人脑的结构-功能连接带宽

背景：人脑是一个复杂的网络，它无缝地表现出行为和认知。该网络由直接或间接调节大脑区域之间通信的神经元组成。在这里，我们展示了多层/多路网络分析如何提供一个合适的框架来揭示结构连接(SC)的吞吐量，以调节信息传输，从而产生功能连接(FC)。

方法：我们实施了一种新的方法来协调SC和FC，使用来自484名受试者(272名女性，212名男性；年龄= 29.15±3.47)来自人类连接组项目。首先，我们计算了传递FC直接和间接结构路径的数量。然后根据间接SC路径的FC节点的最小限制性SC路径进行加权。我们称之为SC-FC带宽。然后，我们在7个标准静息态网络中映射了具有最高SC-FC带宽的路径。

发现：我们发现大多数FC节点对通过长度为2和3的SC路径连接(长度>5的SC路径几乎不存在)。SC-FC直接连接仅占所有SC-FC连接的10%。大多数没有直接SC路径的FC节点由两个(44%)或三个SC路径长度(39%)所介导。只有一小部分FC节点是由SC路径长度为4(5%)介导的。我们发现高带宽直接SC-FC连接表现出密集的网络内连通性和稀疏的网络间连通性，具有双边、前后分布。高带宽SC-FC三角形在体觉运动网络中呈右超内侧分布。高带宽SC-FC四边形在默认模式网络中具有超正态分布。

结论：我们的方法允许使用来自多模态MRI数据的无向加权图来测量间接SC-FC，以绘制SC介导FC的位置和吞吐量。这项工作的延伸可能是探索SC-FC带宽如何随时间变化，与认知/行为有关，以及这一测量是否反映了神经损伤或精神障碍的标志。

1.简介

人脑是一个复杂的动态网络，包括结构和功能两个维度。这些维度可以通过磁共振成像(MRI)来测量结构连通性(使用扩散加权成像；

SC)或大脑活动的变化或大脑区域之间的同步性(使用功能连接；FC)。

在过去的十年中，研究表明，健康个体的这些大脑连通性(SC-FC)测量之间存在中度相关性(r=0.5)。最近，人们对阐明驱动这些类型的大脑连接之间相关性的复杂性越来越感兴趣。例如，统计学和生物物理模型已经融合到捕捉SC和FC之间的不完美对应。这种不完全的对应关系需要研究SC可能通过直接或间接途径介导FC的位置和程度。

为了在全局范围内考虑大脑连通性或作为一个连接体，我们可以利用图理论分析，使我们能够检查结构和功能图的指标，如节点度来描述大脑连通性。图理论分析的扩展被称为多层网络分析，允许在层内和层间的相同节点之间执行统计分析。在大脑的环境中，这些层可以代表不同类型的连接，例如结构连接或功能连接。然后，我们可以绘制跨层节点之间的链接，称为伪边，可用于表示跨层节点之间的关系，即SC和FC之间的关系(SC-FC)；这些关系可以在大脑中以一对一的对应关系(即多重；图1)、一对多或多对多。

图1 脑连接的两层多路复用

多路复用提供了传统单路图论的额外信息，允许探索节点之间的功能连接是如何直接由单个SC路径(即图论中正式提及的边)或间接由多个SC路径(多路径)介导的。事实上，多重模型已被用于量化高度重叠的SC和FC节点的比例。最近，一个预测模型估计，直接和间接(双边)SC路径可能分别诱导10%和高达60%的半球间FC 。尽管如此，直接和间接的SC路径在大脑中调节FC (SC-FC多边形)的比例和位置仍有待探索。

SC路径通常是由弥散MRI (dMRI)衍生的白质的次要测量，被认为包括轴突和髓磷脂，它们在大脑中传递潜在的电信号，允许远端大脑区域之间的通信。更短的路径可以减少传导潜伏期、突触重传和代谢成本，这就解释了为什么平均而言，SC图中任意两个节点之间的最短距离在1到5条边之间。沿着这些路径传播的轴突电位的速度与轴突的直径以及与这些轴突绝缘的鞘的厚度成正比。事实上，最近的一篇文章估计，传导速度差异的85%是由轴突直径和g比(包裹轴突的髓鞘的相对厚度)解释的，使用体内dMRI计算。

SC边由一组神经元组成，这些神经元可以被认为是电缆(即神经元电缆理论)，其中一些电缆表现出比其他电缆更高的阻力，因此对信息流(即吞吐量)更约束。在宏观层面，Mimiic、Sporns和McIntosh 最近的一项研究将这些概念应用于猕猴大脑，将其视为一个通信网络，其中信号单位沿白质路径在灰质节点之间流动。与度匹配的合成网络相比，他们发现猕猴大脑的信息流显示出更高的损失率、更快的传输时间和更低的吞吐量，尽管吞吐量明显高于网格化控制网络。随着负载条件的增加，猕猴网络和合成网络都显示出信号单元平均传输时间的减少，这是结构通道吞吐量下降的函数。因此，较厚的、不受限制的白质路径可能比较薄的、受限制的路径具有更高的传播信息的能力(即带宽)。假设SC路径可以加权(以反映流线或横截面的数量)，我们可以测量调节大脑区域(FC)同步性的物理连接的表观强度。例如，低SC边权值可以作为瓶颈；有效地限制了这条路径的信息容量和速度。相比之下，给定路径中每个边的高权重可能代表一个能够更快地交流更多信息的结构高速公路。

应用图形度量来描述SC-FC多路复用，可以揭示单模态MRI图无法检测到的信息。例如，研究表明fMRI和EEG频段显示不同的拓扑性质。

其他研究报告了FC的低同配性(-0.15)和SC的高同配性(0.1)，这可能表明对急性损伤或神经退行性变具有稳健性。重要的是，这些方法依赖于两个截然不同的度量(即SC和FC)的比较，或者节点或层作为一个整体的相互依赖(相关性)，而没有提供SC在何种位置和程度上调节信息从一个节点到另一个节点的有效传播。

Crofts等人(2016)的工作使用模拟的、定向的猕猴大脑FC，识别了结构层和功能层在聚类系数的多重适应中的差异。该方法考虑由两个SC边组成的三角形，由一个中间中心结构节点(即结构元组)连接，由一个FC边闭合。与中心节点相关的SC-FC三角形可以被量化为多重节点聚类系数。这个局部聚类系数衡量的是由FC边封闭的结构元组(形成一个多重多边形，在这种情况下是一个多重三角形)占存在的SC元组总数的比例(SC元组和SC-FC三角形的例子见图1)。这种度量能够阐明参数空间的区域，其中聚类是由间接功能连接主导的。

然而，这个度量只反映了SC节点所关联的二进制SC-FC三角形的数量。

据我们所知，还没有研究检验过调节大脑区域之间同步性的路径数量或它们的权重。此外，没有考虑到可能存在通过多个间接结构路径进行通信的功能同步节点的可能性，包括多个结构连通性权重(图2)。这构成了我们考虑结构层可以告诉我们关于功能边的基础。要研究这一点，需要从考虑单个SC节点所关联的三角形数量到考虑关于调节一对功能同步节点之间间接通信的结构路径的信息的概念转变。展望未来，我们提出了一种图论方法，利用结构连接提供约束、维持和调节功能通信的物理基础设施的概念。随后，我们引入了一个利用SC- FC复用的图度量来量化整个人脑中由直接和间接SC介导的功能同步节点的带宽，我们称之为SC-FC带宽。

我们的目标有四个方面：

（i）实现一种新技术来测量由直接和间接结构通路介导的功能同步大脑区域的比例。

(ii)检查我们的新图形度量和现有度量之间的关系。

(iii)量化调节FC的SC-FC多边形带宽。

(iv)绘制人脑SC-FC带宽的空间分布。

图2 显示两个功能同步节点(i和j)的示意图，由多个结构元组((i,k)， (k,j))，((i,n)， (n,j))， ((i,l)， (l,j))和一个四元组((i,p)，(p,m)， (m,j))连接。

2.方法简述

2.1 样本

在本研究中，我们利用了一个公开的数据集，由人类连接组项目(HCP；

http：//www.humanconnectome.org)来自华盛顿大学-明尼苏达大学(WUMinn)联盟，包括来自第四季度发布的484名健康参与者.

2.2 二阶样本

除了我们的主要数据集外，我们还进行了二次对照分析，使用来自50名健康成年人作为微结构信息连接组学的多模态MRI数据集的一部分。这些连接体在Schaefer图集中进行解析，分辨率为200个节点，以便与我们的主要数据集具有最大的可比性。

2.3 弥散和功能数据预处理

从最低程度预处理的HCP扩散加权MRI数据中，使用广义q采样成像重建白质纤维，并使用DSI studio (http：//dsistudio.labsolver.org)进行确定性流线束成像。首先使用FSL将HCP最低限度处理的fMRI数据重新对齐并联合配准到t1加权结构图像。使用Matlab R2016b (Matlab 2018)中的6个运动参数，将具有全局效应的线性趋势和/或一阶漂移形式的运动从白质、脑室和全局平均信号中回归。然后在FreeSurfer中使用t1加权图像对白质和脑室体素进行分割。然后对时间序列进行带通滤波(0.01-0.1 Hz)。当在单个时间序列中检测到显著的运动时，使用运动擦洗去除扫描帧。本研究中使用的每个受试者的弥散和功能MRI扫描都是从HCP 500 Q4数据发布中提取的，并由HCP联盟进行了最低限度的预处理；关于所采用的具体步骤的进一步细节可以在Glasser等人(2013)中找到。随后，每个感兴趣区域的预处理fMRI时间序列被用于计算每个感兴趣区域之间的偏相关系数，如下面SC和FC邻接矩阵的构造和阈值部分所述。

2.4 分割

我们使用了来自DesikanKilliany皮层图谱的多分辨率图谱，排除了与(Cammoun et al.， 2012)一致的皮层下区域。在这里，原始68分辨率的每个分区被细分两次，以生成同一地图集的三个分辨率。按照几项研究的建议，在所有三种分辨率(68,114,219)下重复分析，以确保影响与分辨率无关。我们决定只关注正相关，因为目前对全脑连接中负相关/负边权重的理解有限；见讨论部分。我们的方法利用每层节点之间的一对一映射(即匹配的分区/节点密度)，这对增加FC和SC节点密度有影响。也就是说，增加FC节点密度是以降低相关值(以及随后的FC边缘阈值)为代价的，从而导致更稀疏、更弱的图，降低了在整个大脑中建模SC-FC多边形的能力。类似地，SC节点密度必须足够高才能准确地模拟路径。因此，我们将在接下来的SC图和FC图中使用219个节点来报告我们的发现。我们根据七个典型静息状态网络组织这些节点，包括视觉网络、躯体运动网络、背侧注意网络、腹侧注意网络、边缘网络、额顶网络和默认模式网络。

2.5 SC和FC邻接矩阵的构建和阈值化

来自每个被试的FC邻接矩阵包含偏相关系数，已被证明可以减少伪相关效应。这些邻接矩阵使用基于弹性网回归模型的正则化阈值，以克服正则化惩罚的特定限制。L1范数正则化只检测高度相关连接的子集，L2范数正则化不阈值排除(转换为0值)小相关系数；这可能会在稀疏性和去除虚假相关性之间妥协。弹性净回归同时使用L1范数和L2范数正则化，或两者的线性组合，取决于系数。例如，系数1服从L1范数模型(导致稀疏图)。因此，该模型克服了偏相关的局限性，尽管代价是FC值较低和稀疏图，相对于二元成对相关系数。从神经生物学上讲，有人认为大脑是高度整合的，因此，低偏相关值所代表的连接应该被认为是弱的，也就是说，由这些值所代表的连接与噪声难以区分。这些噪声连接可以影响FC网络的稀疏性，进而改变连接体的结构特性。因此，我们通过应用硬阈值方法的经验精度来补充偏相关值的正则化。具体来说，这涉及设置一个固定的偏相关值(0.1)，在这个值上经验连接体被阈值化。

SC邻接矩阵边权重定义为由扩散MRI确定性束成像导出的两个ROI之间重建流线的数量。该测量方法反映了连接两个大脑区域的束的数量，选择该方法是为了与现有的弥散MRI研究具有最大的可比性。

在个体层面，为每个个体构建SC、FC和加权SC-FC(见加权SC-FC三角吞吐量)，得到484个FC、484个SC(阈值化，以排除低于1的流线值的数量)和484个用于后续分析的加权SC-FC连接体。在群体层面，用个体间所有矩阵值之和除以484计算出群体平均加权SC-FC矩阵。

2.6 FC 边闭合的未加权SC通路

大脑网络通信可能依赖于直接的结构连接(一条边)、元组(两条边)或三条或三条以上边的路径。在这里，我们建立了每种通路类型对介导FC的贡献。对于每个FC边，我们计算关联结构边的最小数量。

首先，我们计算单个(直接)SC边的数量(图3)。我们只计算具有对应SC边的FC边，以避免过度表示单边SC连接。其次，我们计算边长度为2的SC路径(即元组）；最后，我们计算边长大于2的SC路径(见图2)。此外，我们使用下面的SC- FC多边形比例公式，计算每个受试者在Erdős-Rényi随机图中与我们的SC图密度相同的最短路径长度的期望比例，以比较个体间的标准差，并将我们的经验值与图是随机的预期值进行对比。与真实网络相比，Erdős-Rényi模型可以很好地预测直径和平均路径长度，从而得到直径较小的网络，捕捉到在人脑网络中观察到的小世界属性。具体来说，长度为k的最短路径在Erdős-Rényi图(顶点为n，密度为d)中的期望比例为：

图3 小提琴图显示了所有484个受试者的FC边的比例，这些边被一系列路径长度(从1-9条边)封闭。

2.7 加权SC-FC带宽计算

这里介绍加权测度的数学符号

我们根据两个同步区域的最小边权来量化它们之间的带宽(max-min方法；图2)。这些路径可能支持更高的信号容量和速度，相对于入射到给定FC边的其他路径(对于该度量的数学表示，请参见公式2)。即，SC-FC多边形的SC吞吐量(直接= 1 SC边；三角形= 2条SC边；quad = 3 SC边)等于它的最大瓶颈，因此限制最小。有效地，这一测量反映了每个FC边的通信带宽。因此，给定FC边的较高带宽值反映了同步节点的吞吐量。

3.结果

3.1 中介功能连通性的直接与间接结构路径的比例

在研究对象中，我们发现大多数FC节点是间接连接的，而相对较少的是直接连接的。经验FC节点最常由两条SC边(即元组；44%)，其次是三路径(三重)SC边(39%)和直接(单路径)SC边(10%；我们没有调查超过9的路径长度，因为大脑网络的小世界性表明这个长度的路径不太可能存在。因此，我们发现大多数功能同步节点之间的最短路径是两条(即SC-FC三角形)，路径数量最多的是四条。

当与Erdős-Rényi随机图中长度为k的最短路径(k= 1…9)的预期比例进行比较时，我们发现直接SC-FC路径(k= 1)与经验数据的比例(10%)相似，而长度为2和3的SC路径促进了不同比例的FC路径。

使用经验数据和随机数据，长度为5条及以上路径的比例可以忽略不计(<.001)。

3.2 FC、SC-FC带宽与欧氏距离的关系

为了在已知测量的背景下探索SC-FC带宽，我们进行了一些统计分析。

在这里，我们用偏相关系数和每条边的欧几里得距离绘制SC-FC带宽值。首先，在比较偏相关系数和SC-FC带宽时，我们观察到一个线性趋势。因此，我们选择使用线性皮尔逊相关系数对这些数据建模。

其次，我们观察到欧几里得距离和SC-FC带宽数据的散点图在多边形类型上的非线性趋势，以及欧几里得距离、偏相关系数和SC-FC带宽的三维图。因此，我们选择用多项式拟合模型对这些数据建模，以捕捉任何非线性关系(见图4和在线补充图1)。结果显示，在所有多边形类型的10条流线带宽值以下和以上都存在扩散模式：对于低于10的SC-FC带宽值，我们发现FC或欧氏距离之间没有关系。

对于SC-FC带宽大于10的值，我们发现组平均FC(偏相关系数)与直接路径带宽之间存在很强的正线性相关(r=0.71, p=<0.001；也就是说，SCFC带宽越大，FC越高。对于SC-FC三角形和四边形，FC和SC-FC带宽之间的关系也呈正相关，但明显较弱(r=0.18, p=<0.001, r=0.17, p=<0.001；图4)。我们发现FC节点之间的欧氏距离与SC-FC带宽(直接；调整R²=0.32，三角形；调整R²=0.26,quad；调整R²=0.11；图6 b)；

因此，SC-FC带宽斜率随欧几里得距离增加，直到带宽为100，并且非常缓慢地超过这一点。随着SC路径数量的增加，这种增加的斜率逐渐减小，这在三角形和四边形的浅曲线中显而易见。直接路径图(图4C)表明，SC-FC带宽和欧氏距离越大，FC越高(调整后的R²=0.63)。

对于SC-FC三角形(调整R²=0.11)和四边形(调整R²=0.05)，这种三元关系不太明显，这反映在较低的调整R²平方值上。总的来说，这些发现表明，高带宽边具有特殊的生物学意义，值得进一步探索进入这些高带宽边在大脑中的空间分布。

图4 在已知测量的情况下的SC-FC带宽

3.3 高带宽SC-FC多边形的空间分布

如直接和间接结构路径中介功能连通性的比例部分所示，FC、SC-FC带宽和欧几里得距离之间的关系突出了高带宽多边形的重要性。因此，我们将研究高SC-FC带宽边的分布。具体来说，我们专注于最高的200 SC-FC带宽(第4百分位)边，以平衡特异性(即空间模式的清晰可视化)和敏感性(即更健壮的SC-FC带宽边)。高带宽直接SC-FC连接呈双向、前后分布(图5A, B；上)，最高带宽在右额上叶和左额上叶节点之间。SC-FC三角形具有右超内侧分布，体动网络中右侧前中心和旁中心节点之间以及左侧前中心和后中心节点之间的间接带宽最高(图5C；中间)。高带宽SC-FC四分量具有超正态分布(图5A, B；底部)和SC-FC间接带宽最高的区域包括默认模式网络内的左下顶叶、右下顶叶、右楔前叶和下顶叶节点(图5C；底部)。最大SC- FC带宽随SC路径长度而减小(即，分别为直接路径、三角形路径、四边形路径；图5 A, B, C)。内网连通性在直接SC-FC中最高(补充图7C；中位数= 15)，然后是SC-FC三角形(补充图7C；中位数= 4)和SC-FC四边(补充图7C；中位数= 2)。SC-FC三角形的网络间连通性最高(补充图7B；中位数= 30)(补充图7C；中位数= 28)和直接SC-FC(补充图7A；中位数= 13)。直接SC-FC的网络间连通性最低(补充图7C；中位数= 13)。最后，我们发现直接SC- FC的中位数带宽最高(48.33)，其次是SC- FC三角形(25.24)和四边形(15.64)，这表明具有较少SC路径的SC- FC多边形具有最高的带宽。

图5 高SC-FC带宽边的空间分布。

图6 跨规范静息态网络和分组方案的平均SC-FC带宽的个体间可变性。

3.4 平均SC-FC带宽的个体间变异性

由于在我们的结果中发现了SC-FC三角形的高频率，我们将重点放在这些SC-FC多边形上，以独立数据集(MICA)和分块方案(Schaefer地图集)作为对照分析来检查SC-FC平均带宽值的个体间可变性。如上所示，平均SC-FC带宽值的小提琴图在7个典型静止态网络中，使用Desikan-Killiany图集解析的HCP数据和使用类似分辨率(分别为219和200个节点)的Schaefer图集解析的MICA数据，在各个分块方案中显示了相对一致的分布。单因素方差分析(ANOVA)显示，使用Desikan-Killiany图集解析的HCP数据(F(6,484) = 227, p<.001)和用Schaefer图集解析的MICA数据(F(6,50)=13.77, p<.001)，这些平均SC-FC带宽在规范静息态网络中有显著差异。

4.讨论

在这篇论文中，我们提出了一种范式转变，以考虑结构连接如何以及在哪里约束、维持和调节大脑区域之间的交流。利用多路复用框架，我们测量了直接和间接SC多边形的路径数、带宽和空间分布来调节FC边。随后，我们介绍了一种新的图理论测量方法，称为SC-FC带宽。利用我们的方法，我们揭示了白质微结构在人脑中介导FC的能力。这些发现有助于对结构-功能连通性关系的描述。接下来，我们将讨论关于我们的三个目标的主要发现，提出关键的方法论考虑因素，确定研究的局限性并提供建议。

为了实现我们的第一个目标，我们测量了由直接和间接结构通路促进的功能同步大脑区域的比例。我们的研究结果表明，很少有功能同步的大脑区域是由SC直接边促进的，大多数是由SC元组(SC- FC三角形)间接促进的。这些发现支持了Wang等人(2020)的观点，他们在包括间接(长度= 2)路径时，通过应用预测率高于60%的模型从FC预测SC；虽然可以使用随机图复制单个(直接)路径的比例，但我们无法使用每个受试者的随机数据复制元组和三组(长度为3的路径)的比例，这表明人脑中无处不在的间接连接具有生物学意义。

随机数据和经验数据之间的差异可以用许多因素来解释。首先，我们的Erdős-Rényi图是密度匹配的(即，与我们的经验数据相同的边数)。

也就是说，期望直径(从一个顶点到另一个顶点必须穿越的最大顶点数，或最长最短路径)很小。因此，长度为1的路径所占的比例是相似的。关于较长的路径的比例，我们的公式表明，在这种类型的随机图中，长度为k的路径的比例在k= 3之后迅速下降。对于长度为2和3的路径，它们的比例是随机的(在施加的约束条件内；即密度)，因此不期望与经验数据中发现的这些路径的比例一致。

为了实现我们的第二个目标，我们发现与SC-FC三角形和四边形相比，直接SC-FC多边形往往具有更高的带宽和更高的相应偏相关系数，这可能反映出更高的成本效率(即更低的代谢成本)。直接高带宽SC-FC多边形的意义尚未被探索，尽管使用fMRI 、MEG 和扩散MRI 将效率和成本效率与执行任务绩效联系起来。高带宽SC-FC多边形的空间分布可以在最近使用多元线性回归模型绘制整个大脑SC-FC Pearson相关值分布的工作的背景下考虑。事实上，该模型发现了较高的节点特异性SC-FC R²值的单模态皮层，如主要感觉和运动区域，和较低的节点特异性SC-FCR²值的跨模态皮层在默认模式和显著性网络，这些节点不能解释SC-FC相关值的大量方差。在这项工作的基础上，我们报告说，与其他网络中的节点相比，默认模式网络节点表现出较高的信息容量，这些节点不能使用(a)传统线性建模假设进行建模，(b)只考虑直接SC路径。在这里，我们的发现有助于揭示人脑网络中SC-FC关系的非线性特征。我们的工作还扩展了SC-FC多重分析的最新应用，如(Lim等人，2019)，他们报告了SC-FC相关值的网络特异性配度，面向背侧注意力和额顶网络。重要的是，Vàzquez-Rodríguez等人(2019)和Lim等人(2019)都利用了相关性度量(即相关系数)，尽管它在描述两个变量之间的一般关系时很有用，但不能描述FC节点之间的信息传递是如何由SC介导的。因此，我们的方法和后续的新图形度量代表了解释结构-功能关系如何促进的重要转变。通过考虑单个节点传播信息的能力，最终产生功能通信。

为了实现我们的第四个目标，我们绘制了大脑中具有高SC-FC带宽的节点的空间分布。我们报道了高带宽SC-FC三角形和四边形分别属于躯体运动和默认模式网络。在节点水平上，我们发现右中央前回节点之间的间接带宽(SC-FC三角形)最高。这些节点由皮质脊髓束连接，感觉信息可以从周围神经系统中转到周围神经系统。中央前皮层的内部锥体层(V)包含大的(70-100毫米)锥体神经元(贝茨细胞)，它们将长轴突投射到脑神经的对侧运动核和脊髓腹角的下部运动神经元。

这些轴突形成双侧皮质脊髓束。因此，近端中央前皮层节点通过一个大白质纤维束(皮质脊髓束)的不同部分间接连接，这可能解释了它们的同步性(由于它们的接近)和高(间接)带宽。

5.结论

这种新型图形度量的引入为探索同步大脑区域的带宽如何与认知、疾病或急性损伤相关铺平了道路。在脑损伤患者中，结构-功能关系的降低突出了多重分析的潜力，以阐明局灶性灰质或白质损伤如何以及在何处影响SC-FC多边形，以及这些多边形是否表现出对损伤的反应变化。除了了解SC如何以及在哪里介导节点之间的FC，在机器学习方法中使用SC矩阵预测FC矩阵的兴趣越来越大。例如，一些人预测FC的准确性超过了生物物理模型，同时解释了认知表现的个体间差异。虽然这些技术可以以中等精度预测FC，但机器学习还不能解释生物物理变量的复杂相互作用如何显示个人的FC特征。因此，机器学习方法和多重分析之间的协调代表了一个强大而神秘的前景。