《Frontiers in Computational Neuroscience》：Reduced dynamical variability in depression: evidence from EEG and QIF-E network simulation
编辑推荐：
重度抑郁症（Major Depressive Disorder，MDD）中神经信号复杂性的改变已被持续报道，提示脑活动潜在动力学发生了变化。在本研究中，研究人员探讨了MDD中观察到的神经信号复杂性改变是否可通过多尺度熵（Multiscale Entropy，M
重度抑郁症（Major Depressive Disorder，MDD）中神经信号复杂性的改变已被持续报道，提示脑活动潜在动力学发生了变化。在本研究中，研究人员探讨了MDD中观察到的神经信号复杂性改变是否可通过多尺度熵（Multiscale Entropy，MSE）分析加以表征，该方法能够在多个时间尺度上量化时间复杂性。研究人员分析了来自确诊为MDD个体和健康对照者的脑电图（Electroencephalogram，EEG）记录，并将这些结果与包含不同形式局部电耦合的神经网络模型模拟进行了比较。EEG分析显示，与健康对照相比，MDD中的信号复杂性存在显著改变，表现为更宽时间尺度上较高的平均熵以及个体间变异性的降低。为探索这些观察结果背后的潜在动力学机制，研究人员采用了具有可调局部电耦合和小世界突触拓扑的二次整合发放（Quadratic Integrate-and-Fire，QIF）神经元网络模型。研究人员系统性地改变网络拓扑和耦合参数，以评估其对信号复杂性的影响，而不假设模型组分与特定生物学机制之间存在直接的生理对应关系。MSE被用于在多个时间尺度上量化经验EEG信号和模拟网络活动的不规则性与可预测性。研究人员发现，缺乏局部电耦合的网络配置能够重现MDD个体EEG信号中观察到的关键熵特征，包括平均熵增加和不同实现之间离散度降低。相比之下，具有局部电耦合的模拟表现出较低的平均熵和更大的变异性，类似于健康对照EEG数据中观察到的熵模式。这些结果表明，局部耦合结构的差异可调节网络动力学中复杂性与变异性之间的平衡，并可能影响可访问动力学状态的范围。这一比较分析并非建立因果关系，而是强调简化的局部电耦合模型如何在现象学上解释MDD中观察到的熵改变，从而为探索网络动力学与大规模脑信号复杂性之间的联系提供一个计算框架。
研究背景与意义：神经科学日益依赖数学模型和模拟来阐明大脑的复杂动力学。重度抑郁症（Major Depressive Disorder，MDD）患者除经典的神经递质失调外，还表现出大规模神经信号复杂性的改变。既往计算模型多集中于突触传递、兴奋-抑制平衡和神经调质系统，而对神经元之间的局部电相互作用（如电场效应）关注较少。神经信号复杂性源于多种耦合机制在多空间和时间尺度上的相互作用。基于此，研究人员提出假设：MDD中观察到的神经信号复杂性变化能否被包含不同形式局部电耦合的简化神经元网络模型在现象学上重现。他们使用二次整合发放（Quadratic Integrate-and-Fire，QIF）模型框架中的电耦合变体（QIF-E）作为广义局部电相互作用的简化表示，并与真实脑电图（Electroencephalogram，EEG）数据进行比较。该研究不旨在将电耦合改变确立为MDD的生理病因，而是探讨仅调节这一单一机制是否足以在群体水平上重现经验熵模式。研究结果发表《Frontiers in Computational Neuroscience》。
研究人员使用公开EEG数据集（Mumtaz et al.，2017，样本来自马来西亚理科大学医院HUSM），包括30名MDD患者（平均年龄40岁，标准差±12）和28名健康对照（平均年龄38岁，标准差±15），分析闭眼静息态记录。预处理后保留18通道，分段为1.05秒，去除伪迹。采用多尺度熵（Multiscale Entropy，MSE）计算尺度因子τ=1至6的样本熵，并将电极按额叶、中央-顶叶、枕叶、左颞叶和右颞叶进行区域分组，以匹配模型的空间粗粒化水平。计算模拟方面，研究人员构建由100个神经元组成的QIF-E网络，采用Watts-Strogatz小世界突触拓扑（80%兴奋性、20%抑制性），并引入全连接加权电耦合层；突触强度设为弱（ω
(k)=5）和强（ω
(k)=30），重连概率在10%至90%间变化，邻居数nb取2、4、8；电耦合条件分为开启（ON）和关闭（OFF）。每个条件进行30次独立网络实现，以LAP（Local Average Potential，局部平均电位）作为网络宏观输出，计算其MSE，并使用对数方差比（Log-Variance Ratio，LVR）对经验数据与模型离散度进行定量比较。模型模拟参数源自Moreno Cunha et al.（2024）的探索性分析。
研究结果：
3.1 经验EEG分析（Empirical EEG analysis）：对CG和MG的MSE比较显示，两组平均熵均随尺度增加而单调上升；但在尺度3及以上，MG的平均熵显著高于CG（经Bonferroni校正的p=0.008）。尺度1上两组无显著差异，说明短时间尺度上信号复杂性相当。同时，CG的熵值个体间离散度更大，而MG的熵值更集中，表明MDD患者群体内部动力学特征更趋同。按脑区分析，尺度4和5在所有脑区均显示MG显著高于CG，而尺度6在枕叶区域无显著差异。
3.2 计算模型结果（Computational model results）：在QIF-E模拟中，电耦合OFF的网络在尺度3以上表现出较高的平均熵，但不同模拟实现间的离散度较小，这与MG的经验熵模式相似；电耦合ON的网络则表现为较低的平均熵但更大的实现间离散度，与CG的模式相符。这表明局部电耦合的启闭能够改变网络动力学的复杂性-变异性平衡，电耦合激活可能支持更广的动力学状态范围。
3.3 拓扑与参数影响（Topological and parametric influence）：尺度S1上，熵主要受重连概率和邻居数影响，电耦合启闭未导致系统性分离；而在尺度S6上，电耦合ON/OFF的差异主要在低重连概率条件下出现。电耦合激活一致性地放大了熵值的离散度，尤其在弱突触耦合（ω
(k)=5）和小世界网络状态下。LVR分析显示，模型条件中电耦合OFF与ON的比较（rp=10%）所得到的LVR绝对值与经验数据中MG对CG的LVR绝对值最接近，而仅改变拓扑结构不能很好地描述方差改变。
讨论与结论：讨论部分强调，经验数据与模拟结果的对应是现象学层面而非生物学同一性。MG较高的熵可能反映一种时间组织模式，其可预测性降低但仍保留长程结构；CG更大的个体间离散度提示健康个体具有更丰富的动态多样性。电耦合OFF模拟重现了MG的熵特征，而电耦合ON模拟重现了CG的变异性特征，提示非突触局部电相互作用可能是调节大规模脑信号时间组织的补充机制。研究局限性包括公开数据集缺乏疾病病程、复发状态、合并症、睡眠质量、教育程度和用药史等临床信息，且QIF-E模型高度简化，不包含形态学细节。研究结论翻译如下：本项研究通过MSE对MDD患者脑信号复杂性进行了现象学群体水平分析。实验结果显示，尽管MDD个体在较大时间尺度上表现出更高的熵，其个体间离散度显著降低。计算模拟为理解这些观察提供了理论框架：抑制局部电相互作用的网络可重现MDD组中观察到的熵模式；相反，纳入场介导相互作用后，网络实现的离散度持续增加，类似于健康对照中更宽的变异性。需要强调的是，该研究并未声称电耦合改变与抑郁症之间存在因果联系，而是证明QIF-E模型能够为实验观察到的熵模式提供一种合理的动力学解释。总体而言，这些发现提示非突触相互作用值得作为影响神经系统中大规模时间组织的补充机制进行进一步探索。
