神经影像连接组的大数据时代
2017年2月14日，北京师范大学夏明睿副研究员和贺永教授受国际神经影像学权威杂志《NeuroImage》邀请，在线发表关于人脑功能连接组大数据的综述论文（“Functional connectomics from a big data perspective”）。
图1.神经影像脑连接组大数据研究框架
人脑连接组概念于2005年由美国科学家Olaf Sporns教授提出，旨在描绘人脑的结构和功能连接模式，揭示正常和疾病脑网络的运作机制。近二十年来，多模态磁共振脑成像技术（如结构、弥散、功能磁共振）得到快速发展，为无创地研究活体人脑的结构和功能连接组提供了重要的技术手段。当前，基于神经影像的人脑连接组学研究理念已被广泛地应用于健康被试和神经精神疾病（如自闭症、抑郁症、阿尔茨海默病等）研究，为理解脑认知功能的神经环路基础，探索脑发育、老化和脑疾病的机制提供了新思路和新方法。近年来，美、英等发达国家相继推出了多个与脑成像技术密切相关的大型脑科学项目，如美国人脑连接组计划（Human Connectome Project, HCP）、英国生物银行项目（UK BioBank）、美国儿童青少年脑认知发育项目（Adolescent Brain Cognitive Development Study, ABCD），标志着神经影像连接组学研究进入了大数据时代。
图2. 基于功能神经影像的人脑连接组计算方法，包括复杂网络分析、动态功能连接组、独立成分分析、机器学习等。（Cereb Cortex 2014;24:663-76; Proc Natl Acad Sci USA 2009;106:13040-5; Neuroimage 2010;49:3110-21）
针对当前人脑连接组学大数据的特点，该文章首先对影像连接组学大数据进行了定义，指出了其在新时代下具备的重要特征：1）先进成像序列采集的高时间/空间分辨率影像；2）多中心多模态的大样本数据；3）长时程纵向记录的脑功能活动；4）丰富的多维度生物学信息（包括认知行为、影像、基因、环境、临床等）；5）可用于荟萃分析的海量文献研究结果。文章通过对最近二十年基于功能神经影像的人脑连接组计算方法学框架进行总结，突出强调了复杂网络分析、动态功能连接组、独立成分分析、机器学习等的重要性。此外，文章还筛选了该领域内具有代表性的研究，进一步强调了人脑连接组大数据在解析人脑高级认知功能、描绘人脑发育规律、揭示神经精神疾病病理生理机制等方面的重要价值。特别地，文章指出当前人脑影像连接组大数据研究所面临的重要挑战和未来的发展方向，包括：大样本数据驱动和小样本假设驱动研究理念的互补，脑功能连接组的结构、电生理和代谢基础，宏观和微观尺度人脑连接组的结合，新颖多变量计算方法和统计分析的策略，影像连接组大数据对于重大脑疾病的评估价值，以及影像连接组大数据的管理和高性能计算平台研发。
图3. 基于神经影像脑连接组大数据的脑认知功能研究。（Cereb Cortex 2016;doi:10.1093/cercor/bhw317; Cereb Cortex 2015;25:3654-72; Nat Neurosci 2015;18:1565-7）
中国脑计划经过多年酝酿实施在即，主要内容涉及脑认知功能解析、认知障碍相关重大脑疾病诊治、类脑计算与脑机智能研究，形成“一体两翼”布局。该综述文章所阐述的人脑影像连接组大数据研究理念和研究方法，有望为中国脑计划在揭示人脑认知功能神经环路和探索重大脑疾病临床评估方法等方面提供重要启发。
图4. 基于神经影像脑连接组大数据的脑疾病研究。（Hum Brain Mapp 2015;36:768-78; Nat Commun 2016;7:11934; Brain 2014;137:2382-95; Nat Med 2017;23:28-38）
该综述论文作者夏明睿和贺永来自北京师范大学认知神经科学与学习国家重点实验室、神经影像大数据与人脑连接组学北京市重点实验室和麦戈文脑科学研究院。
参考文献：
Xia M, He Y. 2017. Functional connectomics from a "big data" perspective. Neuroimage. doi: 10.1016/j.neuroimage.2017.02.031.
