西安交通大学蒋俊杰和黄子罡课题组构建自适应Hopf全脑动力学拟合算法实现基于脑动力学参数的抑郁症和自闭症等脑疾病的探究

神经系统疾病与精神疾病（如抑郁症、焦虑症、精神分裂症、阿尔茨海默病等）在全球范围内高发，严重影响数亿人的生活质量。然而，这类疾病的诊断缺乏客观、可量化的生物标志物。近年来，研究焦点逐渐从静态结构和功能连接的分析，转向对脑区动力学特征的建模与量化。其中，全脑动力学建模方法基于弥散张量成像（DTI）构建的结构连接图谱，结合唯象动力学模型，模拟脑区间的介观交互，有效揭示不同生理和病理状态下的大脑动态机制。基于Hopf超临界分岔范式的Landau-Stuart振子唯象脑模型，可通过调控全局耦合强度（G）与脑区分岔参数（a），重建意识状态变化与疾病特征。然而，目前拟合方法在参数估计精度、数据特征还原及脑区异质性表达方面仍存在明显不足，限制了模型的解释力与临床效能。因此，提升参数拟合精度与个体化建模能力，建立功能性磁共振成像（fMRI）血氧水平依赖（BOLD）信号与模型参数间的映射关系，是理解脑功能状态变化及量化脑疾病的关键科学问题，亦具有重要临床应用前景。

西安交通大学生命科学与技术学院的蒋俊杰和黄子罡团队在Research上发表了题为“Adaptive Whole-Brain Dynamics Predictive Method: Relevancy to Mental Disorders”的文章，构建了适应性全脑动力学预测方法，系统性地验证并优化了Hopf模型的参数拟合能力，实现对个体脑功能状态的精准建模，显著提升了模型在神经病理识别与临床应用中的解释力与可靠性。并将模型应用于临床数据集，展现其作为潜在生物标志物的应用价值。

为系统验证模型的有效性，研究团队基于模拟网络与合成数据开展了大量仿真实验，并创新性地构建了一种通用的、自适应全脑动力学预测方法，以突破传统建模方法在适用性与拟合精度上的局限。该方法支持对每位受试者进行个体化参数拟合，显著提升了模型在性能、适配性及精确性方面的表现。具体而言，研究工作包括以下几个关键创新：首先，为更精确地保留个体间的差异性，引入了个性化的初始化策略，包括初始化值、学习率及特征维度的差异化设置；其次，依据合成模型中真实损失函数的性质，构建了近似损失函数框架，用以更有效地评估拟合性能，进而实现最优参数组合的确定；第三，通过引入梯度调整机制，优化了对个体数据特征的拟合能力，显著增强了模型对BOLD信号特征的重构性能，成功克服了传统方法在收敛精度与稳定性上的不足；第四，经由大量模拟实验与真实数据的对比分析，研究者确认该方法在参数拟合性能与鲁棒性方面均表现优越，具备良好的通用性；最后，该方法已成功应用于临床fMRI数据中，实现了个体层面的参数拟合与动态特征评估，从而揭示了不同脑区在健康与病理状态下的显著差异及其潜在变化机制。

进一步将该方法应用于两类大样本fMRI真实数据集：重度抑郁障碍（Major Depressive Disorder, MDD）与自闭症谱系障碍（Autism Spectrum Disorder, ASD），实现了在个体层面对脑区动力学特征的精准重建。结果显示，新方法所拟合的分岔参数对静息态BOLD信号特征的重构优于传统方法，并且在MDD的分型和诊断识别与ASD与健康对照的区分中，均取得高准确率，显著优于以功能连接为特征的传统方法。进一步分析表明，海马、辅助运动区、扣带皮层、岛叶及楔前叶等区域在健康与不同病理状态间存在显著差异；而丘脑与顶叶的分岔参数分别与HAMD和ADOS评分亦呈现显著相关，提示其在情绪调控与社会功能中可能扮演关键角色，具有成为神经生物标志物的潜在价值。

这一方法在疾病机制解析、临床状态分类、治疗靶点发现等方面展现出重要应用前景。但当前模型主要聚焦于静息态BOLD信号的模拟，尚未充分考虑任务态、多模态数据融合与横向跨时间变化等复杂动态特征。此外，部分模型参数虽在统计学上显著，但其生理机制仍待进一步实证验证，模型的通用性与临床转化价值仍需多中心、多群体的深入研究。未来研究可进一步围绕多模态融合、时变动力学建模及神经调控反馈机制拓展。其次，应深入分析模型的理论基础，结合图神经网络与深度学习优化参数学习效率与准确度，推动其向个性化预测、临床干预及脑机接口等方向的转化应用。

来源： https://spj.science.org/doi/10.34133/research.0648