DOI: https://doi.org/10.1016/j.bbr.2026.116105
PMID: https://pubmed.ncbi.nlm.nih.gov/41698611
تاريخ النشر: 2026-02-14
المؤلف: Tania Karina Garcia-Vite وآخرون
الموضوع الرئيسي: البحث في اضطراب طيف التوحد
نظرة عامة
تدرس هذه الدراسة الديناميات الدماغية المرتبطة باضطراب طيف التوحد (ASD) باستخدام نموذج ميكروستات EEG في حالة الراحة من سبع فئات، المطبق على البالغين الذين يعانون من ASD سريريًا والبالغين ذوي التطور الطبيعي مع مستويات متفاوتة من الصفات التوحدية. كشفت التحليلات أن الأفراد الذين يعانون من ASD أظهروا نظام ميكروستات مجزأ عالميًا يتميز بفترات أقصر وأكثر تكرارًا وتقليل في تباين المدة مقارنة بالمجموعات ذات التطور الطبيعي. ومن الجدير بالذكر أن الميكروستات C، المرتبط بمعالجة الذات، أظهر تباينًا مشروحًا وتغطية أقل في مجموعة ASD، بينما أظهرت الميكروستات E وG زيادة في التباين والتغطية من TD-Low إلى TD-High إلى ASD، مما يشير إلى نمط مميز من تنظيم الشبكة.
سلطت تحليلات الانتقال الضوء على أن الأفراد المصابين بـ ASD كان لديهم انتقالات قصيرة المدى أقل ضمن مجموعة A-C المبكرة وانتقالات أكثر إلى ميكروستات أخرى، مع عرض الأفراد TD-High أنماطًا متوسطة. تشير هذه النتائج إلى أن ميكروستات EEG تعكس نموذجًا بُعديًا لتنظيم الشبكة المرتبطة بالتوحد، بدلاً من تمييز قاطع بين الأدمغة السريرية والعادية. تؤكد النتائج على أهمية الديناميات المتغيرة للبارزة والمعالجة الحسية في ASD، مما يضع ميكروستات EEG كطريقة قيمة وفعالة من حيث التكلفة لاستكشاف الديناميات الدماغية عبر طيف التوحد وللتطبيقات المحتملة في التعرف المبكر واستراتيجيات التدخل.
مقدمة
تناقش مقدمة ورقة البحث توصيف اضطراب طيف التوحد (ASD) كحالة مرتبطة بتغيرات ديناميات الدماغ على نطاق واسع، خاصة من خلال عدسة ميكروستات EEG. هذه الميكروستات، التي هي طوبوغرافيات قشرية قصيرة وثابتة تقريبًا تعكس النشاط العصبي العفوي، تسمح بفحص إعادة تكوينات الحالة الوظيفية السريعة التي تكمل قياسات الهيموديناميكية الأبطأ. يعتمد المؤلفون تصنيف ميكروستات من سبع فئات (A-G) يعزز من قابلية التفسير الوظيفي من خلال محاذاة خرائط الميكروستات مع الشبكات القياسية في حالة الراحة (RSNs). يرتبط كل ميكروستات بعمليات معرفية محددة، مثل معالجة الصوت والصورة (ميكروستات A) والتحكم التنفيذي (ميكروستات D)، مما يوفر فهمًا أكثر دقة لديناميات الميكروستات مقارنةً بالحلول التقليدية ذات الأربع فئات.
تسلط الورقة الضوء على نتائج الدراسات السابقة التي تشير إلى ملفات ميكروستات غير نمطية لدى الأفراد المصابين بـ ASD، وخاصة زيادة في مدة وتغطية ميكروستات B (المتعلقة بالصور البصرية الذاتية) وانخفاض وجود ميكروستات C (المربوط بالتفكير الذاتي). أكدت تحليل ميتا حديث هذه الملاحظات ولكنها لاحظت أيضًا تباينًا كبيرًا عبر الدراسات، تأثرًا بعوامل مثل العمر وشدة الأعراض. يؤكد المؤلفون على الحاجة إلى مزيد من التحقيق في كيفية ظهور التغيرات في الميكروستات في النمط الأوسع للتوحد (BAP)، خاصة بين الأفراد ذوي التطور الطبيعي الذين لديهم صفات توحدية عالية (TD-High). يقترحون أن فهم ديناميات الانتقال بين الميكروستات – من خلال مصفوفات الانتقال من الدرجة الأولى والانحرافات المصححة بالصدفة – يمكن أن يوضح ما إذا كانت الاختلافات في ديناميات الدماغ ناتجة عن شغل الحالة أو أنماط التبديل غير النمطية، مما يعزز الفهم لـ ASD واستمراريته في السكان العامين.
طرق
تحدد قسم “الطرق” في ورقة البحث التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في سؤال البحث. استخدمت الدراسة نهجًا كميًا، يتضمن تحليلات إحصائية لتقييم البيانات المجمعة من عينة السكان. تضمنت المنهجيات المحددة تجارب محكومة، استبيانات، أو دراسات رصدية، اعتمادًا على تركيز البحث.
شملت جمع البيانات أدوات موحدة لضمان الموثوقية والصلاحية، مع طرق أخذ عينات مناسبة لتعزيز القابلية للتعميم. تم إجراء التحليل باستخدام أدوات برمجية للحساب الإحصائي، وتطبيق تقنيات مثل تحليل الانحدار، ANOVA، أو اختبارات إحصائية ذات صلة أخرى لاستخلاص استنتاجات ذات مغزى من البيانات. يبرز القسم صرامة الطرق لدعم موثوقية النتائج المقدمة في الأقسام اللاحقة.
نتائج
في هذا القسم، تم تحليل نتائج الفروق بين المجموعات بين اضطراب طيف التوحد السريري (ASD)، والمجموعة ذات التطور الطبيعي العالي (TD-High)، والمجموعة ذات التطور الطبيعي المنخفض (TD-Low) باستخدام ANOVA أحادي الاتجاه أو اختبارات كروسكال-واليس، اعتمادًا على صحة الافتراضات. للتحكم في معدلات الاكتشاف الخاطئ، تم تطبيق إجراء بنجاميني-هوشبرغ عند مستوى دلالة $q = 0.05$، مع التركيز على ثلاث عائلات محددة من القياسات: الزمنية (بما في ذلك متوسط المدة، الحدوث، تباين المدة، التباين المفسر، وقوة المجال العالمية)، التغطية (نسبة الوقت المستغرق في كل ميكروستات)، وديناميات الانتقال (احتمالات الانتقال الملاحظة، مقاييس الانتقال التنظيمية، والانتقالات المصححة بالصدفة).
تم تنفيذ مقارنات ثنائية بعد الاختبار للمتغيرات التي أظهرت نتائج ذات دلالة في الاختبارات العامة (p < 0.05)، مع الإبلاغ عن النتائج فقط عندما كانت تلبي أيضًا العتبة المعدلة لـ FDR (p المعدل لـ FDR < 0.05). تم تقديم إحصاءات وصفية كتقديرات مركزية قائمة على البوتستراب، إما كوسائط أو متوسطات، مصحوبة بفواصل ثقة 95%، اعتمادًا على خصائص توزيع كل قياس.
مناقشة
في هذه الدراسة، هدف المؤلفون إلى التحقيق في ديناميات ميكروستات EEG في حالة الراحة عبر ثلاث مجموعات: الأفراد الذين يعانون من اضطراب طيف التوحد السريري (ASD)، مجموعة نموذجية ذات معدل توحد مرتفع (TD-High)، ومجموعة نموذجية ذات معدل توحد منخفض (TD-Low). ركز التحليل على الديناميات الزمنية، وهياكل الانتقال، والنمط الأوسع للتوحد (BAP). كشفت النتائج الرئيسية أن مجموعة ASD السريرية أظهرت متوسطات ميكروستات أقصر بشكل ملحوظ ومعدلات حدوث أعلى مقارنةً بكلتا مجموعتي TD، مما يشير إلى نظام ميكروستات أكثر تجزئة وسرعة. على وجه التحديد، تراوحت مدة الميكروستات في ASD من حوالي 9-14 مللي ثانية، بينما أظهرت مجموعات TD مددًا تتراوح بين 29-50 مللي ثانية. بالإضافة إلى ذلك، أظهرت مجموعة ASD تباينًا أقل في المدة وتباينًا كليًا مفسرًا عبر الميكروستات، مما يشير إلى هيكل زمني أكثر نمطية.
كما سلطت الدراسة الضوء على الفروق في تغطية الميكروستات وديناميات الانتقال. قضى المشاركون في ASD وقتًا أقل في ميكروستات C (المعالجة الذاتية) ووقتًا أكثر في ميكروستات E (البارزة/الداخلية-العاطفية) وG (الحسية الحركية)، مع عرض TD-High أنماطًا متوسطة. أشار تحليل ديناميات الانتقال إلى أن TD-Low كانت لديها احتمالات انتقال أعلى بين الميكروستات الحسية مقارنةً بـ ASD وTD-High، مما يعزز فكرة وجود نمط أوسع للتوحد في TD-High. بشكل عام، تسهم هذه النتائج في فهم الأسس الكهربية الفسيولوجية لـ ASD وعلاقتها بالتغيرات النموذجية في الصفات التوحدية، مما يبرز أهمية ديناميات الميكروستات في توصيف الفروق عبر طيف التوحد.
القيود
يسلط قسم القيود الضوء على كل من نقاط القوة والضعف المنهجية في تصميم الدراسة ونتائجها. تتمثل إحدى نقاط القوة الرئيسية في دمج المجموعات السريرية وغير السريرية باستخدام تصنيف ميكروستات حديث من سبع فئات، مما يعزز من قابلية تفسير النتائج. ومع ذلك، تم الاعتراف بعدة قيود. من الجدير بالذكر أن أحجام العينة لمجموعتي TD-High وTD-Low كانت متواضعة، مما يحد من القوة الإحصائية ويزيد من عدم اليقين في التقديرات، حتى مع فواصل ثقة البوتستراب. بالإضافة إلى ذلك، تم الحصول على مجموعة بيانات ASD من مجموعة تم نشرها سابقًا، بينما تم جمع مجموعات TD محليًا، مما أدخل تباينًا محتملاً بسبب اختلافات في سياق التوظيف، والأجهزة المستخدمة في التسجيل، والظروف البيئية.
تواجه الدراسة أيضًا قضايا التداخل المتعلقة بالعمر ومصدر البيانات، حيث كانت مجموعة ASD السريرية أكبر سنًا بشكل ملحوظ من مجموعات TD، التي تم جمعها تحت إجراءات متطابقة. من المعروف أن العمر يؤثر على معلمات ميكروستات EEG، مما يعقد تفسير الفروق بين المجموعات. علاوة على ذلك، فإن عدم وجود معلومات ديموغرافية على مستوى الفرد في مجموعة بيانات ASD منع المطابقة الديموغرافية وتحليلات الحساسية، التي كان من الممكن أن تتحكم في المتغيرات المربكة المحتملة. يقترح المؤلفون أن الأبحاث المستقبلية يجب أن تعطي الأولوية لتصاميم ذات مواقع فردية متطابقة في العمر ومجموعات بيانات تحتوي على بيانات ديموغرافية شاملة لعزل التغيرات المتعلقة بالتوحد في الميكروستات بشكل أفضل. أخيرًا، قد لا تلتقط دراسة التركيز على بيانات حالة الراحة الديناميات الكاملة للشبكات المشاركة خلال المهام الاجتماعية-المعرفية، خاصة فيما يتعلق بميكروستات F، مما يشير إلى أن النتائج يجب أن تُعتبر كحدود بدلاً من حسابات نهائية لوظيفة الشبكة العقلية في ASD.
DOI: https://doi.org/10.1016/j.bbr.2026.116105
PMID: https://pubmed.ncbi.nlm.nih.gov/41698611
Publication Date: 2026-02-14
Author(s): Tania Karina Garcia-Vite et al.
Primary Topic: Autism Spectrum Disorder Research
Overview
This study investigates the brain dynamics associated with autism spectrum disorder (ASD) using a seven-class resting-state EEG microstate model applied to adults with clinical ASD and typically developing adults with varying levels of autistic traits. The analysis revealed that individuals with ASD exhibited a globally fragmented microstate regime characterized by shorter, more frequent episodes and reduced duration variability compared to both typically developing groups. Notably, Microstate C, associated with self-referential processing, showed reduced explained variance and coverage in the ASD group, while Microstates E and G demonstrated increased variance and coverage from TD-Low to TD-High to ASD, indicating a distinct pattern of network organization.
The transition analyses highlighted that ASD individuals had fewer short-range transitions within the early A-C ensemble and more transitions to other microstates, with TD-High individuals displaying intermediate patterns. These findings suggest that the EEG microstates reflect a dimensional model of autism-related network organization, rather than a strict categorical distinction between clinical and typical brains. The results underscore the significance of altered salience and sensory processing dynamics in ASD, positioning EEG microstates as a valuable, cost-effective method for exploring brain dynamics across the autism spectrum and for potential applications in early identification and intervention strategies.
Introduction
The introduction of the research paper discusses the characterization of Autism Spectrum Disorder (ASD) as a condition associated with altered large-scale brain dynamics, particularly through the lens of EEG microstates. These microstates, which are brief and quasi-stable scalp topographies reflecting spontaneous neural activity, allow for an examination of rapid functional state reconfigurations that complement slower hemodynamic measures. The authors adopt a seven-class microstate taxonomy (A-G) that enhances functional interpretability by aligning microstate maps with canonical resting-state networks (RSNs). Each microstate is linked to specific cognitive processes, such as audio-visual processing (Microstate A) and executive control (Microstate D), providing a more nuanced understanding of microstate dynamics compared to traditional four-class solutions.
The paper highlights findings from previous studies indicating atypical microstate profiles in individuals with ASD, particularly an increased duration and coverage of Microstate B (related to self-related visual imagery) and a reduced presence of Microstate C (linked to self-referential thought). A recent meta-analysis corroborated these observations but also noted significant variability across studies, influenced by factors such as age and symptom severity. The authors emphasize the need for further investigation into how microstate alterations manifest in the broader autism phenotype (BAP), particularly among typically developing individuals with high autistic traits (TD-High). They propose that understanding the transition dynamics between microstates—through first-order transition matrices and chance-corrected deviations—can elucidate whether differences in brain dynamics are due to state occupancy or atypical switching patterns, thereby enhancing the understanding of ASD and its continuum in the general population.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research question. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from the sample population. Specific methodologies included controlled experiments, surveys, or observational studies, depending on the research focus.
Data collection involved standardized instruments to ensure reliability and validity, with appropriate sampling methods to enhance generalizability. The analysis was conducted using software tools for statistical computation, applying techniques such as regression analysis, ANOVA, or other relevant statistical tests to draw meaningful conclusions from the data. The section emphasizes the rigor of the methods to support the reliability of the findings presented in subsequent sections.
Results
In this section, the results of group differences among Clinical Autism Spectrum Disorder (ASD), Typically Developing-High (TD-High), and Typically Developing-Low (TD-Low) were analyzed using one-way ANOVA or Kruskal-Wallis tests, depending on the validity of assumptions. To control for false discovery rates, the Benjamini-Hochberg procedure was applied at a significance level of $q = 0.05$, focusing on three defined families of measures: Temporal (including mean duration, occurrence, duration variability, explained variance, and global field power), Coverage (the proportion of time spent in each microstate), and Transition Dynamics (observed transition probabilities, organizational transition metrics, and chance-corrected transitions).
Post-hoc pairwise comparisons were executed for variables that showed significant results in the omnibus tests (p < 0.05), with findings reported only when they also met the FDR-adjusted threshold (FDR-adjusted p < 0.05). Descriptive statistics were presented as bootstrap-based central estimates, either as medians or means, accompanied by 95% confidence intervals, depending on the distribution characteristics of each measure.
Discussion
In this study, the authors aimed to investigate resting-state EEG microstate dynamics across three groups: individuals with clinical Autism Spectrum Disorder (ASD), a high-Autism Quotient (AQ) typical group (TD-High), and a low-AQ typical group (TD-Low). The analysis focused on temporal dynamics, transition structures, and the broader autism phenotype (BAP). Key findings revealed that the clinical ASD group exhibited significantly shorter mean microstate durations and higher occurrence rates compared to both TD groups, indicating a more fragmented and rapid microstate regime. Specifically, microstate durations in ASD ranged from approximately 9-14 ms, while TD groups showed durations of 29-50 ms. Additionally, the ASD group demonstrated lower duration variability and total explained variance across microstates, suggesting a more stereotyped temporal structure.
The study also highlighted differences in microstate coverage and transition dynamics. ASD participants spent less time in Microstate C (self-referential processing) and more time in Microstates E (salience/interoceptive-emotional) and G (sensorimotor), with TD-High showing intermediate patterns. Transition dynamics analysis indicated that TD-Low had higher transition probabilities among sensory microstates compared to ASD and TD-High, reinforcing the notion of a broader autism phenotype in TD-High. Overall, these findings contribute to understanding the electrophysiological underpinnings of ASD and its relationship with typical variations in autistic traits, emphasizing the importance of microstate dynamics in characterizing differences across the autism spectrum.
Limitations
The section on limitations highlights both methodological strengths and weaknesses in the study’s design and findings. A key strength is the integration of clinical and subclinical cohorts using a contemporary seven-class microstate taxonomy, which enhances the interpretability of the results. However, several limitations are acknowledged. Notably, the sample sizes for the TD-High and TD-Low groups were modest, limiting statistical power and increasing uncertainty in estimates, even with bootstrap confidence intervals. Additionally, the ASD dataset was sourced from a previously published cohort, while the TD groups were collected locally, introducing potential variance due to differences in recruitment context, recording hardware, and environmental conditions.
The study also faces confounding issues related to age and data source, as the clinical ASD group was significantly older than the TD groups, which were collected under identical procedures. Age is known to influence EEG microstate parameters, complicating the interpretation of group differences. Furthermore, the lack of individual-level demographic information in the ASD dataset precluded demographic matching and sensitivity analyses, which could have controlled for potential confounding variables. The authors suggest that future research should prioritize age-matched, single-site designs and datasets with comprehensive demographic data to better isolate autism-related microstate alterations. Lastly, the study’s focus on resting-state data may not fully capture the dynamics of networks engaged during social-cognitive tasks, particularly regarding Microstate F, indicating that findings should be viewed as boundaries rather than definitive accounts of mentalizing network function in ASD.