动态大脑功能网络状态空间表达及其应用的基础研究

Dynamic functional network is one of the key bases for brain information processing. However, current studies on brain functional networks are generally based on the assumption that functional connectivity is temporally stationary, which limited the studies and applications of brain functional network to a large extent. Thus, studies on dynamic functional network are urgently needed. Nevertheless, the introduction of dynamic analysis will dramatically increase the complexity of the data under interpretation and possess tremendous challenge in analytical models and methods. To address this issue, the applicant successfully introduced machine learning algorithms to dynamic brain network analysis and observed the existence of discrete quasi-stable brain states. On the basis of our previous studies, we proposed an analytical framework for dynamic brain network analysis based on the concept of “functional network state-space”. In the perspective of “brain big data”, it focuses on two key questions: how to extract the finite discrete functional network states which span the state-space, to achieve an accurate, concise, and efficient representation of complex dynamic brain networks; and how to analyze the transition rules among these discrete states to investigate the functional interaction mechanism of brain networks under different conditions. This framework is applied on diabetes cognitive impairment for validation. Moreover, it is expected to excavate abnormal dynamic functional brain network in diabetes cognitive impairment, and provide some novel insights into the understanding of the pathogenesis and develop early imaging biomarkers to help prevent and postpone disease development in clinic.

动态功能网络是大脑信息处理的重要基础，然而现有脑功能网络研究广泛采用静态假设，即功能连接是时域不变的，很大程度上限制了脑功能网络的研究和应用，因此，迫切需要研究动态功能网络。但是，引入动态会增加脑网络数据复杂度，极大地挑战现有的分析模型和方法。针对这个问题，申请人前期引入机器学习技术进行动态脑网络初步研究，发现了功能网络的离散亚稳态状态。在此基础上，本项目提出了基于“功能网络状态空间”的动态脑网络分析框架，它从“脑大数据”角度出发，重点研究两个核心问题：其一，挖掘张成该空间的有限个离散功能网络状态，以实现复杂动态脑网络数据的准确、简洁和高效表达；其二，分析离散状态之间的转移规律，以研究不同条件下脑网络动态功能交互机制。进一步将该分析框架应用于糖尿病认知损害研究，作为验证平台的同时，挖掘疾病大脑的异常动态功能网络特征，促进对疾病发病机制的认识和开发早期诊断技术，以协助临床预防或延缓疾病进展。

基于磁共振成像的脑网络研究是脑科学研究的热点方向，在揭示大脑功能、运作机制和脑疾病原理方面起重要作用。功能网络是大脑功能信息处理的基础，动态性是大脑功能活动的固有特性，在传统静态功能网络分析基础上，引入动态分析技术，可以更好地揭示大脑的功能处理机制以及神经精神疾病的发病原理。另一方面，研究表明，糖尿病已经成为大脑认知功能障碍的独立危险因素，然而其发病原理仍然未知。基于功能磁共振成像展开大脑功能网络研究对于揭示糖尿病大脑认知损害的神经功能基础具有重要价值。因此，本项目重点采集了2型糖尿病（T2DM）患者和正常对照组大脑的结构和功能磁共振成像数据，同时利用人脑连接组计划（HCP）数据库的正常人多模态磁共振成像数据，主要进行了以下研究：1）基于图论的复杂网络理论，对T2DM不伴认知障碍大脑功能网络的拓扑属性进行了研究，发现了T2DM大脑在全局属性和节点属性及局部脑区功能连接上的异常特征，同时还研究了与记忆功能相关的T2DM大脑的异常海马功能连接；2）引入了评估大脑功能活动时域动态性的脑熵研究，对糖化血红蛋白水平、局部脑区异常脑熵、认知量表评估结果等之间的关系进行了探讨，发现较高的糖化血红蛋白水平与局部脑熵增加、词语记忆功能下降之间具有显著的相关性；3）提出了一种基于滑动时间窗稀疏表达的动态字典学习方法，能够有效地识别出与任务相对应的大脑功能网络及其它重要网络，并且能够很好地挖掘大脑功能网络的时域动态演化过程；4）构建了一种基于循环神经网络和自编码器相结合的深度循环自编码器大脑动态功能网络表达模型，可以有效地识别出大脑的功能网络模式以及相应的血液动力学响应。本项目研究对于认识和揭示大脑的功能信息处理机制、挖掘糖尿病大脑认知损害的神经功能基础以及开发早期诊断技术、协助临床预防或延缓疾病进展具有重要的意义。