Nature子刊：大脑结构、几何以及遗传预测皮层脑电图探测到的脑区间连接模式

用户1279583

发布于 2019-07-30 16:34:50

1.3K0

发布于 2019-07-30 16:34:50

请点击上面“思影科技”四个字，选择关注我们，思影科技专注于脑影像数据处理，涵盖（fMRI,结构像,DTI,ASL,EEG/ERP,FNIRS,眼动）等，希望专业的内容可以给关注者带来帮助，欢迎留言讨论，也欢迎参加思影科技的其他课程。(文末点击浏览）

皮层脑电（ECoG）已经被广泛地用来描述全脑连接模式。但是，由于其侵入性、不能完整的覆盖皮层范围以及被试间电极放置位置的多变性等缺点，基于ECoG数据的脑网络分析还存在很大的挑战性。宾夕法尼亚大学的Bassett等人为此在Nature Biomedical Engineering发文，作者认为可以通过分析全脑各个脑区间特定频段内的ECoG网络来研究抗药性癫痫病人的大脑结构，以及研究塑造各个频段ECoG全脑网络结构的因素。同时，作者利用图论等网络科学的手段，刻画了ECoG网络的基本框架组成，比如频率特异性、模块性以及脑区间连接强度与实际欧式距离的关系。此外，作者也通过线性模型手段揭示了白质通路（搜索信息）、脑区间欧式距离（结构连接）以及相关的基因表达（基因连接）等因素与脑区间ECoG功能连接强度的线性关系，以及他们对塑造全脑ECoG网络结构的联合作用。

引言

尽管在脑区等大尺度上网络建模已经很普遍，但用ECoG来构建网络还很少，使用电极记录暴露的皮质表面，具有高时空分辨率的电活动，是癫痫定位和功能定位的重要工具。尽管ECoG构建网络的研究数量继续增长，但由于对癫痫患者的研究有限，对个体脑区覆盖不完全，电极位置不同，研究结果的生态效度有限。因此，对ECoG网络的全脑组织情况了解甚少。

在这里，我们使用ECoG解决了脑区覆盖范围不一致或者不全的问题，并通过整合一组耐药癫痫患者的数据，开发了一个构建全脑、不同频带的FC网络的建模框架。

方法

个体ECoG功能连接网络的构建

作者记录了86例抗药性癫痫病人在执行“free-recall”实验任务时的ECoG数据（其中83例病人的数据有效）。Free-recall实验流程如下：

病人们首先会看到一系列的单词，一段时间后会让他们去回想尽可能多的单词。选取每次实验前10s的静息态ECoG数据进行分析，ECoG数据的采样率是512Hz。在预处理阶段，所有的数据都进行了平均参考，并带宽滤波到七个经典的脑电频段中：1-4Hz，4-8Hz，8-13Hz，13-25Hz，25-45Hz，85-115Hz和140-165Hz。同时为了保证数据的可靠性和稳定性，去掉每段数据（10s）的前2.5s和后5s的数据，因此最终用来分析的数据长度是2.5s。对每个被试，每个数据段而言，作者采用零相位延迟的Pearson相关方法来表征脑区间的功能连接。根据电极间的欧式距离长度以及MNI标准图谱，将所有的ECoG电极映射到114个大脑区域中。因此得到的Pearson相关功能连接网络的大小是114*114。组水平的ECoG功能网络

则是通过平均每个被试的ECoG网络来获得。但是由于被试数目有限且皮层覆盖范围的局限性，组水平的ECoG连接网络中还是缺失了部分脑区间的连接。

基因表达谱的组水平脑区间相关矩阵

脑区间基因表达谱的相关矩阵的构建方式和ECoG功能网络的构建方式类似。作者先从Allen脑研究中心下载标准的大脑基因微阵列样本数据，研究主要关注来与左右大脑有关的样本，最后并只保留了定位在大脑皮层区域的样本。接着，作者利用这些脑区的基因表达谱构建脑区间的相关连接矩阵。

扩散成像(DSI)的脑连接体数据

从30个健康被试中获得组水平的全脑结构连接网络。利用扩散成像技术计算每个被试的大尺度脑区间白质路径的坐标位置和强度来刻画脑区间结构连接网络。将整个大脑分为114个皮层区域，统计任意两个脑区间的纤维连接数目构建无向网络。

功能磁共振BOLD数据

功能磁共振BOLD数据和扩散成像数据共同通过3T扫描仪一起获得。经过一系列的预处理过后，最终获得114个脑区的BOLD信号。这些BOLD信号也是通过Pearson相关方法来计算全脑脑区间的功能连接。

网络分析方法

模块分析是网络科学中一种常用的网络分析手段。

模块分析的步骤如下：

图1. 组水平ECoG功能网络的构建方法

a. 数据处理和分析流程：获得ECoG原始数据；预处理获得干净数据；每个被试，每个频段内的电极之间构建网络；组水平网络；统计分析；遗传+几何+结构-->多模态;

b. 黄色小圈是电极放置位置；

c. 预处理后，每个trial每个频段都构建电极之间的相关矩阵；

d. 提取在所有trials中始终很强的连接矩阵；

e. 按照电极位置绘制成网络球棍图，这样看上去会更清晰的显示网络组织方式和网络连接的差异性；

f. 通过算法把电极位置映射到脑区上，但并不在任何解剖坐标系中；

g. 电极颜色代表不同脑区；

h. 组水平功能连接矩阵；

i. 计算连接矩阵的平均权重。

全脑ECoG功能连接网络的构建方式，如图1所示

主要包括以下几个步骤：ECoG信号通过预处理后带通滤波为7个经典的频段（1-4Hz,4-8Hz,8-13 Hz,13-25 Hz,25-45 Hz,85-115 Hz,140-165 Hz）。对于每个被试，每段数据而言，都构建了7个频段的脑区间全连接网络。这个全连接网络接下来会映射到包含114个脑区的网络中去。组水平的ECoG脑网络会通过平均每段数据、每个被试的功能网络来获得。

图2. 组水平ECoGFC和BOLD FC之间关系

a.1-4HZ的ECoG和BOLDFC之间的边对边的比较；

b.1-4HZ的ECoG和BOLDFC之间的散点图，黑线表示最佳拟合；

c.不同频带上的ECoG和BOLDFC之间的皮尔逊相关。

ECoG功能连接网络和BOLD功能连接网络的空间结构类似

如图2所示，作者将ECoG和BOLD功能连接网络的上三角放在一起比较。可以看出，这两个功能连接网络具有类似的结构，包括长程连接的结构。通过比较两者功能连接强度，可以发现他们之间存在较强的相关性（图2b）。同时，虽然不同频段下的ECoG网络和BOLD网络的相关性都很强，但是不同频段下的相关系数是不一样的。低频段下（1-4Hz）ECoG网络和BOLD网络之间的相关性最强（0.37），说明了颅内电信号低频振荡和BOLD信号之间的重要联系。

图3. 组水平ECoG脑网络模块和经典静息态脑网络之间的对应关系：我们希望评估ECoG FC中检测到的模块是否映射到经典的大脑系统(即背侧注意(DAN)、控制(CONT)、默认模式(DMN)、视觉(VIS)、边缘(LIM)、躯体运动(SMN)和凸显(SAL)网络)。

a.每个组块对应于与他们最相似的检测到的大脑模块（基于1-4HZ的ECoG的FC）和系统；行表示脑区，列表示模块；

b.将与某一系统对应的所有模块平均，如a步骤发现有1千个与DMN系统对应的模块，即平均这1千个；

c.对所有模块进行主成分分析，并用前两个主成分PC1,PC2画出模块位置；

d.为了直观地验证所检测到的ECoG模块与大脑系统相似，我们计算了与每个系统最相似的前10个模块的平均模块在大脑上的位置排布情况，并在大脑皮层上画图。尽管不完美，但这些分布与经典系统惊人地相似；

e.最后，我们对每个系统进行Pearson相关计算，发现与预期的一样，它们在很大程度上是相互独立的，不相关的。

ECoG脑网络模块和经典静息态网络之间的对应关系

由于1-4Hz的ECoG脑网络和BOLD脑网络具有最强的空间结构，因此接下来的研究中作者主要比较了1-4Hz的ECoG网络模块和静息态网络之间的关系。通过模块系数最大化的原则，作者将ECoG脑网络分成了8075个不同的模块。然后根据重复覆盖率，对比了不同模块和7个经典静息态网络（DAN,LIM,CONT,DMN,SMN,SAL,VIS）之间的关系，最终发现了ECoG脑网络中也包含这些静息态网络结构，且这些ECoG模块结构之间是不相关的（如果图3）。

ECoG功能连接具有频段特异性和欧式距离依赖性

虽然ECoG脑网络中的模块结构和经典静息态脑网络结构类似，但是是否ECoG网络结构和其他的一些因素相关呢？这里作者首先推测脑区间的长程连接可能和频率特异性振荡相关。如图4所示，通过对比脑区间的功能连接强度和它们之间欧式距离的关系，发现它们之间存在显著性的负相关，说明了欧式距离越长，功能连接的强度越低。进一步的研究发现，ECoG脑网络的各个模块大小和组成这些模块的大脑脑区间的空间距离（欧式距离）正相关，但是和脑区间的功能连接强度负相关。并且，这种相关性具有一定的频率特异性，在三个低频段范围里（1-13Hz）相关性最强，但是在四个高频段范围中（13-165Hz）相关性较低。ECoG功能连接的结果也进一步说明了认知和生理过程的网络活动机制是具有频率和空间特异性的。

图4. ECoG功能连接强度和欧式距离、模块大小之间的相关性

a. 平均而言，边的权重随距离增大而减小。我们给出了1-4HZ(上图)和140-165HZ(下图)频段的例子。平均而言，较慢的频段表现出更大比例的强、长距离相关性。这种关系在大脑模块水平上是明显的；

b. 对于给定大小(节点数)的模块，较慢的频段往往具有较大的空间范围(平均区域间距离)。以频率为1-4HZ和140-165HZ的ECoG FC为例，我们将空间范围与检测的模块大小做散点图(左)。为了完整起见，我们还展示了所有频段的平均空间范围与模块大小的散点图(右)；

c. 同样，对于给定的大小，在慢频段计算的ECoG FC模块密度比在快频段计算的要大。例如，1-4HZ和140-165HZ(左图)的比较。为了完整起见，我们还展示了平均模块密度作为所有频段大小的函数（右图）。

图5. 利用搜索信息、欧式距离和基因表达关系预测ECoG功能连接网络

a. MLM的一般结构。搜索信息S，欧氏距离D和和基因G用来预测ECoG FC；

b. 所有频段的模型预测与观测ECoG FC的相关，AIC识别的最优模型用黑框圈起来；

c/d.预测模型和观测到的ECoG FC的边对边的比较，低频（c，1-4hz）和高频（d，140-165hz）。

单因素模型：

作者首先分别用S,D,G来对ECoG网络进行预测，发现这三种因素都可以很好地预测ECoG连接（图5b）。其中，搜索信息和欧式距离这两个因素的预测效果最好，而直接的基因表达序列预测的效果较差（r=0.156）。但是用基因表达序列的相关矩阵（基因表达连接）来预测ECoG连接的效果却比搜索信息和欧式距离都高，因此在后面的多因素模型中，作者采用的是基因表达连接来预测ECoG连接网络。

多因素模型：

作者又采用了多因素模型来预测ECoG连接网络。作者分别组合了这三个因素（两两组合以及三个一起），并通过AIC评价标准寻找最优的模型。通过对比发现，对于最低频段（1-4Hz）的ECoG连接来说，双因素（搜索信息和基因表达连接）的效果最优（图5c），而对于其他频段的ECoG连接，三个因素一起预测的效果最优（图5d）。

预测单个被试的ECoG功能连接

上述研究已经表明ECoG连接和BOLD连接的相似性，以及我们可以通过多个因素（搜索信息，欧式距离，基因表达连接）来预测ECoG连接。但是这些结果都是基于组水平的，因此接下来作者将这些组水平的模型应用到了个体水平上去，来预测单个被试的ECoG连接。

首先，作者采用“留一法”来检验组水平上得到的模型的鲁棒性。“留一法”即用n-1个被试的数据仿真出模型的回归参数并用这些参数来预测剩下来被试的ECoG连接（图6a）。通过多次的比较，作者发现组水平上估计出来的回归参数可以较准确的预测单个被试的ECoG连接，说明了MLM模型在预测单个被试ECoG连接上的可靠性（图6b）。

其次，作者又尝试用单个被试的ECoG连接放入模型中，并估计出模型回归参数。用这些参数来预测剩余被试的ECoG连接（图6c）。通过仿真，作者发现单个被试估计出来的回归参数还是可以较好的预测其他被试的ECoG连接。同时预测效果的准确率也随着频段的提高而增强，说明了被试个体间的ECoG连接差异性主要体现在低频段范围内（图6e）。

图6. 预测个体ECoG功能连接网络

a. 留一法基本流程；

b. 留一法模型和实际个体的ECoG FC在不同频带上的相关；每个点表示一个被试；

c. 个体水平的模型拟合流程。用一个被试的数据拟合模型，预测剩余的n-1个被试的FC；

d. 单个被试的模型性能。每条线表示模型拟合n个被试的性能；

e. 单被试模型与实际个体的ECoG FC在不同频带上的相关。

结论

在本文中，作者展示了将个体ECoG功能连接整合到一个组水平、全脑ECoG连接的数学方法框架。作者认为，该工作不仅为今后研究脑区间ECoG功能连接提供了新的方法和方向，也阐明了不同认知状态以及病理状态对ECoG功能连接的调节作用。同时，作者也表明，ECoG功能连接是结构、几何以及基因表达等因素共同作用的，这些因素之间的协调作用使得个体间ECoG功能连接具有一致性，为组水平的ECoG网络研究提供了生理基础。

原文：