PCA für die NAPLS-2-Daten

Alle Probanden in der NAPLS-2-Stichprobe (insgesamt 302, darunter 19 Konverter, 163 Nicht-Konverter, 120 Kontrollen) absolvierten eine Batterie von fünf fMRT paradigmen am Punkt der Rekrutierung: ein augenöffnendes Ruhezustandsparadigma, eine verbale Arbeitsgedächtnisaufgabe, eine episodische Gedächtniscodierungsaufgabe, eine episodische Gedächtnisabrufaufgabe und eine emotionale Gesichtsanpassungsaufgabe. Wir verwendeten den erweiterten Power Brain Atlas mit 270 regions23,24,25, um funktionelle Gehirnnetzwerke für jedes Individuum während jedes Paradigmas zu konstruieren, wodurch insgesamt 302 × 5 Ganzhirn-Konnektivitätsmatrizen erzeugt wurden, die jeweils die paarweise Konnektivität zwischen den 270 Knoten für ein bestimmtes Subjekt und Paradigma darstellen. Um die Existenz einer gemeinsamen Gehirnfunktionsarchitektur unabhängig von Paradigmen16,17 festzustellen, führten wir zunächst eine PCA-Analyse der konstruierten Konnektivitätsmatrizen durch, um die gemeinsamen Konnektivitätsmuster zu extrahieren, die die Mehrheit der Varianz über alle Paradigmen hinweg für jedes Individuum erklären können (Abb. 1). Wir fanden heraus, dass für alle drei untersuchten Gruppen die erste Hauptkomponente (PC) ~ 70% der Gesamtvarianz in den Konnektivitätsmatrizen in allen fünf Paradigmen erklärte (Ergänzende Abbildung 1A). Es gab keine signifikanten Unterschiede in Prozent der Varianz zwischen den Gruppen erklärt (P = 0,16, Einweg-ANOVA). Bei der Untersuchung jedes Paradigmas separat stellten wir außerdem fest, dass die Paradigmen Ruhezustand, Arbeitsgedächtnis, episodische Gedächtniscodierung und emotionale Gesichtsanpassung ähnliche Faktorbelastungen auf den ersten PCs aufwiesen, während das Paradigma zur Wiederherstellung des episodischen Gedächtnisses eine etwas geringere Belastung aufwies, was auf einen relativ geringeren Beitrag des Paradigmas zur Wiederherstellung des Gedächtnisses zu den ersten PCs im Vergleich zu anderen Paradigmen hindeutet. Es wurden jedoch keine signifikanten Gruppenunterschiede bei den Faktorbelastungen für jedes der Paradigmen gefunden (P > 0.44, Einweg-ANOVA, Ergänzende Abbildung 1B), was darauf hindeutet, dass alle drei Gruppen paradigmatisch ähnliche Beiträge zum ersten PC hatten.

NBS für die ersten PCs in den NAPLS-2-Daten

Nachdem bestätigt wurde, dass der erste PC matrizen können die Mehrheit der Varianz über Paradigmen erklären und somit als „zustandsunabhängige“ Merkmalsmatrix für jedes Individuum dienen. Wichtig ist, dass die Werte in einer PC-Matrix, obwohl sie kein direktes Maß für die „funktionale Konnektivität“ sind, wie sie traditionell unter Verwendung korrelationsbasierter Methoden definiert wird, die Stärke der funktionalen Konnektivität widerspiegeln, die in allen Paradigmen für eine bestimmte Person gemeinsam genutzt wird. Hier haben wir diese Werte als Maß für „paradigmenübergreifende Konnektivität“ bezeichnet, um sie von „funktionaler Konnektivität“ in einem typischeren Kontext zu unterscheiden. Hier wurde NBS eingesetzt, um diese Frage nach etablierten Verfahren zu untersuchen, die in früheren Studien verwendet wurden11,24,26. Bemerkenswerterweise könnten die ersten PC-Matrizen, die aus der PCA-Analyse abgeleitet wurden, zusätzlich zur Varianz von neuronalen Signalen auch Signale erfassen, die mit den demografischen Merkmalen, der Kopfbewegung und / oder dem Medikationsstatus der Probanden zusammenhängen, da die mit diesen Variablen verbundenen Variationen auch konsistent vorhanden sind paradigmenübergreifend. Um diese störenden Einflüsse zu mildern, haben wir Alter, Geschlecht, IQ, Standort, mittlere rahmenweise Verschiebung (FD) über alle Paradigmen hinweg und antipsychotische Dosierung als störende Regressoren in die NBS-Analyse einbezogen. Nach der Kontrolle dieser Variablen beobachteten wir einen hochsignifikanten Gruppeneffekt auf ein verbundenes Netzwerk mit insgesamt 84 Kanten, die Paare von 62 Knoten verbinden, die mehrere Gehirnregionen im Kleinhirn, Thalamus und Großhirnrinde abdecken (PFWE = 0,005 aus 10.000 Permutationen, Abb. 2a). Insbesondere gehörten die Regionen im identifizierten Netzwerk zu sieben zuvor definierten Funktionssystemen 23: subkortikal-cerebellär (z. B. Thalamus, Putamen, Cerebellum), sensomotorisch (z. B. prä- und postzentrale Gyri, ergänzender motorischer Bereich), visuell (z. Gyrus occipitalis, Gyrus temporalis inferior, Gyrus lingualis inferior, Gyrus fusiforme), auditorischer (z. B. rolandisches Operculum), Default-Mode (z. B. medialer präfrontaler Gyrus, Gyrus angularis precuneous, Gyrus temporalis medialis), frontoparietaler (z. B. obere und mittlere frontale Gyri) und aufmerksamkeitsstarker (z. B. obere und mittlere temporale Gyri). Die PC-Scores, die die paradigmenübergreifende Konnektivität zwischen diesen Regionen darstellen, waren bei Probanden mit CHR im Vergleich zu Kontrollen signifikant höher, ein Effekt, der bei denjenigen, die später in Psychosen konvertierten, signifikant ausgeprägter war als bei Nicht-Konvertern (Abb. 2b), was auf eine paradigmenunabhängige Konnektivitätsveränderung hindeutet, die dem Beginn der Psychose vorausgeht.

Um die NBS-Ergebnisse besser interpretieren zu können, haben wir zwei Fragen weiter untersucht. Erstens, da die Vorzeichen von Werten in den PC-Matrizen neu skaliert wurden und möglicherweise nicht mit denen in den ursprünglichen Korrelationsmatrizen übereinstimmen, war unklar, ob die in Konvertern beobachtete höhere paradigmenübergreifende Konnektivität tatsächlich Hyperkonnektivität widerspiegelte. Zweitens war nicht bekannt, ob der festgestellte Effekt von bestimmten Paradigmen angetrieben wurde. Um diese Fragen zu beantworten, wurde das gesamte identifizierte Netzwerk aus den ursprünglichen Konnektivitätsmatrizen für jedes Paradigma extrahiert und über alle Kanten in diesem Netzwerk gemittelt. Wir fanden einen signifikanten Gruppeneffekt für alle fünf Paradigmen auf die mittlere funktionale Konnektivität dieses Netzwerks (PFWE < 0.04, Einweg-ANCOVA, Abb. 2c). In ähnlicher Weise zeigten die Konverter die höchste Konnektivität, gefolgt von den Nicht-Konvertern, während die Kontrollpersonen die niedrigste Konnektivität aufwiesen. Darüber hinaus waren die funktionalen Konnektivitätsmaßnahmen in allen drei Gruppen positiv. Diese Ergebnisse deuten auf eine cerebello–Thalamo–kortikale Hyperkonnektivität bei Konvertern hin, die nicht von bestimmten Paradigmen angetrieben wird, sondern in allen in der Studie verwendeten Paradigmen vorhanden ist.

Assoziation mit dem Schweregrad der Psychose

Um mögliche Assoziationen zwischen der identifizierten Netzwerkveränderung und dem Schweregrad der Psychosesymptome zu untersuchen, führten wir Spearman-Rangordnungskorrelationen zwischen der mittleren netzwerkparadigmenübergreifenden Konnektivität und den positiven und Desorganisierungswerten durch, die aus der Skala der Prodromalsymptome (SOPS27) gewonnen wurden. Insbesondere sind positive und Desorganisationssymptome diagnostisch spezifischer für Psychosen als negative und allgemeine Symptome. Wir beobachteten eine signifikante Assoziation des Netzwerkmaßes mit den Desorganisationssymptomen bei Probanden bei CHR (R = 0,17, P = 0,02, Abb. 2d), aber nicht bei gesunden Kontrollen (P = 0,41). Die Korrelation zwischen dem Netzwerkmaß und positiven Symptomen erreichte in keiner der beiden Gruppen eine Signifikanz (P > 0.12). Diese Ergebnisse legen nahe, dass die beobachtete Hyperkonnektivität mit bizarrem Denken und Verhalten bei Personen mit Prodromalsymptomen zusammenhängen kann.

Assoziation mit Psychose Konvertierungsgeschwindigkeit

Wir untersuchten dann, ob die beobachtete Netzwerkveränderung, die dem Beginn der Psychose vorausging, die Zeit bis zur Konvertierung in CHR-Konvertern vorhersagen würde. Zu diesem Zweck wurde eine Spearman-Rang-Ordnungs-Korrelation zwischen der mittleren Netzwerk-Cross-Paradigm-Konnektivität und der Anzahl der Monate bis zur Konvertierung nach dem Baseline-Scan durchgeführt. Wir beobachteten eine signifikante Korrelation zwischen diesen beiden Variablen (R = -0,48, P = 0,04, Abb. 2e), was darauf hindeutet, dass eine höhere Konnektivität im cerebello–Thalamo–kortikalen Netzwerk eine kürzere Konversionszeit vorhersagt.

Assoziation mit strukturellen Maßnahmen

Da die beobachteten Konnektivitätsveränderungen im Kleinhirn–Thalamo–kortikalen Kreislauf über verschiedene Paradigmen hinweg robust sind, stellt sich natürlich die Frage, ob diese Änderungen mit strukturellen Unterschieden in identifizierten Knoten in diesem Kreislauf zusammenhängen. Um diese Frage zu beantworten, extrahierten wir das Volumen der grauen Substanz aller identifizierten kortikalen, subkortikalen und Kleinhirnregionen aus den verarbeiteten T1-gewichteten Bildgebungsdaten der Probanden und korrelierten diese Messungen mit den mittleren PC-Scores des identifizierten Netzwerks unter Verwendung der Pearson-Korrelation. Unsere Analyse ergab nach mehrfacher Korrektur keine signifikanten Zusammenhänge zwischen den funktionalen Konnektivitätsmaßnahmen und den strukturellen Volumina der grauen Substanz (PFWE > 1). Die einzigen Effekte auf Trendebene wurden im bilateralen Thalamus gezeigt (R = -0,12, unkorrigiert = 0.04), was darauf hindeutet, dass die beobachtete cerebello–Thalamo–kortikale Hyperkonnektivität einzigartige Informationen über das Risiko für Psychosen vermittelt, die nicht vollständig durch anatomische Veränderungen im Zusammenhang mit Psychosen erklärt werden und / oder zu dem Zeitpunkt auftreten können, bevor die ausgeprägtesten strukturellen Veränderungen auftreten.

Überprüfung der Ergebnisse in einer übereinstimmenden Teilstichprobe

Um zu bestätigen, dass die festgestellte Netzwerkänderung nicht durch demografische und / oder klinische Variablen erklärt wurde, bei denen auch signifikante Gruppenunterschiede auftraten (ergänzende Tabelle 1), führten wir eine ergänzende Analyse unter Verwendung einer kleinen Teilstichprobe von Probanden in der NAPLS-2-Kohorte durch, die nicht medikamentös waren und in Bezug auf die Demografie über die Ergebnisgruppen hinweg gut übereinstimmten (siehe ergänzende Tabelle 2). Die Teilstichprobe umfasste insgesamt 11 Konverter, 40 Nicht-Konverter und 40 gesunde Kontrollen aus der oben genannten größeren Stichprobe. Hier beobachteten wir wie in der größeren Stichprobe signifikante Gruppenunterschiede in der paradigmenübergreifenden Konnektivität des identifizierten Netzwerks (P < 0.001, Einweg-ANCOVA, Ergänzende Abbildung 3A). Auch hier wurden die höchsten Werte in Konvertern angezeigt, gefolgt von Nicht-Konvertern und Steuerungen. Diese Daten stellen ferner sicher, dass das erkannte Hyperkonnektivitätsmuster bei Konvertern nicht durch Gruppenunterschiede in Bezug auf Demografie und Medikation verursacht wird.

Vergleich zwischen Probanden mit 24-monatiger klinischer Nachbeobachtung

Da die klinische Nachbeobachtungszeit in der NAPLS-2-Stichprobe zwischen den Individuen variierte und diejenigen mit relativ kurzer Nachbeobachtungsdauer eher Personen umfassten, die tatsächlich konvertierten, verglichen wir die mittlere paradigmenübergreifende Konnektivität des identifizierten Netzwerks zwischen CHR-Konvertern und CHR-Nicht-Konvertern, die mindestens 24 Monate lang beobachtet wurden, in einer ergänzenden Analyse (19 Konverter und 103 Nicht-Konverter). Ähnlich wie das Ergebnis in der gesamten Stichprobe zeigte diese ergänzende Analyse einen signifikanten Gruppenunterschied zwischen Konvertern und Nicht-Konvertern (P = 0,004, Einweg-ANCOVA). Darüber hinaus wurde in dieser Teilstichprobe eine größere Effektgröße (Cohens d = 0,76) im Vergleich zur gesamten Stichprobe (Cohens d = 0,68) beobachtet, was darauf hindeutet, dass die beobachtete Hyperkonnektivität in der NAPLS-2-Stichprobe tatsächlich unterschätzt werden kann.

Spezifität des beobachteten Netzwerks

Da das identifizierte Netzwerk insgesamt 84 Kanten umfasste, wirft die relativ große Größe dieses Netzwerks die Frage auf, ob eine solche Änderung kantenspezifisch oder eher generisch für das gesamte Gehirn war. Hier haben wir einen zusätzlichen Permutationstest durchgeführt, um die Spezifität des identifizierten Netzwerks zu untersuchen. Insbesondere haben wir bei jeder Permutation zufällig 84 Kanten aus den PC-Matrizen ausgewählt und die Gruppenunterschiede anhand der Mittelwerte dieser ausgewählten Kanten verglichen. Der gesamte Vorgang wurde 10.000 Mal wiederholt. Wir fanden heraus, dass keiner der aus den 10.000 Permutationen abgeleiteten P-Werte nach Bonferroni-Korrektur statistische Signifikanz erreichte (Ergänzende Abb. 4). Im krassen Gegensatz dazu war das beobachtete Netzwerk auch nach Bonferroni-Korrektur für die 10.000 Permutationen hoch signifikant. Diese ergänzende Analyse unterstützt die Spezifität des identifizierten Netzwerks bei der Vorhersage von Psychosen und zeigt, dass es nicht durch Effekte auf globaler Ebene gesteuert wird.

NBS-Analyse der Ruhezustandsdaten

Um zu beurteilen, ob die beobachtete Netzwerkhyperkonnektivität lediglich eine Abnormalität des Ruhezustands widerspiegelt (in diesem Fall wäre die PCA-Analyse redundant), führten wir eine zusätzliche NBS-Analyse ausschließlich der Ruhezustandsdaten durch. Diese Analyse ergab keine signifikanten Unterschiede zwischen den Ergebnisgruppen, was darauf hindeutet, dass die beobachtete Netzwerkänderung nur beim Kollabieren über mehrere Paradigmen hinweg und nicht während der Ruhezeit nachweisbar ist .

Assoziation mit Kopfbewegungsparametern

Um weiter sicherzustellen, dass die erkannte Netzwerkanomalie nicht durch Kopfbewegungsunterschiede zwischen Gruppen verursacht wurde, führten wir eine zusätzliche Analyse durch, um die mögliche Assoziation zwischen den beobachteten Netzwerkmetriken und den frameweisen Verschiebungswerten für alle Personen in der NAPLS-2-Stichprobe unter Verwendung der Spearman-Rangordnungskorrelation zu testen. Diese Analyse ergab keine signifikante Korrelation zwischen den beiden Variablen (R = 0,08, P = 0.17), was das Argument stützt, dass die erkannte Netzwerkanomalie wahrscheinlich nicht durch Kopfbewegungsunterschiede zwischen Gruppen verursacht wird.

Vorhandensein von Netzwerk-Hyperkonnektivität in den CNP-Daten

Um zu bestätigen, dass die erkannte Netzwerk-Hyperkonnektivität eine „Merkmal“ -Anomalie für Psychosen ist, untersuchten wir das Vorhandensein einer solchen Veränderung in einer unabhängigen Stichprobe mit Multi-Paradigma-fMRT-Daten, die von drei klinischen Populationen (SZ, BD und ADHS) und gesunden Kontrollen (Ergänzende Tabelle 3). Die Probanden in der CNP-Stichprobe absolvierten einige oder alle der sieben Paradigmen, die von der Kohorte verwendet wurden: ein augenoffenes Ruhezustandsparadigma, eine „Ballon-analoge“ Risikoübernahmeaufgabe, eine räumliche Arbeitsgedächtnisaufgabe, eine episodische Speichercodierungsaufgabe, eine episodische Speicherabrufaufgabe, eine „Go-No-Go“ –Stoppsignalaufgabe und eine „Color-Shape“ -Task-Switching-Aufgabe. Nach den gleichen oben beschriebenen Verfahren berechneten wir die ersten PC-Scores für die Korrelationsmatrizen über alle Paradigmen hinweg und extrahierten die Werte für jedes Individuum aus demselben Netzwerk (Ergänzende Abbildung 2). Wie erwartet beobachteten wir einen signifikanten Gruppeneffekt auf die netzwerkübergreifende Konnektivität nach Kontrolle von Alter, Geschlecht, IQ, mittlerer FD und antipsychotischer Dosierung (P = 0,025, Einweg-ANCOVA, Abb. 3a). Insbesondere wurde dieser Effekt durch die Unterschiede zwischen der SZ-Gruppe und der HC-Gruppe verursacht (PBonferroni = 0.024, Post-hoc-t-Test), nicht jedoch zwischen den anderen Gruppen (PBonferroni > 0.26, Post-hoc-t-Test). Darüber hinaus gab es tendenziell eine Gradientenerhöhung des Grades der Hyperkonnektivität im identifizierten Netzwerk mit der Zunahme der Prävalenz psychotischer Symptome in den Populationen (so dass SZ > BD > ADHS > HC). Diese Ergebnisse deuten auf eine psychosespezifische funktionelle neuronale Signatur bei Patienten hin, insbesondere bei Patienten mit SZ.

Um die Assoziation zwischen der Netzwerkhyperkonnektivität und den Desorganisationssymptomen, wie sie in der NAPLS-2-Stichprobe identifiziert wurden, weiter zu überprüfen, wurden Spearman-Rang-Ordnungs-Korrelationen für die netzwerkparadigmenübergreifenden Konnektivitätsmaßnahmen auf jeder der vier Subskalen (Halluzinationen, Wahnvorstellungen, bizarres Verhalten, Gedankenstörung) der Skala zur Beurteilung positiver Symptome (SAPS28) bei Patienten durchgeführt mit SZ. In Übereinstimmung mit dem Befund in der NAPLS-2-Stichprobe ergab das Ergebnis eine signifikante Korrelation zwischen dem Netzwerkmaß und den Subskalen-Scores für Gedankenstörungen (R = 0,30, P = 0,035, Abb. 3b). Die Korrelationen mit anderen Subskalen erreichten keine statistische Signifikanz (P > 0.30), was darauf hindeutet, dass die beobachtete Netzwerkveränderung spezifisch mit unorganisiertem Denken und Sprechen bei Patienten zusammenhängt.Ähnlich wie bei den Verfahren in der NAPLS-2-Stichprobe bestätigten wir auch die Befunde in einer demographisch übereinstimmenden Teilstichprobe der CNP-Kohorte mit 27 Patienten mit SZ, 27 Patienten mit BD, 27 Patienten mit ADHS und 27 HCs (Ergänzende Tabelle 4). Der gleiche Gruppeneffekt wurde erneut identifiziert (P = 0,016, Einweg-ANCOVA, Ergänzende Abbildung 3B), der wiederum durch die Unterschiede zwischen der SZ-Gruppe und der HC-Gruppe (PBonferroni = 0,043, Post-hoc-t-Test), aber nicht zwischen den anderen Gruppen (PBonferroni > 0,06, Post-hoc-t-Test). Diese Ergebnisse legen nahe, dass die festgestellten Konnektivitätsunterschiede in der größeren Stichprobe wahrscheinlich nicht auf eine unübertroffene Demografie zwischen den Gruppen zurückzuführen sind. Ermutigt durch diese Ergebnisse führten wir ferner eine ROC-Kurvenanalyse (Receiver Operating Characteristic) durch, um die Fähigkeit zu testen, das in den NAPLS-2-Daten entdeckte Hyperkonnektivitätsmuster zu verwenden, um Patienten mit SZ von den Kontrollen in der gesamten CNP-Stichprobe zu unterscheiden. Unsere Analyse ergab eine Area under Curve (AUC) von 0,64 (P = 0,003 aus 10.000 Permutationen, Abb. 3c), was eine Hyperkonnektivitätsveränderung des Merkmals unterstützt, die möglicherweise zur Vorhersage und Charakterisierung von Psychosen verwendet werden kann.