DOI: https://doi.org/10.1002/hbm.70627
PMID: https://pubmed.ncbi.nlm.nih.gov/41279273
تاريخ النشر: 2026-09-01
المؤلف: Marco Pinamonti وآخرون
الموضوع الرئيسي: دراسات الاتصال الوظيفي في الدماغ
نظرة عامة
تدرس هذه الدراسة تحسين توقع عمر الدماغ من خلال دمج الاتصال الوظيفي المعزز بالجزيئات (FC) المستمد من بيانات التصوير بالرنين المغناطيسي الوظيفي في حالة الراحة (rs-fMRI)، إلى جانب التصوير بالرنين المغناطيسي الهيكلي التقليدي (MRI). من خلال تحليل بيانات من 2,120 بالغًا صحيًا، استخدم الباحثون قوالب كثافة المستقبلات لأنظمة الناقلات للدوبامين (DAT) والنورإبينفرين (NET) والسيروتونين (SERT) لإنشاء خرائط اتصال معززة بالجزيئات. استخدموا نماذج الانحدار باستخدام المتجهات الداعمة للتنبؤ بالعمر الزمني بناءً على الشكل الهيكلي، أو FC المعزز بالجزيئات، أو مزيج من الاثنين، مع معالجة التباين عبر المواقع المتعددة من خلال توحيد ComBat.
تكشف النتائج أن القياسات الهيكلية وحدها حققت أعلى دقة في توقع عمر الدماغ، مع خطأ مطلق متوسط (MAE) في نطاق خمس إلى ست سنوات وقابلية تعميم قوية عبر أجهزة التصوير المختلفة. ومن الجدير بالذكر أن تضمين خرائط FC المعززة بالناقلات العصبية حسّن بشكل كبير من قدرة النموذج على تفسير التباين في عمر الدماغ الذي لم تلتقطه القياسات الهيكلية. أدى إضافة الشبكات المعززة بـ DAT وNET وSERT إلى تقليل خطأ التنبؤ، مما يشير إلى أن التغيرات الوظيفية في الدوائر الأحادية الأمين توفر معلومات قيمة بشأن الشيخوخة التي تكمل التقييمات الهيكلية. تؤكد الدراسة على الجوانب المزدوجة للشيخوخة الدماغية: فقدان الأنسجة الكبير الذي يدفع التنبؤات الهيكلية والتغيرات الكيميائية العصبية المنهجية التي تصقل تقديرات عمر الدماغ. يتم تشجيع الأبحاث المستقبلية على توسيع هذا النهج الجزيئي من خلال دمج أنظمة مستقبلات إضافية واستكشاف مجموعات طولية، مما قد يعزز الأهمية السريرية لمقاييس عمر الدماغ.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التحول الديموغرافي الكبير نحو زيادة عدد السكان المسنين، مع توقعات تشير إلى أنه بحلول عام 2050، سيكون 16% من سكان العالم فوق 65 عامًا. يشكل هذا الارتفاع تحديات كبيرة لأنظمة الرعاية الصحية بسبب ارتفاع انتشار الأمراض المزمنة المرتبطة بالشيخوخة. تؤكد الورقة على الحاجة إلى علامات حساسة للشيخوخة وتصنيف مبكر للمخاطر، لا سيما من خلال مفهوم العمر البيولوجي، الذي يوفر فهمًا أكثر دقة للشيخوخة مقارنة بالعمر الزمني. تم استخدام تقنيات تصوير الأعصاب، وخاصة تلك التي تستخدم التعلم الآلي على بيانات التصوير بالرنين المغناطيسي الهيكلي، لتقدير “عمر الدماغ”، مما يسمح بتقييم صحة الدماغ بالنسبة للعمر الزمني.
تناقش المقدمة أيضًا قيود التصوير بالرنين المغناطيسي الوظيفي في حالة الراحة (rs-fMRI) في التقاط الخصوصية الكيميائية العصبية، والتي يتم تناولها من خلال تحليل الاتصال الوظيفي المعزز بالمستقبلات بواسطة الأهداف (REACT). تدمج هذه الطريقة تقلبات إشارة BOLD مع خرائط كثافة المستقبلات لتوفير رؤية أكثر شمولاً للاتصال الوظيفي. تهدف الدراسة إلى التحقيق في إمكانية تحسين دقة توقع عمر الدماغ من خلال الاتصال الوظيفي المعزز بالجزيئات عند دمجه مع بيانات التصوير بالرنين المغناطيسي الهيكلي. تخطط لتقييم قدرات التنبؤ لهذه الأنماط بشكل منفصل ومجتمعة، مع معالجة التحديات المتعلقة بتوحيد البيانات عبر مواقع متعددة لضمان نتائج قوية وقابلة للتعميم.
الطرق
في هذه الدراسة، تضمنت الطرق المستخدمة لمعالجة البيانات تسجيل بيانات التصوير بالرنين المغناطيسي الوظيفي (fMRI) مع الصور الموزونة T1 باستخدام تسجيل قائم على الحدود (bbregister) كما هو موضح بواسطة Greve وFischl (2009)، مما يسمح بست درجات من الحرية. تم تنفيذ جميع التحولات المكانية، بما في ذلك تصحيح حركة الرأس ومحاذاة إشارات BOLD مع كل من المساحات الموزونة T1 وMNI، في خطوة واحدة من الاستيفاء باستخدام nitransforms مع استيفاء B-spline التكعيبي.
من خط أنابيب fMRIPrep، احتفظ التحليل بالمكونات الأساسية: (i) التحولات المكانية وبيانات BOLD المعالجة مسبقًا في كل من المساحات الأصلية وMNI، و(ii) الأعمدة اللازمة من ملف _confounds.tsv لتحديد الإطارات المتأثرة بالحركة، وتحديدًا إزاحة الإطار (FD) وDVARS، إلى جانب ستة معلمات صلبة وجذورها الزمنية والتربيعية. تم وضع علامات على الأحجام التي تظهر FD أكبر من 0.5 مم أو DVARS تتجاوز 1.5 انحراف معياري للاستيفاء في التحليلات اللاحقة، كما أشار Power et al. (2012). ومن الجدير بالذكر أنه لم يتم تطبيق أي تصفية زمنية أو انحدار مزعج في هذه المرحلة من المعالجة.
النتائج
يقدم قسم النتائج الخصائص الديموغرافية للمجموعات التي تم التحكم في جودتها، كما هو موضح في الجدول 3. من المحتمل أن يتضمن هذا الجدول متغيرات رئيسية مثل العمر والجنس والعرق وعوامل أخرى ذات صلة تحدد سكان الدراسة. تعتبر البيانات الديموغرافية ضرورية لفهم سياق النتائج وضمان تمثيل المجموعات بالنسبة للسكان الأوسع.
قد يكشف تحليل هذه الخصائص عن اتجاهات أو تفاوتات مهمة قد تؤثر على نتائج الدراسة. من خلال تقديم نظرة شاملة على المجموعات، تسهم النتائج في قوة البحث وتسهيل المقارنات مع دراسات أخرى في هذا المجال.
المناقشة
في هذه الدراسة، بحث المؤلفون في القيمة التنبؤية للاتصال الوظيفي المعزز بالجزيئات في حالة الراحة (FC) لتقدير عمر الدماغ، باستخدام بيانات من ثلاث مجموعات من البالغين: Cam-CAN وHCP-Aging وNKI-RS. التزمت الأبحاث بالمعايير الأخلاقية، حيث تم استخدام بيانات تصوير عصبي وصفية غير محددة، مع تقديم جميع المشاركين لموافقة مستنيرة. ركز التحليل على ثلاثة أنظمة ناقلات عصبية—الدوبامين (DAT) والنورإبينفرين (NET) والسيروتونين (SERT)—لاشتقاق خرائط الاتصال الوظيفي المعززة من خلال إطار عمل REACT، الذي يدمج بيانات كثافة الناقلات العصبية من قوالب PET/SPECT مع بيانات التصوير بالرنين المغناطيسي الوظيفي في حالة الراحة.
كشفت النتائج أن FC المعزز بالجزيئات يعزز عمومًا الدقة التنبؤية لتقدير عمر الدماغ مقارنةً بالتصوير بالرنين المغناطيسي الهيكلي وحده. على وجه التحديد، بينما أظهرت المقاييس الهيكلية المستمدة من FreeSurfer أعلى دقة، فإن الجمع بين الميزات الهيكلية والجزيئية (نموذج متعدد الأنماط) أدى إلى تحسين الأداء في بعض المجموعات. كما سلطت الدراسة الضوء على ضرورة توحيد البيانات عبر مواقع متعددة للتخفيف من تأثيرات الدفعة، حيث أظهر تكوين ComBat المستقل للميزات أفضل النتائج. علاوة على ذلك، أكد التحليل على أهمية استخدام تقسيم مشترك لمواءمة الميزات الهيكلية والوظيفية، مما سهل تقييمًا أكثر دقة لمساهمات FC المعزز بالجزيئات في نمذجة عمر الدماغ. بشكل عام، تدعم الأبحاث دمج الرؤى الجزيئية في تحليلات التصوير العصبي لتعزيز فهم التغيرات المرتبطة بالشيخوخة في الاتصال الدماغي.
القيود
تقدم الدراسة عدة قيود قد تؤثر على قوة وعمومية نتائجها. أولاً، إن استخدام الانحدار باستخدام المتجهات الداعمة غير الخطية (SVR) مع نواة دالة القاعدة الشعاعية، على الرغم من فعاليتها، مقيد بالاعتماد على هياكل التشابه الزوجي ومجموعة محدودة من المعلمات الفائقة، مما قد يعيق قدرتها على نمذجة التفاعلات المعقدة بين الميزات. تشير نتائج القياس إلى أن أداء النموذج يختلف بشكل كبير مع توزيع البيانات وتوحيدها، مما يشير إلى أنه لا يوجد خوارزمية واحدة مثالية عالميًا. وهذا يبرز الحاجة إلى مزيد من الاستكشاف لمجموعات بيانات تدريب أكبر ونماذج أكثر تعقيدًا، مثل التجميعات أو التعلم العميق، على الرغم من المخاطر المرتبطة بالزيادة في التكيف وتقليل القابلية للتفسير.
ثانيًا، قد يؤدي اعتماد الدراسة على ميزات مستوى الأطلس والمقارنات عبر تقسيمين مختلفين إلى تجاهل تأثيرات الشيخوخة الدقيقة أو الطوبولوجية، لا سيما في الاتصال الوظيفي. حسّن توحيد المواقع المتعددة باستخدام ComBat الأداء العام ولكنه كشف عن تأثيرات غير متساوية، مما يشير إلى احتمال التصحيح المفرط أو الارتباك المتبقي بين تأثيرات الموقع والعمر. بالإضافة إلى ذلك، يحد الطابع العرضي للدراسة من القدرة على استنتاج العلاقات السببية بشأن فجوات عمر الدماغ ومعدلات الشيخوخة، مما يبرز ضرورة التحقق الطولي. أخيرًا، تم إجراء التحليل على عينة من البالغين الأصحاء من مجموعات محددة، مما يثير تساؤلات حول عمومية النتائج بالنسبة للسكان الديموغرافيين والسريريين المتنوعين، والتي يجب معالجتها في الأبحاث المستقبلية التي تشمل مجموعات أكثر تنوعًا وطولية.
DOI: https://doi.org/10.1002/hbm.70627
PMID: https://pubmed.ncbi.nlm.nih.gov/41279273
Publication Date: 2026-09-01
Author(s): Marco Pinamonti et al.
Primary Topic: Functional Brain Connectivity Studies
Overview
The study investigates the enhancement of brain-age prediction through the integration of molecular-enriched functional connectivity (FC) derived from resting-state functional MRI (rs-fMRI) data, alongside traditional structural magnetic resonance imaging (MRI). Analyzing data from 2,120 healthy adults, the researchers employed receptor-density templates for dopamine (DAT), norepinephrine (NET), and serotonin (SERT) transporter systems to create molecular-enriched connectivity maps. They utilized support vector regression models to predict chronological age based on structural morphometry, molecular-enriched FC, or a combination of both, while addressing multi-site variability through ComBat harmonization.
The findings reveal that structural measures alone achieved the highest accuracy in brain-age prediction, with a mean absolute error (MAE) in the five-to-six-year range and strong generalizability across different scanners. Notably, the inclusion of neurotransmitter-weighted FC maps significantly improved the model’s ability to explain variance in brain age that structural measures did not capture. The addition of DAT, NET, and SERT-enriched networks led to a reduction in prediction error, indicating that functional changes in monoaminergic circuits provide valuable information regarding aging that complements structural assessments. The study emphasizes the dual aspects of cerebral aging: significant tissue loss driving structural predictions and systematic neurochemical alterations refining brain-age estimates. Future research is encouraged to expand on this molecular approach by incorporating additional receptor systems and exploring longitudinal cohorts, potentially enhancing the clinical relevance of brain-age metrics.
Introduction
The introduction of this research paper highlights the significant demographic shift towards an aging population, with projections indicating that by 2050, 16% of the global population will be over 65 years old. This increase poses substantial challenges for healthcare systems due to the higher prevalence of chronic diseases associated with aging. The paper emphasizes the need for sensitive markers of aging and early risk stratification, particularly through the concept of biological age, which offers a more nuanced understanding of aging compared to chronological age. Neuroimaging techniques, particularly those using machine learning on structural MRI data, have been employed to estimate “brain-age,” allowing for the assessment of brain health relative to chronological age.
The introduction also discusses the limitations of resting-state functional MRI (rs-fMRI) in capturing neurochemical specificity, which is addressed by the Receptor-Enriched Analysis of functional Connectivity by Targets (REACT). This method integrates BOLD signal fluctuations with receptor-density maps to provide a more comprehensive view of functional connectivity. The study aims to investigate the potential of molecular-enriched functional connectivity to enhance brain-age prediction accuracy when combined with structural MRI data. It plans to evaluate the prediction capabilities of these modalities both separately and in combination, while also addressing the challenges of harmonizing data across multiple sites to ensure robust and generalizable findings.
Methods
In this study, the methods employed for data processing involved coregistering functional MRI (fMRI) data to T1-weighted images using boundary-based registration (bbregister) as outlined by Greve and Fischl (2009), allowing for six degrees of freedom. All spatial transformations, including head motion correction and alignment of BOLD signals to both T1-weighted and MNI spaces, were executed in a single interpolation step utilizing nitransforms with cubic B-spline interpolation.
From the fMRIPrep pipeline, the analysis retained essential components: (i) spatial transformations and preprocessed BOLD data in both native and MNI spaces, and (ii) the necessary columns from the _confounds.tsv file to identify motion-affected frames, specifically framewise displacement (FD) and DVARS, along with six rigid-body parameters and their temporal derivatives and quadratics. Volumes exhibiting FD greater than 0.5 mm or DVARS exceeding 1.5 standard deviations were flagged for interpolation in subsequent analyses, as referenced by Power et al. (2012). Notably, no temporal filtering or nuisance regression was applied at this stage of processing.
Results
The results section presents the demographic characteristics of the quality-controlled cohorts, as detailed in Table 3. This table likely includes key variables such as age, gender, ethnicity, and other relevant factors that define the study population. The demographic data is essential for understanding the context of the findings and ensuring the representativeness of the cohorts in relation to the broader population.
The analysis of these characteristics may reveal important trends or disparities that could influence the outcomes of the study. By providing a comprehensive overview of the cohorts, the results contribute to the robustness of the research and facilitate comparisons with other studies in the field.
Discussion
In this study, the authors investigated the predictive value of molecularly informed resting-state functional connectivity (FC) for estimating brain age, utilizing data from three adult cohorts: Cam-CAN, HCP-Aging, and NKI-RS. The research adhered to ethical standards, employing de-identified neuroimaging and phenotypic data, with all participants providing informed consent. The analysis focused on three neurotransmitter systems—dopamine (DAT), norepinephrine (NET), and serotonin (SERT)—to derive enriched functional connectivity maps through the REACT framework, which integrates neurotransmitter density data from PET/SPECT templates with resting-state fMRI data.
The findings revealed that molecularly enriched FC generally enhances predictive accuracy for brain age estimation compared to structural MRI alone. Specifically, while structural metrics derived from FreeSurfer exhibited the highest accuracy, the combination of structural and molecular features (multimodal model) yielded improved performance in certain cohorts. The study also highlighted the necessity of harmonizing data across multiple sites to mitigate batch effects, with the independent-feature ComBat configuration demonstrating the best results. Furthermore, the analysis underscored the importance of using a common parcellation to align structural and functional features, which facilitated a more accurate assessment of the contributions of molecularly enriched FC to brain-age modeling. Overall, the research supports the integration of molecular insights into neuroimaging analyses to enhance the understanding of aging-related changes in brain connectivity.
Limitations
The study presents several limitations that may affect the robustness and generalizability of its findings. Firstly, the use of non-linear support vector regression (SVR) with a radial-basis-function kernel, while effective, is constrained by its reliance on pair-wise similarity structures and a limited hyper-parameter set, potentially hindering its capacity to model complex feature interactions. Benchmarking results indicate that model performance varies significantly with data distribution and harmonization, suggesting that no single algorithm is universally optimal. This underscores the need for further exploration of larger training datasets and more complex models, such as ensembles or deep learning, despite the associated risks of overfitting and reduced interpretability.
Secondly, the study’s reliance on atlas-level features and comparisons across two different parcellations may overlook finer-grained or topological aging effects, particularly in functional connectivity. The multi-site harmonization using ComBat improved overall performance but revealed uneven effects, indicating potential over-correction or residual confounding between site and age effects. Additionally, the cross-sectional nature of the study limits the ability to infer causal relationships regarding brain-age gaps and aging rates, highlighting the necessity for longitudinal validation. Lastly, the analysis was conducted on a sample of healthy adults from specific cohorts, raising questions about the generalizability of the findings to diverse demographic and clinical populations, which should be addressed in future research involving more varied and longitudinal cohorts.