最新研究成果
  • 最新研究成果
  • 学术交流
  • 培训班
  • NeuroImage: 背腹侧注意网络之间的解剖和功能耦合

    发布时间:2021-04-20    浏览次数:    作者:Admin

    论文发表

    天津医科大学总医院、天津市功能影像重点实验室于春水教授课题组使用100名来自人类连接组计划(HCP)的健康成年人和50名中国健康成年被试的多模态数据,探究了背侧注意网络(DAN)与腹侧注意网络(VAN)信息交换的连接通路。相关研究成果于近期在线发表在Neuroimage2019年影响因子5.9025年影响因子6.682),题目为Anatomical and functional coupling between the dorsal and ventral attention networks。天津医科大学总医院博士研究生所信君、天津医科大学医学影像学院讲师丁皓及天津医科大学总医院硕士研究生李茜为本文共同第一作者,天津医科大学总医院秦文教授为本文通讯作者。

    前言

    早期的研究表明注意网络存在两个功能子网络:负责内源性目标诱导及外源性再定向的背侧注意网络和参与对突出刺激注意的腹侧注意网络。这两个子网络除了各自具有特定的功能外,彼此之间动态交互。不论是任务态功能磁共振成像(fMRI),还是静息态功能磁共振成像(fMRI)都发现背腹侧注意网络之间存在共有脑区,即:Hub节点,例如:额顶区。然而,Hub节点的结构基础仍然未知,并且Hub节点在背腹侧网络内发挥交换信息的作用原理也未知,除此之外,Hub节点的功能与结构两者之间的关系也未曾探究。在本研究中纳入100名来自人类连接组计划(HCP)的健康成年人和50名中国健康成年被试,共分为4组。首先,基于conjunction分析来定义Hub节点。然后,对每一个Hub节点,我们使用dsi studio软件进行基于广义q空间采样成像(GQI)重建方法的确定性纤维追踪来获取Hub节点的结构指标。接下来,基于纤维追踪获得的脑区进行基于感兴趣区的功能连接(FC)分析,从而获得对应脑区的功能指标。最后,通过皮尔逊(Pearson)分析来计算每个Hub节点功能与结构指标之间的关系。此外,本研究基于HCP的数据特点对rsFC进行了验证,并且在4组数据中对Hub节点的结构、功能连接模式及其二者的耦合均进行了验证。具体的实验流程见图1


    1.背腹侧注意网络之间的解剖和功能耦合分析流程图。

    /腹侧注意网络构建及其hub节点定义

    DANVAN的核心脑区通过对注意任务诱发的共激活脑区进行Meta分析定义。首先,使用BrainMap Sleuth 2.0.3http://www.brainmap.org)获取健康成人由视觉注意任务激活的脑区坐标,并通过回归去除利手、性别和药物的影响。然后,将所有坐标转化到MNI空间并排除脑外的坐标。本课题Meta分析共纳入了128篇论文、360个实验、4793个被试中3470个坐标。然后,使用GingerALE 2.3.6http://www.brainmap.org)软件计算脑区激活似然估计值(activation likelihood estimationALE),该算法旨在识别多个实验中共同激活的脑区。通过非参数置换检验计算每个脑区激活的显著性P值,并使用FDR方法进行多重比较校正(P < 0.05,团块大小> 1000 个体素)。最后,4个脑区被确定为DAN的核心脑区,包括左顶上小叶(superior parietal lobuleSPL)、右侧顶内沟(intraparietal sulcusIPS)和双侧FEFVAN的核心脑区包括右侧TPJIFG后部和前岛叶(anterior insularaINS)。

    围绕每个核心脑区峰值坐标取6 mm半径的球,并与Meta分析结果重叠的体素作为计算注意网络功能连接的种子点。然后,根据前人研究采用的方法构建DAN/VAN以及它们之间的hub节点。首先,计算每个种子点的BOLD信号与全脑每个体素的Pearson相关系数,并使用Fisher's r-to-z方法将其转换为z值(即功能连接值)。然后,采用conjunction分析筛选与4DAN种子点都存在显著正功能连接的体素作为DANP < 0.0001FDR校正;团块大小> 100个体素)。VAN的定义与上述类似。然后,通过取DANVAN之间的交集获得hub节点,即同时与所有DANVAN种子点都存在正功能连接的体素(图2)。为了验证该方法获得的hub节点的可重复性,本研究分别对4HCP 静息态fMRI数据分别进行上述分析,并计算hub节点空间位置的Dice系数(即任意两组hub节点完全重叠的体素数除以它们体素数的均值)。本研究发现三个hub节点的空间分布在每组fMRI数据之间高度一致(Dice系数= 0.732±0.034)。

    2. 根据功能连接提取的DANVANhub节点。DAN由双侧FEF、左侧SPL、右侧IPS功能连接的conjunction分析获得(P < 0.0001FDR校正;团块大小> 100个体素),VAN由右侧aINSpIFGTPJ功能连接的conjunction分析获得,hub节点是上述DANVAN的交集。蓝色代表DAN脑区分布,红色代表VAN脑区分布,绿色代表hub节点。

    hub节点解剖连接模式分析

    通过Meta分析、FC分析和conjunction分析,本研究获得了三个与DANVAN同时存在正连接的hub节点,包括右侧SMGpIFGaMFG(图2)。纤维追踪显示三个hub节点分别与DANVAN存在解剖连接(图3ABC)。 并且,在不同数据集内各hub节点的解剖连接模式高度相似(HCP数据子集1与数据子集2之间:r = 0.89 P < 0.001HCP数据子集1与本中心数据之间:r = 0.74P < 0.001HCP数据子集2和本中心数据之间:r = 0.77 P <0.001)(图3D3E)。

    本研究发现三个hub节点与注意网络之间的解剖连接模式不尽相同(图3B),主要表现为:在DAN内,pIFG主要与右侧额上回的背外侧6区(SFGR_7_4)、右侧额中回的腹外侧6区(MFGR_7_6)和右侧中央前回尾部腹外侧6区(PrGR_6_6)相连;与aMFG连接的脑区主要包括左侧额中回腹侧9/46区(MFGL_7_4)、MFGR_7_6、右侧中央前回尾部腹外侧6区(PrGR_6_6)和右侧额下回的额下沟(IFGR_6_2);与SMG连接的脑区主要包括右侧顶下小叶PFt区(IPLR_6_3)、右侧顶上小叶hIP3区(SPLR_5_5)及右侧顶上小叶5区(SPLR_5_3)。在VAN内,pIFG则主要连接右侧额下回腹侧44区(IFGR_6_6)和右侧额中回与额下回交界区(MFGR_7_2);aMFG主要连接右侧额中回腹侧9/46区(MFGR_7_4)和右侧额中回与额下回交界区(MFGR_7_2);SMG主要连接右侧顶下小叶尾部PFm区(IPLR_6_4)和右侧顶下小叶PFop区(IPLR_6_6)。

    3. 注意网络hub节点的解剖连接模式。(A)每个hub节点在HCP数据集中的纤维分布图,其中第1行为单个被试的纤维束,第2-4行为纤维束概率分布图。(Bhub节点与DAN/VAN连接的主要脑区。蓝球代表DAN主要节点,红球代表VAN主要节点,紫球代表hub节点。(CHCP数据集中hub节点的解剖连接模式,其中圆环浅蓝色区为DAN节点,粉色为VAN节点,蓝线代表与SMG相连的纤维,绿线代表与aMFG相连的纤维,红线代表与pIFG相连的纤维,各条线颜色的深浅代表连接强度。图中显示的是至少50%被试存在的连接。(D)分别展示HCP子集1HCP子集2以及本中心数据集获得的hub节点解剖连接模式。(E)上述任意两组数据之间解剖连接模式的相似性,即各组之间解剖连接强度的Pearson相关。

    hub节点功能连接模式

    基于纤维追踪的结果和人类脑连接图谱,本研究得到与hub节点存在解剖连接的背/腹侧网络的具体脑区。然后,本研究进行基于感兴趣区的FC分析,发现各hub节点与DAN/VAN之间的功能连接模式也不同(图4A)。其中在DAN内,pIFG主要与PrGR_6_6IPLR_6_3相连;aMFG主要连接右侧额中回背侧9/46区(MFGR_7_1)和SFGR_7_4SMG主要连接到IPL_6_3。在VAN内,pIFG则主要连接右侧额下回腹侧44区(IFGR_6_6)和岛叶背侧(INSR _6_6),aMFG主要连接MFGR_7_4IPLR_6_6SMG主要连接到IPLR_6_4IPLR_6_6。各hub节点与这些脑区的功能连接模式与解剖连接模式类似。进一步分析发现,不同数据集之间的功能连接模式也高度相似(HCP数据子集1与数据子集2之间:r = 0.98 P <0.0001HCP数据子集1与本中心数据之间:r = 0.91 P <0.001HCP数据子集2和本中心数据之间:r = 0.93 P <0.001)(图4B4C)。

    4. 注意网络hub节点的功能连接模式。(AHCP数据集中hub节点的功能连接模式,其中圆环浅蓝色区为DAN节点,粉色为VAN节点,蓝线代表与SMG的功能连接强度,绿线代表与aMFG的功能连接强度,红线代表与pIFG的功能连接强度,各条线颜色的深浅代表连接强度。(B)分别展示HCP子集1HCP子集2以及本中心数据集获得的hub节点功能连接模式。(C)上述任意两组数据之间功能连接模式的相似性,即各组之间功能连接强度的Pearson相关。

    hub节点解剖连接与功能连接模式相似性分析

    指纹图显示,hub节点的解剖连接和功能连接模式非常相似(图5)。例如: SFGR_7_4IFGR_6_6pIFG之间的纤维连接密度和功能连接强度相对较高,而右侧中央前回尾部背外侧6区(PrGR_6_2)和IFGR_6_4pIFG之间的纤维连接密度和FC很低。此外,在不同数据集中(HCP数据集、HCP数据子集1HCP数据子集2和本中心数据集),hub节点解剖连接和功能连接的相似性均存在。

    5. hub节点解剖连接和功能连接指纹图比较。(A-C)分别为pIFGaMFGSMG所对应的解剖连接和功能连接的指纹图。本图仅展示至少50%被试存在解剖连接的脑区。

    hub节点解剖连接和功能连接强度的耦合关系

    本研究分别在组水平和个体水平计算解剖连接与功能连接之间的Pearson相关系数,其中解剖连接指标包括:纤维数目、纤维密度及长度校正后的纤维数目和密度。在组水平,hub节点解剖连接指标(纤维数目,r=0.5305;纤维密度,r=0.5311;长度校正后的纤维数目,r=0.5393;长度校正后的纤维密度,r=0.5381,所有 P <0.001FDR校正)与功能连接均存在显著相关(图6A)。在个体水平,hub节点解剖连接指标与功能连接也均存在显著相关(分别为0.2955±0.09260.2952± 0.08700.3185±0.0930,和0.3135±0.0895P <0.001FDR校正)(图6B)。

    为了明确hub节点解剖连接和功能连接之间的耦合强度是否受功能连接动态性的影响,本研究分别计算了四次静息态fMRI的功能连接强度与解剖连接指标(长度校正后的纤维密度)的Pearson相关系数。如图6C-D所示,不论是在组水平,还是个体水平,注意网络hub节点的解剖连接和功能连接在各次数据采集中均存在显著的正相关( P <0.001FDR校正)。

    6. hub节点解剖连接和功能连接之间的耦合强度。(A)组水平hub节点解剖连接和功能连接的相关性。(B)个体水平hub节点解剖连接和功能连接相关。置信区间为95%,*表示P <0.001。(C)组水平不同时间点功能连接与纤维密度之间的相关性。(D)个体水平不同时间点功能连接与纤维密度之间的相关性。置信区间为95%,*表示P <0.001

    此外,为了测试hub节点解剖和功能的耦合在各个数据集中是否也可靠存在,我们在本中心数据集中重复了相同的分析,发现了强烈的解剖功能耦合(图7)。

    7.本中心数据中hub节点解剖连接和功能连接之间的耦合强度。组水平hub节点解剖连接和功能连接的相关性。(B)个体水平hub节点解剖连接和功能连接相关。置信区间为95%,*表示P <0.001

    为了探讨解剖功能耦合是否依赖于单独某个hub节点,我们还对每个hub节点的结构和功能连接强度之间进行了Pearson相关分析。如图8A所示,对于HCP数据集,每个hub节点的功能连接都与经过长度校正后的纤维密度密切相关(pIFGr [79] = 0.59aMFGr [80] = 0.57SMGr [74 ] = 0.42P <0.001,已校正)。我们在本中心数据中进行了相同的分析,并在这三个连接器中发现了强烈的解剖功能耦合(pIFGr [50] = 0.54aMFGr [51] = 0.61SMGr [39] = 0.61P <0.001,已校正)(图8)。此外,我们基于不同的结构指标(包括纤维数量、纤维密度及其经过长度校正后的纤维数量)(补充材料图9)和不同功能连通性指标(补充材料图10)进行了解剖功能耦合。我们还发现每个hub节点中存在显著的正相关校正后的P <0.001)。

    8.每个hub节点的解剖功能耦合。组水平HCP数据集(A)和本中心数据集(B)每个hub节点解剖连接和功能连接的相关性。

    结论

    本研究从功能及结构两个方面揭示了背/腹侧注意网络之间进行信息交换的具体通路,这有助于加深理解背/腹侧注意网络相互协作感知外界刺激的神经机制。具体结论包括:1)背/腹侧注意网络之间的功能hub节点也是二者解剖联系的中继站