迈向个性化神经科学：在神经群体模型中评估个体层面的信息

《Human Brain Mapping》：Toward Personalized Neuroscience: Evaluating Individual-Level Information in Neural Mass Models

个体差异与神经动力学模型参数的相关性研究。采用算法可微的RWW模型对1444例rs-fMRI数据进行优化，比较4、658和23,875参数模型。结果显示模型参数对年龄、性别等人口学特征的标准化效应值均小于0.15，且无法超越直接使用rs-fMRI数据的预测效果。尽管高参数模型（CM）解释方差达56.57%，并实现99.79%的个体识别，但参数与行为特征间未发现显著关联。研究揭示当前神经动力学模型存在参数与行为特征“对齐缺口”，需开发新工具挖掘动态映射关系。

　　本研究旨在探讨基于连接组的神经质量模型（Neural Mass Models, NMMs）在模拟全脑动态方面的能力，尤其是这些模型在捕捉个体特定神经特征方面的潜力。NMMs作为一种宏观尺度的脑建模工具，已被广泛用于研究大脑在静息态功能性磁共振成像（rs-fMRI）中的活动模式，包括其动态特性、连接性结构以及对刺激的反应。尽管NMMs在模拟大脑功能网络和神经活动方面展现出一定的优势，但目前的研究仍然存在一些局限性，如样本量较小、计算效率低下，以及模型参数与个体特征（如年龄、性别、智商等）之间的关联性不足。这些问题限制了NMMs在个体化建模和临床应用中的实用性。

为了解决这些限制，本研究采用了一种算法可微分的简化Wong-Wang（RWW）模型，使得模型参数优化可以在大规模数据集上高效完成。研究数据来源于Marburg–Münster Affective Disorders Cohort Study（MACS）项目，共涉及1444名被试，包括953名健康对照（HCs）和491名具有两次不同时间点rs-fMRI数据的被试（间隔2年）。通过这种方式，研究者不仅能够评估模型在个体识别方面的表现，还能分析模型参数与个体特征之间的关联性，以及其在模拟rs-fMRI数据时的准确性。

在模型构建过程中，研究者利用了扩散加权磁共振成像（DWI）生成的结构连接组（SCs），以及rs-fMRI数据生成的功能连接组（FCs）。SCs描述了大脑不同区域之间的物理连接关系，而FCs则反映了这些区域在静息态下的功能协同程度。为了提高模型的准确性，研究者引入了三种不同复杂度的模型版本：全局模型（GM）、局部模型（LM）和连接模型（CM）。GM仅优化四个参数，而LM和CM则分别优化了658个和23,875个参数。参数数量的增加意味着模型能够更精细地捕捉大脑活动的个体差异，但也带来了更高的计算成本。

研究结果显示，模型在个体识别任务中表现出显著差异。其中，CM模型在所有测试中表现最佳，能够在模拟FC中几乎始终识别出正确的个体（99.79%的匹配率）。相比之下，GM模型仅在极少数情况下（不到1%）能够正确识别个体，而LM模型的匹配率则提高到约25%。这表明，随着参数数量的增加，模型的个体识别能力显著提升，尤其是在CM模型中，其参数对个体特定神经动态的刻画更为精细。

此外，研究还评估了模型在模拟rs-fMRI数据时的拟合精度，以衡量其对真实神经活动的再现能力。结果显示，GM模型的解释方差为4.12%，LM模型为19.16%，而CM模型则达到了56.57%。这些数值表明，随着模型复杂度的增加，其对个体功能性连接模式的拟合能力显著增强。然而，即便如此，这些解释方差仍然远低于rs-fMRI数据本身所包含的个体特征信息，这说明NMMs可能无法完全捕捉到个体层面的神经动态特征。

为了进一步评估模型参数与个体特征之间的关系，研究者采用统计分析和机器学习方法。对于性别、年龄、BMI、受教育年限（YoS）和智商（IQ）等变量，模型参数的效应大小均较小。例如，在预测年龄方面，CM模型的标准效应大小为0.234，但这一数值仍远低于rs-fMRI数据的效应大小（?0.347）。这意味着，尽管NMMs在一定程度上能够反映个体差异，但其参数可能缺乏足够的细节来准确映射到具体的个体行为特征上。

在机器学习分析中，研究者利用多种算法（如支持向量机、随机森林、逻辑回归等）来预测个体特征。结果显示，基于rs-fMRI数据的算法在所有任务中均优于基于NMM参数的算法。例如，在性别预测任务中，rs-fMRI数据的平衡准确率（BACC）达到0.87，而CM模型的BACC仅为0.74。在年龄预测任务中，rs-fMRI数据的均方误差（MSE）为60.44，而CM模型的MSE为110.17。这些结果进一步支持了模型参数在个体特征预测方面的局限性。

研究还发现，模型参数在某些情况下可能表现出与个体特征相关的统计显著性，但这些显著性往往伴随着极小的效应大小，无法在实际应用中产生有意义的预测能力。例如，在预测BMI时，CM模型的MSE为14.16，而rs-fMRI数据的MSE为14.86。这表明，尽管NMMs能够提供一定程度的个体信息，但其参数在捕捉行为特征方面的能力仍然有限。

研究还探讨了模型参数与结构连接组（SC）之间的关系。尽管CM模型的参数数量远多于SC的节点数，但其参数在一定程度上仍然能够反映SC的结构特性。然而，这种映射并不总是直接或显著的，尤其是在解释个体差异时。研究者指出，这可能是因为神经模式和行为特征之间并非一一对应，而是代表了更高层次的抽象关系。因此，即便模型能够准确模拟神经活动，也不意味着其参数能够直接映射到个体的行为特征上。

本研究的结果强调了在使用NMMs进行个体化建模时所面临的挑战。一方面，模型的参数优化需要足够大的样本量才能有效捕捉个体间的差异，而小样本研究往往难以获得可靠和可复制的结论。另一方面，模型参数的粒度和表达能力可能不足以反映个体特征的复杂性。因此，未来的研究应关注于开发更复杂的模型结构，同时结合更丰富的数据来源，如多模态成像（如DTI、fMRI、EEG等）或任务态实验数据，以提高模型对个体差异的刻画能力。

此外，研究还建议，为了更好地理解NMMs与个体特征之间的关系，需要探索新的方法，这些方法能够揭示神经模式与行为特征之间的潜在映射关系。例如，可以尝试使用更先进的算法来处理模型参数，或者引入更精细的建模策略，以增强参数的个体特异性。同时，研究者也指出，模型的参数优化应结合更多的生物学知识，以确保其在解释神经动态时的合理性和有效性。

总的来说，本研究通过大规模样本和可微分模型优化，对基于连接组的NMMs在个体化建模中的表现进行了系统评估。结果表明，尽管这些模型在模拟神经活动和识别个体方面具有潜力，但其参数在捕捉个体行为特征方面仍存在明显不足。因此，未来的神经建模研究应更加注重模型的表达能力和数据的多样性，以推动更精确的个体化应用。