贺永课题组在《Human Brain Mapping》发表论文评价了不同的脑分区图谱等多个关键方法学因素对人脑功能连接组研究的重要影响
2018年7月，北京师范大学认知神经科学与学习国家重点实验室贺永教授课题组在国际神经影像权威杂志《Human Brain Mapping》在线发表题为“Topological analyses of functional connectomics: A crucial role of global signal removal, brain parcellation, and null models”的文章，揭示基于静息态功能磁共振的人脑功能连接组学研究中，三个方法学因素（全脑信号回归、脑分区图谱、零网络模型）对全脑功能网络拓扑分析以及脑疾病对比研究的联合影响。
人脑是一个高度复杂的系统。各个脑区通过复杂的结构或功能连接相互联系协作，以完成脑的各项功能。融合神经影像技术和图论的人脑连接组学研究发现人脑结构网络和功能网络均呈现一些重要的拓扑属性，比如“小世界”特性，模块化结构以及具有丰富连接的核心区等，这些拓扑属性为脑实现经济高效的功能分离与整合起到至关重要的作用(He and Evans, 2010; Liao, et al., 2017)。描绘并定量刻画人脑网络的拓扑特征为理解个体认知行为，以及发育、老化和疾病的脑机制具有重要价值(Cao, et al., 2017; Gong and He, 2015; Zhao, et al., 2018)。需要注意的是，神经影像的人脑网络研究涉及影像数据预处理、人脑网络构建以及网络拓扑属性估计等诸多流程。不同分析策略的选取均可能影响脑网络拓扑分析结果，使得研究结果的可重复性以及不同研究的结论比较存在困难。在静息态功能磁共振的人脑功能网络研究中，以往研究已分别指出影像预处理的全脑信号回归策略、脑网络节点定义以及网络拓扑分析中零网络模型的选取均会影响网络拓扑属性的估计。然而这三个因素如何共同影响人脑功能脑网络的拓扑分析以及如何影响神经精神疾病（如阿尔茨海默病）的脑网络对比研究目前尚不清楚。
在该项工作中，研究者使用了两组静息态功能磁共振影像数据集，一组包含来自公开数据C-BIRD的143名健康成年被试，另一组包含来自宣武医院的32名阿尔茨海默患者和38名健康对照。具体分析中，考虑到三个方法学因素其策略选取的可能性，比如影像数据预处理中全脑信号回归与否两种策略，脑网络节点的七种定义以及用于小世界属性估计的三种随机化零模型，研究者共采用了42种分析策略开展健康被试和疾病患者的人脑功能网络拓扑属性分析。在全局水平，研究者发现这些分析策略不仅影响小世界特性和模块化指标的定量数值，而且影响这些指标的个体差异模式，其中全脑信号回归策略的影响占主导作用（图1）。在阿尔茨海默疾病的脑网络研究中，发现不做全脑信号回归和采用拓扑随机化零模型的分析策略能更为敏感地检测阿尔茨海默患者与健康对照的小世界属性和模块化等指标的组间差异（图2）。研究还发现采用基于功能信息得到的脑分区图谱和高空间分辨率随机脑分区图谱也有助于组间差异的检测。在节点水平上，全脑信号回归策略对功能核心脑区的空间分布以及节点度中心度的组间差异具有主要影响，而脑分区图谱的选取同样影响了组间差异的空间分布（图3）。
图1 各分析策略间拓扑属性个体差异模式的相似性矩阵和对应的聚类树状图，可以看到全局信号回归这一因素对分析策略的聚类起主导作用。
图2 不同分析策略下全局拓扑属性的组间差异，统计显著的组间差异主要集中于不做全局信号回归和采用拓扑随机化零模型的分析策略。
图3 功能核心脑区的概率分布图和节点度中心度组间差异的概率分布图，概率越小，表明基于不同脑分区图谱得到的结果重叠度越小。
该研究强调了基于静息态功能磁共振的人脑功能连接组学研究中，三个关键方法学因素（全脑信号处理、脑分区图谱、零网络模型）的分析策略选取不仅共同影响了健康人群的个体差异评价，而且在脑疾病对比研究中影响了组间差异检测的敏感性，为将来功能影像人脑连接组学的基础和临床应用研究中分析策略的选取提供启发。
该论文第一作者为博士生陈晓丹，通讯作者为廖旭红博士和贺永教授，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。致谢宣武医院的李坤成教授和北京中医药大学东方医院的王志群主任对本研究的支持。该研究得到了教育部长江学者特聘教授基金和国家自然科学基金等项目的资助。
论文链接：
https://onlinelibrary.wiley.com/doi/10.1002/hbm.24305
贺永教授课题组主页：
http://helab.bnu.edu.cn/
参考文献：
Cao, M., Huang, H., He, Y. (2017) Developmental Connectomics from Infancy through Early Childhood. Trends in neurosciences, 40:494-506.
Chen. X., Liao. X., Dai. Z., Lin. Q., Wang. Z., Li. K., He. Y., (2018) Topological analyses of functional connectomics: A crucial roleof global signal removal, brain parcellation, and null models. doi: 10.1002/hbm.24305.
Gong, Q., He, Y. (2015) Depression, neuroimaging and connectomics: a selective overview. Biological psychiatry, 77:223-35.
He, Y., Evans, A. (2010) Graph theoretical modeling of brain connectivity. Current opinion in neurology, 23:341-50.
Liao, X., Vasilakos, A.V., He, Y. (2017) Small-world human brain networks: Perspectives and challenges. Neurosci Biobehav Rev, 77:286-300.
Zhao, T., Xu, Y., He, Y. (2018) Graph theoretical modeling of baby brain networks. Neuroimage. doi: 10.1016/j.neuroimage.2018.06.038.
·
