Nature Neuroscience：推动功能连接研究从关联走向因果

认知和行为产生于大脑网络的相互作用，因此研究因果相互作用应该是大脑功能研究的核心。表征神经时间序列之间统计关联的方法（功能连接(FC)方法），可能是估计大脑网络相互作用的一个很好的起点。然而，只有FC方法的一个子集（“有效连接”）被明确地设计用于从统计关联中推断因果相互作用。在这里，我们结合了FC研究的不同领域的最佳实践，以说明如何改进FC方法以改善关于神经机制的推论，并将因果神经交互的属性作为公共本体来促进FC方法的累积进展。我们进一步证明了最常见的FC度量（相关性和相干性）如何减少可能的因果模型集，尽管存在重大限制，但仍促进了因果推断。建议使用替代的FC度量，以立即开始改进因果推断。本文发表在Nature Neuroscience杂志。(可添加微信号siyingyxf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，原文也会在群里发布)。

引言

大脑网络的基本物理属性已经得到了广泛的表征，但对产生认知和行为的功能单元（如神经元、脑区）和动力学仍知之甚少。我们认为，关注大脑网络相互作用（通常称为功能连接），可能是通过识别每个水平上的相互作用，以及这些相互作用最终如何产生认知，是理解这些组织水平的大脑功能的主要手段。

然而，目前定义的FC存在各种理论和实践问题，限制了其推进神经科学理解的能力。这篇文章确定了这些问题，并提出了开始修补这些问题的框架（表1）。这个框架对经验丰富的FC研究人员来说似乎很熟悉，因为它结合了FC研究方法（包括“有效连接”）和其他方法的见解和最佳实践。然而，我们期望它对FC研究的新手和专家都是有用的，通过整合典型的FC研究不同领域而获得见解。我们以之前关于这个话题的讨论为基础，目的是使这场辩论更容易进行，并提出一条新的前进道路。由于神经单元之间的相互作用是神经认知功能的核心，我们预计FC理论和方法论的根本改进将为神经科学的发展带来广泛的好处。

表1 | FC框架概述，定义了与绘制机制推论相关的三种主要类型的属性：理论、方法和混杂。

文中提供了每个属性的示例，以及每个属性所需的假设类型。请注意，这些是说明性的，但不是详尽的，研究人员可以酌情添加附加属性。

	理论属性	方法属性	混杂属性
描述	研究人员想要对其做出推断的系统的属性。必须与神经实体之间的因果相互作用有关。	观测或分析方法固有的属性，这些属性将影响有关感兴趣的理论属性的推论的细节	可能导致虚假关联的数据属性，从而导致有关感兴趣的理论属性的错误推断
常见例子	·直接性：单突触或多突触 ·方向性：A→B, A←B, A↔B ·权重：突触强度 ·线性：线性或非线性	·空间分辨率/覆盖范围 ·时间分辨率 ·条件：实验操作，队列 ·观测途径 ·神经实体：空间连续 ·相互作用估计：例如相关性	·运动伪影 ·心脏伪影 ·呼吸伪影 ·不可测量的神经源 ·空间自相关

理论属性

方法属性

混杂属性

描述

研究人员想要对其做出推断的系统的属性。必须与神经实体之间的因果相互作用有关。

观测或分析方法固有的属性，这些属性将影响有关感兴趣的理论属性的推论的细节

可能导致虚假关联的数据属性，从而导致有关感兴趣的理论属性的错误推断

常见例子

·直接性：单突触或多突触

·方向性：A→B, A←B, A↔B

·权重：突触强度

·线性：线性或非线性

·空间分辨率/覆盖范围

·时间分辨率

·条件：实验操作，队列

·观测途径

·神经实体：空间连续

·相互作用估计：例如相关性

·运动伪影

·心脏伪影

·呼吸伪影

·不可测量的神经源

·空间自相关

也许在目前的概念中，FC最根本的问题是它通常是如何定义的：即测量的大脑信号之间的统计关联。这是有问题的，因为它未能将感兴趣的目标理论属性与用于推断这些属性的方法区分开来。这类似于将月球定义为在观测天空中特定位置时击中视网膜的光子（探测月球的常用方法），而不是定义为具有符合物理定律的各种属性（感兴趣的理论属性）的物理对象。换句话说，它将地图与领土混淆——这是一个阻碍科学进步的经典逻辑谬误。由于这些都是基本科学推论的问题，因此该框架（表1）适用于各种科学问题，尽管我们在此强调其在FC研究中的应用。

总结现有的FC研究方法，我们提出，在所有FC研究中，理论上感兴趣的终极现象是理解神经实体之间的因果相互作用。这显然与FC的典型定义相反，即测量的脑信号之间的非因果“统计关联”。然而，这与FC研究中应寻求的推论类型一致，因为“连接”一词暗示了神经实体之间相互作用的物理方式（如结构/轴突连接）。此外，FC研究人员已经在因果推理框架内工作，无论他们是否意识到这一点。例如，FC通常用于识别相互关联的脑区的集合，然后这些区域通常被视为真正的因果实体（物理系统），即所谓的大规模脑网络或脑系统。此外，当发现扫描仪内运动与基于fMRI的FC估计值密切相关时，这通常被视为因果问题，运动作为替代因果路径混淆了适当的FC推断。

这种已经在因果框架中解释FC度量的趋势表明，在FC研究中将因果推理从内隐提升到外显是很自然的。然而，使用FC方法可以做出的因果推论的种类往往是有限的，因为简单的统计度量，如相干性和皮尔逊相关性，仅允许测量神经信号之间模糊的因果路径。尽管有其局限性，我们在下文中说明了即使是简单的FC度量也可以在因果推论方面提供信息（尽管通常较弱）。值得注意的是，标记为“有效连接”的FC度量通常可以实现更精确的因果推论，尽管它们有其自身的局限性（见下文）。尽管存在这些局限性（与其他一些局限性相反），我们认为任何可能的因果图空间的缩小都是朝着FC研究中强因果推理的最终目标的进步。

我们将FC的焦点从关联转移到因果相互作用建议基于许多考虑因素，尽管很大程度上是因为人们对界定因果关系和作出因果推论的信心增加，而这与过去25年发生的所谓“因果革命”相吻合。这种信心增强的核心是证明了从观测数据中做出有效因果推断的新方法，将因果推断扩展到随机对照实验的有限范围之外。

对定义因果关系尤其具有变革性的进展的是，可以使用反事实（例如实验对照）来最终定义因果关系。作为科学中反事实因果关系的一个特别明确的例子，对照实验的概念隐含地引用了这一定义：将治疗条件（存在因）与对照条件（不存在因）进行比较，告知我们如果不应用治疗，治疗条件下会发生什么。因此，我们将观测到的神经事件（“果effect”）的“因cause”定义为观测效果所必需的之前的神经事件。因此，可以通过在两种条件下观测系统来证明因果关系，这两种情况的区别仅在于引起事件的存在或不存在。请注意，与神经科学中损伤和刺激研究中通常使用的以认知为重点的因果关系（即，神经实体中的活动是认知功能所必需的）相比，这种以神经相互作用为重点的关注是对因果关系的更局限的定义。即使有了这个更适度的因果推理目标，做出这样的推论也会因为方法学的限制而变得复杂。尽管存在这些局限，但取得进展是本文的一个主要关注点。

解决FC研究面临的问题的一个方法可能是完全放弃“功能连接”这一术语——这一想法至少得到了一位作者（PAVS）的支持。除了术语问题之外，我们开发当前框架的主要目标是创建统一的FC概念，使用因果推理的逻辑适应方法学和目标理论属性。FC方法之间的一个突出区别是所谓的“有效连接”与其他FC方法之间的区别。然而，在如何定义有效连接的概念方面，该领域存在一些混乱（尽管有人试图解决这一问题），重点有时放在目标理论属性上，即连接是直接的还是间接的（例如，通过第三脑区域），或者连接是有向还是无向/双向的。我们试图通过将所有此类方法置于FC的保护伞下来纠正这种情况，并建立一个系统分类法，阐明每个FC方法针对的理论属性，以及每个FC方法能够描述大脑网络相互作用的哪些方面。

开发以FC为重点的框架的另一个主要目标是将FC研究结果与物理机制相结合的最佳做法纳入重点。在某些情况下（如侵入性动物模型），弥合FC观测结果与物理机制之间的差距显然比其他方法（如fMRI和EEG等非侵入性方法）更容易。这在一定程度上是由于fMRI和EEG等方法的间接性质，从而将模糊性引入解释中（图1）。我们将这一问题定义为将观测映射到假设搜索空间，该假设搜索空间由神经实体之间不同的可能因果交互组成，每个观测约束每个假设的可能性。通过对FC方法的适当验证，我们认为有可能产生最小程度的模糊解释，尤其是当多个FC方法组合在一起以创建一个收敛的解释时。该框架建立在最近对FC方法的模拟和实证验证的基础上，为FC方法的验证提出了一个前进的方向，目的是对大脑功能做出准确的推断。我们期望，通过寻求经过验证的方法和复制的收敛性来限制假设空间，将使我们对大脑网络功能有一个机制上的理解。

图1 | 与FC机制解释相关的本体水平。

定义从神经机制（神经水平）到成像测量（观测水平）再到关于目标理论属性（推理水平）推论的路径。在神经水平上，区域之间的物理连接，表示为κ，取决于信号强度（尖峰速率）和突触强度。在观测水平上，用成像传感器（例如fMRI体素、EEG电极、颅内电极）记录的时间序列代表通过观测路径在时空上过滤的神经信号（前向问题）。这些时间序列还包含测量噪声和混杂方差。在该水平观测到的依赖项表示为δ。在推理水平上，我们试图从我们观测到的时间序列在神经水平上推断（估计）感兴趣的FC属性，可能有一定程度的模糊性。这可以通过从传感器向后映射到神经实体（解决逆问题）来估计潜在的神经活动，并在该估计的活动上计算FC度量，表示为

。然而，方法学和混杂属性限制了我们使用这种后向映射所能达到的准确性。

方框1

关键术语的定义

神经实体 Neural entity:

神经组织在空间上连续的区域，产生感兴趣的信号。神经实体的例子有：单个神经元、皮质柱、皮质区域。

功能连接 Functional connectivity:

神经实体之间的因果相互作用。这些相互作用是由因果相互作用（定义见下）的“理论属性”规定的。

因果相互作用 Causal interaction:

如果一个神经事件没有发生，它对另一个神经实体的影响也不会发生。这被称为因果关系的“反事实”定义。该定义在科学推理中很常见：对照条件提供了一种替代（反事实）情况，在这种情况下，拟议的因发生了改变，对改变的结果的观测构成了支持因果推断的证据。虽然直接的实验控制操作是识别因果关系的理想方法，但数十年的研究表明，在许多情况下，观测数据可以有效地约束因果推断。

目标理论属性 Target theoretical property:

描述神经实体之间因果交互的一个方面的属性，它构成给定FC方法的推理目标。此类属性的例子有：方向性、直接性、线性和权重/强度。如果FC方法对给定的理论属性没有选择性，那么就说它对该属性是“模糊的”。在图1中，目标理论属性表示为κ，对其的推论表示为

。

方法属性 Methodological property:

描述支持关于FC的推论的观测方法的属性。

混杂属性 Confounding property:

一种在感兴趣的神经实体之间诱导虚假关联的因素，如果该因素保持不变，这种关联就会消失。

观测途径 Observational pathway:

从目标物理机制（动作电位或突触后电位）到神经实体，再到收集观测结果的传感器，通过表征水平对映射进行抽象描述。参考图1，观测途径从真正的因果相互作用（用κ表示）映射到观测到的依赖关系（用δ表示）。从观测到的依赖关系向后映射允许我们估计因果相互作用（用

表示）。

FC方法 FC methods:

试图描述神经实体之间因果相互作用的方法，对于因果推理的哪些方面对给定方法有效，存在潜在限制。

有效连接方法 Effective connectivity methods:

遵循Friston等人的方法，使用参数化模型来描述神经实体之间的因果相互作用。这是解释观测到的响应的最简单电路图（参数化模型）。在所提出的框架下，有效连接方法可以被认为是FC方法的一个子集，因为两者都试图描述神经实体之间的因果相互作用。

在下述章节中，我们首先总结了拟议的框架。然后详细介绍了FC解释的遗留问题，以及验证FC方法机制解释的一般策略，以帮助克服这些问题。关于如何将这些原则应用于常用的FC方法（fMRI、EEG和颅内记录）的建议也作为补充材料提供。总之，拟议的框架整合了整个FC研究的最佳实践，提供了一种方法，以实现神经科学界在理论上感兴趣的FC属性的更有效推断。

拟议框架概要

我们提出了一个框架，结合了FC研究不同领域的最佳做法和见解，针对三个关键差距：1）需要将FC作为一种理论和方法结构进行说明；2）需要在基于生物学机制的单一理论本体内协调功能（和有效）连接方法；3）验证使用FC方法获得的结果具有理论意义解释的系统方法。

FC框架是一个概念结构，其中可以详细介绍FC方法的分类和相关推论（关键术语的定义见框1）。分类法由一系列映射组成，每个映射介于方法过程和基于它的推论之间（图2A）。这些推论由三类属性构成：1）目标理论属性，代表一种方法的潜在科学目的，以及该方法可以支持哪些具有理论重要性的推论；2）方法属性，代表该方法强加的、对理解大脑没有直接理论意义的限制和增强；3）混杂属性，观测到的效应的替代（通常是非神经的）原因，必须解决这些才能做出有效的推论。

图2 | 功能连接（FC）框架的概念结构。

A）每种方法均涉及观测结果和目标理论属性之间的映射，由允许和/或限制可能做出推论的方法属性介导。方法属性仅仅改变了什么是可能的推论，但混杂属性可以通过在因果脑网络配置空间之外产生模糊性来完全阻断推论（例如，被试运动模糊FC观测使关于引起FC观测的神经机制的推论无效）。网格显示了所考虑的所有假设的空间，每个网格点都是特定的因果网络配置（其中只有一个可以是真实的）。每种方法的颜色表示方法结果与哪些假设兼容（覆盖范围越大 = 模糊性越大）。方法之间的重叠（紫色）说明了使用多个FC方法收敛于一组更窄的可能性的能力。这通过FC方法之间的逻辑结合推进了理论。

B）简单的3节点网络中基于相关性的FC度量的图示。影响的方向性是模糊的（基于神经时间序列的皮尔逊相关性；图左侧），但这仍然限制了假设空间（可能的和不可能的；图右侧），因为某些因果网络配置的概率高于其他配置。

C）另一个简单的3节点网络的例子，这次底部两个节点之间没有相关性。考虑到在3节点系统中只有一个“对撞机”图可能具有这组相关性，因此相关性在这种情况下表现得特别好。

作为该框架的简要说明，考虑基于静息态fMRI数据的两个脑区之间具有统计学意义的皮尔逊相关性。一个目标理论属性可能是在静息态下这两个区域是否存在因果关系。给定方法可以有效针对的目标理论属性受到方法属性以及混杂属性的限制。例如，当对fMRI数据使用皮尔逊相关性时，方法属性表明存在一些模糊性，这破坏了对推论的支持。具体来说，通过轴突上的动作电位介导的潜在相互作用是直接的还是涉及其他区域，这一点尚不清楚。相互作用的方向也是模糊的，其他属性也是如此（例如，其时间频率）。最后，只有控制了与目标理论属性不一致的混杂属性（例如，对运动伪影进行校正），才能进行目标推断。考虑到这些属性，统计上显著的FC结果将支持以下推论（略弱于目标推论）：静息态下，这两个区域相互作用（直接或间接，方向性不明确），和/或与其他区域共享相互作用。更多详细信息见补充材料。尽管这一推论存在弱点，但它揭示了某些因果模型比其他模型更有可能，从而有助于我们对这两个区域的理解（见图2）。它还指出需要使用和/或开发更好的方法来加强预期的因果推断。

接下来，我们将描述该框架如何解决上面提到的FC研究的三个核心问题。

问题1：需要将FC作为一种理论和方法结构加以说明

如果每一种方法都寻求解释性而不仅仅是描述性，那么它应该有一个或多个理论目标。然而，FC文献通常未能确定目标理论结构，或推断出的目标理论结构超出了给定FC方法的方法属性允许的范围。这导致人们倾向于从生物学机制的角度来解释特定方法的结果，而这种方法不能保证这种水平的解释。我们通过将实证结果通过方法属性映射到目标理论属性来构建FC来解决这一问题。这使我们能够（1）减少过度解释发现的诱惑，（2）确定给定方法在支持针对生物机制的推论方面的局限性。

最近流行的FC的两种用途（动态FC和FC-行为关联）特别说明了这一问题。在动态FC的情况下，FC的时变变化通常是在没有考虑驱动FC度量（及其变化）的机制的情况下描述的。同样，FC-行为关联揭示了对认知神经基础的潜在洞察，然而对FC机制基础的不完全理解也限制了这种方法的实用性。因此，重要的是促进对FC度量的因果理解，以便涉及动态FC和FC-行为关联的结果（以及FC方法的其他用途）提供对大脑功能的机制洞察。

值得注意的是，“有效连接”方法，如动态因果建模（DCM）、格兰杰因果关系或贝叶斯搜索方法，通常更清楚其目标理论推断。例如，DCM将与FC相关的推断限制为一组节点中的特定结构图和特定形式的有向FC。在FC建模中添加假设有助于将观测结果与这些目标理论属性联系起来。然而，这些假设往往是不切实际或过于简单化的——例如，只包含大脑区域的一小部分（且未能考虑外部影响），只评估不现实的稀疏网络，或将连接权重等属性建模为单个全局参数。目前的框架试图将有效连接方法背后的推理扩展到整个FC相关研究，同时承认一方面在考虑复杂性和潜在混杂之间存在内在的权衡，另一方面对神经系统进行整体建模。

问题2：需要将功能（和有效）连接方法集成到一个框架中

16年前的经典论文“大脑连接的难以捉摸的概念”有力地证明了连接研究不是一项累积的科学事业。根据该论文，“在理解每个定义在潜在神经基质方面的含义之前，跨研究的功能和/或有效连接的比较可能不一致，应非常谨慎地进行。”因此，目前的框架试图制定一种“通用货币”，用于比较不同FC度量的结果。这将允许通过FC方法证实理论上重要的结果，这可能共同限制神经认知理论（见图2A）。

我们同意Horwitz的观点，即了解每个FC度量与其神经基质之间的映射至关重要。由于度量会产生不同程度的模糊性，因此在进行此类映射时，明确说明特定方法所需的限制和假设非常重要。因此，我们提出将FC属性分为三个不同的类别（目标理论、方法和混杂），从而可以在不同的模糊性和不确定性水平上对因果相互作用进行推断。

我们的立场是，所有FC度量都是有用的，只要它们减少了假设空间（理论目标属性中可能存在的大量网络配置）。因此，我们不是将目标理论属性的模糊性视为给定FC度量无用或有缺陷的证据，而是关注它提供了哪些信息来帮助我们约束神经认知理论。例如，两个区域的fMRI时间序列之间一致的非零皮尔逊相关性增加了这些区域之间存在因果相互作用的概率，尽管关系的方向和直接性存在模糊性（见图2B，C）。值得注意的是，这种策略类似于另一种在现有证据通常模糊时成功运用的策略，即通过自然选择，发展和验证进化理论。

提出的框架试图根据神经系统的关键属性，枚举一组共同的目标理论FC属性。这些目标理论属性是基于Hodgkin和Huxley等人描述的神经相互作用的标准模型。我们假设FC度量试图推断神经实体之间因果相互作用的某些方面，通过突触传递由动作电位介导。因此，我们强调目标理论属性，即聚合动作电位和突触后电位，以及改变它们之间关系的各种方式（如突触强度、时间）。值得注意的是，一些研究人员已经开始结合FC度量来约束脑区相互作用的因果图，证明可以使用聚合的多方法FC证据来约束假设空间（见框2）。还开发了一种类似的方法，通过与简单的基于协方差的FC度量相结合，改善关于基于皮尔逊相关性的FC变化的推论。

方框2.

如何立即开始改善基于相关性FC以外的因果推论：使用偏相关和替代方法减少混杂

从成对相关转换为偏相关改善了因果推断（但并不完美）。在大多数情况下，整合成对和偏相关的推论可改善因果推论，尽管仍存在一些问题（见正文）。a、因果配置中混杂因素（Confounder）的图示。b、因果配置中链条（Chain）的图示。c、因果配置中对撞机（Collider）的图示。

即使考虑了由于测量伪影导致的所有混杂属性（例如，驱动虚假因果推论的运动伪影），神经实体之间也存在许多潜在的混杂因素。这些混杂因素是直接引起两个或多个其他神经实体活动的神经实体（框2图A）。混杂因素可能导致虚假的因果推论，例如刺激一个神经实体（例如框2图A中的橙色节点）将影响另一个神经实体（例如框2图A中的蓝色节点）。这种混杂问题可能是FC研究和因果推理进展的最大障碍。虽然在其他因果配置中存在模糊性（例如，链条和对撞器；框2图B和C），但许多FC方法可以对因果干预的效果做出大致正确的预测，然而在混杂因素中行不通。

混杂问题的最差情况是当存在不可测量的混杂因素时，考虑到解释此类混杂因素的选项有限（例如，直接刺激每个神经实体观测其因果效应）。现代神经成像方法（fMRI和EEG/MEG）的全脑覆盖为能够在给定的组织水平（例如脑区）测量所有神经实体提供了一些希望。然而，在实践中，考虑到当前方法的各种偏差（例如，反映偶极子的EEG/MEG信号），我们可能无法观测到来自所有感兴趣神经实体的干净信号，因此这些数据集中可能存在一些未观测到的混杂因素。然而，即使存在未观测到的混杂因素，将观测到的混杂因素考虑在内也可以改善因果推断。与成对相关性和相干性不同，有许多FC度量通过同时拟合所有测量的时间序列来考虑混杂因素，例如偏相关，多元回归，动态因果建模，多元格兰杰因果关系和贝叶斯搜索方法。我们把重点放在第一个。

偏相关是指去除所有其他观测时间序列解释的方差部分后计算的一对时间序列之间的皮尔逊相关性。因此，偏相关系数反映了考虑其他时间序列中代表的潜在混杂因素后，两个时间序列的相关程度。这改善了混杂因素（框2图A）和链条（框2图B）情况下的因果关系推论。

然而，在对撞机的情况下，偏相关并不能改善因果推论（框2图C）。这是由于回归步骤，最终在独立时间序列之间引入了负相关（在与框2图C中对撞机的正关系的情况下）。在方框2图C所示的情况下，由于因果影响（将绿色节点定义为对撞机），橙色和蓝色节点的时间序列混合到绿色节点的时间序列中。在这种情况下，回归步骤错误地使两个独立的时间序列表现出依赖性。请注意，如果橙色节点或蓝色节点与绿色节点呈负相关，则回归步骤将在它们之间引入正相关。这些影响与有时被称为“对撞机上的调节”有关。

也许令人惊讶的是，纠正混杂因素的一种方法是考虑成对相关的结果。虽然成对相关性在大多数情况下提供了不正确的因果邻接图（框2图A和B），但它在对撞机情况下提供了正确的结果（框2图C）。因此，去除有问题的偏相关结果的一个简单方法是去除不存在成对相关但出现偏相关的连接。作为进一步的好处，生成的因果图可以用因果方向性定向（至少在3节点的情况下），因为只有对撞机图才能产生这种结果模式。

值得注意的是，这并不能纠正更复杂图中偏相关的所有可能问题。例如，考虑一个图，其中两个节点之间没有直接连接，它们受到混杂因素的影响，并且它们本身也是对撞机的因。在这个图中，如上所述结合偏相关和成对相关将不可避免地导致两个节点之间的错误连接。然而，原则上，一套现有的方法可以解释这种情况。这些贝叶斯搜索方法将因果独立性检验（类似于成对相关性）与混杂检验（类似于偏相关）结合在因果搜索框架中，以确定最有可能生成观测数据的因果图。在当前的算法中，我们推荐因果发现中心（http://www.ccd.pitt.edu）提供的以下方法来进行因果推断，同时考虑混杂因素和对撞机：fGES、IMaGES（也可在https://cran.r-proiect.org/web/packages/IMaGES）、两步法和FASK。然而，即使是这些算法也不适用于所有条件，因此它们（与当前所有方法一样）需要通过理论和实证验证以及方法开发来进一步完善（参见“展望：FC方法验证的核心作用”一节）。

问题3：需要验证FC方法，以改善FC结果到感兴趣理论属性的映射

改进FC方法的验证将大大提高我们做出强FC相关理论推论的能力。这反映了框架的核心：FC方法驱动的观测结果和目标理论推论之间的清晰映射。基于模拟和实证验证有助于建立这些映射，然后可以对这些映射进行推广，以便在新的、理论信息丰富的场景中进行推断。

我们期望所提出的框架能够以多种方式推进验证FC方法的工作。首先，通过明确说明给定的FC方法应该检测的目标理论属性，阐明了需要验证的内容。其次，该框架清楚地表明，在给定的方法被认为是“有效的”之前，需要考虑混杂变量——以便使用实证数据做出目标推论。最后，我们充实了框架对观测和理论目标之间映射的使用，以开发FC方法验证的策略。

FC机制框架的详细信息

第1步：确定目标理论属性

机制是指事件的因果链，因此对于FC，我们的目标理论属性至少是神经实体之间的因果相互作用。理想情况下，因果相互作用应描述为具有方向性、直接性和权重。方向性是指信息/活动流动的方向；给定神经实体A和B，它指定活动是从A到B、B到A还是双向传递。直接性是指活动在A和B之间传递所需的中继数量；换句话说，它是直接（单突触）连接还是间接（多突触）连接。权重是指连接的强度；换句话说，A中的信号对B中的信号有多大的影响，以及它是兴奋性的还是抑制性的。在实践中，目前用于观测人类神经活动的大多数方法缺乏足够的时间和/或空间分辨率或覆盖范围来支持完整的因果描述。然而，它们仍然有助于支持较弱的因果推论，这些推论可能在方向性、直接性或权重方面是模糊的。

对于FC方法，我们可以将“神经实体”定义为产生信号的神经组织的空间连续区域（框1）。这包括一系列可能性：小的解剖实体，如神经元或微柱，或更大块的神经组织，其边界由细胞结构或其他方式决定。通常，理论来源（如电流偶极子）、参考网格单位（如体素）或EEG或颅内电极的位置也被视为神经实体。然而，为了支持关于生物学机制的推论，每个神经实体应该描述其时间序列如何在时间和空间上整合动作电位和/或突触后电位（图1）。

第2步：确定方法属性

明确说明获取用于支持目标推断的证据所采用的方法至关重要。如表1所示，这包括任何观测方法固有的几个重要属性。采样方法的时间和空间分辨率分别限制了如何推断相互作用和如何定义神经实体。例如，为了评估时间优先级，有足够的采样率来确定神经实体被激活的顺序是至关重要的。同样，如果与连接延迟相比，采样率较低，则很难确定观测到的交互的直接性。空间采样对于神经实体的定义更为关键。这是指空间覆盖范围和空间分辨率；如果传感器分布过于稀疏或过于聚集，则存在无法捕获完整的整套神经实体的风险（并可能成为混杂的受害者；见框2）。

因为FC方法的目标是阐明生物学机制，所以必须具体说明观测如何映射到它们的生物学原因。这种映射可以首先抽象地完成，通过定义观测途径，通过连续水平将神经元活动（动作电位或突触后电位）映射到采样其（通常为聚合）活动的传感器（概述见图1）。然后，观测途径可以告知观测方程，该方程正式指定神经实体状态如何为给定模态生成观测信号。这些方程可以从简单的（如局部场电位的时空平均）到高度详细的（如层分辨生物物理神经种群模型）。它们在很大程度上取决于记录装置的性质，代表了对信号产生过程的现有理论知识和方法学假设的整合。例如，血氧水平依赖（BOLD）信号中涉及的物理过程与植入电极记录的细胞外局部场电位的产生过程明显不同。观测方程应详细说明这些细节，理想情况下指出观测途径中未知或不明确的方面。

最后，我们重点讨论了假设对于描述和解释FC方法及其结果的重要性。我们建议作为该框架的一个关键方面，列举FC方法所需的所有关键假设。具体而言，应明确假设，如果假设被判定为：（1）对于解释方法学结果或推断至关重要；（2）不确定或有可能引起争议。假设为批判性讨论提供了明确的焦点，可以与分析方法或观测方程相关联。例如，在基于fMRI的FC研究中，通常假设血液动力学响应函数（描述神经血管耦合）在整个大脑或个体中是均匀的。然而，这些假设的有效性在该领域仍有争议，因此，在描述基于fMRI的FC度量时纳入这些假设非常重要。总的来说，将假设与给定方法的技术细节区分开来，可以极大地促进讨论该方法及其结果的对话，如果不这样做，就有可能模糊这种对话。

第3步：确定混杂属性

我们还想确定所有可能混杂我们因果推论的不受控制的因素。在形式上，“混杂因素”是指影响两个或多个感兴趣变量的任何变量，从而产生虚假关联。对于FC分析，此类混杂因素可分为以下几类。首先，混杂因素可以是同时将相关噪声引入多个神经实体的非神经因素。例如，生理伪影、头部运动和环境噪声。其次，违反方法学假设也会导致混杂。例如，神经实体之间的共享方差可能源于图像重建引起的空间平滑，或EEG/MEG中源信号混合的结果（这无法通过当前的源定位方法完全消除）。最后，混杂因素可能来自观测到或未观测到的影响两个或多个其他神经实体的神经实体（见框2）。

在确定了潜在的混杂属性后，确定如何解决这些属性同样重要。理想情况下，这可以通过在数据采集之前消除潜在的混杂因素来实现。例如，可以通过头部约束装置将头部运动最小化。混杂变量也可以通过直接测量来解释，并从神经时间序列中删除它们的方差部分。物理因素，如头部运动或生理伪影通常以这种方式解决。在无法直接测量混杂因素的情况下，还可以通过信号分解方法（如独立成分分析）分离混杂因素，从而识别出伪成分并消除其方差。

如果混杂未通过方法属性解决，这应该反映为目标理论属性中的模糊性。这一点至关重要，因为从给定观测中得出的理论推断必须得到其方法属性的支持，并适当解决其混杂属性。这意味着，在缺乏对混杂因素有效控制的情况下，我们应修改我们的推论，以明确说明观测到的效应是由混杂因素引起的可能性。

展望：FC方法验证的核心作用

从FC观测到感兴趣的理论属性的有效映射对于获得机制见解至关重要。在本节中，我们提供了一种验证FC方法的系统方法（图3）。验证FC度量的机制解释包括：（1）使用模拟或实证实验，确定一系列事实理论和混杂条件；（2）检验FC度量对事实条件的敏感性。这可以被认为是一系列“前向映射”，从理论/混杂属性到FC观测。例如，如果可以通过FC方法检测到对特定网络配置中理论属性的操作，则可以说对该操作敏感。通过识别许多这样的前向映射，我们可以量化我们的信心，即该方法可以捕获给定的属性；换句话说，它允许我们推断（3）FC度量对这些属性的选择性（“后向映射”）。这是未来研究感兴趣的映射：从FC观测到目标理论属性。

图3 | 验证FC度量机制解释的系统方法。

对图2中的基本图示用验证FC方法的程序进行了修改。指出了三个事实条件，每个条件都反映了一个场景，在这个场景中，实验者可以对被操纵的理论属性（对于前两个条件）或混杂属性（对于第三个条件）的状态高度自信。每个事实条件与敏感性检验相关，其中检测所讨论的FC方法（方法A）是否对操作敏感。一旦进行了大量的事实条件和相关的敏感性检验，就可以推断出从方法A到理论和混杂属性映射的选择性。FC方法适用于推断给定的一组感兴趣的理论属性，只要该方法对这些理论属性既敏感又有选择性。对这些理论属性的选择性意味着该方法对看似合理的混杂属性不敏感（在应用任何用于减少混杂影响的策略后）。

敏感性测试集必须包括看似合理的混杂属性和目标理论属性。如果不对混杂属性进行敏感性检验——以及在确定对混杂属性敏感时，尽量最小化或消除混杂的策略——对FC观测结果机制解释的有效性仅有极小的置信度。反过来，如果没有对感兴趣的理论属性进行敏感性检验，就没有从FC观测结果中推断因果机制的有效基础。

作为使用该验证框架的一个简单示例，考虑在fMRI数据的神经质量模拟中检验皮尔逊相关性。与神经实体B直接双向连接的神经实体A中的尖峰导致模拟fMRI信号中的非零皮尔逊相关性（敏感性检验1）。然而，神经群体B中的尖峰也会引起非零皮尔逊相关性（敏感性检验2）。从这两个检验中，我们推断了从FC观测到目标理论属性的映射的选择性：观测fMRI 皮尔逊相关性只允许我们推断A和B之间可能发生了方向性不明确的相互作用。在实践中，应包括更多的敏感性检验，以检验混杂属性以及与其他神经实体的相互作用。

在FC方法检验期间，有各种各样的策略可用于敏感性检验，它们各有优缺点。我们在这里关注的基本检验策略是：（1）详细模拟；（2）抽象模拟；（3）实证验证。

相对于实证研究，详细模拟具有这样的优势：可以在可能的事实条件的空间中进行大量的敏感性检验。另一方面，这些模拟通常需要更多的假设。这反映了神经系统的复杂性；无论是因为我们的知识是不完美的，还是为了计算的可追溯性，我们必须做出近似。即使是详细的神经元水平模拟研究也是如此，对于这些研究，许多假设通常是必要的，以填补当前知识的空白并产生合理的神经相互作用。克服该限制的一种方法是在一系列合理值（例如，动作电位传导延迟为10~100 ms，增量为1 ms）内改变模型参数，以确保FC方法在该范围内保持有效。另一种方法是将模型的详细信息集中在与被验证的方法最相关的属性上。例如，对单个离子通道建模可能有助于验证基于钙成像的方法，但不适用于基于EEG的方法。

另一种验证策略是抽象模拟，将参数简化为抽象或简化的等价物。例如，我们可以模拟产生平均神经元活动的“神经团”，而不是对实体中的每个神经元进行建模。这可能具有多种优势。首先，直观地理解抽象模型比详细模型更容易。其次，抽象模拟的计算效率要高得多，这对于大范围的事实条件下的大规模模拟和敏感性检验尤其重要。第三，抽象模拟可以等同于在详细模拟中对许多参数进行概括，增加了对验证结果可泛化性的置信度。尽管有这些优点，抽象模拟的一个实质性限制是忽略的细节可能会改变模拟的结果，导致不准确的敏感性检验。例如，如果一个抽象模型假设神经单元之间存在一个较大的传导延迟，而给定的FC方法实际上对较小但实际的传导延迟不敏感，则可能会出现这种情况。

最小化假设的最佳策略是使用实证验证。绝对理想的是了解感兴趣的系统（例如人脑）中的事实，以了解您希望做出FC推论的背景。然而，在实践中，实证验证涉及到有限的场景集，在这些场景中，我们可以建立（或强烈预期）事实，并检验FC方法对该事实的敏感性。在这种有限情况下的验证预计将推广到事实未知的其他感兴趣的情况。例如，最近的一项研究使用了已建立的“记忆再激活”效应，其中代表感觉体验的感觉皮层部分与该记忆一起被重新激活，以建立人类视觉和听觉皮层之间有向FC的事实逆转。这导致有证据表明，各种fMRI和MEG的FC度量对皮质区域之间的相互作用方向很敏感。相对于基于模拟的验证，该验证仅涉及最小的假设，但与模拟不同，其仅限于一对实验条件（涉及两个脑区）。FC度量的其他实证验证涉及动物模型，允许更广泛的事实操作，但将研究结果推广到人脑受到未经检验的假设的限制。

对于混杂属性已经有了多次成功的实证检验。例如，已经提出了几种策略来建立头部运动的经验事实，作为fMRI中基于皮尔逊相关的FC的混杂。其中一种策略，即比较高运动与低运动被试，揭示了FC估计值的广泛全脑差异。同样，人们提出了各种来解决运动混杂的策略。虽然线性回归无法完全解决运动效应，但其他方法（如从时间序列中删除高运动时间点）可有效使高运动和低运动被试之间的FC估计值更相似。基于模拟的验证也可以应用于建立混杂属性和纠正它们的策略，尽管在这种情况下，通过证明实证数据中混杂的存在来建立相关性也很重要。

最终，很明显，FC方法验证需要在其中几个验证策略中找到一致的证据。模拟可以在许多敏感性检验中提供广泛的搜索，以帮助确定给定的FC度量对哪些理论FC属性具有选择性。然而，始终需要模型假设，这降低了将其推广至实证数据的置信度，尤其是考虑到存在非模拟混杂属性的可能性。因此，实证验证对于确保，至少在某些事实可以合理确定的情况下，给定FC度量的敏感性和选择性确实足以支持FC观测的机制解释非常重要。

结论

这里开发的机制FC框架清楚地表明，要实现神经网络过程的完整机制解释，仍然需要克服多少障碍。同时，该框架揭示了尽管在解释现有FC度量方面存在模糊性，但我们取得了哪些进展。我们希望这一框架能促进对现有FC度量的更好解释，以及FC度量（和记录技术）的发展，从而对理论上感兴趣的大脑网络机制提供更全面、更明确的推论。

如需原文及补充材料请添加思影科技微信：siyingyxf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！