大脑皮层展现出一种特征性的组织方式：功能不同的区域相互连接，形成分布式的大规模系统（即网络）。尽管整体模式相对固定，这种组织在不同物种及同一物种内部均表现出显著差异。比较神经解剖学研究表明，皮层组织变异表现为有限的形式，包括皮层区域相对大小、连接模式或功能特性的变化。值得注意的是，同一物种内部的皮层组织变异可能受遗传和发育因素共同影响，并与表型特征和行为差异相关。因此，研究人类皮层结构变异有助于揭示认知及疾病相关行为差异的来源。

借助不同区域之间的fMRI活动模式的相关性（correlations in the fMRI activity patterns between different regions，fcMRI），可无创绘制人脑区域及系统级组织图谱。fcMRI通过分析不同脑区fMRI活动模式间的相关性，识别功能同质区域及特定系统，其结果与任务态激活方法一致。在大样本中，可得到稳定复现的“标准”功能系统分布图，映射运动、感觉及高级处理区域。

然而，近年研究指出，个体与群体模式存在差异。该研究将个体中与群体平均差异显著的位置定义为“网络变异”，这些变异在时间和任务状态下保持稳定，并与任务态脑激活及行为指标相关，在不同亚群间呈现一致性差异。该研究推测，网络变异反映个体间功能脑区组织的特质性差异。

尽管大量研究识别出脑网络组织的个体差异，较少工作探讨变异是否呈现不同形式及其与比较神经解剖学中观察到的变异机制的联系。以往研究（包括该研究前期的工作）通常将所有皮层变异视为边界偏移，即功能区域扩展、收缩或轻微位移。这类边界偏移可能与行为差异相关，并可通过功能对齐方法处理。

然而，脑组织也可能显著偏离典型模式，表现为远离标准系统布局的“孤岛”式fcMRI信号。该研究将此类变异称为“异位入侵”，以强调其异常位置。尽管发育期系统剥夺可在初级感觉/运动区诱发剧烈功能或连接变化，但在神经典型人群中，高级区域异位变异的普遍性尚不清楚。异位入侵难以用局部扩展机制解释，且会干扰基于局部位移假设的功能对齐技术，混淆群体研究。

2 结果

使用大型HCP数据集（N=374个无关个体用于初步分析，N=793个个体用于分析双样本之间的行为和相似性）和精确MSC数据集（N=9，每个扫描10次）的组合，研究了“边界”偏移变体和“异位”入侵——与典型布局变体不相邻的更偏远的功能网络岛（图1）。结合使用这两个数据集，以分别利用它们在样本量和每个人的数据量方面的相对优势，并证明这项工作的可复制性。首先研究了常见的异位入侵与参与者之间的边界转移变异的关系。接下来，调查了这两种变体形式在空间出现方面的比较，它们所属的网络，以及它们在任务中的反应。研究对比了家族样本中的变异，以估计它们如何受到遗传相似性的影响，并检查了个体的亚群是否显示出类似形式的边界和异位变异。最后，研究了边界和异位变异如何预测行为表型。

2.1 边界与异位变异在人类中普遍存在  

该研究的第一个目标是确定边界变异和异位变异的发生频率。为此，该研究采用了两种方法来定义边界移位和异位侵入。主要方法依据它们与已发布的群体平均网络边界之间的距离来界定边界移位和异位侵入。辅助方法则采用无分割的连续相似性度量方式，不依赖特定的群体分割方案或网络分辨率。重要的是，两种方法的结果高度一致。

无论采用哪种方法，几乎所有个体都同时存在异位变异和边界变异：在MSC数据集中，9名受试者全部出现；在HCP数据集中，374名中有371名出现，占比超过99%。MSC个体平均有49.9%的网络变异为异位型；HCP个体平均为42.6%。即使将距离阈值从3.5毫米提高到5、7.5或10毫米，仍有约30%的变异被归为异位型，且异位变异与其所属网络的中位距离超过15毫米。当使用个体自身网络边界定义异位变异时，结果依然一致。因此，远距离的异位变异并非罕见现象，与边界变异一样，在人群中几乎普遍存在。

2.2 变异形式的空间分布差异  

2.3 网络归属差异  

研究进一步检验了每种变异形式的网络关联性。通过将变异点与其最匹配的模板种子图相对应，将其“分配”至特定网络（术语说明：经分配的变异点后续将简称为如“DMN变异”，指那些虽不在典型DMN区域但种子图分布与典型DMN模式一致的位置；而位于典型DMN区域的部位则直接以全称描述，不作简写）。两种形式的变异在两组数据中均最常被分配到默认模式网络、额顶网络和扣带盖网络，这与既往研究一致（图4A，附图13）。对比分析显示，边界变异与异位变异的相对发生率因网络而异。混合效应广义线性模型分析揭示，变异形式与网络之间存在显著交互作用（p<0.001），表明变异形式对个体水平变异频率的影响在不同网络间存在显著差异。

在HCP数据集采用主要变异定义方法时，边界变异更多被分配到默认模式网络（DMN）、额顶网络（FP）和顶枕网络（PON）；而异位变异则相对更常与背侧注意网络（DAN）、顶叶记忆网络（PMN）及感觉/运动网络相关（使用次要方法亦得类似结果。HCP数据集中的置换检验进一步验证了这一发现（图4B）。可以预见，异位变异在较小或空间更局限的网络中相对更常见，因其更容易远离这些网络的边界。然而，异位变异仍常出现在DMN、FP、扣带盖网络（CO）、DAN和视觉系统等大型网络中，凸显了其普遍性。MSC数据中的变异网络分配分布见附图13。尽管MSC中变异总数较少（导致各网络变异形式的比例变异性更大），其结果与HCP数据集一致，即异位变异与众多大型（及小型）网络相关。无分割分类方法在多数网络中得到了可比的结果，尽管异位与边界变异比例存在部分差异（附图14）。

值得关注的是，结合位置信息与网络分配分析可发现，边界变异与异位变异在“交换”其相对于典型结构的领地方面呈现出不同模式（附图15）。例如，在典型FP网络区域中发现的边界变异最常被重新分配给DMN、CO或DAN网络。这表明，尽管变异具有个体特异性，但其变异方式仍存在一定约束。

虽然详细探讨变异形式（边界、异位）与网络分配之间的交互作用超出了本文范围，但在未来工作中深入考察这一问题将具有重要价值。为支持相关研究，附图11分别提供了各网络的边界与异位变异分布图。

2.4 任务激活差异  

接下来，该研究结合两个数据集，询问两种变异形式是否均表现出任务响应的改变，且与其特异性的网络归属一致。借鉴Seitzman等人的方法，该研究首先聚焦于MSC中的混合设计任务（详见方法部分）。平均激活与基线进行对比，该对比通常在DMN区域引发负激活，而在FP、DAN和视觉系统中引发正激活。在MSC中，异位变异和边界变异均表现出任务激活响应的偏移，方向与其网络归属一致（图 5B）。边界变异的偏移程度更大，更接近其新归属网络所预期的激活模式，而异位变异则相对较小。该研究观察到，边界DMN变异具有显著的任务去激活效应（8名携带边界DMN变异的MSC参与者，t(7) = −5.38，p = 0.001），与典型 DMN 去激活模式高度一致；而异位DMN变异则表现出较弱但仍显著的去激活效应（7 名携带异位 DMN 变异的MSC参与者，t(6) = −2.76，p = 0.033）。在“任务正向”网络（如视觉、FP和DAN网络）中也观察到类似模式；而CO、语言和显著性网络在该对比中未表现出明显调节效应。

该研究进一步在图5A中对每位MSC参与者进行分析，比较其DMN变异的任务激活与同一位置在其他参与者中的激活情况。结果显示，在每一位参与者中，边界变异和异位变异均表现出相对于该位置典型激活模式的显著降低（边界变异：t(7) = 5.97，p < 0.001；异位变异：t(6) = 5.99，p < 0.001）。然而，异位DMN变异出现的位置本身具有更正向的典型响应模式，因此其去激活程度不如边界变异强烈。该研究使用第二种无分割分类方法也得到了类似结果（补充图 16）。

该研究进一步将上述结果扩展至HCP数据集中的更多任务和参与者。使用HCP数据集中的任务fMRI分析图，查询了7项任务中的所有对比（详见方法与补充表2中的对比名称）。图 5D展示了各网络在每个对比中的结果。再次发现，边界变异的激活模式比异位变异更强烈地朝向其归属网络的典型方向偏移。该研究通过计算边界或异位变异向其归属网络典型区域激活模式的平均偏移程度，并标准化于其他网络区域的响应，进一步验证了这一结果的一致性（图5E）。该研究也将相同分析应用于MSC任务结果，以保持一致性（图 5C）。在所有情况下，边界变异和异位变异均表现出任务激活向其归属网络典型响应的偏移。在 HCP 的所有网络中，除一个外，边界变异均比异位变异更强烈地朝向其网络的典型响应偏移。

综上所述，这些发现表明，异位变异和边界变异均与任务激活的改变相关，其激活模式朝向变异所归属网络的预期激活方向偏移。与默认模式网络相关的边界变异保留与其归属网络典型位置相似的任务激活模式，而异位变异则表现出介于两者之间的任务激活响应。

2.5 遗传影响差异  

为更好地理解影响网络变异体形成的因素，该研究利用一个扩展的、包含亲缘关系的HCP子样本（图 6A），考察了其在双胞胎样本中的相似性：单卵双胞胎（88对）、双卵双胞胎（45对）、兄弟姐妹（137对）以及无关个体（122对随机配对）。网络变异体在单卵双胞胎中的空间位置最为相似，在双卵双胞胎和兄弟姐妹中为中等相似，而在无关个体中差异最大（图 6C）。这一模式提示变异体位置受遗传影响。基于Falconer公式对双胞胎样本相似性的估计显示，边界变异体和异位变异体的相似性均显著高于随机排列的零分布（分别为p < 0.001 和 p < 0.002；图6B）。采用无分割变异体方法也得到了相似的双胞胎样本相似性结果（补充图 17）。这些发现与既往报道——功能网络组织具有可遗传性——一致，但进一步将遗传影响具体到大脑特异性变异体的空间位置。

值得注意的是，边界变异体在单卵双胞胎中的相似性高于异位变异体（图 6C；变异体类型与分组之间存在显著交互作用，p < 0.001）。单卵双胞胎中两种变异体类型的差异大于双卵双胞胎及非双胞胎兄弟姐妹（p = 0.015），也大于无关个体（p < 0.001，Bonferroni校正）。在各组内部对边界与异位变异体相似性进行配对t-检验显示，除无关个体外，其余各组均存在显著差异（单卵双胞胎组和双卵/兄弟姐妹组均为p< 0.001，Bonferroni校正）。因此，边界变异体与共同遗传背景的相关性高于异位变异体，提示二者可能源于不同的发生机制。

2.6 亚群分布差异  

基于上述证据，该研究被问及不同个体是否共享变异特性。此前，该研究曾发现网络变异在人群间以类别方式存在差异，并可用于识别具有相似特发脑组织形式的个体亚群。该研究在那项工作中发现两个大型且可重复的聚类：一类个体的变异与DMN关联更强，另一类则与控制及感觉运动处理系统关联更强。这些信息有助于约束关于脑组织个体差异如何在人群中产生的理论。在此，该研究分别考察了异位变异（ectopic variants）与边界变异（border variants）在何种程度上呈现相似的亚群。

该研究对 HCP 数据集中 374 名无亲缘关系的个体，依据其变异与 11 个网络模板的相似性进行分组，并进一步聚类为亚群（见方法）。为检验可重复性，分析在两个随机半样本中分别进行（如前文所述）。对于边界变异与异位变异，均稳定出现三个亚群（图7A/B）。这些亚群的差异体现在变异如何关联控制网络、默认（及相关）网络以及感觉/运动网络（详见补充结果）。个体亚群归属具有高度一致性，同一被试在不同 session 中的归属一致性超过 80%，且经空模型验证。

值得注意的是，被试在不同变异形式间并未被一致地划分至同一亚群（即，一名被试若因边界变异被归为DMN样B1亚群，其异位变异未必将其归为DMN样E1亚群）。为确认这一不一致，该研究进行了额外分析：强制每名被试依据模板方法进入DMN或控制/处理聚类（见方法），因这两类在各分析中最稳定出现。该分析纳入所有至少含一个边界变异与一个异位变异的HCP被试（N=371/374）。随后比较聚类归属（图7C）。基于边界变异的个体亚群与其基于全部变异的总体亚群仅存在中等关联（调整Rand指数=0.30）；而基于异位变异的亚群与基于边界变异的亚群（调整Rand指数=−0.008）或全部变异的亚群（调整Rand指数=0.099）均几乎独立。这些跨变异形式的差异远大于跨session的差异。这表明边界变异与异位变异形式相对独立，在个体间以不同模式出现。

2.7 行为预测差异  

在一项最终的探索性分析中，研究检验了边界变异与异位变异是否能够预测在扫描仪之外测量的广泛行为表型，所使用的网络归属度量与聚类分析中采用的指标相同。尽管这些关系很可能较弱，但它们或许能够初步揭示大脑组织测量指标与认知及精神病理学测量之间存在的细微联系。研究采用10折交叉验证的支持向量回归方法，依据变异特征对HCP项目中的外部行为测量进行预测。与既往结果一致，研究发现利用fcMRI数据预测行为表型是可行的——即使本研究仅局限于每个个体中最具特异性的网络位置所得到的相对稀疏的测量也是如此。边界变异和异位变异的网络关联（即用于个体分组的相同度量）对行为变量的预测程度均较弱（边界预测平均r = 0.012，p< 0.04；异位预测平均r = 0.030，p < 0.001）。预测力最强的行为变量涉及一系列情感、认知及生活质量测量，其中异位变异显示出比边界变异更强的预测能力。重要的是，边界变异和异位变异预测了不同的行为变量，没有任何一个行为变量被两种变异形式共同预测。边界与异位变异预测结果之间的相关性为r = −0.126。当使用变异的位置（而非其网络关联）作为预测特征时，也观察到边界与异位变异之间存在类似的差异。同样，没有行为表型被两种变异形式共同预测（边界与异位预测值之间的相关性为r = −0.09）。值得注意的是，在此情况下，只有边界变异在平均意义上显著预测了行为表型（平均r = 0.015，p< 0.007），其中对认知变量的预测最强。采用第二种无分区分析方法定义边界与异位特征时，也得到了相似的结果（附图21，22）。这些发现共同表明，利用大脑网络特征预测行为测量是可能的，但这些关系总体上较为复杂且预测效力较弱。边界和异位变异能够预测不同行为结果的证据表明，简单的综合测量（例如，将大脑网络中所有形式的个体差异混为一谈）会将不同的大脑内表型混合在一起，从而使解释变得模糊。为验证这一观点，研究检验了将边界与异位特征结合是否会改善行为预测。有趣的是，尽管分析中特征数量增加了一倍，研究发现联合模型的预测结果与最佳单特征模型的预测结果相对可比（例如，在网络归属方面，异位预测r = 0.030，联合预测r = 0.030）。异位预测与联合模型预测值之间的相关性为r = 0.73。因此，至少在本研究中，联合使用边界和异位特征并未带来预测性能的提升，反而增加了预测成绩来源的模糊性。

图1：变体定义、拆分和分类为边界或异位。

图2 个体间边界和异位变异的患病率。

图3 异位和边界变异的空间分布。

图4 边界和异位变异的网络联系。

图5 任务诱发MSC和HCP中变异位置的激活。

图6：估计HCP数据集中个体间边界和异位变异的遗传影响。

图7：个体亚群中边界变异和异位变异的相似性。

3 讨论  

3.1 异位岛是常见的变异形式

 近期大量研究提供了与认知变异相关的个体脑组织差异证据。这些研究通常将个体差异等同视之，并假设其反映系统边界的变化——例如某区域在邻近位置扩张。然而，该研究指出，变异脑区亦可表现为异位侵入。异位变异占比约40–50%，即使以>10 mm距离计算，仍约占30%，提示其并非罕见，且许多位置远离预期网络边界。解释异位变异需要不同的理论与方法。

此前，异位变异的存在已被零星报道。该研究在群体水平系统刻画其发生率，并对比其与边界偏移的差异。

3.2 边界与异位变异是脑变异的两种不同形式

 比较神经解剖学显示，哺乳动物皮层功能架构可在面积、位置、数量及连接等方面变化。该研究假设人类个体变异包含边界偏移（邻近扩张/收缩/位移）与异位侵入（远离典型位置的岛状改变）。该研究证实两种变异均普遍存在，但在空间位置、网络归属、任务激活、遗传度、行为预测及亚群划分上差异显著，提示其来源不同。

发育过程中，皮层模式中心的转录因子梯度控制区域大小与位置。遗传因子先建立“原区域”，经验依赖机制再细化边界。该研究证实变异位置受遗传影响，但同卵双胞胎仍远非一致，表明环境贡献显著。边界变异在同卵双胞胎中相似性更高，提示其更受遗传调控；异位变异相似性较低，提示更多受经验依赖机制影响。

动物模型与人类研究均表明，感觉剥夺等深刻经验差异可改变皮层面积、布局与连接。该研究推测，局部面积变化易致边界变异，而远距离连接/功能改变可能产生异位变异。网络变异为高通量识别个体脑组织差异提供了手段，可约束变异来源与后果的理论。

3.3 对基础研究的影响

 目前多数静息态与任务fMRI研究通过空间标准化汇总数据，假设脑系统布局在个体间保守。然而，个体定位差异广泛存在，可能导致群体分析灵敏度下降、功能分辨率降低、行为预测准确度下降等问题。

改进对齐可通过表面配准、功能信号对齐（个体定位器、超对齐等）实现。然而，多数方法仅允许局部位移，难以检测距典型边界>30 mm的异位变异。该研究主张采用个体水平区域识别或允许长距离位移的算法。异位变异在外侧额叶更常见，该区域涉及任务控制、语言及工作记忆，提示研究者应谨慎解释群体结果，除非采用能容纳非局部偏差的功能对齐方法。边界变异则多见于颞顶交界及上额叶喙部，与注意转移及心智理论相关，研究这些功能时应考虑距离受限的对齐策略。

该研究既往工作显示变异在多种任务状态下稳定，但任务可引发功能连接细微变化。未来需明确任务如何影响两种变异。

3.4 对个体差异研究的影响

 两种变异在个体间的共变模式不同。虽均出现DMN相关及控制网络相关亚群，但同一受试者依边界与异位变异划分的亚群几乎独立，表明二者在个体水平呈分离模式。

该研究证实两种变异均伴随任务激活改变，边界变异强烈匹配其网络典型响应，异位变异则呈中间表型，提示其可能为中间加工站点。两种变异均可预测行为，但预测变量不同，且合并特征未提升预测。分离两种变异可提供更深机制见解，有助于指导临床实践与干预。

值得注意的是，脑–行为预测效应量较小，与近期报告一致。可能原因包括测量局限、脑组织差异的“行为表型复制”现象（不同脑特征可产生相似行为）。未来需建立原则以明确何时脑组织差异与行为表现相关。

4 结论

该研究证实个体脑网络变异以两种常见但可分离的形式存在：边界偏移与异位侵入。二者在空间位置、网络归属、任务响应、遗传影响及行为关联上差异显著。未来研究需区分这两种变异，以深入理解其来源与行为后果。

5 方法

5.1数据集与概述

 该研究利用两个公开数据集探究网络变异：Midnight Scan Club（MSC）数据集以及人类连接组计划（HCP）数据集中的一部分被试。MSC 为“精准”fMRI 数据集，包含 10 名被试（5 名女性，平均年龄29.3 岁；1 名因头动过大及入睡被排除），每名采集约154 分钟低头动静息态 fMRI 数据以及 3 种任务态数据（混合设计、记忆、运动）。HCP 部分则主要分析 384 名无亲缘关系被试（210 名女性，平均年龄 28.4 岁），每人至少 45 分钟低头动静息数据；其中 374 名因数据质量达标而保留。行为与遗传分析进一步纳入 793 名被试（含家系信息）。样本量由公开数据决定，未进行先验功效计算；数据采集与分析均非盲法。所有被试均签署知情同意，MSC 与 HCP 分别经华盛顿大学机构审查委员会批准。

5.2 预处理

功能像预处理流程与前期研究完全一致，简述如下：

1. 失真校正、切片时间校正（仅 MSC）、模 1000 归一化、刚体头动校正、T1 配准及 MNI（HCP）或 Talairach（MSC）空间对齐。

2. 进一步去除白质、脑脊液、全脑信号及 6 个头动参数及其导数、平方项；帧向位移FD超阈值帧（MSC>0.2 mm，HCP 滤波后>0.1 mm）予以插值删除，保留连续≥5帧片段。

3. 0.009–0.08 Hz带通滤波后，将数据映射至FreeSurfer个体皮层表面，并配准到fs_LR标准空间，生成CIFTI时间序列。

4. 表面高斯平滑（σ=2.55 mm，FWHM≈6 mm）。最终要求每位被试可用数据≥40分钟，以保证变异测量信度。

5.3 网络变异定义

网络变异指个体功能连接图与群体平均图显著差异的顶点。步骤如下：

1. 以独立120名成人（WashU-120）为群体模板，计算每个顶点个体-群体种子图空间皮尔逊相关，生成个体-群体相似图。

2. 取相似性最低10%阈值并二值化，剔除信噪比低的小簇，得“前变异”掩模。

3. 对面积≥50顶点的前变异簇，依据其种子图主成分解释方差及单网 dominance 比例（阈值66.7%与75%）进行自动分割，确保内部同质；分割后保留≥30顶点簇作为最终变异。

4. 个体平均变异顶点约占皮层2%。变异位置与宏观解剖指标关系微弱，提示其反映功能区域而非沟回差异。

5.4 功能网络归属

将每个变异与14（MSC）或11（HCP）个群体模板网络进行Dice匹配（取top 5%阈值），最高Dice者即为该变异所属网络；若Dice=0或与群体网络重叠>50%则剔除。变异由此被标记为“默认网络变异”“额顶网络变异”等。

5.5 边界/异位二分

主方法：以群体网络图为参照，计算变异边缘到最近同网群体簇边缘的地测距离；>3.5 mm者归为异位入侵，≤3.5 mm者为边界偏移。辅助方法：无需群体分割，直接考察变异种子图与群体图的空间相关峰值；若峰值90%范围内在10 mm内出现，则视为边界偏移，否则为异位入侵。两种方法结果高度一致。

5.6 空间分布对比

1. 生成跨被试叠加图，统计每顶点出现频率。

2. 采用置换检验：在个体内部随机交换边界/异位标签1000次，构建零分布，评估真实分布差异显著性。

3. 进一步用簇级校正（p<0.05）定位显著差异区。

5.7 网络归属差异

在个体内部置换边界/异位标签1000次，构建各网占比零分布，FDR校正后检验真实占比差异。

采用混合效应广义线性模型，考察“变异形式×网络”交互作用。

5.8 任务激活分析

MSC：利用混合设计任务（语义与一致性判断）GLM结果，比较变异区与群体同区、同网典型区的平均激活差异，采用双尾t检验。

HCP：采用7任务共47对比的已发布GLM图，选取网络间差异≥0.5%信号改变的对比，计算变异区向典型网络激活的归一化偏移比例：(变异−其他网)/(典型网−其他网)。

5.9 遗传影响评估

利用HCP 家系数据（88对同卵、45对异卵、137对兄弟姐妹、122对无关）计算变异空间重叠Dice系数。

1. 采用Falconer公式 h²=2(D_MZ−D_DZ) 评估广义遗传度，输入为Dice而非r；通过随机打乱MZ/DZ标签1000次获得零分布。

2. 采用两因素混合效应ANOVA（变异形式×亲缘组）及Bonferroni校正t检验，比较同卵vs异卵/兄弟姐妹vs无关个体中边界与异位差异。

5.10 个体亚群聚类

仅使用374名无亲缘HCP被试，随机分半重复。

计算每位被试变异顶点与11网模板种子图相关，得11×1特征向量。

构建被试间相关矩阵，采用Infomap算法在5–50%密度阈值范围内寻找稳定亚群；在另一半数据中验证（相关≥0.3视为同亚群）。

分别对边界变异与异位变异独立聚类，比较三种分类（全部/边界/异位）所得亚群一致性（调整Rand指数）。

通过随机打乱特征向量及保留度分布的零模型评估聚类显著性。

5.11 行为预测

1. 网络归属——11维变异-模板平均相关；

2. 空间位置——向量化二值变异图。

3. 目标：58项行为指标（认知、情绪、生活质量等）。

4. 方法：10折嵌套交叉验证（家系同折），支持向量回归；训练集内回归掉年龄、性别、BMI、头动、DVARS后用于测试集。显著性通过1000次随机置换行为标签获得零分布。分别评估边界、异位及联合特征预测力，并计算预测向量间相关。

精读分享

研究背景

本研究立足于人类大脑功能网络存在显著个体差异这一背景，旨在系统性地揭示和区分两种性质不同却普遍存在的变异形式——“边界偏移”与“异位侵入”，并深入探讨它们在大脑空间分布、功能网络归属、遗传贡献、任务激活模式及行为表型预测等方面的独特作用，从而挑战了以往将个体差异简单归因于局部边界移动的主流观点，为今后发展更精准的脑功能分析方法和个体化脑图谱绘制提供了重要的理论依据和方法学启示。

研究方法

本研究采用大规模静息态与任务态功能磁共振成像数据（来自HCP和MSC两个数据集），结合组水平模板匹配、个体水平功能连接分析及变异识别算法，系统识别并区分了“边界偏移”与“异位侵入”两种功能网络变异类型。通过空间分布统计、网络归属判定、任务激活对比、双生子遗传相似性分析、跨被试聚类以及支持向量回归行为预测等多种计算方法，综合评估了这两类变异在遗传依赖性、功能响应模式和行为表型关联等方面的差异性与独立性。

批判性思考与展望

研究批判性地指出，传统研究将大脑网络个体差异笼统归因于局部边界移动的范式存在明显局限，忽视了“异位侵入”这类远离典型网络区域的变异形式，且常用的功能对齐方法难以有效捕捉此类跨距离变异。展望未来，研究强调必须分别建模边界与异位变异的不同机制——前者可能更多由遗传调控，后者则更易受经验塑造——才能更准确揭示大脑结构与功能关系的异质性。这一框架呼吁发展新一代个体化脑网络建模方法，并推动其在精神疾病精准分型与认知功能退化预测等领域的应用。

结论

参考文献

Dworetsky, A., Seitzman, B. A., Adeyemo, B., Nielsen, A. N., Hatoum, A. S., Smith, D. M., Nichols, T. E., Neta, M., Petersen, S. E., & Gratton, C. (2024). Two common and distinct forms of variation in human functional brain networks.Nature Neuroscience,*27*(6), 1187–1198.

解读：曹修齐

审核：吴金颖