功能性连接组指纹分析方法论。扩展 differential identifiability 框架， 检测个体指纹梯度和双胞胎指纹梯度。 触发词：脑指纹、连接组指纹、个体差异、可识别性、fingerprint、 differential identifiability, connectome fingerprint。
传统方法： 只关注同一被试不同扫描之间的指纹（test/retest）
扩展： 研究指纹梯度 - 基于遗传和环境相似性的指纹差异
定义： 脑功能连接模式的个体特异性
用途：
核心公式：
$$I_{diff} = I_{within} - I_{between}$$
其中：
| 梯度类型 | 定义 | 含义 |
|---|---|---|
| Subject Fingerprint |
| 同一被试的多个扫描 |
| 个体特异性 |
| Twin Fingerprint | 同卵/异卵双胞胎的扫描 | 遗传贡献 |
| Gradient | 指纹强度沿遗传相似度的变化 | 基因vs环境 |
1. fMRI 数据预处理
↓
2. 功能连接矩阵计算
↓
3. 脑图谱分割（Schaefer Atlas）
↓
4. 最优重建 FC
↓
5. 指纹梯度分析
| 场景 | 说明 |
|---|---|
| 数据质量评估 | 通过指纹强度判断数据可靠性 |
| 个体识别 | 被试匹配和去重 |
| 遗传研究 | 量化遗传对脑连接的影响 |
| 纵向研究 | 追踪个体脑连接变化 |
Human Connectome Project - Young Adult (HCP-YA)
# 计算 FC 矩阵
fc_matrix = compute_functional_connectivity(timeseries, atlas='schaefer')
# 最优重建
fc_reconstructed = optimal_reconstruction(fc_matrix)
# 计算 differential identifiability
I_diff = compute_differential_identifiability(fc_list, subject_ids)
# 双胞胎指纹分析
twin_fingerprint = analyze_twin_pairs(fc_list, twin_pairs, zygosity)
# 指纹梯度
gradient = compute_fingerprint_gradient(
subject_fp, # 同卵双胞胎
sibling_fp, # 异卵双胞胎
unrelated_fp # 无关被试
)
time-varying-brain-connectivity - 时变脑网络分析weighted-brain-community-detection - 加权脑网络社区检测# Example usage of the skill methodology
# Refer to the Technical Implementation section for details