BriGHT：用于脑部疾病预测的转录组正则化多模态神经影像

《Bioinformatics》：BriGHT: transcriptome-regularized multimodal neuroimaging for brain disorder prediction

　　**动机**基于超图的脑部疾病预测模型主要采用影像衍生的超图作为传播主干。然而，拓扑构造与特征传播之间的耦合使得区域表征仅受底层生物组织的弱约束，容易受到受试者特异性变异和噪声的影响，尤其是在异质性多模态设置中。**结果**我们提出了BriGHT，一种用于多模态疾病预测的大脑转录组正则化超图框架。BriGHT采用转录组衍生的结构参考作为软锚定先验，以正则化神经影像ROI嵌入，在稳定表征几何的同时保留与疾病相关的受试者特异性变异。BriGHT进一步纳入了一个可靠性感知融合模块，从预测置信度、跨模态一致性和决策确定性中估计受试者特异性模态可靠性，从而实现异质性模态质量下的自适应集成。在三个人类神经影像队列（ADNI、ADHD-200、REST-meta-MDD）和四种模态（VBM、fMRI、FDG、AV45）上的实验表明，BriGHT在六项脑部疾病预测任务中始终优于竞争性图/超图学习方法。扰动分析表明，BriGHT得益于转录组模块与影像ROI之间的空间对应关系，而非仅依赖任意的超图正则化。消融实验和元分析可解释性分析支持了转录组锚定与自适应融合对鲁棒且具有生物学意义的脑部疾病预测的贡献。**可用性**软件已公开提供，地址为：https://github.com/Yaolab-fantastic/BriGHT。**补充信息**补充数据可在《Bioinformatics》在线版获取。