- 3 次围观
内容形式：摘要译文
神经影像学研究通常推导并讨论结构协方变异（SC），将其视为潜在脑回路的表征，反映协调的成熟过程、解剖连接、转录相似性以及共同的遗传影响。这些关联促使研究者利用 SC 探究发育、衰老和疾病过程中的脑组织。然而，用于推导 SC 网络的算法会施加一定约束，从而可能影响其生物学解释。为了解算法选择的影响，我们以丘脑皮层系统为例，在费城神经发育队列（PNC）中，对 755 名 8--22 岁参与者的体素级 SC 五种常见表征方法进行了比较：主成分分析（PCA）、独立成分分析（ICA）、非负矩阵分解（NMF）、正交投影非负矩阵分解（OPNMF）和文本it{k}-均值聚类。基于形变测量学（DBM）推导的 SC 网络，依据三项互补的生物学基准进行评估：与年龄相关的个体差异、基于各向异性分数（FA）的区域特异性丘脑皮层连接微观结构，以及 Allen 人脑图谱中的基因表达。各算法对神经生物学不同方面的敏感性各异：PCA 和 OPNMF 中，参与者层面的成分权重与年龄之间的关联最强。NMF、OPNMF 和文本it{k}-均值所得结果中，正向皮层 SC 与基于纤维追踪的投射之间的空间重叠更大。ICA 和 PCA 在全转录组范围内显示出丘脑与皮层基因表达谱之间更强的对应关系；而 NMF、OPNMF 和文本it{k}-均值则更常识别出核心矩阵基因表达相对较高的丘脑成分。
本研究强调，算法约束实际上充当了生物学先验，而分解方法并不能对数据进行中性的压缩。我们得出结论：必须考虑算法目标是否与所研究神经生物学的表征几何相匹配。总体而言，我们的研究结果表明，结构协方差（SC）研究应根据生物学问题选择并论证所采用的算法，并明确考察其约束条件是更有利于分布式梯度、相互重叠的区域性成分，还是离散的聚类。与此同时，对SC研究结果的解释也可以结合用于推导这些结果的具体算法约束加以深化。
关键词：结构协方差 · 丘脑-皮层系统 · 神经影像学 · 脑发育 · 多元分解算法 · 基因表达
原文链接：https://www.biorxiv.org/content/10.64898/2026.10.27.762356v1?rss=1