个体差异文献1

homologous network in individuals. 个体同源网络
homologous functional regions mapped in individuals 是Liu He sheng教授提出来的一种计算方法，旨在探索个体化的不同，是有别于group analysis的一种方法，思想最早追溯于2013年。
今天跟大家分享一篇这个领域的文献，2019年发表于plos biology，题目是Performing group-level functional image analyses based on homologous functional regions mapped in individuals。

映射在个体同源功能区域执行功能像的组分析
Performing group-level functional image analyses based on homologous functional regions mapped in individuals
摘要：
功能磁共振研究既往都依赖基于全脑形态（morphology）的被试间标准化，由于功能组织上的大量被试间易变性，这种方式很难在被试间建立恰当的功能对应。这里，我们可靠地识别了一组离散数据，个体同源功能区域（homologous functional regions in individuals ）来改善功能磁共振数据的被试间配准。这些功能区域表明在大小、位置和连接性上标记的被试间易变性。我们发现既往报告中功能连接地图的被试间易变性可以被易变性在功能区域的大小和位置上解释一部分。重要地是，网络组织（ network topography ）的个体差异与任务唤醒激活的个体差异有关，这说明个体地指定区域可能以“定位器（localizer）”起作用来改善任务态功能磁共振数据的配准。我们发现使用静息态功能磁共振区域配准任务态功能磁共振数据可能会导致任务态功能磁共振分析的统计效能。此外，这些同源区域的静息态功能磁共振连接可以捕获被试的个体特征（idiosyncrasy, (特指个体的)特征），同时其相较于组级别大脑地图的连接方式，能更好的预测变动的智商。至关重要的是（critically），我们展示出除了连接性，还有功能区域的大小和位置都与人类行为相关。总的来说（collectively）这些发现都说明通过个体来找出同源功能区域有助于大量关于连接性探索、任务激活和脑-行为相关性的研究。
作者总结：
没有两个被试是相似的。被试个体大脑功能区域的大小、形状、位置，以及连接模式都非常多样。虽然功能组织的个体间差异都被广泛认可（while interindividual differences in functional organization are well recognized），但是到现在（to date），功能性神经影像试验的标准流程仍依赖于根据整体大脑形态学，将不同被试数据配准到一个名义上（nominal）“平均”大脑。我们开发出一种方法来可靠地识别每个被试的同源功能区域，并揭示了基于这些同源功能区域来配准数据能显著地改善关于静息态功能连接、任务态功能磁共振激活、脑-行为相关的研究。此外，我们展示了个体差异在大小、位置和大脑功能区域连接上是分离的（dissociable），这些均为揭示大脑行为提供了非冗余信息。

从上图可以看出，确实由于个体差异，会导致网络划分时候的细微不同。而且根据个体同源区域方法计算出来的小ROI，有的在地图上没有，作者Li Meiling认为可能是由于技术限制，也可能是一些被试可能本神就没有这些ROI（观点值得思考）。
使用被试个体同源功能区域的配准方法提高任务态fmri的组分析效应
作者先用一般线性模型估算单个被试的皮层表面得到激活图，然后把β值（皮层激活值）在ROI内平均，得到单个被试的一系列ROI的激活值。将这些ROI激活值进行相关性分析，得到被试间的相似性矩阵，如下图：

作者认为，用这种个体指定的ROI的方法，它所呈现的任务唤醒激活模式显著的要比使用Yeo网络或者Glasser网络要更具有相似性（换句话说，就是鲁棒性，或者是可重复性）。
随后作者又通过t检验测试该任务态功能磁共振数据的组分析统计效应和个体分析统计效应，发现通过个体同源方法得到的统计效应要强于组分析。并且这个效果要比MSMALL算法还要好。
MSMALL算法：an improved cross-subject registration approach based on amultimodal surface matching (MSM) algorithm and some useful imaging modalities released by the HCP （(p < 0.001 for 5of the 6tasks in the HCP data, block bootstrap test accounted for the family structure, 1,000 iterations. See Fig 4B for the Language task and Working Memory task as examples.）简单理解这个算法就是说通过1000次迭代来改善皮层表面的配准。

功能连接方面的示例
评价指标：根据ROI之间的功能连接来预测单个被试fluid intelligence（流动智商？）的准确率。
预测算法：用回归的支持向量机模型拟合，用留一法进行交叉验证。
使用的数据包括sex、age、age2、sexage、sexage2，头尺寸，头动信息和扫描信息组成的混淆矩阵，图像方式、fluid intelligence分数，
作者用基于个体同源区域的功能连接矩阵来生成预测的fluid intelligence分数，然后用这个预测的分数与实际的fliud intelligence分数作相关性分析(p值进行了1000次的置换检验)。
在这个预测模型中的ROI中，权重比较高的ROI分别属于额顶网络（frontoparietal network, FPN），突显网络（salience network，SAN），默认模式网络（default mode network， DMN），运动感觉网络（motor-sensory network，MOT），并且，较高的fluid intelligence分数与FPN和其他网络见的功能连接强相关。

当使用Yeo地图集时，这种强相关性就从r=0.303, p<0.001降低到r=0.207, p<0.028。更重要的是，这两种处理方式得到的ROI激活值进行的相关性分析，其拟合的预测模型表现在很大程度上不一样，只有一点少数的重叠，如下图：

作者进一步进行探索ROI与fluid intelligence分数的相关性，分数与个体同源区域法预测的的ROI连接值的强相关（p<0.001, t=449，配对t检验）明显高于使用Yeo网络组分析在相同ROI位置得到的连接值与分数的相关性。该结果表明，在应用预测模型之前，大脑与行为相关性已被组级图谱所掩盖（obscured）。即使使用Glasser网络也是同样的结果（r=0.215, p=0.041）。

方法学
数据处理：
HCP受试者（网上的公开数据集）的“ICA-FIX”去噪后的数据，表示为灰质的时间序列（represented as time series），这些数据已经经过了HCP预处理流程，对齐到标准皮层网络（mesh），fs_LR 32k（我在想一般的标准空间不都是fsaverage嘛）。
静息态数据处理包括：（1）对皮层顶点的时间序列进行0值的标准化（2）线性去漂移（linear detrend）和filter（3）regress掉头动参数和全脑信号（4）用2.55的高斯核平滑到fs_LR 32k的皮层空间。
任务态数据处理包括：4mm的高斯平滑。

respectively 分别地，依次地