精神分裂症患者的脑网络动力学研究

Brain is a dynamic network system. Research on the dynamics of brain network helps to understand the working mechanism of brain and the pathogenesis of brain diseases. In this project, we intend to study the dynamics of brain networks of patients with schizophrenia by analyzing both experimental data and theoretical model. First, functional brain networks of healthy subjects and patients with schizophrenia are obtained by using several methods to analyze resting state functional magnetic resonance imaging data. Functional brain networks of two groups are then compared in order to identify the impact of schizophrenia on functional brain network. Second, structural brain networks of healthy subjects and patients with schizophrenia are obtained by analyzing diffusion tensor imaging data. For each group, the structural brain networks are used to build a model of brain network, which contains two different levels of brain, that is, the neuronal level and the regional level. The model of brain network is used to simulate functional brain network that is obtained in the analysis of experimental data. Last, impact of factors in the brain network model on synchronization (of neuronal activity) within a single brain region and between different brain regions is analyzed. The obtained results are further used to understand the relationship of the synchronization within a single brain region and the synchronization between different brain regions. After studying this project, we will have a deep understand of the dynamics of brain network and provide theoretical explanations for the abnormalities of brain network of patients with schizophrenia. We expect that our study could contribute to the clinical diagnosis of patients with schizophrenia.

脑是动态演化的网络系统。脑网络动力学的研究有助于认识脑的工作机制及脑疾病的发病机理。本项目拟采用实验数据分析结合理论模型仿真来研究精神分裂症患者的脑网络动力学：首先，采用多种方法综合分析静息态功能磁共振数据得到两组人的脑功能网络，比较两组人脑功能网络的差异以研究精神分裂症对脑功能网络的影响；其次，分析正常人和精神分裂症患者的弥散张量数据得到两组人的脑结构网络，分别基于两组人的脑结构网络构建包含神经元和脑区两个层次的脑网络模型，由脑网络模型仿真实验数据分析得到的脑功能网络；最后，分析脑网络模型中的因素对脑区内、脑区间神经活动的同步的影响，深入认识脑区内的同步与脑区间的同步之间的联系。通过该项目的研究，形成对脑网络动力学的全面认识，对精神分裂症患者脑网络的异常提供理论解释，力争有助于精神分裂症患者的临床诊断。

精神疾病的精准诊治是事关国际民生的重要科学问题。本项目通过实验数据分析结合理论模型分析，针对精神疾病的动力学完成了以下的研究工作。首先，刻画了精神分裂症患者脑功能网络的非线性特征。基于功能磁共振成像数据分析得到正常人和精神分裂症患者的脑功能网络，并采用样本熵刻画脑功能网络的非线性特征。发现精神分裂症患者视觉区的样本熵显著高于正常人视觉区的样本熵，而且视觉区异常的样本熵还和刻画疾病严重程度的临床变量正相关。该研究结果有助于认识精神分裂症，并为精神分裂症的临床诊断提供潜在的生物标记。其次，结合机器学习算法与动态脑功能网络的样本熵划分脑的功能网络。通过将机器学习算法应用于正常人动态脑功能网络的样本熵（非线性特征）以及静态脑功能网络（线性特征），发现全脑可划分为6个功能网络，与以前常用的基于生物学功能划分的6个功能网络有很高的重合率和一致性率，而且样本熵对应的重合率和一致性率显著高于静态脑功能网络对应的重合率和一致性率。该研究结果表明非线性特征是动态脑功能网络的本质特征。最后，研究了多种因素对脑神经元网络复杂时空动力学行为的影响。发现当抑制性自突触的时滞取值合适时，抑制性自突触电流中的脉冲能诱导抑制后的反跳峰放电，导致神经元网络的相干共振效应被增强。该研究结果给出了与传统的抑制性刺激压制神经活动的观点不同的新的非线性现象并揭示了动力学机制，丰富了非线性动力学的内涵。还发现兴奋性电磁感应电流能增强噪声诱导的单神经元的相干共振，该结果提供了调控神经系统中相干共振的方法。本项目按照计划书，全面完成了研究计划的目标和内容，为今后全面和深入研究脑疾病的动力学、服务于脑疾病的诊治奠定了基础。