简要总结

这篇文章是一项多中心研究，旨在通过结构-功能耦合分析揭示阿尔茨海默病（AD）患者大脑层级结构的功能障碍。研究引入了结构解耦指数（SDI），基于包含793名受试者（包括AD患者、轻度认知障碍患者和认知正常对照）的功能磁共振成像（fMRI）和弥散加权成像（DWI）数据，分析大脑层级结构的变化。结果显示，与正常对照相比，AD患者在后颞上回、岛叶、楔前叶、海马、杏仁核等区域的SDI显著增加，而在额叶区域的SDI显著降低。这些区域的SDI与认知能力显著相关，并且SDI能够作为稳健的神经影像学生物标志物，准确区分诊断状态（曲线下面积AUC=0.86）。研究结果表明，SDI可以作为AD的潜在生物标志物，并为理解AD的病理机制提供了新的视角。

摘要

阿尔茨海默病（AD）是一种以认知能力下降为特征的神经退行性疾病。迄今为止，AD患者大脑层级结构的特定功能障碍尚不清楚。我们引入了结构解耦指数（SDI），基于包含793名受试者的多中心数据集（包括功能磁共振成像和弥散加权成像数据），以评估其大脑层级结构。与正常对照组（NCs）相比，AD患者在后上颞回、岛叶、楔前叶、海马、杏仁核、中央后回和扣带回的SDI显著增加；同时，AD患者在额叶的SDI显著降低。这些区域的SDI与认知能力显著相关。此外，SDI作为一种稳健的AD神经影像学生物标志物，能够准确区分诊断状态（曲线下面积[AUC] = 0.86）。我们的研究结果揭示了阿尔茨海默病（AD）中大脑层级结构的功能障碍。此外，结构解耦指数（SDI）可以作为一种有前景的神经影像学生物标志物用于AD的诊断。本研究利用了来自东亚人群的多中心、多模态数据。研究发现结构解耦指数（SDI）的空间梯度从感觉-运动区域到更高阶的认知区域呈增加趋势。SDI的变化与能量代谢和线粒体有关。SDI可以识别阿尔茨海默病（AD），并进一步揭示AD的疾病机制。

关键词 阿尔茨海默病，层级结构，多模态脑网络，多站点，结构解耦指数

1 引言

阿尔茨海默病（AD）是一种神经退行性疾病，其特征是记忆、情绪、认知和行为能力的多种损害。人脑作为一个复杂的网络，在限制大脑功能方面发挥着关键作用。大脑网络的层级结构是信息转换和整合的基本组织形式。大脑层级结构功能障碍会导致不同脑区之间的结构损伤异常和功能整合改变，这是通过断开机制实现的。了解这些层级结构和功能连接的变化对于研究AD的潜在机制至关重要。更好地理解这些结构和功能的改变，将有助于揭示减轻AD对大脑功能和认知影响的潜在治疗靶点。

量化大脑的层级结构是神经科学的一个挑战。以往的研究表明，层级结构的作用在于阐明大脑结构如何影响和限制大脑功能。因此，功能和结构的解耦为探索大脑复杂的层级结构提供了有希望的见解。一些研究采用简单的区域空间相关性来研究大脑结构和功能之间的关系。然而，功能和结构的耦合表现出复杂的表型，仅使用线性统计方法可能无法全面描述功能-结构关系的复杂性。

为了解决这些挑战，Preti和De Ville提出了一种创新的衡量方法，称为结构解耦指数（SDI），用于量化大脑区域结构与功能依赖性的程度。SDI结合了网络科学和图信号处理技术，将大脑活动信号与潜在的白质拓扑结构联系起来。此外，SDI作为一种新型的神经影像学生物标志物，可用于评估结构与功能活动之间的关系。因此，SDI在量化大脑层级结构方面具有巨大的潜力，从而增强了我们对大脑通信机制的理解，这些机制支持了多样化的行为领域，并揭示了潜在的遗传学基础。因此，可以通过SDI量化阿尔茨海默病（AD）中大脑层级结构的功能障碍。

本研究的主要目的是探索AD中大脑层级结构的改变。为此，我们首先结合静息态功能磁共振成像（rs-fMRI）和弥散张量成像（DTI），在一个包含284名AD患者、254名轻度认知障碍（MCI）患者和255名认知正常对照（NCs）的大型多中心数据集中计算个体SDI，这些受试者来自七个中心。然后，我们通过一个整合分析框架来研究AD中SDI的稳健改变。此外，我们通过基因富集分析阐明了AD中SDI改变的潜在机制。最后，为了评估SDI作为AD神经影像学生物标志物的潜力，我们采用支持向量机（SVM）模型进行AD分类和临床评分预测（见图1）。

图1.方法流程。(A) SDI计算流程：基于脑网络组图谱（Brainnetome Atlas），计算静息态功能磁共振成像（rs-fMRI）时间序列和结构矩阵（包括各向异性分数FA、平均弥散度MD和纤维数量FN）。通过在图谱频域中应用理想滤波器，将功能信号分解为与结构耦合和解耦的两个部分。SDI是解耦信号与耦合信号在时间上的范数比值。(B) 整合分析：在控制年龄和性别影响后，对每个中心的SDI指标进行双样本、双侧t检验以获得p值。通过整合分析方法将七个中心的结果进行整合，并在多重比较校正后识别出显著改变的脑区。(C) 个体预测：通过留一法交叉验证（leave-one-site-out cross-validation）验证分类和预测任务。(D) 基因表达：使用偏最小二乘回归（PLS）分析识别与SDI变化相关的15,633个基因表达模式的加权线性成分。

2 方法

2.1 参与者和图像获取

本研究纳入了793名受试者（包括284名阿尔茨海默病患者、254名轻度认知障碍患者和255名认知正常对照者），这些受试者来自多中心阿尔茨海默病影像学研究（MCADI）的七个中心，均接受了配对的功能磁共振成像（fMRI）扫描、弥散张量成像（DTI）扫描。研究遵循赫尔辛基宣言原则，并获得医学研究伦理委员会和机构审查委员会的批准。

2.2 数据预处理

所有静息态功能磁共振成像（rs-fMRI）扫描均使用Brainnetome fMRI Toolkit进行预处理，具体步骤包括：(1) 切片时间校正；(2) 重新对齐到第一卷；(3) 标准化（蒙特利尔神经研究所[MNI]空间，体素大小为2 mm × 2 mm × 2 mm）；(4) 回归干扰信号；(5) 去噪。最后，使用脑网络组图谱（Brainnetome Atlas）对fMRI体积分块，并计算区域平均的fMRI信号。对于每位受试者，我们获得了一个N×T的矩阵S=[s_t]（t=1,2,...,T；N为脑网络组图谱的246个区域，T为时间采样点数）。排除了头动过大的受试者（头动位移>3 mm或旋转角度>3°）。头动也被纳入协变量分析。

所有弥散张量成像（DTI）扫描均使用DiffusionKit工具包（http://diffusion.brainnetome.org）进行预处理，预处理包括去颅骨、涡流校正、配准和标准化。随后计算弥散张量指数的各向异性分数（FA）和平均弥散度（MD）。之后，基于脑区之间的纤维连接数量，使用确定性纤维追踪构建脑网络，并获得脑结构网络连接矩阵（纤维数量网络，FN，大小为N×N）。结构连接性（SC）指的是脑网络组图谱中脑区之间的纤维连接。

2.3 功能-结构耦合

为了估计结构连接（SC）和功能活动之间的耦合，我们使用图信号处理流程计算了区域级别的结构解耦指数（SDI）。具体方法参考了图信号处理流程(https://www.github.com/gpreti/GSP_StructuralDecouplingIndex)。简而言之，通过个体结构连接组（包括各向异性分数FA、平均弥散度MD和纤维数量FN的结构矩阵）的归一化拉普拉斯矩阵的特征分解LU=UΛ，获得结构连接组的谐波。这产生了u_k拉普拉斯特征向量，即所谓的谐波成分，每个特征向量都与一个特征值λ_k相关联，可以解释为图频率值。通过构造，具有低λ_k的u_k编码低模式频率，这些频率更容易在结构连接组上表达，代表沿主要几何轴的全局大脑模式。相反，具有高λ_k的u_k编码高模式频率，捕捉更复杂和更局部化的模式。然后，我们将每个时间点的个体功能数据投影到个体结构谐波上，并应用图信号滤波，将活跃信号分解为两部分：一部分表达在低频结构谐波上（因此与结构更一致），另一部分表达在互补的高频谐波上（因此与结构更分离）。理想低/高通滤波器的截止频率C由每个受试者的能量谱密度的等能量划分定义。N阶方阵U（低）包含前C个特征模块（U的列）和N-C个零列。相反，矩阵U（高）包含前C个零列，后接N-C个最后的特征模块。

通过这一流程，我们为每个指标（FA、MD和FN，分别命名为FA-SDI、MD-SDI和FN-SDI）计算了区域级别的个体SDI。SDI大于1的脑区表明其活动信号与潜在的结构通路偏离更大，导致结构连接（SC）与功能活动之间的耦合更弱。相反，SDI小于1的脑区表现出相反的关系，即SC与功能活动之间的耦合更强。

2.4 AD和NC之间的HDI差异分析

为了减少站点效应，我们首先在每个具有相同扫描参数的站点对两组进行了双样本、双尾t检验。然后，我们采用整合分析方法对每个SDI指标（FA-SDI、MD-SDI和FN-SDI）的多站点结果进行整合。通过整合分析框架减少站点效应，相比在整个数据集上直接进行对比，可以更有效地获得统计结果。在此，我们通过线性回归模型控制了年龄和性别因素。根据以往研究的建议，我们使用Liptak-Stouffer Z分数转换来合并七个站点的p值，这在整合分析中具有最佳的合并概率能力。具体来说，每个数据集的p值通过标准正态分布的逆函数转换为Z分数。

在零假设下，Z分数遵循标准正态分布。因此，通过将Z分数转换为p值，我们识别出两组之间存在显著差异的区域（FA-SDI、MD-SDI和FN-SDI）。我们使用Bonferroni校正来修正所有246个区域的多重比较（p < 0.05/246）。

2.5 临床评分、基因表达和HDI改变之间的关联

为了探索SDI的生物学基础，我们在AD和MCI组中对每个指标的SDI与认知能力（即简易精神状态检查量表[MMSE]评分和蒙特利尔认知评估量表[MoCA]）进行了皮尔逊相关分析，并在控制年龄、性别和站点效应后，采用FDR校正（p < 0.05）。

研究还进行了基因富集分析，以探索AD中SDI变化的生物学机制。基因表达数据来自艾伦人脑图谱（Allen Human Brain Atlas，网址：http://human.brain-map.org/），并使用Abagen工具箱（https://abagen.readthedocs.io/en/stable/）将其投影到脑网络组图谱（Brainnetome Atlas），生成了一个236×15,633的基因表达矩阵（246个脑区中有10个未在Abagen工具箱中识别出相关基因）。我们首先进行了偏最小二乘（PLS）回归分析，以研究AD与NC之间FA-SDI的T图与基因表达之间的关联。简而言之，我们使用了5000次置换分析来测试PLS成分所解释的方差的统计显著性，并对空间自相关进行了校正。然后，我们将每个基因的PLS权重转换为Z分数值，方法是将权重除以从5000次引导实例中得出的相应权重的标准差（SD）。最后，我们根据相应的权重值对15,633个基因进行了有效排序。之后，我们基于排名前1000的基因，使用Metascape平台进行了基因集富集分析，并采用FDR校正（p < 0.05）。在这里，我们仅提供了基于FA-SDI组间差异图的关联分析结果，因为这些结果与采用不同指标的SDI分析结果高度相似。

2.6 个体诊断状态预测

为了评估SDI是否能够区分阿尔茨海默病（AD）患者和认知正常（NC）人群，我们采用支持向量机（SVM）模型进行了二元分类分析，使用了来自255名NC和284名AD患者的特征（包括FA-SDI、MD-SDI和FN-SDI），并采用留一法交叉验证框架（leave-one-site-out cross-validation），如同我们之前的研究一样。具体来说，每次选择一个中心作为测试集，其余中心作为训练集。我们在训练过程中使用10折交叉验证，通过网格搜索框架获得最佳参数。分类性能通过准确率（ACC）、敏感性（SEN）、特异性（SPE）以及接收者操作特征曲线下面积（AUC）进行评估。为了验证分类模型的临床相关性，我们在测试集中对个体风险评分（由分类器输出评估）与MMSE评分（在AD和MCI患者中）进行了皮尔逊相关分析。

此外，我们还采用支持向量回归（SVR）模型，通过与分类分析相同的交叉验证框架，预测每位参与者（NC、MCI和AD）的MMSE评分。基于SDI的预测MMSE表现通过实际与预测MMSE评分之间的皮尔逊相关系数进行评估。

3 结果

3.1 人口统计学和临床特征

在NC、MCB和AD组中，年龄和性别没有统计学意义上的差异。NC、MCB和AD组之间的SSE评分存在显著差异，p < 0.001。

3.2 AD中SDP的变更

视觉皮层、感觉皮层、运动皮层和听觉皮层的SDI值较低，而额叶和颞叶的SDI值较高。SDI模式显示出一种明确的空间分布，从感觉运动区域到更高阶的功能区域（见图2A），这反映了大脑的层级结构。研究发现，在对246个区域取平均值后，认知正常（NC）组的全局SDI显著低于阿尔茨海默病（AD）组的所有三种SDI指标（Cohen’s d，FA-SDI = -0.245，MD-SDI = -0.246，FN-SDI = -0.159）。此外，在FA-SDI和MD-SDI中，轻度认知障碍（MCI）组的全局SDI显著低于AD组（Cohen’s d，FA-SDI = -0.195，MD-SDI = -0.194）。

与认知正常（NC）人群相比，阿尔茨海默病（AD）患者在27个区域（FA-SDI）、31个区域（MD-SDI）和42个区域（FN-SDI）显示出显著变化（p < 0.05/N，经过Bonferroni校正，N = 246次比较）。具体到FA-SDI，AD组在后上颞回、岛叶、楔前叶、海马、杏仁核、中央后回和扣带回的SDI显著更高，而在中额回和下额回的SDI显著更低（见图2B）。与轻度认知障碍（MCI）组相比，AD组在后上颞回和下颞回的FA-SDI显著更高，而在上额回、中额回、下额回和丘脑的SDI显著更低（见图2C）。此外，与NC组相比，MCI组仅在丘脑的FA-SDI显著更高（见图2D）。

图2.（A） 左侧：NC的FA-SDI模式；右侧表格显示了与NC、MCI和AD组相关的最高（橙色）和最低（蓝色）的前五个FA-SDI分数。AD与NC之间（B）、AD与MCI之间（C）以及MCI与NC之间（D）的FA-SDI存在统计学显著差异。较暖和较冷的颜色分别表示前一组患者比后一组患者的SDI测量值更高和更低。经过假发现率（FDR）校正（p < 0.05）后，显示了AD和MCI患者中改变的FA-SDI与MMSE（E）和MoCA评分（F）之间的相关图。AD，阿尔茨海默病; FA，分数各向异性; MCI，轻度认知障碍; MMSE，小型精神状态检查; MoCA，蒙特利尔认知评估; NC，正常对照; SDI，结构解耦指数。

3.3 AD和MCI中SDI与临床评分的相关性

皮尔逊相关性分析显示，MMSE评分与FA-SDI中的11个区域、MD-SDI中的17个区域以及FN-SDI中的12个区域显著相关。具体到FA-SDI，额叶（包括额上回、额中回和额下回）、丘脑和顶下小叶与MMSE评分呈显著正相关；而颞下回、中央后回、扣带回、海马、颞后上沟和岛叶则呈显著负相关（见图2E）。此外，额中回的FA-SDI还与MoCA评分显著相关（见图2F）。

3.4 SDI差异与基因表达之间的关联

研究发现，基于SDI的AD相关变化与节点基因表达谱之间存在显著的空间关联（见图3A）。偏最小二乘（PLS）分析的第一个成分（PLS1）解释了基因表达20%的方差，并且与AD与NC相比的SDI T图显著相关（r = 0.37，p = 3.6×10⁻⁸，经过Spin检验校正），（见图3B和C）。我们发现，前体代谢物和能量的生成（GO:0006091，pFDR = 9.26×10⁻¹⁴）、无机离子跨膜运输（GO:0098660，pFDR = 6.37×10⁻¹²）、单原子离子跨膜运输的调节（GO:0034765，pFDR = 1.51×10⁻¹⁰）以及线粒体组织（GO:0007005，pFDR = 2.47×10⁻¹⁰）（见图3D）是与SDI变化最显著相关的生物学过程。

图3.AD相关模块动态变化与基因表达谱之间的关联：(A) 脑节点上的基因表达谱。每一行表示在特定脑节点上每个基因的表达情况。(B) PLS回归分析得到的前10个成分的解释比例。每个成分表示所有基因表达的加权线性组合。(C) 模块变异性在病例-对照差异与PLS1评分之间的空间关联。每个点代表一个脑节点。(D) PLS1基因的基因富集网络。圆圈的大小表示参与特定术语的基因数量。

SDI变化与基因表达存在显著空间关联，与能量代谢和线粒体组织途径相关的基因表达变化与SDI改变密切相关。

3.4 基于SDI的诊断状态预测

分类性能：FA-SDI在AD与NC分类中表现出较高的准确性（ACC = 0.77）和曲线下面积（AUC = 0.864）。

与认知能力的相关性：个体伪概率与MMSE评分呈显著负相关。

MMSE评分预测：基于FA-SDI的预测模型与实际MMSE评分的相关性显著（r = 0.45, p < 0.001）。

4 讨论与结论

本研究通过多中心、多模态数据揭示了AD患者大脑层次结构的功能障碍，并证实SDI可作为AD的潜在神经影像学生物标志物。研究结果表明，AD患者大脑中特定区域的功能-结构耦合发生了改变，这可能与认知能力下降和记忆障碍有关。此外，SDI与能量代谢和线粒体功能障碍相关，为理解AD的神经生物学机制提供了新的视角。然而，研究也存在局限性，如缺乏脑脊液（CSF）或正电子发射断层扫描（PET）等生物标志物的支持，可能导致误诊。未来研究应纳入纵向数据集，并进一步探索结构-功能耦合变化与代谢异常之间的因果关系。