结构脑网络的模块性分离,支持青年时期大脑功能执行的提升

宾夕法尼亚大学精神病学系的Satterthwaite等人在Current Biology期刊上发表了一项研究,用来解释青年时期的执行功能活动和大脑结构网络的成熟过程。

摘要

在儿童和青少年时期,人类的大脑已经显现出大尺度的功能模块。然而,在功能执行的过程中,白质结构是否在成长过程中有类似的细化,仍然是未知的。研究者在费城神经发育中心的882的参与者(8-22岁)弥散成像中,展示了随着年龄的增长,脑网络的模块之间更加的分离,模块内部的连接不断增强。模块结构的提升能够有效增强脑网络联系的效率,并且,在模块内或者模块之间的hub结点的强化也与年龄相关。特别地,模块间的分离和网络效率的提升会随着年龄提升改善功能执行的表现。

模块性是包括社会网络,控制物理系统,多样生物网络等复杂系统的基本特征,网络模块是指一组连接紧密的结点,通常是专门处理信息的基础单元。功能神经影像研究表明,人类大脑在大尺度的功能网络上具有很好的模块化结构。虽然功能网络模块的确切数量和空间分布有所不同,但分析方法有所不同,不同独立数据集和实验室的数据都存在显著的收敛。

通常描述的模块包括somatomtor,可视化,默认模式和额顶顶控制系统。越来越多人的工作发现在青年时期脑功能模块的细化,但大脑模块在生命早期就出现了。 在童年和青少年时期,功能性模块变得更加清晰:模块之间的连接性模块之间的连接减少。这种发育能够使得功能专一化,减少系统间的干扰,促进认知能力。模块化对执行功能尤为重要,它依赖于执行区域的联合激活对非执行区域的相互抑制,例如默认模式网络。因此,可用的数据表明网络模块化的发展可以作为在青年时期的执行能力的演进的一个基础。

尽管功能网络模块化的发展出现了收敛的证据,但是关于支持该功能架构的底层结构性大脑网络的成熟的数据相对较少。之前的工作在功能和结构上证明了结构网络在成年人中具有更高的模块性,但是这种结构在年轻时是否会有很大的变化仍然是未知的。对应功能和结构之间的数据表明,功能网络结构网络在成长过程中逐渐隔离,然而,之前的研究使用相对较少的样本得到了相互冲突的结果,如随着年龄的变化,大脑模块性下降,模块性上升或者没有变化。对于先前的研究,增加样本数量是解决这些问题的关键。

除了这些关于规范性发展的混合数据趋势,对结构网络发展对认知的影响性能仍然是认识不足的。在青春期和成年早期过程中,认知能力在青年阶段大幅度提升,如何描述白质结构演化来支持执行功能,对于理解执行功能的失败相关联的青少年发病率和死亡率是有必要的。最后,这样的数据是神经精神疾病研究的先决条件,人们越来越多地将其理解为大脑的紊乱发展,将其称为执行功能障碍,并且与不断细化的网络拓扑结构相联系。

本项研究试图定义结构的网络模块的细化发育,并描述模块的发育对执行能力的影响。这项研究验证了结构脑网络会像功能脑网络一样,随着年龄的增长,更加的边界分明。更进一步,研究者预测分离的结构模块会支持增强执行能力。为了验证这些假设,研究者利用费城PNC的882名青年的DTI成像序列。发现结构脑网络类似于功能网络会有一个模块性的隔离,特别地,这些数据揭示了结构网络模块性的细化。

结论

研究者研究了来自PNC的882名8-22岁的结构脑网络,如期望的那样,执行功能会随着年龄增长而不断增长。研究人员利用234个分区结点构建结构脑网络。结构连接利用确定性的跟踪图构建(图2).每个网络结点被分配到一个Yeo等人预先设定好的功能网络模块。更进一步,基于数据驱动的结构网络分析显示结构网络的模块与功能模块由显著的相关性。

图1,随着年龄增长的功能执行(ExecutiveFunctioning),(a)年龄分布,(b)随着年龄增长的脑认知能力执行表现,蓝线表示拟合线。

图2 连接组建立

对于每个样本,T1图像利用freesurfer划分到234个脑区,利用流线来建立邻接矩阵,边权利用连接的流线个数的平均值向异性(FA)定义,网络结点被分配到有yeo等人定义的7个模块上。皮层节点被分配到第8个模块(VIS, visual;SOM, somatomotor; DOR,dorsal attention; VEN, ventral attention; LIM, limbic;FPC, frontoparietalcontrol; DMN, default mode network; SUB, subcortical)。

图3,结构脑网络的模块随着年龄的增长更加分离

模块化隔离被量化为平均值所有网络节点的参与系数,更低的值表明更多的隔离。 (A)平均参与系数值下降随着年龄的增长明显。(b) 在不同功能系统中,模块隔离具有不同分布。年龄相关模块分离主要在somatomotor脑区。(c)年龄相关的参与系数为证实每个结点特别是posteriorcingulate区域随着年龄下降提供一个收敛结果。两个例外是右前脑回和前额叶,参与系数随着年龄的增加。蓝线代表了最适合于一般的拟合模型; 面积表示95%置信区间。

图4 模块分离分为:模块间联系减弱和模块内联系加强

(a)内模连接的平均强度随着年龄的增加。

(b)模块间联系随着发育降低。

(c)聚合效应可以在个体图上边表示(用P<0.05作为阈值)

(d)模块连接的百分比更高 (红色)随着年龄的增长而增强。

图5 不同方法对结果的稳定性

随着年龄的增长,模块化隔离的增加

(a)使用了Yeo分区的模块化质量指数的结果,更高的Q表示更多的隔离模块。

(b)当使用组级结构分区时,模块化隔离(平均参与系数)随着年龄的增长而减少

(c)随着年龄的增长,主级连通性矩阵的模块化质量也会增加。

(d-f)当使用高维度的分区时,结果不会受到影响(d)使用流线计数代替FA作为边重量(e),当标准化的流线密度被用作边权值(f)时。(g-i)我们观察到与年龄相关的模块隔离增加时,边权值是由概率流线数(h),概率流线定义的密度(h)和区域内连接概率(i).较低的参与系数表示更多的隔离模块。源自于大脑网络概率跟踪图,平均参与系数在宽密度范围内被集成(5%-60%)。

图6,通过加强特定hub连接的权值,模块分离促进全脑网络的效率。

(a)复制以前的工作,全网络效率随年龄增长而增长

(b) 在控制年龄时,较低的平均参与系数与更大的网络效率有关,这表明模块之间有一个更好隔离和网络效率。

(c) 随着年龄的增长,连接会增加(47%)。中心边被定义为连接在顶部的顶部四分位之间的连接中心性

(d) 随着年龄的增长,模块和模块之间的连接比预期的更有好。

(e和f)中模块内(e)和模块间(F)之间的平均权值与全网络效率呈正相关。蓝色线表示最适合于一般的拟合模型;阴影区域表示95%置信区间;星号表示p小于0.001。误差柱状图表示平均标准误差。

图7 结构模块的分离,促进青少年执行功能的发展

(a)在控制年龄的同时,在frontoparietalcontrol网络中,更大的模块化隔离是与更好的执行性能相关联的。

(b)结构模块的分离,验证了随着年龄增加执行功能的增加。

总结

研究者通过分析PNC的一系列数据,发现了人脑结构网络的模型随着年龄的增长模块间更加分离,通过特定的方法发现模块内的联系稳定的上升,模块间的联系下降。年龄相关的变化主要发生在一些特定的hub结点,使得网络随着年龄的增长更加模块化和一体化,重要的是,网络模块的分离,能够使得青年阶段功能执行提升。

对稳定的可重复的大规模功能网络的描述对人类神经科学研究有巨大的推动作用。因此,功能网络的模块已经成为了人类成像的主要数据解读框架。大脑模块的概念对年轻时期表现出的功能模块的发育有显著的影响。相比之下,更小规模的结构脑网络的可能会产生与功能网络不一致的数据,考虑到之前的研究中大脑结构之间的对应关系,结构和共鞥网络模块的发育的描述是很难的。

研究者发现结构网络的模块会随着年龄的增长更加分分离,一些模块内或者模块间的hub连接能够同时促进网络集成和网络模块隔离的发展,最后,模块分离和圈网络的效率有效的促进了青年时期执行功能的效率,这些数据为青少年执行功能的发展描绘一种重要的新机制。这些发现可以有助于理解,在大脑发育中个体差异。另外,脑网络发育异常和执行系统障碍可以作为不同类型精神疾病的特征。结构网络的发育能够作为青少年时期的一个重要生物标记。

参考文献:Baum G L, Ciric R, Roalf D R, et al.Modular Segregation of Structural Brain Networks Supports the Development of Executive Function in Youth[J]. Current Biology, 2017.

原文发布于微信公众号 - 思影科技(siyingkeji)

原文发表时间:2017-07-28

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏机器学习之旅

应用:如何校验用户画像的准确性?

省略掉预处理设计的过程,画像校验的步骤主要集中在画像开发,画像上线,画像更新中,并且三个阶段中,每个阶段的校验方式完全不同

1155
来自专栏BestSDK

50种机器学习和人脸识别API,收藏好!以后开发不用找啦

API 是一套用于构建软件程序的协议和工具。对于应用开发者而言,有了开放的 API,就可以直接调用其他公司做好的功能为我所用,这在很大程度上提升了工作效率。本文...

1803
来自专栏大数据挖掘DT机器学习

Python实现基于SVM的股票预测

核心 因为是分类算法,因此不像ARIMA一样预测的是时序。分类就要有东西可分,因此将当日涨记为1,跌记为0,作为分类的依据。使用历史数据作为训练数据。 处理数据...

6496
来自专栏机器学习原理

实例(2)——音乐文件特征工程的提取音乐便签分类

1863
来自专栏BestSDK

人脸识别、情感分析,开发者必备50个机器学习API|值得收藏

该清单按照字母排序,对 API 的概述是基于对应官网所提供的信息整合而成。要是大家发现该清单中错过了某些当前流行的 API,可以在评论中告知。

2333
来自专栏AI研习社

2018 最新机器学习 API 推荐清单,快给 APP 加点智能

本篇基于 2017 年的推荐清单做了一些改进——去除了一些不再进行维护的 API,并且更新了一些新的 API。主要覆盖如下方向:

1513
来自专栏腾讯移动品质中心TMQ的专栏

机器学习实现录像分帧速度测试

浏览器测试组一直将录像分帧作为速度测试的重要手段之一。录像分帧具有结果简单直观,证据保存完好等优点。所以,虽然录像分帧在效率上比不上代码埋点,Hook等方法,但...

3141
来自专栏人工智能头条

在机器学习模型运行时保持高效的方法

1302
来自专栏QQ大数据团队的专栏

沙龙回顾 | 推荐系统 唯快不破

本次分享是神盾推荐系统中针对快数据应用场景的架构介绍,分为数据计算和数据分发两个部分。

1783
来自专栏IT派

50种机器学习和预测应用的API,你想要的全都有

API 是一套用于构建软件程序的协议和工具。对于应用开发者而言,有了开放的 API,就可以直接调用其他公司做好的功能为我所用,这在很大程度上提升了工作效率。

1212

扫码关注云+社区