本文以神经生理的角度评价分析了目前研究“人脑图谱”的方法。最近几年,新出现了一种评价人脑解剖和功能连接的多模态研究方法,它能利用神经生物学中易计算的方法用来定义和分类神经网路。脑网络分析通过整合现代神经生理及神经影像的脑映射技术来定义同一个脑图谱内的解剖和功能连接,其作为一种探索结构-功能连接机制的有力工具,同时揭示疾病病因学在网络连接异常和神经精神疾病间的相关性。 在国际神经生理联盟(IFCN)的支持下,多位学者受邀参与本文撰写,内容涵盖对人脑解剖-功能连接的认识,包括最常用的结构和功能核磁共振,脑电图、脑磁图、非侵袭神经调控技术和评价局部及整体脑网络连接方法。
图源:reerangestock.com
脑结构连接:实验室和活体研究
图2人类大脑中的长连接的研究方法。(A)神经或中枢神经纤维束的横切不可避免地引起顺行(沃勒)变性。(B)磁共振弥散加权成像用于在体内识别脑内纤维束的空间方向,使重建中枢通路成为可能。
尽管在绘制人类脑连接组方面,研究人员已经做了很多重要的工作。但迄今为止,完整的连接组仍是未知的。绘制完整的连接组的局限性是在于连接组的估计存在两个差异:
1、连接组对跟踪方法的依赖性;
2、同一个体不同时期重复扫描的变异性。
最近提出了利用线性束分析法(LiFE)进行纤维束追踪评价的方法。LiFE可以使用任意追踪图,以生成的白质束作为输入,并以预测误差最小的DTI测量的束的子集作为输出。
▎大脑功能测量技术[fMRI,脑电图,脑磁图]
知觉和行动产生于分布式神经网络中多个位置,是随时间协调而产生的大脑局部活动。EEG、MEG作为非侵袭神经放电检测技术,具有毫秒级的高时间分辨率。但是空间分辨率低而且局限在皮层表浅部位。fMRI具有空间分辨高(毫米级),和能侦测到深部脑组织活动的优势,而其时间分辨率有限,并且还有以下几点局限性:
1、由于血红蛋白释放的物理性质,在神经元同步化和相对尖波发放之间存在时间延迟。
2、在血管反应的增强或衰减期,局部血流量的BOLD信号会被平滑处理。
3、对于不耗能的脑活动不能监测到。所以在得出生理神经网络的结论前,为了减少每种技术所固有的缺陷,常需整合两个或两个以上的技术。
▎任务态与静息态
之前的研究中,发现我们可以用PET和fMRI描述大脑网络模型的骨架,它们包括默认、额顶叶和背侧注意网络。大脑默认模式网络由离散、双侧和对称的皮质,内侧和外侧顶叶皮层,内侧前额叶,内侧和外侧颞皮层。默认网络是被正电子发射断层扫描发现的,它与需要注意力集中的和不需要自身做参考的任务相比,在闭上眼睛或简单视觉固定任务中明显激活;额顶叶网络主要参与任务监测和报告。最后,背侧额叶网络具有一系列多样的功能,包括运动规划和想象、思维旋转、空间注意力和工作记忆。
▎脑电图、脑磁图和功能磁共振成像的关联性指标
相关(Coh)、局部相关(pCoh)、相锁值(PLV)、交互信息(MI)、直接传递函数(DTF)是处理脑电图或脑磁图区域间连接数据的常用数学描述方法。对于网络节点和连接,它们基本上没有假设和全脑研究的方法。另一种方法是动态因果模型(DCM),在这种模型中,对预先选择的网络中的相互作用进行分析。区别是Coh、pCoh、PLV或DTF在只有少数感兴趣的节点预定义网络做假设驱动。相反,DCM不适合作为一种探索性技术。
▎用图论参数描述网络属性
目前脑网络研究的一个重要的挑战是找到简单但有意义的方法来描述大脑网络,同时避免任意选择,并从网络数据中提取新的诊断措施或生物标记。
图5:脑网络研究正沿着网络度量和模型化的方向发展,并且引入了新的概念,如成本属性、层级模块化、随机的或有目标的易伤害性,以及富集的概念(来自Vecchio et al., 2018)。
结论
本文介绍了一个最新的、普遍的、多模态的方法来探索大脑连接,并考虑了每种技术的优缺点。考虑到其复杂性和多面性,那些有关结构、功能、有效、及时和动态的大脑连接不能用一个单一的方法来处理和解决,而是需要多种和综合的方法来解决它的各个方面。首先要了解结构之间的逻辑联系;了解大脑的哪些部分在解剖学上是相连的,在此基础上,才有可能探讨和理解功能连接。
将大脑看作一个动态连接的神经元集合的“社会”,这不仅在神经科学研究中,而且(甚至主要)在临床神经科学中都代表了一种模式的变化。在不久的将来,它将有可能解开“生理的”和“病理的”网络,以及调整相应的治疗和康复方法有一个核心“标记”来衡量他们的有效性和个性化的干预治疗。
更多详细的内容,请阅读原文(参考文献)。
Methods for analysis of brain connectivity: An IFCN-sponsored review,Clinical Neuro physiology(2019). DOI:10.1016/j.clinph.2019.06.006
作者信息
编译作者:Chole Full(brainnews创作团队)
校审:Simon(brainnews编辑部)
前 文 阅 读
欢迎加入超过 6000人的
全球最大的华人脑科学社群矩阵