Nature子刊：高功能自闭症患者的大脑网络动态

研究者一般认为，从动力学理论出发，自闭症是由异常的大脑动力学所支撑的。然而，自闭症谱系障碍(ASD)患者的大脑活动是如何随着时间的推移而变化的仍是未知的。本文使用了应用于静息状态fMRI数据的能量图景（energy landscape,复杂系统研究中的一个术语，用来描述复杂可能状态的映射)分析来描述自闭症患者的大脑动态。虽然典型的大脑活动经常通过中间状态在两种主要大脑状态之间转换，但高功能的ASD成年人由于中间状态不稳定而表现出较少的神经转换，这些不频繁的转换有效预测了自闭症的严重程度。此外，与智商和神经转换频率相关在对照组显著相关不同，自闭症患者的智商分数是由他们大脑动态的稳定性来预测的。最后，这种大脑行为关联与大脑网络之间的功能分离有关。这些证据表明，ASD患者的脑动力学存在损伤，无法支持正常的大脑状态的切换。本文发表在NATURE COMMUNICATIONS杂志。

1.介绍

协调的全脑神经动力学对于适当控制功能不同的大脑系统至关重要，能有效整合复杂和多模态信息，平稳适应短暂的日常生活情况。鉴于宏观大脑动力学在我们认知和神经信息加工中的整合作用，我们有理由认为，大规模神经动力学的异常是自闭症谱系障碍(ASD)的关键生物学机制。

以往对ASD患者大脑的神经影像学研究报告了在局灶性脑区、非典型功能/解剖性脑网络结构和特定脑区之间的异常神经同步反应。尽管最近的一项研究发现，自闭症患者的不同大脑网络之间存在非典型的时间互动，并将其与异常的行为灵活性联系起来，但自闭症患者的全脑神经活动模式是如何随着时间的推移而变化的，人们仍然知之甚少。因此，这种脑动力与ASD症状之间的关系仍有待确认。

本文目的是通过利用能量场景分析来描述自闭症患者大规模的大脑动态，并详细说明神经动态和自闭症行为之间的联系。之所以采用这种分析，是因为它可以在高维神经数据中自动识别相对稳定和主导的大脑活动模式，而不需要任何预先的行为信息，并能说明大脑动力学停留在这些主导的大脑状态和在这些状态之间的转换。

这种数据驱动的方法显示，与神经典型对照组相比，ASD患者的大脑表现出更少的状态转换，这种非典型稳定的大脑动力学是ASD的核心症状和一般认知能力的基础。此外，我们发现大型脑网络之间的特定功能协调支持了神经动力学。

2.方法

被试

目前的研究使用了ABIDE共享的静息态fMRI和解剖MRI数据。为了排除多个记录位点的影响，本文分析了在单个位点收集的神经成像数据。选择这个记录地点是因为他们的数据中有最多的高功能成年男性ASD患者。

本文根据参与者的年龄、性别、利手、智商和回波平面成像(EPI)记录时的头部运动来选择参与者。为了减少年龄对智商的混淆效应，将年龄的上限设为40。之所以选择男性参与者，是因为在数据集中，女性参与者的数量远远小于男性参与者的数量，而且几乎不可能平衡女性/男性比例。本研究采用了24名高功能成年男性ASD患者和26名年龄/性别/智商匹配的神经典型个体的数据(表1)。

表1被试数据

模型拟合

作为后续能量图景分析的准备工作，本文采用与以往研究基本相同的方式，对7个二元时间序列数据进行了配对MEM拟合。

通过计算基于模型的预测概率与实际经验得到的概率之间的Pearson相关系数来评估模型拟合的准确性，并估计二阶模型(D2)相对于一阶模型(D1)的Kullback-Leibler散度的比例。

局部极小值的辨识

本文作者构建了一个能量图景，并搜索了之前研究中的主导大脑状态。该方法总结如下：

能量图景首先被定义为大脑活动模式Vk及其能量E(Vk)的网络，当且仅当两种活动模式在单个大脑网络中采取相反的二元活动时，两种活动模式被认为是相邻的。然后寻找局部能量最小值，其能量值小于所有N个相邻模式的能量值。

为了检验检测到的局部极小值之间的层次结构，接着构造了如下的不连通性图。

(i)首先准备了一个所谓的超立方体图，其中每个代表大脑活动模式的节点与N个相邻节点相邻。

(ii)然后在2N个节点中能量值最大的地方设置一个阈值能级Eth。(iii)删除能量值≥Eth的节点。

(iv)在简化后的网络中，考察每一对局部极小值是否通过一条路径连接。

(v)将Eth下移至下一个最大能量值后，重复(iii)和(iv)步骤。最后我们得到了一个简化的网络，其中每个局部最小值都是孤立的。

(vi)在所得结果的基础上，构建层次树，树的叶子(即树下的终端节点)表示局部极小值，内部节点表示不同局部极小值的分支点。

对主导大脑状态大小的估计

为了计算每个局部最小值的优势程度，首先计算了检测到的局部最小值的梯度大小(图1c)。首先从2N个节点中选择一个起始节点i。如果它的任何一个邻居节点的能量值小于节点i，就移动到能量值最小的邻居节点。否则不移动，这表明节点i是一个局部最小值。不断重复这个过程，直到可以到达一个局部最小值，并且开始节点i被定义为最终到达的局部最小值的一个元素。对所有2N个节点重复这个过程。将局部最小值的区域定义为所属梯度的脑活动模式的集合，将该局部区域大小定义为所属区域的脑活动模式数量的分数。

本研究基于局部极小值的层次结构，将六个局部极小值归纳为两大和两小的脑状态。这些主导状态的大小被定义为构成局部极小值的大小的总和。

在这四种脑状态定义的基础上，还利用经验数据估计了每种脑状态的出现频率。技术上，对于每个参与者，计算了在预处理的fMRI数据中观察到的属于每种主导大脑状态的大脑活动模式的次数。通过两个样本t检验和Bonferroni校正比较TD和ASD个体的出现频率。

随机行走模拟大脑动力学

为了描述大脑动力学，本文使用与之前研究相同的方式在能量场景中进行了随机行走模拟(图1d)。技术上，使用马可夫链蒙特卡罗方法和Metropolis-Hastings算法数值模拟了大脑活动模式的运动。对于每一组，以随机选择的初始模式重复随机行走105步，并将活动模式的轨迹总结为两种主要和两种次要大脑状态之间的一系列停留和过渡。前100个步骤被丢弃，以消除初始条件的影响。在这个数值模拟的基础上，估计了大脑四种主要状态之间的过渡频率和在主要状态中的停留时间。

在脑状态大小估计的情况下，通过直接计算经验数据来验证这些基于模拟的结果。作者们对每个参与者的实际fMRI数据都进行了直接计数。因此，利用计数结果可以进行了部分相关分析，以检验大脑动力学的三个指标(主要状态持续时间、间接过渡频率和中间状态频率)之间的关系。

ASD和TD组之间的脑动力学差异最初通过参数检验(这里是t测试)进行评估，但也通过非参数方法确认最终结果，使用10000次随机置换方法。随机行走步数设置为105，是因为基于模拟的脑动力学指标(即主要状态的持续时间和间接过渡频率)在105步模拟后显示出足够小的波动。

大脑动态和行为之间的联系

接下来，本文研究了大脑动力学和行为之间的联系(图1e)。计算了两个行为指数(ADOS总分和FIQ总智商)和两个对自闭症敏感的大脑动态指数(主要状态的间接过渡频率和持续时间)之间的Pearson相关系数。为了估计TD参与者的间接转移频率和自闭症特征之间的关系，使用了26名TD参与者中的16人的数据，因为数据集不包含其他8名TD参与者的ADOS分数。

图1能量图景分析过程图1：(a-e)首先从214个全脑roi中提取静息态fMRI信号。

(a)将roi划分为7个功能不同的大脑系统，并计算出它们的平均网络活动。

(b)通过对fMRI数据应用两两最大熵模型，建立一个能量图景，并识别了大脑的主导状态。

(c)通过随机行走模拟表征大脑动力学。

(d)比较了几个脑动力学指标与行为/症状得分。

(e)和(f)在TD组和ASD组中，两两最大熵模型均表现出足够高的拟合优度，能够准确预测经验数据的出现概率。

(g)准确的模型拟合使我们能够准确推断所有可能的27种大脑活动模式的假设能量值。需要注意的是，能量值并不代表任何生物能量，而是相反地表示大脑活动模式的出现概率。也就是说，能量值较小的大脑活动模式应该出现得更频繁。

大脑网络之间的功能协调

最后，本文研究了跨网络功能协调和非典型脑动力学之间的联系，因为从概念上讲，短时间间隔内发生的神经现象(此处为脑动力学)可能受到长期静态功能结构(此处为静息状态FC)的约束。

技术上，首先计算一个网络模块(DMN,SMN和听觉网络)和另一个网络模块(FPN,SAN,ATN,Visual network)之间的功能分离强度，因为大脑的中间状态是基于这两个网络模块之间的分离。功能分离强度定义为：模块内FC平均值与模块间FC平均值的差值。通过计算平均网络活动之间的皮尔逊相关系数，并根据fisher变换的FC值估计功能分离强度。最后，比较了功能分离强度与大脑动力学和行为得分之间的联系，并对大脑的主要状态进行了逻辑上相同的分析。

从数学上讲，如果脑网络i和j之间的FCij与由MEM计算得出的Jij足够接近(补充图1b)，则表示功能分离强度的基于fc的指标应与脑动力学的灵活性高度相关。

补充图1对最大熵模型的拟合结果

补充图1：作为精确模型拟合的结果，作者们得到了代表假设的基础网络活动(a)和成对互动(b)的两个指标。利用这些指标，计算了所有可能的大脑活动模式的能量值，并构建了能量图景。

3.结果

模型拟合精度

本文分析了24名高功能ASD成人和26名年龄/性别/智商匹配的正常发育(TD)个体的公开共享静息状态功能磁共振成像数据(fMRI)(表1)。为了研究不同功能大脑系统之间的动态协调，首先准备了7个功能大脑网络的平均fMRI信号的时间序列(图1a,b)。然后对这7个网络活动进行二值化，并拟合出一个对最大熵模型(MEM)(补充图1)。该模型能准确预测TD组和ASD组的经验数据(图1f)。

占主导地位的状态

接下来，基于这个精确拟合的模型，指定了频繁出现的主导大脑状态，以代表休息期间的大脑活动模式(图1c)。本文计算了所有可能的大脑活动模式的所谓能量值(27种模式;图1g)，检查了27个能量值之间的层次关系，并系统地搜索显示局部最小能量值的主导大脑活动模式，这些模式比类似的活动模式更有可能被观察到(图1c)。

请注意，这个能量值并不表示任何生物能；相反，它是一个统计指数，反向显示每种大脑活动模式出现的概率。例如，能量值较低的活动模式往往出现得更频繁，应该是稳定的。

结果发现，TD和ASD组的能量图景具有相似的层次结构(图2a)，由相同的六种局部稳定的大脑活动模式组成(局部最小A-F;图2b)。在两个队列中，局部最小值A和B属于同一分支，局部最小值C和D属于另一个分支。而且，相对于这四个局部极小值，E和F的能量值相对较高，说明这两个局部极小值不像其他四个那么占优势和稳定。

图2能量图景结构的比较

图2：(a,b)TD组和ASD组的能量图景呈现出相似的层次结构(a)，具有相同的6个局部极小值(b)。考虑到两组中常见的低能量，我们将局部极小值A和B归纳为主要状态#1，将局部极小值C和D归纳为主要状态#2。

(c)TD组和ASD组四个显性状态的大小存在显著差异。特别是，ASD患者的两种小的大脑状态明显小于对照组。

(d,e)这种大脑状态大小的差异在实证数据中得到了证实。与TD组相比，ASD组两大状态出现频率较大(d)，两小状态出现频率较小(e)。

基于这种层次特征和两组之间的相似性，将这6个局部最小值归纳为两种主要的大脑状态(局部最小值A和B为主要状态#1;局部极小值C和D到主要状态#2)和两个次要状态(局部极小值E和F分别到次要状态#1和#2;图2a)。

当改变大脑活动二值化的阈值时，精确的模型拟合和能量图景的层次结构依旧得以保留(补充图2)。这些结果表明，次要的大脑状态是非典型的不稳定的，很少出现在ASD个体中。

脑动力学特征

接下来在能量图景中进行了105步随机行走数值模拟(图3a)，并将大脑动力学描述为停留在或在这些主导大脑状态之间转换(图1d)。

首先计算了四种大脑状态之间的转换频率(图3b)，发现TD组和ASD组的两种小状态之间都没有直接的转换。因此，本文将神经过渡分为以下两种轨迹：两种主要大脑状态之间的直接过渡或两种主要大脑状态之间通过两种次要大脑状态之一的间接过渡(图3c)。为了简化描述，将两种小的大脑状态合并为一种称为中间状态的状态。与小的大脑状态一样(图2e)，ASD组出现这种中间状态的频率明显小于对照组(图3d)。

图3.脑动态分析结果汇总

图3：(a)为了在能量图景中描述大脑动力学，本文进行了105步随机行走模拟。

(b)在此基础上首先计算了大脑四种主要状态之间的过渡频率。

(c)并没有发现状态#1和#2之间的过渡。因此可以将所有的跃迁分为两个主要状态之间的直接跃迁或通过一个次要状态的间接跃迁。

(d)在这种分类的基础上可以将两种小状态归纳为中间状态。在经验数据中，与对照组相比，ASD组中间状态的出现频率明显降低。

(e)在模拟中，TD组与ASD组之间的直接转换频率差异不显著，而ASD个体的间接转换频率显著较小。

(f)这种对比甚至可以通过直接计算经验数据中每种类型转变的频率来再现。

(g)ASD组在主要状态的停留时间明显更长。

(h)这在直接计数经验数据中得到了证实。

(i,j)在TD组和ASD组中，主要状态持续时间与间接过渡频率呈负偏相关，间接过渡频率与中间状态频率呈正偏相关。

然后比较了TD组和ASD组之间这些直接和间接转变的频率。两组之间的直接转换频率没有差异，而ASD个体的间接转换频率与对照组相比显著降低(图3e)。在经验fMRI数据中计算每个过渡频率时，这种对比也会重现(图3f)。

在ASD个体中这种罕见的神经转换意味着他们的大脑动态比控制组更稳定，因此他们的大脑活动倾向于在主要状态停留更长时间。通过计算大脑活动模式在这两种主要状态中的任何一种停留的时间，证实了这一推论。在这个随机行走模拟中，ASD的大脑显示出比TD大脑更长的主要状态持续时间(图3g)。这种差异在直接计算经验数据中主要状态的重复长度时得到重现(图3h)。

最后研究了对自闭症敏感的三个脑动力学指标(即：间接过渡频率、中间状态频率和主要状态持续时间)之间的层次关系。偏相关分析显示，在TD组(图3i)和ASD组(图3j)中，中间状态频率与间接跃迁呈正相关，间接跃迁频率与主要状态持续时间呈负相关。

综上所述，这些分析表明，在ASD患者的大脑中，非典型不稳定的中间状态与间接过渡频率的降低有关，而间接过渡频率与异常长时间的主要大脑状态有关(图3j)。在TD和ASD组中，这三个脑动力指标与个体年龄无显著相关性。

大脑动力学和自闭症症状

然后，作者们通过自闭症诊断观察表(ADOS)来检查这些脑动力学指标是否与自闭症症状相关。

结果发现，ASD组间接转移频率与ADOS总分呈负相关(图4a)，然而，主要状态的持续时间并没有显示出显著的相关性。即使在TD组，高ADOS评分个体的间接过渡频率也显著低于低ADOS评分个体(补充图3)，而高ADOS评分个体与低ADOS评分个体的主要状态持续时间差异不显著。这种大脑症状的关联并不是特定于自闭症的社会或非社会核心症状。

补充图3自闭症患者的间接过渡频率

此外，偏相关分析显示，中间状态下，ADOS得分与间接跃迁频率和两个局部最小值出现频率之间存在层次关系(图4b)。

图4 大脑动态和行为之间的联系

图4：(a,b)在ASD组中，只有间接转移频率与ASD症状的严重程度有显著相关性。(a)即使去掉两个异常值(虚线圈出的正方形)，这种相关性仍然存在。

(b)此外，通过偏相关分析，我们发现ADOS总分、间接跃迁频率和构成中间状态的两个局部最小值出现频率之间存在层次结构。

(c-f)在TD组中，只有间接转换频率与一般认知能力相关。

(d)偏相关分析表明，中间状态下的FIQ（总智商）、间接跃迁频率和局部最小值出现频率之间存在层次关系，这说明中间状态的稳定与间接过渡的增加和认知能力的提高有关。

(c)相比之下,ASD个体的FIQ与主要状态持续时间相关。

(e)此外，主要状态的持续时间与主要状态中四个局部极小值中两个出现的频率有关。

(f)这些发现和部分相关分析结果表明，ASD个体的主要状态过度稳定与大脑中主要状态持续时间异常长相关，支持了他们的认知能力。

这些观察结果表明，ASD患者大脑中异常不稳定的中间状态与间接转换的减少有关，而这种异常的脑动力学灵活性的降低与ASD症状的严重程度有关。

大脑动力学和一般认知能力

本文还研究了大脑动力学和一般认知能力之间的联系，这种认知能力是用总智商(FIQ)分数来衡量的。

在TD组中，FIQ（总智商）评分与间接转移频率特别相关(图4c)。此外，通过偏相关分析发现，构成中间状态的两个局部最小值的出现频率与FIQ之间存在层次关系(图4d)。这些结果表明，在TD个体中，中间状态的稳定性与间接过渡的增加有关，而间接过渡又与他们的一般认知能力有关(图5a)。

图5 大脑动力学和行为

图5：(a)在TD个体中，他们大脑动力学的灵活性与他们的认知能力相关。

(b)在ASD个体，他们的非典型脑动力学稳定性与他们的ASD症状和认知能力有关。脑图代表了主导大脑状态的二元大脑活动模式。红色区域为活动区域，而其他区域为不活动区域。

相反，在ASD组中没有发现间接转移频率和FIQ之间的关联(图4c)。相反，他们的FIQ（总智商）分数与主要状态的持续时间相关(图4c)。结合偏相关分析的结果(图4f)，这些观察结果表明，ASD个体的一般认知能力与他们大脑动态的稳定性有关，这反过来又由两个特定的局部极小值所代表的非典型稳定的主要大脑状态支持(图5b)。

与自闭症症状相关的脑网络协调

作者们还研究了大脑动力学的稳定性/灵活性和ADOS/IQ分数之间的关联背后的跨网络功能协调。首先研究了支持间接转移频率的非典型降低的跨网络功能连接(FC)(图6)。

图6自闭症中间状态下的跨网络功能分离

图6：(a-c)中间状态是基于两个相互补充、相互反相关的模块(DMN/SMN/Auditory模块和FPN/SAN/ATN/Visual模块;a)。因此，可以合理地假设，这些模块之间的强大功能分离应该会稳定中间状态。

(b)为了验证这一假设，首先通过比较模块内FC和跨模块FC来量化功能偏倚强度，

(c)发现TD组的功能分离明显更强。

(d-g)ASD组的功能分离强度与中间状态频率(d)和间接过渡频率(e)呈正相关，与ADOS总分(f)呈负相关。

(g)异常弱的跨网络功能分离可能会使中间状态不稳定，降低间接过渡频率，从而可能导致ASD症状。

如图4b所示，间接跃迁的频率越大，构成中间状态的两个局部最小值出现的概率越高。另一方面，这些局部极小值表现出互补的脑活动模式，并基于两个网络模块的反相关激活(图6a)。鉴于这些特性，假设在ASD个体中，这两个网络模块之间的非典型弱分离应该与中间状态出现频率的减少和间接过渡频率的减少有关，从而与ASD症状的恶化有关。

通过比较模块内fc和跨模块fc检验了这一假设(图6b)，因为理论上，随着模块内fc和跨模块fc之间的差距扩大，两个网络模块在功能上应该更加分离。在TD和ASD组中，模块内FCs明显大于跨模块FCs。

然而，与对照组相比，ASD组内和跨模块FCs之间的差距显著缩小。这表明ASD个体的大脑在这两个大脑模块之间的功能分离较弱。这种非典型的较弱的功能分离与中间态频率(图6d)和间接跃迁频率(图6e)有关。此外，该功能分离强度与ADOS总分呈负相关(图6f)。即使在TD数据中，也可以观察到ADOS评分和功能偏析强度之间存在如此显著的关联(图5a)。

结合本文的其他观察结果(图4b和5b)，目前的研究结果表明，特定大脑模块之间异常弱的功能分离与ASD个体不稳定的中间状态和较少的间接过渡有关。这稳定了他们的大脑动态，从而导致了这些症状(图6g)。网络协调能力与认知能力有关接着，本文检查了跨网络的功能协调，这可能与ASD患者主要状态的非典型长时间持续有关，并构成他们的一般认知能力的基础(图7)。

图7 自闭症主要脑状态的跨网络功能分离

在观察到ASD患者过度稳定的大脑动力学与两个互补的局部最小值异常大的出现频率相关(图4e和7a)的基础上，假设这些稳定的动力学与两个不同网络模块之间的功能分离有关(图7b)。

尽管在TD和ASD组中都可以看到显著的功能分离(图7c)，但它的强度在ASD个体中明显更大。此外，这种异常强烈的功能分离与自闭症的主状态频率(图7d)、主状态持续时间(图7e)和FIQ(图7f)呈正相关。相比之下，在TD数据中，主要状态下的FIQ与功能分离的相关性不是正的，而是显著的负相关，表明ASD高功能个体与TD个体相比具有不同的认知风格。

这些结果表明，ASD患者大脑中异常强烈的功能分离与异常稳定的主要大脑状态和异常长时间的状态相关，从而与他们的一般认知技能相关(图7g)。

试验结果的复验性

本文使用其他两个地方收集的数据进行了结果稳定性的分析。在两个数据集中，对MEM进行了精确拟合，能量图景分析定性地得到了相同的能量图景层次结构，包括相同的六种大脑状态。此外，TD和ASD组之间的主/中状态频率也存在显著差异。此外也可以识别出ASD组中主要状态的非典型的较低的间接过渡频率和异常的较长的持续时间。最后证实了大脑动力学和行为指数之间的相关性，这些大脑动态和跨网络功能协调之间的联系也被复现。

研究者们还测试了目前的观察结果是否适用于大脑网络的不同定义。为此，在大脑以两种不同的方式分割后，重复了能量图景分析。

在一种脑分割方法中，根据先前的研究，DMN被分为两个子网络。虽然模型拟合的准确性略有降低，但能观察到与原始分析中相同的能量图景、脑动力学和脑行为关联。在另一种大脑分割方法中，基于之前的另一项研究，将大脑皮层区域划分为不同的7个大脑系统。即使使用这种大脑分割方案，仍旧能定性地观察到能量图景结构，并发现ASD患者的神经动力学比对照组更稳定。这种神经稳定性与tASD症状的严重程度和一般认知能力呈正相关。这些大脑行为关联可归因于7个大脑系统之间功能分离的强度。

自闭症诊断的预测

最后，本文检查了大脑动力学的这些差异是否可以预测自闭症的诊断(图9和补充图12)。首先使用原始数据集为诊断定义了一个阈值，然后将其应用于独立数据集来评估这种诊断方法的性能。对于测试数据，能量图景分析不是在一个群体上进行的，而是在一个个体水平上进行的，因此，结果与上述重现性测试中获得的结果不完全相同。

中间状态频率可以较准确地预测ASD诊断(图9a)。相比之下，间接跃迁频率并没有实现精确的预测(图9b)。在多变量模式分析方法中，将两项指标结合起来可以提高诊断的准确性(图9c,d)。这种分类准确性可与以往静息态fMRI研究报告的诊断准确性相媲美或更高。

图9诊断及预测图9：诊断预测的阈值在训练数据中定义，然后在独立测试数据中进行评估。计算每个参与者测试数据的两个脑动力学指标。在能量图景分析(约80%)中模型拟合的准确性不如在群体-水平分析(约95%)中高。

(a,b)单变量诊断预测的截断值为中间状态频率(a)的7.7%和间接过渡频率(b)的4.15%。(c,d)二元预测的截止线(紫色线;c)通过使用原的数据集训练线性支持向量机定义。这条线可以对独立数据集中的个体进行分类，准确率相对较高(d)。

4.讨论

本文利用能量图景分析，阐明了高功能ASD个体的症状和一般认知能力背后的非典型静息状态脑动力学。TD和ASD组的大脑动力学通常包括两种主要状态之间的直接过渡和通过中间状态的间接过渡。然而，ASD组的间接过渡异常罕见，因为他们的中间状态不稳定，他们的大脑活动可能在非典型的长时间内停留在主要状态。这种间接转变的异常减少与自闭症的严重程度有关，而在ASD组中，主要状态持续时间与智商有关。此外，ASD患者过度稳定的大脑动态与不同大脑系统之间的异常协调有关。这些发现表明，在高功能ASD成人中，大规模脑系统的非典型平衡与异常稳定的脑动力学有关，这是ASD症状和一般认知能力的基础。

总结：

本研究为自闭症具有非典型大范围脑动力学特征的概念提供了实证证据。尽管以往的人类神经成像研究报告了ASD患者的神经同步障碍，并确定了ASD特有的各种结构/功能全脑结构，但大多数研究并没有直接调查大脑动力学。

总的来说，本文在ASD组中看到的非典型跨网络功能协调与之前对自闭症中非典型跨区域FCs的观察一致。先前的静息状态fMRI研究报告了杏仁核(常包括在SAN)和次级视觉区之间的FC非典型减少。如果这个观察表明SAN和视觉网络之间有一个弱的FC，那么它与目前关于在自闭症中间状态时弱分离和在主要状态时强分离的发现相吻合。根据同样的逻辑，目前的结果与另一项静息状态fMRI研究一致，该研究报告了自闭症患者颞区(听觉网络)和内侧前额叶区(DMN)之间的FC非典型下降。此外，本文的结果与一项基于任务的fMRI研究一致，该研究发现，在高功能ASD成人中，FPN的一个区域和一个区域之间存在弱功能耦合。目前的研究描述了全脑活动模式的动力学变化，并直接证明了ASD患者的非典型脑动力学与其症状之间的联系。

症状和大脑动力学之间的这种关键联系不仅局限于自闭症，而且在最近对精神分裂症的人类功能磁共振成像研究中也有报道。例如，精神分裂症患者与健康对照组的大脑静态状态相似，但在特定大脑状态的停留时间和这种大脑状态之间的过渡频率上存在显著差异。鉴于这些先前的观察，当前的研究可以看作是额外的经验支持，强调了研究大脑动力学在生物学上理解各种发育和精神障碍的重要性。

Nature子刊：高功能自闭症患者的大脑网络动态相关推荐

長井志江：AI模拟并协助自闭症患者，探究人类认知与意识本质｜42问AI与机器人未来...
42个AI与机器人大问题之-- 「AI如何帮我们理解认知和意识的本质?」本届大会由腾讯 AI Lab 携手Nature Research(自然科研)及旗下<自然-机器智能>.<自然 ...
Nature子刊：自闭症患者非典型的功能连接梯度
自闭症谱系障碍(ASD)是一种具有高度复杂行为表型的持续性神经发育障碍.在过去的几十年里,它的概念经历了几次转变.早期的研究方法强调了非典型的感觉加工,而最近的研究集中在高级认知和社会功能的缺陷上,包 ...
读文万卷036期：警戒状态下自发性眼睑闭合与功能磁共振成像动态连接的联系；自闭症患者的胼胝体扩散峰度成像
欢迎关注思影科技的读文万卷栏目,希望我们的读文万卷栏目可以伴随思影的读者们共同成长,如果能给我们一个转发和在看,一定是对思影的莫大帮助和鼓励,谢谢! 1.PNAS:警戒状态下自发性眼睑闭合与功能磁共振 ...
剑桥女博士创立情绪识别 AI 公司，帮助自闭症患者理解他人表情
很多智能设备能预测我们下一步想要做什么,但是它们却无法知道为什么我们要那样做. 作者|DataGirls 本文经授权转载自DataGirls(ID:DataGirls) <她>(Her) ...
自闭症患者很难读懂他人情绪？情绪机器人来帮忙
原作 Adam Freelander Root 编译自 Quartz 量子位出品 | 公众号 QbitAI 读懂他人细微的情绪,大多数正常人觉得是件很容易的事,但对于自闭症患者来说可能比较困难. 英 ...
自闭症青年的突显网络、默认模式网络和中央执行网络功能连接的差异
<本文同步发布于"脑之说"微信公众号,欢迎搜索关注~~> 摘要自闭症(ASD)和三个神经认知网络的功能连接变化有关,这三个网络被认为是ASD症状学的核心:突显网络(S ...
NeuroImage：脑网络分析揭示社交焦虑症患者的大脑功能环路异常
<本文同步发布于"脑之说"微信公众号,欢迎搜索关注~~> 社交焦虑症(SAD)是最常见的精神疾病之一,其通常伴随有精神共病症,严重的社交功能障碍,以及持续的情绪.认知和 ...
CF赛后总结——一个自闭症患者的心路历程
一天嚷着"我自闭了"之类的话的人都是假自闭 2019年2月 Round #538 (Div.2) 老板让我尝试一下CF.结果连网站都不会用--A题在13分钟才提交成功. B题C题什 ...
TED-2-拖延症患者的大脑
文章: Now, the Dark Playground is a place that all of you procrastinators out there know very well. It ...

Nature子刊：高功能自闭症患者的大脑网络动态

Nature子刊：高功能自闭症患者的大脑网络动态相关推荐

最新文章

热门文章