长期以来，神经科学家在探索大脑复杂性时，习惯性地将注意力集中在最强的10%脑信号上，而将其余90%视为无关紧要的“噪音”。然而，一项发表在《自然-人类行为》（Nature Human Behavior）杂志上的颠覆性新研究揭示，这些被常规分析所忽视的“噪音”——即大脑中90%的弱连接——实际上能够以同等甚至更高的准确性预测行为，并可能牵涉到完全不同的脑网络。

这项由耶鲁大学医学院主导的研究，挑战了传统神经影像学数据分析的范式，并为精神疾病的诊断和治疗开辟了众多新的靶点。

研究主要作者、耶鲁大学医学院医学博士-哲学博士生Brendan Adkinson博士指出：“许多依赖特征选择（将大脑简化为狭窄切片）的技术，可能只揭示了特定行为背后真实神经生物学的一小部分。我们的研究表明，可能存在多个非重叠的脑网络，它们都能同样出色地预测特定行为。”

被忽视的脑连接蕴含深意

人类神经影像学的一个核心目标是阐明驱动认知和精神健康的脑机制。然而，脑连接的复杂性使得数据解读极具挑战性。为了简化这一过程，研究人员通常会采用“特征选择”的方法，仅关注最强的10%脑连接，以使数据更易于分析和理解。

为了探究被特征选择所舍弃的信号是否能揭示关于大脑和行为的有意义的见解，研究团队对来自美国四大主要数据集的超过12,000名参与者的脑成像和行为数据进行了深入分析。对于每位参与者，研究团队计算了脑连接与他们希望预测的结果之间的关联强度。

随后，所有连接根据其关联强度从强到弱进行排名，并被划分为10个非重叠的组。第一组包含了通常被科学家选取的、最强的10%连接；而第二至第十组则包含了其余90%的连接，这些连接通常被当作“噪音”而忽略。研究团队随后为每个组构建了10个独立的预测模型。

令人惊讶的是，研究团队发现，较低排名的连接组（第二至第九组）持续达到了与最强10%连接组相似的预测准确性。在某些情况下，基于较低连接组构建的模型甚至比基于最强连接组训练的模型表现更好。作者们认为，这可能因为预测信息广泛分布于整个脑连接网络中，而不仅仅集中在那些最强的连接上。

“令我们惊讶的是，即使我们完全排除了人们通常用来预测行为的网络，我们仍然能够利用那些通常被舍弃的信息，达到几乎相同的准确水平，”Adkinson博士表示。他与资深作者、耶鲁大学医学院放射学和生物医学成像副教授、耶鲁生物医学成像研究所生物医学成像技术副主任Dustin Scheinost博士在同一实验室工作。

对精神健康个体差异的启示

这项研究结果表明，通过缩小研究范围，科学家们在处理脑部疾病时，可能会过度简化大脑的复杂性。对于抑郁症等精神疾病，不同的个体可能依赖完全不同的神经通路来达到相同的行为结果。如果多个脑回路能够实现相似的预测准确性，这也意味着治疗靶点不应仅限于那些“顶级”网络。

Adkinson博士解释说：“虽然传统上被干预措施靶向的网络可能对大多数患者有效，但这些被忽视的网络可能对某些特定个体亚群具有更大的效用。这有助于解释为什么一些人对目前对其他人有效的治疗方案没有反应。”

通过这些结果，研究团队希望通过更好地反映大脑的复杂性和个体变异性，提高基于大脑的生物标志物的临床疗效。这意味着，未来的精准医疗将不再仅仅寻找单一的“抑郁症信号”，而是能够审视整个“冰山”，识别出导致特定个体问题的具体通路。