上海生科院合作研究深度解析腦功能聯接圖譜

　　5月8日，中國科學院上海生命科學研究院神經科學研究所王征研究組在IEEE Transactions on Medical Imaging 雜志在線發表了題為Discriminative Structured Feature Engineering for Macroscale Brain Connectomes 的科研論文。這項工作通過利用宏觀腦功能聯接圖譜中隱含的結構化信息，為研究腦影像學生物標記提供了一種新的方法。

　　近幾年來，機器學習在人工智能、互聯網等領域取得了突破性進展，也越來越多地應用于解決生物醫學問題。機器學習分類算法不僅可以辨別正常人和病人大腦網絡內在的、帶有判別信息的生物標記，也可以分析臨床精神類藥物和安慰劑對大腦活動干預的差別性生物標記。目前研究判別性生物標記的方法仍主要采用傳統的機器學習算法（如支持向量機SVM和邏輯回歸logistic regression等），而這類通用型算法往往忽視特定問題中所隱含的結構化信息，導致數據分類判別的靈敏性和特異性都不夠理想。

　　在這項工作中，王征研究組利用近年來對宏觀腦聯接圖譜的圖論研究成果，即疾病或藥物所影響腦功能連接往往相對集中在某些與之相關的特定腦區（如實驗室近期工作Lv et al., Biol Psychiatry, 2015），提出了一種最小化結構正則損失函數的方式，使得算法在求解過程中更加自動傾向于定位出具有特定結構的判別信息，同時過濾與生物噪音等相關的孤立特征。研究團隊首先在計算機生成的模擬數據集上測試算法，得到的結果明顯優于單變量統計檢驗、邏輯回歸以及隨機算法stability selection。然后基于獼猴磁共振腦功能聯接圖譜數據，辨別快速抗抑郁藥物氯胺酮和安慰劑對大腦功能網絡調控的特征，幫助深入理解氯胺酮的抗抑郁機理。研究團隊還應用此算法分析臨床重度強迫癥病人和正常對照人群的腦功能聯接圖譜，挖掘與強迫癥病理相關的判別性神經環路特征，這將有助于推動磁共振影像學結果用于精神類疾病的臨床診斷。

　　在王征指導下，此項工作由博士后浦劍和阿里巴巴公司西雅圖數據科學與技術中心王駿完成，得到了上海交通大學附屬瑞金醫院功能神經外科孫伯明、日本大阪大學信息和神經網絡中心劉國相和實驗室其他成員的共同協助。此課題受到了中國科學院技術百人計劃資助，在中國科學院上海生命科學大型儀器區域中心3T腦功能成像平臺完成相關實驗數據收集工作。

　　圖（a）顯示本方法與其他三類代表方法的性能對比；圖（b）顯示重度強迫癥病患與正常人腦功能聯接圖譜的內在判別特征；圖（c）顯示氯胺酮和生理鹽水對獼猴腦功能聯接圖譜的調控差別特征。