DOI: https://doi.org/10.1038/s41593-025-02196-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41540261
تاريخ النشر: 2026-01-15
المؤلف: Martijn P. van den Heuvel وآخرون
الموضوع الرئيسي: دراسات الاتصال الوظيفي في الدماغ
نظرة عامة
تعتبر خريطة الشبكة الآلية (LNM) تقنية تصوير عصبي تربط بين آفات الدماغ والتغيرات في الاتصال الوظيفي (FC) مع الشبكات الدماغية المرتبطة بمختلف الاضطرابات العصبية والنفسية. على الرغم من فائدتها، كشفت LNM عن قيد كبير: إنها تعتمد على أخذ عينات متكررة من نفس مصفوفة FC، مما يؤدي إلى رسم تغييرات محلية متنوعة في الدماغ – سواء من آفات المرضى أو التغيرات الاصطناعية – على خصائص غير محددة مماثلة لبيانات FC. وهذا يؤدي إلى تحديد شبكات متشابهة للغاية عبر ظروف مختلفة، مثل الإدمان والاكتئاب والذهان والصرع، مما يثير القلق بشأن فعالية الطريقة في تمييز الشبكات البيولوجية الفريدة التي تكمن وراء هذه الاضطرابات.
تشدد الدراسة على الحاجة إلى الحذر عند استخدام LNM للتحقيق في الدوائر العصبية المميزة المرتبطة بمختلف اضطرابات الدماغ. وتقترح أن القيود الأساسية للطريقة قد تعيق تحديد مناطق الدماغ والدورات المسؤولة عن الأعراض العصبية والنفسية. يدعو المؤلفون إلى تطوير منهجيات جديدة لرسم الشبكات تستند إلى المبادئ الأساسية، والتي يمكن أن تعزز فهم العلاقة بين التغيرات الدماغية والنتائج السلوكية، لا سيما في الظروف المعقدة التي تتميز بشذوذات دماغية غير متجانسة.
النتائج
تظهر نتائج الدراسة وجود ارتباط قوي بين خريطة الشبكة الآلية (LNM) ومجموع متجه الاتصال الوظيفي الطبيعي، كما يتضح من تحليل مجموعة بيانات GSP1000. تم حساب متجه مجموع الصفوف لمصفوفة الاتصال المتوسطة للمجموعة وارتبط مع مختلف الشبكات المبلغ عنها في LNM، مما أسفر عن معاملات ارتباط عالية (على سبيل المثال، $r = 0.95$ لاضطراب الاكتئاب الشديد و$r = 0.97$ للفصام). ومن الجدير بالذكر أن 78 من أصل 102 شبكة LNM وsLNM المنشورة التي تم تحليلها أظهرت آثارًا ملحوظة من الدرجة، مما يشير إلى أن هذه الشبكات تعكس الهيكل الأساسي للاتصال في الدماغ.
توضح النتائج أيضًا أن شبكات LNM المستمدة من مجموعات بيانات آفات صغيرة وكبيرة، بما في ذلك حالات مثل الإدمان والاكتئاب والذهان، تتماشى باستمرار مع خصائص الاتصال الطبيعي. على سبيل المثال، أظهرت شبكات LNM المتعلقة بالإدمان معاملات ارتباط تتراوح من $r = 0.81$ إلى $r = 0.82$، بينما أظهرت الشبكات المتعلقة بالذهان وفقدان الذاكرة ارتباطات أقوى ($r = 0.95$ إلى $r = 0.98$). تؤكد الدراسة على أن الأنماط المكانية لشبكات LNM يمكن تفسيرها إلى حد كبير من خلال نفس الخصائص الأساسية لمتصل الاتصال الطبيعي، مما يشير إلى علاقة منهجية بين التغيرات الناتجة عن الآفات والاتصال الوظيفي.
المناقشة
تتناول قسم المناقشة في ورقة البحث القيود والتعقيدات المنهجية لنهج خريطة الشبكة الآلية (LNM)، الذي يُستخدم على نطاق واسع لتحديد دوائر الدماغ المرتبطة بالحالات العصبية والنفسية. تتضمن عملية LNM ثلاث خطوات رئيسية: رسم الآفات إلى فوكسي الدماغ القياسية، حساب الاتصال الوظيفي (FC) من خلال ارتباط بيانات fMRI في حالة الراحة، وتجميع هذه النتائج لتشكيل شبكة على مستوى المجموعة. يبرز المؤلفون أن إطار عمل LNM يميل إلى التقارب نحو الخصائص الأساسية لمصفوفة الاتصال الوظيفي الطبيعي، مما يؤدي غالبًا إلى نتائج تعكس أنماطًا واسعة وغير محددة بدلاً من الشبكات المرتبطة بالأمراض المميزة. يُعزى هذا التقارب إلى العمليات الخطية المتضمنة في منهجية LNM، التي تأخذ عينات متكررة من نفس مصفوفة الاتصال، مما يؤدي إلى نقص في التخصص المرضي في الخرائط الناتجة.
يناقش المؤلفون أيضًا تداعيات نتائجهم، مقترحين أن العديد من الشبكات المستمدة من LNM قد لا تمثل بدقة الشبكات البيولوجية الأساسية للدماغ. بدلاً من ذلك، تعكس الهيكل الكامن للاتصال الطبيعي، مما يثير القلق بشأن صلاحية استخدام LNM للتطبيقات السريرية، مثل استهداف علاجات تحفيز الدماغ. يقترحون أن التباين المكاني الملحوظ في التغيرات الدماغية عبر الاضطرابات قد لا يشير بالضرورة إلى وجود شبكات وظيفية فريدة ولكن بدلاً من ذلك إلى تقارب على تعبيرات فينوتيبية مشتركة. يدعو المؤلفون إلى إعادة تقييم منهجيات LNM وأطرها الإحصائية، مشددين على الحاجة إلى نهج أكثر دقة يمكن أن يلتقط بشكل أفضل تعقيد الاتصال الدماغي في السكان السريريين.
DOI: https://doi.org/10.1038/s41593-025-02196-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41540261
Publication Date: 2026-01-15
Author(s): Martijn P. van den Heuvel et al.
Primary Topic: Functional Brain Connectivity Studies
Overview
Lesion network mapping (LNM) is a neuroimaging technique that correlates brain lesions and functional connectivity (FC) alterations with brain networks associated with various neurological and psychiatric disorders. Despite its utility, LNM has revealed a significant limitation: it relies on repetitive sampling of the same FC matrix, which leads to the mapping of diverse local brain changes—whether from patient lesions or synthetic alterations—onto similar, nonspecific properties of the FC data. This results in the identification of highly analogous networks across different conditions, such as addiction, depression, psychosis, and epilepsy, raising concerns about the method’s effectiveness in distinguishing unique biological networks underlying these disorders.
The study emphasizes the need for caution in employing LNM for investigating the distinct neural circuits associated with various brain disorders. It suggests that the method’s foundational limitations may hinder the identification of specific brain regions and circuits responsible for neurological and psychiatric symptoms. The authors advocate for the development of new network-mapping methodologies grounded in first principles, which could enhance the understanding of the relationship between brain alterations and behavioral outcomes, particularly in complex conditions characterized by heterogeneous brain abnormalities.
Results
The results of the study demonstrate a strong correlation between the lesion network mapping (LNM) and the summation vector of the normative functional connectome, as evidenced by the analysis of the GSP1000 dataset. The row-summation vector of the group-average connectivity matrix was computed and correlated with various reported LNM networks, yielding high correlation coefficients (e.g., $r = 0.95$ for major depressive disorder and $r = 0.97$ for schizophrenia). Notably, 78 out of 102 published LNM and sLNM networks analyzed exhibited significant traces of degree, indicating that these networks are reflective of the underlying connectivity structure of the brain.
The findings further illustrate that LNM networks derived from both small and large lesion datasets, including conditions such as addiction, depression, and psychosis, consistently align with the normative connectome’s properties. For instance, LNM networks related to addiction showed correlation coefficients ranging from $r = 0.81$ to $r = 0.82$, while networks for psychosis and amnesia exhibited even stronger correlations ($r = 0.95$ to $r = 0.98$). The study emphasizes that the spatial patterns of LNM networks can largely be explained by the same elementary properties of the normative connectome, suggesting a systematic relationship between lesion-induced alterations and functional connectivity.
Discussion
The discussion section of the research paper elaborates on the limitations and methodological intricacies of the Lesion Network Mapping (LNM) approach, which is widely utilized to identify brain circuits associated with neurological and psychiatric conditions. The LNM process involves three key steps: mapping lesions to standardized brain voxels, calculating functional connectivity (FC) through correlation of resting-state fMRI data, and aggregating these results to form a group-level network. The authors highlight that the LNM framework tends to converge on the fundamental properties of the normative functional connectivity matrix, often yielding results that reflect broad, non-specific patterns rather than distinct disease-related networks. This convergence is attributed to the linear operations involved in the LNM methodology, which repeatedly samples the same connectivity matrix, leading to a lack of disease specificity in the resulting maps.
The authors further discuss the implications of their findings, suggesting that many LNM-derived networks may not accurately represent the underlying biological networks of the brain. Instead, they reflect the inherent structure of the normative connectome, raising concerns about the validity of using LNM for clinical applications, such as targeting brain stimulation therapies. They propose that the observed spatial heterogeneity in brain alterations across disorders may not necessarily indicate the presence of unique functional networks but rather a convergence on shared phenotypic expressions. The authors call for a reevaluation of LNM methodologies and their statistical frameworks, emphasizing the need for more nuanced approaches that can better capture the complexity of brain connectivity in clinical populations.