跨脑图谱网络统计量转换工具TACOS：实现脑连接组多中心研究的标准化分析

本研究针对神经影像学研究中因使用不同脑图谱导致的网络统计量不可比问题，开发了TACOS（Transform brAin COnnectomes across atlaSes）工具。通过建立基于解剖信息的线性转换模型，该研究实现了17种脑图谱间结构（r=0.32-0.95）和功能网络（r=0.57-0.95）统计量的跨图谱转换，成功应用于精神分裂症多中心数据的标准化分析。这项发表于《Communications Biology》的研究为脑连接组学的跨研究比较和元分析提供了重要方法学突破。

　　

在神经科学研究领域，脑连接组学（connectomics）正以前所未有的速度发展，为理解大脑功能和疾病机制提供了全新视角。然而，这个蓬勃发展的领域却面临着一个看似简单却影响深远的问题：不同研究团队使用各异的脑分区图谱（atlas），导致研究结果难以直接比较。就像试图用不同语言编写的词典来翻译同一篇文章，即使描述的是相同的大脑连接模式，由于"词汇表"（脑图谱）的差异，最终得到的"译文"（网络统计量）也大相径庭。这个问题严重阻碍了多中心研究的整合分析，使得宝贵的神经影像数据难以发挥最大价值。

针对这一方法学挑战，来自中国科学院自动化研究所等机构的研究团队在《Communications Biology》发表了创新性解决方案。研究人员开发了TACOS（Transform brAin COnnectomes across atlaSes）工具，通过建立基于解剖信息的数学模型，首次实现了不同脑图谱间网络统计量的直接转换。这项研究不仅解决了脑连接组学领域的标准化难题，更为精神分裂症等脑疾病的跨研究比较提供了统一分析框架。

研究团队采用了多项关键技术方法：利用人类连接组计划（HCP）1053名受试者的扩散加权成像（DWI）和静息态功能磁共振（rs-fMRI）数据作为训练集；基于17种常用脑图谱（包括DK-114、HCP-MMP等）构建结构/功能连接矩阵；采用线性模型计算图谱间转换参数；使用1000组替代统计量验证转换效果；最后在5个精神分裂症队列（共780人）中验证实际应用价值。

参数估计模块的建立
研究首先构建了两个线性转换模块：第一个模块通过计算源图谱与目标图谱区域间白质纤维束（white matter fibers）的重叠比例，建立个体水平纤维数量的转换方程；第二个模块则整合第一个模块的参数和组间差异信息，实现网络统计量（如t值）的跨图谱转换。这种分层建模策略既考虑了微观解剖基础，又保留了宏观统计特性。

替代统计量验证
在人类连接组计划数据上的测试显示，TACOS转换后的结构网络t统计量与真实值具有高度相关性（r=0.32-0.95）。特别值得注意的是，从高分辨率图谱（如nspn500）向低分辨率图谱（如DK-114）转换时效果最佳（r=0.82±0.02），而反向转换则相对困难。功能网络的转换同样表现出色（r=0.57-0.95），且不受全局信号回归处理的影响。

跨人群验证
在中国人类连接组计划（CHCP）数据上的独立验证表明，TACOS参数具有良好泛化能力。结构网络转换相关性保持在r=0.59±0.03（DK图谱）至r=0.94±0.01（DK-219图谱）之间，证明该方法适用于不同人群。

精神分裂症实际应用
研究团队收集了5个精神分裂症队列（364患者/416对照）的多中心数据。通过TACOS转换后的元分析显示，结构网络效应量（Cohen's d）与真实值高度一致（r=0.57-0.94）。特别在临床最关注的效应较强连接（|d|>0.2）中，转换后效应量的中位数（0.21±0.04和-0.25±0.04）与真实值（0.23和-0.22）几乎相同。功能网络的转换效果更为突出（r=0.75-0.95），且在其他8种精神疾病（如阿尔茨海默病、自闭症等）中也表现稳定。

这项研究开创性地解决了脑连接组学研究的标准化瓶颈。TACOS工具的创新价值体现在三个方面：方法学上，首次建立了不依赖原始数据的网络统计量转换框架；技术上，同时支持结构（基于DWI）和功能（基于rs-fMRI）连接组；应用上，已验证适用于精神分裂症等多种脑疾病研究。研究提供的开源工具（Python/MATLAB版本）将极大促进神经影像数据的共享与整合。

尽管存在某些局限（如对低分辨率图谱转换效果有待提升），TACOS仍代表了脑连接组分析方法学的重要进步。正如研究者Yongbin Wei和Martijn P. van den Heuvel所强调的，这项工作"为网络神经科学的开放科学铺平了道路"。未来，随着更多疾病特异性参数的加入和图谱转换精度的提高，这项技术有望成为多中心脑科学研究的标准分析工具，加速我们对大脑连接与疾病关系的理解。