阿尔茨海默症三网动力学因果性分析

毛笔,李尤君,姚楠,李晨曦,黄子罡

(1.西安交通大学生物医学信息工程教育部重点实验室,710049,西安;2.西安交通大学类脑智能研究中心,710049,西安;3.西安理工大学理学院,710048,西安;4.空军军医大学军事医学心理学系,710032,西安)

阿尔茨海默症(Alzheimer’s disease,AD)是一种退行性的认知功能障碍神经类疾病,其发病过程主要与脑内Aβ淀粉样蛋白与tau蛋白的沉积有关,导致神经活动降低以及脑区之间的通信受阻。功能核磁共振通过测量与神经活动密切相关的血氧含量变化,能够对大脑的活动进行有效测量。其中,氧代谢率、脑血流量和脑血流容积的变化都是非常复杂的过程[1]。此外,功能核磁共振时间序列在任务态和静息态下均反映出非线性特征。默认模式网络(DMN)、中央执行网络(CEN)和显著网络(SN)是3个重要的脑功能网络。目前的研究认为,在静息状态下,DMN网络处于激活状态,而CEN网络的功能则相应的受到抑制。当被试执行任务或受到外部刺激时,DMN网络的活性显著降低,而CEN网络则被显著激活[2]。其中,SN网络被认为是发挥着动态调节DMN和CEN网络活性的功能[3]。在以往的研究中发现,AD患者这3个网络内的功能连接和因果性连接均发生了不同程度的损伤[4-6]。目前,功能核磁共振数据分析的研究主要采用线性数据分析方法,如相关性和偏相关性等。然而,大脑活动所呈现出的强非线性特征也被众多文献报道,因此对脑功能核磁共振数据的分析有必要采用非线性时间序列分析方法[7-8]。

格兰杰因果分析(GCA)是一种目前比较常用的因果分析方法。其基本原理为:若变量X是导致变量Y变化的原因之一,那么当把X从所有可能导致Y变化的变量集中移除时,新的集合对于变量Y的预测能力将下降。格兰杰因果分析要求变量具有可分性,即一个诱发因素的信息是独立且唯一的对应于该变量,并且可以通过从模型中移除变量的方式去除其影响。可分性是随机和线性系统的特性,而格兰杰因果分析可以用来检测非线性系统中两个强耦合变量的交互关系(比如同步)。可分性反映了这样一种观点,即所观测的系统不是作为一个整体,而是可以看成各个部分的线性组合。

然而,格兰杰因果分析的应用在确定性设置中可能存在问题,特别是在针对具有中等耦合强度的动力学系统中。此类系统不满足可分性。换言之,若X对Y的动力学存在影响,该影响无法简单地通过显式变量分离而进行消除[9]。当动力学系统的属性超出格兰杰因果分析的适用范围时,其得到的结果不再可靠。

真实的生物学系统除了具有不可分性,还在其他方面超出格兰杰因果分析方法适用性的属性。首先,在生物系统动力学中普遍存在中等程度的变量间耦合关系[10]。而且,生物系统通常普遍存在多个变量受到同一外部变量驱动的情况,如大脑皮层不同单元的活动都受到脑干上行节律系统驱动,这会导致非直接相互作用变量之间出现相关性甚至明显的同步性[9]。因此,生物系统的动力学问题研究需要数据分析方法具有处理不可分离系统、识别弱耦合变量、区分变量之间相互作用与共享驱动变量之间的影响这3个特征。

在目前的研究中,关于DMN网络、CEN网络和SN网络之间的因果性连接在AD疾病中受到怎样的损伤还没有得到明确的结论。本文采用依据吸引子流型的收敛交叉映射方法[14]对AD患者的DMN、CEN和SN这3个网络内各脑区之间的因果性连接进行分析,并比较了AD病人与认知功能正常的老年人三网因果性连接存在的差异。此外,还对存在显著因果性差异的脑区连接和临床量表指标——简易智力状态检查(mini-mental state examination,MMSE)量表的相关性进行了分析。

1 实验设计和分析

本文进行静息态下三网CCM因果性连接分析的流程如图1所示。

图1 静息态下三网CCM因果性连接分析示意

1.1 fMRI数据采集和预处理

本文研究的数据均来自阿尔茨海默症神经影像学计划(Alzheimer’s disease neuroimaging initiative,ANDI)(1)本文的数据来自阿尔茨海默病神经影像学倡议(ADNI)数据库(http:∥adni.loni.usc.edu)。ADNI的研究人员为ADNI的设计和实施做出了贡献或提供了数据,但没有参与分析或撰写本文。ADNI研究人员的完整列表可在以下网址找到:http:∥adni. loni.usc.edu/wp-content/uploads/how to apply/ADNI Acknowledgment List.pdf。,并且已经得到了数据版权方的许可。本研究的患者数据均由飞利浦3.0T的核磁共振设备采集。本文下载了被试的静息态功能核磁共振成像(fMRI)数据和相对应的3D-T1结构态核磁共振数据。本研究共包含2组被试,其选择标准分别是:①确诊的AD患者,33例,MMSE评分为6～26,临床痴呆量表(clinical dementia rating,CDR)评分为0.5或1,能够完成整个数据采集过程,并且在数据采集过程中能够保持稳定的静息状态;②正常对照组(normal control group,NC)为健康老年人,39例,MMSE为26～30,CDR为0,没有抑郁症或者其他类型的痴呆,没有精神类疾病用药史。被试详细的信息如表1所示。表中,年龄、IMMSE、ICDR均以“平均值±标准误”形式表示。

表1 被试的人口统计和临床信息

静息态核磁共振数据处理使用功能神经影像分析软件AFNI[15]和FSL进行,具体处理流程如下:①删除每位被试静息态数据时间序列的前4个数据,以确保所使用数据的磁场均匀性;②头动矫正,使用AFNI的3维图像矫正函数3dvolreg,基于最小二乘法的刚体配准算法减少实验过程中因为患者头部移动对结果的影响;③空间平滑,对每位被试的数据,均采用半峰宽为6 mm的高斯分布进行平滑;④去线性漂移,减少因为扫描过程中仪器的变化产生的影响;⑤进行0.01～0.08 Hz带通滤波;⑥配准,对于每位被试预处理的fMRI数据,采用FSL线性配准算法FLIRT配准到MNI152标准模板;⑦去除白质和脑脊液信号;⑧提取DMN、CEN和SN不同感兴趣区域(ROI)的时间序列,3个网络的ROI均来自于斯坦福大学精神障碍神经功能成像实验室的网站(http:∥findlab.stanford.edu/research)。

1.2 收敛交叉映射因果性网络分析

对核磁共振信号进行收敛交叉映射分析,首先需要对从不同ROI提取的时间序列进行相空间重构。将一维时间序列还原到高维相空间中,得到动力学过程在相空间中的流型Mx,从而分析其动力学特征。本文采用时间延迟矢量法,还原得到的流型Mx由向量Xt重构得到。向量Xt为

Xt=[x(t-(d-1)),…,x(t-1),x(t)]

(1)

式中d为嵌入维数,即将原始的一维信号还原到d维相空间中。

考虑包含两个时间序列x和y的动力学系统,它们共同来自一个吸引子流型,组成了系统的状态空间。如果y影响了x,则可以通过x得到关于状态y的估算。收敛交叉映射方法通过x序列对应吸引子流型中相邻点集与序列y对应相邻点集的一致性来量化序列间的影响,即通过评估用x交叉预测y的质量来推断序列y对x的动力学影响。

（1）教师安排具体活动的活动内容，对家长进行一对一或者分组讲解，使家长能够接受教师的安排，配合教师进行教学活动。

(2)

(3)

CCM方法相比于GCA方法的另一大优势是CCM方法所需要的数据量较少,一旦数据量达到足以刻画出流型中吸引子的主要特征,就可以有效地反映两组数据之间的动力学因果性[10]。以往的研究通过动力学模拟以及实际数据分析表明,静息态功能核磁共振数据长度可以满足收敛交叉映射方法对动力学因果性的计算要求,而且其计算结果相比于传统的线性因果性分析方法,更有利于刻画fMRI时间序列所反映的脑区间非线性相互作用引起的动力学因果性[16]。

本文对22个DMN脑区、12个CEN脑区和17个SN脑区的ROI提取得到的平均时间序列,采用CCM方法分别计算两两脑区之间的因果性连接,分别得到22×22、12×12以及17×17的因果性连接矩阵。由于CCM方法计算得到的是变量间的有向因果性,因此该矩阵为非对称阵。

1.3 统计分析

对通过CCM方法得到的AD患者和正常对照组因果性连接矩阵各点数据进行独立样本T检验,统计值P值小于0.05的因果性连接被认为有显著性差异。为了确定收敛交叉映射因果功能连接的变化是否与AD疾病的发病进程相关,本文计算了因果网络连接和临床MMSE量表的相关性,统计值P小于0.05的被认为存在显著相关性。

2 实验结果

2.1 AD患者DMN网络因果性分析结果

本文比较了AD患者和认知功能正常老年人之间DMN网络各脑区之间因果性连接的差异,其中AD患者有8条脑区之间的因果性连接发生了显著性的降低(P<0.01),左侧和右侧顶下小叶与角回之间的双向功能连接(pDMN3-pDMN4,vDMN4-vDMN9)都出现了显著性的降低。另外4条降低的功能连接都是单向性的连接,它们分别是从楔前叶到右侧后扣带回(dDMN4-vDMN5)、从后扣带回到右侧顶下小叶(pDMN1-pDMN4)、从左侧顶下小叶到右侧后扣带回(pDMN3-vDMN5)、从左侧后扣带回到额内侧回(vDMN1-dDMN1)的因果性连接。上述结果如图2(a)和图2(c)所示。此外,本文还在AD患者组中发现了两条因果性连接增加的功能连接,它们分别是从扣带回到楔前叶(dDMN5-dDMN4)以及从右侧角回到左侧海马旁回(vDMN9-dDMN8)的因果性连接,如图2(b)和图2(c)所示。

(a)AD患者CCM值显著降低的因果性连接

在研究了AD患者默认模式网络收敛交叉映射因果性连接的改变之后,本文进一步研究了因果性连接强度的变化和MMSE量表得分之间的相关性。结果显示,在因果性连接降低的连接中,从楔前叶到右侧后扣带回(dDMN4-vDMN5)、从左侧顶下小叶到右侧后扣带回(pDMN3-vDMN5)以及从左侧角回到右侧角回(vDMN4-vDMN9)的因果性连接与MMSE量表存在显著的正相关(P<0.01)。从右侧角回到左侧角回(vDMN4-vDMN9)的因果性连接与MMSE量表之间存在正相关关系(P<0.05)。另外,从后扣带回到右侧顶下小叶(pDMN1-pDMN 4),左侧和右侧的顶下小叶之间的双向因果性连接(pDMN3-pDMN4)以及从左侧后扣带回到额内侧回(vDMN1-dDMN1)的因果性连接则与MMSE量表之间没有出现相关性(P>0.05)。与之相反,AD患者组中两条因果性连接增加了的功能连接,即从扣带回到楔前叶(dDMN5-dDMN4)以及从右侧角回到左侧海马旁回(vDMN9-dDMN8)的因果性连接,其连接强度均与MMSE量表存在显著的负相关性(P<0.01)。DMN网络中因果性连接强度与MMSE得分的相关性如图3所示,图中R为相关系数。

(a)dDMN4到vDMN5的连接 (b)pDMN3到vDMN5的连接 (c)vDMN4到vDMN9的连接

2.2 AD患者CEN网络因果性分析结果

通过CCM方法对CEN网络因果性连接进行分析,结果发现AD组中只有两条因果性连接降低(P<0.05),分别是从右侧丘脑到左侧中央前回(RCEN6-LCEN1)以及从右侧丘脑到右侧额中回(RCEN6-RCEN2)的因果性连接。在CEN网络中,还存在两条因果性连接上升的连接(P<0.05),分别是从左侧额中回到左侧颞中回(LCEN2-LCEN4)以及从左侧顶下小叶到右侧中央前回(LCEN3-RCEN1)的因果性连接。CEN网络中显著组间差异的因果性连接结果如图4所示。

(a)AD患者CCM值显著降低的因果性连接

在对发生变化的CEN因果性网络与MMSE临床量表之间进行相关性分析,其结果与DMN网络中的结果类似。在AD患者组中降低的两条因果性连接,即从右侧丘脑到左侧中央前回(RCEN6-LCEN1)以及从右侧丘脑到右侧额中回(RCEN6-RCEN2)的因果性连接,其连接强度与MMSE量表之间存在显著的正相关性(P<0.05)。另外,在表现为因果性增加的两条连接中,从左侧额中回到左侧颞中回(LCEN2-LCEN4)的因果性连接与MMSE量表之间存在显著负相关性(P<0.05),而从左侧顶下小叶到右侧中央前回(LCEN3-RCEN1)的连接则没有与MMSE量表呈现出显著的相关性(P>0.05)。CEN网络中因果性连接强度与MMSE得分的相关性如图5所示。

(a)LCEN2到LCEN4的连接 (b)RCEN6到LCEN1的连接 (c)RCEN6到RCEN2的连接

2.3 AD患者SN网络因果性分析结果

在对SN网络各脑区进行的CCM分析中,因果性存在变化的连接较多。AD患者组相比于认知功能正常对照组,存在7条因果性显著降低的连接。从右侧额中回到左侧楔前叶(aSN4-pSN3)、从左后岛叶皮层到左侧额中回(pSN9-aSN1)、从右侧丘脑到左侧扣带回(pSN10-aSN3)、从右侧丘脑到右后岛叶皮层(pSN10-pSN12)、从右后岛叶皮层到左侧额中回(pSN12-aSN1)以及从右后岛叶皮层到左后岛叶皮层(pSN12-pSN9)的单向因果性连接出现不同程度的降低(P<0.05)。从左侧丘脑到左侧扣带回(pSN7-aSN3)的单向因果性连接,其CCM值降低的程度尤为显著(P<0.01)。AD患者SN网络中降低的因果性连接结果如图6(a)和图6(c)所示。

另一方面,在SN网络中,AD患者脑区之间的因果性连接也出现了大量的增高。通过CCM方法,本文发现SN网络中,左侧额中回的两个节点间(aSN1-pSN1)的双向因果性连接均有所增加(P<0.05)。此外,从左侧脑岛到左侧楔前叶(aSN2-pSN3)以及从右侧扣带回到左后岛叶皮层(pSN4-pSN9)的因果性连接出现了单方向的增加(P<0.05)。在SN网络中,出现因果性连接增强的连接结果如图6(b)和图6(c)所示。

(a)AD患者CCM值显著降低的因果性连接

在对SN网络因果性变化的连接与MMSE量表相关性的研究中,本文发现SN网络中的因果性连接与MMSE量表的相关性较弱。在降低的7条因果性连接中,除了左侧丘脑与左侧扣带回(pSN7-aSN3)以及右后岛叶皮层到左侧额中回(pSN12-aSN1)之间的因果性连接与MMSE量表存在显著相关性(前者P<0.05,后者P<0.01),其他降低的因果性连接与MMSE量表之间都不存在相关性。类似地,在增高的4条因果性连接中,仅有左侧脑岛与左侧楔前叶(aSN2-pSN3)间的因果性连接与MMSE量表存在显著相关性(P<0.05),其余3条增加的因果性连接均与MMSE量表不存在相关性。SN网络中因果性连接强度与MMSE得分的相关性如图7所示。

(a)aSN2到pSN3的连接 (b)pSN7到aSN3的连接 (c)pSN12到aSN1的连接

3 讨 论

本文研究主要应用CCM方法对AD疾病患者DMN、CEN和SN网络内因果性连接的改变进行研究,检测了发生显著改变的因果性连接与临床MMSE量表得分之间的相关性。研究发现,AD患者DMN、CEN与SN网络间的因果性连接整体呈现下降趋势,然而在各个子网络中都能观察到少量的因果性连接增强。另外,在DMN和CEN网络中,发生下降和上升的因果性连接都普遍表现出了与MMSE量表得分的相关性。在SN网络中,发生显著改变的因果性连接与MMSE量表的相关性较弱。

3.1 收敛交叉映射因果性网络连接的变化

通过收敛交叉映射方法对AD患者三网不同脑区之间的因果性连接的变化情况进行检测,发现整体的因果性连接呈现下降的趋势。在以往针对AD静息状态下不同脑功能网络的功能连接研究中,不论是采用相关或是偏相关计算脑区间功能连接或者是采用GCA计算脑区间因果性连接,都显示AD患者脑功能网络连接主要出现下降的趋势。这与本研究的结果相一致。另外,在3个脑功能网络中,在DMN网络与SN网络中都观察到了较多的因果性连接变化,然而在CEN网络中,出现显著性变化的因果性连接则较少。这可能是因为在静息状态下,被试DMN网络与SN网络的活动功能较强,而CEN网络的活性较弱,因此其受到AD疾病影响的因果性连接网络难以被观察到。

DMN网络作为在静息状态下主要活动的网络,研究其在静息态核磁共振数据中网络之间因果性的变化具有重要的意义。通过CCM方法研究发现,在DMN网络中,只有从扣带回到楔前叶以及从右侧角回到左侧海马旁回的因果性连接出现了上升的趋势。其中,本文注意到这两条因果性连接的CCM值都较小(均值小于0.15),说明这两组脑区之间的因果性连接原本就不显著。其中,双侧顶下小叶与角回之间的双向因果性连接均出现了降低的情况。早期的研究证据表明,角回参与了视觉感知和记忆,一直被认为是长期视觉记忆的存储库[17]。在AD病人中,角回的活动会受到抑制,这可能是导致左右侧角回间因果性连接降低的原因。顶下小叶被认为与情感认知及感官信息解读相关[18],也与语言系统、视觉空间和运动想象等有关[19]。因此,双侧顶下小叶与双侧角回之间双向因果性连接的降低,可能是由于AD患者这两个脑区受到疾病损伤造成的,从而导致AD患者认知水平的下降。除去双侧顶下小叶与角回之间的因果性连接,其他在AD病人组中具有显著型降低的因果性连接均为单向连接,其中包括从楔前叶到右侧后扣带回、从后扣带回到右侧顶下小叶、从左侧顶下小叶到右侧后扣带回、从左侧后扣带回到额内侧回的因果性连接。在这些单向减弱的因果性连接中,有多条降低的因果性连接都与双侧角回相关。后扣带皮层是大脑默认模式网络的一个重要的核心节点,它可以与大脑的各个脑区进行通信,并参与了各种大脑高级功能的实现。现有的研究表明后扣带皮层与空间记忆、构形学习和辨别性学习的维持有关[20-21]。作为与后扣带皮层在空间结构上相邻的楔前叶,它被认为是默认模式网络的核心节点或枢纽,当人们不会有意识地参与感官或运动活动时,其活越程度会显著性提高[22-23]。此外,楔前叶还显著地参与到与记忆相关的任务中,比如对空间场景细节的回忆、上下文关联、判断对事物的熟悉程度等[24]。额内回在人脑的决策制定和执行机制中扮演重要角色[25]。在静息状态下,顶下小叶在功能上连接额叶外侧及内侧、后扣带回和海马旁回等。本文发现的因果性连接显著降低的脑区均与感知、记忆与学习等功能密切相关,与已有研究发现的AD患者认知水平减退的临床表现相符。

在针对三网的因果性连接分析中,本文还发现降低的因果性连接在大脑的左右半球并不对称,这可能说明AD疾病对人类大脑的损伤存在偏侧化效应。另一方面,在3个网络中都出现了显著性增强的因果性连接,这可能是网络的代偿机制。即当一部分网络功能受到疾病影响时,其他一部分的网络功能会出现增强,以此来部分弥补该网络的功能。这一类似的结果也出现在相关的AD疾病脑功能网络研究中[26-27]。

以往对因果性脑网络分析主要采用GCA。在采用GCA对AD静息态fMRI数据的研究中发现[28],AD患者DMN网络不同脑区间的效应连接在强度和数量上都比NC被试的效应连接显著降低,并且存在少量相互作用增强的效应连接。另有采用GCA针对AD大脑三网的研究发现,AD患者这3个核心网络中的因果性连接存在异常变化,这种异常的连接与临床行为学数据存在显著的相关性,并且可用于区分AD患者和正常被试[29]。这些差异的因果性连接主要分布在颞下叶、前额叶、下顶叶、海马旁回、扣带皮层和丘脑[29-31],这与本研究的结果相一致。此外,在这些研究中也出现了类似的异常连接的半脑不对称性以及增加的因果性连接[32-34]。然而,GCA方法分析得到的异常连接几乎均为单向性连接,而本文发现了一些存在显著组间差异的双向因果性连接。由此本文推测,相较于GCA方法,采用CCM的分析方法能够更加有效地区分单向与双向连接的因果性变化。

3.2 因果性连接的变化和临床指标的相关性

在通过CCM方法得到AD患者三网各个脑区之间因果性连接的变化的基础上,本文为了测试因果性变化是否与AD病人的认知功能异常相关,计算了CCM值与MMSE临床量表的相关性。研究结果发现,大量出现降低的因果性网络连接都与MMSE临床量表值呈现显著的相关性。这间接地说明,AD病人认知能力的下降可能与三网内脑区之间因果性连接的降低有关。在AD患者三网出现因果性增强的连接中,在DMN网络的两条连接均出现了与MMSE量表的相关性,而CEN和SN网络则分别有一条增强的因果性连接变化与MMSE临床量表出现相关性。本文发现,没有相关性的这几条因果性连接的CCM值都相对较小,这可能是导致相关性不显著的原因。这部分研究说明,CCM方法得到的因果性连接差异有可能成为区分AD患者和认知正常老年人的一个潜在指征。

4 结束语

本文主要通过非线性收敛交叉映射方法,研究了阿尔茨海默症患者静息状态下DMN、CEN和SN网络不同脑区之间因果性连接的改变情况以及这种变化与临床指标之间的关联性。CCM分析结果显示,静息状态下阿尔茨海默症患者的DMN、CEN和SN网络脑区之间因果性连接普遍降低,因果性连接显著降低的脑区主要与视觉感知、工作记忆与学习认知等功能密切相关,这可能与相关脑区受到AD疾病损伤、功能活性受到抑制、脑区间通信效率降低等原因有关,从而导致患者表现出记忆缺陷和认知功能衰退等临床特征。少量增加的因果性连接则可能对应于AD患者认知相关脑网络的神经代偿机制。结合临床MMSE数据分析发现,除了CCM值较小的连接外,3个网络中的因果性连接变化与认知行为相关性较强。本文研究区别于传统的基于线性模型的脑网络分析方法,从非线性因果性分析的角度,探索了阿尔茨海默症对大脑3个重要的功能网络因果性连接的损伤情况,这为深入理解静息态下AD大脑内在的动力学变化特征提供了帮助。