導讀

人腦在微觀、介觀和宏觀尺度的組織原則上表現(xiàn)出復雜的相互作用。最近的協(xié)同多模態(tài)方法已經開始將微觀尺度信息與系統(tǒng)水平的動力學聯(lián)系起來，超越了組織層級，并為大腦的功能和功能障礙提供了新的視角。具體來說，可以將微觀尺度特性（如受體密度或基因表達）的分布映射到宏觀尺度的fMRI測量上，以提供新的神經生物學見解。利用分子信息豐富功能成像的分析方法正在迅速發(fā)展，每個研究方向都提供了探索大腦跨層級功能的獨特潛力。本文探討了三個主要的研究方向——空間相關性、分子富集網絡和全腦建模分析——以提供對不同分子信息源的關鍵概述，這些信息如何在fMRI數據分析中使用、每種方法的優(yōu)缺點，并通過使用關鍵示例，強調了它們有望為神經科學研究的關鍵領域提供新的思路。

前言

神經精神疾病是一項艱巨的醫(yī)療挑戰(zhàn)，我們在很大程度上仍然缺乏靶向和基于機制的治療方法。盡管近幾十年來取得了重大進展，但這在很大程度上反映了我們目前無法描述控制大腦功能的基本原理。這部分是由于大腦的分層組織所帶來的挑戰(zhàn)，該組織表現(xiàn)出微觀、介觀和宏觀尺度系統(tǒng)之間復雜的非線性相互作用(圖1)。本文使用“層級”一詞來指代這種多尺度組織，它整合了嵌套和多官能元素，并最終促進行為和認知。迄今為止，闡明這種復雜性的研究大多遵循一種簡化的方法，其中每個組織尺度都是獨立探索的。例如，認知神經科學已經從非侵入性成像技術的出現(xiàn)和擴展中受益，這些技術在宏觀系統(tǒng)層面探索神經機制。在此背景下，fMRI已成為人類研究的主要工具，用于將心理過程映射到其神經生物學基質、描述各種臨床條件下大腦功能障礙的特征，以及研究大腦對藥理挑戰(zhàn)的反應。然而，血氧水平依賴(BOLD)信號在解決這些核心神經科學問題中的效用受到了限制，因為其間接性質和無法提供有關產生血氧水平依賴的細胞和分子過程的信息?？傊?，這些限制使得BOLD fMRI在實踐和概念上都脫離了探索大腦功能和功能障礙的精細生化基礎的神經科學研究領域。

因此，對大腦及其疾病的全面描述，必須彌合神經系統(tǒng)微觀和宏觀組織之間的理論空白。人腦在髓細胞、細胞以及至關重要的化學結構方面表現(xiàn)出豐富的變化。事實上，最近的證據表明，神經受體密度顯示了一種通過皮層的自然空間組織軸，與皮層地幔的層流和功能分級組織有關。通過將人腦的特定微觀和介觀尺度特性映射到其宏觀尺度的血流動力學上，可以利用這些信息為BOLD信號提供神經生物學特異性，并產生超越組織層級的新假設。具體而言，這些方法利用分子信息(如神經遞質系統(tǒng)或基因表達)，通過測量大腦激活或連接來檢查空間共變。這主要是由于正電子發(fā)射斷層掃描(PET)和單光子發(fā)射計算機斷層掃描(SPECT)的受體密度圖譜的擴展和公開可用性，以及來自艾倫人腦圖譜(AHBA)等來源的轉錄組數據，這些數據為新型多模態(tài)分析提供了動力。簡單地說，這涉及到靜息態(tài)功能連接(FC)或基于任務的激活模式與不同受體密度或基因表達分布之間的空間一致性。其他方法描繪了更復雜的時空關系。例如，最近開發(fā)了靶點功能連接的受體富集分析(REACT)方法，用于將BOLD信號的時空動態(tài)映射到不同受體系統(tǒng)的分布上，并獲得連接生物學和FC的受體富集網絡。此外，如全腦動力學的計算機模擬等方法，已被用于探索受體子系統(tǒng)對皮層動力學的假定貢獻。這些新穎的綜合方法將分子水平的微觀尺度信息與宏觀尺度的神經成像特征結合在一起，從而有助于表征大腦的i）功能網絡結構及其與認知的關系，ii）疾病中的紊亂，以及iii）對藥物的反應。至關重要的是，藥物治療是神經精神治療的主要手段，而使用fMRI表征的網絡級功能障礙仍然是從分子水平的機制中抽象出來的，這些干預措施通過分子水平的機制發(fā)揮作用。通過了解潛在疾病分子系統(tǒng)的紊亂和個體特異性功能障礙，我們或許能夠通過與已知藥物的藥理學和藥效學作用的聯(lián)系來靶向治療，使從功能性神經成像中獲得的理論知識更接近患者的需求。

這一領域現(xiàn)在正積聚著巨大的發(fā)展勢頭，最近的一些研究展示了我們通過將分子信息與大腦固有的功能組織、認知、疾病狀態(tài)和精神藥理學聯(lián)系起來來理解大腦的進展。在這篇綜述中，作者探討了協(xié)同多模態(tài)分析在fMRI數據中的應用和前景。首先，本文概述了分子信息源及其各自的用例。然后，本文批判性地概述了協(xié)同多模態(tài)研究中使用的三種主要方法，包括它們各自的優(yōu)缺點(概述見表1)。除了這些方法之外，本文還重點介紹了它們在神經科學研究的各個領域的應用實例，用于討論多模態(tài)神經成像分析如何促進我們對大腦及其疾病紊亂的理解。

分子信息源

利用分子信息豐富fMRI研究的一個關鍵共性是，需要高質量的數據來描繪受體分布和基因表達。到目前為止，這些數據主要有兩個來源。首先，PET和SPECT示蹤劑的開發(fā)以及數據共享實踐的逐步發(fā)展，已經產生了廣泛公開可用和共享的圖譜，這些圖譜提供了健康參與者平均受體密度的體素估計。其中包括應用PET/SPECT研究的回顧性共享數據，以及從一個非常大(N=210)的標準樣本中獲得的高分辨率多受體5-羥色胺能圖譜，這標志著在繪制大腦“受體”方面邁出了重要一步。其次，AHBA等大型項目提供了(在6個成年神經典型人腦中測量的3702個組織樣本中)超20000個基因表達模式的豐富特征。EBRAINS(https://ebrains.eu/)還提供了一個多級人腦圖譜，該圖譜將大腦組織的各種微觀和介觀尺度方面整合到一個高分辨率圖譜中。然而，也存在其他來源。放射自顯影圖在很大程度上受到了全腦解剖覆蓋率低的限制。同樣，基因型-組織表達(GTEx)項目在比AHBA更大的隊列中提供了額外的轉錄信息來源，但僅來自少數幾個區(qū)域。因此，本文主要關注的是受體密度的PET估計和基因表達的AHBA測量，這兩者都可以映射到與fMRI數據相同的三維解剖空間，以便在新的多模態(tài)分析中直接應用。

選擇源：結合潛力還是基因表達？

選擇使用PET還是轉錄組分子信息在很大程度上取決于研究問題。例如，AHBA提供了涵蓋整個轉錄組的大量表達數據，而PET數據仍然局限于已經開發(fā)出配體的受體系統(tǒng)和子系統(tǒng)。因此，探索廣泛分子系統(tǒng)的方法，或對沒有PET示蹤劑的特定系統(tǒng)的分析，拓展了AHBA的廣度。盡管最近有研究嘗試使用機器學習創(chuàng)建基因表達的頂點/體素圖，但PET數據通常提供卓越的空間分辨率，允許基于體素而非基于分割的感興趣區(qū)域(ROI)的分析。此外，六個個體的有限樣本(其中只有兩人同時采集了兩個半球)對AHBA數據的普適性提出了質疑。此外，轉錄組數據具有潛在的局限性，即mRNA 僅近似于實際的蛋白質水平，以及mRNA的產生位置與許多蛋白質的表達位置之間不匹配。這些局限性的程度因受體系統(tǒng)而異。同樣，將AHBA基因表達與放射自顯影測量的蛋白質水平進行比較，發(fā)現(xiàn)不同受體之間存在顯著差異，且大多數相關性較弱。來自210個個體的血清素系統(tǒng)的高分辨率多受體圖譜也與AHBA基因表達數據進行了比較。有關基于AHBA的分析相關理論和方法挑戰(zhàn)的更詳細討論，請參見Selvaggi等人(2021)的研究。從長遠來看，轉錄組學可以通過從更多個體中獲得更高分辨率的數據集來克服這些關鍵限制。事實上，基因和受體的相關性本身可以從基因的差異穩(wěn)定性中預測出來，這表明測量的一致性提高可能會使受體豐度得到更好的估計。未來的研究可以同時利用這兩種分子信息源進行比較，以減少錯誤分子-功能關系的產生和傳播。

結構效度

當利用PET、SPECT成像和AHBA的分子信息時，一般假設標準、獨立隊列中的受體空間分布適用于新樣本的fMRI數據。一般來說，受體密度和基因表達的平均分布似乎為給定受體或基因對給定區(qū)域BOLD信號的影響提供了有用的近似值。到目前為止，分子富集分析發(fā)現(xiàn)了假設驅動的藥效學效應與不同藥物的已知受體親和力和(抑制)興奮劑活性一致，這一事實主要證明了這一點。然而，從長遠來看，闡明這一假設適用范圍的驗證性研究將很重要。特別地，使用同一受試者的PET和fMRI數據進行的分子富集分析與從不同受試者收集的fMRI數據進行比較可以提供進一步的見解。此外，從Beliveau及其同事(2017)的大量規(guī)范樣本中開發(fā)和公開共享的PET圖譜，可能比傳統(tǒng)PET研究中的圖譜更不容易受到異常值的影響，因為傳統(tǒng)PET研究的參與者往往少得多。盡管有這些潛在的注意事項，但還必須強調的是，這種分子信息提供了一種相對直接的探測系統(tǒng)的能力，而這些系統(tǒng)需要昂貴且侵入性的多示蹤劑研究。事實上，PET研究通常在不到20名的參與者中進行，而一些合作的fMRI數據集現(xiàn)在包括1000多名參與者。因此，雖然這些技術必須在適當考慮這些局限性的情況下使用，但它們也為新的大規(guī)模腦功能分析提供了機會。

fMRI結果與分子信息的空間相關性

如果假設fMRI數據的特定變化模式是由特定的生物過程驅動的，那么大腦每個區(qū)域表現(xiàn)出變化的程度至少可以部分地解釋為該過程背后跨區(qū)域的分子機制的相對豐度。從fMRI數據中獲得分子見解的最常見方法是進行常規(guī)fMRI分析，然后檢查結果與不同受體或感興趣基因的空間分布是否重疊(圖2)。這種方法不再試圖確定大腦中不同認知病理過程發(fā)生的“位置”，而是轉向理解這些過程“如何”從更廣泛的網絡活動模式中出現(xiàn)。這種方法在推斷分子水平的微觀信息和宏觀神經成像特征之間的關系方面很簡單，因此在神經科學的許多領域都有廣泛的應用。

方法學

在利用解剖或功能圖譜(如Desikan-Killiany圖譜)對全腦無閾值統(tǒng)計圖和潛在解釋系統(tǒng)的分子信息(如藥物作用受體的分子密度或基因表達)進行對比后，這些值可用于計算fMRI和這些腦區(qū)分子數據之間的相關性(通常是Pearson相關系數)。fMRI結果與給定受體密度或基因表達譜之間的相關性或缺乏相關性，間接支持或反對分子系統(tǒng)與傳統(tǒng)fMRI分析的網絡水平的相關性。雖然概念簡單，但具有空間自相關結構的相關腦圖需要一些額外的考慮方法以避免結果夸大。

該領域也已經超越了簡單的空間相關性分析，并開始以數據驅動的方式更廣泛地將多個分子系統(tǒng)與功能成像和行為方面聯(lián)系起來。當使用多個受體或基因作為解釋變量來檢驗它們與多元線性回歸框架內感興趣的功能測量的聯(lián)系，以估計每個變量對總方差的相對貢獻時，必須考慮到這些系統(tǒng)經常表現(xiàn)出強烈的共線性?？朔@一挑戰(zhàn)的常用技術是偏最小二乘回歸?(PLS)，它將解釋變量的數量減少到更小的不相關成分集。在這種情況下，PLS旨在生成與fMRI測量具有最大協(xié)方差的基于分子的成分。然后根據協(xié)方差對這些數據進行排序，使得前幾個成分通常提供高維數據協(xié)方差的最佳低維表示。然而，必須注意的是，包含多種受體系統(tǒng)的模型并不是萬能的，試圖解釋共線性產生的結果也具有挑戰(zhàn)性。此外，當每個特征的樣本數量較低時，PLS回歸也可能不準確，導致無法充分約束模型。特別是，特征權重可能嚴重偏向于主成分軸，這對于基因集富集分析來說，可能會掩蓋強關聯(lián)的解釋，因為無論fMRI數據如何，這些強關聯(lián)可能是由給定基因和基因表達的第一個主成分之間的相似性驅動的。因此，需要足夠數量的樣本來提供PLS回歸模型的穩(wěn)定估計。雖然這與數據和研究問題高度相關，但Helmer及其同事(2021)根據數據集屬性提出了更具體的建議。另一種同時檢查多個受體系統(tǒng)的選擇是主成分分析(PCA)，在主成分分析中，一組變量(這里是PET/AHBA的分子系統(tǒng))被減少到一組較小的成分，這些成分可以解釋原始變量的大部分方差。與PLS一樣，這允許同時對多種分子機制進行大規(guī)模檢查，但代價是失去了結果的可解釋性。

使用相關性分析來探索腦圖(即fMRI統(tǒng)計圖和PET或基因表達圖)之間的關聯(lián)時，主要挑戰(zhàn)是主導這些數據的固有空間自相關(SA)，其中相鄰腦區(qū)的功能連接、受體密度和基因表達的相關性比在解剖學上較遠的腦區(qū)相關性更強。這可能會夸大p值，因為兩個顯著自相關的空間圖比具有隨機值的圖更有可能顯示出強空間相關性。一種常見的解決方法是嘗試通過回歸來消除物理距離的影響。另一種是自旋方法，它使用皮層表面球形表示的隨機旋轉來隨機化fMRI和分子分布之間的解剖排列，從而產生一個解釋SA的零模型。然而，這顯示出僅適用于皮層表面圖的明顯局限性。一種更通用的方法是生成模型代理映射，通過將其與輸入數據中存在的水平匹配來保持空間自相關性。這些方法的廣泛應用對于確定有意義的多模態(tài)關系至關重要，而且為了保持統(tǒng)計嚴謹性，新統(tǒng)計方法的發(fā)展必須與分子富集分析的進展同步。

分子富集網絡分析

盡管上述空間相關性分析通過易用性提供了初步見解，但其在利用全腦BOLD波動的豐富時空動力學方面的能力有限。為了克服這一點，人們開發(fā)了新的分析方法，利用PET和SPECT成像提供的分子信息以及AHBA的基因表達數據來豐富fMRI數據。與空間相關性分析相比，分子富集網絡的推導提供了兩個關鍵優(yōu)勢。首先，它同時利用了BOLD信號的空域和時域，為神經生物學提供了更細致的見解。其次，它允許基于網絡的fMRI分析，提供關于受體特異性的額外信息，同時也可以對差異FC區(qū)域進行空間定位，允許與先前的分子、神經解剖學和神經認知工作建立概念聯(lián)系。簡言之，分子富集功能網絡不僅具有傳統(tǒng)網絡分析的分析靈活性，而且更直接地參與了潛在的神經生物學過程。因此，盡管分子富集網絡與空間相關性分析有相似之處，但分子富集網絡允許有針對性地和假設驅動地描繪藥理作用和疾病狀態(tài)，為通過新型診斷和預測生物標志物將這些聯(lián)系起來提供了機會。

方法學該方法采用了與傳統(tǒng)靜息態(tài)網絡(RSN)分析中相同的兩步多元線性回歸方法，從獨立成分分析中得出的組水平概率圖來估計受試者特定的RSNs。然而，與傳統(tǒng)的RSN模板不同，這些新方法將fMRI數據投射到PET和SPECT成像或AHBA的特定神經遞質空間，以獲得功能連接的生物信息網絡(圖3)。Dipasquale及其同事(2019)首次將這種方法定義并應用于藥理學數據集，并將其命名為REACT(https://github.com/ottaviadipasquale/react-fmri)。REACT通常使用受體和轉運蛋白分布密度的體內模板，通過對健康對照組數據集的PET和SPECT數據進行平均來估計，作為一組針對單個受試者fMRI數據的一階GLM中的空間回歸量，以提取與這些分子系統(tǒng)分布相關的主要BOLD波動。在這一步驟中，分子密度較高的區(qū)域比分子密度較低的區(qū)域對與分子系統(tǒng)相關的BOLD波動的估計貢獻更大。然后將一階GLM的輸出用于二階GLM中，以估計每個分子系統(tǒng)的受試者特異性分子富集功能圖。來源于REACT的分子富集網絡可以被認為是描繪其時間序列與特定遞質系統(tǒng)的“核心”區(qū)域內的BOLD波動功能耦合(即正相關)或不耦合(即負相關)的區(qū)域，即高富集該神經遞質的區(qū)域。所得的分子富集網絡可以在組(例如，患者與對照組)、條件(例如，休息與自然刺激)或狀態(tài)(例如，藥物與安慰劑)之間進行比較，并與感興趣的變量(例如：臨床、心理測量或藥代動力學測量)相關聯(lián)。這種將分子信息整合到fMRI網絡中的方法最近已擴展到基因表達數據，并使用艾倫小鼠/人腦圖譜中的基因表達數據來檢測小鼠和人類的受體富集網絡，以得出所謂的“血清素受體網絡(SRN)”。

迄今為止，絕大多數分子富集的fMRI分析都集中在靜息態(tài)數據上，這主要是因為它相對簡單、豐富，并且在不局限于特定認知現(xiàn)象的情況下探索大腦功能的一系列神經機制。然而，僅從靜息數據中獲得的見解是有限的，與基于任務的數據相關的動態(tài)神經活動似乎更適合捕捉與行為相關的變化。此外，對于分子富集網絡分析，需要考慮以下因素。首先，使用分子富集網絡背后的一個關鍵假設是它們可能捕獲神經傳遞的各個方面，而這一點迄今尚未得到嚴格證實。其次，受體系統(tǒng)的選擇需要仔細考慮。第三，從規(guī)范隊列中獲得的PET和AHBA數據是否適用于存在實質性差異的人群仍存在爭議。最后，不同分子系統(tǒng)之間存在一定程度的空間重疊。

連接分子和功能系統(tǒng)的計算建模方法

計算神經科學的進步越來越多地允許在計算機上對全腦動力學進行建模，為探索不同的受體系統(tǒng)如何促進動態(tài)大腦活動提供了新的機會。雖然現(xiàn)有的方法試圖從系統(tǒng)級動力學到分子機制進行推理，但全腦計算模型試圖從神經元微電路的基礎構建來模擬系統(tǒng)級動力學。與空間相關性分析一樣，這不再是簡單地定位與感興趣的認知或臨床機制相關的大腦區(qū)域，而是轉向跨層次地描述復雜系統(tǒng)如何跨尺度和區(qū)域相互作用。與前面所述的非生成式方法相比，該方法有兩個重要的優(yōu)勢。首先，它提供了一個平臺，可以輕松檢驗關于微電路特定變化的多個相互競爭的假設，以及它們如何通過擬合和比較不同的模型導致宏觀尺度的變化。其次，使用生成模型需要對可能的機制進行先驗假設(而不是依賴于事后解釋)，以提高準確性、嚴謹性和透明度。

方法學生成全腦模型的全部細節(jié)超出了本綜述的范圍，但Cofre及其同事(2020)對關鍵的方法進行了詳細概述。簡而言之，需要對大腦進行分區(qū)以描繪局部動力學和全局交互建模的不同區(qū)域，提供這些區(qū)域之間白質纖維連接近似值的解剖連接矩陣，以及已經提出了大量不同選擇的局部動力學模型(圖4)。局部動力學的常見選擇包括神經質量和平均場模型，即構成抽象但現(xiàn)實的神經元相互作用模型的一系列微分方程，可以近似于實驗數據中觀察到的涌現(xiàn)宏觀尺度動力學。因此，對這些模型的組成部分(模型參數)的因果操縱，可以系統(tǒng)地檢查改變大腦功能不同方面(與這些參數相關的生物學機制)的反事實因果。

在分子富集分析的背景下，可將PET受體密度信息納入這些模型，以探索其在假定受體系統(tǒng)參與的條件下模擬實驗數據的能力。然而，這些感興趣的生物學機制必須整合到特定的模型參數中。這在神經調節(jié)系統(tǒng)的藥理學操作背景下尤其容易處理，在這種情況下，可以根據受體系統(tǒng)的相對分布包括神經增益的縮放來模擬藥物的效果，以試圖捕捉實驗中觀察到的動力學變化。這提供了一種強大的手段，可用于檢測關于給定受體在產生網絡變化中所起作用的明確假設，例如，在假定與之結合的藥物作用下所產生的網絡變化。因此，這些來自PET或AHBA的分子信息源可以被認為是整個大腦模型異質性的來源，有機會獲得許多額外的參數，如時間常數tau、靜息膜電位、動作電位閾值和最大神經放電率。

結論

本文概述的新方法將微觀分子水平的信息與宏觀系統(tǒng)動力學結合在一起，為大腦在健康和疾病中的跨層級功能組織提供了重要的見解。盡管空間相關分析通過易用性提供了初步機會，但它越來越多地用于將多分子系統(tǒng)大規(guī)模映射到多變量fMRI測量。受體富集網絡分析可以表征BOLD信號與分子系統(tǒng)分布之間的時空關系，其中受體富集連接圖適用于傳統(tǒng)的被試間分析，包括基于感興趣的行為和臨床指標的體素回歸。最后，全腦建模允許對大腦結構和功能的微觀和介觀層面進行系統(tǒng)和因果操縱，以檢查對模擬的網絡動力學產生的反事實因果。此外，通過將系統(tǒng)級動力學與其分子底物聯(lián)系起來，我們可以將多個層級的分析結果匯集在一起。本文希望這最終有助于促進大腦功能和功能障礙的所有重要“全局”理論的形成，提供新的可檢驗假設，這些假設可以用現(xiàn)代神經科學可用的全套工具在微觀和宏觀尺度內進行檢驗。此外，通過表征跨疾病分子功能障礙將臨床癥狀學與藥物療法聯(lián)系起來，可能有助于使功能成像更接近臨床現(xiàn)實。

原文：Timothy Lawn, Matthew A Howard, Federico Turkheimer, Bratislav Misic, Gustavo Deco, Daniel Martins and Ottavia Dipasquale, From Neurotransmitters to Networks: Transcending Organisational Hierarchies with Molecular-informed Functional Imaging, Neuroscience and Biobehavioral Reviews, (2023) Doi: https://doi.org/10.1016/j.neubiorev.2023.105193

小伙伴們關注茗創(chuàng)科技，將第一時間收到精彩內容推送哦～