絡組織具有個體特異性, 因此一些研究者嘗試進一步通過這種特征進行個體識別, 并取得了一定的成果。如, Wang等(2021)發現個體的功能連接模式能夠對新生兒進行識別, 其準確率甚至可以達到100%, 其中起主要貢獻的腦區主要位于高階腦系統(如：額葉皮層的內側和外側, 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變化)也可以產生良好的個體識別結果, 表現為較低的個體間相似性和較高的個體內相似性。另外, Jo, Faskowitz等(2021)發現當擁有充足數據的情況下(大約30分鐘), 基于eFC的被試識別表現甚至比nFC更優秀。但與nFC一致的是, 高水平認知系統(如控制網絡, 注意網絡和DMN)在基于eFC的個體識別中發揮著主要作用, 這支持了功能網絡的個體間變異主要發生在聯合網絡。除了對個體進行識別, 還有些研究者發現在任務狀態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狀態, 主要發現相較于不同被試訓練得到的分類器, 相同被試得到的分類器對任務狀態表現出更高的識別率, 該結果不但支持了不同任務狀態間大腦功能組織的差異, 而且表明了任務狀態在個體間的特異性, 即個體化的大腦組織不僅存在于靜息態中, 在任務狀態中也普遍存在。總結而言, 本部分研究從個體識別的研究視角進一步支持了功能網絡組織的個體差異, 并且證明了這種個體差異具有個體特質性, 為今后調查其與穩定的行為特征的關系奠定了基礎。

3.3 個體默認網絡的子網絡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域進行功能定位, 目前研究的主要關注點在DMN。關鍵原因是有研究者認為DMN可能存在功能不同的子網絡(Andrews-Hanna et al., 2010, 2014; Leech et al., 2011), 而組平均的數據可能會掩蓋劃分的細節, 不適用于對DMN子網絡的精確描述。因此一些研究者嘗試從個體出發探究DMN的網絡組織細節, Braga和Buckner (2017)首先在4名被試中均識別出DMN的兩個子網絡(網絡A和網絡B), 這兩個子網絡不但表現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。在此研究的基礎上, Braga等(2019)進一步采用7T fMRI (更高的分辨率)在個體中對DMN兩個子網絡的分布進行了探究, 發現兩個子網絡緊密并置并相互交叉, 驗證并補充了之前的結果。并且DiNicola等(2020)發現網絡A和網絡B表現出不同的任務激活模式, 對于網絡A, 所有被試均在情境預測任務中出現更高的激活; 而對于網絡B, 所有被試均在心理理論任務中出現更高的激活, 進一步說明DMN兩個子網絡的功能分離。Gordon等(2020)則對DMN進行了更為細致的劃分, 他們發現10個被試的DMN均可劃分為9個子網絡, 其中頂葉子網絡為DMN的中心, 連接向其他的子網絡, 并且這些網絡與任務激活存在較好的對應關系, 同樣支持了DMN內部不同區域的功能分離。此外, 還有研究者探究了DMN與其他網絡連接(FPN)的個體間變異, 發現最強的連接并不會表現出被試間的變化(10～20個連接, 通常為網絡內的連接), 而個體間變異主要出現在兩個網絡之間的連接(Oliver et al., 2019)。除了與DMN相關的研究之外, Suda等(2020)采用pfMRI方法對額下回(inferior frontal cortex, IFC)的子區進行了劃分, 主要發現IFC可分為6個區域, 包括腹后側IFC、背后側IFC、額下聯合區、中部IFC、中央前溝腹側、中央前溝背側, 其中在組水平和個體水平均發現了信號停止范式中的反應抑制與中部IFC模塊中更低水平的腦激活相關。總體上來看, 這些研究結果均說明了大腦功能劃分的精細性, 在同一系統的不同區域可能負責不同的功能。同時, pfMRI方法不但可以用于探究個體功能組織的特異性, 在大腦功能的精細定位方面也具有巨大潛力。

3.4 個體網絡樞紐的識別研究

網絡樞紐是指與其他區域具有高度功能連接的節點, 它們通常連接向多個大腦區域, 在網絡中處于中心地位, 研究者普遍認為這些樞紐在信息流的傳遞和整合方面發揮著重要作用(Sporns, 2013; Tomasi & Volkow, 2011; van den Heuvel & Sporns, 2013)。以往對于網絡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絡樞紐存在一種替代解釋, 即網絡樞紐所表現出的連接向多個節點的特征可能是由于個體之間功能網絡的差異所造成的, 并不真實存在(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絡樞紐, 以克服傳統組平均方法存在的局限性, 進一步對網絡樞紐的概念提供支持。Gordon, Lynch等(2018)首先基于參與系數對個體網絡樞紐進行了成功的識別, 支持了網絡樞紐在個體中的確真實存在。并且, 該研究通過聚類分析在個體中將發現的樞紐分成三類：控制?默認連接樞紐(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絡組織的影響也存在分離的效應。Smith等(2023)則對組平均識別的樞紐和網絡變異的位置進行了比較, 主要發現基于參與系數識別的組網絡樞紐與網絡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。這些研究結果均證明網絡樞紐在功能網絡中是真實存在的, 并不是來源于個體間功能網絡的變異性, 進一步支持并補充了組平均研究中有關網絡樞紐的發現。Lynch等(2019)則對個體右側額中回的樞紐進行定位, 并通過連續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表現的影響。該研究發現, 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, 當使用cTBS抑制樞紐的活動時會對任務表現產生干擾, 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。總體而言, 本部分研究成果表明pfMRI方法克服了傳統fMRI研究揭示腦網絡樞紐的局限性, 進一步支持了之前研究所提出的“網絡樞紐”的概念, 并且說明網絡樞紐在個體之間也存在變異性。

3.5 個體功能網絡發展與可塑性研究

以上介紹的研究結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分鐘高質量fMRI數據對功能網絡的發展性進行了探究。該研究發現, 不同年齡組被試的網絡變異較為相似, 這些變異位置通常具有一些獨特的特征, 如高水平的血流量和進化擴張、較低的皮質髓鞘含量; 但也存在一些功能網絡地形的差異, 如：動作網絡和視覺網絡的皮層表征隨著年齡增長而顯著下降。此外, 網絡地形的復雜模式可以對年齡進行高度準確的預測, 其中聯合網絡在年齡的預測中發揮著最主要的作用。在大腦功能組織的可塑性方面, Pritschet等(2020)對女性在整個月經周期內的激素水平與功能網絡的關系進行了探究, 發現隨著血清中雌二醇的增加大腦連通性也會增加, 這種關系主要表現在顳頂網絡; 并且兩天內的雌二醇含量能夠對功能連接進行預測。同時, 雌二醇與功能網絡地形也存在一定關系, 表現為雌二醇含量與一些網絡的參與系數或者全局效率相聯系(如DMN, DAN, 控制網絡和顳頂網絡)。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。該研究發現, 肢體約束導致了明顯的行為變化, 被約束肢體的使用率、抓握力和精細運動技能均顯著降低; 在腦功能組織方面, 左側軀體運動皮層中的上肢區域(L-SM1ue)與其他運動區出現明顯的分離, 并且在對應的上肢子環路(L-SM1ue, 左側輔助運動區和右側小腦)中出現自發活動脈沖。Newbold等(2021)在復制之前研究結果的基礎上進一步探究了可塑性的機制, 在肢體約束中大腦功能網絡的變化主要表現為L-SM1ue與帶狀蓋網絡(cingulo-opercular network, CON)的連接增加, 與軀體運動皮層其他區域的連接降低, 其中連接的增加主要是因為自發活動脈沖的出現(CON與L-SM1ue的自發活動脈沖可能與被棄用神經環路的正常維持和功能恢復的預備狀態有關), 其有助于保護神經環路免受因肢體約束導致的功能退化, 而與軀體運動皮層其他區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方法對個體功能網絡發展與可塑性的研究已經取得了初步進展, 揭示了個體大腦功能網絡組織的成熟過程、及其如何受到激素和環境因素的影響。但目前的研究尚存在一定局限, 需要未來研究進行解決。如, 在個體功能網絡的發展性方面, Cui等(2020)所使用的27分鐘fMRI數據依然是不足夠的。基于前面的介紹, 至少需要40分鐘的高質量數據才能獲得穩定的個體化結果。并且該研究所包含的年齡跨度也不足, 未能將嬰幼兒、中年、老年時期的功能網絡變化納入考察(Gratton, Smith, & Dorn, 2020)。因此, 未來發展性研究的一個重要方向應該是針對單個被試收集更多的高質量fMRI數據, 同時考慮增加發展性研究的年齡跨度, 精確地描繪出大腦功能網絡在人的一生中是如何發展變化的。在個體功能網絡的可塑性方面, 目前的研究主要聚焦在施加的行為操縱或者月經周期對正常個體功能網絡的影響, 卻少有研究關注神經系統疾病患者功能網絡的變化以及各種治療手段對其功能網絡的改善, 此方面的研究對于神經系統疾病的預防、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 臨床應用研究

自pfMRI方法被提出后, 一些研究者認為其在臨床應用中可能存在巨大潛力, 促使部分研究者在此方面進行了初步研究。其中一個主要方向是在TMS治療中個體化刺激靶點的定位。以往研究發現當刺激與亞屬扣帶回皮層(subgenual cingulate cortex, SGC)呈更強負相關的背外側前額葉皮層(dorsolateral prefrontal cortex, DLPFC)區域時, 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均表現出了與SGC的負向功能連接, 并且靶點位置在一年內都較為穩定, 但在不同的個體中靶點位置存在差異, 不過該方法一個明顯的局限是需要較多的fMRI數據(20分鐘以上)。同時, Cash, Cocchi, Lv和Zalesky (2021)雖然沒有采用pfMRI數據, 但他們發現通過13分鐘的fMRI數據所獲得的個體化靶點就能夠顯著的提高治療效果, 表現為實際刺激目標和個體化靶點之間的距離與治療效果存在顯著的負相關關系, 但實際刺激目標與組平均目標之間的距離與治療效果無顯著相關。結合Cash, Cocchi, Lv, Wu等(2021)采用pfMRI方法對個體化刺激靶點的穩定定位, 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所需要的最少掃描時間(優于組平均數據確定的刺激靶點)進行了探究。首先對于DLPFC-SGC的負向連接, 無論健康被試還是抑郁癥患者, 均需要40分鐘以上的fMRI數據才能夠獲得優于組平均目標的個體化靶點; 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分鐘的數據才能夠獲得優于組平均目標的個體化靶點, 該研究結果說明不同區域的個體化刺激靶點確定所需要的數據量也不同, 這可能與之前提到的不同功能網絡的個體間變異性的差異有關。Lynch等(2022)在前人研究的基礎上, 提出了一種新的確定個體化TMS刺激靶點的方法：靶向功能網絡刺激(targeted functional network stimulation, TANS), 該研究在模擬和現實情境中均證明相較于傳統方法(根據同一MNI坐標確定刺激位置)和ADM方法(在單一的球形興趣區中發現能夠最大化電場強度的刺激位置), TANS方法不僅增加了對與目標區域的刺激, 而且還降低了對非目標區域的刺激, 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絡特征進行了探究。如, Gordon, Scheibel等(2018)探究了外傷性腦損傷(traumatic brain injury, TBI)與白質完整性、RSFC和創傷后應激障礙(posttraumatic stress disorder, PTSD)的關系, 該研究主要發現個體功能連接強度的減少與PTSD癥狀的嚴重程度相聯系, RSFC與白質完整性可以共同解釋PCL-5分數總變異的41%。Laumann等(2021)則探究了圍產期中風患者的功能網絡組織特點, 發現中風患者的初級運動皮層出現損壞, 并且在運動任務中的腦區激活出現明顯后移。同時患者的功能網絡也進行了重新組織, 這主要發生在額葉和頂葉的聯合區域。綜上所述, pfMRI方法在臨床領域已表現出良好的應用前景和治療效果, 在未來對患者的診斷和治療中應該予以重視。

4 總結與展望

總之, pfMRI方法在探究功能網絡組織的個體差異、個體識別、局部區域的功能定位、個體網絡樞紐的識別、個體功能網絡的發展與可塑性和臨床應用方面均取得了一定的研究成果, 表現出相較于組平均的fMRI研究的獨特優勢, 對于揭示大腦認知的基本原理和重大腦疾病的診斷和治療具有重要意義。但此領域的研究在關注問題和方法上還存在一定的局限性, 有待未來進一步的研究解決, 如較少有研究探討個體功能網絡組織與行為的關系、pfMRI方法需要較長的掃描時間、pfMRI在任務態研究和多模態數據的融合研究中的應用目前較少等。

4.1 個體功能網絡組織特點與行為的相關

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絡組織的個體特異性, 這些研究成果提醒研究者在科研和臨床應用中應重視腦功能方面的個體差異, 具有重要的理論和實踐意義。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絡是否存在個體特異性, 卻未能將這些特征與個體實際的行為表現相聯系。即使有少量研究者關注到此問題, 也僅僅是對個體腦網絡特征與行為的相關性進行了探索性的研究, 并沒有將其作為一個重點進行深入考察(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行的, 在結果的穩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絡特點與行為表現的關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, 大多研究者所公認的一個局限是需要較長的掃描時間。如前所述, 達到皮層功能連接的可靠估計至少需要40分鐘的低頭動數據, 而皮層下結構和時間滯后分析所需要的數據量則更高。這就導致了至少兩個問題, 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出增加的頭部運動), 這給數據收集過程增加了難度(Gratton, Kraus, et al., 2020)。第二, fMRI掃描費用較高, 長時間的數據收集也不夠經濟。總之, 該局限是pfMRI方法推廣和應用一個嚴重阻礙。

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、提高數據質量。如, 將數據收集分為幾個較短的階段(Bergmann et al., 2020; Noble et al., 2017), 或者在數據收集過程中采用在線頭動運動估計(Dosenbach et al., 2017)等。此外, 有關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的數據量需求, 即探索通過少量數據獲得較為穩定的個體化結果的方法。關于此, 近期一些研究已取得了重要的進展。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)估計個體化皮層網絡, 發現當只使用10分鐘的數據時, 所得到皮層劃分的同質性就與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絡劃分表現出與任務激活更好的對齊。另外, 有研究發現多回波序列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生物學的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行了驗證, 發現10分鐘的多回波序列fMRI數據結合主成分分析(Kundu et al., 2012)去噪方法就可獲得較為穩定的個體功能連接估計。另一個方面為增加單位時間內fMRI掃描所獲得的數據量, 即在同等掃描時間下獲得更多的數據量, 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技術可以達到此目的(Glasser et al., 2013; Miller et al., 2016), 該技術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所收集到的fMRI數據量。如當設置多波段加速因子為4時, 可以使傳統2秒的重復時間(Repetition Time, TR)縮短至四分之一, 從而使在相同時間內收集到的數據量增加三倍。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據。總體上來看, 目前研究者已經嘗試通過頭動控制、數據分析方法和fMRI成像方法的改進來克服pfMRI研究中掃描時間過長的問題, 并取得了初步進展。但是未來此方向仍需進一步的探究, 如在減少pfMRI數據量需求所進行的探索中, Kong等(2019)和Lynch等(2020)的方法是否也適用于eFC、網絡變異等其他測量的估計目前還未有研究進行驗證; 在另一方面, 可用于增加單位時間內fMRI掃描所獲得數據量的多波段技術可能也存在降低數據信噪比的問題, 并且這種情況隨著多波段加速因子的增加而愈加嚴重(Risk et al., 2021; Srirangarajan et al., 2021)。然而pfMRI的數據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該探究pfMRI的數據量需求與多波段加速因子之間的關系, 找到兩者之間的平衡點, 從而達到縮短pfMRI的掃描時間的目的。總之, 這些問題的解決對于pfMRI方法的普遍應用無疑具有重要意義。

4.3 嘗試將pfMRI應用到任務態fMRI研究中

截至目前, 大多數采用pfMRI方法的研究針對的是靜息態fMRI數據, 主要關注點也局限在腦功能網絡, 導致該現象的主要原因還是在于該方法對數據量的要求較高。在本文所綜述的研究中, 大多采用的是網絡上公開的pfMRI數據集, 這種數據共享大大降低了研究者在科研過程中的成本, 但實現類似的任務態fMRI數據集創建較為困難(因為針對不同的科學問題, 存在任務類型或者任務細節上的差異)。此外, 在任務狀態下對被試進行長時間的fMRI掃描也并不容易。如：任務要求、噪音等因素經常導致參與者難以忍受長時間的fMRI掃描。因此, 僅有少量任務態的研究采用了pfMRI方法, 如Salehi等(2020)揭示了不同任務狀態間功能網絡組織的差異性, Porter等(2023)進一步通過功能網絡組織進行了任務狀態的識別, 但這兩項研究的主題依然局限在腦功能網絡組織。而近期, Mei等(2022)收集了6名被試在進行知覺敏感性任務時的pfMRI數據(每名被試約6個小時), 揭示了無意識信息加工的神經基礎, 證明意識加工和無意識加工所涉及的腦區存在一定程度的重疊(如額?頂皮層, 該區域在之前組平均的研究中被認為是意識加工對應的區域), 該研究是將pfMRI方法應用于任務態fMRI研究的一個重要突破, 顯示出該方法的獨特優勢。因此未來應針對恰當的科學問題, 結合4.2部分提到的減少pfMRI掃描時間的數據采集(多階段掃描)、數據分析和成像技術, 嘗試將pfMRI方法應用到任務態fMRI研究中, 以促進該方法在腦科學研究中的普及和應用。

4.4 pfMRI與多模態數據的融合研究

正如我們在本文第二部分所提到的, 目前一些經典的pfMRI數據集通常包含多個模態的數據(如, 結構像、行為評估、基因表達和新陳代謝指標), 但是目前大多數研究卻只關注了靜息態數據, 只有少量研究對多模態數據進行了探索性的整合分析。如Poldrack等(2015)發現靜息狀態下的功能連接與部分基因表達模塊和人體內的氨基酸濃度存在高度相關, Gordon等(2017)的研究結果也提示功能網絡組織的個體差異很有可能源于大腦結構的變化。雖然在這些研究中, 研究者對其所獲得的多模態整合分析結果并沒有進行深入討論和分析, 但是他們的重要意義在于啟示我們這些不同模態數據之間的潛在關系, 促使研究者基于不同的科學問題產生新的有意義假設, 推動新的pfMRI與多模態數據融合的研究。未來這一方向的研究不僅可以通過多個模態數據的相互驗證進一步提高pfMRI的可靠性和準確性, 而且多個模態信息的相互補充可以加深我們對大腦基本功能及其原理的理解和認識。

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

* 國家自然科學基金項目(31971021)。

金花, E-mail: jinhua@mail.tjnu.edu.cn