查看: 380|回复: 1
打印 上一主题 下一主题

[数据分析基础] Nature neuroscience:大脑发育中功能连接的个体化和稳定的延迟 [复制链接]

Rank: 5Rank: 5

水晶
2251
心级
1883
精华
0
主题
168
帖子
174
跳转到指定楼层
楼主
发表于 2019-9-25 18:03:54 |只看该作者 |倒序浏览
本帖最后由 罗叶双 于 2019-9-25 18:05 编辑

? ?? ?就像指纹一样,人类大脑的连接构成了一种个性化的模式,使个体彼此区别开来。事实上,利用重复fMRI成像,Finn等人发现,这样的功能连接以较高的准确率从群体中识别出个体,并且证明最能识别出个体的子网络也最能预测流体智力的个体差异;在童年和青少年时期大脑会发生转化性的改变,这些改变对个体在认知和社会功能、适应性、个性和心理健康等方面发展轨迹的塑造至关重要。

由于这一时期具有巨大的神经可塑性和环境敏感性潜力,作者可以假设在青少年时期大脑功能连接体是个体化的,相关的成熟模式可能能够捕捉到心理健康方面的个体差异。

来自奥斯陆大学的研究者在Nature neuroscience上发文,通过对队列数据的研究探讨了大脑连接在发育过程中体现出的个体化差异是否能够预测晚期心理健康状况这一问题。

研究发现,人类大脑连接体的布线模式在青少年时期逐步趋于稳定和个性化,结果表明,这种转化过程中在一些个体上出现的稳定的延迟性发育与晚期神经发育过程中的心理健康下降有关。

本次的研究数据,来自公开的费城神经发育队列研究,包含年龄在8至22岁之间的797名被试;受试者分别在工作记忆任务(WM)、情绪识别任务(ER)和休息(RS)三种运行状态中进行扫描,并且进行了一次全面的计算机精神评估;



方法:

样本选择和排除标准这项分析是基于公开提供的费城神经发育队列(PNC),获取了来自837人的fMRI数据,这些人提供了所有三次扫描。在移除有严重健康状况的被试后,本研究的最终样本为797人(男性46%),年龄在8.6岁至22.6岁之间(平均15.0岁,标准差3.3岁)。

实验运行

fMRI扫描程序包括三次实验运行:标准n-back任务,情感识别任务和静息状态fMRI。标准n-back任务总扫描时间为11.6min。情绪识别任务总扫描时间为10.5min。静息状态获取的总扫描时间为6.2min。

精神评估

根据电脑程式评估注意缺陷障碍、攻击性、行为障碍、抑郁、普遍焦虑症、躁狂、强迫症,心理障碍,对抗障碍,恐慌症,恐惧症,精神病,创伤后应激,住院,分离焦虑,前驱症状,社交焦虑和自杀(全面的吓人)。根据这些症状评分,形成四组被试。补充表1详细介绍了被包括在内的项目和执行程序。

预处理和功能连接

对三次实验运行的数据预处理过程是类似的,使用的是FSL的FEAT工具;个体水平的预处理包括FSLMCFLIRT(用于个体图像的头动矫正工具)、空间平滑(FWHM=6mm),高通滤波(90S).接着运行ICA-AROMA,一种用于从任务和静止状态数据中检测和去除特定运动噪声的分类器(为了更好的控制噪声对数据的影响)。

然后使用FSL FIX,消除剩余的运动混淆以及其他噪声模式(例如心脏伪影)。对于FIX,作者选择较保守的阈值,60,以大大降低假阳性的可能性。最后,FIX从预处理的数据集中回归了从FSL MCFLIRT估计的头动参数。

使用Roalf等发布的脚本对时间信噪比(TSNR)进行仔细的质量控制。通过计算体素水平时间序列(经线性趋势校正后)的均值和标准差,平均个体大脑mask上的体素间均值与标准差的比值,得到了每个被试每次运行的tSNR的估计值。此外,估计头动是原始数据的平均相对帧间位移,同时考虑转动和平动(总共6个参数);接下来,使用Freesurfer中的自动分割从T1加权数据中提取脑体积,并使用这些数据将fMRI图像配准到标准MNI坐标空间,使用边界配准和FNIRT进行优化。

按照功能性全脑atlas提取时间序列。在最初的268个感兴趣区域(ROIs)中,删除41个未覆盖至少10%被试的ROI。按照Finn等人的方法,估算每个被试的全脑网络,并利用每对ROI时间序列的Pearson相关性进行分析。此外,估计每个被试每次运行的9个子网络,使用内侧额叶、额顶叶、默认模式、运动、视觉(I和II)、视觉联想、皮质下和小脑区的ROIS之间的相关关系。这些子网络与芬恩等人文中定义的一致,只不过小脑是从皮层下网络中分离出来的(作者的所有代码都使用MATLAB2016撰写,可以给作者发邮件索要)。


个体识别

作者将每个个体的全脑连接矩阵转化为1×25651的向量(227个Roi和25651个网络连接值)。接下来,反复尝试从这些向量中识别个体。例如,将来自一个被试的WM(工作记忆任务)连接向量与所有被试的ER(情绪识别任务)向量相关联,并确定最大相关性。如果两个向量的相关性最强,则是同一个个体,所得到的二值精度为100%,否则二值的准确率为0%。这一过程在所有训练和测试组合(WM-ER、WM-RS、ER-WM、ER-RS、RS-WM和RS-ER)(RS为休息)和所有被试之间重复。最后,作者计算所有六种训练和测试组合的平均准确度,称之为连接体特异性。


统计分析

作者对个体识别任务进行了10000次非参置换检验(由于作者的数据量问题,产生的可能分布要比10000次更多,因此采用10000次来作为置换次数),来评估准确率是否高于随机概率,随机置换的是每种核磁实验(即ER、WM和RS)内被试的编号;然后使用一般线性模型,考虑年龄性别,头动均值和标准差以及信噪比,来估计连接体特异性中的神经发育模式;接着反复拟合光滑函数,自动估计年龄和连接体特异性之间的平滑参数,计算10000次自举法(bootstraps,采取的是取出和放入的检验方法,与置换检验相似)的平均值和标准差;再计算每次自举拟合曲线的一阶导数,全局一阶导数的最大值对应了年龄曲线的最大斜率从而估计出在哪个年龄特异性发生了最大改变;


结果验证

为了进行比较,作者使用不同的处理方式进行了类似的分析。首先,作者采用了元独立成分分析(meta-ICA)。作者将837名受试者的全部样本细分为9个子集(每个子集93名受试者,年龄范围相似且性别均衡的半随机子集分配)。对于每个子集,所有运行(WM,ER,RS)(工作记忆任务(WM)、情绪识别任务(ER)和休息(RS),再次强调下)被分解成60个独立的成分。接下来,作者将所有分解的60个成分串联起来,进行一次空间ICA,最后结果是从2511个数据中得到了包含60个元ICA成分的数据集。然后根据分解结果,使用二元回归计算个体的时间序列和成分空间图。

其中识别出11个噪声成分,并且确定在所有被试mask中没有包含的7个成分,这些和噪声成分一起被去除;结果集最终包含42个成分;利用独立成分(ICs)的时间序列的正则化偏相关方法估计功能连接网络,自动调整正则化强度,方法与参考文献36类似;最后将每个被试每次运行的全脑连接矩阵转化为1*861的向量(42个ICs,861个网络连接值),对它们执行识别任务,与前述‘个体识别’过程类似;


篇幅限制,阅读全文请点击链接??https://mp.weixin.qq.com/s/iQ3hdHnaJ3K-0oS6rpC89g


如需原文及补充材料请加微信:siyingyxf 获取,如对思影课程感兴趣也可加此微信号咨询。


转发到微博

Rank: 1

水晶
50
心级
20
精华
0
主题
2
帖子
16
沙发
发表于 2019-9-26 13:50:26 |只看该作者
感谢分享,这个好棒,优秀!
您需要登录后才可以回帖 登录 | 注册

bottom

Powered by Discuz! X2

? 2001-2011 Template By Yeei. Comsenz Inc.

回顶部