[论文解读] Heritability estimates on resting state fMRI data using the ENIGMA analysis pipeline

Bhim M. Adhikari, Neda Jahanshad+10 more|arXiv (Cornell University)|Sep 13, 2017

Functional Brain Connectivity Studies被引用 5

一句话总结

本研究在ENIGMA框架内开发了一套统一的、多中心的静息态功能磁共振成像（rsfMRI）分析流程，用于估计20个主要脑网络的功能连接遗传度。基于GOBS和HCP队列的数据，研究显示rsfMRI连接度测量的遗传度估计值稳定在20%至40%之间，验证了该流程在不同扫描协议和站点特异性变异下的稳健性。

ABSTRACT

Big data initiatives such as the Enhancing NeuroImaging Genetics through Meta-Analysis consortium (ENIGMA), combine data collected by independent studies worldwide to achieve more accurate estimates of effect sizes and more reliable and reproducible outcomes. Such efforts require harmonized analyses protocols to consistently extract phenotypes. Even so, challenges include wide variability of fMRI protocols and scanner platforms; this leads to site-to-site variance in quality, resolution and temporal signal-to-noise ratio (tSNR). An effective harmonization should provide optimal measures for data of different qualities. We developed a multi-site rsfMRI analysis pipeline to allow research groups around the world to process rsfMRI scans in a harmonized way, to extract consistent and quantitative measurements of connectivity and to perform coordinated statistical tests. We used the single-modality ENIGMA rsfMRI pipeline based on model-free Marchenko-Pastor PCA based denoising to verify and replicate findings of significant heritability of measures from resting state networks. We analyzed two independent cohorts, GOBS (Genetics of Brain Structure) and HCP (the Human Connectome Project), which collected data using conventional and connectomics oriented fMRI protocols. We used seed-based connectivity and dual-regression approaches to show that rsfMRI signal is consistently heritable across twenty major functional network measures. Heritability values of 20-40% were observed across both cohorts.

研究动机与目标

• 开发一种标准化的多中心rsfMRI分析流程，确保在不同成像平台和协议下实现一致且可重复的表型测量。
• 通过无模型的Marchenko-Pastur主成分分析（PCA）去噪方法，解决fMRI数据质量、分辨率和时间信噪比（tSNR）的站点间差异。
• 通过统一的分析方法验证并复现静息态fMRI中功能连接度测量的显著遗传度。
• 评估在不同fMRI采集协议（常规与连接组导向）下，两个大型独立队列中遗传度估计的可靠性。
• 通过标准化数据处理和表型提取，实现国际研究团队之间的协调统计检验。

提出的方法

• 采用无模型的Marchenko-Pastur主成分分析（PCA）方法对rsfMRI数据进行去噪，最小化对噪声结构的假设。
• 在多个站点应用统一的处理流程，确保无论扫描仪或协议差异，功能连接度指标的提取保持一致。
• 在两个队列中，使用基于种子点的连接度和双回归方法从rsfMRI数据中提取功能网络指标。
• 对流程进行校准，以在不同数据质量条件下（包括tSNR和空间分辨率差异）保持性能。
• 利用线性混合效应模型对推导出的连接度表型进行遗传度估计，同时考虑家族关系。
• 通过将流程应用于两个独立数据集（GOBS：脑结构遗传学队列；HCP：人类连接组计划队列）验证其一致性。

实验结果

研究问题

• RQ1 统一的rsfMRI分析流程能否在不同成像站点和协议下可靠地估计功能连接的遗传度？
• RQ2 在使用标准化、多中心流程处理后，静息态功能网络指标的遗传度大小如何？
• RQ3 在具有不同fMRI采集协议（常规与连接组导向）的两个大型独立队列中，遗传度估计的一致性如何？
• RQ4 ENIGMA流程在多大程度上减轻了rsfMRI数据中的站点特异性变异，从而提高遗传度估计的可靠性？
• RQ5 在不同的处理和去噪策略下，主要脑网络中的功能连接度是否在不同条件下均表现出一致的可遗传性？

主要发现

• ENIGMA rsfMRI流程成功实现了对20个主要功能网络指标的遗传度估计的一致性和可重复性。
• 在GOBS和HCP队列中，rsfMRI连接度的遗传度估计范围为20%至40%，表明遗传因素对功能网络组织具有显著影响。
• 该流程在不同扫描平台和fMRI协议（包括常规和连接组导向序列）下均表现出稳健性能。
• 无模型的Marchenko-Pastur PCA去噪方法有效降低了站点间的数据质量差异，提升了后续遗传度估计的可靠性。
• 基于种子点和双回归的方法得出了稳定的遗传度结果，支持了该流程输出的有效性。
• 本研究证实，即使在对多中心数据进行严格统一处理后，主要脑网络中的功能连接度仍具有显著的可遗传性。