本篇文献发表在Communications Biology杂志。所发布内容旨在与大家分享学术新知，促进交流学习，版权归原作者或原出处所有，感谢各位学者的辛勤付出与研究成果。
1.引言
新生儿期是大脑发育的关键阶段，其特点是解剖结构的快速成熟和功能网络的广泛重组。神经影像学的进展极大地拓展了人们对生命早期脑连接组发育的理解。具体而言，弥散加权成像揭示了白质束的异质性成熟，从妊娠晚期到婴儿早期，在胼胝体和皮质脊髓束等关键通路中观察到了显著的进展。与此同时，功能磁共振成像显示，出生时功能网络已存在层级化组织，其中初级系统比高级系统（如默认模式网络和执行控制网络）成熟得更早、更稳健。这些发育轨迹与既定的“自下而上”和“后向前”假说相一致，即初级皮质的早期成熟为高级皮质的后续发育奠定了基础。尽管有这些发现，以往的研究主要关注结构或功能连接组模式中的某一方面。新生儿大脑的结构成熟如何驱动其功能重组，至今仍未被充分探索。揭示这两个要素之间的精确关系，对于阐明早期典型和非典型大脑发育的机制至关重要。
大脑的白质结构约束并促进了神经元集群之间的同步，从而产生丰富的复杂功能活动。结构-功能耦合是指结构连接组与功能连接组之间的统计对应关系，它提供了一个简化的框架来检验大脑的解剖神经连接如何塑造其功能通信。在成年人中，SFC 在单峰皮质中通常较强，在跨模态皮质中较弱，反映了大脑组织的一个基本原则。SFC 的变化与多个领域的个体认知能力差异相关，包括工作记忆、抑制控制和心理灵活性。更重要的是，SFC 并非静态，而是随时间波动。动态 SFC 测量结构和功能连接组之间随时间变化的相互作用，通过捕捉细微的时间变化，提供了超越静态模型的新见解。先前对成年人的研究表明，动态 SFC 介导了功能分离与整合之间的平衡，并表现出沿皮质层级（从单峰到跨模态皮质）时间变异性的增加，高级联合区域表现出更大的随时间波动。在此研究的前期工作中，发现异常的动态 SFC 模式与神经精神疾病的临床症状相关，突显了动态 SFC 作为非典型发育敏感标记物的潜力。
然而，新生儿大脑中 SFC 如何随时间动态变化，目前知之甚少。此外，在这一发育关键期，动态 SFC 的潜在生物学机制及其对认知功能出现的潜在影响，仍需进一步研究。
近期证据表明，髓鞘形成是影响 SFC 沿皮质层级可变表达的关键生物学基质。髓鞘化程度较高（以 T1w/T2w 比值衡量）的大脑区域，如初级感觉皮质，由于更强的结构约束，往往表现出更稳定的时间 SFC 变异模式。相比之下，髓鞘化程度较低的大脑区域，如跨模态皮质，在整个扫描时长内显示出更大的变异性。然而，由于出生时皮质内髓鞘大量缺失，新生儿皮质 T1w/T2w 信号比值被认为是一个对髓鞘前过程敏感的微结构代理指标。与发育梯度一致，该代理指标表现出从初级到跨模态的明确模式，提供了一个塑造出生时动态 SFC 空间分布的结构前体。此外，动态 SFC 与灵活认知相关，更高的网络灵活性被认为支持更好的认知表现。在新生儿中，近期一项功能磁共振成像研究表明，出生时已存在六种瞬时连接状态；重要的是，这些状态（短时间尺度网络灵活性的指标）的占用时间、停留时间和转换结构在早产儿中发生改变，并与幼儿期的神经发育结局前瞻性相关。因此，在此研究基于发育的统计框架内，假设髓鞘前微结构（T1w/T2w 比值）的区域变异与功能共波动与结构框架的更紧密对齐相关，而这又与更窄的短时间尺度社区状态库相关。
在此研究中，考察了新生儿大脑中的动态 SFC 模式及其与皮质微结构成熟和网络灵活性的关联。此研究利用了一个大型队列，包含来自developing Human Connectome Project 的 399 名婴儿。这些婴儿在足月等效年龄（月经后年龄 37 至 44 周）接受了多模态MRI 扫描。此研究开发了一个新的定量框架来检查大尺度脑网络中的动态 SFC，捕捉新皮层上结构分化与功能重组之间的瞬时动态相互作用。研究动态 SFC 的基本流程如图 1 所示。此研究进一步进行了中介分析，以探讨动态 SFC 如何影响 T1w/T2w 比值与功能网络灵活重构之间的关系。最后，比较了足月儿和早产儿的动态 SFC 模式，以阐明早产对大脑早期发育的潜在影响。
2.结果
足月儿的动态 SFC 模式
此研究发现，足月儿的组平均动态 SFC 模式的特点是每个静息态网络内部具有较强的 SFC 共波动，而静息态网络之间具有较弱的 SFC 共波动。此研究还观察到新皮层上区域平均动态 SFC 存在相当大的变异，视觉和默认模式区域显示出显著较高的共波动水平。视觉网络在子网络层面表现出最高的网络内动态 SFC 和最强的与其他静息态网络间的网络间动态 SFC。值得注意的是，在默认模式网络内发现月经后年龄与网络内动态 SFC 之间存在正相关。随着早期发育期间大脑的成熟(37-44周)，PMA 的增加与 DMN 内更稳定和成熟的 SFC 共波动相关。接下来询问动态 SFC 是否携带可泛化的年龄信号。使用基于连接组的预测模型框架，发现预测年龄与实际年龄之间存在强相关性。图 2h 突出显示了用于 PMA 预测的最显著的动态 SFC 特征。观察到以 DMN 为中心的特征是预测信号中最重要的贡献者之一。这些结果在不同长度的滑动窗口和增量步长下保持一致。此外，计算了传统的静态 SFC，但未发现有意义的与 PMA 的关联。这些发现强调了动态 SFC 在检测新生儿大脑发育和组织的早期阶段方面的敏感性和有效性，而这些阶段用传统的静态 SFC 测量则较难辨别。
足月儿中动态 SFC、T1w/T2w 比值和网络灵活性之间的关系
为了识别动态 SFC 的结构基础，此研究评估了 T1w/T2w 比值图，这是微结构成熟的关键指标。感觉运动区、距状沟区及颞上回后部区域。在子网络层面，网络内皮质 T1w/T2w 比值表现出层级化组织，从单峰到跨模态皮质。在整个新皮层上未发现皮质 T1w/T2w 比值与动态 SFC之间存在显著相关性。此外，观察到在 SMN、VN、VAN 和 DMN 内，网络内皮质T1w/T2w 比值与动态 SFC 呈正相关，表明这些网络内成熟的微结构支持早期大脑发育期间更强的 SFC 共波动。另外，发现网络内 T1w/T2w 比值随 PMA 显著增加。
此研究还探讨了动态 SFC 与网络灵活性之间的关系，网络灵活性是反映大尺度脑网络重构能力的指标。计算了每个脑区的组平均网络灵活性，并与动态 SFC 进行相关分析。网络灵活性在新皮层上差异显著，注意相关区域灵活性较高，感觉运动区域灵活性较低。与 T1w/T2w 的层级梯度相反，网络内灵活性从 VN 到 SMN 呈递减梯度。在整个新皮层上观察到动态 SFC 与网络灵活性之间呈负相关，表明动态 SFC 越强的区域灵活性往往越低。值得注意的是，在每个静息态网络内部，动态 SFC 与灵活性均呈负相关，提示较高的动态 SFC 可能与更稳定而非更灵活的结构相关。此研究进一步发现 SMN 和 VN 内的网络灵活性随 PMA 增加。
为了更好地理解皮质微结构、动态 SFC 和网络灵活性之间的关系，此研究对每个静息态网络进行了中介分析。检验了动态 SFC 是否介导 T1w/T2w 比值对足月儿网络灵活性的影响。结果显示，在任何静息态网络中，直接效应均不显著。然而，在 DMN 中，观察到一个显著的间接效应，即较高的 T1w/T2w 比值通过增加动态 SFC 来降低灵活性。具体而言，皮质 T1w/T2w 比值与动态 SFC 正相关，而动态 SFC 又与网络灵活性负相关。T1w/T2w 比值通过动态 SFC 对网络灵活性的间接效应显著。更重要的是，发现这种中介效应仅在 DMN 的后部而非前部显著，表明后部 DMN 内的动态 SFC 在微结构成熟与网络灵活性的关系中起中介作用。此研究进一步以静态 SFC 为中介变量进行中介分析，在所有静息态网络中均未发现显著的间接效应。
早产儿的动态 SFC 模式
此研究探讨了早产儿的动态 SFC 模式，并将其与足月儿的动态 SFC 模式进行比较，以识别早产对大脑组织的潜在影响。考虑到两组样本量不平衡，创建了一个与早产组 PMA 相似的足月儿匹配子集。具体而言，为每个早产儿从较大队列中选择一个 PMA 最接近的足月儿，使用一对一最近邻匹配算法（不放回），得到一个年龄匹配良好的子集。尽管足月儿出生时的胎龄显著更高，但相对于早产儿，其产后时间更短。两组之间检测到动态 SFC 存在显著差异。在子网络层面，早产儿在腹侧注意网络和 DMN 内部以及 SMN 与 VAN 之间表现出较低的动态 SFC。此研究还检查了每组内动态 SFC 与 PMA 的关系。与完整足月儿组的发现一致，在足月儿子集中，DMN 内的动态 SFC 也与 PMA 显著正相关。然而，在早产儿中未观察到这种关联，暗示延长子宫外时间可能对该网络内 SFC 共波动的发展产生负面影响。最后，对早产队列和足月儿子集进行了中介分析。两项分析均未显示在 DMN 中通过动态 SFC 介导的T1w/T2w 对网络灵活性的显著间接效应。
在脑海科技云平台中，内置了结构功能脑网络耦合、髓鞘含量分析（T1w/T2w）模块，支持用户批量处理数据，并确保每一步参数设置都有据可查。此外，平台的项目管理模块可清晰记录数据筛选标准、排除被试原因、分析版本等信息，极大提升了研究的透明度和可复现性。感兴趣可联系咨询以及预约产品演示。
3.讨论
在此研究中，系统地表征了来自 dHCP 的大型新生儿队列中大尺度脑网络的动态 SFC。通过整合多模态神经影像测量，此研究开发了一个稳健的定量框架，捕捉结构成熟与功能重组之间复杂的瞬时动态相互作用。进一步探讨了皮质微结构如何通过动态 SFC 与网络灵活性相关联。这些发现为早期大脑成熟背后的复杂结构-功能相互作用提供了新的见解，尤其强调了 DMN 的关键作用。
此研究观察到动态 SFC 在皮质区域存在显著的空间变异性，初级感觉网络（尤其是 VN）表现出最高的动态耦合。相比之下，静态 SFC 则重现了典型的单峰到跨模态梯度，与早期成熟的感覺运动系统中的基线结构束缚一致。因此，这些指标是互补而非可互换的：静态 SFC 反映层级神经连接优先级，而动态 SFC 则指示生命早期与解剖结构产生瞬时、瞬时动态对齐的倾向。动态机制中 VN 的突出地位与先前证据一致，表明在婴儿早期，初级感觉皮质相对于高级联合区域成熟更快、更显著。出生后立即频繁且强烈的环境刺激使感觉通路快速成熟。特别是，VN 在出生后不久即可持续获得的视觉输入驱动下，经历快速的结构和功能成熟。这些感觉驱动的经验促进了突触强化和修剪，优化了神经通路以实现高效的信号处理和通信。因此，在 VN 内观察到的稳健 SFC 共波动可能反映了为快速高效处理视觉刺激而优化的结构约束。重要的是，此研究发现了 PMA 与 DMN 内动态 SFC 之间的显著正相关，突显了婴儿早期高级认知网络出人意料的出现和成熟。
认知网络如 DMN 被认为比初级感觉和运动网络成熟得更晚。此研究的发现挑战了这一传统观点，表明支持高级认知功能的动态结构-功能相互作用在更早的阶段就已开始形成。这些早期的基础结构可能在支持内部思维和认知整合方面发挥关键作用，为未来复杂的认知和社会情感发展奠定基础。事实上，越来越多的数据表明，即使在发育的非常早期阶段，DMN 也具有显著的结构和功能整合，这促进了复杂任务和社会认知所需的关键感觉和认知整合。此外，这种正相关是使用此研究的动态 SFC 方法而非典型的静态分析唯一识别出来的，证明了其在捕捉神经发育细微进展方面的敏感性。此外，动态 SFC 特征准确预测 PMA 的能力进一步强调了它们作为评估早期神经发育的稳健生物标记物的潜力。
此研究的发现显示，SMN、VN、VAN 和 DMN 内的动态 SFC 与T1w/T2w 比值呈正相关。这表明皮质微结构成熟可能增强神经信息传递的效率，并支持认知网络内更稳定和连贯的功能活动。较高的 T1w/T2w 比值可能标志着更高的微结构成熟度，这可以增加传导可靠性和时间精度，从而收紧功能共波动与结构框架的短时间尺度对齐，在此研究中体现为更强的动态 SFC。因此，这些发现表明，髓鞘前过程驱动的微结构完整性增强，极大地支持了新生儿中构成分离认知处理基础的稳定而稳健的功能结构。值得注意的是，此研究的发现——较高的 T1w/T2w 比值与跨模态网络中更高的动态 SFC 相关——与先前将髓鞘形成与成年期 SFC 变异性降低联系起来的成人研究形成对比。此研究提出，在生命早期，微结构成熟度的增加使连贯且可适应的 SFC 共波动成为可能。随着持续发育，更强的结构约束逐渐稳定相互作用，产生后期观察到的较低变异性。因此，皮质微结构-动态 SFC 关联的方向可能在整个发育过程中具有阶段依赖性。因此，需要多模态和纵向数据来确定这种关联是否随成熟而持续、减弱或逆转，并调和新生儿与成人的差异。此研究还观察到每个静息态网络内部动态SFC 与网络灵活性之间存在显著的负相关。
值得注意的是，网络灵活性在皮质层级中差异显著，在初级感觉皮质中表现出相对较低的灵活性，而在注意相关区域中灵活性增加。这种层级组织可能反映了皮质区域间平衡神经稳定性和适应性的关键神经生物学机制。静息态网络内的稳定性支持一致且可靠的信息处理，而适应性则能够灵活响应动态认知需求和环境变化。因此，在每个静息态网络内观察到的动态 SFC 与网络灵活性之间的负相关暗示了一种内在的权衡，即针对稳定功能交互进行优化的网络固有地表现出降低的动态灵活性，反之亦然。这种平衡对于适应性认知和高效的动态认知控制至关重要。综上所述，这些结果表明结构成熟、功能稳定性和适应性之间存在内在的相互作用。
此研究的中介分析揭示了皮质微结构、动态 SFC 和网络灵活性之间的复杂关系。具体而言，在 DMN 中观察到一个稳健的“间接唯一”中介通路，表明微结构变异似乎主要通过动态 SFC 而非直接路径与灵活性相关。更重要的是，发现在 DMN 后部而非前部区域，动态 SFC 显著介导了 T1w/T2w 比值与网络灵活性之间的关系。这种区域特异性突显了 DMN 内从后向前的成熟梯度，与提出后部 DMN 区域作为整合结构成熟与灵活网络重构的基础枢纽的理论相一致。这种后部的强调与后部皮质区域成熟较早的发育模式一致，为后续高级知觉和认知的发展提供了必要的结构和功能支架。此外，静态 SFC 未显示中介作用表明，在生命早期，是瞬时动态与结构框架的对齐——而非时间平均的耦合——将皮质微结构与灵活性联系起来。
足月儿与早产儿之间的比较分析进一步阐明了与早产相关的潜在神经发育破坏。此研究近期的工作已显示早产儿中结构和功能脑网络的广泛改变。在此，将这些工作扩展到发现动态 SFC 模式中的特异性破坏，捕捉到随时间推移结构重组与功能重构之间复杂的相互作用。这些发现表明，早产儿特别容易受到关键静息态网络内部和之间结构-功能关系破坏的影响。这些改变可能反映了过早暴露于宫外环境的不利影响，这可能中断神经发育的典型轨迹。值得注意的是，在足月儿 DMN 中观察到的与 PMA 相关的动态 SFC 稳健增加，在早产儿中缺失。这种差异暗示，延长的宫外发育环境对结构和功能脑网络的典型成熟过程产生负面影响，尤其是那些对复杂认知和社会情感发展至关重要的大脑网络。这些发现与现有文献一致，表明加速的结构-功能成熟主要发生在子宫内，从而强调了与早产相关的发育脆弱性。总之，这些发现突显了迫切需要设计针对性的干预措施，以减轻发育破坏并优化早产儿的认知轨迹。未来的纵向研究跟踪从新生儿期到儿童早期的婴儿，对于理解早期动态 SFC 模式如何演变并影响随后的认知和行为结果至关重要。此外，探索环境和经验因素（如早期感觉刺激、照料者互动和营养状况）的影响，可为理解早期大脑发育的神经可塑性机制提供关键见解，并指出减轻发育脆弱性的干预点。
在解释此研究的发现时，必须考虑几个方法学问题。首先，尽管实施了严格的头动校正和回归技术，但新生儿成像固有的残留运动伪影仍然是潜在的混杂因素。婴儿，尤其是早产儿，由于扫描时自然的躁动和睡眠状态的可变性，更容易出现运动伪影，可能影响数据质量和连接估计的可靠性。其次，在早产队列和足月儿子集中进行的平行中介分析未检测到通过 DMN 中动态 SFC 介导的T1w/T2w 对网络灵活性的显著间接效应。这一阴性结果可能与统计功效不足或早产中该通路的真正缺失/改变相容；在当前的样本量下，无法在这两种可能性之间做出判断。未来需要更大的早产队列以获得足够的功效并得到精确的间接效应估计。第三，此研究专门研究了新生儿大脑灰质内的动态 SFC，白质未被探索。新出现的证据表明，白质表现出与灰质相当的内在功能活动，如血氧水平依赖信号所反映的。近期研究已显示，异常的白质 SFC 与多种神经精神疾病的临床症状严重程度相关。因此，未来的研究应检查新生儿白质内的动态 SFC，以扩展对早期结构-功能网络整合及其对发育结局潜在影响的理解。
总之，此研究提供了对新生儿早期大脑发育期间动态结构-功能相互作用的详细表征，强调了动态 SFC（尤其是 DMN 内的动态 SFC）在早期内部思维和认知整合中的重要作用。在早产儿中发现的破坏突显了在关键发育期进行针对性干预的迫切需求。更深入地理解动态 SFC 机制，对于阐明认知发展的神经生物学基础和解决生命早期的神经发育脆弱性至关重要。
4.方法
研究对象
此研究使用了 developing Human Connectome Project 第三版发布的经过最小程度预处理的神经影像数据。排除了经dHCP 预处理流程标记为质量控制不合格或存在大量影像伪影的新生儿。最终样本包括 399 名新生儿，其中 348 名足月儿和 51 名早产儿。足月新生儿定义为胎龄 ≥ 37 周出生者；早产新生儿定义为胎龄 < 37 周出生者。足月儿出生时的中位胎龄为 40.36 周，扫描时的中位 PMA 为 40.43 周。对于早产组，出生时的中位 GA 为 32.50 周，在足月等效年龄进行的扫描时的中位 PMA 为 41.14 周。关于每个处理步骤的纳入/排除标准的详细信息见补充图 10。伦理批准由相应的机构审查委员会授予，并在数据采集前从所有婴儿的父母或法定监护人处获得了书面知情同意。遵守了所有与人类研究参与者相关的伦理法规。
MRI采集
影像采集在 Evelina 伦敦儿童医院的 Evelina 新生儿影像中心进行，使用配备定制 32 通道新生儿头线圈和专用新生儿成像系统的 3T特斯拉 Philips Achieva 扫描仪。婴儿在自然、非睡眠状态下扫描，环境针对舒适和听觉保护进行了优化。总扫描时间约为 63 分钟。高分辨率结构 MRI 包括T1w 和 T2w 图像，使用多切片快速采集。T2w 图像采集参数为：TR = 12,000 ms，TE = 156 ms，层厚 = 1.6 mm，矩阵 = 256×256，FOV = 145×145×108 mm，面内分辨率 = 0.8×0.8 mm²。T1加权序列的并行成像加速因子为2.27，T2加权序列为2.11。弥散加权成像使用单次激发平面回波序列，多频带加速因子 = 4。扩散敏化梯度分别在b值为0、400、1000和2600 s/ mm²的条件下，沿20、64、88和128个方向进行施加。成像参数包括：TR = 3800 ms，TE = 90 ms，层厚 = 3 mm（重叠 1.5 mm），面内分辨率 = 1.5×1.5 mm²。静息态功能 MRI 使用多频带加速平面回波序列（多频带因子 = 9），参数：TR = 392 ms，TE = 38 ms，翻转角 = 34°，各向同性空间分辨率 = 2.15 mm。每次采集共 2300 个 时间点。所有序列均遵循针对新生儿影像优化的方案，并在 dHCP 发布文档中有详细描述。
数据预处理
解剖预处理采用超分辨率重建技术生成高分辨率 3D T1 加权和 T2 加权 时间点。将 T1w 图像刚性对齐到 T2w 时间点，并进行偏置场校正和脑提取。使用针对新生儿的 DRAW-EM 算法在 T2w 时间点 上进行组织分割。使用 dHCP 表面处理流程提取皮质表面并进行配准，T1w/T2w 比值图直接从发布数据中获取。
DWI 预处理包括颅骨剥离、使用场图进行磁化率伪影校正、使用 EDDY 进行涡流和运动校正，以及上采样至 1.5 mm 各向同性分辨率。选择受运动影响最小的 b0 图像进行校正。基于边界的配准将 DWI 数据对齐到个体 T2w 图像，然后通过非线性变换到 40 周对称 dHCP 新生儿模板，以进行基于图谱的分析。
静息态 fMRI 预处理使用 DPARSF 和定制的 MATLAB 脚本实现。每个婴儿选择约 70% 头动最小的时间点。使用 FSL 的 FLIRT 将 时间点 对齐到个体 T2w 图像。进一步预处理包括线性去趋势、 协变量回归和时域带通滤波。功能数据被投射到皮质表面，并通过多模态表面匹配技术与40周对称dHCP模板进行配准。最终基于表面的数据使用 2 mm 半高全宽高斯核进行平滑。
解剖 ROI
皮质分区使用此研究针对新生儿的、由 210 个皮质区域组成的多模态脑图谱定义，该图谱针对发育神经影像学进行了优化，并适应新生儿大脑独特的解剖和功能特征。该模板基于 T1w、T2w、DWI 和 fMRI 特征生成，确保相邻区域之间的解剖对称性和功能同质性。按照先前的方法，将分区分配到五个典型静息态网络：感觉运动网络、视觉网络、高级视觉网络、腹侧注意网络和默认模式网络。这些网络代表了新生儿大脑中重要的功能域，这反映了大脑在宏观尺度上的整合性结构。关于这些静息态网络分区及其相应区域的详细信息见补充数据 1 和补充图 11。
动态功能网络构建
动态功能连接网络使用经过验证的锥形滑动窗口方法进行估计，遵循既定方案。每个 ROI 的 BOLD 时间序列被分割成39.2 秒的重叠窗口，步长为 3.92 秒，每个婴儿共产生160 个窗口。选择此窗口长度是基于先前研究表明 30-60 秒范围内的持续时间在时间分辨率和协方差结构可靠估计之间提供了最佳权衡。在每个窗口内，计算 210 个皮质 ROI 的协方差矩阵，得到维度为 210×210×160 的动态连接矩阵序列。这种方法能够实现整个扫描时长内功能脑网络动态的时间分辨跟踪。
结构网络构建
通过执行全脑概率纤维追踪来绘制皮质 ROI 之间的白质通路，从而构建结构脑网络。将定义在 40 周 dHCP 新生儿模板空间中的 210-ROI 分区非线性配准到每个受试者的原始弥散空间。纤维追踪流程使用 MRtrix3 工具包实现，并整合了针对婴儿大脑独特挑战（如低髓鞘化和高部分容积效应）优化的新生儿特定方案。具体而言，使用多壳多组织约束球面反卷积估计体素级纤维方向分布，该模型对白质、灰质和脑脊液的信号贡献进行建模，以提高在部分髓鞘化组织中的纤维追踪准确性。使用 msmt_5tt 方法估计组织响应函数。鉴于新生儿大脑中各向异性分数低，应用了 0.2的特定 FA 阈值以确保估计出稳健且有代表性的白质响应函数。使用对数域强度归一化方法标准化受试者之间的信号强度。从灰质-白质界面启动流线以最大化皮质覆盖，这对于新生儿数据是更稳健的种子点策略。使用iFOD2 算法为每个受试者生成 200 万条流线，参数如下：步长 0.75 mm，最小和最大长度分别为 20 mm 和 200 mm，终止阈值基于 FOD 振幅 < 0.05 或角度偏差 > 45°。结构连接组定义为加权 210×210 矩阵，其中边权重对应 ROI 对之间的流线计数，并针对 ROI 大小进行了校正。
动态结构-功能耦合估计
拟合一个多元线性回归模型来估计每个 ROI 的区域性 SFC。从每个 SC 矩阵中导出三个预测变量矩阵：（i）欧几里得距离，（ii）最短路径长度，以及（iii）通信性。这些预测因子具体体现了基于几何限制、路由机制及扩散机制的通信模式，这些模式对于SFC及其时间变异具有明确的相关性。对于给定的 ROI，响应变量是该 ROI 与所有其他 ROI 之间的FC，而预测变量是该 ROI 与所有其他 ROI 之间的欧几里得距离、路径长度和通信性。SFC 水平使用来自多元模型的 ROI 特异性 R² 进行测量。在每个窗口内的 ROI 上拟合多元模型，为每个婴儿生成一个矩阵。矩阵的每一行描绘了随时间变化的 SFC 波动。为了估计动态 SFC，进一步计算所有 ROI 对之间 SFC 波动的 皮尔逊相关系数以构建每个婴儿的协方差矩阵。为了评估这些结构预测因子之间的独特与共享方差，还估计了单一、成对和组合模型的 SFC。组平均 R² 从单一模型增加到成对模型，并在包含所有三个预测因子时达到峰值，表明存在部分非重叠的贡献。
个体化预测分析
采用 CPM 框架从动态 SFC 模式预测PMA。实施 10 折交叉验证程序以确保稳健且无偏的性能估计。在每一折中，数据集被划分为训练集和留出测试集，每个受试者作为测试数据一次。在每个训练集内，使用非参数 Kendall's Tau 相关将动态 SFC 特征与 PMA 相关联。保留显示显著关联的特征以生成二值特征掩膜。对于每个受试者，然后将保留的特征平均为单个汇总分数。在训练集中，在回归掉潜在的混杂变量后，在这些汇总分数与 PMA 值之间拟合线性回归模型。然后将训练好的模型应用于测试集，使用相同的特征掩膜和汇总程序来预测 PMA。此过程在所有折中重复，为每个参与者产生样本外 PMA 预测。
网络灵活性
网络灵活性使用应用于多层功能连接矩阵的 GenLouvain 社区检测算法进行量化。具体而言，通过在滑动窗口上最大化模块性来识别时间社区，从而能够检测每个 ROI 在每个时间点的社区归属。区域灵活性定义为给定 ROI 改变其社区分配的窗口比例，除以可能转换的总数。该指标反映了每个节点随时间动态重构其功能关联的程度，从而区分出刚性的时间核心区域与外围高度适应性区域。鉴于模块化优化本身具有随机性，每个受试者的社区检测过程均重复进行了50次。每次运行均计算灵活性评分，随后取平均值以获得稳健的、基于个体水平的区域网络灵活性估计值。
统计与可重复性
组间比较和相关性使用非参数置换检验和 Spearman 相关进行评估。使用 Friedman 非参数单因素方差分析比较静息态网络之间脑指标（动态 SFC、T1w/T2w 比值和网络灵活性）的差异。进行中介分析以检验动态 SFC 是否介导 T1w/T2w 比值与网络灵活性之间的关系。具体而言，将 T1w/T2w 比值、动态 SFC 和灵活性分别作为自变量、中介变量和因变量。应用错误发现率校正来控制多重比较，统计显著性定义为 FDR 校正后 p < 0.05。为了评估此研究发现的可重复性，使用替代窗口长度和步长进行了敏感性分析，确认了观察到的动态 SFC 模式在广泛参数空间内的稳定性。
解读：脑海科技
参考文献
Zhang Z, Zhang C, Zhang X, et al. Dynamic structure-function coupling in macroscale neonatal brain networks. Commun Biol. 2025;9(1):35. Published 2025 Dec 1. doi:10.1038/s42003-025-09300-4
