使用虚拟现实研究自闭症的神经网络动力学

一项国际研究合作开发了一种 VR 成像系统，该系统可以测量小鼠大脑皮层在活跃行为过程中的各种神经活动。这使他们能够阐明在自闭症模型小鼠中发现的皮质功能网络动力学异常。使用机器学习，他们还能够根据小鼠开始或停止奔跑时的皮层功能网络模式，高度准确地区分自闭症模型小鼠和野生型小鼠。

图 1. A，成像和虚拟现实 (VR) 系统。B，实验照片 C，贴在小鼠头骨上的经颅成像窗口示意图。D，50 个皮质 ROI 叠加在带有皮质分割图的背侧皮质灰度图像上（顶部，虚线表示视野，比例尺 = 1 毫米）。ROI 1-25 和 26-50 分别定义在左 (L) 和右 (R) 半球，每个半球的 ROI 沿前后轴（底部）编号。E，皮质功能连接分析。在计算每个 ROI 的归一化荧光变化 (dF/F) 后，计算所有 ROI 对在一秒时间窗内的皮层活动成对皮尔逊校正系数，然后将其可视化为矩阵。每个矩阵在时间窗口的第一帧都标有相应的行为状态。在功能网络的图形可视化中，相关系数高于阈值 (r > 0.8) 的连通性表示为连接相应 ROI（节点）的线（边）。

该研究小组由 Toru Takumi 教授和 Nobuhiro Nakai 助理教授（神户大学医学研究生院生理学系）和 Masaaki Sato（北海道大学医学研究生院药理学系讲师）领导。Takumi 教授还是 RIKEN 生物系统动力学研究中心的访问高级科学家。

自闭症（自闭症谱系障碍）是一种神经发育障碍，具有许多未探索的方面，其特征是社交沟通不畅、对某些事物的强烈关注和重复行为。自闭症患者的数量正在显着增加，这被认为是一个重大的社会问题。即使是现在，自闭症的诊断也是基于行为特征，远没有从定量的角度进行，对发现新的生物标志物的需求很大。

近年来，已经进行了研究以确定自闭症患者特有的功能性大脑异常。静息态 fMRI 研究表明，功能性大脑网络的密度在年轻的自闭症患者中增加，而在成年人中减少。然而，这些变化因人而异。由于分析是在参与者处于静止状态时进行的，因此尚不清楚功能性大脑网络的异常如何影响行为。

遗传学对自闭症有重大贡献，基因组异常如拷贝数变异 (CNV) 被认为与神经病理学有关。最近，模拟人类基因组畸变的动物（主要是小鼠）经常被用来阐明自闭症的神经病理学。在这项研究中，研究人员开发了一种 VR 成像系统，可以实时测量自闭症模型小鼠在主动行为期间的大脑活动。通过研究大脑功能网络动力学，研究小组旨在阐明行为过程中大脑中自闭症特有的现象。

首先，构建了 VR 成像系统（图 1A）。将头部固定的鼠标放在跑步机上，并在屏幕上显示投影的虚拟空间图像。虚拟空间的准备使其再现了用于小鼠行为实验的领域。跑步机的运动反映在视频图像中，允许小鼠自由探索虚拟空间（图 1B）。除了运动等行为测量外，还同时进行了经颅钙成像，以便实时测量大脑皮层中广泛的功能区活动（图 1C-E）。为此，研究人员使用了转基因小鼠在它们的神经元中表达钙传感器蛋白 (GCaMP)。此外，他们还建立了一种分析皮质功能网络动力学的方法。他们根据通过钙成像获得的一秒神经活动数据计算功能区域之间的相关性，并使用图论可视化功能网络（图 1E）。

图 2.A，Emx1G6 小鼠和 Emx1G615q dup 小鼠的代表性轨迹（左）和运动行为（右）。运动速度和运动周期 (Loco) 以及每个基因型的其余部分在右侧面板中从上到下显示。B，Emx1G6 小鼠和 Emx1G615q dup 小鼠在 10 分钟期间的运动活动。数据代表平均值±SEM。通过 t 检验得出的 P 值。n = 来自 7 只 Emx1G6 小鼠的 89 次会话和来自 9 只 Emx1G615q dup 小鼠的 88 次会话。C，在 Emx1G6 小鼠和 Emx1G615q dup 小鼠中每种类型的发作所花费的时间百分比。数据代表所有会话的平均值。DE，野生型 (D) 和 15q dup 小鼠 (E) 运动开始点和停止点附近皮质功能网络动力学的变化。F，每个感兴趣区域在行为改变点前后的平均功能连接数。G，每个感兴趣区域的网络中心性的平均值。H，模块化比较。

研究人员分析了小鼠在跑步机上自发开始或停止移动（运动）前后的三个第二时间窗口，并检查了每个时间窗口中的网络特征。结果表明，网络结构随着运动的开始而变化，并且模块性增加（图 2）。还发现当运动停止时网络结构恢复到静止状态。因此，他们成功地可视化了从静止到运动以及从运动到静止的转换过程中的网络动态。

接下来，研究人员使用这个 VR 成像系统来分析自闭症模型小鼠的功能性皮层网络。在实验中，他们使用了 15q dup 小鼠，这是第一个建立的具有拷贝数变异的自闭症小鼠模型。15q dup 小鼠在 VR 空间中表现出减少的运动和行进距离（图 2A-C）。对功能性皮层网络的检查显示，运动启动后网络连接增加，网络中心性降低，功能网络模块性降低（图 2D-H）。

图 3. A，支持向量机学习行为发生前后的皮质功能网络信息，并根据测试数据区分自闭症模型小鼠和野生型小鼠。B，在运动起点处使用来自每个 1 秒时间窗口的数据时机器学习的判别准确度（绿色：使用所有功能键训练时的结果，蓝色：仅使用重要性指数中前 1% 的功能键训练时的结果，灰色：使用随机数据训练时的结果）。C，功能域的重要性指数。该值越高，对区分自闭症模型小鼠和野生型小鼠越重要。右图是最重要的索引连接的可视化。

基于网络模式的这些差异，研究人员尝试使用支持向量机 (SVM)（一种机器学习）通过皮质功能网络识别自闭症模型小鼠（图 3A）。多个个体 15q dup 小鼠和野生型小鼠的网络模式被用作训练数据，SVM 能够区分个体测试数据是否来自自闭症模型小鼠，准确率为 78%~89%（图 1）。 3B). 这一结果表明，行为过程中的功能性大脑网络包含有关基因型识别的多种信息。研究人员还检查了哪些信息对大脑有影响，发现运动皮层的功能连接对于自闭症模型小鼠的识别至关重要（图 3C）。

总之，作为自闭症模型的 15q dup 小鼠在运动过程中具有致密的功能性皮层网络并降低了模块性。研究人员还发现，机器学习可以根据与行为变化相关的功能性皮层网络模式，以高度准确的方式识别自闭症模型小鼠。

进一步的研究

自闭症小鼠模型中的功能性大脑网络以运动皮层的功能连接为特征，这对于确定自闭症至关重要。对这些解剖学联系和神经生理学的详细研究将有助于阐明运动皮层和其他大脑区域之间的哪些网络在自闭症病理学中起着关键作用。此外，进一步研究自闭症在主动行为过程中的功能性脑网络动力学，有望发现用于诊断自闭症的新生物标志物。

通过分析从活动小鼠身上记录的大量皮层活动，研究人员能够可视化大脑功能性皮层网络中依赖于行为的动态变化。VR 允许创建利用多种感官信息（包括视觉、听觉和嗅觉）的多模式环境。由于人们自闭症的一个显着症状是社交障碍，研究人员希望在虚拟空间中为小鼠构建一个社交环境，并研究自闭症模型小鼠进行社交行为时功能网络动态如何变化。