个体独特性与共享原则：功能连接梯度中网络复杂性与离散度驱动的脑组织特征

本研究通过静息态功能磁共振成像(rs-fMRI)技术，解析了功能连接梯度(Functional Connectivity Gradients)在个体识别与群体共享模式中的双重作用。团队利用杭州大学重测数据集，首次系统评估了前三个连接梯度的时空稳定性，发现异模态网络(Heteromodal Networks)因高离散度而具有更强的个体识别率，同时揭示了第一梯度(感觉-异模态分离轴)和第二梯度(视觉网络分离轴)的跨被试一致性。该研究为脑功能组织的个体化预测与群体比较提供了新视角，发表于《Brain Structure and Function》。

　　

脑科学领域长期存在一个核心谜题：人脑如何在共享的基本组织结构框架下，产生独特的认知和行为特征？就像指纹一样，每个人的大脑连接模式既有共性又具个性，但驱动这种个体独特性的神经机制尚不明确。传统研究多关注离散的脑网络分区，而近年来兴起的功能连接梯度(Functional Connectivity Gradients) 技术，通过数据驱动的维度降维方法，将复杂的全脑连接模式映射为连续的低维空间坐标，为解析这一难题提供了新思路。

以色列海法大学集成脑与行为研究中心(IBBRC)联合法国国家科研中心等团队，在《Brain Structure and Function》发表的最新研究中，创新性地将连接组指纹识别(Connectome Fingerprinting) 方法与梯度分析相结合。研究人员利用中国杭州师范大学提供的30名被试、间隔1个月的重测rs-fMRI数据，发现：1）前三个连接梯度在短期（3天）和长期（30天）均保持高度稳定性（平均r>0.79）；2）第一梯度（感觉-异模态分离轴）的个体识别准确率最高（30天达80%）；3）网络离散度（梯度系数方差）而非单纯网络层级位置，是预测个体独特性的关键因素——这一发现在Yeo和Cole两种脑分区方案中均得到验证。

关键技术方法：研究采用fMRIPrep 20.2.3进行标准化预处理，通过BrainSpace工具箱计算顶点级（20,484个）功能连接矩阵，采用90%稀疏度阈值构建相似矩阵后，分别用主成分分析(PCA)和扩散嵌入(Diffusion Embedding)提取前五个梯度，最后通过Procrustes对齐实现跨被试比较。指纹识别采用Finn等人提出的"胜者全得"算法，通过1000次置换检验评估统计显著性。

主要研究结果：

梯度映射呈现基于连接模式相似性的三维空间
第一梯度再现了经典的感觉-异模态层级，默认模式网络(DMN)与感觉运动网络(SMN)、视觉网络(VN)分居两端；第二梯度突出视觉系统特异性分离；第三梯度则呈现高级认知网络(DAN/FPN)与DMN的拮抗。个体数据虽保持整体模式，但系数离散度存在可检测的时程变化（如图1c所示）。

连接梯度具有跨时间稳定性
所有梯度在短/长期间隔均显示高组内相关性（G1: r=0.90/0.80），指纹识别准确率显著高于置换检验基线（p_BON<0.006）。值得注意的是，第一与第三梯度的组内/组间相关性比值显著高于第二梯度（F(2,58)=48.85），提示前者更适用于个体化预测（如图2所示）。

网络特性决定识别效能
异模态网络（如DMN、FPN）在第一、三梯度中的识别准确率显著高于单模态网络（p_BON<0.001），而第二梯度中高阶视觉区(VIS2) 表现突出（76.67%）。关键发现是：离散度与准确率呈强相关（Yeo分区r=0.79，Cole分区r=0.67），表明网络整合程度（而非单纯层级位置）是决定性因素（如图5所示）。

研究结论与意义：
该研究首次系统论证了功能连接梯度在刻画个体脑功能"指纹"中的双重价值：第一梯度作为稳定的群体共性指标，适用于跨组比较；而第三梯度因更高的个体变异性，可能更适合行为预测。更重要的是，发现网络离散度这一全新维度——反映区域连接模式的分布广度——比传统网络分类更能解释个体独特性，这为理解"认知灵活性神经基础"提供了新证据。

从转化应用角度看，该成果为精神疾病生物标志物开发提供了方法论启示：抑郁症等疾病相关的梯度压缩(Gradient Contraction) 现象，可能源于关键网络离散度的异常降低。研究团队建议未来工作应联合多梯度信息，并探索离散度与特定认知特质（如创造力）的关联，以充分发挥这一框架在精准医学中的潜力。