请老师说明一下ICA、DMN的关系

查了很多文献,一直搞不懂这两者什么关系,请各位老师指点

首先祝臧老师和论坛其他老师教师节快乐!

那我来试着回答您这个问题。

    这两者的关系,首先要从静息态脑网络(resting-state brain networks)说起。全脑范围内,功能上相互连接脑区构成的解剖配置(topographies),即为静息态脑网络(或自发的功能连接网络,intrinsic functional connectivity networks)。所以静息态脑网络是由一系列(特定)脑区构成的解剖配置(topography)。

    目前这些不同的静息态脑网络的确切功能还不太清楚,但是可能在维持脑功能架构的完整性上意义重大(已有报道dead brain中不存在这些静息态脑网络),具有重要的生理意义。目前已有的研究发现这些网络比较稳定可重复(无论组水平或个体水平),在已研究的哺乳动物脑中普遍存在(睡眠、镇静和全麻状态均存在),几乎能完全反映传统任务态激活模式,几乎瓜分整个皮层和亚皮层(即占据了整个脑功能架构),具有状态依赖(睁眼/闭眼,睡眠/清醒,麻醉/镇静,不同疾病等状态),不同功能分区呈现锐利的边界(促进功能系统分割、定义),与现有的解剖连接知识基本吻合、但是又超越白质纤维连接所能解释的范围,网络之间具有显著的等级性结构,以及时间上延迟特性等等。

     在这些静息态脑网络的发展演变历程中,最早可能要追溯到1995年Biswal报道的感觉运动网络,同时也开启了静息态fMRI领域。随后大约上世纪90年代中后期,Raichle ME团队从任务态PET的meta分析结果中,逐渐提出默认模式网络的假说。 默认网络是所有大尺度脑网络中最重要的成分,定义为静息状态(睁眼或闭眼,清醒,没有特定认知任务输入的状态)下比执行goal-directed tasks(需要动员注意和控制相关的认知任务)更为活跃的解剖结构(即由后扣带回/楔前叶,双侧内侧前额叶,双侧外侧顶叶,部分双侧外侧颞叶、海马,和丘脑及小脑等区域构成)。2003年Greicius等人(还是Raichle ME的团队)首先使用静息态fMRI低频BOLD振荡信号,提取后扣带回和内侧前额叶种子点时间序列相关的方法验证和重复出默认网络的解剖架构,随后默认网络在许多方法学中都可以重复出。紧接着,上述团队继续假设大脑中可能存在两大相互拮抗的网络系统,一个是默认网络,另一个是包含执行控制和注意机制的网络系统,即任务态负激活(默认网络)和任务态正激活(执行控制和注意网络),或内在自发的和外在诱发的脑网络。随后视觉网络(包含大多数枕叶皮层),听觉网络(Heschl’s 回,颞上回和后岛叶),语言网络(Broca和Wernicke区,并且延伸到前额叶,颞叶,顶叶和亚皮层区域),注意网络(参与注意和认知控制功能的主要包括背侧注意网络和腹侧注意网络,背侧注意网络包括顶内沟和额眼动区,特别在执行空间注意的控制时候会激活这些网络;腹侧注意网络包含颞顶联合和腹侧额叶区域,参与环境凸显事件的探测),额顶控制网络(外侧前额叶和顶下小叶,参与工作记忆和目标导向的任务的控制)和凸显网络(也称扣带岛盖网络,包括内侧额上皮层,双侧前岛叶和背侧前口袋回。凸显网络可能参与默认网络和注意、执行控制网络的转换,特别是需要执行控制相关的任务切换)等不断被发现和报道。

     在上述静息态大尺度脑网络的特性、定义和功能介绍基础之外,就涉及到获取它们的方法学,主要包括基于种子点的BOLD时间序列相关(种子点功能连接)和独立成分分析法(ICA,特别是空间ICA)两大类,当然还包括其它许多的聚类和分类算法等,具体可以查找文献。ICA是一种数据驱动算法,不需要先验假设。其中空间ICA是静息态fMRI数据分析中最为广泛应用的数据驱动的方式。空间ICA可以将静息态fMRI数据(时间×空间)分解成最大化独立的空间成分。分解出的每一个空间成分都与一条特定的时间序列相关,这些成分包括生理噪声和静息态网络(即在统计学上独立的网络系统),可以很容易鉴别。另外一种计算静息态脑网络的算法,被广泛采用的是基于种子点的Pearson相关分析(功能连接),计算同步振荡的低频BOLD信号(自发神经活动)系统(脑网络)。种子点功能连接的方法操作上较为简单,不过需要先验假设。ICA和基于种子点的方法提取的静息态脑网络比较相似,所以都适用。

感谢老师细致的讲解,使我对脑功能网络有了进一步理解;那么您说的最后一句的意思是不是用dparsf做出静息态的ReHo反应的就是DMN的结构?不知道我理解的对不对。

ReHo做出来的topography包含DMN、但是又比DMN大一些(特别是视觉皮层、中线结构中部)。ReHo跟上面两种方法学不同,主要测量的是体素及其周围抱团体素间的功能连接,即局部功能连接,这个指标进一步演变,反映的是local degree的指标,或者说hub-y性。在神经生物学潜在意义上,ReHo可以预测个体任务态stop signal行为和其它任务,反映皮层功能分化程度等等。