瑞士日内瓦大学大脑和行为实验室的磁共振成像扫描。来源：Salvatore Di Nolfi / EPA / Shutterstock
田纳西州纳什维尔范德比尔特大学医学中心的生物统计学家Simon Vandekar领导的这项研究，是关于如何使全脑关联研究 brain-wide association studies (BWAS) 更强大(K. Kang et al. Nature https://doi.org/10.1038/s41586-024-08260-9; 2024)。全脑关联研究BWAS的核心思想是，利用统计工具和机器学习算法，以研究大脑图像集合。这是为了预测哪些特定的大脑特征或活动模式，关涉于特征或行为，例如抽象推理的能力，或体验特定负面情绪的倾向。
但全脑关联研究BWAS,有长期存在的、众所周知的低可复制性问题之一：同一主题的两项研究，可能得出不同的结论。大部分问题在于，一些全脑关联研究BWAS研究，需要大量样本，才能准确反映效果。小样本量可能会夸大某种大脑特征与行为或特质之间关系。在类似的全基因组关联研究领域——试图将DNA差异与健康或疾病特征联系起来——通过收集来自参与者的数万个样本数据集，正在克服不可靠的问题。然而，就大脑而言，这要困难得多，尤其是对欧洲和美国以外的研究人员而言。在分子共振成像仪molecular resonance imaging (MRI)中扫描一小时的费用约为1000美元。美国国立卫生研究院（National Institutes of Health，NIH）每年拨出约20亿美元，用于神经影像研究，但很少有其他国家拥有这种高水平的财力资源。
Vandekar及其同事建议，专注于质量而不是数量，可能是主要答案。他们分析了超过10万份健康成人和健康儿童的核磁共振扫描结果，以及患有精神疾病的儿童的扫描结果。
他们的目的是通过不同的研究设计，探索年龄、性别、认知功能和心理健康等因素，如何与大脑结构和功能相关联。例如，一项研究探索了脑容量，如何随年龄变化。Vandekar和他的合著者发现，相比多人进行一次性扫描的横断面研究相比，随着时间推移，对同一人进行重复MRI扫描产生了更可靠的结果（ R. J. Chauvin and N. U. F. Dosenbach Nature https://doi.org/10.1038/d41586-024-03650-5; 2024）。
这种纵向研究，早已证明了在科学领域的价值，如确定慢性或退行性疾病的生物标志物（Y. Guo et al. Nature Aging 4, 247–260; 2024)。虽然这并不适用于某些需要横向研究的问题，但纵向研究很好地排除了在小规模横向研究中涉及的不相关因素。
然而，需要注意的是：例如，进行纵向研究的研究人员必须注意，在任何一个个体的测量结果之间留出足够长的间隔，这样才能捕捉到，随着时间的推移而产生的有意义且具有统计学意义的差异。Vandekar和他的同事还强调，研究人员必须考虑到，个体随时间发生的变化以及个体之间的差异。
所有研究都需要计划。对于全脑关联研究BWAS而言，以获得稳健结果的方式选择参与者，并使用正确的统计模型，可以提高调查结果的可信度，而无需自动使用大量样本。统计严谨性的好处，反过来凸显了统计学家和神经科学家之间需要更多的合作，因为在研究中，使用了更复杂的数据处理方法。这些发现，对神经科学界很有价值，值得更广泛的关注。
许多科学领域，都在投身于数据驱动的发现，越来越多地得到人工智能算法的模式搜索帮助。当这样做的时候，相关性和因果关系的问题，以及确保调查结果具有统计意义和可重复性的问题，正变得越来越重要。这意味着研究人员不能忽视实验设计，无论是在读论文还是在写论文。
更多地关注研究方法，以及研究如何获得有效信号，是确保结果经得起时间考验的主要方法。
