Neuromaps: 大脑结构和功能的图解

 成像技术越来越多地被用来生成高分辨率的大脑结构和功能参考图。将实验生成的图与这些参考图进行比较，有助于跨学科的科学发现。尽管最近的数据共享计划增加了大脑图的可访问性，但数据经常在不同的坐标系统中共享，这使得系统化和准确的比较变得困难。在这里，我们介绍了neuromaps，一个用于访问、转换和分析大脑结构和功能注释的工具箱。我们实现了在四个标准坐标系统之间生成高质量转换的功能。该工具箱包括精选的人脑参考地图和生物学本体，如分子、微结构、电生理、发育和功能本体。通过一系列保留空间自相关的零模型，实现了脑图与脑图之间的稳健定量评估相似性。neuromaps结合了开放获取的数据和透明的功能，用于标准化和比较脑图，为全面的人脑结构和功能注释富集分析提供了系统的工作流程。本文发表在Nature Methods杂志。（可添加微信号19962074063或18983979082获取原文及补充材料，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)。

主要内容

     如磁共振成像（MRI）、脑电和磁脑电图（EEG和MEG）以及正电子发射断层扫描（PET）这样的成像和记录技术被用来生成人脑的高分辨率图像。这些图像为大脑的结构和功能架构提供了洞察，包括灰质形态测量、髓鞘化、基因表达、细胞结构、代谢、神经递质受体和转运体、层间分化、固有动力学以及进化扩张。这样的图像越来越多地在开放访问的数据库，如NeuroVault或BALSA上被共享，它们共同提供了中枢神经系统的全面多模态视角。然而，这些数据共享平台仅限于表面或体积（Volume)数据，并且未集成标准化的分析工作流程。

      如果研究者在他们的工作中生成大脑图，例如任务功能MRI激活或病例-对照皮层厚度对比，他们应该如何解释它们？理想情况下，应该有一种系统的方法，使用严格的统计方法，将生成的脑图与现有的结构和功能注释进行比较和背景化。在相邻领域，如生物信息学，已经存在多种广泛用于基因列表的功能分析和通路富集分析的计算方法。一个可比较的神经影像学的结构和功能富集工具需要支持三个特定的功能：一种在多个坐标系统之间生成高质量转换的方法、一个在其原生空间中的大脑地图的策划存储库，以及一种估计脑图与脑图相似性的方法，该方法考虑到空间自相关。

      在当前的报告中，我们介绍了一个开放访问的Python工具箱：neuromaps，以使研究者能够系统地共享、转换和比较大脑图（图1）。首先，我们生成了一组在神经影像学中广泛使用的四个标准坐标系统之间的群体级转换，并通过一组可访问的、统一的接口集成它们。接下来，我们从过去十年的文献中整理了超过40个参考性的大脑地图，以便更好地对新的大脑注释进行背景对比和解读。最后，我们采用了考虑空间自相关的零模型，为大脑地图之间的统计比较提供了工具，这有助于研究者进行标准化和可重复的大脑地图分析。总体而言，这是朝着系统化知识和快速算法解码大脑的多模态多尺度结构迈出的重要一步。

图 1：neuromaps 工具箱功能。neuromaps 软件包具有以下特点：一种在多个坐标系统之间生成高质量转换的方法，一个精选的大脑脑图资料库（这些脑图都保存在其原生系统中），以及一种能够考虑空间自相关性的脑图间相似度评估方法。

方法

人类连接组计划

    在坐标系统之间生成转换需要来自大量个体的高质量数据；为了在"neuromaps"工具箱中进行转换，我们使用了来自"人类连接组计划" (HCP29) 的数据。我们从HCP S1200版本下载了n=1,113名受试者（507名男性，年龄22-35岁）的原始T1和T2加权结构MRI数据，这些受试者都已获得知情同意。在数据处理后，并排除了使用CIVET流程未能成功处理其数据的受试者，最终剩余n=1,045名受试者。

人类连接组计划处理流程：

     所有的结构数据都使用HCP最小预处理流程进行了预处理。简而言之，T1和T2加权的MRI扫描进行了梯度非线性校正，当可用时，每个个体的重复扫描图像进行了配准并取平均。校正后的T1加权和T2加权图像进行了配准，使用FreeSurfer 5.3.0-HCP提取了大脑皮层表面。使用MSM方法（MSMAll）30将受试者级别（单个人的数据）的表面与彼此对齐。

CIVET处理流程：

    图像分别使用minc-bpipe-library（https://github.com/CoBrALab/minc-bpipe-library）进行处理，该库执行N4偏差校正、颈部区域的裁剪和大脑掩模生成。然后，minc-bpipe-library的输出通过CIVET流程（v2.1.0, ref. 67）进行处理，该流程执行到MNI国际脑映射联盟（ICBM）152体积模板的非线性配准、皮层表面提取，以及受试者表面网格到MNI ICBM 152表面模板的配准。由于CIVET处理失败，n = 68名受试者的数据被排除在进一步分析之外。

  

标准坐标系统

      在此，我们简要描述了本报告中考虑的四个标准坐标系统（一个体积（volume)和三个表面）。尽管神经影像学研究中使用了其他坐标系统，但这四个可以说是已发表文献中最常用的系统。

MNI-152系统

      有大量的工作致力于解释研究者提到“MNI-152空间”时的含义，因为根据模板的选择，存在几种不同的此空间的变体。除了MNI-152模板的各种变体外，还存在许多其他的MNI空间，它们之间的差异足以影响后续分析。在这里，我们使用由明尼苏达大学-华盛顿大学人类连接组项目组定义的MNI-152空间，这是MNI ICBM 152非线性第六代对称模板的一个变体（与FSL分发提供的MNI模板相同）。选择此模板是因为它是HCP处理流程中的默认模板，其中一些用于生成坐标系统之间的转换。该模板是通过将152名健康年轻成人的T1加权MRI扫描线性和非线性地（经过六次迭代）转换到Talairach空间中的对称模型来创建的。

      但请注意，体积数据通常在其他MNI-152模板中可用。neuromaps目前不支持用于在MNI-152模板之间进行转换的功能（但请参见https://figshare.com/articles/dataset/MNI_T1_6thGen_NLIN_to_MNI_2009b_NLIN_ANTs_transform/3502238，了解MNI-152第六代模板和MNI-152 2009b非线性模板之间的转换）。尽管如此，可以将转换功能应用于其他MNI-152模板中的数据。这些转换忽略了MNI-152模板之间的差异，因此只有在数据无法配准到HCP MNI-152模板，并且符合特定研究目标时，才应使用它们。

fsaverage坐标系统

     FreeSurfer所使用的fsaverage系统是基于fsaverage模板来展示神经数据的，这个模板是一个三角形表面网格，它是通过对40名个体进行球面配准并使用能量最小化算法来对齐基于表面的特征（例如，凸度；参考文献66,71）而创建的。在FreeSurfer的当前分发版本中，有五种不同规模的fsaverage模板（fsaverage及fsaverage3-6），其密度范围从每个半球的642个顶点到163,842个顶点。fsaverage系统与MNI-305体积系统的空间大致对齐，MNI-305是MNI-152模板的前身。

fsLR坐标系统

     fsLR系统旨在解决fsaverage系统的一个明显问题：半球的不对称性。也就是说，fsaverage的左右半球并不地理对应。为了解决这一问题，fsLR图谱将fsaverage的两个半球配准到一个共同的混合表面，这是通过基于地标的表面配准方法完成的。fsLR模板的密度从每个半球的32,492到163,842个顶点不等。

CIVET坐标系统

      CIVET软件使用的坐标系统是基于体积型MNI ICBM 152非线性第六代模板的群体平均表面重建得到的。在其常用的版本中，每个半球包含41,962个顶点；还有一个高分辨率版本，每个半球有163,842个顶点。这个系统是从体积（volume)型MNI模板派生的，因此，它与MNI-152系统中的体积图像有很好的对应关系。

生成系统间的转换

      将个体数据转换为公共坐标系统通常是为了在群体聚合之前考虑到个体之间的解剖学差异，这使得从不同数据集得到的脑图更具可比性。从MRI收集的数据传统上被表示为体积（volume)图像，因此通常被转换为体积空间中的标准“人群”图像（例如，MNI ICBM 152模板；参考文献78,79）。然而，标准化的三角形（即“表面”）网格也越来越多地被用来表示数据（例如，fsaverage、fsLR和CIVET表面）。在不同的表示和坐标系统之间转换个体、受试者级数据是非常重要的，过去几十年来一直是大量研究的焦点。

      尽管有许多方法可以在坐标系统之间转换数据，但高质量的群体平均数据映射是有限的。在创建neuromaps工具箱时，我们使用了两个之前经过验证的框架来生成上述所有四个标准坐标系统之间的转换（见图3）。所有的转换都是使用未经平滑的解剖数据生成的，因此不偏向于已经平滑的数据。

配准融合框架 

      配准融合是一种在体积（volume)和表面坐标系统之间投影数据的框架。在其最为人知的实现应用中，研究者使用了来自Brain Genomics Superstruct Project的数据，生成了MNI-152空间与164k fsaverage表面之间的非线性映射。

      配准融合的工作原理是为一组受试者生成两组映射：一组映射是每个受试者的原始图像与MNI-152空间之间的映射，另一组映射是每个受试者的原始图像与fsaverage空间之间的映射。这些映射被串联起来（从MNI-152到原始到fsaverage），然后在受试者之间取平均，得到一个可以应用于新数据集的单一、高保真映射。

      在这里，我们使用来自HCP的数据，通过配准融合生成了MNI-152基于体积（volume)与fsaverage、fsLR和CIVET基于表面的坐标系统之间的映射。所有的映射都使用了Connectome Workbench的功能，而不是FreeSurfer，以确保无论目标坐标系统如何，方法论的标准化都是一致的。

MNI-152到CIVET

      与fsaverage和fsLR表面不同，CIVET表面是从受试者的T1加权MRI体积(volume)中提取的，这些图像已经被转换到标准的MNI-152系统。因此，对于CIVET表面，没有必要像对其他坐标系统那样生成复合映射。相反，我们简单地计算了从每个受试者的MNI-152转换后的T1加权MRI体积到受试者的原始CIVET表面的映射，然后应用CIVET生成的表面重采样来将映射配准到CIVET标准模板系统。然后，这些映射在受试者之间取平均，生成一个单一的群体级转换。

fsaverage、fsLR或CIVET到MNI-152 

       尽管每个表面顶点在体积空间中都有一个对应的体素表示，但并不是每个体素在表面空间中都有一个对应的顶点表示。因此，从表面坐标系统生成到MNI-152体积系统的转换不能产生一个密集的输出图。当配准融合框架初次被提出时，为了克服这一挑战，研究者们引入了基于最近邻居的策略，并结合带状填充技术进行处理。然而，这只是一个可行的方法，当应用于标签数据时（即基于整数的分区图像）。我们为了完整性重现了这种方法，但警告不要将表面到体积(volume)的投影应用于连续数据，并从我们的分析中省略了这样的投影。

多模态表面匹配框架 

     多模态表面匹配（MSM）框架旨在使用大脑结构和功能的各种描述信息来对定义在不同网格上的表面进行对齐。此过程之前已被用于生成fsaverage和fsLR坐标系统之间的映射。

     在此，我们使用MSM在CIVET和fsLR系统之间生成一个映射，通过将使用CIVET流程处理的HCP受试者数据与通过HCP处理流程处理的相同数据进行对齐。考虑到MSM要求输入数据提供在球形表面网格上（这不是标准CIVET流程中生成的表示形式），我们使用FreeSurfer功能为每个受试者的CIVET派生的白质表面生成球形网格表示和脑沟深度信息。我们使用这些球形网格和脑沟深度测量来驱动CIVET和fsLR系统之间的对齐，通过两轮MSM程序。第一轮用于生成旋转仿射变换以对齐CIVET和fsLR系统的粗糙特征；生成的仿射平均在所有受试者之间，并用于播种第二轮更高分辨率的对齐，这与之前描述的程序类似。最终，在CIVET系统中定义的对齐的受试者级球形表面被平均以创建一个可以在未来转换中使用的单一的组级表面。

      CIVET到fsaverage的映射是CIVET到fsLR和fsLR到fsaverage系统之间的转换的组合生成的。

脑区划分

      在体素或顶点级别进行分析可能会非常消耗计算资源。neuromaps软件包可以扩展到分区数据，并集成了用于划分基于体积和基于表面的数据的工具。基础的分区功能假设给定的分区为每个区域分配一个唯一的值，其中值为0被视为背景并被忽略。提供了辅助函数来灵活处理其他分区格式。例如，表面分区通常在单独的左-右GIFTI文件中定义，尽管每个半球都有独特的分区，但在两个半球之间使用相同的识别号码。在这种情况下，用户可以重新标记分区识别号码，使它们在半球之间连续。选择此默认格式是为了保持表面和体积（volume)数据分区的一致性，并避免当半球不对称时产生混淆。

已发布的大脑图谱

      我们从过去十年的已发布文献中策划了一系列的大脑图谱（图2）。除了从Allen人脑图谱派生的基因组梯度外，其他图谱都是按其原始坐标系统获得的。Allen人脑图谱在表面上的样本在应用主成分分析之前被上采样到fsaverage 10k表面，使用k-最近邻插值。完整的图谱及其坐标系统列表见补充表1。其中一些图谱最初是在不再使用的坐标系统中定义的。简而言之，我们描述了我们用来将这些图谱投影到当前标准坐标系统之一的转换。

PALS-TA24到fsLR

      从参考文献19获得的数据最初是对齐到特定于研究的PALS-TA24模板（使用与PALS-B12模板类似的基于地标的程序派生），该模板已被fsLR坐标系统取代。为了将数据从PALS-TA24模板投影到fsLR系统，我们应用了原始研究者提供的变形图，使用最近邻插值在这些空间之间转换数据。

CIVET v1到v2

      从参考文献22获得的地图最初是使用CIVET v1.1.12的表面模板创建的；然而，随着2014年CIVET v2.0.0的发布，CIVET分发中提供的人口表面模板得到了更新，从而使旧模板变得多余。为了将数据从CIVET v1.1.12模板投影到CIVET v2.0.0模板，我们使用了最近邻插值，将新模板中的顶点坐标与旧模板中的坐标匹配，并分配对应于最近顶点的值。

空间零模型框架

     最近的研究一致强调了在统计比较大脑图谱时空间约束零模型的重要性。neuromaps软件包集成了九种不同的空间零模型框架。这些包括六种空间置换模型和三种参数化数据模型，这些模型可以应用于基于表面、体积(volume)或分区的数据。请注意，其中四种零假设模型是当应用于分区数据时的原始空间置换框架的适应。这些框架在如何重新分配大脑内侧壁（对于大多数脑图都不包含此数据）方面有所不同，无论是通过丢弃缺失的数据，完全忽略内侧壁，还是将缺失的数据重新分配给最近的分区。三种参数化数据模型通过应用生成框架，如空间滞后模型、谱随机化或变差函数匹配，来避免空间旋转。

      对于本报告中使用基于表面的坐标系统的分析，我们应用原始的空间置换框架程序；对于使用体积（volume)系统的分析，我们应用变差函数匹配方法。通过每个框架生成的1,000个零假设地图系统地导出了零分布。在以下部分简要描述了本工作中用于分析的每个零假设框架的机制。

空间置换零模型

     本报告中使用的空间置换程序通过对皮层表面的球形投影应用随机旋转来生成空间约束的零假设分布。一个旋转矩阵（R）被应用于皮层的三维坐标（V）以生成一组旋转坐标（Vrot = VR）。通过将每个坐标的原始值替换为最接近的旋转坐标的值来构造置换。对一个半球独立生成旋转，然后沿前后轴镜像到另一个半球。

      

变差图估计零模型

      本报告中使用的参数模型主要分为两个步骤：首先，给定图像中的值被随机置换，然后置换后的值被平滑和重新缩放，以重新引入原始、非置换数据的特征空间自相关。通过变换

，将空间自相关重新引入到置换数据中，其中x′是置换数据，

是随机高斯噪声的向量，α和β是通过原始数据和置换数据的变差图之间的最小二乘优化来估计的。

评估坐标系统的影响

      当将定义在不同坐标空间中的两个数据集（即源数据集和目标数据集）转换到一个公共系统时，至少有三个选项可供选择：将源数据集转换到目标的系统，将目标数据集转换到源的系统，或将源和目标数据集都转换到另一个系统。如果要对多个数据集对进行比较，那么就有第四个选项：始终将更高分辨率的数据集转换到较低分辨率数据集的系统。

       为了检查坐标系统的选择是否影响估计的大脑图谱之间的统计关系，我们进行了几项分析。首先，我们将20个大脑图谱的选择转换到每一个其他的坐标系统（例如，fsaverage → fsLR、CIVET和MNI-152，fsLR → fsaverage、CIVET和MNI-152，等等）。我们接着根据上述的四种可能的重采样选项对这些脑图的每一对进行了相关性分析。当将源数据集和目标数据集都转换到另一个系统时（上述的选项3），我们全面测试了每一个目标坐标系统和数据分辨率。空间零假设模型被用来评估所有相关性的显著性。

结果

 neuromaps 软件工具箱已经在以下网址上线：https://github.com/netneurolab/neuromaps。此外，它也在 PyPi 和 Zenodo 上有发布，并且还提供了 Docker 容器版本。相关的使用文档可以在 GitHub 页面（https://netneurolab.github.io/neuromaps）上查阅。接下来，我们将重点介绍 neuromaps 中的主要功能，并展示其支持的常见操作流程。同时，我们还将利用 neuromaps 来探讨选择不同的坐标系统如何影响大脑地图的统计分析结果。

neuromaps 数据库介绍

     neuromaps 工具箱为用户提供了四种主流坐标系统的模板访问方式：fsaverage（由 FreeSurfer 软件默认使用，基于 40 例标准大脑数据）、fsLR（是 fsaverage 的对称版本，涵盖左右脑半球）、CIVET（CIVET 软件的默认坐标系统）以及 MNI-152（由蒙特利尔神经学研究所基于 152 例 MRI 扫描数据开发的坐标系统）。对于基于表面的坐标系统，我们提供了标准的 GIFTI 格式的模板几何文件、脑沟深度地图和平均顶点面积形状文件（这些数据是由 Human Connectome Project 的参与者提供的）。而对于体积（volume)型坐标系统，我们提供了标准的 gzipped NIFTI 格式的 T1、T2 和质子密度加权 MRI 模板文件，以及大脑掩模和灰质、白质、脑脊液的概率分割图。

      除了模板文件外，neuromaps 工具箱还提供了从已发布的文献中获取的大脑地图的访问权限（参见图 2 和补充表 1）。这些脑图是使用多种成像技术生成的，包括 MRI、MEG、PET 和微阵列基因表达。除了基因组梯度外，所有的大脑地图都以它们原始定义的坐标系统提供，以避免连续插值造成的错误。基因组梯度被上采样到具有10,242个顶点（10k表面）的 fsaverage 表面，使用 k-最近邻插值方法。Allen 人脑图谱的原始和处理后的数据可以在 https://abagen.readthedocs.io/en/stable上访问。总的来说，这些地图代表了超过十年的人脑绘图研究，并涵盖了多种表型，包括基因表达的第一主成分、36种神经递质受体 PET 示踪图像、葡萄糖和氧代谢、脑血流和容量、皮层厚度、T1加权/T2加权 MRI 比、六种典型的 MEG 频带、固有时间尺度、进化扩张、三种发育扩张地图、功能连接的前10个梯度、受试者间变异性以及 NeuroSynth 派生的认知激活的第一主成分。这个数据仓库按标签组织，并可以直接从 neuromaps 下载。

图 2：来自已发布文献的大脑地图。

       从过去十年的已发布文献中获得的大脑地图集合，目前可以在 neuromaps 分发中找到。这些地图捕捉了大脑的规范多尺度结构和功能组织，包括分子、细胞、代谢和神经生理特征。有关每个大脑地图的坐标系统、分辨率和原始出版物的更多信息，请参考补充表 1。颜色图选择是为了最大化与原始出版物中数据的表示方式的相似性。请注意，其中两个地图（第二列：进化和发育扩张）只有右半球的数据；固有时间尺度进行了对数转换；这里显示了36个神经递质受体地图中的四个选择；基因组梯度被上采样到 fsaverage 10k 表面（要访问原始和处理后的 Allen 人脑图谱数据，请参见 https://abagen.readthedocs.io/en/stable/）。

缩写词：5-HT1a，5-羟色胺受体1A；CBF，脑血流；CBV，脑血容量；CMRGlu，葡萄糖代谢；CMRO2，氧代谢；M1，毒蕈碱受体1；mGluR5，代谢型谷氨酸受体5；MOR，μ-阿片受体；NIH，国家卫生研究院；PC1，第一主成分；PNC，费城神经发育队列；T1w/T2w，T1加权/T2加权 MRI。

       neuromaps 工具箱使得大脑地图能够与一系列的分子、结构、时间和功能特征相对应。这将促进研究问题的扩展，并使研究者能够跨越多个空间尺度和跨学科范围来连接大脑地形图。重要的是，包含的大脑地图只是 neuromaps 数据库的开始。贡献流程允许研究者将顶点和体素级的大脑地图添加到工具箱中。因此，数据仓库将成为一个日益丰富的结构和功能大脑注释资源。随着工具箱的扩展，它将变得更加全面，为神经科学领域提供了识别跨学科关联的能力。关于如何贡献大脑地图的信息可以在软件的在线文档中找到（https://netneurolab.github.io/neuromaps/）。

      尽管 neuromaps 中收集了多尺度、多模态的大脑表型，但由于它们存在于不同的原生坐标系统中，因此无法轻易地相互比较。实际上，当将神经影像数据与更广泛的文献进行关联时，一个常见的挑战是找到一个公共的坐标空间或分区来进行分析。neuromaps 模块提供了四种支持的坐标系统之间的转换，以及一套标准化的函数来应用它们（补充表2）。基于体积（volume)和基于表面的坐标系统之间的转换依赖于一个配准融合框架（图3a；参考文献35），而基于表面的坐标系统之间的转换使用多模态表面匹配（MSM）框架（图3b；参考文献36,37）。我们利用 Connectome Workbench 的工具为应用表面系统之间的转换提供功能；然而，用户不需要直接与这些 Workbench 命令交互。除了转换单个注释，neuromaps 软件包还包括接收两个位于不同空间的大脑地图作为输入，并返回在同一空间中的两个大脑地图的功能。默认情况下，neuromaps 返回的大脑地图位于分辨率较低的地图的空间中，这确保了 neuromaps 不会人为地创建上采样数据。总的来说，neuromaps 工具箱实现了坐标系统之间的稳健转换，以促进神经影像工作流的标准化（图3c,d）。

图3：坐标系统之间的转换。

a, 配准融合提供了一个框架，用于直接将群体级体积（volume)数据投影到表面上。在这里，中央沟的概率图谱已经独立地投影到CIVET（41k）、fsLR（32k）和fsaverage（164k）表面上。

b, MSM(多模态表面匹配)提供了一个框架，用于对齐球形表面网格。在这里，我们展示了在不同坐标系统中对齐的球形网格上的沟深信息（最初在fsLR空间中定义），其中每一行代表一个不同的坐标系统，每一列代表该系统对齐的空间。

c, 一个体积(volume)大脑地图的示例（来自NeuroSynth的认知术语的第一个主成分），已经使用从配准融合中得到的对齐转换到所有基于表面的坐标系统。

d, 一个表面大脑地图的示例（来自Allen人脑图谱的基因表达的第一个主成分），已经使用从MSM中得到的对齐转换到所有其他基于表面的坐标系统。请注意，因为原始数据是在皮层表面上表示的，所以转换到体积空间是不明确的，因此在这里没有显示。

空间零模型用于比较大脑地图 

      将脑图转换到一个公共坐标系统的主要目标是统计脑图的空间拓扑。neuromaps软件包使用了一个灵活的框架来检查大脑地图之间的关系，为研究者提供了提供自己的图像相似性度量或函数的能力，并处理任何缺失的数据。默认情况下，主要的地图比较工作流使用标准的皮尔逊相关性来测试提供的地图之间的关联。neuromaps比较工作流还集成了多种进行空间置换的方法进行显著性测试。

      多种空间零模型框架使得在考虑空间自相关的情况下进行大脑地图的统计比较成为可能；然而，这些模型的实现各不相同，到目前为止，为它们的使用提供标准化接口的努力还很有限。我们已经将九种零模型整合到neuromaps工具箱中，并为每种模型提供了一个通用的用户界面，可以与工具箱的其他方面集成。考虑到这些模型的计算成本，我们的实现提供了缓存中间结果的机制，以便在多次分析中更快地重复使用。在主要的地图比较工作流中，默认启用空间零模型，以鼓励它们的更广泛采纳。基于之前对这些模型的准确性和计算效率的基准测试，我们将非参数方法设置为与表面数据一起使用的默认方法，并将参数化生成方法设置为与体积（volume)数据一起使用的默认方法。

展示neuromaps工具箱

      为了展示neuromaps的实用性，我们应用了三个独立的分析工作流，提供了神经科学的见解。首先，我们应用neuromaps工具箱对一个由比较T1加权MRI扫描从n = 133患有慢性精神分裂症的患者与T1加权MRI扫描从n = 113对照从西北大学精神分裂症数据和软件工具(NUSDAST)数据集46得到的皮层变薄的体积地图进行了分析（图4a）。我们通过应用基于变形的形态测量方法到T1加权MRI扫描来估计皮层变薄，以计算患者相对于对照组的灰质扩张或收缩的程度。我们使用neuromaps的转换功能将MNI-152体积(volume)精神分裂症大脑地图（“源地图”）转换为neuromaps中选定的13个大脑地图的表面空间（“目标地图”）。接下来，我们将转换后的精神分裂症地图与这13个目标地图中的每一个进行相关（皮尔逊的r），并使用保留空间自相关的零模型（“旋转测试”）和假发现率校正来测试显著性。我们发现与精神分裂症相关的皮层变薄在神经发育扩张最大的区域中被富集（rNIH = 0.26，Pspin = 0.001；rPNC = 0.29，Pspin = 0.001），这与精神分裂症是一种影响青春期发育的神经发育性疾病的观念一致。相比之下，我们没有发现证据支持最近的说法，即精神分裂症针对的是单模态-跨模态处理层次的特定部分（r功能梯度 = -0.08，Pspin = 0.35；参考文献51,52）。

       接下来，我们应用了相同的分析流程到一个基于表面的进化扩张的大脑地图（已包含在neuromaps中），该地图表示从猕猴到人的皮层表面积的扩张（图 4b）。将这个源地图与工具箱中的其他12个选定的目标地图进行对比，我们发现具有最大进化扩张的区域具有最大的区域功能连接性轮廓的个体间差异（r = 0.58，Pspin = 0.005；参考33）。这与在系统发育较新的跨模态皮层中存在最大的大脑结构和功能的个体差异的观念是一致的。此外，我们发现与基因表达的第一主成分（r = -0.51，Pspin = 0.027）和皮层内髓鞘（r = -0.46，Pspin = 0.005）有显著的负相关，这与以下观点相一致：即在进化上较新的皮层特征是与基因梯度和典型的刺激-响应回路配置有所偏离的。我们还发现该地图与脑血容量呈负相关，这表明进化适应与更大的代谢效率是相伴随的（r = -0.37，Pspin = 0.003）。总的来说，这两个例子展示了如何使用neuromaps工具箱来严格地生成全面的结构和功能注释富集轮廓。

图 4：利用neuromaps工具箱对两个示例性的大脑地图进行解读。

       为了展示neuromaps的实用性，我们使用该工具箱对两个示例性的大脑地图（即源地图）进行转换、描述和定量评估结构和功能的富集。

a、从NUSDAST数据库中得到的慢性精神分裂症患者的皮层变薄的体积（volume)地图（n = 133患者对比n = 113对照46）是通过应用基于变形的形态测量技术到T1加权MRI扫描上得到的，以计算患者相对于对照组的灰质扩张或收缩的程度。暖色代表更大的皮层变薄区域。该地图被转换为每个目标大脑地图的原始坐标空间。

b、一个基于表面的结构性进化扩张的大脑地图表示人类与猕猴的表面积之比，这是通过种间基于表面的配准技术计算得到的。暖色表示有更大进化扩张的区域。这张地图（源地图）被转换为每个目标大脑地图的原始坐标空间。空间皮尔逊相关性是根据一个双侧的空间自相关零模型（“旋转测试”）来评估的。点代表源地图和目标地图之间的实证皮尔逊相关性（显著性定义为Pspin < 0.05）。在箱线图中，箱体的两端代表零模型分布的第一（25%）和第三（75%）四分位数，中心线（中位数）代表零模型分布的第二四分位数（n = 1,000旋转），线的延伸部分代表分布的非异常范围，而开放的圆圈代表异常值。所有的相关性都经过了多重比较校正。

      最后，我们分析了过去十年（2011-2021）发表的文献中的20个大脑地图样本，包括：两个微结构、四个代谢、三个功能、四个扩张、六个特定频带的电生理信号功率和一个基因组地图。然后，我们使用neuromaps将这些地图从它们的原始表示转换为由四个标准坐标系统中的每一个定义的空间，总共有七种不同的表示（图 2）。最后，我们计算了每个系统中所有地图之间的成对相关性，并使用空间零模型评估这些关系的统计显著性。这个分析的目标有两个。首先，我们希望评估坐标转换在多大程度上可能影响地图之间的比较。其次，鉴于人们对这些系统级地图或“梯度”之间的关系如何的兴趣日益增长，我们希望评估它们之间的关系模式。

      对于大多数地图之间的比较，坐标系统的选择影响很小：平均相关系数仅变化∣r∣ = 0.018（绝对差异的方差为0.0002；范围为-0.10到0.079）。这通过地图之间的相关矩阵（图5a）和不同坐标空间中的大脑注释对之间的相关性变化（Δr）的分布（图5b）得到证明。具体来说，对于给定的一对大脑注释，我们计算它们在六个可用的表面空间和分辨率中的相关性。接下来，我们绘制每个空间与恒定空间之间的相关性差异的分布。每个直方图代表当定义一个不同的坐标空间和分辨率为恒定空间时的分布。尽管变化很小，但在某些情况下，地图之间的关联在一个坐标系统中是统计显著的，而在另一个坐标系统中则不显著。例如，功能梯度与国家卫生研究院（NIH）的等距缩放在CIVET 41k空间中显著相关（r = 0.223，双侧Pspin = 0.049），但在fsLR 32k空间中的相关性不显著（r = 0.217，双侧Pspin = 0.097）（图5c）。然而，在大多数情况下，这些关系的P值接近统计α值（即P ≤ 0.05），因此实际效应大小只变化了r ≤ 0.10。这些结果令人鼓舞，表明在不同的系统之间转换大脑注释通常会保留它们的关系。

图5：应用neuromaps到20个大脑地图。

a, neuromaps工具箱中20个大脑地图的相关矩阵，适用于每个基于表面的坐标系统。因为从基于表面的系统到基于体积的系统的转换对于连续数据是不明确的，所以我们省略了那些关联。第d面板显示了20个大脑地图。

b, 对于每个坐标空间和分辨率，我们显示了当两个大脑地图（跨越所有大脑地图对）在给定的坐标空间与所有其他空间中相关时的相关性变化（Δr）的分布。

c, 两个大脑地图的示例（来自ref. 32的主要功能梯度和来自ref. 22的等距缩放），其中一个系统（CIVET 41k；Pearson’s r = 0.223，双侧Pspin = 0.049）中的关联是显著的，而另一个系统（fsLR 32k；Pearson’s r = 0.217，双侧Pspin = 0.097）中则不是。

d, 为fsLR 32k系统展示的20个脑图的相关性矩阵的弹簧式布局表示。

      在所有检查的系统中，我们发现大脑地图倾向于形成两个明显的簇（图5d），这在很大程度上重现了先前建立的涉及前后和单模式-跨模式变化轴的关系。一个簇包含了大脑地图，如T1加权/T2加权MRI比率、基因表达的主成分、脑血流和葡萄糖代谢摄取，而另一个簇则由诸如主要功能梯度、受试者功能变异性以及发育和进化扩张的大脑地图组成。这表明这些大脑表型反映了人脑的基本组织原则。

讨论

       技术和数据共享的进步使神经科学研究日益转向根植于数据科学的综合性问题。成像、记录、追踪和测序技术提供了以前所未有的细节和深度量化神经解剖和功能的能力。简化这种比较的标准化和计算是确保新数据集能够被整合到我们对人脑的更广泛理解中的必要条件。随着neuromaps工具箱被社区采纳，用户可以添加来自新兴技术和数据集的注释。这将使地图能够系统地与来自不同数据类型和学科的多个规范注释进行上下文化，从而实现结果的标准化报告，并为后续研究提供灵感。最终，neuromaps是朝向多模态、多尺度神经科学的综合分析的一步。

      鉴于近年来此类数据集的激增，已经出现了大量的工作，专注于研究大脑地图之间的相似性。确实，研究者们已经观察到，从各种不同表型中得到的脑图在空间拓扑上有很大的一致性，这表明这些地图可能反映了人脑的一个基本的组织原则。单模态-跨模态或感觉-联合轴越来越被认为是脑组织的低维表示。然而，大规模的分析将促进对多个脑系统的全面比较。关于代表结构和功能组织的多个尺度的梯度如何相互作用的问题，是一个现在可以使用neuromaps来解决的令人兴奋的新研究领域。

      研究者在使用neuromaps工具箱时必须注意的一个问题是，提供的坐标系统之间的转换是为群体级数据设计的；然而，通常情况下，当有受试者级（单个人的数据）数据可用时，最好在所需的坐标系统中重新处理它们，而不是转换群体级的汇总数据。然而，在实践中，许多常用的大脑地图的受试者级数据对研究者来说是不可用的，因此在系统之间有高质量的转换对于确保以尽可能准确的方式进行分析至关重要。我们基于最先进的框架（即，配准融合和多模态表面匹配）提供了转换，这些框架已经在其他数据集上经过严格的评估和验证。尽管如此，已经配准到模板空间的受试者级数据可以从neuromaps的功能中受益。例如，可以将受试者级数（单个人的数据）据与neuromaps库进行对比，以产生一个特定于受试者的“指纹”，显示该个体如何表达不同的结构和功能大脑表型。随着映射坐标系统之间的新框架的出现，我们将努力在可能的情况下提供更新的转换。

     总的来说，本报告介绍了一个开源的Python包:neuromaps，供人脑映射研究使用。随着领域中新的大脑地图生成速度的增加，我们希望neuromaps能为研究者提供一套标准化的工作流程，以更好地理解这些数据能够告诉我们关于人脑的信息。

如需原文及补充材料请添加思影科技微信：19962074063或18983979082获取,如对思影课程及服务感兴趣也可加此微信号咨询。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，如果我们的解读对您的研究有帮助，请给个转发支持以及右下角点击一下在看，是对思影科技的支持，感谢！