Brain Commun：兴奋/抑制平衡与颞叶癫痫的认知功能和基因表达有关：非周期性指数的高密度EEG评估

摘要

癫痫患者的特征是兴奋-抑制平衡(E/I)失调。E/I的评估能够为癫痫的诊断和治疗提供有用信息。在这里，本研究利用脑电(EEG)信号功率谱非周期分量作为E/I平衡的指标。使用高密度EEG采集了67例颞叶癫痫患者和35名对照者的静息态活动数据。从源重建EEG中提取功率谱的非周期拟合指数，并检验癫痫患者与对照组之间的差异。将该指数与临床变量(发病年龄、癫痫持续时间和神经心理测验)及Allen人脑图谱中癫痫相关基因的皮层表达进行Spearman相关分析。研究结果显示，颞叶癫痫患者在双侧额叶和颞叶区域中具有明显更大的E/I指数，与抑制导向的E/I平衡相对应。左内嗅皮层和双侧背外侧前额叶皮层中的E/I较低与短时言语记忆能力较差相关。在颞叶癫痫患者中，本研究检测到指数与GABRA1、GRIN2A、GABRD、GABRG2、KCNA2和PDYN基因的皮层表达之间存在显著相关性。EEG非周期性指数能够非侵入性地映射癫痫患者的E/I平衡，并揭示了E/I模式改变与认知功能和遗传之间的密切关系。

图形摘要

引言

癫痫是一种以兴奋/抑制平衡(E/I)失调为特征的疾病，这一观点得到了从遗传学到蛋白质组表达以及临床表现的多重证据支持。E/I平衡改变会导致癫痫发作的风险增加。因此，药物治疗旨在通过多种作用机制来干预E/I，从而减少癫痫发作的风险。尽管E/I平衡在生物学和临床上具有重要意义，但很少直接研究癫痫中的E/I平衡，这可能是因为其估计复杂且耗时。幸运的是，最近的研究进展提供了一种简化的E/I平衡评估方法，利用自发电磁信号的特性，这些信号可以通过脑磁或脑电进行高空间和时间分辨率的测量，并提供了广泛的大脑覆盖范围。在多个信号特征中，M/EEG信号功率谱的非周期性成分的指数提供了与系统E/I平衡相关的信息。

在这里，本研究通过测量静息态下皮层高密度脑电信号的非周期性成分指数，比较了颞叶癫痫(TLE)患者与健康被试之间的E/I平衡。TLE是最常见的局灶性癫痫。考虑到该神经系统疾病的网络性质，本研究假设与癫痫发作相关的脑区，即颞叶及其相互连接的区域中检测到更显著的E/I变化。此外，本研究预期可以检测到受癫痫灶偏侧性影响的E/I变化模式。本研究进一步假设E/I平衡与临床变量有关，并受抗癫痫药物的影响。E/I平衡的破坏可能会影响突触可塑性，而突触可塑性是机体对环境刺激做出有效反应的一种支持机制。因此，E/I平衡的改变可能与TLE患者在不同认知领域中检测到的损伤有关，并与多个空间尺度上的功能网络中断相关。本研究预期在TLE患者中能够检测到非周期性指数与神经心理特征之间的关系。重要的是，E/I平衡是神经活动的多因素副产物，受环境因素以及通道和受体基因表达的影响。有多种基因突变被认为是癫痫的致病原因，包括调节γ-氨基丁酸受体和钠钾通道的基因。公开转录组数据集，如Allen人脑图谱(AHBA)，为探索大脑中的基因表达模式如何反映宏观神经功能发现提供了机会。功能-遗传信息整合可以从微观到宏观揭示癫痫的病理生理机制。在这里，本研究利用转录组数据来探索癫痫相关基因与E/I平衡。总体而言，本研究通过高密度脑电中的非周期性成分谱密度作为E/I平衡的非侵入性测量，并将其与临床、神经心理学和遗传因素联系起来，以阐明TLE中脑动力学和认知改变的神经机制。

方法

参与者

本研究于2018-2022年在意大利Conegliano Eugenio Medea IRCCS癫痫与临床神经生理学单位招募了接受高密度脑电图(hdEEG)进行临床评估的颞叶癫痫患者和一组健康对照者。颞叶癫痫的诊断参照ILAE指南。临床工作流程包括视频EEG(32通道)监测、脑部磁共振成像(MRI)以及正电子发射断层扫描(PET)作为辅助调查手段。共筛选了72例患者，5例患者的数据因既往经历过颅内手术或侵入性检查而排除，最终样本量为67例(平均年龄=37.18岁；标准差=18.04；其中24名女性；30例左侧颞叶癫痫；17例右侧颞叶癫痫；20例双侧颞叶癫痫)。89.5%的患者具有耐药性。对照组由35名健康参与者组成，无神经或精神疾病史(平均年龄=34.92岁；标准差=9.22；其中25名女性)。本研究按照《赫尔辛基宣言》实施，并获得当地伦理委员会批准。所有参与者均提供了书面知情同意书。

神经心理评估

神经心理评估侧重于记忆、注意力/执行功能和智力的评估。使用数字广度、柯西块敲击测验、Rey-osterrieth复杂图形测验(ROCFT)和Rey听觉言语学习测试(RAVLT)评估短时记忆和长时记忆功能(STM)。使用连线测验(TMT)(A和B部分)评估注意力和执行功能。最后，使用WAIS-IV或WISC-IV量表的总智商作为全面智力的衡量指标。表1显示了神经心理评估的描述性统计量。

表1.神经心理学测量分数。

静息态EEG记录

参与者在安静的房间里舒适地坐在椅子上，使用128通道视频脑电监测系统(Micromed)记录了10min的闭眼静息态hdEEG。信号采样率为1024Hz，参考电极位于顶点位置。每个电极的阻抗保持＜5kΩ。

EEG预处理

在EEGLAB 14.1.2b中进行数据预处理。预处理流程如下：a)重采样至250Hz；b)使用汉明窗sinc有限脉冲响应滤波器进行带通滤波(0.1-45Hz，滤波器阶数为8250)；c)将数据划分成1s长的时段(每位被试共有600个时段)；d)删除包含发作间期癫痫样放电(IEDs)和伪迹的时段和通道；e)删除平坦通道；f)独立成分分析(40个独立成分分解)，使用EEGLAB中实施的Infomax算法；g)采用球面样条插值法进行通道插值；h)平均重参考；i)将时段重新连接，以获得连续信号。预处理后，每个被试至少有6min无伪迹的连续信号。

皮层源建模

对于大多数TLE患者，进行源成像的个体解剖MRI采用了T1各向同性3D成像技术。对于12名患者和对照组，本研究使用了MNI-ICBM152默认解剖结构。使用计算解剖学工具箱(CAT12)处理MRI数据。随后将解剖数据导入Brainstorm。使用Brainstorm进行EEG电极与脑MRI的共配准。根据需要进行手动共配准校正。皮层网格降采样至15002个顶点，并重建了三个边界元模型(BEM)表面(内颅骨、外颅骨和头部)。采用三层BEM方法计算正演模型，将脑、颅骨和皮肤的组织连接度分别设定为0.33、0.165、0.33S/m(比率：1/20)。这是通过Brainstorm中实施的OpenMEEG插件实现的。本研究使用加权最小范数作为逆解方法，并使用Brainstorm的默认参数设置。

脑频谱参数化

在对脑频谱成分进行参数化之前，根据Desikan-Killiany图谱将源活动降采样至68个感兴趣的皮层区域(ROIs)。对于每个ROI时间序列，使用Welch方法(Hann窗，长度5s，重叠50%)计算连续信号的功率谱。随后，使用‘fooof’Python库将ROI频谱参数化为周期性和非周期性分量。FOOOF(specparam)算法在迭代估计周期分量之前估计功率谱的非周期分量，从而得到神经功率谱的参数化模型。使用默认的Python超参数在1-35Hz范围内进行频谱参数化。具体为：峰宽极限=[0.5，12]，最大峰数=无穷大，峰值阈值=2，最小峰高=0.0，非周期模式=fixed。fixed模式假设非周期性分量具有单一的1/f样特征，即在对数-对数空间的所有频率上呈线性，而knee模式用于考虑对数-对数空间中功率谱分布中存在的弯曲。本研究的数据在PSD的对数-对数空间中未检测到弯曲，因此fixed模型是最合适的选择。非周期性活动的fixed(no knee)产生的非周期模型为：A=B-log(FX)，其中A是采样频率下的非周期性活动模型，B是偏移量，X是指数，F是采样频率集合。

皮层基因表达

区域微阵列表达数据来自Allen人脑图谱(AHBA；http://human.brain-map.org/)。本研究使用abagen工具箱(https://github.com/netneurolab/abagen)处理并将数据映射到Desikan-Killiany分区的68个ROIs。首先，利用Arnatkeviciute及其同事(2019)提供的信息对微阵列探针进行重新注释。重新注释的信息中去除了没有可靠基因匹配的探针。然后根据探针相对于背景噪声的表达强度进行过滤。当多个探针索引同一基因表达时，选择区域变化模式最一致(即差异稳定性)的探针。差异稳定性的计算如下：

其中，ρ是探针p在两个供体脑Bi和Bj不同区域表达的Spearman等级相关系数，N是供体的总数。这一过程保留了15656个探针，每个探针代表一个独特的基因。

针对被试间的变异性，通过使用鲁棒的sigmoid函数对基因间的组织样本表达值进行归一化处理：

其中，〈 〉代表单个组织样本在基因间表达的中位数，IQRx代表其归一化后的四分位距。然后将归一化后的表达值重新缩放到单位区间。

然后，使用相同的方法对每个供体不同区域的基因表达值进行归一化处理。最终对不同供体的表达谱进行平均，得到一个矩阵，其中行对应脑区，列对应保留的15656个基因。

统计分析

首先，使用大规模单变量非参数置换检验方法(5000次迭代)，对比了所有癫痫患者与对照组的每个ROIs指数值。使用独立样本t检验对每个感兴趣的变量进行分析。依次对组间条件(即TLE患者或对照组)进行迭代置换，并执行足够次数(5000次)的检验，以获得在无差异的零假设下检验统计量的经验零分布。通过置换得到的零分布用于推导观察到的差异的概率(双尾检验)，从而进行统计推断。随后重复相同的分析，将特定的患者组(即左侧TLE、右侧TLE和双侧TLE)与健康对照组进行比较。对偏移量也进行了类似的分析。此外，为了评估不同被试的E/I变化频率，本研究计算了各分区内的指数分布情况。然后，将该指数与临床特征(发作起始年龄、癫痫持续时间和抗癫痫药物数量)以及神经心理测试分数进行Spearman相关分析。此外，为了更好地了解E/I平衡、认知和临床变量之间的关系，本研究进行了多元线性回归分析。最后，计算了非周期指数与基因表达的相关性。显著性水平设定为p＜0.05，使用FDR进行多重比较校正。使用enigma-toolbox绘制脑图(步骤示意图见图1)。

图1.分析步骤。

结果

TLE与对照组的指数差异

与健康对照组相比，TLE患者具有更大的非周期指数(即更陡峭的频谱斜率，更低的E/I)。显著差异主要出现在参与癫痫传播的区域，如颞上回、颞下回、内嗅皮层、颞极、前扣带皮层以及楔叶和视觉皮层(图2A)。左侧颞叶癫痫(LTLE)和右侧颞叶癫痫(RTLE)患者表现为左侧颞区指数增大(tmax=5.136；padj=0.0001)，而双侧颞叶癫痫(BTLE)患者则表现为双侧颞区和额区指数增大(tmax=5.247；padj=0.0002)(图2)。在考虑偏移量时，也观察到了类似于颞叶区域的结果。

图2.各组间节点非周期指数的统计差异。

临床变量与神经心理学的相关性

在整个患者组中发现非周期指数与抗癫痫药物(ASMs)数量之间存在显著的正相关关系，这表明ASMs数量越多，E/I越低。这种相关性主要表现在内侧颞区、额回以及背外侧前额叶皮层(DLPFC)(rhomax=0.41；padj=0.026；见图3A)。非周期性指数与短时言语记忆(RAVLT)在左侧颞区、DLPFC和双侧楔叶呈显著负相关，指数越大(E/I越低)，认知表现越差(rhomax=-0.49；padj=0.021；见图3A)。与相关性分析结果一致，多元回归模型显示，ASMs数量的非周期性指数(p=0.004)与记忆分数(p=0.005)的主效应显著，而两者之间的交互作用不显著(p=0.343)。其次，在解释记忆分数时，本研究观察到E/I值的主效应显著(p=0.007)，但ASMs数量的主效应(p=0.785)以及ASMs与E/I值之间的交互作用(p=0.636)不显著。需要注意的是，认知分析仅限于RAVLT即时回忆变量，这是相关分析中唯一显著的神经心理测验。

指数-基因相关性结果

非周期指数与皮层基因表达之间的相关性显示出一种特定模式，能够区分TLE患者和对照组。具体来说，本研究观察到与钠通道(KCNA2；rho=-0.395；padj=0.0032)以及GABA受体(GRIN2A；rho=-0.394；padj=0.0032；GABRA1；rho=-0.433；padj=0.0014；GABRD；rho=-0.403；padj=0.0014；GABRG2；rho=-0.475；padj=0.0005)功能相关的基因在皮层中的高表达与较低的指数值相关联。此外，本研究在一个通过阿片受体肽配体(PDYN；rho=0.497；padj=0.0004)参与癫痫自我调节的基因中观察到相反的模式。相比之下，在对照组中未观察到显著的相关性(见图3B)。

图3.与临床和转录组变量的指数相关性。

结论

本研究结果证实了非周期指数作为测量TLE患者大规模网络内在功能组织的效用，特别是能够敏感地反映癫痫病变的偏侧化情况。本研究结果支持基于非周期指数评估的E/I的功能相关性，并且这种相关性受抗癫痫药物使用的影响。特定综合征的功能转录组特征可以提供有关癫痫发病机制中E/I平衡失调的潜在信息。转录组数据也可以提供E/I平衡调节与TLE认知功能障碍之间的潜在联系。上述基因在额颞区表达异常可能导致这些区域的E/I平衡发生改变。因此，支持高级认知功能的额颞网络中E/I的失调可能是TLE患者记忆障碍的潜在机制。最后，本研究证实了成本效益高且非侵入性的E/I平衡测量方法的潜在应用价值。未来的研究可以在TLE患者中整合这些测量方法，包括在长时间监测中的应用，以研究与发作间期表现相关的E/I昼夜变化。

参考文献：Gian Marco Duma, Simone Cuozzo, Luc Wilson, Alberto Danieli, Paolo Bonanni, Giovanni Pellegrino, Excitation/Inhibition balance relates to cognitive function and gene expression in temporal lobe epilepsy: a high density EEG assessment with aperiodic exponent, Brain Communications, 2024;, fcae231, https://doi.org/10.1093/braincomms/fcae231

小伙伴们关注茗创科技，将第一时间收到精彩内容推送哦～