一个脑图谱框架：从癫痫动态中学到的经验

脑图谱，或者说脑图，是研究大脑功能和组织的重要工具。然而，神经科学文献中可用的大量图谱带来了一个隐含的挑战，可能会改变我们对神经功能和病理生理学的假设和预测。在这里，我们展示了如何通过划分尺度、形状、解剖覆盖范围和其他图谱特征来影响我们对大脑功能的预测。我们展示了网络拓扑、结构-功能相关性（SFC）以及测试关于癫痫病理生理学特定假设的能力可能会因为图谱选择和图谱特征而改变。通过我们的疾病系统的视角，我们提出了一个通用的图谱选择框架和算法。这个框架旨在最大化图谱的描述性、解释性和预测有效性。总的来说，我们的框架努力为利用过去一个世纪发布的各种图谱的神经科学研究提供实证指导。本文发表在Neuroimage杂志。(可添加微信号siyingyxf或18983979082获取原文，另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布)。

亮点：

• 脑图谱包括一系列的脑图，并包含神经科学社区广泛使用的各种特征。

• 一个脑图谱选择框架可能有助于研究者测试关于大脑功能和组织的假设或预测。 

• 脑图谱的选择可能会影响研究测试大脑结构-功能关系假设的能力。

关键词：脑图谱、网络、癫痫、结构-功能

1.引言 

      我们如何定义解剖学上的大脑结构并将这些结构与大脑的功能关联起来，可以限制或增强我们对行为和神经疾病的理解（Bohland等）。像Carl Wernicke和Pierre Paul Broca这样的科学家的发现，他们将特定的大脑区域与语言功能相对应，以及Phineas Gage和H.M.的病例研究，他们失去了特定的大脑区域，导致大脑功能和行为的改变，这些都充分说明了大脑结构和功能是基本相连的（Barker等）。正确地标记大脑结构对于使科学家能够有效地交流健康个体之间的变异以及涉及神经疾病的区域至关重要（Mazziotta等人，2001）。然而，关于如何最适当地标记和划定这些区域，尚未达成共识，这可以从定义神经解剖结构的各种脑图谱或图谱的广泛多样性中看出（Evans等人，2012）。

     在常见的使用中，图谱指的是一个“图谱集合”（National，2022），通常定义地理政治边界，可能包括粗糙的边界（大陆）、细致的边界（城市）以及介于两者之间的任何东西（国家；图1 a，左）。边界（National，2022）通常在世界地图的图谱中是一致的。相比之下，大脑的图谱并不一致。四个独立的图谱（图1 a，右）可能会以不同的方式定义颞上沟。例如，哈佛-牛津图谱（Makris等人，2006）中大约九十分之一的前颞上沟与哈默史密斯图谱（Hammers等人，2003）中的后颞上沟重叠。图谱也可能在其他方面有所不同，包括划分大小、神经解剖覆盖范围以及大脑区域形状的复杂性。例如，Yeo图谱（Thomas Yeo等人，2011）包含7或17个区域，而Schaefer图谱（Schaefer等人，2018）可能有100到1000个区域。更进一步复杂化的是，图谱在其预期用途上可以有所不同。MMP图谱（Glasser等人，2016）是为表面分析设计的（Coalson等人，2018），然而，一个体积（volumetric ）（没有皮质下结构）被独立创建并用于连通性研究（Wu等人，2019）。大量可用的图谱对于研究健康和疾病人群的可重复性以及对描述不同大脑区域在各种疾病中的参与的元分析构成了问题。这被称为图谱一致性问题（Bohland等人，2009）。

图1. 神经科学文献中有许多大脑图谱。

a，通常情况下，图谱指的是一个“地图集合”（National，2022），它在不同的尺度上定义地理政治边界。尽管世界地图的边界（National，2022）通常在各个图谱中是一致的，但它们在大脑的图谱中通常并不一致。四个独立的图谱（从左到右：CerebrA、AAL、Hammersmith、Harvard-Oxford）可能会以不同的方式定义颞上沟。这些标签的不一致性对于认知、系统、发展和临床研究的可重复性，以及描述大脑不同区域在各种疾病中的参与的元分析构成了问题（Bohland等人，2009）。这个挑战以前被称为图谱一致性问题。

b，图谱可以有不同的特征（参见表1）。

c，因此，所有当前的神经科学连通性研究可能无法准确反映某种基本的“真实”结构。例如，具有大或小区域的图谱可能会影响用于定义大脑的“真实”网络结构的结构连通性矩阵，进而用于测试关于大脑的假设或做出预测。

d，结合来自扩散MRI的白质束重建，图谱可以用来测量大脑的不同区域如何结构上相连（i）。同样，颅内EEG（iEEG）植入物可以记录神经活动，以测量大脑的不同区域如何功能上相连（ii）。像fMRI、MEG和许多其他技术也可以测量功能连通性。可以计算结构和功能连通性测量之间的统计相似性（例如，结构-功能相关性；SFC）。这样的估计已经被用来更好地理解疾病的病理生理学。在这项研究中，我们评估了不同的图谱如何改变测试关于大脑结构-功能关系在癫痫中的特定假设的能力。

表1. 图谱。

图谱的来源详见表S1，缩写在词汇表中。S：结构定义的图谱；F：功能定义的图谱；M：多模态定义的图谱；V：可变定义的图谱，可能是结构定义的、功能定义的或多模态定义的；ROI：感兴趣区域；HCP：人类连通项目数据集（Van Essen等人，2013）；MS：多发性硬化症。

      在我们的实验设计背景下，我们提出了一个新的框架，概述了在设计神经科学实验时如何适当地选择图谱。这个框架源自评估动物模型（Willner，1984）、网络模型（Bassett等人，2018）和心理测量测试（Association，1954）的有效性和有效性的历史基础，这些模型试图最大化模型的（1）描述性、（2）解释性和（3）预测性有效性（Bassett等人，2018）。图谱是研究者测试因果关系和对大脑进行预测的工具。因此，这个框架包含了关于解释性建模和预测性建模的简短讨论，每种建模都有不同的目标（“解释还是预测？”（Shmueli，2010））。选择图谱可能不存在一种适合所有情况的方法，也不应该存在（Salehi等人，2020）；虽然只有一个地球，对于特定用途有一个单一的图谱（例如，给定时间点的地理政治边界的图谱），但有许多大脑，其解剖和功能在种群和物种之间存在变异（Salehi等人，2020）。我们希望我们的框架能为利用过去一个世纪发布的各种图谱的神经科学研究提供实证指导。

材料和方法 

人类数据集 

      我们在宾夕法尼亚大学医院收集了来自四十一名个体的MRI数据，包括十三名健康对照和二十八名抗药性癫痫患者。其中二十四名患者接受了立体电图（SEEG）植入，四名患者接受了脑皮层电图（ECoG）植入。十名SEEG患者有临床注释的发作，并被用于SFC（结构-功能相关性）分析。纳入标准包括所有同意参加我们的研究扫描协议的个体，并且（如果他们有植入物）允许他们的去身份化颅内EEG（iEEG）数据在国际癫痫电生理学门户网站上（https://www.ieeg.org）供研究目的公开使用 Kini等人（2016）；Wagenaar等人（2013）。发作评估通过全面的临床评估确定，包括多模态成像，头皮和颅内视频EEG监测以及神经心理测试。该研究得到了宾夕法尼亚大学伦理审查委员会的批准，所有受试者在参与前提供了书面知情同意。请参阅表S2了解受试者人口统计信息。

结构 

      以下各节中描述了结构连接生成和分析的方法和流程。在适用的地方，包括了具体的GitHub文件和代码。

成像协议 

       在电极植入前，使用32通道相控阵头线圈在3T Siemens Magnetom Trio扫描仪上收集MRI数据。采用磁化准备快速梯度回波（MPRAGE）T1加权序列（重复时间=1810 ms，回波时间=3.51 ms，翻转角度=9，视场=240 mm，分辨率=0.94×0.94×1.0 mm³）获取高分辨率解剖图像。使用单次EPI多壳层扩散加权成像（DWI）序列（116个扩散采样方向，b值为0、300、700和2000 s/mm²，分辨率=2.5×2.5×2.5 mm³，视场=240 mm）获取高角分辨率扩散成像（HARDI）。在电极植入后，为了定位电极，临床上获取了螺旋CT图像（Siemens）。同时获取了骨窗和组织窗（120 kV，300 mA，轴向切片厚度=1.0 mm）

扩散加权成像（DWI）预处理 

       HARDI图像经过预处理流程QSIPrep，以确保扩散图像处理的最佳实践的可重复性和实施（Cieslak等人，2021）。简单地说，QSIPrep使用来自领先软件包的工具，包括FSL、ANTs和DSI Studio，在精心编排的工作流中执行先进的重建和纤维束追踪方法，输入数据在脑成像数据结构（BIDS）布局中指定。

结构网络生成 

      我们使用DSI-Studio根据广义q-采样成像和扩散采样长度比率为1.25来重建每个体素内的方向密度功能 (Fang-Cheng 等人, 2010)。确定性全脑纤维追踪是在35度的角度阈值、1mm的步长和基于Otsu的阈值 (Otsu, 1979) 的定量各向异性阈值下进行的。长度小于10mm或大于800mm的轨迹被舍弃，每个大脑生成了总共1,000,000条轨迹。基于先前的研究表明，确定性纤维束追踪比概率方法产生的假阳性连接更少，而且当网络中引入假阳性比假阴性时，基于网络的估计的准确性大大降低 (Zalesky 等人, 2010) ，因此选择了确定性纤维束追踪。为了计算结构连接性，使用了表1中列出的图谱。通过计算每个特定图谱中每对结构区域之间的纤维束通过数，生成了结构网络。纤维束计数经过对数变换，并归一化到最大纤维束计数，这在先前的研究中是常见的 (Bonilha等，GitHub: packages/imaging/tractography/tractography.py）

图谱 

     本研究使用的图谱描述和来源在表S1中找到。所使用的55个图谱在图7d的效应量报告中明确列出。所有图谱均在MNI空间中来源，如果还没有，切割到尺寸182×218×182。使用ICBM 2009c非线性不对称模板(Fonov等，2011)和FSL flirt和fnirt(Jenkinson等，2012)将图谱进行线性和非线性配准到T1w受试者空间。

     我们还包括了使用基于表面的方法配准的三个图谱。这些图谱（DKT、DK和Destrieux图谱）是FreeSurfer的recon-all流程(Dale等，1999)的输出。许多神经成像研究和软件使用体积方法进行配准(Coalson等，2018)，但基于表面的方法可能会产生更准确的皮层表面标记(Fig. S6)。本研究中提到的DKT40图谱是表面版本，而DKT31 OASIS是公开可用的体积版本(参见表S1)。

       除了上述的标准公开图谱，我们还使用了全脑随机图谱。标准图谱的一个局限性是它们可能没有大脑所有区域的解剖定义，因此，植入的电极可能无法正确地分配到一个区域。这个局限性是我们研究的动力（即，选择一个适当的图谱用于SEEG电极定位和量化SFC）。相比之下，全脑随机图谱为所有植入的电极提供了覆盖。它们允许改变某些形态特性（即，分区大小），同时保持其他形态不变（例如，分区形状；图2d）。然而，随机图谱的一个局限性是它们的区域可能不代表真正的解剖或功能边界。在ICBM 2009c非线性不对称模板空间建立的随机图谱覆盖了所有的体素，排除了标记为CSF或大脑外的那些。为了填补这些点，应用了一个伪燃烧算法(Zalesky等，2010)。简而言之，N点代表图谱的分区数量被随机选择为种子点。这些种子点在所有六个笛卡尔方向上迭代地扩展，直到所有点都被初始的N个种子之一所覆盖。在每一个迭代步骤之后，首先扩展体积最小的区域。创建的随机图谱N等于10, 30, 50, 75, 100, 200, 300, 400, 500, 750, 1000, 2000, 5000, 和10,000分区。每个N创建了五种排列。生成随机图谱的GitHub代码：packages/imaging/randomAtlas/randomAtlasGeneration.py

图谱形态学：体积（volume）和球形度 （sphericity）

     图谱形态测量包括分区大小（体积）和形状（球形度）（图2）。分区体积计算为一个分区中的体素数，并进行log10转换。分区球形度计算为一个与分区等体积的球的表面积与图谱分区实际表面积的比值。按照这个定义，球形度的范围是从0到1，其中1是一个完美的球体。作为参考，一个完美的立方体和一个半球分别有0.8和0.7的球形度。

GitHub：packages/imaging/regionMorphology/regionMorphology.py

结构网络测量 

       我们描述了52个图谱的结构网络拓扑结构（图3和图S3）。三个基于表面的图谱（来自FreeSurfer recon-all流程的DKT40、DK和Destrieux图谱(Dale等，1999)）被排除在图3和图3的分析之外，因为它们分别配准到每个受试者的T1w图像上。为了量化网络拓扑，我们检查了密度、平均度、平均聚类系数、特征路径长度和小世界性。首先，使用0的阈值二值化连接矩阵，并计算距离矩阵。所有图谱都使用相同的二值化过程和阈值。从主图中断开的任何节点的距离都被设置为主图中任意一对节点之间的最大距离。然后在二进制、无向图上计算密度、平均度、聚类系数和特征路径长度。小世界性计算为s比率，其中s = g/I，是平均归一化聚类系数C到归一化特征路径长度I的比值。g = CG/CR 和 l = 1G/lR，其中G是感兴趣的图，R代表与G等价的“随机”图。由于难以处理的计算成本(Maslov, 2002)，使用一个众所周知的分析等价CR = d/N 和 IR = log N/log d来近似等价的随机图R，其中d表示平均节点度。使用Python的Brain Connectivity Toolbox计算所有网络测量。GitHub：papers/brainAtlas/Script_05_structure_02_network_measures.py。

功能 

     以下各节描述了功能连接性生成和分析的方法和流程。在适用的地方包括了特定的GitHub文件和代码。

颅内脑电图采集 

      立体定向深部电极在基于临床需要的情况下植入患者。在每位患者在癫痫监测单元逗留期间，持续获取SEEG信号。每位患者的颅内数据记录频率为512或1024 Hz。癫痫发作的开始时间是由明确的起始点定义的(Litt等人，2001)。所有的注释都经过了验证，与详细的临床文档相一致。如果一个患者有多于一个的癫痫发作被注释，那么使用第一个超过30秒没有伪像的癫痫发作。

4.11. 电极定位 

      使用内部软件 (Azarion等人， 2014) 在配准植入前和植入后的神经影像数据后帮助定位电极。所有电极坐标和标签都被保存，并与IEEG.org上的电极名匹配。所有电极定位都由一位获得认证的神经放射科医生(J.S.)进行了验证。通过将电极坐标(x,y,z)四舍五入到最近的体素，并在与患者的T1w图像相同的空间中索引给定的图谱在那个体素进行电极触点分配到图谱区域分配。那些落在感兴趣的图谱之外的电极被排除在后续分析之外。请参见图S10进行可视化。我们还显示了根据一个图谱分配一个区域的触点的百分比(图S7)。

GitHub：packages/atlasLocalization/atlasLocalization.py。

功能连接网络生成 

      功能连接网络从四个时期生成：间癫痫期、癫痫前期、癫痫期和癫痫后期。(1) 间癫痫期是癫痫期前大约6小时的时间。(2) 癫痫前期是癫痫期前的时间。(3) 癫痫期是从明确的癫痫开始到癫痫结束之间的时间。(4) 癫痫后期是癫痫期后的时间。间癫痫期、癫痫前期和癫痫后期的持续时间均为180秒。在移除带有伪迹的电极后，每个时期内的SEEG信号在GM或WM中进行了常数平均参考，以减少相关噪声的潜在来源(Ludwig等，2009)。接下来，每个时期被划分为2秒的时间窗口，重叠1秒(Khambhati等人，2017, 2016, 2015; Kramer等人，2010)。为了生成代表SEEG信号之间的宽带功能交互的功能网络（图4b），我们执行了之前详细描述的方法(Khambhati等，2016; Shah等，2019)。具体来说，信号在60Hz处进行陷波滤波以移除电源噪声，并在127Hz和1Hz处进行低通和高通滤波以考虑噪声和漂移，并使用一阶自回归模型进行预白化以考虑慢动态。然后，通过对每个时间窗口内每对电极的信号应用标准化的交叉相关函数𝜌来生成功能网络：

      其中x和y是来自两个电极的信号，k是2秒的时间窗口，t是时间窗口期间的T样本之一，而τ是信号之间的时间滞后，最大滞后为0.5秒。这里，σ代表信号的标准差。请注意，还计算了在Newson和Thiagarajan 2019中评审的定义频带中与相关p值的相干性和零时间滞后的Pearson和Spearman秩相关的功能连接度量（Newson和Thiagarajan，2019），但在研究中未进行分析或用于假设检验。有关数据，请参阅下面的“数据可用性和可重复性”部分。网络被表示为完全加权的连接矩阵。GitHub代码：GitHub: code/tools/echobase.py。

结构-功能相关性 

      为了量化癫痫大脑中结构和功能之间的关系，我们计算了结构连接网络的边和功能连接网络的边之间的Spearman秩相关系数 (图 4 c)。为了避免冗余，鉴于矩阵的对称性，只分析了上三角形。简而言之，首先将代表每个图谱区域之间的标准化流线计数的结构连接网络进行下采样，只包括至少包含一个SEEG接触点的区域。这给出了结构连接的一个静态表示。在多个电极落在同一个图谱区域的情况下，随机选择一个电极来代表该神经解剖学定义区域的功能活动。接下来，对于功能网络的每个时间窗口，与下采样的、静态的结构网络边相关的功能网络边。这产生了一个结构-功能相关的时间序列。注意，体积非常小的图谱包括了更多的电极进行SFC（结构-功能相关性）计算。没有定位到图谱的电极被排除在分析之外。为了平均所有患者和每个图谱的SFC (图 5)，每个时期和每个样本的SFC时间序列被重新采样为100秒，然后将每个样本平均在一起。GitHub代码：packages/eeg/echobase/echobase.py。

rsSFC和𝐷𝑒𝑙𝑡𝑎SFC（结构-功能相关性）

      静息状态下的SFC (rsSFC)被定义为癫痫发作期间的间癫痫期SFC，大约在癫痫发作前的6小时。计算了那个时期的平均SFC。𝐷𝑒𝑙𝑡𝑎SFC被定义为从癫痫前期到癫痫期的平均SFC的变化（图5左上面板）。为每一个图谱计算了rsSFC和𝐷𝑒𝑙𝑡𝑎SFC（图6）。

统计 

      使用效应量在图6d中显示的55个图谱之间比较了癫痫前期和癫痫期的SFC。计算了Cohen的d和癫痫前期和癫痫期SFC（结构-功能相关性）之间的差异。

数据可用性和重现性 

   本文中使用的所有代码文件均可在https://github.com/andyrevell/revellLab 上找到。所有去标识的原始和处理过的数据（除了患者MRI成像）均可通过GitHub上的链接下载。本文中专门使用的iEEG片段也是可用的，而完整的iEEG可在https://www.ieeg.org 公开获得。该研究中使用的确切的软件包和版本的Python环境包含在GitHub的环境目录中。QSIPrep docker容器用于DWI预处理。

2.结果

2.1. 临床数据 

      四十一名个体（平均年龄34±11；16名女性）接受了高角度分辨率扩散成像（HARDI），包括十三名对照者（平均年龄35±13；6名女性）和二十八名抗药性癫痫患者（平均年龄34±11；12名女性）接受了手术治疗的评估。在这二十八名患者中，有二十四名接受了立体电极脑电图（SEEG）植入，四名接受了皮层电图（ECoG）。十名SEEG患者（平均年龄34±8；4名女性）有临床发作注释，每个患者的第一次发作（平均持续时间81秒）没有人为干扰，被选为SFC（结构-功能相关性）分析。患者和对照者的人口统计学信息包含在表S2中。

2.2. 图谱形态：大小和形状 

      我们假设图谱的形态属性，包括大小和形状（图2），会影响SFC。为了测试这个假设，我们首先量化了各种图谱中分区大小（图2 a）和形状（图2 b）的分布。这些结果展示了图谱分区形态的多样性。图2 c显示了单个分区体积和球形度的比较。其余的图谱显示在图S2中。与标准图谱相比，随机图谱的球形度与体积大小保持恒定。注意，随机图谱中分区形状（即球形度）的分布在分区大小上是相似的，它们的分区可能不代表真实的解剖或功能边界。因此，随机图谱允许我们在保持形状效应恒定的同时，研究分区规模如何影响网络结构和SFC。关键的是，随机图谱还允许我们探索在某些实验设计中，精确和准确的解剖边界是否是必要的（Albers等人，2021）。

图2. 图谱形态：大小和形状。

a，图谱分区的体积分布展示了分区大小的多样性。

b，分区球形度分布说明不同分区的形状可能不均匀。

c，体积与球形度的比较显示，一些图谱分区可能小且球形，而其他分区可能大且非球形。这说明了图谱分区的非均匀性。

d，随机图谱的体积和球形度显示了随着体积变化，球形度的均匀性。随机图谱允许我们研究（1）分区规模的影响，而不受形状效应的混淆；（2）在癫痫发作开始时，测试大脑结构-功能关系假设是否需要精确的解剖边界。图例中的数字代表每个随机图谱的分区数量。其余的图谱在图S2中。

2.3. 不同的图谱影响结构网络拓扑 

      尽管图谱分区的形态各异，我们的目标是研究这些形态特征（特别是分区规模）如何影响结构网络拓扑（图3）。网络是我们计算SFC的基础，而不一定是形态特征，因此，我们测量了随着分区规模的变化，网络密度、平均度、特征路径长度、平均聚类系数和小世界性如何变化（图3 a）。我们发现，这些网络度量的变化在标准和随机图谱之间以及在先前的研究中是一致的（Zalesky等人，2010）。我们还展示了平均密度，一个全局网络度量，在我们的对照组（N=13）和患者组（N=28）之间是相似的（图3 b）。

图3. 图谱之间的结构网络差异。

a，计算了结构连接网络的密度、平均度、平均聚类系数、特征路径长度和小世界性。显示了一部分图谱。其余研究的图谱显示在图S3中。对于每个图谱，计算了平均分区体积，并将相应的网络度量绘制为所有受试者的平均值（N=41；13个对照组，28个患者）。

b，对于AAL2图谱，对照组和患者在密度上没有显著差异（Mann-Whitney U检验），说明全局结构网络度量在队列之间是相似的。然而，队列之间的特定边缘级连接可能不同，而描述这些差异超出了本文的范围。对照组和患者被分开并显示在图S4中。使用不同阈值的网络度量显示在图S5中。

2.4. 不同的图谱影响SFC（结构-功能相关性）：单个受试者 

      图4展示了如何计算SFC的概览。结构是通过高角度分辨率扩散成像（HARDI）测量的，功能是通过SEEG电极接触测量的。根据选择的图谱生成结构连接矩阵（图4 a），并根据时间窗口内电极接触之间的神经活动的宽带（1 - 127 Hz）交叉相关生成功能连接矩阵（图4 b，参见“功能连接网络生成”方法部分）。因此，结构网络是静态的，而功能网络是随时间计算的。显示的连接矩阵是来自单个患者，子患者07的示例数据。功能连接矩阵显示在癫痫发作前6小时，癫痫发作前90秒（t =-90），癫痫发作后40秒（t = 40），癫痫发作后88秒（癫痫持续时间 = 89秒），癫痫发作后180秒（癫痫终止后91秒）。每个功能连接矩阵时间窗口与每个结构连接矩阵相关，得到每个时间窗口的SFC（图4 c）。每个点代表两个大脑区域之间的结构边缘权重和它们在宽带交叉相关中的相应功能连接边缘权重。为了可视化，显示了最佳拟合线，r值代表该时间点的斯皮尔曼等级相关。在图4 d中，为这个患者在癫痫间期、癫痫前期、癫痫期和癫痫后期的所有时间点绘制了SFC（结构-功能相关性）。

图 4. 使用不同图谱的单个患者的结构-功能相关性。

a，示例图谱和结构连接矩阵。

b，功能连接矩阵是从SEEG记录中在癫痫间期、癫痫前期、癫痫期和癫痫后期计算的。在每个时期，SEEG数据被分成不重叠的窗口（垂直堆叠的矩阵），以创建时间变化的功能连接表示。显示了子患者07在癫痫发作前6小时、癫痫发作前90秒、癫痫发作后40秒（t = 40）、癫痫发作后88秒（癫痫持续时间 = 89秒）和癫痫发作后180秒（或癫痫终止后91秒）的宽带交叉相关矩阵。

c，每个功能连接矩阵与给定图谱的结构连接矩阵相关。斯皮尔曼等级相关性在每个患者的所有时间点和所有图谱之间进行测量。最佳拟合线仅用于可视化。

d，使用四个示例标准图谱（Hammersmith，Craddock400，AAL2和CerebrA）和四个示例随机图谱（30，100，1k和10k分区）绘制每个时间点的SFC（结构-功能相关性）。SFC在一些标准图谱（Craddock 400，AAL2和CerebrA图谱）的癫痫状态期间增加。这个结果遵循了之前使用ECoG的SFC出版物（Ashourvan等）。然而，对于Hammersmith图谱，SFC并未增加。这些发现强调，使用某些图谱可能会降低检测癫痫发作开始时结构-功能相关性变化的能力，因此也会降低探测癫痫活动与大脑结构相关的假设的能力。使用不同的图谱可能会与之前的研究相矛盾。

       四个示例的标准和随机图谱被绘制出来。我们展示了对于许多图谱（CerebrA，AAL2，Craddock 400），SFC（结构-功能相关性）在癫痫期间增加，但并非所有图谱（Hammersmith）都是如此。癫痫期间SFC的增加遵循了之前使用ECoG进行的SFC研究（Ashourvan等）。同样，SFC对于一部分随机全脑图谱也有所增加。虽然分区规模可能会影响SFC，但它并不是影响SFC的唯一特征 - Hammersmith和AAL2图谱有相似的分区规模，但神经解剖属性和SFC动态却有所不同。这些发现强调，从一种类型的图谱推断可能会表明癫痫活动与大脑结构无关，这与之前的研究（Shah et al., 2019）相矛盾。

2.5. 不同的图谱影响SFC：多个受试者

       图5显示了使用SEEG宽带交叉相关度量对所有具有临床注释癫痫发作的患者（N = 10）进行平均的十个标准图谱和五个随机图谱的SFC（结构-功能相关性）。AAL2图谱显示从癫痫发作前期到癫痫发作期的SFC显著增加（经过Bonferroni校正的55次测试后，Wilcoxon符号秩检验p < 0.05）。这种从癫痫发作前期到癫痫发作期的SFC变化被记为𝐷𝑒𝑙𝑡𝑎SFC。使用AAL2图谱，这个发现支持了这样一个假设，即癫痫活动通过构成大脑基础结构连接的轴突束传播和扩散（Ashourvan等）。对于随机全脑图谱，SFC的计算方式类似。一个值得注意的发现是，在癫痫发作间期，休息状态的SFC（rsSFC）在更大数量的分区（即更小的分区体积）处增加。我们在图5（底行）中展示了rsSFC明显受到分区规模影响。这些发现可能令人担忧，因为大脑的固有结构-功能关系在休息状态并不一定会改变，但其测量结果却大大受到图谱选择的影响。

图 5. 使用不同图谱的多个病人的结构-功能相关性。

     使用 SEEG 宽带交叉相关矩阵计算了十个标准图谱和五个随机图谱的 SFC，这些矩阵是在所有具有临床注释癫痫发作的病人（N = 10）中平均得出的。静息状态 SFC (rsSFC) 是癫痫间期期间的 SFC。从癫痫前期到癫痫期的 SFC 变化被记为 ΔSFC。SFC 也被类似地计算出来，用于随机图谱，并显示 rsSFC 和ΔSFC 可能会随着划分规模的变化而变化。这些发现可能令人担忧，因为大脑的固有结构-功能关系在静息状态下并未必然发生变化，但其测量结果却大大受到图谱选择的影响。

2.6. 不同的脑图谱对静息态SFC和ΔSFC的影响

      静息态SFC（rsSFC）和从发作前到发作期间的SFC变化（ΔSFC）受到脑区划分尺度的影响（见图6）。图6a展示了随着平均脑区划分体积的增加（从左到右移动），rsSFC是如何减少的。对于给定的脑图谱，大的平均脑区划分体积通常意味着总的脑区划分数量较少（例如，MNI结构图谱因为只有九个脑区划分而具有大的平均脑区划分体积）。相比之下，图6b显示ΔSFC随着更大的脑区划分体积增加（从左到右移动）。从广义上说，ΔSFC可以解释为SFC相对于疾病（例如，癫痫发作）和非疾病状态的变化。这种变化指标已被用于描述并推断许多神经系统疾病（参考Cocchi等人，2014年；Sathian和Crosson，2015年）。只有部分脑图谱在癫痫发作开始时显示SFC的变化（图6c）。这些结果说明，过于粗糙或过于细致的脑区划分可能无法充分捕获大脑的基础SFC或其与神经系统疾病相关的动态。

图6. 测试关于癫痫病理生理学假设的能力会因图谱选择而变化 

 a，静息状态SFC（rsSFC）随着更大的分区体积（从左向右移动）而减少。随机图谱显示为蓝色，选择的标准图谱显示为红色。点代表所有病人的平均值，带代表95%置信区间。

b，ΔSFC随着更大的分区体积（从左向右移动）增加。一般而言，ΔSFC可以被解释为SFC相对于疾病（例如癫痫发作）和非疾病状态的变化，这种变化已被用来表征和推断许多神经性疾病。这些结果表明，分区体积过大（体积大）或过细（体积小）的分区可能无法充分捕获大脑的底层SFC（结构-功能相关性）或其与神经性疾病的关系动态。

c，部分图谱显示了癫痫发作前和发作时SFC的差异。

d，对于这项研究中使用的所有55个图谱，都计算了癫痫发作前和发作时SFC之间的效应量。神经科学文献中常用的许多图谱的效应量与随机图谱相当。效应量最大（因此能力最强）的标准图谱是哈佛-牛津和AAL3图谱。这些图谱超越了许多随机图谱（在这些图谱中，解剖边界没有被遵循），并可能表明他们的分区方案在癫痫发作开始时捕获了大脑结构-功能关系的DTI和iEEG。

2.7 图谱的选择影响测试假设的能力 

      计算了这项研究中使用的所有55个图谱的癫痫发作前和发作时SFC之间的效应量（图6 d）。展示了Cohen's d和平均癫痫发作和平均发作前SFC之间的差异。图谱是按照Cohen's d排序的。

       我们发现不同的图谱可能会改变测试关于癫痫病理生理学的假设的能力，即癫痫通过大脑的底层结构束进行传播，用扩散MRI进行测量。这个假设在先前的研究中已得到支持(Ashourvan等)。

      神经科学文献中常用的许多图谱的效应量与随机图谱（未遵循解剖学边界）相当。效应量最大的标准图谱（因此在相等的显著性水平和样本大小下具有最大的能力）是哈佛-牛津和AAL3图谱。这些图谱优于许多随机图谱，可能表明它们的分区可能充分捕获大脑的结构-功能关系。这些图谱可能捕获了“真正的”结构网络架构（见图1 c），因为这些网络架构更能区分并与癫痫发作开始时所见的功能改变更相关。

      尽管哈佛-牛津和AAL3图谱的效应大小很明显，但鉴于分辨率比脑区边界的确切位置更为关键(Albers等人，2021年)，而且对于个体在所有大脑状态下可能没有单一的功能图谱(Salehi等人，2020年)，许多标准图谱产生的效应大小与随机生成的图谱相似（本研究），因此可能并不存在一个“真正的黄金标准”图谱或脑区划分方案。

3.讨论 

      在这项研究中，我们对神经科学文献中可用的结构性、功能性、随机和多模态图谱进行了广泛的评估（表1）。我们详细描述了这些图谱之间的形态（图2）和网络（图3）差异。我们展示了图谱选择对测量癫痫患者的结构-功能相关性（SFC）的影响（图4和图5）。我们还展示了如何通过各种图谱影响测试关于癫痫传播假设的能力（图6）。这项工作对研究人员有着重要的意义，因为测试假设和预测大脑功能的能力可能取决于图谱的选择。鉴于我们使用了可用的大脑图谱的广泛列表进行的研究，我们在下面提出了一个评估和选择图谱的通用框架（图7）。

图7. 大脑图谱的框架。

a，应该为研究选择哪个图谱？我们提出了一个框架，它帮助在描述性、解释性和预测性有效性的背景下选择图谱。描述性有效性意味着图谱的特征适当地反映了实验系统。图谱也是解决神经科学中各种问题的工具。它可能被用作解释因果关系（解释性有效性）的方法的一部分，或者可能被用来做出预测（预测性有效性）。这两个目标是不同的，解释和预测之间的差异“必须理解以推进科学知识”Shmueli（2010）。在选择图谱时应考虑这些方面（解释或预测）。

b, 描述有效性相关的非互斥图谱特征。

c, 选择图谱时需要考虑的问题列表。灰色线条连接相关问题。

d, 图谱选择的先验和事后算法。

3.1. 大脑图谱的框架 

     各种研究都强调了图谱一致性问题（Bohland等），在自由可获取的数据库中整理了几个图谱（Gorgolewski等），并为特定图谱特征（图7 b）在某些情况下可能优于其他特征提供了理由（Alexander等）。在过去的三十年中，为发布精确和精确的分区进行了巨大的努力，这可以从与图谱相关的研究的数量呈指数级增长中看出（图S8）。然而，没有人找到一个通用的解决方案来解决基本问题：图谱的选择是否重要？

      我们提供了一个框架，可以在以下三个方面的背景下确定图谱的选择是否适当：（1）描述性、（2）解释性、和（3）预测性有效性（Bassett等，2018）。这个框架借鉴了评估网络模型（Bassett等，2018）、动物模型（Belzung，Lemoine，2011，Willner，1984）和心理测量测试（协会，2014，协会，1954）的逻辑，其中使用标准的统计模型选择方法评估这些模型特别具有挑战性。因此，已经在其他领域构建的理论结构可能提供指导。

      图谱的描述性有效性指的是适当地反映我们工作系统的图谱。换句话说，它具有“显而易见的价值”（Willner，1984）。图谱应包含与研究相关的特征（如，与癫痫病相关的包含皮质下结构的分区）（图7b）。重要的是，图谱的描述性有效性也与我们用来测量大脑的模式尺度有关，例如，宏观尺度的DWI和fMRI（Sporns等人，2005），中尺度的iEEG和示踪剂（Fornito等人，2016），以及微观尺度的显微镜（Sporns，2011）。选择一个与测量模式分辨率相似的分区尺度是很重要的（图6a）。在我们的研究中，当将DWI与iEEG进行更大的分区大小的相关性分析时，我们无法识别出结构和功能相关的精确解剖位置（图6b）。同样，在较小的分区大小（趋向于体素分辨率）时，我们可能无法捕捉到“真实”的结构网络架构（图1c），因此我们无法捕捉到癫痫发作起始时的结构-功能关系变化。

      图谱是解决神经科学中各种问题的工具。它可能是解释因果关系（解释性有效性）的方法的一部分，或者它可能是做出预测（预测性有效性）的方法的一部分。这两个目标是不同的，解释和预测之间的差异“必须理解以推进科学知识”，如Shmueli在2010年的“To Explain or Predict?”一文中所述（Shmueli，2010）。在构建科学模型的背景下，具有高解释能力的模型可能没有高预测能力。

      与模型类似，图谱也是科学方法的一部分，用于（1）解释大脑如何运作或（2）预测新的观察结果（即，它们是测试假设或对大脑进行预测的整体方法论流程的一部分——对于使用图谱的研究）。因此，图谱是工具。例如，一个图谱可能适合假设检验，因为它包括如海马体等皮质下结构（也有高描述性有效性），以支持关于通过皮质下结构传播癫痫的假设。直观地，如果没有皮质下结构，就不可能测试关于皮质下结构的假设。不那么直观的是，图谱的解释性有效性也可能与检验假设的能力有关，这在我们的研究中有所展示。一些图谱可能不适合科学探究，因为它们提供的统计能力很小，例如，无法检测疾病状态的差异，例如，无法检测癫痫发作开始时SFC的变化（图6b）。在进行研究之前，可能无法准确地预测使用图谱的能力，然而，使用类似图谱提出类似问题的其他研究可能会提供合理的效应量估计（我们的研究与先前的研究效应量类似（Shah等人，2019））。能力也可能取决于解剖边界的准确性，或者在我们的研究中，其他图谱特性，如分区尺度和配置（图6d）。例如，哈佛-牛津和AAL3图谱有相似的分区配置和相似的能力。

      一些图谱可能适合或不适合对大脑的新的或未来的观察结果进行预测。例如，许多网络属性随着图谱的选择而变化（图3），因此，有理由怀疑模型预测输出可能会随着用来构建和训练这些模型的图谱的变化而变化。重要的是，一些解剖结构的排除，比如一些图谱中的白质或小脑，可能会影响用于构建预测模型的训练数据。在我们的研究中，一个转化目标是从结构数据预测功能性癫痫活动。SEEG记录来自灰质和白质的活动；然而，近期的研究表明，白质的功能性记录可能提供与灰质不同的信息（Greene等人，2021，Mercier等人，2017，Revell等人，2021，Young等人，2019）。因此，排除一些解剖标签可能会影响模型预测。另一个例子是使用网络模型预测例如α-突触蛋白在大脑连通图中的传播（Henderson等人，2019）。如果没有包含所有与α-突触蛋白传播相关的大脑结构，预测和监测传播的模型可能会不准确。

3.2. 是否需要精确的解剖或功能性划分？

      在进行这项研究的过程中，以及在同行评审期间，其他具有更精确或更相关划分的大脑图谱在神经科学的不同领域被发表出来。这些图谱更适应于我们研究的人群(Callaway等)。在此，我们谨慎地提出一个问题：与已有的大脑图谱相比，使用不同算法或稍微修改了划分的新的大脑图谱的发布是否提供了任何优势？

      当然，当探究依赖于精确分割的具体结构的特定假设时，需要精确和精细的划分（特别是在亚区域或细胞级别）；然而，很少有研究将大脑图谱与空大脑图谱（一种具有随机生成划分的大脑图谱）进行比较。进行这种比较的研究有Gordon等人的2016年的研究(Gordon et al., 2016)和Lewis等人的2021年的研究(Lewis et al., 2021)。

      在这项研究中，我们展示了随机大脑图谱提供了与检测癫痫发作前和发作期间SFC差异相似的功效（图6 d）。的确，评估新提出的大脑图谱是困难的，或者几乎是不可能的，因为评估大脑图谱的性能指标可能是无穷的（考虑到无穷的实验设计）。在这项研究中，我们只使用了一种这样的指标，即SFC（结构-功能相关性）。但是，鉴于新的深度学习方法和其他使用训练分类器进行分割的计算昂贵的方法，对于拥有有限的资金资源、训练有素的人员和可以访问GPU的实验室，现有的大脑图谱可能已经足够了。这些实验室仍然可能能够回答神经科学中的重要问题。

3.3. 我的研究应该使用哪个大脑图谱？

      作为科学研究者，最困难的挑战之一是做出最佳的方法论决策，以便为科学界发现有用的研究成果。选择大脑图谱就是我们在一些研究中可能做出的决策之一。我们意识到上述框架对某些读者可能比较抽象；我们也提供了一份具体的问题清单，以供在选择神经影像学研究的大脑图谱时考虑（图7 c）。然而，在进行这项研究的过程中，我们也发现研究者在选择大脑图谱时可能面临三个问题（图7 d），这些问题值得进一步讨论。前两个问题出现在研究前或选择大脑图谱时，这涉及到选择一个或少数几个大脑图谱以保留功效，或者选择一组标准大脑图谱，以发布公共数据供其他研究者使用。第三个问题是两个大脑图谱之间的结果冲突以及在研究结束后（事后）应如何应对。我们在下面对这些问题进行了进一步的讨论。

3.4. 选择一个或少数几个大脑图谱的考虑因素 

     选择一个大脑图谱可能会保留功效，并通过测试每一个大脑图谱避免多重比较问题。也可以选择额外的大脑图谱以确认结果的稳健性。在这些情况下，需要考虑时间、工具的可用性以及逻辑上适用于您的研究的大脑图谱特性的平衡，如图7 a-c所示。例如，如果使用定制的大脑图谱，那么这将如何影响长期以来领域的复制性和元分析？需要哪些大脑图谱特性（如规模和覆盖区域）？使用特定的大脑图谱需要什么样的计算成本和人员培训？（见图7 c中的问题）。

3.5. 选择标准大脑图谱集的考虑因素 

       在发布结果和/或使数据公开供其他研究者使用时，另一种方法是基于其他研究者的预期需求、大脑图谱的特性、文献中使用的大脑图谱的普遍性（图 S9a），以及dummyTXdummy-（即整合这些大脑图谱的“一站式”神经影像学软件的普遍性）（图 S9b），选择一套大脑图谱。现在有些研究已经根据一个或几个选定的大脑图谱公开数据供使用(Royer等，2021；Sinha等，2021)。许多一站式神经影像学软件也必然要做出决定，使用一套大脑图谱来满足许多研究者的需求。然而，当其他研究者需要以其他大脑图谱的分辨率或其他结构发布的数据时，可能会出现问题。如果发生这种情况，数据的价值可能会降低，而研究者的努力可能会被浪费。解决大脑图谱一致性问题的方法可能是“标准集”大脑图谱-一个用于对神经影像学领域的研究进行基准测试的集合。此外，像FreeSurfer、QSIprep、DSI-studio、FSL和许多其他工具可能会从一个包含足够特性的标准大脑图谱集中受益，这些特性对神经科学社区的大多数人来说都是有用的，即使没有包括每一个可用的大脑图谱。基于我们对神经影像学文献中大脑图谱的详尽搜索，对在单个研究中使用它们的能力，某些已在使用的大脑图谱的普遍性（图 S9a）以及神经影像学软件的普遍性（图 S9b），我们提出了一组初始的大脑图谱（图7 d）。

      AAL大脑图谱是最常用的体积（volumetric）大脑图谱之一（图S9a），与哈佛-牛津大脑图谱一起，当一起发布时可能提供互补的结果。Brainnetome大脑图谱（Fan等，2016）是另一个更细分辨率的结构大脑图谱，自2016年推出以来已经获得了人气。Destrieux和DKT大脑图谱也是结构大脑图谱，并已经被整合进最常用的神经影像学软件之一，FreeSurfer。FreeSurfer提供了基于表面的配准，这可能比体积配准更准确地标注皮质结构（图 S6）。也可以从FSLPerlaki等人（2017）（https://fsl.fmrib.ox.ac.uk/fsl/fslwiki）获取准确的亚皮层结构分割。此外，MMP，或“Glasser”大脑图谱是由多模态影像数据创建的。Schaefer大脑图谱提供了不同规模的常用大脑图谱，但是，它并不包括亚皮质结构。

     随机图谱也可能通过允许研究人员操纵脑区划分（parcellations）的分辨率、大小和形状并迭代多个图谱来提供可靠的结论。虽然随机脑区划分可能放弃精确性，因为它们并未遵循真正的解剖界限，但这些图谱仍然可以提供与其他标准图谱相似的结论，额外的优点是能够在许多图谱上进行结果的置换 (见图 6)。随机图谱的一个替代方案是划分或组合另一标准图谱的脑区划分（在图 7 d中为“派生”图谱）。例如，AAL 600图谱是从AAL图谱中派生出来的，其脑区划分是通过特定的算法进一步划分的。脑区划分也可以随机地被划分。

3.6. 图谱之间的冲突结果考虑因素 

      当使用多个图谱时，结果可能会产生冲突。我们将冲突结果定义为两个不同的图谱给出交替的预测（例如，良好与不良的结果，SFC的增加而不是减少）或者支持交替的工作假设（例如，一个图谱中的涉及到了颞叶，但另一个图谱强调了额叶在疾病的病理生理学中的作用）。我们并不是说冲突结果是因为缺乏统计效力产生的（例如，一个图谱给出的 p 值是 0.06，另一个图谱是 0.04）。

      理解观察到的效应是否是图谱选择的结果的一种方法是选择具有不同特性的几个图谱，并找出引发冲突的原因。遗憾的是，可能没有其他方法，因为每项研究都会有不同的参数和测量来了解什么导致了冲突结果。在由于图谱选择导致冲突结果的情况下，可能需要进行故障排除以理解引发冲突的原因（表面与体积的配准，划分的尺度，缺少相关结构等）。然而，幸运的是，本研究中的大多数图谱影响的是效力，而非冲突结果 (见图 6 d)。我们希望这个讨论、我们的研究和我们的图表能为其他人提供见解。

3.7. 限制 

      我们的研究并非没有局限性。一个主要的限制是我们没有在多样化的实验系统中评估图谱，而是将我们的分析限制在使用SEEG植入物对癫痫进行的现代主题研究，以及对大脑结构-功能的研究，可能对更广泛的受众具有吸引力。我们试图回答的问题（“我们应该使用哪个图谱？”）是一个难以解决的问题，因为在所有的实验设计中评估所有的图谱是不可能的。我们在对可用的神经影像学图谱进行大量搜索和策划后，试图概括一个框架。

     我们也没有在事后进行特征选择分析以最大化发作起始的SFC；相反，我们对许多图谱进行了全面的评估，以设定一个通用的框架，并描述不同图谱及其特性之间的细微差异。理想情况下，在我们的研究中，我们需要一个涵盖植入的SEEG电极接触点的全脑体积图谱。但是没有这样的图谱存在。我们选择将不同的图谱组合起来，或者开发在之前的出版物中使用的随机脑区划分的图谱 (Mišić, Betzel等)。然而，没有一个通用的框架来确定应该使用哪个图谱，或者清楚地概述这些图谱的特性空间。我们没有正式的依据来了解改变图谱如何改变我们的结果以及最终翻译网络模型以更好地治疗癫痫患者的目标。

     另一个限制是，我们假设SFC的改变支持了癫痫发作是利用大脑的基础结构连接组织的假设（加上以前文献的支持 (Ashourvan等））。我们可能会偏向于选择一个可以最大化 𝐷𝑒𝑙𝑡𝑎 SFC的图谱。然而，我们希望选择一种方法，让我们能够测量伴随着癫痫发作起始的任何大脑状态的改变（解释有效性），从而允许我们探究癫痫的生物学，并理解控制癫痫扩散的过程。

     另一个限制涉及到脑区划分体积对SFC的影响。在对我们的随机图谱和文献中使用的图谱进行这种影响的探查时，我们并未进行控制实验来分离脑区划分大小与脑区划分N（脑区划分数量）的效应。一个未来的实验可以固定脑区划分的数量，同时改变脑区划分的体积（或者反之）。这将允许我们测试是脑区划分的体积还是N驱动了SFC的变化。然而，这超出了我们研究的范围。

      我们的目标是强调选择适当的图谱的重要性，从一系列的可能性中，使用数据驱动，验证的实验范式（Shah等人，2019）。我们承认新的研究表明，流线计数可能不能完全反映底层的扩散数据（Smith等人，2015）；然而，比较这样的技术超出了我们专注研究的范围和目标。我们也注意到很少有患者的影像中有病变。由于非线性失真可能对我们的数据产生噪声，但很少有患者有病变。我们的研究并非为了一定要宣称在癫痫发作起始时大脑中存在SFC的变化，而是为了展示如何改变图谱可能会改变SFC。

      最后，我们的分析依赖于一个假设，即必须使用图谱方法来量化SFC，而没有考虑一个不依赖图谱的方法，也没有考虑这样的方法是否合适。要使用网络研究SFC，结构和功能网络都必须有代表同一实体的节点 - 神经解剖结构。定义解剖结构的图谱（无论它们是功能性的、组织学的、基因的、程序上的、多模态的，或者是随机定义的）是结构连通性和大脑功能连通性测量的联系。要研究SFC（结构-功能相关性），我们必须依赖于图谱定义的神经解剖结构，然后将电极定位到这些区域，并将结构测量（例如，流线，分数各向异性，平均扩散性）与功能测量（例如，交叉相关，相干性，互信息）相关联。从根本上说，我们事先定义了大脑的节点，这可能改变我们的结果；更全面的关于定义大脑节点的讨论可以在Fornito等人，2016和Bijsterbosh等人，2017 Bijsterbosch et al. (2017); Fornito et al. (2016)中找到。

3.8. 结论 

     过去三十年来，图谱的研究和其在神经影像软件平台上的分布呈指数级增长。我们的研究揭示了评估使用已在神经科学社区中建立的工具和分析流程（例如，FreeSurfer、DSI studio、FSL、SPM、QSIprep、fMRIprep、MRIcron、ANTs等）发布的图谱进行神经科学研究的可重复性的关键需求。