Whole-brain normative modeling across multiple functional connectivity metrics in MEG
本文介绍了 M/EEG-FUNCOIN，这是一个全脑规范化建模框架，它整合了来自 MEG 数据的多种功能连接指标，用以表征与年龄和性别相关的神经模式，并识别出与认知能力相关的具有意义的个体偏差。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
人类大脑并非一个静态的机器，而是一个动态的网络，由数十亿个细胞不断进行通信，从而产生思维、记忆和运动。几十年来，科学家们一直试图绘制这些连接图谱，以了解系统出现故障（如阿尔茨海默病或精神分裂症）时会发生什么。该领域的一个主要挑战在于，如何区分随年龄增长而发生的正常变化与真正的疾病迹象。为了解决这个问题，研究人员开发了一种称为“常模建模”（normative modeling）的方法。想象一下儿童的生长发育曲线图：医生利用它来观察一个孩子的生长速度是否符合其年龄和身高的典型水平。常模建模对大脑也做了同样的事情，它利用来自数千名健康人的数据，绘制出一张在生命每个阶段“正常”大脑活动应有的图谱。当一名新患者接受扫描时，其结果会与这张图谱进行对比。如果其大脑活动显著偏离了预期模式，系统就会标记出一个可能被忽视的潜在问题。
虽然这种方法在测量血流量的脑成像技术（如功能性磁共振成像，fMRI）方面取得了成功，但要将其应用于通过脑磁图（MEG）测量的电生理大脑活动却要困难得多。MEG传感器位于头部外部，探测神经元放电产生的微弱磁场，这提供了一种在时间精度上远高于血流扫描的大脑活动视图。然而，电信号极其复杂，在许多频率之间快速波动，这使得建立一个单一且可靠的“正常”标准变得非常困难。以往尝试创建这些标准的尝试通常是逐一观察脑区之间的单个连接，或者将它们全部平均化，但这些方法往往无法捕捉到随着大脑成熟和衰老而发生的细微、大规模的变化。
在一项新的研究中，研究人员引入了一个名为 M/EEG-FUNCOIN 的强大新工具来解决这一问题。他们转向了一个来自剑桥老化与神经科学中心（Cambridge Centre for Ageing and Neuroscience）的海量公开数据集，该数据集包含了 612 名年龄在 18 至 88 岁之间的健康志愿者在静息态下的 MEG 记录。团队不仅观察了脑区之间连接的强度，还分析了这些区域进行通信的三种不同方式。他们测量了特定频段内信号振幅的协同运动情况、信号在时间上的同步性，以及一种更复杂的方法——这种方法可以在不预先将数据分类到特定频段的情况下，同时捕捉时间与强度的特征。通过将所有这些信息输入到他们的新模型中，他们能够识别出随年龄和性别发生可预测变化的广泛全脑连接模式。
结果表明，将大脑视为一个整体网络进行观察，可以揭示简单方法所遗漏的变化。当研究人员尝试通过观察单个连接或通过平均所有连接的强度来对大脑进行建模时，他们发现与年龄或性别几乎没有关系。相比之下，新的全脑模型成功识别出了随年龄增长而稳步变化的特定大脑活动维度。例如，他们发现某些脑区之间的同步模式随年龄增长发生了显著变化，而这一细节在数据被平均化处理后便变得不可见了。这表明，衰老的大脑并不仅仅是以一种统一的方式变得“更弱”或“更强”；相反，大脑不同部分之间相互协调的方式经历了一种特定的、结构性的转变。
为了测试这些新模型是否真的能说明关于大脑运作的有效信息，研究人员观察了志愿者的认知表现。他们根据参与者在一系列涵盖记忆、语言和执行功能的广泛测试中的得分，将他们分为不同的组别。随后，他们利用新的大脑模型来观察是否能够区分那些具有最高认知能力和最低认知能力的群体。基于全脑模式构建的模型成功完成了这项任务，识别出了与认知表现相关的特定大脑连接偏差。这表明，该框架能够捕捉到超越简单平均值的个体大脑健康差异，为识别可能与一个人的思考和记忆能力相关的细微变化提供了一种方法。
该研究还解决了处理此类复杂数据的技术障碍。由于大脑的电信号高度交织，标准的数学工具往往难以在不产生误差的情况下对其进行处理。研究人员改进了他们的软件，以高效处理这些高维信号，确保所发现的模式是真实的而非数学伪影。他们证实了模型的稳定性和一致性，即使在针对不同数据集进行测试时也能产生可靠的结果。这种鲁棒性对于旨在临床应用的工具至关重要，因为准确性是首要考量。
通过证明这些全脑模式既是可测量的又是具有意义的，这项研究为理解大脑健康开启了一扇新大门。绘制大脑连接随生命周期变化的正常轨迹的能力，为识别疾病提供了更清晰的参照点。如果患者的大脑活动超出了其年龄和性别的预期范围，医生可能在症状变得明显之前，就能检测到病理性的早期迹象。研究人员强调，虽然这是一个重要的进步，但该框架具有足够的灵活性可以进一步完善，例如纳入其他变量或专注于特定类型的脑部疾病。目前，这项工作确立了大脑的“电学交响乐”拥有一种随时间变化的、可预测的乐谱，而我们终于找到了阅读这份乐谱的方法。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。