劉 威 李海江 邱 江

(認(rèn)知與人格教育部重點(diǎn)實(shí)驗(yàn)室(西南大學(xué)); 西南大學(xué)心理學(xué)部, 重慶 400715)

1 引言

抑郁癥(Major Depression Disorder)是最為常見的精神障礙之一, 其終生患病率高達(dá)16%(Kessler et al., 2003)。該疾病以情緒低落為主要特征, 伴隨反復(fù)而持久的傷感, 負(fù)罪感和無用感,具有很高的自殺率, 給家庭和社會(huì)造成沉重的負(fù)擔(dān)(Jia et al., 2010)。同時(shí), 因其疾病特點(diǎn)從而對(duì)全球的醫(yī)療系統(tǒng)造成了巨大負(fù)擔(dān)。世界衛(wèi)生組織在2002年把其列為消耗醫(yī)療資源的第四大疾病, 并且預(yù)測到2020年, 將會(huì)成為資源消耗的第二大疾病(Sartorius, 2001)。

近年來, 隨著以核磁共振成像(MRI)為主的腦成像技術(shù)的發(fā)展, 在抑郁癥病人身上發(fā)現(xiàn)了多個(gè)腦區(qū)的結(jié)構(gòu)和功能異常。結(jié)構(gòu)上：抑郁癥病人與正常控制組相比在MRI中表現(xiàn)出“邊緣-皮質(zhì)”通路的損傷, 具體表現(xiàn)為抑郁癥病人在杏仁核,右側(cè)旁扣帶回具有更小的灰質(zhì)體積(Sacher et al.,2012), 另有元分析發(fā)現(xiàn)通過右側(cè)頂葉區(qū)域的白質(zhì)纖維完整性降低(Osoba et al., 2013); 靜息功能上：抑郁癥病人在左側(cè)海馬旁回, 右側(cè)小腦后葉,右側(cè)額中回表現(xiàn)出明顯的比率低頻振幅(Fractional Amplitude of Low-Frequency Fluctuation,fALFF)的下降(Liu et al., 2013),在左側(cè)枕中皮層,右側(cè)頂下小葉, 右側(cè)楔前葉表現(xiàn)出局部一致性(Regional Homogeneity, ReHo)的上升(Liang et al., 2013)。雖然傳統(tǒng)結(jié)構(gòu)和功能研究發(fā)現(xiàn)了一些異常的腦區(qū), 但是這些腦區(qū)結(jié)果往往分布廣泛,難以從整體上理解和探討抑郁癥病人的病理性特征。

人腦是一個(gè)相互連接的復(fù)雜系統(tǒng), 以往抑郁癥研究的發(fā)現(xiàn)僅僅是情感障礙病理改變這一只“大象”的一部分(受疾病影響的部分腦網(wǎng)絡(luò))(Hulshoff Pol & Bullmore, 2013)。近年來的研究表明, 人類大腦的結(jié)構(gòu)和功能網(wǎng)絡(luò)符合復(fù)雜網(wǎng)絡(luò)模型(Chen, He, Rosa-Neto, Germann, & Evans, 2008;Salvador et al., 2005), 因此作為一個(gè)強(qiáng)大的復(fù)雜系統(tǒng)分析方法, 復(fù)雜網(wǎng)絡(luò)分析在臨床上被應(yīng)用于探索精神類疾病患者在各種圖論分析指標(biāo)上的異常(Menon, 2011)。

本文首先介紹了基于圖論的腦網(wǎng)絡(luò)分析的基本理論和方法, 其次總結(jié)近年來該方法在抑郁癥研究中取得的進(jìn)展, 進(jìn)而分析了現(xiàn)有研究中基本結(jié)果和潛在不足, 最后展望了未來可能的發(fā)展方向。

2 基于圖論的腦網(wǎng)絡(luò)分析

2.1 網(wǎng)絡(luò)的圖論描述

19世紀(jì)初期人類便意識(shí)到大腦系統(tǒng)是一個(gè)強(qiáng)大的復(fù)雜網(wǎng)絡(luò)(Swanson, 2012), 20世紀(jì)末期數(shù)學(xué)家們發(fā)現(xiàn)了復(fù)雜系統(tǒng)中無處不在的小世界屬性。所謂小世界屬性是復(fù)雜網(wǎng)絡(luò)的一種中間狀態(tài), 是功能整合和功能分化的平衡狀態(tài), 是高效的信息交換的最佳形態(tài) (Watts & Strogatz, 1998)。近年來圖論分析提供了一個(gè)強(qiáng)大的工具來描述復(fù)雜系統(tǒng),通過圖論, 復(fù)雜的大腦系統(tǒng)可以被抽象成簡單的幾何圖形表征, 即許多的節(jié)點(diǎn)以及節(jié)點(diǎn)之間的關(guān)系(Dai & He, 2014)。同時(shí)基于各類腦影像數(shù)據(jù)建構(gòu)復(fù)雜腦網(wǎng)絡(luò)的方法也被提出(Hagmann et al.,2007; He, Chen, & Evans, 2007; Salvador et al.,2005)。但是證實(shí)腦網(wǎng)絡(luò)符合小世界模型僅僅是理解大腦結(jié)構(gòu)組織和功能產(chǎn)生機(jī)制的第一步(Bullmore & Sporns, 2009), 因此越來越多的網(wǎng)絡(luò)定量分析指標(biāo)被引入到腦網(wǎng)絡(luò)研究當(dāng)中。

2.2 復(fù)雜腦網(wǎng)絡(luò)的構(gòu)建

目前網(wǎng)絡(luò)分析主要運(yùn)用的是大尺度腦網(wǎng)絡(luò)(Large-Scale Brain Network), 這時(shí)的節(jié)點(diǎn)主要是腦電圖的電極, 腦磁圖的通道, 通過大腦解剖或者功能模版定義的感興趣區(qū)(Region of Interest,ROI); 邊主要代表節(jié)點(diǎn)之間的功能或結(jié)構(gòu)聯(lián)系(Cao, Shu, Cao, Wang, & He, 2014)。功能聯(lián)系定義為兩個(gè)節(jié)點(diǎn)信號(hào)強(qiáng)度的時(shí)間同步性, 結(jié)構(gòu)聯(lián)系主要是感興趣之間的皮層厚度(或體積)跨被試的共變關(guān)系或者白質(zhì)纖維連接情況。

2.3 腦網(wǎng)絡(luò)的拓?fù)涿枋?/h3>

腦網(wǎng)絡(luò)拓?fù)渲笜?biāo)主要包括網(wǎng)絡(luò)整體和節(jié)點(diǎn)屬性。整體屬性主要有：最短路徑長度(Short Path Length), 全局效率(Global Efficiency) (Latora &Marchiori, 2003), 聚類系數(shù)(Clustering Coefficient),模塊性(Modularity) (Newman, 2004), “小世界”(Small-World) (Humphries, Gurney, & Prescott,2006)。網(wǎng)絡(luò)彈性(Network Resilience) (Rubinov &Sporns, 2010)。節(jié)點(diǎn)描述主要通過節(jié)點(diǎn)中心度(Node Centrality)的指標(biāo)來實(shí)現(xiàn)(Rubinov & Sporns,2010)。度(Degree)是最常用的中心度度量, “親密”中心度(Closeness Centrality)被定義為一個(gè)節(jié)點(diǎn)到全腦所有節(jié)點(diǎn)最短路徑長度平均數(shù)的倒數(shù), 而介數(shù)中心度(Betweenness Centrality)是網(wǎng)絡(luò)中通過特定節(jié)點(diǎn)的最短路徑與最短路徑數(shù)量之和的比值,擁有高介數(shù)中心度的節(jié)點(diǎn)在網(wǎng)絡(luò)信息交換中起重要作用。上述指標(biāo)的計(jì)算和生理意義已在他人綜述中作出了很好的描述和解釋(見2009年Bullmore和Sporns及2010年梁夏、王金輝和賀永(2010)的綜述文章), 本文不再贅述。

近來的腦網(wǎng)絡(luò)研究主要集中在大腦核心節(jié)點(diǎn)(Hub)和Rich Club的研究上。腦連接的網(wǎng)絡(luò)分析已發(fā)現(xiàn)數(shù)個(gè)大腦中的關(guān)鍵節(jié)點(diǎn), 它們?cè)诙鄠€(gè)復(fù)雜認(rèn)知過程信息相互整合中起重要作用(Van den Heuvel & Sporns, 2013)。多個(gè)研究結(jié)果顯示：腹側(cè)和背側(cè)楔前葉, 扣帶回的前部和后部, 腹正中額葉和頂葉下部在功能網(wǎng)絡(luò)信息傳遞中起重要作用(Buckner et al., 2009; Cole, Pathak, & Schneider,2010; Zuo et al., 2012), 這些節(jié)點(diǎn)的空間分布很大程度上與默認(rèn)網(wǎng)絡(luò)重合(Greicius, Krasnow, Reiss,& Menon, 2003)。默認(rèn)網(wǎng)絡(luò)(Default Mode Network,DMN)是一個(gè)大尺度的腦網(wǎng)絡(luò), 包括內(nèi)側(cè)前額葉,楔前葉, 內(nèi)側(cè), 外側(cè), 下部頂葉區(qū)域, 在任務(wù)狀態(tài)下會(huì)持續(xù)負(fù)激活(Andrews-Hanna, Reidler, Sepulcre,Poulin, & Buckner, 2010), 其功能失調(diào)與多種精神障礙有密切關(guān)系(Broyd et al., 2009)。而Hub區(qū)域的異常被認(rèn)為與神經(jīng)或精神疾病中的行為異常,認(rèn)知受損有關(guān)(Bassett & Bullmore, 2009), 且在阿茲海默病和精神分裂癥中得到證明(Fornito,Zalesky, Pantelis, & Bullmore, 2012; Seeley,Crawford, Zhou, Miller, & Greicius, 2009), 而在抑郁癥中的研究還有待進(jìn)行。此外, 關(guān)鍵節(jié)點(diǎn)有其重要的特性：Rich Club。在人腦網(wǎng)絡(luò)中, 關(guān)鍵的節(jié)點(diǎn)總是傾向于相互之間建立更多聯(lián)系, 即關(guān)鍵節(jié)點(diǎn)之間的信息交換遠(yuǎn)多于關(guān)鍵節(jié)點(diǎn)與非關(guān)鍵節(jié)點(diǎn)之間, 這一特性甚至存在于30周的早產(chǎn)嬰兒中(Ball et al., 2014; Van den Heuvel & Sporns, 2011)。精神分裂癥病人被證實(shí)Rich Club特性受損(加權(quán)Rich Club系數(shù)(Weighted Rich Club Coefficient)-Φw(k)的下降), 即大腦關(guān)鍵節(jié)點(diǎn)之間的連接相較正常人更為稀疏(Van den Heuvel et al., 2013)。抑郁癥病人的Rich Club屬性是否改變也是值得研究的問題。

3 抑郁癥病人腦網(wǎng)絡(luò)拓?fù)鋵傩匝芯楷F(xiàn)狀

3.1 基于拓?fù)鋵傩詫?duì)比研究

復(fù)雜腦網(wǎng)絡(luò)分析早期的基本思路是找出抑郁癥病人和健康控制組之間拓?fù)鋵傩缘牟町悺eistedt等人2009年率先使用腦電圖的數(shù)據(jù)構(gòu)建了抑郁癥病人在睡眠情況下的復(fù)雜腦網(wǎng)絡(luò)(Leistedt et al., 2009)。該研究發(fā)現(xiàn)相比于控制組,抑郁癥病人的腦網(wǎng)絡(luò)最短路徑長度顯著降低, 即網(wǎng)絡(luò)在進(jìn)行較長距離的信息傳遞時(shí)效率降低, 速度減慢, 而聚類系數(shù)無明顯改變。該研究第一次用圖論的方式證實(shí)了抑郁癥病人神經(jīng)腦網(wǎng)絡(luò)的異常。隨后另有研究者利用靜息態(tài)腦網(wǎng)絡(luò)的數(shù)據(jù)構(gòu)建了抑郁癥病人的復(fù)雜腦網(wǎng)絡(luò), 進(jìn)行了更加精細(xì)的分析(Zhang et al., 2011)。結(jié)果表明抑郁癥病人和正?？刂平M的腦功能網(wǎng)絡(luò)都表現(xiàn)出小世界屬性,即功能的整合和分化達(dá)到了一定的平衡。但抑郁癥病人的路徑長度顯著降低, 全局效率異常升高,整體網(wǎng)絡(luò)偏向于隨機(jī)網(wǎng)絡(luò)。此外, 抑郁癥病人在尾狀核以及許多默認(rèn)網(wǎng)絡(luò)的節(jié)點(diǎn)(海馬皮層, 頂下皮層, 額中皮層)表現(xiàn)出節(jié)點(diǎn)中心度的增加, 即這些節(jié)點(diǎn)與其他節(jié)點(diǎn)之間功能同步性相比于正?？刂平M異常升高, 而在枕葉, 顳葉表現(xiàn)出節(jié)點(diǎn)中心度的下降。更重要的是左側(cè)海馬的節(jié)點(diǎn)中心度與病程, 疾病嚴(yán)重程度呈顯著負(fù)相關(guān), 左尾狀核的度中心度和疾病嚴(yán)重程度顯著負(fù)相關(guān), 顯示了該指標(biāo)對(duì)于抑郁癥疾病程度的敏感性。然而, 也有研究并未在路徑長度, 聚類系數(shù)和小世界屬性上發(fā)現(xiàn)抑郁組和正?？刂平M之間的明顯差異(Lord,Horn, Breakspear, & Walter, 2012)。作者認(rèn)為兩個(gè)研究人種的不同, 用藥的不同, 抑郁程度的不同是導(dǎo)致不同結(jié)果的主要原因。該研究同時(shí)為抑郁癥病人的復(fù)雜腦網(wǎng)絡(luò)研究提供了一條思路：引入了支持向量機(jī)(Support Vector Machine), 利用腦網(wǎng)絡(luò)指標(biāo)對(duì)兩組人群進(jìn)行分類。利用兩個(gè)網(wǎng)絡(luò)指標(biāo)即可在90%的正確率水平上進(jìn)行模式識(shí)別, 對(duì)個(gè)體疾病與否做出預(yù)測。以往研究一般是采用靜息狀態(tài)下大腦活動(dòng)數(shù)據(jù)構(gòu)建腦網(wǎng)絡(luò), 但是靜息狀態(tài)下腦活動(dòng)生理意義不是非常明確, 加之功能網(wǎng)絡(luò)中的節(jié)點(diǎn)連接是基于算法的功能同步性, 而非有明確物質(zhì)基礎(chǔ)的結(jié)構(gòu)關(guān)系, 所以最新的兩個(gè)研究分別探索了抑郁癥病人在基于灰質(zhì)體積的和基于彌散張量成像(Diffusion Tensor Imaging)的結(jié)構(gòu)網(wǎng)絡(luò)上異常(Korgaonkar, Fornito,Williams, &Grieve, 2014; Singh et al., 2013)?；屹|(zhì)體積網(wǎng)絡(luò)對(duì)比發(fā)現(xiàn)：抑郁癥病人表現(xiàn)出聚類系數(shù)的顯著下降,并且在額中回和顳中回?fù)碛懈俚年P(guān)鍵節(jié)點(diǎn)(Hub)。此外在抑郁癥病人中還發(fā)現(xiàn)較廣泛的節(jié)點(diǎn)屬性異常, 比如在左緣上回, 右直回的節(jié)點(diǎn)具有更大的度, 在右側(cè)杏仁核和左側(cè)眶額中回有更高的介數(shù)中心度; 彌散張量網(wǎng)絡(luò)對(duì)比發(fā)現(xiàn)：盡管在傳統(tǒng)的網(wǎng)絡(luò)拓?fù)鋵傩陨衔窗l(fā)現(xiàn)組間差異, 但抑郁癥病人在兩個(gè)獨(dú)立的子網(wǎng)絡(luò)上表現(xiàn)出更弱的結(jié)構(gòu)連接：第一個(gè)網(wǎng)絡(luò)主要包括默認(rèn)網(wǎng)絡(luò)的節(jié)點(diǎn)而第二個(gè)包括前額葉, 丘腦和尾狀核等與情緒和認(rèn)知加工密切相關(guān)的環(huán)路。該結(jié)果表明：抑郁癥主要影響的是默認(rèn)網(wǎng)絡(luò)及情緒加工環(huán)路中的白質(zhì)纖維連接, 從而影響自我意識(shí)和情緒加工的認(rèn)知功能。

3.2 基于拓?fù)鋵傩缘奶厥饽挲g抑郁癥病人研究

部分抑郁癥腦網(wǎng)絡(luò)研究粗糙的把所有年齡階段的抑郁癥病人歸為一類, 而未考慮抑郁癥亞型的特殊性, 可能是產(chǎn)生不一致結(jié)果的原因之一,同時(shí)青少年抑郁和老年抑郁由于其患病者的年齡特點(diǎn), 有獨(dú)特的研究價(jià)值：青少年抑郁是研究抑郁癥自然發(fā)病的良好模型(Cullen et al., 2009), 老年抑郁由于其特殊的流行病學(xué)特點(diǎn)和心理社會(huì)影響因素, 是從心理層面探求抑郁機(jī)制的窗口之一(Alexopoulos, 2005), 所以研究者們利用圖論的方法對(duì)這兩種較特殊的抑郁形式進(jìn)行了探究。

有研究對(duì)比了青少年抑郁癥患者和健康控制組的腦網(wǎng)絡(luò)拓?fù)鋵傩圆町?Jin et al., 2011)。結(jié)果顯示：青少年抑郁癥病人的小世界屬性雖然存在,但受其疾病的影響, 在和健康控制相比時(shí)表現(xiàn)出較低的聚類系數(shù)和較高的路徑長度。從局部指標(biāo)來看, 前扣帶回, 背外側(cè)前額葉, 額葉中前部和杏仁核的節(jié)點(diǎn)度上升, 其中杏仁核的度與疾病病程顯著正相關(guān)。研究發(fā)現(xiàn)老年抑郁癥病人的腦網(wǎng)絡(luò)小世界屬性依然存在, 但是表現(xiàn)出了更高的聚類系數(shù)和路徑長度, 而全局效率顯著降低。更重要的是, 通過計(jì)算機(jī)模擬, 隨機(jī)攻擊腦網(wǎng)絡(luò)節(jié)點(diǎn)以后, 老年抑郁癥病人腦網(wǎng)絡(luò)的抗攻擊性更弱。而從局部節(jié)點(diǎn)拓?fù)鋵傩詠砜? 受疾病影響的區(qū)域主要在邊緣系統(tǒng)和默認(rèn)網(wǎng)絡(luò)(Ajilore et al., 2014)。

3.3 基于拓?fù)鋵傩詥栴}導(dǎo)向研究

單純的對(duì)照研究僅能發(fā)現(xiàn)抑郁癥病人的腦網(wǎng)絡(luò)異常, 但是其結(jié)果對(duì)抑郁癥相關(guān)臨床問題理解意義不大, 利用拓?fù)渚W(wǎng)絡(luò)指標(biāo), 研究者們?cè)谝钟舭Y發(fā)病, 發(fā)展和復(fù)發(fā)過程中關(guān)鍵因素這些較關(guān)鍵的臨床問題的神經(jīng)機(jī)制也取得了一些進(jìn)展。最新研究利用復(fù)雜腦網(wǎng)絡(luò)這一工具對(duì)抑郁癥復(fù)發(fā)的神經(jīng)機(jī)制進(jìn)行了研究(Meng et al., 2014)。結(jié)果表明：抑郁癥病人背側(cè)紋狀體、額下、眶額皮層、枕葉和軀體運(yùn)動(dòng)皮層的節(jié)點(diǎn)效率, 中心度明顯異常。其中額下皮層的節(jié)點(diǎn)度和當(dāng)前抑郁狀態(tài)顯著負(fù)相關(guān), 更重要的是右側(cè)殼核的網(wǎng)絡(luò)拓?fù)浜蛷?fù)發(fā)次數(shù)正顯著相關(guān)。具體說來：隨著病人發(fā)病次數(shù)的增多, 右側(cè)殼核在信息交換中的效率異常升高; 右側(cè)伏隔核與更多的腦區(qū)建立起功能連接。另外,早期生活壓力是包括抑郁癥在內(nèi)的多種精神疾病的高危因素(Kilpatrick et al., 2003), 是研究抑郁癥發(fā)病機(jī)理的重要切入點(diǎn)。有研究構(gòu)建了有早期生活壓力的成年抑郁癥病人, 有早期生活壓力但未患抑郁癥的成年健康被試和無早期生活壓力的成年健康被試三組人群的情緒網(wǎng)絡(luò), 進(jìn)而對(duì)于調(diào)控, 適應(yīng)早期生活壓力的神經(jīng)機(jī)制進(jìn)行了研究(Cisler et al., 2013)。有早期生活壓力, 但是未患抑郁癥的人群表現(xiàn)出較低的右腹側(cè)前額葉皮層度和介數(shù)中心度, 但是其聚類系數(shù)較高; 背側(cè)前扣帶聚類系數(shù)和節(jié)點(diǎn)效率較低。有早期生活壓力而成年患抑郁癥的人群左側(cè)伏隔核度增高, 左側(cè)杏仁核效率降低但介數(shù)中心度增高, 左背外側(cè)前額葉介數(shù)中心度降低, 且這一指標(biāo)和早期生活壓力的嚴(yán)重程度呈負(fù)相關(guān)。另有國內(nèi)研究專門探討了童年忽視這一早期生活壓力對(duì)抑郁癥病人腦網(wǎng)絡(luò)的影響(Wang et al., 2013)。研究者根據(jù)童年忽視問卷, 將抑郁癥病人分為經(jīng)歷童年忽視組和未經(jīng)歷童年忽視組, 結(jié)果兩組均表現(xiàn)出腹側(cè)額中及扣帶回功能連接強(qiáng)度的下降。另外：相比于未經(jīng)歷童年忽視組, 童年經(jīng)歷忽視的個(gè)體在前額葉-邊緣系統(tǒng)-丘腦-小腦環(huán)路的多個(gè)情緒腦區(qū)表現(xiàn)出廣泛的功能連接強(qiáng)度下降, 且功能連接強(qiáng)度的下降與童年忽視問卷得分負(fù)相關(guān)。說明童年忽視對(duì)于對(duì)于成年后抑郁癥患者的情緒加工與情緒調(diào)控神經(jīng)系統(tǒng)造成不利影響。

相比于疾病的發(fā)生機(jī)制, 神經(jīng)影像學(xué)技術(shù)輔助精神疾病臨床診斷有著更廣闊的應(yīng)用價(jià)值?；诮Y(jié)構(gòu)或者功能的腦影像數(shù)據(jù), 利用多變量模式分析(Multivariate Pattern Analysis)方法, 以往研究已經(jīng)實(shí)現(xiàn)了較好的分類效果(Ardekani et al.,2011; Shen, Wang, Liu, & Hu, 2010)。有研究把基于靜息態(tài)構(gòu)建的全腦網(wǎng)絡(luò)模式作為特征值, 結(jié)合支持向量機(jī)(Support Vector Machine), 實(shí)現(xiàn)了對(duì)于抑郁癥病人100%的識(shí)別率和對(duì)于健康控制組89.7%的識(shí)別率, 同時(shí)找出了具有較高區(qū)別力的特定功能連接和腦區(qū)(Zeng et al., 2012)。最具辨別力的功能連接主要存在于默認(rèn)網(wǎng)絡(luò), 情感網(wǎng)絡(luò),視覺皮層系統(tǒng)和小腦系統(tǒng), 最具鑒別力的區(qū)域主要是杏仁核, 前扣帶回, 海馬旁回和海馬。此種機(jī)器學(xué)習(xí)分析方法的缺陷在于：雖然可能實(shí)現(xiàn)比較好的分類效果, 有臨床應(yīng)用價(jià)值, 但是其分類過程實(shí)現(xiàn)所依據(jù)的生理心理特點(diǎn)或過程很難闡明,對(duì)于研究者了解抑郁癥詳細(xì)機(jī)制, 實(shí)現(xiàn)更好的治療效果幫助不大。

4 局限與總結(jié)

抑郁癥誘發(fā)的腦結(jié)構(gòu)或腦功能異常往往不集中于某一點(diǎn), 而是存在于相互影響的由多個(gè)腦區(qū)構(gòu)成的結(jié)構(gòu)或功能系統(tǒng)。人們發(fā)現(xiàn)包括抑郁癥和雙向障礙在內(nèi)的情感障礙包含著網(wǎng)絡(luò)性的整體失調(diào), 具體來說包括：內(nèi)側(cè)前額葉、邊緣系統(tǒng)、紋狀體, 丘腦和前腦之間的信息流動(dòng)異常(Price &Drevets, 2012)。以往關(guān)注局部的腦成像分析方法在研究此類問題時(shí)往往不太適宜。具體說來, 局部結(jié)構(gòu)分析只能同時(shí)研究分離腦區(qū)各自的情況,而忽略了大腦結(jié)構(gòu)的網(wǎng)絡(luò)特性(Wen, He, &Sachdev, 2011); 在局部功能連接的分析中, 往往又只能探討特定腦區(qū)之間的特定連接, 而忽略了大腦全局的很多信息(Van den Heuvel & Hulshoff Pol, 2010)。元分析(Meta-analysis) 雖然能夠在大腦系統(tǒng)層面提供一定信息。比如：抑郁癥病人在連接前額葉和皮層及皮層下的四條重要白質(zhì)完整性降低(Liao et al., 2013), 但是其反映的依然只是整體的一個(gè)側(cè)面。

復(fù)雜腦網(wǎng)絡(luò)分析借助圖論工具可以從宏觀上計(jì)算整個(gè)大腦系統(tǒng)的各項(xiàng)指標(biāo), 如網(wǎng)絡(luò)效率, 抗攻擊性, 模塊性和關(guān)鍵節(jié)點(diǎn)等, 從一個(gè)完整的相互作用的網(wǎng)絡(luò)水平探索精神障礙病人的大腦整體特點(diǎn)(Bullmore & Sporns, 2009)。以往基于圖論的腦網(wǎng)絡(luò)研究顯示, 盡管抑郁癥患者的小世界屬性相比于正常人有所降低, 腦網(wǎng)絡(luò)更趨向于隨機(jī)網(wǎng)絡(luò), 但是依然存在明顯的小世界屬性, 提示其大腦功能整合和分化的平衡依舊存在。但相比于正常人的腦網(wǎng)絡(luò), 病人網(wǎng)絡(luò)的聚類系數(shù)明顯下降,即病人相比于正常人, 大腦功能整合減弱; 全局效率顯著降低, 即病態(tài)的網(wǎng)絡(luò)結(jié)構(gòu)信息傳遞效率明顯下降; 基于節(jié)點(diǎn)之間的關(guān)系計(jì)算的度中心度,介數(shù)中心度在疾病相關(guān)的腦區(qū)明顯異常, 即部分節(jié)點(diǎn)與周圍節(jié)點(diǎn)之間關(guān)系的紊亂。同時(shí), 異常腦區(qū)主要出現(xiàn)在默認(rèn)網(wǎng)絡(luò)和前額葉-邊緣系統(tǒng)環(huán)路,這與以往抑郁癥大腦結(jié)構(gòu)和功能異常的相關(guān)研究結(jié)果一致(Seminowicz et al., 2004; Zhu et al., 2012)

5 未來研究方向

人腦是一個(gè)高效復(fù)雜的“小世界”網(wǎng)絡(luò), 不同的狀態(tài)或疾病都會(huì)導(dǎo)致網(wǎng)絡(luò)屬性異常(蔣田仔, 劉勇, 李永輝, 2009), 抑郁癥也不例外。但是目前針對(duì)抑郁癥的腦網(wǎng)絡(luò)研究依然非常初步, 主要思路是探索抑郁癥病人和正常人網(wǎng)絡(luò)拓?fù)鋵傩缘牟町?。目? 急需深入對(duì)人腦這個(gè)“小宇宙”的理解水平, 特別是對(duì)人腦內(nèi)“暗能量”(低頻自發(fā)神經(jīng)活動(dòng))的理解(左西年, 張喆, 賀永, 臧玉峰, 2012),具體可以概括為以下兩個(gè)有廣泛應(yīng)用前景的復(fù)雜腦網(wǎng)絡(luò)分析新思路。

首先, 病理狀態(tài)下的事件相關(guān)復(fù)雜腦網(wǎng)絡(luò)分析。該方法能夠從系統(tǒng)分析的角度探討不同認(rèn)知過程下腦網(wǎng)絡(luò)的不同狀態(tài)。有研究提出在認(rèn)知任務(wù)的不同階段描述腦區(qū)之間功能連接的方法, 實(shí)現(xiàn)了在認(rèn)知任務(wù)條件下探究結(jié)構(gòu)上相互分離腦區(qū)的功能整合情況(Rissman, Gazzaley, & D'Esposito,2004)。近期該方法還被用于研究精神分裂癥病人認(rèn)知控制范式下的腦網(wǎng)絡(luò)(Fornito, Yoon, Zalesky,Bullmore, & Carter, 2011)。該方法不同于傳統(tǒng)的任務(wù)態(tài)磁共振數(shù)據(jù)分析, 局限于“認(rèn)知減法”下所保留的特異腦區(qū), 而是可以精細(xì)刻畫認(rèn)知作業(yè)條件下腦網(wǎng)絡(luò)的整體拓?fù)鋵傩浴Ｎ磥淼难芯恐? 可以采用與抑郁相關(guān)的經(jīng)典實(shí)驗(yàn)范式, 建立該認(rèn)知過程下的復(fù)雜腦網(wǎng)絡(luò)。比如, 抑郁與記憶系統(tǒng)有密切關(guān)系。抑郁癥病人通常在記憶中表現(xiàn)出情緒沖突的喚醒, 過度概括化等病理特點(diǎn), 這些特點(diǎn)均與自傳體記憶有關(guān)(Whalley, Rugg, & Brewin,2012)。建立自傳體記憶加工過程的復(fù)雜腦網(wǎng)絡(luò),可能會(huì)給人們了解抑郁癥病人自傳體記憶異常提供新的角度。

其次, 不同病程階段的“最小生長樹”腦網(wǎng)絡(luò)分析。最小生長樹(Minimum Spanning Tree)是一種基于圖論的數(shù)學(xué)表達(dá)方式。在樹形結(jié)構(gòu)中, 圖形中的所有節(jié)點(diǎn)以最小的代價(jià)被聯(lián)系在一起。因此被認(rèn)為具有最大的認(rèn)知經(jīng)濟(jì)性(Bullmore &Sporns, 2012)。所以最小生長樹被認(rèn)為代表了腦網(wǎng)絡(luò)的主要結(jié)構(gòu), 且能夠提供網(wǎng)絡(luò)變化的信息。有研究利用最小生長樹的方法分析了兒童大腦發(fā)育的網(wǎng)絡(luò)屬性變化(Boersma et al., 2013)。比較了227名兒童在5歲到7歲之間的兩次靜息腦電數(shù)據(jù)構(gòu)建的復(fù)雜腦網(wǎng)絡(luò)。結(jié)果發(fā)現(xiàn), 腦網(wǎng)絡(luò)在發(fā)育過程中逐漸趨向于分散的線性網(wǎng)絡(luò), 支持了腦網(wǎng)絡(luò)在發(fā)展過程中逐漸趨向于規(guī)則網(wǎng)絡(luò)的假設(shè)。更重要的是：文章證實(shí)了最小生長樹可以被用于描述大腦在不同發(fā)展階段細(xì)微的變化。未來研究中, 可以追蹤采集抑郁癥病人不同病程階段的大腦數(shù)據(jù)和臨床數(shù)據(jù), 用該方法來描述個(gè)體大腦在疾病發(fā)展過程中的變化情況, 為個(gè)體疾病發(fā)展診斷提供信息。

蔣田仔, 劉勇, 李永輝. (2009). 腦網(wǎng)絡(luò): 從腦結(jié)構(gòu)到腦功能.生命科學(xué)通訊, 21(2), 181-188.

梁夏, 王金輝, 賀永. (2010). 人腦連接組研究: 腦結(jié)構(gòu)網(wǎng)絡(luò)和腦功能網(wǎng)絡(luò).科學(xué)通報(bào), 55(16), 1565-1583.

左西年, 張喆, 賀永, 臧玉峰. (2012). 人腦功能連接組:方法學(xué)、發(fā)展軌線和行為關(guān)聯(lián).中國科學(xué), 57(35),3399-3413.

Ajilore, O., Lamar, M., Leow, A., Zhang, A., Yang, S., &Kumar, A. (2014). Graph theory analysis of corticalsubcortical networks in late-life depression.The American Journal of Geriatric Psychiatry, 22(2), 195-206.

Alexopoulos, G. S. (2005). Depression in the elderly.The Lancet, 365(9475), 1961-1970.

Andrews-Hanna, J. R, Reidler, J. S, Sepulcre, J., Poulin, R.,& Buckner, R. L. (2010). Functional-anatomic fractionation of the brain's default network.Neuron, 65(4), 550-562.

Ardekani, B. A, Tabesh, A., Sevy, S., Robinson, D. G., Bilder,R. M., & Szeszko, P. R. (2011). Diffusion tensor imaging reliably differentiates patients with schizophrenia from healthy volunteers.Human Brain Mapping, 32(1), 1-9.

Ball, G., Aljabar, P., Zebari, S., Tusor, N., Arichi, T.,Merchant, N.,... Counsell, S. J. (2014). Rich-club organization of the newborn human brain.Proceedings of the National Academy of Sciences of the United States of America, 111(20), 7456-7461.

Bassett, D. S., & Bullmore, E. T. (2009). Human brain networks in health and disease.Current Opinion in Neurology, 22(4), 340-347.

Boersma, M., Smit, D. J., Boomsma, D. I., De Geus, E. J.,Delemarre-Van de Waal, H. A., & Stam, C. J. (2013).Growing trees in child brains: Graph theoretical analysis of electroencephalography-derived minimum spanning tree in 5- and 7-year-old children reflects brain maturation.Brain Connectivity, 3(1), 50-60.

Broyd, S. J., Demanuele, C., Debener, S., Helps, S. K.,James, C. J., & Sonuga-Barke, E. J. S. (2009). Defaultmode brain dysfunction in mental disorders: A systematic review.Neuroscience & Biobehavioral Reviews, 33(3),279-296.

Buckner, R. L., Sepulcre, J., Talukdar, T., Krienen, F. M., Liu,H., Hedden, T.,... Johnson, K. A. (2009). Cortical hubs revealed by intrinsic functional connectivity: Mapping,assessment of stability, and relation to Alzheimer's disease.Journal of Neuroscience, 29(6), 1860-1873.

Bullmore, E., & Sporns, O. (2009). Complex brain networks:Graph theoretical analysis of structural and functional systems.Nature Reviews Neuroscience, 10(3), 186-198.

Bullmore, E., & Sporns, O. (2012). The economy of brain network organization.Nature Reviews Neuroscience, 13(5),336-349.

Cao, M., Shu, N., Cao, Q., Wang, Y., & He, Y. (2014).Imaging functional and structural brain connectomics in attention-deficit/hyperactivity disorder.Molecular Neurobiology,in press.

Chen, Z. J., He, Y., Rosa-Neto, P., Germann, J., & Evans, A.C. (2008). Revealing modular architecture of human brain structural networks by using cortical thickness from MRI.Cerebral cortex, 18(10), 2374-2381.

Cisler, J. M., James, G. A., Tripathi, S., Mletzko, T., Heim,C., Hu, X. P., ... Kilts, C. D. (2013). Differential functional connectivity within an emotion regulation neural network among individuals resilient and susceptible to the depressogenic effects of early life stress.Psychological Medicine, 43(3), 507-518.

Cole, M. W., Pathak, S., & Schneider, W. (2010). Identifying the brain's most globally connected regions.Neuroimage,49(4), 3132-3148.

Cullen, K. R., Gee, D. G., Klimes-Dougan, B., Gabbay, V.,Hulvershorn, L., Mueller, B. A.,... Kumra, S. (2009). A preliminary study of functional connectivitys in comorbid adolescent depression.Neuroscience Letters, 460(3),227-231.

Dai, Z., & He, Y. (2014). Disrupted structural and functional brain connectomes in mild cognitive impairment and Alzheimer's disease.Neuroscience Bulletin, 30(2), 217-232.

Fornito, A., Yoon, J., Zalesky, A., Bullmore, E. T., & Carter,C. S. (2011). General and specific functional connectivity disturbances in first-episode schizophrenia during cognitive control performance.Biological Psychiatry, 70(1), 64-72.

Fornito, A., Zalesky, A., Pantelis, C., & Bullmore, E. T.(2012). Schizophrenia, neuroimaging and connectomics.Neuroimage, 62(4), 2296-2314.

Greicius, M. D., Krasnow, B., Reiss, A. L., & Menon, V.(2003). Functional connectivity in the resting brain: A network analysis of the default mode hypothesis.Proceedings of the National Academy of Sciences of the United States of America, 100(1), 253-258.

Hagmann, P., Kurant, M., Gigandet, X., Thiran, P., Wedeen,V. J, Meuli, R., & Thiran, J. P. (2007). Mapping human whole-brain structural networks with diffusion MRI.PloS One, 2, e597.

He, Y., Chen, Z. J., & Evans, A. C. (2007). Small-world anatomical networks in the human brain revealed by cortical thickness from MRI.Cerebral Cortex, 17(10),2407-2419.

Hulshoff Pol, H., & Bullmore, E. (2013). Neural networks in psychiatry.European Neuropsychopharmacology, 23(1),1-6.

Humphries, M. D., Gurney, K., & Prescott, T. J. (2006). The brainstem reticular formation is a small-world, not scale-free, network.Proceedings of The Roy Society B:Biological Sciences, 273(1585), 503-511.

Jia, Z. Y., Huang, X. Q., Wu, Q. Z., Zhang, T. J., Lui, S.,Zhang, J. R.,... Gong, Q. Y. (2010). High-field magnetic resonance imaging of suicidality in patients with major depressive disorder.The American Journal of Psychiatry,167, 1381-1390.

Jin, C., Gao, C., Chen, C., Ma, S., Netra, R., Wang, Y.,... Li,D. (2011). A preliminary study of the dysregulation of the resting networks in first-episode medication-naive adolescent depression.Neuroscience Letters, 503(2), 105-109.

Kessler, R. C., Berglund, P., Demler, O., Jin, R., Koretz, D.,Merikangas, K. R.,... Wang, P. S. (2003). The epidemiology of major depression disorder:result from the National Comorbidity Survey Replication (NCS-R).JAMA,289(23), 3095-3105.

Kilpatrick, D. G., Ruggiero, K. J., Acierno, R., Saunders, B.E., Resnick, H. S., & Best, C. L. (2003). Violence and risk of PTSD, major depression, substance abuse/dependence,and comorbidity: Results from the National Survey of Adolescents.Journal of Consulting and Clinical Psychology,71(4), 692-700.

Korgaonkar, M. S., Fornito, A., Williams, L. M., & Grieve, S.M. (2014). Abnormal structural networks characterize major depressive disorder: A connectome analysis.Biological Psychiatry(in press).

Latora, V., & Marchiori, M. (2003). Economic small-world behavior in weighted networks.The European Physical Journal B-Condensed Matter, 32(2), 249-263.

Leistedt, Samu?l J. J., Coumans, N., Dumont, M., Lanquart,J., Stam, C. J, & Linkowski, P. (2009). Altered sleep brain functional connectivity in acutely depressed patients.Human Brain Mapping, 30, 2207-2219.

Liang, M. J., Zhou, Q., Yang, K. R., Yang, X. L., Fang, J.,Chen, W. L., & Huang, Z. (2013). Identify changes of brain regional homogeneity in bipolar disorder and unipolar depression using Resting-State fMRI.PloS One,8(12), e79999.

Liao, Y., Huang, X., Wu, Q., Yang, C., Kuang, W., Du, M.,...Gong, Q. (2013). Is depression a disconnection syndrome?Meta-analysis of diffusion tensor imaging studies in patients with MDD.Journal of Psychiatry & Neuroscience,38(1), 49-56.

Liu, F., Guo, W. B., Liu, L., Long, Z. L., Ma, C. Q., Xue, Z.M., ... Chen, H. F. (2013). Abnormal amplitude low-frequency oscillations in medication-naive, first-episode patients with major depressive disorder: A resting-state fMRI study.Journal of Affective Disorders, 146, 401-406.

Lord, A., Horn, D., Breakspear, M., & Walter, M. (2012).Changes in community structure of resting state functional connectivity in unipolar depression.PLoS One, 7(8), e41282.

Meng, C., Brandl, F., Tahmasian, M., Shao, J., Manoliu, A.,Scherr, M.,... Sorg, C. (2014). Aberrant topology of striatum's connectivity is associated with the number of episodes in depression.Brain, 137(Pt 2), 598-609.

Menon, V. (2011). Large-scale brain networks and psychopathology: A unifying triple network model.Trends in Cognitive Sciences, 15, 483-506.

Newman, M. E. J. (2004). Fast algorithm for detecting community structure in networks.Physical Review E, 69(6 Pt 2), 066133.

Osoba, A., H?nggi, J., Li, M., Horn, D. I., Metzger, C., Eckert,U.,... Schiltz, K. (2013). Disease severity is correlated to tract specific changes of fractional anisotropy in MD and CM thalamus—A DTI study in major depressive disorder.Journal of Affective Disorders, 149(1), 116-128.

Price, J. L, & Drevets, W. C. (2012). Neural circuits underlying the pathophysiology of mood disorders.Trends in Cognitive Sciences, 16(1), 61-71.

Rissman, J., Gazzaley, A., & D'Esposito, M. (2004).Measuring functional connectivity during distinct stages of a cognitive task.NeuroImage, 23, 752-763.

Rubinov, M., & Sporns, O. (2010). Complex network measures of brain connectivity: Uses and interpretations.Neuroimage, 52(3), 1059-1069.

Sacher, J., Neumann, J., Fünfstück, T., Soliman, A.,Villringer, A., & Schroeter, M. L. (2012). Mapping the depressed brain: A meta-analysis of structural and functional alterations in major depressive disorder.Journal of Affective Disorders, 140(2), 142-148.

Salvador, R., Suckling, J., Coleman, M. R., Pickard, J. D.,Menon, D., & Bullmore, E. D. (2005). Neurophysiological architecture of functional magnetic resonance images of human brain.Cerebral Cortex, 15(9), 1332-1342.

Sartorius, N. (2001). The economic and social burden of depression.Journal of Clinical Psychiatry, 62, 8-11.

Seeley, W. W., Crawford, R. K., Zhou, J., Miller, B. L, &Greicius, M. D. (2009). Neurodegenerative diseases target large-scale human brain networks.Neuron, 62(1), 42-52.

Seminowicz, D. A., Mayberg, H. S., McIntosh, A. R.,Goldapple, K., Kennedy, S., Segal, Z., & Rafi-Tari, S.(2004). Limbic-frontal circuitry in major depression: A path modeling metanalysis.Neuroimage, 22(1), 409-418.

Shen, H., Wang, L. B., Liu, Y. D., & Hu, D. E. (2010).Discriminative analysis of resting-state functional connectivity patterns of schizophrenia using low dimensional embedding of fMRI.Neuroimage, 49(4), 3110-3121.

Singh, M. K, Kesler, S. R, Hadi Hosseini, S. M., Kelley, R. G,Amatya, D., Hamilton, J. P.,... Gotlib, I. H. (2013).Anomalous gray matter structural networks in major depressive disorder.Biological Psychiatry, 74, 777-785.

Swanson, L. W. (2012).Brain architecture: Understanding the basic plan. Oxford: Oxford University Press.

Van den Heuvel, M. P, & Hulshoff Pol, H. E. (2010). Exploring the brain network: A review on resting-state fMRI functional connectivity. European Neuropsychopharmacology,20, 519-534.

Van den Heuvel, M. P., & Sporns, O. (2011). Rich-club organization of the human connectome.The Journal of Neuroscience, 31(44), 15775-15786.

Van den Heuvel, M. P., & Sporns, O. (2013). Network hubs in the human brain.Trends in Cognitive Sciences, 17(12),683-696.

Van den Heuvel, M. P., Sporns, O., Collin, G., Scheewe, T.,Mandl, R. C., Cahn, W.,... Kahn, R. S. (2013). Abnormal rich club organization and functional brain dynamics in schizophrenia.JAMA Psychiatry, 70(8), 783-792.

Wang, L., Dai, Z., Peng, H., Tan, L., Ding, Y., He, Z.,... Li, L.(2013). Overlapping and segregated resting-state functional connectivity in patients with major depressive disorder with and without childhood neglect.Human Brain Mapping,35, 1154-1166.

Watts, D. J., & Strogatz, S. H. (1998). Collective dynamics of 'small-world' networks.Nature, 393(6684), 440-442.

Wen, W., He, Y., & Sachdev, P. (2011). Structural brain networks and neuropsychiatric disorders.Current Opinion in Psychiatry, 24, 219-225.

Whalley, M. G, Rugg, M. D, & Brewin, C. R. (2012).Autobiographical memory in depression: An fMRI study.Psychiatry Research: Neuroimaging, 201(2), 98-106.

Zhang, J. R., Wang, J. H., Wu, Q. Z., Kuang, W. H., Huang,X. Q., He, Y., & Gong, Q. Y. (2011). Disrupted brain connectivity networks in drug-naive, first-episode major depressive disorder.Biological Psychiatry, 70(4),334-342.

Zeng, L. L., Shen, H., Liu, L., Wang, L., Li, B., Fang, P.,...Hu, D. (2012). Identifying major depression using whole-brain functional connectivity: A multivariate pattern analysis.Brain, 135(Pt 5), 1498-1507.

Zhu, X. L., Wang, X., Xiao, J., Liao, J., Zhong, M. T., Wang,W., & Yao, S. Q. (2012). Evidence of a dissociation pattern in resting-state default mode network connectivity in first-episode, treatment-naive major depression patients.Biological Psychiatry, 71(7), 611-617.

Zuo, X. N., Ehmke, R., Mennes, M., Imperati, D.,Castellanos, F. X., Sporns, O., & Milham, M. P. (2012).Network centrality in the human functional connectome.Cerebral Cortex, 22(8), 1862-1875.