功能连接组学（Functional Connectomics）作为神经科学领域一门新兴的交叉学科，其核心目标是通过测绘和分析大脑不同区域之间的动态功能连接，来揭示大脑信息处理、认知功能乃至精神疾病的神经机制。自概念提出以来，该领域经历了从宏观群体图谱到个性化、动态化、多尺度整合的深刻演变，并正朝着临床转化与精准医疗的未来迈进。以下将结合其发展历程、当前进展与未来挑战，系统阐述功能连接组学的“过去与未来”。
一、 过去：从静态群体图谱到动态个体化探索
功能连接组学的研究建立在静息态功能磁共振成像（R-fMRI）技术快速发展的基础之上。自1995年Biswal等人开创性工作以来，R-fMRI使得科学家能够在无任务状态下观测全脑自发神经活动，为研究“心脑关联”（Brain-Mind Association）提供了前所未有的机遇。早期研究主要集中于绘制群体层面的静态功能连接图谱。例如，“千人功能连接组计划”（FCP）和随后美国国立卫生研究院资助的“人类连接组计划”（HCP），利用大规模神经成像数据集，绘制了高精度的人脑功能连接参考图谱，揭示了如默认模式网络（DMN）等稳定的内在连接网络（ICNs）。这一阶段，皮尔逊相关系数成为衡量功能连接最主流的工具，构建了大脑区域间成对连接的“分区连接组”视图。
然而，研究者很快意识到，将大脑视为具有固定边界的模块集合过于简化。因此，研究焦点发生了两大关键转变：
从群体到个体：大脑功能组织存在显著的个体间差异，尤其是在联合皮层。研究趋势从创建群体地图集，转向开发能够捕捉个性化连接组变异的方法，旨在建立个体连接模式与行为、临床表型之间的关联。这催生了类似全基因组关联研究（GWAS）的 “连接组关联研究”（CWAS/fCWAS） 框架，用于系统探索全脑连接模式与心理行为或疾病的关系。
从静态到动态：传统的静态连接分析假设功能连接在扫描期间是平稳的。而动态功能连接（dFC） 研究揭示，大脑网络交互随时间存在有意义的波动。研究方法从简单的滑动窗口分析，发展到时频分析、逐帧描述和时间建模等，以更精细地捕捉大脑活动的时空动态特性，并在精神分裂症、自闭症等疾病研究中显示出临床应用潜力。
二、 现在：方法学革新与多尺度、多模态融合
当前，功能连接组学正处于方法学深度革新和多维度整合的活跃期。
1. 方法学基准与工具选择革命
一项发表于《Nature Methods》的基准研究对239种功能连接测绘方法进行了全面测试，揭示出不同方法会描绘出截然不同的大脑“社交网络”。例如，常用的皮尔逊相关（协方差类）方法倾向于识别感觉运动皮层的枢纽，而偏相关（精度矩阵） 方法则更可能揭示默认模式网络等高级认知区域的直接连接，并且显示出与底层白质结构网络更强的耦合。这明确指出，没有“唯一正确”的方法，方法的选择直接决定了所能观察到的神经组织原则，未来研究需根据科学问题谨慎选择工具。
2. 超越分区：非分区表征与梯度分析
除了传统的基于脑区的“分区连接组”，新的数据表征方法正在兴起，例如捕捉大脑功能组织平滑连续变化的连接梯度方法。这些方法补充了分区视角，能更好地描述关联皮层等区域功能组织的重叠和渐变特性。
3. 跨模态与跨时间尺度的验证
功能连接组学的研究不再局限于fMRI。研究表明，尽管测量方式（血流动力学信号 vs. 电生理信号）和时间尺度（秒级 vs. 毫秒级）不同，但基于脑电图（EEG）、脑磁图（MEG）等神经生理学方法揭示的内在连接组织，与fMRI连接组在空间上具有显著的相似性。这种跨模态的一致性，可能由共享的结构连接基础和跨频耦合机制所支持，增强了功能连接组发现的可靠性，并鼓励利用EEG/MEG的高时间分辨率优势拓展研究边界。
4. 向微观尺度的延伸与整合
功能连接组学与微观尺度的连接组学（Connectomics）正在交汇。2025年，《Nature Methods》将基于电子显微镜的连接组学评为年度方法，表彰其在纳米/微观尺度上精确重建神经元与突触连接网络的里程碑成就。像果蝇全脑、小鼠视觉皮层（MICrONS项目）乃至人类微小皮层样本（H01数据集）的连接组图谱，提供了无可替代的“结构真值”。将这种微观结构连接图谱与fMRI、钙成像等功能活动记录相结合（如MICrONS所做），构成了强大的“结构-功能衔接”研究范式，能够直接检验关于神经回路机制的假设。
三、 未来：挑战与转化前景
尽管进展迅猛，功能连接组学迈向成熟仍面临一系列挑战与未来方向。
1. 提升可解释性与神经机制理解
当前大多数发现仍是相关性的。未来研究需进一步提高可解释性，深入理解fMRI等功能连接观测背后的具体神经生理机制。这需要更紧密地结合微观连接组、基因表达、神经递质受体分布等多模态生物学数据（正如基准研究中所尝试的），以及利用光遗传、化学遗传等技术进行因果干预验证。
2. 标准化、验证与共识建立
领域内分析方法繁多，预处理流程各异，这给研究结果的比较、复制和共识建立带来困难。未来需要推动方法学的标准化与验证研究，比较不同连接组表征的优劣，建立最佳实践指南，以增加研究成果的可信度和可累积性。
3. 面向临床的转化与精准医疗
功能连接组学在精神疾病研究中已展现出巨大潜力，有助于揭示精神分裂症、抑郁症、双相情感障碍等疾病的异常网络模式，并作为潜在的生物标志物用于辅助诊断、预后预测和治疗靶点选择。未来的核心方向是将这些发现转化为临床实践，开展基于连接组生物标志物的临床试验，并最终实现个性化治疗方案的制定。例如，根据患者特定的功能连接异常模式，选择或调整神经调控（如经颅磁刺激）的治疗靶点。
4. 发展更强大的计算与理论框架
处理日益增长的多尺度、多模态神经大数据，需要更强大的计算工具和理论框架。人工智能与机器学习将在连接组数据的自动化分析、模式识别和个体化预测中扮演关键角色。同时，需要发展能够整合跨尺度信息（从突触到全脑网络）的计算模型，以真正理解大脑功能如何从其连接结构中涌现。
总结而言，功能连接组学已从一个描绘静态大脑图谱的学科，演变为一个致力于理解个体化、动态化、多尺度大脑网络如何支撑认知与疾病的动态前沿领域。 其过去奠基于大规模成像与静态网络分析，其现在充满了方法学的批判性反思与多模态融合的活力，而其未来，则紧密系于神经机制的解密、临床转化的实现以及跨尺度统一理论的构建之中。
转载本文请联系原作者获取授权，同时请注明本文来自李升伟科学网博客。
链接地址：https://wap.sciencenet.cn/blog-2636671-1522672.html?mobile=1
收藏
