时间不可逆性在阿尔茨海默病大脑动态中的体现

健康的大脑动态可以被理解为远离热力学平衡的复杂系统的出现。大脑动态在时间上是不可逆的，因此建立了时间中的优先方向（即，时间箭头）。然而，关于自发大脑活动的时间反转对称性如何受到阿尔茨海默病（AD）影响的知识还很少。我们假设，在AD中，不可逆性的水平会受到损害，标志着大脑活动的集体属性朝向平衡动态的根本转变。我们通过休息状态的fMRI和EEG数据，研究了男性和女性的AD患者以及年老的健康对照组（HCs）的不可逆性。我们通过比较前向和后向时间序列的时间偏移相关性，量化了不可逆性的水平，从而接近非平衡动态。AD与全局、局部和网络层面上时间不可逆性的崩溃相关，以及在多个振荡频率带上。在局部层面，颞顶叶和额叶区域受到AD的影响。在网络层面，边缘系统、额顶、默认模式和突显网络受到的损害最大。时间的可逆性与AD中的认知衰退和HCs中的灰质体积相关联。大脑动态的不可逆性在区分AD与对照组时提供了更高的准确性和更独特的信息，相比经典的神经认知测量。研究结果通过使用外样本队列进行了验证。当前结果提供了关于大脑动态的熵生成率与AD临床表现之间的病理生理学联系的新证据，为不同层面的痴呆症表征开辟了新途径。本文发表在Journal of Neuroscience杂志。（可添加微信号19962074063或18983979082获取原文及补充材料，另思影提供免费文献下载服务，如需要也可添加此微信号入群，另思影脑影像分析业务，如感兴趣也可咨询)

      重要声明：通过评估多种大脑信号中大规模动态的不可逆性，我们提供了一种精确的标志，能够在全局、局部和网络层面以及不同振荡制度中区分阿尔茨海默病（AD）。边缘系统、额顶、默认模式和突显网络的不可逆性受到AD的影响最大，与更多感觉-运动网络相比。此外，与认知衰退和萎缩相关的时间不可逆性属性在预测分类性能中优于并补充了AD的经典神经认知标记。研究结果通过外样本验证程序得到了概括和复制。我们提供了AD大脑动态不可逆性降低的新的多层面证据，这有可能为理解神经退化开辟新的途径，特别是在大脑动态的时间不对称性方面。

关键词：阿尔茨海默病、动态网络、EEG、fMRI、不可逆性动态、机器学习

引言

      时间的不可逆性是从混乱中带来秩序的机制（Prigogine和Stengers，1984年）

      从物理到生物学，热力学第二定律指出，封闭系统演化的方向是熵增的方向。热力学第二定律的一个核心后果是时间事件流动的不对称性的出现，这导致了热力学的“时间箭头”（Eddington，1928年；Schrödinger，1929年）。这种不对称性区分了可逆的和不可逆的/非平衡的（Seif等，2021年）。在近期的大脑研究背景下，大尺度的自组织大脑动态远离热力学平衡演化，并保持在多稳态的健康状态（Fingelkurts和Fingelkurts，2004年；Deco等，2017年；Demirtaş等，2019年；Luppi等，2019年；Perl等，2021年），其中神经动态复杂性与时间不可逆性的程度之间存在正相关，这表明健康大脑活动与非平衡动态之间的关联（Deco等，2022年）。值得注意的是，这种时间特征反映了大脑功能组织的复杂性，并且已经被证明与意识水平（Perl等，2021年；de la Fuente等，2022年）、认知性能（Deco等，2021年；Lynn等，2021年；Ibanez，2022年）以及某些神经精神疾病（Zanin等，2019年）相关。

      在数百项研究中，阿尔茨海默病（AD）的特征是大脑活动复杂性的异常减少，降低了神经动态的熵生成率（综述见Sun等，2020年）。这些神经动态的不平衡影响了认知（Chand等，2018年）和休息状态网络（RSNs）的内在连接性，跨越时间层面[脑电图（EEG）：Dottori等，2017年]和空间层面[功能性磁共振成像（fMRI）：Moguilner等，2021年；参见同一研究中的EEG和fMRI：Herzog等，2022年]。因此，与健康大脑预期的熵水平的偏离也可能涉及到从非平衡大幅偏离，使得痴呆症患者的大脑动态在不同的时空尺度上变得更不可逆。尽管存在这种明显的联系，据我们所知，之前没有研究探讨了AD患者大脑动态的时间箭头。

     基于这些考虑，我们假设不可逆性的水平（即，大脑动态的时间不对称性和全局不可逆性水平随时间的变异性），反映了大脑信号的非平稳性质，在AD患者中会受到损害。首先，我们预期AD会表现出较少不可逆的大脑动态，涵盖空间（fMRI）和时间（EEG）领域，从全局层面（大尺度网络）到局部区域，包括不同的振荡频率带。此外，我们提出，更多内源性RSNs（即，默认模式、边缘、突显和额顶网络）—通常在AD中受损（Zhou和Seeley，2014年；Badhwar等，2017年；Kucikova等，2021年；Meng等，2022年）—会显示出比更多外源性的网络（如躯体感觉、运动和视觉网络）在AD患者中更少的不可逆动态。其次，我们预期不可逆性的水平会部分与AD的经典神经认知标记相关联。我们预见不可逆性与RSNs的功能连接（FC）和认知损害有关。AD中不可逆性水平与较不瞬时的测量，如大脑萎缩之间不会观察到特定的关联。最后，如果较不可逆的动态是AD的核心特征，则多模态不可逆性特征（fMRI和EEG）的预测分类能力将与标准疾病标记（包括大脑萎缩、功能性大脑连接性和认知缺陷）相当或更高。结合标准标记和不可逆性特征将增加分类能力，表明后者提供了经典标记无法解释的额外信息。我们期望我们的测量能够推广到其他未见队列。

      为了测试这些假设，我们采用了一个受非平衡热力学启发的理论框架（Deco等，2021, 2022; Perl等，2021; de la Fuente等，2022），并实施了相关方法（图1），以捕捉使用fMRI和EEG获得的AD患者和老年健康对照组（HCs）大脑动态的时间不对称性。我们通过将前向和后向时间序列通过时间偏移相关性应用于多模态神经成像数据进行比较，评估时间不可逆性，寻求识别主要受神经退行性影响的大脑网络及其解剖学和神经心理学相关性。

图1概述了估计大脑动态中时间箭头的框架。我们使用受随机热力学启发的框架来捕获大尺度大脑动态中的非平衡偏离，作为AD的潜在独特标志。

A，热力学第二定律解释了通常被称为“时间箭头”的能量传递方向。这一物理定律规定，留给自发演化的孤立系统的熵不减少，解释了自然过程的不可逆性。面板展示了一个三态系统及其通过圆圈和箭头示意的转换。处于热力学平衡的系统不产生熵；因此，状态之间没有净概率通量的转换，导致动态可逆。

B，我们使用了相同老年健康对照组和阿尔茨海默病患者的休息状态fMRI和源反转hdEEG数据。两个数据集都使用AAL图谱进行了划分。

C，在所有参与者的所有大脑区域中，我们提取了前向大脑活动时间序列并生成了相应的后向版本。

D，该框架使用成对和多维时间偏移相关性测量来估计时间的箭头（即，不可逆性/非平衡的水平）。时间序列之间的相关性捕获了它们之间的交互。底部图表示了给定时间偏移（Δt）的前向（左）和反向（右）时间序列之间的交互。如图所示，与强时间依赖性的信号相比，弱时间依赖性的信号的相关性下降得更快。

E，不可逆性/非平衡的水平在不同的空间尺度上被估计，从覆盖整个大脑的全局层面，到网络层面，再到单个大脑区域的局部层面。

F，最后，我们使用这个框架来评估神经退行性患者的神经成像数据的不可逆性。我们假设时间的箭头会受到神经退行性的影响，而这一度量在神经退行性疾病的分类中可能等同于或甚至超越标准神经成像度量。

材料与方法 

参与者

      我们分析了107名男性和女性参与者的数据，包括42名AD患者和65名匹配的老年健康对照组（HCs），这些参与者进行了休息状态高密度脑电图（hdEEG）和功能性磁共振成像（fMRI）的采集。事后分析揭示了fMRI人群样本的统计功效为0.9898（1 – β错误概率），hdEEG人群样本的统计功效为0.9979。招募工作在智利（脑健康与代谢研究中心Geroscience、记忆与神经精神疾病诊所，智利大学；社会与认知神经科学中心，阿道夫·伊巴涅斯大学）和阿根廷（认知神经科学中心，圣安德烈斯大学）的临床中心进行，作为正在进行的EEG/fMRI方法的一部分（Donnelly-Kehoe等，2019; Salamone等，2021; Birba等，2022; Legaz等，2022），由BrainLat（拉丁美洲脑健康研究所；Duran-Aniotz等，2022）领导。参与者根据国家神经和交流障碍及中风研究所NINCDS（National Institute of Neurological and Communicative Disorders and Stroke）–ADRDA（阿尔茨海默病及相关疾病协会）临床标准（McKhann等，1984；2011）被诊断为AD。诊断得到了广泛的神经学和神经精神疾病评估的支持（Piguet等，2011；Baez等，2014；Melloni等，2016；Santamaría-García等，2017），这些评估按照拉美扩大痴呆症研究的多伙伴联盟（ReDLat）协议进行（Ibanez等，2021a, b；Maito等，2023）。有神经系统疾病、初级语言障碍、精神疾病或滥用药物史的参与者被排除。表1分别报告了fMRI、hdEEG和匹配样本的人口统计信息。相关的机构审查委员会批准了这项研究，所有参与者在参与前根据赫尔辛基宣言、国家卫生研究院指南和当地规定提供了书面知情同意。

表1. 人口统计信息和认知性能

F，女性；M，男性。数据展示了fMRI、hdEEG和匹配样本。类别变量使用皮尔逊卡方检验进行分析，连续变量使用0.05的显著性水平进行ANOVA（方差分析）评估。

      参与外样本验证的参与者 为了进行外样本验证，我们使用了阿尔茨海默病神经影像倡议（ADNI）数据库（https://adni.loni.usc.edu/）的数据。我们分析了206名参与者的休息状态fMRI数据，其中91名为AD患者，115名为老年健康对照组（HCs）。两个临床组在年龄、性别和教育年数上进行了匹配（表2）。

表2 用于外样本验证程序的ADNI队列的人口统计学和认知性能 

类别变量使用皮尔森卡方检验进行分析，连续变量使用0.05的显著性水平进行ANOVA（方差分析）评估。

神经心理学评估 

      参与者的整体认知状态使用蒙特利尔认知评估（MoCA；Nasreddine等，2005）进行了检查。MoCA评估了多个认知领域，包括注意力、集中力、定向力、记忆力、语言、执行功能、视空间技能、抽象思维和计算能力。

神经影像数据采集和预处理

hdEEG 

     脑电信号使用法拉第笼和一个128通道24位分辨率系统（Active Two，Biosemi）记录，根据径向电极放置系统定位，并在参与者静坐并闭眼保持清醒时以1024 Hz采样。位于右侧和左侧乳突的两个电极用于离线重新参考。围眼位置的电极用于控制眨眼和眼动。模拟滤波器在0.03和100 Hz应用于原始的hdEEG数据。然后使用零相移Butterworth滤波器将记录在0.5和40 Hz之间带通滤波，重新参考到所有通道的平均值，并下采样到512 Hz。移除功能失常的电极，并使用加权球形插值从邻近电极估计其值。使用独立成分分析（Kim和Kim，2012）和视觉检查协议（Schandry和Montoya，1996; Dirlich等，1997; Pollatos和Schandry，2004; Terhaar等，2012; García-Cordero等，2017; Yoris等，2017, 2018; Salamone等，2018）校正了由眼动引起的伪影。休息状态数据的记录和预处理遵循了当前多中心连接性研究在痴呆症协调方面的标准，关于记录程序、数据采集脑成像数据结构（BIDS）、预处理管道（去噪、伪影去除、空间标准化、数据标准化）以及源空间的连接性（Prado等，2022）。所有数据和统计分析使用MATLAB（MathWorks）中编写的自定义代码进行，遵循标准程序（García-Cordero等，2017; Yoris等，2017, 2018; Mikulan等，2018; Salamone等，2018; Josefsson等，2019; Amoruso等，2022; Legaz等，2022）。

EEG源空间 

     我们使用标准化低分辨率电磁断层扫描（sLORETA）方法（Pascual-Marqui等，1994）来估计hdEEG记录的神经源。sLORETA计算了基于头皮电位线性加权和的参考脑（MNI 305，蒙特利尔神经学研究所大脑成像中心）皮层灰质和海马的每个2394体素处的标准化电流密度。电极布局在MNI152头皮坐标上配准，用于电极定位的地标位于鼻根、枕骨、左前耳点和右前耳点。地标和记录电极的位置使用笛卡尔坐标系统以毫米表示。为了计算转换矩阵sLORETA（逆解问题的直接算子），我们使用了信噪比为1的正则化方法。使用配准到Talairach空间并使用自动解剖标记图谱（AAL; Tzourio-Mazoyer等，2002）进行划分的三壳层球形头模型获取标准化电流密度图，去除了皮下区域。在每个时间点计算的时变电流密度在属于同一AAL区域的体素之间平均，以便为每个皮层区域获得单一（平均）时间序列（Prado等，2022）。

fMRI记录 

     数据在两个不同的中心采集，遵循人脑映射组织（OHBM）的推荐（Smith等，2013; Nichols等，2017; Poldrack等，2017），使用以下参数。

     中心1：在3T系统（Skyra，西门子）上进行成像，使用标准头线圈。使用以下参数获取T1快速梯度回波体积，平行于连接前后联合的平面：重复时间（TR）= 1700 ms；回波时间（TE）= 2000 ms；翻转角度 = 8°；208层切片；矩阵尺寸 = 224 × 224 × 208；体素大小 = 1 × 1 × 1 mm。功能性ep2d_bold脉冲序列（平行于前后联合），覆盖整个大脑，按照以下参数顺序交替采集：TR = 2660 ms；TE = 30 ms；翻转角度 = 90°；46层切片；矩阵尺寸 = 76 × 76 × 46；平面内体素大小 = 3 × 3 × 3 mm；切片厚度 = 3 mm；序列持续时间 = 13.3分钟；体积数 = 300。

     中心2：在3T飞利浦系统上进行成像，使用标准头线圈。使用以下参数获取T1快速解剖3D梯度回波体积，平行于连接前后联合的平面：TR = 8300 ms；TE = 3800 ms；翻转角度 = 8°；160层切片；矩阵尺寸 = 224 × 224 × 160；体素大小 = 1 × 1 × 1 mm。功能性自旋回波体积（平行于前后联合），覆盖整个大脑，按照以下参数顺序上升采集：TR = 2640 ms；TE = 30 ms；翻转角度 = 90°；49层切片；矩阵尺寸 = 80 × 80 × 49；平面内体素大小 = 3 × 3 × 3 mm；切片厚度 = 3 mm；序列持续时间 = 10分钟；体积数 = 220。

fMRI预处理

      数据使用DPARSF版本2.3，一个开放获取的工具箱，带有一个标准化的管道，使用统计参数映射软件（SPM12）和休息状态fMRI数据分析工具包（REST版本1.7）。为了确保磁化达到稳定状态，每个受试者的休息状态记录的前五个volume被丢弃。预处理包括切片时间校正（使用每个体积的中间切片作为参考扫描）和重新定位到会话的第一次扫描以校正头部移动（在SPM12中实现）。六个运动参数被回归掉：脑脊液和白质（WM）信号，以减少运动相关、生理和心脏呼吸效应的潜在影响（REST版本1.7工具箱）。运动参数在重新定位期间估计，CSF和WM掩模从每个受试者的T1扫描的组织分割中获得，位于原生空间与SPM12（在每个受试者的结构图像与功能图像进行共配准后）。没有参与者显示头部移动>3mm和/或旋转>3°。最后，图像使用SPM12的回波平面成像模板标准化到MNI空间，使用8mm全宽半最大（FWHM）各向同性高斯核平滑，并在0.01到0.1 Hz之间带通滤波以校正和移除MRI扫描仪的低频漂移。数据使用AAL（AAL90；Tzourio-Mazoyer等，2002）进行划分。在fMRI预处理中对全局信号回归（GSR）存在显著分歧。考虑到可能在数据分析中引入的偏差，我们选择不移除它。我们的决定基于越来越多的证据支持GSR包含有价值的信息，包括与电生理源和警觉波动等具有神经生物学相关性的信号相关的信号（Schölvinck等，2010; Wong等，2013; Chang等，2016; Wen和Liu，2016; Liu等，2017; Turchi等，2018）。

脑萎缩图 

      MRI采集和预处理报告遵循了人脑映射组织（OHBM）的推荐（Smith等，2013; Nichols等，2017; Poldrack等，2017）。获取了全脑T1加权快速解剖三维梯度回波体积。对于基于体素的形态测量（VBM）分析，数据通过SPM12（https://www.fil.ion.ucl.ac.uk/spm/software/spm12/）上的DARTEL工具箱按照验证的程序处理（Ashburner和Friston，2000; García-Cordero等，2016; Sedeño等，2017）。使用SPM12的默认参数（偏置正则化，0.001; 偏置FWHM，60 mm截断）将T1加权图像在原生空间中分割成灰质、白质和脑脊液（CSF）。这三种组织用于估计总颅内体积（TIV）。运行DARTEL模块，使用分割的灰质和白质图像创建整个数据集的模板（提高了个体间对齐的准确性；Ashburner，2007）。

      接下来，使用DARTEL工具“标准化到MNI空间”将上一步骤的最后一个模板配准到MNI空间。这种转换应用于将所有分割的灰质扫描标准化到标准空间。随后，所有图像都经过调制，以通过雅可比行列式校正体积变化，并避免因扭曲过程中区域的扩张而对其强度产生偏差。最后，数据使用10 mm FWHM各向同性高斯核平滑，以适应个体间解剖差异。核的大小是基于之前的推荐选择的（Ashburner和Friston，2000; Burton等，2004）。为了一起分析所有图像，避免扫描仪效应，标准化和平滑的DARTEL图像被转换为w分数（Jack等，1997; La Joie等，2012; Ossenkoppele等，2015; Chung等，2017; van Loenhoud等，2017）。w分数代表基于个体的全球综合评分并根据特定协变量（年龄、TIV和扫描仪类型）调整后，每个体素中观察到的灰质体积高于或低于预期的程度。通过将每个参与者观察到的和预测的灰质体积（残差）除以其标准差来计算w分数。每个受试者的结果w分数图用于进一步分析。

确定不可逆性/非平衡水平的方法 

      不可逆性的水平依赖于通过比较成对时间序列（即前向和人工生成的反向版本）之间的滞后相关来检测时间箭头的程度的不对称性这一关键思想。图1展示了用于估计时间箭头并为人类大脑记录中的健康和疾病提供独特标志的通用框架。

      检测两个时间序列（t）和（t）之间不可逆性的水平（即时间箭头）需要创建时间序列的反向版本。通过翻转时间顺序（即，按照时间演化的

的逆序排列）获得的反向后向版本[t或（t）]，我们称之为

，确定了初始状态和最终状态。通过时间偏移相关（Deco等，2022）来测量时间序列（t）和（t）之间的潜在因果依赖性。前向和反向时间序列的可区分程度决定了可逆性/平衡水平。因此，当前向和反向时间序列不可区分时，系统是可逆的且处于平衡状态；而当可区分性水平增加时，系统变得更不可逆且更接近非平衡状态。

      对于每个参与者，我们从AAL划分中提取了前向BOLD时间序列，使用20个TR的滑动窗口，然后将其向前移动1个TR（根据采集参数，为2.6秒）。我们选择了20个TR的时间窗口，因为它在检测相关性的动态变化中提供了良好的灵敏度和特异性平衡（Lindquist等，2014）。然而，我们也用不同的TR（30、40和50个TR）测试了我们的方法。

      相同的策略应用于源定位的宽带滤波（0.5–40 Hz）EEG数据，但向前移动2个TRs（约4毫秒）。EEG时间序列也在五个典型频率带中被滤波，即δ波（0.5–4 Hz）、θ波（4–8 Hz）、α波（8–12 Hz）、β波（12–30 Hz）和γ波（30–40 Hz），其时间移位长度分别为：Δt = 15、7、5、3和2。时间移位长度是根据信号自相关的衰减来定义的。然后，我们通过时间反转每个滑动窗口来生成其向后版本。对于向前的演化，时间移位相关性由以下给出：

对于反转的后向演化，时间移位相关性由下式给出：

成对的不可逆性水平（即，捕获时间箭头的时间不对称性程度）由给定移位Δt=T时，前向和反转后向演化中这两个时间序列的绝对差异给出，如下所示：

     不可逆性/非平衡水平的全局/多维情况可以通过定义前向和反向的时间移位相关矩阵来概括。让xi(t) 表示反映系统描述变量动态演化的多维时间序列的前向版本。在这种情况下，下标i 表示动态系统的不同维度（即，大脑区域）。我们用

表示相应的反向后向版本。那么，xi 和xj 指的是区域i 和j 中的前向时间序列，而

和 

指的是反向后向时间序列，两者都是时间移位的。表示多维系统的前向和人工生成的反向后向版本之间的因果依赖性的前向和反向矩阵由以下给出：

     FS功能依赖矩阵表达为基于相应时间移位相关性的互信息。不可逆性水平由给定移位Δt=T时前向和反向时间移位矩阵之间的平方距离给出。换句话说，多维情况下的不可逆性水平由以下公式给出：

     其中符号Q2 定义为矩阵Q 的元素的绝对平方的平均值。换句话说，如果我们以以下方式定义一个差分矩阵FSdiff：

     那么，矩阵 FSdiff 的元素是矩阵(FSforward(T)−FSreversal(T)) 的元素的平方，其中对于每对，不可逆性水平通过平方差来测量。因此，I 简单地是FSdiff 的元素的平均值。我们还计算了矩阵 FSdiff 的元素的标准差（SD）。局部（节点）情况下的不可逆性水平估计如下：

fMRI功能连接性 

     功能连接是整个BOLD时间序列90个AAL脑区间皮尔逊相关系数的矩阵（Friston, 1994）。

EEG功能连接性 

      使用EEG相干性分析估计了特定频率带内脑区间的功能互动。相干性估计了所有数据通道对之间的相对振幅和相位一致性（Srinivasan等，2007）。

统计分析

      类别变量（如性别）使用皮尔森卡方检验进行分析，连续变量（如年龄、教育年数和认知性能）使用ANOVA评估。通过对全局水平上的不可逆性进行多元线性回归分析来控制人口统计学差异。使用Wilcoxon秩和方法对不可逆性在不同条件下的差异进行了统计评估，跨受试者和跨脑区进行。此外，我们使用假发现率（FDR）在0.05的显著性水平上对多重比较进行了校正（Hochberg和Benjamini，1990）。还使用Cohen的d效应大小评估了网络和局部水平上的不可逆性变化，该效应大小以两个人群的平均值差异（μ1，μ2）和汇总的标准差（s）的形式测量：

。按照标准准则将Cohen的d值与效应大小相关联，d < 0.2被认为是非常低的效应大小，而d > 0.8代表非常高的效应大小（Sawilowsky，2009）。使用皮尔森R检验及其相关p值（经Benjamini-Hochberg校正）测试不可逆性测量与脑萎缩、认知性能和功能连接性之间的相关性。不可逆性值超过中位数三倍标准化绝对偏差的受试者从分析中排除。

随机森林分类器 

       使用默认参数的fitcensemble MATLAB函数训练随机森林分类器，目的是区分参与者组别。为了进行交叉验证，数据集被随机分割为k = 5的分层。然后，使用这些组中的四组来拟合模型（训练/测试 = 80/20），并使用剩下的一组测试其性能。这个程序重复50次，以获得性能的分布和平均度量。使用的特征包括：EEG不可逆性（NR）；fMRI NR（不可逆性），fMRI和hdEEG NR（组合）；平均FC，萎缩，认知性能（MoCA结果）；所有大脑功能测量（EEG/fMRI NR，FC）；以及多模态测量（EEG/fMRI NR，FC，萎缩和认知性能）。缺失数据使用加权K最近邻（KNNimpute；Troyanskaya等，2001）估计，k = 5。KNNimpute是一种加权程序，利用缺失值与可用数据之间的相关性，通过支持向量回归方法量化。分类性能使用接收者操作特性（ROC）曲线下面积（AUC），精确度，灵敏度，特异性，准确性和F分数指标（Fawcett，2006）估计。

结果 

阿尔茨海默病与多模态时空动态中的不可逆性/非平衡水平的显著变化相关 

      首先，我们探索了来自fMRI的时间箭头估计在全局水平上是否在AD中受到损害，以及不可逆性/非平衡水平是否能区分HCs和AD患者。我们发现神经动态中的不可逆性区分了HCs和AD患者（图2A，左侧面板；p < 0.001，Wilcoxon秩和测试，FDR校正）。此外，我们发现全局不可逆性水平随时间的变异性也在条件间有所区分（图2A，右侧面板；p < 0.001，Wilcoxon秩和测试，FDR校正）。我们进一步使用过滤了五个典型频率带的源定位hdEEG数据补充了这些结果（所有p < 0.05，Wilcoxon秩和测试，FDR校正：δ波，0.5–4 Hz；θ波，4–8 Hz；α波，8–12 Hz；β波，12–30 Hz；和γ波，30–40 Hz），时间移位长度根据频带（TR = 15，7，5，3和2，分别）。我们观察到所有频率带的组间都有显著差异（图2B）。此外，我们计算了全局不可逆性水平的跨模态相关系数，发现没有关系（HC + AD：R = 0.04，p < 0.08.033；HC：R = 0.04，p < 0.8651；AD：R = 0.04，p < 0.8637）。

图2 大尺度脑信号中的不可逆性/非平衡性作为神经退行性疾病的标志。

A，显示了与AD患者相比，HCs的全局不可逆性水平及其变异性在fMRI（分别位于左上和右上）和源定位hdEEG数据中的估计，宽带滤波（0.5–40 Hz；分别位于左下和右下）。

B，在条件间比较源定位hdEEG数据集在频率带（δ波、θ波、α波、β波和γ波）滤波后接近非平衡大脑动态的程度。所有p值使用Wilcoxon秩和测试估计，并对多重比较进行FDR校正，α水平为0.05；*p < 0.05，**p < 0.01，***p < 0.001。

C，全局不可逆性作为提取前向BOLD时间序列的窗口大小（时间长度）的函数。

D，渲染每个由AAL图谱定义的节点处大脑活动不可逆性水平的效应大小（通过Cohen的d估计）。蓝色条表示在HCs和AD患者之间显示显著差异的大脑区域（p < 0.01，Wilcoxon秩和测试，FDR校正）。

E，如C所示，大脑图显示了每个节点处大脑活动不可逆性水平的效应大小（通过Cohen的d估计）。

      为了排除我们的结果依赖于BOLD时间序列的时间窗口长度，我们使用三个不同的TRs（30，40和50）估计了不可逆性水平，并复制了先前的结果（图2C）。我们还排除了年龄和教育（表1）对结果可能的影响；我们对全局水平的不可逆性应用了多元线性回归分析。这个程序复制了先前的全局结果，对于fMRI和EEG样本（p < 0.001，Wilcoxon秩和测试；fMRI：r = 0.9877，p < 0.001；EEG：r = 0.9993，p < 0.001），表明尽管大脑动态的时间不对称性可能与人口统计变量（如年龄和教育）相关，但不可逆性水平主要反映了基于大脑动态的变化。

      为了捕捉节点水平上的不可逆性/非平衡性变化，我们在从AAL图谱提取的每个BOLD时间序列上应用了框架。我们观察到，与AD患者相比，HCs在双侧额叶和颞顶叶区域的不可逆性差异显著更高。图2D展示了这种差异的大小，图2E突出显示了条件间存在显著差异的区域（p < 0.01，Wilcoxon秩和测试，FDR校正）。最后，为了探索感兴趣区域（ROI）的大小是否解释了它们的不可逆性水平，我们将局部水平上的不可逆性与每个ROI的大小（以体素数估计）相关联，并发现在任何条件或技术下它们之间没有关系（HCs：fMRI，R = -0.00096047，p < 0.41202；EEG，R = 0.015287，p < 0.3658；AD患者：fMRI，R = -0.0031627，p < 0.50261；EEG，R = 0.010345，p < 0.35476）。

在神经退行性涉及的关键网络中选择性地损害不可逆性

      除了全局和局部分析外，我们还研究了与七个RSNs相关的不可逆性水平的差异。为此，我们应用了与全局水平相同的框架在BOLD时间序列上，但现在将其限制在每个七个RSNs中的脑区域。

      我们考虑的RSNs包括一些在AD中通常受损的网络（即，边缘网络、额顶网络、默认模式网络（DMN）和突显网络），以及作为对照的其他网络（即，感觉运动网络、视觉网络、运动网络）。我们发现，与HCs相比，AD患者在已知受AD影响的网络中的不可逆性水平下降：边缘网络、额顶网络、DMN和突显网络，这些也是更多内源性网络（较少受外部环境驱动）。相反，在主要的感觉运动网络（视觉、感觉运动和运动网络）中没有发现显著差异。这一结果表明，在AD的选择性病理生理学中，维持非平衡的损害是显而易见的，标志着内在和外在大脑动态平衡的不同特征。图3A通过展示箱线图（p < 0.05，Wilcoxon秩和测试，FDR校正）展示了HCs和AD患者在RSN的差异响应。图3B展示了一个组合的雷达图，说明了每个静息状态网络的不可逆性不同水平的效应大小。

图3 fMRI静息状态网络中的不可逆性/非平衡水平。

     我们遵循了在全局分析中使用的相同程序，但现在应用于属于七个网络中每一个的区域子集。

A，比较HCs和AD患者每个网络的不可逆性水平。p值使用Wilcoxon秩和测试估计，并对多重比较进行了FDR校正，α水平为0.05。**p < 0.01 和 ***p < 0.001。

B，通过Cohen的d评估的效应大小的呈现。红色带星号的名称表示条件之间显示显著差异的网络。

不可逆性与阿尔茨海默病的神经认知标志物的关联 

     鉴于AD通常与特定的萎缩模式、认知缺陷和功能连接性改变相关，我们探索了从fMRI和EEG估计的动态中的不可逆性程度是否与这些变量相关。首先，我们将节点级别的不可逆性与萎缩相关联，萎缩估计为灰质体积。我们发现不可逆性和萎缩之间有显著相关性，对于HCs（fMRI：R = 0.19，p < 0.001；EEG：R = 0.06，p < 0.0185；FDR校正）但AD患者则没有（fMRI：R = 0.01，p < 0.6532；EEG：R = 0.01，p < 0.7899；FDR校正），这表明大脑动态中时间箭头的出现主要不与AD中的萎缩相关（图4A）。然后，我们探索了与平均功能连接性的关联，对于HCs（fMRI：R = 0.06，p < 0.6546；EEG：R = 0.19，p < 0.3724；FDR校正）和AD患者（fMRI：R = -0.22，p < 0.1566；EEG：R = -0.16，p < 0.4101；FDR校正；图4B）均未发现显著结果。我们随后研究了全局不可逆性和MoCA认知性能之间的相关性。结果显示两项措施在AD患者中有显著相关性（fMRI：R = 0.36，p < 0.0012；EEG：R = 0.19，p < 0.3724；FDR校正），但在HCs中没有（fMRI：R = 0.01，p < 0.9592；EEG：R = -0.16，p < 0.4101；FDR校正；图4C）。最后，我们将不可逆性、萎缩和FC的关联限制在七个RSNs中，仅在属于突显网络的脑区中发现了不可逆性和萎缩之间的相关性（R = 0.24，p < 0.2806，FDR校正）在AD患者中（图4D,E）。在其他RSNs和萎缩或功能连接性水平之间未发现显著关联。

图4。比较fMRI和源定位hdEEG数据估计的不可逆性水平与标准结构、功能和行为测量，以及与局部、全局和网络水平的比较。

A，HCs（左）和AD患者（右）之间显示不可逆性显著差异的脑区域中不可逆性与灰质体积（w分数）在节点级别的相关性，对于fMRI（上）和hdEEG（下）。

B，全局不可逆性与平均FC之间的关联。

C，使用MoCA估计的全局不可逆性与认知性能之间的相关性。

D，HCs和AD患者之间七个RSNs的不可逆性与灰质体积（w分数）之间的相关性。

E，全局不可逆性与平均功能连接性之间的关联。所有指标均以z分数报告。每次比较均报告了皮尔逊R和相关的p值，并且使用FDR校正了多重比较，α水平为0.05。

   

比较不可逆性动态与标准神经认知标记的选择性和组合分类能力 

     考虑到不可逆性测量区分AD和HCs的能力，我们关注其对分类准确性的预测力。我们测试了不可逆性测量在每种模态中相对于其他结构、功能、行为和人口统计测量以及与之结合的预测能力。结果显示，从fMRI和源反转的hdEEG时间序列估计的时间箭头的可逆性优于hdEEG/fMRI FC和萎缩测量（图5A）。此外，通过组合多模态特征获得了最高的分类，这表明不可逆性是AD的强预测因素，并带来了经典神经认知测量未涵盖的信息。图5B展示了多种指标的分类性能。

图5 分类准确性。

A，使用八个不同的独立特征以及一个包含认知性能、从EEG和fMRI数据估计的不可逆性、萎缩和功能连接性（也从EEG和fMRI数据估计）的额外多模态特征，通过随机森林分类器训练得到的ROC AUC。

B，分类器的性能使用AUC、精确度、特异性、灵敏度、准确性和F1分数评估，每个特征获得一个平均值。当纳入不可逆性值时，分类准确性得分>90%，超过了使用MoCA评估的认知性能。这些测试使用正常的训练/测试分割进行，且没有进行太多参数调整。

C，D，分别是来自一个独立队列的ROC AUC和分类指标，用于结果验证。绿色和粉色显示包含不可逆性的特征或多模态特征。蓝色和红色显示AD的其他神经认知特征。

     

通过外样本验证进行概括和复制 

      为了测试我们方法的概括性，并排除数据集中潜在的分类样本大小偏差，我们在一个独立的数据集上测试了时间箭头和不可逆性测量的预测力（即，公开可用的ADNI队列）。如图5，C和D所示，我们复制了之前的发现，进一步加强了结果。

讨论

      我们使用受热力学启发的框架来衡量AD对经验提取的大脑信号的时间不对称性（即，从fMRI和hdEEG估计的大尺度动态中的不可逆性/非平衡水平）的影响。结果表明，AD中的静息大脑活动与整个大脑的全局水平、AAL分割定义的皮层区域的局部水平、典型RSNs的网络水平以及不同振荡制度下的不可逆性降低相关。补充地，不可逆性的减少与AD患者的认知衰退和HCs的萎缩相关。此外，我们观察到大脑动态的不可逆性特性在预测分类性能上超越了经典的神经认知测量。此外，包含不可逆性、FC、脑萎缩和认知性能的多模态特征达到了最高的分类性能，准确率超过90%。一方面，我们的发现提供了AD大脑动态减少不可逆性的新的多层面证据，加强了大脑动态与AD临床表现之间的密切病理生理学联系。另一方面，我们的发现有可能为以大脑动态的熵不对称性来理解神经退行性开辟新途径。

      这些结果允许从三方面弥合大尺度动态和AD之间的差距。首先，我们表明AD将大脑动态驱向不同的热力学状态（即，平衡状态），使其随时间变得不可逆，作为大脑疾病的指标。在经典热力学中，不可逆性与熵的产生相关。自发大脑活动的熵显著减少，如在AD情况下（参见Sun等，2020年的多项研究综述；关于冲突证据的综述，见Xue和Guo，2018），会使大脑动态病理性地亚临界，减少底层状态之间的净通量，从而损害不可逆性水平的完整性——可能是因为需要大量的能量。因此，看似一个系统在某些空间和时间尺度上没有从热力学平衡中大幅偏离，就不可能维持健康认知功能的动态性质。与熵产生的解释一致，大脑活动需要一定水平的熵来保持其功能性灵活性；那么，其减少将导致认知功能和适应性行为的损害（Tagliazucchi等，2012；Grieder等，2018；Saxe等，2018；Wang，2020）。其次，据我们所知，这是首次将不可逆性作为神经退行性的多模态特征报告。我们展示了大脑动态偏离平衡状态的程度是AD的一个强有力的标志。这一特征证明比更经典的神经认知测量更有力，也是补充，用于区分AD。第三，特别值得注意的是，我们的神经影像研究提供了跨不同记录技术、分析的空间层次和振荡制度的AD病理不可逆性的汇聚证据。

       不可逆性清晰地区分了AD患者和HCs，且该度量在所有时空尺度上都是稳健的。具体来说，我们在AD患者的BOLD信号的全局水平上发现了更低的不可逆性和不可逆性的变异性。我们在过滤了宽带和五个典型频率带（δ、θ、α、β和γ）的源定位hdEEG数据中证实了这些结果。我们展示了HCs和AD患者之间的不可逆性差异在一系列窗口大小中保持不变。类似地，我们在分布式的额叶和颞顶区域的个别脑区的局部水平上发现了更低的不可逆性水平。这一事实表明，时间不对称性的程度是神经动态固有的，不论数据模态和分析的时间及空间尺度如何。而且，fMRI和EEG提供相同结果的事实指出了该方法的稳健性。然而，尽管跨模态结果一致，这些结果并不相关。这可能是因为EEG和fMRI测量来自不同来源和时间尺度的信号，它们展示了不同但互补的大脑活动代理，这些代理不一定出现相关性——尤其是当它们没有同时记录时（Warbrick，2022）。这一结果加剧了当前神经影像研究中理解从EEG和fMRI评估的BOLD信号派生的定量测量之间的功能联系的迫切需求。

       我们进一步使用与全局水平相同的框架研究了网络水平上的不可逆性，但限于使用fMRI估计的七个RSNs中的每个网络的脑区。我们发现，更多内源性网络（即，边缘网络、额顶网络、默认模式网络和突显网络）在AD中显示出最低的不可逆性水平。这些发现与之前支持AD作为一种脱节综合征的神经影像学研究一致，这些网络在显著隔离的状态下运作（即，与大脑其他部分的连接距离更远；Brier等，2014；Costumero等，2020）。结果还表明，在AD中，更多内源性RSNs执行的高阶处理较少依赖于系统与其环境之间的相互作用，减少了自上而下的处理。从功能角度来看，这可能转化为可能在认知衰退中起作用的缺陷，例如，由经验和预期指导的信息处理不良或未能将注意力分配给相关特征。

      由于其出色的时间分辨率，长期以来EEG一直是研究健康和疾病人脑电活动快速动态的标志性工具，为各种研究领域做出了宝贵的科学贡献。然而，这种技术的方法学缺点之一是空间分辨率有限，因此难以获得精确的源位置。因此，在本工作中，我们避免报告与fMRI检测到的类似的EEG大脑中枢和网络，而是选择利用并最大化它们的时间强度，通过分析五个典型频率带。未来的研究可能通过使用256个hdEEG电极，随着源重建程序的空间分辨率提高，定位精度会有所提高，从而克服这一限制（Song等，2015）。

       在评估不可逆性水平与AD的经典神经认知标志物的关联时，我们发现HCs中节点级别的不可逆性与脑萎缩值之间存在显著相关性，但在AD患者中没有；以及在AD患者中全局级别的不可逆性与认知性能之间存在显著相关性，但在HCs中没有。值得注意的是，结果在记录技术间是一致的。在健康大脑中，结构测量预期与不可逆性/非平衡动态相关，但在AD中这种关系被消除。同样，认知性能——可能与健康对照组的多个过程相关——在AD中明确地与核心认知缺陷相关，表明在神经退行性和认知缺陷中不可逆性的破坏作用具有特定的作用。在网络水平上，仅在AD中属于突显网络的脑区发现不可逆性与萎缩之间的关联。突显网络识别突显刺激并在额顶网络和默认模式网络之间切换，这两个网络在AD中受损（Agosta等，2012；Zhao等，2018, 2019）。突显网络中的功能连接性变化也与AD相关（Balthazar等，2014；Lee等，2020）。此外，这些结果表明，与动态转换之间瞬态状态的结构机制相关的较少不可逆动态在AD中。未发现不可逆性与FC之间的关联，表明不可逆动态具有与标准静息态连接性测量不同/无关的属性——这由前者更高的分类性能所支持。虽然有些意外，这一结果也支持了之前关于静息态数据的线性相关性研究，这些研究认为该测量可能无法完全描述大脑信号的时间属性，因为它系统地低估了依赖结构的强度（LaConte等，2004；Hlinka等，2011）。

      使用最近开发的多特征方法（Moguilner等，2022）并在探索经验数据中的时间箭头后，我们专注于预测分类准确性的能力，目的是将标准测量结果与相同人群和两个独立样本的不可逆性指标进行比较，作为通过交叉验证进一步评估我们发现的普适性的一种方式。我们的结果通过使用多模态不可逆性特征（fMRI和EEG）获得的高鉴别性能力得到了加强，与AD的标准神经认知标志物，包括大脑萎缩（Moradi等，2015；Lebedeva等，2017）、功能连接性（Chen等，2011；Challis等，2015）和认知缺陷（Ewers等，2012；Binaco等，2020）相比。结果表明，不可逆性携带了经典神经认知测量未覆盖的信息，表明它是AD的一个关键属性。此外，多模态测量（FC、认知、萎缩、不可逆性）的组合进一步提高了分类性能，表明不可逆性测量提供了经典AD标志物未解释的差异信息。

      关于不可逆性度量的形式化，我们的分析仅基于相关性的效应大小（R2系数），而不考虑其统计显著性。基于统计测试引入阈值可能会有问题，鉴于每个时间窗口需要进行大量测试，因此需要对多重比较进行严格校正，这可能导致非常稀疏的矩阵。由于我们的分析根据相应的BOLD时间序列的相关性对连接进行加权，不显著的相关性将具有接近零周围波动的小值，相对于更强连接，对时间不可逆性估计的总贡献较小。我们认为没有理由假设一些偶然的相关性的潜在包含会比其他组更有选择性地影响某一组（即，它们会混淆有关组间差异的结果）。

      虽然与其他研究相似或更大，我们承认我们的小样本量是一个潜在的方法学限制，可能影响我们报告的结果。然而，通过观察到的大效应大小以及对临床变量、诊断程序和评估的严格控制，这一点被最小化（Piguet等，2011；Rascovsky等，2011；Gil等，2015；Melloni等，2016）。虽然小样本量很常见，但对于机器学习来说，它们可能特别成问题，因为在样本量较小的研究中，整体准确性可能更高（Arbabshirani等，2017；Varoquaux，2018）。由于我们研究的特征来自同一数据集，这可能导致机器学习中的信息泄露，我们进行了使用ADNI队列fMRI数据的样本外验证分析。我们成功地使用这个未见的独立队列复制了不可逆性发现和分类准确性。这些综合结果支持了我们方法的潜在普适性。然而，鉴于我们正处于可复制性危机之中，许多科学发现在新数据集中未被复制，必须谨慎行事。普适性与可复制性紧密相关，所有阶段都可能出现问题（即，数据收集、预处理管道和数据分析）。

       此外，由于样本量限制，未来的研究应该涉及在更大的样本量中应用这一框架，并理想地考虑疾病的不同阶段，以解决大脑动态中不可逆性的演变。实际上，我们的发现受到人口统计学协变量的影响。为了排除不可逆性减少不是由于它们的原因，我们对全局水平上的不可逆性进行了多元线性回归分析。我们得到相同结果的事实证实了这些发现。此外，基于人口统计学的机器学习分类与所有其他认知、结构、功能和不可逆性标记相比，表现出较小的效应。此外，未来的研究应进一步探索这种协同方法与认知（Ibanez，2022）以及与大脑结构表征的不同形式、不同功能连接测量和其他生物标志物（如PET获取的代谢变化或其他新兴的血浆和CSF生物标志物）的关联（Migeot等，2022）。最后，与其他神经退行性疾病的结果对比，评估我们是否在解决特定的AD特征或神经退行性的一般属性将特别重要。

      本工作提供了一个从热力学平衡的视角派生的框架，用于评估不同时空尺度上时间序列的不可逆性。我们展示了AD与时空领域中较不可逆的大脑动态相关，涵盖全局水平、大尺度网络和局部区域，以及多个振荡机制。这一特征与AD的典型神经认知标志物（如认知衰退）相关，并提供了比经典神经认知AD标志物更高的分类准确性，尤其是当与其他特征结合时。总体而言，结果表明，时间序列的不可逆性反映了AD中低效大脑动态的真正特征，并指出了AD中选择性和不断进展的病理变化与熵大脑动态之间的联系。