大脑组织的一个关键原则是将大脑区域的功能性整合到相互连接的脑网络中。功能连接是指在静息态时功能性fMRI扫描通过大脑自发活动的一致波动模式提供了对功能性整合的认识。这些模式已被广泛地研究，并且研究发现这些模式与认知和疾病相关。但是，这一领域却是分割的。不同的分析方法将大脑区域割离为不同的研究对象，限制了研究结果的可重复性和临床上的迁移性。这种分割的一个主要来源是“脑表征（Brian representation）”，这种方法是指运用多样性的方法将复杂的大脑数据减少到一组用于分析和解释的低维特征的数据集。在这篇文章中概述了不同的大脑表征方法，列出了该领域分隔带来的挑战和继续趋同形成的障碍，并提出了团结该领域的具体的指导方针。本文发表在Nature neuroscience杂志。（可添加微信号siyingyxf或18983979082获取原文）。大脑中区域特异性的功能分离和高度连接的大尺度的脑网络的功能整合构成了神经科学研究大脑结构和功能的基础。最近几十年来，利用静息态脑网络（rfMRI）能够无创的测量整个大脑固有的活动，为理解大尺度脑功能网络提供了许多见解。在静息态(rfMRI)中，（大脑不同区域之间的）血氧水平依赖的血流信号的自发波动的相似性——称为功能连接（functional connectivity，FC），可用于研究大脑区域之间的内在的功能相关性，并在人群中探究这些功能连接在健康状态和疾病状态之间的差异性。然而，rfMRI研究领域是分离的，存在着关于预处理方法（策略）和大脑分割模式的持续争论，以及后续处理分析方法和结束点的广泛分歧。这些挑战极大地影响了该领域获得可重复性进展的能力。这些问题中的一个关键源问题是如何对大脑进行表征的挑战性问题。与许多现代科学领域一样，rfMRI生成了每个被试的大量数据，包括在长达一个小时内的数万个体素中持续活动的测量。分析的关键任务是将测量到的巨大而复杂的脑活动提炼成一种可使用的和解释的形式。本文中使用“大脑表征”（brain representation）一词，来确指从个体的rfMRI数据中获得一组低维特征数据的组合的方法，以便于随后的分析和解释。脑表征是对获得rfMRI 数据的多方面的描述，通常包括空间上定义的脑单元（分割）和在脑单元上提取可解释特征的总的测量（如，脑单元之间时间序列上的配对相关性）。作为进一步分析的决定性因素，表征大脑数据的方法选择构成了对脑功能连接和组织描述的基础。大脑的表征通常被认为是一种任务图谱，目的是划定神经组织在功能上和神经解剖结构上的不同的区域边界。然而，大脑表征的任务比绘制图谱更为广泛，包括较为全面的表征形成范围，并解决数据如何转化成这些表征的其他方面的问题。本文的目的是提供一个关于rfMRI研究表征挑战性问题的入门性介绍，旨在提高改善该研究领域内的共识性和可重复性。对大脑表征缺乏共识的部分原因是缺乏对大脑的功能性组织的真正了解。在缺乏这样基本理解的情况下，对我们想达到的目标的不同认识进一步催生了分歧。大脑组织是多方面的，动态的和分层级的，这导致了大脑表征存在许多复杂性和权衡性问题。一方面，大脑表征应该努力精确地反映神经单元以实现生物的可解释性。另一方面，从大脑表征中得到的临床相关性预测的精确性可能会得到优先考虑。一种跨物种、年龄和临床人群的标准化的大脑表征方式将为研究发现之间的交流提供一种共同的语言，促进结果的可重复性和整合性。然而，标准化将以牺牲优先考虑特定研究问题、研究群体和实验程序或个别的被试为代价。在本文的启发性介绍中，目的是澄清这些问题，并为大脑表征方法的选择提供指导。
a: 改编来自Glasser（左图，Nature Publishing Group）和 Schaefer （右图， Oxford Univ. Press）的二分划分例子。
b：从50个维度的独立成分分析（ICA）法分解得到的加权的静息态脑网络（HCP，1003 participants）。
由于表征静息态数据的方法是多样的，因此，我们将从一些不同的脑表征方法的简短的入门介绍开始。尽管他们之间存在差异，但是每一个表征方法都面临着从微妙的数学偏见到影响他们最终结果的可解释性的混淆变量的相似的基本挑战。在“大脑表征面临的挑战部分”对这些问题进行了调查和分析，这些问题可能会以各种范式被解决从而促进大脑表征方法的进步。最后，本文提出了一系列明确的建议，去指导解决这一领域的分割性，同时预期在改善可重复性和协作性问题上将达成共识（在“脑表征的建议和未来方向”部分）。作为建议的一部分，本文主张使用最先进的预处理方法以避免因过时的做法而产生不必要的分歧，同时提高报告的透明度以便告知和鼓励关于大脑表征相似性和差异性的争辩。尽管本文关注的是rfMRI的脑表征问题，但我们讨论的许多问题在其他测量领域中也是同样存在的，如弥散张量MRI和局部场电位。大脑表征是指能够采用各种方法将测量的BOLD数据的复杂性降低到一组可用于分析的数据特征。大多数脑表征的方法包括：（1）将大脑分割为一组低维的脑单元（如空间上划分的区块，spatial parcels）和（2）一种在脑单元水平上的概括性测量（如，不同脑单元的时间序列的配对相关性）。总之，这些方法可以将rfMRI数据降低成随后进行统计和预测分析的特征。本文使用“大脑单元（brain unit）”一词来表示任何空间定义的可视为一个基本的功能加工单元的神经实体。因此，大脑单元的概念超越了rfMRI领域，例如与Hebbian的元胞数组（cell assembile）具有很强的相似性。本文还将从rfMRI数据中进行大脑表征的“概括性测量（summary measure）”定义为特征计算的一种方法，这种方法与大脑单元具有相关性。这些计算的特征在被试/条件之间存在自由的变异性，并且可用于回答研究上的问题。因此，大脑表征的概括性测量是相对特定领域的，并可通过这种测量提供信息。少数大脑表征并不使用脑单元和概括性测量的方法，而是估计表征大脑活动复杂的时空模式特征（详见“复杂的时空性大脑表征”）。作为一种无创性的成像方式，在当前的扫描中，rfMRI的空间测量的分辨率很容易达到2*2*2mm。这导致整个成年人大脑中大约存在10万个体素的灰质。在rfMRI中，这些体素是最小的可测量的脑单元。然而，尽管参考了大脑解剖特征（如皮层厚度），这些体素或节点单元仍旧被理想化地选择，而不是真正地代表神经解剖层次的水平。因此，通常是将体素或节点单元组合成一组较小的大脑单元来实现有意义的较低层次的大脑表征。从不到十个的大脑网络到数百个较小的脑单元，这个组数量的大小在不同的文献中变化很大。大脑单元可以是空间上连续的（即相邻的体素或节点）或非连续的（如，由分布在大脑不同空间上的几个区域组成）。连续性的脑单元与功能特定的皮层区域的概念一致（Fig.1a）。非连续的脑单元能够捕获分层组织的复杂脑网络结构和基本上半球对称的大脑（Fig.1b）。此外，脑单元可以是二分的，这样每一个体素或节点可以被唯一和完全地分配给一个单位，或被加权的，即每个体素或节点通过权重的描述可以贡献多个单元中。脑单元可以被各种不同的方法定义。根据定义于组织学、病变、旋转或其他特征的已形成的脑图谱可进行分区。然而，这些脑图谱通常来自少数被试，且解剖结构上定义的脑单元边界不一定与功能组织相匹配。最近，在rfMRI预测的研究中比较了解剖上和功能上定义的脑单元，一致地报告了使用功能性定义的脑单元能够改善预测的准确性。可用已开发的各种不同的方法将rfMRI数据形成区块。这能够提供适用于较为有针对性的特定分辨率和对比度的静息态数据的脑单元，并能够为区块的参数选择上提供较大的灵活性。聚类和相关方法已产生了许多高质量的rfMRI衍生的二分的区块方法（通常是连续性的）。将rfMRI数据分割成加权的单元（通常是非连续的）的算法包括主成分分析法（PCA）、独立成分分析法（ICA）、非负矩阵因式分解、概率函数模型和rest2vec学习方法。这些方法中的许多方法，尤其是独立成分分析（ICA）已被广泛地运用于rfMRI的研究中。静息态rfMRI中区块定义主要是依赖于自发BOLD活动来形成脑单元，这可能限制了它们更为广泛的适用性。例如，特定的fMRI任务活动可能进一步揭示了在静息态中不明显的脑单元分区。运用结构像、静息态和任务态功能成像组合的多模态方法可以提供区块划分并改善不同模态的可推广性。然而，这些多模态划分相比单一模态（如纯静息态）的区块划分，可能较少推广到新的非静息态的数据，这反映了最佳的模态特异性拟合与跨模态不一致之间的权衡。功能连接（FC）的概括性测量。最常见的信息类型是静息态的功能连接，它被定义为来自大脑不同区域的信号之间统计上的相似性，并被认为是功能整合的标志。例如，基于图论的功能连接方法通过将每个个体的大脑单元概念化为图论中的一个节点来获得功能连接的信息。节点之间的配对性功能连接通常是用来自不同脑单元的汇总的时间序列之间的相关系数，但也可以使用其他各种概括性测量。连接组学是研究配对的节点与节点（边）之间的所有可能性的被概括成矩阵形式的功能连接方法（网络矩阵；Fig.2a）。另外，使用权重型脑单元进行表征能够在空间体素或节点权重上捕获功能连接信息，这可以作为不同被试之间自由变化的特征（如，使用双重回归（即dual-reggeression）作为测量被试特定图谱的概括性测量）。因此，根据大脑单元的维数和定义，可以在时间上（如，各个脑单元之间时间上的相关性）或空间上（如将多个脑区组成相同的非连续的脑单元，并使用体素空间上的权重来获取连接的相对强度）表征功能连接。这种分歧导致在解释大脑表征方面面临挑战，在“表征分歧”部分会进一步讨论。虽然大多数的概括性测量考虑的是静态的功能连接（如，在整个rfMRI中的扫描平均），但是许多动态性脑表征明确的目的是在概括性测量中获得时变性的功能连接。虽然静息态的功能连接性估计可由时变信号的波动获得，但关键的区别在于整个扫描中只获得一个连接性的估计，而动态连接性的方法在扫描过程中能够分别计算不同时间段的多个连接性估计。许多动态功能连接方法的目的是识别不同的动态状态，例如，通过滑动窗口技术或隐马尔科夫模型（Fig.2b）。这些方法产生的特征可用于进一步的分析。
Fig.2 在不同的脑表征方法中基于不同功能连接版本的概括性测量。a: 节点之间的边在左边以图形形式呈现，在右边以矩阵形式显示（红色和蓝色分别表示正相关和负相关；线的厚度表示相关强度）。b : 使用马尔可夫模型导出的不同动态脑状态及其随时间波动的例子。c : 有向的边可能具有不同的相互连接强度，在图形中是以单箭头呈现，并形成非对称的网络矩阵。d : 从初级感觉运动区（蓝色）到多模态的联合区（红色）的主要的全局连接性梯度。功能连接的概括性测量的另一个变体是通过估计从一个大脑单元到另一个大脑单元的定向连接来进行因果推断（Fig.2c，“有效连接，effective connectivity”）。事实上，最近Reid和同事的一篇文章提出了因果性神经交互作用作为功能连接的一个统一化概念。虽然对这一理想框架有概念上的考虑和雄心，但是他们的建议对于研究人员在处理他们自己的rfMRI数据时在某种程度上显得有些抽象。部分原因是因为研究人员需要进行的一些关键性分析决定没有得到充分的解决。如果您对脑影像及脑电数据处理感兴趣，欢迎浏览思影科技课程及服务（可添加微信号siyingyxf或18983979082详细了解）：
第三十五届磁共振脑影像基础班（重庆，11.30-12.5）
第十二届脑影像机器学习班（重庆，11.11-16）
第十四届DTI数据处理班（重庆，11.19-24）
第七届任务态fMRI专题班(重庆，1.14-19）
第三十六届磁共振脑影像基础班（南京，2021.1.6-11）
第十五届DTI数据处理班（南京，12.26-31）
第七届小动物脑影像班（南京，12.20-25）
第十三届脑影像机器学习班（南京，12.13-18）
第十一届磁共振脑影像结构班（南京，1.12-17)
第十九届磁共振脑网络班（南京，1.18-23)
虽然大多数rfMRI的脑表征的概括性测量是以某种形式评估功能连接，但是另外几种概括性测量描述的是每个大脑单元方面的数据。例如，局部信号强度（即BOLD信号强度）、脑单元的大小或加权脑单元的空间上的重叠性。尽管它们的性质不同，但是这些单变量的测量往往不能独立于功能连接。例如，信号幅度的变化可能直接影响功能连接。虽然到目前为止讨论的所有方法都是从脑单元的定义开始的，但一些大脑表征避免了这一步，并从完整的数据中估计复杂的时空模式。例如，rfMRI数据能够表示成一个（或多个）连接梯度，这种连接梯度可以捕获功能连接沿空间位置的连续轴的变化。这种方法可用于识别预定义的大脑单元内的重叠的组织模式，或映射从初级感觉运动到多模态的联合区域的皮层组织的主要全局模式。复杂的脑表征的进一步的例子是，一些动态方法直接以静息态数据中的体素或节点作为输入来估计空间和时间上变化模式的脑表征。目前rfMRI数据的脑表征的差异是天然存在的，并被期望作为初始探索阶段的一部分，这已在其他学科中得到响应。然而，这一领域正在不断成熟，因此，建立一个累积的科学框架，并验证表征性方法最终将收敛于统一的功能性表征是必要的。由于缺乏用于验证和比较大脑表征的一个黄金标准度量，因而这些努力是复杂的。个体中底层的神经组织是无法用这些无创性的技术完成测量的。因此，从rfMRI中导出的大脑表征可能对应于这种底层神经组织的不同特征。因此，不同表征方法之间的比较必然依赖于间接指标，如行为预测的准确性、基因遗传、区块内的同质性、方差的解释、t检验的重测信度、与结构像和组织学等其他数据模态的比较以及模拟。在本节中阐述了由于缺乏基本的基础性的真实的知识而产生的关于大脑表征的一些挑战，主要的目的是提高对某些情况下很少明确的考虑到的问题的认识。大多数大脑表征所固有的一个共同的假设是个体的大脑单元在功能上是同质性的，因此它们的相关活动可以准确地反映在单个概括性的时间序列中。然而，大脑单元内的功能异质性可以通过测量噪声、结构化的伪影、被试间的变异性和神经加工上的“真”的异质性来产生。除了异质性之外，当皮层的同一部分编码不同类型的信息时，功能多样性也会发生。这种多样性的例子可以在视觉皮层观察到。视觉皮层同时编码视网膜图像和刺激朝向，或在顶叶皮层，对不同的躯体特定区的加工是重叠的。虽然大脑单元中不可避免的存在一些神经元功能异质性和/或脑单元内部功能的多样性的观点通常是被承认甚至是假定的，但是对大脑表征的意义却很少被考虑和解释。一种可能减少功能异质性和多样性问题的方法是将分离的区块分割成更小的大脑单元以实现更为精细的脑表征。然而，过度精细的分割，多个脑单元代表相同的功能实体可能导致建模和解释的复杂性。例如，一个功能区被不适当的划分成多个脑单元，这可能导致在使用偏相关进行功能连接性的不准确估计，并可能有害的影响因果连接模型。在大脑表征中确定最优的脑单元数量对同质性和模型复杂性之间的权衡是具有挑战性的。关于大脑表征的最优维度问题尚未达成共识，当前的建议是从6个大尺度系统到几百个区块不等。这种宽泛的范围在一定程度上是由于大脑的组织的层级性，它可以在多个不同级别的维度上进行有意义的表征，因此，如何表征取决于具体的研究问题。例如，功能性脑组织的拓扑性特征可以在不同的维度上进行研究，不同被试内部和被试之间的变异性可能在不同的尺度上占据优势。然而，对被试之间的变异性的处理不当也会导致维度估计的增加，从而导致误导性的更小的粒度。值得注意的是，rfMRI数据的有效维度受血液动力学响应函数介导的BOLD信号对大脑微血管结构和潜伏期的依赖所产生的生物学限制。这些异质性的挑战表明，人脑的最佳模型和rfMRI测量中获得的最佳模型之间是脱节的。在人类和其他物种的研究中，有充分的的证据表明存在功能上特异的神经群体，这些神经群体被组织成神经解剖学上不同的皮层区域。根据这种证据，二分划分的区块性的连续性的脑单元可能是大脑最好的宏观模型。然而，尽管近年来在加速获取方法的帮助下取得了迅速的进展，但是fMRI的时空分辨率的数量级是从神经群体和动作电位的尺度上移除的。类似的，独立于MRI图像采集的进步，血液动力学响应的生理性质意味着分辨率的限制。因此，rfMRI中获得的数据提供了一种粗略的测量方法，这种方法在空间和时间上都折叠了信息。因此，允许组织重叠和边界模糊的加权区块分割可以为rfMRI数据测量提供一个更好的模型。事实上，先前的比较表明，加权的大脑表征在预测行为特质方面可能比二分划分的方法表现的更好。然而，在解释这种加权分割时需要小心。例如，脑单元之间的空间重叠可能是需要考虑的一种重要的概括性测量。脑表征通常是基于大量被试定义的，以在群体比较时实现个体之间的对应，并克服单个被试数据的信噪比的限制。然而，在测量的功能性脑组织上个体间的变异可能是由于个体间的空间是匹配或是“真”的结构上的个体差异所致。尽管旨在解决这种变异性的表面对齐（即配准）的方法方面取得了许多进步，但是近来大量的个体扫描的研究指出组织详细的个性化特征，这些特征在群体衍生的大脑表征上会被错误的表征。最近的一些方法旨在通过估计个性化的区块边界、在同一个贝叶斯框架中整合群组和被试个体进行估计、采用自然主义的电影观看范式来控制数据采集或基于连接的跨被试之间的超对齐方法来解决这些被试之间的差异性问题。虽然目前还没有看到这些方法对解决变异上的稳健的成功程度是怎样的，但对个体间信息的敏感性是有价值的。除了被试之间的差异外，随着时间的推移，个体内部大脑表征的不稳定性（例如，个体内部session之间的变异，或session内部的动态性）是脑表征另一个差异的来源。尽管一些研究报告了大脑表征的稳定的特质性的特征，但其他的工作表明基于任务需求的状态依赖性变化，以及与唤醒状态和生理学相关的波动。被试内的纵向变化作为发展、老化或疾病进展中重要的函数关系尚未被描述。这些潜在的被试内变异的来源共同指向了大脑表征中动态特征和状态效应的重要性。被试内的变异性、被试间的变异性和维度之间的复杂的相互作用是大脑表征定义和解释面临的主要挑战。大脑表征法的运用主要是为了研究被试间的效应（如，患者-对照组比较；个体的指纹识别；行为、认知或诊断方面的预测或回归）。因此，确定哪些大脑表征对被试间效应最敏感是至关重要的。例如，估计个性化的脑单元边界以消除被试间效应的来源的失匹配可以提高解释性。此外，经验上的比较对形成最佳的维度和概括性测量特定的被试间问题是非常重要的。近来Dadi和其同事进行的这种基准研究的例子提供了具体的建议，表明加权的脑单元和网络空间嵌入方法优于其他的脑表征。今后其他的比较工作将具有重要的价值。不同的解释强调了比较和巩固现有的大脑表征的重要性。为了证明这一点，我们以一组患者和一组健康被试为例，其中患者额叶和顶叶皮质的功能连接相对较弱。当使用不同的大脑表征来概括这些数据时，所有这些方法都可能以某种方式捕获群体差异。然而，根据方法的不同，结果可能会有很大的不同，进而导致相互矛盾的解释。在脑表征中定义一组非连续的加权的脑单元的低维的数据集，并允许空间上的体素加权在被试之间作为特征变化时。当患者中采用较低加权的额颞脑单元图谱时，患者中较弱的额顶功能连接将被捕获。这一发现的解释被描述为额颞网络的空间地形图的组间差异。另外，在脑表征中定义连续二分的脑单元的一组高维数据集和单元边界连接作为概括性测量时，在上述的例子中将在患者中获得额叶和顶叶脑单元之间的相对较弱的配对的功能连接估计（边）。在这里，这种结果将被解释为额叶和顶叶之间耦合或整合的数量上的组间差异。此外，在连接梯度的脑表征中，额叶和顶叶区域可能在患者的嵌入空间中进一步分离，这是由于它们与大脑其他部分的连接模式的改变所致。这可能导致一个区域相对于另一个区域沿着主梯度移动。这将被解释为与健康的对照组相比，患者的多模态整合的信息流加工的组织层次的差异。在大脑表征的最后一个例子中，脑单元的信号振幅被认为是一种特征，上述的组间差异可能观察到的是患者额叶和/或顶叶脑单元的信号强度降低，从而导致在激活水平上的组间差异的解释。根据给定研究的研究目标，这些表征模糊性可能或多或少对所得的结论是至关重要的。对功能性脑表征的更为普遍的认识应该是相对独立于所选择的脑表征的细节的。类似的，如果脑表征的选择目标是获得精确的临床或行为预测，那么脑表征的选择可能不是至关重要的。然而，不同的大脑表征方法在精神病理学的假设机制方面有着强烈的不同含义，伴随着潜在相互矛盾的治疗建议。因此，“最优”的脑表征方法应该为疾病机制的起源提供理论支持，并为后续的研究产生可检验的假设。如果采用rfMRI 的纯粹的目的是用于临床或行为预测，则缺乏这种生理上的可解释性可能是可以接受的。然而，不幸的是，这种预测往往会给出毫无根据的解释。本文中讨论的例子和研究表明表征模糊性情境的两种可能性：第一，我们观察到了不同表征方式之间的相互影响，以致于在一个概括性测量方法（如，连接性）中一个明显的变化是由另一个不同的概括性测量（如，信号振幅）的潜在变化驱动的。这种类型的影响是有问题的。因为如果研究者只测试了受影响的概括性测量（如，连接性），这将会导致不正确的解释。第二，我们观察到大脑表征的不稳定的性质，因为同样的潜在效应可以体现在时间上或空间上，这取决于大脑表征的维度和特征。因此，不存在唯一的解决方法，也无法调用不一致和潜在的同等有效的解释来解释底层数据的相同方面（如，空间网络形状的变化或单元之间的边缘连接）。重要的是，在缺乏基本真知识的情况下，很难区分一个特定的例子是否被不正确的解释，还是在几种可能的有效解释中的其中一种是正确的解释。上述几种表征模糊性类型的例子的相关研究报告已经逐渐出现。例如数据驱动的模拟表明，网络矩阵中很大一部分被试之间的变异是由在空间网络地形图中的个体间的差异驱动的，将整合从耦合转移到空间组织（Fig.3a）。此外，叠加的信号变化方法通过观察功能连接网络矩阵的变化是否是信号幅度变化的下游效应，可以明确的将不同类型的概括性测量联系起来（Fig.3b）。
a:两个独立网络之间空间重叠程度的个体差异可能是功能连接明显变化的潜在来源。根据表征的类型，网络重叠可能通过对分组的混合信号进行平均或双回归中的精细偏向（加权网络）而导致明显的连接性的变化（即不同的overlap形成不同的网络连接的估计）。b :由于噪声的增加或信号幅度的增加，测量的BOLD信号的幅度可能在一个区域内增加，这可能导致该节点与另一个节点或多个其他节点之间的连接性明显变化。前几部分强调了与大脑表征相关的挑战性问题。虽然单一的黄金标准的表征在可推广性和可重复性方面是具有吸引力的，但是它可能缺乏适当的获取和考虑变异性的灵活性，而且它可能会限制从其他表征中获取互补的洞察力。因此，我们不支持一种特定的大脑表征方法，而是提出一套最佳的实践指南，旨在提高研究的透明度和稳健性。在脑表征方法上，BOX3中我们提出了许多建议以便研究者采用已存在的表征方法用于他们的基础或迁移的研究中。磁共振成像采集和分析的复杂性意味着过时的研究实践可能会持续存在下去。因此，在BOX3 中的几个研究项目旨在鼓励研究者审查他们的数据分析方法并确定最先进的方法。统合该领域的重要路径包括支持广泛性讨论大脑表征面临的挑战性问题，并增加验证和重复。因此，BOX3中的几项建议设计报告和开放的科学做法，这将为讨论提供信息，并有利于重复性验证。在BOX3 中，我们建议作者应该根据研究问题和假设来证明选择大脑表征的合理性，并鼓励跨多个脑表征方法进行比较。为了区分大脑表征和确定最合适的方法，有一些因素需要考虑。（1）大脑表征在解决“大脑表征的挑战”中列出的一些挑战时应该优先选择不涉及的表征。例如，相比容量退化的皮层脑单元，从基于表面的数据中获取皮层脑单元在被试之间的对齐方面有了众所周知的改进。此外，为每个被试估计个性化边界的脑单元比组平均脑单元更可取。（2）脑单元的尺度要与研究假设相匹配。例如，如果个体预期的是单侧化的效应，那么一种将左右区域作为单独的脑单元的地形图或分块是合适的。同样，如果假设是特定于后扣带回皮层，那么大脑单元的尺度应该分离出这个区域，而不是将其纳入较大的默认网络中。（3）用于定义脑单元的群体应与感兴趣的群体相匹配。大多数可用的功能性脑图谱都是来自健康年轻的成年被试。这些脑单元可能不太适合用于研究发育、衰老或疾病群体。因为大脑表征偏向于控制组被试群体。与这一点相关，我们建议现有的和新的大脑表征方法应该明确地测试它们在不同群体中的通用性和适用性（Fig.4）。（4）需要考虑大脑单元和概括性测量之间的相互作用。例如，如果目的是使用偏相关作为概括性测量以改善直接（而不是间接）连接的敏感性，那么将左右侧同系区结合在一起形成一个脑单元以改善稳定性可能是有利的，即使模型的拟合显示明显的正则化。除了采用脑表征的最佳的实践指南外，我们还提出了一系列验证阶段，这些验证阶段应用于现有和未来的脑表征（Fig.4）。在开发出新的脑表征之后，我们提出了明确的步骤： （1）测量被试间差异，并理想化地估计个性化的脑单元； （2）明确地测试不同疾病和寿命群体以及扫描设备之间的通用性； （3）对现有的多种类型的脑表征进行系统和广泛地比较； （4）最终根据多模态实验对大脑表征的解释提供信息。
为了帮助我们提高综合和比较不同表征方法的能力，有针对性的理论和实证性工作对建立不同脑表征之间的直接关系是一个重大的贡献。例如，自上而下的神经放电生物物理模型可以提供一个有用的测试环境，将大脑单元的不同代表性的定义和概括性测量彼此相连合，并和潜在的生物生理要素相联系。此外，在不同的大脑表征之间和/或在一个共同的脑图谱和特定的个体或群组的脑单元之间建立众所周知的对应函数将会大大促进交叉研究的推广性和可重复性。对今后工作的这些建议将会得到持续努力的支持，以确定和区分不同的差异性的来源。通过研究潜在的神经回路和细胞机制来建立fMRI获取的脑表征的生物学上的可解释性对于下一个阶段的rfMRI研究至关重要（Fig.4）。具体来说，获得对不同概括性测量的神经生物学见解（如脑区之间的连接性和信号振幅）预期将会减少表征的模糊性，并提出适当的解释。需要整合不同测量模式的信息以确定来自fMRI不同脑表征方法如何与神经元放电和细胞加工相联系。将fMRI与互补的非侵入性的电生理相结合，例如脑电图/脑磁图（EEG/EMG），提供了无创性的探测大尺度脑网络的机会。尽管空间细节上较为粗糙，但其不受血管混杂和较快的时间尺度的影响，因而有助于动态性大脑表征的验证。此外，在动物模型中的局部场势、神经尖峰或氧气极论，以及测量结构连接的追踪性研究，能够提供较为直接的生理上的验证。综上，多模态研究工作有望提供对rfMRI衍生的脑表征的生物学基础的洞察，这将是确定最合适的脑表征和获得生物学基础的推论的关键。rfMRI研究领域已被大脑表征方法分散性的分割。尽管选择的大脑表征对于研究结果和解释具有重要的意义，但是文章很少包括采用特定的表征的理由。相反，实验室通常同意一种特定的方法，并将其应用于所有的研究项目，而对其所选择的脑表征的隐含假设相对考虑较少。这种趋势会产生隔离推理和研究假设的孤立集合，这种孤立的研究集合与累积的科学基本原则相抵触。超越这些孤立的研究集合的领域，走向成功的协作的大脑映射和可解释的生物标志发现需要理解对同一数据的不同表征之间的关系，这一点对未来至关重要。一旦我们对不同脑表征之间的关系以及rfMRI数据的表征与潜在的神经生物学之间的关系有了更清晰的理解，该领域的一些关键概念、解释、定义和命名可能需要重新定义或更新。这将需要研究成员做出承诺并愿意检验、挑战和修订我们的假设和核心原则。提高rfMRI脑表征的可解释性将增加研究结果在不同实验室之间的可重复性，并提高rfMRI对诊断和治疗的现实临床影响。本文提出的指导方针和建议旨在使更为广泛的成员团结起来以为该领域制定出新的标准。
