Brain Commun | 推动组学和影像学数据走向综合

摘要

目前还没有能完全治愈脑部疾病的治疗方法。组学是一种新兴技术，能够帮助研究人员了解潜在脑部疾病的分子机制。包括基因组学、转录组学和蛋白质组学在内的多组学技术，以及MRI、PET和EEG等脑影像技术，都对脑疾病相关治疗靶点的检测做出了贡献。本研究致力于通过整合组学和影像学的方法来建立脑部多分子图谱，以提供对脑部疾病诊断和治疗的新见解。这种方法需要使用组学和影像学技术进行精确的数据收集、数据处理和标准化。结合先进的人工智能技术与脑分子图谱，将有助于通过分子水平的调控建立脑疾病诊疗体系。

图形摘要

引言

大脑作为神经系统的核心器官，控制着身体的各个部分。由于大脑的独特特性，开发和改善脑部疾病的治疗策略面临着巨大的挑战。例如，血脑屏障的限制性使脑部疾病治疗的发展变得复杂，血脑屏障通过调节物质进入血液来维持中枢神经系统的稳态，并保护大脑免受感染和毒素的影响。血脑屏障阻碍了某些药物和大分子治疗剂有效地进入大脑进行药理治疗。近年来，纳米级脑靶向策略通过侵入性或非侵入性途径得到迅速发展；然而，这些策略的临床应用尚未完全确立。此外，即使制定出一种将治疗药物输送到目标脑区的方法，受损的中枢神经系统(CNS)神经细胞也无法恢复到受损前的状态。大多数脑部病变并非由单一因素引发，而是由复杂的分子机制引起的。脑部疾病是一组异质性疾病，具有多种病因；复杂的潜在机制包括病理性蛋白质聚集、神经元和突触网络功能障碍、能量稳态改变、核酸缺陷、神经炎症和神经细胞死亡等；以及社交障碍等一系列临床特征。此外，用于研究脑部相关疾病的动物模型在疾病模拟方面存在一定的局限性，无法完全重现在人类中观察到的临床状况。然而，使用活体人脑进行此类实验仍然存在伦理上的争议。尽管面临许多挑战，但脑部研究因疾病进展中出现的严重临床症状(如认知障碍和行为异常)而受到越来越多的关注。多种先进技术已被用来研究潜在的脑部病理机制，以寻找缓解疾病进展的治疗方法。

组学是一种高通量技术，通过同时分析多种生物分子，在生物医学研究领域得到了蓬勃发展。在大脑研究中，组学有助于全面理解和绘制与脑部疾病相关的分子网络，包括阿尔茨海默病、帕金森病、自闭症谱系障碍和脑卒中。通过使用脑组织和生物体液(如脑脊液或血液)，结合基因组学、转录组学、蛋白质组学和代谢组学进行组学分析，确定了病理性大脑中的系统性分子变异。由于目前尚未提出明确的脑功能障碍的病因和治疗方法，因此开发生物标志物以辅助脑疾病的早期诊断和阐明病理条件下的精确分子机制的需求日益增长。组学方法通过分析来自多个层面的组学数据，在推进生物标志物方面也发挥着关键作用。通过综合分析多种组学数据(即多组学分析)，可以识别分子生物标志物，从而为脑部疾病的诊断、治疗和预防提供重要的见解。

在疾病的早期阶段，通常会对一系列脑部疾病(包括脑癌、脑血管疾病、精神疾病和神经退行性疾病)进行检查，但脑成像技术是最常用的检查方法。由于大脑是一个动态的器官，因此需要用高分辨率的脑成像技术来精确检测异常。脑成像技术具有非侵入性，能够可视化大脑结构并理解其功能。对大脑进行结构和功能评估可以识别脑损伤，并建立大脑特定区域与其功能之间的关系。结构性评估使用MRI、CT和脑血管造影，而功能性评估使用PET、单光子发射CT(SPECT)、fMRI、EEG和MEG。虽然一些具有足够灵敏度和特异性的影像生物标志物已被用于临床实践，但为了制定更有效的脑部疾病诊断和治疗策略，需要开发高度可靠的生物标志物。

多组学技术(包括代谢组学、蛋白质组学、转录组学、基因组学)和脑成像技术的发展，使得在高度详细的分子水平上开发功能性生物标志物和个性化药物成为可能。生物标志物在疾病诊断、分类和预后预测方面具有很大的应用潜力，特别是在疾病的早期和发病前阶段。因此，这些技术有助于在临床试验中确定治疗靶点。然而，单一技术无法全面捕捉人脑疾病的生物复杂性。因此，本文旨在将多组学与影像学数据集结合，以提出理解脑病理的新方法。

脑疾病的组学方法

基因组学

基因组学是一个相对成熟的领域，涉及对整个基因组的研究，重点关注遗传变异及其相关功能。通过基因组学的方法，我们可以找到与脑部疾病相关的致病基因，从而更好地理解疾病的发生机制。全基因组关联研究是识别与疾病病因相关的基因组变异(如单核苷酸变异和拷贝数变异)的强有力工具。二代测序技术、全外显子组测序、全基因组测序和靶向测序也有助于检测那些全基因组关联研究中难以识别的异常突变。脑部疾病的发生和进展，可能与遗传相关，也可能与特定基因的异常变化有关，这取决于疾病的类型。阿尔茨海默病和帕金森病的神经退行性变化随着年龄的增长而增加，并且可由多种遗传因素导致的异常蛋白积累引发。以往的基因组研究显示，淀粉样前体蛋白、PSEN1(早老素-1)和PSEN2(早老素-2)的罕见突变以及许多遗传多态性(包括载脂蛋白E)分别与早发型阿尔茨海默病和晚发型阿尔茨海默病有关。此外，包括α-突触核蛋白、PARK16、LRRK2、微管相关蛋白tau和BST1在内的风险基因变异体已被确定为是帕金森病的致病因素。

转录组学

转录组学研究转录组，包括细胞产生的所有RNA转录本。转录组学分析通过检测与脑疾病病理机制相关的关键靶点(如差异表达基因、非编码RNA、选择性剪接和拷贝数变异)来识别基因表达和调控的变化。为了筛选转录组，应用RNA测序和RNA微芯片技术分析脑细胞、组织和体液(如血液或脑脊液等)的靶点。微RNA是转录组分析中用于阿尔茨海默病诊断的良好体液生物标志物，因为它们在调节脑功能中发挥着关键作用。微RNA表达失调对阿尔茨海默病相关通路具有重要影响，包括淀粉样蛋白形成、淀粉样前体蛋白加工、tau磷酸化和炎症机制等。此外，最近一项结合了空间转录组学和原位测序的研究表明，小鼠和人脑中斑块诱导的基因网络和少突胶质细胞在细胞水平上的基因反应是阿尔茨海默病的标志。帕金森病脑组织中主要功能通路的改变与多巴胺代谢、神经炎症、氧化应激、线粒体功能、蛋白质降解、囊泡运输和突触传递有关。利用血液样本的转录组学方法也揭示了帕金森病相关基因表达的变化，包括涉及免疫功能、炎症、线粒体功能、伴侣蛋白、RNA加工和程序性细胞死亡的通路。

蛋白质组学

蛋白质组学是对蛋白质组及其遗传背景下表达的所有蛋白质进行大规模研究的学科。蛋白质组学分析广泛应用于蛋白质的鉴定、定量、相互作用以及修饰分析。重要的是，这使得对磷酸化、泛素化、甲基化、乙酰化、SUMO化和糖基化等翻译后修饰进行分析成为可能，这些修饰无法通过基因组分析获得，并且增加了蛋白质功能的多样性和复杂性。蛋白质组学的快速发展得益于先进的技术，特别是液相色谱-质谱联用技术(LC-MS)。LC-MS技术可以实现全脑蛋白质的高通量分析。在一项使用多重质谱分析大脑和脑脊液蛋白质组的研究中发现，分类的蛋白质靶点显示出明显的病理生理过程，并观察到阿尔茨海默病的异质性。在另一项基于质谱的脑脊液蛋白质组学分析中，发现帕金森病患者的骨调节蛋白、神经生长因子诱导蛋白(VGF)、CD44、催乳素和甘露糖苷酶α2B类成员1的水平发生改变，并与帕金森病的病理严重程度相关，同时，胰蛋白酶S、磷脂酶D4和人类白细胞抗原水平升高，表明LRRK2 G2019S携带者的神经炎症水平升高。此外，脑脊液中的精氨酸加压素失调与自闭症谱系障碍的诊断和社会症状的严重程度密切相关，即使在早期阶段亦如此，这表明它是自闭症谱系障碍中一个很有前景的脑脊液标志物。

代谢组学

代谢组学是研究多种小分子(＜1500 Da)(如氨基酸、脂肪酸、碳水化合物)以及其他细胞代谢产物的学科。这些代谢物可能受到遗传、转录、蛋白质和各种环境因素变化的影响，并且在生物体内担任着重要的角色，比如作为能量来源、代谢中间体和信号分子。代谢组学分析方法包括傅里叶变换红外光谱、核磁共振光谱和基于质谱的方法，这些都是检测和分析样本中代谢物的强大工具。此外，代谢组学研究的目标分为靶向分析和非靶向分析。靶向分析主要用于识别和量化特定代谢物，而非靶向分析旨在注释代谢物并检测代谢物水平的整体变化情况。在纵向队列研究中，关于血液和脑靶向代谢组学的研究表明，血清代谢物(如甘油磷脂、氨基酸和酰基肉碱)的基线水平可以预测罹患阿尔茨海默病的风险和认知功能变化。此外，质谱信号强度显示，自闭症谱系障碍组与对照组在前额叶皮层灰质中的代谢物存在差异，这为自闭症谱系障碍的诊断和预测提供了新的工具。

多组学方法

如前所述，单一的组学数据提供了有关疾病的不同信息。这些信息可用于发现疾病的生物标志物，并了解疾病与健康组之间的生物通路差异。然而，仅使用一种类型的数据获得的信息是有限的。此外，单一组学研究的结果不足以识别来自大脑复杂且动态变化的显著信号。因此，即使采用组学方法，但大脑疾病的生物学复杂性仍然给研究人员带来了挑战。此外，由于大多数脑部疾病的病因并非是单一的风险因素(如特定基因或蛋白质异常)，所以之前的遗传学发现对疾病的了解有限。因此，有必要整合组学数据以获得更广阔的视角，而不是仅仅利用单一组学数据。单一组学数据的整合，即多组学，旨在解释可能引发疾病的潜在病因或作为后续分子研究的治疗靶点。多组学允许全面了解与疾病病理相关的复杂特征。这种方法的发展越来越受到关注，因为它能够揭示疾病病因并表征新的疾病生物标志物。多组学分析包含了多种分子谱分析、元数据、基于信息学和AI的大数据处理，有助于深入了解脑部疾病。因此，多组学方法为理解脑部疾病提供了新的宏观和微观视角。

组学方法的局限性

随着人口老龄化，脑部疾病的发病率不断增加。单个组学技术揭示了疾病潜在机制的重要信息。然而，研究范围受限于这些工具所能检测到的特定分子作用。基因组学通过基因组分析来识别遗传变异，但无法识别表观遗传和翻译后变化的生物学效应。转录组学通过分析基因表达模式和与病理相关的主要通路，测量的是相对丰度而非绝对丰度，且具有动态性。此外，蛋白质组学主要检测生物系统中的蛋白质，由于洗脱效率和翻译后修饰的不同，其结果也不尽相同。基于数据处理能力的不同，从多个来源的大规模组学数据中提取可用信息可能会比较困难。与其他组学类似，代谢组学在分析不同靶点时依赖于预处理和预处理方法、分析技术的灵敏度、全局或靶向组学以及研究者的解读来获得重要的研究结果。此外，根据脑区绘制生物分子信息，需要使用脑样本而非生物体液(如血液和脑脊液等)来获取组学数据，以构建大型数据库。

为了理解神经病理学机制，必须结合多组学数据进行数据分析、可视化和解释。通过多组学研究的不断深入，已经发现了许多不同的脑部疾病治疗候选药物；然而，目前对于如何全面理解这些疾病的方法和策略仍然不够明确和完整。此外，多组学数据整合还面临着一些挑战，包括统计分析前的缺失值处理、噪声去除、组学数据的异质性以及数据归一化等。由于许多利用全基因组关联研究和多组学数据来检测阿尔茨海默病风险基因和药物靶点的试验并不成功，因此人们尝试将统计学和机器学习/深度学习应用于多组学，以获得新的见解。虽然进行了许多研究，但这些数据尚未得到可靠验证。因此，讨论宏观和微观尺度方法的整合对于开发用于表征难治性脑疾病的生物标志物具有重要意义。

脑成像

MRI

MRI是一种非侵入性的活体评估技术，可在无辐射暴露的情况下提供脑结构和功能信息。由于水分子中的质子具有磁矩，MRI通过测量质子在强射频波作用下产生的信号来表征人体内部结构。此外，通过可视化神经连接来绘制连接组对于理解大脑功能至关重要，因为大脑功能依赖于神经元之间形成的紧密网络。fMRI使用血氧水平依赖对比度来表征脑功能，根据血液中的耗氧水平来推断哪个脑区被激活。

MRI被广泛用于检测多种脑部疾病。近年来，随着MRI技术的发展，AI也被用于预测特定的脑部异常。利用开放性MRI数据库的计算资源，AI通过生存类别和间隔标准来预测脑肿瘤患者的生存率。在另一项研究中，通过MRI数据识别的海马体脑萎缩模式预测了轻度认知障碍的预后情况。此外，还有研究利用多对比度显微镜技术将猕猴大脑宏观MRI数据与微观细胞组织进行整合，获得了BigMac数据集，以了解大脑的结构和功能信息。以往的研究表明，不仅要利用MRI技术对脑部疾病进行早期诊断，还需要结合其他技术来了解脑部的病理特征，而不是简单地检查MRI数据。

PET

与fMRI类似，PET(正电子发射断层扫描)并不直接评估神经活动，而是通过测量因局部脑区激活而导致的代谢或血流变化来间接地测量神经活动。PET通过使用将放射性同位素和与神经激活相关的代谢物结合的示踪剂来定位激活区域。PET图像的时间分辨率取决于所用同位素的半衰期。例如，PET可以使用葡萄糖类似物(氟[18F]脱氧葡萄糖，即18F-FDG)来反映人体的代谢状态。该测试对于检测涉及高血糖葡萄糖代谢的异常情况，如阿尔茨海默病、恶性肿瘤、癫痫和炎症性疾病非常有用。与MRI相比，PET的空间分辨率相对较差；然而，为了弥补这一不足，PET-CT或PET-MRI扫描将PET与CT或MRI结合起来用于临床监测。PET-MRI定量成像技术能够描绘出阿尔茨海默病中β淀粉样蛋白(Aβ)沉积的脑区，并追踪在阿尔茨海默病小鼠模型中的区域性病理变化。此外，使用Aβ PET验证的脑电机器学习算法预测了阿尔茨海默病临床前阶段的认知障碍进展。利用18F-FDG PET和降维技术对阿尔茨海默病患者进行研究，提出了一种将脑功能映射到神经解剖学的阿尔茨海默病计算模型。这些研究表明，需要结合单一PET成像之外的技术，并提出了通过建立新的脑疾病模型来开发治疗策略的方法。

EEG

EEG是一种电生理技术，通过附着在头皮上的电极来量化大脑中的微观电活动。由神经细胞产生的电活动称为脑电波，它是一种复杂的振荡波形。脑电波通常以不同脑区及其频率来进行分类和描述。EEG信号反映了大脑状态，可用于确定麻醉深度以及诊断各种神经精神疾病(如癫痫、脑病变、睡眠障碍、昏迷和脑死亡)。EEG通过直接评估脑电活动，因而具有较高的时间分辨率。然而，与其他成像技术相比，EEG的空间分辨率较低。为了弥补这些局限性，已有研究尝试同时测量EEG和fMRI信号。EEG-fMRI信号耦合能够识别出那些与认知障碍相关的显著脑淀粉样蛋白沉积的个体。此外，同步EEG-fMRI数据使得识别与癫痫大脑相关的动态功能连接状态成为可能。在开始同步EEG-fMRI记录之前，应首先考虑实验设计，以确定该方法的实用性，因为EEG-fMRI结合并不总是能最大化其效益。

脑成像方法的局限性

影像学技术的发展提高了脑部疾病诊断和治疗的准确性和效率。这些技术的进步使得早期诊断和改善患者的生活质量成为可能。然而，大多数前沿成像技术(如机器学习)尚未得到广泛应用，其在特定脑部疾病的诊断和预后方面的应用也是近年来才被引入。此外，成像技术的使用带来了安全隐患，包括暴露于辐射或强磁场的风险，这可能会对健康细胞造成损伤，甚至导致癌症的发生。此外，这些创新技术的广泛使用受到成本和结果验证的限制。虽然在许多病例中已经确定了脑部异常的生物学原因，但由于中枢神经系统的复杂相互作用，准确和一致的脑部疾病诊断标志物尚未完全确立。此外，脑成像需要收集大量数据以得出有意义的结果和解释，但使用动物脑进行体内数据收集的过程既耗时又费力。考虑到这些问题，仅基于影像学数据预测特定疾病的预后还为时过早。重要的是，在组学研究中，即使拥有强大的技术工具可以获取高分辨率的脑成像数据，但大多数脑疾病的治疗方案仍未明确。为克服这些困难，许多研究人员试图通过整合生物分子信息与成像技术，创建详细的分子图谱，并建立数据库，以开发有效的生物标志物用于识别脑疾病。基于准确的定位和分子信息，这些数据的积累将提高发现脑部疾病治疗线索的可能性。

组学和脑成像技术的传统融合方法

发展趋势

在过去的几十年里，组学和脑成像技术被用来解读脑功能障碍的复杂性。尽管在组学和脑成像数据集中已经检测到神经病理学，但对于缓解严重脑损伤症状的实际解决方案知之甚少。基于目前对神经退行性疾病的理解，影像学和组学数据的融合方法正在出现，以开发潜在的诊断、治疗和预防策略。为揭示结构性MRI、全基因组关联研究和转录组学在阿尔茨海默病中的相互关系，有研究提出了一种新的联合模型——基因型-表达型-影像数据整合模型，该模型通过对结构MRI成像生物标志物和基因表达进行联合线性回归，超越了表达定量性状基因组方法，用于识别涉及阿尔茨海默病的遗传和转录组因素。在另一项专注于多模态神经影像和遗传数据(如MRI、PET和单核苷酸多态性)的研究中，使用一个三阶段深度特征学习和融合框架将每种模态结合起来用于阿尔茨海默病的诊断。此外，一种通过图卷积层和注意力连接组学与成像网络的深度神经网络架构已被用于帕金森病分类，并通过整合扩散张量成像和fMRI数据与遗传数据来建模多组学数据。通过将血液代谢组学数据与氟代脱氧葡萄糖和氟多巴PET数据结合，使用接收者操作特征分析中的诊断预测性能识别代谢特征，以检测与帕金森病相关的失衡，并验证帕金森病的实际预测模型。总体而言，组学和脑成像技术的综合方法极有可能提高我们对复杂神经病理学的理解，并推动创新治疗工具的开发。

组学和脑成像技术传统融合方法的局限性

组学与脑影像数据的融合为脑部疾病的诊断、治疗和预测提供了新的机遇。然而，在组学和影像数据的整合方面仍然存在许多挑战性。首先是样本量较小的问题，一个高质量的大样本数据集对于多模态神经影像和组学数据融合中的稳健性和可靠性至关重要。其次是数据异质性问题，这涉及到在分别预处理数据后，如何整合不同的数据分布和类型。由于数据存在异质性，不同的组学和影像学数据特征可能会导致不准确的噪声结果。第三是特征的高维性问题。由于这些特征没有使用相同的方法来减少数据的维度，因此处理数百万张图像以获得基于感兴趣区域的特征并不能降低组学数据的维数。为了充分发挥组学和脑成像技术革命性整合的优势，以识别脑部疾病的新药物靶点或生物标志物，还需要进一步开发能够解决这些挑战的先进技术。

多组学数据整合中的机器学习

多组学机器学习基础

多组学数据通常以图形或网络的形式展示。对于多组学数据的整合，近期研究提出了基于深度学习的多组学整合方法，包括变换器、自编码器和图卷积网络。这些方法基于深度学习中使用的数学方程。

基于深度学习的变换器在整合异质性多组学数据中的应用越来越广泛。变换器模型由编码器和解码器组成。编码器包括多头自注意力层和前馈层。解码器则包括前馈神经网络、多头自注意力层和掩码多头自注意力层。

自编码器旨在降低高维多组学数据的维数，并整合异质性多组学数据。原始空间中的输入数据x通过编码器f处理并压缩到潜在空间z中。

解码器g将压缩值z恢复到原始空间中的输出数据x'。

损失函数L的计算公式如下：

图卷积网络旨在从图G=(V，E)中提取最重要的信息。输入值包括一个特征矩阵X=N×D和一个邻接矩阵A。图卷积网络的隐藏层由非线性函数决定：H(l+1)=f(H(l)，A)，其中H(0)=X，H(l)=z。L表示层数。Kipf和Welling提出的传播规则可以写成：

其中σ是一个非线性激活函数。

表示对角节点度矩阵，

表示对称归一化。W是第l层神经网络层的权重矩阵。

机器学习中的可解释性

机器学习和深度学习模型已被应用于生物信息学的各个领域。这些模型提供了从生物医学数据库中提取的用于各种目的的关键信息，包括疾病诊断和识别药物靶点。虽然这些模型对生物学家是有益的，但它们的可解释性和透明性不足，通常被称为“黑箱”。黑箱模型是一个不揭示其内部机制的系统，无法通过查看其参数进行理解。即使这些模型具有高精度的预测能力，但由于无法掌握和验证结果，它们的不明确性可能会导致人们无法验证结果的可靠性。长期以来，机器学习模型被普遍认为是黑箱，因为科学家无法解释输入和输出之间的数据发生了什么。由于存在这种不信任，将这些黑箱模型应用于医疗保健或与人类生活高度相关的领域是具有挑战性的。为了克服黑箱模型的局限性，人们开发了可解释的人工智能，通过解释机器学习和深度学习模型的决策过程，使这些技术对于人类专家更具可理解性和透明性。机器学习中的可解释性意味着专家可以描述模型从输入到输出的过程。数据的可解释性越高，科学家对训练或决策过程中发生的内部机制的理解就越深刻。可解释的人工智能通过增强可解释模型的稳定性、可预测性和可重复性来帮助建立信任。在生物医学领域，为了发现和识别生物标志物，处理大规模数据存在高维、异质性、噪声和不完整性、非结构化格式以及高度不确定性等阻碍。然而，具有高度可解释性的人工智能使科学家们能够更容易地理解和处理数据。

未来方向(展望)

研究大脑结构和功能的影像学技术和分析基因、蛋白质等分子信息的组学相结合，在治疗脑部疾病方面具有巨大的潜力。然而，这些研究方法的技术进步并没有转化为明确的脑部疾病诊断测试，如阿尔茨海默病、帕金森病、自闭症谱系障碍和癫痫。与其简单地通过技术进步来改进现有的实验，我们更需要探索整合不同技术的新思路来解决病理性脑部问题。

大脑是一个复杂的系统，其中许多细胞相互作用。建立大脑分子图谱将有助于理解大脑的复杂性和多功能性。对于反映大脑区域多样性的多分子图谱，结合微观组学数据分析生物分子和宏观成像技术捕捉位置特征的综合方法是一种强有力的工具(图1)。这种方法可以从组学和脑成像技术中获得大量高质量的数据，这些数据描述了来自同一样本的不同视角和类型的信息。组学研究不同层面的多分子水平，如基因组、转录组、代谢组和蛋白质组。相反，成像技术如MRI、PET和EEG通过检查大脑组织或跟踪特定分子来提供表型水平的图像概况。在获得每项结果后，通过组学和成像技术收集的数据需要经过适当的处理步骤，包括使用机器学习进行特征提取，然后整合这些数据以根据脑区的相似特征生成多分子图谱。此外，还需要通过数据标准化将组学技术分析的微观分子信息与特定脑区相关联。

图1.结合组学和影像学数据进行大脑多分子映射的方法。

当前脑疾病研究面临的最大问题之一是疾病治疗或预测的准确性不足以显著改变人们的生活质量。本研究认为，组学与影像学融合的方法对于解决脑疾病造成的实际负担、确定潜在病理原因和治疗策略具有重要意义。该方法旨在利用组学与影像学融合方法来理解脑病理系统，从而提出未来的研究方向(图2)。未来应用组学与影像学融合方法的首要步骤是通过对大量患者进行组学和脑成像的数据采集。在这一数据采集阶段，应首先建立可靠且高度可重复的组学与影像学分析技术。基于收集到的患者数据库，组学与影像学融合方法可以通过关联和结合组学与影像学数据来建立脑部的多分子图谱。此外，通过将整合的分子图谱与先进的AI技术相结合，可以在分子层面提供比现有疗法更准确的诊断和治疗见解。

图2.利用组学-影像学融合方法进行脑研究的未来方向。

参考文献：Yoon JH, Lee H, Kwon D, Lee D, Lee S, Cho E, Kim J, Kim D. Integrative approach of omics and imaging data to discover new insights for understanding brain diseases. Brain Commun. 2024 Aug 8;6(4):fcae265. doi: 10.1093/braincomms/fcae265.

小伙伴们关注茗创科技，将第一时间收到精彩内容推送哦～