专栏首页脑电信号科研科普Cerebral Cortex:自闭症谱系障碍中局部连通性及其发展轨迹的变化:身为女性是否重要?
原创

Cerebral Cortex:自闭症谱系障碍中局部连通性及其发展轨迹的变化:身为女性是否重要?

《本文同步发布于“脑之说”微信公众号,欢迎搜索关注~~》

被诊断为孤独症的男性与女性比率为4:1.这个偏差在神经影像学研究中更显著。越来越多的证据表明,自闭症谱系障碍中局部连通性及其发展轨迹发生变化。本研究旨在调查男性和女性ASD中,局部连接及其发展轨迹是怎样变化的?用ABIDE I和II数据库的静息态fMRI数据:男性ASD:女性ASD=102:92,男性正常发育(TD):女性TD=104:92,年龄6-26岁。局部连接用局部一致性量化。发现ASD躯体运动和边缘网络局部连接减少,默认模式网络局部连接增加。这些变化在女性ASD中更显著。另外,局部连接与ASD的症状联系在女性中更稳健。与其他组相比,女性ASD有最不同的局部连接发展轨迹。总之,我们的发现说明女性ASD诊断的更大的病原学负担,这与女性保护效应假设一致。

  1. 背景

孤独症(ASD)是一种神经发育疾病,特点是社会交流受损、刻板行为和有限的兴趣。男性与女性诊断比为4:1.这一偏差在神经影像学研究中更显著。很多的脑变化的发现都是基于男性倾斜样本,可能不适用于女性ASD。 越来越多的证据表明,局部连通性及其发展轨迹变化是ASD固有的。多项研究报告显示自闭症谱系障碍的分布式网络连接中断,表明大脑区域之间的远程通信受损。对分布式网络边界内的局部连接的调查可能提供额外的信息,有助于解释此前在ASD中报道的远程通信的差异。

用来测量局部连通性的最可靠和常用的fMRI指标之一是局部一致性(ReHo)。ReHo测量邻近体素的时间序列的一致性,因此,它被设计用来表示大约1厘米尺度上的自发神经活动的局部同步,这取决于体素的大小和计算中包含的邻近体素的数量。ReHo通常随年龄而增加,与认知控制和抑制、智力和脑信息处理的信号分级有关。健康群体中发现多个脑区ReHo性别差异。 ReHo先前已经在ASD患者身上进行了研究,结果显示它在大脑多个区域发生改变,主要是在右半球,其中一些研究还调查了ReHo和年龄之间的关系,显示了与年龄相关的局部连通性变化在ASD和典型个体之间是如何不同的。这些研究支持了这样一种观点,即发展的方法在研究自闭症谱系障碍的改变方面是有用的。重要的是,在先前调查ReHo的研究中,男女比例为2.5:1到25:1.大样本研究根本没有考虑女性。

结合健康人群与ASD的ReHo的性别差异研究,可以预期,在患有自闭症的男性和女性中,局部连接会以不同的方式被中断。由于局部和远程脑连接之间的关系,以及已建立的ASD中大规模脑网络连接的中断,我们在已建立的静息态脑网络(RSNs)背景下测试了ASD人群中性别特异性ReHo改变的假设。我们期望看到默认模式网络的改变,这是基于ASD在这个网络中连接不足的证据。此外,也有迹象表明,这种低连通性在男性和女性中的表达是不同的,这表明我们可以期待在这项研究中看到类似的模式。我们之前对半球间连接的研究表明,ASD的性别特异性改变可能更好地描述为发育轨迹的差异,而不是连接差异本身。即男性和女性ASD在大脑半球间的同源性连接中遵循典型的男性发育轨迹。一种类似男性的发育轨迹最近在男性和女性ASD模块化中被发现。考虑到ReHo反应了皮层区域的功能分离和模块性,我们假设男性和女性ASD与典型男性的局部连接轨迹比与典型女性的更相似。因此,我们使用横断面数据来调查ReHo与年龄的关系,并特别比较了有和没有ASD的男性和女性的ReHo发育轨迹。

2.材料和方法

2.1 被试

静息态fMRI和T1*W数据来自于ABIDE I和II数据库。为了研究性别和年龄对ReHo的影响,我们将被试(6-26岁)分为四组:男性TD(104),女性TD(92),男性ASD(102),女性ASD(92)。表1是队列的表型信息。

表1 研究队列的人口统计特征

2.2 数据采集和预处理

扫描参数和采集协议可见:http://fcon_1000.projects.nitrc.org/indi/abide/ 使用C-PAC做结构和功能数据预处理。结构MRI进行脑提取、分割(白质、灰质、脑脊液)。功能MRI进行层时间校正、空间标准化。回归线性和二次趋势, Friston 24个运动参数信号和10个来自于脑脊液和白质的干扰信号的CompCor成分。时域0.01-0.1Hz时域带通滤波。功能和结构像标准化到MNI空间并配准到一起。

2.3 脑-行为相关

对于原始ASD样本子集,自闭症诊断观察表(ADOS)的三个分数是可得的:社会交互行为、交流、刻板行为和有限的兴趣。对于一个不同的子集通过社会反应量表(SRS)的组评分的5个子量表获得:意识、认知、交流、动机、特殊习惯。表1是样本ADOS和SRS评分。用这些分数调查ReHo和ASD症状相关性。 2.4 ReHo计算和分析

用C-PAC计算ReHo,即基于体素的脑活动,表示给定体素和周围26个体素时间序列之间的相关性(肯达尔系数)。6mm高斯滤波来平滑个体ReHo图。为探索ReHo在功能网络方面的变化,用灰质7 Network Liberal蒙版来选择灰质体素和小脑的7网络蒙版。每个来自于这些蒙版的体素都有标签,表明它在这7个RSNs中的身份:视觉、躯体运动、背侧注意、腹侧注意、边缘、额顶控制和默认网络。为校正ReHo的中心特异性变异,对每个体素用线性模型拟合来估计由中心解释的变异性,同时保留由组、性别、年龄组、性别组交互解释的变异性:

个体ReHo值通过将每个体素的ReHo值除以给定个体所有体素的整体平均值进行标准化,标准化ReHo用于随后分析。

2.5 统计分析

用一系列偏最小二乘(PLS)分析来测试组差异和ReHo与ASD症状之间联系。PLS可以用于提取潜在变量(LVs),即数据中最大的方差。本研究使用了两种PLS分析:平均中心PLS(测试组差异时考虑所有体素的ReHo,用来测试组差异显著性)、行为PLS(与行为变量的关系,用来测试图像数据与行为变量联系的显著性)。对于每种PLS,一个LV由3个成分组成:1)在平均中心PLS中表示组差异的奇异向量(图2A)或行为PLS中的整体相关性(图4A)。2)表示由这个LV表达的数据的总方差的奇异值。我们报告数据的总方差,用LV的百分比来解释,旁边是组对比或整体相关性(图2A)。3)每个体素的bootstrap比率奇异向量,展示了每个体素对组的对比或整体相关性的贡献,可以解释为z分数(图2B)和脑空间z分数的空间分布(图2C)。我们对所有体素以及每个RSN分别进行了包括ReHo在内的PLS测试。图1是分析的工作流程。表1是双样本t检验的组间统计和心理特征差异。

图1 分析流程

2.6 ReHo的发展路径

为了研究年龄相关的ReHo变化,我们使用线性模型分别拟合每个组的ReHo作为年龄的函数。为了比较两组之间的发展轨迹的坡度系数,二次抽样产生每组坡度估计值的分布。这是通过随机选择受试者的子样本,每组分别进行,并对每个子样本拟合线性模型来完成的。假设去除特定位点效应影响的步骤做得很好,我们没有对子样本中心表示施加任何限制。受试者的年龄分布不均匀。为了减轻这些影响,生成了大量的子样本(10 000),每组50名受试者,并根据分布熵选择了50个年龄分布最平坦的子样本(更高的熵是更均匀分布的特征)。通过拟合年龄的线性多项式模型,估计每个子样本和每个体素的斜率系数。这就产生了四个矩阵(每组一个),维度为50子样本乘以体素数量。换句话说,为了测试组间差异,子样本等同于观察值(受试者),而特征(属性)则由体素间拟合轨迹的斜率估计值来表示,而不是体素间的ReHo值。

3.结果

3.1 ASD和TD组ReHo差异

PLS检验组差异(ASD/TD/男/女)发现两个LVs.第一显著LV表达了数据变化的40%(图2)。与此LV相关的数据驱动组对比基本上表达了ASD组和TD组之间ReHo的差异(图2A)。如图2B,z分数分布不是倾斜向左或右,说明与TD相比,男女ASD都有更高ReHo区域(右尾红色),也有更低ReHo区域(左尾蓝色)。脑表面上的z分数分布(图2C)说明ASD组高ReHo在右侧初级运动皮层、左和右补充运动皮层、左侧额盖、小脑后部和双侧颞叶更显著。ASD组低ReHo在双侧内侧前额叶、额中回、后扣带回、楔前叶和右侧上缘板更显著。对每个RSNs计算显著体素的百分比,发现ASD组在边缘和躯体运动RSNs有更高的ReHo,在默认网络有更低的ReHo(图2D)。 男(图2E)女(图2F)分别进行成对PLS比较ASD与TD差异是否在男女中都有。所有分析确认了男性PLS分析揭示的差异。

图2 ASD与TD间ReHo差异

3.2 男女ReHo差异

第二LV表达了数据33%的差异。图3A的组比较表示了男女ReHo差异。负向z分数比正向z分数显著体素更多。考虑到组比较,这说明平均来说女性组比男性组有更低的ReHo。女性组ReHo在双侧后顶叶、前岛叶、颞枕和上缘板减少(图2C)。RSN水平,z分数小于-2.5的体素的最高百分比在躯体运动和默认网络(图2D)。女性组高ReHo的区域包括顶枕沟、双侧后颞叶小脑前部。正z分数显著体素最高的百分比在腹侧注意网络。为确定第二LV揭示的性别差异分别在ASD和TD组出现,进行男性ASD与女性ASD和男性TD与女性TD分别PLS分析。无显著差异发现。TD组的比较有一个p值达到显著的统计趋势,说明性别差异可能更多受TD组差异驱动。

图3 组间ReHo性别差异

3.3 ReHo与ASD症状

所有组全局水平(所有体素的ReHo)ReHo与ADOS间无显著相关性。网络水平,女性边缘网络三个子量表ADOS分数与ReHo显著相关(图4A)。z分数分布正向倾斜,说明在边缘网络内,ADOS分数与ReHo存在整体正相关(图4A)。 SRS与全局ReHo无显著相关组。女性ASD腹侧注意网络ReHo与SRS显著相关(图4B),且大多是正相关。男性ASD躯体运动网络与SRS认知分数正相关(图4C)。TD组仅女性SRS与ReHo有显著相关性。TD女性在躯体感觉网络ReHo与SRS子量表显著相关(图4F)。仅男性ASD的ReHo与SRS认知量表显著相联系,TD女性是所有5个SRS量表。TD女性另一显著正相关在边缘网络(图4D)。TD女性腹侧注意网络ReHo与所有SRS相关(图4E)。多重比较矫正后仅TD女性边缘网络与SRS通过矫正。

图4 ReHo与ASD症状严重性之间的关系

3.4 ReHo与年龄的联系

所有组全局ReHo与年龄均显著相关(图5)。视觉网络二者为正相关。腹侧注意网络仅ASD组为正相关。其他网络均为负相关。检查所有组ReHo与年龄相关性空间分布相似性(图5E)。TD组间有最高相似性。男性组ReHo与年龄关系也有相似模式。ASD与TD组女性和男性ASD模式不同。所有组z分数分布负向倾斜,女性ASD更对称。与TD相比,小脑、内侧枕叶ReHo与年龄相关性在女性ASD中更正,顶叶和中央则更负。结果说明研究发展路径对ASD性别特异性改变是一个敏感的生物标志。由于我们的结果表明,在所有四组中,年龄和ReHo之间存在显著的线性相关性,因此我们决定主要关注年龄的线性效应。补充材料中有二次和立方模型。

图5 ReHo与年龄的联系

3.5 ReHo发展轨迹组差异

PLS分析揭示了3个数据驱动LVs.组比较与第一LV相关,解释了41%的数据变化(图6,第一行)。基于ReHo发展路径相异性,这个比较将女性ASD与其他三组区分。发育轨迹的差异分布在所有RSNs中,即主要由正z分数组成的视觉、边缘、腹侧和背侧注意网络和由负z分数组成躯体运动、额顶叶控制、默认模式网络。在本组对比中,与其他组相比,女性ASD患者ReHo与年龄在视觉网络中表现出更强的正相关,而在腹侧注意和边缘网络中表现出较弱的负相关。同时,女性ASD患者在额顶叶控制和默认模式网络中ReHo与年龄呈较强的负相关。 第二LV解释了32%的数据变化,识别出了男性ASD的不同的发育路径。男性ASD在躯体运动和背侧注意网络有更强负相关,默认网络有更弱负相关。第三LV解释了27%数据变化,识别出男性TD组。与其他组比,男性TD在腹侧注意、背侧注意、躯体运动网络有更弱负相关,在视觉系统有更弱正相关。

图6 ReHo发育路径的组差异

4.讨论

在这项研究中,我们使用一个大型公开数据集来检验性别特异性改变ASD患者局部连接及其发展轨迹的假说。我们发现患有自闭症的男性和女性在身体运动、边缘、默认网络与不患ASD相比有很大不同。此外,男性ASD患者体运动神经网络和女性ASD患者边缘神经网络的ReHo升高与ASD的严重程度呈正相关。我们还发现,在所有组别中,ReHo与年龄显著相关,但在各组中遵循不同的发育轨迹。特别是,与其他组相比,患有自闭症的女性在ReHo中的年龄相关变化差异最大。重要的是,这是第一个针对ReHo的研究,将患有自闭症的女性作为一个单独的群体进行调查,我们的结果表明ReHo与ASD症候学的关联,以及ReHo的明显发育变化,不仅在女性中存在,而且在男性中存在的程度相同,甚至更为强烈。

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • JNeurosci杂志:睡眠状态可以预测大脑内tau蛋白和Aβ蛋白的沉积

    目前的研究已经表明,淀粉样多肽(Aβ)沉积和异常磷酸化tau蛋白的沉积是老年痴呆(AD)最核心的早期病理性改变。近期,来自美国加利福尼亚大学伯克利分校的研究团队...

    悦影科技
  • 如何用Matlab计算相关系数和偏相关系数

    在脑科学领域的研究中,进行相关分析必不可少,比如说,我们想知道计算出来的某个指标是否与临床数据或行为学数据之间存在正相关或负相关关系。计算相关系数,最常用的是P...

    悦影科技
  • EEG信号处理与分析常用工具包介绍

    在脑科学领域,EEG技术可以说是研究大脑的最重要的技术手段之一,而对于采集得到的EEG信号需要经过较为复杂的多个步骤的分析和处理才能够获得我们所需要的最终结果。...

    悦影科技
  • [日常] MySQL的预处理技术测试

    MySQL预处理技术: 1.减轻服务器压力 2.防止sql注入,把传递过去的危险字符也只当做参数处理 3.将sql语句强制一分为二:第一部分为前面相同的命令和结...

    陶士涵
  • python3 爬虫第二步Selenium 使用简单的方式抓取复杂的页面信息

    网站复杂度增加,爬虫编写的方式也会随着增加。使用Selenium 可以通过简单的方式抓取复杂的网站页面,得到想要的信息。

    公众号 碧油鸡
  • Hopfield网络及其收敛性

    在上一次的神经网络之双向关联记忆网络(BAM)中我们介绍了神经网络中能量的概念。在BAM的基础上稍加改变就可以得到著名的Hopfield网络。

    史博
  • Go 每日一库之 gojsonq

    在日常工作中,每一名开发者,不管是前端还是后端,都经常使用 JSON。JSON 是一个很简单的数据交换格式。相比于 XML,它灵活、轻巧、使用方便。JSON 也...

    用户7731323
  • Linux操作系统

    婷婷的橙子
  • C++版 - Leetcode 5. Longest Palindromic Substring 解题报告

    提交网址: https://leetcode.com/problems/longest-palindromic-substring/

    Enjoy233
  • 1. Two Sum(HashMap储存数组的值和索引)

    Given an array of integers, return indices of the two numbers such that they add...

    yesr

扫码关注云+社区

领取腾讯云代金券