aNy-way ICA及其用于估计精神分裂症中皮质 - 乳头 - 小脑功能联系的应用

科学领域:

• 神经成像和计算神经科学
• 生物信息学和数据融合

背景情况:

• 多模式生物银行数据为疾病机制提供了互补的见解,但由于不同尺度和模型顺序而存在挑战.
• 现有的数据融合方法通常在处理各种数据类型和复杂的生物系统时缺乏灵活性和效率.

研究的目的:

• 引入一种新的,灵活和高效的数据融合方法,即aNy-way独立组件分析 (aNy-way ICA),用于整合多式联络或多领域数据.
• 为了证明aNy-way ICA在检测多个连接源的能力,在不同的模式,没有正交的约束和容纳不同的模型订单.

主要方法:

• 开发了aNy-way ICA,它通过使用高斯独立向量分析 (IVA-G) 和通过单独的ICAs同时优化独立性,通过优化链接组件加载相关性来融合N-way多式数据.
• 使用模拟数据验证了该方法,以评估识别源,负载和共变性模式的准确性,特别是在噪音条件下.
• 应用aNy-way ICA来融合来自精神分裂症患者的4D多域功能磁共振成像 (fMRI) 数据.

主要成果:

• 模拟结果显示,与其他方法相比,aNy-way ICA在源和共变性模式识别方面取得了更高的准确性,特别是在杂的环境中.
• 对精神分裂症fMRI数据的应用揭示了皮质-丘脑-小脑电路,将高阶丘脑核,视觉皮质,默认模式网络和小脑连接起来.
• 这个电路的功能联系被复制到独立的数据集中,并证明了区分精神分裂症患者与对照者的能力,与认知缺陷相关.

结论:

• aNy-way ICA是一个强大而灵活的工具,用于融合多模式和多域生物银行数据,提供更高的准确性和稳定性.
• 在精神分裂症中发现的皮质-甲状腺-大脑电路为认知失衡的神经生物学基础提供了新的见解.
• 这些发现突显了aNy-way ICA在发现疾病特异性生物标志物和理解复杂神经系统疾病方面的潜力.