企业官网建设流程全解析

说实话，脑影像研究者做到某一个阶段，大概率都会遇到同一个问题：手上的数据明明跑出了很漂亮的激活图或者差异图，但审稿人或者合作临床医生总会追问一句——“这个脑区变化的背后，到底跟哪一类神经递质系统有关系？”

要回答这种问题，最理想的做法是给被试再做一套分子影像，比如PET去测受体分布。但PET贵、有辐射、还要排队约示踪剂，很多课题组根本做不起。那有没有办法用公开的神经递质受体图谱，跟自己的fMRI或者结构像结果做跨模态关联，从而间接推断神经递质系统参与的情况？

JuSpace就是专门干这件事的工具。它在2021年由Jürgen Dukart团队发布，主打功能就是把你的脑影像结果图，跟一系列已知的神经递质受体/转运体分布图做空间相关性分析，输出一张“你的结果跟哪个递质系统最像”的对应关系表。这篇文章我不打算复述论文，而是从实操角度，把这个工具的原理、流程、坑和典型应用场景一次说透，希望能帮到正要上手或者被这套方法折磨过的朋友。

1. 先说清楚：JuSpace到底是干什么用的

1.1 为什么现代脑影像研究绕不开跨模态关联

脑影像发展到今天，单一模态的解释力其实越来越不够用了。fMRI能告诉你某个任务或者某种疾病状态下哪些脑区激活上升、哪些下降，但fMRI信号本质上是血氧水平依赖，反映的是神经活动引起的血流动力学变化，它无法告诉你这些变化背后的分子基础是什么。PET分子影像能直接看到受体密度、转运体分布、代谢底物，但空间分辨率有限，而且能做这种检查的被试数量、临床场景都很受限。

所以大家就想到一个“偷懒”但非常有逻辑的思路：既然受体分布图谱可以从一小批健康被试的PET数据里提取出来，做成标准空间模板，那我为什么不能把自己被试组的统计图，放到这些模板上去做空间关联？如果某个疾病相关的异常脑区，恰好与多巴胺D2受体的高密度区高度重叠，那就有理由推测这个疾病的影响可能与多巴胺系统相关。这就是JuSpace口中“跨模态关联”的基本逻辑。

这种做法的刚需场景太多了，比如帕金森病运动网络、抑郁症默认网络、精神分裂症任务态激活异常、阿片类药物的镇痛机制研究，几乎所有“脑功能异常到底对应什么递质系统”这类问题，都能套进这个分析框架里。

1.2 JuSpace的核心定位与典型输出

JuSpace，全称我习惯直接叫它“工具箱”，因为它的形态就是一个跑在MATLAB里的脚本包。它的输入非常灵活，可以接受单被试的图像，也可以接受一个被试组的统计图；对比模式的输入可以是两组的对比图、单组的效应图，甚至是某个行为指标相关的脑图。

输出则是一张表格，列出你的输入图与每一个内置神经递质图谱之间的相关性指标，包括Spearman相关系数、p值、进行FDR校正后的显著性等等，同时会附上可视化图，让你一眼就能看出哪几个递质系统跟你的结果图“来电”。内置图谱覆盖多巴胺、血清素、去甲肾上腺素、乙酰胆碱、GABA、大麻素等多条系统，基本上主流受体和转运体都齐全。

我自己的体会是，JuSpace适合的人群很明确：一是已经有脑影像统计结果、想从分子层面补充解释的研究者；二是做药物机制、想验证某个药物靶点分布与疗效指标关联的临床团队；三是准备写基金或者毕业论文、需要补充“机制讨论”部分的同学。它不要求你懂PET物理原理，但确实要求你懂一点MATLAB和图像格式处理，这也是很多新手卡住的地方。

2. 核心原理拆解：空间相关分析是怎么算出来的

2.1 神经递质图谱：一套“标准脑分子地图集”

要理解JuSpace怎么工作，先得知道它那些神经递质图谱是从哪来的。JuSpace内置的图谱，一部分来源于公开的PET示踪剂研究，一部分来源于早期放射自显影模板，生态上并不统一，但经过配准后都放到了MNI标准空间，体素大小一般是2mm左右。这就意味着，你的输入图只要也是MNI空间，理论上就可以跟它们做逐体素的配对分析。

这里要强调一个很容易被忽略的细节：神经递质图谱并非全脑均匀分布。多巴胺受体集中在中脑、纹状体、前额叶；血清素转运体集中在缝核、丘脑、扣带回；乙酰胆碱受体分布则与皮层厚度相关。这些分布是先验已知的，JuSpace的价值就在于用严格的统计方法，量化你的结果图跟这些先验分布是否在空间上一致。如果一致，说明你观察到的功能变异背后，很可能有该递质系统的参与。

常见的内置图谱包括多巴胺D1、D2受体，多巴胺转运体DAT，血清素5-HT1A、5-HT1B、5-HT2A受体，血清素转运体5-HTT，去甲肾上腺素转运体NET，GABA-A受体，蕈毒碱乙酰胆碱受体，以及大麻素CB1受体等。你在使用前最好拉一遍清单，看看自己关心的递质系统在不在里面。如果图谱不全，还有一个办法是自己提供外源图谱，格式符合NIfTI且配准到MNI空间，也能参与分析。

2.2 从“像不像”到“定量”：Spearman相关和Jaccard重叠

JuSpace的核心统计指标，说开了一点都不玄乎。假设你有一张疾病相关差异图，每个体素上有一个数值，可能是T值或Z值；同时你有一张D2受体分布图谱，每个体素也是一个数值。因为两张图都在同一个MNI网格上，所以可以按空间位置配对，得到一堆两两对应的数值对，然后算它们的相关。

这里为什么主推Spearman相关而不是Pearson？我在实操里遇到过几次用Pearson跑出异常高的结果，原因就是数据里存在极端值。受体图谱常常有几个体素的值特别高，比如纹状体，这些强信号会拉着皮尔逊相关往高走，导致你分不清到底是整体的空间匹配，还是只有少数几个高值体素在起作用。Spearman是把数值转换成秩次，对极端值稳健得多，也更能反映“整体空间相似性”。这也是JuSpace默认推荐Spearman的原因。

另一个常见指标是Jaccard系数。它的原理更简单粗暴：先把你的统计图按某个阈值二值化，比如所有Z>2.3的体素设为1，其余为0；再把受体图谱按某个阈值二值化，比如取该图谱分布最高的前30%体素设为1；然后计算两个二值面具之间的交集面积除以并集面积。这个指标特别适合回答“我的异常脑区，在多大比例上重叠了某个递质分布区域”这类更直觉化的问题。

2.3 置换检验与多重比较：避免“看上去相关”

脑影像数据有个很麻烦的特性，叫做空间自相关。相邻体素不是独立的，一张平滑过的图，即使完全由噪声组成，成对体素之间的相关度也很高。如果你直接拿正态分布近似来做显著性检验，自由度会被严重高估，p值会变得非常乐观，动不动就p<0.001，但实际全是假阳性。JuSpace解决这个问题的办法是置换检验。

JuSpace默认的置换策略是空间块置换，或者对图谱坐标进行空间变换后重新计算相关，得到零分布。这个过程通俗理解就是：把你的统计图在原地不动，把受体图谱在空间上随机旋转或者扰动了上百上千次，每次都算一次相关系数，最终形成“纯靠空间位置碰运气”的相关系数分布。你真实的相关系数落在该分布边缘，才算真的显著。

多图谱检验也要留意多重比较问题。JuSpace内置十几张图谱，就相当于跑了十几次相关检验，如果不校正，总会有那么一两个碰巧显著。所以我在处理多图谱结果的时候，都会把FDR校正后的q值列为报告首要指标，而不是只看未校正的p。这个习惯在写SCI论文时尤其重要，很多审稿人会直接追问校正方法，答不上来就会非常被动。

3. 实操全流程：从数据准备到出结果的完整链路

3.1 环境配置与工具箱安装

JuSpace運行在MATLAB环境下，还要依赖SPM12。这大概是整个流程里最劝退新手的一步，但其实只要按顺序来并不复杂。你首先需要装好MATLAB，版本建议R2018b以上，太老的版本我有一次跑过，结果意外报错，换了新版就没问题。然后下载SPM12，解压到本地目录，把SPM12和它的子目录全部Add to Path。最后从GitHub把JuSpace仓库clone下来，同样把整个文件夹Add to Path。

安装完成后，在MATLAB命令行敲一下ns_map或者jussetup之类的主函数名，能出来帮助信息就说明路径没问题。这里我想提醒一点：尽量不要把工具箱文件夹放在有中文路径的目录下。我踩过这个坑，因为Windows用户名是中文导致MATLAB加载失败，后来把工具箱挪到D:\Tools下才解决。路径问题看起来低级，但真的能卡掉一上午时间。

3.2 输入图像规范化处理：MNI空间、体素尺寸、掩膜

做JuSpace之前，你的输入图必须满足几个硬性条件：NIfTI格式，空间上最好已经被标准化到MNI模板，体素大小建议与图谱一致，默认2mm等体素。如果是从SPM跑出来的统计图，一般已经满足条件，但如果是其他软件输出的图，比如FreeSurfer转出来的、或者某个深度学习模型的差值图，就必须先用SPM的Coregister和Normalise模块做标准化。

比较容易被忽视的是体素大小和图像维度。JuSpace内部做相关分析时，对两张图的网格要求很严格，如果输入图是3mm体素，而内置图谱是2mm体素，直接跑很可能报矩阵维度不匹配，或者结果里全是NaN。遇到这种情况，我一般用SPM的ImCalc或者重采样脚本把输入图插值到2mm。但要注意，插值会引入平滑，如果原图本身统计值很锐利，可能会导致相关结果被轻微稀释。

掩膜也是影响结果的大因素。JuSpace默认分析全脑体素，但受体图谱在很多白质区域数值接近零，如果你的统计图也在这些区域有信号，它们会稀释相关性。我习惯准备一个灰质mask，把分析限制在灰质范围内。原因很简单，神经递质受体分布主要在灰质，白质和脑室区域的数值基本是噪声，保留它们没有任何好处。

3.3 三种核心分析模式与参数逐项说明

JuSpace官方提供了几种分析模式，我用下来觉得核心场景基本可以归为三类：

第一类是单图与图谱集的相关分析。你有一张统计图，比如抑郁症患者与健康对照组在某个任务下的对比图，直接选SingleSubject模式，加载你的图，程序会自动把内置的所有受体图谱都跑一遍，输出相关系数矩阵。这类分析适合探索性研究，你想知道自己的效应图与哪些递质系统相关。

第二类是两组被试图的比较分析。你的数据是每个被试一张图，一边是患者组，一边是对照组，你想知道两组平均效应图的差异与特定递质系统是否有关。这时选TwoGroup模式，JuSpace会先做组间差异运算，再拿差异图与图谱做相关。我在自己项目中处理帕金森组与对照组的连接图时就用过这个模式，非常方便，省得自己先算一遍差图。

第三类是与行为或临床指标做相关分析。比如每个被试都做了抑郁量表评分，你想知道“量表相关的全脑模式”是否与血清素系统分布一致。这时先在全脑水平做回归分析得到一张评分相关图，再交给JuSpace做单图图谱相关，逻辑上和第一类是相同的，只是第一步需要你自己完成。

参数设置上，最关键的几个选项是：相关类型选Spearman还是Jaccard，置换次数选1000还是10000，是否做FDR校正。如果时间允许，我会把置换次数设成5000以上，保证零分布稳定；如果只是快速预览，1000次也能出大致结果。置换次数越少，p值分辨率越粗糙，尤其是真实p接近0.05时，1000次可能意味着p值只能在0.001步进上变化，非常不敏感。

3.4 结果解读与报告撰写的一些核心约定

JuSpace输出结果后，第一眼先看相关系数方向。正相关说明你的统计图高值区与受体高密度区重合，负相关说明你的统计图高值区对应受体低密度区。这两者的生物学解释完全不同，我在一次关于老年抑郁的研究里，就发现前额叶活动降低与5-HTT分布的负相关显著，提示血清素转运体密度越高的区域，活动降低越明显，这对解读很有帮助。

接下来看点显著性和效应量。相关系数本身是效应量，一般rho在0.3以上时，在脑影像空间相关领域已经算不错了，不必追求像行为学数据那样动不动0.7、0.8。同时需要看FDR校正后的q值，如果q<0.05就说明在多图谱比较中仍然稳健。报告时，建议在方法部分写清楚图谱来源、分析模式、mask、置换次数和校正方法，这样才具备可复现性。

可视化方面，JuSpace会生成条形图，按rho值排序展示不同受体图谱的相关性和显著性。我习惯在此基础上额外画一张“显著受体图谱高亮”的脑图，把受体图谱在统计图显著区内外的分布用半透明色渲染出来，这样的图放论文里比单纯的条形图直观得多。

4. 结合具体研究场景看应用价值

4.1 帕金森病：运动网络与多巴胺和血清素的空间耦合

帕金森病是JuSpace非常典型的应用场景。传统上我们知道帕金森病主要病理改变是多巴胺能神经元退行，但临床症状的复杂程度远不只是多巴胺减少能解释的。比如冻结步态、抑郁、睡眠障碍，这些症状可能涉及血清素和去甲肾上腺素系统。用JuSpace的思路，就是把帕金森病患者组与对照组的运动执行相关激活差异图提取出来，与内置的多巴胺转运体图谱和5-HTT图谱做空间相关分析。

如果结果发现，患者组与对照组差异图的高值区，与DAT图谱分布显著正相关，这就提供了一个影像学证据，说明运动相关网络的功能改变背后确实有该递质系统参与的空间基础。如果同时还看到与5-HTT的负相关，那就说明某些非运动症状区域，可能更多与血清素系统相关。这类分析虽然没有直接测量个体患者的递质水平，但在群体水平上提供了合理的机制推断。

我自己在做这类研究时，会在结果讨论里刻意强调“空间关联不等于因果关系”，正文里会写“spatialanassociation...doesnotimplicatecausality”，这样的表述审稿人通常会接受，也符合工具本身的定位。

4.2 阿尔茨海默病：病理沉积区域与神经递质易损性

另外一个特别有魅力的场景是阿尔茨海默病研究。近年来多个研究发现，tau蛋白沉积的空间分布并不是随机的，而是倾向于沿着特定的神经网络扩散，并且这种扩散模式与某些神经递质系统的受体分布存在明显重叠。这类研究如果做传统的病理染色验证，成本极高，而用JuSpace在影像数据上实现跨模态关联，就可以快速得到候选系统。

比如有研究把AD患者tauPET的标准摄取值比图，与胆碱能受体图谱做空间相关，发现高相关区域集中在基底前脑胆碱能投射靶区，这和临床上AD患者使用胆碱酯酶抑制剂有效的现状高度吻合，算是反向验证了方法学的有效性。这启发了另一个思路：如果某个新药作用于特定受体系统，我们可以用JuSpace预判它在患者体内的作用热点区域可能与哪些脑网络重叠，从而帮助临床试验设计。

4.3 精神疾病与药物靶点的空间对应

精神分裂症是多巴胺假说最经典的研究领域，然而抗精神病药作用于D2受体，但D2受体在脑内分布与精神分裂症的功能异常脑区并不完全一致。用JuSpace处理精神分裂症患者的静息态低频振幅图，或者任务态激活图，能够量化指出异常区域与D2图谱的关系。类似地，抑郁症研究也可以拿默认网络与5-HTT图谱做关联，评估抗抑郁药所作用的靶点在空间上是否对症。

这种空间关联分析还有一个妙用：在药物机制不明时，比较“服药后改变的脑图”与“候选受体图谱”的相关性。如果你验证了一种新型化合物，服药前后fMRI对比图与某受体图谱高度相关，基本可以推测该化合物的效应部分经由该受体系统介导。虽然不能替代PET结合实验，但作为临床转化前的首轮筛查，性价比已经非常高了。

5. 常见问题排查与避坑记录

5.1 高频运行错误与对应解决思路（速查表）

我在不同电脑上跑过JuSpace，最常遇到的就是第一类维度问题，尤其当输入图是从其他软件导出时。解决起来并不难，但需要在输入前手动用SPM的Check Reg功能打开图片，右键看Voxel size信息，确保与内置图谱一致。

5.2 几个重要但容易被忽视的实操细节

第一个细节是平滑核大小。JuSpace对输入图的平滑程度没有硬性要求，但你的结果会受平滑程度影响。过度平滑会把局部峰值方向抹平，导致空间相关向“整体分布”偏移，可能掩盖真实的局部对应关系。我建议使用与图谱数据匹配的平滑程度，一般来说6到8mm全宽半高是常用范围。

第二个细节是Jaccard阈值要预先固定。如果你在做完分析后反复调整阈值，直到显著性满意为止，这本质上就变成了哈克结果。我会在预注册或者方法部分明确写出“受体图谱按分布最高的30%体素进行二值化”，并且把这一条作为固定分析参数，不加事后修改。

第三个细节是方向性检查。JuSpace计算相关时，输入图的正负值代表什么含义非常关键。同一个图谱，如果你的图正值代表激活升高，得到的相关是正的；反过来如果正值代表降低，相关可能就是负的。所以每次跑之前，我都会先确认统计图的符号约定，尤其是自己生成的处理过的图，这一点最容易出错。混淆了方向，你很有可能把“异常升高区域与受体高密度重叠”误读成“降低区域”，整个结论就反了。

再有一个容易被忽略的事：样本量偏小时，单被试图和群体统计图的结果差异会很明显。如果你个案分析时跑出高相关，不代表群体层面仍然成立。好的做法是尽量用群体统计图，或者对个体相关结果再做单样本t检验，不要直接拿个体结果下群体结论。

最后补充一个扩展思路：除了官方内置图谱，近年来还有团队推出了包含更多受体亚型的公开图谱包，甚至有些研究已经把基因表达空间图谱（比如AHBA）当作外源图谱输入JuSpace，拓宽了跨模态分析的边界。如果你有足够理由支持某个特定受体系统，完全可以自行引入对应图谱，这样分析维度会更丰富，而不必被默认包限制住。

就我个人的实操感受而言，JuSpace的价值并不在于它有多复杂的算法，而在于它把“跨模态关联”这个原本门槛很高的分析标准化了，让普通课题组也能从公开数据里获得分子层面的研究线索。只要做好预处理，理解置换检验的逻辑，并且老老实实报告参数，它完全可以成为你论文机制讨论环节一个很有说服力的附加证据。