患有图雷特综合征的幼儿在静息状态下的功能性磁共振成像(fMRI)动态功能网络

《Frontiers in Neurology》:Resting-state fMRI dynamic functional network in young children with Tourette syndrome

【字体: 大 中 小 】 时间:2026年03月20日 来源:Frontiers in Neurology 2.8

编辑推荐:

  摘要 引言:图雷特综合征(TS)是一种神经发育障碍,其特征是不自主的运动和声音抽动,由于诊断标准要求症状持续至少1年,因此诊断常常被延迟。本研究旨在通过调查4-6岁TS儿童的动态脑网络连接性的时空变化,探索该疾病的早期神经影像生物标志物。 方法:这项回顾性病例对照研究收集了2

  摘要

引言:图雷特综合征(TS)是一种神经发育障碍,其特征是不自主的运动和声音抽动,由于诊断标准要求症状持续至少1年,因此诊断常常被延迟。本研究旨在通过调查4-6岁TS儿童的动态脑网络连接性的时空变化,探索该疾病的早期神经影像生物标志物。

方法:这项回顾性病例对照研究收集了24名4-6岁儿童的静息态功能性磁共振成像(fMRI)数据,其中包括12名未使用药物的TS患者和12名匹配的健康对照组(N组)。分别使用组独立成分分析(GICA)和独立向量分析(IVA)来评估组间时间和空间动态功能网络连接性(FNC)的差异。分析了这些连接性变化与耶鲁全球抽动严重程度量表(YGTSS)评分以及疾病持续时间之间的相关性。

结果:在时间动态FNC方面发现了统计学上的显著组间差异(p < 0.05),而在空间动态连接性方面观察到了边缘差异(p < 0.1),主要涉及腹侧默认模式网络(VDMN)、初级视觉网络(PVN)和楔前叶网络(PCN)。N组的FNC值范围更广且强度更高,而TS组在岛叶区域表现出异常增强的连接性,这与疾病持续时间呈正相关。

讨论:本研究揭示了TS早期阶段儿童在时间和空间动态脑网络连接性方面的异常,特别是在与岛叶相关的回路中。这些发现为TS的早期神经病理机制提供了新的见解,并支持动态FNC指标作为儿童TS早期影像生物标志物的潜力。

1 引言
图雷特综合征(TS)是一种神经发育障碍,会导致不自主的肌肉运动和声音抽动。TS通常在儿童时期开始,典型发病年龄在5至7岁之间,发病率约为0.5%至0.8%(1)。尽管发病率较低,但TS可能会严重影响患者未来的生活。例如,在一项随访研究中,79%的患者仍有抽动症状,40%的患者存在某种程度的社交障碍,20%的患者失业、残疾或经济上依赖家庭(2)。另一项研究显示,TS患者发生物质滥用的风险显著增加,并伴有与物质相关的死亡(3)。同时,与对照组相比,TS患者遭受创伤性脑损伤的风险也显著增加(4)。
迄今为止,TS的诊断主要依赖于症状的定性描述,由于表现多样或其他共病的影响,该疾病可能会被误诊,从而导致治疗延迟和病情加重。早期诊断和治疗TS有助于缓解症状并避免严重的并发症。及时诊断尤为重要,因为它可以监测常见的共病(如注意力缺陷/多动障碍(ADHD)、强迫症(OCD)和焦虑症)的发生,防止儿童同时面临多种未诊断问题的负担。因此,开发早期和准确的诊断生物标志物具有重要意义。最近的研究表明,在TS患者的脑磁共振成像(MRI)中,包括初级感觉运动皮层、辅助运动区(SMA)、前运动皮层、扣带回运动皮层、外侧前运动皮层、基底节、下顶叶皮层和小脑在内的多个脑区在结构和功能上发生了改变(6, 7)。具体来说,Ramkiran等人(8)应用图论方法对TS成人的静息态(RS)fMRI扫描进行了分析,评估了皮质-基底节-小脑网络不同部分的功能特性。研究结果表明,TS患者的内部感知机制受损,大脑成熟度受影响,并且向兴奋性神经传递转变。另一项RS研究发现,TS患者的前额叶-顶叶区域的功能连接性(FC)发生了改变(9, 10),表明其大脑功能组织不成熟。这些区域也参与多任务处理,并被认为在不适当反应中起抑制作用(11)。
以往的RS-fMRI研究主要依赖于FC的静态描述,所得到的特征最终代表了时间平均现象。相比之下,人脑很少处于静止状态,而是表现出相关和自发的活动动态(12)。即使在静息状态下,FC也可能随时间变化,传统分析无法完全评估其特性。对于TS研究,动态FC分析比静态方法更敏感,因为它能够捕捉短暂的大脑网络波动并揭示细微的、状态特定的异常。这些异常可能与抽动表达的内在时间变异性有关,通常被时间平均的FC所掩盖。例如,TS儿童的网络状态和节点效率的停留时间和时间变异性发生了改变,这与抽动严重程度相关(13–15)。此外,动态FC指标与临床抽动严重程度和疾病进展的相关性更强,为评估症状严重程度和跟踪治疗效果提供了更敏感的工具(16, 17)。
这种动态分析的优势得到了最近关于精神障碍的脑功能研究的支持。例如,对ADHD和情感障碍的研究表明,dFC对短暂的大脑状态变化具有更高的敏感性,并且与认知灵活性和情绪调节的相关性更好(18–20)。此外,最近的综述强调,动态网络的时间稳定性和切换特性是大脑功能完整性的关键指标,进一步突出了动态方法相对于静态方法在理解复杂大脑动态方面的优越性(21, 22)。总体而言,这些发现表明,FC指标随时间和空间的定性变化可能为TS引起的大脑网络改变提供更深入的见解。
TS的典型发病年龄约为5-7岁。然而,根据美国儿童心理健康监测报告,0.3%的儿童和青少年被诊断为TS,最低发病年龄为3岁(23)。最近的综述指出,TS是一种儿童期发病的神经发育障碍,通常在4至6岁之间表现出来(24)。此外,要被诊断为TS,个体必须至少有1年的抽动症状。然而,目前12个月的慢性标准可能是任意的(25)。这些报告共同表明,更年幼的儿童也可能患有TS。
为了研究临床TS患者的时空动态脑网络的早期变化,分析了4-6岁TS患者和健康受试者的fMRI数据。通过时间和空间动态功能网络连接性(FNC)分析(分别使用组独立成分分析(GICA)和独立向量分析(IVA)),全面检查了动态脑网络的潜在异常,并探讨了这些异常与临床症状(YGTSS评分和疾病持续时间)之间的相关性。

2 材料与方法
2.1 受试者和诊断量表
2012年7月至2020年11月期间,从首都医科大学北京儿童医院的门诊部招募了12名TS患者(TS组;平均年龄4.93±0.60岁,2名女性和10名男性)和12名健康对照组(N组;平均年龄5.36±0.95岁,2名女性和10名男性)。由于药物可能显著影响TS患者的中枢神经系统结构和功能(26),因此只纳入了未使用药物的受试者。使用美国精神病学协会的《精神障碍诊断与统计手册》(第五版;DSM-5)来诊断抽动障碍。强迫症通过临床访谈方法诊断,使用儿童耶鲁-布朗强迫症量表(CY-BOCS)(27)进行诊断。Devon Wender-Utah评分量表(WURS-k)用于诊断注意力缺陷和多动障碍(ADHD)(28)。符合自闭症谱系障碍(ASD)、强迫症、ADHD或其他学习障碍、抑郁或焦虑标准的患者被排除在外。抽动严重程度使用耶鲁全球抽动严重程度量表(YGTSS)(29)进行评分,评分范围为10至79分(44.66±17.96)。选定患者的疾病持续时间从1个月到1年不等(4.09±3.02个月)。本研究得到了北京儿童医院审查委员会的批准。所有父母/监护人签署了符合赫尔辛基宣言的知情同意书。
2.2 数据采集和预处理
RS数据使用3.0T MRI扫描仪(Gyroscan Interma Nova,飞利浦,荷兰)在北京儿童医院的放射科采集。单回波平面成像的参数如下:重复时间(TR)2000毫秒;回波时间(TE)39毫秒;切片厚度4毫米;层间距1毫米;翻转角度90°;矩阵64×64;视野(FOV)240毫米×240毫米。为了减少幼儿常见的运动伪影,在两组中都使用了氯醛羟合物。使用T1加权MP-RAGE序列获取独立的高分辨率3D结构图像:192个轴向切片;TR 1160毫秒;TE 4.21毫秒;反转时间600毫秒;切片厚度0.9毫米;层间距15°;矩阵512×512;视野256毫米×256毫米。fMRI数据使用SPM软件(版本12)进行预处理。首先根据序列中的第一张图像进行重新对齐。然后使用中间切片作为参考进行切片时间校正。接着记录了一张T1加权图像和校正后的平均功能图像。然后使用非线性配准将灰质和白质图像到蒙特利尔神经学研究所(MNI)空间进行空间标准化。重采样的体素大小为3毫米×3毫米×3毫米。最后,使用半高全宽为6毫米的高斯核对体积进行空间平滑处理。
2.3 数据分析
研究表明,即使在静息状态下,FC也可能随时间和空间变化,传统分析无法完全评估其特性。动态研究不仅在时间域进行,也在空间域进行。本研究使用GIFT2在fMRI数据的时间和空间域中提取成分。
本研究采用GIFT进行成分提取。我们采用了结合GICA和IVA的方法,并使用高斯-拉普拉斯源先验(IVA-GL)。选择GICA是为了建立一致的组级空间参考,便于直接比较不同受试者的时间动态FNC。相比之下,IVA-GL专门用于捕捉受试者间的空间变异性和空间动态,因为它在保持成分对应性的同时有效处理空间异质性。
2.3.1 时间动态成分提取和分析
2.3.1.1 TDC提取
采用时间域串联GICA方法(30)将获取的数据分解为不同的信号成分。为了实现精细的皮质和皮下成分的“功能划分”,评估了100个TDC划分(31)。所有受试者的数据进行了降维和拼接,然后使用Infomax独立成分分析(ICA)算法在ICASSO中进行了100次计算,其中最小的簇数为80以确保数据稳定性。具体程序之前已有描述(32)。所有受试者的衍生图像被转换为Nifti格式,以便根据GIFT工具箱中的RSN模板(icatb/icatb_templates/RSN.zip)标记TDC。为了去除可能包含的噪声,对划分的100个TDC应用了两个标准。首先,确定生成的TDC与RSN模板之间的交叉相关性,相关性系数低于0.2的TDC被视为伪影(33)。其次,TDC的空间分布及其时间/频谱特征应与灰质有较高的空间重叠,与其他组织的重叠较低(34)。
2.3.1.2 TDC分析
然后进行了时间静态FNC分析。使用整个时间序列来估计每个有效TDC的皮尔逊相关系数。这种方法在以前的研究中已被广泛使用,此处不再重复。
最后进行了时间动态FNC分析。检查RS FNC动态最常用的方法是滑动窗口方法。该过程量化了选定指标在扫描过程中的时间变化行为(35)。所有时间窗口都进行了分类(通常通过k均值聚类),以获得整个时间序列中的网络连接分布情况。在这项工作中,窗口宽度为18个TR,步长为1TR,这是具有显著相关性的最小窗口大小(36)。在k均值聚类之前,对每个受试者的所有时间窗口进行了下采样,只选择局部FC方差最大的窗口进行预聚类。结果提供了最佳的分类数量,所有数据都根据推荐的数量进行了分类。
2.3.2 空间动态成分提取和分析
2.3.2.1 SDC提取
除了TDC之外,还关注随时间变化的SDC。SDC通过IVA(37)提取,它是ICA的扩展,可以捕捉多个数据集的空间变化。首先,使用滑动窗口方法对RS数据进行了分割。对于每个受试者,T=192 TR被划分为L=7个窗口。因此,每个窗口包含t = 48个时间分辨率(TRs),窗口大小为96秒,且两个连续窗口之间的时间点有50%是重叠的(见图1)。图1展示了SDC提取工作流程的示意图。左侧面板展示了数据分割过程,其中每个受试者(m = 1,..., M)的fMRI时间序列被划分为L个重叠的窗口。右侧面板详细说明了SDC提取的计算过程:每个时间窗口内的数据被重新塑造成一个大小为T × V的观测矩阵X[m,l]。这些矩阵来自所有M个受试者和L个窗口,作为联合IVA算法的输入。该算法估计这些矩阵以得到独立的源矩阵Y[m,l](大小为N × V)。最右侧的箭头表示将所有受试者和窗口中的第n个成分聚合起来形成源成分向量(SCV)。这一框架使IVA能够捕捉到受试者和时间窗口之间的空间变化(SDCs),同时保持成分之间的对应关系。

接下来,每个时间窗口内的图像被重新塑造成一个矩阵(T × V,其中V是整个大脑中的体素数量),用向量X[m,l]表示,m = 1,..., M;l = 1,..., L。体素被视为每个时间点的样本。受试者的总数为24。因此,我们对这些M × L的数据集进行了联合盲源分离,每个数据集的大小为T × V。

第三,利用IVA实现了联合盲源分离,并同时从多个受试者和不同的时间窗口中提取了SDC。假设第m个受试者在第l个窗口中的每个数据集X[m,l]是由N个独立源的线性混合组成的:
x[m,l] = A[m,l]s[m,l],m = 1,..., M;l = 1,..., L
其中s[m,l] = [s1,m,l,..., sn,m,l,..., sN,m,l]T是大小为N × V的SDC向量;元素sn,m,l是第n个潜在成分,A[m,l]是一个T × N的混合矩阵,其第n列代表与第n个SDC相关的时间过程。为了表示所有受试者和窗口中的相关SDCs,通过取所有受试者和窗口中的第n个SDC来构建第n个SCV,即sn = [sn,1,1,..., sn,1,L,..., sn,M,1,..., sn,M,L],n = 1,..., N。

IVA的目标是确定M × L个解混矩阵w[m,l]和相应的SDC估计值y[m,l] = W[m,l],m = 1,..., M;I = 1,..., L。估计的SCVs定义为yn = [yn,1,1,..., yn, M, L]T,n = 1,..., N,它们彼此之间尽可能独立,其中yn,m,l = (Wn,m,l)T × x[m,l];(Wn,m,l)是W[m,l]的第n行。通过最小化SCVs之间的互信息(MI)(38)可以实现IVA分解。

在这项研究中,IVA的实现版本IVA-GL被整合到了GIFT工具箱中。它结合了IVA-G(多变量高斯分布)和IVA-L(多变量拉普拉斯分布),并且IVA-L是用IVA-G的解初始化的,以实现IVA-GL分解。IVA-GL可以比单独使用IVA-L或IVA-G提供更稳健的联合盲源分离。

2.3.2.2 SDC分析
在SDC估计之后,通过MI量化了这些SDCs之间的空间动态功能连接(FNCs)。对于一个窗口中的SDCs,计算两个SDCs之间的受试者MI值作为SDC连通性。得到了一个标准化的SDC连通性度量,范围在(0, 1)之间,值为零表示完全独立。计算了两组所有窗口和所有受试者之间两个SDCs之间标准化MI的标准差(STD),以比较两组。

2.4 统计和相关性分析
统计分析是使用GIFT工具箱进行的。

2.4.1 时间静态和动态FNCs
为了检查整个时间序列中脑网络功能连接(FNCs)的分布,进行了双样本t检验,以比较TS组和N组在静态FNCs强度、动态FNCs强度和每个连接状态的持续时间方面的差异。由于不同受试者的连接状态持续时间不同,如果一个受试者在某个状态下少于10个窗口,则认为该受试者不属于该状态。进行了FDR检验,p < 0.05被认为是统计学上显著的。

2.4.2 SDC的连通性和空间动态FNCs
对于每个窗口,确定了所有可能的SDCs对之间的空间连通性。获得了每个患者窗口间FNCs的STD。使用双样本t检验来评估TS组和N组之间每个时间窗口内的FNCs是否有显著差异。进行了Mann–Whitney U检验,以评估TS组和N组之间FNCs的STD是否有显著差异。进行了FDR检验,p < 0.05被认为是统计学上显著的。

2.4.3 差异和TS临床指标的相关性分析
进行了相关性分析,以检查临床指标(YGTTS评分和疾病持续时间)与表现出统计学上显著组间差异的fMRI指标之间的关系。计算了皮尔逊相关系数,p值 < 0.05被认为是统计学上显著的。

3 结果
3.1 时间域分析
3.1.1 识别的时间域成分
通过GICA共识别出100个TDC来定义脑网络。去除噪声后,识别出54个TDC作为14个内在连接网络(ICNs)。识别出的网络的详细特征见表1。TDC的分布见图2。
表1
ICN名称
ICN缩写
TDC数量(与RSN模板的相关性)
感觉运动网络
SMN
18(46%),34(38%),60(20%),74(34%),95(20%),99(25%)
右执行控制网络
RECN
76(26%)
腹侧默认模式网络
VDMN
15(20%),17(50%),37(21%),42(23%),45(46%),71(64%),87(20%),93(20%)
初级视觉网络
PVN
14(22%),26(31%),47(41%),57(44%)
楔前叶网络
PCN
13(29%),19(54%),67(24%),91(30%)
后部显著性网络
PSN
40(23%),72(20%)
背侧默认模式网络
DDMN
22(45%),35(49%),43(26%),49(20%),58(41%),61(36%),97(27%)
左执行控制网络
LECN
90(22.23%)
语言网络
LGN
21(31%),44(36%),50(31%),92(25%)
视觉空间网络
VSN
1(35%),4(21%),29(31%),30(20%),64(28%)
高级视觉网络
HVN
7(30%),16(33%),39(29%),53(23%)
基底节网络
BGN
63(22%),83(34%)
听觉网络
ATN
6(35%),10(37%),25(38%)
前部显著性网络
ASN
80(31%),82(25%),98(24%)

括号中的值表示TDC与RSN模板之间的相关值。

图2
识别的TDCs。在每个ICN内,颜色的深浅对应TDC的数量。X、Y、Z对应MNI坐标。

3.1.2 静态FNCs
两组之间的静态FNCs没有统计学上的显著差异。

3.1.3 动态FNCs
所有受试者的动态FNCs可以聚类为三种状态。两组在每个状态的窗口停留时间方面没有统计学上的显著差异。
腹侧默认模式网络(VDMN)、楔前叶网络(PCN)和初级视觉网络(PVN)在状态2和3中的动态FNCs在两组之间存在统计学上的显著差异(见图3)。在状态2中,VDMN的内部连接(TDC 45,对应于岛叶)以及VDMN(TDC 45)与PCN(TDC 57)和PVN(TDC 19, TDC 91)之间的连接存在统计学上的显著差异。在状态3中,VDMN(TDC 37, 45)与PVN(TDC 57)以及PCN(TDC 13, TDC 19)之间的连接存在统计学上的显著差异。

图3
动态FNCs的统计学显著差异结果。左侧面板显示了TDC的位置。右侧面板显示了两种状态下两组之间的皮尔逊相关性。每张图片上方列出了每种状态下的受试者总数。使用双样本t检验(显著性水平q < 0.05,经FDR校正)计算了所有网络之间动态FNCs的统计学显著差异。

3.2 空间域分析
3.2.1 识别的SDCs
每个患者的192个时间点被划分为7个窗口和20个可靠的估计成分。我们直观检查了空间图并移除了与伪影相关的成分。最终,为每个受试者和每个窗口选择了九个感兴趣的SDCs(见图4)。

图4
从IVA分解中得到的九个感兴趣的SDCs。这些是MNI坐标(括号内)。

3.2.2 空间动态FNCs
确定了每个组中所有时间窗口内每个连接点的STD平均值(见图5A)。颜色越红,该连接点的变异性越高。SDCs对之间的连通性STD在两组之间存在边际差异(见图5B)。

图5
量化连通性动态的统计指标。(A)健康对照组(N组)(上)和TS组(下)的标准化MI平均STD矩阵。颜色条表示STD的大小。(B)N组和TS组之间每个连通性STD的Mann–Whitney U检验(p < 0.1)。结果显示在p < 0.1的阈值下存在边际差异(经FDR校正)。图中显示了识别的SDCs,线条越粗,表示连通性变化的中值越显著。

3.3 上述结果与YGTSS评分和疾病持续时间之间的关联
YGTSS评分与SDC 5(对应于海马旁回和杏仁核)~ SDC 9(楔前叶)的MI呈负相关,相关系数为0.705。两组之间SDC 5 ~ SDC 9的MI差异随着YGTSS评分的增加而减小。这表明这些成分的连通性强度较低与更严重的临床症状相关。
疾病持续时间与TDC 45 ~ TDC 71和TDC 45 ~ TDC 19在状态2中的皮尔逊相关系数呈正相关,相关系数分别为0.698和0.787。两组之间TDC 45 ~ TDC 71和TDC 45 ~ TDC 19在状态2中的皮尔逊相关系数差异随着TS持续时间的增加而增加。

4 讨论
4.1 时间和空间动态功能网络连接
人类大脑活动本质上是动态的,因此,动态连通性分析是一种洞察瞬时变化的工具(39);与静态连通性分析相比,这种分析提供的丰富信息可能更好地反映了大脑状态的时间波动(14, 40)。最近的研究将这种方法扩展到TS,揭示了TS儿童和成人中时间稳定性的改变、网络灵活性的降低以及功能状态之间的异常转换(41–43)。在这项工作中,时间动态FNCs值存在统计学上的显著差异,空间动态FNCs值存在边际差异。

在时间动态FNCs分析中,整个时间序列被聚类为3种状态。如图3所示,在VDMN、PVN和PCN的状态2和3中发现了统计学上的显著差异。随着状态1向状态3的进展,在N组中,某些TDC之间的皮尔逊相关系数变大,而有些则变小或不变,显示出明显的强度和弱化规律性;在TS组中,TDC之间的皮尔逊相关系数没有显著增加,但TDC的数量显著增加。这表明尽管TS组的受试者表现出更多的功能脑连接,但他们缺乏加强相关脑区之间连接的能力。

在空间动态FNCs分析中,通过空间动态网络共识别出9个有效成分,这些成分都属于5个网络,即SMN、PVN、PCN、DDMN和VDMN。整个时间序列的FC分析结果见图4,发现两组之间在PVN和VDMN存在统计学上的显著差异。N组的平均KLD波动比TS组更显著。这表明正常组的连通性强度变化比TS组更明显。这些结果与最近的证据一致,即TS大脑表现出FC的时间变异性降低和功能状态之间的转换频率减少(41, 42)。

结合获得的时间和空间动态FNCs数据,发现三个网络存在统计学上的边际差异:腹侧默认网络(VDMN)是默认模式网络(DMN)的一部分。N组的FNCs强度范围更大,连接强度更高。DMN在静息状态下被激活,在目标导向行为期间被去激活。最近的研究表明,DMN在内部导向的心理过程中起重要作用,其不同区域负责不同的任务。VDMN在受试者专注于内部心理过程时被激活,包括自我参照处理、自传体记忆检索和想象未来(44)。PCN与默认模式网络相邻且独立,被认为参与记忆回忆过程(45)。PVN的自发活动模式与静息状态下的视觉心理意象过程显著相关(46)。这些网络之间的动态紊乱可能是TS中自我监控和抑制控制受损的原因(43)。一项静息态功能性磁共振成像(fMRI)研究证实,皮质-基底节-小脑回路中的时间相关系数(tCC)降低以及网络转换不稳定与抽动症状的严重程度存在强烈关联,这与我们的观察结果一致(41)。4.2 上述结果差异与YGTSS评分和疾病持续时间之间的关联:高评分与大多数差异呈负相关,主要涉及海马旁回、杏仁核和楔前叶。由于本研究中的受试者为疾病早期的幼儿,因此推测YGTSS评分可能不足以评估患者早期的生理变化。因此,建议在后期进行多次定期随访评估以提高疾病诊断的准确性。疾病持续时间与大多数不同脑区呈正相关,表明本研究中探索的生物标志物能够有效反映疾病的持续时间。状态2下的TDC 45网络连接与疾病持续时间之间的相关性较高。如上所述,TDC 45包含岛叶。随着疾病持续时间的延长,TS组中岛叶与其他网络之间的连接在睡眠期间增强。这反映了纵向神经影像学的研究结果,表明慢性TS患者中皮质-纹状体-丘脑-小脑回路存在适应性重组(42, 47)。岛叶的增强性共激活可能反映了觉醒状态的提高和内感受觉意识的增强,这些因素已知可以调节抽动表现和日间行为(48–52)。4.3 FNCT涉及的脑区:综合上述结果,时间和空间分析共同揭示了包括颞上回、海马旁回、杏仁核、顶下叶、舌回、岛叶、楔叶、距状裂及其周围皮质(距状区)、额下回、额中回(眶部)、SMA、后扣带回、楔前叶和旁中央小叶在内的脑区存在组间差异。值得注意的是,虽然时间动态分析显示出统计学上的显著差异,但空间动态分析主要显示这些区域的趋势较为微弱。这些发现总体上支持了先前的研究(48, 49),并得到了最近的多模态荟萃分析的支持(42, 43)。在TS状态2下,TS组中TDC 45(VDMN)、TDC 71(VDMN)、TDC 57(PVN)和TDC 19(PCN)的皮尔逊相关系数显著增加,且这种显著增加与疾病持续时间呈强正相关。两组之间的功能连接比较显示,N组中TDC 45与其他组分的连接较弱,而TS组中则存在强连接。TDC 45涉及的脑区包括岛叶,岛叶是一个细胞结构复杂的区域,具有丰富的连接性,作为参与内感受觉、多模态感觉处理、自主控制、感知自我意识和社会行为情绪调节的皮层枢纽(50)。由于本研究中的受试者处于睡眠状态,推测岛叶未被激活,这可能是N组中TDC 45与其他组分之间的皮尔逊系数较低而TS组中较高的原因。研究表明,岛叶与脑网络的增强性共激活与觉醒状态有关(51)。有证据表明,TS患儿存在睡眠质量受损和觉醒状态升高,这两者可能是该疾病的内在特征,并可能在日间引发抽动和其他行为问题(52)。运动抑制和自我调节中枢,包括SMA、额下回和后扣带回,在TS患者中也表现出耦合减弱。这与先前的动态功能连接研究结果一致,表明SMA-额叶回路在抽动抑制中起作用(53)。最近的网络水平研究表明,丘脑-额叶和扣带回-眼睑回路在抽动产生和抑制中起核心作用。深部脑刺激(DBS)靶点与这些网络之间的连接性预测了抽动的改善(54),而α波段的丘脑-额叶连接性与症状严重程度呈负相关(55)。综上所述,皮质-纹状体-丘脑-皮质回路中的结构和动态功能紊乱是TS病理生理学的基础。5 结论:本研究招募了24名4-6岁的儿童参与fMRI研究,分析了时间和空间动态功能网络连接。结果显示,时间动态FNC值(特别是在状态2和3期间)存在统计学上的显著差异,而空间动态FNC值主要在VDMN、PCN和PVN区域存在边缘差异。N组表现出更宽的动态范围和更高的FNC强度总体水平,而TS组则表现出岛叶相关组分的异常增强连接性。这些指标与疾病持续时间呈强正相关,可能是日间抽动发作的原因。该研究揭示了幼儿疾病早期脑网络的差异,并为探索TS的早期生物标志物提供了依据。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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