PsyBrain 脑心前沿 / 神经技术与方法：顶刊文献解读专题 / A · 文献解读 / A048 · NatNeurosci耶鲁团队从传统fMRI噪声中挖掘个

A048 Nat Neurosci | 耶鲁团队从传统fMRI噪声中挖掘个体差异的隐藏信号

来源：公众号 PSY-Brain_Frontier ｜发布：2025-11-15 ｜原文链接

PsyBrain 脑心前沿 | 公众号 PSY-Brain_Frontier

一键关注，点亮星标 ⭐️

不错过每日前沿资讯

认知神经科学前沿文献分享

基本信息：

Title:Connectome caricatures remove large-amplitude coactivation patterns in resting-state fMRI to emphasize individual differences

发表时间：2025.11.3

Journal:Nat Neurosci

影响因子：20.0

获取原文：

后台回复“文献”即可获取PDF版本
点击页面底部“阅读原文”即可跳转论文原网页

省流总结

本研究提出了一种新的功能连接分析方法——connectome caricaturing，旨在从静息态fMRI数据中去除由任务诱发的高振幅共激活模式（high-amplitude coactivation patterns, CAPs），以揭示更稳定且个体特异的信息结构。作者利用HCP、CNP、Yale TRT和Yale Transdiagnostic 四个大型数据集，构建任务共激活模式的低维流形，并将静息态信号投影到其正交子空间，从而生成“caricatured connectomes”，进而便于后续的个体化分析。

结果显示，该方法能显著降低个体间相似性（即减少群体共性），提高多变量可靠性和个体可识别性，同时更好预测行为特征（年龄、IQ、BMI、性别等）。这一发现表明，传统被视为“噪声”的低振幅信号部分实际上包含重要的个体差异信息，为理解大脑内在功能架构提供了新的视角。

研究背景及动机

静息态fMRI的功能连接主要由短暂但强烈的共激活事件驱动，这些事件在时间上稀疏却决定了整体连接结构，并且与任务激活模式高度相似。然而，这类高振幅事件仅占总信号的少部分，导致静息态数据的可靠性与预测性较低。传统理论尝试通过两种方式解释个体差异：

“Spotlight”策略：强调共性，通过任务诱发强一致性激活，从而增加群体间相似度；
“Caricature”策略：夸大个体特征，减少群体共性，使个体差异更明显。

在此基础上，先前研究者多采用主成分分析（PCA）保留方差最大的模式，假定这些高振幅模式最具信息量。但这可能掩盖了低振幅、非主导信号中潜藏的个体特异信息。作者因此假设：若将静息态信号投影到与任务共激活流形正交的空间，或许可以去除群体共有模式，从而凸显有意义的、具有个体差异的特征。

实验假设与方法逻辑

本文有三个核心假设：

1. 静息态信号包含两部分——任务样式共激活（高振幅模式）与内在功能架构（低振幅模式）。

2. 去除共激活模式后剩余信号将更好表征个体特异性与行为差异。

3. Caricatured connectomes 将表现出更低的个体间相似性但更高的多变量可靠性与预测效能。

基于这三个假设，作者使用HCP、CNP、Yale TRT及Yale Transdiagnostic这四个数据集进行分析。其中HCP与CNP含多任务fMRI数据，用于构建任务共激活模式的流形；TRT用于可靠性验证；Yale Transdiagnostic用于外部验证及电影任务比较。研究流程包括以下逻辑步骤：

1、定义任务流形：将多任务fMRI时间序列拼接并构建协方差矩阵，通过特征分解提取群体层面的共激活模式（即高方差特征向量）。

2、构建正交投影矩阵：删除前若干（如5个）主导特征向量，得到正交投影矩阵。

3、生成“caricatured”时间序列：将静息态fMRI时间序列逐时点投影至该正交空间，去除任务样式共激活成分。

4、生成功能连接图谱：对正交化后时间序列进行节点相关计算，生成“caricatured connectome”。

5、多维分析与验证：评估个体内/间相似性、可靠性指标（fingerprinting、discriminability、ICC）以及行为预测（CPM模型）。

整体分析框架如下图所示：

Fig. 1 | Caricaturing overview

在此流程中，作者采用Minor Component Analysis (MCA) 而非前人广泛使用的PCA，从而保留小方差成分并舍弃主导成分。这种方法强调以往被视为“噪声”的部分，系统探讨其在个体差异中的作用。

核心发现

发现一：Caricatured connectomes 显著降低

个体间相似性

去除任务样式共激活后，个体间相似性大幅下降、个体内相似性同步下降但幅度更小，从而凸显个体差异。作者首先用多任务fMRI（HCP与CNP）构建群体层面的任务共激活低维流形，对静息态时间序列逐时点进行正交投影，生成“caricatured”连接图谱；随后在HCP、CNP与Yale TRT三套数据上，比较投影前后的个体内/间相似性分布。结果显示，HCP与CNP构成的流形均能使静息态连接在个体间相似性下降约40–53%，个体内相似性下降约26–42%，并在TRT上复制（多次抽样/配对t检验与Bonferroni校正）；这表明通过剔除群体共有的高振幅共激活模式，保留下来的信号更具个体特异性，从机制上契合作者“caricature”策略的预期。

Fig. 2 | Connectome similarity.

发现二：多变量可靠性显著提升

尽管单边（edge-level）ICC下降，但多变量可靠性显著提升，个体指纹识别与可分辨性更好。在相似性分析后，作者评估多变量可靠性指标：在HCP上以左右相反相位编码配对扫描进行fingerprinting（个体再识别）与discriminability（多样本可分辨性）分析，并在TRT上以多次扫描扩展PSR；方法上仍使用投影前后连接矩阵对比，统计采用置换/子抽样检验并行Bonferroni校正。结果表明，caricatured连接显著提高HCP上的指纹识别准确率约40%且提升可分辨性2–4%，TRT上PSR也获得>2倍提升；与此同时，edge-level ICC在三套数据上均低于标准连接，提示多变量稳定性与单变量稳定性可彼此独立，这与作者强调的“预测与识别主要依赖多特征协同模式”一致。

Fig. 3 | Multivariate reliability.

图10

Fig. 4 | Intraclass correlation.

发现三：可预测行为个体差异

去除共激活后的连接更能预测表型（年龄、IQ、BMI、性别等），解释度与准确度普遍优于标准连接并经外部数据集验证。作者采用CPM框架在HCP上对年龄与IQ（岭回归，相关系数r）以及性别（SVM，分类准确率）进行1,000次十折交叉验证，并在Yale Transdiagnostic数据集上做外部验证；方法上分别比较标准连接与caricatured连接的模型性能分布，并进行置换检验及多重校正。结果显示，caricatured连接在年龄、IQ、BMI上显著提升方差解释率（例如年龄与IQ提升幅度达约31%与34%），性别分类在多数条件下也优于标准连接；外部验证同样显著，且特征多重共线性较低、特征空间与标准连接重叠较小，提示caricatured信号携带互补且更高效的行为相关信息。这一发现直接回应论文动机：静息态中被主导模式“遮盖”的小方差信号确有行为意义。

图11

Fig. 5 | CPM prediction accuracy.

发现四：与任务和静息流形的跨模态一致性

任务与静息/电影数据导出的流形高度重叠，表明高振幅共激活是普遍主导模式，但被去除后的小方差信号依然稳定有用。为检验流形的普适性与来源，作者用静息或电影观看数据同样构建低维流形，与任务导出流形做重叠度分析，并据此再次生成caricatured连接并重复相似性、指纹识别与预测分析。结果显示，任务-静息/电影流形高度重叠，且采用静息/电影导出的前五特征向量进行投影后，仍然观察到个体内/间相似性下降和指纹识别提升，并获得与任务流形相近的预测表现，证明该方法不依赖某一具体范式，描述的是脑活动中占主导的共激活结构；去除此结构后保留的小方差信号，跨情境地承载了稳定的个体差异信息。

图12

总结与启示

在讨论中，作者将caricaturing与“spotlighting”对照，借用时间序列分析中的预着色与预白化类比阐明机制：任务范式类似“预着色”，即叠加强相关结构以压制未知自相关，但可能掩盖其他有用信号；而caricaturing近似“预白化”（prewhitening）估计并去除群体共有的任务样式相关结构，使剩余信号更适合进行经典推断与个体差异检测。结合前述结果（相似性↓、多变量可靠性↑、预测↑），作者强调多变量可靠性可与单变量可靠性分离，预测任务主要依赖分布式模式而非单条边的ICC；因此，以往被PCA视为“噪声”的低方差信号，实则富含关于个体差异与内在功能架构的线索，为未来结合非线性流形学习或深度模型的改进奠定基础。

图13

Author information

一作兼通讯：Raimundo X. Rodriguez

Interdepartmental Neuroscience Program, Yale School of Medicine, New Haven, CT, USA

最后署名：Dustin Scheinost

Interdepartmental Neuroscience Program, Yale School of Medicine, New Haven, CT, USA

Department of Radiology and Biomedical Imaging, Yale School of Medicine, New Haven, CT, USA

Department of Biomedical Engineering, Yale School of Engineering and Applied Science, New Haven, CT, USA

Department of Statistics and Data Science, Yale University, New Haven, CT, USA

Child Study Center, Yale School of Medicine, New Haven, CT, USA

Wu Tsai Institute, Yale University, New Haven, CT, USA

Yale Biomedical Imaging Institute, Yale School of Medicine, New Haven, CT, USA

图14

Abstract

High-amplitude coactivation patterns are sparsely present during resting-state functional magnetic resonance imaging (fMRI), yet they drive functional connectivity and resemble task activation patterns. However, little research has characterized the remaining majority of the resting-state signal. Here, we introduce caricaturing, a method for projecting resting-state data onto a subspace orthogonal to a manifold of coactivation patterns estimated from task fMRI data. This removes linear combinations of these coactivation patterns from resting-state data to create caricatured connectomes. We used task data from two large-scale neuroimaging datasets to construct a manifold of task coactivation patterns and created caricatured connectomes. These connectomes exhibit lower between-individual similarity and higher identifiability and could be used to predict phenotypic measures, representing individual differences in behavior, often to a greater degree than standard connectomes. Our results show that there is a useful signal beyond the dominant coactivations that drive resting-state functional connectivity, which may better characterize the brain’s intrinsic functional architecture.

图15

相关阅读

周报-20251006 | 近两周解读的29篇顶刊论文汇总 | 认知神经科学前沿动态 ⭐️[解读链接]

周报-20250922 |认知神经科学前沿动态周览 *⭐️[解读链接]***

周报-20251020|认知神经科学前沿动态周览**⭐️[ 解读链接 ]****

Nature |决策过程的动力学机制与神经模式转变 ⭐️[解读链接]

Nature |颠覆认知 ! “神经振荡”不成立？耶鲁团队提出大脑“伽马事件”新理论 ⭐️[解读链接]

Science |中国将领衔未来25年全球脑计划，剑指灵长类大脑地图 *⭐️[解读链接]***

Neuron |大脑如何区分现实与想象？伦敦大学学院团队最新研究揭秘“现实信号”的神经密码 ⭐️[解读链接]

Nature | 视觉系统新发现：压缩式的物体识别机制 ⭐️[解读链接]

Nat Hum Behav｜你不是天生就爱跟风：社会特征学习理论揭示人类“随大流”背后的秘密 *⭐️[解读链接]***

Nature |“读心术”成真？从瞳孔变化中解码大脑皮层完整时空动态 ⭐️[解读链接]

PNAS｜刷短视频停不下来？研究揭示“新奇感”是驱动人类探索的古老密码 *⭐️[解读链接]***

Neuron | 最强脑发育数据库RBC开放下载，6000+青少年大脑数据揭示精神健康的秘密 ⭐️[解读链接]

Nature 子刊综述｜大脑预测误差的核心回路 *⭐️[解读链接]***

前沿交流 | 欢迎加入认知神经科学前沿交流群！⭐️[解读链接]

图16

本文解读基于：Connectome caricatures remove large-amplitude coactivation patterns in resting-state fMRI to emphasize individual differences，Doi：10.1038/s41593-025-02099-7IF: 20.0 Q1 B1。核心图表、方法细节、统计结果与讨论见原文及其拓展数据。

分享人：天天

审核：PsyBrain 脑心前沿编辑部

图17