《Human Brain Mapping》：Replicability of Functional Brain Networks: A Study Through the Lens of Seven Resting-State Networks
编辑推荐：
脑网络的研究对于增进研究人员对人类大脑功能的理解至关重要。功能连接（FC）分析是一种广泛使用的方法，通过估计大脑区域间的时间依赖性并构建无向网络来研究共激活模式。在估计受试者的功能网络之前，数据处理至关重要，但缺乏标准化流程导致结果异质性，特别是在多站点研究中
脑网络的研究对于增进研究人员对人类大脑功能的理解至关重要。功能连接（FC）分析是一种广泛使用的方法，通过估计大脑区域间的时间依赖性并构建无向网络来研究共激活模式。在估计受试者的功能网络之前，数据处理至关重要，但缺乏标准化流程导致结果异质性，特别是在多站点研究中。常见研究的功能网络包括默认模式、感觉运动、视觉、突显、背侧注意、额顶叶和语言网络。这些网络是稳定的，并且当个体处于静息状态时仍表现出内在激活，使其成为研究处理选择如何影响功能连接网络可重复性的理想网络。研究人员使用上述七个网络来评估各种处理选择（包括预处理流程、带通滤波和脑区划分）对多站点静息态fMRI（rs-fMRI）数据（来自自闭症脑影像数据交换（ABIDE））功能连接估计值可重复性的影响。最后，研究人员针对研究人员在面对这些影响时应如何处理选择提供了一些实用建议。
**论文解读：处理选择对静息态功能网络可重复性的影响**
**研究背景与问题**
可重复性与可再现性是科学进步的核心，神经影像学领域同样如此。功能性磁共振成像（fMRI）数据分析前需经过多个预处理步骤，尽管存在广泛共识的基本步骤（如时间层校正、空间标准化、异常值去除），但方法选择与步骤顺序的灵活性导致可能的工作流呈组合爆炸式增长。这种灵活性被称为“研究者自由度”，它不仅影响数据分析结果，也影响数据预处理的可重复性。此外，许多fMRI研究统计功效较低，小样本量是常见问题。多站点研究虽能增加样本量，但也引入站点间变异，即便扫描参数经严格质控，站点效应依然存在，削弱样本量优势。
功能连接（FC）分析是研究大脑区域间时间依赖性的流行方法，但预处理、时间滤波和脑区划分等处理选择会显著影响其可重复性。已有研究表明预处理流程选择（如Carp, 2012; Luppi et al., 2024）、带通滤波（如Shirer et al., 2015; Sala-Llonch et al., 2019）和脑区划分（如Luppi et al., 2024; Messé, 2020）均对FC估计产生影响，但多数研究仅关注单个或两个因素，且样本量有限。因此，本研究旨在系统评估预处理流程、带通滤波与脑区划分这三个处理选择对多站点静息态fMRI数据中七个常用静息态网络FC网络可重复性的影响，包括主效应与交互效应。
**关键技术方法**
研究使用来自自闭症脑影像数据交换（ABIDE I）数据集的静息态fMRI（rs-fMRI）数据，包含17个国际站点，共539名自闭症谱系障碍（ASD）患者和573名对照。分析仅纳入神经典型右利手对照受试者，并基于帧位移（FD）<0.2 mm及手动质检进行质量控制，最终样本量因处理组合而异（最大539名对照，部分组合因缺失值减至268名）。关键方法包括：（1）线性混合效应模型（LMM），分别对每个边（edge）建模，用于量化预处理流程（CCS、CPAC、DPARSF、NIAK）、0.01–0.1 Hz带通滤波与否以及脑区划分（AAL、CC200、CC400、DOS160、EZ、HO、TT）的固定效应及交互效应，同时纳入站点和受试者随机效应；（2）均匀流形逼近与投影（UMAP）降维可视化网络空间分布；（3）基于Frobenius范数和网络肖像散度（portrait divergence）的受试者内网络变异性分析，并通过非参数自助法构建基线分布；（4）使用ComBat协调方法控制站点批效应，验证结果的稳健性。
**研究结果**
**3.1 处理选择的边级相对效应（LMM）**
通过全模型（含所有主效应与交互效应）的Type III方差分析，发现预处理流程和脑区划分是解释FC变异的主要因素，而带通滤波的主效应及交互效应均较弱。流程与划分的交互效应显著，尤其是NIAK流程与部分图谱（如DOS160、HO）的组合导致FC估计值偏离其他组合。排除NIAK后，流程主效应大幅减弱，但带通滤波效应略有提升。
**3.2 功能网络块结构随流程与图谱的变化**
计算各流程-图谱组合下平均网络内相关与网络间相关之差，用以评估块结构强度。结果显示，CPAC流程结合CC400图谱产生的块结构最清晰（差值0.2346），而NIAK流程在所有图谱中均产生最弱块结构。CC200、CC400和DOS160图谱比AAL、EZ、HO、TT图谱更有利于保留网络块结构。
**3.3 预处理流程效应**
**3.3.1 UMAP可视化**：全网络（435条边）UMAP投影显示，NIAK流程的点显著分离于CCS、CPAC、DPARSF三者，后三者高度重叠，仅个别聚类显示CPAC与DPARSF存在细微差异。
**3.3.2 受试者内网络变异性**：Frobenius范数和肖像散度的密度分析表明，NIAK与其他流程的比较远离基线分布，说明同一受试者使用NIAK处理产生更大网络变异。CCS、CPAC、DPARSF两两比较的分布接近基线，表明变异性较小。
**3.4 脑区划分效应**
**3.4.1 UMAP可视化**：CC200与CC400聚类一致；AAL与EZ相似；DOS160、HO、TT各自占据独特空间。每个图谱对应两个聚类，第二个聚类均为NIAK流程，进一步证实流程-划分交互效应。
**3.4.2 受试者内网络变异性**：Frobenius范数显示AAL与EZ、CC200与CC400比较与基线高度重叠，表明一致性高；DOS160与其他图谱的比较偏离基线最大。肖像散度结果类似，但AAL、EZ、HO、TT四者之间差异更小，表明这些图谱在整体网络拓扑上一致性高。
**3.5 ComBat协调后的效应再评估**
经ComBat协调站点效应后，主效应与交互效应的结果保持不变，流程、图谱及其交互效应仍为主导，验证了结果的稳健性。
**总结与结论**
本研究表明，预处理流程和脑区划分选择显著影响功能连接估计，二者之间存在交互效应，而0.01–0.1 Hz带通滤波的影响有限。特别是NIAK流程产生的FC估计值与其他流程差异显著，导致网络可重复性降低；CCS、CPAC、DPARSF三者间一致性较高。图谱选择方面，CC200、CC400和DOS160更有利于保持网络块结构，但具体选择应依据研究目的。研究强调，研究者自由度在fMRI预处理中普遍存在，必须充分披露和论证处理选择，以提升可重复性与可再现性。标准化工具（如fMRIPrep）和共享数据标准（如BIDS）的推广有助于减少变异。
研究结论：本研究利用大规模多站点fMRI数据，考察了预处理流程、带通滤波和脑区划分对七个常用功能网络内功能连接估计的下游影响。研究人员发现，预处理流程和脑区划分选择显著影响连接估计（既包括主效应也包括交互效应），而带通滤波效应有限。研究结果凸显了清晰阐述和论证预处理方法的重要性，因为研究者自由度确实适用于fMRI数据的预处理，并影响结果的可再现性与可重复性。虽然在fMRI研究中全面拥抱开放科学实践存在一些独特障碍，但可重复和可再现的研究实践对于推动领域发展和确保可靠的科学进步至关重要。
