大脑结构连接模式区分正常体重与超重受试者（2015）

转到：

抽象

背景

摄入行为的享乐成分的改变被认为是超重和肥胖个体的病理生理学中可能的风险因素。 来自体重指数增加的个体的神经影像证据表明扩展的奖励网络和相关网络中的结构，功能和神经化学改变。

目的

应用多变量模式分析来基于灰度和白质测量来区分正常体重和超重受试者。

方法

结构图像（N = 120，超重 N = 63）和扩散张量图像（DTI）（N = 60，超重 N = 30）来自健康对照受试者。 对于总样本，超重组（女性= 32，男性= 31）的平均年龄为28.77岁（SD = 9.76），而正常体重组（女性= 32，男性= 25）的平均年龄为27.13岁（SD = 9.62）。 ）。 使用Freesurfer对大脑图像进行区域分割和分割。 进行确定性束摄影术以测量区域之间的归一化纤维密度。 多变量模式分析方法用于检查大脑测量值是否可以区分超重和正常体重的人。

成果

1。 白质分类：基于具有2区域连接的17签名的分类算法在区分超重个体与正常体重个体时达到97％准确度。 对于两种大脑特征，与奖励网络区域和执行控制区域，情绪唤醒和体感网络之间的正常体重相比，在超重中观察到更高的连通性，以增加的纤维密度为指标。 相反，在腹内侧前额叶皮层和前岛叶之间以及丘脑和执行控制网络区域之间发现了相反的模式（纤维密度降低）。 2。 灰质分类：基于具有2形态特征的42特征的分类算法在区分超重与正常体重方面达到了69％的准确度。 在两个大脑签名区域的奖励，显着性，执行控制和情绪唤醒网络都与之相关 降低 与正常体重个体相比，超重个体的形态学值，而体感网络的区域则出现相反的模式。

结论

1。 BMI增加（即超重受试者）与大脑的灰质和纤维密度的明显变化相关。 2。 基于涉及奖励和相关网络区域的白质连接的分类算法可以识别针对异常摄取行为和超重/肥胖的机械研究和未来药物开发的特定目标。

关键词： 肥胖，超重，形态学灰质，解剖性白质连通性，奖励网络，多变量分析，分类算法
缩写： HC，健康控制; 体重指数，体重指数; HAD，医院焦虑和抑郁量表; TR，重复时间; TE，回波时间; FA，翻转角; GLM，一般线性模型; DWI，扩散加权核磁共振成像; 视野，视野; GMV，灰质体积; SA，表面积; CT，皮质厚度; MC，平均曲率; DTI，扩散张量成像; FACT，通过连续跟踪进行光纤分配; SPSS，社会科学统计软件包; 方差分析，方差分析; FDR，错误发现率; sPLS-DA，用于判别分析的稀疏偏最小二乘法; VIP，投影的重要性; PPV，阳性预测值; NPV，阴性预测值; VTA，腹侧被盖区; OFG，orbitofrontal gyrus; PPC，后顶叶皮质; dlPFC，背外侧前额叶皮层; vmPFC，腹内侧前额叶皮质; aMCC，前扣带皮层; sgACC，亚前扣带皮层; ACC，前扣带皮层

1.0。 介绍

据世界卫生组织估计，近5亿成年人肥胖，超重成人超过两倍，导致糖尿病，心血管疾病和癌症等疾病的增加，并导致至少100万人死亡每年 （世界卫生组织（世卫组织），2014）。 仅在美国，34.9％的成年人肥胖，成年人（65％）超重或肥胖的人数增加一倍（疾病控制中心（CDC），2014）。 超重和肥胖的经济和健康负担继续将医疗保健成本提高到高达78.5亿（Finkelstein等，2009），数十亿美元继续用于无效的治疗和干预措施（Loveman等人，2011; Terranova等，2012）。 尽管已经进行了各种努力以确定超重和肥胖的潜在病理生理学，但目前的理解仍然不足。

环境和遗传因素都在人类超重和肥胖的发展中起作用（Calton和Vaisse，2009; Choquet和Meyre，2011; Dubois等人，2012; El-Sayed Moustafa和Froguel，2013）。 最近的神经影像学研究表明，较高的体重指数（BMI）与功能改变（任务和休息状态）有关（Connolly等，2013; Garcia-Garcia等，2013; Kilpatrick等，2014; Kullmann等，2012），灰质形态测定法（Kurth等，2013; Raji等，2010）和白质特性（Shott等，2014; Stanek等，2011），提示大脑可能在超重和肥胖的病理生理学中的作用（Das，2010）。 这些研究主要涉及奖励网络的区域（肯尼，2011; Volkow等人，2004; Volkow等人，2008; Volkow等人，2011），以及与显着性相关的三个紧密相连的网络（Garcia-Garcia等，2013; Morrow等，2011; Seeley等人，2007a），执行控制（Seeley等人，2007b）和情绪唤起（Menon和Uddin，2010; Zald，2003）（图。 1).

图。 1 

奖励网络和相关网络的区域。 1。 奖励网络：下丘脑，眶额皮质（OFC），伏隔核，壳核，腹侧被盖区（VTA），黑质，中脑区域（尾状核，螺旋体，海马）。 2。 凸显 ...

目前的研究的目的是测试这些网络的区域之间的相互作用超重个体之间不同比正常体重的个体的一般假设，我们应用大规模国家的最先进的神经影像数据处理，可视化和多变量模式分析测试这个假设。 与具有正常体重的个体相比，具有更高效和计算密集的数据处理流水线和统计算法的可用性允许BMI升高的个体中的脑的更广泛的形态学和解剖学表征。 多变量模式分类分析提供了检查与正常体重个体相比区分超重的区域的分布模式的手段。

在这项研究中，受监督的学习算法应用到区域性脑形态和白质纤维密度（特定脑区域之间的连通性的度量）的措施，以测试超重状态与不同的模式或包含的区域脑签名相关联的假设奖励，突出，执行控制和情绪唤起网络。 结果表明，与正常体重的个体相比，区域连通性和较少的脑形态测量学可用于区分超重。 结果提供了基于多模式脑成像的预测算法，并识别用于进一步机械研究的特定目标。

2.0。 方法

2.1。 参与者

总样本由120右手健康对照（HC）志愿者组成，参与2010和2014之间的应激神经生物学中心的神经影像学研究。 受试者通过在加州大学洛杉矶分校和洛杉矶社区发布的广告招募。 所有的程序符合赫尔辛基宣言的原则和机构审查委员会在加州大学洛杉矶分校（批准文号11-000069 12和-001802）获得批准。 所有受试者均提供书面知情同意 所有受试者在临床评估后被归类为健康，其中包括改良的Mini-International Neuropsychiatric Interview Plus 5.0（Sheehan等，1998）。 排除标准包括药物滥用，怀孕，烟草依赖，腹部手术，血管危险因素，减肥手术，过度运动（每天和马拉松运动员每天运动超过1小时）或精神病。 尽管经常与BMI升高相关，但高血压，糖尿病或代谢综合征患者被排除在外，以减少人群的异质性。 同样，出于相同的原因，排除了饮食失调的受试者，包括消化系统或饮食失调，例如厌食症或神经性贪食症。 尽管BMI = 25–29.9被认为是超重，但在我们的研究中，BMI被确定为高BMI组。 在BMI <25时招募体重正常的受试者，在我们的研究中被确定为正常BMI组。 由于MRI扫描的重量限制，没有受试者超过400磅。

2.2。 样本特征

经过验证的问卷在扫描前完成，用于衡量当前的焦虑和抑郁症状（医院焦虑和抑郁量表（HAD））（Zigmond和Snaith，1983）。 HAD量表是一种自我评估的14项目量表，用于评估基线时受试者当前的焦虑和抑郁症状（Zigmond和Snaith，1983）。 此外，受试者之前曾接受过结构化精神病访谈（Mini International Neuropsychiatric Interview，MINI）来衡量过去或现在的精神疾病（Sheehan等，1998).

2.3。 fMRI收购

2.3.1。 结构（灰质）MRI

科目（N = 120，高BMI N 在使用矢状侦察器定位头部后，在63 Tesla Tesla TRIO上扫描= 3.0）。 使用高分辨率4维T3加权，矢状磁化准备的快速梯度回波（MP-RAGE）协议，从1个不同的采集序列中获得结构扫描，扫描细节为：1.重复时间（TR）= 2200 ms，回声时间（TE）= 3.26 ms，翻转角（FA）= 9，1毫米3 体素大小。 2. TR = 2200 ms，TE = 3.26 ms，FA = 20，1毫米3 体素大小。 3. TR = 20 ms，TE = 3 ms，FA = 25，1毫米3 体素大小。 4. TR = 2300 ms，TE = 2.85 ms，FA = 9，1毫米3 体素大小。 评估采集方案对总灰质体积（TGMV）差异的影响。 具体而言，应用一般线性模型（GLM）来确定方案对TGMV控制年龄的影响。 结果表明所有方案彼此不相似（F（3）= 6.333， p = .053）。

2.3.2。 解剖连接（白质）MRI

原始样本的子集（N = 60，高BMI N = 30）根据两个可比较的采集方案进行了扩散加权MRI（DWI）。 具体来说，DWI是在61或64个非共线方向上采集的， b = 1000秒/毫米2，使用8或1 b = 0秒/毫米2 图片。 两种协议的TR = 9400 ms，TE = 83 ms，视场（FOV）= 256 mm，采集矩阵为128×128，切片厚度为2 mm，产生2×2×2 mm3 各向同性体素。

2.4。 fMRI处理

2.4.1。 结构（灰质）分割和分割

使用FreeSurfer进行T1图像分割和区域分割（Dale等人，1999; Fischl等，1999, 2002遵循中描述的命名法 Destrieux等。 （2010）。 对于每个大脑半球，除了74皮质下结构和小脑之外，还标记了一组7双侧皮质结构。 样本主题的分割结果显示在 图。 2A.还包括一个额外的中线结构（包括中脑部分的脑干，如腹侧被盖区[VTA]和黑质），用于整个大脑的一整套165分区。 针对每个皮质分割计算四种代表性的形态学测量：灰质体积（GMV），表面积（SA），皮质厚度（CT）和平均曲率（MC）。 数据处理工作流程在神经影像学（LONI）管道实验室设计和实施（http://pipeline.loni.usc.edu).

图。 2 

A.结构分割和分割结果以及与样本受试者的结构分组相关的B.白质纤维结果。 答：结构分割。 B：白质分割。

2.4.2。 解剖连接（白质）

对运动校正扩散加权图像（DWI）并用于计算在每个体素处旋转重新定向的扩散张量。 如Chiang等人所述，扩散张量图像基于对数变换张量的三线性插值进行重新排列。 （Chiang等人，2011）并重新采样为各向同性体素分辨率（2×2×2 mm3）。 使用LONI管道创建数据处理工作流程。

在结构图像上识别的165大脑区域之间估计每个受试者的白质连通性（图2B）使用DTI纤维束成像。 通过连续跟踪光纤分配（FACT）算法进行了Tractography（Mori等，1999）使用TrackVis（http://trackvis.org）（Irimia等，2012）。 每个大脑区域之间的白质连通性的最终估计是基于与每个区域相交的纤维束的数量来确定的，通过整个大脑内的纤维束的总数来标准化。 然后将该信息用于后续分类。

2.5。 稀疏偏最小二乘 - 判别分析（sPLS-DA）

为了确定脑标志物是否可用于预测高BMI状态（超重与正常体重），我们采用了sPLS-DA。 sPLS-DA是稀疏PLS回归的一种形式，但响应变量是分类的，表示组成员身份（LêCao，2008a; LêCao等人，2009b, 2011）。 sPLS-DA已被证明对预测变量具有大量预测因子，样本量小以及预测变量之间的高共线性特别有效（LêCao，2008a; LêCao等人，2009b, 2011）。 sPLS最大化大脑测量和组差异对比之间的样本协方差。 sPLS使用套索惩罚同时执行变量选择和分类（LêCao等人，2009a）。 sPLS-DA使用监督框架进行操作，该框架基于类成员资格形成预测变量的线性组合。 sPLS-DA通过查找一组正交分量来减少数据的维数，每个正交分量由一组选定的特征或变量组成。 这些组件称为脑签名。 包含大脑特征的每个变量都具有相关的“加载”，这是衡量两个组中歧视的变量的相对重要性的度量（LêCao等人，2008b）。 此外，计算投影中的可变重要性（VIP）分数，以便估计PLS模型中使用的每个变量的重要性。 VIP分数是负载的加权和，其考虑了每个签名的解释方差。 平方VIP分数的平均值等于1。 VIP系数大于1的预测因子被认为对分类特别重要（LêCao等人，2008b).

2.5.1。 开发预测模型

每次分析的大脑签名数量固定为2（LêCao等人，2008b）。 一 稳定性分析 用于确定每个大脑特征的最佳脑区数量（LêCao等人，2011）。 首先，sPLS-DA应用于一系列变量5-200，以便为两个脑签名中的每一个选择。 对于要选择的变量数量的每个规范，执行10折叠交叉验证重复100次。 此交叉验证程序将训练数据划分为10折叠或数据子样本（n = 12个测试集）。 保留一个子样本作为测试数据，其余子样本用于训练模型。 通过计算跨所有交叉验证运行选择特定变量的次数来确定变量的稳定性。 仅使用稳定性大于80％的大脑变量来开发最终模型。

2.6。 统计分析

2.6.1。 稀疏偏最小二乘 - 判别分析（sPLS-DA）

sPLS-DA使用R包mixOmics进行（http://www.R-project.org）。 我们分别检查了脑形态测量和DTI解剖连接的预测能力。 除了区域脑形态测量或区域解剖连接外，还包括年龄和总GMV作为可能的预测因子。 对于获得的形态学数据，将GMV，SA，CT和MC的测量值输入模型中。 对于获得的DTI解剖连接性数据，将索引165区域之间的相对纤维密度的主题特异性矩阵转换为包含1独特连接性（来自初始矩阵的上三角形）的13,530维矩阵。 然后将这些矩阵连接在受试者之间并输入sPLS-DA。 作为初始数据缩减步骤，接近零方差预测值被丢弃，这导致369剩余连接。 使用各个维度和VIP系数的可变加载来总结大脑签名。 我们还使用图形显示来说明算法的判别能力（LêCao等人，2011）。 使用留一交叉验证评估最终模型的预测能力。 我们还计算了二元分类测量：灵敏度，特异性，阳性预测值（PPV）和阴性预测值（NPV）。 这里，灵敏度指数分类算法正确识别超重个体的能力。 特异性反映了分类算法正确识别正常体重个体的能力。 PPV反映了样本中显示来自分类算法的特定超重大脑特征的比例，以及实际超重的人（真阳性）。 另一方面，NPV是如果测试结果为阴性，即参与者没有超重特异性脑特征（真阴性）的概率。

2.6.2。 样本特征

使用社会科学统计软件包（SPSS）软件（版本19）进行统计分析。 通过应用方差分析（ANOVA）评估行为测量分数的组差异。 意义被认为是 p <.05未校正。

3.0。 结果

3.1。 样本特征

总样本（N = 120）包括63个超重个体（女性= 32，男性= 31），平均年龄= 28.77岁，SD = 9.76，以及57个体重正常的个体（女性= 32，男性= 25），平均年龄= 27.13岁，SD = 9.62。 尽管超重组的焦虑和抑郁水平较高，但组间无显着差异（F = .642， p = .425; F = .001， p = .980）。 样本的临床特征总结于 表1.

表1 

样本特征。

3.2。 使用sPLS-DA进行多变量模式分析

3.2.1。 基于解剖连接（白质）的分类

我们检查了大脑解剖连接性白质是否可用于区分超重个体和正常体重个体。 图。 3A描绘了与两个大脑特征相关的样本中的个体，并描绘了白质分类器的辨别能力。 计算二元分类测量值并表明97％的灵敏度，87％的特异性，88％的PPV和96％的NPV。 表2 包含稳定的白质连接列表，包括每个辨别性大脑特征以及可变载荷和VIP系数。

图。 3 

A.基于纤维密度（白质）的分类器。 B.基于灰质形态学的分类器。 答：描述了纤维密度（白质）分类器的辨别能力。 B：描述灰质分类器的辨别能力。 ...
表2 

包含每个辨别性大脑特征的解剖学连接列表。

3.2.2。 基于解剖连接的大脑签名1

第一个大脑签名占方差的63％。 如VIP系数所示，解决方案中变量最多的变量包括1）奖励网络区域（壳核，苍白球，脑干[包括中脑区域，如VTA和黑质]）与执行区域之间的连接控制（前壁是顶叶后皮质的一部分），突出（前脑岛），情绪唤醒（腹内侧前额叶皮质）和体感（中央后脑回）网络; 2）情绪唤醒网络（前中脑皮质，腹内侧前额叶皮质）区域，具有突出区域（前岛叶）和体感（旁中小叶，包括辅助运动皮层）网络; 和丘脑中部丘脑和丘脑具有执行控制网络区域（背外侧前额叶皮质）的丘脑和3）。

与正常体重组相比，超重组显示出更高的连接，从奖励网络（壳核，苍白球，脑干）区域到执行控制网络（后顶叶皮层），以及从壳核到情绪唤醒网络的抑制部分（腹内侧前额叶皮层）和体感网络区域（中央后脑和后岛叶）。 从情绪唤醒网络（腹内侧前额叶皮质）到突出网络（前脑岛）的超重组中观察到较低的连通性，但是从情绪唤醒网络（腹内侧前额叶皮质）到超重组的超重组的连接性更强。体感网络（后岛叶）。 在从躯体感觉（旁中心小叶）到前中脑皮质的连接中，超重组中也观察到较低的连通性，但是从旁中小叶到顶下沟（躯体感觉网络的一部分）的连接性更高。 观察丘脑连接，与正常体重个体相比，观察到从丘脑到背外侧前额叶皮质（执行控制网络）和超重个体中枕骨回的较低连通性。

3.2.3。 基于解剖连接的大脑签名2

识别出的第二个解剖学大脑特征占数据中方差的另外12％。 如VIP系数所示，对群体歧视贡献最大变化的变量包括奖励区域（壳核，眼眶沟是眶额回和脑干的一部分）和情绪唤醒（内侧直回）的连接。部分腹内侧前额皮质网络。

在超重个体中，与正常体重个体相比，在奖励网络区域（脑干和壳核）与执行控制（背侧前额叶皮层）和情绪唤醒的抑制部分（腹内侧前额叶皮层）之间观察到更大的连通性。 然而，与正常体重的个体相比，超重个体的枕骨眶额回（奖励网络）之间的连接性较低。

3.2.4。 基于形态灰度的分类

我们检查了脑形态测量（灰质体积，表面积，皮质厚度和平均曲率）是否可用于区分超重个体和正常体重个体。 图。 3B描绘了与两个脑特征相关的样本中的个体，并描绘了形态测量分类器的辨别能力。 计算二元分类测量值并表明69％的灵敏度，63％的特异性，66％的PPV和66％的NPV。 表3 包含形态测量值列表，包括每个判别式以及可变载荷和VIP系数。

表3 

区域形态测量包括每个脑签名。

3.2.5。 基于形态学的大脑签名1

第一个大脑特征描述了形态测量表型数据中23％的变异性。 如VIP系数所示，对签名贡献最大变化的变量包括奖励区域（眼眶额回的子区域），突出（前岛叶），执行控制（背外侧前额叶皮质），情绪唤醒（腹内侧前额叶皮质） ）和体感（前中央沟，上边缘回，下中央沟，上额沟）网络。 对于额上回和窦沟，颞上回，横向前极回旋和前横颞回也观察到高VIP系数。 奖励，突显，执行控制和情绪唤醒网络的区域与之相关 降低 与正常体重的个体相比，超重个体的价值观。 此外，超重个体与正常体重的个体相比 更大的 躯体感觉网络区域的值。 额颞区和颞区（颞上回和前横颞回）的形态测量也与 降低 与正常体重的个体相比，超重个体的价值观。

3.2.6。 基于形态学的大脑签名2

第二个形态学大脑签名解释了32％的方差。 具有最高VIP系数的变量类似于在脑签名1中观察到的VIP系数，因为它们包括奖励（尾状），突出（前岛叶），执行控制（后顶叶皮质的部分），情绪唤醒（parahippocampal）的区域。脑回，亚前扣带皮层和前扣带皮层）和体感（后岛叶和旁中心小叶）网络。 然而，大脑签名2与大脑签名1相比，只有一个来自奖励网络的连接以及来自显着性和情绪唤醒网络区域的更多连接。

在超重个体中，与正常体重的个体相比， 降低 在奖励，显着性，执行控制和情绪唤醒网络中形态测量的价值，但是 更高 指出了躯体感觉网络中的值。

4.0。 讨论

这项研究的目的是确定大脑连接的形态和解剖模式（基于特定大脑区域之间的纤维密度）是否可以区分超重个体与正常体重个体。 主要发现是：1。 解剖连接（区域之间的白质束的相对密度）能够区分具有高灵敏度（97％）和特异性（87％）的具有不同BMI的受试者。 2。 相反，灰质的形态变化具有不太理想的分类精度。 3。 包含歧视性大脑特征的许多大脑区域属于扩展的奖励，显着性，中央执行和情绪唤醒网络，这表明观察到的功能障碍是由于这些网络之间的异常组织造成的。

4.1。 基于解剖连接的大脑签名与BMI相关联

在这项研究中，由两个反映不同区域连通模式的大脑特征组成的分类算法显示出区分超重个体和正常体重个体的显着能力。 高BMI人群的大多数DTI研究（Shott等，2014; Stanek等，2011; Xu等人，2013; Yau等人，2010, 2014）专注于研究白质扩散特性的差异，包括分数各向异性和平均扩散系数（测量白质束的完整性），或表观扩散系数（测量轨道中的水扩散并反映细胞损伤）。 所有这些措施都可以提供有关白质微观结构局部变化的信息。 在目前的研究中，我们将重点放在纤维束密度的DTI测量上，作为估计大脑区域和网络之间相对连通性的指标。 因此，虽然其他研究在白质微观结构中具有局部变化，但他们尚未确定这些变化对连通性的影响。

4.1.1。 基于解剖连接的大脑签名1

第一个大脑签名主要由奖励，突显，执行控制，情绪唤醒和感官网络内部和之间的联系组成。 还有与执行控制网络区域和枕骨区域的丘脑连接。 对应于我们发现，与正常体重组相比，在超重组中观察到从腹内侧前额叶皮层到前岛叶的连接减少，外部囊（包含连接的纤维）中白质束的完整性降低（分数各向异性降低）与对照组相比，肥胖者报告了通过短关联纤维到其他皮层区域的皮层区域（Shott等，2014）。 此外，与对照组相比，肥胖者在矢状层（已知用于将信息从顶叶，枕骨，扣带和颞区传递到丘脑）已知的表观弥散系数（水扩散反映细胞损伤）更大，并且可能是一致的我们观察到，与正常体重的个体相比，超重个体的右侧丘脑和右侧枕中回之间的连通性较低（Shott等，2014）。 肖特和同事（Shott等，2014）还发现在电晕辐射的肥胖人群中表观扩散系数更大（反映了可能的细胞损伤），这似乎与我们对深灰质结构（例如丘脑）和皮质区域（背侧）之间相对纤维密度较低的发现相一致与正常体重的人相比，超重的人的前额叶外侧皮层）。 丘脑的连通性改变可能会干扰丘脑在促进周围感觉信息向皮层的传递中的作用（Jang等人，2014).

一项单独的研究比较了无并发症的青少年肥胖与正常体重的个体，同时发现肥胖青少年的分数各向异性减少，如外囊，内囊（主要携带上行和下行皮质脊髓束），以及一些颞纤维和视神经辐射（Yau等人，2014）。 最近的一项研究还观察到脑干海绵状血管瘤患者脑干和下丘脑之间神经纤维与DTI的关系丧失，经过手术引流后，体重急剧增加，这可能表明这些神经纤维参与了调节。食物摄入量和体重（Purnell等，2014）。 然而，我们没有发现与下丘脑的连通性差异，这可能部分是由于基于当前研究中使用的特定地图集的分组限制。

4.1.2。 基于解剖连接的大脑签名2

第二正交签名仅由奖励和情绪唤醒网络内的三个解剖学连接组成。 在先前已经报道了在包括奖励网络的区域内以及与其在当前研究中相互作用的网络中的区域中的改变的连接的识别。 然而，这些改变可能是基于最近的形态学研究预测的，这些研究已经观察到扩展奖励网络区域内的灰质变化（肯尼，2011; Kurth等，2013; Raji等，2010; Volkow等人，2008）。 总之，我们的研究结果似乎显示了构成奖励网络及其相关网络的区域的白质连通性的广泛变化。

而其他研究发现纤维完整性降低，通过胼call体和穹窿区域（其为扣带的一部分，并将信息从海马体传递到下丘脑）随着BMI的增加而降低的分数各向异性来测量（Stanek等，2011; Xu等人，2013）; 目前的研究没有发现两个解剖学连通性大脑签名中的半球间连通性的显着变化。 唯一的例外是大脑签名1中左侧旁中心小叶和右侧顶下沟之间存在连接，并且脑标记2中右侧壳核与左侧直肌之间存在连接。 我们假设在这些先前的研究中观察到的效果可能是由于全身性白质降解而不是特定大脑区域之间的连接变化，类似于正常衰老期间发生的变化（Sullivan等人，2010）。 虽然这些先前研究的作者假设具有高BMI的受试者的外囊中的分数各向异性的差异可能与来自海马和杏仁核的连接相关，但我们未观察到这些结构内的连接性的显着变化。 需要更详细的分析和更精细的这些大脑区域来确认这些观察结果。

4.2。 与BMI相关的形态学灰质脑签名

使用两种不同谱的灰质形态测定分析能够正确识别来自正常体重个体的超重，其灵敏度为69％，特异性为63％。 这些发现与先前关于奖励网络和相关网络内特定大脑区域的灰质体积全球和区域减少的报告一致（Debette等，2010; 肯尼，2011; Kurth等，2013; Pannacciulli等，2006; Raji等，2010）。 与基于DTI的分类相反，这些发现表明了区分两个BMI组的中等能力。

4.2.1。 基于形态学的大脑签名1

在我们的研究中，与正常体重组相比，超重组中奖励，突出和执行控制网络区域的第一个大脑特征显示各种形态测量指标（包括眶额回，前岛叶的子区域）的较低值。 另外，对于与情绪唤醒网络相关的抑制区域（背外侧和腹内侧前额叶皮层）观察到较低值的形态测量值，但是对于躯体感觉网络（前中央沟，超边缘回，下中央沟和上额沟）的较高形态测量值，包括颞与正常体重的个体相比，超重个体的区域。 在这项研究中，我们发现眶额回的形态学测量（灰质体积和皮质厚度）显着减少。 眼眶额回是奖励网络中的一个重要区域，它在评估处理和基于编码与奖励相关的编码预测的未来行为和决策的指导中发挥作用（Kahnt等，2010）。 最近一项分析灰质和白质结构的研究发现，肥胖个体的奖励网络中各个区域的值都有所降低，包括眼眶额回（Shott等，2014).

4.2.2。 基于形态学的大脑签名2

与大脑特征1相比，在显着性和情绪唤醒网络区域中观察到的形态学测量解释了大部分方差，而奖励网络区域没有影响。 在显着性，执行控制和情绪唤醒网络的区域中观察到减少的灰质测量。 这些区域（前岛叶，顶叶后皮质，海马旁回，前扣带皮层的亚区域）经常与暴露于食物线索期间诱发的大脑活动增加相关（Brooks等人，2013; Greenberg等，2006; Rothemund等人，2007; Shott等，2014; Stoeckel等，2008），以及刺激的个人显着程度（Critchley等人，2011; Seeley等人，2007a）。 在目前的研究中，在体感网络的关键区域（后岛叶，旁中心小叶）也观察到灰质减少。 虽然这个网络在超重和肥胖中的确切作用尚不清楚，但已被证明与身体感觉的认识有关，最近的一项研究表明，肥胖个体对食物暗示的体感网络活动升高可导致暴饮暴食（Stice等，2011）。 该研究特别关注扩展奖励网络和体感网络中大脑区域之间的形态学测量和解剖学联系，并表明这些大脑结构指标可能影响与文献中发现的功能研究结果相关的神经处理。 与行为和环境因素的相关性还提供了对结构和功能结果之间关系的进一步了解，这些必须在未来的研究中进行测试。

4.3。 使用sPLS-DA进行多变量模式分析，以区分超重和正常体重的个体

关于BMI相关的研究相关的扩展奖励网络内不同脑网络之间的纤维密度变化，支持这样的假设：增加BMI会导致大脑中特定区域之间的解剖连接中断。 这些解剖学改变可能意味着奖励网络的关键区域与相关网络之间的无效或低效通信。 与最近几项报告相似，发现超重和肥胖相关的灰质体积变化（Debette等，2010; Kurth等，2013; Pannacciulli等，2006; Raji等，2010），与正常体重的个体相比，我们也能够发现超重的类似形态学差异。 在目前的研究中，我们扩展了这些观察结果，以研究超重状态与大脑解剖连接之间的关联，并将sPLS-DA应用于脑形态测量数据，以区分超重和正常体重的受试者。 最近使用二元逻辑回归的横断面研究表明，通过灰质体积和炎症标记物（纤维蛋白原）的血液水平测量的眶外额回的结构变化的组合能够在一个小的预测肥胖19正常体重受试者和44超重/肥胖受试者的样本; 具有高灵敏度（95.5％），但特异性低（31.6％）（Cazettes等，2011）。 我们的研究在几个方面与本报告不同，包括更大的样本量; 使用交叉验证方法避免样本特异性解决方案，排除患有高血压/糖尿病的受试者以消除可能的混杂因素，并包括灰质体积和纤维束密度以预测超重状态。

4.4。 限制

尽管我们发现体重正常和纤维密度超重的个体之间存在显着差异，但我们无法从这些解剖学发现推断出功能（静息状态）连接的差异。 这种功能连接性发现将提供检测未被白质束直接连接的区域中大脑活动同步的差异的能力。 虽然我们复制了之前报道的有关超重/肥胖与正常BMI之间解剖学连通性和形态学差异的研究结果（Kurth等，2013; Raji等，2010），我们没有观察到重要皮质下区域下丘脑，杏仁核和海马的改变。 这种失败可能是由于本研究中使用的自动分割算法的限制，或者由于分析仅限于超重个体与肥胖个体。 未来的研究需要更大的样本，以便比较肥胖，超重和正常体重的个体，并能够进行基于性别和种族的亚组分析。 由于我们的样本量相对较小，我们采用了严格的内部验证程序，但仍需要在独立的数据集中测试该分类器的预测准确性（Bray等人，2009）。 未来的研究应该解决这些神经影像学差异与特定饮食行为，饮食偏好和饮食信息之间的关联，以便解释这些发现的背景和重要性。 由于肥胖和超重状态通常与高血压，糖尿病和代谢综合征等合并症有关，未来的分析应该研究这些因素对分类算法的调节和相关效应。

4.5。 总结和结论

总之，我们的结果支持这样的假设：超重与大脑中特定区域之间的连接性改变（以纤维密度的形式）相关，这可能意味着这些区域之间的无效或低效通信。 特别是，前额叶抑制性脑区与奖励回路的连通性降低与食物摄入调节中的特征机制的优势一致（Gunstad等人，2006, 2007, 2008, 2010）。 这些结构变化背后的机制知之甚少，但可能涉及神经炎症和神经发育过程（Cazettes等，2011）与超重和肥胖个体中报告的低度炎症状态有关（Cazettes等，2011; Cox等，2014; Das，2010; Gregor和Hotamisligil，2011; 格里芬，2006）。 用于识别超重/肥胖中的灰质和白质改变的数据驱动方法是用于识别增加的BMI的中心相关性的有希望的工具，并且具有识别该病症的神经生物学生物标志物的潜力。

作者贡献

Arpana Gupta：研究概念和设计，分析和解释数据，起草和修订稿件。

Emeran Mayer：学习概念和设计，对稿件进行批判性审稿，批准稿件的最终版本，资助。

Claudia San Miguel：手稿的起草和批评性审查，数据解释。

John Van Horn：生成数据，分析数据。

Connor Fling：数据分析。

Aubrey Love：数据分析。

戴维斯伍德沃思：数据分析。

Benjamin Ellingson：手稿评论。

Kirsten Tillisch：对手稿，资金的批评性评论。

Jennifer Labus：研究概念和设计，分析和解释数据，起草和修订稿件，批准稿件的最终版本，资金。

利益冲突

不存在利益冲突。

资金来源

该研究部分得到了美国国立卫生研究院的资助：R01 DK048351（EAM），P50DK64539（EAM），R01 AT007137（KT），P30 DK041301，K08 DK071626（JSL）和R03 DK084169（JSL）。 飞行员扫描由加州大学洛杉矶分校的Ahmanson-Lovelace脑映射中心提供。

参考资料

  • Bray S.，Chang C.，Hoeft F.多变量模式分类分析在健康和临床人群的发育神经影像学中的应用。 面前。 哼。 神经科学。 2009 3：32。 19893761 [考研]
  • Brooks SJ，Cedernaes J.，SchiöthHB增加前额叶和海马旁激活，减少背外侧前额叶和岛叶皮质激活对肥胖的食物图像：fMRI研究的荟萃分析。 PLOS ONE。 2013; 8（4）：e60393。 23593210 [考研]
  • Calton MA，Vaisse C.缩小常见变异在肥胖遗传易感性中的作用。 基因组医学 2009，1（3）：31。 19341502 [考研]
  • Cazettes F.，Cohen JI，Yau PL，Talbot H.，Convit A.肥胖介导的炎症可能会损害调节食物摄入的大脑回路。 Brain Res。 2011; 1373：101-109。 21146506 [考研]
  • 疾病控制中心（CDC）超重和肥胖。 2014。 一世。
  • Chiang MC，Barysheva M.，Toga AW，Medland SE，Hansell NK，James MR，McMahon KL，de Zubicaray GI，Martin NG，Wright MJ，Thompson PM BDNF基因对455双胞胎中复制的脑回路的影响。 神经成像。 2011;55(2):448–454. [考研]
  • Choquet H.，Meyre D.肥胖的遗传学：我们学到了什么？ CURR。 基因组学。 2011;12(3):169–179. 22043165 [考研]
  • Connolly L.，Coveleskie K.，Kilpatrick LA，Labus JS，Ebrat B.，Stains J.，Jiang Z.，Tillisch K.，Raybould HE，Mayer EA瘦肉和肥胖女性对甜饮料的脑反应差异。 Neurogastroenterol。 Motil。 2013;25(7):579-e460. 23566308 [考研]
  • Cox AJ，West NP，Cripps AW肥胖，炎症和肠道微生物群。 柳叶刀糖尿病内分泌。 2014 25066177 [考研]
  • Critchley HD，Nagai Y.，Gray MA，Mathias CJ解剖人类自主控制轴：来自神经影像学的见解。 王文浩。 神经科学。 2011;161(1–2):34–42. 20926356 [考研]
  • Dale AM，Fischl B.，Sereno MI皮质表面分析。 I.分割和表面重建。 神经成像。 1999;9(2):179–194. 9931268 [考研]
  • Das UN肥胖：基因，大脑，肠道和环境。 营养。 2010;26(5):459–473. 20022465 [考研]
  • Debette S.，Beiser A.，Hoffmann U.，Decarli C.，O'Donnell CJ，Massaro JM，Au R.，Himali JJ，Wolf PA，Fox CS，Seshadri S.内脏脂肪与健康状况下的脑容量较低有关中年人。 安。 神经病学。 2010;68(2):136–144. 20695006 [考研]
  • Destrieux C.，Fischl B.，Dale A.，Halgren E.使用标准解剖学命名法自动包裹人类皮质回旋和脑沟。 神经成像。 2010;53(1):1–15. 20547229 [考研]
  • Dubois L.，Ohm Kyvik K.，Girard M.，Tatone-Tokuda F.，PérusseD。，Hjelmborg J.，Skytthe A.，Rasmussen F.，Wright MJ，Lichtenstein P.，Martin NG遗传和环境对体重的贡献从出生到19年龄的身高和体重指数：对12,000双胞胎对的国际研究。 PLOS ONE。 2012; 7（2）：e30153。 22347368 [考研]
  • El-Sayed Moustafa JS，Froguel P.从肥胖遗传学到个性化肥胖症治疗的未来。 纳特。 Rev. Endocrinol。 2013;9(7):402–413. 23529041 [考研]
  • Finkelstein EA，Trogdon JG，Cohen JW，Dietz W.年度医疗支出归因于肥胖：付款人和服务特定的估计。 健康Aff（Millwood） 2009;28(5):w822–w831. 19635784 [考研]
  • Fischl B.，Salat DH，Busa E.，Albert M.，Dieterich M.，Haselgrove C.，van der Kouwe A.，Killiany R.，Kennedy D.，Klaveness S.，Montillo A.，Makris N.，Rosen B.，Dale AM全脑分割：人脑中神经解剖结构的自动标记。 神经元。 2002;33(3):341–355. 11832223 [考研]
  • Fischl B.，Sereno MI，Dale AM皮质表面分析。 II：膨胀，扁平化和基于表面的坐标系。 神经成像。 1999;9(2):195–207. 9931269 [考研]
  • García-GarcíaI。，JuradoM.Á，Garolera M.，Segura B.，Sala-Llonch R.，Marqués-Iturria I.，Pueyo R.，Sender-Palacios MJ，Vernet-Vernet M.，Narberhaus A.， Ariza M.，JunquéC。肥胖症显着性网络的改变：一项静息状态fMRI研究。 哼。 Brain Mapp。 2013;34(11):2786–2797. 22522963 [考研]
  • Greenberg JA，Boozer CN，Geliebter A.咖啡，糖尿病和体重控制。 上午。 J. Clin。 营养学。 2006;84(4):682–693. 17023692 [考研]
  • Gregor MF，Hotamisligil GS肥胖症的炎症机制。 Annu。 Rev. Immunol。 2011; 29：415-445。 21219177 [考研]
  • 格里芬WS炎症和神经退行性疾病。 上午。 J. Clin。 营养学。 2006;83(2):470S–474S. 16470015 [考研]
  • Gunstad J.，Lhotsky A.，Wendell CR，Ferrucci L.，Zonderman AB对肥胖和认知功能的纵向检查：来自巴尔的摩衰老纵向研究的结果。 Neuroepidemiology。 2010;34(4):222–229. 20299802 [考研]
  • Gunstad J.，Paul RH，Cohen RA，Tate DF，Gordon E. Obesity与年轻和中年成年人的记忆缺陷有关。 吃。 重量障碍。 2006;11(1):e15–e19. 16801734 [考研]
  • Gunstad J.，Paul RH，Cohen RA，Tate DF，Spitznagel MB，Gordon E.升高的体重指数与其他健康成人的执行功能障碍有关。 COMPR。 精神病学。 2007;48(1):57–61. 17145283 [考研]
  • Gunstad J.，Spitznagel MB，Paul RH，Cohen RA，Kohn M.，Luyster FS，Clark R.，Williams LM，Gordon E.健康儿童和青少年的身体质量指数和神经心理功能。 食欲。 2008;50(2–3):246–251. 17761359 [考研]
  • Irimia A.，Chambers MC，Torgerson CM，Van Horn JD用于受试者和人群级连接可视化的人类皮层网络的循环表示。 神经成像。 2012;60(2):1340–1351. 22305988 [考研]
  • Jang SH，Lim HW，Yeo SS人脑内层内丘脑核的神经连接：扩散张量纤维束成像研究。 神经科学。 快报。 2014; 579：140-144。 25058432 [考研]
  • Kahnt T.，Heinzle J.，Park SQ，Haynes JD人类眶额皮层奖励预期的神经代码。 PROC。 国家科。 科学院。 科学。 美国。 2010;107(13):6010–6015. 20231475 [考研]
  • Kenny PJ肥胖的奖励机制：新见解和未来方向。 神经元。 2011;69(4):664–679. 21338878 [考研]
  • Kilpatrick LA，Coveleskie K.，Connolly L.，Labus JS，Ebrat B.，Stains J.，Jiang Z.，Suyenobu BY，Raybould HE，Tillisch K.，Mayer EA蔗糖摄取对脑干和下丘脑内在振荡的影响和肥胖的女人。 消化内科。 2014;146(5):1212–1221. 24480616 [考研]
  • Kullmann S.，Heni M.，Veit R.，Ketterer C.，Schick F.，HäringHU，Fritsche A.，Preissl H.肥胖大脑：体重指数和胰岛素敏感性与静息状态网络功能连接的关联。 哼。 Brain Mapp。 2012;33(5):1052–1061. 21520345 [考研]
  • Kurth F.，Levitt JG，Phillips OR，Luders E.，Woods RP，Mazziotta JC，Toga AW，Narr KL健康成人的灰质，体重指数和腰围之间的关系。 哼。 Brain Mapp。 2013;34(7):1737–1746. 22419507 [考研]
  • LêCaoKA，Boitard S.，Besse P.稀疏PLS判别分析：生物学相关的特征选择和多类问题的图形显示。 BMC生物信息学。 2011 12：253。 21693065 [考研]
  • LêCaoKA，GonzálezI。，DéjeanS。integrOmics：解决两个组学数据集之间关系的R包。 生物信息学。 2009;25(21):2855–2856. 19706745 [考研]
  • LêCaoKA，Martin PG，Robert-GraniéC。，Besse P.稀疏生物数据集成的规范方法：应用于跨平台研究。 BMC生物信息学。 2009 10：34。 19171069 [考研]
  • LêCaoKA，Rossouw D.，Robert-GraniéC。，Besse P.在集成组学数据时用于变量选择的稀疏PLS。 统计。 申请 遗传学。 摩尔。 生物学。 2008，7（1）：35。 19049491 [考研]
  • LêCaoKA，Rossouw D.，Robert-GraniéC。，Besse P.在集成组学数据时用于变量选择的稀疏PLS。 统计。 申请 遗传学。 摩尔。 生物学。 2008，7（1）：35。 19049491 [考研]
  • Loveman E.，Frampton GK，Shepherd J.，Picot J.，Cooper K.，Bryant J.，Welch K.，Clegg A.成人长期体重管理方案的临床效果和成本效益：系统评价。 健康技术 评估。 2011;15(2):1–182. 21247515 [考研]
  • Menon V.，Uddin LQ显着性，转换，注意力和控制：脑岛功能的网络模型。 脑结构。 本功能。 2010;214(5–6):655–667. 20512370 [考研]
  • Mori S.，Crain BJ，Chacko副总裁，van Zijl PC通过磁共振成像对大脑轴突投影进行三维跟踪。 安。 神经病学。 1999;45(2):265–269. 9989633 [考研]
  • Morrow JD，Maren S.，Robinson TE将激励显着性归因于食欲提示的倾向的个体差异预测了将动机显着性归因于厌恶性线索的倾向。 Behav。 Brain Res。 2011;220(1):238–243. 21316397 [考研]
  • Pannacciulli N.，Del Parigi A.，Chen K.，Le DS，Reiman EM，Tataranni PA人类肥胖中的脑异常：基于体素的形态测量研究。 神经成像。 2006;31(4):1419–1425. 16545583 [考研]
  • Purnell JQ，Lahna DL，Samuels MH，Rooney WD，Hoffman WF脑干肥胖导致脑桥下丘脑白质丢失。 Int J Obes（伦敦） 2014; 38：1573-1577。 24727578 [考研]
  • Raji CA，Ho AJ，Parikshak NN，Becker JT，Lopez OL，Kuller LH，Hua X.，Leow AD，Toga AW，Thompson PM Brain结构和肥胖。 哼。 Brain Mapp。 2010;31(3):353–364. 19662657 [考研]
  • Rothemund Y.，Preuschhof C.，Bohner G.，Bauknecht HC，Klingebiel R.，Flor H.，Klapp BF通过肥胖个体的高热量视觉食物刺激对背侧纹状体进行差异激活。 神经成像。 2007;37(2):410–421. 17566768 [考研]
  • Seeley WW，Menon V.，Schatzberg AF，Keller J.，Glover GH，Kenna H.，Reiss AL，Greicius MD Dissociable内在连接网络，用于显着性处理和执行控制。 J.Neurosci。 2007;27(9):2349–2356. 17329432 [考研]
  • Seeley WW，Menon V.，Schatzberg AF，Keller J.，Glover GH，Kenna H.，Reiss AL，Greicius MD Dissociable内在连接网络，用于显着性处理和执行控制。 J.Neurosci。 2007;27(9):2349–2356. 17329432 [考研]
  • Sheehan DV，Lecrubier Y.，Sheehan KH，Amorim P.，Janavs J.，Weiller E.，Hergueta T.，Baker R.，Dunbar GC The Mini-International Neuropsychiatric Interview（MINI）：结构化诊断的开发和验证DSM-IV和ICD-10的精神病学访谈。 J. Clin。 精神病学。 1998;59(Suppl. 20):22–33. 9881538 [测验34-57] [考研]
  • Shott ME，Cornier MA，Mittal VA，Pryor TL，Orr JM，Brown MS，Frank GK Orbitofrontal cortex volume and brain reward response in soap。 Int J Obes（伦敦） 2014 25027223 [PMC免费文章[考研]
  • Stanek KM，Grieve SM，Brickman AM，Korgaonkar MS，Paul RH，Cohen RA，Gunstad JJ肥胖与其他健康成年人的白质完整性降低有关。 肥胖（银泉） 2011;19(3):500–504. 21183934 [考研]
  • Stice E.，Yokum S.，Burger KS，Epstein LH，Small DM有肥胖风险的青少年表现出更强烈的纹状体和体感区域对食物的激活。 J.Neurosci。 2011;31(12):4360–4366. 21430137 [考研]
  • Stoeckel LE，Weller RE，Cook EW，3rd，Twieg DB，Knowlton RC，Cox JE在肥胖女性中响应高热量食物的照片，广泛奖励系统激活。 神经成像。 2008;41(2):636–647. 18413289 [考研]
  • Sullivan EV，Rohlfing T.，Pfefferbaum A.使用定量DTI纤维追踪对正常成人衰老大脑中胼ob体微结构的纵向研究。 开发。 Neuropsychol。 2010;35(3):233–256. 20446131 [考研]
  • Terranova L.，Busetto L.，Vestri A.，Zappa MA减肥手术：成本效益和预算影响。 奥贝斯。 外科杂志。 2012;22(4):646–653. 22290621 [考研]
  • Volkow ND，Frascella J.，Friedman J.，Saper CB，Baldo B.，Rolls ET，Mennella JA，Dallman MF，Wang GJ，LeFur G.肥胖的神经生物学：与成瘾的关系。 神经精神药理学。 2004; 29：S29-S30。
  • Volkow ND，Wang GJ，Baler RD奖励，多巴胺和控制食物摄入：对肥胖的影响。 趋势认知。 科学。 2011;15(1):37–46. 21109477 [考研]
  • Volkow ND，Wang GJ，Fowler JS，Telang F.成瘾和肥胖的重叠神经回路：系统病理学的证据。 PHILOS。 跨。 R. Soc。 Lond。，B，Biol。 科学。 2008;363(1507):3191–3200. 18640912 [考研]
  • 世界卫生组织（WHO）肥胖。 2014。 一世。
  • Xu J.，Li Y.，Lin H.，Sinha R.，Potenza MN体重指数与穹窿和胼call体中的白质完整性呈负相关：弥散张量成像研究。 哼。 Brain Mapp。 2013;34(5):1044–1052. 22139809 [考研]
  • Yau PL，Javier DC，Ryan CM，Tsui WH，Ardekani BA，Ten S.，Convit A. 2型糖尿病肥胖青少年脑部并发症的初步证据。 糖尿病学。 2010;53(11):2298–2306. 20668831 [考研]
  • Yau PL，Kang EH，Javier DC，Convit A.在无并发症的青少年肥胖症中认知和脑部异常的初步证据。 肥胖（银泉） 2014;22(8):1865–1871. 24891029 [考研]
  • Zald DH人类杏仁核和感官刺激的情绪评估。 Brain Res。 Brain Res。 启示录 2003;41(1):88–123. 12505650 [考研]
  • Zigmond AS，Snaith RP医院焦虑和抑郁量表。 Acta Psychiatr。 SCAND。 1983;67(6):361–370. 6880820 [考研]