Guadalupe, T., Kong, XZ., Akkermans, S.E.A. et al. Relations between hemispheric asymmetries of grey matter and auditory processing of spoken syllables in 281 healthy adults. Brain Struct Funct (2021). https://doi.org/10.1007/s00429-021-02220-z
关键词：脑非对称性 双耳分听 偏侧化 半脑语言优势

偏侧化是人类脑结构和功能的典型特征。与语言加工的左半脑优势相对应，大多数个体在感知言语音节时表现出明显的右耳优势。但是，这一现象呈现明显的个体差异，甚至有些人表现出相反的方向，即左耳优势。目前，我们还不清楚该个体差异可以多大程度反映在脑结构上。在这项研究中，我们采用了双耳分听任务和逐体素形态学方法，考察了听觉加工的半脑优势与脑灰质偏侧化之间的关联。该项目共采集了来自281名健康群体个体的脑影像和行为学数据，是目前针对该问题最大的研究项目。为了计算逐体素的偏侧化指标，我们首先将个体的磁共振图像配准到一个对称的模板。结果发现，双耳分听任务中的行为偏侧化指标与杏仁核和小脑VI区的灰质偏侧化显著相关。在上颞叶后部，也就是听觉皮层的一部分，我们发现了一个小的区域可能与听觉偏侧化存在关联，但是这一关联需要进一步的数据验证。这些结果对于刻画偏侧化结构与功能之间的关系提供了新的数据，同时，这些发现提示我们，皮层下结构可能在语言加工的半脑优势也扮演着重要角色，在未来的相关研究中值得关注。

更多细节见全文。

Kong, X., Francks, C., & ENIGMA Laterality Working Group. (2020). Reproducibility in the absence of selective reporting: An illustration from large‐scale brain asymmetry research. Human Brain Mapping. Advance online publication.

关键词：多中心合作 p-hacking 出版偏见 可重复性问题 团队科学

近年来，研究结果的可重复性问题在多个领域引起了大量的关注，其中便包括医学、心理学和神经科学。这一问题在一定程度上被归咎于长期存在的出版偏见和像p-hacking这种的有问题的研究习惯。研究者也开始大声疾呼要做可重复的研究，包括提高数据采集的透明度、倡导共享数据、开发和采用标准化的数据分析流程等。研究的统计力也被认为是一个重要的因素，但是，在最近发表在Nature杂志上的一项调查显示，统计力在导致研究结果不可重复的因素中仅排在第三，位于“选择性报告”和“发表压力”之后。

疫情之下，尽量避免乘坐公共交通，而多选择自驾出行。最近从荷兰自驾到德国法兰克福，不小心踩了德国环保贴纸（Umweltplakette）的坑。回到荷兰收到罚单邮件，才后知后觉，原来在德国随处可以看到的车前窗玻璃上贴的写着数字4的绿色贴纸，不贴是要吃罚单的。然而在荷兰租的车默认配置是没有这个贴纸的，根据网上的信息，忽略这个法规的代价便是一张80欧的罚单（办理环保贴纸的费用大概是6-15欧不等）。建议从欧洲其他国家开车前往德国前，特别留意一下这个问题。网上有很多讨论，具体可以中文搜索 环保贴纸 + 德国，或英文搜索 Umweltplakette + Germany。

Kong, Xiang-Zhen, et al. “Mapping brain asymmetry in health and disease through the ENIGMA consortium.” (2020). Human Brain Mapping.
关键词：脑偏侧化 ENIGMA 研究进展 综述

偏侧化是人类脑的一个典型特征，也是一个复杂的多因素特质。过去几十年的研究表明脑偏侧化异常可能和一些精神障碍有关。但是，已有研究往往基于小样本数据，且研究结果存在很多不一致。同时，围绕哪些脑结构在健康群体中具有偏侧化、脑偏侧化与年龄、性别和脑疾病之间的关系的研究仍然有一些未解决的问题。在过去4年，我们通过ENIGMA脑偏侧化工作组发表了6项关于脑结构偏侧化研究，相关研究的样本量最少为3500，最多更是高达17000，比已有研究高出1-2个数量级。我们得到了群体水平的脑偏侧化模式，其中包括一个有趣的前额叶-枕叶皮层厚度偏侧化梯度。同时，我们利用ENIGMA多数据集研究方法考察了单一数据集研究的可重复性问题。我们基于多中心样本估计得到脑结构偏侧化的效应量，以及偏侧化与年龄、性别、利手和大脑体积，以及三种精神障碍的关系。研究发现，自闭症和全脑多个脑区的皮层厚度偏侧化异常有关；儿科强迫症和皮下结构的偏侧化异常有关；我们没有发现与重度抑郁障碍相关的脑偏侧化异常。其他相关疾病的研究已经在开展。这些研究一起为识别脑偏侧化与脑疾病相关的遗传基础奠定了基础。

更多细节见全文。

Mlxtend is short for machine learning extension, “a Python library of useful tools for day-to-day data science tasks”. I came across this amazing package when searching for a quick python solution of permutation test for hypothesis testing. The current version is 0.17.2.

This is a collection of talks from this week’s CNS virtual conference. There are many fantastic talks. Hope the links would keep working well (although based on the conference website, ‘Each session is available 0 hours after the original broadcast of the session until Saturday, May 16, 2020‘). Please don’t use these for commercial purposes.

工作原因，最近需要把两篇以前发表的文章的摘要翻译为中文，顺手贴过来一份。这两篇文章都是关于人类空间导航脑网络的。

• Kong, X. Z., Wang, X., Pu, Y., Huang, L., Hao, X., Zhen, Z., & Liu, J. (2017). Human navigation network: the intrinsic functional organization and behavioral relevance. Brain Structure and Function, 222(2), 749-764.

先放全文信息：
Kong, X., Tzourio-Mazoyer, N., Joliot, M., Fedorenko, E., Liu, J., Fisher, S.E., Francks, C.(2020). Gene Expression Correlates of the Cortical Network Underlying Sentence Processing. Neurobiology of Language. Advance publication. https://doi.org/10.1162/nol_a_00004

关键词：语言 脑网络 功能网络 基因表达 神经发展 自闭症

脑影像遗传学研究通过整合不同成像模态脑影像数据和遗传学数据，探索脑结构/功能与遗传变量之间的潜在关联，进而帮助我们了解、认识不同认知功能和相关脑疾病的遗传基础和发展规律。通常情况下，脑影像遗传学研究基于个体差异方法将来自同一批被试的脑影像数据和基因表型数据相关联。目前，研究者已经发表了一些脑影像遗传学的研究。但是，目前该领域仍然面临着样本量限制、多重比较校正和单个基因位点效应偏小等关键问题。

存储数据的文本文件中常用空格、Tab、逗号或分号等作为分隔符。一些常用的数据分析工具可能仅接受这些分隔符中的一种，这时便需要将其他分隔符的数据转换为相应工具接受的数据格式。类似的数据准备工作也是实际数据分析工作中相当耗精力的部分。
下面是针对Tab转空格问题的两个方便的解决方案。

Everybody
Welcome to xx. And welcome to the xx
My name is xx xx. I am the xxx of the organization of xx

xx is a really amazing place to host the meeting. and it’s really quite suitable.
xxx played a major role in early medicine and neuroscience, in many ways,

it’s also hard to believe that it’s been xx years since the first xxx conference in xx.
at that time, it really was just a conference. In the second meeting in xxx, it was decided to become a organization.
Just in the last year, we decided to change to a society.
so really it has been serve as an evolution over time.
I attended the boston meeting, but I could go to xx cos I was a poor graduate student. so wasn’t able to afford it.

CIFAR10训练集50,000
CIFAR10测试集10,000
图片+标签

像下面的neural network，不用GPU也可以很好地完成训练。这个模型和之前的例子类似。

这是一个略复杂的入门例子，涵盖了一个典型神经网络的训练过程。

import torch.nn as nn
import torch.nn.functional as F

# Define the network structure
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1,6,3) # Convolutions
        self.conv2 = nn.Conv2d(6,16,3)
        self.fc1 = nn.Linear(16*6*6,120) # Full connections
        self.fc2 = nn.Linear(120,84)
        self.fc3 = nn.Linear(84, 10)
    def forward(self, x):
        x = F.max_pool2d(F.relu(self.conv1(x)), (2,2))
        x = F.max_pool2d(F.relu(self.conv2(x)), 2)
        x = x.view(-1, self.num_flat_features(x))
        x = F.relu(self.fc1(x)) # rectified linear unit
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x
    def num_flat_features(self, x):
        size = x.size()[1:]
        num_features = 1
        for s in size:
            num_features *=s
        return num_features

net = Net()
print(net)

import torch
from torch.autograd import Variable

dtype = torch.FloatTensor
N, D_in, H, D_out = 64, 1000, 100, 10 
# one input layer, one hidden layer, and one output layer

hello and welcome to xxx
I am just going to briefly touch upon what this xx will be about. and also I want to mention that xxx
so what is this xx, what isn’t this xx
I have presented some of these talks to the labs that I work in locally. and there were definitely folks in the audience who did not have xx experience.
I think they still got something out of it. they built their understanding.
so it is still useful if you’re completely new. but it’s going to be more useful for those of you who’ve been running xxx.

My final words is xxx
The future is very exciting. It takes all excitement and passion to explore the future.
I wish the future forum great success.
… beyond what we can see, what we can feel.