本篇文献发表在CNS Neuroscience & Therapeutics杂志。本公众号所发布内容旨在与大家分享学术新知，促进交流学习，版权归原作者或原出处所有，感谢各位学者的辛勤付出与研究成果。

1.引言

阿尔茨海默病（AD）是老年人中最常见的神经退行性疾病之一。神经科学的基础理论已证明，脑网络功能障碍是AD 的一个标志性特征。理解连接脑结构改变与认知衰退的生物学机制，对于开发有效的 AD 治疗策略至关重要。根据经典的连接组学框架，人脑中数十亿相互连接的神经元形成了一个复杂且动态的网络，从而实现高效的信息处理与整合。这一视角为理解认知功能的复杂本质提供了一个关键模型。motif作为网络中的基本结构单元，类似于人体中的细胞，提供了一个基于图论的稳健框架，因此是研究脑网络结构改变的重要工具。基于这些见解，利用motif来探究脑网络内部的微观结构变化，对于理解这些网络如何影响认知至关重要。

网络神经科学传统上强调以节点为中心的分析，侧重于区域特异性，而将边在很大程度上视为次要特征。相比之下，边的作用受到的关注相对较少。尽管边的属性为评估节点网络特性提供了必要信息，但它们很少被视为脑网络的基本组织描述符。相反，motif是具有固定数量节点、以独特边模式为特征的子图。motif的分布揭示了网络的局部构建模块，为理解其底层结构提供了见解。通过使用替代网络评估motif模式频率，可以量化特定motif的表达不足和过度表达，并且这些表达情况也可以与网络组织的主要维度相关联，从而揭示支持网络功能的结构基础。motif提供了一个稳健的框架来降低网络复杂性，专注于更小的、重复出现的模式，将大规模网络分解为更易于管理和分析的组件。这种方法能够更深入地理解微观层面的局部交互模式如何影响宏观层面网络涌现的结构和功能特性。当应用于 AD 研究时，这一框架能够更精细地探索驱动连接性丧失的生物学机制，有助于深入了解微观层面的变化如何促成在 AD 中观察到的整体网络破坏。

传统的脑网络由多种来源构建，例如功能磁共振成像（fMRI）和弥散张量成像（DTI）。然而，这些网络通常受限于较低的信噪比和不足的稳健性，这显著损害了研究发现的可重复性。尽管在开发多样化的脑网络构建方法方面已取得相当大的进展，但对于一个经过充分验证、可广泛获取、能够准确描绘个体水平解剖脑网络架构的模型，仍然存在迫切需求。近年来，基于结构磁共振成像（sMRI）的新型形态学网络越来越吸引研究人员的关注，其中区域放射组学相似性网络（R2SN）扮演着不可替代的角色。与使用皮层厚度或灰质体积作为特征不同，R2SN 基于影像组学相似性，提供了对脑区内部特定属性的定量描绘。R2SN 已成功应用于通过异常脑模式来表征多种精神疾病。因此，基于 R2SN 矩阵发现隐藏在motif分布下的规律成为可能。

此研究旨在通过motif的视角阐明AD 脑网络中的宏观拓扑改变。利用 R2SN 网络，此研究定义了一种新的基于拓扑结构的生物标志物——主motif值（PMV），用于表征脑内的微观结构分布与转变。此研究通过评估 PMV 与关键临床指标的相关性，进一步验证了该生物标志物的临床相关性。此外，此研究通过探究基因富集、高风险基因相关性以及与多种正电子发射断层扫描/单光子发射计算机断层扫描（PET/SPET）受体图谱的空间关系，探索了神经生物学关联。总体而言，此研究的发现确立了 PMV作为一种稳健且一致的拓扑生物标志物，揭示了微观结构变化如何影响宏观脑网络，从而为AD 及其他神经退行性疾病的病理生理学提供了新的见解。

2.材料与方法

2.1受试者

此研究使用的主要发现数据集来源于阿尔茨海默病神经影像学倡议（ADNI）数据集，共包含 1654 名受试者，其中正常对照（NC）605 名，轻度认知障碍（MCI）个体 766 名，AD 患者 283 名。受试者详细的人口统计学和临床特征见表 1。

为确保此研究发现的稳健性，采用了两个独立的验证数据集：欧洲痴呆症弥散张量成像研究（EDSD）数据集和内部的多中心阿尔茨海默病影像联盟（MCADI）数据集。EDSD 数据集包含573 名受试者，包括 230 名 NC、183 名 MCI 和 160 名 AD。同样，MCADI 数据集包括1035 名受试者，其中 NC 336 名，MCI 300 名，AD 399 名。受试者人口统计学的综合总结见表 2。此研究已获得北京邮电大学生物医学伦理审查委员会的伦理批准（批准号：202402016）。

表1 | ADNI 数据集中受试者的人口统计学与临床特征

2.2数据预处理与主motif值计算

T1 加权结构MRI 扫描图像经过 N4 偏置场校正和去噪处理。随后，使用高级标准化工具（ANTs）中实施的“SyN”算法将图像空间标准化到蒙特利尔神经病学研究所（MNI）模板。接着，针对由 Brainnetome 图谱定义的每个脑区，提取了一整套影像组学特征以构建区域形态学特征，包括 14 个基于强度的特征和 33 个基于纹理的特征。为减少冗余并缓解多重共线性，采用了基于相关性的特征选择，保留 25 个影像组学特征用于后续分析。经过最小-最大归一化后，通过计算区域影像组学特征间的两两皮尔逊相关系数，构建了个体区域放射组学相似性网络（R2SN）。这一新颖框架通过影像组学特征选择增强了稳健性，通过解剖约束增强了生物学合理性，并为在个体水平上理解脑组织提供了一个新视角。在此研究中，motif特征由三个节点及其相互连接的边构成，用于表征 R2SN 的拓扑结构。在移除重复的motif类型（包括旋转或翻转后相同的motif）后，这些motif根据连接长度和连接强度被进一步分为 20 种类型（图 S1）。两种连接性度量均基于整个队列的中位数进行二值化处理：连接长度（MNI 空间中的欧氏距离，中位数 = 76.11）和连接强度（R2SN 边权重，中位数 = 0.75，标准差 = 0.05），如图 1 所示。受试者水平的变异在此二值化过程中得以保留。通过对全脑网络的系统性探索，此研究识别并量化了所有motif三角形。在此分析中，每个三角形所包含的三个脑区都为其对应motif类型的计数做出贡献，最终生成一个维度为motif类型 × 脑区的矩阵（图 S2）。为全面捕捉这些motif的分布，此研究应用了主成分分析（PCA），并计算了第一主成分，命名为主motif值（PMV），用以概括所有20 种motif在全脑的分布，而非仅描述单一motif。为了量化跨motif在全脑区域中的共变模式，此研究通过以下基于 PCA 的程序推导出主motif值（PMV）。

表2 | 研究参与者汇总

2.2.1数据标准化

给定一个motif计数矩阵（其中行代表 20 种motif，列代表 246 个脑区），对每个特征（脑区）进行标准化处理，使其均值为 0，方差为 1：

其中 μj 和 σj 分别代表第 j 个脑区motif计数的均值和标准差。

2.2.2协方差矩阵计算

协方差矩阵 用于量化脑区之间的线性依赖关系：

此处，n = 20（motif数量），Z 为标准化矩阵。

2.2.3特征值分解

将 C 分解为其主成分：

其中 V 是特征向量的正交矩阵（列 = 主方向），Λ 是特征值的对角矩阵（按降序排列），反映了解释方差。

2.2.4降维

保留第一个主特征向量 （与最大特征值 λ₁关联）以捕获最大方差。通过将 Z 投影到 ν₁上来计算主motif值（PMV）：

所得的 代表了每个脑区跨motif方差的单变量概括。

2.3 MCI 组和 AD 组中 PMV 的改变模式

为评估 MCI 组和 AD 组中的 PMV 改变，首先使用夏皮罗-威尔克检验评估数据的正态性，结果显示三组（NC、MCI 和 AD）数据均显著偏离正态分布（p < 0.05）。鉴于数据呈非正态分布，采用克鲁斯卡尔-沃利斯检验（一种单因素方差分析的非参数模拟方法）来比较三组间的 PMV。在识别出显著的组间差异后（p < 0.05，经Bonferroni校正），进行了事后曼-惠特尼检验，并对显著区域间的两两比较进行了Bonferroni校正。虽然 U 统计量量化了秩次差异，但其标准化变体——Z 分数——是根据已确立的标准化方法推导得出，以便于解释和效应量估计。Z 分数计算如下：

其中 U 是观测到的曼-惠特尼 U 统计量，是在相同分布零假设下的期望均值，是 U 的标准差，考虑了样本量 n1 和 n2。

这些改变模式基于两个独立数据集进行了验证。为进一步探索这些改变的生物学基础，此研究计算了 MCI 和 AD 组中 PMV 与临床测量指标之间的皮尔逊相关性，包括脑脊液（CSF）生物标志物（Aβ、Tau、P-tau）、氟代脱氧葡萄糖（FDG）摄取、认知能力（ADAS-cog11、ADAS-cog13、AVLT1、AVLT2 和 MMSE 评分）。

2.4针对 PMV 改变的基因富集分析

为探索潜在的遗传基础，此研究对 AD 中 PMV 改变的 Z 值图像与基因表达数据进行了偏最小二乘（PLS）相关分析。全脑基因表达数据从艾伦人脑图谱（AHBA）获取，并通过“Abagen”工具箱与 Brainnetome 图谱进行配准。由于 AHBA 数据集仅包含两个右半球样本，此研究仅利用左半球数据，并使用“质心”填补缺失区域。相关性的统计显著性经过排列检验和旋转检验校正后确定。此外，按绝对 Z 分数排序选出的前 500 个基因，被用于通过 Metascape 进行后续的基因富集分析，以探索相关的生物学过程。

2.5 PMV 改变与 AD 相关高风险基因及特异性受体的关系

此外，此研究还计算了 AD 中 PMV改变的 Z 值图像与 AHBA 网站上列出的 AD 相关高风险基因之间的关系，该基因集包括：A2M、ACE、ACHE、APBA1、APBB2、APLP1、APLP2、APOC1、APP、BACE2、BCHE、BLMH、CASP3、CHRNA3、CTSB、DBN1、ESR1、GSK3B、IL1B、KCNIP3、KLK6、LRP1、LRRC15、MAPT、PLAU、PSEN1、PSEN2 和 SORL1。另外，为进一步确定哪些突触系统与 PMV 相关，此研究利用 JuSpace 工具箱（一个旨在整合不同成像模态与正电子发射断层扫描（PET）衍生的神经生理学测量指标进行空间相关性分析的软件包）计算了 PMV 与受体图谱之间的相关性。

在脑海科技云平台中，内置了区域放射组学相似性网络分析模块，支持用户批量处理数据，并确保每一步参数设置都有据可查。此外，平台的项目管理模块可清晰记录数据筛选标准、排除被试原因、分析版本等信息，极大提升了研究的透明度和可复现性。感兴趣可联系预约产品演示。

图1研究工作流程

3.结果

3.1 PMV 在不同脑功能系统和解剖区域的分布差异

如前所述，利用 sMRI 数据，每位受试者均由一个 PMV 来表征，该 PMV 表示为一个对应 246 个脑区motif的 246 元素向量。PMV 在全脑范围内表现出区域性聚集分布（图 2A）。正常对照（NC）组的 PMV 分布如图 2A 所示。值得注意的是，如图 2C 所示，与皮层区域相比，皮层下区域表现出显著更多的正向 PMV 差异，而在皮层区域中，边缘系统的 PMV 值较高（图 2B）。此研究还计算了 PMV 在 Yeo 网络定义的各功能系统中的分布情况。边缘叶内的区域显示出略高于其他脑叶的 PMV值。在 Yeo 7 网络中，不同功能网络间观察到了不同的PMV 分布，视觉网络（VIS）呈现出相对于平均值较高的趋势，而腹侧注意网络（VAN）则显示出较低的值（图 3C）。

图2大脑皮层上的 PMV 分布。

3.2 AD 和 MCI 组中 PMV 改变模式的可重复性与一致性

Kruskal-Wallis检验结果表明，颞下回、颞中回、海马旁回和梭状回是存在显著差异的主要区域（p < 0.05 / 246）。在皮层下区域，几乎所有区域在各组间均表现出显著差异（p < 0.05 / 246）。随后进行的经Bonferroni校正的曼-惠特尼检验揭示了这些变化的方向。与 NC 组相比，AD 组在颞下回、后扣带皮层和海马表现出正向变化。相反，随着 AD 进展，颞叶外侧、枕叶、海马旁回和丘脑的连接呈现出负向趋势。NC 组与 MCI 组之间的比较遵循相似的模式，尽管统计显著性弱于 NC 组与 AD 组之间观察到的结果（图 3A）。此外，从 ADNI 数据集得出的这些显著区域在 EDSD 和 MCADI 数据集中得到了重复验证（图 3B）。各数据集间 Z 值图谱的相关性分析进一步支持了 PMV 模式的稳健性，皮尔逊相关系数分别为 0.78、0.55 和 0.54，且均满足 p < 0.001。

3.3临床测量指标间显著的相关性差异

此研究进行了 PMV 与各种临床测量指标之间的皮尔逊相关分析，揭示出不同的临床评分一致地凸显了相似的脑区和趋势（图 4）。几乎所有临床评分都显示与颞叶、额顶叶区域及海马的疾病进展呈正相关，这与曼-惠特尼检验 PMV 结果中观察到的模式高度一致。负相关（图中通常以蓝色标示）主要在枕叶和丘脑区域观察到。

图3不同组别与数据集间 PMV 的差异图

3.4生物学机制背后的潜在关联

偏最小二乘（PLS）结果揭示，第一主成分与 PMV 显著相关（r = 0.35，p < 0.001）。该成分解释了 12.2% 的方差（p_perm= 0.011；图 5A）。富集结果表明，20 个显著的基因本体论（GO）生物学过程与 PMV 密切相关（图5B）。基因分析强调了神经元系统、信号传导以及抗原加工与呈递等过程，包括神经元系统、Rho GTPases 信号传导、突触信号传导以及肽抗原的加工与呈递（图 5C）。为进一步探究 PMV 的分子机制，此研究应用了 PET/SPET 受体图谱相关性分析（图 5D）。与其他受体相比，5-羟色胺转运体（SERT）和多巴胺转运体（DAT）在受体图谱与 PMV 之间显示出最显著的相关性。值得注意的是，在几乎所有受体中，NC 组与 MCI 组之间的差异均大于 NC 组与AD 组之间的差异。这与常规认知中差异随疾病进展而增大的情况不同。此外，在从 AHBA 数据库识别出的 28 个高风险 AD 基因中，发现GSK3B、KCNIP3 和 SORL1 与 PMV 呈正相关。相反，A2M、AOPC1、BCHE、CASP3、CHRNA3 和 PSEN1 与 PMV 呈负相关（图5E）。

图4研究确定了临床测量指标的重要区域，包括临床量表和生物学指标

4.讨论

此研究引入PMV 作为一种新型神经学影像生物标志物，用于阐明阿尔茨海默病（AD）中拓扑结构与连接性丧失之间的关系。此研究通过实验验证了 PMV 检测 AD 相关拓扑改变的能力，为理解结构转变的生物学意义提供了一个新框架。这些发现有助于更深入地理解 AD 中连接性丧失的特征模式，并为驱动这些病理变化的潜在机制提供了关键见解。

先前的研究已广泛探讨了 AD，其中脑拓扑结构的改变被认为是该疾病的一个标志性特征。然而，这些拓扑变化的生物学基础仍然知之甚少。近期研究结果凸显了图论作为探索脑拓扑结构的一种稳健方法的实用性。与此观点一致，此研究系统性地考察了脑内的motif分布，为微观结构模式能够可靠地反映脑拓扑结构的宏观转变提供了进一步证据。

在此研究中，应用偏最小二乘（PLS）分析将 20 种motif的分布概括为单个数值，其中第一主成分平均解释了这些motif 65.34% 的方差。对成分贡献的检查揭示，第一主成分主要受motif 19、13 和 14 的影响，分别占 PCA 方差的 43%、14% 和 12%。这些motif在连接长度和强度上表现出相似的分布趋势。具体而言，motif 19 的特征是三条强连接且主要是长连接，常见于大脑皮层。相反，motif 13 和motif 14 则由弱连接和高比例的短连接组成，常见于皮层下区域（图 S3）。因此，PMV 指示了短连接和弱连接的更高集中度，这意味着一个更正性的 PMV 值对应于一个以更弱、更短连接为特征的脑区。

在解剖映射中观察到的皮层与皮层下之间的差异有所体现，其中与皮层区域相比，皮层下区域表现出显著的偏离（图 S4）。同时，作为大脑皮层与皮层下之间过渡界面的边缘叶内的区域，与其他皮层区域相比，显示出略高的 PMV 值。这些差异主要归因于皮层与皮层下之间固有的结构差异。具体而言，皮层的突触分布以高度的层级组织和区域化为特征，有利于形成复杂的局部神经环路。相比之下，皮层下的突触连接更为特化，层级分化不明显。皮层突触主要发生在不同的皮层之间，并局限于皮层内相互作用，而皮层下突触主要涉及皮层与皮层下核团之间或皮层下区域内部的连接。

在脑功能系统的分析中，仅包含皮层区域的 Yeo 7 网络在所有七个网络中均一致显示负的 PMV 值。此模式表明，高度互联的脑区，特别是那些负责感觉处理和运动控制的区域，需要更高效的局部连接以促进快速神经处理。一个显著的例子是默认模式网络（DMN），它在整合来自不同脑区的信息以支持复杂认知活动（如内省和记忆提取）中起着关键作用。在 DMN 中观察到的相对较弱的连接可能反映了其依赖于远程连接来进行跨不同神经环路的信息整合，而非依赖于密集聚集的局部连接。此模式与大脑的小世界拓扑结构一致，其中强大的局部连接促进高效处理，而较弱的全局连接则支持信息整合和大规模神经协调。这种结构组织最大限度地提高了信息在大脑中的传递效率，优化了在广泛认知任务中的表现。皮层与皮层下区域之间以及网络内特化连接的结构和功能差异，凸显了 PMV 作为一种稳健的生物标志物，用于阐明广泛认知活动背后的神经机制的实用性。

图5 | 基因富集分析及与PET/SPET受体图谱的相关性分析

网络组织的全局属性，例如网络组织随机性的增加或聚类系数的降低，已被证明可以反映 AD 中的脑萎缩。如前所述，PMV 的变化与这些图论属性直接相关，这为将此研究的发现与其他研究的结果进行比较提供了机会。在 AD 组中，与 NC 组相比，在颞下回、后扣带皮层和海马中观察到正向 PMV 变化。这些变化表明这些区域的连接变得更短、更弱，与其他区域的整合减少。相反，随着 AD 的进展，颞叶外侧、枕叶、海马旁回和丘脑的连接表现出增强，特别是在与认知障碍相关的内侧颞叶。NC 组与 MCI 组之间的比较揭示了相似的趋势，尽管变化不如 AD 组显著，这与疾病的进展过程一致。具体而言，楔前叶活动的增加与记忆衰退加速相关，而颞叶和前额叶的相似模式也与记忆恶化相关。此外，在 MCI 组中，颞回和颞极显示的蓝色（指示连接增强）与 NC 组相比，与其他研究的发现一致。

在三个不同的数据集中，即使考虑到荟萃分析的结果，PMV 也展示了一致的转变和各组间的变化趋势。所有三个数据集均显示出外侧颞叶皮层和内侧颞叶的连接增强，同时顶叶和海马的连接呈减弱趋势。此外，即使在 MCI 的早期阶段，PMV 也揭示了拓扑结构的转变，特别是在海马和颞叶这些公认的 AD 病理关键区域。这些结果表明，与 AD 进展相关的 PMV 变化与先前的研究一致，凸显了 PMV 在检测早期结构变化方面的敏感性，进一步支持 PMV 作为追踪疾病相关改变的可靠生物标志物。

此研究的基因富集分析进一步支持了 PMV 的生物学相关性；结果表明 PMV 与神经元系统及信号传导生物学过程密切相关，而这两者均在 AD 的病理生理学中起着关键作用。此外，还对 AHBA 中发现的与 AD 相关的高风险基因进行了相关性分析。参与 Aβ 代谢的基因，包括 A2M、PSEN1 和 SORL1，主要通过调控 Aβ 的产生、转运和清除来影响 AD 的发病机制。此外，神经递质信号传导基因，包括 BCHE 和 CHRNA3（其抑制是对抗 AD 的重要策略之一），对乙酰胆碱的代谢和转运至关重要。再者，脂质代谢相关基因，包括APOC1，在 AD 的病理过程中扮演着重要角色。最后，与Tau 蛋白调控和细胞凋亡相关的基因，如 CASP3、GSK3B和 KCNIP3，也参与了 AD 的病理过程。GSK3B 可能在 AD 的神经炎症、神经元凋亡以及磷酸化 tau 蛋白的积累中发挥作用，而 KCNIP3 可能通过作为与神经退行性过程普遍相关的基因互作网络的一部分，在阿尔茨海默病的神经生物学中发挥功能性作用。

最后，受体图谱揭示了 PMV 与神经递质系统之间的显著相关性。此研究的结果表明 PMV 与 5-HT 受体之间存在显著相关，提示其可能与 AD 中的认知障碍以及学习和记忆能力下降存在潜在联系。此外，观察到脑血流（CBF）的改变，这与 AD 的疾病进展相对应。多巴胺能受体分析表明多巴胺系统内存在退化，导致多巴胺能信号传导中断，进而影响 AD 中的认知和情绪过程。此外，涉及 MU、NAT 和 SERT 的相关性揭示了情绪调节机制的变化。最后，观察到的 VAcHT（乙酰胆碱储存和释放的关键因子）的下降，很可能导致了 AD 特征性的记忆缺陷和认知功能障碍。这些过程共同促成了在 AD 中观察到的 PMV 变化，进一步支持其作为追踪疾病进展的生物标志物的实用性。

总之，PMV成为一种稳健、一致且敏感的生物标志物，能够捕捉皮层与皮层下区域之间细微的连接性差异。它有可能在宏观连接组学与微观基因组学之间架起桥梁，从而将外部疾病表现与内在拓扑变化统一起来。然而，PMV 受限于其对单一模态网络的依赖，这限制了其利用多模态丰富信息的能力。这可能导致无法捕捉通过多模态方法本可获取的宝贵见解。