Whole-brain normative modeling across multiple functional connectivity metrics in MEG

기술 요약: 다중 기능적 연결성 지표를 이용한 MEG 기반 전뇌 규범적 모델링

문제 제기
규범적 모델링(Normative modeling)은 구조 및 기능적 MRI(s/fMRI)를 사용하여 건강한 인구 집단의 규범으로부터 개별적인 편차를 특징짓는 강력한 접근 방식으로 부상했습니다. 그러나 M/EEG(자기 및 뇌전도)에 이 프레임워크를 적용하는 것은 여전히 도전적인 과제입니다. M/EEG는 우수한 시간 해상도와 뇌 활동의 직접적인 측정을 제공하지만, 넓은 주파수 범위에 걸쳐 중첩된 진동(nested oscillations)으로 특징지어지는 전기생리학적 신호의 복잡성은 표준 공분산을 넘어선 다양한 기능적 연결성(FC) 지표를 필요로 합니다. 기존의 전기생리학적 규범 모델은 주로 비-FC 측정치(예: 전력 스펙트럼 밀도)에 집중하거나, 에지 단위 방식(개별 연결을 별도로 모델링) 또는 평균화된 FC 지표를 채택해 왔습니다. 이러한 기존 방법들은 연령 및 성별과 같은 인구통계학적 공변량과의 연관성을 나타내는 데 한계를 보였으며, 이는 고차 기능 및 질병 표현형을 주도하는 체계적인 네트워크 수준의 효과를 포착하는 데 실패했을 가능성을 시사합니다.

방법론
저자들은 이전의 fMRI 연구(FUNCOIN)에서 개발된 프레임워크를 전기생리학의 수학적 및 계산적 문제를 처리할 수 있도록 변형한 M/EEG-FUNCOIN을 제안합니다.

• 데이터: 본 연구는 Cam-CAN 데이터셋에서 추출한 612명의 건강한 피험자(18~88세)로부터 얻은 휴지기 MEG 데이터를 활용하였습니다. 데이터는 소스 재구성(LCMV beamformer)을 거쳐 전처리되었으며, 52개의 해부학적 관심 영역(ROI)으로 파셀레이션(parcellation)되었습니다.
• 기능적 연결성(FC) 지표: 뇌 결합의 다양한 측면을 포착하기 위해 세 가지 서로 다른 FC 측정치가 평가되었습니다:
  1. 진폭 포락선 상관관계 (AEC): 사전 정의된 주파수 대역 내에서의 신호 진폭 간의 상관관계.
  2. 위상 잠금 값 (PLV): 사전 정의된 주파수 대역 내에서 지역 간 위상 차이의 일관성.
  3. 시간 지연 임베딩 (TDE) 공분산: 필터링 없이 주파수 전반에 걸친 전력 및 위상 관계를 포착하는 데이터 기반 접근 방식으로, 시간 이동된 신호 복사본을 활용함.
• 모델링 프레임워크: M/EEG-FUNCOIN은 동시 차원 축소 및 회귀를 수행합니다. 이는 공변량(연령 및 성별)과 최대 상관관계를 갖는 공유 성분($\gamma$)을 피험자 전체에 대해 식별합니다.
  • 전기생리학적 FC 행렬에서 흔히 발생하는 계수 부족(rank-deficiency) 문제(예: TDE 신호의 높은 상관관계로 인한 문제)를 해결하기 위해, 저자들은 무어-펜로즈 유사 역행렬(Moore-Penrose pseudoinverse)과 특이값 분해(SVD)를 구현하였습니다.
  • 모델은 성분이 공변량에 의해 설명되는 분산을 찾기 위해 이분산 로그-선형 가능도 함수(heteroscedastic, log-linear likelihood function)를 최적화합니다.
  • 계수를 재적합(refitting)하되 식별된 성분은 고정하는 방식으로 편향 교정이 적용되었습니다.
• 검증 및 적용:
  • 일관성: 성분이 폴드(fold) 간에 안정적인지 확인하기 위해 10-겹 교차 검증(10-fold cross-validation, 10회 반복)을 통해 검증되었습니다.
  • 비교: 프레임워크를 에지 단위 모델 및 평균화된 FC 강도 모델과 비교하였습니다.
  • 인지 분류: 규범적 편차의 유용성을 테스트하기 위해, 저자들은 규범 모델에서 도출된 Z-점수를 사용하여 "낮음"과 "높음"의 인지 수행 능력(복합 인지 점수의 상위 및 하위 15%)을 구분하는 로지스틱 회귀 분류기를 훈련시켰습니다. 모델은 표본 외 테스트(out-of-sample testing)를 보장하기 위해 중간 70%의 피험자를 대상으로 훈련되었습니다.

주요 결과

1. 네트워크 수준 효과의 식별: M/EEG-FUNCOIN은 세 가지 FC 측정치(AEC, PLV, TDE) 모두에서 연령 및 성별에 의존적인 다수의 성분을 성공적으로 식별하였습니다. 모델은 FC 성분 강도와 연령 사이의 강력한 상관관계($r \geq 0.37$)를 드러냈으며, TDE가 가장 높은 단일 성분 $R^2$ 값을 보였습니다.
2. 기존 방법론 대비 우월성:
   • 에지 단위 모델: 개별 연결 모델은 매우 낮은 $R^2$ 값을 보였으며, 이는 연결을 개별적으로 모델링하는 것이 유의미한 인구통계학적 연관성을 포착하는 데 실패함을 나타냅니다.
   • 평균화된 FC 모델: 뇌 전체의 FC 값을 평균화하는 방식(이전 EEG 연구에서 제안된 방식)은 델타 대역 PLV를 제외하고는 연령 및 성별과 약하거나 존재하지 않는 연관성을 보였습니다.
   • M/EEG-FUNCOCOIN: 반면, 전뇌 접근 방식은 국소적 또는 평균화된 모델에서는 보이지 않았던 네트워크 수준의 노화 효과를 여러 주파수 대역의 AEC 및 PLV를 통해 포착하였습니다.
3. 인지 능력에 대한 예측력: M/EEG-FUNCOIN 성분에서 도출된 Z-점수는 인지 수행 능력을 유의미하게 예측했습니다.
   • 델타 및 알파 대역의 PLV, 그리고 TDE로부터 도출된 성분들이 고/저 인지 수행자 분류에 유의미하게 기여했습니다.
   • 특히, TDE 성분은 모든 모델 설정에서 일관된 예측 변수였습니다.
   • 일부 M/EEG-FUNCOIN 성분(예: 베타 대역 AEC)은 다른 특징들과 결합되었을 때만 유의미한 예측 변수가 되었는데, 이는 해당 성분이 평균 FC나 다른 지표에 의해 설명되지 않는 고유한 분산을 포착하고 있음을 시사합니다.
4. 통계적 타당성 및 확장성: 식별된 성분의 잔차는 근사적으로 정규 분포를 따르고 분산이 균질하였으며, 이는 Z-점수 계산의 타당성을 입증합니다. 프레임링은 고차원 행렬(예: TDE로부터의 행렬)을 포함한 대규모 데이터셋을 처리하는 데 있어 확장성을 입증하였습니다.

의의 및 주장
본 논문은 M/EEG-FUNCOIN이 전기생리학 분야의 전뇌 규범적 모델링을 위한 견고하고 확장 가능하며 통계적으로 유효한 프레임워크를 제공한다고 주장합니다. 주요 의의는 다음과 같습니다:

• 기존 접근 방식의 한계 극복: 에지 단위 또는 평균화된 모델이 도출한 결론(즉, 건강한 노화 과정에서 휴지기 전기생리학적 커넥톰이 보존된다는 결론)에 이의를 제기하며, 네트워크 수준의 FC 구조가 연령과 성분에 따라 변화한다는 것을 입증하였습니다.
• 체계적 효과 포착: 에지 단위 모델링에서 벗어남으로써, 복잡한 뇌 병리와 개인차를 특징짓는 데 필수적인 체계적인 네트워크 수준의 편차를 포착합니다.
• 다양성: M/EEG-FUNCOIN은 다양한 FC 지표(AEC, PLV, TDE)를 성공적으로 통합하여, 연구자가 특정 연구 질문이나 신호 대 잡음비에 따라 지표를 선택할 수 있는 유연성을 제공합니다.
• 임상적 잠재력: 극단적인 인지 수행 능력을 보이는 개인으로부터 유의미한 편차를 식별할 수 있는 능력은, 현재 연구가 건강한 코호트로 제한되어 있음에도 불구하고 복잡한 뇌 질환의 특성화 및 하위 유형 분류에 대한 프레임워크의 잠재력을 시사합니다.

저자들은 M/EEG-FUNCOIN이 다양한 측정치와 주파수 대역에 걸친 FC의 규범 범위를 설정함으로써, 복잡한 네트워크 수준의 뇌 병리학 연구를 위한 유망한 도구를 제공한다고 결론짓습니다.