1) PNAS; 2021 April; anatomical imbalance mapping (AIM); neural development;
2) BP; 2020 Nov; Cross-disorder; ENIGMA
3) PNAS; 2021 April; MZ-twin studies; adolescent cannabis use
4) Brain Informatics; 2021 May; MRI quality; Freesurfer; paper with code
1
PNAS的文章,亮点是提出了一个新的指标anatomical imbalance mapping (AIM),实质就是individual deviations the norm。随后进行了一些包括发展,个体差异在内的分析。
AIM计算方法
A. cortical thickness,回归掉sex/age/data quality
B. 两个region之间做相关,提取每个点的orthogonal residuals,此处反应的是被试到回归线的垂直距离。
C. 对所有区域进行同样的操作,便得到了k*k的对称矩阵,这里每个被试都能得到一个matrix。
D. 被试内平均得到每个被试的AIM平局值
E. 组间平均得到区域的anatomical imbalance
这个方法初看会以为是一个类似于brain age做残差,但是如果想象一堆身高体重不匀称的月半子在坐标轴的左上方,便会豁然开朗,anatomical imbalance是一个不错的idea。
在坐标轴左上还是右下,可能是有意义的,文章只考虑了垂直距离。增加imbalance的方向很简单,因为它和残差的正负一致,但会这有可能大大增加研究的复杂程度。SCN结构协变网络一般做的都是组间的网络,也有一些研究做个体水平的结构网络,AIM指标为个体差异的研究提供了新的思路。
2
其实是一个简单的meta-analysis,把ENIGMA的结果,从paper中整理一下,做了一个EFA。
对于左右进行了平均,原因是某几个研究只进行了左右平均的分析,把subcortial和cortical的数据放在一起分析,在补充材料中有分开的结果。
1. 做correlation 【连label的颜色都没改!】
2. 用SPSS做了EFA找overlap的pattern,因子提取方法用是PCA。Rotation用的是Oblique。可以看到development相关的disorder和F1相关较低。
3. 使用的几个样本,年龄不一致,为了排除这个可能的混淆因素,作者使用了两个独立的样本HCP和BiDirect,分别计算了age的effect size,并且分别加入2中的模型。结果表明age的pattern和F1不相关,所以找到的F1并不是反映aging的因素【这一点存疑】。
4. 既然找到了共同的latent factor,那么就计算一下每种disorder的deviation吧。其实就是用F1预测原始的effect size,其residual就是deviation。这个值越高说明无法被共同的F1解释。
文章的思路不错,但是有一些局限值得注意:
文章ROI数量为34+7=41,N的数量为9+1。思路和结果看起来不错,但是这相当于用EFA分析了一个有41个items的问卷,而被试数量只是10。EFA推荐每个item至少需要10个被试,那么要410个sample结果才可靠。
文章把subcortial和cortial的结果同时放在一个模型中分析是有问题的,因为之前的研究对于这两种指标的分析有可能用的不是同样的模型。
把之前meta和mega的结果放在一个模型中有可能是问题的。
因为某个文章只做了左右平均的分析,将剩下研究的effect size按照左右进行平均放入模型也是有问题的。
3
随着recreational cannabis use逐步合法化,它对正处于生发发育期间的青少年的影响成为了研究的热点。这篇发在PNAS上的文章,使用了双生子+longitudinal的设计探究了cannabis use和mental health,cognitive ability, academic functioning和socioeconomic status的相关。
前言简单回顾了之前该方向的研究,
observational studies
neuroimaging studies
animal studies
但是这些研究的不足是
same sample or lack of replication sample
cross-sectional design
retrospective studies
文章最大的亮点就是使用双生子的样本探究因果关系。首先他们在普通的样本中做了相关,发现各种显著,这也是大部分研究发现的,大麻使用问题太多,立法应该需要关注这些问题。
在只用同卵双生子的样本中,只是有socioeconomic中出现了显著
结果表明,大麻使用并没有和青少年和成年人的心理健康和认知能力的改变有明显的因果关系,但是它对于学业成绩和社会经济状态有影响。【这个研究不表明它不会成瘾,也不表明它不会对发育中的大脑造成伤害,文章中的Cognitive都是用的WAIS测的。】
因果关系的研究思路
JAMA Psychiatry: Genetically Informed Methods
4
首先使用CAT12计算了图像的质量分数,随后人工做QC的结果做对比,表明CAT12是一个有效的指标。CAT12的优点是计算简单,使用个人笔记本即可完成。
之后用CAT12图像质量分数和Freesurfer常用的指标做相关,结果发现即使人工做过visual QC,图像的质量分数依然和ROI相关。
注意⚠
这里(👇图)做的只是简单的相关,并没有控制其他的变量。而文章之前明确表明图像质量和年龄相关,年龄小的被试图像质量相对较差。但是在之后的分析中都是用的两两相关的方式,并没有控制诸如年龄、性别等因素。那么这一堆pattern会不会就是age的效应呢。
Surface Area
Cortical Thickness
Subcortical volume
上面这一批图使用ggseg做的:
—END—