Biological Psychiatry：使用规范模型绘制自闭症谱系障碍的异质脑结构表型

背景:自闭症谱系障碍(ASD)是一种复杂的神经发育障碍，具有显著的临床和生物学异质性。描述ASD脑结构异质性的定量和个性化指标仍然缺乏。同样，ASD的大脑结构指标偏离典型发育(TD)的程度，以及这种偏离是否可以用于分析ASD的大脑结构表型，目前尚不清楚。

方法:利用自闭症脑成像数据交换系统(Autism Brain imaging data Exchange，ABIDE)II (nTD = 564)的t1加权磁共振成像数据，生成一个规范模型来绘制ABIDE I受试者的脑结构偏差(nTD = 560, nASD = 496)。采用基于体素的形态测量法计算灰质体积。采用非负矩阵分解法将灰质矩阵分解为6个因子和权重。这些权重用于规范建模，以估计因子偏差。然后，采用聚类分析确定ASD亚型。

结果:与TD相比，ASD 5个因素的权重和偏差均增加。三种亚型具有不同的神经解剖偏移模式。ASD亚型1和亚型3表现为正偏差，而ASD亚型2表现为负偏差。在这三种亚型中，社会沟通障碍有明显的临床表现。

结论:我们的研究结果表明ASD患者的大脑结构存在异质性偏差模式。这一结果强调了在ASD的神经影像学研究中检测亚型的必要性。这项研究也提出了一个框架，以了解神经解剖异质性在这种日益普遍的神经发育障碍。

1. 简介

自闭症谱系障碍(Autism spectrum disorder, ASD)是一种普遍存在的神经发育疾病，其特征是社交沟通技能和互动缺陷，同时存在限制性重复行为(RRB)和感觉异常。ASD患者在遗传、脑系统和临床表现方面表现出多层次的异质性。这种异质性已经成为理解和治疗ASD的最大障碍。ASD同质和生物学定义的亚群的识别可能有助于分析这种异质性，从而改善诊断和个性化治疗。近几十年来，研究人员试图根据行为或认知特征确定ASD亚组。然而，具有相同临床表型的亚组可能由不同的神经生物学因素驱动。因此，基于神经影像学的神经生理亚群的识别将为了解不同的神经生理因素如何导致广泛临床表型的异质性提供见解。

结构磁共振成像(MRI)是一种具有高空间分辨率的无创工具，是探测大脑结构组织的一种有效方式。先前关于ASD脑形态测量的研究报道了非典型的神经解剖，区域特异性不一致。神经生物学异质性是一个可能调和文献中相互矛盾的结果的因素。识别神经生物学上相同的ASD亚型对于理解这种疾病的病因和治疗是必要的。目前，基于MRI结构的ASD亚型的文献尚处于起步阶段。尽管研究方法不同，但先前的结果已经揭示了2 - 4种ASD亚型的证据。hrdicka等人通过对额叶皮质厚度、胼胝体、海马、尾状核和杏仁核的大小进行聚类分析，揭示了四种ASD亚型，它们具有不同的兴趣区，基于解剖特征。Hong等人使用了一种新的分析框架，集成了皮层范围的特征(即厚度、组织对比度和表面积)，并通过分层聚类确定了三个解剖结构不同的亚群。然而，在这些研究中，用于聚类分析的特征是基于先验知识或高维数据，而不是单个的定量测量。我们小组最近的工作通过基于结构差异成分水平的系数聚类分析确定了三种男性ASD亚型。这项研究发现不同亚型的临床症状严重程度和脑功能连接不同。我们之前的工作为每个自闭症谱系障碍参与者匹配了一组最相似的健康对照组，以计算结构差异图;因此，该方法的推广和临床应用是有限的。MRI结构特征的识别有可能在个体水平上解析异质性，是ASD研究的一个重要方向。本研究的目的是开发一种参数化、低维、个性化的指标来描述ASD患者大脑结构的异质性。

非负矩阵分解(nonnegative matrix factorization, NMF)最近被认为是在高维数据中捕捉稳健可靠的非负区域差异的一种有希望的途径，并被广泛应用于MRI分析。使用NMF可以将矩阵分解为因子矩阵和权值矩阵。单个个体的灰质(GM)地图因此可以表示为基础因素的线性组合。使用NMF可以实现降维，增加可解释性。规范模型是一种统计技术，越来越多地应用于绘制认知、临床、行为或人口统计变量和定量大脑读数之间的变化。与病例对照分析要求在平均水平上有一致的差异相比，规范模型允许单独检测和映射异常结构模式。标准模型类似于儿科医学中使用的生长图表，将儿童的身高和体重与参考人群进行比较。将NMF与规范建模相结合，将GM分解为因子和权重，并对各因子的权重进行建模，可单独衡量ASD与典型发展(TD)的差异程度。此外，该策略为描述ASD的异质性提供了一个概念证明，即根据单个MRI结构特征识别同质亚组。

在这里，我们结合NMF和规范建模来分别参数化ASD参与者的神经生物学异质性。我们假设ASD患者会表现出与TD队列高度异质性的偏离模式。我们预测ASD患者可以聚集成具有不同临床表型的几个亚组。为了验证这一假设，我们将自闭症脑成像数据交换(ABIDE) II TD受试者的GM矩阵分解为潜在因子和相应的权重。为了表征潜在因素的功能含义，我们使用NeuroSynth数据库分析了因素与行为相关性之间的关系。接下来，我们使用NMF反重构算法重构ABIDE I ASD和TD GM矩阵，得到被试的权重。然后，我们开发了一个规范模型，通过训练高斯过程回归(GPR)在ABIDEII TD被试上预测因素的期望权重。随后，我们估计了权重的偏差来表征ASD个体之间的差异和规范范围。最后，我们应用聚类分析来识别ASD亚群。利用该策略，我们提供了一种定量评估ASD个体异质性的方法，为理解异质神经发育障碍提供了一个新的视角。

2. 方法简述

2.1 被试

为了研究ASD的异质性，我们从ABIDE数据库中下载了MRI T1加权和表型数据。具体的成像协议可以在http://fcon_ 1000.projects.nitrc.org/indi/abide/上找到。由三名经验丰富的人员目视检查T1图像的运动伪影，并排除数据质量较低的参与者(补充)。表1提供了参与者的人口学特征，补充中列出了个体受试者的识别号。

2.2 基于体素的形态学和灰质矩阵分解

参与者的MRI结构数据使用CAT12 (http://www.neuro.uni-jena.de/cat/)进行分析，这是一种基于体素的形态测量协议，在SPM中进行。用于计算GM体积(GMV)的步骤在附录中有描述。计算GM映射后，使用从DPABI中获取的4.1版本(http://rfmri.org/dpabi)的GM掩码提取每个体素的GMV。将每个映射转化为GM矩阵的一列(图1B-D)，使用NMF对GM矩阵进行分解(supplementary)。首先对ABIDE II TD GM矩阵应用NMF，将其分解为6个潜在因子和相应的权重(图1B;补充)。然后，利用NMF反重构算法重构ABIDE I ASD和ABIDE I TD GM矩阵(图1C, D;补充)。使用NeuroSynth解码潜在因素的心理和生理功能(补充)(24)。在之前工作的指导下，我们选择了26个项来表征每个因素的函数。采用双样本t检验检验各组间ABIDE I ASD和ABIDE I TD的权重差异。

2.3 规范模型

在从ABIDE II TD GM矩阵中获得各因素的权重后，我们通过在ABIDE II TD队列上训练GPR来开发一个规范模型，使用年龄和性别作为协变量来预测权重(图1E)。简而言之，GPR是一种贝叶斯非参数插值方法，除了点估计外，它还产生预测可信度的相关度量。为了评估模型的泛化性，我们在将在ABIDE II TD上训练的模型应用到发现队列(补充)之前，使用了10次交叉验证。对于每个参与者，可以使用规范模型来预测该因素的估计权重和相应的预测不确定性。预测不确定性的轮廓可以用来在队列中模拟变异厘数。这样的测量方法允许我们参数化体重偏离参考队列。

2.4 各受试者因子偏差之估计

使用规范模型，每个参与者都可以被置于规范范围内，从而可以根据规范范围对个体的差异进行表征。为了估计每个参与者在ABIDE I TD和ABIDE I ASD中偏离ABIDE II TD的权重模式，我们推导了一个特定于权重的w评分，它量化了每个因素中偏离标准模型的权重(图1F)。

2.5 聚类分析

对于每个参与者，我们估计了六个因素的偏差，以量化个体参与者偏离ABIDE II TD队列的程度。然后，利用ABIDE I ASD偏差矩阵，通过混合高斯聚类对齐次亚群进行探索(图1H)。我们发现3个是ASD亚型的最佳数量(补充)。

图片

图1 数据分析流程

3. 结果

3.1 潜因素和权重

我们将NMF应用于564个GM矩阵，得到了6个潜在因子(图2)。因子1主要与内侧皮层相关，包括扣带回和内侧额回。因子2主要表现为小脑。因子3主要与枕叶、顶叶下叶和丘脑有关。因子4主要表现在顶叶。因子5主要表现在额叶。因子6的主要特征是边缘系统(补充)。

我们利用NMF反重构算法得到了ABIDE I ASD和ABIDE I TD参与者的权值。考虑到一些参与者缺失表型数据(惯用手和FSIQ)，一些被排除在外。最终分析包括515名TD和452名ASD参与者(表S1)。为了排除协变量对权重的影响，我们使用GLM回归出年龄、性别、用手习惯、FSIQ和位点。与TD组相比，ABIDE I型ASD组和ABIDE I型TD组的体重显著差异(图2)。与TD组相比，ASD组参与者在因子1、3、4、5和6上的体重显著增加(图2A)。

3.2 因子的元分析解码

为了研究每个因素潜在的心理和生理功能，我们对这些因素的功能进行了元分析解码。这一过程产生了26个与因子相关性最强的术语。每个因素都显示出不同的认知功能(图2B)。因子1与情感相关的词语重叠，如奖励、激励和期待;因子2显示与运动控制相关，如运动控制和节律;因子3与知觉过程密切相关，如视觉和知觉;因子4与动作项相关更多，如动作、抓握和观察;因子5显示与高级认知术语相关，如工作记忆、监控和认知;因子6与记忆和认知相关，如语义记忆、面孔识别和社交。

图片

图2 潜因子、权重差异和元分析解码

3.3 因子权重和临床症状相关性

为探讨ASD(ABIDE I型ASD)患者的因子权重与临床症状之间的关系，对因子权重残差与自闭症诊断观察量表(ADOS)评分进行Pearson相关分析。如图3A, B所示，因子1和因子4的权重残差与ADOS沟通得分相关。如图3C F所示，因子2、4、5、6的权重残差与ADOS社会得分相关。

图片

图3 因子中权重残差和临床症状相关性

3.4 偏差的组差异

我们估计了每个参与者偏离规范模型的权重程度(图4;只有自闭症谱系障碍的参与者被显示)。ABIDE I型ASD组和ABIDE I型TD组之间的偏差存在显著差异(图4)，且ASD患者在因子1、3、4、5和6上的偏差显著增加。

图片

图4 规范模型与偏差因素的差异

3.5 聚类分析和不同亚型的临床症状严重程度

利用高斯混合分析，我们将ABIDE I型ASD参与者聚类为三个亚型。图5显示了这三种子类型的集群中心。亚型1的参与者(133名男性/10名女性)均为正偏差，范围为0 ~ 0.5。亚型2的参与者(男性62例/女性14例)均呈负偏差。亚型3的参与者(男性46例/女性7例)均显示阳性偏差，均大于0.5。我们没有观察到三个ASD亚型在年龄、用手习惯和FSIQ方面的显著差异。我们发现三种亚型间性别差异有统计学意义，且2亚型女性所占比例高于其他两种亚型。表2显示了三个ASD亚型参与者的人口学特征。亚型1和亚型2之间以及亚型2和亚型3之间在ADOS沟通得分上存在显著差异(图5)。此外，我们还观察到亚型1和亚型2之间以及亚型2和亚型3之间在ADOS社交得分上存在显著差异。三种亚型的ADOS RRB评分无显著差异。可重复性分析表明聚类解决方案的稳定性(补充)。

图片

图5 三种亚型的聚集中心和不同的临床症状

4. 讨论

识别神经生物学上相同的ASD亚型对了解该疾病的病因至关重要。在这项研究中，我们绘制了ASD在整个生命周期中与正常大脑相关的神经生物学异质性。从NMF中得到6个潜在因子及其权重。元分析解码结果揭示了潜在因素的潜在心理和生理过程。相关分析显示，因子1、4的权重与ADOS沟通得分相关，因子2、4、5、6的权重与ADOS社交得分相关。我们还确定了ASD患者显示异常体重的因素。我们将自闭症谱系障碍患者分为三个具有明显临床症状的亚型。我们的策略提供了一种检测ASD中神经生物学定义和数据驱动的亚组的方法，为理解异质神经发育障碍提供了见解，并为精神病学的个性化诊断和治疗提供了一条途径。

我们的研究有几个局限性。首先，在规范模型中只考虑年龄和性别作为自变量来估计脑读出量。认知分数和家庭环境也可能影响大脑指数。对于更全面的模型，也需要考虑这些协变量。第二，尽管我们在不同的数据集中证明了聚类解决方案的稳定性和稳健性，但我们没有发现任何在亚型内或亚型之间的脑症状相关性。一个潜在的原因是脑成像和症状维度之间的复杂关系，这可能无法用直接的线性策略描述。通过脑成像识别出的生物学上相同的亚型可能会提供临床实用的特定信息，在未来的研究中非常需要研究适合不同亚型的有效干预措施。最后，包括静息状态功能MRI、弥散张量成像和遗传数据在内的其他方法需要被纳入分析ASD的异质性。

5. 结论

我们的研究结合了NMF和规范建模来定义一种描述ASD异质性的策略。我们确定了三种不同的神经解剖模式。我们观察到不同亚型表现出可分离的临床症状。我们提出的数据驱动框架可以推广到其他具有高度异质性的精神疾病，如精神分裂症和双相情感障碍，这可能会导致未来的生物标志物的发展。

参考文献：Mapping the Heterogeneous Brain Structural Phenotype of Autism Spectrum Disorder Using the Normative Model.