精神疾病大脑的“脑震”：时空复杂性视角下信息整合与分离失衡的发现

《Molecular Psychiatry》：Spatiotemporal complexity in the psychotic brain

本研究针对精神分裂症(SZ)和双相情感障碍(BP)等精神疾病诊断挑战，利用静息态功能磁共振成像(rsfMRI)和基于信息论的复杂性度量，深入探究了精神病大脑的时空复杂性。研究人员通过整合信息分解和总相关(Total Correlation)等高阶功能连接分析技术，发现精神病大脑在空间和时间维度上均表现出更高的随机性和不规则性，其关键特征为冗余信息(Redundancy)与协同信息(Synergy)之间的平衡被破坏，即“脑震”(Brainquake)。该现象凸显了精神病大脑网络的不稳定性和功能失调，为理解精神疾病的神经机制提供了新视角，并为开发新型生物标志物和干预策略提供了潜在靶点。

　　

人类大脑，这个宇宙中已知最复杂的系统，其精密的时空组织方式一直是科学家们探索精神疾病病理生理机制的核心。精神分裂症(Schizophrenia, SZ)和双相情感障碍(Bipolar Disorder, BP)等精神疾病，临床表现多样且缺乏可靠的生物标志物，给精准诊断和治疗带来了巨大挑战。近年来，神经影像学技术的飞速发展揭示，特定脑区的时空动力学改变可能是SZ和BP发生和发展的关键。其中，大脑功能连接，即不同脑区在活动上的协同性，被认为是精神疾病的标志性特征之一。然而，传统的基于皮尔逊相关性的功能连接分析主要捕捉的是脑区之间的两两线性关系，难以全面揭示大脑内复杂的高阶相互作用。大脑作为一个高度非线性的复杂动态信息处理系统，其正常功能依赖于信息整合（不同脑区信息的协调与组合）与信息分离（特定脑区对特定信息的专门化处理）之间的精细平衡。这种平衡的打破，被认为是精神疾病发生的重要环节。因此，开发能够超越两两相关、捕捉多脑区协同互动的高阶分析方法，并以此量化精神病大脑中信息处理的异常，对于深入理解这些复杂疾病的本质至关重要。

在此背景下，由Qiang Li、Vince D. Calhoun等研究人员在《Molecular Psychiatry》上发表的最新研究，开展了一项旨在定量评估精神病大脑时空复杂性的深入研究。为了回答精神病大脑功能组织的基本问题，研究人员采用了几项关键技术方法。本研究分析了来自多中心“双相与精神分裂症中间表型网络”(Bipolar and Schizophrenia Network on Intermediate Phenotypes, BSNIP)研究的1111名参与者（包括640名正常对照NC、288名SZ患者和183名BP患者）的静息态功能磁共振成像(resting-state fMRI, rsfMRI)数据。数据处理的核心是使用空间约束独立成分分析(Spatially Constrained ICA)，特别是多目标优化带参考的独立成分分析(Multi-objective Optimization ICA with Reference, MOO-ICAR)，利用包含105个跨多个空间尺度的内在连接网络(Intrinsic Connectivity Networks, ICNs)的Neuromark_fMRI_2.1模板，来估计个体特异性的脑网络及其时间动力学。在复杂性度量方面，研究采用了模糊递归图(Fuzzy Recurrence Plots, FRP)和样本熵(Sample Entropy, SampEn)来分别评估空间和时间复杂性；应用整合信息分解(Integrated Information Decomposition)，基于部分信息分解(Partial Information Decomposition, PID)框架，将脑网络信息分解为冗余(Redundancy)、协同(Synergy)和独特(Unique)成分；并利用总相关(Total Correlation, TC)来量化超越两两关系的高阶功能连接(High-Order Functional Connectivity, HOFC)，以探索脑网络的高阶拓扑组织。

Estimated subject-specific ICNs and their temporal dynamics using psychotic rsfMRI

研究人员首先通过组水平独立成分分析(Group ICA)从一个大型队列中获得了包含105个内在连接网络(ICNs)的数据驱动脑网络模板（Neuromark_fMRI_2.1）。这些网络被划分为视觉(VI)、小脑(CB)、颞叶(TP)、皮层下(SC)、感觉运动(SM)和高级认知(HC)六个功能域。

随后，他们利用MOO-ICAR方法，以此模板为空间先验，估计了NC、SZ和BP三组受试者个体特异性的ICNs及其时间序列，为后续的复杂性分析奠定了基础。

The irregularities present in the spontaneous psychotic brain

为了度量精神病大脑的时空复杂性，研究应用了模糊递归图(FRP)和样本熵(SampEn)。通过优化参数（延迟τ=6，嵌入维度e=3，容差r=0.08）构建的FRP显示，与NC相比，精神病（SZ和BP）大脑的活动表现出更大的不可预测性和不规则性。模糊确定性(Fuzzy Determinism, DET)分析进一步表明，SZ和BP大脑的活动更倾向于随机状态。样本熵分析揭示，精神病大脑的样本熵值更高，表明其活动更具随机性。通过将样本熵值映射到标准脑表面，研究发现最显著的不规则性和不可预测性出现在感觉运动网络(SM)、视觉网络(VI)、默认模式网络(Default Mode Network, DMN)、额顶网络(Fronto-Parietal Network, FPN)、颞叶网络(TP)以及皮层下区域（如杏仁核和海马）。这些发现提示这些特定脑域在SZ和BP的病理生理中扮演关键角色。

Disruption of redundancy and synergy in the psychotic brain

研究通过整合信息分解来量化脑网络中的冗余信息和协同信息。结果显示，与NC相比，精神病大脑中的冗余信息模式发生改变：在脑网络社区内部减少，而在社区之间增加。同时，协同信息在精神病大脑中普遍减少。冗余/协同功能连接强度与阳性和阴性症状量表(Positive and Negative Syndrome Scale, PANSS)评分显著相关，表明不同的连接模式可能与精神病理学的不同维度有关。通过计算协同排名减去冗余排名的梯度，并将其映射到脑表面，研究发现精神病大脑中冗余与协同的分布平衡被打破，这种失衡可能是精神病大脑的一个重要生物标志物。受影响的关键脑区与样本熵的结果一致，包括SM、VI、DMN、FPN、TP以及杏仁核和海马等SC区域。

Aberrant high-order dependencies in the psychotic brain

为了探索信息的拓扑整合与分离，研究将冗余和协同功能连接转换为树状图进行可视化。结果显示，与NC相比，SZ和BP表现出明显的拓扑分布模式，表明其大脑活动更具分离性且整合性更差，反映了不同脑域间协调性的降低。此外，应用总相关(TC)估计的高阶功能连接显示，精神病大脑的TC值（NC: 58 nats, SZ: 62 nats, BP: 65 nats）显著高于NC，表明精神病大脑倾向于呈现局部随机性状态，高阶信息交互存在异常。

Computational model of Brainquake for the psychotic brain

基于上述系统性分析，研究人员提出了一个计算模型来模拟精神病大脑，并将其核心发现概括为“脑震”(Brainquake)。这个概念借用地震学的比喻，形象地描述了精神病大脑中多个关键网络（感觉运动、视觉、颞叶、默认模式、额顶网络以及海马和杏仁核区域）所表现出的高度不稳定性。与正常大脑中相对稳定的网络相比，精神病大脑中的这些网络如同活火山，更容易发生突然的功能紊乱，强调了精神病大脑功能连接模式的脆弱性和不稳定性。

结论与意义

本研究通过先进的时空复杂性和信息论分析方法，为理解精神分裂症和双相情感障碍的神经基础提供了新的重要见解。研究发现，精神病大脑并非简单的“连接过度”或“连接不足”，而是表现出一种信息处理根本上的失衡状态——即“脑震”，其特征是冗余信息与协同信息之间的精细平衡被破坏，导致大脑活动趋向于随机和不稳定。这种失衡在感觉运动、视觉、高级认知、颞叶网络以及杏仁核、海马等皮层下结构中尤为明显。该研究的意义在于：首先，它引入了“脑震”这一新颖概念，为理解精神病大脑的功能失调提供了统一的框架；其次，它证明了高阶功能连接分析和信息分解方法在揭示精神疾病复杂神经机制方面的强大能力，超越了传统两两相关的局限；最后，这些发现不仅深化了对SZ和BP病理生理学的认识，而且为未来开发针对这些信息处理失衡的精准诊断工具和新型治疗策略（如神经调控）指明了潜在靶点。尽管研究在测量方法、因果推断和动态特性探索方面存在局限，但它无疑为精神病学研究开辟了新的方向，强调了从信息整合与分离的平衡角度探索大脑复杂性的重要性。