Brain：帕金森患者脑内功能网络连接异常

    帕金森病是第二常见的神经退行性疾病，被认为是一种多系统疾病，包括运动（如震颤、肌肉萎缩或僵硬）和非运动症状（如认知缺陷）。帕金森病患者中黑质纹状体多巴胺的耗竭影响许多广泛分布的神经回路，因此脑网络异常是帕金森病神经病理学的一个组成部分。先前的研究表明神经网络的改变影响了帕金森病的临床相关症状。然而，先前的大多数研究并未考虑随时间变化的动态影响，因为在静息状态fMRI扫描期间，功能连接被假定为不变的。

    最近的研究发现并探索了健康受试者的动态功能连接；此外，在精神分裂症、癫痫和自闭症的临床研究中，动态功能连接与临床的相关性和潜在生物标记物效用被提出；基于图论的方法应用于动态功能连接性研究表明，脑网络的变异性也可能提供有关神经退行性疾病本质的重要信息。例如，在精神分裂症患者中检测到局部和全局网络效率的变异性降低。相反，另一项研究报告癫痫患者失神发作期间功能网络拓扑之间的复杂转换，表明癫痫发作后会发生适应性重构。

    帕金森病患者在动态功能连接的背景下，全脑功能连接和网络特性的改变仍然是未知的。本研究使用静息状态功能磁共振成像和滑动窗分析来比较帕金森病患者和健康对照者的动态功能连接。使用功能连接性状态分析和基于图论的分析来评估动态度量。本研究的目的是利用静息状态功能磁共振成像（MRI）评估健康对照组和帕金森病患者之间动态连接的差异。该研究主要目标是证明：

    （i）动态功能连接的时间特性和

    （ii）脑网络的动态拓扑特性是否能够表征帕金森病的潜在本质以及与临床特征相关。

BRAIN ：帕金森病中与痴呆相关的动态功能连接改变

 
   材料和方法

   被试

   本研究共招募了31名帕金森病患者（平均年龄65.5±7.2岁；9名女性和22名男性被试）和23名健康对照组（平均年龄64.5±8.3岁；11名女性和12名男性被试）。帕金森病患者均被确诊为特发性帕金森氏病。排除标准包括头部损伤史、除帕金森氏症以外的精神或神经疾病史、其他主要医疗疾病史、酒精或药物依赖或滥用史。所有被试都进行了核磁共振兼容性检查。向参与者解释实验程序，并在参与研究之前获得书面知情同意。这项研究得到了大学健康网络研究伦理委员会和成瘾与心理健康中心的批准。

     神经心理学和临床评估

   帕金森病患者的疾病严重性评估采用帕金森病统一分级量表（UPDRS-III；Goetz，2008）的运动亚组以及Hoehn和Yahr分期。根据先前的研究，计算每个患者的左旋多巴等效日剂量。帕金森病组平均左旋多巴等效日剂量为652.5±309.3mg。所有受试者分别完成蒙特利尔认知评估和贝克抑郁量表II以评估整体认知健康和抑郁症状。人口统计学和临床特征见表格1。

表格 1人口统计学和临床特征

 

   MRI图像采集

   帕金森病患者在核磁共振扫描期间服用多巴胺能药物，以尽量减少不适和头动造成的伪迹。被试要求睁大眼睛，放空大脑，在进行功能像扫描（持续时间：8分钟4秒）期间不要想任何具体的事情。静息状态数据采用梯度回波/快速梯度回波脉冲序列（重复时间=2000ms；回波时间=30ms；翻转角度=60°；视野=220x220；矩阵大小=64x64；层数=31；体素大小=3.43x3.43x5.0，连续扫描）。使用快速旋转梯度回波脉冲序列获得功能叠加的T1像。

    静息状态功能像预处理

   静息状态功能像数据预处理使用SPM12在MATLAB中实现。去除前五个时间点的扫描数据，以便实现磁化平衡，共有235个时间点。功能像被头动以第一个时间点为标准；根据组织概率图分割为白质、灰质和脑脊液；空间标准化对齐MNI模板；空间平滑的高斯核取6mm。 

         控制头动参数

   采用了严格的纳入标准，为了最小化头动对动态功能连接的潜在影响。首先，根据在个别被试的头动校正步骤中获得的三个位移和三个旋转参数，计算两个连续的时间点图像之间的平移和旋转方向的平均值。最大位移是每个被试相对于参考像的最大绝对位移。平均框架位移超过平均值0.5mm或最大位移值超过1mm的被试被排除在分析之外。健康对照组（平均值=0.12±0.051 mm）和帕金森病组（平均值=0.14±0.056 mm；P>0.05）的框架位移无差异。此外，使用CompCor基于成分的噪声校正方法对包括6个运动参数以及来自白质和脑脊液体素的干扰信号进行回归，以校正头部运动和生理噪声。 

         识别内在连接网络

   为了建立内在连接网络，依据功能磁共振工具箱（GIFT）实现了空间组独立成分分析（ICA）. 所有被试的功能像首先被分解成一组独立的成分，每个成分在信息最大化的算法的基础上呈现出各自的时间特征。对于每个被试，使用最小描述长度的方法估计独立成分的数量，结果平均为67个独立成分；然后选择一种高阶独立成分分析方法（100个独立成分），用于改良分组。将所有被试的功能像数据连接起来，用于获取组独立成分。在进行数据简化之前，对每个体素的时间序列用体素相关的方差归一化处理，这是已知的能有效降低维度的方法。

    数据简化分为两步，对于被试的数据简化以及组间的数据简化。对于特定被试的数据简化，根据主成分分析总共保留了120个主成分；在组间数据简化中，将连接起来的被试简化数据分解成100个组独立成分，利用期望最大化算法使组间差异最大化。通过在GIFT中实现的ICASSO与20个迭代估计进行比较，评估信息最大化ICA算法估计的可靠性，选择平均聚类内相似度大于0.8的独立成分进行分析。为了创建每个被试的空间成像与时间序列，使用GICA反向重建算法对组独立成分进行反向投影，最后的组成部分并不是按比例缩放，以保持信号的百分比变化。

    在100个独立成分中，有44个被确定为有意义：

   （i）空间图像的峰值坐标大部分位于灰质；

    （ii）与血管、心室或敏感性伪迹没有空间重叠；

    （iii）以低频信号为主的时间序列（频谱中0.1 Hz以下的功率与0.15-0.25 Hz的功率之比）；以及（iv）以高动态范围（最小和最大功率频率之差）为特征的时间序列。利用独立成分和模板之间的空间相关值，本研究将所选的44个独立成分分类为七个功能网络：基底神经节（BG）、听觉（AUD）、感觉运动（SMN）、视觉（VIS）、认知执行（CEN）、默认模式（DMN）和小脑（CB），如图1所示。

图1 由组ICA识别的44个独立成分 

（A）通过独立成分分析识别出的七个功能网络[基底神经节（BG）、听觉（AUD）、感觉运动（SMN）、视觉（VIS）、认知执行（CEN）、默认模式（DMN）和小脑（CB）] 

（B）根据静息态的数据计算出组平均的功能连接。相关矩阵中的值表示经过Fisher-z变换的Pearson相关系数。44个独立成分中的每一个都是基于七个功能网络按网络组重新排列的。独立成分所属的功能网络写在矩阵的左侧和底部，以及与（A）中空间图的颜色相匹配的彩色编码图例。 

            对44个独立成分的时程进行降噪，去除生理噪声和扫描仪噪声，首先对时间序列进行去趋势化（线性、二次和三次趋势），然后用高频为0.15Hz的五阶巴特沃斯低通滤波器滤波。为了建立静态功能连接矩阵，在整个扫描过程中，使用独立成分降噪处理之后的时间序列计算Pearson相关系数，然后用Fisher-z变换转换为z值（图1B）。 

         计算动态功能连接

   使用GIFT中的动态功能网络连接（FNC）工具箱，采用两种方法对动态功能连接进行分析：滑动窗口法（即功能连接随时间的变化）和k-均值聚类法（即提取出重复出现的功能连接模式）。采用滑动窗口方法研究了44个独立成分网络在fMRI扫描中功能连接性的动态变化。将静息态时间数据分割成宽度为44s的宽度为22个重复时间（TR）窗，用高斯卷积平滑半径取3-TR。沿着长度为235TR的扫描数据（470s）一个TR一个TR地滑动窗口，整个扫描产生214个连续窗口。本研究选择44s分段窗口长度，因为曾有研究表明，它在解决功动态功能链接和相关矩阵估计的质量之间提供了很好平衡。利用每个窗口内所有可能的44个独立成分对的时间序列数据，使用正则化精度矩阵（逆协方差矩阵）计算得到44x44个成对的协方差矩阵。

   功能连接状态分析：时间特性和功能连接强度

   本研究应用k-均值聚类法对所有被试的214个窗口功能连接矩阵进行估计，以估计重复出现的功能连接模式，这些模式具有频率（通过时间出现来测量）和结构（通过表示强度和方向性来测量）两种特征。利用L1距离（Manhattan距离）函数估计了各功能连接矩阵与簇质心即质心之间的相似性。在子采样窗口上对k-均值算法进行100次迭代，以减小簇质心初始随机选择的偏差。为了减少窗口间的冗余度和计算量，采用功能连接的方差的局部极大值组成的窗口作为每个对象的子样本。为了估计最佳聚类数，对所有被试（总共661个窗口；每个受试者12.2±1.9个窗口）的子采样窗口进行了聚类数有效性分析，k的范围从2到10。经过差距统计与轮廓统计之后，确定最优簇数为2（k=2）。初始化两个簇质心后，根据与簇质心的相似性，将每个被试的所有功能连接矩阵归类为两个聚类中的一个。从这些数据中，得到了一个状态转换向量，表示它们随时间的变化。通过计算每个状态的功能连接矩阵的中值，计算每个状态的特定对象质心。为了使组比较模式可视化，我们还分别通过平均帕金森氏病和健康对照组被试的特定质心来计算两组特定质心的差异。为了研究动态功能连接的时间特性，评估了被试状态转换向量中的三个不同变量：分数窗、平均停留时间和转化次数。分数窗是指每个状态下花费的时间的百分比；平均停留时间表示被试在某个状态下停留的时间，该时间是通过将在一个状态下转换为另一种状态之前的连续窗口数进行平均而得出的；转换次数表示从一种状态转换为另一种状态的次数，转换次数越多，表示随着时间的推移稳定性越差。采用双样本t检验或曼-惠特尼U检验（P<0.05，FDR校正）检验健康对照组和帕金森病组之间每种状态的平均停留时间和转换次数的显著性。使用Circos软件，以圆图的方式可视化了簇质心和群质心的连接图。 

         动态图论指标：效率方差

   应用图论方法研究了功能连通网络拓扑结构的变异性，在功能像定义了44个独立成分作为节点，每个独立成分之间的连通性作为边。用GRETNA软件对被试的功能连接矩阵进行功能连接网络的构建和计算。首先，对214个功能连通矩阵进行二值化，定义为现有边数除以最大可能边数（946对）。为了生成一个无向无权图，即邻接矩阵，即定义网络的拓扑结构，如果节点i和节点j之间的边大于选择的阈值，则将边指定为1；如果边小于阈值，则将边指定为0。根据先前的研究，稀疏性的阈值范围确定为0.1到0.34，步长=为0.01，仅考虑正相关。

    为了研究功能连接网络中的并行信息传输，本研究从两个方面研究了网络效率：全局效率和局部效率。效率是一个点与所有可能节点之间最短距离的调和平均值的倒数；网络的全局效率是所有节点的平均效率，表示网络中的并行信息传输。全局效率关注节点之间所有可能的路径，而局部效率关注与能相互之间直接链接的节点。网络的局部效率是节点邻域内节点局部效率的平均值，被认为是节点被移除时网络容错性的指标。

    计算了各稀疏阈值下的局部效率和全局效率。为了避免单独选择阈值，本研究应用了曲线下面积（AUC）方法，此方法广泛应用于基于图论的网络研究。对于每个图论指标，AUC是在定义的阈值范围内计算的，用它来创建静态扫描图论指标变化的图。然后，计算AUC随时间变化的方差。采用Wilcoxon秩和检验（P<0.05）检验两组间图形测量值的变化是否存在差异。

   帕金森病组的指标的变化与临床变量的关系

   本研究对改变的网络特性（时间特性和网络指标）与临床变量（包括抑郁评分、疾病持续时间、疾病严重程度（UPDRS-III评分、Hoehn和Yahr分期）、多巴胺能药物每日剂量、年龄和性别）进行了Spearman相关分析（P <0.05）。 

         结果

   人口统计学和临床特征

   健康对照组与帕金森病组在性别、年龄、MoCA评分等方面无显著性差异。帕金森病组的抑郁评分高于健康对照组。

     内在连接网络

   使用ICA分析出的所有44个独立成分的空间图如图1所示的7个网络。图1B显示了在整个扫描过程中计算的独立成分之间的组平均静态功能连接网络。

     动态聚类分析与功能连接强度

   利用k-均值聚类方法，确定了两种高度结构化的功能连接性状态。图2A展示了这些常见的功能连接状态和相应的可视化连接模式：更频繁和稀疏连接的状态I，以及更频繁和更强连接的状态II。这两种状态在所有被试中的总发生率是完全不同的，第一种状态发生的频率（76.1%）高于第二种状态（23.9%）。

    图2B显示了每种状态下前5%强度的功能连接区域。在状态I中，独立成分之间的连接主要位于正相关的网络内。相反，状态II的特征是具有正相关和负相关的功能连接网络之间的连接。

图2 每种状态的聚类分析结果。

（A） 每种状态的簇质心。出现的总数和总出现的百分比列在每个簇的中间值之上。

（B） 在每种状态下，仅显示最强5%的连接。每个正方形代表七个网络中的一个。红线代表正功能连接，蓝线代表负功能连接。BG=基底节；AUD=听觉；SMN=感觉运动；VIS=视觉；CEN=认知执行；CB=小脑网络。

 

   帕金森病组和健康对照组功能连接状态的时间特性

   图3A和B显示了通过k-均值聚类分析检索到的特定于组的簇质心。如上所述，在健康对照组和帕金森病患者的状态I中，独立成分之间的稀疏连接主要位于具有正相关的网络（感觉运动网络、视觉网络和DMN）内，而功能连接网络之间的更强连接主要见于状态II。这既包括感觉运动网络与DMN（以及DMN与认知执行网络）之间的负相关，也包括感觉运动网络、认知执行网络和视觉网络之间的正相关。我们发现分数窗存在显著的组间差异（P<0.05，Mann-Whitney U检验），这表明帕金森氏病在每个状态下的时间比例与健康对照组相比有显著差异（图4A）。在健康对照组中，I状态的总发生率（83.38±22.28%）再次高于II状态（16.62±22.28%）。然而，在帕金森氏病组中，I状态出现的频率较低（70.76±4.65%），II状态出现的频率较高（29.24±4.65%）。得出结论，在帕金森病患者中，状态I的发生率下降了12.62%，而状态II的出现率也相应增加了12.62%。

图3功能连接状态结果。

（A）每种状态的组特异性簇质心，在每组的被试特异性中位簇质心之间的平均值[状态I与状态II总发生率的百分比：健康对照组（HC）分别为83.4%和16.6%，帕金森病组（PD）分别为70.8%和29.2%]。

（B）健康对照组和帕金森病组每个状态下的功能连接，仅显示最强5%的连接。BG=基底节；AUD=听觉；SMN=感觉运动；VIS=视觉；CEN=认知执行；CB=小脑网络。

 

    如图4B所示，在每个状态的平均停留时间中出现了显著的组差异。具体地说，帕金森病组与健康对照组相比，I状态的平均停留时间显著缩短（健康对照组的平均值±SD为115.7± 81.3；帕金森病组的平均指±SD为71.8±60.8，P50.05，Mann-Whitney U检验，FDR校正），这意味着连接较弱的状态的停留时间更短。相比之下，帕金森病组与健康对照组相比，状态II的平均停留时间明显更长（健康对照组：12.2±14.3；帕金森氏病组：24.3± 20.6，P<0.05，Mann-Whitney U检验，FDR校正），表明状态的停留时间更长，相互关联性更强。两种状态之间的转换次数无组间差异。总的来说，这些变化表明在帕金森病患者中，较弱的网络内功能连接（状态I）的稳定性受到显著影响，而较强的网络间功能连接（状态II）反而成比例增加。

图4 功能连接状态分析的时间特性。

（A） 每组所有被试的的平均分数窗，以百分比衡量（即在状态I和状态II花费的总时间），

（B） 帕金森病（PD）和健康对照组（HC）的平均停留时间（即切换前在每个状态下停留连续窗口数）（C）转换次数（即状态间切换）用误差条表示。星号表示组间差异显著（P <0.05，FDR校正）。

     与临床表现的关系

   动态功能连接特性与临床特征相关性的进一步分析帕金森病组，发现I状态的停留时间与UPDRS-III运动症状评分呈负相关（图5A），可能表明运动功能恶化与在状态I（即在网络功能连接中受损）下停留时间缩短之间存在关联。此外，状态间的转换次数与UPDRS运动症状评分呈正相关（图5B），表明动态状态的变化与帕金森氏病运动症状严重程度之间存在关系。

图5 帕金森病组UPDRS-III运动症状评分与动态功能连接时间特性的相关性。

（A） 帕金森病患者状态I的平均停留时间与UPDRS-III运动症状评分呈负相关，而（B）状态转换次数与UPDRS-III运动症状评分呈正相关（P＜0.05，FDR校正）。

            动态图论性质：网络效率

   针对每个被试计算随时间变化的大脑连接图论指标的差异，并在各组之间进行比较。图6显示了每组局部效率和整体效率方差的平均值和95%置信区间，以及方块图和平滑密度直方图。一般来说帕金森病组在整体效率上表现出比健康对照组更高的差异，这表明在帕金森病组中，功能网络中的平均并行信息传递效率较低，更不稳定。相比之下，衡量邻域内关键节点之间平均效率的局部效率受影响较小。

图6 动态功能连接性中图论指标的方差。

健康对照组（灰色）和帕金森病组（红色）的功能连接性矩阵的（A）全局和（B）局部效率的方差用小提琴图表示。水平线表示组平均值（黑色）和中间值（红色）。星号代表存在显著差异

 

   结论

   有研究表明，动态功能连接性可以反映神经系统功能能力的各个方面，因此，可以作为一种新的疾病生理生物标记物。本研究首次对帕金森病患者的动态功能连接性进行了研究，重点研究了功能连接性的时间特性以及网络图论结构的变异性。动态功能连接分析提出了两种离散连接性状态，一种是频繁且稀疏的连接性状态（状态I），另一种是不频繁且紧密的连接性状态（状态II）。在帕金森病患者中，出现稀疏连接状态（状态I）下降了12.62%，而更紧密相连的II状态反之增加了大约相同的量。这与帕金森病中动态功能连接性的时间特性改变是一致的，其特征是缩短了状态I的停留时间，同时增加了较强连接的状态II的停留时间。

    综上所述，这些观察证实了静息状态网络在神经退行性疾病中的脆弱。从定义上来说，神经退行性病变可能代表衰老和疾病，具有重叠的神经生理学变化。在健康老龄化过程中，有清晰的证据表明，网络内部功能连接较弱，同时网络之间功能连接相对增加，这是因为神经网络分离程度降低。这种功能稀疏度的减少与疾病的表达密切相关，功能连接的时间动态与帕金森病患者的临床严重程度密切相关。事实上，运动症状的恶化与网络内状态I停留时间的缩短和状态间转换次数的增加有关。这解释了在这些患者中观察到的网络整体效率的更高可变性，意味着功能网络内以及功能网络间的信息传递效率较低且更不稳定，并表明帕金森病患者的大脑网络存在异常的整体整合。

    观察到的网络功能连接之间的增强与帕金森病的运动损伤有关。如上所述，状态I的特点是主要位于不同网络（即感觉运动网络、DMN和视觉网络）内的正相关，并且已知在帕金森病症状的发病机制中起着关键作用。对帕金森氏病的几项研究发现，感觉运动网络中的功能连接异常显示为感觉运动相关能力受损；视觉功能也是受帕金森病影响的主要复杂感觉领域，它与视觉信息的异常处理和有时导致视觉幻觉的不良视觉处理有关。视觉-感觉-运动交互作用对于运动控制和运动学习非常重要，这些导致了帕金森病患者的一部分缺陷。综上所述，这些结果表明帕金森病患者的视觉运动障碍可能与视觉和感觉运动区域的动态功能连接改变有关；DMN动态功能和调节也至关重要，与协调运动和认知功能的关键交互功能网络密切相关；多巴胺能通路的中断，以及-突触核蛋白的沉积，会影响DMN活性和其他神经网络之间的调节，从而导致运动和认知功能差。

    相反，状态II的主要特征是网络（即感觉运动网络和认知执行网络、视觉网络）之间更强的正相关，以及感觉运动网络和DMN（以及DMN和认知执行网络）之间的负相关。帕金森病患者中这些功能的显示频率增加，这是由于功能稀疏度减少，可以解释为内在脑网络的潜在代偿机制，导致更强的同步性。因此，为了将有效的认知加工转化为行动，需要在中央执行区和感觉/运动区之间进行交流（同时使DMN失活）。总之，大脑网络中异常的时间模式和功能分离，加上运动障碍的严重程度和拓扑特性高变异性，以及脑网络中异常的全局整合，为动态功能连接网络在帕金森病中的作用提供了新的见解。

微信扫码或者长按选择识别关注思影