局灶性脑损伤患者脑网络功能破坏通常被认为反映了关键灰质脑区的损伤。来自华盛顿大学医学院的科研人员发现脑网络异常主要源于白质通路的失连接，而非灰质区域的破坏，对以往假设提出挑战。本研究发表在Cell Reports杂志。（可添加微信号siyingyxf或18983979082获取原文及补充材料）
- 脑灰质的损伤，包括关键节点的损伤，所提供的解释力度很小
卒中导致局灶性颅脑损伤，引起功能连接（FC）中断，作为衡量不同脑区同步活动的指标，FC中断通常被认为是反映特定皮层损伤。然而，另有一种解释为反映白质通路结构失连接（Structural Disconnection，SDC）。该研究通过114名卒中患者数据验证该解释。通过多项分析，研究发现对于解释卒中相关的FC中断，SDC测量胜于局部损伤测量，包括公认的重要皮层损伤。该研究识别结构-功能共变的核心模式，可将跨半球SDCs的严重程度与患者广泛FC中断相关联，并与多种不同行为域障碍相关。结论：局部病变对于结构连接的影响取决于其对FC的影响，跨半球间SDCs对于介导卒中后FC中断发挥重要作用。
Introduction:
卒中等疾病造成局部脑损伤的同时引起广泛脑网络功能障碍。功能连接（FC）作为一种测量远距离脑区自发活动相关性指标，被用来识别多个脑网络异常，预测卒中后行为障碍。其中包括：跨半球间网络整合减低、健侧脑网络分离减低、网络模块化减低。下一步研究的重点在于研究FC异常与局灶性病变特性的关系。
以往研究初步探索FC中断与损伤灰质脑区的FC网络属性的关系，基于先验研究，提出皮层的连接核心节点的损伤，由于其与多个网络存在信息交流，导致广泛性FC中断及行为异常。然而，该解释忽视了卒中、脑肿瘤、脑外伤通常影响白质区域，轻视了白质通路的结构失连接在多种复杂障碍，如空间忽视及失语中存在的证据。
在健康大脑中，结构连接（SC）直接或间接组成FC，因此可以推测SDCs从根本上影响卒中引起的FC中断，该推断与通过计算性研究模拟损伤对FC影响的预测一致，也与胼胝体切除及脑外伤相关的FC中断的经验性报告一致。该研究的目的检验这一假设，即病灶对结构连接的广泛影响，并非病灶对关键灰质脑区的局部影响，决定了该病灶对FC的影响。
该研究首要关注的是该关联是否受到核心结构-功能活动的支配。卒中会产生少量相关FC异常，行为障碍同样表现出相似的低维性，以至于该少量组成成分可解释较大程度的行为变异。其中一种潜在的解释即卒中通常干扰多个穿过血管区域的近端纤维通路，导致相关异常以及网络功能障碍。如果该解释为真，那么SDC(结构失连接)与FC之间的关系同样低维化，基于其与SDCs的关联可确定FC模式，以反映以往基于其与行为关系所确定的核心FC中断。 被试信息：132名存在认知和/或行为损伤的首次卒中患者及33名人口统计学上匹配的健康对照组被纳入研究。其中114例患者和24例对照组的数据符合质量控制标准(如下所述)，并纳入了研究。 神经影像学数据采集：T1、T2-FLAIR、rs-fMRI，在rs-fMRI扫描过程中，被试被要求盯着磁铁孔后面屏幕上一个黑色背景下中央位置的白色固定十字架。Eyelink 1000 eye-tracking system用于监测被试在扫描过程中眼睛何时睁开/闭上。每个被试进行6-8次静息态扫描（每次128 volumes）。 病灶识别：通过Analyze software package软件包对结构像进行手动识别病灶。周围水肿也被包含在内。最后分割的病灶进行二值化作为病灶mask用于后期分析。病灶mask通过线性与非线性变化配准至MNI空间，并进行重采样获得相同大小体素分辨率。 行为测量：被试在运动、语言、注意力、言语记忆、空间记忆和视觉领域进行了一系列的行为评估。采用主成分分析法(PCA)对各个行为域数据进行分解。每个行为域(视觉除外)的首个PCs被视为兴趣域得分，并被用于分析影像学测量进行相关。fMRI数据除采用一般预处理流程外，在估计FC前，对非神经源性的信号进行了处理。对头动校正获得的6个头动参数以及从FreeSurfer组织分割中提取的全脑灰质、脑脊液、白质信号进行回归。此外为了适应大脑病灶，预处理流程进行调整。配准或分割失败的患者图像，在进行配准与分割之前，用结构图谱的正常值替代病灶体素值。每个半球被重采样至164000个顶点，两个半球进行互相配准。然后，数据被向下采样至每个半球32000个顶点。Connectome Workbench中的Ribbon-constrained sampling被用来将每个被试fMRI volume采样至个体表面，变异系数高于0.5SD，超过在5mm sigma高斯邻域内的所有体素均值的体素在从volume至表面的映射中被删除。通过质量控制，少于180个时间点的数据被删除，包括18名病人和9名对照。剩余的114名病人和24名对照。Parcels and network assignments：该研究采用Gordon333皮层分割及网络配置获得基于脑区及基于网络的FC测量。由于其中9个皮层顶点数量较少，在后续基于表面的FC估计中被删除。该研究另从AAL模板中（皮层及皮下核团）及Harvard-Oxford Subcortical Atlas（脑干）获得35个皮层及小脑分区进行完整量化全脑损伤及失连接。所有359个脑区（Figure S1）被用来进行后续失连接及局部损伤估计。
图S1.结构数据
（A）以359个灰质区域的质心坐标为中心的球体按网络关系用颜色进行编码。（B）与70个大尺度纤维相对应的纤维束被合并到单一的神经束图中。（C）灰质及纤维束图谱被用来重建结构连接图谱，采用终点-终点的纤维束提取。计算基于脑区的功能连接矩阵。对于每一个被试，落入病灶边缘以内的顶点通过mask被排除，在删除病灶顶点后脑区剩余顶点少于60通过将值设为NaN被排除。Template structural connectome：研究采用公开数据库DTI纤维图谱构建结构连接组模板。该连接图谱为MNI空间下，每一条纤维束与66条神经解剖所定义的纤维束相关联。此外由于胼胝体被分为5个亚区，因此共得到70条纤维束。该研究采用DSI_studio software软件包提供的命令定义基于脑区的结构连接组模板，得到359x359的连接矩阵AS。均采用MATLAB version 2015a平台包含the Statistics 及 Machine Learning Toolbox工具包进行。可视化采用Connectome Workbench, MRIcroGL 及 SurfIce software packages软件包实现。matlab_nifti toolbox用于数据格式转化，GRETNA toolbox用于将原始连接矩阵转为.edge 及 .node文件。将每组的功能连接矩阵取平均值，得到组平均功能连接矩阵。从病例组的平均矩阵中减去对照组的平均矩阵，得到一个差值矩阵。利用组平均与差矩阵上三角之间的线性相关性来评估平均功能连通拓扑结构之间和与差矩阵的相似性。根据以往报道的亚急性脑卒中患者功能连接异常定义了12种网络功能障碍的测量方法。对于9个双边功能网络，该研究平均了所有网络内半球间功能连接的FC强度得到9种网络特异性大脑半球的功能连接测量。为了得到半球间功能连接整合的测量指标，对这9个FC进行平均。为了获得网络隔离测量指标，将同侧DAN-DMN功能连接值进行了平均。最后，为了得到一个包含整合及隔离的全局度量，该研究测量网络模块化（Newman’s Q），通过Brain Connectivity Toolbox的community_louvain功能实现。Structural lesion features：从matlab_nifti toolbox的MATLAB scripts utilizing functions用于获得基于体素的损伤度量及基于脑区的灰质损伤测量。对于每个患者，该研究将其3x3x3mm的病灶mask重新塑造为一个一维矢量，用于指示病变区域内每个体素有无损伤(以下称为基于体素的损伤)。此外，该研究计算了每个患者与病变重叠的每个灰质区域的比例，以创建一个一维矢量，量化组水平病变覆盖范围内每个脑区的损伤量（以下称为基于脑区的损伤）。DSI_studio software package工具包的MATLAB脚本，获得基于MNI-配准的病灶及结构连接模板的嵌套所得的失连接。该研究提取了经过病灶的纤维束获得了一个359x359的失连接矩阵。然后，通过结构连接矩阵AS，将失连接矩阵AD进行归一化，所得矩阵ADnorm量化被病灶所断开的纤维束的比例。然后提取ADnorm上三角，重塑为一维向量，量化每一个连接的失连接数量（以下称为基于脑区的失连接）。对于每一个患者，该研究同时计算了结构连接图谱中的每个神经解剖学定义的纤维束被病变断开的比例，得到一个一维矢量，量化每条纤维束的失连接数量（以下称之为基于纤维束的失连接）。本研究采用多元线性回归比较连接核心节点损伤、区域节点损伤、总失连接对网络模块化的影响。首先将连接核心节点损伤、区域节点损伤作为自变量（模型1），加入失连接考察其是否可解释局部损伤额外的方差（模型2），最后加入病灶体积（模型3）。本研究同时进行偏相关分析考察不同结构测量与模块化之间的关联强度。然后采用Steiger’s z-tests对每组的相关性进行检验。最后调整病灶体积进行偏相关分析。本研究采用偏最小二乘回归分析（PLSR）从结构损伤及失连接测量预测网络水平的功能连接指标。LSR是一种多元回归技术，与主成分回归(PCR)密切相关。PLSR和PCR在变量多于观察值和/或预测变量之间存在高度共线性的情况下较为适用。PCR将预测矩阵X分解成一组线性独立的分量，这些分量最大限度地解释了X的方差，并使用这些分量的某个子集的分数来预测Y，PLSR执行X和Y的对偶分解获得成分从X与Y最大限度考虑协方差，使得模型更为简易，减少了重要变量从模型中被忽略的可能性，因为它们只解释了X中的一小部分方差。本研究采用四种不同的结构损伤测量作为预测因子，拟合每个功能连接测量的PLSR模型。留一法（一种交叉验证方法）优化被用来确定每一模型包含的成分的数量，即计算当增加每个成分时，预测误差的变化。最后每个功能连接的结局变量的不同模型比较采用Akaike’s information criterion weights，因为其包含了适合度和模型复杂性的信息。从一组候选模型中选取一个模型的AIC权值，可以解释为在考虑模型性能和模型复杂性的情况下，该模型是所有候选模型中最佳的条件概率。因此，AIC权重接近1的模型优于AIC权重接近0的模型。在所有12个模型的无阈值失连接权值和所有12个功能连接度量值之间计算线性相关性。针对不同的连接类型提取基于脑区的失连接模型权重并绘制，每个模型中最重要权重的前20%被投射到大脑中以进行可视化。本研究使用基于全部脑区的失连接和功能连接数据集的偏最小二乘相关(PLSC)来识别结构失连接和功能连接模式在患者之间最大程度地共变。PLSC是一种与PLSR密切相关的数据驱动技术。PLSC试图定义两个数据矩阵(X和Y)的线性组合，称为潜在变量(LVs)，最大限度地解释数据矩阵之间的协方差，本质上涉及执行跨块协方差矩阵的奇异值分解(SVD)。PLSC已成功地用于描述健康个体的结构和功能连接的共变模式以及其他涉及到结构连接和功能连接之间关系的问题。如果您对功能及结构脑影像感兴趣，欢迎浏览思影科技课程及服务（可添加微信号siyingyxf或18983979082咨询）：
第十八届DTI数据处理班（上海，7.2-7)
第八届小动物脑影像数据处理班（上海，5.6-11）
第四十二届磁共振脑影像基础班（上海，6.5-10）
第一届脑网络数据处理提高班（上海，5.22-26）
第三届DWI数据处理提高班（南京，5.17-22）
第十六届脑影像机器学习班（上海，7.23-28)
第九届任务态数据处理班（北京，5.27-6.1）
第十四届磁共振脑影像结构班（北京，7.10-15)
第四十三届磁共振脑影像基础班（南京，7.1-6)
第四十一届磁共振脑影像基础班（重庆，5.9-14）
第十三届脑影像结构班（重庆，6.8-13)
数据处理业务介绍：
MRI结构像数据来自于114名亚急性期卒中患者（mean time since stroke = 13.09 days, SD = 4.75 days），通过局部灰质分割（359脑区）与白质结构连接组图谱（70条纤维束）来测量在不同空间尺度上每一个病灶局部及广泛的解剖影响（Figure 1A）。对于每一个被试，本研究定义2种局部损伤测量方法：（1）基于体素的测量方法以显示大脑中每一个体素的病变状态（如病灶vs.正常），同时包含灰质与白质（Figure 1B,voxel-based damage）；（2）基于脑区的测量方法以量化每一个灰质内与病灶重叠的体素的比例（Figure 1B, region-based damage）。本研究同时定义了广泛SDCs(结构失连接)的测量方法：（1）基于纤维束的测量方法以量化每条纤维束区域中与病灶相交的纤维束的比例（Figure 1B, tract-based SDC）；（2）基于脑区的测量方法以量化连接每一对脑区间的纤维束中与病灶相交的比例（Figure 1B, region-based SDC）。
（A）结构数据及图谱，从左向右依次为：某个被试T2像、灰质分割、弥散张量成像结构连接图谱；（B）结构测量示例，从左自右依次为：体素损伤、局部灰质损伤、基于纤维束SDC、基于局部灰质SDC；（C）病例组体素损伤（上）及基于局部灰质SDC（下）叠加的拓扑图。颜色代表体素存在损伤的病人数量（上）及每个体素及纤维束失连接数量（下）；对于SDC叠加图，线代表连接，球形代表脑区，不同颜色对应不同网络。（D）y轴代表在病例组叠加图中，损伤的体素（蓝）及纤维连接（橙色）比例所对应的数量患者（x轴）。虚线分别代表损伤患者的最大数量及任意体素或连接的最大数量。由于WM通路的广泛空间分布特性，不同位置的病灶可产生相似的SDCs(结构失连接)。因此SDC测量可以显示异质性病灶的共性。为了阐释这一点，该研究将（1）双侧基于体素的损伤测量与（2）双侧基于脑区的SDC测量相加，创建了量化损伤患者的数量、每一个体素失连接数量及脑内连接数量（Figure 1C）。值得注意的是，基于脑区的SDC叠加图分布（Figure 1D，橙色直方图）相对于基于体素的损伤叠加图（Figure 1D，蓝色直方图）向右侧移动，提示SDC叠加图较病灶迭加图更为频繁。因此，SDC测量可显示患者见异质性病灶的普遍结构破坏。114例亚急性期卒中患者及24例人口统计学信息相匹配的对照静息态fMRI被用来计算不同脑网络相关的324个皮层脑区之间的功能连接FC（Figure S2A-S2C）。该研究定义12个网络水平总体测量以捕捉与卒中相关的核心FC中断，即（1）半球间网络整合；（2）同侧网络隔离；（3）网络模块化；三方面的减低。对于每一个患者，该研究提取9个双侧皮层网络（Figure S2D）的半球间平均FC，并取其平均值作为跨半球网络内整合指标（Figure S2D,左侧）。该研究同时提取同侧背侧注意网络（DAN）及默认网络（DMN）之间的平均FC，作为病灶侧网络隔离的指标（Figure S2D,中间）。最后，该研究对横跨多个边缘密度阈值的先验网络分区的模块化参数进行平均，作为总体网络结构的指标（Figure S2D,右侧；平均值嵌入其中）。这些FC测量指标在随后的分析中作为因变量。
（B）对照组(n=24，左)和患者组(n=114，右)的平均FC矩阵。轴上的彩色条表示(A)中所示的FC网络，由左上象限和右下象限分别对应左半球和右半球内部的连接，左下象限和右上象限分别对应半球间的连接。（D）病例组(n=114，红色)和对照组(n=24，蓝色)的测量指标汇总。病例组与对照组的平均FC矩阵具有相似的拓扑属性（Figure S2B;r=0.96,p<0.001）。从对照组矩阵中减去病例组矩阵显示在平均对照矩阵中，连接方向相反即正负值的差异大小（Figure S2C;r=-0.42,p<0.001），与卒中后网络内整合及网络间隔离减低相一致。与研究假设一致，病例组较对照组在网络水平的总体测量指标中存在显著异常（Figure S2D），但并不归因于组间总FC的差异。对于解释网络模块化的降低，总体失连接优于皮层节点损伤：模块化减低与连接不同网络间FC的皮层脑区（“connector hubs”，连接核心节点）受损相关，而并非与连接网络内FC的脑区（“provincial hubs”，区域连接节点）受损相关。连接核心节点因此被作为关键灰质脑区，其受损后会产生广泛影响。该研究为验证该影响，并将其解释为与一个简易的整体测量指标：SDC(结构失连接)严重程度进行比较，为每一个患者定义由病灶造成的基于脑区的SDCs的总体数值（如：总SDC）。对于每一例患者，该研究同时定义了连接核心节点及区域连接节点FC连接的测量指标作为损伤脑区控制驱动参与系数（participation coefficient，PC）及模块内系数（within-module degree，WMD）的加权平均值（Figure 2A）。验证连接损伤影响，2个预测因子的多元回归模型得到具有显著效应的连接核心节点（Figure 2B; model 1, PC Dmg），而非区域连接节点（Figure 2B; model 1, WMD Dmg），其模块化损伤具有显著性影响（Figure 2C,左侧）。然而，3个预测因子的模型中，总SDC显著解释更多方差，特定的总SDC是唯一具有显著性的预测因子（Figure 2B，model 2）。该模型并未因加入病灶体积而得到提升，总SDC仍为唯一具有显著性的预测因子（Figure 2B,model 3）。相关分析证实，模块化较连接核心节点损伤与SDC相关性更强（Figure 2C,左侧），即使调整病灶体积（Figure 2C，右侧）。因此，SDC严重性相较于皮层核心节点损伤可更好解释卒中后模块化减低。
图2. 对于解释网络模块化的降低，总体失连接优于皮层节点损伤（A）在平均对照FC矩阵中，每一个皮层脑区FC参与系数（顶）及内部模块化程度Z值（低）；（B）病例组（n=114）网络模块化的3个嵌套回归模型的结构测量指标的预测效应（x轴）的标准化β（y轴）。（C）结构测量指标（x轴）与模块化的相关（左，y轴）与偏相关（右，y轴）。本研究进一步比较了多变量损伤与SDC(结构失连接)测量指标用以解释FC中断的每一个网络水平指标的能力。对于每一个FC测量（Figure S2D），该研究拟合4个不同的偏最小二乘回归模型（PLSR），使用不同的结构测量指标作为预测因子（Figure 1B）。通过折叠交叉验证确定各模型的最优偏最小二乘PLS分量，通过bootstrap重采样(1000次bootstrap)获得模型拟合的置信区间(CI)。为了确定每一个FC测量的最佳模型，该研究比较了各模型间Akaike信息准则(AIC)的权重。AIC权重可以理解为给定数据和模型集中最优模型的条件概率。在FC度量中，SDC模型相较于损伤模型更能解释其方差（Figure 3A）。虽然，SDC模型较损伤模型倾向于使用更多PLS分量（Figure 3B），随后使用AIC加权比较解释了模型复杂性的差异，当仅使用一个分量在所有模型中，仍可得到相似的结果。AIC权重的比较显示，最优模型中9个是基于脑区的SDC模型，余下3个为基于纤维束的SDC模型（Figure 3C）。SDC模型的表现不能归因于病灶体积的影响，因为损伤测量指标所包含的病灶体积信息最多。因此，在解释卒中相关的核心FC中断中，SDC测量（尤其是基于脑区的SDC）始终优于脑区水平与体素水平的损伤测量。
（A）PLSR模型拟合和FWE校正95% CIs。图中显示了从病例组(n = 114)获得的每个FC测量值的不同解剖模型(x轴)的R2值(y轴)。（B）通过交叉验证确定每个FC测量指标(y轴)的每个解剖模型(x轴)中包含的成分数量。（C）左:每个FC指标(y轴)的每个解剖模型(x轴)的AIC权重。右:每个解剖模型(x轴)被选为集合的最佳模型的次数（y轴）。红色方框突出了不同的核心FC中断。以往研究表明，涉及不同网络的FC中断在患者之间是相互关联的。该研究观察到，在基于脑区的SDC(结构失连接)模型（Figure 4A顶部三角）中，非阈值PLSR权重的相关性所反映的不同FC测量指标（Figure 4A底部三角）存在中到强度相关。FC中断的相关性反映血管供血区域内，邻近WM通路同时中断，与这一推断一致的是，存在穿越大脑中动脉供血区的密集连接的网络的FC中断与相应SDC权重模式存在高度相关（Figure 4A，视觉网络（VIS）以外的脑网络），而这些网络与其他网络仅存在弱至负相关（Figure 4A，VIS）。为了刻画与每个核心FC中断相关最为显著的SDCs，该研究从平均半球间网络内FC模型、同侧DAN-DMN FC模型及网络模块化模型中提取基于脑区的SDC PLSR模型权重及显著99%CIs以及正向信号（由于信号被反转，因此正向信号预测更为严重的FC中断）。半球间SDCs的平均权重大于半球内SDCs（Figure 4B，比较橙色与蓝色点），顶部的权重绝大部分对应大脑中动脉供血去的半球间 SDCs（Figure 4B，虚线上方的点；Figure 4C）。最高权重同样包括多个半球内SDCs，包含右侧丘脑-皮层、额顶及额颞、和/或左侧额叶、额叶纹状体、额叶丘脑通路（Figure 4C）。涉及小脑和脑干的SDCs和/或病变(在较小程度上，VIS)与较为不严重的FC中断相关，这与FC中断相关性反映了大脑中动脉区域内多种连合通路和关联通路共存的SDCs的解释一致。
（A）不同FC测度之间的相关性(下三角)和基于脑区的SDC模型的PLSR权重向量之间的相关性(上三角)。（B）病例组(n = 114)基于脑区的显著SDC权重分布与半球间网络内FC减少、DAN-DMN FC增加和模块性降低相关。权重分别显示不同的网络和半球连接类型。数据点对应于单个连接。虚线对应权值的第80百分位截止点阈值(这些线以上的点用C表示)。平均值和SDs。以上结果支持：SDCs(结构失连接)是与卒中相关的核心FC中断的基础。然而，最初是根据其与行为的关系（非SDCs）确定的，因此核心FC的中断可能不是SDC唯一甚至是最初FC的后果。为了刻画患者SDC与FC模式更为广泛的关联，该研究采用了数据驱动的偏最小二乘法相关(PLSC)分析，对病例组的完整连接水平（如：未整合的）SDC和FC矩阵进行分析。PLSC对交叉协方差矩阵进行线性分解，得到一组正交潜伏变量(LVs)的原始结构及功能线性组合，以最大限度解释SDC与FC数据集的协方差。由每一个LV相关联的多元SDC与FC拓扑反映连接水平的负荷（如：权重），每一个LV的患者水平的得分通过，将原始数据矩阵与相应的负荷向量相乘所得。与SDC和FC模式呈现低维关联的预期一致，前10个LVs（潜在变量）解释了全部SDC和FC数据集之间87%的协方差（Figure 5A）。置换检验（1000次）显示前两个LVs(即LV1和LV2)分别所解释的协方差(分别为45%和21%)显著大于经验性假设的预期。对于每一个显著LV，该研究确定了显著负荷（如：单个连接），即为绝对bootstrap(1000个bootstrap)信号噪声比(BSRs)大于2.5的负荷。尽管LV1、LV2解释了总协方差的大部分，但LV2负荷未达到显著性，因此，该研究关注LV1特性。平均LV1 SDC及FC评分在病灶位于左侧大脑半球患者与右侧大脑半球患者之间无显著差异，提示LV1在两组间表达相似。在病例组，LV1 SDC模式与LV1 FC密切相关，可以从病例组SDC与FC相关性得出（Figure 5B）。在负荷拓扑图上， SDC的显著负荷仅表现为正信号，与网络内和网络间的SDC相对应（Figure 5C、D，见LV1 SDC）。具有正向信号的显著FC负荷包含半球间及半球内功能连接，这些功能连接几乎均为不同网络间连接（Figure 5C, LV1 FC; Figure 5D, right panels），而负向信号的负荷绝大多数与网络内或网络间的大脑半球间功能连接一致（Figure 5C, LV1 FC; Figure 5D, middle panels）。Figure 5D总结了该拓扑属性，并显示网络间SDC+模式（Figure 5D，见SDC+）的表达与网络FC增强（如：隔离减低；Figure 5D，见FC+）及以网络内最为显著的半球间FC减弱相关（如：整合降低；Figure 5D，see FC-）。
（A）病例组（n=114）的SDC和FC模式的PLSC所得的前10个LVs对总方差解释的比例。LV1(红色轮廓)在后续图中进行刻画。（B）LV1中病例组SDC (x轴)与FC (y轴)评分的关系。（C）对于不同的连接类型类别(x轴)，LV1 SDC(左图)和FC(右图)BSR(y轴)。点对应着个体的连接。虚线表示显著性阈值（D）由LV1连接的多元SDC和FC拓扑。大脑图像显示，具有显著BSR的SDC和FC模式(如，C图中虚线上方和/或下方的数据点)的显著正向(红色)和负向(蓝色)负荷的前20%。与LV1相关的FC模式类似于与中风相关的两个核心FC中断：网络内半球间FC的减低和网络间FC的增加（Figure 6C，6D）。这表明，与中风相关的核心FC中断实际上是SDCs（结构失连接）的主要后果，该研究通过将患者LV1评分与先验FC测量指标相关联以证实这种一致性（Figure 6A，顶行）。LV1的患者FC得分与平均半球间网络内FC呈极强的负相关，与其他指标呈中度相关性，LV1 SDC评分也存在类似但较弱的关系（Figure 6A，底行）。因此，以往根据其与行为的关系确定的核心FC中断似乎很大程度上反映了与半球间SDCs相关的单一潜在FC模式。为了证实LV1捕获了一种与行为相关的结构功能关系，该研究将患者水平的LV1得分与通过语言、注意、视觉记忆、空间记忆和运动领域多项测试的PCAs分析获得的表现得分进行了关联。LV1表达与多种的行为域损伤显著相关(Figure 6B，左)，即使在调整病灶体积依然显著(Figure 6B，右)。与上述结果一起，这些结果支持：卒中后行为和脑功能障碍的低维反映了由动脉供血区域内病变导致的相关SDCs。
图6.LV1是核心功能连接中断的基础，并与行为相关（A）散点图显示病例组核心FC中断(y轴)与LV1 FC(顶行)和SDC(底行)得分(x轴)之间的关系(n = 114)。（B）条形图显示了原始(左图)和部分(右图)行为测量(x轴)和LV1分数之间的相关性(y轴)。Lang,语言;Att,注意;MemV,言语记忆; MemS,空间记忆。健康个体中共变的SC与FC模式具有不同的拓扑结构，提示他们主要反映间接的网络水平关系。然而，在保守的宏观尺度体系结构中，正常的个体间SC测量的变化可能被相对较小的变化所控制，而这种结构是稳定的组水平FC现象(如静息态网络)的基础。由于SDCs(结构失连接)是这个核心架构的直接扰动，该研究推断它们的拓扑结构至少会部分反映在相连的FC模式中。本研究通过关联LV1成分的SDC与FC共有的非阈值负荷(unthreshold loadings)，评估了其拓扑相似性（Figure 7A）。这表明SDC和FC负荷之间存在微弱但显著的负相关关系（Figure 7B）。由于不同网络和/或半球连接的结构-功能对应程度可能会有所不同，该研究分别计算了不同半球和网络连接类别的SDC和FC负荷之间的相关性。尽管网络内连接具有大量的对应关系，但很少在网络间连接中观察到（Figure 7C）。这一发现并不是由局部损伤引起的，因为在皮质损伤很少或没有的患者中也得到了类似的结果。因此，结构连接的直接扰动可由失连接节点的FC变化直接反映，但这种影响似乎主要由网络内SDCs所驱动。
（A）病例组（n=114）的PLSC数据得到无阈值LV1 SDC（左；仅皮层）及FC（右）。（B）LV1 SDC (x轴)和FC (y轴)负荷的关系。（C）不同连接类型的关联(WN，网络内；BN，网络间)。卒中破坏大尺度功能连接组。对卒中的病理生理机制的全面理解必须将功能中断与潜在的结构损伤关联起来。该研究通过强调SDCs(结构失连接)在卒中对脑网络功能的影响中的关键决定作用以推进这一目标。发现:（1）较局部损伤相比，SDCs更能解释卒中后核心FC特性，（2）卒中后核心FC特性很大程度上反映一种潜在的FC模式，该模式与半球间SDCs的严重程度一致，部分反映潜在SDC拓扑结构。
