生物行移动版

在人类神经影像学研究中，机器学习模型常被训练用于预测行为表型（如认知能力、精神疾病症状）。由于脑连接数据的高维度性，传统方法常采用“特征选择”（feature selection）来简化分析，即聚焦于最强的前10%连接。然而，一项系统性研究验证了被丢弃的90%信号是否同样可用于预测行为，结果令人震惊：这些“微弱”信号不仅有效，甚至在某些情况下优于强信号。

方法与核心发现

研究团队分析了四个美国大型数据集，总计超过12,000例样本，涵盖13种行为、认知和精神结局。他们首先计算每个脑连接与目标行为的相关强度，然后按强度从高到低将所有连接等分为10组（组1：前10%；组2-10：后90%），最后用每组连接分别构建预测模型并评估准确性。

核心发现①：组2-9（即被丢弃的微弱信号）的预测准确性与组1（传统关注的前10%）相似甚至更高。

核心发现②：即使完全排除组1信号，仅使用剩余组别的连接，仍能保持几乎相同的预测准确性。

因此，预测信息在大脑中呈现广泛分布，而非仅特化集中于最强的那些连接。这一发现挑战了传统神经影像学中“最强连接最重要”的假设。

对精神疾病（如抑郁症）的临床意义

• 多条通路假说：存在多个非重叠网络能以同等精度预测同一行为。对于抑郁症，不同患者可能依赖完全不同的神经通路表现出相同的症状（如快感缺失），因此治疗不应局限于“最强/最主要”网络。
• 治疗抵抗的解释：如果一些患者依赖的是常规疗法（如经颅磁刺激、靶向最强网络）所不覆盖的连接，这解释了为何标准方法对他们无效。
• 扩大治疗靶点：当前精神疾病的生物标志物多基于最强信号子集，该研究呼吁纳入更广泛的连接数据，以提高生物标志物的效度和针对性。

对神经科学方法论的警示

高统计强度并不等同于更高的生物学相关性。强连接可能只是冰山一角，而微弱的全脑信号（包括功能连接与弥散张量成像衍生的结构连接）也不应被忽略。研究者应避免过度依赖特征选择，而应探索更全面的连接模式。

关键信息速览