《Human Brain Mapping》：Multimodal Brain Graph Analysis for Uncovering Path-Based Biomarkers in Schizophrenia: Integrating Static and Dynamic Approaches
编辑推荐：
分析多模态脑网络为理解脑疾病机制提供了新的见解。然而，大多数研究聚焦于单模态网络或使用全局/局部图指标，常常遗漏关于通路中断的关键信息。在本研究中，研究人员提出了一种新颖的框架，通过整合时间分辨功能网络连接（functional network connect
分析多模态脑网络为理解脑疾病机制提供了新的见解。然而，大多数研究聚焦于单模态网络或使用全局/局部图指标，常常遗漏关于通路中断的关键信息。在本研究中，研究人员提出了一种新颖的框架，通过整合时间分辨功能网络连接（functional network connectivity，FNC）和灰质（gray matter，GM）特征，利用高斯图模型（Gaussian graphical model，GGM）估计静态和动态多模态脑图。随后，研究人员应用基于路径的图论分析来识别连接器（connectors）和断开器（disconnectors），即与对照组相比在患者图中分别引入或消除路径的边。在精神分裂症中的研究发现揭示了若干与缺失或额外路径相关的边，表明存在使用单模态或成对分析无法检测到的网络中断。这些中断的通路跨越模态内和跨模态连接，特别涉及颞中回和小脑等区域。这项工作证明了多模态整合的价值，并强调了在表征疾病相关网络改变时超越单一边水平分析的重要性。研究人员的路径中心方法提供了脑连接中断的补充视角，并识别出精神分裂症的候选基于路径的标志物，这些标志物需要在独立数据集中进行验证。
论文解读
一、研究背景与问题
精神分裂症（schizophrenia，SZ）是一种严重的精神疾病，以妄想和幻觉为主要特征，患者常伴有情感平淡、动机减退、言语受限、社交退缩及认知损害。磁共振成像（magnetic resonance imaging，MRI）作为一种无创技术，在揭示SZ的功能和结构机制方面发挥了重要作用。结构影像学研究发现SZ患者存在广泛的皮质变薄、皮质表面积减少、灰质体积下降和白质体积减少，尤其在额叶和颞叶区域表现突出；功能影像学研究则发现SZ患者存在广泛的连接异常，常累及前额叶脑区。基于这些发现，研究者提出了失连接假说，认为SZ的特征在于脑区之间连接的中断。
然而，现有研究存在若干显著不足。第一，多数研究采用静态连接度量，忽视了脑网络固有的动态变化特性，而这一动态特性已知在SZ中受到影响。第二，直接比较对照组和患者组多模态脑图的研究稀缺，阻碍了对疾病相关特定改变的识别。第三，以往多模态研究往往分别分析不同模态的数据，再关联独立发现，或使用一种模态约束另一种模态的模型，未能充分利用跨模态信息。第四，以往脑图分析主要依赖皮尔逊相关（Pearson correlation），无法区分两个脑成分是直接连接还是通过另一脑成分间接连接。此外，现有文献主要关注聚类系数、平均路径长度等标准图指标来识别生物标志物，往往忽视对照组和患者组脑图中中断通路的细节。
二、研究内容与意义
针对上述问题，研究人员提出了一种开创性的多模态图估计方法，适用于静态和动态两种场景，并进一步识别区分对照组和患者组的基于路径的生物标志物。该研究的方法创新主要体现在：采用并行独立成分分析（parallel independent component analysis，pICA）作为数据融合算法，同时分析结构和功能两种模态；将功能网络连接和灰质特征整合为图节点；在静态和动态两种情境下分析多模态图；采用基于偏相关的高斯图模型替代传统的皮尔逊相关方法；基于路径分析识别患者图中导致路径缺失的断开器和导致额外路径的连接器。研究假设对照组与患者组之间的差异源于多链路通路的中断，最终目标是利用图论方法在静态和动态情境下揭示SZ的多模态基于路径的生物标志物。
三、关键技术方法
本研究使用了fBIRN队列数据，包含160名健康对照（healthy control，HC）和151名SZ患者。研究采用的主要技术方法包括：利用NeuroMark流水线中的空间约束独立成分分析提取53个内在连接网络（intrinsic connectivity network，ICN）；采用并行独立成分分析（pICA）融合静态功能网络连接（sFNC）和灰质（GM）特征以定义多模态节点；使用图形套索（graphical lasso）模型估计静态多模态高斯图模型（GGM），基于目标密度准则选择公共正则化参数；采用滑动窗口方法估计动态功能网络连接（dFNC），结合k-means聚类识别五个递归连接状态；使用联合图形套索（joint graphical lasso，JGL）估计各状态特异性精度矩阵；基于连通分量概念进行路径分析，识别断开器和连接器；通过重复平衡样本敏感性分析评估动态路径发现的稳定性。
四、研究结果
4.1 静态分析结果
基于专家判断，研究排除了4个灰质图伪影成分，保留了11个GM成分，并估计了15个sFNC成分。单变量检验显示，与HC相比，SZ组在所有听觉（AUD）、感觉运动（SM）和视觉（VIS）网络之间的连接显著减弱，且SC网络与AUD、VIS、SM网络之间的拮抗连接也降低。采用目标密度准则选择了公共图形套索正则化参数α=0.3853，HC图包含34条边（密度0.1046），SZ图包含32条边（密度0.0985）。两图共享26条边，SZ中有3条简单缺失边和5条简单新增边。路径分析识别出SZ图中的5个断开器：（sMRI_10，sMRI_15）、（sMRI_14，sFNC_14）、（sFNC_6，sFNC_13）、（sFNC_6，sFNC_14）和（sFNC_7，sFNC_14），以及1个连接器（sFNC_5，sFNC_15）。其中断开器（sMRI_14，sFNC_14）为跨模态边，其余均发生在模态内。
4.2 动态分析结果
动态分析中，研究排除了2个GM伪影成分，保留了13个GM成分和14个dFNC成分。k-means聚类确定了5个功能连接状态，其中状态3、5和2呈现中到高相关模式，状态1和4呈现低和最弱连接模式。状态2显示AUD、SM、VI、SC和CB域之间最显著的相关，以及SC与AU、SM、VI之间的显著拮抗。组间差异检验发现各状态均有显著差异的FDR校正p值，状态1为173个，状态2为55个，状态3为41个，状态4为57个，状态5为34个。
路径分析在各状态中识别出不同的断开器和连接器。状态1识别出4个断开器（均为多模态，涉及小脑灰质成分和颞极成分与FNC成分的连接）和3个连接器（包括1个模态内和2个多模态）。状态2识别出1个多模态断开器（sMRI_13，FNC_1）和23个连接器（其中10个为多模态）。状态3仅识别出1个模态内断开器（FNC_4，FNC_6）。状态4识别出1个多模态断开器（sMRI_13，FNC_8），涉及颞中回灰质成分与感觉运动-视觉域FNC成分。状态5识别出2个断开器和7个连接器（其中2个为多模态）。重复平衡样本分析显示，状态4的sMRI_13–FNC_8断开器在100%迭代中被恢复，状态2的FNC_4–FNC_9和sMRI_7–FNC_13连接器恢复率分别为86.4%和82.0%，而其他路径发现稳定性中等或有限。
五、讨论与结论
讨论部分指出，基于路径的分析框架能够区分改变网络可达性的图差异与不改变连通分量组织的简单边水平差异。静态分析中，3条简单缺失边和5条简单新增边未改变网络可达性，说明边差异本身并不必然意味着网络水平可达性的丧失或获得。静态分析中大多数改变路径的边发生在结构或功能模态内，但存在一个跨模态断开器（sMRI_14–sFNC_14），表明结构-功能关系也贡献于HC和SZ之间的拓扑水平差异。动态分析揭示了额外的状态依赖跨模态路径改变，表明静态和动态图表示提供关于SZ相关网络重组的互补信息。研究还指出，动态敏感性分析表明各状态特异性发现的稳定性存在差异，因此识别出的连接器和断开器应被解释为候选基于路径的标志物，需要额外验证。
研究结论总结如下：研究人员提出了一个在静态和动态情境下估计和比较多模态脑图的框架，特别关注识别改变HC和SZ组之间网络可达性的边。通过数据融合整合结构和功能影像特征，并使用高斯图模型建模其条件依赖关系，该研究超越了传统的成对边比较，表征了多边通路的改变。静态和动态分析提供了互补信息，动态结果揭示了额外的状态依赖和跨模态路径改变。这些发现证明了基于路径的多模态图分析在表征精神分裂症网络中断方面的潜在价值。识别出的连接器和断开器应被视为候选基于路径的标志物，需要在独立和重采样数据集中进一步验证。
