多变量连接性偏差揭示了任务诱发的网络重组及临床病理网络的变化
《iScience》:Multivariate connectivity deviations reveal task-evoked and clinical network reorganization
【字体:
大
中
小
】
时间:2026年10月22日
来源:iScience 4.5
编辑推荐:
亮点
• OSCAR是一种新的多变量方法,用于检测区域连接性的偏差
• OSCAR在三种认知任务和早期精神病中识别出相关区域
• OSCAR检测到的与任务和疾病相关的脑区片段超出了perMANOVA的发现范围
摘要
要理解认知需求和病理如何重塑功能连接性(FC),需要使用多变量
亮点
• OSCAR是一种新的多变量方法,用于检测区域连接性的偏差
• OSCAR在三种认知任务和早期精神病中识别出相关区域
• OSCAR检测到的与任务和疾病相关的脑区片段超出了perMANOVA的发现范围
摘要
要理解认知需求和病理如何重塑功能连接性(FC),需要使用多变量、特定于区域的方法。在这里,我们介绍了一种基于单类SVM的连接组异常识别方法(OSCAR),它能够检测区域连接性轮廓中的条件相关偏差。OSCAR使用单类支持向量机从参考状态学习区域到整个大脑的连接模式,并根据异常值比例量化目标条件的偏差。我们在三种不同的认知任务中验证了OSCAR,该方法识别出与冲突处理、物体位置记忆和词汇学习相关的网络区域。在包括早期精神病患者的临床队列中,OSCAR识别出相关区域,包括丘脑和基底节区域。与基于排列的多变量方差分析相比,OSCAR检测到了额外的与任务和疾病相关的脑区片段,而且其任务相关发现至少与独立激活发现相似,往往更为接近。因此,OSCAR提供了一种可解释的、以区域为中心的方法,用于映射实验和临床条件下的多变量FC重构。
图形摘要
引言
要理解人类大脑功能,需要考虑两个基本的组织原则:区域特化和功能整合。区域 specialization描述了不同大脑区域是如何适应特定功能的,如感觉编码、运动计划、记忆形成或抽象推理。然而,这些局部功能本身无法解释人类认知,疾病通常表现为多个区域之间的协调。因此,功能整合指的是几个大脑区域之间的上下文依赖性相互作用。当前的神经影像学研究表明,这些原则是相互交织的:专门的区域通过它们在大规模网络中的嵌入来贡献于认知,而网络层面的动态取决于各个节点的差异化能力。至关重要的是,这种相互作用不是静态的。大脑不断调整其功能组织以满足认知过程的需求,在分离和整合之间动态平衡。这些动态也意味着功能组织可以被(系统地)扰动。任务或外部输入(如自然刺激)对区域处理提出不同的要求,任何局部变化都预计会引发大规模连接的相应变化。相反,连接的改变必然会改变各个区域的功能角色。理解大脑组织如何受到特定情境的调节,对于阐明行为的神经基础以及临床状况至关重要。本研究提出了一种新的方法,基于每个区域通常在整个大脑网络中的嵌入方式来检测大脑功能组织的变化。
虽然基于激活的传统单变量功能连接性(FC)分析可以揭示条件特定的效应,但每种方法只捕捉到部分潜在的重构。激活研究关注局部信号变化,但没有描述这些局部效应如何改变区域在大规模网络中的嵌入方式。单变量FC分析则捕捉个体连接的变化,但没有考虑多变量差异。已经提出了识别多变量FC差异的方法。然而,这些方法旨在直接比较不同条件,而不是相对于学习到的参考分布来描述变化。另一方面,数据驱动的方法(如独立成分分析(ICA)提供了关于大规模功能网络的信息,但它们并不直接测试特定区域是否以条件依赖的方式改变其连接模式。新兴方法通过从参考状态建模区域的连接模式,然后量化目标状态下的偏差,从而揭示出可能微妙、分散或难以被其他方法捕捉到的重构。因此,这些方法有助于描述任务如何重组网络结构,以及外部扰动(如任务参与和疾病状态)如何修改这些网络,即使在异质或控制较少的条件下也是如此。Toloknieiev等人最近的一篇综述中确定了五篇提出异常连接性量化指标的出版物。然而,这些方法要么在体素级别操作,要么仅应用于疾病,限制了它们的普遍性。在这里,我们提出了一种新的方法——基于单类SVM的连接组异常识别(OSCAR),该方法使用复杂的多变量密度估计方法(OCSVM),并考虑区域到整个大脑的连接模式。它为每个区域提供了一个p值,可用于识别在目标条件下其多变量连接模式与参考状态不同的区域。我们将受特定目标条件影响的区域识别视为异常值检测问题,将健康的静息状态(RS)视为参考状态,并旨在检测多个任务和患者数据中的异常值。为了将OSCAR的发现与其他任务上的发现进行对比,我们将其与基于激活的分析进行了比较,后者仍然是识别任务相关大脑区域的标准方法。然而,由于局部激活和FC捕捉到大脑组织的相关但不同的方面,我们并不期望OSCAR的发现与基于激活的结果完全重叠。相反,我们期望OSCAR部分确认已知的任务相关区域,同时揭示额外的基于连接的网络重构。我们将OSCAR应用于阿姆斯特丹开放MRI集合(AOMIC,RS和Gender-Stroop任务)的数据,以及来自《通过经颅电刺激调节大脑学习和记忆的系统寿命方法》(MeMoSLAP:https://www.memoslap.de/de/forschung/)的两个任务数据集。在这里,我们基于这样一个假设来应用OSCAR:参与特定任务的区域应该在其连接性轮廓中表现出变化。此外,我们在人类早期精神病连接组项目(HCP-EP)的早期精神病患者数据上测试了OSCAR。根据先前的发现,精神病伴随着RS FC的破坏(rsFC),我们预计OSCAR会检测到与健康个体观察到的FC模式不同的精神病特异性FC异常。我们将我们的结果与基于排列测试的标准多变量方差分析(perMANOVA)进行了比较。
结果
为了为Schaefer(和Tian)的脑区片段提供解剖学解释,我们通过计算MNI空间中的体素级空间重叠,将每个片段映射到哈佛-牛津(HO)皮质和皮下 atlas。对于每个片段,具有最高重叠比例的HO区域被指定为其解剖学匹配。以下,我们报告了Schaefer/Tian的脑区片段以及相应的HO标签。
RS与GStroop任务
对于GStroop任务,在232个区域中,OSCAR识别出了110个区域,而perMANOVA发现了56个显著不同的区域(图1)。OSCAR和perMANOVA共有32个区域(图1A)。右半球前楔叶(Schaefer: RH_ContC_pCun_2, HO: Precuneous Cortex)、右前苍白球(Tian: aGP-rhm, HO: Right Pallidum)和左半球部分体感运动A网络(Schaefer: LH_SomMotA_3, HO: Postcentral Gyrus)是OSCAR发现的三个最显著不同的区域(表S1)。perMANOVA识别出了右半球背侧注意力网络的前眼区的一个片段和左半球腹侧前额叶皮层的两个片段,属于默认网络(表S2)。两种方法的发现之间的空间对应程度平均较低,最近邻距离从0到50毫米不等(平均=13.5毫米)(图2B)。对于负GStroop对比(图2C),两种方法识别的区域与最近的激活峰之间的空间对应关系没有显著差异。对于这种对比,OSCAR和perMANOVA都显示有5个区域(总共56个区域中的8.9%)距离最近的激活峰超过14毫米。另一方面,对于正GStroop对比(图2D),OSCAR识别的区域与相应的激活峰显著更接近,表明相对于perMANOVA具有更强的空间对应关系(Mann-Whitney U检验,p = 0.00349)。OSCAR显示距离最近的激活峰超过14毫米的区域较少(2/56个区域;3.6%),而perMANOVA为11/56个区域;19.6%)。
图1 OSCAR识别的RS和GStroop任务之间连接模式显著不同的脑区
图2 OSCAR和perMANOVA在GStroop任务上的结果比较
(A)OSCAR和perMANOVA识别的显著区域之间的重叠。左圆(粉色)表示仅由OSCAR检测到的78个区域,右圆(绿色)表示仅由perMANOVA检测到的24个区域,交集显示两种方法共同识别的32个区域。
(B)两种方法之间的空间对应关系。图表显示了一种方法识别的每个区域到另一种方法识别的最近区域的最小欧几里得距离。
(C)每个区域的质心到负GStroop对比中最近激活峰的欧几里得距离(正确 > 不正确),距离越短表示空间对应关系越强。
(D)每个区域的质心到正GStroop对比中最近激活峰的欧几里得距离(不正确 > 正确),距离越短表示空间对应关系越强。箱形图显示了中位数(中心线)、四分位距范围(箱)以及1.5 × 四分位距范围内的值(须)。
RS与OLM任务
OSCAR识别出在物体位置记忆(OLM)任务中与RS相比连接性有差异的48个区域(图3)。perMANOVA发现了37个显著不同的区域。OSCAR和perMANOVA共有18个区域(图4A)。根据OSCAR的结论,右半球视觉外围网络的额外纹状下区(Schaefer: RH_VisPeri_ExStrInf_1, HO: Lingual Gyrus)、纹状鞍区(Schaefer: RH_VisPeri_StriCal_1, HO: Intracalcarine Cortex)和枕极(Schaefer: RH_VisCent_ExStr_5, HO: Occipital Pole)区域显示出最明显的状态依赖性变化(表S3)。
图3 OSCAR识别的RS和OLM任务之间连接模式显著不同的脑区
图4 OSCAR和perMANOVA在OLM任务上的结果比较
(A)OSCAR和perMANOVA识别的显著区域之间的重叠。左圆(粉色)表示仅由OSCAR检测到的30个区域,右圆(绿色)表示仅由perMANOVA检测到的19个区域,交集显示两种方法共同识别的18个区域。
(B)两种方法之间的空间对应关系。图表显示了一种方法识别的每个区域到另一种方法识别的最近区域的最小欧几里得距离。
(C)每个区域的质心到OLM任务中学习 > 控制对比的最近激活峰的欧几里得距离,距离越短表示空间对应关系越强。
(D)每个区域的质心到OLM任务中控制 > 学习对比的最近激活峰的欧几里得距离,距离越短表示空间对应关系越强。注意,控制 > 学习对比仅包括五个区域。箱形图显示了中位数(中心线)、四分位距范围(箱)以及1.5 × 四分位距范围内的值(须)。
perMANOVA识别出左平面(Schaefer: LH_SomMotB_Aud_1, HO: Planum Porale)、扣带回(Schaefer: RH_SalVentAttnA_ParMed_1, HO: Cingulate Gyrus, posterior division)和中央盖皮层(Schaefer: LH_SomMotB_S2_2, HO: Central Opercular Cortex)三个最显著的区域(表S4)。两种方法的发现之间的空间对应程度适中,最近邻距离从0到超过50毫米不等(平均=13.9毫米)(图4B)。对于两种对比(学习 > 控制和控制 > 学习),OSCAR识别的区域平均更接近相应的激活峰,尽管没有达到显著性(图4C和5D)。对于学习 > 控制对比,距离最近的激活峰超过14毫米的区域数量分别为OSCAR的32/37(86.5%)和perMANOVA的34/37(91.89%)。对于控制 > 学习对比,距离最近的激活峰超过14毫米的区域数量分别为OSCAR的31/37(83.8%)和perMANOVA的33/37(89.19%)。
图5 OSCAR识别的RS和NWL任务之间连接模式显著不同的脑区
RS与NWL任务
对于新词学习(NWL)任务,OSCAR识别出18个连接性有差异的区域;perMANOVA发现了17个显著不同的区域(图5)。OSCAR和perMANOVA共有三个区域(图6)。OSCAR在左半球颞上回(Schaefer: LH.getDefaultB_Temp_3, HO: superior temporal gyrus, anterior division)、左苍白球(Schaefer: pGP-lh, HO: left pallidum)和外侧枕叶皮层(Schaefer: LH_DefaultC_IPL_1, HO: lateral occipital cortex, superior division)显示出最高的显著性(表S5)。perMANOVA分析确定了颞上回(Schaefer: LH_DefaultB_Temp_3,HO:颞上回前部)、楔前叶皮层(Schaefer: RH_DorsAttnB_PostC_3,HO:楔前叶皮层)和外侧枕叶皮层(Schaefer: RH_VisPeri_ExStrSup_3,HO:外侧枕叶皮层前部)为最显著的区域(表S6)。两种方法的研究结果在空间上的对应性较低,最近邻距离范围从0到>50毫米(平均值=22.8毫米)(图6B)。两种方法与元分析的激活峰值之间的接近程度也都很低(图6C),因为几乎所有被两种方法识别的区域都距离最近的激活峰值超过14毫米。
图6 NWL任务中OSCAR和perMANOVA结果的比较
显示完整标题
图像查看器
(A) OSCAR和perMANOVA识别的显著区域之间的重叠。左圆(粉色)表示仅由OSCAR识别的15个区域,右圆(绿色)表示仅由perMANOVA识别的14个区域,交集显示了两种方法共同识别的3个区域。
(B) 两种方法之间的空间对应关系。该图显示了每种方法识别的每个区域到另一种方法识别的最近区域的最小欧几里得距离。
(C) 每个区域的质心到元分析中词汇学习最近峰值坐标的欧几里得距离,距离越短表示空间对应性越强。箱线图显示了中位数(中心线)、四分位数范围(箱子)以及1.5倍四分位数范围内的值(须状部分)。
健康对照组与早期精神病(EP)患者的RS比较
根据EP患者的数据,OSCAR识别出10个与健康对照组RS相比 Connectivity(RS)存在显著差异的区域(图7)。perMANOVA发现了3个有显著差异的区域,这些区域也都被OSCAR识别出来。OSCAR在右侧前丘脑(Tian: THA-VA-rh,HO:右侧丘脑)、左侧前丘脑(Tian: THA-DA-lh,HO:左侧丘脑)和右侧苍白球(Tian: pGP-rh,HO:右侧苍白球)中的显著性最高(表S7)。perMANOVA识别的三个区域是左侧前丘脑、右侧前丘脑和左侧前丘脑(表S8)。
图7 由OSCAR识别的健康对照组和早期精神病患者RS之间 connectivity模式显著不同的脑区
显示完整标题
图像查看器
L,左侧;R,右侧;x,矢状;y,冠状;z,轴向。
讨论
我们在这里提出并验证了一种称为OSCAR的新方法,用于识别脑区FC模式的多变量组间差异。作为对比的基线方法,采用了基于排列的MANOVA。首先,将OSCAR和perMANOVA应用于三个不同任务的三个健康队列的FC数据:性别Stroop、OLM和NWL。在这三个任务中,两种方法都检测到了RS和任务状态之间全脑连通性显著不同的共享区域和独特区域。OSCAR识别的独特区域通常包括文献中先前确定的与任务相关的区域,而这些区域perMANOVA未能识别。例如,在GStroop任务中(例如,岛叶和前扣带回皮层),在OLM任务中(例如,双侧苍白球和左侧丘脑),以及在NWL任务中(例如,内侧前额叶皮层和双侧梭状回),几个与任务相关的区域仅被OSCAR识别到。应用于GStroop任务时,两种方法都识别出几个已知参与(性别-)Stroop任务处理的区域,如楔前叶、后扣带回回、前中央回和外侧前额叶皮层。此外,OSCAR还检测到78个perMANOVA未识别的连通性差异区域(图1)。值得注意的是,只有OSCAR识别出了岛叶和前扣带回皮层,这两个区域都参与了Stroop任务中的冲突监控。OSCAR还检测到了其他几个已知参与Stroop任务的区域,如尾状核、部分丘脑和下额叶回。
应用于OLM任务的数据时,两种方法都识别出几个参与视觉流处理的区域,这些区域对物体识别至关重要,并在OLM任务中起重要作用。此外,OSCAR和perMANOVA都识别出了楔前叶、后枕叶皮层、中间前额叶回、岛叶皮层和前中央回,这些区域都与视觉空间学习有关。此外,两种方法都识别出了与物体识别、物体形态感知和物体命名相关的外侧枕叶复合体。只有OSCAR识别出了Gillis等人指出的进一步参与OLM任务的区域,如双侧苍白球和左侧丘脑。此外,OSCAR还识别出了前眶回皮层,这可能反映了基于反馈的学习和决策过程,以及左侧下颞叶和中间颞枕叶皮层的部分区域(图3)。值得注意的是,OSCAR识别的区域与Abdelmotaleb等人最近基于相同数据进行的广义线性模型分析结果在很大程度上重叠。尽管没有统计学意义,但OSCAR识别的区域平均来说比perMANOVA识别的区域更接近任务激活峰值(图4C和4D)。
对于NWL任务,两种方法都检测到了左侧颞上回,该区域是语音处理、语音感知和词汇访问的核心区域。此外,两种方法都识别出了额叶外上部区域的变化,这可能反映了任务刺激的视觉成分。OSCAR还识别出了内侧前额叶皮层的连通性变化,这支持将新信息整合到现有模式中,这在NWL任务中将伪词与熟悉物体关联时是必需的,以及双侧梭状回,该区域已被证明参与了词汇学习。进一步地,OSCAR还检测到了与语言功能相关的苍白球的变化,以及Sliwinska等人研究表明在NWL任务中具有学习阶段显著主效应的眶额叶皮层(图5)。值得注意的是,OSCAR没有检测到下额叶回(IFG)、左侧辅助区和岛叶,这些区域在之前的激活研究中都显示出强烈的效应。为了进一步调查这种差异,我们对同一数据集进行了额外的分组广义线性模型分析(表S10)。该分析揭示了20个区域的显著任务诱发活动,其中包括左侧IFG、左侧辅助运动区和岛叶。可能这些区域的任务诱发活动并没有转化为广泛的连通性重组。相反,变化可能仅限于少数特定连接,因此在关注区域到全脑连通性剖面差异时未被OSAR检测到。此外,传统的基于任务的fMRI分析使用事件相关或块设计回归器来建模刺激呈现的时间锁定结构,从而能够检测到短暂的、空间定位的反应。这样的效应可能仅短暂存在,当连接性随时间累积时,可能无法产生OSCAR能够检测到的持续或分布式的区域到全脑连通性变化。
此外,在一个与疾病相关的队列中,OSCAR同样识别出了EP中受影响的疾病相关区域的连通性差异,而这些差异未被perMANOVA识别。两种方法都识别出了三个丘脑区域,即两侧的背侧前部区域和左侧的腹侧前部区域。OSCAR还识别出了丘脑的其他部分的差异,如伏隔核、苍白球以及腹内侧前额叶皮层,这些区域都已知在精神病中受到影响(图7)。这些结果与之前的文献一致,因为丘脑长期以来一直与精神病相关,并被认为在其病理生理学中起着关键作用,影响感觉、认知和睡眠过程。总的来说,这些结果展示了OSCAR在可靠识别FC模式多变量变化方面的实用性。
我们还计算了具有不同FC的识别区域的质心与相应任务激活分析的峰值坐标之间的欧几里得距离。尽管条件依赖的FC变化和任务诱发活动反映了大脑功能的不同方面,但评估它们的空间对应性为评估所提出的方法提供了有用的基准。具体来说,任务激活峰值与表现出连通性变化的区域之间的空间接近性可能表明网络重组和区域任务参与的收敛。对于GStroop和OWL任务,OSCAR和perMANOVA都识别出了位于任务激活峰值10毫米范围内的区域。然而,在所有三个任务中——特别是NWL任务——一些识别区域与激活峰值的距离明显更远。这支持了连通性重组和任务诱发活动只是部分重叠的现象这一前提。总体而言,OSCAR识别的区域通常比perMANOVA识别的等数量区域更接近激活峰值,尽管这种差异仅在正GStroop对比中具有统计学意义(图2D)。虽然空间接近性只是对应性的间接衡量标准,但这些发现表明,表现出条件依赖的连通性变化的子集在空间上与任务执行期间强烈参与的区域对齐。
总的来说,我们在这里证明了OSCAR可以识别由于任务参与或疾病状态导致的FC模式偏差的区域。重要的是,OSCAR通过将效应定位在额外的条件相关区域中,扩展了标准perMANOBA的发现,表明OSCAR对不同条件引起的多变量效应更加敏感。OSCAR捕捉了给定区域在参考状态下的多变量连通性模式,然后识别由于条件引起的偏差。相比之下,perMANOVA测试两组之间的平均连通性模式(“质心”)在空间上是否不同。因此,perMANOVA对点的分散敏感,但它无法检测到数据分布的偏差。因此,OSCAR可能对任务或疾病引起的FC模式的细微差异更为敏感。除了其实证性能之外,OSAR还提供了对条件相关FC分析的概念性贡献。传统的基于任务的激活分析识别了BOLD幅度的局部变化,从而揭示了任务期间神经反应的增加或减少。然而,激活图并没有捕捉到区域与大脑其余部分之间的连通性模式的变化。OSCAR量化了一个区域的多变量连通性剖面在状态之间的偏差,使研究人员能够检测到条件相关的连通性重组,而这些变化可能不会伴随局部激活。从概念上讲,OSCAR介于单变量激活映射和无约束多变量分解之间。OSCAR可以用于(1)识别由于认知处理而重新组织的相关区域,(2)检测患者群体中的临床相关偏差,(3)生成关于补偿性或适应不良网络重组的假设,(4)提供可以直接在不同任务、数据集和队列之间比较的区域级输出。OSCAR这种以区域为中心的框架可以为因果扰动方法(如侵入性或非侵入性脑刺激)的数据分析增加价值(例如,经颅磁刺激、深部脑刺激或经颅直流刺激,其中局部干预会改变目标区域和下游区域的嵌入,从而提供了一种原理性的方法来映射网络效应)。
总之,这些发现表明OSCAR能够识别脑区BOLD连通性模式的多变量组间差异。与perMANOVA相比,OSCAR在识别多个实验任务以及患者队列中的条件相关区域方面显示出优势。我们预计OSCAR将成为研究人员的有用工具,用于映射条件特定的FC变化,无论是在任务范式中、在临床人群中,还是在侵入性或非侵入性脑刺激等扰动方法中。
研究的局限性
在解释我们的发现时应考虑几个限制。首先,一些先前基于激活分析被认为与特定任务相关的区域(例如NWL任务的IFG)既未被OSCAR也未被perMANOVA检测到,这表明这些区域的任务相关激活可能并不伴随着大规模的连通性重组。相反,变化可能仅限于少数特定连接,因此在关注区域到全脑连通性剖面的差异时可能未被检测到。然而,我们并不将OSCAR视为传统激活分析的替代品,而是提供补充见解。此外,OSCAR目前使用的是全脑连通性剖面,当大多数状态下的连通性保持不变时,这可能会限制其敏感性。将OSCAR限制在精细的连通性剖面上可以提高其敏感性。其次,本研究分析的数据集来自多个站点,引入了与扫描仪硬件、采集协议和其他因素相关的潜在变异性。此类异质性可能导致系统性差异或微妙的部位效应。虽然使用标准化的预处理流程(fMRIPrep)有助于减少这种变异性,但无法完全排除剩余的部位效应。然而,这里的结果在很大程度上与文献中报告的先前提发研究结果一致。第三,本研究采用了Schaefer 200个区域×17个网络的皮层划分方法,并结合了Melbourne图谱中的皮下区域。划分方法的选择会影响检测功能连接(FC)差异的敏感性和特异性,因为空间分辨率和网络定义决定了区域信号的表示精细程度。较大的划分单元可能会将信号混合在一起,从而掩盖局部效应;而较小的划分单元虽然能提高对微妙差异的敏感性,但更容易受到噪声的影响。因此,所采用的特定划分方案可能会影响哪些区域效应能够被检测到,未来的工作应分析使用不同粒度图谱的影响。相关地,OSCAR目前可以识别出连接性异常的区域,但无法确定这些连接性改变具体发生在哪些网络或区域集合中。在未来的工作中,OSCAR可以扩展到评估一个区域的连接性是否随预定义的网络或特定区域子集而变化。第四,本研究分析的大多数任务都是为了最大化组间效应,因此并不理想地适用于检测个体差异。尽管如此,未来的应用可能会通过将个体受试者的区域特定OCSVM边界距离与行为或临床表型相关联来受益,从而实现受试者层面的推断。最后,功能连接的可靠性强烈依赖于序列的长度。用于训练OSCAR的连接组是由6–8分钟的扫描数据生成的。尽管这是一个常用的扫描时长,但先前的研究表明,使用9–13分钟或更长时间的序列可以显著提高可靠性。因此,OSCAR的性能可能还会从使用更长扫描时长获取的数据中进一步受益。
资源可用性
主要联系人
如需更多信息和资源,请联系并联系主要联系人Jean-Philippe Kroell(j.kroell@fz-juelich.de)。
材料可用性
本研究没有生成新的独特材料。
数据和代码可用性
• AOMIC和HCP EP的数据在出版时已经公开。链接列在关键资源表中。用于本研究的MeMoSlap联盟(OLM和NWL任务数据)的数据可根据合理要求向主要联系人提供。
• 本研究中使用的原始代码已存放在Sciebo上。链接列在关键资源表中。
• 如需重新分析本研究中报告的数据的任何额外信息,可向主要联系人咨询。
致谢
本研究得到了eBRAIN-Health项目的支持。eBRAIN-Health项目已获得欧盟Horizon Europe研究和创新计划的资助(授权协议编号101058516和HORIZON.1.3,授权编号101147319)。本项目还得到了德国研究基金会的资助(研究单元5429/1 [467143400]、CRC1315-B03 [327654276]、FL379/22-1、FL379/26-1、FL379/34-1、FL379/35-1、FL379/37-1、ME3161/5-1和ME3161/6-1)。
作者贡献
J.-P.K.:负责形式分析、软件开发、验证、可视化和撰写初稿;
M.A.:负责数据采集和撰写、审稿和编辑;
H.K.:负责数据采集和撰写、审稿和编辑;
V.M.:负责撰写、审稿和编辑;
L.P.:负责撰写、审稿和编辑;
M.M.:负责撰写、审稿和编辑以及数据和资金筹集;
A.F.:负责撰写、审稿和编辑以及数据和资金筹集;
S.E.:负责撰写、审稿和编辑;
K.R.P.:负责概念化、软件开发、撰写、审稿和编辑、监督以及资金筹集。
利益声明
作者声明他们没有任何已知的竞争性财务利益或个人关系可能影响本文所述的工作。
在准备手稿过程中使用生成式AI和AI辅助技术的情况
在准备这项工作时,作者使用了ChatGPT来起草文本/代码。使用该工具/服务后,作者对内容进行了必要的审查和编辑,并对发表文章的内容负全部责任。
**STAR**
**方法**
**关键资源表**
| REAGENT 或 RESOURCES | SOURCE | IDENTIFIER |
| ------------------ | --------- | ------------------- |
| 静息状态和任务fMRI BOLD数据 | 阿姆斯特丹开放MRI集合(AOMIC) | PIOP1: https://openneuro.org/datasets/ds002785
PIOP2: https://openneuro.org/datasets/ds002790 |
| 静息状态fMRI BOLD数据 | 早期精神病人类连接组项目(HCP-EP) | https://nda.nih.gov/general-query.html?q=query=featured-datasets:Connectomes%20Related%20to%20Human%20Disease |
| 静息状态和任务fMRI BOLD数据 | “通过经颅电刺激调节大脑网络以促进学习和记忆:一种系统性的、贯穿生命周期的方法(MeMoSLAP)” | 该研究使用的数据可根据合理要求向相应作者提供 |
**软件和算法**
运行OSCAR的Python代码、perMANOVA、GLM分析和区域适应的fcMVPA,参见:https://fz-juelich.sciebo.de/s/7ktx54wTDMgzRef
**实验模型和研究参与者详情**
本研究使用了来自两个开放数据集的功能性磁共振成像(fMRI)数据。第一个数据集AOMIC包含三个子数据集——PIOP1、PIOP2和ID1000,其中包含健康个体的多模态3T MRI数据,包括结构和fMRI数据。使用了PIOP1(N=226名女性,平均年龄22.2 ± 1.8岁)和PIOP2(N=216名女性,平均年龄21.9 ± 1.79岁)的数据。这里,以PIOP2的静息状态(RS)数据作为参考,而PIOP1的性别Stroop任务(GStroop)作为目标条件。阿姆斯特丹开放MRI集合(AOMIC)的数据集——包括基于人口的“ID1000”学生聚焦的“PIOP1”和“PIOP2”研究——是在阿姆斯特丹大学伦理委员会的批准下收集的(PIOP1 EC编号:2015-EXT-4366,PIOP2 EC编号:2017-EXT-7568)。所有参与者在参与前均提供了符合赫尔辛基宣言的书面知情同意书。此外,还使用了更大规模的多中心、双盲、安慰剂对照交叉tDCS研究“调节大脑网络以促进学习和记忆(MeMoSLAP)”的预备阶段的RS和任务fMRI数据(https://www.memoslap.de/de/forschung/),这些数据仅限于应用了安慰剂刺激的成像会话。这两个任务分别为对象位置记忆任务(OLM,N=20名女性;平均年龄25 ± 5.56岁)和新词学习任务(NWL,N=20名女性;平均年龄26 ± 5.86岁),数据来自两个不同的研究单元,使用相同的扫描仪和相同的采集参数。在这种情况下,将PIOP1和PIOP2的AOMIC数据集的RS数据合并用于训练(N=442),并分别评估了每个目标条件(OLM和NWL)的任务差异。MeMoSlap研究得到了医学伦理委员会的批准(注册编号BB015/22)。研究遵循了赫尔辛基宣言的指南,参与者在参与前提供了书面知情同意书。我们还使用了早期精神病人类连接组项目(HCP EP)的数据,其中包含了早期精神病患者的RS数据(N=184名女性,平均年龄23.1 ± 3.7岁)以及根据性别、年龄、惯用手和父母社会经济状况与精神病组匹配的健康对照组数据(N=68名女性,平均年龄24.4 ± 4.3岁)。这里的训练基于健康对照组的RS数据,而病人的数据作为目标条件。早期精神病人类连接组研究得到了华盛顿大学圣路易斯分校机构审查委员会(IRB)的批准(项目编号1U01MH109977-01)。所有参与者在参与前均提供了符合赫尔辛基宣言的书面知情同意书。数据集的使用和回顾性分析的伦理提案得到了杜塞尔多夫海因里希-海涅大学医学院的伦理委员会的批准(2018-317-RetroDEuA)。
在所有分析中,参考条件和目标条件下的受试者是互斥的,OSCAR和perMANOVA使用了相同的数据分割。
**实验程序**
GStroop任务(PIOP1,AOMIC)用于探测认知冲突和控制过程。参与者看到十二张男性和十二张女性的面孔图像,这些面孔旁边配有点符一致或不一致的性别标签(荷兰语单词“man”、“sir”、“woman”和“lady”,分别用大写或小写表示)。每次试验显示一个面孔-标签的组合0.5秒。刺激呈现后有4到6秒的间隔(以0.5秒为步长)。始终要求受试者尽快使用左手食指(对于男性面孔)或右手食指(对于女性面孔)回答所看到面孔的性别。
OLM(MeMoSLAP)任务涉及通过重复呈现来学习物体(二维[2D]地图上的房屋)及其位置之间的关联,利用基于指导和反馈的机制,采用四步的学习阶段设计(具体细节请参见相关文献)。对于OLM分析,仅使用六个任务阶段的数据进行进一步分析。
NWL任务(MeMoSLAP)要求在六个阶段中学习物体-伪词之间的关联,每个阶段包含四个学习步骤。在每个学习阶段,参与者需要识别五个物体图片和伪词之间的正确组合。图片在每个学习阶段显示两次(10次尝试),并与正确的或错误的伪词配对(具体细节请参见相关文献)。对于NWL任务的分析,仅使用六个任务阶段的数据进行进一步分析。
**数据预处理**
对于AOMIC数据集,使用了通过OpenNeuro提供的fMRIPrep版本1.4.1进行预处理。简而言之,数据首先使用mcflirt(FSLv5.0.9)进行运动校正,然后通过将功能图像与相应的T1加权图像进行共注册并进行反强度校正,使用了bbregister(FreeSurfer v6.0.1)进行六自由度的校正。接下来的步骤中,结合了运动校正变换、场畸变校正、BOLD到T1加权变换以及从T1加权到MNI的变换,并使用antsApplyTransforms和Lanczos插值进行应用。
MeMoSLAP的数据使用fMRIPrep 24.1.1进行预处理。简而言之,每次BOLD运行都使用mcflirt(FSL)进行了头部运动校正。BOLD参考数据使用FreeSurfer的mri_coreg与相应的T1加权结构图像进行共注册,并通过FLIRT基于边界的注册进行细化(六自由度)。然后使用ANTS通过非线性注册进行空间标准化到MNI152NLin2009cAsym。所有空间变换——包括运动校正、磁化率畸变校正(如果有的话)、BOLD到T1w的对齐以及T1w到MNI的变换——在一个步骤中使用三次B样条函数合并应用。
尽管AOMIC和MeMoSLAP数据集使用了不同的fMRIPrep版本,但两者都实现了相同的核心预处理框架,包括运动校正、解剖学共注册、空间标准化和混杂因素估计。为了最小化潜在的版本相关效应,所有后续分析都使用了相同的后处理程序,包括混杂因素回归、基于图谱的时间序列提取和功能连接性计算。
HCP EP数据集使用最小的预处理流程进行了预处理。HCP最小功能预处理流程包括校正梯度非线性引起的畸变、重新对齐时间序列以校正受试者头部运动、将fMRI数据与结构数据注册、减少偏置场、将4D图像标准化到全局均值、使用新的测地高斯表面平滑算法进行空间平滑(FWHM为2毫米)。在最小预处理之后,应用ICA-FIX来识别并使用自动化分类器去除噪声成分。
对于所有数据集,平均白质、脑脊液(CSF)和全局信号(包括它们的导数和平方项)都被回归消除,以去除非神经元和全局生理噪声。功能时间序列经过带通滤波(0.01–0.08 Hz),并根据Schaefer 200×17皮层图谱和32个皮下Melbourne划分进行提取,无需额外的空间平滑。
**OSCAR**
为了创建区域特定模型,我们提出了一种新的方法——基于单类SVM的连接组异常识别(OSCAR),该方法使用多变量密度估计方法(OCSVM),并考虑区域到整个大脑的连接模式(图8)。假设我们想要识别两组(A组,例如静息状态;B组,例如任务或患者数据)之间的不同连接模式。我们使用A组的数据训练一个OCSVM分类器,以学习该区域与其他所有区域的连接模式的多变量密度。然后将这个OCSVM模型应用于A组和B组个体中同一区域的连接模式。这提供了符合OCSVM密度估计的个体(内层)和不符合的个体(外层)。随后应用卡方检验来比较两组的内层和外层比例。B组的异常值比例可能更高,因为如果它的多变量特征与A组不同,那么p值会较低。通过重复这一过程并对每个区域进行Bonferroni校正以控制多重检验,我们可以识别出两组之间存在差异的区域。图8 OSCAR的示意图。显示完整标题和图示。
第一步,分别计算每个受试者的RS数据的连通性矩阵。然后,从所有受试者中提取某个区域的连通性特征(即该区域与其他所有区域的连通性),并使用这些特征来训练OCSVM分类器。这个过程对每个区域重复进行,从而为每个区域生成一个模型。第二步,将OCSVM模型应用于目标状态(例如任务或患者数据)的连通性特征。然后,统计量化两组之间的差异,并将其投影到脑图上。
在这项研究中,我们将识别受特定目标状态影响的区域视为异常值检测问题,将健康的RS状态视为参考状态,并旨在检测任务或患者数据中的异常值。为了准备输入特征,我们首先使用200分辨率的Schaefer分割和32个皮层下结构的Melbourne分割在体积空间中定义的区域来计算FC矩阵(两个GitHub仓库的链接在补充材料中提供)。每个得到的232 × 232皮尔逊相关矩阵都经过Fisher r-to-z转换,然后分解为232个特定区域的“连通性特征”。FC矩阵中对角线上的连接被移除,因为它们在受试者之间没有显示出方差。参考状态的连通性特征被用作训练OCSVM模型的输入数据。这使得每个OCSVM能够模拟该区域与大脑其余部分的多元密度关系(在参考状态下)。我们使用了sklearn的OneClassSVM,并选择了线性核,因为它在高维空间中具有执行异常值检测的能力。OCSVM的超参数ν通过5折GridSearchCV进行了优化,搜索范围为[0.001, 0.01, 0.025, 0.05, 0.1, 0.25, 0.5]。ν定义了允许位于决策边界外的最大训练样本比例以及定义该边界的支持向量的最小比例。我们使用了一个自定义的评分函数来最大化训练数据中的内点数量。然后将训练好的OCSVM模型应用于目标状态个体的连通性特征。经过统计分析和多重检验校正后,得到了一组目标状态与参考状态在统计上存在差异的区域。
我们将OSCAR与基于Anderson的perMANOVA进行了比较。选择perMANOVA进行比较是因为它旨在检测多变量组间差异。perMANOVA利用协方差矩阵进行基于距离的组间比较,通过置换检验来确定条件间的平均多变量距离是否超过条件内的变异性。对每个区域的连通性特征应用了以下程序:首先移除FC矩阵中对角线上的连接(因为它们在受试者之间没有显示出方差),然后对剩余的连接进行Fisher r-to-z转换。接着,计算所有样本对之间的欧几里得距离矩阵,即两个给定条件下所有受试者的FC连通性特征。接下来,通过多次置换样本分配来生成一个零分布,并重新计算距离。然后通过将观察到的组间距离与组内距离进行比较来计算伪F统计量。最后,通过将观察到的统计量与置换得到的零分布进行比较来确定p值。在这项分析中进行了5000次置换,对每个区域重复进行,并使用Bonferroni校正来控制多重比较。此外,我们还将OSCAR与Nieto-Castanon描述的功能性连通性多变量模式分析(fc-MVPA)的改编版本进行了比较,但在这个数据集中,fcMVPA没有识别出任何显著差异(表S10)。这可能是由于我们对该方法进行了区域性的调整,而该方法原本是为体素级分析设计的。
由于没有一种通用的方法来验证FC中的多变量差异,我们依赖于两种评估方法。首先,我们量化了多变量方法(OSCAR或perMANOVA)检测到的区域与基于相应任务激活分析或元分析确定的涉及目标状态的区域之间的空间对应关系。为此,我们使用了识别出的区域中心点与最近(元分析)激活峰值的欧几里得距离作为可解释的相似性指标。这种方法提供了一个参考,用于评估识别出的区域是否接近与任务相关的大脑区域,或者相反,是否远离这些区域。对于每个显著区域,仅考虑其与最近峰值的距离来量化其空间对应关系。类似的空间对应关系也被用来比较OSCAR和perMANOVA的结果。对于GStroop任务,使用了AOMIC论文技术验证部分中的全脑z值图的两个对比。对于OLM任务,我们使用了Abdelmotaleb等人报告的从同一研究对象的全脑fMRI分析中识别出的显著簇的峰值坐标。评估了这两个对比(学习 > 控制和学习 > 控制)的空间对应关系。对于NWL任务,使用了元分析中的词汇学习峰值坐标进行比较。当OSCAR和perMANOVA在检测到的区域数量上存在差异时,我们将结果较多的方法降采样到其最显著的几个区域,以确保与任务激活进行公平、等大小的比较。
我们对每个分割的fMRI时间序列(TR = 1.0秒,有关分割的更多详细信息请参见本文的方法部分)拟合了一阶GLM(GLM)。从条件开始时间和持续时间构建了两个任务回归器(NWL任务和Control任务),并将其与规范的Glover血流动力学响应函数卷积。使用余弦基(高通滤波器:1/128 Hz)对低频漂移进行了建模,并包含了一个截距。六个刚体运动参数和全局信号被作为干扰回归器添加进来。一阶模型使用AR(1)噪声模型进行估计。
首先计算每个区域的条件对比(任务 ? 控制任务)。随后将受试者级别的对比效应输入到二阶单样本GLM中,以测试平均对比效应在受试者之间是否不为零。结果以区域级效应估计值、t统计量和双侧p值的形式报告。
统计分析按照以下描述进行。统计检验和摘要统计在相应的结果和图例中报告(如适用)。脑图中的p值以?log10转换后的值显示。区域级统计分析的确切p值在相应的补充表中提供。距离图显示了一种方法识别的每个区域与另一种方法识别的最近区域或相应研究中最近激活峰值的中心点之间的最小欧几里得距离。
对于OSCAR,分别对232个脑区域进行了统计检验。对于每个区域,根据区域特定的OCSVM决策边界,将参考状态和目标状态的参与者分类为内点或异常值。使用卡方(χ2)检验比较了两种条件下的内点和异常值数量,其中n对应于每种条件下的参与者数量(样本大小在参与者部分报告)。这个过程每个区域产生一个统计检验(总共232次检验)。使用Bonferroni校正对232个区域检验的p值进行了校正。对于perMANOVA,也分别对232个脑区域进行了统计检验。对于每个区域,使用两种条件下参与者的Fisher r-to-z转换后的连通性特征计算了包含参与者之间成对距离的欧几里得距离矩阵。这里,n表示包含在相应条件中的参与者数量,每个参与者为一个特定区域的连通性特征做出贡献。使用伪F统计量比较条件间和条件内的变异性来评估条件间的差异。通过5000次条件标签的置换来生成伪F统计量的零分布,并确定p值。通过将观察到的统计量与其置换得到的零分布进行比较来确定p值。这个过程每个区域产生一个统计检验(总共232次检验),并使用Bonferroni校正对232个区域检验的p值进行了校正。
为了将OSCAR和perMANOVA识别的区域的空间对应关系与任务相关的激活结果进行统计比较,我们计算了每个识别区域的中心点与最近的任务相关激活峰值之间的欧几里得距离。使用双侧Mann-Whitney U检验比较了OSCAR和perMANOVA获得的最小距离分布。
补充信息(10)
下载全部文件(23.94 KB)
表S1. 使用OSCAR识别的静息状态和Gender-Stroop任务之间具有显著连通性特征差异的脑区域
文件(12.08 KB)
表S2. 使用perMANOVA识别的静息状态和Gender-Stroop任务之间具有显著连通性特征差异的脑区域
文件(10.27 KB)
表S3. 使用OSCAR识别的静息状态和OLM任务之间具有显著连通性特征差异的脑区域
文件(8.55 KB)
表S4. 使用perMANOVA识别的静息状态和OLM任务之间具有显著连通性特征差异的脑区域
文件(3.90 KB)
表S5. 使用OSCAR识别的静息状态和NWL任务之间具有显著连通性特征差异的脑区域
文件(4.09 KB)
表S6. 使用perMANOVA识别的静息状态和NWL任务之间具有显著连通性特征差异的脑区域
文件(1.90 KB)
表S7. 使用OSCAR识别的健康对照组和早期精神病患者的静息状态之间具有显著连通性特征差异的脑区域(.16 KB)
表S8. 使用perMANOVA识别的健康对照组和早期精神病患者的静息状态之间具有显著连通性特征差异的脑区域(21.23 KB)
表S9. 使用fc-MVPA改编版本的所有应用中的脑区域及其相关p值
文件(1.61 KB)
表S10. NWL任务数据的区域级GLM分析
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号