在神经科学研究领域，功能连接(functional connectivity, FC)分析已成为探索大脑网络组织的重要工具。过去20年间，基于静息态功能磁共振成像(rs-fMRI)的FC研究取得了显著进展，但一个长期存在的根本性问题却鲜少被系统探讨：大多数研究默认使用简单的零滞后线性(Pearson)相关系数来估计FC，而科学文献中实际上存在数百种描述成对相互作用的统计方法。这种单一方法的选择是否会影响我们对大脑功能组织的理解？不同统计量构建的FC网络在拓扑特征、生物学基础和预测能力等方面是否存在实质性差异？
由Zhen-Qi Liu、Andrea I. Luppi等来自多个国际机构的研究团队在《Nature Methods》发表的研究，首次对这一问题进行了全面系统的解答。研究人员使用Human Connectome Project(HCP)的326名健康年轻人数据，通过Python配对交互统计工具包(pyspi)计算了239种FC统计量，涵盖6大类49种方法。研究从网络拓扑、几何组织、多模态生理网络对应性、个体差异识别和脑行为预测等多个维度进行基准测试，并采用信息分解框架揭示不同统计量捕获的神经信息流模式。
关键技术方法包括：(1)使用HCP S1200发布的326名无关健康年轻人的rs-fMRI数据；(2)通过pyspi工具包计算239种配对统计量；(3)采用Schaefer 100×7脑图谱进行区域划分；(4)评估统计量与结构连接、生物网络等的对应关系；(5)使用信息分解(ΦID)分析信息流模式；(6)通过指纹识别和核脊回归评估个体差异识别和行为预测能力。
【大规模配对交互统计量分析】研究首先展示了239种统计量之间的相似性模式，发现它们形成反映方法学家族的聚类。传统的Pearson相关系数(协方差家族)与互信息和距离相关性统计量高度相关，而与精度(precision)和距离统计量呈负相关。不同统计量构建的FC矩阵在组织模式上存在明显差异，如块状结构的程度各不相同。
【拓扑和几何组织基准测试】研究发现不同统计量构建的网络在枢纽分布上存在显著差异：虽然大多数统计量在背侧注意、腹侧注意、视觉和躯体运动网络中发现高度连接的枢纽，但精度统计量还强调了默认模式和额顶网络等跨模态区域的枢纽性。在权重-距离关系方面，大多数统计量显示适度的负相关(0.2<|r|<0.3)，但部分统计量(|r|<0.1)的这一关系较弱。结构-功能耦合分析显示，精度、随机相互作用和虚部相干性等统计量与结构连接对应最好(R2
达0.25)。
【与多模态神经生理网络的对应】研究比较了FC统计量与多种生物相似性网络的对应关系。结果显示，FC与神经递质受体相似性和电生理连接的相关性最强，这可能反映了具有相似化学构造特征的区域受到共同神经调节影响。值得注意的是，fMRI估计的FC与FDG-PET估计的代谢连接对应较弱，尽管两者理论上应测量相关的生物过程。
【量化个体差异】在个体指纹识别方面，精度统计量表现最优(可识别性>2.1)，其次是协方差统计量(可识别性~1.5)。但在预测认知行为方面，不同统计量的表现因表型而异：对认知和烟草使用的预测较好，而对非法药物使用和心理健康的预测较差。这表明FC方法的选择应针对具体研究问题优化。
【分解FC矩阵为信息流模式】通过信息分解(ΦID)框架，研究发现大多数经典统计量(如协方差、精度和互信息)主要反映冗余信息存储模式，而部分频谱统计量(如定向传递函数和部分相干性)则捕获信息迁移、复制和去复制等动态过程。这揭示了大脑区域间丰富多样的信息传递模式，可通过特定统计量有选择性地采样。
这项研究的重要意义在于：首先，它系统揭示了FC研究中方法选择的主观性带来的实质性影响，挑战了该领域许多"公认"发现的普适性；其次，研究为针对不同神经科学问题选择优化FC方法提供了实证依据，如精度统计量在多个指标上表现突出；最后，信息分解框架的应用为理解不同FC方法捕获的神经信息传递机制提供了新视角。这些发现将推动功能连接研究从"默认选择"向"问题导向"的范式转变，为更精确地绘制人脑功能图谱奠定方法学基础。
研究也存在若干局限性：仅考虑了无向统计量；主要基于HCP特殊设计的采集序列；未穷尽所有预处理选择的影响；未涵盖发育轨迹或疾病影响等研究问题。未来研究可结合多种FC矩阵开发新方法，并在更广泛的数据集和应用场景中验证这些发现。
