《Nature Communications》:Coupled cross-sectional and longitudinal non-negative matrix factorization reveals dominant brain aging trajectories in 48,949 individuals
编辑推荐:
本研究针对机器学习方法在解析大脑衰老与神经退行性变异质性时,因依赖横断面数据而对疾病进程洞察有限的问题,开发了耦合横断面与纵向非负矩阵分解(CCL-NMF)框架。该研究通过对iSTAGING队列中48,949个体的神经影像数据进行分析,成功识别出7种可重复且具生物学意义的神经解剖学模式。个体对这些模式的表达系数与认知、遗传和生活方式因素存在特异性关联。研究开发了基于回归的工具以便在外部队列中应用。该成果有助于改进神经退行性疾病的风险评估和治疗效果评价。
随着年龄的增长,我们的大脑会发生复杂的变化,这些变化与认知能力下降和神经退行性疾病(如阿尔茨海默病)的风险密切相关。然而,大脑衰老并非千篇一律的过程,它展现出高度的个体异质性,意味着不同的人可能遵循着截然不同的衰老轨迹。传统的神经影像学研究方法常常面临一个核心困境:它们大多依赖于横断面数据,即在单个时间点比较不同年龄个体的脑部特征。这种方法虽然能捕捉年龄相关的差异,却难以区分这些差异是源于个体间固有的不同,还是真正代表了随时间推移的衰老进程本身,从而限制了我们对疾病如何发生和发展的深入理解。为了更精准地评估疾病风险并开发有效的干预策略,迫切需要一个能够整合多个时间点信息、从而在个体层面描绘出动态衰老轨迹的分析框架。
近期,一项发表在《Nature Communications》上的研究为这一难题提供了创新的解决方案。为了克服横断面数据的局限性,更清晰地描绘大脑衰老的动态模式,研究人员开展了一项大规模研究。他们开发了一种名为“耦合横断面与纵向非负矩阵分解”(Coupled Cross-sectional and Longitudinal Non-negative Matrix Factorization, CCL-NMF)的新型计算框架。这个框架的核心突破在于,它能够同时利用来自大量个体的横断面神经影像数据,以及来自部分个体的、跨越多个时间点的纵向追踪数据。通过这种“耦合”分析,CCL-NMF旨在从海量的脑部结构变化信息中,提取出若干种主导性的、可解释的大脑衰老“模式”。更重要的是,该方法允许每一个个体同时表达多种模式,从而能够更真实地反映大脑中可能并存的、混合的神经病理变化过程。
本研究的关键技术方法主要包括:研究人员开发了耦合横断面与纵向非负矩阵分解(CCL-NMF)这一核心算法框架,用于从神经影像数据中分解出主导的衰老模式。该研究应用了来自协调一致的iSTAGING(integrative Study of Aging and Genetics in neuroimaging)队列的神经影像数据,样本量高达48,949名个体。分析主要基于结构磁共振成像(structural MRI)数据。为了促进该方法的广泛应用,研究者还开发了一个基于回归的工具,用于在未参与原始分析的外部研究队列中估计个体对已识别衰老模式的表达水平,而无需重新运行整个复杂的计算框架。
研究结果
CCL-NMF识别出七种可重复的神经解剖学衰老模式
通过将CCL-NMF框架应用于iSTAGING联盟的大规模、多中心神经影像数据集,研究人员成功分解出七种截然不同、且在统计上可重复的神经解剖学模式。这些模式并非随机噪声,它们具有明确的生物学意义,分别对应于大脑中不同的灰质与白质体积变化轨迹。例如,某些模式可能特定性地与记忆相关脑区(如海马体)的萎缩相关,而另一些模式则可能广泛地涉及皮层区域或白质纤维束。这七种模式的发现,从数据驱动的角度证实了大脑衰老存在多种潜在的共性路径。
个体模式表达系数与认知、遗传及生活方式因素特异性关联
研究进一步计算了每个个体对于这七种衰老模式的“负荷系数”(loading coefficients),该系数量化了特定模式在个体大脑衰老中的贡献程度。分析这些负荷系数与外部变量的关系发现,它们与认知功能、遗传风险和生活方式因素呈现出特异性的关联模式。这意味着,携带特定遗传变异(如阿尔茨海默病风险基因APOE ε4等位基因)的个体,可能在某些衰老模式上表现出更高的负荷;同时,不同的生活方式因素(如教育年限、身体活动水平)也可能对不同衰老模式的表达产生差异性影响。这些关联为理解为何特定人群具有更高的神经退行性疾病风险提供了机制性线索。
开发回归工具实现衰老模式负荷的外部估计
为了推动该研究成果的转化应用,使其能够服务于更广泛的临床和研究群体,研究人员基于已识别的七种衰老模式,开发了一个轻量化的、基于回归的估计工具。利用这个工具,其他研究团队可以在其独立的队列数据中,仅通过回归计算即可估算出个体对这七种衰老模式的负荷系数,而无需获取原始的纵向数据或重新运行计算密集型的CCL-NMF分解过程。这极大地降低了方法的应用门槛,促进了研究发现的验证与推广。
结论与讨论
本研究通过创新性地耦合横断面与纵向数据,利用CCL-NMF框架,在大规模人群(n=48,949)中系统性地揭示了个体大脑衰老的异质性,并识别出七种具有生物学意义的主导性神经解剖学衰老模式。这些模式并非彼此排斥,而是可以共存于同一个体,这更好地模拟了真实世界中混合性神经病理过程并存的现象。个体对这些模式的表达水平(负荷系数)与认知表现、遗传风险和生活方式因素存在特异性关联,这为在个体层面解读大脑衰老的驱动因素和后果建立了重要桥梁。
该研究的核心意义在于方法论和应用层面的双重突破。在方法论上,CCL-NMF提供了一种强大的、可推广的分析范式,能够从多时间点数据中提取可解释的生物标志物模式,这一框架原则上可扩展至其他神经影像模态(如功能MRI、弥散张量成像)乃至非影像生物标志物。在应用层面,研究不仅提供了关于大脑衰老轨迹的新知识,更重要的是开发了便于使用的工具,使得基于这些衰老模式进行个体化风险评估成为可能。未来,在临床环境中,医生或许可以利用类似工具,通过一次结构MRI扫描来评估患者大脑正倾向于遵循哪种衰老轨迹,从而实现神经退行性疾病的早期风险分层、个性化预防策略制定以及治疗效果的动态监测。尽管本研究主要基于结构MRI,但其框架为理解复杂生物系统的动态变化提供了通用思路,有望推动精准脑健康管理的发展。