动态功能连接与大脑发育、自闭特质及自闭症的联系
关键词:自闭症、功能连接动态性、主成分分析、静息态功能磁共振、发育
全文总计1987字,预计10分钟可阅读完。
为了提高大家阅读的兴趣,我将阅读完本文章后可能产生的疑问先行提出,最后加以讨论:
1.静息态被划分为4类活动状态,其中全脑抑制/无激活的状态代表什么意义?
2.不同的dynamic分析方法捕捉的信息有何异同?
前言
Catie Chang第一篇用滑动窗研究大脑静息态活动的动态性的文章已经过去了8年,引用也达到了700+次,大家对于动态分析的热情日益增加,相关文章也开始层出不穷。随着大家对静息态活动的动态性的理解加深和相关软件包的成熟,研究者逐渐将动态分析用于疾病群体中,希望能够帮助理解疾病的病理机制。
今天介绍的文章不是第一篇将大脑的动态特性用于区分正常人群和有精神科疾病类人群的文章,但本文希望借这篇文章来将之前的文章串起来供大家讨论。如果大家感兴趣,我们下一期可以讲一讲Jingyuan Chen和Catie Chang不久之前发表的一篇关于动态分析的综述,个人认为将动态分析的前景和局限性都介绍的很全面。请多多留言让我们知道大家的兴趣所在。
本人的通讯作者是Vince Calhoun,熟悉他们组的应该知道GIFT这个用于做group ica和动态连接的软件,如果对将动态信息应用于疾病研究感兴趣可以把他们组近来的文章都读一读。
1 研究背景
网络交互发育不良是精神类疾病的发病基础,且一般认为自闭症是一类由于网络发育不良引起的疾病,目前相关的研究大多仅限于静态的静息态功能连接,忽略了大脑活动的动态性。
因此本研究希望借助于大数据在学龄儿童里探究大脑的动态活动与正常发育和自闭症之间的联系,希望帮助理解大脑发育的过程和寻找潜在的用于精神类疾病诊断的影像学量化指标。
2 研究方法及研究结果
实验对象:本研究收集了1000个6-10岁的学龄儿童进行5分20秒的静息态fMRI扫描,其中774例数据可用(包括22名自闭症儿童)。
自闭特质量表:社交响应量表(Social Responsive Scale)被用于测量自闭特质,分数越高代表更多的自闭症状。
主要研究方法:基于研究目标,作者先对数据进行动态分析并计算代表动态特征的几个度量单位,分别是动态连接(dFNC)、每个状态的平均驻留时间(mean dwell time, MDT)和占比(fractionof time),并利用线性回归来探究这些测量与年龄、性别、自闭特质的关系。
数据分析用到的软件包含SPM、AFNI、GIFT还有自行开发的matlab代码,具体流程见下图1,为了方便大家的理解,我们将逐一描述每个步骤,并将结果附后,有相关经验的阅读者可以略过此部分。
图1
在预处理后,数据被输入GIFT进行组主分量成分分析(GICA),得到100个分量,通过3个reviewer打分,38个分量被划归为有意义的成分,并按照空间分布组成7个常见网络,见下图2。
此后通过滑动窗的方法计算动态功能连接,并利用kmeans将动态功能连接进行聚类,形成了大脑活动的四种状态,见下图3。其中平均驻留时间计算了大脑活动在一个状态持续停留的平均时间,而占比则是简单的计算了这一状态出现的总次数。
状态1近似于静态连接,呈现全脑性的网络内部连接和网络间的连接;状态2呈现全脑性的弱连接,这一状态在成年人的动态研究中并没有出现过,希望大家注意一下这个状态,本文的主要的结论都是基于此状态展开。状态3呈现了默认网络(DMN)的网络内、与其他网络的连接;状态4则是全脑的高度兴奋。对于每个状态,除了计算动态网络连接,作者也定义了平均驻留时间(MDT)和占比这两个测量(FT)。
图3
为了探究大脑活动的动态指标与年龄、性别以及自闭特质的关系,作者提出了两种线性回归模型,第一种模型里只将年龄和性别作为自变量,而第二种模型里在考虑性别和年龄的基础上也增加自闭特质作为影响因素,见公式1,将因变量静态连接(sFNC)依次换成动态连接(dFNC)、每个状态的平均驻留时间(mean dwell time, MDT)和占比(fractionof time)则依次建立了模型3-8。
公式1
3 主要研究结论
我们这里只介绍最主要的结论,作者发现随着年龄的增长,状态2(全脑弱连接)的平均驻留时间和占比减少,男生比女生在这一状态里停留的时间更长,见图4。至于与自闭特质的联系,作者发现SRS得分越高的儿童在状态2停留的时间更长,在状态3(DMN主导)停留的时间更短,图5。
这些发现突出了全脑弱连接的这一状态可能具有的生理意义,我们将在下面继续讨论这个状态并回答文首提出的两个问题。
图4
图5
讨论
1.全脑抑制/无激活的状态代表什么意义?
在本文中,这种全脑弱连接的状态随着年龄增加而下降,在男性中比女性要更多,且与自闭症性格特征相关,说明了该种状态可能具有较强的生理意义。作者在讨论部分介绍了他们之前关于精神分裂症(网络失连为其主要特征)的工作发现病人也倾向于处在全脑弱连接的状态。我个人理解这种状态是一个全脑利用率较低的状态,欢迎大家在后台回复讨论。
2. 不同的dynamic分析方法捕捉的信息有何异同?大家更倾向于用那种方法来进行动态分析?
我个人习惯于用以下几种分析方法:
共激活模式(CAP)+kmeans分类
隐性马克罗夫模型(HMM)
Sliding-window+kmeans
最小灵活二乘/卡尔曼滤波+kmeans
我会将第一种和第二种归为一类,基于它们都是针对每一帧的空间分布来进行分类,第三和第四种归为一类,都是算动态的功能连接后再聚类。所以明显这几种方法捕捉的动态信息各异,但是优劣还未有定论,期待讨论。
参考文献
Rashid B, Blanken LME, Muetzel RL, et al. Connectivity dynamics in typical development and its relationship to autistic traits and autism spectrum disorder. Hum Brain Mapp. 2018;00:1–16. https://doi.org/10.1002/hbm.24064
欢迎大家在后台回复提供有意思的文献供公众号翻译并加解读。
北京赛博尔培训班信息(直接点击文字即可浏览!)
脑网络培训班内容涵盖了脑网络的很多前沿方法, 包括时频分析、基于SurfStat以及GRETNA的脑网络拓扑属性、MVPA方法等等,对掌握了基本fMRI及脑电数据处理方法后的医生及研究人员有很大提高。
PET数据处理培训班内容主要包括:PET成像原理,图像重建,PET在神经退行性疾病中应用,PET图像的预处理操作,PET图像的定量分析,PET图像的统计分析,小动物PET图像分析,以及PET实验设计与结果解读等。
DTI数据处理培训班主要内容有:DTI数据实际操作流程和结果报告、弥散磁共振成像的基本原理,分析方法以及应用概述、弥散磁共振成像的分析方法原理及实操、弥散磁共振成像的分析方法原理及实操、基于DTI数据的脑网络构建和图论分析等等。