Neuron：人類個體大腦的精準功能成像

來自美國德州VISN 17 Center of Excellence的Evan M. Gordon等人在Neuron期刊上發文，主要介紹了其提供的MSC數據集，以及針對數據集的研究。數據集包括來自十個樣本的5個小時的RSFC數據，6個小時的任務態fMRI，以及結構MRI。文章認為，原有的fMRI研究主要側重於分析組間數據，其掩蓋了個體fMRI靜息態功能連接RSFC和任務態激活的細節信息。研究認為在全腦fMRI研究中增加單個被試fMRI數據量可以顯著提高結果的可靠性和特異性，並提出了一種通過長時間採樣細緻展示腦組織的基於fMRI的神經科學的新方法。為了驗證，研究引入了十個樣本高質量的功能連接數據，揭示了個體水平的腦網路中的幾種新型空間和組織變異性，包括與結構和任務導出的腦特徵相對應的獨特網路特徵和拓撲。研究內容有四個主要亮點：1)個體大腦組織結構和組平均腦組織估計結構有質的區別；2)在大數據的支持下，個體大腦的功能測定變得更加可靠；3）個體能夠表現出鮮明的腦網路拓撲結構；4）分享了十個樣本的高採樣多模態的fMRI數據。

在過去30年，fMRI成為了一種廣泛地用來認識和了解大腦的工具。通過對大數據整合，神經學家能夠有效地探尋任務態的激活模式以及大尺度腦網路的結構特徵。然而，與結構MRI不同，fMRI和RSFC的研究方法一般都迴避研究個體，其研究的重點是使用功能定位或高場成像技術來研究大腦皮層的特定區域。針對fMRI和RSFC的研究通常集中在組平均的研究。雖然這能夠揭示功能性腦組織的一些基本原理，但是其對個體樣本的分析存在缺陷，這意味著fMRI和RSFC的臨床應用會受到局限。由於BOLD信號的時間信噪比相對較低，因此短時間的掃描結果不能精確地表徵大腦功能和組織。因此，研究人員通常選擇在許多個體之間聚合數據。但是這抑制了個體的一些特徵。描述功能腦組織中的跨個體變異性的研究通常使用對於每一個樣本而言數據相對較少量的數據集，雖然目前該數據量已經增加，但是，對於個體水平的大腦表徵仍然存在不足。

研究認為，通過改進一系列研究方法來系統地描述個體的大腦功能和組織，以及適當擴展標準的人類功能神經成像方法是有效的。個體層面特定的神經影像對於決定大腦組織的差異是否與行為相關，疾病相關，或異常現象是至關重要的。這也將有助於研究個體樣本中具有特殊腦損傷、罕見疾病或異常認知能力，從而加深我們對人類大腦組織的基本原則的理解。最後，相較於常規功能映射，這種方法對單個神經系統、神經外科和精神病患者的大腦組織的精確描述成為可能。

最近，Laumann等人一項超過一年的研究中，通過分析從個體樣本上收集到的數小時RSFC數據來表徵個體水平的功能性大腦網路結構。這項工作表明：1）通過充足的數據，可以在個體中進行可靠的腦網路估計; 2）個體腦網路的特徵與任務驅動的功能區域激活密切相關; 3）個體水平的腦網路比群體平均網路能夠提供更多的信息，因為個體的特徵通常被組平均所隱藏。說明，通過大尺度數據收集能夠有效針對個體特異性的研究。為了驗證，研究採集了十個人大規模數據，包含幾個小時獲取的RSFC，fMRI，結構MRI和神經心理測試（圖1，表1）。為了規範時間效應以及降低數據採集成本，掃描從凌晨開始。數據集稱為MSC數據。完整的MSC數據集可從openfmri.org和neurovault.org免費獲得。並且提供了一系列新的研究，以表徵MSC資料庫中的十個樣本的功能性腦組織。包括：1）評估RSFC數據的質量，包括網路功能的多重連接和圖論測量的可靠性; 2）精確描述每個MSC主體的腦網路組織，包括物理特徵和網路拓撲;和3）個體的任務激活模式，由RSFC產生的大腦網路，以及皮層髓磷脂的分布。

結果

圖1簡要描述MSC數據集的信息。對於每一個樣本，MSC數據收集3.5小時的結構MRI數據; 5小時的RSFC數據; 6個小時的基於任務（包括一個被阻塞的運動任務，一個混合阻塞和事件相關的知覺和語言任務，以及一個與多個刺激類型相關的事件相關記憶任務）的fMRI數據，神經心理測試（表1）。

圖1數據包括四個高解析度T1掃描，四個高解析度T2掃描，四個磁共振血管造影（MRA）掃描，四對磁共振靜脈圖（MRV）掃描，五個小時的fMRI RSFC數據，六個小時的fMRI任務數據跨越，三項不同的任務，以及四項神經心理學評估，產生21項個人評估分數。

表1

RSFC的可靠性

利用Laumann定義的腦區提取平均時間序列。利用多次迭代對每個樣本的FC進行可靠行分析，可靠性通過1)腦區間的連接矩陣;2)每個腦區的網路進行分析(hub結構，模塊性，信息傳輸效率);3)參與係數；4）全局效率；5）模塊性進行分析。圖2A-2E中，所有的測度均表現出較差的可靠性。增加數據量後，可靠性明顯的增加。在一個樣本MSC08中，可能是由於運動偽影的影響（圖S2），腦區間連接相似性較低（圖2A和2H）。然而，MSC08的數據遠遠不如殘留運動效應和之間的相關性可靠。排除MSC08，我們觀察到需要30分鐘的運動檢測數據來實現可靠的r> 0.85的平均相關係數矩陣（圖2A）。網路配准需要更多的數據（90分鐘）來實現平均係數> 0.75（圖2B）。模塊化實現平均差異

關於全局效率和模塊化，增加數據量不僅增加了可靠性，而且改變了期望值，這表明這些指標非常依賴於數據量。這種效果在圖2F和2G中。在所有樣本中，由運動截斷數據少於20分鐘計算出的全局效率提高（圖2F），而從少於20分鐘的數據計算出的模塊化系統地被抑制（圖2G）。在受試者內部和之間檢查Session-level的RSFC基因相似性。受試者間相似度高於session（圖2H中的對角線塊，MSC08中最差），主要體感和運動皮質中的交互差異最顯著（見圖S2E和S2F）。對於每個session，受試者的相關矩陣相似度大於對象（全部t> 3.34;全部p

圖2可靠性，偏差，以及相似性等RSFC度量。(a-e)各種腦網路測量的可靠性隨著分析數據量的增加而增加。重複了1000次隨機選擇一定數量的運動審查數據(x軸)並與同一樣本的70分鐘的隨機獨立樣本進行比較;顯示(A)相關性連接矩陣上的三角形;(B)隨機係數代表了節點的分類分配的重疊;(C)節點參與的相關性係數;(D)全球效率的差異;(E)在模塊性方面的差異。(做減法)

個體水平的高保真RSFC影像揭示組平均隱藏個人特定腦網路特徵

為了比較個體樣本的網路拓撲結構，研究採用了基於圖論的檢測方法。通過不同密度的閾值來構建網路，並根據模板網路的相似性來配准（圖S3A）。識別的網路包括DMN，mVis，lVis，CON，FPN，DAN，VAN，hSMN，fSMN，lMN，PMN，CAN，aMTL，pMTL。網路拓撲結構在不同密度閾值下保持（圖S3B和S3C）。除了枕葉骶溝的一個小區域外，RSFC模式的交叉主體變異與皮質摺疊無關（圖S3D）。數據集中的十個樣本的網路拓撲結構具有廣泛一致性（圖3A和3B）。例如，所有的網路都顯示內側頂葉皮層，內側前額葉皮質和雙側角迴旋符合DMN特徵，這些特徵在組平均數據中具有穩定性。類似地，所有受試者在外側前額葉皮質，外頂葉皮層，背內側前額葉皮質和外側顳葉皮層中符合典型的FPN特徵。

然而，很多某些網路特徵在組平均值中被抑制。例如，十個MSC受試者中的五個在前下/中額葉回區域符合CON區域（圖3A，紫色箭頭）;六個受試者在側頂葉皮質中符合lVis特徵（圖3A，深藍色箭頭）;七個受試者在腹內側前額葉皮質中符合DAN特徵（圖3B，黑色箭頭）;五名受試者在中間扣帶皮層具有FPN特徵（圖3B，黃色箭頭）。這些功能都不存在於組平均中。一個樣本中突出了腹內側前額葉皮層突出網路特徵的連通性作為一個例子。雖然這個區域一直被認為是DMN的核心節點，我們顯示在MSC06中，內側前額葉皮質區域（圖3C：種子B，黑色箭頭）是強相關的具有前代扣帶，額葉，腹側島和顳頂交界處，但與典型的DMN區域（白色圓圈）反相關。在vmPFC部分的一個相鄰的種子被識別為DMN網路（圖3C，種子點A，紅色箭頭）其顯示預期的強內側頂葉和角回連通性。相比之下，相同的兩個種子在MSC組平均中幾乎沒有顯示連通性差異（圖3C）。

個體網路連接和組平均的差異

為了表徵大腦的網路結構，特別是網路內部和網路之間的關係。研究用個體水平網路特有的方法使用的皮質分析識別出了不同層次的大腦網路在RSFC的可靠性中(見上圖)。個體水平的腦網路的拓撲結構（圖3A）以及腦區（圖S4）相同，表明網路拓撲結構在組平均和個體之間是一致的。每個受試者和組平均值的網路結構可以通過閾值（0.5％至5％;）進行可視化。圖4A和4B顯示了從閾值範圍（2.5%）的圖。

MSC所得到的組平均網路結構（圖4A）與以前的研究（Power et al，2011）相匹配。在結果中，感覺，運動和關聯網路作為FPN（黃色）和DAN（綠色）網路（圖4A，黃色箭頭）的中心位置。相比之下，沒有一個樣本的腦網路展現了這個組織（圖4B）。在十個MSC主題中的八個中，關聯網路以圓形模式排列。在圈內，網路成對連接如下：DMN-FPN-DAN-CON-VAN-DMN。在兩個樣本（MSC02和MSC06，圖4B，灰色箭頭）中，網路是線性的，而不是傳統的圓形連接。分析表明，這兩個樣本在VAN地區和VAN或DMN之外的其他地區之間缺乏強大的連接（圖S5）。在MSC平均圖中以及大多數樣本中，DAN和FPN網路相鄰或相交。然而，在兩個人（MSC02和MSC10）;圖4B中，綠色箭頭）中，DAN和FPN之間的連接不存在，並且DAN與lVis網路相鄰。對每個密度閾值下的每個度量單獨計算受試者的（ANCOVA），控制數據量和質量（參見STAR方法）。經過多次比較的校正後，我們發現閾值對受試者大腦的全局效率具有顯著影響（2.5％密度：F [9,87] =7.81，校正p

圖4大腦網路的圖分析（a,b）網路可視化，有關係的節點群被聯繫到一起。注意，很多稀疏的連接並沒有表示。（a）組平均，Fronto-Parietal（黃色）和Dorsal Attention（綠色）網路中心（黃色箭頭）（b）不同個體的圖。（c）ANCONVA檢驗

個體任務態fMRI的高保真成像

利用均值計算任務fMRI的值。運動任務激活響應如圖5所示。樣本的軀體運動分析在對舌頭（腹外側），手（背側）和腳（背內側）的運動的反應中具有顯著性。所有受試者的所有數據的組平均對於軀體運動沒有特異性，其中包含大量白質。相比之下，僅對自每個樣本的一個session分析（使用相同的數據總量），產生了與組平均非常少的具有顯著性響應的。這些結果表明，即使單個樣本使用有效的非線性方法相互組合，會抑制或者模糊任務態fMRI在組平均數據。

圖5十個樣本基於任務的反應，靠近中央溝的區域顯示出對腳、手和舌頭動作的反應。「手」和「腳」的激活模式表示左和右的對比運動,閾值分別設置為5和3，舌頭「激活代表舌動與基線對比閾值設置為10，(MSCavg)數據都來自於所有的數據時受試者進行測試。(Data-matchedavg)平均反應當數據量與之匹配的個體數據的對比。

圖6 .RSFC網路和十個樣本的多個任務的高採樣的任務響應之間的對應關係。對於手和舌頭運動的強烈激活（手>舌對比），現實了個體水平上特定的RSFC顯示出的hSMN和fSMN網路邊界（圖6A和6B，分別為青色和橙色輪廓）。對視覺場景（場景和臉部對比）的反應得到CAN網路的邊界（圖6C和6D）。相比之下，單獨的運動和場景相關的反應不會影響來自其他受試者或組平均值得到的邊界，從而證明個體之間具有特異性（圖6E和6F）。通過對比內部和個體間的不均勻性來進行個體特異性的定量分析（圖6G）。其中，八個樣本的任務與網路對應在每個實例中都比每個樣本更好。然而在兩個樣本（MSC07和MSC08）中，結論相反。總的來說，這些結果反應了個體水平響應任務得到緊緻的網路邊界。

髓鞘特徵與RSFC網路圖密切相關

皮質髓磷脂含量可以從T1 - T2圖像的加權結合得到。在MSC的每個研究對象中發現了一個位於枕葉外側的高皮質髓鞘區域，該區域以前被認為是人類的MT +複合體。這個高髓鞘區域的空間位置在每個樣本中並不相同(表S1)。在這裡，研究假定MT +的解剖差異是否與RSFC網路的差異有關，並進行了測試。在所有的實驗對象中，整個假定的MT +區域都在一個RSFC的網路中，並要求網路展示包含該區域(圖7A和7B)。此外，MT +區域顯示來自其他樣本或組平均的網路邊界。這些結果顯示了RSFC網路和個體皮層髓鞘分布的拓撲特異性的收斂性(圖7C)。值得注意的是，在七個樣本中MT +區域被分配給lVis網路，但在其他三個樣本（MSC02,MSC08，和MSC10)中分配到DAN網路。

圖7

總結

研究主要介紹了針對十個樣本通過多模態高採樣的得到的MSC數據集，以及針對數據集進行的一些初步分析。這些分析包括功能連接和圖論測度中的可靠性分析，並且提出了一些潛在偏差所產生的幾個新問題。其中包括1）全局網路結構中變體的識別;2）任務誘發的大腦活動;3）靜息網路和皮層髓磷脂含量分布之間個體特異性對應的演示。總而言之，這些分析強調了MSC數據集的科學價值，可以用於各個大腦的精密功能成像。研究觀察到十個人全局網路組織之間的差異，為了研究普通人群的大腦網路，研究者認為下一步的任務將是研究更多數量的個體，以便更加準確地研究哪些差異與行為有關。目前，精細個體大腦成像的最大障礙是成本，MSC數據集通過公開提供給其他研究人員來降低成本，以便其他研究人員可以利用MSC數據來進一步描述大腦功能和組織的個體特定方面。

參考文獻：Gordon E M, Laumann T O, Gilmore A W, et al. PrecisionFunctional Mapping of Individual Human Brains[J]. Neuron, 2017.

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！