对比机器学习揭示了跨物种共享与特异性的脑功能结构|文献速递-医学影像人工智能进展

Title

题目

Contrastive machine learning reveals species -shared and -specific brainfunctional architecture

对比机器学习揭示了跨物种共享与特异性的脑功能结构

01

文献速递介绍

猕猴作为人类的动物模型，广泛用于研究大脑和行为的关键方面（Goulas等，2014a）。这可能归因于这两个物种至少在某种程度上共享共同的大脑结构（Orban等，2004；Rilling等，2008），例如功能连接组（Margulies等，2009），这些连接组反映了大脑区域的协作（Sporns，2011），并被认为与大脑功能和行为的出现有关（Shen等，2017）。然而，猕猴和人类大约在2500万年前就从它们的共同祖先中分化开来（Kumar和Hedges，1998）。随着物种在系统发育树上分支，共性在许多方面发生了变化，例如皮层的不成比例扩展和轴突的重新连接（Semendeferi等，2002；Krubitzer和Kaas，2005；Van Essen和Dierker，2007a），因此将猕猴的大脑翻译成人类的大脑可能不仅仅是大脑缩放的问题。因此，定量研究跨物种的大脑结构共性和差异，包括功能连接组，可能为大脑功能和行为的保留与演化提供见解，并且对于更好地利用动物模型将知识转化为人类的科学和临床应用至关重要（Kelly等，2012）。

当前的研究通常将一个物种视为“背景”，如猕猴，并与另一物种进行对比（Deacon，1990）。这种比较范式在某些背景下有效，例如应用对比变分自编码器（CVAE）（Abid和Zou，2019）捕捉自闭症患者的大脑特征，相对于正常人群，后者作为“背景”进行对比（Aglinskas等，2022）。但对于跨物种比较，物种是独立演化并从它们的共同祖先中分化出来，发展出各自独特的特征。现有范式难以诱导出差异的来源，即这些差异是否归因于猕猴分支的演化，还是归因于人类分支的演化。从这个角度来看，更合理的做法是假设两物种共享一个“大脑”作为“背景”，以此为基础对比这两个物种，从而能够并行地分离出物种特有的特征。此外，将一个物种与“背景”进行匹配的假设理论上基于我们已经知道需要匹配的因素（Deacon，1990）。然而，不同个体之间存在内在的个体变异，甚至可能有方法学上的伪影。这些无关的变异可能会模糊特定物种的共性或特有变异的识别（Buckner和Krienen，2013）。

为了解决这些问题，我们最近开发了一种基于变分自编码器（Kingma和Welling，2013）的新算法，称为共享-特有变异自编码器（SU-VAE），用于比较猕猴和人类大脑的静息态功能MRI导出的连接组。SU-VAE以两个物种的未配对大脑功能连接组为输入，将每个物种的“特有”变异从“共享”变异中解耦开来，而后者最初是未知的，需要估计。通过这种方式，这些变异以三组不同的潜在特征表示，如图1所示。

我们在两个大型神经成像数据集上开发了该方法：人类连接组计划（HCP）数据集（Van Essen等，2012）和威斯康星大学麦迪逊分校的猕猴MRI（MUWM）数据集（UW-Madison，2018）。通过验证，解耦后的潜在特征在人类数据集上的验证表明，人类特有的特征与认知评分（如语言相关评分）有差异性关联，而与猕猴共享的特征则表现出与感觉运动评分的更强关联。接着，我们识别了物种共享的连接组及各自物种特有的连接组，这些结果得到了以往研究的支持。我们进一步将这些解耦后的连接组投射到大脑皮层，通过这种方式展示了一个反映物种之间连接组分化的梯度。为了进一步解释这些结果，我们计算了共享和特有连接组的图度量，以辨别它们在功能连接组演化中的潜在作用。结果发现，引入人类特有的连接，而非猕猴特有的连接，能增强网络效率。最后，我们在Allen Institute提供的全脑基因表达数据集上探索了可能的基因调控机制，这些机制可能与演化压力及人类特有功能连接组的形成相关（Shen等，2012）。我们识别了一组富集在“轴突引导”中的基因。我们通过在一个独立的大规模人类数据集——中国人类连接组计划（CHCP）数据集（Ge等，2023）上复制结果，验证了我们方法的稳健性和广泛性。

Abatract

摘要

A deep comparative analysis of brain functional connectome across species in primates has the potential toyield valuable insights for both scientific and clinical applications. However, the interspecies commonalityand differences are inherently entangled with each other and with other irrelevant factors. Here we developa novel contrastive machine learning method, called shared-unique variation autoencoder (SU-VAE), to allowdisentanglement of the species-shared and species-specific functional connectome variation between macaqueand human brains on large-scale resting-state fMRI datasets. The method was validated by confirming thathuman-specific features are differentially related to cognitive scores, while features shared with macaquebetter capture sensorimotor ones. The projection of disentangled connectomes to the cortex revealed a gradientthat reflected species divergence. In contrast to macaque, the introduction of human-specific connectomes tothe shared ones enhanced network efficiency. We iden