本篇文献分享发表于Human Brain Mapping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成果。

1.引言

抑郁和自杀意念是青少年中频繁发生且增加自杀死亡风险的两种不同但重叠的现象。迫切需要增进对抑郁和自杀风险神经机制的理解，尤其是在生命早期，以指导开发能够有效改善情绪和降低青少年自杀死亡风险的新型干预措施。值得注意的是，大脑在整个儿童期和青春期经历了相当大的精细化过程；抑郁和自杀风险在不同发育窗口的出现可能具有不同的神经生物学特征。

静息态功能磁共振成像等神经影像工具可用于探究以大脑组织的功能连接（两个或多个脑区功能磁共振成像信号模式时间序列之间的相关性），这些工具有望识别青少年抑郁和自杀风险背后的新型神经机制。虽然功能连接最初被认为是相对静态的，但神经科学越来越认识到神经网络组织是动态的，连接模式随时间而变化。神经连接在每一时刻的变化程度可提供神经灵活性的指标。人类大脑在状态之间灵活切换的能力被视为对环境适应以及实现认知灵活性和思维多样性至关重要。神经灵活性（通过神经信号的复杂性或脑区与网络之间连接模式随时间变化的方式来衡量）可能对生活经历的适应性反应很重要。来自发育研究的汇聚证据表明，神经灵活性随年龄增长而增加，并与青少年执行功能任务的表现相关，而执行功能与抑郁和自杀风险有关。由于抑郁和自杀意念都涉及消极思维和情感的刻板持久模式，研究神经灵活性的瞬时变化可能为这些疾病及其潜在生物学提供重要的新见解。

目前已开发出多种测量动态功能连接的方法。滑动窗法通过沿时间序列全长逐步分段并测量连接随时间的变化来计算脑区或网络之间的多重相关性，使用该方法的多项研究已识别出抑郁和自杀风险与成对脑区之间功能连接随时间变异性（包括更大和更小）之间的关联。聚类方法可应用于滑动窗口以识别重复出现的全脑连接状态；近期研究发现，使用该方法定义的特定状态中花费的时间与儿童的认知和心理健康症状相关。另一种方法是隐马尔可夫模型，它克服了滑动窗口的一些局限性（如窗口长度的人为随意性）。隐马尔可夫模型将概率模型作为脑连接状态的潜在序列施加于静息态数据，允许模型选择和状态分配的量化不确定性，并测量大脑随时间在这些状态之间转换的方式。既往应用隐马尔可夫模型的研究表明，在静息状态下，重性抑郁障碍个体在所有脑网络之间功能连接相对较弱、默认网络、躯体运动网络和突显网络相对连接较高的脑状态中花费了更多时间。此外，此研究先前表明，有中重度非自杀性自伤史的女性青少年在静息状态下表现出比轻度或无自伤史者更频繁的隐马尔可夫模型衍生状态切换。然而，该方法尚未用于评估儿童抑郁和自杀意念的神经生物学。

近期数据强调了使用这些工具识别可靠、可重复的脑-行为关系时大样本的重要性。青少年脑认知发展(ABCD) 是一项大规模、纵向、多中心的，对超过11,000名在9-10岁的青少年的大脑开展的研究，其中许多人在基线评估时报告了抑郁和自杀意念症状。在目前的研究中，此研究利用青少年脑认知发展研究的基线数据，使用隐马尔可夫模型刻画了9-10岁儿童的静息态神经动态，并检验了神经灵活性在此早期年龄是否与重性抑郁障碍和自杀意念相关。此研究神经灵活性的主要指标是静息状态下状态之间的转换频率（状态切换）。此研究假设重性抑郁障碍和自杀意念的存在与较低的状态切换频率相关，表明一种更刻板（适应性更差）的神经模式，可能导致儿童出现持续的（“陷入”的）消极思维和情感模式。此研究还探讨了重性抑郁障碍和自杀意念与状态特异性指标之间的关系。

2.方法

2.1.被试

青少年脑认知发展研究获取被试的临床评估和磁共振成像扫描，每年进行临床随访，每两年进行一次脑扫描。这项多中心研究提供了关于青少年早期健康轨迹的大量数据，并将持续至成年早期。根据加州大学圣地亚哥分校集中机构审查委员会制定的方案，每次访视均在当地站点获得了家长同意和儿童同意。对于以下分析，此研究使用了青少年脑认知发展研究基线访视的数据。

2.2.临床和人口学数据 

关于重性抑郁障碍和自杀意念的信息通过DSM-5儿童情感障碍与精神分裂症评定问卷获取。由于父母与青少年报告之间存在不一致（通常由父母低估青少年抑郁症状和自杀意念所致），且青少年在这些领域的报告比父母报告更准确，此研究依赖儿童自述来评估重性抑郁障碍和自杀意念。如果儿童认可以下任何形式的当前自杀意念：被动的、主动但非特异性的、有具体方法的、有意向的、有计划的，则被编码为存在当前自杀意念。如果KSADS-COMP根据青少年的回答确定其符合诊断标准，则被编码为患有当前重性抑郁障碍。虽然此研究认为神经灵活性测量与当前临床状态的相关性最密切，但也认识到先前经历过这些情况的儿童可能也表现出类似的动态特征，并且通过纳入更广泛的类别，由于患有该疾病的儿童数量更多，可能会增加统计功效。因此，此研究还考虑了每种临床结局的更广泛的“当前+既往”定义，定义为“曾患重性抑郁障碍”（包括KSADS-COMP归类为既往、当前和部分缓解的重性抑郁障碍）和“曾患自杀意念”（既往和当前自杀意念）；这些结果在补充材料中呈现。社会人口学信息（年龄、性别、家庭ID、中心ID、家庭收入、家庭教育程度和婚姻状况）来自青少年脑认知发展研究设计变量文件，该文件来源于既往文献中记录的若干评估问卷。

2.3.功能磁共振成像处理

此研究应用NeuroMark框架来识别跨被试和扫描的稳健功能网络。此研究使用具有NeuroMark模板1.0版的约束混合独立成分分析框架，将青少年脑认知发展研究数据分解为53个独立成分及其对应的时间序列。NeuroMark模板的53个独立成分被分类到七个功能脑区或网络中，即皮层下网络、听觉网络、感觉运动网络、视觉网络、认知控制网络、默认模式网络和小脑网络。进一步处理包括在相关分析之前对独立成分时间序列进行六参数运动参数回归、0.01-0.15 Hz带通滤波、去趋势和去尖峰。图1展示了53个独立成分之间的相关性图（静态连接）。此研究计算了帧间位移作为头动测量指标。为确保每次扫描具有相同的隐马尔可夫模型分析长度，此研究通过删除时间序列前端的数据将其缩短为370个重复时间。

图1静态连接矩阵。

2.4.隐马尔可夫模型

使用此研究团队先前描述的自定义代码生成了针对独立成分时间序列数据的隐马尔可夫模型。简而言之，此研究使用期望最大化算法，以对数似然收敛阈值 < 10^-⁶ 来识别具有3至12个状态的候选模型。此过程重复40次迭代或直到模型收敛，此时保留具有最大对数似然的模型进行进一步分析。为两次静息态数据分别生成单独的模型以便进行比较。隐马尔可夫模型分析的结果包括每个状态的协方差矩阵和对应于时间序列每个点的状态序列。

2.5.模型选择 

通常使用四个或十二个状态对静息态数据进行建模，其目的是提高可重复性并允许跨研究比较，但在某些情况下，研究者使用了其他状态数量，例如六个或九个。鉴于这种模糊性，此研究采用数据驱动的方法，使用统计方法确定最佳模型。首先，此研究使用40次随机初始化的隐马尔可夫模型计算了状态数为三到十二的最佳拟合隐马尔可夫模型，随后使用赤池信息准则(AIC)、贝叶斯信息准则(BIC)和组内相关系数(ICC)对这些模型进行比较。AIC和BIC表示每个模型给出的预测误差估计，值越低表示模型拟合越好。此研究发现在静息态数据两次运行的所有模型中，AIC和BIC均随状态数线性递减，两个准则均表明十二状态模型解是最优的。然而，尽管AIC和BIC一致，但线性趋势（表明通过增加更多状态模型拟合可能更好）可能表明这些指标存在偏倚（例如由大样本量所致）。另一个问题是这些指标不能指示模型是否欠拟合或过拟合数据。由于这些问题，此研究更依赖于使用ICC评估的重测信度。在此，此研究利用多个可用的静息态扫描数据，优先考虑两次静息态数据之间隐马尔可夫模型结果的相似性，而非每次运行内部隐马尔可夫模型的“拟合优度”。对于每个状态，此研究将两次静息态数据的隐马尔可夫模型协方差矩阵转换为向量，然后对这些向量计算ICC。此过程对每个n状态模型的每个状态重复进行，产生一组反映运行间网络协方差信度的ICC。然后，此研究对每个模型的这些ICC进行平均，并保留具有最高平均ICC的隐马尔可夫模型。

2.6.隐马尔可夫模型参数的计算 

在模型选择过程之后，此研究从状态序列中推导出以下用于后续分析的汇总指标（针对每次完整扫描数据）：向不同状态转换的次数（状态切换次数）、在状态中的总时间（包括在该状态中的所有停留时间，即使是不连续的）以及状态停留时间（在每个状态中的连续时间长度）。这些指标对每个被试进行量化，然后对两次静息态扫描数据）进行平均，用于回归分析。值得注意的是，此研究关注的主要指标是作为神经灵活性测量指标的状态切换。由于状态是量化动态连接中时间变异性的模型抽象，更多的状态对应更大的时间变异性，此研究谨慎防止过度将状态解释为反映不同的生物学过程。相反，此研究将其视为隐马尔可夫模型能够表征的动态连接中时间变异性的量的反映。

2.7.统计分析 

统计分析使用R软件进行。初步分析比较了临床组在人口学因素上的差异。接下来，由于头动是脑动态隐马尔可夫模型分析中的一个重要因素，此研究进行了皮尔逊相关分析以量化状态切换次数与帧间位移之间的关联，并进行逻辑回归分析以评估头动与临床变量（重性抑郁障碍和自杀意念）之间的关系。虽然去噪技术可以减轻这些噪声信号的影响，但研究者经常仍然在统计分析中将头动作为协变量以考虑潜在的残余效应。然而，其他研究表明，与头动相关的脑模式可能反映真实的神经特征，不一定应该被忽略。基于这些考虑，此研究在后续分析中分别进行了包含和不包含头动及头动平方作为协变量的分析。此外，此研究通过排除平均帧位移 > 0.2 mm的被试后重复所有模型进行了敏感性分析。这些结果在补充信息F中呈现。此研究还检验了头动和主要结局指标状态切换中的性别差异。

此研究应用线性混合效应模型来检验状态切换与临床预测因子（主要：当前重性抑郁障碍或当前自杀意念）之间的关联。由于在这个年轻样本中患有“当前”重性抑郁障碍和自杀意念的儿童数量相对较少，此研究还考虑了更广泛的“曾患重性抑郁障碍”和“曾患自杀意念”类别。这种方法提供了反映“特质”而非“状态”的信息，并且由于样本量更大而具有更高的统计功效。此研究纳入了社会人口学变量的固定效应协变量，包括年龄、性别、民族、种族、家庭收入、父母教育程度和婚姻状况。此研究还使用嵌套随机截距考虑了扫描中心和被试家庭。当发现协变量有显著效应时，进行了进一步的探索性分析以理解关联的性质。所有回归分析均使用Benjamini-Hochberg FDR方法进行多重比较校正，阈值为0.05。

为了更清晰地说明头动与神经灵活性在不同诊断亚组中的关系，此研究根据当前诊断状态将被试分为四个互斥的组：重性抑郁障碍组（有当前重性抑郁障碍但无当前自杀意念）、自杀意念组（有当前自杀意念但无当前重性抑郁障碍）、重性抑郁障碍+自杀意念组（同时有当前重性抑郁障碍和当前自杀意念）和对照组（既无当前重性抑郁障碍也无当前自杀意念）。此分组仅用于头动-灵活性关联的探索性可视化，不用于主要推断模型。

在脑海科技云平台中，内置了隐马尔可夫模型分析模块，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。读者可对照思考如何在平台中实现类似的分析流程。感兴趣可联系预约产品演示。

3.结果

3.1.被试

在基线青少年脑认知发展研究数据中可用的11,880次静息态功能磁共振成像扫描中，此研究使用了11,102名被试的数据，这些被试在基线扫描阶段完成了前两次5分钟静息态扫描。随后对样本进行质量控制，排除了324名在预处理后一次或多次扫描中重复时间少于370个的被试，最终得到10,778名被试。由于创建主要诊断变量所需的精神病理学数据缺失或不完整，样本进一步减少至10,763名。表1描述了最终10,763名儿童样本的人口学和临床特征。从该样本中，56名被识别为患有当前重性抑郁障碍；225名儿童被识别为存在当前自杀意念；两组均包括21名同时存在当前自杀意念和当前重性抑郁障碍的儿童。对于统计建模，每个特定线性混合模型的最终样本量通过按列表排除该模型纳入的所有协变量中存在缺失数据的被试来确定。因此，模型样本量根据人口学数据和头动数据的完全可用性略有差异。

表1包含完整脑数据样本的人口统计学信息。

3.2.六个状态模型的描述性结果

六个状态的隐马尔可夫模型拟合是最可靠的（具有最高的运行间组内相关系数值），因此该模型被用于后续所有分析。每个状态的协方差矩阵与所有受试者的静态协方差矩阵非常相似。然而，每个状态相对于静态协方差矩阵的相对差异揭示了脑网络间功能连接的不同模式，总结于表2。

表2基于隐马尔可夫模型（HMM）推导的状态特征表现。

3.3.状态切换与头动

此研究观察到头动与状态总时间之间的关联：较高的头动与在状态1-5中花费的时间较少相关，但与在状态6中花费的时间较多相关。状态切换与头动呈负相关 (r[10761] = -0.54, 95% CI [-0.55, -0.52], p < 0.001; 图2)。

图2状态切换与帧间位移的关系图。

3.4.状态切换频率与临床结果 

回归分析显示，在将头动作为协变量之前，较低的状态切换频率与重性抑郁障碍和自杀意念均相关。然而，在控制头动后，与重性抑郁障碍的关联变为趋势水平，与自杀意念的关联变得不显著。为了进一步阐明这些效应，此研究计算了不同组间的平均状态切换频率。对照组显示出最高的频率。仅患有重性抑郁障碍的儿童平均切换36.21次，仅存在自杀意念的儿童平均切换36.34次。同时患有重性抑郁障碍和存在自杀意念的组显示出最低的平均状态切换频率。头动和状态切换在不同临床组间的变化如图3所示。

使用更广泛的“曾患重性抑郁障碍”和“曾患自杀意念”变量作为临床预测因子的分析结果相似。

值得注意的是，与初步分析一致，性别作为协变量对状态切换有显著影响。女性表现出比男性更高的平均切换次数，效应估计范围为0.94至2.13，所有p值 < 0.001。无论是否将头动作为协变量，以及无论使用当前诊断还是曾患诊断，这一模式均保持不变。

图3按诊断组划分的头部运动与状态转换。

3.5.重性抑郁障碍和自杀意念与状态中花费时间的关系

回归分析显示，重性抑郁障碍（而非自杀意念）与在某些大脑状态中花费时间的显著差异相关（表3，图4）。具体而言，在控制头动和多重比较后，重性抑郁障碍与状态3中较短的停留时间和状态5中较长的停留时间相关。敏感性分析（排除高头动被试后评估结果）支持了这两个发现，尽管状态3的发现在多重比较校正后变为趋势水平。

图4 MDD 患儿、SI患儿及无上述两种病症患儿在各状态下的总停留时间。

表3使用临床诊断及协变量预测各状态总停留时间及状态停留时长的回归分析结果。

4.讨论

本研究采用隐马尔可夫模型（HMM）对9-10岁儿童的大样本群体进行静息态神经动力学分析，旨在评估神经可塑性（通过状态转换测量）与童年后期注意缺陷多动障碍（MDD）及自闭症谱系障碍（SI）之间的关联。此研究的主要优势包括儿童样本量大、年龄范围窄以及测量动态功能连接时对严谨性和稳健性的重视。值得注意的是，测量动态功能连接及其与临床问题关系的先进方法很少应用于儿童期。此研究数据驱动的状态选择方法产生了一个六状态模型，其中每个状态在功能网络之间具有不同的相对连接模式，并且在第一次和第二次5分钟静息态运行之间可重复，证明了隐马尔可夫模型方法在大数据集中的强一致性。显示状态切换与重性抑郁障碍和自杀意念之间呈负相关的结果为此研究的假设提供了一定支持，即神经灵活性损害可能代表了患有这些疾病的儿童“陷入”思维和情感的潜在神经机制。然而，这些研究结果在进行头部运动校正后有所减弱，这可能是由于该年龄段研究中存在此类问题的儿童样本量较小所致。

5.结论 

此研究展示了如何使用隐马尔可夫模型刻画儿童的神经动态活动，并报告了静息状态下较低的状态切换频率可能与抑郁和自杀意念相关。这一模式可能提示大脑灵活性降低是儿童抑郁和自杀风险的神经机制。此研究报告的结果为未来的研究奠定了基础，这些研究将检验静息态神经动态在青春期发育和疾病过程中如何变化，随着从青少年脑认知发展研究队列在不同发育阶段获取新数据，这些假设可以得到检验。