来自ICA估计动态功能网络连接梯度 (dFNG) 的方法捕获了平稳的网络间调制

科学领域:

• 神经科学是一个神经科学.
• 脑部成像 脑部成像
• 网络分析 网络分析

背景情况:

• 动态功能网络连接 (dFNC) 对于了解随时间推移的大脑功能至关重要.
• 传统的dFNC方法使用固定的空间地图,限制了对不断发展的大脑网络相互作用的分析.
• 精神分裂症与功能性失联有关,但其神经支需要进一步阐明.

研究的目的:

• 引入和验证一种用于分析动态功能网络连接梯度 (dFNGs) 的新方法.
• 调查精神分裂症患者和健康对照者之间的静态和动态功能网络连接梯度的差异.
• 为了提供一个更全面的时空理解脑网络改变在精神分裂症.

主要方法:

• 开发了一种在每个时间点动态重新排序空间组件的方法,以优化顺的功能网络连接 (FNC) 梯度.
• 将静态FNC梯度 (sFNG) 和动态FNC梯度 (dFNG) 分析应用于151名精神分裂症患者和160名健康对照者的静止状态fMRI数据.
• 利用独立组件分析 (ICA) 提取53个内在连接网络 (ICN),并计算了用于静态分析的皮尔森相关系数和用于动态分析的滑窗方法.

主要成果:

• 与对照组相比,精神分裂症患者表现出改变的连接模式,包括较强的皮下 (SC) /听觉 (AUD) /视觉 (VIS) 网络连接和较弱的感觉运动 (SM) 网络连接.
• sFNG分析显示了患者和对照组在认知控制 (CC) /默认模式网络 (DMN) 和SC/AUD/SM/大脑 (CB) /VIS梯度沿线的明显集群模式.
• dFNG分析表明,精神分裂症患者在SC/CB状态中花费了更多时间,而对照对象则偏爱SM/DMN状态,CB和DMN参与度存在显著的群体差异.

结论:

• 新的dFNG方法提供了一个更完整的时间空间总结大脑数据,推进对大脑网络调制的理解.
• dFNG分析揭示了精神分裂症患者的独特动态连接模式,特别是在SC,SM和CB领域.
• 这项研究为捕捉大规模的大脑波动和理解精神分裂症中的功能失联提供了新的视角.