目錄

1?研究背景

2?研究方法

2.1 縱向數據集

2.2 圖像預處理

2.3 個體化區域放射組學相似網絡構建

2.4 分離度（模塊化）度量

2.5 分離度指數發育變化的建模

2.6 分離指數與認知表現的相關性分析

2.7 成像轉錄組分析

3?研究結果

3.1 三個尺度上的縱向年齡相關變化的分離指數

3.2 R2SN的分離指數反映個體認知表現

3.3 局部分離指數的年齡效應與基因表達譜的關聯研究

4?討論

4.1 R2SN分離性在兒童后期至青少年早期呈現增強趨勢

4.2 R2SN與腦功能的關系

4.3 R2SN發育與基因表達的關系

4.4 R2SN的放射組學/紋理特征

4.5 局限性、方法學考量與未來方向

5?結論

---

1?研究背景

人類大腦發育具有持續至成年期的漫長發展軌跡。青春期大腦經歷顯著的結構重組與功能重塑，這一關鍵階段既是認知與情緒發展的黃金期，同時也增加了神經發育障礙的易感性。因此，深入理解該階段人腦的典型發育軌跡，對于揭示發育性精神行為障礙的結構基礎、功能特征及深層機制具有至關重要的意義。近年來，研究者日益運用圖論將大腦建模為互連區域的網絡。其中，皮層形態相似性網絡（MSN）通過計算多模態MRI特征向量的區域間相關性，驗證了"結構模型"的假說：即具有相似微觀結構的腦區傾向于相互連接。在此基礎上提出的區域放射組學相似網絡（R2SN）方法，突破性地采用紋理特征構建相似性網絡。這些紋理特征通過量化結構MRI信號強度的空間分布模式，能捕捉人眼不可見的微觀結構信息。R2SN對MRI信號強度微觀結構改變的敏感性，使其成為研究腦發育的理想工具。人腦網絡遵循"整合-分離"的雙重組織原則。研究表明，從兒童期到青少年期，腦網絡拓撲組織會向更分布式模式轉變。通過量化R2SN的分離特征，研究人員能夠評估形態學分離程度。研究者提出假說：R2SN的分離性改變可能與執行功能發展相關。

針對上述問題，本研究通過多層面方法系統揭示了區域放射組學相似網絡(R2SN)的年齡相關縱向變化：(1)利用縱向T1加權磁共振成像(T1w-MRI)數據集構建個體化R2SN；(2)在全局、系統和局部三個水平量化分離指數；(3)采用混合效應模型刻畫網絡指標的發育軌跡，以表征縱向變化特征；(4)探究分離指數與工作記憶和視覺注意功能表現的關聯；(5)整合空間基因表達數據與局部分離指數的發育變化進行影像轉錄組學分析。本研究成果將深化對典型發育變化的理解，并為認知發展的神經結構基礎提供新的理論見解。

2?研究方法

2.1 縱向數據集

本研究數據來源于"中國兒童學校功能與腦發育項目"（CBD北京隊列），共納入309名6.2-13歲典型發育兒童的494次磁共振掃描（女142名，男167名）。部分受試者接受了重復掃描（44名完成3次掃描，97名完成2次），每次間隔約1年。采用三維各向同性1 mm3 T1加權MPRAGE序列獲取高分辨率解剖圖像。所有參與者均通過全國標準化認知能力測試確認認知功能正常，且無相關疾病史及MRI禁忌證。本研究經北京師范大學倫理委員會批準（批號：IRB_A_0004_2019001），所有參與者或其監護人簽署了知情同意書。

圖1?縱向影像樣本的年齡-性別分布示意圖。（A）所獲取的494次掃描均以實心圓點表示；309名受試者按行排列，其多次掃描數據通過直線連接（B）樣本構成：168名受試者完成1次掃描，97名完成2次掃描，44名完成3次掃描

認知功能評估采用：

（1）數字N-back任務（403次掃描）測量工作記憶（2-back辨別力指數）

（2）兒童版注意網絡任務（ANT，411次掃描）測量視覺注意（三種注意條件的平均反應時）

2.2 圖像預處理

每名受試者的解剖磁共振圖像均經過人類連接組計劃（HCP）最小預處理流程處理，并針對兒童大腦特點進行了若干調整。預處理步驟包括前連合-后連合（AC-PC）對準、腦組織提取、讀出畸變校正，以及采用基于邊界的配準代價函數進行T1加權（T1w）和T2加權（T2w）圖像的剛體變換配準。在去除非腦組織后，使用T1w和T2w圖像乘積的平方根進行偏置場校正。最后，將CBD解剖圖像非線性配準至中國兒科腦圖譜（CHNPD，6-12歲）。

2.3 個體化區域放射組學相似網絡構建

基于Brainnetome腦圖譜（210個皮層和36個皮層下亞區），從每個腦區提取47個特征，包括：一階特征（14個）：基于直方圖的描述符，提供每個感興趣區（ROI）的全局信息（如均值、最大值、最小值、方差和峰度）；二階/高階紋理特征（33個）：描述ROI內灰度強度的相互關系，通過計算確定強度為i的像素與強度為j的像素在特定空間關系中出現頻率的矩陣獲得。

圖2?R2SN構建流程

基于特征相關性分析，移除了22個冗余特征（相關系數r>0.9），最終保留25個最具代表性的特征。由此得到的紋理特征矩陣規模為25 × 246，隨后用于對每位受試者進行進一步分析。最終，通過生成一個大小為246 × 246的連接矩陣，為每個T1w數據集計算了單獨的R2SN，其中節點對應于根據腦網絡組圖譜（Brainnetome atlas）定義的大腦區域。邊則是利用各腦區之間影像組學特征的皮爾遜（Pearson）相關性計算得出的。由此得到的r矩陣是一個完全連通的有權圖。

2.4 分離度（模塊化）度量

(1)?網絡矩陣特征：246×246相關矩陣（R值）；對角線置零處理；節點分類：210皮質節點（Yeo 7大功能網絡）、36皮質下節點。

(2)?連接性計算：

系統內連接性：同一網絡節點間平均R值；

系統間連接性：跨網絡節點間平均R值。

（3）分離度指標：

系統分離度指數：系統內與系統間紋理特征相似性的相對差異，因此該分離度指數反映了解剖學和形態學上的分離（即模塊間與模塊內的形態差異）；

局部分離度：反映了某一節點與其所在系統內其他節點的紋理相似性，相較于該節點與不同系統中節點的紋理相似性；

全局分離度：8個網絡平均分離度

2.5 分離度指數發育變化的建模

（1）模型選擇依據：處理縱向數據（受試者流失、不規則間隔測量）；同時考慮固定效應和隨機效應；納入年齡的線性和非線性影響。

（2）模型構建：使用MATLAB R2019b"lme"函數，將常數、線性和二次模型擬合到數據中；固定效應：性別、年齡（線性/二次項）；隨機效應：受試者特異性截距和斜率。

示例模型公式：分離度指數?~ 1 + 性別 + 年齡 + (1|受試者)

表1

（3）模型評估：針對每個分離度指數，研究人員采用最大似然（ML）估計法和基于貝葉斯信息準則（BIC）的模型選擇方法，對所有八種混合效應模型（四種固定效應與兩種隨機效應的組合）進行了檢驗。為了在系統和局部分離度指數的統計分析中考慮多重比較，研究者應用了Benjamini-Hochberg錯誤發現率（FDR）校正，并使用pFDR < 0.05的顯著性閾值來識別顯著模型。對于通過BIC選擇且通過FDR校正的二次模型，研究人員采用1000次迭代的自助法重采樣來計算年齡平方項系數值的自助比率（BSR），并使用|z分數| > 2的閾值來評估其顯著性。

2.6 分離指數與認知表現的相關性分析

采用myPLS工具箱進行偏最小二乘相關(PLSC)分析，通過奇異值分解(SVD)獲取潛在成分(LCs)。分析前通過回歸消除年齡和性別影響。在行為領域分析中，他們采用了前述四項認知測量指標，包括2-back辨別力指數（D-prime）以及警覺、定向和執行控制注意的平均反應時間。

分析層面：系統水平——對包含8個網絡分離指數和4項認知指標的交叉協方差矩陣應用奇異值分解（SVD）；區域水平——對包含246個局部分離指數和相同4項認知指標的交叉協方差矩陣應用SVD。

統計驗證：（1）置換檢驗——對腦測量指標進行1000次置換操作（隨機重排受試者順序同時保持行為測量指標不變），由此計算得到1000個無效腦-行為協方差矩陣，并獲取無效假設下奇異值的抽樣分布。通過比較每個LC觀測到的奇異值與其對應的無效分布，計算得到各LC的統計學顯著性。（2）Bootstrap分析——為準確解釋第一個潛在成分（LC1），研究人員首先通過將原始數據投影至這些權重，計算得到LC1的腦指標（分離指數）和認知綜合得分。隨后，通過計算原始分離指數、認知表現指標與其綜合得分之間的相關系數，獲得腦指標和認知指標的載荷值。特定測量指標的正/負載荷值越大，表明該指標對LC1的貢獻越重要。研究者采用1000次迭代的Bootstrap重采樣方法，計算了腦指標和認知指標載荷的95%置信區間，并使用|z分數|>2的Bootstrap比率閾值來篩選具有統計學意義的腦指標和認知測量指標。

2.7 成像轉錄組分析

為了研究R2SN發育變化與基因表達譜之間的關聯，研究人員使用了從Allen人類大腦圖譜提供的六例尸檢大腦（1例女性和5例男性，年齡24.0–57.0歲）中獲得的微陣列表達數據。微陣列數據通過abagen工具箱（版本0.1.3）進行處理，并在蒙特利爾神經研究所（MNI）坐標空間中與左半球的123個腦區進行空間匹配，經過探針重新注釋、數據過濾和標準化后，生成了一個123×15633的區域基因表達矩陣。

為了探索與R2SNs衍生的局部分離指數的年齡相關效應相關的潛在基因表達譜，研究人員進行了皮爾遜相關性分析以識別相關基因。通過使用與腦圖（從123個左腦區的局部分離指數混合效應模型結果中獲得的年齡項的t圖）的空間自相關（SA）相匹配的替代腦圖（n = 1000）來測試相關性的顯著性（pcorr-SA）。pcorr-SA的顯著性閾值為0.05，并通過假發現率（FDR）進行校正。然后，研究人員根據絕對相關系數對所有存活的正相關和負相關基因分別進行排序，并對這兩組基因分別進行基因富集分析。

為了理解排名靠前的相關基因的重要性，研究人員使用了Metascape工具進行了富集分析。對于每一份給定的基因列表，研究者使用了以下本體資源進行了通路和過程富集分析：基因本體（Gene Ontology, GO）——包括GO生物過程、GO細胞組分和GO分子功能——以及京都基因與基因組百科全書（Kyoto Encyclopedia of Genes and Genomes, KEGG）通路。研究人員首先識別了所有統計學上富集的GO/KEGG術語，累積超幾何分布p值和富集因子被計算并用于過濾。得到的富集通路以0.05作為顯著性閾值，并通過假發現率（FDR）進行校正。剩余的顯著性術語隨后根據它們的基因成員之間的Kappa統計相似性被分層聚類成一棵樹。0.3的Kappa分數被用作將樹劃分為術語簇的閾值。每個簇中最具顯著性的術語被用來在條形圖和熱圖等可視化輸出中代表該簇。通過創建富集網絡，進一步增強了這些簇的可視化，利用Cytoscape以力導向布局揭示了這些術語之間的關系和功能關聯。

3?研究結果

3.1 三個尺度上的縱向年齡相關變化的分離指數

全局水平：
在兒童后期和青少年早期，平均系統分離顯著線性增加（年齡項的pFDR = 0.03）。且平均系統內相關性始終強于平均系統間相關性。

系統水平：腹側注意網絡的分離指數呈縱向下降趨勢（年齡項的pFDR = 0.002），而邊緣系統（年齡項的pFDR = 0.007）和背側注意網絡（年齡項的pFDR = 0.024）則表現出增加趨勢。

局部水平：49個節點中有31個節點呈增加趨勢，而腹側注意網絡和前頂葉網絡的某些區域則表現出減少趨勢。

圖3 R2SNs的分離指數及其發展變化

3.2 R2SN的分離指數反映個體認知表現

系統水平PLSC結果：LC1解釋了59.9%的協方差，在經過置換檢驗后仍然顯著（p = 0.002），并且大腦與認知綜合評分之間存在顯著相關性（r = 0.24，p < 0.001）。系統分離指數在大腦載荷中表現出顯著的正相關，其中皮下、前頂葉和默認系統具有最高的載荷值。此外，工作記憶、定向和執行控制表現出顯著的認知載荷。

在局部水平上PLSC結果：LC1解釋了45.7%的協方差（p = 0.004），并且大腦與認知綜合評分之間表現出顯著相關性（r = 0.33，p < 0.001）。此外，研究人員在表面圖上可視化了局部分離指數的大腦載荷。與系統水平的結果相對應，具有最高正載荷值的區域主要位于皮下區域以及默認和背側注意系統，而負載荷主要出現在與視覺系統相關的區域。顯著的認知載荷包括定向、執行控制和2-back任務的D-prime值。

圖4?偏最小二乘分析揭示了系統和局部分離指數與個體認知表現之間的多變量關聯

3.3 局部分離指數的年齡效應與基因表達譜的關聯研究

基因篩選結果：為探究局部分離指數的年齡效應與基因表達譜之間的潛在關聯，本研究采用Pearson相關分析對全部15,633個基因進行排序，并進行了1000次空間自保留置換檢驗。通過pcorr-SA值及FDR校正，最終篩選出475個與局部分離指數年齡效應呈正相關的基因，以及441個呈負相關的基因。相關性最強的基因為NUMA1（正相關，r=0.419，pcorr-SA<0.001）和KCNMB2（負相關，r=-0.424，pcorr-SA=0.001）。

正相關基因富集：主要識別出與基因表達調控、染色質和染色體組織、細胞周期與分裂、核酸代謝與修復以及轉錄翻譯調控相關的條目，例如"染色質組織"和"DNA代謝過程"。這表明在局部分離指數隨年齡增長而增加的腦區中，這些基因的表達水平也相應升高。同時，這些基因在維持基因組穩定性、調控基因表達以及促進細胞增殖等基本細胞功能中發揮著關鍵作用。

負相關基因富集：與之相反，與局部分離指數年齡效應呈負相關的基因主要富集于突觸功能、線粒體功能、神經元發育與連接、脂質代謝以及細胞內蛋白質轉運與定位等相關條目中。具體富集條目包括"突觸前膜"、"軸突"和"神經元突起發育"。這些基因的表達水平隨局部分離指數隨年齡增長而升高呈現下降趨勢，它們在神經傳遞、細胞能量代謝、神經元結構發育與維持等基本細胞過程中起著不可或缺的作用。

圖5 局部分離指數年齡效應與基因表達水平的關聯分析

4?討論

4.1 R2SN分離性在兒童后期至青少年早期呈現增強趨勢

在系統水平上，研究人員發現腹側注意網絡的分離指數呈現縱向下降，而背側注意網絡和邊緣網絡則隨年齡增長而增強。這一發現與功能連接研究結果以及腦結構網絡模塊化分離特征相一致。研究人員觀察到視覺系統內11個腦區的局部分離指數隨年齡顯著增加。這一發現提示，這些區域分離指數的升高可能源于系統內連接的增強、系統間連接的減弱，或兩者兼而有之。該結果與既往關于模塊化密度發育變化的研究一致，后者發現視覺系統內部連接隨年齡下降，而視覺系統與其他系統間的連接并未增加。視覺系統內部連接的減弱支持了研究者發現的分離指數年齡相關性增長。同時本研究發現局部分離指數的發育變化主要發生在聯合皮層和皮層下區域，這與既往證實兒童與成人結構樞紐相似性的研究結果一致，即樞紐區主要定位于聯合皮層和皮層下區域。基于MSN的研究表明，異質皮層和旁邊緣/皮下區域之間的更高不相似性與更好的認知表現相關，反映了分離的細胞構筑區域的發育分化。相反，皮層和皮下之間模塊化分化程度較低的兒童表現出更多的外化和內化癥狀。研究人員推測，R2SN的分離可能也是由分離的細胞構筑區域的發育分化引起的。

4.2 R2SN與腦功能的關系

既往研究表明，大腦功能與結構的分離程度與認知表現相關，工作記憶能力隨年齡增長而提升，這與額頂皮層的結構成熟有關。研究發現默認系統和皮層下系統的分離指數與認知表現呈正相關，支持聯合系統分離性與執行功能增強的關聯。從宏觀角度看，區域分離可能反映腦區內神經調諧的增強，而整合則源于區域間網絡的特化。既往網絡分析研究表明，大腦結構連接的組織模式支持信息的高效處理，從而維持復雜腦功能。本研究發現，兒童期向青春期的過渡階段以R2SN全局分離性增強為特征，從功能視角看，這表明網絡信息傳遞的特化程度提升。雖然R2SN主要反映腦區形態學相似性，但由于結構基礎天然支持功能連接，它也隱含功能層面的意義。研究人員對兩種網絡進行了直接比較，發現大多數腦區連接邊存在約0.2的正相關性，表明形態相似性與功能連接存在適度但穩定的關聯。

4.3 R2SN發育與基因表達的關系

理解這些基因的功能富集有助于闡釋兒童至青少年期局部分離指數變化的潛在分子機制。鑒于神經影像學單獨描述分子機制的局限性，研究人員進行了影像轉錄組分析，鑒定出兩個與局部分離指數年齡效應相關的基因集。結果顯示，與R2SN局部分離指數年齡效應呈正/負相關的基因分別富集于不同的生物學過程，這些過程與腦結構和功能的發育變化密切相關。具體而言，與局部分離指數年齡效應正相關的基因主要富集于"染色質組織"、"染色質結合"、"細胞周期"和"細胞分裂"等條目——這些過程通過維持基因組穩定性、調控基因表達和促進細胞增殖等關鍵機制發揮作用，其表達水平隨局部分離指數年齡增長而升高。大腦發育過程中R2SN局部分離指數的年齡相關性增加可能源于這些支持基因表達精確調控和細胞協同變化的生物學過程。因此，本研究的結果支持染色質動態變化和基因調控與神經元連接模式存在復雜關聯，并最終影響局部分離性和腦功能成熟的假說。研究人員推測局部分離指數的增加可能源于不同腦區基因調控下的神經元數量與密度變化，從而導致腦區間相似性降低。

與局部分離指數年齡效應呈負相關的基因富集于“突觸前膜”、“軸突”、“神經元突起發育”、“突觸組織”和“線粒體膜”等術語，這些功能與神經元通訊和連接密切相關。青春期階段，神經網絡重塑與突觸修剪對大腦發育至關重要。這些基因的表達水平隨著局部分離指數隨年齡增長而升高呈現下降趨勢，它們參與神經傳遞、細胞能量代謝以及神經元結構發育與維持等基礎生理過程。R2SN分離度的降低可能反映了神經網絡精細化及不同腦模塊間連接的增強，表明發育過程中腦網絡整合很可能是通過突觸強化和神經元投射增強實現的，從而促進不同腦區之間更高效的通訊協調。影像轉錄組學分析結果表明：R2SN分離度在腦發育過程中的變化受到特定分子機制調控——分離度增強與確保基因精準調控和細胞增殖的生物學過程相關，而分離度減弱則與神經元連接精細化和突觸組織優化相關聯。

4.4 R2SN的放射組學/紋理特征

放射組學/紋理特征描述了信號強度的模式或空間分布，被認為能夠捕捉腫瘤病灶微環境與均質性的信息（如微血管侵犯或癌性血管栓），并與腫瘤影像學研究中的免疫浸潤、基因表達譜、病理結果及生存數據相關聯。本研究中，R2SN的邊緣反映了腦區間25個紋理特征的相似性。最終用于構建網絡的25個特征并非基于傳統形態學信息，而是通過每個感興趣區域內灰度級分布計算得出。因此該方法具有較高敏感性，更可能捕捉并定量描述宏觀結構變化顯現前由微結構發育引起的MRI信號強度細微改變，從而為超越皮層體積與厚度的腦發育研究提供更微觀的視角。在分子機制層面，分離現象與節點間高度互聯的群組或子網絡存在相關，這被認為部分源于抑制性中間神經元的成熟過程——同步化抑制可能對建立分離網絡功能至關重要。本研究中觀察到的紋理特征相似性，可能反映了神經元數量、類型與架構的跨區域相似性，以及周圍膠質細胞、脈管系統、細胞外間隙和自由水的分布特性。根據連接結構模型理論，腦區在皮層類型上越接近，參與連接的層級越多，其結構與功能連接的強度也越強。因此，紋理特征相似性與細胞類型或微環境鄰近性可能存在某種程度的相關性。需要承認的是，放射組學特征僅依靠數據驅動方法來表征腦影像的空間紋理，這使得其生物學意義尚不明確。但已有研究證明，放射組學指標能夠表征腦腫瘤的分子、免疫組化與病理特征以及神經退行性疾病的特性。

4.5 局限性、方法學考量與未來方向

盡管本研究取得了顯著發現，仍需認識到若干局限性。首先，本研究所用縱向數據集中，在3個時間點接受MR掃描的受試者樣本量較小。但通過采用混合效應模型處理重復測量數據，研究者有效解決了數據缺失問題。此外，由于數據集兩端年齡段的受試者數量較少，數據分布存在一定不平衡性。其次，所有分析均采用?chronological age（時序年齡）而非青春期分期（如Tanner分期），考慮到青春期成熟涉及復雜的生物與生理變化，目前尚不確定何種特征最能代表這一過程。未來若結合青春期分期相關指標來研究這一過渡期的年齡相關網絡發育變化，將提供更具價值的生物學信息。第三，基于R2SN的腦發育初步探索雖然有效，但受限于放射組學數據驅動的本質，該方法難以深入揭示所觀察關系的生物學基礎。未來研究可通過結合正電子發射斷層掃描（PET）成像和組織學數據等其他影像模態，有望更精準描述腦發育的微觀變化，為腦發育評估及神經發育障礙應用奠定堅實基礎。關于R2SN構建所用特征數量，驗證實驗表明即使減少構建特征數量，該網絡仍保持穩健性能。在特定特征選擇范圍內，網絡完整性得以保持，印證了其穩定性。但需進一步研究以全面理解引入額外形態學參數對網絡構建過程的潛在影響。最后，鑒于AHBA數據集是目前最全面且具有高空間分辨率的基因表達資源，研究人員將其作為基因表達分析的主要數據源。該數據集為潛在基因表達模式提供了寶貴見解，但需謹慎解讀分析結果——因該數據源自成人死后腦組織，可能無法反映不同年齡階段的基因表達水平差異。未來研究需要納入與兒童各發育階段匹配、且空間分辨率與AHBA相當的基因表達數據，以驗證并強化當前研究結果。

5?結論

綜合研究結果表明，R2SN在發育過程中分離度的增強與個體執行功能表現相關，且與參與發育過程的基因表達水平存在關聯。本文首次將R2SN應用于發育中大腦的研究，為皮層和皮層下區域的典型結構變化提供了新見解。這些發現填補了關于功能發育背后特定結構改變的關鍵空白（超越單純連接性研究），支持了兒童后期至青少年早期認知能力顯著發展的深層機制。

原文獻：

Chu L, Zeng D, He Y, Dong X, Li Q, Liao X, Zhao T, Chen X, Lei T, Men W, Wang Y, Wang D, Hu M, Pan Z, Tan S, Gao JH, Qin S, Tao S, Dong Q, He Y, Li S. Segregation of the regional radiomics similarity network exhibited an increase from late childhood to early adolescence: A developmental investigation. Neuroimage. 2024 Nov 15;302:120893. doi: 10.1016/j.neuroimage.2024.120893.