近日，美国哥伦比亚大学联合其他机构在杂志Communications Medicine上发表了一篇题为“Integrating individualized connectome with amyloid pathology improves predictive modeling of future cognitive decline”的文章。作者将Aβ病理的空间分布与个体大脑网络架构相结合，构建了基于网络的Aβ负担的指标。研究结果表明，将个性化的结构连接组而不是功能连接组信息纳入Aβ测量可以提高对预期认知衰退的预测性能。
图片来源：Communications Medicine 主要内容 结合个体大脑网络架构的Aβ病理学指标的构建 研究者利用扩散磁共振成像获取个体化结构连接组，利用静息态功能磁共振成像获取功能连接组，并分别与淀粉样蛋白PET的区域数据结合，生成了基于结构连接和基于功能连接的两类NAP分数。 其中，连通性加权NAP（图e和h）不仅考虑了目标脑区本身的淀粉样蛋白沉积，还通过结构或功能连接矩阵，将与之相连的其他所有脑区的淀粉样蛋白沉积进行加权求和。中心性标度NAP（图f， i）将目标脑区自身的淀粉样蛋白沉积水平，按该脑区在整个连接网络中的“中心性”（即节点强度）进行校正。
基于网络的β淀粉样蛋白病理学（NAP）。图片来源：Communications Medicine 基于结构连接组的Aβ模型改善了对随后认知衰退的预测 作者评估了两种NAP指标在预测纵向认知能力下降方面的性能，并将其与使用Aβ病理PET成像标准化摄取值比（SUVR）值的预测性能进行比较。 交叉验证模型证实，仅使用基线区域性淀粉样蛋白SUVR即可显著预测后续全球认知分数的下降（中位相关系数 R=0.2013）。当将个体化的结构连接组信息整合到淀粉样蛋白指标中（基于结构的连通性加权NAP）时，预测未来全局认知衰退的性能达到了最高（中位相关系数 R=0.2754）（图a，b），其性能显著优于仅使用区域SUVR的传统方法。基于结构的其他NAP指标也显示出类似的优势。 与基于结构的连接组相反，功能连接组构建的NAP指标，未能提升预测性能甚至差于区域SUVR模型（图a，b）。这可能是因为淀粉样蛋白等错误折叠蛋白的跨突触传播可能更直接地由结构性解剖连接所介导，考虑淀粉样蛋白在个体结构性神经网络中的分布模式，能更有效地捕捉其与认知功能恶化之间的复杂关系。
不同病理模型下认知衰退预测的性能表现。图片来源：Communications Medicine 对预测认知衰退贡献最大的脑区 为了识别大脑ROI对观察到的病理和认知之间的关系贡献，作者对每个ROI的病理特征和认知变化进行相关性分析。分析结果显示，颞叶和枕叶的基底皮质区域以及内侧前额叶皮层和左背外侧前额叶皮层，表现出更强的纵向认知变化负相关（图b）。在高亮区域（红色显示）淀粉样蛋白病理水平较高的个体，认知能力下降的速度往往更快，而在这些区域淀粉样蛋白负担较低的个体，认知能力下降的速度往往较慢。此外，与区域SUVR评分相比（图c），NAP评分与纵向认知变化表现出更明显的负相关（图b）。
区域标准化摄取值比（SUVR）和基于网络的β淀粉样蛋白病理（NAP）图。图片来源：Communications Medicine 外部数据集验证模型的泛化性能 在独立的ADNI外部数据集中，作者利用从内部队列中识别出的同一组特征脑区（无论是区域SUVR还是结构连通性加权NAP）所提取的特征，预测结果与实际的认知下降的得分成绩（dMemory）均显著相关（如下图）。且在相关分析中，NAP指标（尤其是连通性加权）与认知变化之间的负相关关系也显著强于区域SUVR指标，表明其对认知衰退具有更高的敏感性。
Aβ神经病理学特征的外部验证。图片来源：Communications Medicine 观察到的NAP测量与纵向认知能力下降之间的关系不能完全用tau病理学来解释 鉴于tau PET测量与认知能力下降密切相关，作者进一步测试了认知和淀粉样蛋白之间的关系是否可以用tau病理学来解释。在拥有tau PET数据的子样本中进行的分析表明，淀粉样蛋白NAP指标与认知衰退的关联，在校正了全局或颞叶tau病理后依然显著。这说明NAP所捕获的认知衰退预测信息不能完全由tau病理负担来解释，提示了其独立的价值。 |
/3 
浙公网安备33010802005999号 
