特征相似性：捕捉脑区与网络功能交互以支持灵活行为的敏感方法

《Communications Biology》：Feature similarity, a sensitive method to capture the functional interaction of brain regions and networks to support flexible behavior

本研究针对传统功能连接方法难以捕捉任务依赖性脑网络交互的局限，提出了特征相似性新方法。通过整合7000多个时间序列特征，FS方法成功揭示了背侧注意网络在工作记忆与长期记忆任务中与不同脑网络的动态交互模式，为理解大脑认知灵活性提供了更敏感的工具。

　　

大脑是一个高度动态的系统，复杂行为源于分布式脑区之间的相互作用。然而，传统神经影像方法通常只关注相互作用的单一维度，如时间相关性，难以全面捕捉大脑功能交互的多维特性。这种局限性导致现有方法在追踪任务依赖性的脑网络动态交互时可靠性不足，迫切需要一种更全面的方法来捕捉上下文依赖的功能相互作用。

针对这一挑战，中国科学院心理研究所王秀怡等研究人员在《Communications Biology》上发表了题为"特征相似性：捕捉脑区与网络功能交互以支持灵活行为的敏感方法"的研究论文。该研究引入了一种名为特征相似性的新方法，通过整合大量可解释的时间序列特征，为研究大脑网络相互作用提供了更强大的工具。

研究人员开发的特征相似性方法基于hctsa库中的7000多个可解释时间序列特征，包括自相关、熵、方差和偏度等。FS通过计算两个脑区特征剖面之间的Pearson相关系数来定义，从而捕捉脑区之间底层动力学剖面的相似性。与传统的功能连接和49种统计成对相互作用指标相比，FS对任务调制的敏感性更高。

研究采用了三个数据集：人类连接组计划的静息态功能磁共振成像数据，以及约克大学收集的工作记忆和长期记忆任务数据。关键技术方法包括个体化脑区划分、功能连接矩阵构建、特征相似性矩阵计算、维度缩减分析和统计成对相互作用指标比较。特别值得注意的是，研究使用了多会话分层贝叶斯模型来估计个体特异性脑区划分，确保跨个体脑区可比性。

区域属于相同内在功能网络比属于不同网络具有更大的FS

研究发现，无论是静息状态还是任务状态下，同一功能网络内的脑区在特征相似性上都表现出比不同网络脑区更高的相似性。这一发现验证了FS方法能够有效捕捉传统的功能连接所识别的内在网络结构。

FS揭示了FC之外独特的组织原则

通过维度缩减分析，研究发现FS和功能连接共享两个主要成分，但也存在独特成分。FS的第一主成分与内在时间尺度梯度图显著相关，而这一成分在传统功能连接分析中未被捕获，表明FS能够提供功能连接之外的有意义信息。

FS在不同任务间表现出比FC更大的变异

研究比较了不同任务间FS和功能连接矩阵的相关性，发现功能连接矩阵在不同任务间表现出更高的相关性，而FS矩阵的相关性较低。这一结果表明FS对任务差异更为敏感，能够捕捉更细微的任务特异性交互模式变化。

FS捕获了FC未能捕捉到的跨任务网络交互模式

最为关键的发现是，FS成功揭示了背侧注意网络在工作记忆任务中与视觉网络的交互更强，而在长期记忆任务中与默认模式网络的交互更强。这种任务依赖的双重分离现象是传统功能连接和49种统计成对相互作用指标中的46种所未能检测到的。

FS捕获了大多数SPI未能捕捉到的跨任务网络交互模式

研究进一步比较了FS与49种统计成对相互作用指标的性能，发现只有3种SPI部分复制了FS观察到的双重分离现象，而大多数SPI要么缺乏任务敏感性，要么只能检测到单一分离。这一结果突显了FS在检测细微脑网络交互方面的独特优势。

研究结论表明，特征相似性方法通过整合广泛的可解释时间序列特征，为理解脑网络相互作用提供了方法论上的重要进展。FS不仅能够捕捉任务依赖的细微调制，还能恢复稳定的组织原则，为重新分析现有功能磁共振成像数据集、解决不一致性以及完善认知灵活性理论提供了敏感框架。

该研究的重大意义在于提供了一种能够捕捉传统方法难以检测的细微脑网络交互变化的工具，为解决先前研究中的不一致发现提供了新途径。随着神经影像方法和实验设计的不断发展，特征相似性有望成为研究大脑网络交互适应性的敏感框架，推动认知神经科学领域对大脑动态功能组织的深入理解。