大脑断连将结构连接与功能和行为联系起来

脑损伤不仅会导致功能障碍，还会断开大脑区域之间的连接。这些区域一旦失去其输入或输出，就无法再支持行为和认知功能。在过去250年里，白质连接的作用一直是一个未解之谜。基于1333例脑卒中病灶的研究，我们在此揭示了人类的"断连组"（Disconnectome），并展示了它与人脑功能分离的关系。研究结果表明，功能区域不仅由白质连接定义，还由大脑断连的高度固定（或高度一致）的空间分布所定义。前者使我们能够在全脑白质上映射590个功能，而后者则要求我们对大脑功能的分类体系进行修订。总的来说，我们提供的白质功能图谱将能够改进脑损伤研究的临床神经解剖学预测，并为认知领域的探索提供一个平台。本文发表在Nature Communications杂志。

引言

     科学依赖观察来阐述自然事物的性质和行为的理论和模型。观察者偶然注意到证据片段，或操纵环境产生新的可感知结果。然而，理论和模型可能会因感知的欺骗性和数据的不完整性而产生偏差。例如，不可观察的事物无法被检测，在认识论上是无法获得的。

     神经科学也不例外，我们对人脑功能的理解源于对局灶性脑损伤患者的观察，特别是卒中，卒中会严重损害部分心智功能，影响六分之一的人口。通过患者观察，主要功能如感知、情绪、记忆、注意力和语言交流已被识别、定位，并随后被分解为更具体的认知子过程。然而，脑损伤，尤其是最常见的缺血性卒中，并非随机分布（图1），这可能部分影响了我们对脑功能分类的认知。

图1：缺血性卒中的偏倚分布
a. 一个代表性脑损伤（左）及其估计的断连（右）。
b. 卒中病灶分布（上排）与合成病灶分布（下排）的比较。
c. 卒中（红色）和合成病灶（蓝色）分布的二维空间可视化。
d. 卒中（红色）和合成断连组（蓝色）分布的二维空间可视化。
另见补充图1，探索了广泛的t-SNE参数以及用于降维的统一流形近似和投影（UMAP53）。在10名年龄匹配的参与者的低分辨率样本中重复断连估计显示出良好的可重复性（r = 0.866 ± 0.066）。

      在过去20年里，遵循Meynert的洞见，我们对大脑功能的理解已经从一个分散的实体演变为一个相互连接的整体。被认为对功能至关重要的脑区随时间慢慢改变，从那些可见的损伤区域到更远距离、长程的断开区域。最新数据甚至表明，白质断连可能比病灶位置本身更能预测脑功能障碍和恢复。尽管我们对大脑表面的解剖功能分区理解相当深入，但对大脑断连与功能障碍之间的关系仍然了解有限，因此，对人脑白质连接的功能分区知之甚少。

      神经影像学，特别是扩散加权成像（DWI）纤维追踪技术，现在能够估算脑损伤后的白质断连（即断连组，图1a）。病灶及其估计断连的联合模型既与功能成像的任务相关激活相一致，又能更好地解释临床表现。然而，脑损伤与功能成像发现之间的关系是由有偏的临床观察驱动，还是由人脑白质连接的非随机组织决定，仍然未知。

      基于最大的卒中收集（n = 1333），结合最全面的神经影像学元分析数据库和源自人类连接组计划7T的最佳白质映射，我们揭示了人类断连组，并展示了它与人脑功能分离的关系。结果表明，功能区域不仅由白质连接定义，还由大脑断连的高度固定（一致）的空间分布定义。前者使我们能够在全脑白质上映射590个功能，而后者则要求我们对大脑功能的分类进行修订。

方法

      研究流程概括在补充图2中。

补充图2：神经影像工作流程的图形概要

卒中病灶：

      数据来自2001-2014年间在伦敦大学学院医院(UCLH)就诊的1333名急性缺血性卒中患者，通过DWI确诊。样本具有代表性，主要受禁忌症和耐受性限制。使用广泛未筛选的卒中样本的优势在于临床相关性强，能产生特征性的断连模式。相比之下，狭义定义的卒中队列分布有偏，不能代表卒中人群，不适合数据驱动的临床预测。患者年龄18-97岁(平均63.89岁，标准差15.91)，男性比例0.561。研究获得伦敦西部和GTAC研究伦理委员会批准，允许使用完全匿名数据。大部分数据已发表。病灶非线性配准到MNI空间(2×2×2 mm)以便跨个体比较。数据在临床中常规采集，分析前匿名化，采集获UK健康研究局批准和监督。

合成病灶：

     为评估卒中病灶空间分布的影响，我们计算了与卒中病灶数据集大小和半球侧化配对的合成病灶。我们对所有卒中病灶的大脑mask重复进行k均值聚类，聚类数从2到50,000变化。这产生了超过100万个合成病灶mask。为最小化合成病灶的体积，每个mask随后用10mm全宽半高进行平滑，阈值设为0.3并二值化。最后，对卒中数据集中的每个病灶，我们从合成池中采样相同大小和半球的病灶。这产生了1333个合成病灶数据集，与卒中数据集完全配对但在大脑中伪随机分布。

断连接组：

    与之前工作类似，用BCBtoolkit软件的"disconnectome map"工具计算每个病灶引起的断连概率。

    首先，我们在人类连接组计划采集的163名健康对照的7T扩散张量成像数据中，追踪通过每个病灶的白质纤维，并根据参考文献32进行计算(见补充信息A获取DWI数据处理详情)。对每个病灶，163名健康对照的纤维追踪图被二值化和平均，使每个体素表示0-1的断连概率。这产生了卒中病灶断连组数据集(n=1333)和合成病灶断连组数据集(n=1333)。

空间嵌入：

     用机器学习可视化方法t-SNE直观比较卒中病灶、合成病灶及其各自断连组图的空间分布。t-SNE提供了地图相似性和差异的二维可视化，两点间距离越小表示地图相似性越高。t-SNE计算使用NiBabel 3.1.1和scikit-learn 0.23 in Python 3，参数为：perplexity 30，exaggeration 12(增加簇间距离)，学习率200，迭代1000次。这一步提供了图1a,b中显示的卒中和合成病灶及断连组图分布的可视化。

数据压缩：

     为了适当处理冗余，首先使用人类大脑皮层的多模态分区(MMP, 参考文献25)对卒中和合成数据集的病灶和断连组进行表征，然后进行变量最大旋转的主成分分析(PCA)。

     MMP提供了360个解剖和功能特异性很好表征的皮层区域。考虑到皮层下区域在认知中的重要作用，我们手动添加了12个额外区域，包括左右半球的杏仁核、尾状核、海马、苍白球、壳核和丘脑。

     对每个病灶，估算了每个感兴趣区的损伤比例(对于病灶)或断连概率(对于断连组)。这一步产生了四个矩阵：2(病灶或断连组) × 2(卒中或合成)。

     每个矩阵进行PCA，使用协方差矩阵和变量最大旋转(最多500次迭代以收敛)，以估计四种条件下要提取的主成分数量(图1)。图2a显示了根据累积解释方差绘制的成分图。通过多重回归系统地提取了PCA识别的所有成分的分数。这提供了MMP每个区块和皮层下区域对每个成分的贡献。

与任务相关的fMRI元分析的关系：

    我们使用了一个元分析数据库(Neurosynth)，该数据库总结了11,406个fMRI文献源的细节，并按照参考文献32中的描述进行了手动整理。手动整理包括从整个Neurosynth数据库中选择590个与特定认知过程相关的地图。

     整理后的数据库代表590个认知术语地图，这些地图被转换为矩阵，使用每个MMP区块和上述手动定义的皮层下区域的平均z值。

     我们使用皮尔逊相关估计了任务相关fMRI元分析矩阵的每个术语与前一节提取的成分分数之间的关系。

     通过自举(n = 1000)独立样本t检验评估了卒中病灶、断连接组和合成断连组与任务相关fMRI元分析关系的比较。

成分图

      我们使用置换（n = 1000）多重回归来统计评估每个成分与白质中每个体素之间的关系。为此，我们将成分得分作为自变量，卒中断连接组图中的体素断连接概率作为因变量。这项分析借助FSL软件包(https://fsl.fmrib.ox.ac.uk/fsl)中的Randomise函数得以实现。

      为了验证我们地图的可重复性，将1333个断连组图数据集分成两个666个数据集的子集，并进行了两次多重回归分析。通过计算两组分析得到的地图之间的皮尔逊相关系数来评估结果的复制质量。这一步骤为每个成分生成了两个白质图。

白质功能图谱

      接下来，我们探索了每个成分图体素对任务相关fMRI元分析图的贡献。我们进行了置换（n = 1000）线性回归，将每个任务相关fMRI元分析图的相关值作为自变量，每个成分图的体素作为因变量。这个分析对每组成分图进行了两次，其复制质量也进行了评估。这一步骤为每个任务相关fMRI元分析术语生成了两个白质图。

     白质功能的汇总图仅显示统计水平最高的图（使用FSL中的find_the_biggest函数）。为了可视化汇总图的效应大小，计算了每个体素的R值（即拟合优度）。考虑到多个功能可能加载在同一条白质纤维束上，我们通过计算每个体素上效应大小R > 0.3的任务数量来评估其多功能性。

结果

缺血性卒中的偏倚分布

      研究利用1333个真实卒中病灶与同等大小和侧化的随机分布人工病灶配对集（图1b），使用高维数据非线性嵌入方法（即t-分布随机邻居嵌入，t-SNE33）来可视化脑损伤分布（图1c）及其估计的断连（图1d）中存在的冗余。病灶被放置在健康连接组中以估计断连接。结果显示，如先前研究所示，脑损伤表现出一定的冗余，比合成病灶更倾向于聚集在一起（图1c）。值得注意的是，卒中似乎也呈现出同心分布，从大脑表面到深部白质，损伤概率逐渐增加（类似分布见于参考文献13,23,38）。重要的是，卒中中的断连（即卒中断连组）与从配对合成病灶派生的断连（即合成断连组）相比，表现出更高水平的聚集（图1d）。

      这些数据集中的冗余性表明，我们应该能够将卒中断开的脑区模式总结为主要成分。

      为此，首先通过测量皮层下区域以及从大脑表面多模态图谱派生的区域的平均断连水平，来表征每次卒中中断开的脑区模式。使用变量最大旋转主成分分析（PCA），我们对大脑断连的主要模式进行建模，揭示了在总共46个成分中，30个成分解释了超过90%的卒中断开区域的方差（图2a）。所有成分与病灶大小相对独立（所有R2 < 0.1；见补充数据1获取46个成分断连模式的完整列表）。相比之下，直接病灶和从合成数据集派生的断连的PCA仅用30个成分解释了70%和80%的方差（图2a）。

图2：卒中的主要成分及其与功能的关系

      a. 卒中断连组（红色）、合成断连组（蓝色）、卒中病灶（青色）、合成卒中病灶（黄色）分布的前30个成分的累积解释方差百分比。这里的方差百分比指原始病灶或断连组与从成分线性组合重构的病灶或断连组之间的R2。

       b. 卒中断连组成分与任务相关功能性MRI元分析激活之间相关性的四个代表性例子。

      c. 任务相关功能性MRI元分析激活（590个功能）对卒中断连组（红色，46个成分）、合成断连组（蓝色，53个成分）和卒中病灶分布（青色，50个成分）的平均解释方差百分比。***p < 0.001 双尾，自举（n = 1000）独立样本t检验（两次比较，两种情况下均p = 0.00099）。数据以平均值呈现，误差线表示95%置信区间。这个条形图的源数据可在补充数据2中获得。

卒中断连的主要成分及其功能

      为评估断连与大脑功能之间的关系，研究者将每个成分的断连概率与手动整理的最广泛的任务相关功能性磁共振成像(fMRI)元分析数据集进行了比较。令人惊讶的是，在46个成分中，有40个成分所断开的脑区与特定任务相关的fMRI元分析图有着显著的相关性（图2b），效应量从小到大（所有r > 0.202，经Bonferroni多重比较校正后显著 - 所有p < 0.00008；有关每个成分主要相关性的完整描述见补充信息B，所有相关性的完整报告见补充数据2）。

      断连组成分与任务相关功能激活之间的对应关系是否仅由大脑白质的纯粹组织决定，还是受到缺血性卒中偏倚分布的影响尚不清楚。为回答这个问题，我们比较了任务相关fMRI元分析图与卒中断连组、合成断连组和脑损伤所有成分之间的相关性。图2c显示，卒中中的断连与任务相关功能激活的关系比单纯的病灶更强（t = 24.107；p < 0.001，基于1000次自举样本）。此外，任务相关功能激活与合成断连组的相关性显著弱于与卒中断连组的相关性（t = 4.620；p < 0.001，基于1000次自举样本）。这些统计差异表明，一方面，断连组比单纯的病灶更好地对应于潜在的功能架构（如fMRI所揭示的）。因此，脑断连比单纯的脑损伤更适合用于研究脑功能的定位。另一方面，我们的结果也表明，卒中的非随机分布扭曲了支撑任务相关fMRI和其他脑图谱方法中使用的行为范式的脑功能分类。换句话说，卒中病灶的固定（一致）位置导致了联合受损功能的观察偏差，进而影响了在健康受试者中使用fMRI的功能分类。

白质连接的功能映射

       由于大多数断连组成分与任务相关功能激活相对应，我们估计了每个成分下的白质结构，从而得出白质连接功能的统计图[因卒中而中断]。相应地，成分图是使用置换（n = 1000）线性回归计算的。为评估成分图的可重复性，我们将数据集分为两半（n = 666）。皮尔逊相关显示两组成分图具有良好的可重复性（平均皮尔逊R = 0.813 ± 0.079）。如图3所示，一些成分明显表现出半球内网络分布，如涉及弓状束部分并连接Broca、缘上回和Wernicke区等关键区域的构音回路。同样，导航系统涉及连接右侧海马体到压后皮质的扣带回后部。其他成分表现出强烈的半球间相互作用，如通过胼胝体部分连接的左右额叶眼区。这种强烈的半球间联系可能解释了为什么在卒中或这个功能区的单侧电刺激后，双眼会出现不可抑制的偏斜。一些成分也有更局限的分布，如涉及左侧顶内沟及其下方短白质连接的计算功能，如先前在引文45中讨论的。见补充信息B和补充图3-48获取所有成分的完整描述，它们与功能神经影像的联系，以及断连时的症状。

图3：白质连接的功能映射

      四个代表性成分图与白质切片的三维表示并排展示。comp. 成分，Arc 弓状束，B Broca区，Ins 岛叶，Tri 三角部，W Wernicke区，V2 次级视觉区，RS 压后皮质，H 海马，PH 海马旁回，FEF 额叶眼区，CC 胼胝体，IPS 顶内沟。成分图经过第二次复制，显示出良好的可重复性（平均皮尔逊R = 0.813 ± 0.079）。

白质功能图谱

      由于一些功能可能源于上述成分的组合而非单一成分，我们进行了第二级置换线性回归，以识别每个成分图的每个体素（即自变量）对每个fMRI元分析图（即因变量）的统计贡献。通过这种方法，我们得到了与每个fMRI元分析图对应的白质图。同样的分析在第二组成分图中进行了复制。两组图显示出良好的可重复性（平均皮尔逊R = 0.885 ± 0.061）。结果总结在图4a中，展示了一个全面的白质连接功能图谱。为了可视化目的，这里仅表示最高贡献，但单独的图可在neurovault.org上获取（见"数据可用性"部分）。效应大小（图4b）和任务多功能性（图4c）的映射显示左右半球之间存在强烈的不对称性。这种不对称性表明，相比左半球，我们对右半球白质功能的了解要少得多。此外，在neurovault.org上提供的成分图（见"数据可用性"部分）有潜力将任何功能激活投射到白质上，并识别导致其断连的典型脑损伤（见补充信息C和补充图49，以左手和右手手指敲击为例）。

图4：白质功能图谱

a. 白质功能的汇总图，仅显示具有最高统计水平的术语（高分辨率见补充图50-57）。

b. 与白质功能预测相关的效应大小。R > 0.5表示大效应量。

c. 多功能性图。对于MNI中的每个体素，该值表示与白质功能预测相关且具有大效应量的术语数量。白质功能图谱进行了第二次复制，并显示出良好的可重复性（平均皮尔逊R = 0.885 ± 0.061）。

讨论

     我们应用最先进的方法，将元分析功能映射与最大已发表急性卒中病灶集的白质连接性相结合，构建了人脑白质功能图谱。

      由于临床设置限制，我们无法直接从每位患者收集高分辨率DWI，而是将病灶放置在健康连接组中来估计断连。重要的是，在推导每个病灶引起的断连概率时，我们优先考虑连接组的质量而非年龄匹配。虽然文献中曾报道过年龄相关的分数各向异性、重建的流线/轨迹数量和图论指标的变化，但我们的分析中并未使用这些指标。在本研究中，年龄不是一个混杂因素。如先前研究所示，平均纤维束的形状和空间范围以及断连估计在几十年间保持不变。为了确认这一点，我们在10名年龄匹配的参与者的低分辨率样本中（即人类连接组计划生命周期项目）复制了断连估计，结果显示良好的可重复性（r = 0.866 ± 0.066，见补充信息E）。

      我们在白质功能图谱中定位的功能对应于相连区域的联合贡献。这得以实现是因为卒中后脑断连的冗余性与任务相关fMRI激活模式显示出惊人的对应关系。我们的结果表明，这种对应关系源于白质连接组织对人脑功能分离的影响。由于断连与任务相关fMRI激活模式之间的关系在真实卒中病灶中明显强于模拟病灶，我们认为脑损伤的偏倚分布也影响了我们的脑功能分类。虽然我们的方法允许我们绘制白质功能图，并可能有助于指导患者症状探索，但我们报告的偏倚也引发了对脑功能定义的质疑和进一步研究，特别是在右半球。