早期の軽度認知障害から健康への脳状態変換を仮想的な外部刺激を通じて促進する

アルツハイマー病は治癒不能な神経変性疾患であり、しばしば軽度認知障害（MCI）から始まりADに進行する。治療干渉の潜在的な標的として、早期MCIに焦点を当てた研究が行われ、tDCSやrTMSなどの神経刺激技術がADやEMCI患者の認知機能の改善に有望であることが示された。しかし、これらの技術に関する大規模な実験研究は、実験的および倫理的な制約のために制限されている。脳活動に基づく計算脳モデルは、脳のダイナミクスを理解し、神経刺激をガイドするために使用された。また、神経画像技術も、MCIなどの疾患において脳の状態を研究し、機能的結合の変化を同定するのに重要な役割を果たした。LEiDA分析などのダイナミックな機能的結合研究は、アルツハイマー病を含むさまざまな神経学的障害において貴重な洞察を提供している。

特定の脳領域は、脳を所望の状態に導く上で重要な役割を果たし、認知パフォーマンスに影響を与える。これまでの研究は、平均制御可能性が高いノードが脳の状態を近くの状態に変換できる一方で、モーダル制御可能性が高いノードが脳を遠い状態に導くことが示されてきた。しかし、これらの制御可能性指標は完全制御に必要なターゲットの数についての情報を提供していなかった。この問題に対処するために、代数的最大多重度に基づく正確な制御可能性は、任意のネットワークにおいて完全制御に必要な最小のドライバーの組を決定する上で使用された。

最近、北京科技大学の研究者（Weiping Wang、Weiwei Wang、Haiyan Zhao、Zhen Wang、Xiong Luo、Jipeng Ouyang）は、fMRIデータに基づいてLEiDAを用いて動的な機能的結合をクラスタリングし、DTIデータから得られた構造的結合を組み合わせた脳モデルを構築しました。正確な制御可能性を用いて最小限のドライバーノードを特定することで、EMCI患者の有効な結合の完全制御を達成することを目指しました。最後に、これらのドライバーノードに対して外部干渉を適用し、EMCIから健康な状態への移行を促進するための最適な脳領域を特定しました。

彼らの計算モデル

全脳の計算モデルは、AALテンプレートによってグループ化された脳領域を表す90のノードから構成されていました。このモデルは、ランダウ-スチュアート振動子として知られる超臨界ホップ分岐の一種を用いて、各脳領域の局所ダイナミクスを記述しました。全脳レベルでBOLD信号をシミュレーションすることにより、モデルは異なるノードの活性化が脳ネットワークに与える影響を調査することができました。数学的には、モデルは各脳領域に対する結合連動方程式として表され、全体のダイナミクスは構造的結合によって結合されました。分岐パラメータや全体的な結合パラメータなどのモデルのパラメータは、早期軽度認知障害（EMCI）患者の経験データに最適化されました。システムの最適動作点は、シミュレートされたさまざまなサブステートの経験的な確率とのKullback-Leibler距離を計算することで決定されました。モデルは、シミュレートされたBOLD信号と経験データを比較することによって検証され、リーディング・エイジェンベクトル・ダイナミックス解析（LEiDA）を使用して確率的なメタステーブルサブステート（PMS）スペースを導出した。

彼らは、3つのサブステートが2つのグループ間で有意に区別されることを発見しました。EMCIの患者はサブステート1になる確率が低く、サブステート2になる確率が高い傾向がありました。 EMCIの患者はまた、視覚ネットワーク内での同期が増強されることが分かりました。 EMCIの患者の脳状態をさらに調査するために、著者らは90の脳領域から構成される運動モデルを作成し、DTIデータから得られた構造行列によって結合されました。彼らは、認知に関連する42の脳領域に焦点を当て、前頭葉、頭頂葉、後頭葉、および側頭葉に位置する領域に含まれるものとしました。この領域間の情報伝達の方向と強度を推定するために、有効接続行列を計算しました。続いて、より強い接続を保持するために有効接続行列を疎二値化しました。最小限のドライバーノードは、使用された基準に応じて3つ、4つ、または5つ特定されました。ヒッポカンパス、前頭中回、後頭下回、および顔面回を含む5つの刺激ターゲットセットが選択されました。その後、研究者らは全脳モデルに対してこれらの刺激ターゲットに外部循環刺激を適用しました。 EMCIから健康な状態への遷移の促進における各刺激ターゲットセットの効果をKullback-Leibler距離を用いて比較しました。2番目の刺激ターゲットセットが最も遷移を促進する効果があることが示されました。

彼らが刺激ターゲットを決定した方法

脳の制御可能性の概念は、脳が一つの状態から別の状態に容易に遷移できる程度を測るために使用されました。この研究では、研究者らは線形ネットワーク制御における正確な制御可能性を利用して、脳領域が他の領域に影響を与える能力を検証しました。彼らは、fMRI測定の神経ダイナミクスを記述するための簡略化された線形モデルを使用しました。Popov-Belevitch-Hautus（PBH）ランク基準を適用することにより、脳ネットワークの完全制御に必要な最小限のドライバーノード数を決定しました。制御可能性の問題は、ランク基準を満たすドライバーノードの位置を見つけることであり、EMCIから健康への移行を強制するために研究者らは全脳モデルを使用し、最小限のドライバーノードに対して外部刺激を適用しました。刺激は周期的な強制項として提示されました。選択されたノードを摂動することにより、EMCIからの移行を推進する能力を探索しました。これは、刺激後の脳状態と健康な脳状態との間のKL距離によって測定されました。このプロセスは、異なる摂動振幅に対して繰り返されました。

早期の軽度認知障害（EMCI）の患者における刺激ターゲットを探索するために、研究者らは脳ネットワークにおける正確な制御可能性を利用しました。まず、効果的な結合の完全制御を達成するために必要な最小限のドライバーノードの数を特定し、それらの位置を刺激ターゲットとして探索しました。この研究では、認知に関連する42の脳領域に焦点を当て、前頭葉、頭頂葉、後頭葉、側頭葉に位置する領域が含まれていました。これらの領域間の情報伝達の方向と強度を推定するために、効果的な接続行列を計算しました。研究者らは、これらの接続を強化するために効果的な接続行列を疎集団化しました。最小限のドライバーノード数は、使用された基準によって3つ、4つ、または5つのいずれかと特定されました。ヒッポカンパス、前頭中回、後頭下回、顔面回を含む5つの刺激ターゲットセットが選択されました。研究者らは、これらの刺激ターゲットに対して外部循環的刺激を全脳モデルに適用しました。 EMCIから健康な状態への移行を促進するための各刺激ターゲットセットの効果をKullback-Leibler距離を用いて比較しました。2番目の刺激ターゲットセットが最も遷移を促進する効果があることが示されました。

この研究の意義

本研究では、LEiDA法を用いて、早期の軽度認知障害（EMCI）の患者における脳サブステートの時間的進化を分析しました。優勢的な結合モデルを適用して、これらの患者の脳の異常なダイナミクスを研究し、認知変化に関連する状態ダイナミクスの特徴を特定しました。その後、ホップ分岐モデルを用いて、脳ネットワークの完全制御を可能にし、EMCIから健康な状態への移行を促進するためのドライバーノードのセットを特定するために、正確な制御可能性を使用しました。LEiDA法を使用することで、EMCI患者の認知機能の低下の潜在的なメカニズムを探索することができることが示唆されました。ホップ分岐モデルは、脳の状態を描写し、外部刺激戦略を最適化してEMCIから健康な状態への移行を促進するために成功裏に使用されました。この研究はまた、ヒッポカンパス、前頭中回、後頭下回、顔面回などの主要な脳領域を特定しました。その領域はEMCI患者で状態遷移を達成するための最適な刺激対象です。ただし、本研究の選択した前処理手法や刺激強度などの制限事項を克服し、使用した方法の検証を進めるために、さらなる研究が必要です。全体的に、この研究は脳のダイナミックな機能的結合とEMCI患者への介入のための潜在的な戦略に関する洞察を提供しています。