基于数据驱动的闭环控制驱动神经状态转移以获得机制性认识

《Human Brain Mapping》：A Data-Driven Closed-Loop Control Approach to Drive Neural State Transitions for Mechanistic Insight

　　

摘要：情绪状态动力学异常是抑郁症的特征性表现，即使在症状缓解后仍可持续。重度抑郁障碍缓解期（rMDD）个体常表现出对负性情绪状态更高的反应性，以及从负性情绪中恢复效率降低，这与缓解后情绪动力学改变一致。这些模式可能反映了大脑在不同神经状态之间灵活切换能力的改变，而这些神经状态分别支持不同的情绪模式。因此，刻画实验诱发情绪状态进入与退出过程中的动力学机制，对于理解复发易感性并为机制性干预提供依据至关重要。研究人员提出了一种将动态系统重建（DSR）与基于模型的控制相结合的数据驱动框架，利用功能磁共振成像（fMRI）数据推断静息与悲伤情绪脑状态之间转移的最优控制策略。基于rMDD个体与健康对照（HC）训练的非线性DSR模型给出了区域特异性、状态依赖性的控制策略。较小脑区（如亚膝扣带前回（sgACC）、伏隔核（NAcc））表现出更高的可控性，实现状态转移所需能量更少。值得注意的是，rMDD参与者在进入悲伤情绪状态以及在更局限的空间范围内退出悲伤情绪状态时，所需控制能量均低于HC。尽管他们到达静息状态目标时与目标的接近程度相似，但在返回静息时仍更接近悲伤情绪分布，提示其对悲伤情绪分布存在残余偏向。rMDD中更高的耦合，尤其是指向背外侧前额叶皮层（DLPFC）的耦合，与更低的控制能量相关，提示更强的网络耦合有助于状态转移。这些发现表明，rMDD的动力学更容易进入悲伤情绪状态，但更难完全脱离。更广泛而言，这项研究表明，将闭环控制应用于数据驱动动力学模型可为脑状态转移提供机制性认识，并为未来关于认知脆弱性或代偿过程的假设提供线索。

该研究围绕抑郁症中情绪状态动力学异常这一核心问题展开。既往研究表明，即使在症状缓解后，既往重度抑郁障碍患者仍常表现出对负性情绪的敏感性增强、反刍思维增加以及从诱发的悲伤中脱离困难，但多数证据主要来自静态或时间平均的功能连接分析，难以揭示情绪状态如何随时间演化，也难以直接说明脑网络中哪些机制促进了进入悲伤状态、又阻碍了脱离悲伤状态。为弥补这一不足，研究人员将动态系统重建（DSR）与最优控制理论结合，基于缓解期重度抑郁障碍（rMDD）与健康对照（HC）的功能磁共振成像（fMRI）数据，重建个体脑动力学并推断在静息与悲伤诱导状态之间转移所需的最小控制输入，从而从机制层面刻画抑郁相关脑状态可控性的异常。

研究人员首先验证静息与悲伤状态在神经状态空间中可被清晰区分，且这种分离呈现非线性边界；随后利用分段线性循环神经网络（PLRNN）建立个体化DSR模型，证明模型不仅可重建时间序列的频谱结构，还可复现区域间功能连接模式，并显示所重建动力学具有混沌特征。基于这些模型，研究人员进一步构建闭环最优控制策略，按脑区逐一评估虚拟调控对状态转移的影响，发现小脑区如sgACC和NAcc具有更高可控性。组间比较显示，rMDD在进入悲伤状态时需要更少控制能量，在返回静息时也总体表现出较低能量需求，但在回到静息过程中仍残留向悲伤状态靠近的偏向。进一步分析发现，rMDD的整体耦合强度更高，且多个脑区更强的外向耦合与更低控制能量相关，提示网络连接增强可能是状态转移更容易发生的机制基础。该研究的重要意义在于，首次以数据驱动的闭环控制框架将临床情绪动力学问题转化为可量化的神经可控性问题，为理解抑郁复发易感性、识别潜在干预靶点以及提出机制性神经调控假设提供了方法学基础。

本研究主要技术方法包括：基于既往队列重新分析的30例rMDD与30例年龄、性别、教育匹配的HC；任务态与静息态fMRI数据预处理后提取双侧11个感兴趣脑区的时间序列，并进行主成分降维；采用动态系统重建（DSR）与分段线性循环神经网络（PLRNN）训练个体化生成模型；以高斯混合模型（GMM）定义静息与悲伤状态的概率目标；在此基础上进行基于模型的闭环最优控制，并结合分类、连接矩阵与相关分析评估状态可分性、模型重建质量、脑区可控性及其与反刍/情绪评分的关系。

结果部分首先表明，静息与悲伤诱导两种认知状态在神经状态空间中高度可分，且非线性分类器明显优于线性分类器，提示二者之间更符合非线性边界。其次，DSR模型能够较好重建经验数据的时序结构、频谱特征及脑区间功能连接模式，说明模型有效学习了底层动力学。第三，在闭环控制下，模型可成功将神经轨迹引向目标状态，并在单脑区受限控制条件下仍能通过网络级相互作用实现状态转移。第四，不同脑区的可控性存在明显差异，较小脑区如sgACC和NAcc达到目标所需能量更低。第五，组间比较显示，rMDD在由静息转向悲伤时普遍需要更少控制能量；由悲伤转回静息时也呈现较低能量需求，但在目标接近度相似的情况下，rMDD轨迹仍更贴近悲伤状态分布，提示其存在残余的悲伤偏置。第六，机制分析发现rMDD的整体耦合强度更高，尤其表现为指向DLPFC的耦合增强；且多个脑区的外向耦合越强，驱动状态转移所需控制能量越低。最后，探索性脑—行为分析显示，rMDD中较高的负性情绪和反刍与更高控制能量相关，但该结果需谨慎解读。

讨论部分指出，该研究将DSR与模型控制结合，建立了一个能够在个体层面重建并操控脑状态转移的数据驱动框架，从而为传统相关性研究提供了机制性的因果视角。研究结论可概括为：缓解期抑郁个体的脑动力学更容易进入悲伤状态，但在脱离悲伤状态时仍保留残余偏向；这种异常可控性与网络耦合增强密切相关。作者强调，较强的网络耦合一方面可能降低状态转移所需能量，构成一种促进转移的机制；另一方面也可能与悲伤状态更易维持、恢复不完全有关，但由于研究为横断面设计，无法区分这种耦合增强究竟代表易感性、代偿性还是恢复相关适应。研究还指出，sgACC、NAcc、海马（HPC）、海马旁回（PHG）和前岛叶（AIns）等区域在状态转移中具有较高潜在靶点价值。总体而言，该研究为理解抑郁相关情绪状态转移异常提供了机制性解释，也为后续神经调控靶点筛选与个体化干预研究奠定了基础。